Mario Errol Chavez Gordillo

 
a11 a12 · · · a1j ··· a1k · · · a1,n−1 a1n

 .. 
 a12 . a2n 
 .. .. 
 . . 
 
 a ajj ··· ajk ajn 
 1j 
 . .. .. .. .. 
 .. . . . . 
 
 a ajk ··· akk akn 
 1k 
 .. .. 
 . . 
 

 a1,n−1
a1n a2n · · ·
Z ..
· · · an−1,n
. an−1,n
ann


ξττo s
ALGEBRA LINEAL
Autor
MARIO ERROL CHAVEZ GORDILLO
La Paz - Bolivia
03 de Junio del 2013
g+ -
S
+
g - S
A
B u
W (s +)
W u(s -)
s+
s0
s - W ss(s0 ) W u(s0 )
Índice general
1. Matrices 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Matrices. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Matrices cuadradas especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5. Transformaciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.6. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.7. Rango de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.8. Representación matricial de un sistema de ecuaciones lineales . . . . . . . . . . . . 39
1.9. Método de eliminación de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.10. Método de eliminación de Gauss Jordan . . . . . . . . . . . . . . . . . . . . . . . 46
1.11. Sistemas homogéneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2. La matriz Inversa 77
2.1. Matrices Invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2. Método de Escalonamiento de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.3. Método de Leontief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3. Determinantes 105
3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
i
R
ξ£vι − βτ αηφoη − ξτ τ o s ζℏαυεz ii
3.2. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

3.2.1. Desarrollo de un determinante por Adjuntos . . . . . . . . . . . . . . . . . 119
3.2.2. Método de Chio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.3. Matrices elementales y determinantes . . . . . . . . . . . . . . . . . . . . . . . . 133
3.4. Matrices invertibles y determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.5. Determinante de un producto de matrices . . . . . . . . . . . . . . . . . . . . . . 137
3.6. Cálculo de la matriz inversa por determinantes . . . . . . . . . . . . . . . . . . . . 138
3.7. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.8. Determinante de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
3.9. Cálculo del rango usando determinantes . . . . . . . . . . . . . . . . . . . . . . . 180
4. Espacios vectoriales 183

4.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
4.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
4.3. Combinación lineal y Subespacio generado . . . . . . . . . . . . . . . . . . . . . . 199
4.4. Dependencia e Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 207
4.5. Base de un espacio vectorial y dimensión . . . . . . . . . . . . . . . . . . . . . . . 214
4.6. Coordenadas de un vector respecto de una base . . . . . . . . . . . . . . . . . . . 240
4.7. Matriz de cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
4.8. Suma de Subespacios y Suma directa . . . . . . . . . . . . . . . . . . . . . . . . . 253
5. Transformaciones lineales 255

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.2. Núcleo e imagen de una aplicación lineal . . . . . . . . . . . . . . . . . . . . . . . 260
5.3. La matriz de una transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
5.4. Operaciones entre transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . 268
5.5. Cambio de base en una transformación lineal . . . . . . . . . . . . . . . . . . . . . 269
6. Valores y Vectores Propios 271

6.1. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
6.2. Subespacios Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
6.3. Matrices Invertibles y Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . 274
6.4. Producto de matrices y Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . 275
R
email errolschg@yahoo.es ii βo ιυατ
R
ξ£vι − βτ αηφoη − ξτ τ o s ζℏαυεz iii
6.5. Localización de Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

6.6. Cálculo de Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
6.7. Cálculo de Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
6.8. Independencia lineal y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . 286
6.9. Valores propios de algunas matrices especiales . . . . . . . . . . . . . . . . . . . . 287
6.10. Semejanza de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
6.11. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
6.12. Valores y Vectores Propios de una Transformación . . . . . . . . . . . . . . . . . . 296
7. Formas canónicas elementales 299

7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
7.2. Multiplicidad algebraica y geométrica. . . . . . . . . . . . . . . . . . . . . . . . . 299
7.3. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
7.4. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
7.5. Matrices de Jordan para matrices diagonalizables . . . . . . . . . . . . . . . . . . 307
7.6. Matrices de Jordan para matrices 2 × 2 . . . . . . . . . . . . . . . . . . . . . . . . 309
R
email errolschg@yahoo.es iii βo ιυατ
CAPÍTULO 1
Matrices
1.1. Introducción
Vamos a introducir unas notaciones para sistemas generales de m ecuaciones con n incógnitas
que nos permitiran entender los grandes sistemas. Si se designan las incógnitas por x1 , ..., xn , un
sistema de este tipo se escribe en la forma
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (1.1)
.
am1 x1 + am2 x2 + · · · + amn xn = bm
donde a11 , a12 ,..., amn con los coeficientes del sistema y b1 , b2 ,..., bm son los términos independientes.
Nótese cuidadosamente el orden de colocación de los subı́ndices. Por ejemplo, a12 es el coeficiente
de la primera variable x1 en la segunda ecuación. En general aij es el coeficiente de la variable
j−ésima xj en la i-ésima ecuación. Algunos o muchos de estos coeficientes pueden ser cero.
Una solución del sistema (1.1) es un conjunto ordenado de números s1 , s2 ,..., sn que verifica
todas las ecuaciones simultáneamente cuando se pone x1 = s1 , x2 = s2 ,..., xn = sn . Normalmente
una solución se designa por (s1 , s2 , ..., sn ). Si el sistema (1.1) tiene al menos una solución se le
llamará compatible caso contrario de le llamará incompatible.
Hay programas de computador que comprueban que si un sistema como (1.1) es compatible y en
caso afirmativo, hallan sus soluciones aunque tenga miles de ecuaciones e incógnitas. A pesar de
esto, los administradores necesitan entender la teorı́a de estos sistemas de ecuaciones para poder
1
R
ξ£vι − βτ αηφoη − ξτ τ o s ζℏαυεz 2
crear razonamientos teóricos y sacar conclusiones en relación con los modelos lineales de este tipo.
1.2. Matrices. Operaciones con matrices

Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El
desarrollo inicial de la teorı́a se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
introduce la notación matricial como una forma abreviada de escribir un sistema de m ecuaciones
lineales con n incógnitas.
Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales,
de las ecuaciones diferenciales y de las derivadas parciales. Además de su utilidad para el estudio de
sistemas de ecuaciones lineales, las matrices aparecen de forma natural en geometrı́a, estadı́stica,
economı́a, informática, fı́sica, etc.
La utilización de matrices (arrays) constituye actualmente una parte esencial de los lenguajes
de programación, ya que la mayorı́a de los datos se introducen en los ordenadores como tablas
organizadas en filas y columnas : hojas de cálculo, bases de datos.
DEFINICIÓN 1.1. Se llama matriz de orden m × n a todo conjunto rectangular de números

reales aij dispuestos en m lı́neas horizontales (filas) y n verticales (columnas) de la forma:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A =  .. .. .. .. 
 . . . . 
am1 am2 . . . amn
Abreviadamente suele expresarse en la forma A = (aij ), con i = 1, 2, ..., m, j = 1, 2, ..., n. Los

subı́ndices indican la posición del elemento dentro de la matriz, el primero denota la fila i y el
segundo la columna j. Por ejemplo el elemento a25 será el elemento de la fila 2 y columna 5.
El conjunto de todas las matrices de orden m × n, con entradas en R, se denota por Mm×n (R).
EJEMPLO 1.1.
   
1 −2 3 1 9 0 0
 −2 0 4 2  1 −3 0 1  0 −5 −2 
A= 3
,
 B= C=
 0

4 1 1 8 5 0 7 0 0 
1 2 1 0 −7 5 3
son matrices. De ellas A es de orden 4 × 4, B es 2 × 4, C es 4 × 3.

EJEMPLO 1.2. Escribir explı́citamente las siguientes matrices:
① A = (aij ) ∈ M3×2 (R) tal que aij = i + 2j.
R
email errolschg@yahoo.es 2 βo ιυατ
R
② B = (bij ) ∈ M3×3 (R) tal que bij = 2i − j.
③ C = (cij ) ∈ M3×4 (R) tal que cij = mı́n{i, j}.
④ D = (dij ) ∈ M4×3 (R) tal que cij = 2i − (−1)j .
SOLUCIÓN.- SOLUCIÓN.-
La matriz A = (aij ) de orden 3 × 2 cuyas entradas son dadas por la condición aij = i + 2j es:
   
a11 a12 3 5
A =  a21 a22  =  4 6  .
a31 a32 5 7
EJEMPLO 1.3. Construya un ejemplo de una matriz de orden 3×3, (cij ) que satisfaga cij = −cji .
SOLUCIÓN.- La condición cij = −cji es equivalente a cij + cji = 0, luego un ejemplo para una
tal matriz es dada por  
0 1 2
 −1 0 3 
−2 −3 0
EJEMPLO 1.4. Determine la matriz de orden 3 × 4, A = (aij ) para la cual

i + j, si i 6= j
aij = .
0 si i = j
SOLUCIÓN.- La matriz A = (aij ) de orden 3 × 4 cuyas entradas son dadas por la condición
anterior es:
   
a11 a12 a13 a14 0 3 4 5
A =  a21 a22 a23 a24  =  3 0 5 6 
a31 a32 a33 a34 4 5 0 7

EJEMPLO 1.5. Una empresa produce cuatro productos A, B, C y D. El productor de cada

artı́culo requiere cantidades especı́ficas de dos materiales primas X y Y , y también cantidades
determinadas de mano de obra. Suponga que la empresa desea comparar los números de unidades
de X y Y y de mano de obra que se requieren en la producción semanal de estos cuatro productos.
En la tabla 1 aparece información muestral para tal caso. Por ejemplo, la producción de A requiere
250 unidades de X, 160 unidades de Y y 80 unidades de mano de obra
R
R
Producto A B C D
Unidades de material X 250 300 170 200
Unidades de material Y 160 230 75 120
Unidades de mano de obra 80 85 120 100
Obtener una matriz que resuma todos estos datos.
SOLUCIÓN.- Observe que los datos de esta tabla aparecen en forma natural en un arreglo rect-
angular. Si se suprimen los encabezados, obtenemos el arreglo rectangular de números siguientes:
 
250 300 170 200
 160 230 75 120 
80 85 120 100
Este arreglo es ejemplo de una matriz.
EJEMPLO 1.6. (Polı́tica e Ingreso). Un número de personas fueron entrevistadas acerca de sus
convicciones polı́ticas y su ingreso anual. Se obtuvo la siguiente información:
1. 517 eran oficialistas y ganaban más de 15000 bs al año.
2. 345 eran opositores y ganaban más de 15000 bs al año.
3. 189 eran conservadores y ganaban más de 15000 bs al año.
4. 257 eran oficialistas y ganaban menos de 15000 bs al año.
5. 284 eran opositores y ganaban menos de 15000 bs al año.
6. 408 eran conservadores y ganaban menos de 15000 bs al año.
Represente la información anterior en una matriz. ¿Es única esta representación?.
SOLUCIÓN.-

ganan más de 15000 bs ganan menos de 15000 



Oficialistas 517 257
=A
Opositores 345 284 



Conservadores 189 408

R
R
1.2.1. Tipos de Matrices

Matriz cuadrada: Una matriz es cuadrada si el número de filas es igual al numero
de columnas,
es decir n = m, en este caso se llama matriz cuadrada de orden n. Si A = aij n×n , los elementos
a11 , a22 ,..., ann forman la diagonal principal de la matriz. Por ejemplo
 
2 8 −2
A= 9 3 6 
−1 9 5 3×3
es una matriz cuadrada de orden 3 cuya diagonal principal consta de los números 2, 3, 5.
Matriz columna: Es la que tiene una columna y más de una fila, es decir, una matriz n × 1;
n > 1. También recibe el nombre de vector. Por ejemplo
 
2
 9 
−1 3×1
Matriz fila: Es la que tiene una fila y más de una columna, es decir, una matriz 1 × m; m > 1.
También recibe el nombre de vector fila. Por ejemplo

2 8 −2 1×3
Matriz diagonal: Es una matriz cuadrada en la cual los aij = 0 para todo i 6= j. Es decir,
 
a11 0 . . . 0
 0 a22 . . . 0 
 
D =  .. .. . . .. 
 . . . . 
0 0 . . . amn
Matriz identidad: Es una matriz diagonal con todos los elementos en la diagonal principal
(i = j) igual a 1. Generalmente esta matriz se denota con la letra I:
 
1 0 ... 0
 0 1 ... 0 
 
I =  .. .. . . .. 
 . . . . 
0 0 ... 1
Matriz nula: Es una matriz en la cual todos los elementos son iguales a cero. Por ejemplo

0 0 0
A=
0 0 0 3×3
es la matriz nula de orden 2 × 3.
Matriz Triangular: Es una matriz cuadrada que tiene nulos todos los elementos que están a un
mismo lado de la diagonal principal. Las matrices triangulares pueden ser de dos tipos:
R
R
① Triangular Superior: Si los elementos que están por debajo de la diagonal principal son
todos nulos. Es decir, aij = 0 , i < j. Por ejemplo
 
2 8 −2
A= 0 3 6 
0 0 5 3×3
es una matriz triangular superior.

② Triangular Inferior: Si los elementos que están por encima de la diagonal principal son
todos nulos. Es decir, aij = 0, j < i. Por ejemplo
 
2 0 0
A= 9 3 0 
−1 9 5 3×3
es una matriz triangular inferior.
1.2.2. Operaciones con Matrices
Igualdad de Matrices

Sean A = aij , B = bij dos matrices ambos de orden n × m, entonces
A=B ⇐⇒ aij = bij ∀i = 1, ..., n, ∀j = 1, ..., m
Ası́ dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el
mismo lugar en ambas son iguales.
Adición y substracción de matrices
Dos matrices A ser sumadas o restadas para formar A ± B si tienen el mismo orden.
y B pueden
Sean A = aij , B = bij dos matrices ambos de orden n × m, entonces la matriz suma A + B es
A + B = (cij ), con cij = aij + bij ∀i = 1, ..., n, ∀j = 1, ..., m

−2 4 3 7 −4 2
EJEMPLO 1.7. Dadas las matrices A = y B = , hallar
4 −3 −9 1 9 −6
A + B.
SOLUCIÓN.-

−2 4 3 7 −4 2 5 0 5
A+B = + =
4 −3 −9 1 9 −6 5 6 −15

R
R
TEOREMA 1.1. La suma de matrices verifica las siguientes propiedades
① Conmutativa: A + B = B + A, para todo A, B ∈ Mn×m (R).
② Asociativa: (A + B) + C = A + (B + C), para todo A, B, C ∈ Mn×m (R).
③ Existencia del neutro: Existe un elemento en Mn×m (R), denotado 0 y llamado llamado matriz
nula, tal que para todo A en Mn×m (R) cumple que A + 0 = A.

④ Existencia del inverso: Para todo A = aij en Mn×m (R), existe un elemento en Mn×m (R),
denotado y definido por −A = − aij , tal que A + (−A) = 0.
 
5 8 4
EJEMPLO 1.8. Dada la matriz A =  3 2 5 . Hallar una matriz B tal que la suma A + B
7 6 0
dé la matriz identidad.
SOLUCIÓN.- Es suficiente despejar B de la ecuación A + B = I, esto es, B = I − A.

     
1 0 0 5 8 4 −4 −8 −4
B =  0 1 0  −  3 2 5  =  −3 −1 −5 
0 0 1 7 6 0 −7 −6 1
Producto de un número por una matriz
El producto de un número real k por una matriz A = (aij ) es otra matriz B = (bij ) de la misma
dimensión que A y tal que cada elemento bij de B se obtiene multiplicando aij por k, es decir,
bij = kaij . El producto de la matriz A por el número real k se designa por kA. Al número real k
se le llama también escalar, y a este producto, producto de escalares por matrices.

−2 4 3
EJEMPLO 1.9. Dada la matriz A = , hallar 3A.
4 −3 −9
SOLUCIÓN.-
−2 4 3 −6 12 9
3A = 3 =
4 −3 −9 12 −9 −27

TEOREMA 1.2. Si A, B, C ∈ Mn×m (R) y α, β ∈ R entonces se tiene
① α(A + B) = αA + αB.
② (α + β)A = αA + βB.
③ (αβ)A = α(βA) = β(αA).

R
R
EJEMPLO 1.10. Efectúe las siguientes operaciones y simplifique

   
2 1 1 −2
(a) 3  −1 3  − 2  2 3 
4 7 −3 0
   
1 0 −3 4 2 −1 2 3
(b) 4  2 −1 5 1  − 5  1 0 −3 4 
3 2 0 −2 3 1 0 −5
SOLUCIÓN.-

8 −1 2 3 −1 2
EJEMPLO 1.11. Sea las matrices A = , B = yC = .
3 4 −1 −2 4 −3
3 h i
Hallar la matriz X en la ecuación (X + A) = 2 X + (2B − C) + A.
2
SOLUCIÓN.- Multiplicando por 2 ambos lados de la ecuación dada se tiene:
3 h i
(X + A) = 2 X + (2B − C) + A
2
h i
3(X + A) = 4 X + 2B − C + 2A
3X + 3A = 4X + 8B − 4C + 2A
3X − 4X = 8B − 4C + 2A − 3A
−X = −A + 8B − 4C
X = A − 8B + 4C
Reemplazado datos tenemos:

8 −1 2 3 −1 2
X = −8 +4
3 4 −1 −2 4 −3

8 −1 16 24 −4 8
= − +
3 4 −8 −16 16 −12

−12 −17
=
27 8

−3 5 −2 7 11 1
EJEMPLO 1.12. SiA = ,B= yC= . Resolver la ecuación
−2 1 4 −1 10 5
h i
−9 10
2(X + B) = 3 A − 2(B + X) + C. Sol.- X = .
7 −4
R
R
SOLUCIÓN.-
EJEMPLO 1.13. Hallar x, y, z y w si

x y x 6 4 x+y
3 = +
z w −1 2w z+w 3
SOLUCIÓN.-
EJEMPLO 1.14. (Matriz de producción) Una empresa que fabrica calzados produce tres modelos
con distintas caracterı́sticas en tres tamaños diferentes. La capacidad de producción (en miles) en
su plata de Cochabamba está dada por la matriz A.

Modelo 1 Modelo 2 Modelo 3 



Tamaño 1 5 3 3
=A
Tamaño 2 7 4 5 



Tamaño 3 10 8 4
En otras palabras, la capacidad de planta es de 5000 calzados de tamaño 1 del modelo 1, 3000
calzados de tamaño 1 del modelo 2, etc. La capacidad de producción en la planta de la ciudad El
Alto está dada por la matriz B.

Modelo 1 Modelo 2 Modelo 3 


Tamaño 1 4 5 3
Tamaño 2 9 6 4 =B


Tamaño 3 8 12 2 
(a) ¿Cuál es la capacidad de producción total en las dos plantas?
(b) Si la empresa decide incrementar su producción en la ciudad de Cochabamba en un 20 %,

¿cuál será la nueva producción en su planta?.
SOLUCIÓN.-
(a) La producción combinada en miles en las dos plantas está dada por la suma de las matrices
A y B.
     
5 3 2 4 5 3 9 8 5
A + B =  7 4 5  +  9 6 4  =  16 10 9 
10 8 4 8 12 2 18 20 6
Por ejemplo, las dos plantas producen 9000 calzados de tamaño 1 del modelo 1.
R
R
(b) Si la producción en Cochabamba se incrementa en un 20 %, la nueva producción (en miles)

estará dada por la matriz:
A + 20 %A = A + 0.20A = (1 + 0.20)A = 1.20A

   
5 3 2 6 3.6 2.4
= 1.2  7 4 5  =  8.4 4.8 6 
10 8 4 12 9.6 4.8
Por consiguiente, se producirán 4800 calzados modelo 2, etc.

EJEMPLO 1.15. (Costos de Transporte.) Una compañı́a tiene plantas en tres localidades X,
Y y Z y cuatro almacenes en los lugares A, B, C y D. El costo en dólares de transportar cada
unidad de su producto de una planta a un almacén está dado por la siguiente matriz
A \De X Y Z
A 10 12 15
B 13 10 12
C 8 15 6
D 16 9 10
En otras palabras, el costo de transportar una unidad de producto de la localidad X al almacén

A es de 10 dólares, etc.
(a) Si los costos de transportación de incrementan uniformemente en 1 dólar por unidad. ¿Cuál
es la nueva matriz?.
(b) Si los costos de transportación se elevan en un 20 %, escriba los costos en forma matricial.
SOLUCIÓN.-
(a) Si los costos de transportación de incrementan uniformemente en 1 dólar por unidad, los
nuevos costos en dólares estará dada por la matriz:
     
10 12 15 1 1 1 11 13 14
 13 10 12   1 1 1   14 11 13 
   = 
 8 15 6  +  1 1 1   9 16 7 
16 9 10 1 1 1 17 10 11
Por ejemplo, ahora el nuevo costo de transportar una unidad de producto de la localidad X
al almacén A es de 10 dólares, etc.
R
R
(b) Sea ∆ la matriz de costos iniciales. Si los costos de transportación se elevan en un 20 %, los
nuevos costos estarán dados por la matriz:
∆ + 20 %∆ = ∆ + 0.20∆ = (1 + 0.20)∆ = 1.20∆

   
10 12 15 12 14.4 18
 13 10 12   15.6 12 14.4 
= 1.2   
 8 15 6  =  9.6 18 7.2 

16 9 10 19.2 10.8 12
Por consiguiente, el nuevo costo de transportar una unidad de producto de la localidad X

al almacén A es de 12 dólares, etc.

EJEMPLO 1.16. (Costos de suministros). Un contratista calcula que los costos en dólares de
adquirir y transportar unidades determinadas de concreto, madera y acero desde tres diferentes
localidades están dados por las matrices siguientes (una matriz por cada localidad).

Concreto Madera Acero 
Costos de material 4 5 3 =A
Costos de transportación 9 6 4 

Costos de material 22 36 24 =B

Costos de material 18 32 26 =C
Escriba la matriz que representa los costos totales de material y de transportación por unidades
de concreto, madera y acero desde cada una de las tres localidades.
SOLUCIÓN.- Las matrices A, B y C son dados por

20 35 25 22 36 24 18 32 26
A= B= C=
8 10 6 9 9 8 11 8 5
La matriz que representa los costos totales de material y de transportación por unidades de
concreto, madera y acero es la suma de estas tres matrices, es decir,

60 103 75
A+B+C =
28 27 19
R
R
EJEMPLO 1.17. (Comercio Internacional) El comercio entre los paı́ses I, II y III durante 2004
en millones de dólares americanos esta dado por la matriz A = (aij ), en donde aij representa las
exportaciones del paı́s i al paı́s j.
 
0 16 20
A =  17 0 18 
21 14 0
El comercio entre estos tres paı́ses durante el año de 2005 en millones de dólares americanos esta
dado por la matriz B.  
0 17 19
B=  18 0 20 
24 16 0
(a) Escriba una matriz que representa el comercio total entre los tres paı́ses en el periodo de 2
años, 2004 y 2005.
(b) Si en 2004 y 2005, 1 dólar americano equivalı́a a 5 dólares de Hong Kong, escriba la matriz
que representa el comercio total durante los 2 años en dólares de Hong Kong.
SOLUCIÓN.-
(a) El comercio total en millones de dólares americanos entre los tres paı́ses en el periodo de 2
años, 2004 y 2005, está dada por la suma de las matrices A y B.
     
0 16 20 0 17 19 0 33 39
A + B =  17 0 18  +  18 0 20  =  35 0 38 
21 14 0 24 16 0 45 30 0
Por ejemplo, del paı́s I al paı́s III se exportan 39 millones de dólares americanos en el periodo
de 2 años, 2004 y 2005.
(b) Recordemos que las entradas aij de la matriz A representa los millones de dólares americanos
que el paı́s i exporta al paı́s j.
1000000 de dólares US 5 dólar HK

aij millones de US
un millon de US 1 dólar US
La matriz que representa el comercio total durante los 2 años en dólares de Hong Kong es:
   
0 33 39 0 165 195
5  35 0 38  =  175 0 190 
45 30 0 225 150 0
Por ejemplo, del paı́s I al paı́s III se exportan 195 millones de dólares de Hong Kong en el
periodo de 2 años, 2004 y 2005.
R
R
EJEMPLO 1.18. (Matriz de producción) Una fabrica zapatos los produce en color negro, blando
y café para niños, damas y caballeros. La capacidad de producción en miles de pares en su planta
de Cochabamba está dada por la matriz A.

Hombres Mujeres Niños  


Negro 5 3 3
=A
Gris 7 4 5 



Blanco 10 8 4
La capacidad de producción en la planta de la ciudad El Alto está dada por la matriz B.


Hombres Mujeres Niños  


Negro 4 5 3
=B
Gris 9 6 4 



Blanco 8 12 2
(a) ¿Cuál es la capacidad de producción total en las dos plantas?
(b) Si la empresa decide incrementar su producción en la ciudad de Cochabamba en un 50 % y

la de la ciudad de El Alto en un 20 %, ¿cuál será la nueva producción en las dos plantas?.
SOLUCIÓN.-
(a) La producción combinada en miles en las dos plantas está dada por la suma de las matrices
A y B.
     
5 3 3 4 5 3 9 8 6
A + B =  7 4 5  +  9 6 4  =  16 10 9 
10 8 4 8 12 2 18 20 6
Por ejemplo, las dos plantas producen 9000 calzados para hombres de color negro.
(b) Si la producción en Cochabamba se incrementa en un 50 %, la nueva producción (en miles)

estará dada por la matriz:
A + 50 %A = A + 0.50A = (1 + 0.50)A = 1.5A

   
5 3 2 7.5 4.5 4.5
= 1.5  7 4 5  =  10.5 6 7.5 
10 8 4 15 12 6
Por consiguiente, se producirán 1500 calzados para hombre de color negro.

R
R
Ahora bien, si la empresa de la ciudad del alto incrementa su producción en un 20 %, la

nueva producción (en miles) estará dada por la matriz:
B + 20 %B = B + 0.20B = (1 + 0.20)B = 1.2B

   
4 5 3 4.8 6 3.6
= 1.2  9 6 4  =  10.8 7.2 4.8 
8 12 2 9.6 14.4 2.4
Por lo tanto, la nueva producción en las dos plantas será:

 
12.3 10.5 8.1
1.5A + 1.2B =  21.3 13.2 12.3 
24.6 26.4 8.4

Producto escalar o producto interior
 
b1

 b2 

a1 a2 · · · an • ..  = a1 b1 + a2 b2 + · · · + an bn .
 . 
bn
Multiplicación de matrices
Las matrices A y B pueden ser multiplicadas para formar

el producto AB si el número
de columnas
de A es igual al número de filas de B. Sean A = aij de orden n × m, B = bij de orden m × k.
La matriz producto C = AB es una matriz de orden n × k, cuya entrada en la i−ésima fija y en
la j-ésima columna es cij dado por:
 
b1j
 b2j 

cij = ai1 ai2 · · · ain •  ..  = ai1 b1j + ai2 b2j + · · · + ain bnj ,
 . 
bnj
que se obtiene multiplicando escalarmente la i−ésima fila de A por j-ésima columna de B.

EJEMPLO 1.19. Sean las matrices A y B dadas por
   
0 1 2 3 2
 2 3 1  y  1 0 
4 −1 6 −1 1
Calcular la matriz producto AB. ¿Está definido el producto BA?
R
R
SOLUCIÓN.- A es 3 × 3 y B es 3 × 2, luego AB es una matriz de orden 3 × 2. Si C = AB,

entonces cada elemento cij de la matriz C es el producto interno de la fila i de la matriz A por la
columna j de la matriz B. Por ejemplo, c11 se obtiene multiplicando la primera fila de A por la
primera columna de B, esto es,
   
b11 3
c11 = a11 a12 a13 •  b21  = 0 1 2 • 1 
b31 −1
= (0)(3) + (1)(1) + (2)(−1) = 1 − 2 = −1
c12 se obtiene multiplicando la primera fila de A por la segunda columna de B, esto es,
   
b12 2
c12 = a11 a12 a13 •  b22  = 0 1 2 • 0 
b32 1
= (0)(2) + (1)(0) + (2)(1) = 2
c21 se obtiene multiplicando la segunda fila de A por la primera columna de B, esto es,
  
b11 3
c21 = a21 a22 a23 •  b21  = 2 3 1 • 1 
b31 −1
= (2)(3) + (3)(1) + (1)(−1) = 6 + 3 − 1 = 8
De este modo obtenemos finalmente:

    
0 1 2 3 2 −1 2
AB =  2 3 1   1 0  =  8 5 
4 −1 6 −1 1 5 14
TEOREMA 1.3. El producto de matrices verifica las siguientes propiedades
① Asociativa: (AB)C = A(BC), para todo A, B, C ∈ Mn×m (R).
② Distributiva: A(B + C) = AB + AC, para todo A, B, C ∈ Mn×m (R).
③ Existen divisores de cero: Existen A 6= 0 y B 6= 0 tales que AB = 0.
④ El producto no necesariamente es conmutativo: Existen A 6= 0 y B 6= 0 tales que AB 6= BA.
⑤ α(AB) = (αA)B = A(αB). Para todo A, B ∈ Mn×m (R) y todo α ∈ R.
R
R
EJEMPLO 1.20. Si A es una matriz de tamaño o de orden 3 × 4, B de 4 × 3, C es de 2 × 3 y

D de 4 × 5, calcule los tamaños de los productos de las siguientes matrices: AB, BA, CA, AD,
CAD, CBA.
SOLUCIÓN.-

2 3 1 −2 3
EJEMPLO 1.21. Si A = yB= , hallar (a) AB y (b) ¿Está definido el
1 2 4 1 2
producto BA?
SOLUCIÓN.- (a) Dado que A tiene dos columnas y B tiene dos filas, entonces AB esta definido,
entonces
2 3 1 −2 3
AB =
1 2 4 1 2

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

14 −1 12
=
9 0 7
(b) En este caso B tiene tres columnas y A dos filas, por tanto la multiplicación BA no esta
definida.
EJEMPLO 1.22. Calcular los siguientes productos de matrices:

4 3 −28 93 7 3 2 0
(a) Sol.
7 5 38 −126 2 1 0 3
   
0 0 1   5
 1 1 2  −1 −1  15 
  4
(b)  2 2 3  2 2  Sol.  
 25 
1
1 1
3 3 4 35
SOLUCIÓN.-
EJEMPLO 1.23. Determine en cada caso alguna matriz A que hace verdadera la ecuación
matricial siguiente:
       
1 0 2 7 2 0 6 0
2 1
(a) A = 5 3 (b)  2 −1 0  A =  0  (c)  1 −1  A =  3 −1 
1 0
0 1 3 11 0 1 0 1
SOLUCIÓN.-
R
R

  
−1 3 3 −9
    4 −1 5
EJEMPLO 1.24. SiA = 4 2 yB= 6 12 yC= , hallar la matriz
2 1 1
1 0 0 15
1
D = 2A − B C.
3
1
SOLUCIÓN.- Primero calculemos la matriz 2A − B
3
   
−1 3 3 −9
1 1
2A − B = 2  4 2  −  6 12 
3 3
1 0 0 15
     
−2 6 1 −3 −3 9
=  8 4 − 2 3 =  6 0 
2 0 0 5 2 −1
Luego  
−3 9
1 4 −1 5
D = 2A − B C =  6 0 
3 2 1 1
2 −1
 
(−3)(4) + (9)(2) (−3)(−1) + (9)(1) (−3)(5) + (9)(1)
=  (6)(4) + (0)(2) (6)(−1) + (0)(1) (6)(5) + (0)(1) 
(2)(4) + (−1)(2) (2)(−1) + (−1)(1) (2)(5) + (−1)(1)
 
6 12 −6
=  24 −6 30 
−2 −7 5
EJEMPLO 1.25. Hallar la matriz P = ABCD, donde:
 
  2 1 0  
1 0  1 −1 3  1 0 1 −1
0 1 0 1 0  
A =  1 −1  , B= , C=
 1 4 −1 
, D =  2 1 −2 2 
1 0 −1 2 0 
2 −1 0 0 2  1 0 1 0
3 1 0
SOLUCIÓN.- Efectuemos el producto aplicando la propiedad asociativa, efectuemos primero

E = CD, luego F = BE y finalmente P = AF .
   
2 1 3 6 1
1 2 −1
EJEMPLO 1.26. Dadas las matricesA =  −1 3 , y C =  −1 4 5 . Si
3 2 −4
5 2 2 1 2
E = ABC, hallar S = e11 + e23 + e32 .
R
R
   
2 1 5 6 −6
1 2 −1
SOLUCIÓN.- Sea D = AB =  −1 3  =  −1 4 −11 
3 2 −4
5 2 −1 6 3
Si E = DC, entonces cada elemento eij de la matriz E es el producto interno de la fila i de la
matriz D por la columna j de la matriz C, esto es,
   
c11 3
e11 = d11 d12 d13 •  c21  = 5 6 −6 •  −1 
c31 2
= (5)(3) + (6)(−1) + (−6)(2) = 15 − 6 − 12 = −3
   
c13 1
e23 = d21 d22 d23 •  c23  = 8 4 −11 • 5 
c33 2
= (8)(1) + (4)(5) + (−11)(2) = 8 + 20 − 22 = 6
   
c 12 6
e32 = d31 d32 d33 •  c22  = −1 6 3 •  4 
c32 1
= (−1)(6) + (6)(4) + (3)(1) = −6 + 24 + 3 = 21
Luego: S = e11 + e23 + e32 = −3 + 6 + 21 = 24.
EJEMPLO 1.27. Hallar la suma S = 2p11 + p13 − 2p23 . Si P ABCD, donde
 
3 −1 0  
2 −1 0
2 −1 3 −2 10 1  0 2 4 
A= , B= , C= 
 1 6 −2  , D= 2 3 3 
3 4 8 6 −4 2
1 4 −2
4 1 1
SOLUCIÓN.- Sean los productos: E = AB, F = CD y P = EF .

2 −1 3 −2 10 1 −2 −10 24 0
E = AB = =
3 4 8 6 −4 2 41 18 14 11
  
3 −1 0   4 −6 −3
 0 2 2 −1 0
 4 
 

 =  8 22 −2 

F = CD =  2 3 3
1 6 −2   12 9 22 
1 4 −2
4 1 1 11 3 1
R
R
Luego, si P = EF , entonces
   
f11 4
 f21   8 
p11 = e11 e12 e13 e14 • 
 f31  = −2 −10 24 0 •  
 12 
f41 11
= −8 − 80 + 288 + 0 = 200
   
f13 −3
 f23   −2 
p13 = e11 e12 e13 e14 • 
 f33  = −2 −10 24 0 •  
 22 
f43 1
= 6 + 20 + 528 + 0 = 554
   
f13 −3
 f23   −2 
p23 = e21 e22 e23 e24 • 
 f33  = 41 18 14 11 •  
 22 
f43 1
= −123 − 36 + 308 + 11 = 160
Luego S = 2p11 + p13 − 2p23 = (2)(200) + (554) − (2)(160) = 634.

 
3 1 0
EJEMPLO 1.28. Hallar todas las matrices que conmutan con la matrizA =  0 3 1 .
0 0 3
SOLUCIÓN.- Sea B la matriz buscada, entonces B tiene que ser una matriz cuadrada
 de orden

a b c
3 y además debe verificarse que AB = BA. Supongamos que B es dado porB =  d e f .
g h i
Hallemos
    
3 1 0 a b c 3a + d 3b + c 3c + f
AB =  0 3 1   d e f  =  3d + g 3e + h 3f + i 
0 0 3 g h i 3g 3h 3i
    
a b c 3 1 0 3a a + 3b b + 3c
BA =  d e f   0 3 1  =  3d d + 3e e + 3f 
g h i 0 0 3 3g g + 3h h + 3i
R
R
Puesto que AB = BA, se tiene que

   
3a + d 3b + c 3c + f 3a a + 3b b + 3c
 3d + g 3e + h 3f + i  =  3d d + 3e e + 3f 
3g 3h 3i 3g g + 3h h + 3i
igualando componente a componente tenemos:
  
 3a + d = 3a  3b + e = a + 3b  3c + f = b + 3c
3d + g = 3d 3e + h = d + 3e 3f + i = e + 3f
  
3g = 3g 3h = g + 3h 3i = h + 3i
despejando y simplificando obtenemos
 
 e = a  f = b
d = 0
h = d i = e
g = 0  
g = 0 h = 0
En consecuencia
   
a b c a b c
B= d e f = 0 a b  donde a, b, c ∈ R.
g h i 0 0 a

EJEMPLO 1.29. Hallar matrices de orden 4 × 4 que sean conmutables con la matriz
 
0 1 0 0
 0 0 1 0 
 
 0 0 0 1 
0 0 0 0
SOLUCIÓN.-
EJEMPLO 1.30. Hallar a, b, c y d para que satisfagan la ecuación:

 
1 0 2 0
a b c d  0 0 1 1  1 0 6 6
 = .
1 4 9 2  0 1 0 0  1 9 8 4
0 0 1 0
Respuesta.- a = 1, b = 6, c = 0, d = −2.
SOLUCIÓN.-

1 3 x x x
EJEMPLO 1.31. Si A = , hallar tal que A =3 . Respuesta.-
4 −3 y y y

x 1
=
y 2/3
R
R
SOLUCIÓN.-
EJEMPLO 1.32. Un fabricante de muebles produce tres modelos de escritorios, que llevan
jaladores de metal y chapas especificadas por la siguiente tabla.

Modelo A Modelo B Modelo C 
Número de jaladores 8 6 4 =A
Número de chapas 3 2 1 
Llamaremos a este arreglo, matriz de partes×modelos. Si el fabricante recibe pedidos en el mes

de Agosto 15 del modelo A, 24 del modelo B y 17 del modelo C; y en el mes de septiembre: 25
del modelo A, 32 del modelo B y 27 del modelo C.

Agosto Septiembre 


Modelo A 15 25
Modelo B 24 32 =B


Modelo C 17 27 
Llamaremos a este arreglo, matriz modelo×mes. ¿Cuántos jaladores y chapas debe disponer el
fabricante cada mes para poder atender los pedidos?.
SOLUCIÓN.- Para determinar el número de jaladores requeridos en el mes de Agosto, procede-

mos como sigue: El mes de Agosto se han vendido 15 escritorios del modelo A, y cada escritorio del
modelos A require 8 jaladores, por lo tanto se han requerido (8)(15) jaladores para escritorios del
modelo A. Por otro lado, en Agosto se han vendido 24 escritorios del modelo B, y cada escritorio
del modelos B require 6 jaladores, por lo tanto se han requerido (24)(6) jaladores para escritorios
del modelo B. También en Agosto se han vendido 17 escritorios del modelo C, y cada escritorio
de este modelo require 4 jaladores, por lo tanto se han requerido (17)(4) jaladores para escritorios
del modelo C. Finalmente, el total de jaladores usados para fabricar los escritorios en el mes de
agosto es
(8)(15) + (6)(17) + (4)(17) = 332,
que se obtiene sumando el producto de cada elemento de la primera fila de la matriz de partes×modelos
por el correspondiente elemento de la primera columna de la matriz modelo×mes.
Para estableces el número de chapas requeridos en el mes de Agosto se sumarı́an el producto de
cada elemento de la segunda fila de la matriz partes×modelos por el correspondiente elemento de
la primera columna de la matriz modelo×mes, esto es:
(3)(15) + (2)(24) + (1)(17) = 110
En el mes de Septiembre el número de jaladores se obtendrı́a sumando el producto de cada

elemento de la primera fila de la matriz partes×modelos por el correspondiente elemento de la
segunda columna de la matriz modelo×mes, esto es:
R
R
(8)(15) + (6)(32) + (4)(27) = 500
Y para el número de chapas se sumarı́an el producto de cad elemento de la segunda fila de la

partes×modelos por el correspondiente elemento de la segunda columna de la matriz modelo×mes,
esto es:
(3)(15) + (2)(32) + (1)(27) = 166
Con los resultados obtenidos podemos hacer el siguiente arreglo


Agosto Septiembre 
Número de jaladores 332 500 =C
Número de chapas 110 166 
Haciendo uso de la notación matricial, los datos y resultados obtenidos nos expresará la multipli-
cación de matrices del siguiente modo:
 
15 25
8 5 6   332 500
24 32 =
3 2 1 110 166
17 27
Observemos de inmediato que el número de columnas de la primera matriz es igual al primero

de filas de la segunda, cuando esto ocurre se dice que las matrices son conformables para la
multiplicación.
EJEMPLO 1.33. (Valoración de Inventarios). Un comerciante de televisores a color tiene cinco

televisores de 26 pulgadas, ocho de 20, cuatro televisores de 18 pulgadas y diez de 12. Los televisores
de 26 pulgadas se venden en 650 $ cada uno, los de 20 en 550 $ cada uno, los televisores de 18
pulgadas en 500 $ cada uno y los de 12 se venden en 300 $ cada uno. Exprese el precio de venta
total de su existencia de televisores como el producto de dos matrices.
SOLUCIÓN.-
)
26 pulg 20 pulg 18 pulg 12 pulg
Número de telivisores 5 8 4 10 =A

Ingresos 


26 pulg 650 

20 pulg 550 =B
18 pulg 500 




12 pulg 300
R
R
Luego, el precio de venta total de su existencia de televisores es dado por el siguiente producto de
estas dos matrices, es decir:


26
 20 
5 8 4 10  
 18  = (5)(26) + (8)(20) + (4)(18) + (10)(12) = 482.
12
Por tanto el comerciante tiene un total de 482 $ de ingresos al vender todos sus televisores.
EJEMPLO 1.34. (Costo de materias primas). Una empresa utiliza tres tipos de materias primas
M1 , M2 y M3 en la elaboración de dos productos P1 y P2 . El número de unidades de M1 , M2 y
M3 usados por cada unidad de P1 son 3, 4 y 2, respectivamente y por cada unidad de P2 son 4, 1
y 3, respectivamente. Suponga que la empresa produce 20 unidades de P1 y 30 unidades de P2 a
la semana. Exprese las respuestas a las preguntas siguientes como producto de matrices.
① ¿Cuál es el consumo semanal de las materias primas?

② Si los costos por unidad en dólares para M1 , M2 y M3 son 6, 10 y 12, respectivamente,
¿cuáles son los costos de las materias primas por unidad de P1 y P2 ?
③ ¿Cuál es la cantidad total gastaba en materias primas a las 5 semanas en la producción de
P1 y P2 ?.
SOLUCIÓN.- Construyamos la matriz (materias primas)×productos,


Producto P1 Producto P2 


Materia prima M1 3 4
=A
Materia prima M2 4 1 

Materia prima M3 2 3 
Es decir, necesitamos 3 unidades de la materia prima M1 para producir una unidad del producto
P1 .
Podemos resumir el hecho de que la empresa produce 20 unidades de P1 y 30 unidades de P2 a la
semana en la siguiente matriz:

Una semana 
Producto P1 20 =B
Producto P2 30 
El consumo semanal de las materias primas es dado por el siguiente producto de matrices:
   
4 4 200
 3 1  20
=  90 
30 2×1
2 3 3×2 70 3×1
R
R
esto es

Una semana 


Materia prima M1 200
=C
Materia prima M2 90 

Materia prima M3 70 
Para responder el inciso (2) formemos la matriz

)
Materia prima M1 Materia prima M2 Materia prima M3
Costos 6 10 12 =D
Por tanto, los costos de las materias primas por unidad de P1 y P2 son dados por:
 
4 4
6 10 12 1×3  3 1  = 78 46
2 3 3×2
esto es
)
Producto P1 Producto P2
Costos 78 46 =E

EJEMPLO 1.35. (Costo de suministros). Un contratista puede adquirir las cantidades requeridas
en cemento, madera, ladrillos, vidrio y pintura de cualesquiera de tres proveedores. Los precios
que cada proveedor fija a cada unidad de estos cinco materiales están dados en la matriz A.
 
8 5 7 2 4
A= 9 4 5 2 5 
9 5 6 1 5
En esta matriz, cada fila se refiere a un proveedor y las columnas a los materiales, en el orden listado
arriba. El contratista tiene la polı́tica de adquirir todos los materiales requeridos en cualquier
obra particular al mismo proveedor a fin de minimizar los costos de transporte. Hay tres obras en
construcción actualmente: la obra I requiere 15, 0, 8, 8 y 2 unidades, respectivamente, y la obra II
requiere 30, 10, 20, 10 y 12 unidades respectivamente. Disponga esta información en una matriz
B5×2 y forme la matriz AB. Interprete los elementos de este producto y úselos con el propósito
de decidir cuál proveedor debiera usar en cada obra.
SOLUCIÓN.- La matriz de precios “proveedor×material” A resume la siguiente información


cemento madera ladrillos vidrio pintura 


Proveedor 1 8 5 7 2 4
Proveedor 2 9 4 5 2 5 =A


Proveedor 3 9 5 6 1 5 
R
R
La matriz de requerimiento “material×obra” B es dado por


obra I obra II 



cemento 15 30 



madera 0 10
=B
ladrillos 8 20 

vidrio 8 10 





pintura 2 12
Hallemos el producto C = AB dado por

 
  15 30  
8 5 7 2 4   0 10 
 200 570
AB =  9 4 5 2 5  
 8 20  =  201 571 

9 5 6 1 5  8 10  201 591
2 12

obra I obra II 


Proveedor 1 200 570
Proveedor 2 201 571 =C


Proveedor 3 201 591 
El costo de realizar la obra I usando los materiales del proveedor 1 es de 200 y el costo de realizar
la obra II usando los materiales del proveedor 1 es de 570. Por tanto el costo total es de 770. Los
cotos totales se obtienen realizando el siguiente producto de matrices:
   
200 570 770
 201 571  1 =  772 
1
201 591 792
Potencia de Matrices
Si A es una matriz cuadrada, la propiedad conmutativa nos permite escribir AA como A2 , AAA
como A3 y ası́ sucesivamente. En general
An = AA · · · A A repetida n veces. (1.2)

1 −1
EJEMPLO 1.36. SeaA = . Calcular A2 y A3 . Deducir una formula general para An .
0 1
R
R
SOLUCIÓN.- Vemos que

2 1 −2 3 2 1 −3 4 3 1 −4
A = AA = , A =A A= , A =A A=
0 1 0 1 0 1
La idea es por tanto que, para cada número natural n,

n 1 −n
A = .
0 1

a 1
EJEMPLO 1.37. Si A = , a ∈ R, hallar An .
0 a
SOLUCIÓN.-

2 a 1 a 1 a2 2a
A = AA = =
0 a 0 a 0 a2

3 2 a2 2a a 1 a3 3a2
A =A A= =
0 a2 0 a 0 a3
La idea es por tanto que, para cada número natural n,
n
n a nan−1
A = .
0 an

   
3 5 3 21 6 15
EJEMPLO 1.38. Dada las matrices A =  1 4 7 ,  7 8 5 . Efectuar las opera-
9 6 2 9 6 3
ciones matriciales:
(a) (A + B)3 , (b) A3 − B 3 , (c) A2 − B 2 , (b) (A + B)2 − (A − B)2
SOLUCIÓN.-
 
1 0 0
EJEMPLO 1.39. Determinar A2 − 5A + 2I para A =  0 2 1 
0 0 3
SOLUCIÓN.-
R
R

1 3 2 −1
EJEMPLO 1.40. Dadas las matrices A = y B = . (a) Encuentre
4 −3 −3 −2
(A + B)2 . (b) Encuentre A2 + 2AB + B 2 . (c)¿Es (A + B)2 = A2 + 2AB + B 2 ?.
SOLUCIÓN.-
EJEMPLO 1.41. Tres empresas A, B y C (también numeradas 1, 2 y 3) comparten este año el

mercado de un cierto bien. La empresa A tiene el 20 % del mercado, B tiene el 60 % y C el 20 %.
A lo largo del año siguiente ocurren los siguientes cambios:
A conserva el 85 % de sus clientes, cediendo a B el 5 % y a C el 10 %

B conserva el 55 % de sus clientes, cediendo a A el 10 % y a C el 35 % (1.3)
C conserva el 85 % de sus clientes, cediendo a A el 10 % y a B el 5 %
Un vector de cuotas de mercado es un vector columna s cuyas componentes son no negativas y

suman 1. Definamos la matriz T y el vector de mercado s siguientes:
   
0.85 0.10 0.10 0.2
T =  0.05 0.55 0.05  y s =  0.6 
0.10 0.35 0.85 0.2
Nótese que tij es la fracción de clientes de j que se hacen clientes de i en el periodo siguiente. Ası́,
se llama a T la matriz de transición.
Calcular el vector Ts, probar que es también un vector de cuotas de mercado y dar una inter-
pretación de él. ¿Cómo se interpretan T(Ts), T(T(Ts)),...?
SOLUCIÓN.-
A B C
A 0.85 0.10 0.10
B 0.05 0.55 0.05
C 0.10 0.35 0.85
    
0.85 0.10 0.10 0.2 0.25
T =  0.05 0.55 0.05   0.6  =  0.35 
0.10 0.35 0.85 0.2 0.40
Como 0.25+0.35+0.40 = 1, Ts es también un vector de cuotas de mercado. La primera componente
de Ts se obtiene del cálculo
(0.85)(0.2) + (0.10)(0.6) + (0.10)(0.2) = 0.25 (1.4)
En esta expresión (0.85)(0.2) es la cuota de mercado de A que se conserva después de 1 año,

(0.10)(0.6) es la cuota que gana A de B y (0.10)(0.2) es la cuota que gana A de C. La suma en
R
R
(1.4) es por tanto la cuota total de mercado de A después de un año. Los otros elementos de Ts
tienen interpretaciones análogas, luego Ts debe ser el nuevo vector de cuotas de mercado después
de un año. Entonces T(Ts) es el vector de cuotas de mercado después de transcurrido otro año,
es decir pasados 2 años y ası́ sucesivamente.
EJEMPLO 1.42. (Teorı́a de grafos). Un grafo consiste en un número finito de puntos llamados
vertices, algunos de los cuales están conectados por lı́neas llamadas aristas. A continuación se dan
dos ejemplos de grafos con cuatro y cinco vértices
(b)
(a) 2
1 3
3 1 5
2 4
4
Si los puntos se enumeran como 1, 2, 3, etc definimos la matriz A poniendo aij = 1, si hay una
arista uniendo los vértices i y j y aij = 0 si no lo hay. Construya A para cada uno de los grafos
dados anteriormente. Construya A2 en cada caso. Muestre que el elemento ij en A2 da el número
de trayectorias de vértice i al vértice j que pasan exactamente a través de algún otro vértice.
¿Qué piensa que significa los elementos de A3 ?
SOLUCIÓN.- La matriz A es de orden 4 dado por

 
1 1 0 0
 1 1 1 1 
A=  0 1 1

1 
0 1 1 1
    
1 1 0 0 1 1 0 0 2 2 1 1
 1 1 1  
1  1 1 1  
1   2 4 3 3 
A2 = 
 0 = 
1 1 1  0 1 1 1   1 3 3 3 
0 1 1 1 0 1 1 1 1 3 3 3
EJEMPLO 1.43. (Aplicación de la teorı́a de grafos). El grafo mostrado representa la conexión

de lı́neas telefónicas entre cuatro pueblos.
Sea aij la lı́nea telefónica que conecta el pueblo i con
el pueblo j. Construya la matriz A = aij . Evalúe A2 y pruebe que el elemento ij de esa matriz
representa el número de lı́neas telefónicas entre el pueblo i y el pueblo j que pasa exactamente a
través de un pueblo intermedio. ¿Qué representa los elementos de A + A2 ?.
SOLUCIÓN.-
R
R
Transpuesta de una matriz
Dada una matriz A, se llama traspuesta de A, y se representa por AT , a la matriz que se obtiene
cambiando filas por columnas. La primera fila de A es la primera fila de AT , la segunda fila de
A es la segunda columna de AT , etc. Para A ∈ Mm×n (R), se define la transpuesta de A como la
matriz AT ∈ Mn×m (R), donde
AT = (bij ) con bij = aji ∀1 ≤ i ≤ n, 1 ≤ j ≤ m (1.5)
De la definición se deduce que si A es de orden m × n, entonces AT es de orden n × m.

−2 4 3
EJEMPLO 1.44. Dada la matriz A = , hallar AT .
4 −3 −9
SOLUCIÓN.-  
−2 4
AT =  4 −3 
3 −9

TEOREMA 1.4. Si A, B, C ∈ Mn×m (R) y α ∈ R entonces se tiene
T T
(1) AT =A (2) A + B = AT + B T
T T
(3) αA = αAT (4) AB = B T AT
  
3 4 x
EJEMPLO 1.45. Dadas las matrices A =  −1 −2  y B =  y . Hallar x + y tal que
2 1 −4
T
B A = 0.
SOLUCIÓN.-
T  
x 3 4
B T A =  y   −1 −2 
−4 2 1
 
3 4
= x y −4  −1 −2 
2 1

= −8 + 3x − y −4 + 4x − 2y = 0 0
( ( (
−8 + 3x − y = 0 3x − y = 8 −6x + 2y = −16
−4 + 4x − 2y = 0 4x − 2y = 4 4x − 2y = 4
R
R
Sumando estas dos últimas ecuaciones −6x+4x = −16+4, −2x = −12, x = 6, además 4(6)−2y =
4, −2y = 4 − 24, −2y = −20, y = 10. Por tanto x + y = 6 + 10 = 16.

T T T 1 1
EJEMPLO 1.46. Hallar (X + A) , si AX = A , donde A = .
2 3
SOLUCIÓN.-

x u
Supongamos que X = , entonces la ecuación AX = AT es
y v

1 1 x u x+y u+v 1 2
AX = = =
2 3 y v 2x + 3y 2u + 3v 1 3

x+y = 1 −3x − 3y = −3 −x = −2
2x + 3y = 1 2x + 3y = 1 x = 2
Reemplazando x = 2, en x + y = 1, se tiene 2 + y = 1, ası́ y = −1.

u+v = 2 −3u − 3v = −6 −u = −3
2u + 3v = 3 2u + 3v = 3 u = 3
Reemplazando u = 3, en u + v = 2, se tiene 3 + v = 2, ası́ v = −1. Por lo tanto

x u 2 3
X= =
y v −1 −1
Por tanto

T T T T T T 2 3 1 2 3 5
(X + A) = (X ) + A = X + A = + =
−1 −1 1 3 0 2
   
2 3 1 8 3 −2
EJEMPLO 1.47. Sean las matrices A =  −1 6 3 ,  6 1 3  y la ecuación:
4 −2 5 −2 9 2
1
(X − 3A) = AT − 2B. Hallar la suma de las componentes de la diagonal principal de la matriz
2
X.
SOLUCIÓN.-
1
(X − 3A) = AT − 2B
2
X − 3A = 2(AT − 2B)
X = 2AT − 4B + 3A
R
R
X = 2AT − 4B + 3A
     
2 −1 4 8 3 −2 2 3 1
= 2  3 6 −2  − 4  6 1 3  + 3  −1 6 3 
1 3 5 −2 9 2 4 −2 5
 
−22 −5 19
=  −21 26 −7 
22 −36 17
Luego, la suma de las componentes de la diagonal principal de la matriz X es −22 + 26 + 17 =

21
1.3. Matrices cuadradas especiales

Matriz Simétrica: Una matriz cuadrada es simétrica si y solo si es igual a su transpuesta.
A ∈ Mn×n (R) es simétrica ⇐⇒ A = AT ⇐⇒ aij = aji ∀i, j ∈ {1, ..., n}

 
1 −1 0

EJEMPLO 1.48. La matriz −1 2 3  es simétrica.
0 3 0
SOLUCIÓN.-  T  
1 −1 0 1 −1 0
 −1 2 3  =  −1 2 3 
0 3 0 0 3 0
EJEMPLO 1.49. Hallar los elementos desconocidos x y y de la siguiente matriz simétrica

 
1 5x − 3 y 5 x + 3y
 4 2 5x 3 y 
6 5 4
SOLUCIÓN.-
Matriz Antisimétrica: Una matriz cuadrada es antisimétrica si y solo si es igual a la opuesta

de su transpuesta.
A ∈ Mn×n (R) es antisimétrica ⇐⇒ A = −AT ⇐⇒ aij = −aji ∀i, j ∈ {1, ..., n}

 
0 1 2
EJEMPLO 1.50. La matriz  −1 0 3  es antisimétrica.
−2 −3 0
R
R
SOLUCIÓN.-
 T    
0 1 2 0 −1 −2 0 1 2
 −1 0 3  =  1 0 −3  = −  −1 0 3 
−2 −3 0 2 3 0 −2 −3 0

Matriz Idempotente: Una matriz cuadrada es idempotente si y solo si es igual a su cuadrado.
A ∈ Mn×n (R) es idempotente ⇐⇒ A2 = A

1 1
!
2 2
EJEMPLO 1.51. La matriz 1 1
es idempotente.
2 2
SOLUCIÓN.- !2 ! ! !
1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2
1 1
= 1 1 1 1
= 1 1
2 2 2 2 2 2 2 2
Matriz Involutiva: Una matriz cuadrada es involutiva si y solo si su cuadrado es igual a la

identidad.
A ∈ Mn×n (R) es involutiva ⇐⇒ A2 = I

1 0
EJEMPLO 1.52. La matriz es involutiva.
0 −1
SOLUCIÓN.- 2
1 0 1 0 1 0 1 0
= =
0 −1 0 −1 0 −1 0 1
EJEMPLO 1.53. Demostrar lo siguiente:
(a) AAT es simétrica (b) A + AT es simétrica (c) A − AT es antisimétrica
SOLUCIÓN.-
T T
AAT = AT
AT = AAT
T T
T
A+A = A + AT
T
= AT + A = A + AT
T T
A − AT = AT − AT = AT − A = −(A − AT )

R
R
EJEMPLO 1.54. Demostrar que si A y B son matrices idempotentes y que conmutan, entonces
AB es idempotente.
SOLUCIÓN.-
2
AB = (AB)(AB) = A(BA)B = A(AB)B = (AA)(BB) = A2 B 2 = AB.

EJEMPLO 1.55. Demostrar que si AB = A y BA = B, entonces A, B, AT y B T son idempo-

tentes.
SOLUCIÓN.-
A2 = AA = (AB)A = A(BA) = AB = A
B 2 = BB = (BA)B = B(AB) = BA = B
2 T
AT
= A A = (AA) = A2 = AT
T T T
2 T
BT = B T B T = (BB)T = B 2 = B T

EJEMPLO 1.56. Si A es simétrica de orden n, entonces B T AB es simétrica para cualesquiera

B de orden n.
SOLUCIÓN.-
T T
B AB = B A B T
T T
= B T AB.

1
EJEMPLO 1.57. Si A es involutiva, entonces demostrar que (I − A) es idempotente. Recordar
2
que una matriz es involutiva si A2 = I y una matriz es idempotente si A2 = A
SOLUCIÓN.-
2
1 1 1
(I − A) = (I − A) (I − A)
2 2 2
1 1
= (I − A)(I − A) = (I − A − A + A2 )
4 4
1 1
= (I − A − A + I) = (I − A)
4 2

R
R
1.4. Matriz escalonada
DEFINICIÓN 1.2. Diremos que una matriz A es escalonada si el primer elemento no nulo de
cada una de sus filas está a la izquierda del primer elemento no nulo de cada una de las filas
subsiguientes y, además, las filas nulas (si las hay) están debajo de las demás.
EJEMPLO 1.58. La siguiente matriz es escalonada

 
6 3 7 2
 0 7 5 1 
0 0 0 3
El primer elemento no nulo de la fila uno que es 6 esta a la izquierda del primer elemento no
nulo de la fila dos que es 7. Además, el primer elemento no nulo de la fila dos que es 7 esta a la
izquierda del primer elemento no nulo de la fila tres que es 3.
EJEMPLO 1.59. Las siguientes matrices son escalonadas:

     
4 7 2 6 1 2 3 4 5 0 1 2 3 1
 0 3 5 2   0 0 1 2 3   0 0 4 5 2 
 ,    
 0 0 8 1   0 0 0 0 1 ,  0 0 0 6 3 
0 0 0 7 0 0 0 0 0 0 0 0 0 0
DEFINICIÓN 1.3. Diremos que una matriz A es escalonada reducida si es reducida y además
verifica las siguientes propiedades:
☞ El primer elemento no nulo de cada fila no nula de A es igual a 1.
☞ Cada columna de A que tiene el primer elemento no nulo de alguna fila tiene todos sus
otros elementos 0.
EJEMPLO 1.60. Las siguientes matrices son escalonadas reducidas:

     
  1 0 0 0 1 2 0 4 0 0 1 0 0 1
1 0 0 2  0
 0 1 0 3 ,  1 0 0 
,
 0
 0 1 2 0 
,
 0
 0 1 0 2 

 0 0 1 0   0 0 0 0 1   0 0 0 1 3 
0 0 1 8
0 0 0 1 0 0 0 0 0 0 0 0 0 0
R
R
1.5. Transformaciones elementales

Dada una matriz A de orden n, se llaman transformaciones elementales sobre la matriz A a las
siguientes operaciones:
① Intercambio de dos filas de A. Intercambiar la fila i con la fila j, se escribe fij .
② Multiplicación de una fila de A por un escalar no nulo. Para la fila i se escribe cfi , c ∈ R.
③ Sumar a una de las filas un múltiplo de otra fila. Si a la fila i se suma k veces la fila j,
entonces se escribe fi + kfj
1.6. Matrices equivalentes
DEFINICIÓN 1.4. Dos matrices A y B ambos de orden n × m son equivalentes por filas si una
de ellas se puede obtener a partir de la otra por aplicacion de una o varias operaciones elementales.
EJEMPLO 1.61. Pruebe que las matrices

   
1 2 3 1 2 3
 1 2 1   2 
A= yB= 2 4  son equivalentes
 2 1 0   0 0 0 
1 2 3 0 −3 −2
SOLUCIÓN.-
     
1 2 3 1 2 3 1 2 3
 1 2 1  −f1 +f4  1 2  
1  2f2  2 4 1 
  ←→  ←→  
 2 1 0   2 1 0  2 1 0 
1 2 3 0 0 0 0 0 0
   
1 2 3 1 2 3
−f2 +f3  2 4  
2  f34  2 4 2 
←→  ←→  
 0 −3 −2  0 0 0 
0 0 0 0 −3 −2
TEOREMA 1.5. Toda matriz es equivalente a una matriz escalonada. También es equivalente
a una única matriz escalonada reducida.
EJEMPLO 1.62. Mediante operaciones elementales llevar la siguiente matriz a su forma escalon-
ada y a su forma escalonada reducida.
R
R
 
2 5 3
 1 2 2 
A=
 3

4 1 
2 3 2
SOLUCIÓN.- Empecemos hallando la matriz escalonada.

       
2 5 3 1 2 2 1 2 2 1 2 3
 1 2 2  f12  2 5  
3  −2f1 +f2  0 1 −1  1 +f3
 0 1 −1 
  ←→  ←→   −3f
←→  
 3 4 1   3 4 1  3 4 1   0 −2 −5 
2 3 2 2 3 2 2 3 2 2 3 2
   
1 2 3 1 2 3
−2f1 +f4  0 1 −1  2f2 +f3  0 1 −1 
←→   ←→  
 0 −2 −5   0 0 −7 
0 −1 −2 0 −1 −2
   
1 2 3 1 2 3
f2 +f4  0 
1 −1  7 − 3
f 3 +f 4  0 1 −1 
←→  ←→  
 0 0 −7   0 0 −7 
0 0 −3 0 0 0
A partir de la matriz escalonada podemos hallar la matriz escalonada reducida.

       
2 5 3 1 2 3 1 2 3 1 2 3
 1 2 2   0 
1 −1  7  0
− 1
f  1 −1  3 +f2
 0 1 0 
  ←→  ←→ 
3
 f←→  
 3 4 1   0 0 −7  0 0 1   0 0 1 
2 3 2 0 0 0 0 0 0 0 0 0
   
1 2 0 1 0 0
−3f3 +f1  0  
1 0  −2f2 +f1  0 1 0 
←→  ←→  
 0 0 1  0 0 1 
0 0 0 0 0 0

EJEMPLO 1.63. Mediante operaciones elementales llevar la siguiente matriz a su forma escalon-
ada.
 
0 2 −4
 1 4 −5 
 
A=
 3 1 7 
 0 1 0 
2 3 0
R
R
SOLUCIÓN.-
     
0 2 −4 1 4 −5 −3f1 + f3 1 4 −5
 1 4 −5   0 2 −4   0 2 −4 
  f12   −2f1 + f5  
 3 1 7  ←→  3 1 7  ←→  0 −11 22 
     
 0 1 0   0 1 0   0 1 −2 
2 3 0 2 3 0 0 −5 10
1/2f2   f2 + f3  
1/11f3 1 2 2 −f2 + f4 1 2 2
 0 1 −2   0 1 −2 
1/5f5   f2 + f5  
←→  0 −1 2  ←→  0 0 0 
   
 0 1 −2   0 0 0 
0 −1 2 0 0 0

EJEMPLO 1.64. Reducir cada una de las siguientes matrices a una matriz escalonada mediante
una sucesión finita de operaciones elementales
   
1 1 −1 1 1 −1
 0 1 0   0 1 0 
(a) A = 
 −1
 Rta.  
1 0   0 0 −1 
2 1 1 0 0 0
   
2 3 −1 0 1 2 4 3
 1 2 4 3   0 1 9 6 
(b) A = 
 −2
 Rta.  
1 3 2   0 0 1 3 
−1 −2 −3 0 0 0 0 1
   
1 −1 2 0 1 −1 2 0
 5 −5 10 0   0 0 0 1 
(c) A = 
 6
 Rta.  
−6 12 3   0 0 0 0 
−1 1 −2 1 0 0 0 0
SOLUCIÓN.-
EJEMPLO 1.65. Mediante una sucesión finita de operaciones elementales, demostrar que:
   
a a2 a3 a4 1 0 0 abc
 b b2 b3 b4  es equivalente a  0 1 0 −(ab + bc + ca) 
c c 2 c3 c4 0 0 1 a+b+c
SOLUCIÓN.-
R
R
1.7. Rango de una Matriz
DEFINICIÓN 1.5. El rango de una matriz A de orden n × m es el número de filas no nulas de

su matriz escalonada.
 
25 31 17 43
 75 94 53 132 
EJEMPLO 1.66. Hallar el rango de la matriz A = 
 75 94

54 134 
25 32 20 48
SOLUCIÓN.-
−3f1 + f2
     
25 31 17 43 −3f2 + f3 25 31 17 43 −f2 + f3 25 31 17 43
 75 94 53 132  −f1 + f4  0 1 2 3  −f2 + f4  0 1 2 3 
  ←→   ←→  
 75 94 54 134   0 1 3 5   0 0 1 2 
25 32 20 48 0 1 3 5 0 0 1 2
 
25 31 17 43
−f3 + f4  0 1 2 3 
←→  
 0 0 1 2 
0 0 0 0
La última matriz escalonada tiene 3 filas no nulas, luego r(A) = 3.
EJEMPLO 1.67. Dadas las matrices empleando el método de transformaciones elementales,

hallar el rango de cada una de ellas.
 
  3 −1 3 2 5
2 −1 3 −2 4  5 −3 2 3 4 
(a) A =  4 −2 5 1 7  Rta. r(A) = 2 (b) B = 
 1 −3 −5
 Rta. r(B) = 3
0 −7 
2 −1 1 8 9
7 −5 1 4 1
 
1 3 5 −1  
 2 −1 −3 4  1 2 3 2
(c) C =  
 5 1 −1 7  Rta. r(C) = 3 (d) D =  2 3 5 1  Rta. r(D) = 2
1 3 4 5
7 7 9 1
SOLUCIÓN.-
R
R
  −2f1 + f2    
1 2 3 2 −f1 + f3 1 2 3 2 f2 + f3 1 2 3 2
 2 3 5 1  ←→  0 −1 −1 −3  ←→  0 −1 −1 −3 
1 3 4 5 0 1 1 3 0 0 0 0



1 α −1
EJEMPLO 1.68. Encuentre valores de α ∈ R para que A =  2 −1 α  tenga rango igual
1 10 −6
a 3.
SOLUCIÓN.-
  −2f1 + f2  
1 α −1 −f1 + f3 1 α −1
 2 −1 α  ←→  0 −2α − 1 α + 2 
1 10 −6 0 10 − α −5
   
2f3 1 α −1 −f2 + f3 1 α −1
←→  0 −2α − 1 α + 2  ←→  0 −2α − 1 α + 2 
0 20 − 2α −10 0 21 −α − 12
   
f23 1 α −1 21f3 1 α −1
←→  0 21 −α − 12  ←→  0 21 −α − 12 
0 −2α − 1 α + 2 0 −21(2α + 1) 21α + 42
 
(2α + 1)f2 + f3 1 α −1
←→  0 21 −α − 12 
2
0 0 −2α − 4α + 30
Resolviendo −2α2 − 4α + 30 = 0, tenemos que r(A) = 3 si y solo si α 6= 3 y α 6= −5.
1.8. Representación matricial de un sistema de ecuaciones

lineales
Muchos problemas de la vida real nos obligan a resolver simultáneamente varias ecuaciones lineales
para hallar las soluciones comunes a todas ellas. También resultan muy útiles en geometrı́a (las
ecuaciones lineales se interpretan como rectas y planos, y resolver un sistema equivale a estudiar
la posición relativa de estas figuras geométricas en el plano o en el espacio).
R
R
Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales que podemos escribir de

forma tradicional ası́ :
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (1.6)
.
am1 x1 + am2 x2 + · · · + amn xn = bm
un sistema ası́ expresado tiene “m” ecuaciones y “n” incógnitas, donde aij son números reales,
llamados coeficientes del sistema, los valores bm son números reales, llamados términos indepen-
dientes del sistema, las incógnitas xj son las variables del sistema, y la solución del sistema es un
conjunto ordenado de números reales (s1 , s2 , ..., sn ) tales que al sustituir las incógnitas x1 , x2 , ..., xn
por los valores s1 , s2 , ..., sn se verifican a la vez las “m” ecuaciones del sistema.
Este mismo sistema de ecuaciones lineales en notación matricial tiene esta forma :
    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n  x2   b2 
    
 .. .. .. ..  .. = .. 
 . . . .  .   . 
am1 am2 . . . amn xn bm
Sean
     
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
     
A= .. .. .. ..  x= ..  b= .. 
 . . . .   .   . 
am1 am2 . . . amn xn bm
La matriz A es la matriz de coeficientes es de orden m × n y esta formada por los coeficientes del
sistema, x es la matriz columna formada por las incógnitas y b es la matriz columna formada por
los términos independientes.
Llamamos matriz ampliada o aumentada de dimensión m × (n + 1) a la matriz que se obtiene al
añadir a la matriz de coeficientes la columna de los términos independientes, y la denotamos por
Ab , es decir
 
a11 a12 . . . a1n b1
 a21 a22 . . . a2n b2 
 
Ab =  .. .. .. .. .. 
 . . . . . 
am1 am2 . . . amn bm
TEOREMA 1.6. Consideremos en sistema matricial Ax = b, donde A es una matriz es de orden

m × n, x de orden n × 1 “n es el número de incógnitas” y b de orden m × 1.
R
R
(a) Si r(A) = r(Ab ) = n, entonces el sistema tiene una única solución. Es decir, si la matriz
y su matriz aumentaba tiene rango igual al número de incógnitas entonces el sistema tiene
una única solución.
(b) Si r(A) = r(Ab ) = k < n, entonces el sistema tiene infinitas soluciones. Se pueden dar
valores arbitrarios a un cierto conjunto de n − k variables y las restantes k variables puede
hallarse despejando estas k variables en función de las n − k variables dadas. En este caso
decimos que el sistema tiene n − k grados de libertad.
(c) Si r(A) 6= r(Ab ), entonces el sistema no tiene soluciones.
Resolver un sistema de ecuaciones es hallar todas sus soluciones. Obviamente, un sistema se puede
resolver cuando es compatible, es decir, cuando el rango de su matriz de coeficientes es igual al
rango de su matriz aumentaba. En el transcurso de este curso estudiaremos los siguientes métodos
para resolver sistemas de ecuaciones:
① Método de Gauss (por reducción)

② Método de Gauss-Jordan (por eliminación)
③ Método de Cramer (por determinantes)
④ Por inversión de la matriz.
1.9. Método de eliminación de Gauss

Para resolver un sistema de “m” ecuaciones con “n” incógnitas seguir los siguientes pasos:
① Colocar el sistema de ecuaciones lineales en notación matricial Ax = b, donde A es una

matriz es de orden m × n, x de orden n × 1 “n es el número de incógnitas” y b de orden
m × 1.
② Definir la matriz aumentada Ab
③ Reducir la matriz aumentada Ab a su forma escalonada.
④ Aplicar el Teorema 1.11:
(a) Si r(A) = r(Ab ) = n, entonces el sistema tiene una única solución. De la forma escalon-
ada se obtiene un nuevo sistema A′ x = b′ que se resuelve de abajo hacia arriba: se
halla primero el valor de la última incógnita, se la sustituye por ese valor en la ecuación
anterior y ası́ sucesivamente.
(b) Si r(A) = r(Ab ) = k < n, entonces el sistema tiene infinitas soluciones. Se pueden dar
valores arbitrarios a un cierto conjunto de n − k variables y las restantes k variables
puede hallarse despejando estas k variables en función de las n − k variables dadas.
R
R
(c) Si r(A) 6= r(Ab ), entonces el sistema no tiene soluciones.
EJEMPLO 1.69. Resolver el siguiente sistema por el método de Gauss
x + y + z = 11
2x − y + z = 5
3x + 2y + z = 24
SOLUCIÓN.- El número de incógnitas del sistema lineal es n = 3.
❃ Colocando el sistema en notación matricial

    
1 1 1 x 11
 2 −1 1   y  =  5 
3 2 1 z 25
❄ La matriz de coeficientes A y la matriz aumentada Ab son dados por

   
1 1 1 1 1 1 11
A =  2 −1 1  , Ab =  2 −1 1 5 
3 2 1 3 2 1 24
❅ Reducir la matriz aumentada Ab a su forma escalonada.
  −2f1 + f2  
1 1 1 11 −3f1 + f3 1 1 1 11
 2 −1 1 5  ←→  0 −3 −1 −17 
3 2 1 24 0 −1 −2 −9
   
f23 1 1 1 11 −3f2 + f3 1 1 1 11
←→  0 −1 −2 −9  ←→  0 −1 −2 −9 
0 −3 −1 −17 0 0 5 10
❆ Aplicar el Teorema 1.11. Como r(A) = r(Ab ) = 3, entonces el sistema tiene una única
solución. Para encontrarla procedemos como sigue: Primero escribamos el sistema asociado
a la matriz reducida,
x + y + z = 11
−y − 2z = −9
5z = 10
De la última ecuación 5z = 10 despejamos la variable z = 2, que reemplazamos en la segunda
ecuación −y − 2(2) = −9, para obtener que y = 5, ahora bien reemplazando z = 2 y y = 5
en la primera ecuación x + 5 + 2 = 11 obtenemos x = 4.
R
R

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

    
0 1 2 3 x 1
 2 1 3 0    
y   1 
  = 
 3 4 2 0  z   1 
4 2 0 1 t 1

   
0 1 2 3 0 1 2 3 1
 2 1 3 0   2 1 3 0 1 
A=
 3
, Ab =  
4 2 0   3 4 2 0 1 
4 2 0 1 4 2 0 1 1
   
0 1 2 1 3 2 1 3 0 1
 2 1 3 1  0 f12  0 1 2 3 1 
  ←→  
 3 4 2 1  0  3 4 2 0 1 
4 2 0 1 1 4 2 0 1 1
   
−1/2f1 + f3 2 1 3 0 1 −5/2f2 + f3 2 1 3 0 1
   
−2f1 + f4  0 1 2 3 1  −2f2 + f4  0 1 2 3 1 
←→   ←→  
 0 5 −5 0 − 12   0 0 − 15 − 15 −3 
 2 2   2 2 
7
0 2 −6 1 −1 0 0 0 7 5
solución. Para encontrarla procedemos como sigue: Primero escribamos el sistema asociado
a la matriz reducida,
2x + y + 3z = 1
y + 2z + 3t = 1
− 15
2
z − 15 2
t = −3
7t = 75
Resolviendo el sistema de abajo hacia arriba, tenemos t = 51 , z = 15 , y = 0 y x = 15 .
R
R
2x − 4y + 6z = 2
y + 2z = −3
x − 3y + z = 4

    
2 −4 6 x 2
 0 1 2   y  =  −3 
1 −3 1 z 4

   
2 −4 6 2 −4 6 2
A =  0 1 2 , Ab =  0 1 2 −3 
1 −3 1 1 −3 1 4

   
2 −4 6 2 1/2f1 1 −2 3 1
 0 1 2 −3  ←→  0 1 2 −3 
1 −3 1 4 1 −3 1 4
   
−f1 + f3 1 −2 3 1 −f2 + f3 1 −2 3 1
←→  0 1 2 −3  ←→  0 1 2 −3 
0 −1 −2 3 0 0 0 0
❆ Aplicar el Teorema 1.11. Como r(A) = r(Ab ) = 2 < 3. El sistema tiene infinitas soluciones.
Dado que 2 < 3, entonces las 3−2 = 1 incógnitas (última incógnita) toma valores arbitrarios
y a las que se les denomina valores libres o parámetros.
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x − 2y + 3z = 1
y + 2z = −3
En este sistema hagamos z = t con t ∈ R y luego despejemos x y y en función de t

x − 2y = 1 − 3z x − 2y = 1 − 3t
y = −3 − 2z y = −3 − 2t
R
R
reemplazando y = −3 − 2t en la primera ecuación x − 2(−3 − 2t) = 1 − 3t, obtenemos

x = −5 − 7t, luego el vector solución es dado por
           
x −5 − 7t −5 −7t −5 −7
 y  =  −3 − 2t  =  −3  +  −2t  =  −3  + t  −2 
z t 0 t 0 1
EJEMPLO 1.72. Discutir por el método de Gauss el siguiente sistema:

x + 2y − 3z = 4
2x + 3y + 4z = 5
4x + 7y − 2z = 12

    
1 2 −3 x 4
 2 3 4  y  =  5 
4 7 −2 z 12

   
1 2 −3 1 2 −3 4
A =  2 3 4 , Ab =  2 3 4 5 
4 7 −2 4 7 −2 12
❅ Reducir la matriz aumentada Ab a su forma escalonada reducida.
  −2f1 + f2  
1 2 −3 4 −4f1 + f3 1 2 −3 4
 2 3 4 5  ←→  0 −1 10 −3 
4 7 −2 12 0 −1 10 −4
 
−f2 + f3 1 2 −3 4
←→  0 −1 10 −3 
0 0 0 −1
❆ Aplicar el Teorema 1.11. Como r(A) = 2, r(Ab ) = 3, entonces r(A) 6= r(Ab ). El sistema no
tiene soluciones. En efecto, el sistema dado es equivalente a:
x + 2y − 3z = 4
− 3y + 10z = −3
0x + 0y + z0 = −1
lo que es, obviamente, absurdo.

R
R
1.10. Método de eliminación de Gauss Jordan

Para resolver un sistema de “m” ecuaciones con “n” incógnitas seguir los siguientes pasos:
① Colocar el sistema de ecuaciones lineales en notación matricial Ax = b, donde A es una

matriz es de orden m × n, x de orden n × 1 “n es el número de incógnitas” y b de orden
m × 1.
② Definir la matrices de coeficientes A y la matriz aumentada Ab .
③ Reducir la matriz aumentada Ab a su forma escalonada reducida.
④ Aplicar el Teorema 1.11.
EJEMPLO 1.73. Discutir por el método de Gauss Jordán el siguiente sistema:
x+y+z = 2
2x − y − z = 1
x + 2y − z = −3

    
1 1 1 x 2
 2 −1 −1   y  =  1 
1 2 −1 z −3

   
1 1 1 1 1 1 2
A =  2 −1 −1  , Ab =  2 −1 −1 1 
1 2 −1 1 2 −1 −3
R
R
  −2f1 + f2  
1 1 1 2 −f1 + f3 1 1 1 2
 2 −1 −1 1  ←→  0 −3 −3 −3 
1 2 −1 −3 0 1 −2 −5
  −f2 + f1  
−1/3f2 1 1 1 2 −f2 + f3 1 0 0 1
←→  0 1 1 1  ←→  0 1 1 1 
0 1 −2 −5 0 0 −3 −6
  −3f3 + f1  
−1/3f3 1 0 3 7 2f3 + f2 1 0 0 1
←→  0 1 −2 −5  ←→  0 1 0 −1 
0 0 1 2 0 0 1 2
solución dada por x = 1, y = −1, z = 2.

x + 3y + z = 6
3x − 2y − 8z = 7
4x + 5y − 3z = 17

    
1 3 1 x 6
 3 −2 −8   y  =  7 
4 5 −3 z 17

   
1 3 1 1 3 1 6
A =  3 −2 −8  , Ab =  3 −2 −8 7 
4 5 −3 4 5 −3 17
R
R
  −3f1 + f2  
1 3 1 6 −4f1 + f3 1 3 1 6
 3 −2 −8 7  ←→  0 −11 −11 −11 
4 5 −3 17 0 −7 −7 −7
−1/11f2   −3f2 + f1  
−1/7f3 1 3 1 6 −f2 + f3 1 0 −2 3
←→  0 1 1 1  ←→  0 1 1 1 
0 1 1 1 0 0 0 0
ciones
x−z = 3
y+z = 1
En este sistema hagamos z = t con t ∈ R y luego despejemos x y z en función de t
x = 3+z =3+t
y = 1−z =1−t
luego el vector solución es dado por

           
x 3+t 3 t 3 1
 y  =  1 − t  =  1  +  −t  =  1  + t  −1 
z z 0 t 0 1

x + y + z = 1
x − y + 3z = −3
x + z = 1

    
1 1 −1 x 1
 1 −1 3   y  =  −3 
1 0 1 z 1
R
R

   
1 1 −1 1 1 −1 1
A =  1 −1 3  , Ab =  1 −1 3 −3 
1 0 1 1 0 1 1

   
1 1 −1 1 f13 1 0 1 1
 1 −1 3 −3  ←→  1 1 −1 1 
1 0 1 1 1 −1 3 −3
−f1 + f2    
−f1 + f3 1 0 3 1 f23 1 0 3 1
←→  0 −1 2 −4  ←→  0 1 −2 0 
0 1 −2 0 0 −1 2 −4
 
f2 + f3 1 0 3 1
←→  0 1 −2 0 
0 0 0 4
❆ Aplicar el Teorema 1.11. Como r(A) = 2, r(Ab ) = 3, entonces r(A) 6= r(Ab ). El sistema no
tiene soluciones.

EJEMPLO 1.76. Destudiar la compatibilidad del siguiente sistema:
ax − 2y = 4
ax + (a − 1)y = 4

a −2 x 4
=
a a−1 y 4
❄ La matriz de coeficientes M y la matriz aumentada Ma son dados por

a −2 a −2 4
M= , Ma =
a a−1 a a−1 4
R
R
❅ Reducir la matriz aumentada Ma a su forma escalonada reducida.

a −2 4 −f1 + f2 a −2 4
←→
a a−1 4 0 a+1 0
❆ Aplicar el Teorema 1.11.
☞ Si a = 0, entonces la matriz de coeficientes M y la matriz aumentada Ma son equiva-

lentes a
0 −2 0 −2 4
M= , Ma =
0 −1 0 −1 0
Por tanto, r(M) = 1 y r(Ma ) = 2, entonces el sistema no tiene soluciones.
☞ Si a = −1, entonces la matriz de coeficientes M y la matriz aumentada Ma son equiv-
alentes a
−1 −2 −1 −2 4
M= , Ma =
0 0 0 0 0
Por tanto, r(M) = r(Ma ) = 1 < 2, entonces el sistema tiene infinitas soluciones.
☞ Si a 6= 0 y a 6= −1, se tiene que r(M) = r(Ma ) = 2, por tanto el sistema tiene una
única solución.

1 a
EJEMPLO 1.77. La matriz de los coeficientes de un sistema de ecuaciones lineales es:
a+1 2
2
y la de los términos independientes es: . a) Plantear las ecuaciones del sistema. b) Estudiar
−2
su compatibilidad en función de los valores de a. .En que casos tiene solución única?. c) Resolverlo
si a = 2.
SOLUCIÓN.-
Apartado a: El sistema asociado a las matrices dadas será:
x + ay = 2
(a + 1)x + 2y = −2
El mismo sistema, expresado en forma matricial:

1 a x 2
=
a+1 2 y −2
Apartado b: El número de incógnitas del sistema lineal es n = 2.
R
R
❃ La matriz de coeficientes M y la matriz aumentada Ma son dados por

1 a 1 a 2
M= , Ma =
a+1 2 a + 1 2 −2
❄ Reducir la matriz aumentada Ma a su forma escalonada reducida.

1 a 2 −(a + 1)f1 + f2 1 a 2
←→
a + 1 2 −2 0 −a(a + 1) + 2 −2(a + 1) − 2
❅ Aplicar el Teorema 1.11.

Resolvamos las ecuaciones
−a(a + 1) + 2 = 0 a = −2, a = 1.
y
−2(a + 1) − 2 = 0 a = −2.
☞ Si a = 1, entonces la matriz de coeficientes M y la matriz aumentada Ma son equiva-

lentes a
1 1 1 1 2
M= , Ma =
0 0 0 0 −6
☞ Si a = −2, entonces la matriz de coeficientes M y la matriz aumentada Ma son equiv-
alentes a
1 1 1 1 2
M= , Ma =
0 0 0 0 0
Por tanto, r(M) = r(Ma ) = 1 < 2, entonces el sistema tiene infinitas soluciones.
☞ Si a 6= 1 y a 6= −2, se tiene que r(M) = r(Ma ) = 2, por tanto el sistema tiene una
única solución.
Apartado c: Si suponemos que a = 2, tendremos que:

(
x + 2y = 2
cuya solución es {x = −2, y = 2}
3x + 2y = −2
EJEMPLO 1.78. Dado el sistema

(2m − 1)x − my + (m + 1)z = m − 1
(m − 2)x − (m + 1)y + (m − 2)z = m
(2m − 1)x + (m − 1)y + (2m − 1)z = m
Determine para qué valores de m:
R
R
① El sistema tiene solución única. Respuesta.- m 6= 0, m 6= 1 y m 6= −1.
② El sistema tiene infinitas soluciones. Respuesta.- m = −1.
③ El sistema no tiene soluciones. Respuesta.- m = 0, m = 1.
SOLUCIÓN.- Resolvamos el sistema mediante el método de Gauss Jordán. El número de

incógnitas del sistema lineal es n = 3.

    
2m − 1 −m m+1 x m−1
 m− 2 m+ 1 m −2  y  =  m 
2m − 1 m − 1 2m − 1 z m
❄ Definir la matriz aumentada Ab

 
2m − 1 −m m+1 m−1
Ab =  m − 2 m + 1 m − 2 m 
2m − 1 m − 1 2m − 1 m
R
R
 
m m+1 m−1
 1 −
1
f  2m − 1 2m − 1 2m − 1 

2m−1 1  
Ab ←→  m−2 m+1 m−2 m 
 
2m − 1 m−1 2m − 1 m
 m m+1 m−1 
−(m − 2)f1 + f2 1 −
 2m − 1 2m − 1 2m − 1 
−(2m − 1)f1 + f2  
 2
(−2 + m)2 −2 + 2m + m2 
←→  0 1 + m − 3m 
 
 1 − 2m −1 + 2m −1 + 2m 
0 −1 + 2m −2 + m 1
 m−1 m+1 m 
1 −
 2m − 1 2m − 1 2m − 1

C23  
 2
(−2 + m)2 1 + m − 3m2 
←→  0 −2 + 2m + m 
 
 −1 + 2m −1 + 2m 1 − 2m 
0 1 −2 + m −1 + 2m
 m−1 m+1 m 
1 −
 2m − 1 2m − 1 2m − 1
f23  
 0 1 −2 + m −1 + 2m 
←→  
 
 −2 + 2m + m2 (−2 + m)2 1 + m − 3m2 
0
−1 + 2m −1 + 2m 1 − 2m
 
m−1 m+1 m
−1 + 2m  1 2m − 1 2m − 1 − 2m − 1 
− f2 + f3  
−2 + 2m + m2  
←→  0 1 −2 + m −1 + 2m 
 
0 0 f (m) g(m)
donde
−2 + m 1 − 2m
f (m) = (−2 + m) +
−1 + 2m −2 + 2m + m2
y
1 − 2m + m2 − m3 + m4
g(m) = 3
2 − 6m + 3m2 + 2m3
Las soluciones de la ecuación f (m) = 0 son:
√ √
m = −1, m = 2, m = 1/2(5 − 13), m = 1/2(5 + 13)
R
R
y las soluciones de la ecuación g(m) = 0 son:

m = 1.
√ √
❆ Aplicando el Teorema 1.11. Si m 6= −1, m 6= 2, m 6= 1/2(5 − 13), m 6= 1/2(5 + 13) y
m 6= 1 entonces f (m) 6= 0 y g(m) 6= 0, por tanto r(A) = r(Ab ) = 3, entonces el sistema tiene
solución única.
√ √
Por otro lado, si m = −1 o m = 2 o m = 1/2(5 − 13) o bien m = 1/2(5 + 13); pero
m 6= 1, entonces r(A) = 2 6= r(Ab ) = 2. El sistema no tiene soluciones.
No existe un valor de m de modo que f (m) = g(m) = 0, entones El sistema no tiene
soluciones infinitas.

EJEMPLO 1.79. Resuelva cada una de las siguientes sistemas mediante la eliminación de Gauss-
Jordan
2x + y + z = 8 x+y+z = 0
(a) 3x − 2y − z = 1 (b) −2x + 5y + 2z = 0
4x − 7y + 3z = 10 −7x + 7y + z = 0
x − 2y + z − 4w = 1
5x + 2y + 6z = 0
(c) (d) x + 3y + 7z + 2w = 2
−2x + y + 3z = 0
x − 12y − 11z − 16w = 5
SOLUCIÓN.-
EJEMPLO 1.80. Resolver el sistema:

1 1 1 1 1 13
+ + = 5 + =
x y z x y 40
2 3 4 1 1 7
(a) − − = −11 (b) + =
x y z x z 24
3 2 1 1 1 11
+ − = −6 + =
x y z y y 30
SOLUCIÓN.-
EJEMPLO 1.81. Resolver el sistema:

xy 15
=
7x − 2y 11 5 4
+ = 5
yz 2x + y 2x − 3y
(a) = −15 (b)
8y − 7z 15 2
+ = 5
xz 6 2x + y 2x − 3y
= −
3x − 5z 7
R
R
SOLUCIÓN.-
EJEMPLO 1.82. Un grupo de personas se reune para ir de excursión, juntándose un total de

20 entre hombres, mujeres y niños. Contando hombres y mujeres juntos, su número resulta ser el
triple del número de niños. Además, si hubiera acudido una mujer más, su número iguaları́a al
del hombres. a) Plantear un sistema para averiguar cuántos hombres, mujeres y niños han ido de
excursión. b) Resolver el problema.
SOLUCIÓN.- Si llamamos x, y, z, al número de hombres, mujeres y niños, respectivamente,

que fueron de excursión, tendremos:
 
 x + y + z = 20  x + y + z = 20
(∗) x + y = 3z ordenamos x + y − 3z = 0
 
y+1 = x x − y = 1
Resolvamos el sistema mediante el método de Gauss Jordán. El número de incógnitas del sistema
lineal es n = 3.

    
1 1 1 x 20
 1 1 −3   y  =  0 
1 −1 0 z 1

   
1 1 1 1 1 1 20
A =  1 1 −3  , Ab =  1 1 −3 0 
1 −1 0 1 −1 0 1
R
R
  −f1 + f2  
1 1 1 20 −f1 + f3 1 1 1 20
 1 1 −3 0  ←→  0 0 −4 −20 
1 −1 0 1 0 −2 −1 −19
   
f23 1 1 1 20 −1/2f2 1 1 1 20
←→  0 −2 −1 −19  ←→  0 1 −1/2 19/2 
0 0 −4 −20 0 0 −4 −20
−f2 + f1    
8f2 + f3 1 0 3/2 21/2 1/4f3 1 0 3/2 21/2
←→  0 1 −1/2 19/2  ←→  0 1 −1/2 19/2 
0 0 −4 −20 0 0 1 5
1/2f3 + f2  
−3/2f3 + f1 1 0 0 3
←→  0 1 0 12 
0 0 1 5
solución dada por x = 3, y = 12, z = 5. Luego, habrán asistido 3 hombres, 12 mujeres y 5
niños a la excursión.

EJEMPLO 1.83. Cierto estudiante obtuvo, en un control que constaba de 3 preguntas, una
calificación de 8 puntos. En la segunda pregunta sacó dos puntos más que en la primera y un
punto menos que en la tercera. a) Plantear un sistema de ecuaciones para determinar la puntuación
obtenida en cada una de las preguntas. b) Resolver el sistema.
SOLUCIÓN.- Si llamamos x, y, z, a la puntuación obtenida en cada pregunta, respectivamente,

tendremos:
 
 x+y+z = 8  x + y + z = 8
(∗) y = x+2 ordenamos x − y = −2
 
y = z−1 y − z = −1
lineal es n = 3.

    
1 1 1 x 8
 1 −1 0   y  =  −2 
0 1 −1 z −1
R
R

   
1 1 1 1 1 1 8
A =  1 −1 0  , Ab =  1 −1 0 −2 
0 1 −1 0 1 −1 −1

   
1 1 1 8 −f1 + f2 1 1 1 8
 1 −1 0 −2  ←→  0 −2 −1 −10 
0 1 −1 −1 0 1 −1 −1
  2f2 + f3  
f23 1 1 1 8 −f2 + f1 1 0 2 9
←→  0 1 −1 −1  ←→  0 1 −1 −1 
0 −2 −1 −10 0 0 −3 −12
  f3 + f2  
−1/3f3 1 0 2 9 −2f3 + f1 1 0 0 1
←→  0 1 −1 −1  ←→  0 1 0 3 
0 0 1 4 0 0 1 4
solución dada por x = 1, y = 3, z = 4. Luego, habrá obtenido 1 punto en la primera
pregunta, 3 en la segunda y 4 en la tercera.

EJEMPLO 1.84. Un ama de casa adquirió en el mercado ciertas cantidades de patatas, manzanas
y naranjas a un precio de 100, 120 y 150 ptas/kg., respectivamente. El importe total de la compra
fueron 1.160 ptas. El peso total de la misma 9 kg. Además, compró 1 kg. más de naranjas que de
manzanas. a) Plantear un sistema para determinar la cantidad comprada de cada producto. b)
Resolver el problema.
SOLUCIÓN.- Si llamamos x, y, z, al número de kg. comprados de patatas, manzanas y naranjas,

respectivamente, tendremos:
 
 100x + 120y + 150z = 1160  10x + 12y + 15z = 116
x+y+z = 9 ordenamos x + y + y = 9
 
y+1 = z y − z = −1
lineal es n = 3.
R
R

    
10 12 15 x 116
 1 1 1  y  =  9 
0 1 −1 z −1

   
10 12 15 10 12 15 116
M = 1 1 1  Ma =  1 1 1 9 
0 1 −1 0 1 −1 −1

   
10 12 15 116 f12 1 1 1 9
 1 1 1 9  ←→  10 12 15 116 
0 1 −1 −1 0 1 −1 −1
   
−10f1 + f2 1 1 1 9 f23 1 1 1 9
←→  0 2 5 26  ←→  0 1 −1 −1 
0 1 −1 −1 0 2 5 26
−2f2 + f3    
−f2 + f1 1 0 2 10 1/7f3 1 0 2 10
←→  0 1 −1 −1  ←→  0 1 −1 −1 
0 0 7 28 0 0 1 4
f3 + f2  
−2f2 + f1 1 0 0 2
←→  0 1 0 3 
0 0 1 4
❆ Aplicar el Teorema 1.11. Como r(M) = r(Ma ) = 3, entonces el sistema tiene una única
solución dada por x = 2, y = 3, z = 4. Por tanto, habrá comprado 2 kg. de patatas, 3 kg.
de manzanas y 4 kg. de naranjas.

EJEMPLO 1.85. En una confiterı́a envasan los bombones en cajas de 250 gr., 500 gr. y 1 kg.
Cierto dı́a se envasaron 60 cajas en total, habiendo 5 cajas más de tamaño pequeño (250 gr.) que
de tamaño mediano (500 gr.). Sabiendo que el precio de la caja de 250 gr. es de 1000 ptas. el
precio de la caja de 500 gr. es de 2000 ptas. y el precio de la caja de 1 kg. es de 4000 ptas. Además
se sabe que el importe total de los bombones envasados asciende a 125.000 ptas: a) Plantear un
sistema para determinar cuántas cajas se han envasado de cada tipo. b) Resolver el problema.
SOLUCIÓN.- Tenemos que:

R
R
precio de la caja de 250 gr.=1000 ptas.
precio de la caja de 500 gr.=2000 ptas.
precio de la caja de 1 kg.=4000 ptas.
Si llamamos x, y, z, al número de cajas envasadas de 250 gr. , 500 gr. y 1 kg., respectivamente,
tendremos:
x + y + z = 60 x + y + y = 60
x = y+5 ordenamos x − y = 5
1000x + 2000y + 4000z = 125000 x + 2y + 4z = 125
lineal es n = 3.

    
1 1 1 x 60
 1 −1 0   y  =  5 
1 2 4 z 125

   
1 1 1 1 1 1 60
M =  1 −1 0  Ma =  1 −1 0 5 
1 2 4 1 2 4 125
  −f1 + f2  
1 1 1 60 −f1 + f3 1 1 1 60
 1 −1 0 5  ←→  0 −2 −1 −55 
1 2 4 125 0 1 3 65
  2f2 + f3  
f23 1 1 1 60 −f2 + f1 1 0 −2 −5
←→  0 1 3 65  ←→  0 1 3 65 
0 −2 −1 −55 0 0 5 75
  −3f2 + f2  
1/5f3 1 0 −2 −5 2f2 + f1 1 0 0 25
←→  0 1 3 65  ←→  0 1 0 20 
0 0 1 15 0 0 1 15
R
R
solución dada por x = 25, y = 20, z = 15. Por tanto, se habrán envasado 25 cajas pequeñas,
20 medianas y 15 grandes.

EJEMPLO 1.86. El precio de entrada a cierta exposición es de 200 ptas. para los niños, 500
para los adultos y 250 para los jubilados. En una jornada concreta, la exposición fué visitada
por 200 personas en total, igualando el número de visitantes adultos al de niños y jubilados
juntos. La recaudación de dicho dı́a ascendió a 73.500 ptas. a) Plantear un sistema de ecuaciones
para averiguar cuántos niños, adultos y jubilados visitaron la exposición ese dı́a. b) Resolver el
problema.
SOLUCIÓN.- Si llamamos x, y, z, al número de niños, adultos y jubilados, respectivamente,

que visitaron ese dı́a la exposición, tendremos:
x + y + z = 200 x + y + z = 200
y = x+z ordenamos x − y + z = 0
200x + 500y + 250z = 73500 20x + 50y + 25z = 7350
lineal es n = 3.

    
1 1 1 x 200
 1 −1 1   y  =  0 
20 50 25 z 7350

   
1 1 1 1 1 1 200
M =  1 −1 1  Ma =  1 −1 1 0 
20 50 25 20 50 25 7350
R
R
  −f1 + f2  
1 1 1 200 −20f1 + f3 1 1 1 200
 1 −1 1 0  ←→  0 −2 0 −200 
20 50 25 7350 0 30 5 3350
  −30f2 + f3  
−1/2f2 1 1 1 200 −f2 + f1 1 0 1 100
←→  0 1 0 100  ←→  0 1 0 100 
0 30 5 3350 0 0 5 350
   
1/5f3 1 0 1 100 −f2 + f1 1 0 0 30
←→  0 1 0 100  ←→  0 1 0 100 
0 0 1 70 0 0 1 70
solución dada por x = 30, y = 100, z = 70. Luego, a la exposición, habrán acudido 30 niños,
100 adultos y 70 jubilados.

EJEMPLO 1.87. En un supermercado van a poner en oferta dos marcas de detergente (A y

B). El propietario consulta su libro de cuentas para ver las condiciones de una oferta anterior,
encontrando la siguiente información: el número total de paquetes vendidos fueron 1.000 unidades;
el precio del paquete A 500 bs; y el importe total de la oferta 440.000 bs. Pero en sus anotaciones
no aparece reflejado claramente el precio del paquete B. a) Plantear un sistema para determinar el
número de paquetes vendidos de cada marca. Discutir su compatibilidad. b) Averiguar si el precio
del paquete B fue 400 o 408 bs. ¿cuántos paquetes se vendieron?
SOLUCIÓN.-
Si llamamos x e y al número de paquetes vendidos de las marcas A y B, respectivamente, ten-
dremos:
(
x + y = 1000
500x + my = 440000
representando el parámetro m el precio del paquete de marca B. El número de incógnitas del
sistema lineal es n = 2.

1 1 x 1000
=
500 m y 440000
R
R

1 1 1 1 1000
M= , Ma =
500 m 500 m 440000

1 1 1000 −500f1 + f2 1 1 1000
←→
500 m 440000 0 m − 500 −60000
❆ Aplicar el Teorema 1.11.
☞ Si m = 500, entonces la matriz de coeficientes M y la matriz aumentada Ma son

equivalentes a
1 1 1 1 1000
M= , Ma =
0 0 0 0 −60000
☞ Si m 6= 500, r(M) = r(Ma ) = 2, por tanto el sistema tiene una única solución.
❇ Se trata de resolver el sistema para los valores m = 400 y m = 408:

(
x + y = 1000
{x = 400, y = 600}
500x + 400y = 440000
(
x + y = 1000
{x = 8000/23, y = 15000/23}
500x + 408y = 440000
Como el número de paquetes vendido de cada marca debe ser un número entero, el precio
del paquete B tiene que haber sido 400 pesetas. En estas condiciones, se habrı́an vendido
400 paquetes de la marca A y 600 paquetes de la marca B.

EJEMPLO 1.88. En el trayecto que hay entre su casa y el trabajo, un individuo puede llenar
gasolina en tres estaciones de servicio A, B y C. El individuo recuerda que este mes el precio de la
gasolina en A ha sido de 5 bs/litro y el precio de la gasolina en B de 4 bs/litro, pero ha olvidado
el precio en C. (Supongamos que son “m” bs/litro). También recuerda que:
❃ la suma del gasto en litros de gasolina en las estaciones A y B superó en 936 bs. al gasto en
C.
❄ el número de litros de gasolina consumidos en B fue el mismo que en C.
R
R
❅ el gasto de litros en A superó al de B en 252 bs.
① Plantea un sistema de ecuaciones (en función de “m”) para determinar los litros consumidos
en cada gasolinera.
② Estudiar la compatibilidad del sistema en función de “m”. ¿Puedes dar algún precio al que
sea imposible haber vendido la gasolina en la gasolinera C?
SOLUCIÓN.-
① Empecemos respondiendo a las siguientes preguntas: Cuáles son las incógnitas?, ¿Qué tengo
que buscar, averiguar o qué me preguntan?, ¿Qué datos me dan?, ¿Cuáles son las condiciones
del problema?.
Sean
x el número de litros que se ha consumido en la gasolinera A
y el número de litros que se ha consumido en la gasolinera B
z el número de litros que se ha consumido en la gasolinera C
Entonces según las condiciones del problema tendremos:

 
 5x + 4y = mz + 936  5x + 4y − mz = 936
(∗) y = z obteniendo y−z = 0
 
5x = 4y + 252 5x − 4y = 252
Surgen las siguientes interrogantes: ¿Cómo resolvemos este sistema de ecuaciones?, ¿Qué sig-
nifica resolver un sistema de ecuaciones?, ¿Las soluciones del sistema dependen del valor que
tome la variable m?, ¿Para que valores de m, el sistema tiene una sola solución, muchas
soluciones, ninguna solución o infinitas soluciones?.
Primero de todo tratemos de responder a la pregunta: ¿Como saber que el sistema tiene
solución o no tiene solución?, ¿conocemos alguna teorı́a que pueda ayudarnos?. Si, la teorı́a
matricial nos puede ayudar a resolverlo, empecemos transformando el sistema en la siguiente
ecuación matricial
     
5 4 −m x 936
 0 1 −1   y  =  0 
5 −4 0 z 252
② Para estudiar la compatibilidad del sistema, llamemos a la matriz de coeficientes M y a la
matriz aumentada con los términos independientes Ma , es decir
   
5 4 −m 5 4 −m 936
M =  0 1 −1  Ma =  0 1 −1 0 
5 −4 0 5 −4 0 252
R
R
Observemos que la matriz M es de orden 3 × 3. Ahora bien, el álgebra lienal nos da la

siguiente información:
☞ Si rango(M) = rango(Ma ) = 3, entonces el sistema tiene una única solución.

☞ Si rango(M) = rango(Ma ) < 3, entonces el sistema tiene infinitas soluciones.
☞ Si rango(M) 6= rango(Ma ), entonces el sistema no tiene soluciones.
   
5 4 −m 936 f13 5 −4 0 252
 0 1 −1 0  ←→  0 1 −1 0 
5 −4 0 252 5 4 −m 936
   
1/5f1 1 −4/5 0 252/5 −5f1 + f3 1 −4/5 0 252/5
←→  0 1 −1 0  ←→  0 1 −1 0 
5 4 −m 936 0 8 −m 684
   
−8f2 + f3 1 −4/5 0 252/5 4/5f2 + f1 1 0 −4/5 252/5
←→  0 1 −1 0  ←→  0 1 −1 0 
0 0 8 − m 684 0 0 8 − m 684
Si m = 8, la matriz de coeficientes M y a la matriz aumentada con los términos

independientes Ma son equivalentes a:
   
1 0 −4/5 1 0 −4/5 252/5
M =  0 1 −1  Ma =  0 1 −1 0 
0 0 0 0 0 0 684
Entonces r(M) = 2 y además r(Ma ) = 3. Ahora bien como rango(M) 6= rango(Ma )
entonces el sistema (∗) no tiene solución.
Por esta razón, resultarı́a imposible haber vendido la gasolina a 8 bs. litro en la gaso-
linera C.
Si m 6= 8, entonces rango(M) = rango(Ma ) = 3 esto implica que el sistema (∗) tiene
solución única. Por ejemplo si m = 6, entonces
   
x 324
 y  =  342 
z 342
¿Qué significa esto?, ¿Cuál es la interpretación?.

R
R
EJEMPLO 1.89. (Punto de equilibrio de mercado). Dos productos A y B compiten. Las de-
mandas qA y qB de estos productos están relacionadas a sus precios pA y pB por las ecuaciones de
demanda:
1 1
qA = 17 − 2pA + pB y qB = 20 − 3pB + pA
2 2
Las ecuaciones de oferta son:
1 1 1
pA = 2 + qA + qB y pB = 2 + qB + qA
3 2 4
Que dan los precios a los cuales las cantidades qA y qB estarán disponibles en el mercado. En el
punto de equilibrio del mercado, las cuatro ecuaciones deben satisfacerse dado que la demanda y
la oferta deben ser iguales. Calcule los valores de equilibrio de qA , qB , pA y pB .
SOLUCIÓN.- Considerando las cuatro ecuaciones, obtenemos el siguiente sistema de ecuaciones:
1
qA + 2pA − pB = 17
2
1
qB − pA + 3pB = 20
2
1
qA + qB − pA = −2
3
1 1
qA + qB − pB = −2
4 2
lineal es n = 4.

 
1
 1 0 2 −  
 2  qA  
 1  17
 0 1 − 3   
 2  qB   20 
  = 
    −2 
 1 1 −1 0   pA 
 3  −2
  pB
 1 1 
0 1
4 2
R
R
   
1 1
 1 0 2 −   1 0 2 − 17 
 2   2 
 1   1 
 0 1 − 3   0 1 − 3 20 
 2   2 
A=

,
 Ab = 



 1 1
 1 −1 0  

 1 −1 0 −2 
 3   3 
 1 1   1 1 
0 1 0 −1 −2
4 2 4 2
R
R
   
1 1
 1 0 2 − 17   1 0 2 − 17 
 2   2 
 1  −f1 + f3  1 
 0 1 − 3 20   0 1 − 3 20 
 2  −1/4f1 + f4  2 
  ←→  
 1   
 1 −1 0 −2   0 1 −3
1
−19 
 3   3 2 
   
 1 1   1 1 9 25 
0 −1 −2 0 − −
4 2 2 2 8 4
   
1 1
 1 0 2 − 17   1 0 2 − 17 
 2   2 
−1/3f2 + f3  1  −4f4  1 
 20   0 1 20 
−1/2f2 + f4  0 1 − 2 3  f34  −
2
3 
←→   ←→  
 77   
 0 0 − 17 −
1
−   0 0 1 −
19
65 
 6 2 3   2 
   
 1 19 65   17 1 77 
0 0 − − − 0 0 − − −
4 8 4 6 2 3
 
39  39 
−2f2 + f1  1 0 0 − −113  1 0 0 − −113
 2   2 
1/2f3 + f2  31 105   
   31 105 
17/6f3 + f4  0 1 0 4 2  12/317f4  0 1 0 
←→   ←→  4 2 
 19   
 0 0 1 − 65   19 
 2   0 0 1 − 65 
   2 
 317 317 
0 0 0 0 0 0 1 6
12 2
39
f + f1
2 4
 
− 31 f + f2
4 4
1 0 0 0 4
 
− 19 f + f3
6 4
 0 1 0 0 6 
←→  
 0 0 1 0 8 
 
0 0 0 1 6
solución dada por qA = 4, qB = 6, pA = 8 y pB = 6.

EJEMPLO 1.90. Dada la ecuación LS: 0.3Y + 100i − 252 = 0 y la ecuación LM: 0.25Y − 200i −
176 = 0. Determine el nivel de ingresos y la tasa de interés.
SOLUCIÓN.- El análisis LS − LM trata de determinar el nivel de ingresos y la tasa de interés

a los que estarán en equilibrio tanto el mercado de bienes como el monetario. Para lograr esto se
debe resolver el sistema de ecuaciones lineales:
R
R
0.3Y + 100i = 252

0.25Y − 200i = 176
lineal es n = 2.

0.3 100 Y 252
=
0.25 −200 i 176

 
3
100 252
0.3 100  10 
A= , Ab = 
 1


0.25 −200
−200 176
4
   
3 1000 2520
 10 100 252  10
f
3 1
 1 3 3 
  ←→  
 1   1 
−200 176 −200 176
4 4
   
1000 2520 1000 2520
− 41 f1 + f2  1 3 3  3
− 805 f2  1 3 3 
←→   ←→  
 805   102 
0 − −34 0 1
3 805
 
1000 2520
−
3←→
f2 + f1  1 0 3 
 
 102 
0 1
805
❆ Aplicar el Teorema 1.11. Como r(A) = r(Ab ) = 2, entonces el sistema tiene solución única,
por tanto en equilibrio Y = 128440/161 y i = 102/805.

EJEMPLO 1.91. (Modelos de determinación de ingresos). En general, los modelos de determi-

nación de ingresos expresan el nivel de equilibrio de ingreso en una economı́a de cuatro sectores.
Como sigue: Y = C + I + G + (X − M). En donde Y =ingresos, C =consumo, I =inversión,
G =gastos del gobierno, X =exportaciones y M =importaciones. Consideremos una economı́a
simple de dos sectores en la que Y = C + I, C = C0 + bY y I = I0 . Supóngase asimismo, que
C0 = 85, b = 0.90 y I0 = 55. Determinar el nivel de equilibrio de Y y C.
R
R
SOLUCIÓN.- Las ecuaciones dada se pueden reordenar primeramente, de tal modo que las
variables endógenas C y Y , se encuentren del lado izquierdo de la ecuación y las variables exógenas
C0 y I0 a la derecha. Es decir:
Y − C = I0
−bY + C = C0
lineal es n = 2.

1 −1 Y I0
=
−b 1 C C0
!
1 −1 1 −1 I0
A= , Ab =
−b 1 −b 1 C0

! !
1 −1 I0 bf1 + f2 1 −1 I0
←→
−b 1 C0 0 1 − b C0 + bI0
   
C0 + bI0
1 1 −1 I0 1 0 I0 +
f

1−b 2  f2 + f1  1−b 
←→  ←→  
C0 + bI0   C0 + bI0 
0 1 0 1
1−b 1−b
❆ Aplicar el Teorema 1.11. Como r(A) = r(Ab ) = 2, entonces el sistema tiene solución única,
C0 + bI0 85 + (0,9)55 C0 + bI0
por tanto en equilibrio Y = I0 + = 55 + = 1400 y C = =
1−b 1 − 0,9 1−b
85 + (0,9)55
= 1345.
1 − 0,9

EJEMPLO 1.92. (Inversiones). Una persona invirtió un total de 20000 bs en tres inversiones al
6 %, 8 % y 10 %. El ingreso anual fue de 1624 bs y el ingreso de la inversión del 10 % fue dos veces
el ingreso de la inversión al 6 %. ¿De cuánto fue cada inversión?.
R
R
SOLUCIÓN.- Denotemos por x, y y z el monto de las inversión al 6 %, 8 % y 10 % respectiva-

mente. Es decir, x bs se invertirán al 6 %, y bs se invertirán al 8 %, y z bs se invertirán al 10 %.
6 8
Ahora bien, el ingreso de invertir x bs al 6 % es x, el ingreso de invertir y bs al 8 % es yy
100 100
10
el ingreso de invertir z bs al 10 % es z. Como el ingreso anual fue de 1624 bs, entonces tenemos
100
6 8 10
una primera ecuación x+ y+ z = 1624. Por otro lado la persona invirtió un total
100 100 100
de 20000 bs, esto es, 20000 bs se dividió en montos de x, y y z bs, ası́ obtenemos una segunda
ecuación x + y + z = 20000. Por último, se sabe que el ingreso de la inversión del 10 % fue dos
10 6
veces el ingreso de la inversión al 6 %, lo cual implica que z=2 x.
100 100
Simplificando y resumiendo obtenemos el siguiente sistema de ecuaciones:
6 8 10
x+ y+ z = 1624 3x + 4y + 5z = 81200
100 100 100
x + y + z = 20000 x + y + z = 20000
10 6 −6x + 5z = 0
z = 2 y
100 100
lineal es n = 3.

    
3 4 5 x 81200
 1 1 1   y  =  20000 
−6 0 5 z 0

   
3 4 5 3 4 5 81200
A =  1 1 1 , Ab =  1 1 1 20000 
−6 0 5 −6 0 5 0
   
3 4 5 81200 f13 1 1 1 20000
 1 1 1 20000  ←→  3 4 5 81200 
−6 0 5 0 −6 0 5 0
−3f1 + f2    
6f1 + f3 1 1 1 20000 −6f2 + f3 1 1 1 20000
←→  0 1 2 21100  ←→  0 1 2 21200 
0 6 11 120000 0 0 −1 −7200
R
R
solución dada por x = 6000, y = 6800, z = 7200.

1.11. Sistemas homogéneos

Si en el sistema lineal Ax=b, en particular B es el vector nulo de orden m × 1, entonces Ax=0.
Recibe el nombre de sistema lineal homogéneo. Este sistema siempre tiene solución, en efecto, el
vector nulo 0 de orden n × 1 satisface el sistema lineal homogéneo, este se llama solución trivial.
Como consecuencia del Teorema tenemos el siguiente Corolario
COROLARIO 1.1. Consideremos en sistema matricial Ax = 0, donde A es una matriz es de

orden m × n, x de orden n × 1 “n es el número de incógnitas” y 0 de orden m × 1.
(a) Si el rango de la matriz de coeficientes es igual al número de incógnitas, es decir, r(A) = n,

entonces dicho sistema admite como única solución la trivial, esto es, x1 = 0, x2 = 0, , ... ,
xn = 0.
(b) Si el rango es menor que el número de variables, es decir, r(A) = r < n, el sistema tendrá in-
finitas soluciones. Dado que r < n, entonces las n − r incógnitas toman valores arbitrarios y
a las que se les denomina valores libre o parámetros.
x+y+z = 0
x−y = 0
y+z = 0

    
1 1 1 x 0
 1 −1 0   y  =  0 
0 1 1 z 0
❄ Definimos la matriz de coeficientes A

 
1 1 1
A =  1 −1 0 
0 1 1
R
R
❅ Reducir la matriz A a su forma escalonada reducida.

   
1 1 1 −f1 + f2 1 1 1
 1 −1 0  ←→  o −2 −1 
0 1 1 0 1 1
  −f2 + f1  
f23 1 1 1 2f2 + f3 1 0 0
←→  o 1 1  ←→  o 1 1 
0 −2 −1 0 0 1
❆ Aplicar el Corolario 1.1. Como r(A) = 3, entonces dicho sistema admite como única solución
la trivial
 
0
 0 
 
X=0= ..  esto es x1 = 0, x2 = 0, ..., xn = 0.
 . 
0

x − y + 3z = 0
x+y−z = 0
x −z = 0

    
1 −1 3 x 0
 1 1 −1   y  =  0 
1 0 −1 z 0
❄ Definimos la matriz de coeficientes A

 
1 −1 3
A =  1 1 −1 
1 0 −1
R
R
   
1 −1 3 f13 1 0 −1
 1 1 −1  ←→  1 −1 3 
1 0 −1 1 1 −1
−f1 + f2    
−f1 + f3 1 0 1 f2 + f3 1 0 1
←→  0 1 −2  ←→  0 1 −2 
0 −1 2 0 0 0
❆ Aplicar el Corolario 1.1. Como r(A) = 2 < 3. El sistema tiene infinitas soluciones. Dado que
2 < 3, entonces las 3 − 2 = 1 incógnitas (última incógnita) toma valores arbitrarios y a las
que se les denomina valores libres o parámetros.
ciones
x = 0
y − 2z = 0
x = 0
y = 2z = 2t

     
x 0 0
 y  =  2t  = t  2 
z t 1

EJEMPLO 1.95. Consideremos las matrices:

 1 1 
2 2
0    
 1 1 1  x 1

A =  4 4 2 ,  X=  y , B= 1 
1 1 1 z 1
3 3 3
Resolver el sistema lineal (

XT A = XT
BT X = 1
SOLUCIÓN.- Efectuemos primero las operaciones matriciales X T A = X T y B T X = 1.
R
R
XT A = XT
 1 1 
2 2
0
 
x y z  1 1 1 
x y z
 4 4 2  =
1 1 1
3 3 3
1

2
x + 14 y + 13 z 1
2
x + 14 y + 21 z 1
2
y + 1
3
z = x y z
Por igualdad de matrices obtenemos el siguiente sistema de ecuaciones

 1

 2
x + 14 y + 13 z = x

1
2
x + 14 y + 12 z = y


 1
2
y + 13 z = z
Multiplicando por 12 a las dos primers ecuaciones y por 6 a la tercera ecuación además de reducir
términos semejantes tenemos:
 
 6x + 3y + 4z = 12x  6x − 3y − 4z = 0
 
6x + 3y + 4z = 12y 6x − 9y + 4z = 0 (1.7)

 

3y + 2z = 6z 3y − 4z = 0
 
x
Ahora bien la ecuación B T X = 1 se transforma en 1 1 1  y  = 1, de donde obtenemos
z
la ecuación
x+y+z =1 (1.8)
Juntando las ecuaciones en (1.7) con la ecuación (1.8) el sistema a resolver es:


 6x − 3y − 4z = 0


 6x − 9y + 4z = 0

 3y − 4z = 0



x+y+z = 1
Aplicando en método de Gauss Jordán se obtiene que r(A) = r(Ab ) = 3 y la solución es

4 4 3
x= , y= , z= .
11 11 11

R
R
EJEMPLO 1.96. Resolver el sistema X T A = X T , donde:

 
2 2 1 3
 2 5 2 6 
A=  −1
 , X es una matriz columna.
−3 −1 −5 
3 8 5 14
SOLUCIÓN.- Sacando transpuesta a ambos lados de la ecuación X T A = X T se sigue que

T T
XT A = XT esto es AT X = X, transponiendo términos, AT X − X = 0, obtenemos una
ecuación lineal homogéneo (AT − I)X = 0. Aquı́ el número de incógnitas del sistema lineal es
n = 4.
❃ El sistema a resolver es (AT − I)X = 0
❄ La matriz de coeficientes AT − I es dado por

     
2 2 −1 3 1 0 0 0 1 2 −1 3
 2 5 
−3 8   0 1 0  
0   2 4 −3 8 
AT − I = 
 1 − = 
2 −1 5   0 0 1 0   1 2 −2 5 
3 6 −5 14 0 0 0 1 3 6 −5 13
−2f1 + f2
   
1 2 −1 3 f1 + f3 1 2 −1 3
 2 4 −3 8  −3f1 + f4  0 0 −1 2 
  ←→  
 1 2 −2 5   0 0 −1 2 
3 6 −5 13 0 0 −2 4
   
−f2 + f3 1 2 −1 3 1 2 −1 3
−2f2 + f4  0 0 −1 2  −f2  0 0 1 −2 
←→   ←→  
 0 0 0 0   0 0 0 0 
0 0 0 0 0 0 0 0
 
1 2 0 1
f2 + f1  0 0 1 −2 
←→  
 0 0 0 0 
0 0 0 0
❆ Aplicar el Corolario 1.1. Como r(AT − I) = 2 < 4. El sistema tiene infinitas soluciones y el
número de variables libres es n − r = 4 − 2 = 2. Calculemos estas soluciones infinitas:
R
R

ciones
x1 + x2 + x4 = 0
x3 − 2x4 = 0
Sean las variables libres x2 y x4 . Entonces haciendo x2 = t y x4 = s con t, s ∈ R. Ahora

despejemos x1 y x3 en función de t y de s.

x1 + t + s = 0 x1 = −t − s
x3 − 2s = 0 x3 = 2s

           
x1 −t − s −t −s −1 −1
 x2   t   
t   0   1   0 
X = =
 x3   2s  = 
  +  = t  
 0 +s 2

0   2s  
x4 s 0 s 0 1

R
CAPÍTULO 2
La matriz Inversa
2.1. Matrices Invertibles

Es de todos sabido que nuestra vida diaria contemporánea requiere de una cantidad de conocimien-
tos matemáticos cada vez más importantes, sin los cuales carece, virtualmente, de significado.
El objeto de este capı́tulo es el desarrollo y estudio de un tema básico de álgebra lineal como es
el cálculo de la matriz inversa y algunas aplicaciones de ésta a modelos matemáticos. El cálculo
de la matriz inversa es una herramienta necesaria para resolver sistemas de ecuaciones lineales y
ecuaciones matriciales.
DEFINICIÓN 2.1. Se dice que una matriz cuadrada A es invertible (o no singular o regular),
si existe una matriz B con la propiedad de que AB = BA = I siendo I la matriz identidad. La
matriz B se llama inversa de A y se denota por A−1 .
De la definición, si A−1 existe se tiene que AA−1 = A−1 A = I. Una matriz se dice que es inversible
si posee inversa. En caso contrario, se dice que es singular.

2 5 3 −5
EJEMPLO 2.1. Supongamos que A = yB= . Entonces
1 3 −1 2

2 5 3 −5 6 − 5 −10 + 10 1 0
AB = = = =I
1 3 −1 2 3 − 3 −5 + 6 0 1
y
3 −5 2 5 6 − 5 15 − 15 1 0
BA = = = =I
−1 2 1 3 −2 + 2 −5 + 6 0 1
Puesto que AB = BA = I, A y B son inversibles, siendo cada una la inversa de la otra.
77
R
PROPOSICIÓN 2.1. Si existe una inversa de A en Mn ella es única.

DEMOSTRACIÓN. Sean B y H dos inversas de A, entonces
B = BI = B(AH) = (BA)H = IH = H.
Ası́ obtenemos que B = H luego la inversa es única.
PROPOSICIÓN 2.2. Dada A en Mn . Si existe B en Mn tal que AB = In entonces BA = In .
La demostración de esta proposición se verá más adelante. De acuerdo a esto para determinar A−1
basta resolver una de las ecuaciones AX = In ó XA = In .

a 0
Observación. No toda matriz de orden n tiene inversa. Por ejemplo para n = 2 y A = .
c 0
x z
Supongamos que B = es la inversa de A, tenemos que BA = In , pero
y t

x z a 0 xa + zc 0
=
y t c 0 ya + tc 0
luego BA 6= In para toda matriz B.

Más adelante en Mn se demuestra: Si una matriz de orden n tiene una fila o columna nula, entonces
ella no tiene inversa.

0 1 −1 3 −1
EJEMPLO 2.2. Si A = . Verifique que A =
−1 3 1 0
SOLUCIÓN.-

0 1 3 −1 3·0+1·1 (−1) · 0 + 0 · 1 1 0
= =
−1 3 1 0 3 · (−1) + 3 · 1 (−1) · (−1) + 3 · 0 0 1

   
0 1 2 −3 5 6
EJEMPLO 2.3. Si A = −1 3 0. Verifique que A−1 = −1 2 2  y resuelva la
    1 −2 1 1 −1 −1
x b1
ecuación A y  = b2  para b1 , b2 , b3 en R
z b3
SOLUCIÓN.- A−1 es inversa de A si sólo si AA−1 = A−1 A = In ,
R
R
  
−3 5 6 0 1 2
AA−1 =  −1 2 2   −1 3 0
1 −1 −1 1 −2 1
 
−5 + 6 −3 + 5 − 12 −6 + 6
= −2 + 2 −1 + 6 − 4 −2 + 2
 1−1  1−3+2 2−1
1 0 0
=  0 1 0
0 0 1
por lo tanto A−1 es inversa de A. Ahora premultiplicamos por A−1 la ecuación

   
x b1
−1   −1  
A A y =A b2
z b3
Ası́ obtenemos    
x b1
A y = b2 
  
z b3
y luego asociando e igualando A−1 A = I, tenemos que
    
x −3 5 6 b1
y  = −1 2 2  b2 
z 1 −1 −1 b3
por lo tanto
x = −3b1 + 5b2 + 6b3
y = −b1 + 2b2 + 2b3
z = b1 − b2 − b3
En el siguiente teorema se establecen algunas propiedades de la inversa de una matriz

TEOREMA 2.1. Si A, B ∈ Mn×n son matrices invertibles y si α es un número no nulo, entonces:
−1 −1 n
1. La matriz A−1 es invertible y A−1 = A. Además An es invertible y An = A−1
para n = 0, 1, 2, ...
2. La matriz AB es invertible y (AB)−1 = B −1 A−1 .
3. La matriz αA es invertible y (αA)1 = α−1 A−1
−1 T
4. La matriz AT es invertible y AT = A−1 .
5. Si A−1 existe, entonces AB = AC implica que A = C
R
R
DEMOSTRACIÓN.
1. Sabemos que
AA−1 = A−1 A = I
por lo tanto, la inversa de A−1 es A, y también la inversa de A−1 es (A−1 )1 , y como ella es
única tenemos, (A−1 )1 = A
2. Como A y B son regulares entonces existen A−1 , B −1 . Ası́,
(AB)B −1 A−1 = A(BB −1 )A−1 = AA−1 = I
y análogamente B −1 A−1 (AB) = I, por unicidad de la inversa se tiene
(AB)−1 = B −1 A−1 .

Observación. Note que si A, B, C son matrices regulares, entonces

(ABC)−1 = C −1 B −1 A−1
EJEMPLO 2.4. Con un ejemplo verificar que se cumple (AB)−1 = B −1 A−1

1 2 3 2 7 6
SOLUCIÓN.- Sean las matrices: A = yB= . Entonces AB = .
13 2 2 9 8
3 −2 1 −1
Si se aplica el resultado anterior: A−1 = , B −1 = y (AB)−1 =
−11 −1 3/2
4 −3 1 −1 3 −2 4 −3
. También, B −1 A−1 =
−9/2 7/2 −1 3/2 −1 1 −9/2 1/2
Por consiguiente, se cumple que (AB)−1 = B −1 A−1 , como se afirma en la propiedad enunciada.
−1 −1 n
EJEMPLO 2.5. Con un ejemplo verificar que se cumple A−1 = A, An = A−1 y
1
(kA)−1 = A−1 .
k

−1 1 2
SOLUCIÓN.- Sean A y A como las matrices del ejemplo anterior; es decir, A = y
1 3
−1 3 −2
A = . Entones
−1 1
−1

−1 −1 3 −2 1 2
☞ A = = =A
−1 1 1 3

1 2 1 2 1 2 11 30 −1 41 −30
☞ A3 = = . Ası́ A3 = . Por otro
1 3 1 3 1 3 15 41 −15 41

3 3 −2 3 −2 3 −2 41 −30
lado A−1 = A−3 = = .
−1 1 −1 1 −1 1 −15 41
R
R

3 6 −1 1 −2/3 1 3 −2
☞ Finalmente 3A = , entonces (3A) = = =
3 9 −1/3 1/3 3 −1 1
1 −1
A . Con lo que quedan verificadas dichas propiedades.
3

−1 T
EJEMPLO 2.6. Con un ejemplo verificar que se cumple AT = A−1

−5 −3 T −5 2
SOLUCIÓN.- Sean las matrices: A = yA = . Al aplicar la propiedad
2 1 −3
1
1 3 −1 1 −2
anterior, se obtiene: A−1 = y AT = . Como garantiza la propiedad
−2 −5 3 −5
anterior, estas matrices la satisfacen.

a b
EJEMPLO 2.7. Dada la matriz A = en M2 . Determinar la matriz inversa de A, si ésta
c d
existe.

x y −1
SOLUCIÓN.- Supongamos que A = calculemos las constantes x, y, z, w
z w

a b x y 1 0
=
c d z w 0 1
por igualdad de matrices tenemos el siguiente sistema:
1)ax + bz = 1
2)cx + dz = 0
3)ay + bw = 0
4)cy + dw = 1
Consideremos los sistemas

1)ax + bz = 1 3)ay + bw = 0
(I) (II)
2)cx + dz = 0 4)cy + dw = 1
En (I) Multiplicamos la ecuación 1) por c y la ecuación 2) por a y finalmente restando a la ecuación

2) la ecuación 1) obtenemos
adz − cbz = −c
(ad − cb)z = −c
Repitiendo el proceso tenemos que multiplicar la ecuación 1) por d y la ecuación 2) por b y
realizando la diferencia se tiene,
(ad − cb)x = d
R
R
En (II) procediendo de manera análoga obtenemos
(ad − cb)y = −b
(ad − cb)w = a
Si ad − bc = 0, la matriz original es nula, luego no tiene inversa. Ası́ ad − bc 6= 0 y podemos
concluir
x y 1 d −b
=
z w ad − bc −c a
de otra manera −1
a b 1 d −b
=
c d ad − bc −c a
El ejercicio permite determinar una condición necesaria y suficiente para que una matriz de orden
2 sea invertible. Lamentablemente el método empleado para matrices de orden n mayor que 2 no
es eficiente, ya que tenemos que resolver n sistemas lineales con n ecuaciones y n incógnitas. Es-
tudiamos a continuación ciertas operaciones realizables a las matrices, semejantes a las empleadas
para resolver el sistema de ecuaciones lineales anterior.
DEFINICIÓN 2.2 (Operaciones y matrices elementales). Dada una matriz A, cada una
de las siguientes operaciones es llamada una operación elemental en las filas (columnas) de A.
(i) El intercambio de dos filas (columnas) de A.

(ii) La multiplicación de los elementos de una fila (columna) de A por un escalar no nulo.
(iii) Reemplazar una fila (columna) de A, por la suma de ella y un múltiplo escalar no nulo de
otra fila (columna) de dicha matriz.
Una matriz elemental por filas (columnas) es aquella que resulta de efectuar una operación ele-
mental sobre las filas (columnas) de una matriz identidad.
TEOREMA 2.2. 1. Cada matriz elemental es invertible. Además, la inversa de cada matriz
elemental es una matriz elemental.
2. Sea A una matriz m × n. Si B es una matriz que resulta al efectuar una operación elemental
sobre las filas de A y si E es la matriz elemental que resulta de efectuar la misma operación
elemental sobre las filas de la matriz idéntica Im , entonces E · A = B.
3. Sea A una matriz m × n. Si B es una matriz que resulta al efectuar una operación elemental
sobre las columnas de A y si E es la matriz elemental que resulta de efectuar la misma
operación elemental sobre las columnas de la matriz idéntica In , entonces A · E = B.
DEMOSTRACIÓN.
DEFINICIÓN 2.3 (Forma escalonada reducida). Se dice que una matriz R tiene la forma
escalonada reducida, si satisface las siguientes condiciones:
R
R
(i) Si una fila de R es no nula, el primer elemento no nulo de dicha fila, de izquierda a derecha,
es 1.
(ii) Si las filas i e i + 1 de R son no nulas, el primer elemento no nulo de la fila i + 1 está a la
derecha del primer elemento no nulo de la fila i.
(iii) Si una columna de R contiene el primer elemento no nulo de una fila de R, los demás
elementos de dicha columna son nulos.
(iv) Si R tiene filas nulas, éstas aparecen en la parte inferior de R.
El siguiente teorema nos relaciona los conceptos de matrices elementales y forma escalonada
reducida para una matriz arbitraria.
TEOREMA 2.3. Para toda matriz A existen: una única matriz R que tiene la forma escalonada
reducida y un número finito de matrices elementales por filas E1 , E2 , ..., Ek tales que:
Ek · · · E2 E1 · A = R.
La matriz R mencionada en el teorema anterior se denomina la forma escalonada reducida de A.

TEOREMA 2.4. Sea A una matriz cuadrada de orden n.
1. A es invertible sii la forma escalonada reducida de A es In .

2. A es invertible sii A se puede expresar como el producto de un número finito de matrices
elementales.
Los dos últimos teoremas dan lugar a un método para decidir cuándo una matriz cuadrada A es
invertible, y simultáneamente proveen un algoritmo para calcular su inversa.
El método consiste en lo siguiente: Forme la matriz [A|In ]. Seguidamente efectúe operaciones
elementales sobre la filas de esta matriz hasta obtener su forma escalonada reducida; al final se
obtiene una matriz que describiremos ası́ [R|P ]; donde R es la forma escalonada reducida de A.
Ahora: A es invertible sii R = In . Si A es invertible entonces A−1 = P .
2.2. Método de Escalonamiento de Gauss

Veamos un método que a priori no nos garantiza que la matriz en cuestión sea inversible, sin
embargo, en caso de que se pueda aplicar, nos dará la inversa sin hacer operaciones demasiado
complicadas. Si la matriz no se puede invertir, llegaremos a una situación que nos lo indicará.
El cálculo de la matriz inversa por el método de Gauss supone transformar una matriz en otra,
equivalente por filas. La demostración rigurosa del procedimiento que a continuación se describe
se sale del propósito del presente capı́tulo, aquı́ se limita a su exposición y comprobación de que
efectivamente se obtiene la matriz inversa.
En esencia, el método consiste, para una matriz cuadrada de orden n, en:
R
R
① Formar una matriz [A|I] de orden n × 2n tal que las primeras columnas sean las de la matriz
A y las otras n las de la matriz identidad de orden n.
② Mediante las transformaciones elementales de las filas de una matriz, convertir la matriz
anterior en otra que tenga en las n primeras columnas la matriz identidad y en las n últimas
otra matriz que prescisamente será A−1 , esto es [I|A−1 ].
El método consiste, pues, en colocar juntas la matriz a invertir, y la matriz identidad.

transf ormaciones elementales
[A|I] ⇐⇒ [I|A−1 ]
Por medio de transformaciones elementales, vamos modificando nuestra matriz hasta obtener la
matriz identidad. Cada paso que apliquemos a la matriz se lo aplicaremos a la matriz identidad.
Cuando hayamos obtenido la matriz identidad, la de la derecha será la inversa. Si no podemos
llegar a la matriz identidad (por ejemplo, sale alguna fila de ceros), significa que la matriz no
será inversible. Vamos a ver dos ejemplos, uno en el que se puede obtener la inversa y otro en
el que la matriz no es inversible. Ojo a lo siguiente, pues es muy importante: hemos de decidir
si haremos nuestras transformaciones elementales por filas o por columnas, pues la forma que
elijamos debe mantenerse a lo largo de todo el proceso de inversión de la matriz.
Los objetivos de las operaciones elementales realizadas son: Para cada i = 1, 2, ..., n fijo,
☞ Primero, hacer que aii sea igual a 1
☞ Segundo, hacer que el resto de las entradas de columna i sean ceros.

EJEMPLO 2.8. Ver si es inversible o no y calcular (si se puede) la inversa de la siguiente matriz.
 
2 3 4
 4 3 2 
0 1 0
SOLUCIÓN.- Planteamos, como hemos dicho, las dos matrices:

 
2 3 4 1 0 0
 4 3 2 0 1 0 
0 1 0 0 0 1
En primer lugar, por simplicidad en las operaciones, vamos a intercambiar las filas 2 y 3:
 
2 3 4 1 0 0
 0 1 0 0 0 1 
4 3 2 0 1 0
Ahora, multiplicamos por 1/2 a la fila 1, “1/2f1 ”:

R
R
 
1 3/2 2 1/2 0 0
 0 1 0 0 0 1 
4 3 2 0 1 0
Multiplicados por −4 a los elementos de la fila 1 y sumamos los resultados a los correspondientes
elementos de la fila 3, esto es “−4f1 + f3 ”, y dejamos el resto igual:
 
1 3/2 2 1/2 0 0
 0 1 0 0 0 1 
0 −3 −6 −2 1 0
Ahora, multiplicados por 3 a los elementos de la fila 2 y sumamos los resultados a los correspondi-
entes elementos de la fila 3, esto es “3f2 + f3 ” y luego multiplicados por −3/2 a los elementos de la
fila 2 y sumamos los resultados a los correspondientes elementos de la fila 1, esto es “−3/2f2 + f1 ”.
 
1 0 2 1/2 0 −3/2
 0 1 0 0 0 1 
0 0 −6 −2 1 3
Ahora, multiplicamos por −1/6 a la fila 3, “−1/6f3 ”:

 
1 0 2 1/2 0 −3/2
 0 1 0 0 0 1 
0 0 1 1/3 −1/6 −1/2
Y, por último, hacemos la operación “−2f3 + f1 ”

 
1 0 0 −1/6 1/3 −1/2
 0 1 0 0 0 1 
0 0 1 1/3 −1/6 −1/2
Con lo que la inversa es:

 
−1/6 1/3 −1/2
 0 0 1 
1/3 −1/6 −1/2
Comprobémoslo:
    
2 3 4 −1/6 1/3 −1/2 1 0 0
 4 3 2  0 0 1 = 0 1 0 
0 1 0 1/3 −1/6 −1/2 0 0 1
R
R
    
−1/6 1/3 −1/2 2 3 4 1 0 0
 0 0 1  4 3 2  =  0 1 0 
1/3 −1/6 −1/2 0 1 0 0 0 1
EJEMPLO 2.9. Ver si es inversible y calcular (si es posible) la inversa de la matriz:

 
1 3 2
 −2 1 3 
3 2 −1
SOLUCIÓN.- De nuevo, planteamos las dos matrices:

 
1 3 2 1 0 0
 −2 1 3 0 1 0 
3 2 −1 0 0 1
Multiplicados por 2 a los elementos de la fila 1 y sumamos los resultados a los correspondientes
elementos de la fila 2, esto es “2f1 + f2 ”, y luego multiplicados por −3 a los elementos de la fila 2
y sumamos los resultados a los correspondientes elementos de la fila 3, esto es “−3f2 + f3 ”:
 
1 3 2 1 0 0
 0 7 7 2 1 0 
0 −7 −7 −3 0 1
Ahora, multiplicados por 1 a los elementos de la fila 2 y sumamos los resultados a los correspon-
dientes elementos de la fila 3, esto es “f2 + f3 ”:
 
1 3 2 1 0 0
 0 7 7 2 1 0 
0 0 0 −1 1 1
Por mucho que queramos, al habernos aparecido una fila de ceros, ya no podremos obtener la
matriz identidad. En cuanto nos sale una fila, o más (o columna/s, si es que trabajamos por
columnas) de ceros, lo que nos está diciendo es que la matriz no es invertible.
EJEMPLO 2.10. Encontrar la inversa de

 
1 0 2
A =  2 −1 3 
4 1 8
R
R
SOLUCIÓN.- Primero construimos la matriz (A|I),

   
1 0 2 1 0 0 1 0 2 1 0 0
 2 −1 3 0 1 0  ⇐⇒  0 −1 −1 −2 1 0  −2f1 + f2
−4f1 + f3
4 1 8 0 0 1 0 1 0 −4 0 1
 
1 0 2 1 0 0
⇐⇒  0 1 0 −4 0 1  f23
0 −1 −1 −2 1 0
 
1 0 2 1 0 0
⇐⇒  0 1 0 −4 0 1  f2 + f3
0 0 −1 −6 1 1
 
1 0 2 1 0 0
⇐⇒  0 1 0 −4 0 1  −1f3
0 0 1 6 −1 −1
 
1 0 0 −11 2 2
⇐⇒  0 1 0 −4 0 1  −2f3 + f1
0 0 1 6 −1 −1
Por lo tanto, la inversa es:  

−11 2 2
A−1 =  −4 0 1 
6 −1 −1
EJEMPLO 2.11. Invertir la matriz

 
1 −6 2
A =  2 −2 −1 
1 −3 −5
SOLUCIÓN.- Auméntese la matriz de coeficientes con una matriz identidad
R
R
   
1 −6 2 1 0 0 1 −6 2 1 0 0
 2 −2 −1 0 1 0  ⇐⇒  0 −10 −5 −1 1 0  −2f1 + f2
−1f1 + f3
1 −3 −5 0 0 1 0 3 −7 −1 0 1
 
1 −6 2 1 0 0
 1 1 1  1
⇐⇒  0 1 2 10
− 10 0  − 10 f1 + f2
0 3 −7 −1 0 1
 
1 0 −1 − 15 3
5
0
 1 1 1  −3f2 + f3
⇐⇒  0 1 2 10
− 10 0 
6f2 + f1
0 0 − 112
− 25 − 10 3
1
 
1 0 −1 − 51 3
5
0
 1 1 1  2
⇐⇒  0 1 2 10
− 10 0  − 11 f3
4 6 2
0 0 1 55 110
− 11
 7 36 2 
1 0 0 − 55 55
− 11
 9 7 1  − 21 f3 + f2
⇐⇒  0 1 0 − 55 55
− 11 
f3 + f1
4 3 2
0 0 1 55 55
− 11
Por lo tanto, la inversa es:

 7 36 2 
− −
 55 55 11 
 
 9 7 1 
A−1 = − − 
 55 55 11 
 
4 3 2
−
55 55 11
EJEMPLO 2.12. Por el método de Gauss-Jordan, hallar las matrices inversas

   
  1 0 1 5 2 6 6 0
1 3 2  7 1 4 2   1 3 4 1 
(a)  2 7 8  (b) 
 6 2 2 9 
 (c) 
 3 9 7 1


3 11 15
3 1 1 5 2 6 3 0
SOLUCIÓN.-
Una ecuación matricial es aquélla en la que sus coeficientes e incógnitas son matrices. Para re-
solverlas es necesario despejar la incógnita, tal como si de una ecuación con números reales se
tratara. El “problema” aparece cuando la incógnita está multiplicada por otra matriz y, como
ya es sabido, no es posible “dividir” matrices. En ese caso hay que recurrir a la matriz inversa.
Veamos un ejemplo aclaratorio de ello:
R
R

1 0
EJEMPLO 2.13. Resolver la ecuación matricial siguiente: 2A = AX +B donde : A =
−1 1

−1 2
yA=
−1 1
SOLUCIÓN.- Despejamos y queda:

1 0 −1 2 2+1 −2 3 −2
AX = 2A − B = 2 − = =
−1 1 −1 1 −1 + 3 2 − 1 1 1

3 −2
Por tanto AX =
1 1
Si calculamos la inversa de A y la multiplicamos por la izquierda (cabe recordar que el pro-
ducto de matrices no es conmutativo), a ambos
lados de la igualdad, obtenemosla matriz X
1 0 3 −2
(puesto que A−1 A = I): Como A−1 = , se tiene que X = A−1 AX = A−1 =
1 1 1 1
1 0 3 −2 3 −2
=
1 1 1 1 4 −1

2 3 1 2 1 2
EJEMPLO 2.14. Resolver la ecuación matricial: ·X · =
5 8 4 7 3 4
SOLUCIÓN.-

9 8 1 −2 0 1
EJEMPLO 2.15. Hallar la matriz A tal que: ·A =
3 4 4 1 3 2
SOLUCIÓN.-

1 2
EJEMPLO 2.16. Si y A2 X = AT , hallar X.
3 5
SOLUCIÓN.-
EJEMPLO 2.17. Hallar la matriz inversa A−1 si existe, siendo

 
0 1 −1
2 1 0
A =  0 −1 1 
0 1 1
2 0 1
SOLUCIÓN.-
R
R
EJEMPLO 2.18. Resolver la ecuaciones matricialmente

       
5 3 1 −8 3 0 1 2 −3 1 −2 0
(a) X  1 −3 −2  =  −5 9 0  (b)  3 2 −4  X =  10 2 7 
−5 2 1 −2 15 0 2 −1 0 10 7 8
SOLUCIÓN.-
 
1 3 −2
EJEMPLO 2.19. Hallar la matriz B tal que ABA = A, donde A =  2 8 −3 
1 7 1
SOLUCIÓN.-

2 −1 7 6
EJEMPLO 2.20. Si y , hallar las matrices C y D tales que: AC = B y
−2 3 9 8
DA = B.
SOLUCIÓN.-
Para resolver muchos problemas matemáticos es necesario plantear un sistema de ecuaciones lin-
eales. Existen diversos métodos para resolverlos (recordemos los conocidos métodos de igualación,
substitución e igualación). Pero, si dichos sistemas están formados por gran cantidad de ecuaciones
e incógnitas, el aplicar los métodos anteriores resulta ser una tarea sumamente dificultosa y que,
muy probablemente, conducirá a resultados erróneos.
Para solventar este problema, los sistemas de ecuaciones lineales se pueden plantear matricialmente
y resolverlos haciendo uso de la matriz inversa. Consideremos el sistema AX = B, donde A es la
matriz de los coeficientes, B es la matriz de los términos independientes y x es la matriz de las
incógnitas. Para ello hay que hallar la inversa de la matriz de coeficientes y multiplicarla por la
de términos independientes.
❃ Fijémonos que se parte de que AX = B

❄ Multiplicamos a la izquierda por A−1 y se tiene A−1 AX = A−1 B
❅ Como A−1 A = I, entonces queda que X = A−1 B
Veamos a continuación unos ejemplos de esto:

EJEMPLO 2.21. Resolver el sistema dado por la matriz inversa estableciendo la ecuación ma-
tricial: AX = B.
2x + y − 3z = −2 3x − y − 2z = 4
(a) x − 2y − 4z = 4 (b) 2x + y + 4z = 2
3x + 4y − 5z = −1 7x − 2y − z = 4
R
R
SOLUCIÓN.-
EJEMPLO 2.22. En un consejo municipal del ayuntamiento de una ciudad se decide comprar
2 impresoras, 5 ordenadores y 3 escáners. Para determinar el costo de los artı́culos se sabe que 1
impresora más 4 ordenadores más 3 escáners valen 2600 euros, 2 impresoras más 5 ordenadores
más 4 escáners valen 3500 euros y 1 impresora más 3 ordendores más 2 escáners valen 2000 euros.
¿Cuál es el coste total de los artı́culos?
SOLUCIÓN.- Para resolver este problema, se determina el coste por unidad de cada uno de los
útiles: impresora, escáner y ordenador. De acuerdo a los datos proporcionados, se puede construir
el siguiente sistema de ecuaciones:
x Precio de una impresora

y Precio de un ordenador
z Precio de un escáner
x + 4y + 3z = 2600
2x + 5y + 4z = 3500
x + 3y + 2z = 2000
Se resuelve este sistema de forma matricial:

    
1 4 3 x 2600
 2 5 4   y  =  3500 
1 3 2 z 2000
O bien: AX = B, donde:
     
1 4 3 x 2600
A= 2 5 4  x= y  B =  3500 
1 3 2 z 2000
Se realiza este cálculo mediante el software Mathematica

   −1    
x 1 4 3 2600 300
 y  =  2 5 4   3500  =  500 
z 1 3 2 2000 100
Este resultado nos indica que el x = 300, y = 500 y z = 100. Por tanto, el precio de una impresora,
un ordenador y un escáner es 300 euros, 500 euros y 100 euros, respectivamente. Y el coste total
de los artı́culos a comprar asciende a:
2 · 300 + 5 · 500 + 3 · 100 = 3400 euros

R
R
EJEMPLO 2.23. Un viajero por Europa gastó en hospedaje 30 euros al dı́a en Italia, 20 euros
en Francia y 20 en España. En alimentos gastó 20 euros al dı́a en Italia, 30 euros en Francia y 20
en España. En copas gastó 10 euros diarios en cada paı́s. Si al final del viaje habı́a gastado 340
euros en hospedaje, 320 en alimentos y 140 en copas, calcular el número de dı́as que estuvo en
cada paı́s.
SOLUCIÓN.- Sean x, y, z el número de dı́as pasados, respectivamente, en Italia, Francia y

España. Los gastos de hospedaje han sido 30x+20y+20z, los de alimentos han sido 20x+30y+20z,
y los de copas han sido 10x + 10y + 10z. Por tanto tenemos el sistema:
30x + 20y + 20z = 340

20x + 30y + 20z = 320
10x + 10y + 10z = 140
El número de incógnitas del sistema lineal es n = 3.

    
30 20 20 x 340
 20 30 20   y  =  320 
10 10 10 z 140
 
30 20 20
❄ Hallando el determinante de la matriz de coeficientes A =  20 30 20 
10 10 10

30 20 20 10 10 10 10 10 10

|A| = 20 30 20 = − 20 30 20 = − 0 10 0 = 1000
10 10 10 30 20 20 0 −10 −10
Recordemos el siguiente resultado.
|A| =
6 0 entonces, el sistema tiene una única
solución.
Por lo tanto nuestro sistema de ecuaciones tiene solución única. Para encontrar la solución
hallamos la matriz inversa A−1 .
❅ Calculemos la matriz inversa A−1 por el método de Gauss. Para esto construimos la matriz
(A|I),
R
R
   
30 20 20 1 0 0 10 10 10 0 0 1
 20 30 20 0 1 0  ⇐⇒  20 30 20 0 1 0  f13
10 10 10 0 0 1 30 20 20 1 0 0
 
10 10 10 0 0 1
−2f1 + f2
⇐⇒  0 10 0 0 1 −2 
−3f1 + f3
0 −10 −10 1 0 −3
 
10 0 10 0 −1 3
f2 + f3
⇐⇒  0 10 0 0 1 −2 
−f2 + f1
0 0 −10 1 1 −5
 
10 0 0 1 0 −2
⇐⇒  0 10 0 0 1 −2  f3 + f1
0 0 −10 1 1 −5
 
1 0 0 1/10 0 −1/5 1/10f1
⇐⇒  0 1 0 0 1/10 −1/5  1/10f2
0 0 1 −1/10 −1/10 1/2 −1/10f3

 
1/10 0 −1/5
A−1 = 0 1/10 −1/5 
−1/10 −1/10 1/2
❆       
x 1/10 0 −1/5 340 6
 y  = A−1 b =  0 1/10 −1/5   320  =  4 
z −1/10 −1/10 1/2 140 4
Este resultado nos indica que el x = 6, y = 4 y z = 4. Por tanto, el viajero estuvo 6 dı́as en
Italia, 4 dı́as en Francia y 4 dı́as en España.

EJEMPLO 2.24. Con un capital de 84000 $, cuatro socios han ganado 27195 $. Los capitales
invertidos por el primer y segundo socio están en la relación tres a cuatro, las del segundo y tercero
en la relación seis a siete y las del tercer socio respecto del cuatro en la relación cinco a seis. Hallar
el capital y la ganancia correspondiente a cada socio.
SOLUCIÓN.- Eligiendo las incógnitas
x aporte del primer socio

y aporte del segundo socio
z aporte del tercero socio
w aporte del cuarto socio
R
R
Planteando el sistema


 x + y + z + w = 84000 

  x + y + z + w = 84000

 3 


 x = y 
 3

 4 
 x − y = 0
4
6 6

 y = z 
 y − z = 0

 7 
 7

 
 5

 5  z − w = 0

 z = w 6
6
Este sistema escrito de forma matricial, equivale a

 
1 1 1 1    
 3  x 84000
 1 − 0 0 
 4  y   
 6  = 0 
 0 1 − 0  z   0 
 7 
 5  w 0
0 0 1 −
6
Auméntese la matriz de coeficientes con una matriz identidad

 
11 1 1 1 0 0 0
 3 
 1 − 0 0 0 1 0 0 
 4 
 
 0 1 −6 0 0 0 1 0 
 7 
 5 
0 0 1 − 0 0 0 1
6
 
1 11 1 1 0 0 0
 7 
 0 − −1 −1 −1 1 0 0 
 4 

⇐⇒  6  −f1 + f2
 0 1 −7 0 0 0 1 0 

 5 
0 0 1 − 0 0 0 1
6
 
1 1 1 1 1 0 0 0
 
 0 1 −6 0 0 0 1 0 
 
 7 
⇐⇒ 
 7 
 f23
 0 − −1 −1 −1 1 0 0 
 4 
 
5
0 0 1 − 0 0 0 1
6
R
R
 
13
 1 0 7 1 1 0 −1 0 
 
 6 
 0 1 − 0 0 0 1 0  7
 7  f2 + f3
⇐⇒ 


 4
 0 0 − 5 7 
 −1 −1 1 0  −f2 + f1
 2 4 
 5 
0 0 1 − 0 0 0 1
6
 
13
 1 0 7 1 1 0 −1 0 
 
 6 
 0 1 − 0 0 0 1 0 
 7 
⇐⇒ 


 f34
 0 0 1 − 5 
 0 0 0 1 
 6 
 5 7 
0 0 − −1 −1 1 0
2 4
 
107 13
 1 0 0 42 1 0 −1 −
 7  5
  f3 + f4
 0 1 0 − 5 6  2
 0 0 1 
 7 7  6
⇐⇒   f3 + f2
 0 0 1 − 5  7
 0 0 0 1 
 6  13
 − f3 + f1
37 7 5  7
0 0 0 − −1 1
12 4 2
 
107 13
 1 0 0 42 1 0 −1 − 
 7 
 
 0 1 0 −5 0 0 1
6 
 7 7  12
⇐⇒ 


 − f4
 0 0 1 − 5  37
 0 0 0 1 
 6 
 12 12 21 30 
0 0 0 1 − − −
37 37 37 37
 
45 214 33 54
 1 0 0 0
259 259 74 259  5
  f4 + f3
 60 60 22 72  6
 0 1 0 0 − 
 259 259 74 259  5
  f4 + f2
 10 10 35 12  7
 0 0 1 0 − − 
 37 37 74 37  107
  − f4 + f1
 12 12 21 30  42
0 0 0 1 − − −
37 37 37 37
R
R

 
45 214 33 54
 259 259 74 259 
 
 60 60 22 72 
 − 
 259 259 74 259 
A−1 =



 10 10 35 12 
 − − 
 37 37 74 37 
 12 12 21 30 
− − −
37 37 37 37
Por tanto
 
45 214 33 54
 259 259 74 259 
      
x  60 60 22 72  84000 540000/37
 − 
 y   259 259 74 259   0   720000/37 
 =    
 z   10 10 35 12   0  =  840000/37 
 − − 
w  37 37 74 37  0 1008000/37
 
 12 12 21 30 
− − −
37 37 37 37
EJEMPLO 2.25. Una empresa fabrica tres productos. Para ello necesita tres materiales en las
cantidades indicadas en la tabla:
Producto 1 Producto 2 Producto 3

Material 1 2 2 2
Material 2 1 2 0
Material 3 2 1 3
Es decir, se necesitan 2 unidades del material 1 para obtener una unidad del producto 1, etc.
Supongamos que sólo se dispone de 12, 5 y 13 unidades respectivamente de cada material.
(a) Hallar el plan de producción (x, y, z) con el que se agotan las disponibilidades de cada
material.
(b) Si los precios de venta de cada producto son 15, 10 y 9, respectivamente, hallar el plan de
producción con el que se obtenga mayores beneficios.
SOLUCIÓN.- Para resolver el inciso (a) consideremos las siguientes variables
x el número de unidades que se planea producir del producto 1

y el número de unidades que se planea producir del producto 2
z el número de unidades que se planea producir del producto 3
R
R
Cada unidad del producto 1 requiere 2 unidades del material 1, entonces x unidades del producto 1
requerirá 2x unidades del material 1, igualmente, producir y unidades del producto 2 requerirá 2y
unidades del material 1, de mismo modo producir z unidades del producto 3 requerirá 2z unidades
del material 1. Ahora bien, se dispone de 12 unidades del material 1. Luego agorar el material 1
en la producción se traduce en la ecuación 2x + 2y + 2z = 12. Un análisis similar conduce a las
siguientes dos ecuaciones: x+ 2y = 5 y 2x+ y + 3z = 13. Juntando estas tres ecuaciones obtenemos
el siguiente sistema de ecuaciones lineales:
2x + 2y + 2z = 12
x + 2y = 5
x + y + 3z = 13
El número de incógnitas del sistema lineal es n = 3.

    
2 2 2 x 12
 1 2 0  y  =  5 
2 1 3 z 13

   
2 2 2 2 2 2 12
A =  1 2 0 , Ab =  1 2 0 5 
2 1 3 2 1 3 13
Recordemos el siguiente resultado.
|A| =
6 0 si y solo si rango(A) = rango(Ab ) = 3.
Por tanto, el sistema tiene una única solución.
En nuestro caso tenemos:

2 2 2

|A| = 1 2 0 =0

2 1 3
El hecho de que |A| = 0 garantiza que rango(A) < 3. Luego se presentan dos casos posibles
rango(A) = rango(Ab ) < 3 o rango(A) 6= rango(Ab ). Recordemos el siguiente resultado:
☞ Si rango(A) = rango(Ab ) < 3, entonces el sistema tiene infinitas soluciones.

☞ Si rango(A) 6= rango(Ab ), entonces el sistema no tiene soluciones.
Ahora bien, sólo necesitamos calcular los rangos de la matriz de coeficientes A y el de la

matriz aumentada Ab .
R
R

   
2 2 2 12 f12 1 2 0 5
 1 2 0 5  ←→  2 2 2 12 
2 1 3 13 2 1 3 13
−2f1 + f2    
−2f1 + f3 1 2 0 5 −1/2f2 1 2 0 5
←→  0 −2 2 2  ←→  0 1 −1 −1 
0 −3 3 3 0 −3 3 3
 
−3f2 + f3 1 2 0 5
←→  0 1 −1 −1 
0 0 0 0
ciones
x + 2y = 5
y − z = −1
y = z−1=t−1
x = 5 − 2y = 5 − 2(t − 1) = 7 − 2t
           
x 7 − 2t 7 −2t 7 −2
 y  =  t − 1  =  −1  +  t  =  −1  + t  1 
z t 0 t 0 1
❇ Las condiciones necesarias para que haya producción es que x > 0, y > 0 y z > 0, esto es:
7 − 2z > 0, z − 1 > 0, z>0

7
De aquı́ se obtiene que 1 < z < . Por tanto z que es un número entero puede valer 2 o 3.
2
Si z = 2, serán x = 3 y y = 1 y los ingresos serán (15)(3) + (10)(1) + (9)(2) = 73.
Si z = 3, serán x = 1 y y = 2 y los ingresos serán (15)(1) + (10)(2) + (9)(3) = 62.
Por tanto el mayor ingreso sale si z = 2.

R
R
2.3. Método de Leontief

Un modelo que se usa en Economı́a es el modelo de entradas y salidas de Leontief (Pre-
mio Novel de Economı́a en 1973). Supongamos que un sistema económico tiene n industrias y
cada industria tiene dos tipos de demanda: externa (procedente de fuera del sistema) e interna
(procedente del mismo sistema). Se utiliza la siguiente notación:
e1 demanda externa ejercida sobre la industria 1

e2 demanda externa ejercida sobre la industria 2
..
.
en demanda externa ejercida sobre la industria n
Se considera la matriz A = (aij )1≤i,j≤n siendo:
a11 número de unidades que se le piden a la industria 1 para que

la industria 1 produzca una unidad

..
.


..
.
aij número de unidades que se le piden a la industria i para que

la industria j produzca una unidad
Se denomina xi al número de unidades producidas por la industria i, entonces:
R
R
a11 x1 número de unidades que se le piden a la industria 1 para que

la industria 1 produzca x1 unidades
a12 x2 número de unidades que se le piden a la industria 1 para que

la industria 2 produzca x2 unidades
..
.
a1n xn número de unidades que se le piden a la industria 1 para que

la industria n produzca xn unidades
Entonces es claro que a11 x1 + a12 x2 + · · · + a1n xn + e1 es la demanda total (externa e interna)
sobre la industria 1. Por tanto al igualar la demanda total a al salida de la industria 1 se obtiene:
a11 x1 + a12 x2 + · · · + a1n xn + e1 = x1
Haciendo lo mismo con el resto de industrias obtenemos el sistema:
a11 x1 + a12 x2 + · · · + a1n xn + e1 = x1

a21 x1 + a22 x2 + · · · + a2n xn + e2 = x2
.. (2.1)
.
an1 x1 + an2 x2 + · · · + ann xn + en = xn
A la matriz del sistema A = (aij )1≤i,j≤n se le denomina matriz tecnológica y sus coeficientes aij
se denominan coeficientes técnicos o de producción
EJEMPLO 2.26. Sea un sistema económico con tres industrias A, B y C. La tabla de demandas
internas es:
A B C
A 0.2 0.5 0.15
B 0.4 0.1 0.3
C 0.25 0.5 0.15
mientras que las demandas externas son 10, 25 y 20. Hallar la salida de cada industria para que
la oferta iguale a la demanda.
SOLUCIÓN.- El número 0.25, por ejemplo, es el número de unidades que se le piden a la

industria C para que la industria A produzca una unidad. Sean x, y, z el número de unidades
producidas por A, B y C. El modelo Leontief es:
0.2x + 0.5y + 0.15z + 10 = x

0.4x + 0.1y + 0.3z + 25 = y
0.25x + 0.5y + 0.15z + 20 = z
R
R
Se deja al lector usar cualquier método y obtener la siguiente solución del sistema:
x = 125.82106, y = 118.74292, z = 110.30578
Por tanto el número de unidades que las industrias A, B y C deben producir para que la oferta
iguale a la demanda debe ser, aproximadamente, de 110, 119 y 126 unidades, resectivamente.
EJEMPLO 2.27. Sea un sistema económico con tres industrias A, B y C. La tabla de demandas
internas y externas (en miles de euros) son:
A B C Demanda externa
A 0.293 0 0 A 13.213
B 0.014 0.207 0.017 B 17.597
C 0.044 0.5 010.216 C 1.786
Obtener el modelo de Leontief y el valor en miles de euros de los productos de A, B y C para

equilibrar la oferta y la demanda.
SOLUCIÓN.- Sean x, y, z los valores respectivos de los productos A, B y C. El modelo Leontief

es:
0.293x + 13.213 = x
0.14x + 0.207y + 0.017z + 17.597 = y
0.044x + 0.010y + 0.216z + 1.786 = z
x = 18.688826, y = 3.6151619, z = 22.597858

EJEMPLO 2.28. Resolver el modelo Leontief, donde las matrices de demandas internas y ex-
ternas son:  1 1 1 
 3 2 6   
  10
 1 1 1 
A=  4 4 8 
 D =  15 
  30
 1 1 1 
12 3 6
SOLUCIÓN.- El modelo Leontief es:
1 1 1
x + y + z + 10 = y
3 2 6
1 1 1
x + y + z + 15 = y
4 4 8
1 1 1
x + y + z + 30 = y
12 3 6
R
R
x = 72.653061, y = 55.102041, z = 65.306122

El Modelo de Leontief (2.1) se puede escribir en la forma:

      
a11 a12 . . . a1n x1 e1 x1
 a21 a22 . . . a2n   x2   e2   x2 
      
 .. .. .. ..   ..  +  .. = .. 
 . . . .  .   .   . 
am1 am2 . . . amn xn en xn
Sean
     
a11 a12 . . . a1n x1 e1
 a21 a22 . . . a2n   x2   e2 
     
A= .. .. .. ..  x= ..  D= .. 
 . . . .   .   . 
an1 an2 . . . ann xn en
Luego es sistema puede escribirse como Ax + D = x, de aquı́ x − Ax = D, esto es
(I − A)x = D
o
(1 − a11 )x1 − a12 x2 − · · · − a1n xn = e1
−a21 x1 + (1 − a22 )x2 − · · · − a2n xn = e2
.. (2.2)
.
−an1 x1 − an2 x2 + · · · + (1 − ann )xn = en
A la matriz de este sistema: I − A, se le denomina matriz de Leontief. Si esta matriz es invertible

entonces existe solución única para el modelo.
EJEMPLO 2.29. Una antena está formada por 3 crucetas, 6 tornillos y 3 barras. A su vez cada
cruceta consta de 1 tornillo y 2 barras. ¿Cuántas antenas, crucetas, tornillos y barras se deben
fabricar para atender a un pedido de 2 antenas, 3 crucetas, 4 tornillos y 5 barras?
SOLUCIÓN.- La tabla siguiente resume la información del enunciado:
Antena Cruceta Tornillo Barra

Antenea 0 0 0 0
Cruceta 3 0 0 0
Tornillo 6 1 0 0
Barra 3 2 0 0
R
R
En cada columna de detalla lo que el correspondiente producto necesita de los demás. La matriz
que se obtiene es la matriz de demanda interna de este producto A, mientras que el pedido
constituye la matriz de demanda externa D:
  

0 0 0 0 2
 3 0 0 0   3 
A=
 6
 D= 
1 0 0   4 
3 2 0 0 5
 
x
 y 
El modelo de Leontief es Ax + D = x, donde x =  
 z  representa la producción necesaria de
w
antenas, crucetas, tornillos y barras . Despejando x obtenemos la solución
 
2
 9 
x = (I − A)−1 D =   25 

29
Es decir, hay que fabricar 2 antenas, 9 crucetas, 25 tornillos y 19 barras.
EJEMPLO 2.30. Una percha está está compuesta de una barra grande, una base y cuatro barras
chicas. La base se une a la barra grande con cuatro tornillos. Las barras chicas se unen a la grande
con 2 tornillos cada una. ¿Cuántas perchas, bases, etc. deben fabricarse para atender un pedido
de 5 perchas, 3 bases y dos barras chicas?.
SOLUCIÓN.- La tabla siguiente resume la información del enunciado:
Percha Barra grande Base Barra chica Tornillo

Percha 0 0 0 0 0
Barra grande 1 0 0 0 0
Base 1 0 0 0 0
Barra chica 4 0 0 0 0
Tornillo 0 0 4 2 0
En cada columna de detalla lo que el correspondiente producto necesita de los demás. La matriz
que se obtiene es la matriz de demanda interna de este producto A, mientras que el pedido
constituye la matriz de demanda externa D:
   
0 0 0 0 0 5
 1 0 0 0 0   0 
   
A=
 1 0 0 0 0 
 D=
 3 

 4 0 0 0 0   2 
0 0 4 2 0 0
R
R
Por tanto la solución x viene dada por

 
5
 5 
 
x = (I − A) D = 
−1
 8 

 22 
76
Es decir, hay que fabricar 5 perchas, 5 barras grandes, 8 bases, 22 barras chicas y 76 tornillos.
R
CAPÍTULO 3
Determinantes
El determinante de una matriz cuadrada es un único número que se asocia a dicha matriz; es
por tanto una función del conjunto de las matrices cuadradas en el conjunto numérico al que
pertenecen los elementos de las matrices. En nuestro caso estos números serán los reales o los
complejos, pero se puede dar sobre conjuntos “numéricos” más generales.
El uso del determinante surgió de las fórmulas que dan las soluciones de sistemas de n ecuaciones
con n incógnitas, luego fue identificado (en el caso 3 por 3) como área de paralelogramo o volumen
de un paralelepı́pedo, hasta extenderse a definiciones más generales que la que nosotros daremos
en este curso (función multilineal alternada).
Más adelante se verá que podemos hablar del determinante de una transformación lineal entre
espacios vectoriales, a la que se puede asociar matrices de una manera sencilla. En particular las
matrices invertibles son las únicas que tienen determinantes distinto de cero. Ası́, una propiedad
tan definitoria de una matriz (su invertibilidad) estará caracterizada por la no nulidad de su
determinante (o sea por el valor de un único número).
3.1. Definición
La definición de determinante de una matriz cuadrada será dada de manera inductiva en el número
de filas (o de columnas). O sea, daremos la definición de determinante de una matriz n × n a partir
del conocimiento de los determinantes de matrices (n−1) ×(n−1). El determinante de una matriz
A se representa con el sı́mbolo |A|; tratándose de una matriz dada por sus coeficientes, en general
no escribiremos los paréntesis con los que en general encerramos el çuadrado” de los números.
DEFINICIÓN 3.1. Sea A = ((aij )) una matriz n × n, se define la matriz adjunta del ele-
105
R
mento aij como la submatriz Aij de la matriz A que se obtiene eliminado la fila i y la columna j
de A
 
3 −4 −3
EJEMPLO 3.1. Si A =  −1 2 7 , la matriz adjunta del elemento a21 = −1, se obtiene
−2 4 0
eliminando
 la fila
 2 y la columna 1 de A:
× −4 −3
 × × ×  , obteniéndose la matriz adjunta A21 = −4 −3

4 0
× 4 0
Observación 3.1. Si la matriz cuadrada A es de tamaño n, las matrices adjuntas Aij son de
tamaño (n − 1) × (n − 1) .
DEFINICIÓN 3.2. (Inductiva en el tamaño de la matriz) El determinante
de una matriz
a b
1 × 1 es el propio número. El determinante de la matriz 2 × 2, A = es el número
c d
def
|A| = ad − bc. El determinante de una matriz A n × n se define como el número
def
|A| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 |

3 1
EJEMPLO 3.2. (a) Calculemos el determinante de la matriz A =
7 2
|A| = (3) (2) − (7) (2) = −8
 
3 −4 −3
(b) Calculemos el determinante de la matriz A =  −1 2 7 
−2 4 0
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | + (−1)3+1 a31 |A31 | =

2 7 −4 −3 −4 −3
= 3
− (−1) + (−2) =
4 0 4 0 2 7
= 3 (−28) + (−12) + (−2) (−22) = −52
 
2 0 1 1
 2 2 −4 −1 
(c) Calculemos el determinante de la matriz A = 
 −3 1

1 1 
2 −2 0 0
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | + (−1)3+1 a31 |A31 | + (−1)4+1 a41 |A41 |

2 −4 −1 0 1 1 0 1 1 0 1 1

= 2 1 1 1 − 2 1 1 1 + (−3) 2 −4 −1 − 2 2 −4 −1
−2 0 0 −2 0 0 −2 0 0 1 1 1
R
R
Ahora bien, los determinantes de tamaño 3 × 3 se calculan del mismo modo que en (b). Verificar
que respectivamente, los determinantes tres por tres valen 6, 0, −6, 3 por lo cual
|A| = 2 (6) − 3 (−6) − 2 (3) = 24
3.2. Propiedades de los determinantes

1. Linealidad (respecto a una fila)
a) Aditividad (respecto a una fila)

Si todos los elementos de una fila de una matriz cuadrada se descomponen en dos
sumandos, entonces su determinante es igual a la suma de dos determinantes que tienen
en esa fila los primeros y segundos sumandos respectivamente, y en las demás los mismos
elementos que el determinante inicial.
C1
5 3 −1 2 + 3 3 −1 2 3 −1 3 3 −1
⇓
6 4 2 = 1+5 4 2 = 1 4 2 + 5 4 2

−7 1 4 −3 − 4 1 4 −3 1 4 −4 1 4

3 6 9 1+2 2+4 3+6 1 2 3 2 4 6

21 = 1 3 5 = 1
3 5 = 1 3 5

+ 1 3 5

= 7 + 14 = 21

7 4 8 7 4 8 7 4 8 7 4 8

a11 a12 ··· a1n
.. .. ..

. . ··· .

|C| = ai1 + bi1 ai2 + bi2 · · · ain + bin
.. .. .. ..
. . . .

an1 an2 ··· ann

a11 a12 · · · a1n a11 a12 · · · a1n
.. .. . .. .. .

. . · · · .. . . · · · ..

= ai1 ai2 · · · ain + bi1 bi2 · · · bin = |A| + |B|
.. .. . . . .. .. .. .
. . . .. . . . ..

an1 an2 · · · ann an1 an2 · · · ann
DEMOSTRACIÓN.
R
R
Por inducción completa

Para n = 2. Por un lado

a11 a12
|C| = = a11 a22 + a11 b22 − a12 a21 − a12 b21

a21 + b21 a22 + b22
y por otro

a a a11 a12
|A| + |B| = 11 12 +
b21 b22
= (a11 a22 − a12 a21 ) + (a11 b22 − a12 b21 )

a21 a22
Con lo cual |C| = |A| + |B| .
Hipótesis inductiva: La propiedad es válida para matrices de orden menor que n
Tesis inductiva: La propiedad es válida para matrices de orden n. En efecto
def
|C| = (−1)1+1 a11 |C11 | + . . . +
(3.1)
+ (−1)i+1 (ai1 + bi1 ) |Ci1 | + . . . + (−1)n+1 an1 |Cn1 |
Observemos que si k 6= i, como la matriz Ck1 es de orden n−1, por la hipótesis inductiva
se tiene que

a12 ··· a1n

.. ..
. ··· .

ak−12 · · · ak−1n

ak+12 · · · ak+1n
|Ck1 | = .. .. ..

. . .
a +b ··· a +b
i2 i2 in in
. . .
.
. . . .
.

an2 ··· ann

a12 · · · a1n a12 · · · a1n

.. .. .. ..
. ··· . . ··· .

ak−12 · · · ak−1n ak−12 · · · ak−1n

ak+12 · · · ak+1n ak+12 · · · ak+1n

= .. ..
.. + .. .. .. = |Ak1 | + |Bk1 | ;
. . . . . .
a · · · a b · · · b
i2 in i2 in
. ..
.. .. .. ..
.. . . . . .

an2 · · · ann an2 · · · ann
luego si sustituimos en (3.1) se tiene que

|C| = (−1)1+1 a11 [|A11 | + |B11 |] + . . . + (−1)i+1 (ai1 + bi1 ) |Ci1 | + . . .
. . . + (−1)n+1 an1 [|An1 | + |Bn1 |]
= (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ci1 | + . . . + (−1)n+1 an1 |An1 |
+ (−1)1+1 a11 |B11 | + . . . + (−1)i+1 bi1 |Ci1 | + . . . + (−1)n+1 an1 |Bn1 |
R
R

a12 ··· a1n
.. ..

. ··· .

ai−12 · · · ai−1n
Pero como |Ci1 | = = |Ai1 | = |Bi1 | resulta que
ai+12 · · · ai+1n
.. .. ..
. . .

an2 · · · ann
|C| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 | +
+ (−1)1+1 a11 |B11 | + . . . + (−1)i+1 bi1 |Bi1 | + . . . + (−1)n+1 an1 |Bn1 |
= |A| + |B|

Observación 3.2. No es cierto que |A + B| = |A| + |B|

1 3 1 0
|A| = = −10, |B| =
0 2 = 2 pero
4 2

3 3
|A + B| = = 0 6= −7 = |A| + |B| .
4 4
b) Homogeneidad (respecto a una fila)

Si todos los elementos de una fila contienen un factor común, éste puede sacarse fuera
del determinante. Si B es una matriz que se obtiene de A multiplicando una de sus filas
por un número α entonces

a11 a12 · · · a1n a11 a12 · · · a1n
. .. .. . .. .
. .
. . ··· . . . · · · ..

|B| = αai1 αai2 · · · αain = α ai1 ai2 · · · ain = α |A|
. .. .. .. . .. . . .
.. . . . .. . . ..

a a ··· a a a ··· a
n1 n2 nn n1 n2 nn
DEMOSTRACIÓN. Por inducción completa

Para n = 2. Por un lado

a a12
|B| = 11 = a11 αa22 − a12 αa21 =

αa21 αa22

a11 a12

= α (a11 a22 − a12 a21 ) = α = α |A|
a21 a22
Hipótesis inductiva: La propiedad es válida para matrices de orden menor que n.

Tesis inductiva: La propiedad es válida para matrices de orden n. En efecto
def
|B| = (−1)1+1 a11 |B11 | + . . . +
+ (−1)i+1 αai1 |Bi1 | + . . . + (−1)n+1 an1 |Bn1 | (3.2)
R
R
Observemos que si k 6= i, como la matriz Ck1 es de orden n−1, por la hipótesis inductiva
se tiene que

a12 · · · a1n a12 · · · a1n

.. .. .. ..
. ··· . . ··· .

ak−12 · · · ak−1n ak−12 · · · ak−1n

ak+12 · · · ak+1n ak+12 · · · ak+1n

|Bk1 | = .. ..
.. = α .. .. .. = α |Ak1 |
. . . . . .
αa · · · αain
i2 ai2 · · · ain
.
.. ..
.. ..
. . ... ..
. .

an2 · · · ann an2 · · · ann

a12 ··· a1n
.. ..

. ··· .

ai−12 · · · ai−1n
y que |Bi1 | = = |Ai1 |
ai+12 · · · ai+1n
.. .. ..
. . .

an2 · · · ann
luego si sustituimos en (3.2) se tiene que
|B| = (−1)1+1 a11 α |A11 | + . . . + (−1)i+1 αai1 |Ai1 | + . . . + (−1)n+1 an1 α |An1 |
h
= α (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + + (−1)n+1 an1 |An1 |
= α |A|
Veamos un ejemplo
3f1
6 3 −9 (3)(2) (3)(1) (3)(−3) 2 1 −3
⇓
3 4 1 = 3 4 1 = 3 3 4 1

−1 2 4 −1 2 4 −1 2 4
COROLARIO 3.1. Se deduce de la propiedad anterior que |αA| = αn |A| .
R
R
DEMOSTRACIÓN. En efecto

αa11 αa12 · · · αa1n a11 a12 · · · a1n

αa21 αa22 · · · αa2n αa21 αa22 · · · αa2n

|αA| = .. .. . . .. = α .. .. .. ..
. . . . . . . .

αan1 αan2 · · · αann αan1 αan2 · · · αann

a11 a12 · · · a1n a11 a12 · · · a1n

a21 a · · · a a21 a22 · · · a2n
22 2n
= αα .. .. . . .. = αα . . . α .. .. . . ..
. . . . . . . .

αan1 αan2 · · · αann an1 an2 · · · ann
n
= α |A|

2. Intercambio de filas
Si se intercambian dos filas o dos columnas de un determinante, éste cambia de signo. Si B
es la matriz que se obtiene de A intercambiando dos de sus filas entonces

a11 a12 · · · a1n a11 a12 · · · a1n

.. .. .. .. .. ..
. . ··· . . . ··· .

aj1 aj2 · · · ajn ai1 ai2 · · · ain
. .. . . .. .
|B| = .. . · · · .. = − .. . · · · .. = − |A|
a a
i1 ai2 · · · ain j1 aj2 · · · ajn
. .. . .
.. ..
.. . . . ... .. . .
. . .


a21 a22
DEMOSTRACIÓN. Por inducción completa. Para n = 2. Por un lado |B| = =

a11 a12
a a
a12 a21 − a11 a22 , y por otro |A| = 11 12 = (a11 a22 − a12 a21 ) . Ası́ |B| = − |A| .
a21 a22
Hipótesis inductiva: La propiedad es válida para matrices de orden menor que n
Tesis inductiva: La propiedad es válida para matrices de orden n
Primer caso: La matriz B se ha obtenido de A intercambiando las filas consecutivas i e i + 1
   
a11 a12 · · · a1n a11 a12 · · · a1n
 .. .. ..   .. .. .. 
 . . ··· .   . . ··· . 
   
 a a · · · a in  a a
 i+11 i+12 · · · ai+1n 
A =  i1 i2
 y B= 
 ai+11 ai+12 · · · ai+1n   ai1 ai2 · · · ain 
 . .. .. ..   . .. .. .. 
 .. . . .   .. . . . 
R
R
Por la definición, se tiene que
|B| = (−1)1+1 a11 |B11 | + . . . + (−1)i+1 ai+11 |Bi1 |

+ (−1)i+2 ai1 |Bi+11 | . . . + (−1)n+1 an1 |Bn1 | (3.3)
Pero siendo
  ..
a11 a12 ··· a1n .
 . . .. ..  ..
 . . ··· .  .
 
 a a ··· ai+1n  ←− Fila i
B =  i+11 i+12 
 ai1 ai2 ··· ain  ←− Fila i + 1
 . .. .. ..  ..
 .. . . .  .
an1 an2 ··· ann ..
.
se tiene que Bi1 = Ai+11 y Bi+11 = Ai1 , por lo cual
|Bi1 | = |Ai+11 | , |Bi+11 | = |Ai1 |
y si k 6= i y k 6= i+1, se tiene que Bk1 es una matriz de orden n−1 con dos filas intercambiadas
respecto de A, por lo cual, por la hipótesis inductiva |Bk1 | = − |Ak1 | . Sustituimos en (3.3)
|B| = (−1)1+1 a11 [− |A11 |] + . . . + (−1)i+1 ai+11 |Ai+11 |

+ (−1)i+2 ai1 |Ai1 | + . . . + (−1)n+1 an1 [− |An1 |]
Pero
(−1)i+1 ai+11 |Ai+11 | = (−1)i+1 (−1)2 ai+11 |Ai+11 | = (−1)i+1 (−1) ai+11 (−1) |Ai+11 |
= (−1)i+2 ai+11 [− |Ai+11 |] = (−1)i+1 (−1) ai1 |Ai1 |
= (−1)i+1 ai1 [− |Ai1 |]
con lo cual
|B| = (−1)1+1 a11 [− |A11 |] + . . . + (−1)i+2 ai+11 [− |Ai+11 |]

+ (−1)i+1 ai1 [− |Ai1 |] + . . . + (−1)n+1 an1 [− |An1 |]
= −[(−1)1+1 a11 |A11 | + . . . + (−1)i+2 ai+11 |Ai+11 |
+ (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 − |An1 |] = − |A|
Segundo caso La matriz B se ha obtenido de A intercambiando las filas i y j = k + 1. La

matriz B se puede obtener de A realizando varios cambios de filas consecutivas. En primer
R
R
lugar realizamos k cambios consecutivos de la fila i de A hasta colocarla en la fila j = i + k.

  ..
a11 a12 ··· a1n .
 .. .. ..  ..
 . . ··· .  .
 
 ai1 ai2 ··· ain  ←− fila i de A
 
 ai+11 ai+12 ··· ai+1n  ←− fila i + 1 de A
 
A= a ai+22 ai+2n  ←− fila i + 2 de A
 i+21 .. 
 ... ..
. 
.
 . ···  ..
 a ··· ak+1n 
a
 k+11 k+12  ←− fila i + k de A
 . .. .. ..  .
 .. . . .  ..
an1 an2 ··· ann ..
.
cambio de la fila i por la i + 1 de A

−→
  ..
a11 a12 ··· a1n .
 .. .. ..  ..
 . . ··· .  .
 
 ai+11 ai+12 ··· ai+1n  ←− fila i de A1
 
 ai1 ai2 ··· ain  ←− fila i + 1 de A1
 
A1 =  a ai+22 ··· ai+2n  ←− fila i + 2 de A1
 i+21 .. 
 ... ..
. 
.
 . ···  ..
 a ··· ajn 
 j1 a j2  ←− fila i + k de A1
 . .. .. ..  .
 .. . . .  ..
an1 an2 ··· ann ..
.
cambio de la fila i + 1 por la i + 2 de A1
−→
  ..
a11 a12 ··· a1n .
 .. .. ..  ..
 . . ··· .  .
 
 ai+11 ai+12 ··· ai+1n  ←− fila i de A2
 
 ai+21 ai+22 ··· ai+2n  ←− fila i + 1 de A2
 
A2 =  a ai2 ··· ain  ←− fila i + 2 de A2
 .i1 .. ..  .
 .. . 
 . ···  ..
 a ··· ajn 
 j1 aj2  ←− fila i + k de A2
 . .. .. ..  .
 .. . . .  ..
an1 an2 ··· ann ..
.
−→ · · · −→ · · · −→
R
R
  ..
a11 a12 ··· a1n .
 .. .. ..  ..
 . . ··· .  .
 
 ai+11 ai+12 ··· ai+1n  ←− fila i de Ak−1
 
 ai+21 ai+22 ··· ai+2n  ←− fila i + 1 de Ak−1
 . .. ..  .
Ak−1 =
 .. . ··· .  ..
 a ··· ain 
 i1 ai2  ←− fila i + k − 1 de Ak−1
 a ··· ai+kn 
a
 i+k1 i+k2  ←− fila i + k de Ak−1
 . .. .. ..  .
 .. . . .  ..
an1 an2 ··· ann ..
.
cambio de la fila i + k − 1 por la i + k de Ak−1
−→
  ..
a11 a12 · · · a1n .
 .. .. ..  ..
 . . ··· .  .
 
 ai+11 ai+12 · · · ai+1n  ←− fila i de Ak
 
 ai+21 ai+22 · · · ai+2n  ←− fila i + 1 de Ak
 . .. ..  .
Ak = 
 .. . ··· .  ..
 a 
 i+k1 ai+k2 · · · ai+kn  ←− fila i + k − 1 de Ak
 a ai2 · · · ain 
 i1  ←− fila i + k de Ak
 . . . 
 .. .. . .. ..  ...
an1 an2 · · · ann ..
.
Como los k cambios de filas son consecutivos, por la primer parte, se tiene que
|A1 | = − |A|
|A2 | = − |A1 |
..
.
|Ak | = − |Ak−1 |
Con lo cual |Ak | = (−1)k |A| .
En segundo lugar, (repetimos el procedimiento ”hacia arriba”) realizamos k − 1 cambios
consecutivos de la fila i + k − 1 de AK hasta colocarla en la fila i, obteniéndose la matriz B
y se cumple, aplicando la primer parte |B| = (−1)k−1 |Ak | De las dos últimas igualdades se
deduce |B| = (−1)2k−1 |A| = − |A| .
Veamos un ejemplo
f13
2 3 −1 −3 1 4
⇓
1 4 2 = − 1 4 2

−3 1 4 2 3 −1
R
R
3. Determinantes nulos
a) Si una matriz cuadrada tiene una lı́nea con todos los elementos nulos, su determinante
vale cero. Si A tiene una fila de ceros entonces |A| = 0

a11 a12 · · · a1n a11 a12 · · · a1n
. ..
.. .. .. ..
.
. . ··· . . . ··· .

|A| = 0 0 ··· 0 = 1−1 1−1 ··· 1−1
. .. . .
.. .. .. .. ..
.. . . . . . . .

a an2 · · · ann
n1 an2 · · · ann an1

a11 a12 · · · a1n a11 a12 · · · a1n
. .. . . .. .
.
. . · · · .. .. . · · · ..

= 1 1 · · · 1 + −1 −1 · · · −1 =
. .. . . . . .. . . .
.. . . .. .. . . ..

a a
n1 an2 · · · ann n1 an2 · · · ann

a11 a12 · · · a1n a11 a12 · · · a1n
. ..
.. .. .. ..
.
. . ··· . . . ··· .

= 1 1 ··· 1 − 1 1 ··· 1 = 0
. .. . .
.. .. .. . . ..
.. . . . . . . .

a an1 an2 · · · ann
n1 an2 · · · ann

b) Si un determinante tiene dos filas iguales, es igual a cero. Si A tiene dos filas iguales
entonces |A| = 0
DEMOSTRACIÓN. En efecto, si se intercambian dos filas, sabemos que el determi-
nante cambia de signo, con lo cual

a11 a12 · · · a1n a11 a12 · · · a1n

.. .. .. .. .. ..
. . ··· . . . ··· .

ai1 ai2 · · · ain ai1 ai2 · · · ain
. . .
|A| = ... ..
. · · · .. = − ..
..
. · · · .. = − |A|
a a
i1 ai2 · · · ain i1 ai2 · · · ain
. .. . . . . .. . . .
.. . . .. .. . . ..

Ası́ 2 |A| = 0 ⇒ |A| = 0

C1 = C3
2 3 2
⇓
1 4 1 = 0

−3 1 −3
R
R
c) Si A tiene dos filas proporcionales entonces |A| = 0


a11 a12 · · · a1n a11 a12 · · · a1n

.. .. .. .. .. .
. . ··· . . . · · · ..

ai1 ai2 · · · ain ai1 ai2 · · · ain
. . . .
|A| = .. .. ··· .. = α ... ..
. · · · .. = 0
αa αa · · · αa a ai2 · · · ain
i1 i2 in i1
. . . . . .. . . .
.. .. .. .. .. . . ..

d ) Si A tiene una fila combinación lineal de las otras filas entonces |A| = 0
DEMOSTRACIÓN. Sin pérdida de generalidad, para simplificar la notación, supong-
amos que la última fila es combinación lineal de las anteriores. Aplicando la propiedad
de linealidadad

a11 a12 ··· a1n
.. .. ..
..
. . . .

an−11 an−12 ··· an−1n
|A| = . . . . =
.. .. .. ..

i=n−1
P αa P P
i=n−1 i=n−1
i i1 αi ai2 · · · αi ain
i=1 i=1 i=1

a11 a12 · · · a1n
. .. ..
. ..
X .
i=n−1 . . .

= a a
n−11 n−12 · · · an−1n =
. .. .. ..
i=1 .
. . . .
αa αi ai2 · · · αi ain
i i1

a11 a12 · · · a1n
. .. ..
. ..
i=n−1
X . . . .

= αi an−11 an−12 · · · an−1n =0
. .. .. ..
i=1 .. . . .

a a · · · ain
i1 i2
(pues los determinantes tienen dos filas iguales)
En la siguiente matriz A la fila 1 es múltiplo de la fila 2.
3f1
6 8 10 (2)(3) (2)(4) (2)(5) 3 4 5
⇓
3 4 5 = 3 4 5 = 2 3 4 5 = 2(0) = 0

1 1 0 1 1 0 1 1 0
R
R
4. Combinación lineal de filas
a) Si en un determinante, se añade a una fila una combinación lineal de las otras filas el
valor del determinante no varı́a. Si B es una matriz que se obtiene de A sumado a una
fila de A un múltiplo de otra fila de A entonces |B| = |A|

a11 a12 ··· a1n

.. .. ..
. . ··· .

ai1 ai2 ··· ain
. . .
|B| = .
. .
. ··· .
. =

a + αa a + αa · · · a + αa
j1 i1 j2 i2 jn in
.. .. .. ..
. . . .

an1 an2 ··· ann

a11 a12 · · · a1n a11 a12 · · · a1n a11 a12 · · · a1n

.. .. .. .. .. .. .. .. ..
. . ··· . . . ··· . . . ··· .

ai1 ai2 · · · ain ai1 ai2 · · · ain ai1 ai2 · · · ain
. ..
.. + .. ..
.. = .. .. .. = |A|
= .. . ··· . . . ··· . . . ··· .
a · · · αa αa · · · αa a
j1 j2a ajn i1 i2 in i1 a i2 · · · ain
. .. . .
.. .. .. ..
.. .. .. . . ..
.. . . . . . . . . . . .

an1 an2 · · · ann an1 an2 · · · ann an1 an2 · · · ann

En el siguiente ejemplo B se obtiene de A sumando 2 veces la fila 3 a la fila 1, entonces
det(B) = det(A).
2f3 + f1
2 3 −1 −4 5 7
⇓
1 4 2 = 1 4 2

−3 1 4 2 3 −1
b) Si B es una matriz que se obtiene de A cambiando la fila Aj por la combinación lineal

βAj + αAi con β 6= 0 (i 6= j). Entonces |B| = β |A|

a 11 a 12 · · · a1n

.. .. ..
. . ··· .

ai1 ai2 ··· ain
.. .. ..
. . ··· . =

βa + αa βa + αa · · · βa + αa
j1 i1 j2 i2 jn in
.. .. .. ..
. . . .

an1 an2 ··· ann
R
R

a11 a12 ··· a1n a11 a12 ··· a1n a11 a12 · · · a1n

.. .. .. .. .. .. .. .. .
. . ··· . . . ··· . . . · · · ..

ai1 ai2 ··· ain ai1 ai2 ··· ain ai1 ai2 · · · ain
.. .. .. .. .. .. .. .. .
= . . ··· . +
. . ··· . =β
. . · · · .. = β |A|

βaj1 βaj2 · · · βajn αai1 αai2 · · · αain aj1 aj2 · · · ajn

.. .. .. .. .. .. .. .. .. .. . . .

. . . .
. . . .

. . . ..

an1 an2 · · · ann an1 an2 · · · ann an1 an2 · · · ann

5. Propiedades ”por columnas” También se puede probar que el determinante de una

matriz A y el de su traspuesta At son iguales: que

|A| = At
con lo cual en todas las propiedades anteriores se puede cambiar la palabra ”fila” por ”colum-
na”, es decir que las propiedades valen para las columnas

2 3 −1 2 1 −3

1 4 2 = 3 4 1 = −15

−3 1 4 −1 2 4
EJEMPLO 3.3. Si A es una matriz triangular, entonces su determinante es igual al producto

de los elementos diagonales.
 
a11 a12 · · · a1n
 0 a22 · · · a2n 
 
SOLUCIÓN.- Supongamos que A =  .. .. .. ..  (ceros por debajo de la diagonal
 . . . . 
0 0 · · · ann
principal), entonces |A| = a11 a22 . . . ann .

0 1 5

EJEMPLO 3.4. Calcular el siguiente determiante 3 −6 9

2 6 1
SOLUCIÓN.- Realizando las siguientes operaciones
(A) Se intercambian las filas 1 y 2 (B) La fila 1 es múltiplo de 3

(C) A la fila 3 se le restó 2 veces la fila 1 (D) La fila 3 es múltiplo de 5
(E) A la fila 3 se le restó 2 veces la fila 2
R
R
obtenemos:

0 1 5 3 −6 9 1 −2 3 1 −2 3
(A) (B) (C)
3 −6 9 = − 0 1 5 = −3 0 1 5 = −3 0 1
5

2 6 1 2 6 1 2 6 1 0 10 −5

1 −2 3 1 −2 3
(D) (E)
= − (3) (5) 0 1 5 = − (3) (5) 0 1 5
0 2 −1 0 0 −11

1 5
= − (3) (5) = − (3) (5) (−11) = 165
0 −11

3.2.1. Desarrollo de un determinante por Adjuntos

Sea A ∈ Mm×n (R), la matriz complementaria del elemento aij es la matriz Aij ∈ Mm×n (R) que se
obtiene de A eliminando la fila i y la columna j.
 
a11 · · · a1(j−1) a1(j+1) · · · a1n
 .. .. .. .. .. .. 
 . . . . . . 
 
 a(i−1)1 · · · a(i−1)(j−1) a(i−1)(j+1) · · · a(i−1)n 
Aij =  
 a(i+1)1 · · · a(i+1)(j−1) a(i+1)(j+1) · · · a(i+1)n 
 .. .. .. .. .. .. 
 . . . . . . 
an1 · · · an(j−1) an(j+1) · · · ann
DEFINICIÓN 3.3. Se llama menor del elemento aij , al determinante de la matriz complemen-
taria del elemento aij , es decir es el escalar |Aij |.
DEFINICIÓN 3.4. Se llama cofactor de un elemento aij (o adjunto de aij ) al escalar
cij = (−1)i+j |Aij |
Desarrollo por cualquier fila o columna.- El determinante se ha definido usando los elementos
de la primer columna de la matriz A con sus respectivas matrices adjuntas
def
|A| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 |
(desarrollo por la primera columna)
Pero se puede probar 1 que dicha definición coincide con cualquier desarrollo por cualquier columna
o fila de A:
1
Es engorroso y no lo haremos aquı́ pero el lector puede consultar por ejemplo (Teorema 3 y 5 pag 87 del texto
Algebra y geometrı́a de E. Hernandez)
R
R
Para cualesquiera i = 1, 2, ..., n el desarrollo del determinante det(A) por los elementos de la fila
i-ésima es dado por
(desarrollo por la i − ésima fila)

Xn Xn
def
det(A) = |A| = aij cij = (−1)i+j aij |Aij | (3.4)
j=1 j=1
= (−1)i+1 ai1 |Ai1 | + (−1)i+2 ai2 |Ai2 | + . . . + (−1)i+n ain |Ain |
Para cualesquiera j = 1, 2, ..., n el desarrollo del determinante det(A) por los elementos de la
columna j-ésima es dado por
(desarrollo por la j − ésima columna)

Xn n
X
def
det(A) = |A| = aij cij = (−1)i+j aij |Aij | (3.5)
i=1 i=1
= (−1)j+1 a1j |A1j | + (−1)j+2 a2j |A2j | + . . . + (−1)j+n anj |Anj |
En resumen, el determinante de una matriz cuadrada es igual a la suma de los elementos de una fila
o columna cualquiera, multiplicados por sus respectivos adjuntos. A las expresiones para calcular
el determinante dadas en las ecuaciones (3.5) y (3.4) se les denomina expansión del determinante
de Laplace.

3 0 2

EJEMPLO 3.5. Calcular el siguiente determinante −1 1 0 desarrollando por los elementos
5 2 3
de la primera fila
SOLUCIÓN.-

3 0 2

−1 1 0 = (−1)1+1 3 1 0 + (−1)1+2 0 −1 0 + (−1)1+3 2 −1 1
2 3 5 3 5 2
5 2 3
= (3)[3 − 0] − 0 + (2)[−2 − 5] = −5

1 a a2

EJEMPLO 3.6. Probar que 1 b b2 = (b − a)(c − a)(c − b)

1 c c2
R
R
SOLUCIÓN.-

1 a a2
2 2
1 b b2 = (−1)1+1 1 b b2 + (−1)1+2 a 1 b2 + (−1)1+3 a2 1 b
c c 1 c 1 c
1 c c2
= 1[bc2 − cb2 ] − a[1c2 − 1b2 ] + a2 [c − b]
= bc2 − cb2 − ac2 − ab2 + a2 c − a2 b
No es fácil ver directamente que esta suma de 6 términos es igual a (b − a)(c − a)(c − b). Lo que
hay que hacer es desarrollar (b − a)(c − a)(c − b) y comprobar la igualdad de esa forma.

3 0 0 2

6 1 c 2
EJEMPLO 3.7. Calcular el siguiente determinante

−1 1 0 0
5 2 0 3
SOLUCIÓN.- Como el elemento c está en la fila 2 y la columna 3, se ha escrito su adjunto

correspondiente. Para hallar en valor del determinante desarrollamos por los elementos de la
tercera columna del determinante porque tienen muchos ceros. Esto da:

3 0 0 2
3 0 2
6 1 c 2
= (−1)2+3 c −1 1 0 = (−1)(c)(−5) = 5c.
−1 1 0 0
5 2 3
5 2 0 3

El criterio para preferir el desarrollo por una u otra fila es claro: conviene desarrollar por aquellas
filas que tengan el máximo número de elementos iguales a cero. Si los ceros no estuviesen de entrada
allı́, podrı́amos crearlos recurriendo a la propiedad (7). Vamos a ilustrar esto con ejemplos:

3 −1 2

EJEMPLO 3.8. Calcular 0 −1 −1
6 1 2
SOLUCIÓN.-

3 −1 2 3 −1 2
−2f1 + f3 (1) −1 −1
0 −1 −1 = 0 −1 −1 =3 = 3(2 + 3) = 15
3 −2
6 1 2 0 3 −2
La igualdad (1), se obtiene desarrollando por cofactores en la primera columna.

2 0 3 −1

0 4 0 0
EJEMPLO 3.9. Calcular

0 1 −1 2
3 2 5 −3
R
R
SOLUCIÓN.-

2 0 3 −1
2 3 −1 2 3 −1
0 4 0 0 (1) −3/2f1 + f3
= (−1)2+2 4 0 −1 2 =
4 0 −1 2
0 1 −1 2
3 5 −3 0 1/2 −3/2
3 2 5 −3
3 2
(2) −1 2

= (4)(2) = 8 − =4
1/2 −3/2 2 2
La igualdad (1), se obtiene desarrollando por cofactores en la fila 2; la (2), desarrollando por
cofactores en la columna 1.
EJEMPLO 3.10. Evaluar el siguiente determinante:

2 0 1 0 1

3 2 −1 5 0

|A| = 0 1 −1 1 5

1 0 1 1 1

0 0 1 0 1
SOLUCIÓN.-

2 0 1 0 1 2 0 0 0 1

3 2 −1 5 0 3 2 −1 5 0
−1C5 + C3
0 1 −1 1 5 = 0 1 −6 1 5
i = 1, 3, 4, ..., n
1 0 1 1 1 1 0 0 1 1

0 0 1 0 1 0 0 0 0 1

2 0 0 0

3 2 −1 5 Desarrollo por cofac-
5+5
= (−1) (1)

0 1 −6 1 tores en la quinta fila
1 0 0 1

2 −1 5
Desarrollo por cofac-
= (−1)1+1 (2) 1 −6 1
0 0 1 tores en la primera fila

2 −1 Desarrollo por cofac-
= (2)(−1)3+3 (1)
1 −6 tores en la tercera fila
h i
= (2)(1) (2)(−6) − (1)(−1) = −22

1 1 1

EJEMPLO 3.11. Hallar 35 37 34

23 26 25
R
R
SOLUCIÓN.- Usando el método de Cofactores o desarrollo por Adjuntos tenemos:

1 1 1 1 1 1
−35f1 + f2
35 37 34 = 0 2 −1
−23f1 + f3
23 26 25 0 3 2
2 −1
1+1
= (−1) (1) tores en la primera
3 2
columna
= (2)(2) − (3)(−1) = 7

1 z −y

EJEMPLO 3.12. Hallar −z 1 x
y −x 1

1 z −y 1 z −y
zf1 + f2
−z 1
x = 0 1+z 2
x − yz
−yf1 + f3
y −x 1 0 −x − yz 1 + y 2
1 + z2 x − yz
= (−1) (1)
1+1
tores en la primera
−x − yz 1 + y2
columna
= (1 + z 2 )(1 + y 2) − (−x − yz)(x − yz)
= (1 + z 2 )(1 + y 2) + (x + yz)(x − yz)
= 1 + y 2 + z 2 + z 2 y 2 + x2 − y 2 z 2
= 1 + y 2 + z 2 + x2

1 1 1 1

1 2 3 4
EJEMPLO 3.13. Hallar
1 3 6 10
1 4 10 20
R
R

1 1 1 1 1 1 1 1

1 2 3 4 0 1 2 3 −f1 + fj
=
1 3 6 10 0 2 5 9 j = 2, 3, 4

1 4 10 20 0 3 9 19

1 2 3 Desarrollo por cofac-

= (−1) (1) 2
1+1
5 9
tores en la primera
3 9 19 columna

1 2 3
−2f1 + f2
= 0 1 3
0 3 10 −3f1 + f3

1 3
= (−1) (1)
1+1
tores en la primera
3 10
columna
= 1

1 2 3 2

3 7 2 5

6 2 4 6
7 8 9 7

1 2 3 2 1 2 3 2
−3f1 + f2
3 7 2 5 0 1 −7 −1
= −6f1 + f3
6 2 4 6 0 −10 −14 −6
−7f1 + f4
7 8 9 7 0 −6 −12 −7

1 −7 −1 Desarrollo por cofac-

= (−1) (1) −10 −14 −6
1+1
tores en la primera
−6 −12 −7 columna

1 −7 −1
10f1 + f2
= 0 −84 −16
0 −54 −13 6f1 + f3

−84 −16
= (−1) 1+1
(1)
tores en la primera
−54 −13
columna
= (−84)(−13) − (−54)(−16) = 1092 − 864 = 228
R
R

a 1 1 1

1 a 1 1

1 1 a 1
1 1 1 a

a 1 1 1 a 1 1 1
−C1 + C2
1 a 1 1 1−a a−1 0 0
= −C1 + C3
1 1 a 1 1−a 0 a − 1 0
−aC1 + C4
1 1 1 a 1 − a2 1 − a 1 − a 0

1−a a−1 0 Desarrollo por cofac-

4+1
= (−1) (1) 1 − a 0 a − 1 tores en la cuarta
1 − a2 1 − a 1 − a columna

1−a a−1 0

= 1 − a 0 a − 1 C2 + C3
2 − a2 − a 1 − a 0
1 − a a − 1
3+2
= (−1) (a − 1) tores en la tercera
2 − a2 − a 1 − a
columna
h i
= −(1 − a) (1 − a)2 − (2 − a2 − a)(a − 1)
h i
= −(1 − a) 1 − 2a + a2 − (2a − a3 − a2 − 2 + a2 + a)
h i
= −(1 − a) 1 − 2a + a2 − 2a + a3 + a2 + 2 − a2 − a
h i
2 3
= −(1 − a) 3 − 5a + a + a
= −(3 − 5a + a2 + a3 − 3a + 5a2 − a3 − a4 )
= −3 + 8a − 6a2 + a4

0 1 1 1

1 b+c a a

1 1 c+a b
1 1 c a+b
R
R

0 1 1 1 0 1 1 1

1 b+c a a 1 b+c a a
= −1f3 + f4
1 1 c+a b 1 1 c + a b

1 1 c a+b 0 0 −a a

0 1 2 1

1 b+c 2a a
= C4 + C3
1 1 c + a + b b
0 0 0 a

0 1 2
= (−1) (a) 1 b + c
4+4
2a

1 tores en la cuarta fila
1 c+a+b

1 1 c + a + b
Cambiando las filas 1
= −a 1 b + c 2a

0 y3
1 2

1 1 c + a + b

= −a 0 b + c − 1 a − c − b −f1 + f2
0 1 2

b + c − 1 a − c − b Desarrollo por cofac-
= −a(−1)1+1 (1)

1 2 tores en la primera fila
h i
= (−a) 2(b + c − 1) − (a − c − b)
h i
= −a 2b + 2c − 2 − a + c + b = −a(3b + 3c − a − 2)
= −3ab − 3ac + a2 + 2a = a2 + 2a − 3ab − 3ac

a b c d e f −a −b −c

EJEMPLO 3.17. Sea d e f = 5. Calcule (a) g h i y (b) 2d 2e 2f

g h i a b c −g −h −i
SOLUCIÓN.-

d e f a b c

g h i = (−1) d e f = −5

a b c g h i

−a −b −c a b c

2d 2e 2f = (−1)(2)(−1) d e f = (2)(5) = 10

−g −h −i g h i
R
R
 
1 1 1
EJEMPLO 3.18. Sin desarrollar directamente, demuestre que: si A =  b + c c + a a + b ,
bc ca ab
el determinante de A es igual a (a − b)(a − c)(b − c).
SOLUCIÓN.-

1 1 1 1 1 1

b+c c+a a+b = 0 c+a−b−c a+b−b−c

bc ca ab 0 ca − bc ab − bc

1 1 1

= 0 a − b a − c
0 c(a − b) b(a − c)

a−b a − c

= = (a − b)b(a − c) − c(a − b)(a − c)
c(a − b) b(a − c)
= (a − b)b(a − c) − c(a − b)(a − c)
= (a − b)(a − c)(b − c)

EJEMPLO 3.19. Aplicando propiedades de determinante, demostrar:

1 1 1 1

1 1+a 1 1
= abc
1 1 1+b 1

1 1 1 1+c
SOLUCIÓN.-

1 1 1 1 1 0 0 0

1 1+a 1 1 0 −1C1 + Cj
= 1 a 0
1 1 1+b 1 1 0 b 0 j = 2, 3, 4

1 1 1 1+c 1 0 0 c

1 0 0 Desarrollo por cofac-

= (−1) (c) 1
4+4
a 0 tores en la cuarta
1 0 b columna
1 0
= (−1) (c)(b)
3+3
tores en la tercera
1 a
columna
= abc

R
R

1 1 1

EJEMPLO 3.20. Demuestre que a b c = (b − a)(c − a)(c − b)

a2 b2 c2
SOLUCIÓN.-

1 a bc

EJEMPLO 3.21. Verificar que 1 b ac = (b − a)(c − a)(c − b)

1 c ab
SOLUCIÓN.-

1 a bc 1 a bc
−1f1 + fi
1 b ac = 0 b − a ac − bc
i = 2, 3
1 c ab 0 c − a ab − bc

b−a ac − bc Desarrollo por cofac-
= (−1) (1)
1+1
c−a ab − bc tores en la primera fila
= (b − a)(ab − bc) − (c − a)(ac − bc)
= (b − a)b(a − c) − (c − a)c(a − b)
= (b − a)b(a − c) − (a − c)c(b − a)
= (b − a)(a − c)(b − c)

a b c a+d b+e c+f

EJEMPLO 3.22. Suponga que d e f = 7. Encuentre d
e f

g h i g h i
SOLUCIÓN.-

a+d b+e c+f a b c d e f

d e f = d e f + d e f = 7 + 0 = 7.

g h i g h i g h i

EJEMPLO 3.23. Si det(A) = 3, hallar det(A5 ).
SOLUCIÓN.- h i5
det(A5 ) = det(A) = 35 = 243.

R
R
EJEMPLO 3.24. Calcular

1 2 2 ... 2

2 2 2 ... 2

2 2 3 ... 2
|A| =
.. .. .. .. ..
. . . . .

2 2 2 ... n
SOLUCIÓN.-

1 2 2 −1
... 2 0 0 ... 0

2 2 2 2
... 2 2 2 ... 2

2 2 3
... 2 −2f2 + fi
= 0 0 1 ... 0
.. .. .. ..
.. .. .. .. .. i = 1, 3, 4, ..., n
..
. . . .
. . . .
. .

2 2 2 ... n 0 0 0 ... n− 2

2 2 ... 2

0 1 ... 0
= (−1)1+1 (−1) .. .. . . ..
. . . . tores en la primera fila

0 0 ... n− 2

1 ... 0
..
= (−1)(−1)1+1 (2) ... . . . . tores en la primera

0 ... n− 2 columna
= −2(n − 2)!

EJEMPLO 3.25. Evalúe det(M) siendo M = [1]n×1 − [1]1×n − In
SOLUCIÓN.-
   
1 1 0 0 ··· 0
 1   0 1 0 ··· 0 
   
 1   0 0 1 ··· 0 
M =   1 1 1 ··· 1 − 
 ..   .. .. .. .. .. 
 .   . . . . . 
1 0 0 0 ··· 1
     
1 1 1 ··· 1 1 0 0 ··· 0 0 1 1 ··· 1
 1 1 1 ··· 1   0 1 0 ··· 0   1 0 1 ··· 1 
     
 1 1 1 ··· 1   0 0 1 ··· 0  = 
 1 1 0 ··· 1 
=  −  
 .. .. .. .. ..   .. .. .. . . ..   .. .. .. .. .. 
 . . . . .   . . . . .   . . . . . 
1 1 1 ··· 1 0 0 0 ··· 1 1 1 1 ··· 0
R
R

0 1 1 −1 0
··· 1 0 · · · 1

1 0 1 0 −1 0 · · · 1
··· 1

1 1 0 0
··· 01 −1 · · · 1 −1Cn + Cj
=
.. .. .. ..
.. ..
.. .. . . .. j = 1, 3, 4, ..., n
. . . .
. .. . . .

1 1 1 ··· 0 1 1 1 ··· 0

−1 0 0 · · · 1

0 −1 0 · · · 1 fi + fn

0 −1 · · · 1 i = 1, 3, 4, ..., n − 1
= 0 n−1 veces
.. .. .. . . .. z }| {
. . . . .
1+···+1 = n−1
1 1 1 ··· 0

−1 0 0 ··· 1

0 −1 0 · · · 1

0 0 −1 · · · 1
=
.. .. .. . . ..
. . . . .

0 0 0 ··· n−1
n−1 veces
z }| {
= (−1)(−1) · · · (−1)(n − 1) = (−1)n−1 (n − 1)

3.2.2. Método de Chio

El método de Chio consiste en reducir un determinante de orden n a otro de orden n − 1, a
los efectos de facilitar el cálculo del mismo. El procedimiento puede reiterarse hasta lograr un
determinante de orden 2 o 1. El método consiste en:
① Elegir una fila o columna en el determinante que tenga todos sus elementos ceros excepto
uno que deberá ser distinto de cero.
② El elemento distinto de cero necesariamente deberá tener el valor 1 al que llamaremos pivote
y lo marcaremos como 1 i×j si este se encuentra en la fila i y columna j.
③ Si la fila o columna elegida no reúne estas condiciones, mediante transformaciones elemen-

tales en las matrices siempre podremos lograr la condición (1).
④ El valor del determinante será igual al cofactor del elemento pivote.
⑤ Reiteramos el método hasta lograr un determinante de orden 2 o 1, cuyo proceso de solución

ya es conocida.
R
R
EJEMPLO 3.26. Calcular, usando el método de Chio

2 0 −1 2

3 2 −2 −3
det(A) =
0 −2 −1 2
2 3 0 −1
SOLUCIÓN.-
(1) Elegimos una fila que tenga el mayor número de ceros. observamos varias alternativas, por
ejemplo elegimos la fila 4. Es decir.

2 0 −1 2

3 2 −2 −3
det(A) =
0 −2 −1 2
2 3 0 -1
(3) La fila elegida no reúne la condición 2, en esta fila debemos determinar el elemento pivote
que deberá tener el valor 1, para ello existe dos alternativas: (i) Multiplicar la fila 4 por -1
para lograr que el elemento -1 sea 1. (ii) Sumar la columna 4 a la columna 1. Decidimos la
segunda alternativa y obtenemos:

2 0 −1 2 4 0 −1 2

3 2 −2 −3 C4 + C1 0 2 −2 −3
det(A) = =
0 −2 −1 2 2
−2 −1 2
2 3 0 −1 1 4×1 3 0 −1
Reducimos a ceros todos los elementos de la fila 4, excepto el pivote, aplicando operaciones
elementales por columnas, es decir:

4 0 −1 2 −3C1 + C2 4 −12 −1 6

0
2 −2 −3 C1 + C4 0
2 −2 −3
det(A) = =
2 −2 −1 2 2
−8 −2 4
1 4×1 3 0 −1 1 4×1 0 0 0
(4) El valor del determinante será igual al cofactor del elemento pivote, es decir:

−12 −1 6 −12 −1 6

det(A) = (−1)4+1 2 −2 −3 = − 2 −2 −3
−8 −2 4 −8 −2 4
Observe que el determinante es de orden 3.
R
R
(5) Repetimos el proceso para reducir el determinante de orden 3 a otro equivalente de orden 2,
considerando como lı́nea de desarrollo, la columna 2, que la multiplicamos por −1.

−12 1 6 −12 1 6

det(A) = (−1)(−1) 2 2 −3 = 2 2 −3
−8 2 4 −8 2 4
Elegimos como elemento pivote 1, es decir:
−2f1 + f2
−12 1 1×2 6 6
−2f1 + f3 −12 1 1×2
det(A) = 2 2 −3 = 26
0 −15
−8 2 4 16 0 8

1+2 26 −15

= (−1) = −1[(26)(8) − (16)(−15)] = −(208 + 240) = −448
16 8

EJEMPLO 3.27. Demostrar la identidad:

a1 + b1 x a1 − b1 x c1 a1 b1 c1

a2 + b2 x a2 − b2 x c2 = −2x a2 b2 c2

a3 + b3 x a3 − b3 x c3 a3 b3 c3
SOLUCIÓN.-

a1 + b1 x a1 − b1 x c1 2a1 a1 − b1 x c1
C +C
a2 + b2 x a2 − b2 x c2 2 = 1 2a2 a2 − b2 x c2

a3 + b3 x a3 − b3 x c3 2a3 a3 − b3 x c3

2a1 a1 c1 2a1 −b1 x c1
La columna 2 es suma
= 2a2 a2 c2 + 2a2 −b2 x c2
2a3 a3 c3 2a3 −b3 x c3 de dos términos

a1 a1 c1 a1 −b1 x c1
Factorizando 2 de los
= 2 a2 a2 c2 + 2 a2 −b2 x c2
a3 a3 c3 a3 −b3 x c3 determinantes

a1 b1 c1 a1 b1 c1

= 2(0) + 2(−x) a2 b2 c2 = −2x a2 b2 c2
a3 b3 c3 a3 b3 c3

 
1 1 1
EJEMPLO 3.28. Demostrar que el determinante de la matriz A =  x y z  que divide
x2 y 2 z 2
por x − y, x − z y z − y.
R
R
SOLUCIÓN.-
−1C2 + C1
1 1 1 0 0 1
−1C3 + C2
det(A) = x y z = x−y
2 y − z z
x2 y 2 z 2 x − y y2 − z2 z2
2

1+3 x − y y−z
= (−1) 2 = x − y y 2 − z 2 − x2 − y 2 y − z
x − y y2 − z2
2

= (x − y)(y + z)(y − z) − (x + y)(x − y)(y − z) = (x − y)(y − z) (y + z) − (x + y)
luego
det(A) = (x − y)(y − z)(z − x)

 
1 −1 1 3
 −1 0 2 0 
EJEMPLO 3.29. Calcular el determinante de la matriz A = 
 1

1 1 2 
2 0 0 2
SOLUCIÓN.- Usemos el método de Chio:

1 −1 1 3 2f4 1 −1 1 3
−1 0 2 0 ⇓
−1 0 2 0
det(A) = = 2
1 1 1 2 1 1 1 2
2 0 0 2 1 0 0 1 4×4

−C4 + C1 −2 −1 1 3
−2 −1 1
⇓ −1 0 2 0
= 2 = 2(−1)4+4
−1 0 2

−1 1 1 2 −1 1 3×2 1
0 0 0 1 4×4
f3 + f1
−3 0 2
⇓ −3 2
= 2 −1 0 2 = 2(−1)
3+2 = −2(−6 + 2) = 8

−1 1 3×2 1 −1 2

3.3. Matrices elementales y determinantes
PROPOSICIÓN 3.1. Toda matriz elemental tiene determinante no nulo
R
R
DEMOSTRACIÓN.
1- La matriz E1 (ver ??) que está asociada a la operación elemental e1 ”multiplicar la fila i por la
constante α 6= 0” tiene determiante
|E1 | = α |I| = α 6= 0
pues E1 se obtiene de la matriz identidad I aplicando dicha propiedad

2- La matriz E2 (ver ??) que está asociada a la operación elemental e2 ”intercambiar la fila i por
la fila j” tiene determinante
|E2 | = − |I| = −1
pues E2 se obtiene de la matriz identidad I aplicando dicha propiedad
3- La matriz E3 (ver ??) que está asociada a la operación elemental e3 “sumarle a fila i un múltiplo
de la fila j” tiene determinante
|E3 | = |I| = 1
pues E3 se obtiene de la matriz identidad I aplicando dicha propiedad.
PROPOSICIÓN 3.2. Si A es una matriz n × n y E una matriz elemental n × n se cumple que
|EA| = |E| |A|

DEMOSTRACIÓN.
1- Sea E1 la matriz que está asociada a la operación elemental ”multiplicar la fila i por la constante
α 6= 0” (ver ??)
Por la Proposición 3.1
|E1 | = α |I| = α (3.6)
Si B es la matriz que se obtiene al aplicar la operación e1 , por las propiedades de determinantes
|B| = α |A| (3.7)
y por el Teorema 2.2 se cumple que E1 A = B, con lo cual
|E1 A| = |B| (3.8)
al sustituir (3.6) y (3.7) en (3.8)

|E1 A| = |E1 | |A|
2- Sea E2 la matriz que está asociada a la operación elemental e2 ”intercambiar la fila i por la fila
j” (ver ??)
|E2 | = − |I| = −1 (3.9)
R
R
|B| = − |A| (3.10)
|E2 A| = |B| (3.11)
al sustituir (3.9) y (3.10) en (3.11)

|E1 A| = |E1 | |A|
3- Sea E3 la matriz que está asociada a la operación elemental e3 ”sumarle a fila i un múltiplo de
la fila j” (ver ??)
|E3 | = |I| = 1 (3.12)
|B| = |A| (3.13)
|E3 A| = |B| (3.14)
al sustituir (3.12) y (3.13) en (3.14)

|E1 A| = |E1 | |A|
pues E3 se obtiene de la matriz identidad I aplicando dicha propiedad.
3.4. Matrices invertibles y determinantes

Ya vimos que una matriz A de orden n × n es invertible si y solo si rango(A) = n
Veamos otra condición equivalente de invertibilidad
LEMA 3.1. Si A no es invertible la forma escalerizada de A tiene por lo menos una fila de ceros
DEMOSTRACIÓN. Como A no es invertible, se tiene que rango(A) < n
Al aplicar el proceso de escalerización de Gauss, ( es decir que aplicamos una sucesión de opera-
ciones elementales) obtenemos la matriz B (forma escalerizada de A)
operación e1 operación ek
A −→ ······ −→ B
R
R
Es decir que
Ek , . . . E2 E1 A = B
donde Ei es la matriz asociada a la operación elemental ei y por lo tanto
A = E1−1 E2−1 . . . Ek−1 B
Como
rango(A) = “cantidad de escalones no nulos de B”
Concluimos que “cantidad de escalones no nulos de B”< n, es decir que B tiene por lo menos una
fila de ceros.
TEOREMA 3.1. Sea A una matriz cuadrada de orden n × n.

A es invertible ⇔ |A| =
6 0
DEMOSTRACIÓN. (⇒) Si A es invertible, por el Teorema 2.4, A puede puede factorizarse como
un producto de matrices elementales
A = E1 E2 . . . Ek
Luego, por la proposición 3.2
|A| = |E1 E2 . . . Ek | = |E1 | |E2 | . . . |Ek |
por la proposición 3.1 |Ei | =
6 0, con lo cual |A| =
6 0
(⇐) Supongamos, por absurdo, que A no es invertible, Si B es la forma escalerizada de A, existe
una sucesión de matrices elementales tales que
Ek , . . . E2 E1 A = B
Pero como |Ei | =
6 0 y |B| = 0 (pues por el Lema 3.1 B tiene por lo menos una fila de ceros),
concluimos que |A| = 0, lo cual contradice nuestra hipótesis
EJEMPLO 3.30. ¿Es invertible la matriz

 
2 3 1
A =  4 6 2 ?
1 0 1
SOLUCIÓN.- Al calcular el determinante se comprueba que éste es igual a cero, por lo que se
puede afirmar que dicha matriz no posee inversa.

2 3 1

det(A) = 4 6 2 = 12 + 6 − 6 − 12 = 0
1 0 1

R
R
3.5. Determinante de un producto de matrices

El determinante del producto de dos matrices cuadradas del mismo orden es igual al producto de
los determinantes:
TEOREMA 3.2 (Binet-Cauchy). Si A y B son matrices n × n se cumple que
|AB| = |A| |B|
DEMOSTRACIÓN. Primer caso A no es invertible. Si A no es invertible, entonces |A| = 0
de donde |A| |B| = 0. Por otro lado, si A′ es la forma escalerizada de A, existe una sucesión de
matrices elementales tales que
Ek , . . . E2 E1 A = A′
es decir que
A = E1−1 E2−1 . . . Ek−1 A′
Luego
|AB| = E1−1 E2−1 . . . Ek−1 A′ B
y aplicando la proposición 3.2

|AB| = E1−1 E2−1 . . . Ek−1 |A′ B|
Pero por el Lema 3.1, A′ tiene una fila de ceros, y por lo tanto A′ B también (por la definición del
producto de matrices), con lo cual |A′ B| = 0, por tanto |AB| = 0. Ası́, hemos probado que
|AB| = |A| |B| = 0
Segundo caso A es invertible. Si A es invertible, por el Teorema 2.4

A = E1 E2 . . . Ek
con cada Ei matriz elemental
|AB| = |(E1 E2 . . . Ek ) B|
y aplicando la proposición 3.2

|AB| = |E1 | |E2 | . . . |Ek | |B| = |E1 E2 . . . Ek | |B| = |A| |B| .

EJEMPLO 3.31.
2 1 0 1 2 3

1 2 0 = 3, 3 4 5 =2

1 2 1 1 1 0

2 1 0 1 2 3 5 8 11

1 2 0 3 4 5 = 7 10 13 =6

1 2 1 1 1 0 8 11 13
R
R
h i−1 1
COROLARIO 3.2. Si A es una matriz invertible, entonces det(A−1 ) = det(A) =
det(A)
DEMOSTRACIÓN. Puesto que AA−1 = I, entonces det(AA−1 ) = det(A) det(A−1 ) = det(I) =
1, de donde se deduce el resultado.
 
h i a b c
EJEMPLO 3.32. Suponga que det(A) = 5. Encontrar det (2A)−1 donde A =  d e f .
a b c
SOLUCIÓN.-
h i 1 1 1 1
det (2A)−1 = = 3 = =
det(2A) 2 det(A) (8)(5) 40
3.6. Cálculo de la matriz inversa por determinantes

Sea A una matriz cuadrada de orden n. Se llama matriz complementaria del elemento aij a la
matriz Aij que se obtiene de A eliminando la fila i y la columna j. El desarrollo del determinante
de la matriz A = (aij ) por su i-esima fila es
|A| = (−1)i+1 ai1 |Ai1 | + (−1)i+2 ai2 |Ai2 | + · · · + (−1)i+j aij |Aij | + · · · + (−1)i+n ain |Ain | (3.15)
DEFINICIÓN 3.5 (Menor). Se llama menor del elemento aij , al determinante de la matriz
complementaria del elemento aij , es decir es el escalar |Aij |.
DEFINICIÓN 3.6 (Cofactor). Se llama cofactor cij del elemento aij (o adjunto de aij ) de
la matriz A al número real:
cij = (−1)i+j |Aij |
Por lo tanto podemos reescribir el desarrollo (3.15) de la siguiente manera
|A| = ai1 ci1 + ai2 ci2 + . . . + aij cij + . . . + ain cin (3.16)
DEFINICIÓN 3.7 (Matriz de Cofactores). Se llama Matriz de cofactores de la matriz A a

la matriz que contiene los cofactores de cada elemento aij . Se escribe cof(A) = Ac .
 
c11 c12 . . . c1n
 c21 c22 . . . c2n 
 
cof(A) =  .. .. .. .. 
 . . . . 
cn1 cn2 . . . cnn
R
R
DEFINICIÓN 3.8 (Matriz de Adjunta). Se llama Matriz Adjunta de la matriz A a la matriz

T
transpuesta de la matriz de cofactores. Se escribe adj(A) = cof(A) .
 
c11 c21 . . . cn1
T 
 c12 c22 . . . cn2 

adj(A) = cof(A) =  .. .. .. .. 
 . . . . 
c1n c2n . . . cnn
T
LEMA 3.2. Si cof (A) es la matriz transpuesta de la matriz de cofactores de A, entonces
 
|A| 0 . . . 0
T   0 |A| . . . 0 

A cof (A) =  .. .. . . . .
 . . . .. 
0 0 . . . |A|
T
DEMOSTRACIÓN. Si A cof (A) = ((dii)) queremos probar que:
T
1. Los elementos de la diagonal de la matriz A cof (A) son todos iguales a |A|, esto es
dii = |A| .
T
2. Los elementos que no son de la diagonal de la matriz A cof (A) son todos nulos, esto es
dij = 0 (i 6= j)
T
Probemos 1. Para ello calculamos el elemento dii de la matriz A cof (A)
 
... . . . ci1 . . . . . .
 ... . . . ci2 . . . . . . 
 
 .. .. .. . . .. 
 . . . . . 
... . . . cin . . . . . .
 
.. .. .  
 .. . . . . ..  . . . ... ↓ ... ...
 . .. .  ... ↓ ... ... 
 . . . . . ..   . . . 
  → dii . . . . . . 
 ai1 ai2 . . . ain   → 
 . .. . . ..   . .. .. . . .. 
 .. . . .   .. . . . . 
 
.. .. .. ... ... ... ... ...
. . ... .
Por lo tanto dii = ai1 ci1 + ai2 ci2 + . . . + aij cij + . . . + ain cin , pero por (3.16) |A| = ai1 ci1 + ai2 ci2 +
. . . + aij cij + . . . + ain cin , con lo cual dii = |A| .
R
R
T
Probemos 2. Calculamos el elemento dij de la matriz A cof (A)
 
. . . . . . . . . cj1 ...
 . . . . . . . . . cj2 ... 
 
 .. .. .. . . .. 
 . . . . . 
. . . . . . . . . cjn ...
 
.. .. .  
 .. . . . . ..  . . . . . . . . . ↓ ...
 . .. .  
 . . . . . ..   . . . . . . . . . ↓ ... 
  
 ai1 ai2 . . . ain   → → → dij ... 
 . .. . . ..   . .. .. . . .. 
 .. . . .   .. . . . . 
 
.. .. . ... ... ... ... ...
. . . . . ..
Por lo tanto dij = ai1 cj1 + ai2 cj2 + . . . + aik cjk + . . . + ain cjn .
Por otro lado consideremos la matriz B que se obtiene de A cambiando la fila j por la fila i:
 
a11 a12 · · · a1n ···
 .. .. .. 
 . . ··· .  ···
 
 ai1 ai2 · · · ain  ←− fila i
 . .. . 
B= . · · · ..  ···
 .. 
 a  ←− fila j
 i1 ai2 · · · ain  .
 . .. . . .  ..
 .. . . .. 
a a ··· a ···
n1 n2 nn
Si calculamos el determinante de B desarrollando por la j-esima fila se tiene que
|B| = (−1)j+1 bj1 |Bj1 | + (−1)j+2 bj2 |Bj2 | + · · · + (−1)j+k bjk |Bjk | + · · · + (−1)j+n bjn |Bjn |
pero como bjk = aik y Bjk = Ajk , resulta que
|B| = (−1)j+1 ai1 |Aj1 | + (−1)j+2 ai2 |Aj2 | + · · · + (−1)j+k aik |Ajk | + · · · + (−1)j+n ain |Ajn |
pero cjk = (−1)j+k |Ajk |, por lo cual
|B| = ai1 cj1 + ai2 cj2 + . . . + aik cjk + . . . + ain cjn .
Esto prueba que |B| = dij . Como |B| = 0 (pues tiene dos filas iguales), se prueba lo deseado.
TEOREMA 3.3 (Método de la Adjunta). Si A es invertible, entonces

1 T 1
A−1 = cof(A) = adj(A)
|A| det(A)
R
R
DEMOSTRACIÓN. Por el lema anterior

   
|A| 0 . . . 0 1 0 ... 0
T   0 |A| . . . 0 


 0 1 ... 0  
A cof(A) =  .. .. . . .  = |A|  .. .. . . ..  = |A| I
 . . . ..   . . . . 
0 0 . . . |A| 0 0 ... 1
1 T
Siendo A invertible se tiene que |A| =
6 0, con lo cual A cof(A) = I esto es
|A|

1 T
A cof(A) I,
|A|
1 T
lo cual prueba que A−1 = cof(A) .
|A|
 
1 −1 2
EJEMPLO 3.33. La matriz A =  4 2 4  es invertible pues |A| = −34 ; calculemos los
5 0 1
cofactores de A

2 4 2 4
SOLUCIÓN.- A11 =
⇒ |A11 | = = 2 ⇒ c11 = 2
0 1 0 1
y trabajando
de la misma manera se obtienen
−1 2 −1 2
|A21 | = = −1 ⇒ c21 = 1; |A31 | =

2 4 = −8 ⇒ c31 = −8;
0 1

4 4 1 2
|A12 | =
5 1 = −16 ⇒ c12 = 16; |A22 | = 5 1 = −9 ⇒ c22 = −9;

1 2 4 2
|A32 | = = −4 ⇒ c32 = 4; |A13 | =

5 0 = −10 ⇒ c13 = −10;
4 4
1 −1 1 −1
|A23 | = =⇒ c23 = −5; |A33 | = = 6 ⇒ c33 = 6
5 0 4 2
 
2 16 −10
Por lo tanto cof (A) =  1 −9 −5  con lo cual
−8 4 6
   1 1 4

2 1 −8 − 17 − 34
1 1  17
A−1 = [cof (A)]t = 16 −9 4  =  − 178 9
34
2 
− 17 .
|A| −34 5 5 3
−10 −5 6 17 34
− 17

a b
EJEMPLO 3.34. Dada la matriz , calcular su matriz inversa A−1
c d
R
R
SOLUCIÓN.- Primeramente calculamos la matriz de cofactores:

!
(−1)1+1 |d| (−1)1+2 |c| d −c
cof (A) = =
(−1)2+1 |b| (−1)2+2 |a| −b a
Por tanto, la matriz Adjunta adj(A) es:

T d −b
adj(A) = cof(A) =
−c a
Si el determinante es no nulo:

a b
det(A) = = ad − bc 6= 0.

c d
Entonces, aplicando la definición anterior obtenemos la matriz inversa de A:

−1 1 1 d −b
A = adj(A) = −
det(A) ad − bc −c a
EJEMPLO 3.35. Hallar la inversa de la matriz:

 
1 −3 2
 2 5 0 
0 −1 −2
SOLUCIÓN.- Resolvemos este problema por etapas:
① Cálculo del valor de su determinante:

1 −3 2

2 5 0 = −10 − 4 − 12 = −26 6= 0

0 −1 −2
Al ser el determinante diferente de cero sabemos, pues, que la matriz tendrá inversa.
② Cálculo de la matriz de cofactores cof (A). Los cofactores de los nueve elementos de A son:
R
R

5 0 2 0 2 5
c11 = + = −10 c12 = − =4 c13 = − = −2
−1 −2 0 −2 0 −1

−3 2 1 2 1 −3
c21 = − = −8 c22 = + = −2 c23 = − =1
−1 −2 0 −2 0 −1

−3 2 1 2 1 −3
c31 = + = −10 c32 = − =4 c33 = + = 11
5 0 2 0 2 5
Por tanto, la matriz de cofactores o adjuntos es:

 
−10 4 −2
cof (A) =  −8 −2 1 
−10 4 11
③ Cálculo de la matriz Adjunta, la traspuesta de la matriz de cofactores.


T −10 −8 −10
adj(A) = cof(A) =  4 −2 4 
−2 1 11
④ Entonces, aplicando la definición anterior obtenemos la matriz inversa de A:
   
−10 −8 −10 5/13 4/13 5/13
1 1 
A−1 = adj(A) = 4 −2 4  =  −2/13 1/13 −2/13 
det(A) −26
−2 1 11 1/13 −1/26 −11/26

EJEMPLO 3.36. Hallar la inversa de la matriz:

 
1 2 −1
 0 −3 2 
2 1 5
SOLUCIÓN.- Resolvemos este problema por etapas:
① Cálculo del valor de su determinante:

1 2 −1

0 −3 2 = −15 + 8 + 0 − 6 − 2 = −15 6= 0

2 1 5
R
R

−3 2 0 2 0 −3
c11 = + = −17 c12 = − =4 c13 = + =6
1 5 2 5 2 1

2 −1 1 −1 1 2
c21 = − = −11 c22 = + =7 c23 = − =3
1 5 2 5 2 1

2 −1 1 −1 1 2
c31 = + =1 c32 = − = −2 c33 = + = −3
−3 2 0 2 0 −3

 
−17 4 6
cof (A) =  −11 7 3 
1 −2 −3
③ La traspuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:

T −17 −11 1
adj(A) = cof(A) =  4 7 −2 
6 3 −3
 
−17 −11 1
1 1 
A−1 = adj(A) = 4 7 −2 
det(A) −15
6 3 −3

EJEMPLO 3.37. Vamos a calcular la matriz inversa A−1 de la matriz A

 
1 0 −1
 0 2 3 
1 −1 1
SOLUCIÓN.- Para que la matriz tenga matriz inversa dbe reunir dos condiciones: Debe ser una
matriz cuadrada y su determinante debe ser distinto de cero.
① Nuestra matriz es cuadrada de orden 3 y su determinante es distinto de cero, en efecto:

1 0 −1

0 2 3 = 2 + 0 + 0 + 2 + 3 + 0 = 7 6= 0

1 −1 1
R
R

2 3 0 3 0 2
c11 = + = −5 c12 = − =3 c13 = + =2
−1 1 1 −1 1 −1

0 −1 1 −1 1 0
c21 = − =1 c22 = + = −2 c23 = − =1
−1 1 1 1 1 −1

0 −1 1 −1 1 0
c31 = + = −2 c32 = − = −3 c33 = + = −2
2 3 0 3 0 2

 
5 3 −2
cof (A) =  1 2 1 
2 −3 2
③ El siguiente paso consiste en transponer la matriz de los cofactores obtenida en el paso

previo.
 
T 5 1 2
adj(A) = cof(A) =  3 2 −3 
−2 1 2

 5 1 2 
   7 7 7 
5 1 2  
1 1  3 2 3 
A−1 = adj(A) = 3 2 −3  = 
 7 − 
det(A) 7
−2 1 2  7 7 

 
2 1 2
−
7 7 7
⑤ Comprobando que se cumple la propiedad fundamental de la matriz inversa
 5 1 2 
  7 7 7   
1 0 −1   3 2

 1 0 0
3  
 0 2 3   7 7 −7  = 0 1 0 
1 −1 1   0 0 1
 
2 1 2
−
7 7 7

R
R
EJEMPLO 3.38. Calcular la matriz inversa A−1 de la matriz A

 
1 −2 3
 5 −1 2 
3 4 −3
SOLUCIÓN.- Para que la matriz tenga matriz inversa dbe reunir dos condiciones: Debe ser una
matriz cuadrada y su determinante debe ser distinto de cero.
① Nuestra matriz es cuadrada de orden 3 y su determinante es distinto de cero, en efecto:

1 −2 3

5 −1 2 = 103 6= 0

3 4 −3
② Calculamos todos los cofactores de la matriz A.

−1 2 5 2 5 −1
c11 = + = −5 c12 = − = 21 c13 = + = 17
4 −3 3 −3 3 4

−2 3 1 3 1 −2
c21 = − = −6 c22 = + = −12 c23 = − =2
4 −3 3 −3 3 4

−2 3 1 3 1 −2
c31 = + =1 c32 = − = 13 c33 = + =9
−1 2 5 2 5 −1
T
③ con las respuestas formo la matriz cof (A) y luego obtengo cof(A) que es la adj(A)
   
−5 21 17 T −5 −6 1
cof (A) =  −6 −12 2  adj(A) = cof(A) =  21 −12 13 
1 13 9 17 2 9

 
−5 −6 1
1 1 
A−1 = adj(A) = 21 −12 13 
det(A) 103
17 2 9


2 3 4
EJEMPLO 3.39. Dada la matriz  2 1 1 , calcular su matriz inversa A−1
1 1 2
R
R
SOLUCIÓN.- Primeramente calculamos la matriz de cofactores:
 
1 1 2 1 2 1
(−1)
1+1
(−1)1+2
(−1)1+3
 1 2 1 2 1 1 
 
   
 2+1
3 4
2+2 2 4
2+3

2 3  1 −3 1
 (−1) (−1) (−1)
cof (A) =  1 2 1 2 1 1  =  −2 0 1 
 
  −1 6 −4
 3 4 2 4 2 3 
 (−1)3+1 (−1)3+2
(−1)3+3 
1 1 2 1 2 1

 
T 1 −2 −1
adj(A) = cof(A) =  −3 0 6 
1 1 −4
Hallamos ahora el determinante:

2 3 4

det(A) = 2 1 1 = −3 6= 0

1 1 2

 
1 −2 −1
1 1
A−1 = adj(A) = −  −3 0 6 
det(A) 3
1 1 −4
Adj(A)
EJEMPLO 3.40. Hallar la matriz Adjunta y su matriz inversa usando: A−1 = .
|A|
   
  1 0 −2 7 1 2 −1 3
5 0 4  0 1 3 2   2 5 4 5 
(a)  3 1 2  (b) 
 2
 (c)  
2 4 9   3 9 10 9 
9 4 6
1 1 2 5 4 11 12 16
SOLUCIÓN.-
 
2 1 2 0

EJEMPLO 3.41. Hallar A−1 si Adj(A) =  2 1 1  .
2 4 3
R
R
SOLUCIÓN.-
EJEMPLO 3.42. Una persona disponı́a de 60000 euros y los repartió en tres fondos de inversión
diferentes (A, B y C), obteniendo ası́ 4500 euros de beneficios. Sabemos que en el fondo A invirtió el
doble que en los fondos B y C juntos; sabemos también que el rendimiento de la inversión realizada
en los fondos A, B y C fue del 5 %, 10 % y 20 % respectivamente. a) Plantear un sistema para
determinar las cantidades invertidas en cada uno de los fondos. b) Resolver el sistema anterior.
SOLUCIÓN.- Si 0 ≤ r ≤ 100, entonces el r % de a es calculado mediante la siguiente fórmula:

r
p= a.
100
Eligiendo las incógnitas
x la cantidad de euros invertida en el fondos de inversión A

y la cantidad de euros invertida en el fondos de inversión B
z la cantidad de euros invertida en el fondos de inversión C
El capital inicial de ambos amigos es de 60000 euros. Esto conduce a establecer nuestra primera
ecuación x + y + z = 60000.
Puesto que el rendimiento de la inversión realizada en los fondos A es del 5 %, entonces se invierte
x euros al 5 %, de modo similar obtenemos que la inversión de y euros es al 10 % y z euros al 20 %.
Al cabo del año los x euros se convierten en x mas el 5 % de x, esto es, este amigo percibe 0.04x
euros adicionales. Ahora bien, por invertir y euros al 10 % al cabo de primer año recibe 0.05y euros
adicionales y finalmente recibe 0.06z euros. Como se obtienen 4500 euros de beneficios. Entonces
al sumar las cantidades mencionadas debemos tener:
0.05x + 0.10y + 0.20z = 4500
Por otro lado, sabemos que en el fondo A invirtió el doble que en los fondos B y C juntos, esto
conduce a la siguiente ecuación:
x = 2(y + z)
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + y + z = 60000
0.05x + 0.10y + 0.20z = 4500
x − 2y − 2z = 0

    
1 1 1 x 60000
 0.05 0.10 0.20   y  =  4500 
1 −2 −2 z 0
R
R
Primeramente calculamos la matriz de cofactores de la matriz de coeficientes A:
 
0.10 0.20
1+2 0.05 0.20
1+3 0.50 0.10
(−1)
1+1
(−1) (−1)
 −2 −2 1 −2 1 −2 
 
 
 1 1
2+2 1 1
2+3 1 1 

cof (A) =  (−1)2+1 (−1) (−1) 
 −2 2 1 −2 1 −2  
 
 1 1 1 1 1 1 
 (−1)3+1 (−1)3+2
(−1)3+3 
0.05 0.10 0.05 0.20 0.05 0.10
 
0.2 0.3 −0.2
=  0 −3 3 
0.1 −0.15 0.05

 
T 0.2 0 0.1
adj(A) = cof(A) =  0.3 3 −0.15 
−0.2 3 0.05
Hallamos ahora el determinante:

1 1 1

det(A) = 0.05 0.10 0.20 = 0.3 6= 0
1 −2 −2

 
0.666667 0 0.333333
1
A−1 = adj(A) =  1 −10 −0.5 
det(A)
0.666667 1 0.166667
      
x 0.666667 0 0.333333 60000 40000
 y = 1 −10 −0.5   4500  =  15000 
z 0.666667 1 0.166667 0 5000
3.7. Regla de Cramer

Llamaremos sistema lineal de n ecuaciones con n incógnitas a un sistema de ecuaciones de la forma
R
R
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (3.17)
.
an1 x1 + an2 x2 + · · · + ann xn = bn
que escrito de forma matricial, equivale a

    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
    
 .. .. .. .  .. = ..  (3.18)
 . . . ..   .   . 
an1 an2 . . . ann xn bm
Denotemos por A la matriz de coeficientes, x el vector de incógnitas y b el vector de términos

independientes, esto es
     
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
     
A= .. .. .. ..  x= ..  b= .. 
 . . . .   .   . 
an1 an2 . . . ann xn bn
luego 3.18 puede escribirse abreviadamente como Ax = b. Sean: A1 , A2 , A3 ,...,An las matrices que
se obtiene al sustituir los terminos independientes en la 1ra columna , en la 2da columna, en la
3ra columna y en la enesima columna respectivamente. Esto es, la matriz Aj con j = 1, 2, 3, ..., n
se obtiene de la matriz A al sustituir la j-ésima columna por el vector b.
     
b1 a12 . . . a1n a11 b1 . . . a1n a11 a12 . . . b1
 b2 a22 . . . a2n   a21 b2 
. . . a2n   . . . b2 
    a21 a22 
A1 =  .. .. .. . , A2 =  .. .. .. ..  , ...., An =  .. .. .. . 
 . . . ..   . . . .   . . . .. 
bn an2 . . . ann an1 bn . . . ann an1 an2 . . . bn
TEOREMA 3.4 (Regla de Cramer 1). Sea A una matriz de orden n × n Si |A| =6 0 entonces
el sistema Ax = b es compatible y determinado y su solución (única) es
|Aj |
xj = j = 1, 2 . . . , n
|A|
donde Aj es la matriz que se obtiene de A sustituyendo la columna j por b

6 0, existe A−1 , por lo tanto Ax = b ⇔ x = A−1 b lo que prueba
DEMOSTRACIÓN. Como |A| =
R
R
la existencia y la unicidad de la solución, para encontrarla proseguimos como sigue

−1
x = A
b
1 T
x = cof(A) b
|A|
   
x1 c11 c21 . . . cn1  
 ..   .. .. .. ..  b1
 .  . . . .  b
  1   2


 xj  =  c1j c2j . . . cnj   .. 
 ..  |A|  . .. . . .  . 
 .   .. . . ..  b
n
xn c1n c2n . . . cnn
   
x1 c11 b1 + c21 b2 + . . . + cn bn
 ..   .. 
 .  1  . 
  
 xj  =  c1j b1 + c2j b2 + . . . + cnj bn 
 .  |A|  .. 
 ..   . 
xn c1n b1 + c2n b2 + . . . + cn2 bn
Por lo tanto
1
xj = (c1j b1 + c2j b2 + . . . + cnj bn ) j = 1, 2 . . . , n (3.19)
|A|
Por otro lado si consideramos la matriz
 
a11 · · · b1 · · · a1n
 ai1 · · · b2 · · · ain 
 
Aj =  .. .. .. . 
 . . . · · · .. 
an1 · · · bn · · · ann
que se obtiene de A sustituyendo la columna j por b, y desarrollamos el determinante de Aj por

la columna j se tiene que
|Aj | = (−1)j+1 b1 |A1j | + (−1)j+2 b2 |A2j | + . . . + (−1)j+n bj |Anj |

= c1j b1 + c2j b2 + . . . + cnj bn
|Aj |
Al sustituir en (3.19) se obtiene xj = j = 1, 2 . . . , n.
|A|

 x + 2y − z = 7
EJEMPLO 3.43. Vamos a resolver el sistema 2x + y + z = 6 usando la regla de Cramer.

x − y + 3z = −1
   
1 2 −1 7
En este caso A =  2 1 1 yb= 6 
1 −1 3 −1
R
R
Como |A| = −3 6= 0 el sistema es compatible y determinado y sus soluciones son

7 2 −1

6 1 1

|A1 | −1 −1 3 5
x= = = ,
|A| −3 3

1 7 −1 1 2 7

2 6 1 2 1 6

|A2 | 1 −1 3 8 |A3 | 1 −1 −1
y= = = , z= = =0
|A| −3 3 |A| −3

TEOREMA 3.5 (Cramer 2). Si |A| = 0 y existe j0 tal que |Aj0 | =

6 0 entonces el sistema Ax = b
es incompatible
EJEMPLO 3.44. Como |A| = 0 se tiene que rango (A) < n. Por otro lado si A e = ( A| b) es la
e se tiene que
matriz ampliada del sistema, como las columnas de Aj0 son también columnas de A

rango A e ≥ rango (Aj0 )

Además rango (Aj0 ) = n, por ser |Aj0 | =
6 0, con lo cual n ≤ rango A e . Por lo tanto

rango (A) < rango A e y por el teorema de Rouché - Frobenius el sistema Ax = b es incompat-
ible.
Observación 3.3. Un error frecuente es decir que: Si |A| = 0 y |Aj | = 0 entonces el sistema
Ax = b es indeterminado. Veamos ejemplos.

 x+y+z = 1
EJEMPLO 3.45. Para el sistema de ecuaciones x + y + z = 1 se tiene que

x+y+z = 0
   
1 1 1 1
A=  1 1 1  b=  1 
1 1 1 0
Por lo tanto |A| = |A1 | = |A2 | = |A3 | = 0, sin
embargo es evidente que el sistema es 
incompatible.

 x+y+z =1 1 1 1
Mientras que para el sistema de ecuaciones x + y + z = 1 se tiene que A =  1 1 1 ,

  x+y+z =1 1 1 1
1
b=  1  y también se cumple que |A| = |A1 | = |A2 | = |A3 | = 0, pero el sistema es compatible
1
e indeterminado.
R
R
EJEMPLO 3.46. Resolver el siguiente sistema por la regla de Cramer.
2x + 3y + z = 3
x − y + z = 5
y + z = −2
SOLUCIÓN.-
La expresión matricial es     
2 3 1 x 3
 1 −1 1   y  =  5 
0 1 1 z −2
El determinante de la matriz de coeficientes toma el valor

2 3 1

∆ = 1 −1 1 = −6 6= 0

0 1 1
por lo tanto, el sistema tiene solución única. Calculamos

3 3 1 2 3 1 2 3 3

∆1 = 5 −1 1 = −24, ∆1 = 1 5 1 = 9,
∆1 = 1 −1 5 = 3.

−2 1 1 0 −2 1 0 1 −2
De donde obtenemos la solución del sistema
−24 9 3 3 1
x= = 4, y= =− , z= =− .
−6 −6 2 −6 2
EJEMPLO 3.47. Resolver el sistema de ecuaciones lineales usando la regla de Cramer. Hacer
la comprobación.
3x + 5y = 1
−x + 2y = 7
SOLUCIÓN.- Primero calculamos el determinante del sistema:

3 5

∆ = det(A) = = 11
−1 2
El determinante es no nulo, por lo tanto el sistema tiene una solución única y se puede aplicar
la regla de Cramer. Calculamos los determinantes de las matrices A1 y A2 y los componentes del
vector solución:
R
R

1 5 ∆1 33
∆1 = det(A1 ) = = −33 x= = − = −3
7 2 ∆ 11

3 1 ∆2 22
∆2 = det(A2 ) = = 22 y= = =2
−1 7 ∆ 11
Respuesta:
−3
x= .
2
Comprobación:
3 5 −3 −9 + 10 1
Ax = = = .
−1 2 2 3+4 7
EJEMPLO 3.48. Utiliza la regla de Cramer para resolver el sistema:
2x − 3y = −4
5x + 7y = 1
SOLUCIÓN.- Este sistema escrito de forma matricial, equivale a

2 −3 x −4
=
5 7 y 1
Primero calculamos el determinante de la matriz de coeficientes del sistema:

2 −3

∆ = det(A) = = (2)(7) − (5)(−3) = 14 + 15 = 29
5 7
El determinante es no nulo, por lo tanto el sistema tiene una solución única y se puede aplicar
la regla de Cramer. Calculamos los determinantes de las matrices A1 y A2 y los componentes del
vector solución:

−4 −3 ∆1 25
∆1 = det(A1 ) = = −25 x= =−
1 7 ∆ 29

2 −4 ∆2 22
∆2 = det(A2 ) = = 22 y= =
5 1 ∆ 29

EJEMPLO 3.49. Usando la regla de Cramer resolver el sistema de tres ecuaciones lineales:
x − 2z = 3
− y + 3z = 1
2x + 5z = 0
R
R
SOLUCIÓN.- Este sistema escrito de forma matricial, equivale a

    
1 0 −2 x 3
 0 −1 3   y  =  1 
2 0 5 z 0
El determinante de la matriz de coeficientes A toma el valor

1 0 −2
1 −2

∆ = 0 −1 3 = (−1) = −1[(1)(5) − (2)(−2)] = −9 6= 0
2 5
2 0 5
por lo tanto, el sistema tiene solución única. Calculamos los siguientes determinantes

3 0 −2
3 −2
∆x = 1 −1 3 = (−1) = −1[(3)(5) − (0)(−2)] = −15

0 0 0 5
5

1 3 −2
1 3 3 −2
∆y = 0 1 3 = (−1) (1)
1+1
+ (−1) (2)
3+1
2 0 5 0 5 1 3
= 1[(1)(5) − (0)(3)] + 2[(3)(3) − (1)(−2)] = 27

3 0 3

∆z = 1 −1 1 = (−1) 1 3 = −1[(1)(0) − (2)(3)] = 6
2 0
0 0 0
∆x −15 5 ∆y 27 ∆z 6 2
x= = = , y= = = −3, z= = =− .
∆ −9 3 ∆ −9 ∆ −9 3
EJEMPLO 3.50. Tres lı́neas de ensamble A, B y C trabajan durante 15, 22 y 23 horas respec-
tivamente. Se ensamblan tres productos L, M y N en estas lı́neas como sigue: una unidad de L
está en A durante 1 hora, en B durante 2 horas y en C durante 1 horas; una unidad de M está en
A durante 2 hora, en B durante 2 horas y en C durante 3 horas; una unidad de N está en A
durante 1 hora, en B durante 2 horas y en C durante 2 horas. Si las lı́neas se usan a máxima
capacidad encontrar el número de unidades que es posible ensamblar de cada producto.
SOLUCIÓN.- La siguiente matriz “lı́neas×productos” resume todos los datos
L M N
A 1 2 1
B 2 2 2
C 1 3 2
R
R
Sean
x el número de unidades que es posible ensamblar del producto L

y el número de unidades que es posible ensamblar del producto M
z el número de unidades que es posible ensamblar del producto N
Puesto que la lı́nea de ensamble A trabaja durante 15 horas, entonces obtenemos la siguiente
ecuación
x + 2y + 1z = 15
Por otra parte la lı́nea de ensamble B trabaja durante 22, esto se traduce en la ecuación
2x + 2y + 2z = 22
y finalmente C trabaja durante 23 , esto es:
x + 3y + 2z = 23
x + 2y + 1z = 15
2x + 2y + 2z = 22
1x + 2y + 2z = 23

    
1 2 1 x 15
 2 2 2   y  =  22 
1 3 2 z 23

1 2 1 1 2 1

∆ = 2 2 2 = 0 −2 0 = −2 1 1 = −2[2 − 1] = −2 6= 0
1 2
1 3 2 1 3 2

15 2 1 15 2 1
−8 −2
∆x = 22 2 2 = −8 −2 0 = (−1) (1)
1+3
= 8 − 14 = −6
23 3 2 −7 −1
−7 −1 0

1 15 1 1 15 1
1 1
∆y = 2 22 2 = 0

−8 0 = (−1) (−8)
2+2
= −8[2 − 1] = −8
1 23 2 1 1 2
23 2
R
R

1 2 15 1 2 15

∆z = 2 2 22 = 0 −2 −8 = (−1)1+1 (1) −2 −8 = −16 + 8 = −8
1 8
1 3 23 0 1 8
∆x −6 ∆y −8 ∆z −8
x= = = 3, y= = = 4, z= = = 4.
∆ −2 ∆ −2 ∆ −2
EJEMPLO 3.51. Una persona coloca parte de su capital al 5 %, otra parte al 4 % y el resto al
3 %. La primera parte representa los tres quintos de la segunda y la tercera la suma de las otras
dos. Al año retira todo, recibiendo en conjunto Bs 15926.40, calcular el monto de cada una de las
partes.

r
p= a.
100
x 1ra parte del capital

y 2da parte del capital
z 3ra parte del capital
El capital inicial de esta persona es x + y + z. Puesto que esta persona coloca x bs al 5 %, y bs al

4 % y z bs al 3 %. Al cabo del año los x bs se convierten en x mas el 5 % de x, esto es x + 0.05x,
los y bs se convierten en y + 0.04y y los z bs se convierten en z + 0.03z. Por tanto el capital inicial
al cabo del año es (x + 0.05x) + (y + 0.04y) + (z + 0.03z) que es igual a 15926.40. Por tanto,
obtenemos nuestra primera ecuación
(x + 0.05x) + (y + 0.04y) + (z + 0.03z) = 15926.40
esto es
1.05x + 1.04y + 1.03z = 15926.40
Por otra parte, se sabe que la primera parte representa los tres quintos de la segunda, que se
3
traduce en la ecuación x = y. Finalmente, la frase: la tercera es la suma de las otras dos, se
5
escribe en forma de ecuación como z = x + y
1.05x + 1.04y + 1.03z = 15926.40

5x − 3y = 0
x + y − z = 0
R
R

    
1.05 1.04 1.03 x 15926.40
 5 −3 0  y  =  0 
1 1 −1 z 0

1.05 1.04 1.03 2.08 2.07 0
2.08 2.07
∆ = 5 −3 0 = 5 −3 0 = −1
5

1 −3
1 −1 1 1 −1
= −1[(2.08)(−3) − (5)(2.07)] = −1(−6.24 − 10.35) = 16.59

15926.40 1.04 1.03
−3 0

∆x = 0 −3 0 = 15926.40
= 15926.40(3) = 47779.2
1 −1
0 1 −1

1.05 15926.40 1.03
5 0

∆y = 5 0 0 = (−1) (15926.40)
1+2 = −15926.40[−5] = 79632
1 −1
1 0 −1

1.05 1.04 15926.40
5 −3
∆z = 5 −3 0 = (−1)1+3 (15926.40)

1 1 = 15926.40[5 + 3] = 127411.2
1 1 0
∆x 47779.2 ∆y 79632 ∆z 127411.2

x= = = 2880, y= = = 4800, z= = = 7680.
∆ 16.59 ∆ 16.59 ∆ 16.59
EJEMPLO 3.52. Dos amigos invierten 20000 $ cada uno. El primero coloca una cantidad x al
4 % de interés, una cantidad y al 5 % y el resto al 6 %. El otro invierte la misma cantidad y al 5 %,
la y al 6 % y el resto al 4 %. Determina las cantidades x, y y z sabiendo que el primero obtiene
unos intereses de 1050 $ y el segundo de 950 $.

r
p= a.
100
R
R
x 1ra parte del capital invertido

y 2da parte del capital invertido
z 3ra parte del capital invertido
El capital inicial de ambos amigos es de 20000 $. Esto conduce a establecer nuestra primera
ecuación x + y + z = 20000.
Puesto que este amigo invierte x $ al 4 %, y $ al 5 % y z $ al 6 %. Al cabo del año los x $ se
convierten en x mas el 4 % de x, esto es, este amigo percibe 0.04x $ adicionales. Ahora bien, por
invertir y $ al 5 % al cabo de primer año recibe 0.05y $ adicionales y finalmente recibe 0.06z $.
Como el primero obtiene unos intereses de 1050 $. Entonces al sumar las cantidades mencionadas
debemos tener:
0.04x + 0.05y + 0.06z = 1050
Por otro lado, el segundo obtiene unos intereses de 950 $, un análisis similar con las cantidades
invertidas por el segundo amigo conduce a la siguiente ecuación:
0.05x + 0.06y + 0.04z = 950
x + y + z = 20000
0.04x + 0.05y + 0.06z = 1050
0.05x + 0.06y + 0.04z = 950

    
1 1 1 x 20000
 0.04 0.05 0.06   y  =  1050 
0.05 0.06 0.04 z 950

1 1 1 1 1 1

∆ = 0.04 0.05 0.06 = 0 0.01 0.02 = 1 0.01 0.02
0.01 −0.01
0.05 0.06 0.04 0 0.01 −0.01
= [(0.01)(−0.01) − (0.01)(0.02)] = −0.0003

20000 1 1

∆x = 50 0 0.01 = (−1)1+2 (1) 50 0.01 = −1.5
−250 −0.02
−250 0 −0.02
R
R

1 20000 1 1 20000 1

∆y = 0.04 1050 0.06 = 0 250 0.02 = −1.5

0.05 950 0.04 0 −50 −0.01

1 1 20000
0.01 250
∆z = 0 0.01 250 = (−1) (1)
1+1 = −3

0 0.01 −50 0.01 −50
∆x −1.5 ∆y −1.5 ∆z −3
x= = = 5000, y= = = 5000, z= = = 10000.
∆ −0.0003 ∆ −0.0003 ∆ −0.0003

EJEMPLO 3.53. Una tienda ha vendido 600 ejemplares de un videojuego por un total de 6384
$. El precio original era de 12 $, pero también ha vendido copias defectuosas con descuentos del
30 % y del 40 %. Sabiendo que el número de copias defectuosas vendidas fue la mitad del de copias
en buen estado, calcula a cuántas copias se le aplicó el 30 % de descuento.

r
p= a.
100
x el número de copias que se vendió a 12 $

y el número de copias que se le aplico el 30 % de descuento
z el número de copias que se le aplico el 40 % de descuento
Puesto que la tienda ha vendido 600 ejemplares del videojuego, entonces tenemos que x + y + z =
600. Por otro lado, el 30 % de 12 es calculado mediante la siguiente fórmula:
30
p= 12 = 3.6 $,
100
por tanto, si a una copia le aplicamos el 30 % de descuento de su precio, entonces esta unidad se
vende a (12 − 3.6) $, de aquı́ se deduce que se obtiene un ingreso de (12 − 3.6)y $ por la venta de
y ejemplares. Un análisis similar muestra que se obtiene un ingreso de (12 − 4.8)z $ por la venta
de z videojuegos. Ahora bien, la tienda ha vendido los 600 videojuegos por un total de 6384 $, de
donde se obtiene nuestra segunda ecuación
12x + (12 − 3.6)y + (12 − 4.8)z = 6384.
R
R
La última ecuación la obtenemos del hecho de que el número de copias defectuosas vendidas fue
1
la mitad del de copias en buen estado, es decir y + z = x.
2
x + y + z = 600
12x + 8.4y + 7.2z = 6384
x − 2y − 2z = 0

    
1 1 1 x 600
 12 8.4 7.2   y  =  6384 
1 −2 −2 z 0
El determinante de la matriz de coeficientes M toma el valor

1 1 1

|M| = 12 8.4 7.2 = −3.6

1 −2 −2
por lo tanto, el sistema tiene solución única. Calculamos los siguientes determinantes y la solución
del sistema

600 1 1
|Mx |
|Mx | = 6384 8.4 7.2 = −1440 x= = 400
1 |M|
−2 −2

1 600 1
|My |
|My | = 12 6384 7.2 = −432 y= = 120
1 |M|
0 −2

1 1 600
|Mz |
|Mz | = 12 8.4 6384 = −288 z= = 80
1 −2 −2 |M|

EJEMPLO 3.54. Un cajero automático contiene 95 billetes de 10, 20 y 50 $ y un total de 2000

$. Si el número de billetes de 10 $ es el doble que el número de billetes de 20 $, averigua cuántos
billetes hay de cada tipo.
R
R
x el número de billetes de 10 $
y el número de billetes de 20 $
z el número de billetes de 50 $
Puesto que cajero automático contiene 95 billetes de 10, 20 y 50 $, entonces tenemos que x +
y + z = 95. Por otro lado, hay un total de 2000 $, de donde se obtiene nuestra segunda ecuación
10x+ 20y + 50z = 2000. La última ecuación la obtenemos del hecho de que el número de billetes de
10 $ es el doble que el número de billetes de 20 $, es decir x = 2y. Juntando estas tres ecuaciones
obtenemos el siguiente sistema lineal:
x + y + z = 95
10x + 20y + 50z = 2000
x − 2y = 0

    
1 1 1 x 95
 10 20 50   y  =  2000 
1 −2 0 z 0

1 1 1

|M| = 10 20 50 = 110
1 −2 0
del sistema

95 1 1
|Mx |
|Mx | = 2000 20 50 = 5500 x= = 50
0 |M|
−2 0

1 95 1
|My |
|My | = 10 2000 50 = 2750
y= = 25
1 |M|
0 0

1 1 95
|Mz |
|Mz | = 10 20 2000 = 2200 z= = 20
1 −2 |M|
0

R
R
EJEMPLO 3.55. Se dispone de tres cajas A, B y C con monedas de 1 euro. Se sabe que en total
hay 36 euros. El número de monedas de A excede en 2 a la suma de las monedas de las otras dos
cajas. Si se traslada 1 moneda de la caja B a la caja A, esta tendrá el doble de monedas que B.
Averigua cuántas monedas habı́a en cada caja.
x el número de monedas de un euro que tiene la caja A

y el número de monedas de un euro que tiene la caja B
z el número de monedas de un euro que tiene la caja C
Como hay un total de 36 euros en las cajas, entonces x + y + z = 36. El número de monedas de A
excede en 2 a la suma de las monedas de las otras dos cajas, este dato se traduce en la ecuación
x = y + z + 2. Si se traslada 1 moneda de la caja B a la caja A, esta tendrá el doble de monedas
que B, de donde de obtiene la última ecuación que es: x + 1 = 2(y − 1), esto es, x + 1 = 2y − 2.
x + y + z = 36
x − y − z = 2
x − 2y = −3

    
1 1 1 x 36
 1 −1 −1   y  =  2 
1 −2 0 z −3

1 1 1

|M| = 1 −1 −1 = −4
1 −2 0
del sistema
R
R

36 1 1
|Mx |
|Mx | = 2 −1 −1 = −76 x= = 19
−3 −2 0 |M|

1 36 1
|My |
|My | = 1 2 −1 = −44 y= = 11
1 −3 0 |M|

1 1 36
|Mz |
|Mz | = 1 −1 2 = −24 z= =6
1 −2 −3 |M|

EJEMPLO 3.56. Una empresa dispone de 27200 $ para actividades de formación de sus cien
empleados. Después de estudiar las necesidades de los empleados, se ha decidido organizar tres
cursos: A, B y C. La subvención por persona para el curso A es de 400 $, para el curso B es de
160 $, y de 200 $ para el C. Si la cantidad que se dedica al curso A es cinco veces mayor que la
correspondiente al B, ¿cuántos empleados siguen cada curso?
x el número de empleados que sigue el curso A

y el número de empleados que sigue el curso B
z el número de empleados que sigue el curso C
La empresa dispone de 27200 $ para actividades de formación de sus cien empleados. Luego la
primera ecuación es x + y + z = 100. Puesto que la subvención por persona para el curso A
es de 400 $, para el curso B es de 160 $, y de 200 $ para el C. Entonces tenemos la ecuación
400x + 160y + 200z = 27200. Por último, se sabe que la cantidad que se dedica al curso A es
cinco veces mayor que la correspondiente al B, esto es, x = 5y. Juntando estas tres ecuaciones
obtenemos el siguiente sistema lineal:
x + y + z = 100
400x + 160y + 200z = 27200
x − 5y = 0

    
1 1 1 x 100
 400 160 200   y  =  27200 
1 −5 0 z 0

R
R

1 1 1

|M| = 400 160 200 = −1560
1 −5 0
del sistema

100 1 1
|Mx | 2150

|Mx | = 27200 160 200 = −86000 x= =
|M| 39
0 −5 0

1 100 1
|My | 430
|My | = 400 27200 200 = −17200
y= =
1 |M| 39
0 0

1 1 100
|Mz | 440

|Mz | = 400 160 27200 = −52800 z= =
|M| 13
1 −5 0

EJEMPLO 3.57. Un fabricante produce 42 electrodomésticos. La fábrica abastece a 3 tiendas

que demandan toda la producción. En una cierta semana, la primera tienda solicitó tantas unidades
como la segunda y tercera juntas, mientras que la segunda pidió un 20 % más que la suma de la
mitad de lo pedido por la primera más la tercera parte de lo pedido por la tercera. ¿Qué cantidad
solicitó cada una?.
x el número de electrodomésticos que solicito primera la tienda

y el número de electrodomésticos que solicito segunda la tienda
z el número de electrodomésticos que solicito tercera la tienda
La fabricante produce 42 electrodomésticos, ası́ x + y + z = 42. En una cierta semana, la primera

tienda solicitó tantas unidades como la segunda y tercera juntas, lo cual implica que x = y + z.
El 20 % de 100 es 20. Ası́ 120 es igual a 100 mas 20 % de 100. 100 mas su 20 % es 120. Luego 120
es 20 % mas que 100.
Ahora bien, la segunda tienda pidió un 20 % más que la suma de la mitad de lo pedido por la
primera más la tercera parte de lo pedido por la tercera. Esta oración se traduce en la ecuación:
x z 30 x z
y= + + +
2 3 100 2 3
R
R
EJEMPLO 3.58. Una empresa fabrica tres tipos de ordenadores: JP1, JP2 y JP3. Para armar
un JP2 se necesitan 10 horas, otras 2 para probar sus componentes y 2 horas más para instalar
el software. El tiempo requerido por el JP3 es de 12 horas para su ensamblado, 2.5 horas para
probarlo y 2 horas para instalar software. El JP1, el más sencillo de la lı́nea, necesita 6 horas
de ensamblado, 1.5 horas de prueba y 1.5 horas de instalación de software. Si la fabrica de esta
empresa dispone de 1560 horas de trabajo por mes para armar, 340 horas para probar y 320 horas
para instalar. ¿Cuántos ordenadores de cada tipo puede producir en un mes?
SOLUCIÓN.- La siguiente matriz “ordenadores×horas” resume todos los datos


JP1 JP2 JP3 


ensamblado 6 10 12
probar 1.5 2 2.5 =A


instalar 1.5 2 2 
Sean
x el número de ordenadores de tipo JP2 que se puede producir en un mes

y el número de ordenadores de tipo JP3 que se puede producir en un mes
z el número de ordenadores de tipo JP1 que se puede producir en un mes
Puesto que la fabrica de esta empresa dispone de 1560 horas de trabajo por mes para armar o
ensamblar los ordenadores, entonces obtenemos la siguiente ecuación
6x + 10y + 12z = 1560
Por otra parte la fabrica dispone de 340 horas para probar, esto se traduce en la ecuación
1.5x + 2y + 2.5z = 340
y finalmente se dispone de 320 horas para instalar, esto es:
1.5x + 2y + 2z = 320
6x + 10y + 12z = 1560

1.5x + 2y + 2.5z = 340
1.5x + 2y + 2z = 320

 
6 10 12  x   1560 
 3 
 2 2 52   y  =  340 
3
2 2 z 320
2
R
R

6 10 12 3 5 6
1 1 1 3 5 6 3
3 5
∆= 2 2 2 =2 3 4 5 = 0 −1 −1 = [2 − 1] = 3 6= 0
2 2 2 2 2
3 2 2 3 4 4 0 −1 −2
2

1560 10 12 −40 0 2
−40 2

∆x = 340 2 52 = 20 0 12 = (−1)3+2 (2) = 120
20 1
320 2 2 320 2 2 2

6 1560 12 3 780 6 3 780
6
3 5 1 1 1
∆y = 2 340 2 = 2 3 680 5 = 0 −100 −1

2 2 2
3 320 2 3 640 4 0 −140 −2
2
3
= [200 − 140] = 90
2

6 10 1560 6 10 1560
6 10
3
∆z = 2 2 340 = 0 0 20 = (−1)2+3 (20) 3 = −20[12 − 15] = 60
2
3 2 320 3 2 320 2
2 2
∆x 120 ∆y 90 ∆z 60
x= = = 80, y= = = 60, z= = = 40.
∆ 3/2 ∆ 3/2 ∆ 3/2
EJEMPLO 3.59. Un empresario estadounidense necesita, en promedio, cantidades fijas de yenes

japoneses, libras inglesas y marcos alemanes durante cada viaje de negocios. Este año viajó 3 veces.
La primera vez cambio un total de $2550 con las siguientes tasas: 100 yenes por dólar, 0.6 libras
por dólar y 1.6 marcos por dólar. La segunda vez cambió $2840 en total con tasas de 125 yenes,
0.5 libras y 1.2 marcos por dólar. La tercera vez cambió un total de $2800 a 100 yenes, 0.6 libras y
1.2 marcos por dólar. ¿Cuál es la cantidad fija de yenes, marcos y libras que cambia en los viajes?


yenes/dólar marcos/dólar libras/dólar 


Primer viaje 100 1.6 0.6
=A
Segundo viaje 125 1.2 0.5 

Tercer viaje 100 1.2 0.6 
R
R
Sean
x la cantidad fija de yenes que cambia en los viajes

y la cantidad fija de marcos que cambia en los viajes
z la cantidad fija de libras que cambia en los viajes
En el primer viaje, se tiene que
100 yenes −→ 1 dolar

x yenes −→ ?
x
Si 100 yenes cuesta 1 dólar, entonces x yenes costarán dólares.
100
y
Si 1.6 marcos cuesta 1 dólar, entonces y marcos costarán dólares.
1.6
z
Si 0.6 libras cuesta 1 dólar, entonces z libras costarán dólares.
0.6
Ahora bien con el primer viaje cambio un total de $2550, entonces obtenemos la siguiente ecuación
x y z
+ + = 2550
100 1.6 0.6
x y z x y z
De mismo modo obtenemos que + + = 2840 y + + = 2800.
125 1.2 0.5 100 1.2 0.6
 x 
y z  x 10y 10z

 + + = 2550 
 + + = 2550

 100 1.6 0.6 
 100 16 6

 x 

y z x 10y 10z
+ + = 2840 + + = 2840

 125 1.2 0.5 
 125 12 5

 

 x + y + z = 2800
 
 x + 10y + 10z = 2800

100 1.2 0.6 100 12 6
 1 5 5 
 100 8 3     
  x 2550
 1 5 
 2   y  =  2840 
 125 6 
  z 2800
1 5 5
100 6 3
R
R
1 5 5 1 5 5

1 5
100 8 3 100 8 3
5 100 3
1
∆=
5 1
2 =
5
2 =− 1 = − 5 [1/50 − 1/75] = − 1 6= 0
125 6 125 6 24 24 720
125 2
1 5 5 10
0 0
100 6 3 48
5 5

2550
8 3
1000
5
∆x = 2840 2 =−
6 9

5 5
2800
6 3
1 5

2550
100 3
5
1
∆y = 2840 2 = −
125 3

1 5
2800
100 3
1 5

2550
100 8
5
1 5
∆z = 2840 = −
125 6 6

1 5
2800
100 6
∆x ∆y ∆z
x= = 80000, y= = 1200, z= = 600.
∆ ∆ ∆
EJEMPLO 3.60. Se combinan tres factores según tres procesos productivos obteniéndose en
cada proceso un producto diferente. La información tecnológica de la tabla adjunta indica las
unidades de cada factor necesarias para obtener una unidad de producto en cada proceso:
Proceso
Factor 1 2 3
1 2 4 8
2 6 11 6
3 8 1 2
R
R
Es decir, se necesitan 2 unidades del factor 1 para obtener una unidad de producto en el proceso 1,
se necesitan 4 unidades del factor 1 para obtener una unidad de producto en el proceso 2, etc. La
disponibilidad de los factores son : 122, 178 y 68 unidades respectivamente. Los precios de venta
de cada unidad de producto son: 220, 320 y 68 u.m. respectivamente.
(a) Hallar el plan de producción con el que se agotan las disponibilidades de los factores.
(b) Hallar los precios imputables a los factores para que los ingresos de cada unidad producida
igualen a los costes en el plan de producción.
(c) Formular el modelo lineal de maximización del ingreso.
SOLUCIÓN.- Para resolver el inciso (a) consideremos las siguientes variables
x el número de unidades de producto obtenidas en el proceso 1

y el número de unidades de producto obtenidas en el proceso 2
z el número de unidades de producto obtenidas en el proceso 3
luego debemos resolver el siguiente sistema de ecuaciones lineales:

2x + 4y + 8z = 122
6x + 11y + 6z = 178
8x + y + 2z = 68

    
2 4 8 x 122
 6 11 6   y  =  178 
3 1 2 z 68

2 4 8

∆ = 6 11 6 = −160 6= 0

3 1 2

122 4 8

∆x = 178 11 6 = −2400

68 1 2

2 122 8

∆y = 6 178 6 = −380

3 68 2
R
R

2 4 122

∆z = 6 11 178 = −1650
3 1 68
∆x ∆y 19 ∆z 165
x= = 15, y= = , z= = .
∆ ∆ 8 ∆ 16
Para resolver el inciso (b), consideremos la siguiente tabla
factor
Proceso 1 2 3
1 2 6 3
2 4 11 1
3 8 6 2
Es decir, en el proceso 1 se necesitan 2 unidades del factor 1 para obtener una unidad de producto,
en el proceso 1 se necesitan 6 unidades del factor 2 para obtener una unidad de producto, etc.
Tenemos que hallar los precios imputables a los factores para que los ingresos de cada unidad
producida igualen a los costes en el plan de producción. Recordemos que los precios de venta
de cada unidad de producto son: 220, 320 y 68 u.m. respectivamente. Tomemos las siguientes
variables
x el precio imputable al factor 1

y el precio imputable al factor 2
z el precio imputable al factor 3
luego debemos resolver el siguiente sistema de ecuaciones lineales:
2x + 6y + 3z = 220
4x + 11y + 1z = 320
8x + 6y + 2z = 68

    
2 6 3 x 220
 4 11 1   y  =  320 
8 6 2 z 68
R
R

2 6 3

∆ = 4 11 1 = −160 6= 0

8 6 2

220 6 3

∆x = 320 11 1 = 3604
68 6 2

2 220 3

∆y = 4 320 1 = −5720
8 68 2

2 6 220

∆z = 4 11 320 = −2696
8 6 68
∆x 901 ∆y 143 ∆z 337

x= =− , y= = , z= = .
∆ 40 ∆ 4 ∆ 20
EJEMPLO 3.61. Para la construcción de un almacén se precisa una unidad de hierro y ninguna
de madera. Para la construcción de un piso se precisa una unidad de cada material y para la
de una torre 4 unidades de hierro y una de madera. Se dispone de 16 unidades de hierro y 5 de
madera.
(a) Hallar cuántos almacenes, pisos y torres se pueden construir empleando todas las unidades
disponibles.
(b) Si el precio de cada almacén es de 6 u.m., el de cada piso 2 u.m. y el de cada torre de 4 u.m.,
¿hay algún plan de producción que cueste 36 u.m.?
almacen piso torre

hierro 1 1 4
madera 0 1 1
Para resolver el inciso (a) consideremos las siguientes incognitas
x el número de almacenes que se pueden construir

y el número de pisos que se pueden construir
z el número de torres que se pueden construir
R
R
Puesto que se dispone de 16 unidades de hierro y 5 de madera, entonces tenemos que resolver el
siguiente sistema de ecuaciones:
x + y + 4z = 16
y + z = 5

EJEMPLO 3.62. Arizmendi y Amigos, empresa de bienes raı́ces, planea construir un nuevo
complejo de apartamentos de 1, 2 y 3 habitaciones. Se planea un total de 192 apartamentos, y
el número de apartamentos familiares (de dos o tres habitaciones) será igual al número aparta-
mentos de una habitación. Si el número de apartamentos de una habitación será igual al triple
de apartamentos de 3 habitaciones, determinar cuántas unidades de cada tipo de apartamento
habrá en el conjunto.
SOLUCIÓN.- Consideremos las siguientes variables para las incógnitas
x el número de apartamentos de 1 habitación

y el número de apartamentos de 2 habitaciones
z el número de apartamentos de 3 habitaciones
Puesto que se planea un total de 192 apartamentos, entonces obtenemos la siguiente ecuación
x + y + z = 192. La oración: el número de apartamentos familiares (de dos o tres habitaciones)
será igual al número apartamentos de una habitación. Se traduce en la ecuación y + z = x. Y
la frase: el número de apartamentos de una habitación será igual al triple de apartamentos de 3
habitaciones es transformada en la ecuación x = 3z. Juntando estas tres ecuaciones obtenemos el
siguiente sistema lineal:
 
 x + y + z = 192  x + y + z = 192
y+z = x x − y − z = 0
 
x = 3z x − 3z = 0

    
1 1 1 x 192
 1 −1 −1   y  =  0 
1 0 −3 z 0

1 1 1 1 1 1

∆ = 1 −1 −1 = 2 0 0 = (−1)2+1 (2) 1 1 = −2[(1)(−3) − (0)(1)] = 6 6= 0
0 −3
1 0 −3 1 0 −3
R
R

192 1 1

∆x = 0 −1 −1 = (−1)1+1 (192) −1 −1 = 192[(−1)(−3) − (0)(−1)] = 576
0 −3
0 0 −3

1 192 1
1 −1
∆y = 1 0 −1 = (−1) (192)
1+2 = −192[(1)(−3) − (1)(−1)] = 384

1 0 −3 1 −3

1 1 192
1 −1
∆z = 1 −1 0 = (−1) (192)
1+3 = 192[(1)(0) − (1)(−1)] = 192
1 0 1 0
0
∆x 576 ∆y 384 ∆z 192

x= = = 96, y= = = 64, z= = = 32.
∆ 6 ∆ 6 ∆ 6
EJEMPLO 3.63. El centro comercial La Galerı́a oferta esta semana a un precio especial el
lavavajillas, el té y un champú. tres consumidores hacen cada uno de ellos una compra con el
consiguiente gasto:
Productos (unidades) Consumidor 1 Consumidor 2 Consumidor 3

Lavavajillas 2 4 1
Caja de té 4 1 2
Champú 1 2 4
Coste de Compra 12 18 10
¿Cuál es el precio de los tres productos?
SOLUCIÓN.- Consideremos las siguientes variables para las incógnitas
x el precio del lavavajillas

y el precio del té
z el precio del champú
Usando la tabla obtenemos la siguiente ecuación matricial

    
2 4 1 x 12
 4 1 2   y  =  18 
1 2 4 z 10

R
R

2 4 1 0 0 −7

∆ = 4 1 2 = 0 −7 −14 = (−1)2+1 (2) 1 1 = −2[(1)(−3) − (0)(1)] = 6 6= 0
0 −3
1 2 4 1 2 4
solo quiero que seas feliz cerca de mi o lejos de mi.

12 4 1

∆x = 18 1 2 = (−1)1+1 (192) −1 −1 = 192[(−1)(−3) − (0)(−1)] = 576
0 −3
10 2 4

2 12 1

∆y = 4 18 2 = (−1) (192) 1 −1
1+2 = −192[(1)(−3) − (1)(−1)] = 384
1 −3
1 10 4

2 4 12
1 −1
∆z = 4 1 18 = (−1) (192)

1+3
1 0 = 192[(1)(0) − (1)(−1)] = 192
1 2 10
∆x 576 ∆y 384 ∆z 192

x= = = 96, y= = = 64, z= = = 32.
∆ 6 ∆ 6 ∆ 6
EJEMPLO 3.64. Un agente inmobiliario puede realizar 3 tipos de operaciones: venta de un piso
nuevo, venta de un piso usado y alquiler. Por la venta de cada piso nuevo recibe una prima de
120.000 ptas. Si la operación es la venta de un piso usado recibe 60.000 ptas. Se desconoce la
prima cuando la operación es un alquiler. Este mes el número total de operaciones fue 5. La prima
total por venta de pisos fue superior en 200.000 ptas. a la obtenida por alquileres, y la prima total
por venta de pisos nuevos fue el triple que por alquileres.
① Plantea un sistema de ecuaciones (sin resolverlo) para obtener el número de operaciones de

cada tipo realizadas (en función de la prima de alquiler de valor desconocido).
② Indica una prima a la que es imposible que se hayan podido pagar los alquileres.
③ Indica tres primas a las que es posible que se hayan podido pagar los alquileres.
④ Si la prima de alquileres fue de 20.000 ptas. ¿cuántas operaciones de cada tipo se realizaron?
SOLUCIÓN.-
R
R
① Empecemos respondiendo a las siguientes preguntas: Cuáles son las incógnitas?, ¿Qué tengo
que buscar, averiguar o qué me preguntan?, ¿Qué datos me dan?, ¿Cuáles son las condiciones
del problema?. Llamamos x, y, z, al número operaciones de cada tipo que ha realizado y m
a la prima desconocida (en miles de pesetas):
Sean
x el número de pisos nuevos

y el número de pisos usados
z el número de alquileres
Con lo que tendremos:
 
 x+y+z = 5  x + y + z = 5
(∗) 120x + 60y = mz + 200 obteniendo 120x + 60y − mz = 200
 
120x = 3mz 120x − 3mz = 0
Surgen las siguientes interrogantes: ¿Cómo resolvemos este sistema de ecuaciones?, ¿Qué sig-
nifica resolver un sistema de ecuaciones?, ¿Las soluciones del sistema dependen del valor que
tome la variable m?, ¿Para que valores de m, el sistema tiene una sola solución, muchas
soluciones, ninguna solución o infinitas soluciones?.
Primero de todo tratemos de responder a la pregunta: ¿Como saber que el sistema tiene
solución o no tiene solución?, ¿conocemos alguna teorı́a que pueda ayudarnos?. Si, la teorı́a
matricial nos puede ayudar a resolverlo, empecemos transformando el sistema en la siguiente
ecuación matricial
     
5 4 −m x 936
 0 1 −1   y  =  0 
5 −4 0 z 252
② Para estudiar la compatibilidad del sistema, llamemos a la matriz de coeficientes M y a la

matriz aumentada con los términos independientes Ma , es decir
   
1 1 1 1 1 1 5
M =  120 60 −m  Ma =  120 60 −m 200 
120 0 −3m 120 0 −3m 0
Observemos que la matriz M es de orden 3 × 3. Ahora bien, el álgebra lienal nos da la

siguiente información:
|M| =
6 0 si y solo si rango(M) = rango(Ma ) = 3.
Por tanto, el sistema tiene una única solución.
R
R
Entonces es suficiente asegurar que el determinante de la matriz M no sea cero. ¿Como lo-
gramos esto?. Calculemos todos los valores de m para los cuales el determinante de M se haga
cero, es decir resolvamos la ecuación |M| = 0. Luego al evitar estos numeros aseguraremos
que |M| =6 0.

1 1 1 1 1 1

120 60 −m = 60 0 −60 − m = (−1) (1) 60 −60 − m
1+2
120 −3m
120 0 −3m 120 0 −3m
h i
= − (60)(−3m) − (120)(−60 − m)
h i
= − − 180m + 7200 + 120m = −7200 + 60m
Ahora bien, |M| = 0 se traduce en la ecuación −7200 + 60m = 0, de aquı́ se tiene que
m = 120.
Si m 6= 120, entonces |M| =6 0, por lo tanto el sistema (∗) tiene solución única. ¿Cómo
hallamos esta solución?. Usemos el método de Cramer para hallar estas soluciones.

1 1 1

|M| = 120 60 −m = 60m − 7200

120 0 −3m

5 1 1
|Mx | −300m
|Mx | = 200 60 −m = −300m
x= =
0 |M| 60m − 7200
0 −3m

1 5 1
|My | 600m − 24000
|My | = 120 200 −m = 600m − 24000 y= =
120 |M| 60m − 7200
0 −3m

1 1 5
|Mz | −12000
|Mz | = 120 60 200 = −12000 z= =
120 |M| 60m − 7200
0 0
Si m = 120, en este caso tenemos que |M| = 0. Que hacer?, observemos que las matrices
M y Ma son las siguientes:
   
1 1 1 1 1 1 5
M =  120 60 −120  Ma =  120 60 −120 200 
120 0 −360 120 0 −360 0
El hecho de que |M| = 0 garantiza que rango(M) < 3. Luego se presentan dos casos
posibles rango(M) = rango(Ma ) < 3 o rango(M) 6= rango(Ma ). Recordemos el siguiente
resultado:
R
R
☞ Si rango(M) = rango(Ma ) < 3, entonces el sistema tiene infinitas soluciones.

☞ Si rango(M) 6= rango(Ma ), entonces el sistema no tiene soluciones.
Ahora bien, sólo necesitamos calcular los rangos de la matriz de coeficientes M y el de
la matriz aumentada Ma .
Es claro que rango(M) = 2, puesto que es posible encontrar en la matriz M un menor
1 1
complementario de orden 2 y distinto de cero; por ejemplo: ; por otra parte
120 60
rango(Ma ) = 3 puesto que es posible encontrar en la matriz Ma un menor complemen-
1 1 5

tario de orden 3 y distinto de cero; por ejemplo: 120 60 200 6= 0
120 0 0
Ahora bien como
rango(M) 6= rango(Ma )
entonces el sistema (∗) no tiene solución. Por esta razón, resultarı́a imposible que las
primas por alquileres fueran 120.000 ptas.
③ Si la prima de alquileres hubiera sido de 35.000 ptas, tendrı́amos: m = 35, para este valor
se tiene que
−300m 35 600m − 24000 10 −12000 40

x= = , y= = , z= =
60m − 7200 17 60m − 7200 17 60m − 7200 17
④ Si la prima de alquileres hubiera sido de 20.000 ptas, tendrı́amos: m = 20
−300m 600m − 24000 −12000

x= = 1, y= = 2, z= =2
60m − 7200 60m − 7200 60m − 7200
Con lo que habrı́a vendido 1 piso nuevo, 2 pisos usados y realizado 2 alquileres.

3.8. Determinante de Vandermonde

El determinante de Vandermonde tiene múltiples usos en otras ramas de la Matemática (sobre
todo en los problemas de interpolación). Dicho determinante es, en su forma más general, de la
forma:

1 1 ... 1

a1 a ... an
2
.. .. .. ..
. . . .
n−1 n−1
a1 a2 . . . an−1
n

R
R
O sea, la primera fila está formada sólo por unos. La segunda por números diferentes. La tercera
y siguientes por los mismos números que la segunda elevados a potencias de exponente 2 hasta
n − 1. Los determinantes de Vandermonde de los diferentes órdenes son:
De segundo orden:

1 1
=b−a
a b
De tercer orden: Dejando igual la primera y multiplicando la segunda fila por −a y sumando a la
tercera fila y multiplicando la primera fila por −a y sumando a la segunda fila:

1 1 1 1 1 1
−af2 + f3 −af1 + f2 1 1 1
a b c = a b c = 0 b−a c − a
2 2 2
a b c 0 b2 − ab c2 − ac 0 b2 − ab c2 − ac

b − a c − a b − a c − a
= (−1)1+1 2 =
b − ab c − ac b(b − a) c(c − a)
2

1 1
= (b − a)(c − a) = (b − a)(c − a)(c − b)
b c
De cuarto orden:
R
R

1 1 1 1 1 1 1 1

a b c d −af3 + f4 a b c d
=
a2 b2 c2 d2 a2
b 2
c 2
d2

a3 b3 c3 d3 0 b3 − ab2 c3 − ac2 d3 − ad2

1 1 1 1

−af2 + f3 a b c d
=
0 b2 − ab c2 − ac d2 − ad

0 b3 − ab2 c3 − ac2 d3 − ad2

1 1 1 1

−af1 + f2 0 b−a c−a d − a
=
0 b2 − ab c2 − ac d2 − ad

0 b3 − ab2 c3 − ac2 d3 − ad2

1 1 1 1

0 b−a c−a d − a
=
0 b(b − a) c(c − a) d(d − a)

0 b2 (b − a) c2 (c − a) d2 (d − a)

b−a c−a d−a

1+1

= (−1) b(b − a) c(c − a) d(d − a)

b2 (b − a) c2 (c − a) d2 (d − a)

1 1 1

= (b − a)(c − a)(d − a) b c d
b2 c2 d2
= (b − a)(c − a)(d − a)(c − b)(d − b)(d − c)
En general podemos decir que a cada elemento se le restan todos los anteriores y se multiplican
todos los resultados de esas diferencias.
3.9. Cálculo del rango usando determinantes

Se llama menor de orden p de una matriz al determinante que resulta de eliminar ciertas filas y
columnas hasta quedar una matriz cuadrada de orden p. Es decir, al determinante de cualquier
submatriz cuadrada de A (submatriz obtenida suprimiendo alguna fila o columna de la matriz A).
En una matriz cualquiera Am×n puede haber varios menores de un cierto orden p dado.
DEFINICIÓN 3.9. El rango de una matriz es el orden del mayor de los menores distintos de
cero.
El rango o caracterı́stica de una matriz A se representa por rg(A). El rango no puede ser mayor
al número de filas o de columnas.
R
R
Si a un menor M de orden h de la matriz A se le añade la fila p y la columna q de A (que antes no

estaban en el menor), obtenemos un menor N de orden h + 1 que se dice obtenido de M orlando
este menor con la fila p y la columna q.
Consideremos la matriz  
1 −1 3 2
 1 0 5 −2 
A=
 4 1 −3 1 

0 1 2 3
 
1 −1 3
1 −1
La matriz M = es un menor de orden 2 de la matriz A. Las matrices  1 0 5 
1 0
4 1 −3
 
1 −1 2
y  1 0 −2  son menores de orden 3 que se han obtenido orlando M
0 1 3
El método para el cálculo del rango es un proceso iterado que sigue los siguientes pasos:
① Se busca un elemento no nulo, ya que si todos los elementos son 0, el rango será 0. El
elemento encontrado será el menor de orden k = 1 de partida.
② Se orla el menor de orden k hasta encontrar un menor de orden k + 1 no nulo. Cuando se

encuentra un menor de orden k + 1 no nulo se aplica a éste el método.
③ Si todos los menores orlados obtenidos añadiéndole al menor de partida los elementos de una
lı́nea i0 son nulos, podemos eliminar dicha lı́nea porque es combinación de las que componen
el menor de orden k.
④ Si todos los menores de orden k + 1 son nulos el rango es k. (Si aplicamos bien el método
en realidad, al llegar a este punto, la matriz tiene orden k).
EJEMPLO 3.65. Calcular el rango de la siguiente matriz

 
2 −3 1 0 1 0
 −1 0 1 2 0 0 
A=  1 −6 5

6 2 0 
0 0 1 0 1 1
SOLUCIÓN.-
1 6= 0, entonces r(A) ≥ 1

2 0
= 2 6= 0, entonces r(A) ≥ 2
1 1
R
R

2 0 0

6 2 0 = 4 6= 0, entonces r(A) ≥ 2

0 1 1

1 0 1 0
1 0 1
1 2 0 0
= 1 2 0 = 4 + 6 − 10 = 0
5 6 2 0
5 6 2
1 0 1 1

−3 0 1 0
−3 0 1
0 2 0 0
= 0 2 0 = −12 + 12 = 0
−6 6 2 0
−6 6 2
0 0 1 1

2 0 1 0
2 0 1
−1 2 0 0
= −1 2 0 = 8 − 6 − 2 = 0
1 6 2 0
1 6 2
0 0 1 1
Por tanto r(A) = 3
R
CAPÍTULO 4
Espacios vectoriales
El concepto de espacio vectorial es sin duda uno de los más importantes del Álgebra Lineal. El
espacio vectorial es una estructura algebraica que generaliza, hasta el mayor nivel de abstracción, la
idea de los vectores geométricos del plano y el espacio euclı́deos ordinarios, ası́ como las magnitudes
vectoriales que aparecen en Fı́sica; esencialmente, son conjuntos cuyos elementos se pueden sumar
entre sı́, y multiplicar por números. Son numerosı́mos y muy variados, como ya puede verse desde
los primeros ejemplos, los espacios vectoriales que aparecen de manera natural en distintas ramas
de las matemáticas. Todo espacio vectorial lleva siempre asociado un conjunto con estructura de
cuerpo, cuyos elementos llamaremos escalares, que jugarán el papel de números. Los elementos
del espacio vectorial serán los vectores.
Motivación.- Veamos un ejemplo para introducir el concepto de las ideas invariantes en la
solución a un sistema de ecuaciones lineales.
EJEMPLO 4.1. Resolver el sistema homogéneo:
x + 2y + w + 2t = 0
2x + 4y − z + w + 5t = 0
x + 2y + 2w + t = 0
z + w − t = 0
SOLUCIÓN.- Si utilizamos el orden x → y → z → w → t la matriz aumentada reducida queda:

   
1 2 0 1 2 0 1 2 0 1 2 0
2 4 −1 1 5 0  
  −→ 0 0 1 1 −1 0
1 2 1 2 1 0 0 0 0 0 0 0
0 0 1 1 −1 0 0 0 0 0 0 0
183
R
De donde la fórmula para las soluciones son:

       
x −2 −1 −2
y  1 0 0
       
 z  = y  0  + w −1 + t  1 
       
w  0 1 0
t 0 0 1
Si utilizamos el orden x → y → w → z → t la matriz aumentada reducida queda:

   
1 2 1 0 2 0 1 2 0 −1 3 0
2 4 1 −1 5 0  
  −→ 0 0 1 1 −1 0
1 2 2 1 1 0 0 0 0 0 0 0
0 0 1 1 −1 0 0 0 0 0 0 0

       
x −2 1 −3
y 1 0 0
       
z  = y  0  + z  1  + t  0 
       
w 0 −1 1
t 0 0 1
Si utilizamos el orden x → y → t → z → w la matriz aumentada reducida queda:

   
1 2 2 0 1 0 1 2 0 2 3 0
2 4 5 −1 1 0 0 0 1 −1 −1 0
  −→  
1 2 1 1 2 0 0 0 0 0 0 0
0 0 −1 1 1 0 0 0 0 0 0 0

       
x −2 −2 −3
y  1 0 0
       
z  = y  0  + z  1  + w  0 
       
w  0 0 1
t 0 −1 1
Si utilizamos el orden y → x → z → w → t la matriz aumentada reducida queda:

   
2 1 0 1 2 0 1 1/2 0 1/2 1 0
4 2 −1 1 5 0  
  −→ 0 0 1 1 −1 0
2 1 1 2 1 0 0 0 0 0 0 0
0 0 1 1 −1 0 0 0 0 0 0 0
R
R

       
x 1 0 0
y −1/2 −1/2 −1
       
 z  = x  0  + w  −1  + t  1 
       
w  0   1  0
t 0 0 1

Todas las soluciones previas aparentan ser diferentes, sin embargo, todas representan el mismo
conjunto solución. Necesitamos una teorı́a que nos dé confianza en los resultados obtenidos; qué nos
indique las cosas que permanecen y las cosas que pueden cambiar en las múltiples respuestas
válidas en Rn que podemos obtener. Además de los conjuntos solución en Rn , existen otras áreas
de la ingenierı́a que requieren un apoyo matemático: las matrices tienen su importancia y uso
en ingenierı́a industrial y en control; las series trigonométricas en procesamiento de señales; los
conjuntos de polinomios y las series de potencias para los IFIs, etc..
¿Cómo desarrollar una teorı́a comodı́n que se pueda aplicar a diferentes contextos sin ningún
cambio importante?
Abstracción y Generalización.- Si se hace una encuesta entre los matemáticos sobre que
palabras describen a las matemáticas se notará que la mayorı́a responde al menos dos palabras
claves: abstracción y generalización. La abstracción tiene que ver con representar cantidades por
medio de sı́mbolos, y la generalización tiene que ver con la construcción de estructuras o teorı́as
que engloban ciertas cosas o hechos conocidos. La que nos interesa más para abrir este tema es el
aspecto de la generalización. La generalización también tiene que ver con la economı́a del trabajo
realizado para investigar, y con determinar cuáles son los elementos mı́nimos responsables de que
ciertos resultados ocurran.
Para entender como ocurre la generalización en nuestra materia recordemos algunos conceptos
hemos visto en diferentes cursos de matemáticas: 1. vectores en el espacio n dimensional (Rn ),
2. matrices con entradas reales (Mn×m ), 3. polinomios reales, 4. series de pontencias, 5. series
trigonométricas, y 6. soluciones a ecuaciones diferenciales lineales homogéneas entre otros elemen-
tos.
Objetivo.- El objetivo que se persigue en el presente tema consiste en introducir aquella estruc-
tura abstracta que engloba las anteriores construcciones, y qué resultados se pueden obtener en
lo general sin importar a cual de las estructuras especı́ficas se haga referencia.
Es ası́ que en este capı́tulo se introduce el concepto de espacio vectorial. Este concepto generaliza
los vectores de Rn y las matrices de orden m×n. El concepto es abstracto y por tanto tiene alguna
dificultad natural; se le pide al estudiante un esfuerzo extra para pensar las cosas desde un punto
de vista general.
R
R
4.1. Espacios Vectoriales

El concepto de operación.- Antes que el concepto de espacio vectorial está el concepto de
operación. Veamos algunos ejemplos de operaciones para ir entendiendo que las operaciones de
suma o de multiplicación por escalares podrı́an ser diferentes de las que conocemos. Lo que es
importante recordar es el uso de los paréntesis: sirven para indicar un orden en las operaciones.
EJEMPLO 4.2. Suponga que V = R2 y que se define la operación:
(x, y) ⊕ (z, w) = (5x + z, 2w + 2y)
Si a = (−2, −3), b = (−1, 3), c = (−1, −1) calcule: a ⊕ b, b ⊕ a, (a ⊕ b) ⊕ c, a ⊕ (b ⊕ c).
SOLUCIÓN.-
a ⊕ b = (5 · (x = −2) + (z = −1), 2 · (w = 3) + 2 · (y = −3)) = (−11, 0)
b ⊕ a = (5 · (−1) + (−2), 2 · (−3) + 2 · (−1)) = (−7, 0)
(a ⊕ b) ⊕ c = (−11, −0) ⊕ (−1, −1) = (5 · (−11) + (−1), 2 · (−1) + 2 · (0)) = (−56, −2)
a ⊕ (b ⊕ c) = (−2, −3) ⊕ (−6, 4) = (−16, 2)

EJEMPLO 4.3. Suponga que V = R2 y que se definen las operaciones:
(x, y) ⊕ (z, w) = (2x, 3w + y) y t ⊙ (x, y) = (2tx, 3ty)
Si a = (1, 0) , c1 = 1, c2 = −4 calcule: (c1 + c2 ) ⊙ a, (c1 ⊙ a) ⊕ (c2 ⊙ a), (c1 · c2 ) ⊙ a, c1 ⊙ (c2 ⊙ a).
SOLUCIÓN.-
(c1 + c2 ) ⊙ a = −3 ⊙ (1, 0) = (2(−3)(1), 3(−3)(0)) = (−6, 0)
(c1 ⊙ a) ⊕ (c2 ⊙ a) = (2, 0) ⊕ (−8, 0) = (4, 0)
(c1 · c2 ) ⊙ a = −4 ⊙ (1, 0) = (−8, 0)
c1 ⊙ (c2 ⊙ a) = 1 ⊙ (−8, 0) = (−16, 0)

DEFINICIÓN 4.1. Consideremos un conjunto V 6= ∅ cuyos elementos los llamaremos vectores

y los denotamos mediante u, v, w, etc. Un cuerpo K, cuyos elementos los llamaremos escalares.
El conjunto V se dice que es un espacio vectorial sobre el cuerpo K (si K es R se dice que es
un espacio vectorial real y si K es C se dice que es un espacio vectorial complejo), si en él se
han definido dos operaciones: Una llamada suma de vectores y otra llamada multiplicación de
R
R
un escalar por un vector. La suma de vectores, o simplemente suma, es una regla o función que
asocia a dos vectores, digamos u y v un tercer vector, a este se le representará como u ⊕ v. La
multiplicación es una regla que asocia a un escalar y a un vector, digamos c y u un segundo vector
representado por c ⊙ u. Estas operaciones suma y producto por escalares, cumplen todos y cada
uno de los siguientes axiomas:
(S1) Para cualquiera dos vectores u y v en V , u ⊕ v ∈ V . Este axioma se conoce como el axioma
de cerradura bajo la suma: La suma de dos elementos del conjunto debe dar como resultado
también un elemento del conjunto.
(S2) Para cualquiera dos vectores u y v en V u ⊕ v = v ⊕ u. Este axioma se conoce como el
axioma de la conmutatividad de la suma: El orden de los sumandos no altera el resultado de
la suma.
(S3) Para cualquiera tres vectores u, v y w en V u ⊕ (v ⊕ w) = (u ⊕ v) ⊕ w. Este axioma se
conoce como axioma de la asociatividad de la suma: En una suma de vectores, no importa
el orden cómo asocien la sumas entre dos; el resultado será siempre el mismo.
(S4) Existe un único vector en V que se simbolizará por 0 y que se llamará el vector cero tal que
para cualquier vector u ∈ V se cumple u ⊕ 0 = 0 ⊕ u = u. Este axioma se conoce como el
axioma de la existencia del elemento neutro: Existe en el conjunto un elemento distinguido
que sumado con cualquier elemento da el mismo segundo elemento.
(S5) Para cualquier vector u ∈ V existe un único vector también en V y simbolizado por −u que
cumple u ⊕ (−u) = (−u) ⊕ u = 0. Este axioma se conoce como axioma de la existencia
de inversos aditivos: Cada elemento del conjunto posee un inverso aditivo; un elemento del
conjunto que sumado con él da el neutro aditivo.
(M1) Para cualquier vector u ∈ V y para cualquier escalar c ∈ K se cumple c⊙u ∈ V . Este axioma
se conoce como el axioma de cerradura bajo la multiplicación por escalares: El resultado del
producto entre cualquier escalar por cualquier elemento del conjunto debe dar como resultado
también un elemento del conjunto.
(M2) Para cualquiera dos vectores u y v en V , y para cualquier escalar c en K se cumple
c ⊙ (u ⊕ v) = (c ⊙ u) ⊕ (c ⊙ v).
Este axioma se conoce como la propiedad distributiva del producto (por escalares) sobre la
suma (de vectores): En un producto de un escalar por una suma de vectores, da lo mismo
realizar la suma de los vectores y el resultado multiplicarlo por el vector que individualmente
multiplicar cada vector por el escalar y después sumar los resultados.
(M3) Para cualquier vector u ∈ V y para cualquiera dos escalares a y b en K se cumple
(a + b) ⊙ u = (a ⊙ u) ⊕ (b ⊙ u).
Este axioma se conoce como la propiedad distributiva del producto (por escalares) sobre la
suma (de escalares).
R
R
(M4) Para cualquier vector u ∈ V y para cualquiera dos escalares a y b en K se cumple
a ⊙ (b ⊙ u) = (ab) ⊙ u.
Esta propiedad se conoce como la ley asociativa del producto entre escalares y el producto de
escalar con vector. Lo llamaremos simplemente como la propiedad asociativa del producto.
(M5) Para cualquier vector u ∈ V se cumple 1 ⊙ u = u
Cuando se elabora una argumentación en algún cálculo o demostración uno debe hacer referencia
a los axiomas. Por ellos es que es conveniente y elegante llamarlos por su descripción. Se le pide
al alumno que entienda la lógica de cada uno de ellos y memorice sus descripciones.
Observación 4.1. La suma de escalares (suma dentro de K) se escribió con el sı́mbolo + pero
no hay que confundirla con la suma dentro de V , que desde ahora se representa también con el
sı́mbolo +. “⊕ = +”.
Observación 4.2. Un espacio vectorial sobre un cuerpo K, es una cuádrupla ordenada {V, K, +, ·}
que verifica los axiomas mencionados en la definición.
Observación 4.3. El lector comparará estas propiedades de la definición de espacio vectorial
con las propiedades de los vectores de Rn , de las n-uplas de números reales, o de las matrices con
sus operaciones de suma y producto por un escalar.
PROPOSICIÓN 4.1. En todo espacio vectorial {V, K, +, ·}se cumple:

1) el neutro es único.
2) Cada vector u ∈ V su opuesto −u es único..
DEMOSTRACIÓN. 1) Sean 01 y 02 dos neutros: 01 = 01 + 02 = 02 , luego son iguales.
2) Sean (−u)1 y (−u)2 dos opuestos de u:
(−u)1 = 0 + (−u)1 = ((−u)2 + u) + (−u)1 = (−u)2 + (u + (−u)1 ) = (−u)2 + 0 = (−u)2 , luego
coinciden.
Observación 4.4. A los espacios vectoriales sobre R se los llamará espacios vectoriales reales,
o R–espacios vectoriales. A los espacios vectoriales sobre C, espacios vectoriales complejos, o C–
espacios vectoriales. A veces, por abuso de lenguaje los espacios vectoriales se indican por el
conjunto de vectores V , sobreentendiendo el cuerpo K y las operaciones + y ·.
EJEMPLOS DE ESPACIOS VECTORIALES

EJEMPLO 4.4. El plano cartesiano R2 de puntos de la forma (x, y) con x, y ∈ R, es un espacio
vectorial real respecto de las siguientes operaciones:
(x1 , y1) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

a.(x, y) = (ax, ay)
R
R
EJEMPLO 4.5. V es el conjunto de ternas ordenadas de números reales V = R3 y K =R y

definimos las operaciones + y · como sigue:
def
suma: (a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 )
def
producto: λ · (a1 , a2 , a3 ) = (λ.a1 , λ.a2 , λ.a3 ) para todo λ ∈ R y todas las ternas de R3 .
def
Notación: El sı́mbolo = quiere decir que el miembro de la izquierda esta siendo definido mediante
la expresión de la derecha.
EJEMPLO 4.6. Sea n un número natural ≥ 1. El espacio Rn = R × R × . . . × R de n-plas

ordenadas de números reales en la forma (x1 , . . . , xn ) es un espacio vectorial real respecto de las
siguientes operaciones:
def
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
def
a.(x1 , . . . , xn ) = (ax1 , . . . , axn )
Es fácil verificar que {Rn , R, +, ·} es un espacio vectorial sobre R, con 0 = (0, 0, · · · , 0) y
− (a1 , a2 , · · · , an ) = (−a1 , −a2 , · · · , −an ) .
Las operaciones definidas en este ejemplo se llaman usuales de Rn . Este ejemplo se generaliza al
caso de un cuerpo cualquiera K, obteniéndose el K-espacio canónico K n .
EJEMPLO 4.7. El conjunto M2 [R] de matrices reales 2×2 con las operaciones usuales de adición
y multiplicación de matriz por escalar, conforma un espacio vectorial sobre los reales.
EJEMPLO 4.8. El conjunto de matrices de dimensión m × n
Mm×n (R) = {A = (aij ) : aij ∈ R, 1 ≤ i ≤ n, 1 ≤ j ≤ m}
con las operaciones: suma de matrices y producto por números reales. es un espacio vectorial sobre
R. Mn×n (R) es el espacio vectorial sobre R de matrices simétricas n × n.

EJEMPLO 4.9. El conjunto de todos los polinomios con coeficientes reales en la variable x:
( n )
X
R [x] = ak xk : n ∈ R, ak ∈ R
k=0
con las clásicas operaciones de suma y producto por números reales, es un espacio vectorial real. Si
cambiamos R por un cuerpo cualquiera K obtenemos el K -espacio vectorial K [x] de polinomios
con coeficientes en K.
R
R
EJEMPLO 4.10. El conjunto de todos los polinomios, con coeficientes reales en la variable x,
de grado menor o igual que n:
( n )
X
k
R n [x] = ak x : ak ∈ R
k=0
con las mismas operaciones anteriores es un espacio vectorial sobre R. Sin embargo El conjunto de
los polinomios en una variable x, de grado igual a n, con coeficientes reales, K = R y la suma y el
producto definidos como en el ejemplo 1.5, no forman un espacio vectorial ( Estudiar por qué no).

EJEMPLO 4.11. El conjunto de todas las sucesiones de números reales:
S = {(xn )∞
n=0 : xn ∈ R, n ≥ 1}
con las operaciones: suma de sucesiones y producto por números reales definidas como sigue:
Dadas {an } y {bn }∈ V , y dado λ ∈ R:
def
{an } + {bn } = (a1 + b1 , a2 + b2 , ..., an + bn , ...) = {an + bn }
(la suma de dos sucesiones es definida como la sucesión que se obtiene sumando los términos
n-ésimos de las sucesiones dadas),
def
λ · {an } = λ · (a1 , a2 , . . . , an ) = (λ · a1 , λ · a2 , . . . , λ · an ) = {λ · an }
Es fácil comprobar que es un espacio vectorial real . El vector nulo es la sucesión que tiene todos
sus términos iguales a cero. Se verifica además − {an } = {−an }
EJEMPLO 4.12. Sea X un conjunto no vacı́o. El conjunto RX de todas las funciones de X en
R es un espacio vectorial real bajo las siguientes operaciones:
def def
f+g = h donde h( x) = f(x)+g(x) ∀x ∈ X.
def def
λ · f = k donde k (x) = λf (x) ∀ x ∈ X , ∀λ ∈ R
Si X = R entonces se obtiene el espacio de todas las funciones de variable real a valor real. Si X
es un intervalo abierto, por ejemplo (a, b) o R, y C(X) es el conjunto de funciones continuas de X
en R , entonces C(X) es un espacio vectorial real. Si X = N es el conjunto de números naturales,
entonces resulta el espacio de las sucesiones reales.
EJEMPLO 4.13. El conjunto de las n-uplas ordenadas de números complejos V = Cn con
las operaciones definidas como en el ejemplo 1.3 tomando K = C forma un C-espacio vectorial
{Cn , C, +, ·)}.
EJEMPLO 4.14. Si K = R, y las operaciones en Cn se definen en forma análoga al ejemplo
anterior (y en forma análoga al ejemplo 1.3), resulta {Cn , R, +, ·} un espacio vectorial real (distinto
del ejemplo 1.7 , puesto que difieren en el cuerpo K ).
R
R
EJEMPLO 4.15. Las sucesiones de números complejos con la suma de sucesiones y el producto
de una sucesión por un número complejo definidos en forma similar al ejemplo 1.4 constituyen un
C-espacio vectorial.
EJEMPLO 4.16. El conjunto {0} es un K -espacio vectorial, donde se define 0+0=0 y α · 0 =

0 , ∀ α ∈ K.
EJEMPLO 4.17. Dado un sistema de ecuaciones lineales homogéneo con coeficientes reales
a11 x1 + a12 x2 + · · · + a1n xn = 0

a21 x1 + a22 x2 + · · · + a2n xn = 0
.. (4.1)
.
an1 x1 + an2 x2 + · · · + ann xn = 0
de m ecuaciones con n incógnitas. El conjunto de soluciones del sistema
W = {(a1 , a2 , ..., an ) ∈ Rn : (a1 , a2 , ..., an ) es solución de (4.1)}
es un espacio vectorial (W, R, +, ·).

EJEMPLO 4.18. Con las operaciones usuales {R, C, +, ·} no es un espacio vectorial.
Observación 4.5. En todos los ejemplos anteriores, para verificar que efectivamente son espacios
vectoriales, hay que verificar que se cumplen las propiedades incluidas en la definición 1.1, para la
suma y el producto por escalares.
Observación 4.6. Se denota u − v a la suma u + (−v) con u, v ∈ V .
PROPOSICIÓN 4.2. 0 · u = 0 , ∀u ∈ V
DEMOSTRACIÓN.
0 · u = 0 · u + 0 = 0 · u + (u − u) = (0 · u + 1 · u) − u
= (0 + 1) · u − u = 1 · u − u = u − u = 0

PROPOSICIÓN 4.3. α · 0 = 0 , ∀α ∈ K
DEMOSTRACIÓN. Sea u un vector cualquiera de V ,
0 = α · u − α · u = α · (0 + u) − α · u
= (α · 0 + α · u) − α · u = α · 0 + (α · u − α · u)
= α · 0 + 0 = α · 0.

R
R
PROPOSICIÓN 4.4. Sean α ∈ K , u ∈ V . Entonces , α · u = 0 si y sólo si : α = 0 y/o u = 0.

1 1
ÓN. Directo: Supongamos que α 6= 0. Como α · u = 0,
DEMOSTRACI
1
α
· (α · u) = α
· 0 de
donde α
· α · u = 0, o sea 1 · u = 0; u = 0.
Recı́proco: son las Proposiciones 4.2 y 4.3.
PROPOSICIÓN 4.5. (−1) .v = −v ∀v ∈ V

DEMOSTRACIÓN. Basta ver que (−1) v es el opuesto de v, es decir
v + (−1) .v = 1.v + (−1) v = (1 + (−1)) v = 0.v = 0
4.2. Subespacios
DEFINICIÓN 4.2. Sea {V, K+, ·} un espacio vectorial y W un subconjunto de V . Diremos que
W es un subespacio de V , si se cumple:
a) w1 + w2 ∈ W para todo w1 ∈ W y w2 ∈ W
b) λ w ∈ W para todo w ∈ W y λ ∈ K
Es decir, un subespacio de un espacio vectorial es un conjunto no vacı́o, çerrado” frente a la suma

y al producto de escalares por vectores.
Observación 4.7. Si W es un subespacio, entonces 0 ∈ W (debido a que 0.v pertenece a W y
por la Proposición 1.2).
EJEMPLOS DE SUBESPACIOS VECTORIALES

EJEMPLO 4.19. En cualquier espacio vectorial, el conjunto {0} es un subespacio. Obviamente,
es el subespacio más pequeño que puede haber.

EJEMPLO 4.20. En R2 , el eje de abscisas {(x, 0) : x ∈ R} es un subespacio vectorial. Igualmente
lo es el eje de ordenadas.

EJEMPLO 4.21. La circunferencia {(x, y) : x2 +y 2 = 1} no es subespacio vectorial. Por ejemplo,
si multiplicas por 2 un vector, se sale fuera de la circunferencia. Otra razón: el 0 no pertenece a
la circunferencia.

EJEMPLO 4.22. El conjunto U formado por la unión de los dos ejes de ordenadas de R2 (es
decir, U = {(x, y) ∈ R2 : xy = 0}) no es un subespacio vectorial. Obsérvese que el producto por
escalares no da problema. Sin embargo, la suma sı́. Por ejemplo, los vectores (1, 0), (0, 1) están los
dos en U, pero su suma, (1, 1), no.

R
R
EJEMPLO 4.23. En {R3 , R, +, ·} W={(a1 , a2 , a3 ) ∈ R3 tales que a3 = 0} entonces W es un

subespacio de V .
EJEMPLO 4.24. En {Rn , R, +, ·} sea W = {(a1 , ..., an ) ∈ Rn : ai = 0} con i fijo 0 < i 6 n,

es decir W es el conjunto de las n-uplas con la i-ésima componente nula, . Entonces W es un
subespacio de Rn .
EJEMPLO 4.25.  Demuestra que el plano π : x − y + z = 0 es un subespacio vectorial, mientras

 x=t
que la recta L: y = −2 + t no lo es.

z = 2t
SOLUCIÓN.- Ambos lugares geométricos pueden reescribirse como
x − y + z = 0, y = x + z, (x, y, z) = (x, x + z, z) = (x, x, 0) + (0, z, z) = x(1, 1, 0) + z(0, 1, 1)
π = {p : p = x(1, 1, 0) + z(0, 1, 1) x, z ∈ R}
Ahora bien, si x = t, y = −2 + t, z = 2t, entonces
(x, y, z) = (t, −2 + t, 2t) = (t, t, 2t) + (0, −2, 0) = t(1, 1, 2) + (0, −2, 0)
L = {p : p = t(1, 1, 2) + (0, −2, 0) t ∈ R}

que forman subconjuntos del espacio vectorial R3 .
PLANO π: Cerradura para la suma de vectores: Sean p, q en el plano π, entonces p = r(1, 1, 0) +
s(0, 1, 1) para r, s ∈ R y q = a(1, 1, 0) + b(0, 1, 1) para a, b ∈ R, entonces
p + q = r(1, 1, 0) + s(0, 1, 1) + a(1, 1, 0) + b(0, 1, 1) = (r + a)(1, 1, 0) + (s + b)(0, 1, 1) ∈ π
Cerradura para la multiplicación por un escalar: sea λ ∈ R entonces
λp = λ(r(1, 1, 0) + s(0, 1, 1)) = λr(1, 1, 0) + λs(0, 1, 1) ∈ π
Por lo tanto, el plano es un subespacio vectorial.

RECTA L. Cerradura para la suma de vectores: Sean p, q en la recta L, entonces p = t(1, 1, 2) +
(0, −2, 0) para t ∈ R y q = s(1, 1, 2) + (0, −2, 0) para s ∈ R, entonces
p + q = t(1, 1, 2) + (0, −2, 0) + s(1, 1, 2) + (0, −2, 0) = (t + s)(1, 1, 2) + (0, −4, 0) ∈

/L
Se observa que la componente y = (t + s) − 4 no coincide con las ecuaciones paramétricas de L; es

decir, la suma de dos puntos de la recta no pertenece a dicho lugar geométrico. En consecuencia
la recta L no es un subespacio vectorial. ♣
R
R
EJEMPLO 4.26. Sea π un plano del espacio. La dirección de π forma un subespacio de los
vectores del espacio. De la misma forma, si la recta r es paralela al plano π, entonces la dirección
de r forma un subespacio de la dirección de π.
EJEMPLO 4.27. Consideremos el espacio vectorial Kn , (K = R o C) y A ∈ Mm×n (K). El
conjunto de todas las soluciones de un sistema de ecuaciones lineales homogéneas de m ecuaciones
y n incógnitas
S = {x ∈ Kn : Ax = 0}
es un subespacio vectorial del espacio vectorial Kn , siendo la dimensión igual a n menos el rango de
la matriz de los coeficientes, es decir dim S = n−rango(A). Para comprobarlo usamos nuevamente
el teorema del subespacio.
i) S no es vacı́o porque 0 ∈ S, ya que A0 = 0.
ii) Sean u y v ∈ S. Por lo tanto Au = 0 y Av = 0. Entonces A(u + v) = Au + Av = 0 + 0, con

lo cual u + v ∈ S.
iii) Supongamos u ∈ S. Entonces Au = 0. Para comprobar que v = αu con α un escalar
arbitrario pertenece a S, veamos que Av = 0. Pero Av = A(αu) = α(Au) = α0 = 0. Con
esto último queda demostrado que S es subespacio.
A partir de este resultado se puede deducir en forma analı́tica que toda recta en R2 que pase por
el origen es subespacio. En efecto, si S es una recta que pasa por el origen, sus puntos verifican
una ecuación de la forma ax1 + bx2 = 0, es decir, S = {x ∈ R2 : ax1 + bx2 = 0}. Si llamamos
A = [a b], tenemos que S = {x ∈ R2 : Ax = 0}, que es subespacio por lo que ya vimos. En forma
similar se demuestra que una recta S en R3 que pase por el origen es subespacio. En este caso los
puntos de S son solución de un sistema de dos ecuaciones lineales homogeneas, es decir,
S = {x ∈ R3 : ax1 + bx2 + cx3 = 0 y dx1 + ex2 + f x3 = 0}.

a b c
Si ahora consideramos la matriz A = , tenemos que S = {x ∈ R3 : Ax = 0}, que es
d e f
subespacio de R3 .

EJEMPLO 4.28. Consideremos P(K) el espacio vectorial de polinomios con coeficientes en K.
El conjunto de polinomios de grado menor o igual a n junto con el polinomio nulo.
Pn (K) = {p ∈ P(K) : deg(f ) ≤ n}
es un subespacio vectorial de P(K). Aquı́ se utiliza el acuerdo que deg(0) = −∞.

Tomemos p ∈ Pn (K), entonces p = an tn +an−1 tn−1 +· · ·+a0 . Por ejemplo, p = t3 +t y q = 2t2 −t+1
son elementos de P3 (K); q también es elemento de P2 (K), mientras que p no lo es.
Pn (R) es subespacio de P(R) y, por ende, es un espacio vectorial real. En efecto, Pn (R) no es
vacı́o porque Pn (R) contiene al polinomio nulo. Por otra parte, la suma de dos polinomios de
R
R
grado menor o igual a n es de grado menor o igual a n, y el producto de un polinomio de grado

menor o igual a n por una constante es un polinomio de grado menor o igual a n, con lo cual las
operaciones suma y producto son cerradas en Pn (R).

EJEMPLO 4.29. Consideremos Mn (K) el espacio vectorial de matrices de orden n × n con
entradas en K. El conjunto de matrices triangulares superiores
tsn (K) = {A ∈ Mn (K) : ∀i, j ∈ {1, ..., n}, si i > j ⇒ aij = 0}
es un subespacio vectorial de Mn (K).

entradas en K. El conjunto de matrices triangulares inferiores
tin (K) = {A ∈ Mn (K) : ∀i, j ∈ {1, ..., n}, si i < j ⇒ aij = 0}

entradas en K. El conjunto de matrices diagonales
Diagn (K) = {A ∈ Mn (K) : ∀i, j ∈ {1, ..., n}, si i 6= j ⇒ aij = 0}

entradas en K. El conjunto de matrices simétricas
Sn (K) = {A ∈ Mn (K) : AT = A}

entradas en K. El conjunto de matrices antisimétricas
An (K) = {A ∈ Mn (K) : AT = −A}

entradas en K. El conjunto de matrices con traza nula
trn (K) = {A ∈ Mn (K) : tr(A) = 0}

R
R

EJEMPLO 4.35. En el espacio vectorial de todas las matrices cuadradas de orden n, el sub-
conjunto de las matrices matrices regulares no es un subespacio vectorial ni el de las matrices
singulares.
EJEMPLO 4.36. Consideremos C(R) el espacio vectorial de todas la funciones continuas f :
R → R. El conjunto de funciones continuas pares
S = {f ∈ C(R) : ∀x ∈ R f (−x) = f (x)}
es un subespacio vectorial de C(R).

EJEMPLO 4.37. Consideremos C(R) el espacio vectorial de todas la funciones continuas f :
R → R. El conjunto de funciones continuas impares
S = {f ∈ C(R) : ∀x ∈ R f (−x) = −f (x)}
es un subespacio vectorial de C(R).

EJEMPLO 4.38. Sea F (R) = {f : R → R} el espacio vectorial de las funciones reales. Son
subespacios vectoriales:
S1 = {f ∈ F (R) : f (0) = 0} S2 = {f ∈ F (R) : f continua}

S3 = {f ∈ F (R) : f acotada} S4 = {f ∈ F (R) : f derivable}
y no lo son
S5 = {f ∈ F (R) : f (x) > 0, ∀x ∈ R} S6 = {f ∈ F (R) : |f (x)| ≤ 1, ∀x ∈ R}

EJEMPLO 4.39. Son subespacios vectoriales del espacio vectorial P(K), de todos los polinomios
en x con coeficientes reales, los siguientes:
S1 = {p ∈ P(R) : p′ (0) = 0} S2 = {p ∈ P(R) : a0 = a1 = 0}
donde a0 y a1 son los coeficientes de grado 0 y 1, respectivamente. No son subespacios vectoriales:
S3 = {p ∈ P(R) : grado(p) = 4} S4 = {p ∈ P(R) : el grado de p es par}

EJEMPLO 4.40. Son subespacios vectoriales de M2×2 (R):

0 a 0 a
S1 = : a, b ∈ R , S2 = :a∈R
b 0 −a 0
y no lo es
0 1
S3 = :a∈R
a 0
R
R
EJEMPLO 4.41. En las sucesiones de números reales (ejemplo 1.4) sea W el conjunto formado
por las sucesiones que a partir de algún término, tienen todos los términos restantes iguales a cero.
W es un subespacio del espacio vectorial V .
EJEMPLO 4.42. Sea V el espacio vectorial del ejemplo 1.6, y sea C[a, b] el conjunto de las
funciones f que son continuas. f : [a, b] → R. Entonces C[a, b] es un subespacio de V . Recordar
que la suma de funciones continuas es una función continua, ası́ como también lo es el producto
de una función continua por un escalar.
EJEMPLO 4.43. En el espacio de las n-uplas de complejos (ejemplo 1.7) sea W un subconjunto
de las n-uplas cuya suma de términos da cero. Se puede verificar que es un subespacio de Cn .
EJEMPLO 4.44. En el espacio del ejemplo 1.7 {Cn , C, +, ·} sea W el subconjunto de las n-
uplas cuyo primer término es 5+2i . Este subconjunto W no es un subespacio, porque al sumar
dos elementos de W, el resultado no pertenece a W.
EJEMPLO 4.45. Sea {Cn , R, +, ·} el espacio vectorial del ejemplo 1.8. Sea W ’ el subconjunto
formado por las n-uplas de números complejos cuyos términos tienen parte real igual a cero. Es
un subespacio. En este ejemplo es importante que el cuerpo K sea R y no C. Observar que el
mismo subconjunto W ’, considerado como subconjunto del espacio vectorial {Cn , C, +, ·} no es
un subespacio.
EJEMPLO 4.46. En el ejemplo 1.9 de las sucesiones de números complejos sobre el cuerpo C,
con las operaciones usuales, sea W el subconjunto de las sucesiones que tienen igual a cero los
términos que están en lugar par: W = {{an } : an ∈ C, a2k = 0}. Entonces W es un subespacio.
TEOREMA 4.1. Si W es un subespacio de {V, K, +, ·} entonces {W, K+, ·} con las operaciones
que + y · ”heredadas”de V , es un espacio vectorial sobre el mismo cuerpo K.
DEMOSTRACIÓN. Hay que probar que si {V, K, +, ·} es espacio vectorial y W ⊂ V es sube-
spacio de V entonces {W, K, +, ·} también es un espacio vectorial.. Las operaciones + y · en W
se entienden que son las + y · restringidas a W.
En primer lugar el conjunto W es distinto de vacı́o, porque W es un subespacio. La operación +
en W , es la operación + de V , pero restringida a W (eso quiere decir aplicada sólo a parejas de
vectores en W ). Está bien definida (da un vector de W ), por a) de la definición 2.1. Cumple las
propiedades conmutativa y asociativa porque estas se cumplen para todos los vectores de V . Luego
en particular se cumplen para los vectores de W. Veamos ahora que existe un vector neutro para la
suma en W. Por la Nota 2.1., el neutro de V está en W y satisface 0 + w ′ = w ′ + 0 = w ′ ∀w ′ ∈ W ;
por tanto es el neutro de W y 0 es el vector que estamos buscando.
Ahora veamos la existencia del opuesto (−w)w en W de un vector w ∈ W . Sabemos que existe
−w ∈ V , opuesto de W ⊂ V , que cumple: w + (−w) = 0. Mostraremos que este opuesto de W en
V , es también opuesto de W en W ; por la proposición 1.5: −w = (−1) · w.
Además (−1) · w ∈ W porque w ∈ W y W es un subespacio. Entonces −w cumple: −w ∈ W y
w + (−w) = 0W = 0, o sea −w verifica las condiciones requeridas para ser opuesto de w en W ,
como querı́amos probar.
R
R
En cuanto a las propiedades de la función · en W requeridas en la definición 1.1 se cumplen todas

en W puesto que por definición se cumplen en V que incluye a W. Queda probado entonces que
si W es un subespacio de un espacio vectorial V , entonces también W es un espacio vectorial.
Nota 2.3: Este teorema permite ver en forma fácil si un cierto conjunto W sobre un cuerpo K,
con ciertas operaciones + y · es un espacio vectorial. En efecto, en lugar de verificar todas las
condiciones de la definición 1.1, alcanza ver si W es un subespacio de algún V , que ya se sepa tiene
estructura de espacio vectorial. Para lo cual alcanza con probar que W es cerrado con respecto a
la suma y cerrado con respecto al producto de un escalar por un vector.
Otros ejemplos de subespacio vectoriales, además de los anteriores son los llamados subespacios
triviales. Uno de ellos es W = {0} (conjunto formado por un único elemento, el vector nulo). El
otro subespacio trivial es W = V . En ambos casos, W es subespacio de V .
T
n
TEOREMA 4.2. Sean W1 , W2 , ..., Wn , subespacios de un mismo espacio V . Entonces W = Wi
i=1
es también un subespacio de V .
DEMOSTRACIÓN. En primer lugar W 6= ∅; en efecto: el vector 0 pertenece a todos los sube-
spacios Wi , y por lo tanto pertenece también a su intersección W.
Además W ⊂ V puesto que W ⊂ Wi ⊂ V ∀ i = 1, 2, ..., n
Falta probar que W es cerrado frente a la suma de vectores y al producto de un escalar por un
vector. Sean w y w’ ∈ W . Entonces w y w’ pertenecen a todos los subespacios α·w ∈ Wi ∀ i =
1, 2, ..., n (porque W es la intersección de ellos), w y w ′ ∈ Wi para cada i = 1, 2, ..., n, .Luego
w + w ′ ∈ Wi ∀ i = 1, 2, ..., n (puesto que Wi son subespacios). Entonces w + w ′ ∈ W .
Ahora sean α ∈ K y w ∈ W . Se tiene w ∈ Wi ∀ i = 1, 2, ..., n. De allı́ α·w ∈ Wi ∀ i = 1, 2, ..., n
(puesto que Wi son subespacios). Entonces α·w pertenece a la intersección de todos los Wi , o sea
a W.
R
R
4.3. Combinación lineal y Subespacio generado

Espacio generado por un conjunto de elementos de un espacio vectorial.- Hemos visto que para
describir una recta se necesita solo un vector y que para describir un plano se necesitan dos vectores
no colineales. Visto desde el lado de los vectores podemos decir que el vector genera la recta,
o que los dos vectores generan un plano. Las siguientes definiciones generalizan este concepto en
cualquier espacio vectorial.
DEFINICIÓN 4.3. Sea V un espacio vectorial, v1 , v2 , ..., vn vectores de V . Decimos que V es
combinación lineal de v1 , v2 , ..., vn cuando existen escalares λ1 , λ2 , ..., λn tales que :
v = λ1 v1 + λ2 v2 + ... + λn vn
EJEMPLO 4.47. En R3 , para averiguar si el vector v = (1, 2, 3) es combinación lineal de v1 =
(1, 1, 1), v2 = (2, 4, 0) y v3 = (0, 0, 1), se plantea la ecuación vectorial:
(1, 2, 3) = a(1, 1, 1) + b(2, 4, 0) + c(0; 0, 1)
que equivale al siguiente sistema de ecuaciones, cuyas soluciones son las que se indican:
 
 a + 2b = 1  a = 0
a + 4b = 2 =⇒ b = 1/2
 
a+c = 3 c = 3
1
Luego v = 0v1 + v2 +3v3 , y el vector v es combinación lineal de {v1 , v2 , v3 } (y también de {v2 , v3 }).
2
EJEMPLO 4.48. Mostrar que el vector (1, 1, 1) es combinación lineal de los vectores (1, 1, 0),
(0, 1, 1) y (1, 0, 1). En efecto:

 a + c = 1
(1, 1, 1) = a(1, 1, 0) + b(0, 1, 1) + c(1, 0, 1) ⇐⇒ a + b = 1

b + c = 1
Aplicando el método de Gauss se tiene:
       
1 0 1 1 (−1)f + f 1 0 1 1 (−1)f2 + f3 1 0 1 1 (1/2)f 1 0 1 1
1 2
1 1 0 1 ←→ 0 1 −1 0 ←→ 0 1 −1 0 ←→ 3 0 1 −1 0 
0 1 1 1 0 1 1 1 0 0 2 1 0 0 1 1/2
1 1 1
de donde (1, 1, 1) = (1, 1, 0) + (0, 1, 1) + (1, 0, 1).
2 2 2

−1 0
EJEMPLO 4.49. En M2×2 (R), para averiguar si la matriz A = es combinación lineal
2 4

1 1 3 2
de A1 = y A2 = , se plantea la ecuación matricial:
2 2 3 5


 a + 3b = 1

−1 0 1 1 3 2 a + 2b = 0
=a +b =⇒
2 4 2 2 3 5 
 2a + 3b = 2

2a + 5b = 4
R
R
Este sistema es incompatible, luego A no es combinación lineal de {A1 , A2 }.

π
EJEMPLO 4.50. f (x) = sen x + es combinación lineal de f1 (x) = cos(x) y f2 (x) = sen(x)
4
en C(R). En efecto, usando laidentidad trigonométrica sen(a + b)= sen(a) cos(b) + cos(a) sen(b),
π π π
tenemos que para x ∈ R, sen x + = cos sen(x) + sen cos(x), con lo cual
4 4 4
√ √
2 2
f (x) = f1 (x) + f2 (x) ∀x ∈ R,
2 2
√ √
2 2
es decir f = f1 + f2 .
2 2
DEFINICIÓN 4.4. Sean A ⊂ V, V un espacio vectorial. El conjunto de todas las combinaciones
lineales de los elementos de A se llama conjunto generado por A y se denota como Gen(A) o por
hAi, también se llama capsula lineal. En formula tendrı́amos que
hAi = {λ1 v1 + ... + λp vp tale que p ∈ R, vi ∈ A, λi ∈ K, i = 1, ..., p} .
Lo primero que debemos afirmar es que el conjunto generado por un subconjunto de un espacio
vectorial es un subespacio vectorial:
TEOREMA 4.3. Sean V un espacio vectorial y A 6= ∅, A ⊂ V . Entonces hAi es un subespacio
de V . Mas aún, hAi es el menor subespacio vectorial de V que contiene al conjunto A, esto es, si
A ⊂ W , con W un subespacio vectorial de V , entonces hAi ⊂ W .
DEMOSTRACIÓN. hAi es distinto de vacı́o porque dado algún vector V de A, se tiene 0 = 0·v ⇒
0 es combinación lineal de V ⇒0 ∈ hAi. Sean ahora v,w ∈ hAi. Esto quiere decir que existen
vectores v1 , v2 , ..., vn ; w1 , w2 , ..., wm pertenecientes a A (no necesariamente distintos) y existen
α1 , α2 , ..., αn ; β1 , β2 , ..., βm tales que v = α1 v1 + α2 v2 + ... + αn vn y w = β1 w1 + β2 w2 + ... + βm wm .
Entonces v + w = α1 v1 + α2 v2 + ... + αn vn + β1 w1 + β2 w2 + ... + βm wm . O sea, v+w es combinación
lineal de elementos de A. Hasta ahora hemos probado que hAi es cerrado respecto a la suma.
Sea ahora λ ∈ K y sea v ∈ hAi. Existen escalares α1 , α2 , ..., αn y vectores v1 , v2 , ..., vn ∈ A, tales
que: v = α1 v1 + α2 v2 + ... + αn vn
Entonces: λ·v = λ· (α1 v1 + α2 v2 + ... + αn vn ) = (λ·α1 ) v1 + ... + (λ·αn ) vn y obtenemos que λv
también es combinación lineal de vectores de A. O sea, hAi es cerrado respecto al producto de un
escalar por un vector. Luego, hAi es un subespacio.
EJEMPLO 4.51. Describa el conjunto generado por (1, 3) .
SOLUCIÓN.- El conjunto generado por (1, 3) por definicion es

{α(1, 3)/α ∈ R}
esta es la ecuacion vectorial de una recta que pasa por el origen y tiene direccion (1, 3). Podemos
encontrar la ecuacion cartesiana de la recta escribir (x, y) = α(1, 3) = (α1, α3). Por tanto x = α
y y = 3α. La ecuacion cartesiana de esta recta es y = 3x. Verificamos que en efecto este conjunto
es un subespacio de R2 .
R
R
EJEMPLO 4.52. Demostrar que gen (−1, −3) = gen (1, 3).
SOLUCIÓN.- El hecho de que los dos conjuntos son iguales es evidente geometricamente pues
la recta generada por (−1, −3) es igual a la recta generada por (1, 3).
En otros ejemplos que no es tan obvio esto vamos a utilizar la siguiente idea si B ⊂ B ′ entonces
genB ⊂ genB ′
Argumente por que es cierta la aseveracion anterior.
EJEMPLO 4.53. El conjunto generado por B = {x, x2 } son los polinomios de segundo grado
con termino independiente cero. En efecto
gen(B) = {ax + bx2 /a, R ∈ R}
EJEMPLO 4.54. Determinar si la función h (x) = cos 2x, es elemento de gen{sen2 x, cos2 x}.
SOLUCIÓN.- Para que sea elemento debe ser combinación lineal, pero considerando que
− sen2 x + cos2 x = cos 2x
podemos concluir que h si es elemento de gen de B. Demuestre si sen 2x esta en el genB.
EJEMPLO 4.55. En P, gen{1, t, t2 } coincide con P2 , el subespacio compuesto por todos los
polinomios de grado menor o igual a 2 y el polinomio nulo, pues todo polinomio de P2 se obtiene
combinando linealmente los polinomios p1 = 1, p2 = t y p3 = t2 . Por ejemplo,
1 + 2t − t2 = 1p1 + 2p2 + (−1)p3 .
EJEMPLO 4.56. Sea S = {p ∈ R3 : 2x + y + z = 0}. S es subespacio de R3 por estar definido
por una ecuación lineal homogénea. Por otra parte,
p∈S ⇔ 2x + y + z = 0 ⇔ z = −2x − y.
Entonces p ∈ S si y sólo si p = (x, y, −2x − y) = x(1, 0, −2) + y(0, 1, −1); en consecuencia,
p ∈ S si y sólo si p es combinación lineal de v1 = (1, 0, −2) y v2 = (0, 1, −1). En otra palabras,
S = gen{v1 , v2 }.
DEFINICIÓN 4.5 (Subespacio generado, conjunto generador). Sea V un espacio vecto-
rial, A un subconjunto de V . Decimos que hAi es el subespacio generado por A y que A es
un generador de hAi. Se dice que un subespacio S de un espacio vectorial V está generado por
los vectores v1 , . . . , vr si y sólo si S = h{v1 , ..., vr }i. En esta situación se dice que {v1 , ..., vr } es
un conjunto generador de S y que S es un subespacio finitamente generado.
EJEMPLO 4.57. R2 = h{e1 , e2 }i con e1 = (1, 0), e2 = (0, 1). En efecto, dado cualquier
vector (x, y) de R2 , se tiene que
(x, y) = x(1, 0) + y(0, 1) = xe1 + ye2 .
R
R
R3 = h{e1 , e2 , e3 }i con e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1). En efecto, dado cualquier
vector (x, y, z) de R3 , se tiene que
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) = xe1 + ye2 + ze3 .
Rn = h{e1 , e2 , ..., en }i con e1 = (1, 0, ..., 0), e2 = (0, 1, ..., 0),..., en = (0, ..., 0, 1).
En R3 , h{(1, 0, 0), (0, 1, 0), (1, −1, 0)}i = {(x, y, z) ∈ R3 : z = 0}.
En R2 , el eje de abscisas {(x, 0) : x ∈ R} = h{(1, 0)}i
R2 = h{(1, 1), (1, −1)}i.
Pn = h{1, t, ..., tn }i
M2×2 (R) = h{E11 , E12 , E21 , E22 }i con

1 0 0 1 0 0 0 0
E11 = , E12 = , E21 = , E22 =
0 0 0 0 1 0 0 1
En efecto, si A = (aij ), A = a11 E11 + a12 E12 + a21 E21 + a22 E22 .
Los vectores {(0, 1, 3), (0, 2, 1), (0, 1, −1)} no son sistema de generadores de R3 , ya que
cualquier combinación lineal de esos vectores vale cero en su primera componente.

EJEMPLO 4.58. El espacio vectorial de polinomios P no es un espacio vectorial finitamente
generado.
SOLUCIÓN.- Para demostrarlo procedamos por el absurdo. Supongamos que P es finitamente

generado. Entonces existe un número finito de polinomios no nulos, p1 , p2 , . . . , pN tales que
P = gen{p1 , ..., pN }.
Llamemos ni al grado del polinomio pi y sea nmax el máximo entre los grados de los pi , es decir
nmax = máx{n1 , n2 , ..., nN }.
Entonces, cualquier combinación lineal de los polinomios pi es nula o tiene a lo sumo grado nmax ,
con lo cual
P = gen{p1 , ..., pN } ⊂ Pnmax ,
lo que es absurdo, pues el polinomio q = tnmax +1 ∈ P pero no a Pnmax . Como suponer que P es
finitamente generado nos lleva a una contradicción, concluimos que P no es finitamente generado.
♣
En el siguiente ejemplo vamos a ver que pueden haber vectores ”sobrantes” en un conjunto B,
vectores sin los cuales el genB seguirı́a siendo el mismo. Mas precisamente vamos a ver un ejemplo
donde B ⊂ B ′ y genB = genB ′
R
R
EJEMPLO 4.59. Sea B = {i, j} y B ′ = {i, j, 2i + j} . Es evidente que genB = R2 , y que

genB ′ = R2 . Es claro que el vector 2i + j es combinacion lineal de los otros vectores por tanto
no genera nada ”nuevo”. Encuentre un ejemplo similar al anterior en R3 . Esto nos conduce a
preguntarnos cuantos vectores se necesitan para generar un conjunto y que condiciones deben
cumplir los mismos.

PROPOSICIÓN 4.6. Sea V un subespacio vectorial y A un subconjunto finito de V , o sea

A = {v1 , v2 , ..., vn } ⊂ V . Si vk es combinación lineal de los demás vectores de A, entonces
D E D E
hAi = {v1 , v2 , ..., vn } = {v1 , v2 , ...vk−1 , vk+1, ..., vn }
DEMOSTRACIÓN. Toda combinación lineal de vectores de {v1 , v2 , ...vk−1 , vk+1 , ..., vn } es tam-
bién una combinación lineal de vectores (basta agregar el vector vk multiplicado por el escalar 0),
es decir {v1 , v2 , ...vk−1 , vk+1 , ..., vn } ⊂ hAi. Ahora hay que probar al revés: que toda combinación
lineal de vectores de A es combinación lineal de vectores de {v1 , v2 , ...vk−1 , vk+1 , ..., vn }. Se sabe
que
vk = α1 v1 + α2 v2 + ...αk−1 vk−1 + αk+1 vk+1 + ... + αn vn (4.2)
Si elegimos u que sea combinación lineal de A, tendremos: u = λ1 v1 + λ2 v2 + ...λk−1 vk−1 +

λk vk + λk+1 vk+1 + ... + λn vn . Sustituyendo vk por la expresión (4.2), resulta: u = (λ1 + λk α1 ) v1 +
... + (λk−1 + λk αk−1 ) vk−1 + (λk+1 + λk αk+1 ) vk+1 + ... + (λn + λk αn ) vn . O sea, u es combinación
lineal de {v1 , v2 , ...vk−1 , vk+1, ..., vn } como querı́amos probar.
El siguiente teorema se usa para establecer cuando un conjunto finito de vectores de Rn es un

conjunto generador.
TEOREMA 4.4. Dados un conjunto de vectores en Rn , esos vectores serán sistema de gener-
adores si y sólo si la matriz correspondiente (es decir, aquélla que está formada por esos vectores
dispuestos por columnas) tiene rango igual a n.
EJEMPLO 4.60. ¿Los vectores (1, 1, 0), (1, 0, −1), (2, 1, 1) de R3 son sistema de generadores de
R3 ?.
SOLUCIÓN.- Esos vectores serán sistema de generadores si dado cualquier (x, y, z) existe al
menos una solución de la ecuación:
a(1, 1, 0) + b(1, 0, −1) + c(2, 1, 1) = (x, y, z)
De ahı́ llegamos al sistema de ecuaciones:
a + b + 2c = x
a + c = y
− b + c = z
R
R
en el que las incógnitas, recordémoslo, son a, b, c. En definitiva, esos vectores son sistemas de
generadores si este sistema de ecuaciones es compatible para todo x, y, z. Formamos ahora la
matriz de coeficientes y la ampliada:
   
1 1 2 1 1 2 x
A =  1 0 1 , A∗ =  1 0 1 y 
0 −1 1 0 −1 1 z
1. Si A tiene rango igual al número de ecuaciones (en nuestro caso, tres), el sistema será compat-
ible. Serı́a determinado o indeterminado dependiendo del número de incógnitas. En cualquier
caso, tendrı́amos un sistema de generadores.
2. Si en cambio el rango de A es menor que tres, siempre se podrán elegir x, y, z para hacer
que rg(A∗ ) > rg(A), es decir, para que el sistema sea incompatible. Ası́ pues, esos vectores
no serı́an sistema de generadores.
En nuestro caso, el rango es tres, y eso quiere decir que son sistema de generadores. ♣
EJEMPLO 4.61. Descripción de los subespacios de Rn .- Los subespacios W de Rn pueden

describirse de tres formas: genérica, implı́cita y paramétrica.
1. Forma genérica.- Mediante un sistema generador de W . El subconjunto

W = h{(1, 2, −1), (2, 3, 1)}i (4.3)
es un subespacio de R3 .
2. Forma paramétrica.- Mediante una expresión paramétrica, es decir, las coordenadas de
los vectores de un subespacio vienen dadas en función de unos ciertos parámetros. Dichas
funciones deben de ser necesariamente lineales, esto es, expresiones del tipo (2t + 3s, t −
s, 5t + 2s) en las que cada expresión es suma de constantes por parámetros.
El subespacio W anterior se escribe con ecuaciones paramétricas del siguiente modo:

 x = t + 2s
W ≡ y = 2t + 3s ; t, s ∈ R (4.4)

z = −t + s
donde t, s son parámetros (es decir, valores arbitrarios de R). Para obtener vectores de W
sólo tenemos que dar valores concretos a t y a s.
3. Forma implı́cita.- Mediante unas ecuaciones que deben de cumplir los vectores del sube-
spacio. Dichas ecuaciones son siempre ecuaciones lineales homogéneas. Se dice que el sube-
spacio está dado en ecuaciones implı́citas.
La ecuación implı́cita del subespacio W anterior es
W ≡ 5x + 3y + z = 0. (4.5)
R
R
Para pasar de una a otra forma:
De la forma implı́cita a la paramétrica: Basta considerar las ecuaciones implı́citas como un

sistema, y resolverlo. La solución general del sistema (que podrá depender de parámetros)
es la expresión paramétrica.
Partiendo de la ecuación (4.3), tomemos (x, y, z) ∈ W , entonces existen t, s ∈ R de modo
que
(x, y, z) = t(1, 2, −1) + s(2, 3, 1)
de donde obtenemos las ecuaciones (4.4).
De la forma paramétrica a la implı́cita: Podemos decir, aunque no es un método riguroso,

que se trata de “describir” mediante ecuaciones cómo es el vector genérico del subespacio.
Para pasar de las ecuaciones (4.4) a la ecuación (4.5) es necesario eliminar los parámetros t
y s de las ecuaciones implı́citas. Para este fin consideramos la matriz
 
1 2 x
(A|X) =  2 3 y 
−1 1 z
Para que (x, y, z) sean las coordenadas de un vector de W necesitamos que el rango de
la matriz (A|X) sea 2 (que es el rango de A). Esto lo conseguimos calculando una matriz
escalonada de (A|X)  
1 2 x
 0 −1 −2x + y 
0 0 −5x + 3y + z
he imponiendo la condición de que dicha matriz tenga rango igual al de A, es decir imponien-
do −5x + 3y + z = 0.
Ayudará el conocer qué número de ecuaciones es necesario (lo que se verá más adelante).

Relación entre la forma implı́cita y paramétrica.- Si S es un subespacio de Rn , (n es
el numero de incógnitas). La forma implı́cita y paramétrica de S satisfacen en general la siguiente
relación:
Numero de ecuaciones implı́citas + Numero de parámetros = n .
También los parámetros deben ser independientes entre sı́: por ejemplo en la expresión paramétrica
(s + t, s + t, 0), que en R3 corresponde a la forma implı́cita {x = y, z = 0}, no se cumple la relación
anterior: 2 + 2 6= 3. Esto ocurre porque los dos dos parámetros no son independientes. En realidad
puede sustituirse s + t por un solo parámetro λ y ası́ tendrı́amos (λ, λ, 0) y ya se cumple 2 + 1 = 3.
Esto será más fácil de comprobar más adelante, en el punto “Bases y dimensión”, pues el número
de parámetros independientes es igual a la dimensión del subespacio.
R
R
EJEMPLO 4.62. Si V = R3 y A = {v1 = (1, 0, 1), v2 = (1, 1, −1)}, entonces
hAi = {v = av1 + bv2 : a, b ∈ R} = {v = (a + b, b, a − b) : a, b ∈ R}
Las ecuaciones 
 x = a+b
y = b ; a, b ∈ R

z = a−b
se llaman ecuaciones paramétricas de hAi. Las ecuaciones paramétricas son útiles para obtener,
dando valores reales a los parámetros a y b, los diferentes vectores de hAi. Ası́, por ejemplo, para
a = 2 y b = −1 se obtiene el vector v = (1, −1, 3) ∈ hAi. Eliminando parámetros en las ecuaciones
paramétricas, se obtiene:
     
1 1 x 1 1 x 1 1 x
(A|X) =  0 1 y  ∼  0 1 y ∼ 0 1 y 
1 −1 z 0 −2 x − z 0 0 x − z − 2y
por tanto
x − 2y − z = 0
que se llaman ecuaciones implı́citas de hAi (en este caso sólo una). Las ecuaciones implı́citas son
útiles para comprobar si un determinado vector pertenece a hAi (el vector debe verificar todas las
ecuaciones). Por ejemplo, el vector (3, 1, 1) ∈ hAi pues 3−2(1)−1 = 0, y el vector (−1, 2, 1) ∈
/ hAi,
pues −1 − 2(2) − 1 6= 0.

EJEMPLO 4.63. 1. En R2 , la recta bisectriz del primer cuadrante puede describirse en im-
plı́citas como y = x, y en paramétricas como {(t, t) : t ∈ R}.
2. En R2 , dado el subespacio en paramétricas {(s, t, s − t) : s, t ∈ R}, su forma implı́cita es la

ecuación z = x − y
3. En R3 , dado el subespacio en paramétricas

( {(t, t, 3t) : t ∈ R}, para describirlo en forma
y = x
implı́cita necesitamos dos ecuaciones:
z = 3x
(
x+z = 0
4. Consideremos el subespacio de R3 dado en implı́citas por ¿Cual es su
x + 2y + z = 0
forma paramétrica? Para ello resolvemos el sistema, que es compatible indeterminado. La
solución depende de un parámetro y es {(−t, 0, t) : t ∈ R}.
5. El subespacio cero y el subespacio total constituyen un  caso especial. Por ejemplo en R3 : El

 x = 0
subespacio {(0, 0, 0)} tiene como ecuaciones implı́citas y = 0 . Su forma paramétrica

z = 0
es (0, 0, 0): no hay parámetros, pues como se trata de un solo punto, no se puede variar nada.
R
R
Por el contrario el subespacio total R3 tiene como forma paramétrica {(r, s, t) : r, s, t ∈ R}

(tres parámetros variando libremente, pues no hay ninguna limitación). Ecuaciones implı́citas
no tiene ninguna, pues no hay restricción alguna que imponer.

Ahora estudiamos la relación entre la inclusión y el hecho de ser sistema de generadores:
TEOREMA 4.5. Sea V un espacio vectorial
Si A un sistema de generadores de V y A ⊂ B. Entonces B también es un sistema de

generadores.
Si A = {v1 , v2 , ..., vn } un sistema de generadores de V y vn es combinación lineal de los
demás, entonces A = {v1 , v2 , ..., vn−1 } es también sistema de generadores de V .
4.4. Dependencia e Independencia lineal

Vamos a dar el concepto de vectores linealmente dependientes e independientes. Intuitivamente,
si consideramos el espacio R3 y tenemos 3 vectores (todos ellos distintos del vector 0) decir que
son linealmente dependientes quiere decir que están en una misma recta, o bien, que están en
un mismo plano. Por el contrario, si son linealmente independientes quiere decir que dos de ellos
están en un mismo plano y el tercero está fuera de ese plano.
Como hemos dicho antes en el ejemplo 4.59, es posible que un subespacio finitamente generado de
un espacio vectorial tenga diferentes conjuntos generadores; por ejemplo, cada uno de los conjuntos
{(1, 0), (0, 1)}, {(1, 1), (1, −1)} y {(1, 1), (1, −1), (1, 0)} genera R2 .
Ya vimos que el primero lo hace, veamos ahora que el segundo también genera R2 .
Dado x = (x1 , x2 ),
(x1 , x2 ) = r(1, 1) + s(1, −1) ⇐⇒ x1 = r + s y x2 = r − s.
Resolviendo el sistema de ecuaciones obtenemos
r = (x1 + x2 )/2 y s = (x1 − x2 )/2,
con lo cual todo x ∈ R2 es combinación lineal de (1, 1) y (1, −1) (observe que r y s están unı́vo-
camente determinados por x).
Respecto del último conjunto, es obvio que genera R2 una vez que hemos visto que el conjunto
{(1, 1), (1, −1)} lo hace, ver la Proposición 4.6. Sin embargo hay una diferencia fundamental entre
los dos primeros conjuntos y el último: mientras que para los dos primeros conjuntos de generadores
la combinación lineal que hay que efectuar para obtener un determinado vector es única, con el
último conjunto de generadores es posible combinar los generadores de diferentes formas y obtener
el mismo vector, por ejemplo:
(1, 3) = 2(1, 1) + (−1)(1, −1) + 0(1, 0) y (1, 3) = 2.5(1, 1) + (−0.5)(1, −1) + (−1)(1, 0).
R
R
Esta diferencia hace que sea preferible trabajar con conjuntos de generadores con las caracterı́sti-
cas de los dos primeros, es decir, con conjuntos de generadores tales que la combinación lineal
que hay que efectuar para obtener cada vector del subespacio sea única. La razón por la cual
es posible obtener el mismo vector combinando de diferentes maneras los vectores del conjunto
{(1, 1), (1, −1), (1, 0)}, es que uno de sus elementos depende linealmente del resto. En efecto, como
(1, 0) = 0.5(1, 1) + 0.5(1, −1),
si x admite la expresión
x = r(1, 1) + s(1, −1) + t(1, 0),
entonces también admite la expresión
x = (r + 0.5t)(1, 1) + (s + 0.5t)(1, −1) + 0(1, 0).
Consideremos ahora el caso de un subespacio S generado por un solo vector v. Si v 6= 0, combina-
ciones lineales diferentes de v dan origen a diferentes vectores, ya que, por una de las propiedades
elementales que dimos al principio, αu = βv entonces α = β. Obviamente, si v = 0, distintas
combinaciones de v dan origen al mismo vector, por ejemplo, 1v = 2v = 0.
Los ejemplos anteriores nos sugieren que la condición que debe cumplir un conjunto de generadores
para que cada vector del subespacio pueda obtenerse combinando los generadores de una única
forma es que, en el caso en que haya más de un generador, ninguno de ellos dependa linealmente
del resto y, en el caso en que haya un sólo generador, que éste no sea nulo. Antes de enunciar la
condición mencionada conviene introducir algunas definiciones.
Se dice que un conjunto de dos o más vectores {v1 , v2 , ..., vn } es linealmente dependiente si alguno
de los vi depende linealmente del resto. En el caso en que el conjunto esté formado por un sólo
vector v1 , el conjunto es linealmente dependiente si v1 = 0. Por otra parte, se dice que {v1 , v2 , ..., vn }
es linealmente independiente si no es linealmente dependiente, lo que es equivalente a que ninguno
de los vi dependa linealmente del resto en el caso en que haya más de un vector en el conjunto, o
a que v1 6= 0 en el caso en que el conjunto esté formado por un único vector.
Existe una definición de independencia lineal equivalente a la que dimos recién, pero más sencilla
de verificar:
DEFINICIÓN 4.6 (Dependencia e independencia lineal). Sea V un K-espacio vectorial
y sean v1 , v2 , ..., vn ∈ V . Se dice que el conjunto de vectores A = {v1 , v2 , ..., vn } es linealmente
independiente (l.i.) (sistema libre o familia libre) si la única combinación lineal que vale 0 ∈ V es la
que tiene todos los coeficientes nulos; esto es, dados λ1 , λ2 ,...,λn ∈ K, si λ1 v1 +λ2 v2 +· · ·+λn vn = 0
entonces λ1 = λ2 = · · · = λn = 0. Esto equivale a decir que ningún vector de A se puede poner como
combinación lineal del resto. Se dice que la familia de vectores A = {v1 , v2 , ..., vn } es linealmente
dependiente (l.d.) (o un sistema ligado) si no es linealmente independiente, esto es, si existen λ1 ,
λ2 ,...,λn ∈ K, no todos nulos, tales que: λ1 v1 + λ2 v2 + · · · + λn vn = 0, dicho de otro modo, si existe
un vector vi ∈ A que se puede poner como combinación lineal del resto.
Es decir, un conjunto es linealmente independiente cuando ningún vector es combinación lineal

de los otros, porque si algún λio 6= 0 se puede despejar vio como combinación lineal de los
R
R
otros vectores. A continuación demostramos que un conjunto de más de un vector es linealmente

dependiente si y solo si uno de los vectores es combinación lineal de los demás. Mas aún, probaremos
que la dependencia lineal se da sólo cuando un vector del conjunto se puede despejar en función
(lineal) de los anteriores.
PROPOSICIÓN 4.7. Sea V un espacio vectorial, y A un conjunto ordenado contenido en V ,
que tiene más de un elemento, tal que v1 no es el vector nulo: A = {v1 , v2 , ..., vn } ⊂ V con n >
1, v1 6= 0. Entonces: A es linealmente dependiente si y sólo si existe vk ∈ A (1 6 k 6 n) tal que
vk es combinación lineal de los k − 1 vectores anteriores {v1 , ..., vk−1}.
DEMOSTRACIÓN. (⇐) Sabemos que existe vk ∈ A, 1 6 k 6 n, tal que vk es combinación
lineal de los anteriores:
vk = λ1 v1 + λ2 v2 + ... + λk−1 vk−1 o sea
−
→
0 = λ1 v1 + λ2 v2 + · · · + λk−1 vk−1 + (−1)vk + 0 · vk+1 + · · · + 0 · vn .
Tenemos ası́ una combinación lineal de los vectores de A, con no todos los coeficientes iguales a
cero (porque el coeficiente de vk es −1), que da el vector nulo. Por definición A es linealmente
dependiente
(⇒) Ahora, sabiendo que A es linealmente dependiente y que v1 6= 0, hay que probar que un vk
es combinación de los anteriores vectores de A.
Por ser linealmente dependiente existe una combinación lineal:
λ1 v1 + λ2 v2 + ... + λn vn = 0 con algún λ 6= 0.
Sea k el mayor i tal que λi 6= 0 → λi = 0 ∀i > k y λk 6= 0. Resulta k > 1, porque sino serı́a
λi v1 = 0, λ1 6= 0 ⇒ v1 = 0 (contrario a la hipótesis). Entonces λ1 v1 + ... + λk vk = 0 y
despejando, λk vk = −λ1 v1 − ... − λk−1vk−1 y como λk 6= 0→ vk = − λλk1 v1 − ... − λλk−1
k
vk−1 , entonces
vk es combinación lineal de v1 , ..., vk−1 .
EJEMPLO 4.64. En R4 , los vectores v1 = (1, 0, −1, 2), v2 = (1, 1, 0, 1) y v3 = (2, 1, −1, 1) son
linealmente independientes, pues


 a + b + 2c = 0

b + c = 0
av1 + bv2 + cv3 = 0, =⇒ =⇒ a = b = c = 0

 −a − c = 0

2a + b + c = 0

EJEMPLO 4.65. En R4 , los vectores v1 , v2 , y v3 , del ejemplo anterior, y v4 = (1, 0, −1, 4) son
linealmente dependientes, pues
 

 a + b + 2c + d = 0 
 a = −2t
 
b + c = 0 b = −t
av1 + bv2 + cv3 + dv3 = 0, =⇒ =⇒ t∈R

 −a − c − d = 0 
 c = t
 
2a + b + c + 4d = 0 d = t
que admite soluciones no nulas. Por ejemplo, para t = −1, 2v1 + v2 − v3 − v3 = 0.
R
R

EJEMPLO 4.66. {1, x − 1, x2 + 2x + 1} es linealmente independiente en P. Para comprobarlo
escribamos
r + s(x − 1) + t(x2 + 2x + 1) = 0.
Operando en el lado derecho de la ecuación llegamos a la ecuación
(r − s + t) + (s + 2t)x + tx2 = 0.
Como un polinomio es nulo si y sólo si todos sus coeficientes lo son, necesariamente
r−s+t=0
s + 2t = 0
t = 0,
con lo cual, resolviendo el sistema, obtenemos r = 0, s = 0 y t = 0.

n π o
EJEMPLO 4.67. sen(x), cos(x), sen x + es linealmente dependiente en C(R), ya que,
4
como vimos en el ejemplo 4.50,
√ √
π 2 2
sen x + = sen(x) + cos(x) ∀x ∈ R,
4 2 2
Note que esto último implica que la ecuación

π
r sen(x) + s cos(x) + t sen x + = 0 ∀x ∈ R,
4
√ √
2 2
admite soluciones no triviales; una de ellas es, por ejemplo, r = ,s= y t = −1.
2 2
EJEMPLO 4.68. {sen(x), cos(x)} es linealmente independiente en C(R). Para probarlo, supong-
amos que r y s son escalares tales que
r sen(x) + s cos(x) = 0 ∀x ∈ R
Como suponemos que la igualdad vale para todo x ∈ R, en particular vale para x = 0, con lo cual
r sen(0) + s cos(0) = s = 0.
Considerando ahora x = π/2, y teniendo en cuenta que s = 0, resulta
r sen(π/2) = r = 0,
con lo cual demostramos que necesariamente r = 0 y s = 0, y con ello que conjunto es linealmente
independiente. Para finalizar, observe que no nos hubiese servido considerar como segundo punto
x = π, o, más generalmente, x = kπ con k entero, para probar la independencia lineal.
R
R
EJEMPLO 4.69. Sean u = (1, 0, 0), v = (0, 2, 0) dos vectores en R3 . Claramente, {u, v} es
linealmente independiente. Observemos además que cualquier combinación lineal de u y v tendrı́a
la tercera componente igual a cero. Por tanto, el vector w = (1, −1, 1) no se pone como combinación
de u, v. Como consecuencia, el conjunto {u, v, w} es linealmente independiente.

EJEMPLO 4.70. ¿Son linealmente independientes los vectores (1, 1, 0), (1, 0, −1), (2, 1, 1) en
R3 ?.
SOLUCIÓN.- Igualamos una combinación lineal a cero, es decir:
a(1, 1, 0) + b(1, 0, −1) + c(2, 1, 1) = (0, 0, 0)
De ahı́ llegamos al sistema de ecuaciones:

a + b + 2c = 0
a + c = 0
− b + c = 0
El sistema de ecuaciones es homogéneo y por tanto siempre es compatible (recordemos que al

menos una solución hay, a = b = c = 0). Formamos ahora la matriz de coeficientes:
 
1 1 2
A= 1 0 1 
0 −1 1
Si A tiene rango igual al número de incógnitas (es decir, el número de vectores: en nuestro caso,
tres), el sistema será compatible determinado. Eso quiere decir que sólo hay una solución, que
deberá ser a = b = c = 0. Ası́ pues, los vectores serı́an linealmente independientes.
Si, en cambio, A tiene rango menor de tres, el sistema será compatible indeterminado. Eso quiere
decir que hay soluciones aparte de a = b = c = 0 (de hecho, infinitas), y por tanto los vectores
serı́an linealmente dependientes.
Este ejemplo nos muestra que para estudiar la dependencia lineal de un número de vectores,
basta con formar la matriz correspondiente y calcular su rango. Si es igual al número de vectores,
éstos son linealmente independientes. Si no, éstos son linealmente dependientes. En nuestro caso,
det A 6= 0, por lo que los vectores son linealmente independientes. ♣
Dada una matriz A ∈ Mn×k (R), cada una de sus columnas puede ser interpretada como un vector
de Rn . Entonces, si denominamos Ai a la i-ésima columna de A, tenemos que Ai ∈ Rn y que

A = A1 A2 · · · Ak
A la matriz A podemos asociarle dos subespacios, denominados, respectivamente, espacios columna

y fila. El espacio columna es el subespacio de Rn generado por las columnas de A y se denota
Col(A). En otras palabras
Col(A) = h{A1 , ..., Ak }i ⊆ Rn .
R
R
En forma análoga se define el espacio fila, que es el subespacio de Rr generado por las filas de A
y se denota F il(A), es decir,
F il(A) = h{F1 , ..., Fn }i ⊆ Rk .
Se define rango por columnas de A, y se denota por rangoc (A), como rangoc (A) = dim(Col(A)).
Se define rango por filas de A, y se denota por rangof (A), como rangof (A) = dim(F il(A)). Se
demuestra que rangof (A) = rangoc (A), por tanto tenemos la siguiente definición de rango de una
matriz.
DEFINICIÓN 4.7. El rango de una matriz A se define como el rango por filas de A o el
rango por columnas de A y se denotara por rango(A). Esto es rango(A) es tanto el número
máximo de columnas linealmente independientes de A como el número máximo de filas linealmente
independientes de A.
Para calcular el rango de A, podemos realizar operaciones elementales en las filas o columnas de
A hasta obtener una matriz E escalonada por filas y luego usamos el hecho de que
rango(A) = rango(E) =número de filas no nulas de E, (4.6)
Nótese que las filas no nulas de E forman un sistema de vectores linealmente independientes de
Rn .
Observe además que si A ∈ Mn×n (R), entonces.
rango(A) = n si, y sólo si, det(A) 6= 0 (4.7)
Ahora bien, en Rn podemos usar (4.6) para saber si un sistema de vectores S = {v1 , v2 , ...., vk } ⊂
Rn es linealmente dependiente o es un sistema generador de Rn , tomamos la matriz cuyas columnas
son los vectores de S, esto es:
A = v1 v2 · · · vk
Luego aplicamos los siguientes resultados:
S es linealmente independiente ⇐⇒ rango(A) = k ⇐⇒ Ax = 0 tiene única solución x = 0.

S es sistema generador de Rn ⇐⇒ rango(A) = n ⇐⇒ Ax = b tiene solución ∀b ∈ Rn .
EJEMPLO 4.71. Calculemos el rango del sistema de vectores siguiente
{(1, 0, 3, 2), (0, ,1, 1, 0), (3, 0, ,1, 1), (2, 1, ,5, ,1)}
y deducir si el sistema es linealmente independiente o sistema generador de R4 .
Si lo ponemos en forma de matriz el problema se reduce a calcular el rango de la siguiente matriz
 
1 0 3 2
0 −1 1 0
A= 3 0 −1 1 

2 1 −5 −1
R
R
lo cual se puede hacer escalonandola. En primer lugar le añadimos la primera fila a la tercera
(multiplicada por −3) y a la cuarta (multiplicada por −2)
 
1 0 3 2
(−3)F1 + F3 0 −1 1 0
 
(−2)F1 + F4 0 0 −10 −5
0 1 −11 −5
Seguidamente le sumamos a la cuarta fila la segunda
 
1 0 3 2
0 −1 1 0
F2 + F4  
0 0 −10 −5
0 0 −10 −5
Y por ultimo le restamos la tercera a la cuarta para obtener la siguiente escalonación de la matriz
inicial  
1 0 3 2
0 −1 1 0
(−1)F3 + F4  
0 0 −10 −5
0 0 0 0
lo cual nos indica que el rango es 3 (nos han salido 3 vectores no nulos). Por tanto los vectores no
son linealmente independientes (el rango no es igual al numero de vectores, 4) ni constituyen un
sistema generador de R4 (pues el rango no coincide con dim R4 = 4).
EJEMPLO 4.72. Estudiar la dependencia o independencia lineal de los vectores de R3 : (−1, 3, 2),
(2, −1, 3) y (4, −7, −1)
SOLUCIÓN.-
     
-1 3 2 v1 −1 3 2 v1 ′ = v1 −1 3 2 v1 ′′ = v1 ′
 2 −1 3  v2 ≡  0 5 7 v2 ′ = 2v1 + v2 ≡  0 5 7 v2 ′′ = v2 ′
4 −7 −1 v3 0 5 7 v3 ′ = 4v1 + v3 0 0 0 v3 ′′ = −v2 ′ + v3 ′
0 = v3 ′′ = −v2 ′ + v3 ′
= −(2v1 + v2 ) + (4v1 + v3 )
= −2v1 − v2 + v3 , =⇒ v2 = 2v1 + v3
♣
   
−1 −2
 1  
EJEMPLO 4.73. Estúdiese si los vectores de R4 v1 =  y v2 =  0  son linealmente
0 1
0 1
independientes.
R
R
EJEMPLO 4.74. Sea V un espacio vectorial, entonces
1. {v1 } es linealmente independiente si y sólo si v1 6= 0.
2. {0} es linealmente dependiente
3. {0, v1 , v2 , ...., vn } es linealmente dependiente
4. Sean u, v ∈ V dos vectores. Entonces el conjunto {u, v} es linealmente dependiente si y

sólo si uno es múltiplo del otro. Efectivamente, supongamos que existen a1 , a2 tales que
a2
a1 u + a2 v = 0. Si, por ejemplo, a1 6= 0, entonces se tiene que u = − v.
a1
Nota 3.1: Las definiciones linealmente independiente e linealmente dependiente se dieron para
conjuntos finitos, pero son aplicables también a conjuntos con una cantidad infinita de vectores en
un espacio vectorial. Si A es infinito., A⊂V . V espacio vectorial, decimos que A es linealmente
independiente cuando cualquier subconjunto finito de A es linealmente independiente Decimos
que A es linealmente dependiente cuando no es linealmente independiente (es decir, cuando algún
subconjunto finito de A es linealmente dependiente).
En el siguiente teorema, estudiamos la relación de la dependencia lineal con la inclusión de con-
juntos:
TEOREMA 4.6. Sea V espacio vectorial,
Si A = {v1 , v2 , ..., vn } es un conjunto linealmente independiente, y sea B ⊂ A. Entonces B

es también linealmente independiente.
Si A = {v1 , v2 , ..., vn } es un conjunto linealmente independiente, y sea vn+1 ∈ V que no se

ponga como combinación lineal de vectores de A. Entonces {v1 , v2 , ..., vn , vn+1 } es también
linealmente independiente.
Si A = {v1 , v2 , ..., vn } es un conjunto linealmente dependiente, y sea B tal que A ⊂ B.

Entonces B es también linealmente dependiente.
4.5. Base de un espacio vectorial y dimensión

Ahora vamos a plantearnos una pregunta central en el algebra lineal. Hemos visto que muchos
vectores se pueden expresar en terminos de otros. Por ejemplo todo vector en R2 se puede expresar
en terminos de i y j. También observamos que estos dos vectores son linealmente independientes.
Dado un espacio vectorial, es posible describir cualquiera de sus elementos en terminos de un
grupo de elementos fijos de ese espacio? Cuantos de estos elementos se requiere? Que condiciones
deben cumplir?
R
R
Para responder esta pregunta vamos a considerar los siguientes tres conceptos: ESPACIO GEN-
ERADO POR UN CONJUNTO, BASE DE UN ESPACIO VECTORIAL, DIMENSION DE UN
ESPACIO VECTORIAL.
DEFINICIÓN 4.8. Base de un espacio vectorial: Sea V un espacio vectorial y A= {v1 , v2 , ..., vn }⊂
V (A finito). Decimos que A es base de V si y sólo si
a) A es un conjunto linealmente independiente
b) A genera a V , es decir hAi = V
EJEMPLO 4.75. En R3 , los vectores (1, 0, 0), (0, 1, 0), (0, 0, 1), son base. De hecho, ésta es la
llamada base canónica, también representados por las letras i, j, k. Anteriormente hemos llegado
a la conclusión de que los vectores (1, 1, 0), (1, 0, −1), (2, 1, 1) son linealmente independiente y
sistema de generadores de R3 ; por tanto, son base de R3 . En Rn ,
n o
e1 = (1, 0, 0, ..., 0), e2 = (0, 1, 0, ..., 0), e3 = (0, 0, 1, ..., 0), ..., en = (0, 0, 0, ..., 1) .
que también se llama base canónica.

Ahora discutiremos los siguientes aspectos relativos a las bases: existencia, unicidad y cardinalidad
(cantidad de elementos). El punto de partida será el teorema sobre existencia de bases en cualquier
espacio vectorial. La prueba de este teorema se apoya en el Lema de Zorn (axioma de elección),
el cual representa uno de los supuestos básicos de la teorı́a clasica de conjuntos. El lector no
interesado en la prueba puede simplemente asumir el Teorema 4.5 como un axioma.
TEOREMA 4.7 (Teorema de existencia de la Base). Todo subespacio vectorial posee al

menos una base.
Con respecto a la unicidad de las bases se puede decir que, en general, un espacio vectorial tiene
infinitas bases. En efecto, si el espacio V es no nulo (si V es nulo su única base es ∅ ) y si X es
una base cualquiera de V y x es un elemento de X, entonces cambiando x por a.x en X, con cada
a ∈ K − {0}, se obtienen bases distintas en V . Cuando K es infinito esta colección de bases es
infinita. En realidad, el único espacio con base única es el espacio nulo.
Mucho más interesante que la pregunta sobre la unicidad de las bases es el problema sobre el
tamaño de éstas. Las siguientes proposiciones constituyen la prueba del Teorema 2 que se enun-
ciará más adelante.
PROPOSICIÓN 4.8. Sea V un espacio vectorial. Sea A = {v1 , ..., vn } un conjunto que genera
a V y B = {w1 , ..., wm } un conjunto linealmente independiente de V . Entonces m 6 n.
DEMOSTRACIÓN. Considere el conjunto {wm , v1 , ..., vn } Es linealmente dependiente porque
por hipótesis, wm es combinación lineal de los demás. (Observe que wm no es un vector nulo, pues
B es linealmente independiente). Por las Proposiciones 3.1 y 3.2 resulta:
h{wm , v1 , ..., vn }i = h{wm , v1 , ..., vi−1 , vi+1 , ..., vn }i = V

R
R
Se ha obtenido un nuevo conjunto generador substituyendo vi por wm . Repetimos ahora el razon-

amiento, tomando el conjunto linealmente dependiente
{wm−1, wm , v1 , ..., vi−1 , vi+1 , ..., vn } . Por aplicación de 3.2 y 3.1 obtenemos un nuevo conjunto gen-
erador eliminando otro elemento vk de A ( observe que el elemento que es combinación lineal de
los anteriores no puede ser wm , pues B es linealmente independiente).
Por tanto hemos agregado wm−1 , wm , eliminando dos vectores v y obtenido un nuevo conjunto
generador. Este algoritmo (tener un conjunto generador y agregarle ordenadamente un elemento
de B) no se puede continuar cuando se hayan acabado los elementos de B. En este caso, o bien se
han acabado simultáneamente los de A (m = n), o bien quedan algunos de A (m < n). En ambos
casos se obtiene un conjunto generador con todos los elementos de B y los que quedan de A.
TEOREMA 4.8. Sea A = {v1 , v2 , ..., vn }⊂ V . Entonces A es base si y sólo si A es linealmente

independiente y todo conjunto con más de n vectores es linealmente dependiente
DEMOSTRACIÓN. (⇐) Para probar que A es base , alcanza probar que A es generador de
todo el espacio, puesto que A es linealmente independiente por hipótesis.
Por hipótesis, el conjunto {v1 , v2 , ..., vn , v} es linealmente dependiente (con V ∈V cualquiera).
Entonces λ1 v1 + λ2 v2 + ... + λn vn + λv = 0 con algún escalar distinto de cero Debe ser λ 6= 0, ya
que si fuera igual a cero, quedarı́a λ1 v1 + λ2 v2 + ... + λn vn = 0 con algún escalar distinto de cero
y esto contradice la independencia lineal de A asegurada por hipótesis.
Entonces tenemos λ 6= 0. Despejando V se tiene:
λ1 λ2 λn
v=− v1 − v2 − ... − vn
λ λ λ
Hemos probado que V es combinación lineal de A. Como V es un vector cualquiera de V , se tiene
que A genera a V , como querı́amos probar.
(⇒) Ahora sabemos por hipótesis que A es base. O sea A es linealmente independiente y generador
de V . Tenemos que probar que todo conjunto con más de n vectores es linealmente dependiente Sea
W un conjunto con más de n vectores (con m vectores, m > n) Por absurdo, si fuera linealmente
independiente, la proposición 4.8 implicarı́a m6n, contradiciendo lo anterior.
PROPOSICIÓN 4.9. Si un espacio vectorial V posee una base finita, entonces todas sus bases
son finitas.
La proposición anterior permite clasificar los espacios vectoriales en dos categorı́as: los de bases
finitas y los de bases infinitas.
PROPOSICIÓN 4.10. Sea V un espacio vectorial con bases finitas X = {x1 , . . . , xn } y Z =

{z1 , . . . , zm }. Entonces n = m.
PROPOSICIÓN 4.11. Sea V un espacio vectorial con bases infinitas X, Y . Entonces card (X) =
card (Y ).
R
R
Para cada espacio vectorial V se cumple que todas las bases tienen la misma cardinalidad.
COROLARIO 4.1 (Teorema de la dimensión). Sea V un espacio vectorial. Si una base tiene
n elementos, entonces todas las demás bases tienen n elementos.
DEMOSTRACIÓN. Sean A y B bases de V , A con n elementos y B con p elementos. Como A
es linealmente independiente y B es generador, aplicando la proposición 4.1 tenemos n6p. Como
B es linealmente independiente y A es generador, por lo mismo, tenemos p 6 n. O sea n=p.
El teorema anterior permite definir la noción de dimensión en un espacio vectorial V como el

tamaño de cualquiera de sus bases ; se denotará este invariante de V por dimK (V ), o simplemente
por dim(V ), si es claro sobre qué cuerpo se está trabajando. Si V es de bases infinitas se dirá que
V es de dimensión infinita. De alguna forma, la dimensión mide el tamaño del espacio vectorial.
DEFINICIÓN 4.9 (Dimensión de un espacio vectorial). Sea V un espacio vectorial. Si

existe una base de V que tenga n elementos, se dice que n es la dimensión de V (obsérvese
en virtud del corolario anterior, n no depende de la base que se halla encontrado). Notaremos
dim (V ) = n. Si V = {0} (ejemplo 1.11), se conviene en decir que V tiene dimensión 0. Si
V 6= {0} y no existe una base de V con una cantidad finita de elementos, entonces decimos que la
dimensión de V es infinita.
DEFINICIÓN 4.10. Si S es un subconjunto de V , se define el rango de S, rango(S), como la

dimensión del espacio generado por S, es decir, rango(S) = dimK < S >.
EJEMPLO 4.76. El conjunto de vectores B = {e1 , e2 , ..., en } donde ei = (0, 0, .., 1, .., 0) con
todas las componentes igual a cero excepto la i-esima componente es una base para Rn . Para
verificar esto debemos mostrar 1) que {e1 , e2 , ..., en } es un conjunto linealmente independiente 2)
que
gen{e1 , e2 , ..., en } = Rn .
Para mostrar que B es un conjunto linealmente independiente partimos de la combinación lineal

igualada al vector cero
α1 e1 + α2 e2 + α3 e3 + .....αn en = 0
a la izquierda sumando obtenemos
(α1 , α2 , ...., αn ) = (0, 0, ..., 0)
por tanto αi = 0. Podemos concluir que B es linealemente independiente. Ahora mostramos que
genB = Rn . Para esto tomamos un elemento cualquiera de Rn y demostramos que esta en gen B
es decir que es combinación lineal de e1 , e2 , ...en . Sea x = (x1 , x2 , .., xn ) ∈ Rn . Es claro que
(x1 , x2 , .., xn ) = x1 e1 + x2 e2 + ... + xn en
Por tanto cualquier elemento de Rn es combinación lineal de B. A este conjunto se le llama base
canónica de Rn . Puesto que este conjunto base tiene n elementos la dim Rn = n.
R
R
DEFINICIÓN 4.11. Se llama base canónica de {Rn , R, +, ·} o de

{Cn , C, +, ·} a la base
n o
e1 = (1, 0, 0, ..., 0), e2 = (0, 1, 0, ..., 0), e3 = (0, 0, 1, ..., 0), ..., en = (0, 0, 0, ..., 1) .
Por tanto, ambos espacios vectoriales tienen dimensión n.

EJEMPLO 4.77. Interpretación geométrica de subespacios. Sean V = Rn y S ⊂ Rn
es un subespacio vectorial.
1. Si dim S = 0, S = {0} es un punto (el origen).

2. Si dim S = 1, S = h{u}i es la recta que pasa por el origen con vector de dirección u.
3. Si dim S = 2, S = h{u, v}i es el plano que pasa por el origen con vectores de dirección u y v.
4. Si 2 < k = dim S < n − 1, S es un k-plano que pasa por el origen.
5. Si dim S = n − 1, S es un hiperplano que pasa por el origen.
6. Si dim S = n, S = Rn es todo el espacio.
EJEMPLO 4.78. Sea v = (a, b, c, d) ∈ R4 . Entonces
v = a (1, 0, 0, 0) + b (0, 1, 0, 0) + c (0, 0, 1, 0) + d (0, 0, 0, 1) ,
y el vector de componentes de v en la base canónica de R4 es (a, b, c, d) . Más aún, para cualquier
v ∈ Rn , el “vector de componentes de V ” en la base canónica de Rn , coincide con v.
EJEMPLO 4.79. Pero, si en Rn se elige otra base distinta de la canónica, el ”vector de
componentes”de un vector v ∈ Rn es distinto del vector v. Por ejemplo, sea la base B =
{(1, 1, 1) , (1, 1, 0) , (1, 0, 0)} de R3 . Tomemos v ∈ R3 , o sea v = (a, b, c). Se tiene
v = (a, b, c) = c (1, 1, 1) + (b − c) (1, 1, 0) + (a − b) (1, 0, 0) .
El vector v = (a, b, c) tiene componentes (c, b − c, a − b) en la base B.
Hay que aclarar en cada caso, cuando se da una n-upla de Rn , si se trata de los vectores en si,
o si se trata de las componentes en alguna base distinta de la canónica. Sólo puede omitirse esta
aclaración cuando la base es la canónica.
EJEMPLO 4.80. Sea {Cn , R, +, ·} .
Verifı́quese que
{(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)}
no es base. Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es combinación
lineal del conjunto anterior.
Verifı́que que:
{(1, 0, ..., 0) , (i, 0, ..., 0) , (0, 1, ..., 0) , (0, i, ..., 0) , (0, 0, ..., 1) , (0, 0, ..., i)}
es base de {Cn , R, +, ·} . Entonces dim(Cn ) = 2n sobre el cuerpo R.
R
R
EJEMPLO 4.81. Una base para Pn el espacio vectorial de polinomios de grado menor o igual
a n es el conjunto {1, x, x2 , x3 , ..., xn }. Es claro que este conjunto genera Pn pues todo polinomio
es una combinacion de estos n + 1 polinomios, ademas se puede mostrar facilmente que este es
un conjunto linealmente independiente. Puesto que este conjunto tiene n + 1 elementos entonces
la dim Pn = n + 1. Por ejemplo el espacio de polinomios de grado menor o igual a 3, P3 tiene
dimension 4.
EJEMPLO 4.82. Sea Eij la matriz m × n que tiene todas sus entradas nulas excepto la entrada
ij que vale 1. El conjunto
B = {Eij : i = 1, ..., m, j = 1, ..., n}
es una base de Mm×n (R). La dimension del espacio Mn×m R es nm. Por ejemplo la base para
M2×2 (R) es el conjunto de matrices

1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
La dimension de M2×2 es 4.
Hasta ahora hemos provisto la base y verificado que es tal. Pero como encontrar la base y dimension
de un espacio vectorial?
EJEMPLO 4.83. Vamos a encontrar la base del subespacio de R3 , W = {(x, y, z)/2x + y − z = 0}
podemos ver que W es un plano que pasa por el origen. La idea para encontrar un conjunto base
para este plano es expresar los elementos (x, y, z) en terminos de dos vectores. Por que 2? Geo-
metricamente sabemos que la dimension del plano es 2. Ahora sabemos que los puntos (x, y, z)
cumplen con la ecuacion de plano por tanto
(x, y, z) = (x, y, 2x + y)
aqui podemos ver que x e y son dos variables libres, z queda determinado por estas dos variables.
La libertad de escoger tambien debe coincidir con la dimension del espacio, 2 variables libres,
dimension 2. Ahora podemos descomponer este vector, separando la parte que contiene x con la
parte que contiene y :
(x, y, 2x + y) = x(1, 0, 2) + y(0, 1, 1)
De aqui que la base es B = {(1, 0, 2), (0, 1, 1)}. Debemos mostra que gen B = W . Esto es claro
de la ultima igualdad que dice que todo elemento de W es combinacion lineal de B. Debemos
ademas mostrar que B es linealmente independiente.
Demostrar que B es linealmente independiente.
EJEMPLO 4.84. Considere el conjunto W = gen{cos2 x, sen2 x, 1}. Determine una base para
este conjunto. Sabemos que todos los elementos de W deben ser combinacion lineal de las funciones
cos2 x, sen2 x, 1. Asi que obviamente un candidato de base es el conjunto {cos2 x, sen2 x, 1}. Para
que sea base debe ser linealmente independiente pero es debido a que
1 = cos2 x + sen2 x
podemos concluir que el conjunto es dependiente. En otras palabras hay un elemento ”sobrante”,
podemos escoger 2 de los 3 elementos por ejemplo {1, sen2 x} es base. La dim W = 2.
R
R
EJEMPLO 4.85. Consideremos el conjunto V = {f : [0, 1] → R : f (x) = (a0 + a1 x + a2 x2 )e−x }.

V es un espacio vectorial real con las operaciones suma y producto que hemos definido para
funciones, ya que con esas operaciones es un subespacio del espacio vectorial C([0, 1]). Más aún,
V = gen{e−x , xe−x , x2 e−x }. Afirmamos que dim(V ) = 3. Para constatarlo basta con ver que el
conjunto {e−x , xe−x , x2 e−x } es linealmente independiente. Supongamos
re−x + sxe−x + tx2 e−x = 0 ∀x ∈ [0, 1] (4.8)
Evaluando ambos lados de la igualdad en los puntos del intervalo [0, 1], x = 0, x = 0.5 y x = 1,
obtenemos el sistema de ecuaciones
r=0
−0.5 −0.5 2 −0.5
e r + 0.5e s + 0.5 e t=0
−1 −1 −1
e r + e s + e t = 0,
que tiene como única solución r = 0, s = 0 y t = 0.

Otra forma de demostrar la independencia lineal del conjunto es la siguiente. Como e−x 6= 0 para
todo x ∈ [0, 1], (4.8) es equivalente a
r + sx + tx2 = 0 ∀x ∈ [0, 1] (4.9)
Como el lado derecho de la ecuación es una función polinómica, para que se cumpla (4.9) es
necesario que r = 0, s = 0 y t = 0, ya que en caso contrario estarı́amos en presencia de un
polinomio no nulo que se anula en un número infinito de puntos (todo punto del intervalo [0, 1]),
lo cual es imposible.
EJEMPLO 4.86. Responda las siguientes preguntas argumentando sus respuestas con argumen-
tos lógicos o ejemplos según sea el caso. 1) Es posible tener un conjunto de 4 vectores linealmente
independientes en R3 ?. 2) Es posible tener un conjunto de tres vectores linealmente dependientes
en R3 ?. 3) Es posible tener un conjunto de dos vectores que generen R3 ?
SOLUCIÓN.- ♣
Uso de operaciones elementales para obtención de bases.- Sea W un subespacio de Rn .

Un conjunto de vectores {v1 , v2 , ..., vk } se dice conjunto generador de W si W = h{v1 , v2 , ..., vm }i.
Si, además, el conjunto {v1 , v2 , ..., vm } es linealmente independiente, diremos que es una base de
W.
1. Si W tiene una base B, llamaremos dimensión de W al número de elementos de B y lo

denotaremos como dim W .
R
R
2. Habı́amos definido el rango de una matriz como el número de filas no nulas en una matriz
escalonada. Una interpretación en términos de subespacios es que el rango es la dimensión
del subespacio generado por las filas de la matriz. Puede comprobarse que el rango coincide
también con la dimensión del subespacio generado por las columnas de la matriz.
3. De lo anterior se deduce que si W = h{v1 , v2 , ..., vk }i, para calcular una base de W procedi-
endo de la siguiente manera: Construimos una matriz A cuyas filas son los vectores v1 , v2 ,
... ,vk y calculando la matriz escalonada reducida de A al que denotamos por Ar , entonces
una base de W = h{v1 , v2 , ..., vk }i está formada por los vectores correspondientes a las filas
no nulas de Ar .
4. Por otro lado si W es un subespacio de Rn de dimensión r, para calcular una base de Rn

nos inventamos n − k vectores, con la precaución de que al juntarlos con los de la base de
W sean linealmente independientes (es decir su matriz escalonada no nos de filas nulas).
De todo lo anterior deducimos la siguiente consecuencia:
COROLARIO 4.2. Sea S = {v1 , v2 , ..., vn } un conjunto de n vectores de Rn . Entonces son

equivalentes: 1) S es base de Rn . 2) S es linealmente independiente. 3) S es un conjunto generador
de Rn .
Por tanto, a la vista de éste resultado, si nos dan un conjunto con tantos vectores como la dimensión
de Rn para que sea base de Rn bastará probar que son linealmente independientes.
EJEMPLO 4.87. Consideremos el subespacio W de R3 dado por las ecuaciones implı́citas:

x−y+z = 0
x−z = 0
Para calcular una base de W , resolvemos dicho sistema, teniendo en cuenta que, para ello, debemos
introducir 1 variable libre
no variables libres = no componentes − no ecuaciones implı́citas linealmente independientes
Obtenemos la solución
W = {(a, 2a, a) : a ∈ R}.
El subespacio W de R3 está generado por el conjunto {(1, 2, 1)}, ası́ W = h{(1, 2, 1)}i. Como es
claramente independiente se tiene que B = {(1, 2, 1)} es base de W con lo que dim W = 1.

EJEMPLO 4.88. La solución de la ecuación lineal x − y − z − t = 0 en R4 es
W = {(a + b + c, a, b, c) : a, b, c ∈ R}.
R
R
Cualquier vector solución (a + b + c, a, b, c) ∈ W se expresa de la forma

(a + b + c, a, b, c) = (a, a, 0, 0) + (b, 0, b, 0) + (c, 0, 0, c)
= a(1, 1, 0, 0) + b(1, 0, 1, 0) + c(1, 0, 0, 1).
Por tanto
W = h{(1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)i}.
Además esos tres vectores son linealmente independientes como se puede comprobar al hacer la
matriz escalonada. Con lo cual
B = {(1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)}
es base de W y ası́ dim W = 3. Si queremos ampliar dicha base hasta una base de R4 bastará añadir
un cuarto vector que sea linealmente independiente con los de la base de W , podemos tomar
(1, 0, 0, 0) (¡¡compruébese!!).

Observación. Siempre que nos den un subespacio W de Rn en forma de sistema generador, para
calcular una base de W tenemos que comprobar que dichos vectores son linealmente independientes
calculando una matriz escalonada de esos vectores puestos por filas.
Todo lo anterior es igualmente válido cuando V es un espacio vectorial arbitrario con base finita,
y sus vectores vienen expresados por sus coordenadas respecto de dicha base.
EJEMPLO 4.89. Hallar una base del subespacio generado por
A = {v1 = (1, 3, 4), v2 = (2, −1, 1), v3 = (3, 2, 5), v4 = (5, 15, 20)}
SOLUCIÓN.- Si A = {v1 = (1, 3, 4), v2 = (2, −1, 1), v3 = (3, 2, 5), v4 = (5, 15, 20)} ⊂ R3 ,
entonces      
1 3 4 1 3 4 1 3 4
2 −1 1     
  −→ 0 7 7 −→ 0 1 1
3 2 5 0 7 7 0 0 0
5 15 20 0 0 0 0 0 0
y B = {u1 = (1, 3, 4), u2 = (0, 1, 1)} es una base de hAi. Para hallar las coordenadas del vector
v = (2, −1, 1) respecto de dicha base, se procede ası́:

 a = 2
a = 2
v = au1 + bu2 , (2, −1, 1) = a(1, 3, 4) + b(0, 1, 1) =⇒ 3a + b = −1 ⇒
 b = −7
4a + b = 1
de donde v = 2u1 − 7u2 = (2, −7)B . En referencia a esta base, las ecuaciones paramétricas e
implı́citas de hAi son:

 x = a
y = 3a + b ; a, b ∈ R =⇒ x+y−z =0

z = 4a + b
♣
R
R
A = {p1 = 1 − x3 , p2 = x − x3 , p3 = 1 − x, p4 = 1 + x − 2x3 }
SOLUCIÓN.- Antes de proceder a hallar una base del subespacio generado por A ⊂ P3 (R) se
expresan los vectores (polinomios) respecto de la base usual:
A = {p1 = (1, 0, 0, −1), p2 = (0, 1, 0, −1), p3 = (1, −1, 0, 0), p4 = (1, 1, 0, −2)}
Entonces      
1 0 0 −1 1 0 0 −1 1 0 0 −1
0 1 0 −1 0 1 0 −1 0 1 0 −1
    −→  
1 −1 0 0  −→ 0 1 0 −1 0 0 0 0
1 1 0 −2 0 1 0 −1 0 0 0 0
y una base de hAi es:
A = {q1 = (1, 0, 0, −1) = 1 − x3 , q2 = (0, 1, 0, −1) = x − x3 }
Para hallar las coordenadas del polinomio p = −1 + 2x − x3 = (−1, 2, 0, −1) respecto de dicha
base, se procede ası́:


 α = −1

β = 2 α = −1
p = (−1, 2, 0, −1) = α(1, 0, 0, −1)+β(0, 1, 0, −1) =⇒ =⇒

 0 = 0 β = 2

−α − β = −1
de donde p = −q1 + 2q2 = (−1, 2)B . En referencia a esta base, y representando un polinomio
arbitrario por p = a + bx + cx2 + dx3 = (a, b, c, d), las ecuaciones paramétricas e implı́citas de hAi
son: 

 a = α

b = β a+b+d = 0
; α, β ∈ R =⇒

 c = 0 c = 0

d = −α − β ♣

1 −1 0 0 2 −2 −3 3 −1 1
A = M1 = , M2 = , M3 = , M4 = , M5 =
0 −1 1 1 2 −2 5 3 3 1
SOLUCIÓN.- Antes de proceder a hallar una base del subespacio generado en M2×2 (R) por A
se expresan los vectores (matrices) respecto de la base usual:

M1 = (1, −1, 0, −1), M2 = (0, 0, 1, 1), M3 = (2, −2, 2, −2), M4 = (−3, 3, 5, 3),
A=
M5 = (−1, 1, 3, 1)
R
R
Entonces
       
1 −1 0 −1 1 −1 0 −1 1 −1 0 −1 1 −1 0 0
0 0 1 1 0 0 1 1  0 0 1 0  0 0 1 0
       
 2 −2 2 −2 → 0 0 2 0  → 0 0 0 1  → 0 0 0 1
       
−3 3 5 3  0 0 5 0  0 0 0 0  0 0 0 0
−1 1 3 1 0 0 3 0 0 0 0 0 0 0 0 0
y una base de hAi es

1 −1 0 0 0 0
N1 = (1, −1, 0, 0) = , N2 = (0, 0, 1, 0) = , N3 = (0, 0, 0, 1) =
0 0 1 0 0 1
Puesto que la base se ha obtenido llegando hasta la matriz escalonada, ahora es mucho más fácil
obtener las coordenadas de una matriz respecto de ella. De esta manera

2 −2
M= = (2, −2, 3, −2) = 2N1 + 3N2 − 2N3 = (2, 3, −2)B
3 −2
En referencia a esta base, y representando una matriz arbitraria por

x y
M= = (x, y, z, w)
z w
las ecuaciones paramétricas e implı́citas de hAi son:



 x = a

y = −b
; a, b, c ∈ R =⇒ x+y = 0

 z = b

w = c
♣
TEOREMA 4.9. Sea V un espacio vectorial de dimensión n > 1, W y B subconjuntos de V
(finitos). Se cumplen las siguientes propiedades:
1) Si B genera a V , existe B’ contenido en B, tal que B’ es base de V .
2) Si W es linealmente independiente, existe W’ que contiene a W, tal que W’ es base de V
(dicho de otra forma, todo conjunto generador, contiene a alguna base; y todo linealmente inde-
pendiente se puede agrandar hasta formar una base).
DEMOSTRACIÓN. 1) Sea B = {v1 , v2 , ..., vk }. Si B es l.i:, entonces es base (porque por hipótesis
B genera a V ). Si B es linealmente dependiente, o bien está formado por un único vector, que tiene
que ser el vector nulo (porque B es linealmente dependiente), o bien está formado por más de un
vector. En el caso en que B = {0}, como por hipótesis B genera a V , serı́a el caso en que V = {0}.
Pero este caso está excluı́do, porque por hipótesis n>1. De esta forma, resta sólo estudiar el caso
R
R
en que B es linealmente dependiente y está formado por más de un vector. Por la Proposición 3.2,
hay un vector de B, que es combinación lineal de los demás vectores de B. Quitando ese vector vr
de B, se obtiene un conjunto B1 . Por la proposición 3.1 hAi = hB1 i y entonces B genera a V .
Si B1 es L.I: ya está probado. Si es linealmente dependiente aplicando el mismo razonamiento
a B1 en lugar de B, se obtiene un nuevo conjunto B2 ⊂ B1 ⊂ B tal que genera a V . Si se
repite el razonamiento, se obtendrá finalmente un conjunto B’ contenido en B, que es linealmente
independiente y que se obtuvo de B retirando sucesivamente aquellos vectores que se expresaban
como combinación lineal de los restantes. Por la proposición 3.1, este conjunto B’ también genera
a V . Por definición es base de V , probando 1).
2) Supongamos W = {w1 , ..., wp } es un conjunto linealmente independiente Si W genera a V ,
entonces W es base y tomamos W’ = W. Si W no genera a V , entonces existe algún vector de V que
no es combinación lineal de W. Llamemos wp+1 a este vector. Mostremos que:{w1 , w2 , ..., wp , wp+1}
es linealmente independiente
En efecto: λ1 w1 + λ2 w2 + ... + λp wp + λp+1 wp+1 = 0 ⇒ λp+1 = 0, porque sino se podrı́a
despejar wp+1 en función de los demás, y eso no es posible porque wp+1 no es combinación
lineal de w1 , w2 , ..., wp . Entonces: λ1 w1 + λ2 w2 + ... + λp wp = 0. Luego, todos los coeficientes
λi son ceros, porque W es linealmente independiente Tenemos entonces que el conjunto W =
{w1 , w2 , ..., wp , wp+1} es linealmente independiente Repitiendo la construcción anterior a W1 en
lugar de W, vamos agregando vectores hasta obtener un conjunto linealmente independiente y que
genere a V (sea hasta obtener una base de V ). Siempre se llega, en una cantidad finita de pasos,
a un conjunto que genere a V , porque por el teorema 4.2 los conjuntos linealmente independiente
no pueden tener mas de n elementos, donde n es la dimensión del espacio.
A continuación se presentarán algunas propiedades interesantes de los espacios de dimensión finita

COROLARIO 4.3. Sea V un K-espacio vectorial de dimensión n ≥ 1. Entonces,
(a) Cada conjunto de n elementos linealmente independientes de V conforman una base.
(b) Cada conjunto de n generadores de V conforman una base de V .
DEMOSTRACIÓN. 1) Si A = {v1 , ..., vn } no genera V, existe v ∈ V tal que v ∈
/ hAi. En-
tonces {v1 , ..., vn , v} es linealmente independiente (como en la demostración del teorema anterior)
pero tiene n + 1 vectores, lo que contradice el teorema 4.2. Absurdo. Luego hAi = V .
2) Si A = {v1 , ..., vn }, con hAi = V y A es linealmente dependiente existe A1 ⊂ A con
hA1 i = V , y |A1 | = p < n. Luego A1 serı́a base y dim (V ) = p < n. Absurdo.
PROPOSICIÓN 4.12. Sea V un espacio vectorial de dimensión finita n. Sea W un subespacio

de V . Entonces W tiene también dimensión finita, que es menor o igual que n.
DEMOSTRACIÓN. Si W = {0}, entonces dim W =0 y ya está probado, pues 0 6n.
Si W 6= {0}, alcanza probar que existe una base de W con una cantidad finita de elementos p.
Una vez demostrado eso, por la proposición 4.1 resulta p 6 n, pues una base de W, es un conjunto
linealmente independiente, con p elementos, y una base de V es un conjunto que genera a todo el
espacio, con n elementos.
R
R
Como W 6= {0} entonces existe algún vector w1 ∈ W, w1 6= 0. Si {w1 } genera a W, es base de W,

y ya está probado. Si {w1 } no genera a W, existe un vector w2 ∈ W que no es combinación lineal
de w1 .
Afirmamos que {w1 , w2 } es linealmente independiente . En efecto, si λ1 w1 + λ2 w2 = 0, λ2 = 0
pues de lo contrario se podrı́a despejar w2 en función de w1 , lo cual no es posible porque w2 no
es combinación lineal de w1 . Entonces λ2 = 0, y entonces λ1 w1 = 0. Como w1 6= 0 se deduce
λ1 = 0.Tenemos ahora que {w1 , w2} es linealmente independiente . Si genera a W, ya tenemos una
base. Si no genera a W, existe un tercer vector w3 ∈ W que no es combinación lineal de los dos
primeros. Igual que antes se prueba que el conjunto {w1 , w2 , w3 } es linealmente independiente. Se
puede repetir el razonamiento en una cantidad menor que n + 1 de pasos hasta construir una
base de W, porque de lo contrario tendrı́amos un conjunto linealmente independiente de n + 1
vectores, contradiciendo el teorema 4.2 que dice que los conjuntos linealmente independiente no
pueden tener más de n elementos, donde n es la dimensión del espacio.
PROPOSICIÓN 4.13. Sea W un subespacio de V , con dim (V ) = n, se tiene que dim F ≤

dim E. Si dim (W ) = dim (V ), entonces W=V .
DEMOSTRACIÓN. Sea {w1 , ..., wn } base de W. Entonces es linealmente independiente y está for-
mado por n vectores de W ⊂ V . Si v ∈ V ; {w1 , ..., wn , v} es linealmente dependiente (por Teo-
rema 4.2.) y como antes, vemos que V se escribe como combinación lineal de {w1 , ..., wn }, luego
{w1 , ..., wn } = V .
A continuación veremos que un espacio vectorial de dimensión finita es finitamente generado y

tiene una base finita. De hecho puede tener más de una base, por ejemplo en R2 , C = {e1 , e2 } y
B = {(1, 1), (2, 3)} son bases.
TEOREMA 4.10. Sea V un espacio vectorial de dimensión n, y sea S un sistema de generadores
de V . Entonces, obligatoriamente, S tiene al menos n vectores. Además, a partir de S se puede
extraer una base, eliminando uno a uno los vectores que sean combinación lineal de los demás.
DEMOSTRACIÓN. Nótese que ya que V 6= {0} todo conjunto de generadores de V tiene al
menos un vector distinto de 0. Si S es linealmente independiente ya es una base. En caso contrario,
existe v ∈ S que es combinación lineal de los restantes y hSi = hS \ {v}i.
Si este nuevo conjunto de generadores es linealmente independiente ya es una base de V . En otro
caso existe v ′ ∈ S \ {v} tal que es combinación lineal de los vectores de S \ {v} y
hS \ {v}i = hS \ {v ′ , v}i
Repitiendo el proceso, tantas veces como sea necesario, se llega a un sistema de generadores
linealmente independiente ya que, en el peor de los casos, encontrarı́amos un conjunto generador
con un único vector que al ser distinto de 0 ya es linealmente independiente.
EJEMPLO 4.92. Sea V el subespacio de R4 generado por
S = {v1 = (1, 1, 0, 0), v2 = (0, 1, 0, 0), v3 = (−1, −1, 0, 0), v4 = (1, 2, 0, 0), v5 = (0, 2, 3, 3)}.
R
R
Encontrar una base de V . Puesto que v3 = −v1 entonces

hSi = h{v1 , v2 , v4 , v5 }i
Ahora la ecuación v4 = v1 + v2 implica que
h{v1 , v2 , v4 , v5 }i = h{v1 , v2 , v5 }i.
El conjunto S = {v1 = (1, 1, 0, 0), v2 = (0, 1, 0, 0), v5 = (0, 2, 3, 3)} es linealmente independiente y
por tanto base de V .
No podemos dejar de mencionar un resultado motivado por la siguiente pregunta: Dado un con-
junto linealmente independiente {v1 , ..., vr } de vectores de un espacio vectorial V de dimensión
finita ¿forman parte de alguna base B de V ?. El siguiente es el Teorema de prolongación de una
base y responde afirmativamente a esta pregunta: Sı́ V un K-espacio vectorial de dimensión finita.
Todo conjunto linealmente independiente de vectores puede completarse hasta obtener una base.
TEOREMA 4.11 (Teorema de Steinitz o de la base incompleta). Sea V un espacio vec-
torial de dimensión n, y sea A ⊂ V un conjunto de vectores linealmente independiente. Entonces,
obligatoriamente, A tiene como máximo n vectores. Además, A se puede extender a una base,
añadiendo vectores en V que no sean combinación lineal del resto.
DEMOSTRACIÓN. Sea V un espacio vectorial y B = {v1 , ..., vn } una base de V . Si S =
{u1 , ..., us } es un subconjunto de V linealmente independiente entonces demostraremos que s ≤ n
y que existen n − s vectores vi1 , ..., vin−s ∈ B tales que el conjunto {u1 , ..., us , vi1 , ..., vin−s } es una
base de V . Es decir que todo subconjunto de V linealmente independiente se puede ampliar a una
base. En efecto:
Sabemos que todo conjunto con más de n elementos es linealmente dependiente y por tanto s ≤ n.
Si s < n entonces S no puede ser base y
h{u1, ..., us }i $ h{v1 , ..., vn }i = V
Ası́, existirá vi1 ∈ {v1 , ..., vn } tal que vi1 ∈
/ {u1 , ..., us } y entonces {u1, ..., us , vi1 } es un conjunto
linealmente independiente con s + 1 elementos. Repitiendo el proceso n − s veces se tiene el
resultado.
EJEMPLO 4.93. Si S = {(1, 1, 1, 1), (1, 2, 3, 4)} ⊂ R4 veamos como se puede ampliar a una base
de R4 .
Sabemos que
u −u
h{u1 = (1, 1, 1, 1), u2 = (1, 2, 3, 4)}i 2= 1 h{(1, 1, 1, 1), (0, 1, 2, 3)}i.
Además,
R4 = h{(1, 1, 1, 1), (0, 1, 2, 3), (0, 0, 1, 0), (0, 0, 0, 1)}i
porque son 4 vectores escalonados y entonces linealmente independientes. Como,
h{(1, 1, 1, 1), (0, 1, 2, 3), (0, 0, 1, 0), (0, 0, 0, 1)}i = h{(1, 1, 1, 1), (1, 2, 3, 4), (0, 0, 1, 0), (0, 0, 0, 1)}i
se tiene que {(1, 1, 1, 1), (1, 2, 3, 4), (0, 0, 1, 0), (0, 0, 0, 1)} es una base de R4 .
R
R
EJEMPLO 4.94. Como ejemplo, U = {(x, y, 0) ∈ R3 : x, y ∈ R}. Claramente, los vectores

(1, 0, 0), (0, 1, 0) son base de U, y por tanto su dimensión es dos. Eso quiere decir que tres vectores
cualesquiera en U, por ejemplo, (2, 7, 0), (−1, 2, 0), (18, π, 0) deben ser forzosamente linealmente
dependientes. Igualmente, cualquier vector, por ejemplo u = (1, 2, 0) no puede ser sistema de
generadores de U.

Como consecuencia de los dos resultados previos, tenemos lo siguiente:
COROLARIO 4.4. Sea V un espacio vectorial de dimensión n, y sea A ⊂ V un conjunto

con n vectores. Entonces son equivalentes: i) A es linealmente independiente. ii) A es sistema de
generadores. iii) A es base.
COROLARIO 4.5 (Propiedades de las bases y la dimensión.). Sea V un K-espacio vec-

torial de tipo finito (es decir, generado por un número finito de vectores) y sea L ⊂ V , L 6= {0}
un subespacio vectorial. Sea S = {u1, u2 , ..., up } un conjunto de vectores de L, entonces se verifica
que:
1. Si S es un conjunto generador de L, entonces p ≥ dim(L).
2. Si S es un conjunto linealmente independiente, entonces p ≤ dim(L).
3. Si S es generador de L y dim(L) = p, entonces S es base de L.
4. Si S es linealmente independiente y dim(L) = p, entonces S es base de L.
Por tanto, la dimensión de un subespacio vectorial L es el número máximo de vectores de L

linealmente independientes. Además, la dimensión de L es el número mı́nimo de vectores de un
conjunto generador de L.
EJEMPLO 4.95. {(1, 1), (2, 1)} es base de R2 pues es linealmente independiente y dim(R2 ) = 2.
EJEMPLO 4.96. {1 − t, 1 + t, t2 } es base de P2 pues lo generan y dim(P2 ) = 3. Para comprobar

que genera P2 basta con ver que 1, t y t2 son combinaciones lineales de {1 − t, 1 + t, t2 }. Pero,
1 = 0.5(1 − t) + 0.5(1 + t), t = −0.5(1 − t) + 0.5(1 + t) y t2 obviamente es combinación lineal por
formar parte del conjunto.
EJEMPLO 4.97. Subespacios generados por un conjunto de vectores.- Sea S el

espacio generado por los vectores v1 , v2 , ..., vm . Queda claro que entonces estos vectores forman
un sistema de generadores de S (por definición). Por tanto, dim S ≤ m. Además, la dimensión
de S será el máximo número de vectores linealmente independientes en {v1 , v2 , ..., vm }, gracias al
Teorema 4.10.
Si estamos trabajando en Rn (o en coordenadas), recuérdese que el máximo número de vectores
linealmente independientes en {v1 , v2 , ..., vm } es exactamente el rango de la matriz formada por
dichos vectores dispuestos por filas. Entonces, por lo anterior, dicho rango será exactamente la
dimensión de S.
R
R
Por ejemplo, si S = h{(1, 0, −1, 2), (0, 1, 1, 1), (1, 1, 0, 3)}i ⊂ R4 , entonces dim S ≤ 3. Ahora bien,
el rango de la matriz:  
1 0 −1 2
A = 0 1 1 1
1 1 0 3
es igual a dos. Por tanto, dim S = 2. Una base estarı́a formada, por ejemplo, por los vectores
{(1, 0, −1, 2), (0, 1, 1, 1)}, ya que son linealmente independientes entre sı́ (no son proporcionales).

EJEMPLO 4.98. Consideremos el siguiente subconjunto de R4 :
S = {(x1 , x2 , x3 , x4 ) : x1 − x4 = 0 y x2 − x4 = x3 }
1. Comprobar que S es subespacio vectorial de R4 .
2. Obtener dos bases distintas B1 y B2 de S y hallar la dimensión de S.
3. Hallar un sistema generador G de S que no sea base de S.
4. Hallar un sistema generador G de S que no sea linealmente independiente.
5. Hallar un conjunto linealmente independiente F de S que no sea base de S.
6. Hallar un conjunto linealmente independiente F de S que no sea sistema generador de S.
7. Sea F = B1 ∪ B2 . ¿Es F linealmente independiente? ¿Es F sistema generador de S? Hallar

r(F ).
8. Completar la base B1 hasta obtener una base B ∗ de R4 .
SOLUCIÓN.-
1. Comprobar que S es subespacio vectorial de R4 .

Solución.- Para demostrar que S es un subespacio vectorial de R4 encontraremos un sis-
tema generador G de S (S = hGi). ¿Cómo?: Resolviendo el sistema lineal homogéneo que
satisfacen las componentes de cualquier vector de S. Tomemos
(x1 , x2 , x3 , x4 ) ∈ S = {(x1 , x2 , x3 , x4 ) : x1 − x4 = 0 y x2 − x4 = x3 }
entonces

x1 − x4 = 0 x4 = x1
x2 − x4 = x3 x3 = x2 − x1
por tanto
(x1 , x2 , x3 , x4 ) = (x1 , x2 , x2 − x1 , x1 )
R
R
Cuando conseguimos escribir los vectores de S de esta forma, ya resulta inmediato encontrar
un sistema generador de S.
(x1 , x2 , x2 − x1 , x1 ) = (x1 , 0, −x1 , x1 ) + (0, x2 , x2 , 0) = x1 (1, 0, −1, 1) + x2 (0, 1, 1, 0)
Llamando x1 = a, x2 = b tenemos
D E
S = {a(1, 0, −1, 1) + b(0, 1, 1, 0) : a, b ∈ R} = {u1 = (1, 0, −1, 1), u2 = (0, 1, 1, 0)}
D E
• S es subespacio vectorial de R4
S = {u1 , u2 } =⇒
• B = {u1, u2 } es sistema generador de S
2. Obtener dos bases distintas B1 y B2 de S y hallar la dimensión de S.

Solución.- En el apartado anterior hemos encontrado un sistema generador de S, ahora
debemos comprobar si se trata de un conjunto linealmente independiente o no. Si se trata de
un conjunto linealmente independiente tenemos ya una base de S y por tanto conocemos su
dimensión, lo cual nos será de gran utilidad de cara a encontrar nuevas bases del subespacio
S.
Para comprobar si B es un conjunto linealmente independiente, como solamente consta de
dos vectores, podemos utilizar un resultado que resulta muy cómodo:
TEOREMA 4.12. Una familia formada por dos vectores no nulos u y v es un conjunto
linealmente dependiente si y sólo si existe α ∈ R tal que u = αv
Este resultado solamente se puede utilizar para comprobar si una familia de dos vectores
es un conjunto linealmente dependiente. Si tenemos un conjunto formado por más de dos
vectores y queremos estudiar su dependencia o independencia lineal tendremos que recurrir
a la definición o al teorema del rango.
Por tanto, si se verifican las siguientes dos condiciones:

• B1 = {u1 , u2} es sistema generador de S
6 αu2 ∀α ∈ R, entonces B1 es conjunto linealmente independiente
• u1 =
Entonces B1 = {u1, u2 } es base de S, por tanto dim S = 2
Para hallar una segunda base B2 de S, en primer lugar construiremos un sistema de dos
vectores de S que habremos de comprobar son linealmente independientes, por ejemplo:
B2 = {v1 = u1 + u2 = (1, 1, 0, 1), v2 = u1 − u2 = (1, −1, −2, 1)} ⊂ S
v1 6= α v2 ∀α ∈ R =⇒ B2 es un conjunto linealmente independiente
Solamente hemos comprobado que B2 es un conjunto linealmente independiente. No podemos
asegurar, todavı́a, que se trate de una base de S. No será necesario comprobar que se trata
de un sistema generador de S, pues al conocer dim S podemos utilizar un “atajo”:
R
R

• B2 ⊂ S es linealmente independiente
=⇒ B2 es base de S
• dim S = 2 = cardB2
El cardinal de un conjunto (card) es el número de elementos que pertenecen al conjunto.
3. Hallar un sistema generador G de S que no sea base de S.
4. Hallar un sistema generador G de S que no sea linealmente independiente.

Solución.- Vamos a responder a las dos preguntas al mismo tiempo. Elegimos un conjunto
G formado por los vectores de una base de S y añadimos una combinación lineal de los
mismos. Por ejemplo:
G = {u1 = (1, 0, −1, 1), u2 = (0, 1, 1, 0), u3 = u1 + u2 = (1, 1, 0, 1)}
Para demostrar que este conjunto G cumple las condiciones pedidas en el enunciado podemos
proceder de varias maneras:
☞ G es sistema generador de S, podemos llegar a esta conclusión de dos maneras difer-

entes:
Por ser B1 base de S, B1 es sistema generador de S, ahora como B1 ⊂ G, entonces
G es también sistema generador de S,
o bien:
D E D E
Puesto que u3 = u1 + u2 , entonces S = {u1, u2 } = {u1 , u2 , u3} , esto implica
que G sistema generador de S
☞ G no es base de S (no es conjunto linealmente independiente), esto es debido a alguno
de los siguientes hechos:
Como dim S = 2 < 3 = cardG entonces G no es linealmente independiente, por
tanto G no es base de S.
o bien:
Como u3 = u1 + u2 entonces G no es linealmente independiente, por tanto G no es
base de S
6. Hallar un conjunto linealmente independiente F de S que no sea sistema

generador de S.
Solución.- Elegimos un conjunto F obtenido eliminando, al menos, un vector de una base
de S. Por ejemplo: F = {u1 = (1, 0, −1, 1)}. Para demostrar que este conjunto F cumple las
condiciones pedidas en el enunciado podemos proceder de varias maneras:
☞ F es un conjunto linealmente independiente de S, pues:

R
R
Como B1 es base de S, entonces B1 es linealmente independiente, por otro lado

F ⊂ B1 , esto implica que F es linealmente independiente.
También llegamos a la misma conclusión del siguiente modo:
Es sabido que una familia formada por un único vector es linealmente independi-
ente si y sólo si este vector es no nulo. Ahora bien, como u1 6= 0, entonces F es
linealmente independiente
☞ F no es base de S (no es sistema generador de S), llegamos a esta conclusión de dos
maneras distintas:
Como dim S = 2 > 1 = cardF entonces F no es base de S, en particular F no es
sistema generador de S
o bien:
No todo vector de S pertenece a hF i = h{u1}i, por ejemplo: u2 6= αu1 ∀α ∈ R, por
tanto F no es sistema generador de S de donde se deduce que F no es base de S
7. Sea F = B1 ∪ B2 . ¿Es F linealmente independiente? ¿Es F sistema generador

de S? Hallar r(F ).
Solución.-
n o
F = u1 = (1, 0, −1, 1), u2 = (0, 1, 1, 0), v1 = (1, 1, 0, 1), v2 = (1, −1, −2, 1)
a) F es un conjunto linealmente dependiente. Para demostrar esta afirmación podemos

proceder de dos maneras: Como v1 = u1 +u2 entonces F no es linealmente independiente
o bien: como dim S = 2 < 4 = cardF entonces F no es linealmente independiente.
b) F es un sistema generador de S. Al igual que en el caso anterior, podemos comprobarlo
de varios modos:
Como B1 base de S entonces B1 sistema generador de S, además B1 ⊂ F entonces
F sistema generador de S
o bien:
La ecuación v1 = u1 + u2 implica que S = h{u1 , u2}i = h{u1 , u2, v1 }i y de la
ecuación v2 = u1 − u2 se deduce que h{u1 , u2, v1 })i = h{u1 , u2, v1 , v2 }i. Entonces F
sistema generador de S
c) r(F ) = 2. Vamos a presentar también dos métodos para su demostración:
De la ecuación v2 = u1 − u2 se sigue que h{u1, u2 , v1 , v2 }i = h{u1, u2 , v1 }i y de
la ecuación v1 = u1 + u2 obtenemos h{u1 , u2 , v1 }i = h{u1 , u2}i = S. Por lo tanto
r(F ) = dim(hF i) = dim S = 2.
o bien:
R
R
Escribimos los vectores de F como filas de una matriz A y calculamos el rango de

esta matriz utilizando operaciones elementales de fila, pues r(A) = r(F ).
 
1 0 −1 1 (−1)f1 + f4 1 0 −1 1 (−1)f2 + f3 1 0 −1 1

0 1 1 0 (−1)f1 + f4 0 1 1 0 f2 + f4 0 1 1 0
A=  ←→   ←→ 0 =B
1 1 0 1 0 1 1 0 0 0 0
1 −1 −2 1 0 −1 −1 0 0 0 0 0
Como las matrices A y B son equivalentes, tienen el mismo rango. Es inmediato

calcular el rango de B pues, al tratarse de una matriz escalonada, su rango coincide
con el número de las entradas principales, luego: 2 = r(B) = r(A) = r(F )
8. Completar la base B1 hasta obtener una base B ∗ de R4 .

Solución.- Como sabemos que dim R4 =4 y cardB1 = 2, resulta evidente que B1 no es base
de R4 . Debemos, por tanto, ir añadiendo vectores a B1 para que, sin perder la condición
de conjunto linealmente independiente, consigamos también un sistema generador de R4 .
Conviene realizar este proceso con cierto cuidado y, en principio, se puede sugerir que:
se añadan los vectores de uno en uno, y

se añadan vectores lo más sencillos posibles. ¿Cuáles? Los vectores de la base canónica,
por ejemplo.
Sin embargo, vamos a utilizar la relación que existe entre el rango de una familia de vectores
y el rango de la matriz cuyas filas son esos vectores para ampliar la base B1 hasta conseguir
una base B ∗ de R4 y lo vamos a hacer añadiendo todos los vectores necesarios de una sola
vez.
Se trata de construir una matriz cuadrada de orden 4, A, cuyo rango sea 4, es decir, tal que
det A 6= 0, pero dos de sus filas han de ser los vectores de la base B1 de S:
 
1 0 −1 1
0 1 1 0
A= − − − −

− − − −
Tenemos que añadir dos filas a A que se correspondan, preferentemente, con vectores de la
base canónica de R4 de modo que det A 6= 0. Para ello localizamos en las filas escritas en
A una submatriz de orden 2 (pues sólo tenemos dos filas) cuyo determinante sea no nulo).
“Debajo” de esa submatriz rellenamos las filas que nos faltan con ceros y los huecos restantes
los llenamos de modo que añadamos dos vectores diferentes de la base canónica de R4 . Por
ejemplo:
     
1 0 −1 1 1 0 −1 1 1 0 −1 1
0 1 1 0 0 1 1 0   0 1 1 0
A= − − − −
 A = 
0 0 − −
 A = 
 0 0 1 0

− − − − 0 0 − − 0 0 0 1
R
R
De esta forma, al desarrollar el determinante de A por las filas añadidas resulta trivial de
comprobar que es no nulo. Podemos justificar la respuesta al ejercicio del modo siguiente:
Sea A la matriz cuyas filas son los vectores de B ∗ , siendo:
B ∗ = {u1 = (1, 0, −1, 1), u2 = (0, 1, 1, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1)}
Se tiene que:
1 0 −1 1

0 1 1 0
det A = 6 0
=
0 0 1 0
0 0 0 1
Aquı́ hay que justificar que esta afirmación es cierta y lo podemos hacer como hemos expli-
cado antes desarrollando el determinante por las filas que hemos añadido. Se tiene entonces
que:
Puesto que det A 6= 0 entonces r(B ∗ ) = r(A) = 4 por tanto B ∗ es linealmente independiente,
y como dim R4 = 4 = cardB ∗ se sigue que B ∗ es base de R4 .
♣
EJEMPLO 4.99. Sea la matriz:

 
1 1
A = 1 1 ∈ M3×2 (R)
1 1
1. Hallar una base B y la dimensión del subespacio S formado por las matrices X tales que
AX = (0)3×3 .
2. Hallar un sistema generador G de S que no sea base de S. Calcular r(G).
3. Hallar un conjunto linealmente independiente F de S que no sea base de S. Calcular r(F ).
4. Ampliar la base B de S hasta obtener una base B ∗ de M2×3 (R).
SOLUCIÓN.-
1. Hallar una base B y la dimensión del subespacio S formado por las matrices
X tales que AX = (0)3×3 .
Solución.- Lo primero que tenemos que hacer es ver que condiciones han de cumplir los
elementos de una matriz X ∈ M3×2 (R) para que pertenezca a S. Para ello debemos realizar
el producto AX, donde  
1 1
A = 1 1 ∈ M3×2 (R)
1 1
R
R
e igualarlo a la matriz nula de M3×3 (R). Esto nos llevará a un sistema de ecuaciones lin-
eales homogéneo con tantas incógnitas como elementos tiene la matriz X, es decir, con 6
incógnitas, y con tantas ecuaciones como elementos tiene la matriz AX (9 ecuaciones).
     
1 1 a+d b+e c+f 0 0 0
a b c
AX = 1 1 = a + d b + e c + f  = 0 0 0
d e f
1 1 a+d b+e c+f 0 0 0
Entonces   
 a+d=0   d = −a
b+e= 0 =⇒ e = −b
  
c+f =0 f = −c
En este caso al igualar los nueve elementos de la matriz AX con los nueve elementos cor-
respondientes de la matriz nula de M3×3 (R), observamos que de las nueve ecuaciones que
en principio obtenemos solamente hay tres ecuaciones diferentes y son las únicas que hemos
escrito.
A continuación se procede del mismo modo que en cualquier problema de espacios vectoriales,
utilizando las mismas técnicas explicadas para los espacios vectoriales Rn y Pn y que ya
hemos utilizado anteriormente, pero sin olvidarnos de que estamos trabajando con matrices.
   
 1 1 
a b c
S = X ∈ M2×3 (R) : 1 1 X = (0)3×3 = : a, b, c ∈ R
  −a −b −c
1 1
Cuando conseguimos escribir los vectores de S de esta forma, ya resulta inmediato encontrar
un sistema generador de S.

1 0 0 0 1 0 0 0 1
S = a +b +c : a, b, c ∈ R
−1 0 0 0 −1 0 0 0 −1

1 0 0 0 1 0 0 0 1
= A1 = , A2 = , A3 =
−1 0 0 0 −1 0 0 0 −1
Hemos demostrado entonces:

D E
• S es subespacio vectorial de M2×3 (R)
S = {A1 , A2 , A3 } =⇒
• B = {A1 , A2 , A3 } es sistema generador de S
Vamos a comprobar si B es también un conjunto linealmente independiente. Como B consta

de tres matrices, si queremos demostrar que es un sistema linealmente independiente no
podemos utilizar ningún “atajo”. Debemos recurrir a la definición. Pero lo que si podemos
utilizar es un resultado de la teorı́a de matrices que dice que un sistema de n vectores es
linealmente independiente si y sólo si el rango de la matriz que tiene como filas a esos vectores
es n. De hecho el rango de una familia de vectores y el rango de la matriz cuyas filas son los
vectores de esa familia coinciden. Este resultado es de gran utilidad.
R
R
Surge inevitablemente una pregunta. ¿Cómo escribimos las matrices A1 , A2 , A3 como filas
de una matriz? La respuesta es bien sencilla e intuitiva. Basta con identificar cada una de
las matrices con un vector de R6 es este caso de modo que si A = (aij )2×3 , el vector con el
que identificamos la matriz A es el vector:
x = (a11 , a12 , a13 , a21 , a22 , a23 )
de modo que escribimos como las primeras componentes del vector la primera fila de la
matriz, a continuación escribimos la segunda fila de la matriz y ası́ hasta terminar con todas
las filas de A. Si consideramos la matriz
 
1 0 0 −1 0 0
A = 0 1 0 0 −1 0 
0 0 1 0 0 −1
tenemos que r(A) = r(B) donde B es el sistema generador de S que hemos encontrado.
Además es trivial calcular el rango de la matriz A pues al tratarse de una matriz escalonada
bastará con contar el número de las entradas principales de la matriz. Tenemos entonces
que:
 
1 0 0 −1 0 0

r(B) = r(A) siendo A = 0 1 0 0 −1 0
0 0 1 0 0 −1
r(B) = r(A) = 3 = card(B) entonces B es linealmente independiente
Como hemos podido comprobar este método resulta muy sencillo para calcular el rango de
una familia de vectores de los espacios vectoriales Rn , Pn y Mm×n (R). Tenemos entonces
que:

B = {A1 , A2 , A3 } es generador de S
=⇒ B = {A1 , A2 , A3 } es base de S, por
B = {A1 , A2 , A3 } es linealmente independiente
tanto dim S = 3
Como ya conocemos la dimensión del subespacio vectorial S resulta más sencillo, como ya se
explicó en un ejercicio anterior, hallar otras bases de este mismo subespacio. Recordar que
basta con hallar un conjunto linealmente independiente de S que conste de tantas matrices
como la dimensión de S, que es 3.
2. Hallar un sistema generador G de S que no sea base de S. Calcular r(G).

Solución.- Una base del subespacio vectorial S es un sistema generador de S que además
es linealmente independiente, de modo que si a esa base añadimos vectores de S seguire-
mos teniendo un sistema generador de S pero habremos perdido la condición de conjunto
linealmente independiente porque el vector que hemos añadido es forzosamente una combi-
nación lineal de los vectores de esa base. Sin embargo, si a esa base quitamos alguno de los
R
R
vectores perdemos la condición de sistema generador de S pero todavı́a seguimos teniendo

un conjunto linealmente independiente pues todo subconjunto de un conjunto linealmente
independiente es también un conjunto linealmente independiente. Estos comentarios nos
ayudarán a entender mejor las respuestas a los apartados 1.- y 2.- de este ejercicio.
Escogemos un conjunto G formado por las siguientes matrices:
n o
G = A1 , A2 , A3 , A4 = A1 + A2 + A3
y procedemos a demostrar que cumple las condiciones pedidas en el enunciado como en

cualquier ejercicio de espacios vectoriales y podemos proceder de distintas maneras:
☞ G es sistema generador de S, pues:

B base de S entonces B sistema generador de S, B ⊂ G entonces G sistema
generador de S
o bien:
la ecuación A4 = A1 + A2 + A3 implica que S = h{A1 , A2 , A3 }i = h{A1 , A2 , A3 , A4 }i
entonces G sistema generador de S
☞ G no es base de S (no es conjunto linealmente independiente), pues:
dim S = 3 < 4 = cardG entonces G no es base de S (G no es linealmente indepen-
diente)
o bien:
A4 = A1 + A2 + A3 entonces G no es es linealmente independiente entonces G no
es base de S
Un método muy sencillo para calcular el rango de G es el siguiente:
r(G) = dim(hGi) = dim S = 3

Calcular r(F ).
Solución.- Teniendo en cuenta los comentarios anteriores escogemos F el siguiente conjunto:
F = {A1 , A2 }
Para demostrar que este conjunto F cumple las condiciones pedidas en el enunciado podemos
proceder de varias maneras:
☞ F es un conjunto linealmente independiente de S, pues:

B es base de S entonces B es linealmente independiente, F ⊂ B entonces F es
R
R
o bien:
Se sabe que un sistema de dos vectores no nulos es linealmente independiente si y
sólo si no son múltiplos uno del otro. Ası́ como A1 6= αA2 ∀α ∈ R entonces F es
☞ F no es base de S (no es sistema generador de S), pues:
dim S = 3 > 2 = cardF entonces F no es sistema generador de S, en particular F
no es base de S.
o bien:
No todo vector de S pertenece a hF i = h{A1 , A2 }i, por ejemplo:
A3 6= α1 A1 + α2 A2 ∀α1 , α2 ∈ R
entonces F no es sistema generador de S entonces F no es base de S
En este caso para calcular el rango de F lo más sencillo es utilizar el hecho de que F es
un conjunto linealmente independiente como ya hemos demostrado: Si F es linealmente
independiente, entonces r(F ) = cardF = 2.
4. Ampliar la base B de S hasta obtener una base B ∗ de M2×3 (R).

Solución.- Utilizamos la misma técnica explicada en el problema de espacios vectoriales.
En este caso es si cabe más sencillo todavı́a pues la base B de S que hemos encontrado nos
lleva a una matriz escalonada y por tanto nos va a resultar muy sencillo el ampliar B hasta
conseguir una base B ∗ de M2×3 (R).
   
1 0 0 −1 0 0 1 0 0 −1 0 0
 0 1 0 0 −1 0  0 1 0 0 −1 0 
   
0 0 1 0 0 −1 0 0 1 0 0 −1
   
− − − − − −  0 0 0 − − − 
   
− − − − − −  0 0 0 − − − 
− − − − − − 0 0 0 − − −
 
1 0 0 −1 0 0
0 1 0 0 −1 0 
 
0 0 1 0 0 −1
 
0 0 0 1 0 0
 
0 0 0 0 1 0
0 0 0 0 0 1
Dado que la matriz A es triangular superior su determinante es el producto de los elementos
de la diagonal principal, es decir, no nulo, y además el rango de la matriz A coincide, como
hemos explicado en otro apartado, con el rango de la familia de vectores (o matrices) B ∗
siguiente:
B ∗ = {A1 , A2 , A3 , E21 , E22 , E23 }
R
R
donde
0 0 0 0 0 0 0 0 0
E21 = , E22 = , E23 =
1 0 0 0 1 0 0 0 1
Podemos justificar la respuesta al ejercicio del modo siguiente: Sea A la matriz cuyas filas
son los vectores (matrices) de B ∗ , siendo:
B ∗ = {A1 , A2 , A3 , E21 , E22 , E23 }
donde
0 0 0 0 0 0 0 0 0
E21 = , E22 = , E23 =
1 0 0 0 1 0 0 0 1
Se tiene que:
1 0 0 −1 0 0

0 1 0 0 −1 0

0 0 1 0 0 −1
det A = 6 0
=
0 0 0 1 0 0
0 0 0 0 1 0

0 0 0 0 0 1
Aquı́ hay que justificar que esta afirmación es cierta y en este caso lo podemos hacer fácil-
mente pues la matriz es triangular, luego su determinante es el producto de los elementos
de su diagonal principal. Se tiene entonces que:

det A 6= 0 entonces r(B ∗ ) = r(A) = 6 entonces B ∗ es linealmente independiente
=⇒
dim M2×3 (R) = 6 = cardB ∗
B ∗ base de M2×3 (R)
♣
EJEMPLO 4.100. Subespacios dados por ecuaciones implı́citas.- Supongamos que ten-
emos el subespacio vectorial:
 

 a x
11 1 + a x
12 2 + · · · + a x
1n n = 0 


 

n
a 21 x1 + a22 x2 + · · · + a2n xn = 0
U = (x1 , x2 , ..., xn ) ∈ R : ..

 . 


 
an1 x1 + an2 x2 + · · · + ann xn = 0 
Los vectores de U son las soluciones del sistema de ecuaciones, que debe ser compatible. Si es
compatible determinado, entonces U = {0}, y por tanto dim U = 0. En cambio, si es compatible
indeterminado, habrá infinitas soluciones dependientes de ciertos parámetros. Pues bien, es fácil
darse cuenta de que el número de parámetros necesitados es igual a la dimensión de U (ver ejemplo
más adelante). Por otro lado, el número de parámetros que se necesitan es n − rg(A), donde A es
la matriz de coeficientes del sistema de ecuaciones. Ası́ pues,
dim U = n − rg(A)
R
R
Por ejemplo, estudiemos la dimensión del subespacio

4 2x + y − z + 3t = 0
U = (x, y, z, t) ∈ R :
x + 2z + t = 0
Obsérvese que las filas de la matriz

2 1 −1 3
A=
1 0 2 1
no son proporcionales, y por tanto su rango es igual a dos. Ası́ pues, dim U = 4 − 2 = 2. Para
hallar una base, basta con resolver el sistema compatible indeterminado: llamando z = a, t = b,
nos queda:
2x + y = a − 3b
x = −2a − b
es decir, x = −2a − b, y = 5a − b. Por tanto,
U = {(−2a − b, 5a − b, a, b) : a, b ∈ R} = h{(−2, 5, 1, 0), (−1, −1, 0, 1)}i

4.6. Coordenadas de un vector respecto de una base

En R2 la base canónica esta dada por los vectores (1, 0) y (0, 1). Estos vectores generan las rectas
horizontal y vertical que usualmente trazamos en el plano cartesiano para ubicar puntos o trazar
curvas. Cuando escribimos el punto (2, 3) en realidad estamos diciendo que (2, 3) = 2(1, 0)+3(0, 1).
Decimos que 2 es la primera coordenada y 3 es la segunda, estas cantidades representan los
coeficientes que debemos mulitiplicar a los elementos de la base para obtener una combinacion
lineal que sea igual al vector. Cualquier punto tiene una representacion en forma de coordenadas
respecto a la base canonica. Que sucede con estas coordenadas cuando cambiamos de base, y
que interpretacion geometrica tenemos? A continuacion vamos a responder estas dos preguntas a
traves de un ejemplo
Consideremos la base de R2 dada por B = {(1, 1) , (−1, 2)}. Vamos a encontrar como representar
el punto (2, 3) en esta base. Queremos escribir (2, 3) como combinación lineal de los elementos de
la base, es decir,
(2, 3) = a(1, 1) + b(−1, 2)

a−b=2
De aquı́ podemos determinar el sistema cuya solución es: b = 13 , a = 73 . Por tanto
a + 2b = 3
(2, 3) = 7/3(1, 1) + 1/3(−1, 2)
Ahora introducimos una notación para describir esta información
[(2, 3)]B = (7/3, 1/3)canonica

R
R
El subı́ndice indica en que base estamos expresando el vector. Los coeficientes de la combinación
lineal se llaman coordenadas o componenetes.
Geometricamente, podemos visualizar la nueva base, cada vector genera dos rectas con la direccion
de cada vector. Estas dos rectas representan un nuevo sistema de coordenadas. En este sistema
tenemos que medir 7/3 en el eje dado por (1, 1) , y 1/3 en el eje dado por (−1, 2). Podemos tambien
expresar los vectores canonicos en la nueva base
(1, 0) = 2/3(1, 1) − 1/3(−1, 2)

(0, 1) = 1/3(1, 1) + 1/3(−1, 2)
Es decir [(1, 0)]B = (2/3, −1/3) y [(0, 1)]B = (1/3, 1/3)

¿Si tenemos solo como eje de coordenadas las rectas dadas en el gráfico anterior que debemos hacer
para ubicar el punto [(1, 2)]B ?. Podemos generalizar la pregunta anterior a un vector cualquiera
(a, b), una manera de responder esto es la siguiente:
(a, b) = a(1, 0) + b(0, 1)
ahora reemplazamos los vectores (1, 0) y (0, 1)
(a, b) = a(2/3(1, 1) − 1/3(−1, 2)) + b (1/3(1, 1) + 1/3(−1, 2))

= (2/3a + 1/3b) (1, 1) + (−1/3a + 1/3b) (−1, 2)

es decir [(a, b)]B = (2/3a + 1/3b) , (−1/3a + 1/3b) . Esta formula se puede poner como una
multiplicacion de matrices de la siguiente manera

a 2/3 1/3 a
=
b B −1/3 1/3 b canonica
esta matriz se llama matriz de cambio de base de la base canonica a la base B y nos sirve para
encontrar rapidamente las nuevas componentes.
Dado un espacio vectorial V , a continuación demostramos que: B es base de V si y solo si , todo
vector del espacio se escribe en forma única como combinación lineal de los vectores de la base,
(es decir, los coeficientes de la combinación lineal son únicos). Esto nos permitirá trabajar en un
K-espacio vectorial V de dimensión finita n como si estuviéramos en Kn .
TEOREMA 4.13. Un conjunto de vectores B = {v1 , ..., vn } de V es una base de V si y solo si

todo vector v ∈ V puede escribirse de forma única en la forma v = t1 v1 + · · · + tn vn . En este caso,
(t1 , ..., tn )B se llaman las coordenadas de v en la base B.
DEMOSTRACIÓN. (⇒) En primer lugar, como B genera a V , entonces cualquier vector de V
se puede escribir como combinación lineal de vectores de B. Veremos ahora que esa combinación
lineal es única.
R
R
En efecto, supongamos que pueda escribirse un vector V como combinación lineal de B, en dos
formas distintas:
v = α1 v1 + ... + αn vn , v = β1 v1 + ... + βn vn
Restando ambas igualdades: 0 = (α1 − β1 ) v1 + ... + (αn − βn ) vn Tenemos entonces una combi-
nación lineal de B, igualada a 0. Por hipótesis B es base, entonces B es linealmente independiente.
Por definición de linealmente independiente los coeficientes de la combinación lineal anterior deben
ser ceros. O sea:
α1 = β1 , α2 = β2 , ... , αn = βn
Por lo tanto las dos formas de escribir V como combinación lineal de B, son la misma.
(⇐) Por la unicidad de las combinaciones lineales:

0 = 0v1 + 0v2 + ... + 0vn
0 = λ1 v1 + λ2 v2 + ... + λn vn
Por definición, resulta que B = {v1 , v2 , ..., vn } es linealmente independiente
Una base ordenada de un espacio vectorial V de dimensión finita es una base en la cual se ha
establecido un orden. Por ejemplo, si consideramos la base ordenada de R2 , B1 = {(1, 0); (0, 1)},
(1, 0) es el primer elemento de B1 , mientras que (0, 1) es el segundo elemento de B1 . La base
ordenada de R2 , B2 = {(0, 1); (1, 0)}, es distinta de la base B1 , a pesar de que los vectores que las
componen son los mismos.
En general emplearemos la notación B = {v1 ; v2 ; ...; vn } para indicar que la base está ordenada,
es decir, separaremos los vectores con punto y coma.
Sea B = {v1 ; v2 ; ...; vn } una base ordenada de V . Como hemos visto, a cada v ∈ V corresponde
un único conjunto de escalares t1 , t2 , . . . , tn tales que
v = t1 v1 + t2 v2 + · · · + tn vn .
Entonces, con los escalares t1 , t2 , . . . , tn formemos el vector columna
 
t1
 .. 
[t1 t2 · · · tn ] =  .  ∈ Kn ,
T
tn
que está univocamente determinado por el vector v ∈ V . A tal vector v se lo denomina vector de
coordenadas de v respecto de la base B, y se lo denota [t1 t2 · · · tn ]T = [v]B .
DEFINICIÓN 4.12 (Coordenadas de un vector respecto de una base). Dado un K-
espacio vectorial V de dimensión finita n y dada una base B = {v1 ; v2 ; ...; vn }, cada vector v ∈ V
tiene una única expresión en función de los vectores de B de la forma
v = t1 v1 + · · · + tn vn
Llamaremos a [t1 t2 · · · tn ]T ∈ Kn coordenadas de v respecto de la base B y lo representaremos por
[v]B = [t1 t2 · · · tn ]T .
R
R
Por otra parte, si y = [s1 s2 · · · sn ]T ∈ Kn , entonces existe un vector v de V , tal que [v]B = y. En
efecto, tal vector es v = s1 v1 + s2 v2 + · · · + sn vn .
Entonces, de acuerdo con lo que acabamos de decir, fija una base ordenada B de V podemos
establecer una correspondencia biunı́voca entre los vectores de V y los vectores de Kn ; tal corre-
spondencia consiste en asociar cada vector de V con su vector de coordenadas en la base B.
EJEMPLO 4.101. Desde un punto de vista práctico, determinar las coordenadas de un vector
respecto de una base de Rn cualquiera consiste en resolver un sistema de ecuaciones compatible
(determinado).
En concreto, consideremos en el espacio vectorial R3 y el conjunto
B = {(1, 2, 4), (2, 2, 1), (0, 3, 2)}.
Entonces es fácil comprobar que B es una base de R3 (!!compruébese!!). Vamos a calcular las
coordenadas del vector (3, 1, 1) ∈ R3 respecto de dicha base. Se trata de encontrar tres elementos
de R, a, b y c, tales que
a(1, 2, 4) + b(2, 2, 1) + c(0, 3, 2) = (3, 1, 1).
Esta ecuación vectorial se puede expresar como un sistema de ecuaciones lineales en las incógnitas
a, b, c: 
a + 2b = 3 
2a + 2b + 3c = 1

4a + b + 2c = 1
Resolviendo el sistema por el método de Gauss obtenemos que a = 0, b = 4 y c = 1. Por tanto las
coordenadas de (3, 3, 1) respecto de la base B son (0, 4, 1)B . Comprobemos esto último:
0(1, 2, 4) + 4(2, 2, 1) + 1(0, 3, 2) = (8, 8, 4) + (0, 3, 2) = (8, 11, 6) = (3, 1, 1).
Si tenemos una base B, podemos identificar los vectores con sus coordenadas respecto a B. En
particular, un conjunto de vectores es generador o independiente si y sólo si sus coordenadas lo
son como vectores de Rn .

EJEMPLO 4.102. Determinar las coordenadas de (2, 3, 5) ∈ R3 y de (1, 3, 6) ∈ R3 en la base
B = {(0, 1, 3), (0, 2, 7), (2, 3, 5)}.

Las coordenadas del vector
(2, 3, 5) = 0(0, 1, 3) + 0(0, 2, 7) + 1(2, 3, 5) ⇐⇒
(2, 3, 5) en la base B son (0, 0, 1)
Por otra parte,

(1, 3, 6) = a(0, 1, 3) + b(0, 2, 7) + c(2, 3, 5)
  
 2a = 1  a + 2b + 3c = 3  c = 1/2
a + 2b + 3c = 3 ⇐⇒ b − 4c = −3 ⇐⇒ b = −1
  
3a + 7b + 5c = 6 c = 1/2 a = 7/2
es decir,las coordenadas del vector (1, 3, 6) en la base B son (7/2, −1, 1/2).
R
R
EJEMPLO 4.103. En el espacio de polinomios Kn [x], se considera la base B = {1, x, x2 , ..., xn }.

Dado un polinomio P (x) = a0 + a1 x + ... + an xn , su vector de coordenadas respecto a B es
[P ]B = (a0 , a1 , ..., an ) ∈ Kn+1 .

EJEMPLO 4.104. En el espacio vectorial de polinomios R3 [x], se considera la base
{−1, x − 3, (x − 3)2 , (x − 3)3 }.
Calcular las coordenadas en dicha base del polinomio 2x3 − 3x2 − x + 2.
SOLUCIÓN.- Llamando P al polinomio dado, lo podremos expresar como combinación lineal

de los de la base, de la forma
P (x) = a0 + a1 (x − 3) + a2 (x − 3)2 + a3 (x − 3)3 ,
en donde los coeficientes aj ∈ R son las coordenadas pedidas. Observamos que la coordenada a0
es el valor P (3). Ası́, empezamos evaluando en x = 3 ambas expresiones de P (x), es decir:
P (3) = a0 = 26.
Si ahora derivamos ambas expresiones para P (x), tenemos
P ′ (x) = a1 + 2a2 (x − 3) + 3a3 (x − 3)2 = 6x2 − 6x − 1,
igualdad que, al evaluarla en x = 3, nos da:
P ′ (3) = a1 = 35.
Volviendo a derivar y a evaluar en x = 3,
P ′′ (x) = 2a2 + 6a3 (x − 3) = 12x − 6, =⇒ P ′′ (3) = 2a2 = 30, =⇒ a2 = 15.
Y, finalmente, derivando una vez más,
P ′′′ (x) = 6a3 = 12, =⇒ a3 = 2.
Luego las coordenadas pedidas son [P ]B = (26, 35, 15, 2).

Otra forma de resolverlo: Si desarrollamos
P (x) = a0 + a1 (x − 3) + a2 (x − 3)2 + a3 (x − 3)3

= a0 − 3a1 + 9a2 − 27a3 + (a1 − 6a2 + 27a3 )x + (a2 − 9a3 )x2 + a3 x3
R
R
y lo igualamos coeficiente a coeficiente a 2x3 − 3x2 − x + 2, obtenemos el sistema lineal
a3 =2
a2 − 9a3 = −3
a1 − 6a2 + 27a3 = −1
a0 − 3a1 + 9a2 − 27a3 =2
en las incógnitas a0 , a1 , a2 , a3 , sistema de matriz triangular cuya sencilla resolución nos lleva al
mismo resultado antes calculado. ♣
EJEMPLO 4.105. Hemos visto que B = {(1, 1, 0), (1, 0, −1), (2, 1, 1)} es una base de R3 .
Ası́ pues, por ejemplo, el vector v = (1, 3, −2)B no es otra cosa que:
v = 1(1, 1, 0) + 3(1, 0, −1) − 2(2, 1, 1) = (0, −1, −5)
Por otro lado, si queremos escribir el vector u = (1, 0, 3) en coordenadas con respecto a B, basta
con resolver el siguiente sistema de ecuaciones:
(1, 0, 3) = a(1, 1, 0) + b(1, 0, −1) + c(2, 1, 1)
En este caso, queda a = −2, b = −1, c = 2, es decir,
u = (−2, −1, 2)B .

EJEMPLO 4.106. Para ejemplificar lo expresado, consideremos la base ordenada B = {x −
1; x + 1; x2 + 1} de P2 (verifı́quelo). Busquemos las coordenadas de p = x2 − x + 1 en la base B.
Para ello es necesario encontrar los escalares r, s y t que verifican
p = r(x − 1) + s(x + 1) + t(x2 + 1).
Operando en el segundo miembro de la igualdad llegamos a la ecuación
x2 − x + 1 = tx2 + (r + s)t + (−r + s + t).
Por lo tanto t = 1, r+s = −1 y −r+s+t = 1. Resolviendo el sistema de ecuaciones, obtenemos r =

−0.5, s = −0.5 y t = 1, con lo cual [p]B = [−0.5 −0,5 1]T . Por otra parte, dado v = [0,5 −0.5 2]T ,
para encontrar f en P2 tal que [f ]B = v, calculamos f = 0.5(x−1)−0.5(x+1)+2(x2 +1) = 2x2 +1.
Efectuemos ahora la suma de las coordenadas de f con las de p:
u = [f ]B + [p]B = [0 − 1 3]T .
Calculemos el elemento g de P2 tal que [g]B = u:
g = −(x + 1) + 3(x2 + 1) = 3x2 − x + 2.

R
R
Por otra parte p + f = 3x2 − x + 2 = g, con lo cual

[f ]B + [p]B = [f + p]B .
Ahora multipliquemos el vector de coordenadas de p por 2:
2[p]B = [−1 − 12]T = w.
Determinemos el vector q de P2 que tiene a w como vector de coordenadas:
q = −(x − 1) − (x + 1) + 2(x2 + 1) = 2x2 − 2x + 2 = 2p.
Entonces tenemos que
2[p]B = [2p]B
.
El últimos ejemplo nos sugieren que la suma de los vectores de coordenadas de dos vectores es
igual al vector de coordenadas de la suma de esos vectores, y que el producto de un escalar por
el vector de coordenadas de un vector es el vector de coordenadas del producto de ese escalar con
ese vector. Probemos tal conjetura:
TEOREMA 4.14. Sea V un K-espacio vectorial de dimensión finita n y sea B una base de V .
Si u, v ∈ V , entonces:
1. [u + v]B = [u]B + [v]B .

2. [au]B = a[u]B .
3. Dado un conjunto de vectores S = {v1 , ..., vr } de V , tendremos que S es linealmente inde-
pendiente, linealmente dependiente, sistema de generadores o base de V si y sólo si lo son
sus vectores de coordenadas respecto de B en Kn .
DEMOSTRACIÓN. Sea B = {v1 , ..., vn } una base ordenada de V y sean u y v ∈ V . Supongamos
[u]B = [s1 s2 · · · sn ]T y [v]B = [t1 t2 · · · tn ]T .
Entonces u = s1 v1 + s2 v2 + · · · + sn vn y v = t1 v1 + t2 v2 + · · · + tn vn .
Por lo tanto
u + v = (s1 + t1 )v1 + (s2 + t2 )v2 + · · · + (sn + tn )vn ,
con lo cual,
[u + v]B = [s1 + t1 s2 + t2 · · · sn + tn ]T = [u]B + [v]B .
Sea ahora a un escalar cualquiera,

au = a(s1 v1 + s2 v2 + · · · + sn vn ) = (as1 )v1 + (as2 )v2 + · · · + (asn )vn
y, por lo tanto,
[au]B = [as1 as2 · · · asn ]T = a[u]B .

Todo lo dicho hasta aquı́ puede resumirse en el siguiente
R
R
TEOREMA 4.15. Sea B = {v1 , ..., vn } una base ordenada de un espacio vectorial V sobre K
(K = R ó C). Consideremos la aplicación cB : V → Kn , definida por cB (v) = [v]B . Entonces:
1. cB es biyectiva y c−1 T
B ([s1 s2 · · · sn ] ) = s1 v1 + s2 v2 + · · · + sn vn .
2. cB es lineal, es decir, cB (u + v) = cB (u) + cB (v) y cB (au) = acB (u) ∀a ∈ K, ∀u, v ∈ V .
A la aplicación cB se la denomina usualmente isomorfismo de coordenadas.

Como hemos visto recién, fija una base ordenada B de V podemos reducir todas las operaciones
entre vectores de V a operaciones entre vectores de Kn . Más aún, como veremos a continuación,
también es posible determinar la dependencia o independencia lineal de un conjunto de vectores
de V a partir de la dependencia o independencia lineal de sus vectores coordenados.
PROPOSICIÓN 4.14. Sea B = {v1 , v2 , ..., vn } una base ordenada de un espacio vectorial V
sobre K (K = R ó C). Sea {u1 , u2, ..., ur } un conjunto de vectores de V , entonces son equivalentes
1. {u1 , ..., ur } es linealmente independiente en V .
2. {[u1 ]B , ..., [ur ]B } es linealmente independiente en Kn .
DEMOSTRACIÓN. Por el Teorema 4.15 tenemos que
a1 [u1 ]B + · · · + ar [ur ]B = 0 ⇐⇒ [a1 u1 + · · · + ar ur ]B = 0 ⇐⇒ a1 u1 + · · · + ar ur = 0.
Por lo tanto, la ecuación a1 [u1 ]B + · · · + ar [ur ]B = 0 tiene como única solución a1 = 0,...,ar = 0
si y sólo si la única solución de la ecuación a1 u1 + · · · + ar ur = 0 es a1 = 0,...,ar = 0. En otras
palabras, {u1 , ..., ur } es linealmente independiente en V si y sólo si {[u1 ]B , ..., [ur ]B } es linealmente
independiente en Kn .
EJEMPLO 4.107. Determinar si B = {1 + t; 1 + t − t2 , −1 + 2t − t2 } es base de P2 . Como

dim(P ) = 3 bastará con ver si son o no l.i.
Las coordenadas de los vectores en la base canónica de P2 , E = {1; t; t2 } son: [1 + t]E = [1 1 0]T ,
[1 + t − t2 ]E = [1 1 − 1]T y [−1 + 2t − t2 ]E = [−1 2 − 1]T . Entonces B es base de P2 si y sólo si
los vectores coordenados son linealmente independientes.
Para estudiar la independencia lineal de estos vectores de R3 disponemos de varios métodos; por
ejemplo, podemos formar una matriz de 3 × 3 poniendo cada uno de esos vectores como fila y
determinar su rango, si éste es igual al número de filas de la matriz, los vectores son linealmente
independientes. Apliquemos ese método a este caso. La matriz con la cual trabajamos es
 
1 1 0
A =  1 1 −1
−1 2 −1
Para calcular su rango aplicamos eliminación gaussiana (triangulación):

  (−1)f1 + f2    
1 1 0 f1 + f3 1 1 0 f ↔f 1 1 0
 1 1 −1 ←→ 0 0 −1 2←→ 3 0 3 −1
−1 2 −1 0 3 −1 0 0 −1
R
R
Como el rango de la última matriz es 3, el rango de la matriz inicial también es 3, ya que, como
es sabido, en cada paso de triangulación cambia la matriz pero no el espacio fila. Por lo tanto los
vectores coordenados son linealmente independientes y B es base de P2 .
Otra forma de proceder es la siguiente: como A es cuadrada y sólo nos interesa saber si su rango es
3, calculamos su determinante, si éste es distinto de cero entonces rango(A) = 3, en caso contrario
rango(A) < 3. Como det(A) = 3, el rango de A es 3 y B es base de P2 .
EJEMPLO 4.108. Sea {v1 ; v2 ; v3 ; v4 } una base ordenada de un espacio vectorial V . Hallar una
base del subespacio S = gen{w1 , w2 , w3 }, con w1 = v1 + v2 − v3 , w2 = 2v1 + v2 + v4 y w3 =
4v1 + 3v2 − 2v3 + v4 .
Para resolver el problema debemos eliminar, si los hay, vectores del conjunto {w1 , w2 , w3} que sean
combinación lineal del resto. Para ello trabajamos con las coordenadas de los vectores en la base
B:      
1 2 4
1 1 3
[w1 ]B =    
−1 , [w2 ]B = 0 , [w3 ]B = −2 .
 
0 1 1
Igual que en el ejemplo anterior armamos una matriz, en este caso de 3 × 4, poniendo como filas
a los vectores coordenados, y aplicamos eliminación gaussiana
  (−1)f1 + f2    
1 1 −1 0 f1 + f3 1 1 −1 0 f ↔f 1 1 −1 0
2 1 0 1 ←→ 0 −1 2 1 2←→ 3 0 −1 2 1
4 3 −2 1 0 −1 2 1 0 0 0 0
Como no se efectuó ningún intercambio de filas, podemos concluir que las dos primeras filas de la
matriz original son linealmente independientes y que la tercer fila depende linealmente de las dos
primeras. Por lo tanto w1 y w2 son linealmente independientes y w3 depende linealmente de estos
dos. Luego {w1, w2 } es base S y dim(S) = 2.
Otra base de S es {u1, u2 } con u1 y u2 los vectores cuyas coordenadas son las filas no nulas
de la última matriz que obtuvimos al aplicar eliminación gaussiana, ya que, como dijimos en el
punto anterior, si bien las matrices que se van obteniendo durante el proceso de triangulación son
distintas, las filas de cada matriz generan el mismo subespacio. Entonces {u1, u2 } con
u1 = v1 + v2 − v3 y u2 = −v2 + 2v3 + v4 ,
también es base de S.
Observación: Supongamos que tenemos V un espacio vectorial de dimensión n y B una base.

Entonces, si trabajamos en coordenadas respecto de B, a todos los efectos podemos razonar como
si estuviésemos en Rn . Por ejemplo, supongamos que queremos estudiar si ciertos vectores son lin-
ealmente independientes, o sistema de generadores. Basta formar una matriz con las coordenadas
respecto a B de los vectores dispuestas por columnas y estudiar su rango, al igual que se hacı́a en
Rn .
R
R
4.7. Matriz de cambio de base

Como hemos visto, dada una base ordenada B de un espacio vectorial V de dimensión n podemos
identificar cada vector de V con su vector de coordenadas en la base B, y operar con los vectores
de V como si estuviésemos en Kn . En algunas aplicaciones es posible que comencemos describiendo
un problema usando las coordenadas de los vectores en una base B, pero que su solución se vea
facilitada si empleamos las coordenadas de los vectores en otra base ordenada C. Entonces aparece
naturalmente el siguiente problema:
Dadas las coordenadas de v en la base ordenada B, obtener las coordenadas de v en la base
ordenada C.
Una manera obvia de resolver el problema consiste en hacer lo siguiente: dado [v]B obtenemos v
combinando los vectores de la base B y luego, a partir de éste, calculamos [v]C . Sin embargo ésta
no es la solución que deseamos, ya que no es implementable en forma computacional, en el sentido
que una computadora digital sólo trabaja con vectores y matrices de números. Lo que queremos
es obtener las coordenadas de los vectores en la base C efectuando sólo operaciones algebraicas
con las coordenadas de los vectores en la base B.
Dado un espacio vectorial V de dimensión finita n y dadas dos bases distintas
B = {v1 , ..., vn } y C = {u1 , ..., un },
queremos determinar la relación entre las coordenadas de un mismo vector x respecto de las dos
bases. Consideremos las coordenadas de los vectores de B en la base C:
v1 = a11 u1 + a21 u2 + · · · + an1 un
..
.
vn = a1n u1 + a2n u2 + · · · + ann un
Sea w ∈ V con coordenadas [w]C = (t1 , ..., tn ) y [w]B = (s1 , ..., sn ) respecto de las bases C y B,
esto es,
t1 u1 + · · · + tn un = w = s1 v1 + · · · + tn vn .
Entonces

t1 u1 + · · · + tn un = s1 a11 u1 + · · · + an1 un + · · · + sn a1n u1 + · · · + ann un
Reordenando términos, queda:

t1 u1 + · · · + tn un = a11 s1 + · · · + a1n sn u1 + · · · + an1 s1 + · · · + ann sn un
De modo que:
t1 = a11 s1 + a12 y2 + · · · + a1n sn
..
.
tn = an1 s1 + an2 y2 + · · · + ann sn
R
R
Éstas son las ecuaciones de cambio de base de B a C. Si P es la matriz

 
a11 . . . a1n
 .. .. . 
P = . . .. 
an1 . . . ann
entonces tenemos que
[w]C = P [w]B ,
esto es,
    
t1 a11 . . . a1n s1
 ..   .. . . ..   .. 
.= . . .  .  (4.10)
tn an1 . . . ann sn
Resumimos todo lo dicho en el siguiente

TEOREMA 4.16. Sean B y C bases ordenadas del espacio vectorial V y sea B = {v1 , v2 , ..., vn }.
Entonces, existe una única matriz P ∈ Mn×n (R) tal que [v]C = P [v]B para todo v ∈ V . Además,
P es la matriz cuyas columnas son los vectores coordenados de los vectores de la base B en la base
C, es decir P = [[v1 ]C [v2 ]C · · · [vn ]C ].
A la ecuación (4.10) le denominaremos ecuación matricial del cambio de coordenadas de la base

B a la C. A la matriz M que tiene por columnas las coordenadas de los vectores de la base B
respecto de la base C se le denomina matriz de cambio de coordenadas de la base B a la base
C (o matriz cambio de base de B a C), escribiéndose P = CBC , y nos permite determinar las
coordenadas de un vector v en la base C a partir de sus coordenadas en la base B, esto es:
[v]C = CBC [v]B donde CBC = [[v1 ]C [v2 ]C · · · [vn ]C ] (4.11)
Las siguientes propiedades de las matrices de cambio de bases son de utilidad

TEOREMA 4.17. Sean B, C y D tres bases ordenadas de un espacio vectorial V de dimensión
finita. Entonces
1. CBD = CCD CBC
−1
2. CBC es inversible y CBC = CCB .
DEMOSTRACIÓN. Empecemos por el punto 1. Queremos ver que M = CCD CBC = CBD . Para
ello es suficiente comprobar que [v]D = M[v]B para todo v ∈ V , ya que la matriz de cambio de
base es Única. Pero
M[v]B = (CCD CBC )[v]B = CCD (CBC [v]B ) = CCD [v]C = [v]D .
Probemos ahora el punto 2. En primer lugar notemos que CBB = I, donde I es la matriz identidad.
En efecto, como para todo v ∈ V , [v]B = I[v]B , nuevamente por la unicidad de las matrices de
R
R
cambio de base tenemos que CBB = I. Entonces, usando el punto 1 deducimos que CBC CCB =
−1
CCC = I y que CCB CBC = CBB = I y con ello que CBC es inversible y CBC = CCB .
Obsérvese que P es regular y, por tanto, [x]B = P −1[x]C , fórmula que nos da las coordenadas de
un vector x en la base B a partir de sus coordenadas en la base C. Escribimos P −1 = CCB .
EJEMPLO 4.109. Consideremos la base C = {1 − x; 1 + x; 1 + x + x2 } de P2 y supongamos que
deseamos hallar las coordenadas de p(x) = a0 + a1 x + a2 x2 en la base C. Para resolver el problema
podemos proceder de dos maneras: a) plantear la igualdad p(x) = r(1 − x) + s(1 + x) + t(1 + x + x2)
y resolver las ecuaciones lineales que resulten; b) teniendo en cuenta que B = {1, x, x2 } es la base
canónica de P2 , se tiene que [p]B = [a0 a1 a2 ]T , calculamos CBC y luego obtenemos [p]C haciendo
[p]C = CBC [p]B .
Sigamos el segundo camino. Para hallar CBC podemos hacer dos cosas, calcular los vectores coor-
denados de los elementos de la base canónica, 1, x, x2 , en la base B y luego formar con ellos CBC ,
o, calcular CCB para luego, invirtiendo esa matriz, calcular CBC . Hagámoslo de las dos formas.
Para calcular [1]B planteamos la igualdad
1 = r(1 − x) + s(1 + x) + t(1 + x + x2 ),
la que nos lleva, luego de aplicar la propiedad distributiva y agrupar los términos de igual grado,
a la igualdad
1 = (r + s + t) + (−r + s + t)x + tx2
y de allı́ al sistema de ecuaciones
r+s+t=1
−r + s + t = 0
t=0
que tiene por solución r = 0.5, s = 0.5 y t = 0. Entonces

[1]B = [0.5 0.5 0]T .
Procediendo en la misma forma con x y x2 se obtienen, para [x]B el sistema
r+s+t=0
−r + s + t = 1
t=0
cuya solución es r = −0.5, s = 0.5 y t = 0, con lo cual [x]B = [−0.5 0.5 0]T , y para x2 el sistema
r+s+t=0
−r + s + t = 0
t=1
R
R
cuya solución es r = 0, s = −1 y t = 1 y por lo tanto [x2 ]B = [0 − 1 1]T .

Luego, armamos la matriz CBC poniendo los vectores coordenados [1]B , [x]B , [x2 ]B como columnas
de esa matriz:  
0.5 −0.5 0
CBC = 0.5 0.5 −1 .
0 0 1
Como dijimos, también podemos hallar CBC invirtiendo CCB . CCB es fácil de calcular, pues los
vectores coordenados de 1 − x, 1 + x y 1 + x + x2 en la base canónica se obtienen directamente y
son
[1 − x]E = [1 − 1 0]T , [1 + x]E = [1 1 0]T y[1 + x + x2 ]E = [1 1 1]T ,
con lo cual  
1 1 1
CCB = −1 1 1
0 0 1
Entonces, invirtiendo CCB obtenemos nuevamente
 
0.5 −0.5 0

CBC = 0.5 0.5 −1 .
0 0 1
Para finalizar, una vez calculada CBC hallamos [p]C haciendo, como ya dijimos,
    
0.5 −0.5 0 a0 0.5a0 − 0.5a1
[p]C = CBC [p]B = 0.5 0.5 −1 a1  = 0.5a0 + 0.5a1 − a2  .
0 0 1 a2 a2
EJEMPLO 4.110. Dada la base C de R3 formada por los vectores u1 = (1, 1, 1), u2 = (0, 1, 1),
u3 = (1, 0, 1), encontrar la base B = {v1 , v2 , v3 } tal que las ecuaciones del cambio de coordenadas
vengan dadas por:
t1 = s1 − 2s3
t2 = − s2 + 5s3
t3 = s1 − 3s3
SOLUCIÓN.- Sean [x]C = (t1 , t2 , tn ) y [x]B = (s1 , s2 , sn ) las coordenadas de un vector cualquiera
x respecto de las bases C y B, respectivamente. Las ecuaciones dadas se pueden escribir en forma
matricial como  
1 0 −2
[x]C = P [x]B , siendo P = 0 −1 5 
1 0 −3
por lo que P es la matriz del cambio de base. En consecuencia, la nueva base será:
    
h i h i 1 0 1 1 0 −2 2 0 −5
v1 v2 v3 = u1 u2 u3 P = 1 1 0 0 −1 5  = 1 −1 3 
1 1 1 1 0 −3 2 −1 0
Es decir, v1 = (2, 1, 2), v2 = (0, −1, −1), v3 = (−5, 3, 0). ♣
R
R
4.8. Suma de Subespacios y Suma directa

TEOREMA 4.18. F ∩ G es un subespacio vectorial de E. La unión de F y G, podemos definirla
como: F ∪ G ≈ F + G = {u + v | u ∈ F, v ∈ G} y es el más pequeño de los subespacios que
contienen F y G.
TEOREMA 4.19 (Fórmula de Grassman). Sean F ⊂ E y G ⊂ E, entonces dim F +dim G =

dim(F + G) + dim(F ∩ G).
TEOREMA 4.20. Si (F ∩ G) = {~0} ⇒ dim F + G = F ⊕ G, es decir, es suma directa si la

expresión de un vector como suma de uno de F y uno de G es única. Además, si dim E es finita,
se tiene que: E = F ⊕ G.
DEFINICIÓN 4.13. Suma de subespacios: Sea V un espacio vectorial. se llama suma de los
subespacios V1 , V2 , ..., Vn de V , (y se denota como V1 + V2 + ... + Vn ) al subconjunto de vectores W
definido por:
W = {v ∈ V : ∃, v1 ∈ V1 , v2 ∈ V2 , ..., vn ∈ Vn , v = v1 + v2 + ... + vn }
TEOREMA 4.21. La suma de subespacios de V es un subespacio de V .

DEMOSTRACIÓN. Es fácil ver que 0 ∈ W , porque 0 = 0 + · · · + 0 y 0 ∈ Vi ∀i = 1, 2, ..., n.
También es sencillo verificar que el vector u se puede descomponer como suma de un vector de
V1 , uno de V2 , · · · , uno de Vn ; entonces λu también se descompone de esa forma. Es claro que
W es cerrado con respecto al producto por escalares. Para verificar que W es cerrado respecto
a la suma sean u y u’ tales que u = v1 + v2 + ... + vn y u′ = v1′ + v2′ + ... + vn′ con v1 y v1′ ∈
V1 ; v2 y v2′ ∈ V2 ; ... ; vn y vn′ ∈ Vn . Entonces u + u′ = (v1 + v1′ ) + (v2 + v2′ ) + ... + (vn + vn′ ), donde
v1 + v1′ ∈ V1 ; v2 + v2′ ∈ V2 ; ... ; vn + vn′ ∈ Vn , porque V1 , V2 , ..., Vn son subespacios.
DEFINICIÓN 4.14. Suma directa: Dados los subespacios V1 , V2 , ..., Vn , el subespacio suma de
ellos se llama suma directa cuando todo vector de él puede expresarse de forma única como suma
de vectores de los subespacios V1 , V2 , ..., Vn . Cuando la suma es directa se representa V1 ⊕V2 ⊕...⊕Vn .
EJEMPLO 4.111. Sean en R3 los subespacios V1 = {(a1 , a2 , a3 ) : a3 = 0} y V2 = {(a1 , a2 , a3 ) : a1 = 0} .

Todo vector de R3 se puede escribir como suma de un vector de V1 y uno de V2 , pero no de forma
única:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)
Entonces la suma de V1 y V2 es todo R3 . Pero esta suma no es directa.
TEOREMA 4.22. Si V = V1 ⊕ V2 ⊕ ... ⊕ Vn y si B1 , B2 , ..., Bn son las bases de V1 , V2 , ..., Vn ,

respectivamente entonces: B = B1 ∪ B2 ∪ ... ∪ Bn es una base de V .
R
R
DEMOSTRACIÓN. Probaremos que B genera a V , y que B es linealmente independiente

Todo vector de V es suma de vectores de V1 , V2 , ..., Vn , y a su vez, estos son combinaciones lineales
de sus respectivas bases. Entonces V es combinación lineal de la unión de esas bases, que es B.
Hemos probado que todo vector de V es combinación lineal de B,o sea B genera a V . Veremos que
B es linealmente independiente. Sea B1 = {v11 , v12 , ..., v1p1 } ; B2 = {v21 , v22 , ..., v1p2 } ;· · · Bn =
{vn1 , vn2 , ..., vnpn }. Tomemos una combinación lineal de B igualada a 0:
a11 v11 + a12 v12 + ... + a1p1 v1p1 + a21 v21 + a22 v22 + ...
+a2p2 v2p2 + ... + an1 vn1 + an2 vn2 + ... + anpn vnpn = 0; como 0 ∈ V y V = V1 ⊕ V2 ⊕ ... ⊕ Vn , existe
una única manera de expresar el vector nulo como suma de vectores de V1 , V2 , ..., Vn . Esa única
manera tiene que ser entonces 0 = 0 + 0 + 0 + ... + 0.
La combinación lineal de más arriba implica entonces que:
a11 v11 + a12 v12 + ... + a1p1 v1p1 = 0
a21 v21 + a22 v22 + ... + a2p2 v2p2 = 0

···
an1 vn1 + an2 vn2 + ... + anpn vnpn = 0.
Siendo B1 una base de V1 , se tiene que B1 es linealmente independiente, y de la primera igualdad
de mas arriba se deduce a11 = a12 = ... = a1n = 0. Análogamente para los demás coeficientes aij .
Entonces tenemos probado que B es linealmente independiente
COROLARIO 4.6. Si V es suma directa de V1 , V2 , ..., Vn entonces
dimV = dimV1 + dimV2 + ... + dimVn

DEMOSTRACIÓN. Es inmediata a partir de la definición de dimensión y del teorema anterior.

TEOREMA 4.23. Sean V1 y V2 dos subespacios de V tales que V = V1 + V2 . Entonces, V1 ∩ V2 =

{0} si y sólo si V = V1 ⊕ V2 .
DEMOSTRACIÓN. (⇒) Supongamos v = v1 + v2 y v ′ = v1′ + v2′ con v1 , v1′ ∈ V1 , v2 , v2′ ∈ V2 .
Luego, v1 − v1′ = v2 − v2′ ∈ V1 y V2 , por lo que , por hipótesis v1 − v1′ = v2 − v2′ = 0, lo que prueba
que la suma es directa.
(⇐) Sea v ∈ V1 ∩ V2 luego − v ∈ V1 ∩ V2 . Por lo tanto: 0 = v + (−v) = 0 + 0 y por definición
de suma directa, 0 = v = −v. Entonces V1 ∩ V2 = {0}.
R
CAPÍTULO 5
Transformaciones lineales
5.1. Introducción
El concepto de linealidad es muy intuitivo y aparece en múltiples situaciones de la vida cotidiana.
Ası́, si una persona, efectuando un trabajo “x” percibe un salario T (x), trabajando el doble, por
ejemplo, cabe esperar que su salario también se duplique, es decir: T (2x) = 2T (x). Si realiza un
trabajo extra “y”, sus ingresos serán la suma de los salarios percibidos por ambas ocupaciones:
T (x + y) = T (x) + T (y)
Las dos propiedades anteriores que van a caracterizar las aplicaciones o transformaciones lineales
entre espacios vectoriales, se llaman condiciones de linealidad. Nos centraremos en el estudio de
las transformaciones lineales de un espacio vectorial en sı́ mismo, son las llamadas endomorfismos.
Una vez fijada una base en el espacio vectorial, a cada endomorfismo le asociaremos una matriz
cuadrada de forma unı́voca. Hablaremos indistintamente de un endomorfismo o de su matriz
asociada. Analizaremos bajo qué condiciones existe una base del espacio vectorial tal que la matriz
asociada al endomorfismo respecto de dicha base sea una matriz diagonal, con la que es mucho
más sencillo operar.
Se demostrará el teorema de la dimensión del núcleo y la imagen, enfatizará las cuestiones relativas
a inyectividad y sobreyectividad de las transformaciones, y se discutirán las matrices asociadas y
cambios de base.
A lo largo del tema, V y W serán dos espacios vectoriales de tipo finito sobre el mismo cuerpo
conmutativo K.
DEFINICIÓN 5.1 (Transformacion Lineal). Sean V y W dos espacios vectoriales. T : V →
W se llama transformacion lineal si
255
R
1. T (u + v) = T (u) + T (v) , para todo u, v ∈ V
2. T (au) = aT (u) , para todo a ∈ R y para todo u ∈ V
Nota Ambas condiciones anteriores son equivalentes a la siguiente condición única:
T (ax + by) = aT (x) + bT (y), ∀a, b ∈ K, ∀x, y ∈ V
Nota Empleando el método de inducción, se demuestra que si f es una aplicación lineal, entonces:
T (a1 x1 + · · · + ap xp ) = a1 T (x1 ) + · · · + ap T (xp ), ∀ai ∈ K, ∀xi ∈ V, i = 1, 2, ..., p
Veamos algunos ejemplos de transformaciones lineales

EJEMPLO 5.1. Sean V = W = K = R, siendo R el conjunto de numeros reales con su estructura
correspondiente en cada caso (de espacio vectorial o de cuerpo). La aplicación T : R → R, x 7→ 3x
es lineal.
SOLUCIÓN.- En efecto, para cualesquiera x, y ∈ V y λ ∈ K, se verifican las dos condiciones:
T (x + y) = 3(x + y) = 3x + 3y = T (x) + T (y), T (λx) = 3(λx) = λ(3x) = λT (x)
EJEMPLO 5.2. Sean de nuevo, V = W = K = R. La aplicación T : R → R, x 7→ x2 no es

lineal.
SOLUCIÓN.- De hecho no cumple ninguna de las dos condiciones de linealidad:
T (x + y) = (x + y)2 = x2 + y 2 + 2xy, T (x) + T (y) = x2 + y 2
Luego, en general, T (x + y) 6= T (x) + T (y). Por otro lado
T (λx) = (λx)2 = λ2 x2 , λT (x) = λx2
Por tanto, T (λx) 6= λT (x), salvo para λ = 0, λ = ±1 o x = 0.
EJEMPLO 5.3. Sea T : R2 → R2 tal que (x, y) → (x, 0) . Vista geometricamente esta trans-
formación toma un vector y le proyecta en el eje x. Vamos a demostrar que T es trasformación
lineal. Para ello demostramos primero la propiedad 1 de la definición. Vamos a calcular ambos
lados de igualdad por separado y compararlos. Sean u = (u1 , u2) y v = (v1 , v2 ) dos vectores en R2 ,
entonces
T (u + v) = T (u1 + v1 , u2 + v2 ) = (u1 + v1 , 0)
El lado derecho por otro lado esta dado por (aplicando la definición de T )
T (u) + T (v) = (u1 , 0) + (v1 , 0) = (u1 + v1 , 0)

R
R
Vemos que los dos lados coinciden. Ahora demostramos la propiedad 2
T (au) = T (au1 , au2 ) = (au1 , 0)
El lado derecho nos da

aT (u) = a (u1 , 0) = (au1 , 0)
Hemos comprobado que T es una trasformación lineal.
EJEMPLO 5.4. La transformación identidad dada en cualquier espacio vectorial I : V → V tal

que I (u) = u.
EJEMPLO 5.5. La operación diferenciación es una trasformación lineal. Sea C 1 (R) el conjunto
de todas las funciones diferenciables con dominio en R y C 0 (R) el conjunto de funciones continuas
con dominio en R. Sea D la operación derivada:
D : C 1 (R) → C 0 (R)
f → Df = f ′
Para mostrar que D es lineal basta recordar las dos propiedades fundamentales de la derivada
D (f + g) = (f + g)′ = f ′ + g ′
D (cf ) = (cf )′ = cf ′ , donde ∈ R
EJEMPLO 5.6. Sea C 0 ([a, b], R) = {f : [a, b] → R : f es continua}. El operador integración

Z b
0
T : C ([a, b], R) → R dada por T (f ) = f (t)dt
a
es una transformación lineal, en efecto: La integral de la suma coincide con la suma de integrales:
Z b Z b Z b
(f (x) + g(x))dx = f (x)dx + f (x)dx
a a a
Ademaá, la integral del producto de una constante por una función es igual a la constante por la
integral de la función, es decir, las constantes que se multiplican o dividen se pueden sacar fuera
del signo integral: Z Z
b b
kf (x)dx = k f (x)dx
a a
donde k es una constante.
EJEMPLO 5.7. Sea T : R → R, T (x) = sen x no es una transformación lineal puesto que
T (x + y) = sen (x + y) 6= sen x + sen y.
R
R
EJEMPLO 5.8. Es posible encontrar una formuala generica para toda transformción lineal de
R en R? Observemos que x = 1x para x ∈ R. Por tanto si T es transformación lineal:
T (x) = T (1x) = xT (1)
esto quiere decir que el valor de T (x) es siempre una constante (igual a T (1)) por x. Por tanto toda
transformación lineal de R en R tiene la forma T (x) = cx donde c es un numero real cualquiera.
EJEMPLO 5.9. Demostrar que si T :V → W es transformación lineal, entonces T (O) = O ′

donde O es el neutro en V y O ′ es el neutro en W. Sugerencia escribir O = 0O
EJEMPLO 5.10. Sea T : P2 → P3 tal que T (p (x)) = xp (x) + x2 p′ (x) . Para mostrar que T es
lineal aplicamos la definición:
T (p (x) + q (x)) = x (p (x) + q (x)) + x2 (p (x) + q (x))′

= xp (x) + x2 p′ (x) + xq (x) + x2 q ′ (x)
= T (p (x)) + T (q (x))
Ademas
T (ap (x)) = x(ap (x)) + x2 (ap (x))′

= axp (x) + x2 ap′ (x)
Por tanto T es transformación lineal.
EJEMPLO 5.11. Supongamos que i = (0, 1), j = (0, 1), T : R2 → R3 de forma que T (i) = 2i−j
y que T (j) = 3i + j. Encontrar el valor de T (3, 5) y generalizar cual es el valor de T (x, y) .
Vamos a aprovechar el hecho de que T es lineal para calcular el valor de T (3, 5) expresando el
vector en terminos de i y j
T (3, 5) = T (3i + 5j)

= 3T (i) + 5T (j)
= 3 (2i − j) + 5 (3i + j)
= 21i + 2j
= (21, 2)
En general
T (x, y) = T (xi + yj)

= xT (i) + yT (j)
= x (2i − j) + y (3i + j)
= (2x + 3y)i + (−x + y)j
= (2x + 3y, −x + y)
R
R
Este ejercicio nos muestra un hecho importante: Una transformación lineal queda determinada por
el valor que toma en la base del conjunto de salida.
TEOREMA 5.1. Sea T : V → W una transformación lineal. Sean BV = {v1 , v2 , ..., vn } una base
de V y BW = {w1 , w2 , ..., wm } una base de W . Si w ∈ W, y
u = α1 u1 + α2 u2 + · · · + αn un los valores de T (ui) = wi esta dados
entonces
T (u) = α1 w1 + α2 w2 + ..... + αn wn
DEMOSTRACIÓN.
T (u) = T (α1 u1 ) + T (α2 u2 ) + · · · + T (αn un ) = α1 T (u1) + α2 T (u2) + · · · + αn T (un )

DEFINICIÓN 5.2 (Tipos de transformaciones lineales). Sea T una transformación lineal

de V en W . T es un monomorfismo cuando es inyectiva. T es un epimorfismo cuando es suprayec-
tiva. T es un isomorfismo cuando es biyectiva. Si V = W , T es un endomorfismo de V . Si T es
biyectiva y V = W , T es un automorfismo.
TEOREMA 5.2. Salvo isomorfismos, el único K-espacio de dimensión n ≥ 1 es K n . Más

exactamente, si V es un K-espacio de dimensión n ≥ 1, entonces V es sisomorfo a K n .
DEMOSTRACIÓN. Sea X = {x1 , . . . , xn } una base de V y C = {e1 , . . . , en } la base canónica
de K n . Las funciones t : X → C dado por t(xi ) = ei , s : C → X dado por s(ei ) = xi con
1 ≤ i ≤ n, inducen de manera única transformaciones lineales T : V → K n y S : K n → V que
coinciden con t en X y s en C, respectivamente. Las transformaciones S T y T S son tales que
S T (xi ) = xi y T S(ei ) = ei , para cada 1 ≤ i ≤ n. Nuevamente, por el Teorema 2, S T = IV y
T S = IK n . Esto indica que T es un isomorfismo y la prueba ha terminado.
Debido a este isomorfismo, se “identifican” con frecuencia los espacios vectoriales de dimension n
con Kn y se hace equivaler cada vector v con sus coordenadas respecto de una determinada base
B.
LEMA 5.1. Consecuencias de la definición de aplicación lineal: 1) T (0V ) = 0V . 2) T (−x) =

−T (x) para cada x ∈ V .
DEMOSTRACIÓN. 1. Por ser T lineal, se verifica T (0V ) = T (0V + 0V ) = T (0V ) + T (0V ).
Restando T (0V ) en ambos miembros, se obtiene por fin que T (0V ) = 0V .
2. Para demostrar que los vectores T (−x) y T (x) son opuestos, comprobemos que al sumarlos se
obtiene el vector 0V :
T (−x) + T (x) = T (−x + x) = T (0V ) = 0V
aplicando que T es lineal y la consecuencia 1 recién demostrada.
A partir de este momento, escribiremos 0 para referirnos tanto 0V como a 0W .

R
R
5.2. Núcleo e imagen de una aplicación lineal

Podemos asociar a cada aplicación lineal T sendos subespacios vectoriales de V y W respectiva-
mente, que juegan un papel importante en el estudio de la aplicación; son los llamados núcleo e
imagen de T .
DEFINICIÓN 5.3. Llamamos nucleo de la aplicación lineal T : V → W , y lo representamos
por N(T ), al sistema de vectores de V cuya imagen es el 0. Es decir, N(T ) = {x ∈ V : T (x) = 0}
La imagen de T , en cambio, es el sistema de vectores de W que son imagen de algún vector de V .
Lo representamos por Im(T ): Im(T ) = {y ∈ W : ∃x ∈ V con T (x) = y}
Busquemos el núcleo y la imagen de algunas de las aplicaciones lineales expuestas anteriormente

como ejemplos.
EJEMPLO 5.12. Núcleo e imagen de la aplicación del ejemplo 5.1: T : R → R x 7→ 3x.
SOLUCIÓN.- Por definición de núcleo, x ∈ N(T ) si y solo si T (x) = 3x = 0; es decir, si y solo

si x = 0. Luego, N(T ) = {0}. Para todo y ∈ R, se verifica que y = T (y/3), luego, Im(f ) = R
TEOREMA 5.3. Sea T : V → W una aplicación lineal. Se verifican las siguientes propiedades:
1 Si F es un subespacio vectorial de V , entonces T (F ) es un subespacio vectorial de W .
2 Si G es un subespacio vectorial de W , entonces T −1 (G) es un subespacio vectorial de V .
3 El núcleo de T es un subespacio vectorial de V .
4 La imagen de T es un subespacio vectorial de W .
5 Si S es un sistema generador de V , entonces, T (S) es un sistema generador de Im(f ).
6 Si S es un conjunto linealmente dependiente de V , entonces, T (S) es un conjunto linealmente

dependiente de W .
7 Si R es un conjunto linealmente independiente de W , entonces, T −1 (R) es un conjunto lineal-

mente independiente de V .
DEMOSTRACIÓN.
1 Sean x′ , y ′ vectores de T(F). Existen entonces vectores x, y de F tales que T (x) = x′ y T (y) = y ′ .
Sean λ, µ escalares de K. Por ser T lineal se verifica:
λx′ + µy ′ = λT (x) + µT (y) = T (λx + µy)
Como F es un subespacio vectorial de V , el vector λx+ µy y pertenece a F , luego, su imagen

λx′ + µy ′ pertenece a T (F ). Esta probado pues que T (F ) es un subespacio vectorial de W .
R
R
2 Sean x, y vectores de T −1 (G). Sus imágenes T (x), T (y) son vectores de G. Sean λ, µ escalares
de K. Por ser G un subespacio vectorial de W , se verifica que λT (x) + µT (y) ∈ G. Como
T es lineal, lo anterior es equivalente a escribir T (λx + µy) ∈ G. Luego, λx + µy ∈ T −1 (G).
Por tanto, T −1 (G) es un subespacio vectorial de V .
3 Por definición, es N(T ) = T −1 ({0}). Como {0} es un subespacio vectorial de W , aplicando la

propiedad 1.7.2, se obtiene que N(T ) es un subespacio vectorial de V .
4 Por definición, es Im(T ) = T (V ). Como V es un subespacio vectorial de V , aplicando la

propiedad 1.7.1,se obtiene que Im(T ) es un subespacio vectorial de W .
5 Sea S = {x1 , x2 , ..., xp } un sistema generador de V . Sea y ∈ Im(T ). Existe un vector x ∈ V tal
que T (x) = y. Como S engendra V , existen escalares λ1 , λ2 ,...,λp , tales que
x = λ1 x1 + λ2 x2 + · · · + λp xp
Ası́, aplicando que T es lineal, se tiene que

y = T (x) = T λ1 x1 + λ2 x2 + · · · + λp xp = λ1 T (x1 ) + λ2 T (x2 ) + · · · + λp T (xp )
Luego, cualquier vector y de Im(T ) es combinación lineal de los vectores T (x1 ), T (x2 ),...,T (xp )
y, consecuentemente T (S) es un sistema generador de Im(T ).
6 Sea S = {x1 , x2 , ..., xp } un conjunto linealmente dependiente de V . Existen entonces escalares

λ1 , λ2 ,...,λp no todos nulos tales que λ1 x1 + λ2 x2 + · · · + λp xp = 0. Usando que T es lineal,
se obtiene:

T λ1 x1 + λ2 x2 + · · · + λp xp = λ1 T (x1 ) + λ2 T (x2 ) + · · · + λp T (xp ) = T (0) = 0
Luego T (S) = {T (x1 ), T (x2 ), ..., T (xp )} es ligado.
7 Sea R un conjunto linealmente independiente de W . Si T −1 (R) fuera ligado, existirı́a un vector

x ∈ T −1 (R) que seria combinación lineal de ciertos vectores x1 , x2 , ..., xp de T −1 (R). Es decir,
existirian escalares λ1 , λ2 ,...,λp de K tales que x = λ1 x1 + λ2 x2 + · · · + λp xp . Ası́,

T (x) = T λ1 x1 + λ2 x2 + · · · + λp xp = λ1 T (x1 ) + λ2 T (x2 ) + · · · + λp T (xp )
Luego, T (x) seria combinación lineal de T (x1 ), T (x2 ),...,T (xp ), perteneciendo estos p + 1
vectores a R que era un conjunto linealmente independiente. Hemos llegado al absurdo
suponiendo que T −1 (R) era ligado. En consecuencia, T −1 (R) es linealmente independiente.

COROLARIO 5.1. Si B = {x1 , x2 , ..., xp } es una base de V , puede obtenerse una base de Im(T )
a partir del sistema de vectores de Im(T ), T (B) = {T (x1 ), T (x2 ), ..., T (xp )}, eliminando del mismo
los vectores que sean combinación lineal de los demás.
R
R
DEMOSTRACIÓN. Este resultado es una consecuencia inmediata del teorema 5), ya que cualquier
base de V es por definición un sistema generador de V .
A partir de la siguiente proposición, observemos cómo las imágenes de los vectores de una base
de V determinan de forma única la aplicación lineal.
PROPOSICIÓN 5.1. Una aplicación lineal queda determinada si se conocen las imágenes de
los vectores de una base. Es mas: Sea B = {x1 , x2 , ..., xn } una base del espacio vectorial V . Sea
S = {y1 , y2 , ..., yn } un sistema cualquiera de vectores del espacio vectorial W . Existe una única
aplicación lineal T : V → W tal que T (xi ) = yi, i = 1, 2, ..., n.
DEMOSTRACIÓN. Para cada vector x = λ1 x1 + λ2 x2 + · · · + λn xn de V , con λi ∈ K, i =
1, 2, ..., n, definimos:
T (x) = λ1 y1 + λ2 y2 + · · · + λn yn
Se verifica:
1. T (xi ) = yi, i = 1, 2, ..., n, por la propia definición de T .
2. T es lineal: Sean x, z ∈ V λ, µ ∈ K. Por ser B una base de V , existen escalares λi , µi ∈ K,
i = 1, 2, ..., n, tales que
n
X Xn
x= λi xi , z= µi xi
i=1 i=1
n
X
Ası́, λx + µz = λλi + µµi xi , y, por definición de T se tiene que
i=1
Xn n
X n
X
T λx + µz = λλi + µµi yi = λ λi yi + µ µi yi = λT (x) + µT (z)
i=1 i=1 i=1
Luego, T es lineal.
3. T es única: Sea G : V → W otra aplicación lineal tal que G(xi ) = yi , i = 1, 2, ..., n,. Para
cualquier vector x = λ1 x1 + λ2 x2 + · · · + λn xn de V , con λi ∈ K, i = 1, 2, ..., n, por ser G lineal,
se verifica que
G(x) = λ1 G(x1 ) + λ2 G(x2 ) + · · · + λn G(xn ) = λ1 y1 + λ2 y2 + · · · + λn yn = T (x)
por la propia definición de T .
Probemos ahora un par de resultados relativos a los subespacios núcleo e imagen de T , al segundo
de los cuales nos hemos referido ya anteriormente.
PROPOSICIÓN 5.2. Una aplicación lineal T de V en W es inyectiva si y solo si N(T ) = {0}.
DEMOSTRACIÓN. (=⇒) Condición necesaria: Supongamos que T es inyectiva. Si existiera
un vector x ∈ N(T ) tal que x 6= 0, tendrı́amos dos vectores diferentes con la misma imagen,
T (x) = T (0) = 0, lo cual es absurdo ya que, por hipótesis, T es inyectiva. Por tanto, N(T ) = {0}
R
R
(⇐=) Condición suficiente: Supongamos ahora que N(T ) = {0}. Sean x, y ∈ V tales que T (x) =
T (y). Por ser T lineal, T (x − y) = T (x) − T (y). Luego x − y ∈ N(T ). Consecuentemente, por
hipótesis, x − y = 0, es decir x = y. Y esta probado que T es inyectiva.
PROPOSICIÓN 5.3. Sea T : V → W una aplicación lineal. Se verifica que
dimV = dimN(T ) + dimIm(T ).

DEMOSTRACIÓN. Supongamos que dimV = n y que dimN(T ) = p. Sea BN = {x1 , x2 , ..., xp }
una base de N(T ). Completamos BN hasta obtener una base B de V , B = {x1 , x2 , ..., xp , xp+1 , xp+2 , ..., xn }.
Demostremos que BI = {T (xp+1 ), T (xp+2 ), ..., T (xn )} es una base de Im(T ). En efecto: Sea
y ∈ Im(T ). Sea x ∈ V tal que T (x) = y. Por ser B una base de V , existen escalares λ1 , λ2 ,...,λn
de K tales que x = λ1 x1 + λ2 x2 + · · · + λn xn .
Como T es lineal, se tiene que
T (x) = λ1 T (x1 ) + λ2 T (x2 ) + · · · + λn T (xn ).
Pero, por ser x1 , x2 , ..., xp vectores de N(T ), sus imágenes mediante T son el vector 0, luego
y = T (x) = λp+1T (xp+1 ) + λp+2 T (xp+2 ) + · · · + λn T (xn ).
Queda ası́ demostrado que BI engendra Im(T ).

Veamos ahora que BI es linealmente independiente.
Si αp+1 T (xp+1 )+αp+2 T(xp+2 )+· · ·+αn T (xn ) =
0, como T es lineal, se tendrá que T αp+1 xp+1 + αp+2 xp+2 + · · · + αn xn = 0. Luego, el vector
αp+1 xp+1 + αp+2 xp+2 + · · · + αn xn ∈ N(T ) y se puede escribir como combinación lineal de los
vectores de BN :
αp+1 xp+1 + αp+2 xp+2 + · · · + αn xn = β1 x1 + β2 x2 + · · · + βp xp
es decir,
β1 x1 + β2 x2 + · · · + βp xp − αp+1 xp+1 − αp+2 xp+2 − · · · − αn xn = 0,
Ası́, β1 = β2 = · · · = βp = αp+1 = αp+2 = · · · = αn = 0 por ser B una base de V y, por tanto, un
conjunto linealmente independiente.
5.3. La matriz de una transformación

De ahora en adelante, a lo largo del tema consideraremos V = W , con dimV = n. Es decir, vamos
a estudiar los endomorfismos de un espacio vectorial V .
Dada una transformación lineal T : V → V , una vez fijada una base B de V , podemos asociar
a T , una matriz A ∈ Mn (K) que determina T de forma única, A = [T ]B . En efecto: sea B =
{u1 , u2, ..., un } una base del espacio vectorial V . Si un vector x tiene de coordenadas (x1 , x2 , ..., xn )
R
R
respecto de la base B, esto es [x]B = [x1 x2 · · · xn ]T , ¿cuales son las coordenadas (y1 , y2 , ..., yn ) de
T (x) respecto de la base B?

T (x) = T x1 u1 + x2 u2 + · · · + xn un = x1 T (u1 ) + x2 T (u2) + · · · + xn T (un )
por ser T lineal. Supongamos que
T (u1) = a11 u1 + a12 u2 + · · · + a1n un , [T (u1 )]B = [a11 a12 · · · a1n ]T
T (u2) = a21 u1 + a22 u2 + · · · + a2n un , [T (u2 )]B = [a21 a22 · · · a2n ]T
....
..
T (un ) = an1 u1 + an2 u2 + · · · + ann un , [T (un )]B = [an1 an2 · · · ann ]T
para ciertos a aij ∈ K, i = 1, ..., n, j = 1, ..., n. Se tiene entonces que:

T (x) = x1 T (u1 ) + x2 T (u2) + · · · + xn T (un )
n
! n
! n
!
X X X
= x1 a1j uj + x2 a2j uj + · · · + xn anj uj
j=1 j=1 j=1
n
! n
! n
!
X X X
= xi ai1 u1 + xi ai2 u2 + · · · + xi ain un
i=1 i=1 i=1
Por tanto,
y1 = x1 a11 + x2 a21 + · · · + xn an1
y2 = x1 a12 + x2 a22 + · · · + xn an2
....
..
yn = x1 a1n + x2 a2n + · · · + xn ann
estas son las ecuaciones o la expresión analı́tica de T respecto de la base B. Conociendo [x]B =
(x1 , x2 , ..., xn ), las ecuaciones anteriores permiten calcular [T (x)]B = (y1 , y2, ..., yn ).
Estas ecuaciones pueden escribirse en forma matricial:
    
y1 a11 a21 . . . an1 x1
 y2   a12 a22 . . . an2   x2 
    
 .. = .. .. .. .  .. 
 .   . . . ..   . 
yn a1n a2n . . . ann xn
esto es h i

[T (x)]B = [T (u1 )]B [T (u2 )]B · · · [T (un )]B [x]B
R
R
Definamos h i

[T ]B = [T (u1 )]B [T (u2 )]B · · · [T (un )]B
Esta matriz se la llama matriz asociada a T respecto de la base B; y tiene por columnas a las
imágenes de los vectores de la base B expresadas en la misma base B.
Por tanto
[T (x)]B = [T ]B [x]B .
EJEMPLO 5.13. Consideremos el espacio vectorial V = R2 sobre el cuerpo K = R. Sea T :
R2 → R2 , T (x, y) = (2x, y − 3x).
SOLUCIÓN.- La matriz A asociada a T respecto de la base canónica tendrá por vectores

columna:
c1 = T (1, 0) = (2, −3) = 2(1, 0) − 3(0, 1)

c2 = T (0, 1) = (0, 1) = 0(1, 0) + 1(0, 1)

2 0
Es decir, A = . Y dado, por ejemplo, el vector (1, 2) ¿quien sera T (1, 2)? T (x, y) =
−3 1
′
x 2 0 1 2
A(x, y), es decir, = = . Luego T (1, 2) = (2, −1).
y′ −3 1 2 −1
Cabe observar que cuando la base que manejamos es la canónica , se puede proceder de otra forma
muy sencilla para el calculo de A: Es claro que
x′ = 2x
y ′ = y − 3x
por definición de T ; lo que es equivalente a escribir:

′
x 2 0 x
′ =
y −3 1 y

x 2 0
Asi, T (x, y) = A para A = .
y −3 1
Una vez escrita la aplicación T en esta forma, podrı́amos haber demostrado que T era lineal de
una manera muy sencilla: Si p = (x, y), y q = (x′ , y ′) son vectores cualesquiera de R2 y λ, µ ∈ R,
aplicando las propiedades de las operaciones con matrices, se tiene que:
T (λp + µq) = A(λp + µq) = A(λp) + A(µq) = λAp + µAq = λT (p) + µT (q).

PROPOSICIÓN 5.4. Siguiendo con la misma notación que en la expresión analı́tica de una
transformación lineal T , se verifica:
R
R
1) Los vectores columna de A son un sistema generador de Im(T ).

2) La dimensión de Im(T ) coincide con el rango de A.
DEMOSTRACIÓN. 1. Por la quinta propiedad de las aplicaciones lineales, la imagen de un
sistema generador de V es un sistema generador de Im(T ). Pero, los vectores columna de A son
precisamente las imágenes de los vectores de la base B, que por definición es un sistema generador
de V .
2. La dimensión de Im(T ) es, por el apartado anterior, el número de vectores columna linealmente
independientes de A, es decir, coincide con el rango de A por el teorema del rango.
Ahora bien, si tenemos la matriz A = [T ]B que representa a T : V → V con respecto a la base

B de V , entonces, v = T u si y solo si y = [v]B = [T ]B [u]B = Ax. Encontrar el núcleo de T es
equivalente a resolver la ecuación T u = 0. Es decir queremos encontrar todas las preimagenes del
neutro. Si reemplazamos T con su representación matricial A, tenemos que
encontrar el núcleo de T es equivalente a resolver el sistema de ecuaciones Ax = 0
Recordemos el teorema que afirma que T es inyectiva si el ker T = {OV }, o la dimension del ker T
es igual a 0. Si Ax = 0, tiene una solución la trivial, x = 0, esto quiere decir ker T = {OV }. Por
tanto, teniendo en cuanta las dos ultimas aseveraciones tenemos que:
T es inyectiva si y solamente si Ax = 0 tiene unica solución x = 0 ∈ Kn
La dimension del núcleo de T o de su representante A se llama nulidad por tanto
T tiene nulidad cero si y solamente si Ax = 0 tiene unica solución x = 0
Ahora, si T es inyectiva sabemos que es invertible su inversa se denota T −1 (este es un resultado que
talvez recuerden de calculo, cualquier función inyectiva tiene inversa). La matriz que representa
T −1 es obviamente [T −1 ]B = [T ]−1
B = A
−1
. Por tanto
T es invertible si y solamente Ax = 0 tiene unica solución x = 0
Finalmente, si V = W esto quiere decir que dimV = dim W = n , La matriz que representa T −1
es obviamente [T −1 ]B = A−1 (A es una matriz cuadrada n por n )
A es invertible si y solamente T es inyectiva si y solamente si A tiene nulidad 0.
Debido al teorema de la dimension tenemos que nulidad de T + dimension del recorrido de T = n,
si la nulidad de A es cero entonces dimension del recorrido de T es n. La dimension del recorrido
de T se llama rango de T o de A. Por tanto
A es invertible si y solamente A tiene rango n.
En este caso vemos que como la dimension del recorrido es n el recorrido es igual a W. Por tanto
T es sobreyectiva y podemos decir que
A es invertible si y solamente T es uno a uno y sobreyectiva.
R
R
A continuación demostramos el Teorema de caracterización de las transformaciones lineales biyec-

tivas.
TEOREMA 5.4. Sea T : V → V una transformación lineal del espacio vectorial V de dimension
n. Sea B una base de V y A = [T ]B . Las siguientes afirmaciones son equivalentes: 1) T es
biyectiva. 2) T es inyectiva. 3) N(T ) = {0}. 4) T es sobreyectiva. 5) rango(A) = n. 6) det A 6= 0.
7) La imagen de un conjunto linealmente independiente de V es también un sistema linealmente
independiente de V .
DEMOSTRACIÓN. (1 =⇒ 2).- Por la propia definición de aplicación biyectiva (inyectiva y
sobreyectiva).
(2 =⇒ 3).- Esta probado anteriormente en 1.10 (pag 11) para aplicaciones lineales en general.
(3 =⇒ 4).- Por hipótesis, dimN(T ) = 0 y dimV = n, luego dim Im(T ) = n por verificarse que
dimV = dimN(T ) + dimIm(T ). Por tanto, Im(T ) = V , es decir T es sobreyectiva.
(4 =⇒ 5).- Por ser T sobreyectiva, Im(T ) = V . En consecuencia, los vectores columna de A son
una base de V y por tanto son linealmente independientes. Aplicando el teorema del rango se
colige que r(A) = n.
(5 =⇒ 6).- Por definición de rango de una matriz.
(6 =⇒ 7).- Sea S = {x1 , x2 , ..., xp } un conjunto linealmente independiente de V . Si λ1 T (x1 ) +
λ2 T (x2 ) + · · · + λp T (xp ) = 0, entonces, por ser T lineal:

T λ1 x1 + λ2 x2 + · · · + λp xp = 0 ⇐⇒ A λ1 x1 + λ2 x2 + · · · + λp xp = 0
Por ser det A 6= 0, A es inversible y multiplicando por A−1 por la izquierda en los dos miembros
de la igualdad anterior, se obtiene: λ1 x1 + λ2 x2 + · · · + λp xp = 0.
Y como S es un conjunto linealmente independiente, se colige que λ1 = λ2 = · · · = λp = 0, luego
{T (x1 ), T (x2 ), ..., T (xp )} es linealmente independiente.
(7 =⇒ 1).- Para demostrar que T es biyectiva, probemos que es sobre e inyectiva. Por hipótesis, los
vectores columna de A = [T ]B son linealmente independientes por ser las imágenes de los vectores
de la base B. Ası́ pues, r(A) = dimIm(T ) = n. Por tanto, Im(T ) = V , es decir, T es sobreyectiva.
Se verifica que dimN(T ) = dimV − dimIm(T ) = n − n = 0. Luego, N(T ) = {0} y T es inyectiva.

EJEMPLO 5.14. Hallar el núcleo y la imagen de la transformación lineal del ejemplo 2.3,
T : R2 → R2 , T (x, y) = (2x, y − 3x).
SOLUCIÓN.- N(T ) = {p ∈ R2 : T (p) = 0}, pero T (p) = 0 si y solo siAp = 0. Luego, para
2 0 x 0
hallar el núcleo de T hay que resolver el sistema homogeneo: =
−3 1 y 0

2 0
Por ser det = 2 6= 0, el sistema anterior solo admite la solución trivial y N(T ) = {0}.
−3 1
R
R
tiene que Im(T ) = hvectores columna de Ai=h{(2, −3), (0, 1)}i.

Debido a la Proposición5.4 se
2 0
Por otro lado, como det 6= 0 dichos vectores columna son linealmente independientes e
−3 1
Im(T ) = R2 .
También podrı́amos haber obtenido este ultimo resultado teniendo en cuenta que dimR2 =
dimN(T ) + dimIm(T ).
5.4. Operaciones entre transformaciones lineales

Dada una transformación lineal T : V → V , una vez fijada una base B de V , podemos asociar a
T , una matriz A ∈ Mn (R2 ) que determina T de forma única, A = [T ]B .
Recı́procamente, dada una matriz A ∈ Mn (R), podemos construir el endomorfismo T : Kn → Kn
tal que A = [T ]Bc , siendo B c la base canónica de Kn . Dicho endomorfismo es único ya que queda
determinado por las imágenes de los vectores de la base canónica, es decir, por los vectores columna
de A. Por tanto, una vez fijada una base B de V , referirnos a T o a A = [T ]B , es equivalente. Si
no se dice lo contrario la base B sera la canónica.
Por tanto podemos decir que hay una correspondencia 1 a 1 entre matrices y transformaciones lin-
eales, a esta correspondencia se le denomina un isomorfismo entre el espacio de transformaciones
y el espacio de matrices. Todas las operaciones y propiedades de matrices se traducen en opera-
ciones y propiedades de transformaciones. Asi, la suma de transformaciones es suma de matrices,
el producto por escalar de transformaciones es producto escalar por una matriz, la multiplicación
de matrices es la composición de transformaciones. A continuación explicamos estas afirmaciones:
PROPOSICIÓN 5.5. Sea L(V ) = {T : V → V : T es lineal}. Sean T, S ∈ L(V ) y λ ∈ K. Sea

B una base de V .
1. Definimos la suma de T y S como la aplicación T + S : V → V tal que (T + S)(x) =

T (x)+S(x). Se verifica: a) T +S es una transformación lineal de V . b) [T +S]B = [T ]B +[S]B .
c) (L(V ), +) es un grupo conmutativo.
2. Definimos el producto de un escalar λ por un endomorfismo T como la aplicación λT :

V → V tal que (λT )(x) = λT (x). Se verifica: a) λT es una transformación lineal de V . b)
[λT ]B = λ[T ]B . c) (L(V ), +, ·) es un espacio vectorial sobre el cuerpo K.
3. El producto o composición de los endomorfismos T y S es la aplicación: S ◦ T : V → V ,

S◦T
T S
“V −→V −→V ” tal que (S ◦ T )(x) = S(T (x)) para todo x ∈ V . Se verifica: a) S ◦ T es
una transformación lineal de V . b) [S ◦ T ]B = [S]B [T ]B . c) (L(V ), +, ◦) es un anillo no
conmutativo.
DEMOSTRACIÓN.
R
R
1. a) Aplicamos la definición de suma en L(V ) y que T y S son lineales. Sean x, y ∈ V , λ, µ ∈ K,

entonces
(T + S)(λx + µy) = T (λx + µy) + S(λx + µy)

= λT (x) + µT (y) + λS(x) + µS(y)
h i h i
= λ T (x) + S(x) + µ T (y) + S(y)
= λ(T + S)(x) + µ(T + S)(y)
b) Puesto que T (p) = [T ]B p y S(p) = [S]B p. Se verifica que
(T + S)(p) = T (P ) + S(p) = [T ]B p + [S]B p = ([T ]B + [S]B )p
Luego [T + S]B = [T ]B + [S]B .

c) Por ser Mn (K), + un grupo conmutativo y teniendo en cuenta la relación entre trans-
formaciones lineales y matrices, se verifica que (L(V ), +) es también un grupo conmutativo.
2. Se deja como ejercicio por ser análoga a la del apartado anterior.
3. a) Por la propia definición de S ◦T y por ser T y S lineales. Sean x, y ∈ V , λ, µ ∈ K, entonces
(S ◦ T )(λx + µy) = S(T (λx + µy))

= S(λT (x) + µT (y)) = S(λT (x)) + S(µT (y))
= λ(S ◦ T )(x) + µ(S ◦ T )(y)
Luego, S ◦ T es una transformación lineal de V .

b) Para cada x ∈ V , se verifica que:
[(S ◦ T )(x)]B = [S(T (x))]B = [S]B [T x]B = [S]B ([T ]B [x]B ) = [S]B [T ]B [x]B
Luego, [S ◦ T ]B = [S]B [T ]B .

c) (L(V ), +, ◦) es un anillo no conmutativo por serlo Mn (K), +, · .

5.5. Cambio de base en una transformación lineal

Sea T una transformación lineal de un espacio vectorial V . Sean B y B ′ dos bases distintas de V .
Sean las matrices A = [T ]B y A′ = [T ]B′ . Buscamos la relación existente entre A y A′ . Sea P la
matriz de cambio de base de B ′ a B. En esquema, la situación que tenemos es la siguiente:
R
R
A′ ✲
[x]B ′ [T (x)]B ′
✻
P P −1
❄
A ✲
[x]B [T (x)]B
Por la propia definición de las matrices que intervienen en el esquema anterior, se verifica:
[T (x)]B′ = P −1 [T (x)]B = P −1 A[x]B = P −1AP [x]B′
Luego, la relación buscada es:

A′ = P −1 AP
EJEMPLO 5.15. Demostramos en el ejemplo 2.3 que la transformación lineal T : R2 → R2 ,

T (x, y − 3x) tiene como matriz asociada respecto de la base canónica a la matriz
y) = (2x,
2 0
A= .
−3 1
SOLUCIÓN.- Si consideramos ahora la base de R2 , B = {u1 = (1, 1), u2 = (2, 0)}. ¿cual es la
matriz A′ asociada a T respecto de esta nueva base B? A′ = P −1AP siendo P la matriz de cambio
de base de B a la base canónica.

1 2 0 1
Es, por tanto, P = , que tiene por matriz inversa a P −1 = . De esta forma,
1 0 1/2 −1/2
se tiene que:
′ 0 1 2 0 1 2 −2 −6
A = =
1/2 −1/2 −3 1 1 0 2 5
Obsérvese que la matriz A′ podrı́a haberse hallado directamente buscando sus vectores columna:
c1 = [T (u1)]B , c2 = [T (u2 )]B .
T (u1 ) = (2, −2) = −2(1, 1) + 2(2, 0) = −2u1 + 2u2 = [(2, −2)]B

T (u2 ) = (4, −6) = −6(1, 1) + 5(2, 0) = −6u1 + 5u2 = [(−6, 5)]B
R
CAPÍTULO 6
Valores y Vectores Propios
En este capı́tulo presentaremos los conceptos básicos de valor propio, vector propio, espacio pro-
pio y espectro de una matriz. Además, presentaremos algunos de los resultados más relevantes
relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no hablar de números
complejos, debemos hacer algunas observaciones respecto a la terminologı́a que utilizaremos en
este capı́tulo. La palabra escalar se utilizará para referirnos a un número que puede ser real o
complejo. Un vector n × 1 será una matriz n × 1 cuyas componentes pueden ser números reales o
complejos.
6.1. Valores y Vectores Propios
DEFINICIÓN 6.1. Sea A ∈ Mn×n (R). Un escalar λ es un valor propio de A si existe un vector
n × 1 x 6= 0 tal que Ax = λx. Ahora, si Ax = λx con x 6= 0, entonces x es un vector propio de A
asociado al valor propio λ.
EJEMPLO 6.1. −2 es un valor propio de la matriz
 
2 0 1
A =  5 −1 2 
−3 2 −5/4
ya que       
2 0 1 1 −2 1
 5 −1 2   3  = −6 = −2  3 
−3 2 −5/4 −4 8 −4
271
R
 
1
Además,  3  es un vector propio de A asociado al valor propio −2.
−4

1 2
EJEMPLO 6.2. Para la matriz A = indique cuáles vectores son vectores propios: v1 =
2 1
1 2 −1 0
, v2 = , v3 = , v4 = .
1 3 1 2
SOLUCIÓN.- Debemos multiplicar cada vector por la matriz A y ver si el vector resultante es
un múltiplo escalar del vector.

1 2 1 3 1
Av1 = = =3
2 1 1 3 1
v1 sı́ es vector propio de A asociado al valor propio 3.

1 2 2 7 2
Av2 = = 6= k
2 1 3 8 3
v2 no es vector propio de A.

1 2 −1 1 −1
Av3 = = = −1
2 1 1 −1 1
v3 sı́ es vector propio de A asociado al valor propio −1.

1 2 0 4 0
Av4 = = 6= k
2 1 2 2 2
v4 no es vector propio de A.
   
2 5 0 3
EJEMPLO 6.3. El vector v =  4  es un vector propio de la matriz A = 16/5 1 18/5.
−4 −2 0 −2
Determine el valor propio al cual está asociado.
SOLUCIÓN.- Determinemos Av:

      
5 0 3 2 −2 2
16/5 1 18/5  4  = −4 = −1  4 
−2 0 −2 −4 4 −4
Por tanto, v está asociado al valor propio λ = −1 de la matriz A.
R
R
       
−3 1 0 9
 
EJEMPLO 6.4. Los vectores −2 ,   
2 , 6 ,   6  s´i son vectores propios de la matriz
1 −2 0 −3
 
5 0 3
A = 16/5 1 18/5. Determine los valores propios a los cuales están asociados.

−2 0 −2
TEOREMA 6.1. Sea A ∈ Mn×n (R). Entonces ningún vector propio de A puede estar asociado
a valores propios distintos de A.
DEMOSTRACIÓN. Si suponemos que x es un vector propio de A asociado a valores propios
distintos λi , λj de A, entonces (λi − λj ) 6= 0 y
(λi − λj )x = λi x − λj x = Ax − Ax = 0.
Luego
(λi − λj )−1 (λi − λj )x = (λi − λj )0 = 0
Entonces x = 0, lo cual es absurdo. Por tanto, ningún vector propio de A puede estar asociado a
valores propios distintos de A.
DEFINICIÓN 6.2. Sea A ∈ Mn×n (R), el espectro de A es

σ(A) = {λ escalar : λ es un valor propio de A}.
El sı́mbolo R[x] denotará al conjunto de los polinomios en la variable x y coeficientes en R. La
evaluación de un polinomio p(x) = a0 + a1 x + · · · + at xt de R[x] en una matriz A ∈ Mn×n (R) es
la matriz
p(A) = a0 In + a1 A + · · · + at At ,
donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con sigo misma i veces.

1 −1
EJEMPLO 6.5. Sean A = y p(x) = 1 − 3x + 2x2 . Entonces
1 2

1 0 1 −1 1 −1 1 −1
p(A) = 1 −3 +2
0 1 1 2 1 2 1 2

1 0 −3 3 0 −6 −2 −3
= + + =
0 1 −3 −6 6 6 3 1
TEOREMA 6.2. Sean A ∈ Mn×n (R), p(x) ∈ R[x], λ ∈ σ(A) y x un vector propio de A asociado
a λ. Entonces p(λ) ∈ σ(p(A)) y x es un vector propio de p(A) asociado a p(λ).
DEMOSTRACIÓN. Supongamos que p(x) = a0 + a1 x + · · · + at xt , entonces
p(A)x = a0 x + a1 Ax + · · · + at At x,
pero
Aj x = Aj−1Ax = Aj−1 λx = λAj−1x = · · · = λj x
para todo j = 1, ..., t. Luego
p(A)x = a0 x + a1 λx + · · · + at λt x = (a0 + a1 λ + · · · + at λt )x = p(λ)x.
R
R
6.2. Subespacios Propios

TEOREMA 6.3. Sean A ∈ Mn×n (R) y λ un valor propio de A. Entonces
EA (λ) = {x vectores n × 1: Ax = λx} =
es un subespacio del espacio de los vectores n × 1 sobre los números complejos.
DEMOSTRACIÓN. Claramente A0 = λ0, por tanto 0 ∈ EA (λ). Ahora, si x, y ∈ EA (λ) y c
escalar, entonces
A(cx + y) = cAx + Ay = cλx + λy = λ(cx + y),
por tanto (cx + y) ∈ EA (λ). Luego EA (λ) es un subespacio de los vectores n × 1 sobre los números
complejos.
Nótese que EA (λ) es igual a {0} unido con el conjunto formado por todos los vectores propios de
A asociados al valor propio λ. Además, por Teorema 6.1 se tiene que si λi , λj son valores propios
distintos de A, entonces
EA (λi ) ∩ EA (λj ) = {0}.
DEFINICIÓN 6.3 (Multiplicidad geométrica). El subespacio EA (λ) se denomina subespacio

propio de A asociado al valor propio λ. Además, la dimensión de EA (λ), dim(EA (λ)), se llama la
multiplicidad geométrica del valor propio λ de A y se le denota por mg (A), es decir
mg (A) = dim(EA (λ))
De la definición de vector propio, es claro que EA (λ) tiene al menos un vector no nulo, por tanto
dim(Rn ) = n ≥ dim(EA (λ)) ≥ 1.
TEOREMA 6.4. Dado EA (λ) un subespacio propio de A ∈ Mn×n (R), entonces
dim(EA (λ)) = n − rango(A − λI)
6.3. Matrices Invertibles y Valores Propios

TEOREMA 6.5. Sea A ∈ Mn×n (R). Entonces λ = 0 es un valor propio de A si, y sólo si, A es
no invertible.
DEMOSTRACIÓN. Si λ = 0 es valor propio de A, el sistema lineal homogéneo Au = 0 admite
soluciones distintas de la trivial (los vectores propios asociados al valor propio λ = 0) y, por tanto,
|A| = 0. Luego A no es inversible.
Si, por el contrario, λ = 0 no es valor propio de A, el sistema Au = 0 solo tiene la solución trivial,
luego, |A| =6 0 y A es inversible.
R
R
TEOREMA 6.6. Sea A ∈ Mn×n (R). Entonces A es invertible si, y sólo si, ningún valor propio
de A es cero.
DEMOSTRACIÓN. Este resultado es equivalente al Teorema 6.4.
TEOREMA 6.7. Sea A ∈ Mn×n (R) una matriz invertible. Entonces λ es un valor propio de A
si, y sólo si, λ−1 es un valor propio de A−1 . Aún más, x es un vector propio de A asociado a λ
si, y sólo si, x es un vector propio de A−1 asociado a λ−1 .
DEMOSTRACIÓN. Puesto que A es invertible, ninguno de sus valores propios es cero. Luego,
un escalar λ es un valor propio de A y x es un vector propio de A asociado a λ, Ax = λx,
A−1 Ax = A−1 λx, A−1 x = λ−1 x si, y sólo si, λ−1 es un valor propio de A−1 y x es un vector propio
de A−1 asociado a λ−1 .
6.4. Producto de matrices y Valores Propios

TEOREMA 6.8. Sean A, B ∈ Mn×n (R). Entonces σ(AB) = σ(BA).
DEMOSTRACIÓN. Ejercicio.
6.5. Localización de Valores Propios

Existen muchos teoremas que dan información acerca de la localización en el plano complejo de
los valores propios de una matriz. El más famoso de ellos es el Teorema de Gershgorin, el cual
constituye el centro de esta pequeña sección.
DEFINICIÓN 6.4. Sea A ∈ Mn×n (R). El radio espectral de A es el número real no negativo
rad(A) = máx{|λj | : λ ∈ σ(A)}.
|λj | significa módulo de λ si λ es complejo o valor absoluto de λ si λ es real.
El radio espectral de una matriz A ∈ Mn×n (R) es justamente el radio del disco cerrado más
pequeño centrado en el origen del plano complejo que contiene a todos los valores propios de A.
DEFINICIÓN 6.5. Sea A ∈ Mn×n (R). Los n discos de Gershgorin de A son:
Dp = {z escalar : |z − app | ≤ Rp (A)} p = 1, ..., n.
Donde
Rp (A) = |ap1 | + · · · + |ap(p−1) | + |ap(p+1) | + · · · + |apn |
La región del plano complejo formada por la unión de esos n discos será llamada región de Ger-
shgorin y denotada por G(A).
TEOREMA 6.9 (De Gershgorin). . Sea A ∈ Mn×n (R). Entonces σ(A) está contenido en
G(A).
R
R
6.6. Cálculo de Valores Propios

TEOREMA 6.10. Sea A ∈ Mn×n (R). Entonces
λ es un valor propio de A si, y sólo si, det(λIn − A) = 0.
DEMOSTRACIÓN. λ valor propio de A si y solo si existe x 6= 0 tal que Ax = λx si y solo si
existe x 6= 0 : (λIn − A)x = 0 si y solo si (λIn − A) es no invertible si y solo si det(λIn − A) = 0.

DEFINICIÓN 6.6 (Polinomio caracterı́stico). Sea A ∈ Mn×n (R). El polinomio caracterı́stico

de A es el polinomio de R[x] dado por
 
x − a11 −a12 · · · −a1n
 −a21 x − a22 · · · −a2n 
 
PA (x) = det(xIn − A) = det  .. .. . . .. .
 . . . . 
−an1 −an2 · · · x − ann
La expresión PA (x) = 0 se llama ecuación caracterı́stica de A.
Según Teorema 6.9,λ es un valor propio de A ∈ Mn×n (R) si, y sólo si, λ es solución de la ecuación
caracterı́stica de A. Esto último equivale a que λ es una raı́z de PA (x).
 
1 2 3
EJEMPLO 6.6. Hallemos el polinomio caracterı́stico y los valores propios de A = 4 5 6.
7 8 9
En efecto,
 
x − 1 −2 −3
PA (x) = det(xI3 − A) = det  −4 x − 5 −6  = x3 − 15x2 − 18x.
−7 −7 x − 9
Una simple inspección visual muestra que λ1 = 0 es una raı́z de PA (x). Con esa información es
fácil probar (con ayuda de la Fórmula General Cuadrática)
que las otras raı́ces de PA (x) son
15 3 √ 15 3 √ 15 3 √ 15 3 √
λ2 = − 33 y λ3 = + 33. Ası́, σ(A) = − 33, + 33 .
2 2 2 2 2 2 2 2
Por lo general, es difı́cil o imposible hallar las raı́ces de PA (x). Sin embargo, si PA (x) tiene coe-
ficientes enteros, algunas veces es útil un resultado de Álgebra elemental que dice: si p(x) es un
polinomio con coeficientes enteros, entonces toda raı́z entera de p(x) divide al término independi-
ente de este.
EJEMPLO 6.7. Hallemos los valores propios de una matriz A que tiene como polinomio carac-
terı́stico a
PA (x) = x3 + 2x2 − 3x − 6.
R
R
Si PA (x) tiene una raı́z entera, esa raı́z debe ser un divisor del término constante. Los divisores
de 6 son: ±1, ±2, ±3, ±6. Si sustituimos x = −2 en PA (x) se obtiene cero. De tal hecho podemos
deducir que −2 es una raı́z de PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la
Fórmula General Cuadrática encontramos que
√ √
PA (x) = (x + 2)(x − 3)(x + 3).
√ √
Luego los valores propios de A son −2, 3 y − 3.
DEFINICIÓN 6.7 (Multiplicidad algebraica). Sea λ es un valor propio de A ∈ Mn×n (R).
El número de veces que se repita λ como raı́z del polinomio caracterı́stico asociado a A PA (x)
es la multiplicidad algebraica del valor propio λ de A y se denota por ma (λ). En otras palabras,
llamamos multiplicidad algebraica del autovalor λ al mayor exponente ma (λ) para el cual el factor
(x − λ)ma (λ) aparece en la factorización de PA (x). Es decir, si PA (x) puede factorizarse como
PA (x) = (x − λ)ma (λ) q(x), entonces q(x) es un polinomio (de grado m − ma (λ)) que no se anula
para λ, q(λ) 6= 0.
EJEMPLO 6.8. La matriz  
1 0 0 0 0
0 −2 0 0 0
 
A= 
1 0 −5 6 0
1 0 −3 4 0
0 0 0 0 2
cuyo polinomio caracterı́stico es
PA (x) = x5 − 7x3 + 2x2 + 12x − 8 = (x + 2)2(x − 1)2(x − 2),
tiene como valores propios λ1 = −2 con multiplicidad algebraica 2, λ2 = 1 con multiplicidad

algebraica 2 y λ3 = 2 con multiplicidad algebraica 1.
TEOREMA 6.11. 1. Sea A ∈ M2×2 (K), el polinomio caracterı́stico de A es el polinomio de
grado dos pA (λ) = λ2 − tr(A)λ + |A|.
2. En el caso de ser A ∈ M3×3 (K), se tiene: pA (λ) = −λ3 + tr(A)λ2 − (a11 + a22 + a33 )λ + |A|.
3. En general, si A ∈ Mn×n (K), el termino de grado n de pA (λ) es (−1)n λn , el de grado n − 1

es (−1)n−1 tr(A)λn−1 y el término independiente es |A|. Es decir, pA (λ) es de la forma
PA (λ) = (−1)n λn + (−1)n−1 tr(A)λn−1 + an−2 λn−2 + · · · + a1 x + |A|.


a11 a12
1. Sea A = ∈ M2×2 (K). Entonces:
a21 a22

a11 − λ a
pA (λ) = |A−λI| = 12 = λ2 −(a11 +a22 )λ+(a11 a22 −a12 a21 ) = λ2 −tr(A)λ+|A|
a21 a22 − λ
R
R
 
a11 a12 a13
2. Sea A = a21 a22 a23  ∈ M3×3 (K). Desarrollando el determinante mediante la regla de
a31 a32 a33
Sarrus, se obtiene:

a11 − λ a a
12 13
pA (λ) = |A − λI| = a21 a22 − λ a23 =
a31 a32 a33 − λ
h i
3 2
−λ + (a11 + a22 + a33 )λ − (a22 a33 − a23 a32 ) + (a11 a33 − a13 a31 ) + (a11 a22 − a12 a21 ) λ+

a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a13 a22 a31 − a12 a21 a33 − a11 a23 a32 =
−λ3 + tr(A)λ2 − (a11 + a22 + a33 )λ + |A|
3. Solo uno de los n! productos del desarrollo del determinante pA (λ) = |A−λI| puede contener
términos en λn o λn−1 , y es precisamente (a11 − λ)(a22 − λ) · · · (ann − λ), ya que en los demás
productos interviene algún aij con i 6= j, luego no interviene aii − λ ni ajj − λ; y, por tanto,
estos n! − 1 productos son polinomios de grado menor o igual que n − 2. Por otra parte, se
tiene que:
(a11 − λ)(a22 − λ) · · · (ann − λ) = (−1)n λn + (−1)n−1 (a11 + a22 + · · · + ann )λn−1 + · · ·
Luego, esta demostrado que el termino de grado n de pA (λ) es (−1)n λn , y el de grado n − 1

es (−1)n−1 tr(A)λn−1 . Además, el termino independiente de pA (λ) es pA (0) = |A − 0I| = |A|.

TEOREMA 6.12. Sean A ∈ Mn×n (R) y λ1 ,...,λn los valores propios de A. Entonces
det(A) = λ1 · · · λn y tr(A) = λ1 + · · · + λn .
TEOREMA 6.13. Sea A ∈ Mn×n (R). Se verifica que:
1. A y AT tienen el mismo polinomio caracteristico, por tanto A y AT tienen los mismos valores
propios con las mismas multiplicidades algebraicas correspondientes.
2. Si λ es valor propio de A, entonces λn es valor propio de An .
3. Si A es invertible y tiene valores propios λ1 , λ2 ,...,λn , entonces los valores propios de A−1
1 1 1
son , ,..., .
λ1 λ2 λn
R
R
DEMOSTRACIÓN.
1. Bastará probar que PA (x) = PAT (x). En efecto,
PA (x) = det(xIn − A) = det((xIn − A)T ) = det(xIn − AT ) = PAT (x).
Ahora bien, el hecho de que A y AT tienen los mismos valores propios es consecuencia
inmediata de que PA (x) = PAT (x).
2. Empleamos el método de inducción completa en la demostración. Para n = 2: Por ser λ un

valor propio de A, existe un vector no nulo x ∈ Rn tal que Ax = λx. Entonces:
A2 x = A(Ax) = A(λx) = λ(λx) = λ2 x
Luego, λ2 es valor propio de A2 . Supongamos cierta la afirmación para n − 1 y probemosla

para n:
An x = A(An−1 x) = A(λn−1 x) = λn−1 (λx) = λn x
Por tanto, λn es valor propio de An .
3. Siguiendo con la misma notación del apartado anterior, se verifica:

1
Ax = λx, A−1 (Ax) = A−1 (λx), x = λ(A−1 x), A−1 x = x
λ
1
Luego, es valor propio de A−1 .
λ
6.7. Cálculo de Vectores Propios

TEOREMA 6.14. 6.13. Sean A ∈ Mn×n (R) y λ un valor propio de A. Entonces x es un vector
propio de A asociado a λ si, y sólo si, x es una solución no trivial del sistema homogéneo de
ecuaciones lineales (λIn − A)y = 0.
DEMOSTRACIÓN. x es solución no trivial del sistema (λIn − A)y = 0, si, y sólo si, x 6= 0 y
(λIn − A)x = 0 si, y sólo si, x 6= 0 y Ax = λx.
Presentamos a continuación algunos ejemplos que ilustran la forma como se pueden hallar valores
propios y vectores propios.

2 −12
EJEMPLO 6.9. Hallemos los valores propios y los espacios propios de la matriz A = .
1 −5
R
R
SOLUCIÓN.- La ecuación caracterı́stica de A es

x − 2 12
det(xIn − A) = det = x2 + 3x + 2 = (x + 1)(x + 2) = 0,
−1 x + 5
de donde se obtiene que λ1 = −1 y λ2 = −2 son los valores propios de A. Para determinar

los vectores propios correspondientes se resuelven los sistemas homogéneos (λ1 I2 − A)x = 0 y
(λ2 I2 − A)x = 0:
Para λ1 = −1, la matriz de coeficientes es

−1 − 2 12 −3 12
(−1)I2 − A = = ,
−1 −1 + 5 −1 4

1 −4
que se reduce por filas a . Por consiguiente, x1 − 4x2 = 0. Se concluye que todo vector
0 0
propio de A asociado a λ1 = −1 es de la forma

x1 4x2 4
x= = = x2 , x2 6= 0.
x2 x2 1

4
Luego EA (λ1 ) = gen .
1
Para λ2 = −2, la matriz de coeficientes es

−2 − 2 12 −4 12
(−2)I2 − A = = ,
−1 −2 + 5 −1 3

1 −3
que se reduce por filas a . Por consiguiente, x1 − 3x2 = 0. Luego todo vector propio de
0 0
A asociado a λ1 = −2 es de la forma

x1 3x2 3
x= = = x2 , x2 6= 0.
x2 x2 1

3
Luego EA (λ2 ) = gen .
1
Después de lo anteriormente visto podemos concluir que para determinar los valores y vectores
caracterı́sticos seguimos estos pasos. Sea A una matriz n × n
Forme la ecuación caracterı́stica |λI − A| = 0. Sera una ecuación polinomial de grado n en

la variable λ.
Determine las raı́ces reales de la ecuación caracterı́stica. Estas son los valores caracterı́sticos
de A.
R
R
Para todo valor caracterı́stico de λi , determine los vectores caracterı́sticos correspondientes

a λi , al resolver el sistema homogéneo (λi I − A) = 0. Para llevar a cabo lo anterior se
requiere reducir por renglones una matriz n × n. La forma resultante escalonada reducida
debe contener por lo menos un renglón de ceros.
 
2 1 2
EJEMPLO 6.10. Hallemos los valores propios y los espacios propios de la matriz A = 0 2 0 .
0 0 2

 
x−2 1 2
det(xI3 − A) =  0 x−2 0  = (x − 2)3 = 0.
0 0 x−2
Por tanto, λ1 = 2 es el único valor propio de A. Ahora,
 
0 −1 0
2I3 − A = 0 0 0
0 0 0
implica que en la solución del sistema homogéneo (2I3 − A)x = 0 tiene que x2 = 0 y las variables
x1 , x3 están linealmente independientes. Luego todo vector propio de A asociado a λ1 = 2 es de
la forma        
x1 x1 1 0
x = x2  =  0  = x1 0 + x3 0 .
x3 x3 0 1
   
 1 0 
Luego EA (λ1 ) = gen  0 , 0 .
 
 
0 1
EJEMPLO 6.11. Hallemos los valores propios y los espacios propios de la matriz
 
1 0 0 0
0 1 5 −10
A= 1 0
.
2 0 
1 0 0 3

 
x−1 0 0 0
 0 x − 1 −5 10 
det(xI4 − A) = det   −1

0 x−2 0 
−1 0 0 x−3
= (x − 1)2 (x − 2)(x − 3) = 0
R
R
Ası́ los valores propios de A son λ1 = 1, λ2 = 2 y λ3 = 3. Una base para el espacio propio de
λ1 = 1 se encuentra como sigue:
 
0 0 0 0
 0 0 −5 10 
(1)I3 − A = 
−1 0 −1 0 

−1 0 0 −2
y se reduce a la matriz  
1 0 0 2
0 0 1 −2
 
0 0 0 0
0 0 0 0
Lo cual implica que x1 + 2x4 = 0, x3 − 2x4 = 0 y x2 está linealmente independiente. Ası́, todo
vector propio de A asociado a λ1 = 1 es de la forma
       
x1 −2x4 0 −2
x2   x2  1 0
x=       
x3  =  2x4  == x2 0 + x4  2  .
x4 x4 0 1
   

 0 −2 
    
1  ,  0  . Para λ2 = 2 y λ3 = 3, se sigue el mismo patrón para
Luego EA (λ1 ) = gen  0  2 

 
 
0
  1  

 0   0 
   
  
 5 −5
obtener EA (λ2 ) = gen   y que EA (λ3 ) = gen  

 1  
 0  
   
0 1

2 3
EJEMPLO 6.12. Encontrar los valores propios y vectores propios de A =
3 −6
SOLUCIÓN.- Empecemos formando su polinomio caracterı́stico para encontrar los valores pro-
pios. Son las soluciones de det(A−λI) = (2−λ)(−6−λ)−9 = 0. Es un polinomio de grado dos que
tiene dos soluciones. Luego hay dos valores propios λ1 = 3 y λ2 = −7. Para encontrar los vectores
propios asociados a cada valor propio tenemos que buscar los vectores tales que (A − λI)x = 0.
Es decir, buscamos x ∈ N(A − λI) para cada uno de los valores propios que hemos encontrado.
Para λ1 = 3:

−1 3 −1 3 3
A − 3I = ∼ , V (3) = gen .
3 −9 0 0 1
Para λ2 = −7:
R
R

9 3 9 3 −1
A + 7I = ∼ , V (−7) = gen .
3 1 0 0 3
EJEMPLO
6.13. Determine los valores y los vectores propios correspondiente a la matriz A =
1 2
2 1
SOLUCIÓN.-

1 2 1 0
PA (λ) = det(A − λI) = det −λ
2 1 0 1

1 2 λ 0 1−λ 2
= det − = det
2 1 0 λ 2 1−λ
= (1 − λ)2 − 4 = λ2 − 2λ − 3 = (λ − 3)(λ + 1)
Por tanto, los únicos valores propios de A son λ1 = 3 y λ2 = −1.

Vector propio para λ1 = 3. Debe ser solución al sistema homogéneo: (A − λI2 )x = 0. Es decir:

1 2 1 0
−3 x=0
2 1 0 1
Desarrollando y finalmente aplicando Gauss-Jordan:

1−3 2 x 0 −2 2 0 1 −1 0
= , ≡
2 1−3 y 0 2 −2 0 0 0 0
Convirtiendo en ecuación y poniendo en la notación vectorial:

x 1
x − y = 0, x = y, =y
y 1

1
Lo anterior indica que cualquier vector de la forma: y es un vector propio asociado a λ1 = 3;
1
1
nosotros nos conformaremos con uno: digamos el que se obtiene para y = 1: .
1
Vector propio para λ2 = −1. Debe ser solución al sistema homogéneo: (A − λI2 )x = 0. Es decir:

1 2 1 0
− (−1) x=0
2 1 0 1

1+1 2 x 0 2 2 0 1 1 0
= , ≡
2 1+1 y 0 2 2 0 0 0 0
R
R

x −1
x + y = 0, x = −y, =y
y 1

−1
Lo anterior indica que cualquier vector de la forma: y es un vector propio asociado a
1
−1
λ2 = −1; nosotros nos conformaremos con uno: digamos el que se obtiene para y = 1:
1
EJEMPLO
1 1
0 1
SOLUCIÓN.-

1 1 1 0
PA (λ) = det(A − λI) = det −λ
0 1 0 1

1 1 λ 0 1−λ 1
= det − = det
0 1 0 λ 0 1−λ
= (1 − λ)2
Por tanto, el único valor propio de A es λ1 = 1.

Vector propio para λ1 = 1. Debe ser solución al sistema homogéneo: (A − λI2 )x = 0. Es decir:

1 1 1 0
−1 x=0
0 1 0 1

1−1 1 x 0 0 1 0 0 1 0
= , ≡
0 1−1 y 0 0 0 0 0 0 0

x 1
y = 0, =x
y 0

1
Lo anterior indica que cualquier vector de la forma: x es un vector propio asociado a λ1 = 1;
0
1
nosotros nos conformaremos con uno: digamos el que se obtiene para x = 1: .
0
R
R
EJEMPLO
1 2
−1 2
SOLUCIÓN.-

1 2 λ 0 1−λ 2
PA (λ) = det − = det
−1 2 0 λ −1 1 − λ
El polinomio caracterı́stico queda: PA (t) = t2 −3t+ 4. Como este polinomio tiene raı́ces complejas,
A no tiene valores ni vectores propios.
 
2 1 1
EJEMPLO 6.16. Determina los valores propios y vectores propios de la matriz A = 2 3 2
3 3 4
SOLUCIÓN.- Los valores propios son las raices del polinomio caracterı́stico, que es
      
1 0 0 2 1 1 λ − 2 −1 −1
f (λ) = det (λI − A) = det λ 0 1 0 − 2 3 2 = det  −2 λ − 3 −2 
0 0 1 3 3 4 −3 −3 λ − 4
= 15λ − 9λ2 + λ3 − 7 = λ3 − 9λ2 + 15λ − 7 = (λ − 7) (λ − 1)2
f (λ) = (λ − 7) (λ − 1)2
Por tanto, los valores propios son: λ1 = 7 y λ2 = λ3 = 1. Ası́, el valor propio 1, tiene multiplicidad
2.
Para calcular el vector propio, correspondiente al valor propio 7, debemos resolver el sistema de
ecuaciones
            
2 1 1 x x 2x + y + z x −5x + y + z 0
2 3 2 y  = 7 y  , 2x + 3y + 2z  − 7 y  = 2x − 4y + 2z  = 0
3 3 4 z z 3x + 3y + 4z z 3x + 3y − 3z 0
Multiplicando la primer ecuación por 4, y sumandola a la segunda, obtenemos −18x + 6z = 0

ası́ que z = 3x
Multiplicando la primera por 3, y sumandola a la tercera, obtenemos −12x+6y = 0 ası́ que y = 2x
Por tanto, los vectores propios son t (1, 2, 3) con t 6= 0
Para calcular los vectores propios, correspondientes al valor propio 1, debemos resolver el sistema
de ecuaciones
R
R
            
2 1 1 x x 2x + y + z x x+y+z 0
2 3 2 y  = y  , 2x + 3y + 2z  − y  = 2x + 2y + 2z  = 0
3 3 4 z z 3x + 3y + 4z z 3x + 3y + 3z 0
Es claro que tenemos una sola ecuación, x + y + z = 0.

Poniendo a x y y como parámetros y denotandolos respectivamente como s y t, tenemos z = −s−t.
Por tanto, los vectores correspondientes al valor propio 1 son
(s, t, −s − t) = s (1, 0, −1) + t (0, 1, −1)
donde s 6= 0 ó t 6= 0. Resumen:
Valor propio λ Vectores propios Dim E (λ)
7 t (1, 2, 3) con t 6= 0 1
1,1 s (1, 0, −1) + t (0, 1, −1), s ó t 6= 0 2
6.8. Independencia lineal y vectores propios

TEOREMA 6.15. Si los vectores v1 , v2 ,..., vk son vectores propios asociados a valores propios
diferentes entonces el conjunto formado por ellos {v1 , v2 , ..., vk } es linealmente independiente.
DEMOSTRACIÓN. Llamemos λi al valor propio al cual está asociado el vector vi. Supongamos
que el conjunto de vectores es linealmente dependiente. Puesto que ningún vector propio puede
ser el vector cero , de esta suposición deducimos entonces que un vector vi debe ser combinación
lineal de los anteriores. Escojamos aquél que tiene el menor ı́ndice posible, digamos j , ası́: vj es
combinación lineal de los vectores v1 ,. . . ,vj−1 y ningún vector vi es combinación lineal de los
anteriores para i = 2, 3, ..., j − 1. Tenemos
vj = c1 v1 + c2 v2 + · · · + cj−1 vj−1
Multiplicando por A, y utilizando que cada v es vector propio, obtenemos
λj vj = c1 λ1 v1 + c2 λ2 v2 + · · · + cj−1λj−1 vj−1
Si multiplicamos la primera de estas ecuaciones por λj y se la restamos a la segunda obtenemos:
0 = c1 (λ1 − λj )v1 + c2 (λ2 − λj )v2 + · · · + cj−1 (λj−1 − λj )vj−1
Como el conjunto formado por los vectores v1 , v2 ,..., vj−1 es linealmente independiente, al no ser un
vector combinación de los restantes , se deduce que todos los coeficientes de esta última ecuación
deben ser cero: ci (λi − λj )vi = 0 para i = 1, ..., j − 1 Como los valores propios son diferentes entre
si: λi − λj 6= 0. Ası́ son los ci = 0 para i = 1, ..., j − 1. Ası́ la fórmula inicial de este teorema queda:
vj = 0v1 + · · · + 0vj−1 = 0
R
R
Pero esto es imposible pues ningún vector propio es el vector cero. Esta contradicción afirma que
el conjunto formado por los vectores es linealmente independiente.
TEOREMA 6.16. Sean λ1 ,...,λr valores propios distintos de A ∈ Mn×n (R). Si para cada i ∈
{1, ..., r} Si es un conjunto linealmente independiente de vectores propios de A asociados a λi ,
entonces S = S1 ∪ · · · ∪ Sr es todavı́a un conjunto linealmente independiente.
TEOREMA 6.17. Sea A ∈ Mn×n (R) y λi un valor propio de A. Entonces
1 ≤ multiplicidad geométrica de λi = mg (A) ≤ ma (A) = multiplicidad algebraica de λi .

Observación.
Si λ es raı́z simple entonces existe a lo mas un vector propio.

Si λ es raı́z doble entonces existen 1 o 2 vectores propios.
6.9. Valores propios de algunas matrices especiales

TEOREMA 6.18. Los valores propios de una matriz simétrica son reales.
TEOREMA 6.19. Sean U ∈ Mn×n (R) ortogonal y λ es un valor propio de U. Entonces |λ| = 1.
DEMOSTRACIÓN. Sea x un vector propio de U asociado al valor propio λ, entonces
kxk2 = kUxk2 = kλxk2 = |λ|kxk2
Luego |λ| = 1.
TEOREMA 6.20. Sea U ∈ Mn×n (R) ortogonal. Entonces | det(U)| = 1.

DEMOSTRACIÓN. Si λ1 ,...,λn son los valores propios de U (algunos λi pueden ser iguales),
entonces por Teorema 6.11,det(U) = λ1 · · · λn y como |λi | = 1 para i = 1, ..., n, entonces
| det(U)| = |λ1 · · · λn | = |λ1 | · · · |λn | = 1 · · · 1 = 1.

TEOREMA 6.21. Sea A ∈ Mn×n (R) es tal que AAT = AT A, entonces para todo valor propio λ
de A, se tiene que EA (λ) = EAT (λ).
TEOREMA 6.22. Sean A ∈ Mn×n (R) es tal que AAT = AT A y λi , λj valores propios distintos
de A. Entonces EA (λi )⊥EA (λj ).
R
R
6.10. Semejanza de Matrices
DEFINICIÓN 6.8. Sean A, B ∈ Mn×n (R). Decimos que A es semejante a B, si existe P ∈

Mn×n (R) invertible tal que A = P −1 BP .
TEOREMA 6.23 (Lema de Schur). Toda matriz A ∈ Mn×n (R) es semejante a una matriz
triangular superior.
TEOREMA 6.24. Sean A, B ∈ Mn×n (R). Si A y B son semejantes, entonces A y B tienen

el mismo polinomio caracterı́stico, y por consiguiente los mismos valores propios con las mismas
multiplicicades algebraicas respectivas, el mismo determinante y la misma traza.
DEMOSTRACIÓN. Como A y B son semejantes, existe P ∈ Mn×n (R) invertible tal que A =
P −1 BP , luego
PA (x) = det(xIn − A) = det(xIn − P −1 BP )

= det(P −1 xIn P − P −1BP ) = det(P −1(xIn − B)P )
= det(P −1 ) det(xIn − B) det(P ) = det(xIn − B) = PB (x).
Por ser PA (x) = PB (x), ambos polinomios tienen iguales todos sus términos. En particular, tienen
iguales los términos independientes. Es decir, |A| = |B|.
Análogamente, igualando los términos de grado n − 1 de los polinomios PA (x) y PB (x), se obtiene
que tr(A) = tr(B).
Observación.- El recı́proco de la proposición anterior no es cierto; es decir, dos matrices A y A′

pueden tener el mismo polinomio caracterı́stico sin ser semejantes. Esto ocurre, por ejemplo, con
las matrices:
0 0 ′ 0 1
A= , A =
0 0 0 0

−λ 0 −λ 1
En efecto: PA (λ) = = λ y, también PA′ (λ) =
2 2
0 −λ = λ . A es diagonalizable
0 −λ
(es semejante a si misma que es diagonal). En cambio, A′ no es diagonalizable ya que dimV0 =
1 6= 2 =orden de multiplicidad de λ = 0 como raı́z de PA′ (λ). Demostremos que efectivamente
V0 esta
por un único vector u = (1, 0). Un vector u = (x, y) ∈D V0 siEy solo si
engendrado
0 1 x 0
= . Es decir, si y solo si y = 0. Luego, V0 = {(x, 0) : x ∈ R} = (1, 0) .
0 0 y 0
TEOREMA 6.25. Sean A, B ∈ Mn×n (R) semejantes con A = P −1 BP . Entonces para todo
λ ∈ σ(A) se tiene que EB (λ) = {P x : x ∈ EA (λ)}.
R
R
TEOREMA 6.26. Sean A, B ∈ Mn×n (R) semejantes, entonces para todo λ ∈ σ(A) se tiene que
dim(EA (λ)) = dim(EB (λ)).
6.11. Matrices diagonalizables

A la matriz diagonal de orden n cuyos elementos de la diagonal principal son λ1 , λ2 ,..., λn la
denotaremos por  
λ1 0 ... 0
 0 λ2 . . . 0 
 
diag(λ1 , λ2 , ..., λn ) =  .. .. . . . 
 . . . .. 
0 0 . . . λn
Los valores propios de diag(λ1 , λ2 , ..., λn ) son λ1 , λ2 ,..., λn .

DEFINICIÓN 6.9 (Diagonalizable). Una matriz A ∈ Mn×n (R) es diagonalizable si es seme-
jante a una matriz diagonal. Es decir, una matriz cuadrada A es diagonalizable si existen matrices
D digonal y P invertible tales que: A = P DP −1
 
3 −1 0
EJEMPLO 6.17. La matriz A = −1 2 −1 es diagonalizable, ya que la matriz P =
0 −1 3
 
1 1 1
2 0 −1 es invertible y
1 −1 1
   
1/6 2/6 1/6 3 −1 0 1 1 1
P −1 AP = 3/6 0/6 −3/6 −1 2 −1 2 0 −1 = diag(1, 3, 4).
2/6 −2/6 2/6 0 −1 3 1 −1 1
LEMA 6.1. Sea A ∈ Mn×n (R) diagonalizable, con A = P DP −1, D = diag(λ1 , λ2 , ..., λn ), entonces
los valores propios de A son λ1 , λ2 ,..., λn .
TEOREMA 6.27. Sea A ∈ Mn×n (R) y sean λ1 , λ2 ,...,λr ∈ R los autovalores de A de multipli-
cidades algebraicas ma (λ1 ), ma (λ2 ),...,ma (λr ). Entonces A es diagonalizable si y sólo si:
i) ma (λ1 ) + ma (λ2 ) + · · · + ma (λr ) = n (todas las raı́ces de pA (λ) son reales).
ii) Para cada autovalor λi se tiene que mg (λi ) = ma (λi ).

TEOREMA 6.28. Sea A ∈ Mn×n (R).

R
R
i) Si A tiene n valores propios distintos, entonces A es diagonalizable.
ii) Si A es diagonalizable con autovalores λ1 , λ2 ,...,λr , entonces se tiene la suma directa Rn =

T P
EA (λ1 ) ⊕ · · · ⊕ EA (λr ) y EA (λi ) j6=i EA (λj ) para todo i ∈ {1, ..., r}.
Algoritmo para diagonalizar una matriz A
① Calculo de los valores propios de la matriz A: λ1 , λ2 ,...,λp comprobando si todos pertenecen

al cuerpo K.
② Obtención de la dimension de los subespacios propios asociados a los valores propios con
ordenes de multiplicidad mayor que uno, observando si coinciden las dimensiones con los
ordenes de multiplicidad respectivos.
③ Determinación de sendas bases B1 , B2 ,...,Bp para los subespacios propios V1 , V2 ,...,Vp .
④ Construcción de la base de autovectores: B = B1 ∪ B2 ∪ · · · ∪ Bp .
⑤ La matriz P que tiene por columnas a los vectores de B, permite la diagonalización de A:

D = P −1AP . La matriz diagonal D tiene en la diagonal principal a los valores propios, en el
mismo orden que sus vectores propios correspondientes en la base B y repitiendose pj veces
cada λj , j = 1, ..., p
EJEMPLO 6.18. Diagonalizar, si es posible, la siguiente matriz

 
1 3 3
A = −3 −5 −3
3 3 1
SOLUCIÓN.- El algoritmo sigue los siguientes pasos:

Paso I: Encontrar los valores propios de A.
Resolvemos la ecuación caracterı́stica, det(A − λI) = 0. Esta ecuación contiene un polinomio de
grado n en λ.
El determinante de (A − λI) es en este ejemplo
 
1−λ 3 3
det  −3 −5 − λ −3  = −(λ − 1)(λ + 2)2
3 3 1−λ
y por tanto tenemos como valores propios λ = 1 y λ = −2 (doble).

¡CUIDADO! Si hay n autovalores distintos la matriz es diagonalizable. En caso contrario (como
en el ejemplo) no podemos afirmar si es diagonalizable o no.
R
R
Paso II: Encontrar los vectores propios asociados a los valores propios.
Este es el paso crı́tico. Necesitamos n vectores propios linealmente independientes para que la
matriz sea diagonalizable. Para encontrar los vectores propios tenemos que encontrar una base
de N(A − λI) para cada uno de los valores propios. Los vectores que formen esas bases serán
los vectores propios asociados a A. Cada valor propio tiene como máximo tantos vectores propios
asociados como multiplicidad tenga como raı́z de la ecuación caracterı́stica.
En nuestro caso, A será diagonalizable si tiene tres vectores propios linealmente independientes.
λ = 1: Calculamos una base para N(A − I):

     
0 3 3 −3 −6 −3 1 2 1
(A − I) = −3 −6 −3 ∼  0 3 3  ∼ 0 1 1
3 3 0 0 −3 −3 0 0 0


1
Por tanto la dimensión de N(A − I) es 1 y una base para este espacio es v1 = −1.
1
λ = −2: Calculamos una base para N(A + 2I):
   
3 3 3 1 1 1
(A + 2I) = −3 −3 −3 ∼ 0 0 0
3 3 3 0 0 0
La dimensión de N(A + 2I) es 2 (hay dos variables linealmente independientes) y una base
para este espacio es    
−1 −1
v2 =  1  , v3 =  0  .
0 1
Hay tres vectores propios linealmente independientes entonces la matriz A es diagonalizable

Paso III: Escribir A = P DP −1.
La matriz D es diagonal, tiene los valores propios colocados en la diagonal y 0 en el resto. Cada
valor propio aparece tantas veces como sea su multiplicidad. El orden en que se colocan los valores
propios no importa, determina el orden en el que hay que colocar los vectores propios en P . La
columna en la que esté situado un valor propio en D tiene que corresponder a la columna en la
que esté el vector propio asociado en P .
Formamos las matrices D y P con los datos del ejemplo:
   
1 0 0 1 −1 −1
D = 0 −2 0  , P = (v1 |v2 |v3 ) = −1 1 0 .
0 0 −2 1 0 1
Conviene comprobar que A = P DP −1 (si las cuentas están bien hechas, P tiene columnas lineal-
mente independientes y por tanto es invertible).
R
R

1 0
EJEMPLO 6.19. El polinomio caracteristico de la matriz A = , es
1 1
pA (λ) = (1 − λ)2
Los valores propios de A son, por tanto, las raı́ces de este polinomio: (1 − λ)2 = 0, ası́ λ = 1 es
una raı́z doble. Los vectores propios de A son las soluciones no triviales del sistema homogéneo:

0 0 x 0
(A − I)v = 0, = , x=0
1 0 y 0
Consecuentemente, los vectores propios de A son los vectores de la forma (0, y) para cualquier
escalar no nulo y ∈ R.
Ahora bien, puesto que A posee un único valor propio λ = 1 que es raı́z doble de su polinomio
caracterı́stico, es decir, su orden de multiplicidad es 2. El subespacio propio asociado es V1 =
{(0, y) : y ∈ R}, verificándose, por tanto que dimV1 = 1 6= 2. Al no coincidir la dimension de
V1 con el orden de multiplicidad de λ = 1 como raı́z del polinomio caracterı́stico, concluimos,
mediante este procedimiento, que A no es diagonalizable.

 
7 0 0
EJEMPLO 6.20. Sea la matriz A = 0 −2 4.
0 6 0
SOLUCIÓN.- Sus valores propios son las raı́ces de su polinomio caracterı́stico:

7−λ 0 0

pA (λ) = |A − λI| = 0 −2 − λ 4 = (λ − 7)(λ + 6)(4 − λ) = 0,
0 6 −λ
λ1 = 7, λ2 = −6, λ3 = 4
A es diagonalizable por poseer tres valores propios reales y distintos entre si. Los vectores propios
asociados a λ1 = 7 son las soluciones no triviales del sistema homogéneo:
     
0 0 0 x 0  x = α
0 −9 4  y  = 0 , −9y + 4z = 0
(A − 7I)v = 0, , y = 0
6y − 7z = 0 
0 6 −7 z 0 z = 0
D E
Luego, V7 = {(α, 0, 0) : α ∈ R} = u1 = (1, 0, 0) . Observemos que dimV7 = 1, como ya
esperábamos por ser λ1 = 7 un valor propio simple de A.
Procedemos de igual modo para el calculo de los vectores propios asociados a λ2 = −6:
     
13 0 0 x 0  x = 0
0 4 13x = 0
(A + 6I)v = 0, 4 y  = 0 , , y = β
y+z = 0 
0 6 6 z 0 z = −β
R
R
D E
Por tanto, V−6 = {(0, β, −β) : β ∈ R} = u2 = (0, 1, −1) , también de dimension uno.
D E
De manera análoga se obtiene que V4 = {(0, 2γ, 3γ) : γ ∈ R} = u3 = (0, 2, 3) .
 
7 0 0
La matriz A es, en consecuencia, semejante a la matriz diagonal D = 0 −6 0, y la relación
0 0 4
−1
entre ambas matrices es: D = P AP siendo P la matriz que permite la diagonalización y que
tiene porcolumnas 
a sendos vectores propios asociados a cada uno de los tres valores propios de
1 0 0
A: P = 0 1 2.
0 −1 3
Si hiciéramos la interpretación de A como la matriz asociada al endomorfismo T de R3 tal que
T (x) = Ax, ∀x ∈ R3 , de los cálculos anteriores deducirı́amos que T es una transformación lineal
diagonalizable y que D = [T ]B , siendo B la base de R3 formada por vectores propios de T :
n o
B = u1 = (1, 0, 0), u2 = (0, 1, −1), u3 = (0, 2, 3)

 
7 0 0
EJEMPLO 6.21. Sea la matriz A = 0 −2 4.
0 6 0
SOLUCIÓN.- Sus valores propios son las raı́ces de su polinomio caracterı́stico:

1−λ 2 3

pA (λ) = |A − λI| = 1 2−λ 3 = λ2 (6 − λ) = 0, λ1 = 6, λ2 = 0, raı́z doble
1 2 3−λ
Los vectores propios asociados al valor propio λ2 = 0, son las soluciones no triviales del sistema
homogéneo:
     
1 2 3 x 0  x = −2α − 3β
(A − 0I)v = 0, 1 2 3 y  = 0 , x + 2y + 3z = 0 , y = α

1 2 3 z 0 z = β
D E
Luego, V0 = {(−2α − 3β, α, β) : α, β ∈ R} = v2 = (−2, 1, 0), v3 = (−3, 0, 1) .
Como dimV0 = 2 =orden de multiplicidad del valor propio 0 como raı́z del polinomio caracterı́stico,
deducimos que A es una matriz diagonalizable.
 
6 0 0
La matriz A es semejante a la matriz D = 0 0 0. Para obtener la relación existente entre
0 0 0
ambas matrices A y D, necesitamos calcular el subespacio propio asociado al valor propio λ1 = 6,
cuya dimension conocemos (dimV6 = 1) por ser 6 una raı́z simple de pA (λ).
R
R
Los vectores propios asociados al valor propio λ1 = 6, son las soluciones no triviales del sistema
homogéneo:
     
−5 2 3 x 0  x = γ
      x − 4y + 3z = 0
(A − 6I)v = 0, 1 −4 3 y = 0 , , y = γ
x + 2y − 3z = 0 
1 2 −3 z 0 z = γ
D E
Luego, V6 = {(γ, γ, γ) : γ ∈ R} = v1 = (1, 1, 1) .
Con una
n notación similar
o a la utilizada en la teorı́a
n que sustenta este ejemplo,ouna base de V6 es
B1 = v1 = (1, 0, 0) y una base de V0 es B2 = u2 = (−2, 1, 0), v3 = (−3, 0, 1) . Ası́, una base de
vectores propios de R3 (cuya existencia es condición necesaria y suficiente para la diagonalización
de la matriz A) es:
n o
B = B1 ∪ B2 = v1 = (1, 0, 0), u2 = (−2, 1, 0), v3 = (−3, 0, 1)
−1
Ya puede escribirse la relación
 entre las
 matrices A y D: D = P AP siendo la matriz que permite
1 −2 −3

la diagonalización P = 1 1 0 .
1 0 1
EJEMPLO 6.22. Demostrar que la matriz

 
1 1 ··· 1
 1 1 ··· 1 
 
A= .... .. .. 
 . . . . 
1 1 ··· 1
es diagonalizable.
SOLUCIÓN.- Vamos a demostrar que los únicos valores propios de A son n y 0, además veremos
que dim (E (n)) = 1 y que dim (E (0)) = n − 1. El resultado es entonces consecuencia del Teoream
.
Nótese que en efecto A (1, ..., 1)T = n. (1, ..., 1)T . Además, sea (x1 , ..., xn )T ∈ E (n), entonces
A (x1 , ..., xn )T = n. (x1 , ..., xn )T , es decir, x1 + · · · + xn = nx1 , ..., x1 + · · · + xn = nxn , o sea que,
nx1 = · · · = nxn , lo cual implica que x1 = · · · = xn , es decir, (x1 , ..., xn )T es múltiplo de (1, ..., 1)T .
Veamos ahora los vectores propios de 0: nótese que 0 es valor propio con vector propio (0, 0...., −1, 1)T .
Sea (x1 , ..., xn )T ∈ E (0), entonces A (x1 , ..., xn )T = 0, es decir, se obtiene la única ecuación
x1 + · · · + xn = 0, la cual evidentemente se satisface por todas las n-plas de la forma
(x1 , ..., xn−1 , −x1 − x2 − · · · − xn−1 )T .
La dimensión de este espacio es claramente n − 1.
R
R
TEOREMA 6.29. Sea A ∈ Mn×n (R) con valores propios λ1 , λ2 ,...,λn , entonces los valores
propios de Ak son λk1 , λk2 ,...,λkn . Cada vector propio de A sigue siendo vector propio de Ak , y si P
diagonaliza a A, entonces P también diagonaliza a Ak .
DEMOSTRACIÓN. Supongamos que A es una matriz diagonalizable semejante a la matriz
diagonal D = P −1 AP , para una cierta matriz inversible P , entonces debemos demostrar que:
Ak = P D k P −1 para cualquier numero natural k.
Utilizamos el método de inducción completa en la demostración. Para k = 2:
A2 = (P DP −1)(P DP −1) = P D 2 P −1 .
Supongamos la igualdad cierta para k − 1 y probemosla para k:
Ak = AAk−1 = (P DP −1)(P D k−1P −1 ) = P D k P −1.
Si A es inversible, entonces λ = 0 no es valor propio de A, por consiguiente existe D −1 y sera

−1
A−1 = P DP −1 = P D −1 P −1
De nuevo por inducción se demostrarı́a para cualquier numero entero k.
Observación Para obtener D k simplemente se elevan los elementos de la diagonal principal de D

a la k-ésima potencia y entonces, utilizando la proposición anterior, es fácil y rápido calcular Ak
a partir de P y D.
 
1 2 3
EJEMPLO 6.23. Calcular A5 , siendo A = 1 2 3
1 2 3
SOLUCIÓN.- Según se demostró en el ejemplo 3.13, A es diagonalizable y se verifica que D =

P −1 AP para    
6 0 0 1 −2 −3

D= 0 0 0 , P = 1 1 0
0 0 0 1 0 1
Entonces,
 1  
1 1  4 6
5
65
6
  5  6 3 2   3 2
1 −2 −3 6 0 0   



 1 2 
1   4 65 65 
A5 = P D 5 P −1 
= 1 1 0   0 0 0 −
 6 3 − =6 .
 2   3 2
1 0 1 0 0 0    
1 1 1  5
65 
− − 4 6
6 3 2 6
3 2

R
R
6.12. Valores y Vectores Propios de una Transformación

El texto lamentablemente solo habla de valores propios de una matriz y de su uso para obtener
matrices similares en forma diagonal. El concepto de valor y vector propio es mas profundo que esto
y nosotros veremos desde otra perspectiva lo que esta presentado en su libro. Primero definiremos
que es un valor y vector propio de una transformación y luego lo restringiremos a matrices. Luego
veremos que significa diagonalizar y finalmente algunas aplicaciones importantes de este tema.
DEFINICIÓN 6.10. Sea T : V → V, una transformación lineal, si existe un valor λ y un
elemento v ∈ V, v 6= 0 de forma que
T v = λv
se dice que λ es valor propio de T y que v es el vector propio correspondiente.
Observacion: v = 0 siempre es solución de T v = λv, pero vamos a buscar otras soluciones no

triviales.
EJEMPLO 6.24. Para la transformación lineal T : R2 → R2 definida por T (x, y) = (2x, 3y),
a = 2 es un valor propio con vector propio (6, 0); a = 3 es también un valor propio de T con vector
propio (0, −2).

DEFINICIÓN 6.11. Sea T : V → V una transformación lineal y a ∈ K , el conjunto E(a) =
{v ∈ V | T (v) = a . v} es un subespacio de V ; nótese que E(a) 6= 0 si y sólo si a es un valor
propio de T , en tal caso E(a) se denomina el espacio propio de T correspondiente al valor propio
a.
EJEMPLO 6.25. Existen transformaciones lineales sin valores propios, es decir, E(a) = 0 , para
cada a ∈ K. En efecto, la transformación T : R2 → R2 definida por T (x, y) = (y, −x) no tiene
valores propios.

EJEMPLO 6.26. Sea D : C 1 → C 0 la operación derivada sobre el conjunto de funciones difer-
enciables, encontramos los valores propios escribiendo la ecuación correspondiente
Df = λf
Esta es una ecuación diferencial que podemos resolver por variables separables:y ′ = λy, Exact
solution is : y (x) = eλx C1
y ′ = λy
y (x) = eλx C1
Aqui vemos que λ puede ser cualquier valor real y que f el valor propio correspondiente debe ser
de la forma f (x) = eλx C1 . Observamos que la derivada tiene un numero infinito de valores propios
y que para cada valor propio hay un numero infinito de vectores propios asociados. Sin embargo
la dimension del espacio de vectores propios asociados con el valor propio λ, es Eλ = {f /f (x) =
eλx C1 } tiene dimension 1.
R
R

Ahora vamos a suponer que la dimension del espacio V es finita:
El problema de encontrar valores propios se puede plantear de la siguiente manera:
T v = λv
T v − λv = 0
Si A es la matriz que representa a T entonces podemos reescribir esta ultima igualdad como:
Av − λv = 0
(A − λi )v = 0
Esto es un sistema de ecuaciones homogeneo, el cual siempre tiene como solución trivial v = 0.
Esta solución no nos interesa. Para que un sistema no homogeneo tenga una solución no trivial
(es decir la solución no sea unica) debe suceder que:
det(A − λi ) = 0
Esta ultima igualdad resulta en un polinomio de grado n donde n es el orden de la matriz. Por
tanto poderemos encontrar n raices complejas de este polinomio. A este polinomio se le llama
polinomio carateristico. En conclusion si V tiene dimension finita, T tiene una matriz A que le
representa, para encontrar los valores propios de T resolvemos el polinomio carateristico asociado
a A.
No entendieron nada? Miren el siguiente ejemplo antes de gritar auxilio o tirar la computadora
por la ventana.
EJEMPLO 6.27. Sea T : R2 → R2 , tal que T (x, y) = (x + 2y, x) , para encontrar los valores
propios de T procedemos a encontrar la matriz que representa a T respecto a la base canonica:
T (i) = (1, 1)
T (j) = (2, 0)
Por tanto
1 2
A=
1 0
Ahora encontramos el polinomio caracteristico de A utilizando la igualdad det(A − λi ) = 0

1 2 1 0 1−λ 2

1 0 −λ 0 1 = 1 −λ
= −λ + λ2 − 2
Igualamos el polinomio caracteristico −λ + λ2 − 2 = 0, {λ = −1} , {λ = 2} y obtenemos las solu-

ciones {λ = −1} , {λ = 2} . Por tanto T tiene dos valores propios λ1 = −1, λ2 = 2. Para encontrar
R
R
los vectores propios regresamos a la definición de vector propio, poniendo v = (x, y):
T v − λv = 0
(A − λi )v = 0

1−λ 2 x 0
=
1 −λ y 0
Este es el sistema de ecuaciones reemplazando λ1 = −1 tenemos:

2 2 x 0
=
1 1 y 0

2x + 2y = 0
x+y =0
De este sistema claramente obtenemos que y = −x. Por tanto el espacio de vectores asociado a
λ1 = −1 es
x
Eλ1 = { /x ∈ R}
−x
Una base para este conjunto es el vector v1 = (1, −1) .
Ahora encontramos el espacio del valor propio λ2 = 2, de la misma manera:

1−2 2 x 0
=
1 −2 y 0

−1 2 x 0
=
1 −2 y 0
De aqui obtenemos que x = 2y y por tanto

2y
Eλ2 = /y ∈ R
y
Una base para este espacio es el vector v2 = (2, 1) .
OBSERVACIÓN : Podemos notar que B = {v1 , v2 } es una base para R2 y que la la matriz que
representa a T respecto a esta base es la matriz diagonal:

−1 0
0 2
Demuestre que esta matriz es la matriz que representa a T en la base B.
TEOREMA 6.30. Sea T : V → V una transformación lineal de un espacio V . Sean a1 , . . . , ar
valores propios diferentes con vectores propios v1 , . . . , vr , respectivamente. Entonces v1 , . . . , vr
son L I. En particular, si V es de dimensión finita n ≥ 1, entonces T tiene a lo sumo n valores
propios diferentes. Si T tiene exactamente n valores propios diferentes, entonces {v1 , . . . , vn } es
una base de V .
El recı́proco de la proposición anterior no es siempre cierto, por ejemplo, si T = IV ,cualquier base

de V pertenece a 1, que es el único valor propio de IV .
R
CAPÍTULO 7
Formas canónicas elementales
7.1. Introducción
Se enuncia sin demostración el resultado referente a la existencia de la forma canónica de Jordan
para matrices cuadradas de términos complejos. Se detalla, con ejemplos resueltos, el cálculo de
la forma canónica y de la matriz de cambio de base de Jordan para matrices diagonalizables n × n
y para matrices cualesquiera 2 × 2, 3 × 3 y 4 × 4.
7.2. Multiplicidad algebraica y geométrica.

 
x1
 
Sea A una matriz cuadrada n × n con términos complejos. Sea v un vector de Cn : v =  ... .
xn
DEFINICIÓN 7.1. v es vector propio de A con valor propio λ si v 6= 0 y Av = λv.
Se supone conocido por el lector el método para hallar los valores propios y vectores propios de
A, y los siguientes resultados:
① λ es valor propio de A si y solo si det(A − λI) = 0. El determinanate de la matriz A − λI

es un polinomio de grado n en λ, llamado polinomio caracterı́stico de A. Sus raı́ces son los
valores propios de A.
299
R
② En el campo complejo
det(A − λI) = −(λ − λ1 )m1 (λ − λ2 )m2 · · · (λ − λk )mk
donde λ1 , λ2 ,...,λk son las k raı́ces diferentes del polinomio caractı́stico, y m1 , m2 ,...,mk son
sus multiplicidades respectivas. Se tiene m1 + m2 + · · · + mk = n.
③ Se llama subespacio propio de valor propio λi al subespacio E(λi ) = ker(A − λi I) formado

por todos los vectores v tales que (A − λi I)v = 0. Es decir, E(λi ) está formado por el vector
nulo y todos los vectores propios de valor propio λi . Es un subespacio de dimensión ri con
1 ≤ ri ≤ mi . El subespacio E(λi ) se obtiene resolviendo el sistema lineal homogéneo
   
x1 0
 ..   .. 
(A − λi I)  .  =  . 
xn 0
que es siempre compatible e indeterminado con ri grados de libertad.
④ Eligiendo ri vectores linealmente independientes que verifiquen el sistema anterior, se ten-

drá una base del subespacio propio E(λi ) (formada por ri vectores propios de A, todos con
el mismo valor propio λi ).
DEFINICIÓN 7.2. Al número mi , multiplicidad de la raı́z λi en el polinomio caracterı́stico de

A, se le llama multiplicidad algebraica de λi . Al número ri , dimensión del subespacio propio E(λi )
de valor propio λi , igual a la cantidad de grados de libertad del sistema compatible indeterminado
(A − λi I)v = 0, se le llama multiplicidad geométrica de λi .
TEOREMA 7.1. Para cada valor propio λi se cumple: 1 ≤ ri ≤ mi
7.3. Matrices diagonalizables
DEFINICIÓN 7.3. Una matriz cuadrada A, n × n, se dice diagonalizable si existe una base de
Cn (es decir n vectores linealmente independientes) formada exclusivamente con vectores propios
de A.
Es inmediato que A es diagonalizable si y solo si la unión de bases de sus subespacios propios es

una base de Cn , es decir, si y solo si r1 + r2 + · · · + rk = n.
El nombre diagonalizable proviene del hecho que estas matrices tienen forma canónica de Jordan
que es una matriz diagonal, como se verá más adelante.
Obsérvese que si A es diagonal,es decir si todos sus términos fuera de la diagonal principal son
nulos, entonces la base canónica está formada por vectores propios de A, y resulta, por definición
que A es diagonalizable. En el ejemplo 7.2 veremos una matriz diagonalizable que no es diagonal.
R
R
TEOREMA 7.2. A es diagonalizable si y solo si ri = mi para todo valor propio λi de A.

DEMOSTRACIÓN. A es diagonalizable si y solo si r1 + r2 + · · · + rk = n. Como siempre ri ≤ mi
y m1 + m2 + · · · + mk = n, lo anterior se cumple si y solo si ri = mi .
COROLARIO 7.1. Si mi = 1 para todo valor propio λi (o sea, si hay exactamente n raı́ces
diferentes del polinomio caracterı́stico), entonces A es diagonalizable.
DEMOSTRACIÓN. Si mi = 1, como 1 ≤ ri ≤ mi , se tiene ri = 1, y entonces ri = mi aplicándose
el teorema anterior.
El recı́proco del corolario es falso, como lo muestra el ejemplo que sigue:

4 0
EJEMPLO 7.1. A = es diagonalizable porque es diagonal. Tiene un solo valor propio
0 4
λ1 = 4 con m1 = 2 y r1 = 2.

EJEMPLO 7.2.

4 −2 4 − λ −2
A= , det(A − λI) = = λ2 − 5λ + 6 = 0,
λ1 = 3, λ2 = 2
1 1 1 1−λ
A es 2 × 2 y tiene dos valores propios diferentes, entonces es diagonalizable . En este caso m1 = 1

m2 = 1 (multiplicidades algebraicas). Entonces r1 = 1 r2 = 1 (multiplicidades geométricas).
Hallemos una base de C2 formada por vectores propios de A.
Para λ1 = 3:

(4 − 3)x1 − 2x2 = 0
(A − 3I)v = 0, , x1 = 2x2 .
x1 + (1 − 3)x2 = 0
Un grado de libertad, entonces r1 = 1. Eligiendo, por ejemplo x2 = 1, se

tiene
una base de
2
E(3) (subespacio propio de valor propio 3), formada por el vector v1 =
1
Para λ2 = 2:

(4 − 2)x1 − 2x2 = 0
(A − 2I)v = 0, , x1 = x2 .
x1 + (1 − 2)x2 = 0
Un grado de libertad r2 = 1. Eligiendo, por ejemplo x2 = 1, setiene una base de E(2)

1
(subespacio propio de valor propio 2), formada por el vector v2 =
1
v1 y v2 son linealmente independientes, y forman una base de C2 integrada con vectores propios
de A.

R
R
7.4. Forma canónica de Jordan

Estudiaremos el caso cuando la matriz resulta no diagonalizable, que por teorema se tiene para
ri < mi , esto es, cuando se obtienen menos vectores propios que la multiplicidad de λi . En este
caso, si deseamos calcular la forma de jordan, necesitamos obtener de alguna manera mi − ri
vectores. A estos vectores que necesitamos, se denominan vectores propios generalizados.
Dado un vector propio v, “Av = λi v”, el vector propio generalizado v1 se obtiene resolviendo el
sistema
(A − λi )v1 = v
Si para completar el espacio necesitamos otro vector generalizado v2 , es posible obtenerlo resolvien-
do el sistema
(A − λi )v2 = v1
y ası́ sucesivamente.
Los vectores v1 , v2 ,...,vs ası́ obtenidos forman una cadena, que llamaremos la cadena de Jordan de
largo s asociada al vector propio v.
Supongamos que tenemos una matriz A tiene un valor propio λ1 de multiplicidad algebraica 5
“m1 = 5” y multiplicidad geométrica 3 “r1 = 3” (esto es, tenemos 3 vectores propios u, v y w aso-
ciados a λ1 ). Luego, tenemos que obtener los 2 vectores restantes (vectores propios generalizados).
Dichos vectores pueden ser obtenidos con sólo uno de estos esquemas:
  

 Au = λ1 u 
 Au = λ1 u 
 Au = λ1 u

 
 

 Au1 = λ1 u1 + u  Au1 = λ1 u1 + u  Av = λ1 v
Av = λ1 v Av = λ1 v Av1 = λ1 v1 + v

 
 


 Av1 = λ1 v1 + v 
 Aw = λ1 w 
 Aw = λ1 w
  
Aw = λ1 w Aw1 = λ1 w1 + w Aw1 = λ1 w1 + w
  

 Au = λ1 u 
 Au = λ1 u 
 Au = λ1 u

 
 

 Au1 = λ1 u1 + u  Av = λ1 v  Av = λ1 v
Au2 = λ1 u2 + u1 Av1 = λ1 v1 + v Aw = λ1 w

 
 


 Av = λ1 v 
 Av2 = λ1 v2 + v1 
 Aw1 = λ1 w1 + w
  
Aw = λ1 w Aw = λ1 w Aw2 = λ1 w2 + w1
Con estos conceptos, procedemos a estudiar la forma que tendrá la matriz de Jordan, la cual va a
depender del número de cadenas que se necesiten formar para completar los vectores necesarios.
Pasamos ahora a definir las celdas, bloques y matrices de Jordan. Sea K un cuerpo cualquiera y
λ1 un elemento de K, la matriz
R
R
 
λ1 1 ··· 0 0
 0 λ1 ··· 0 0 
 .. .. . .. 
 .. 
Jλ1 ,k = . . . .. . 
 .. .. .. . . 
 . . . . 1 
0 0 · · · 0 λ1 k×k
de orden k ≥ 1 se denomina celda o bloque elemental de Jordan de orden k correspondiente al

elemento λ1 . El caso k = 1 debe entenderse como la matriz [λ1 ] de tamaño 1 × 1.
DEFINICIÓN 7.4 (Celda de Jordan). La celda de Jordan de tamaño k × k y valor propio λ1

es la matriz cuadrada k × k que tiene
el número λ1 en la diagonal principal
el número 1 en la supradiagonal principal
el número 0 en los restantes términos

 
5 1 0
EJEMPLO 7.3. La celda de Jordan de tamaño 3 × 3 y valor propio 5 es 0 5 1. La celda
0 0 5
−4 1
de Jordan de tamaño 2 × 2 y valor propio −4 es . La celda de Jordan de tamaño 1 × 1
0 −4
y valor propio 8 es [8]

LEMA 7.1. λ1 es el único valor propio del bloque de Jordan de tamaño k × k y valor propio λ1 ,
con multiplicidad algebraica k y con multiplicidad geométrica 1.
DEMOSTRACIÓN.
Nota 7.1 En alguna bibliografı́a se define celda de Jordan poniendo 1 en la subdiagonal principal,
en vez de hacerlo en la supradiagonal. La teorı́a resulta similar a la que se expone aquı́, pero el
cálculo de las matrices de cambio de base que veremos más adelante es diferente.
La matriz Jλ1 con m ≥ 1 celdas de Jordan, Jλ1 ,k1 , Jλ1 ,k2 , . . . , Jλ1 ,km de órdenes k1 ≥ k2 ≥ · · · ≥ km
,
 
Jλ1 ,k1 · · · 0
 
Jλ1 =  ... ..
.
..
. ,
0 Jλ1 ,km
se denomina bloque de Jordan correspondiente al elemento λ1 .
DEFINICIÓN 7.5 (Bloque de Jordan). Un bloque de Jordan de tamaño m×m y valor propio
λ1 es una matriz cuadrada m × m formada por
R
R
una o más celdas de Jordan de diversos o iguales tamaños, todos con el mismo valor propio
λ1 , ubicados diagonalmente (es decir, tales que la diagonal principal de cada bloque es parte
de la diagonal principal del suprabloque)
ceros en los restantes términos del bloque.

EJEMPLO 7.4. Un suprabloque de Jordan de tamaño 6 × 6 de valor propio 7, formado por tres
bloques de Jordan de tamaños 2 × 2, 3 × 3 y 1 × 1 respectivamente es:
 
7 1 0 0 0 0
 0 7 0 0 0 0 
 
 0 0 7 1 0 0 
 
 0 0 0 7 1 0 
 
 0 0 0 0 7 0 
0 0 0 0 0 7

Como ejercicio verifı́quese que λ1 es el único valor propio del suprabloque de Jordan de tamaño
m × m, con multiplicidad algebraica igual a m y multiplicidad geométrica igual a r que es la
cantidad de bloques de Jordan que forman el suprabloque.
Sean λ1 , . . . , λk elementos diferentes pertenecientes al cuerpo K, k ≥ 1,la matriz
 
Jλ1 · · · 0
 .. . . . 
 . . ..  ,
0 · · · Jλk
donde Jλi es un bloque de Jordan correspondiente al valor λi se denomina matriz de Jordan

correspondiente a los elementos λ1 , . . . , λk .
DEFINICIÓN 7.6 (Forma Canónica de Jordan). Una matriz cuadrada n × n es una forma
canónica de Jordan si está formada por
uno o más bloques de Jordan, ubicados diagonalmente.
ceros en los restantes términos de la matriz

EJEMPLO 7.5. Una forma canónica de Jordan con un suprabloque 2 × 2 formado por dos
bloques de valor propio 7, un suprabloque 3 × 3 formado por dos bloques de valor propio 0, y un
suprabloque 1 × 1 de valor propio 3, es:
 
7 0 0 0 0 0
 0 7 0 0 0 0 
 
 0 0 0 1 0 0 
 
 0 0 0 0 1 0 
 
 0 0 0 0 0 0 
0 0 0 0 0 3
R
R
Véase que en este ejemplo la matriz tiene valores propios λ1 = 7 con multiplicidad algebraica 2 y
geométrica 2, λ2 = 0 con multiplicidad algebraica 3 y geométrica 2, y λ3 = 3 con multiplicidad
algebraica 1 y geométrica 1.

Es fácil probar el siguiente teorema:
TEOREMA 7.3. Una forma canónica de Jordan tiene como valores propios a los números de
la diagonal, con multiplicidad algebraica igual a la cantidad de veces en que está repetido en la
diagonal (o sea igual al tamaño del suprabloque respectivo), y multiplicidad geométrica igual a la
cantidad de bloques que forman el respectivo suprabloque.
Nota 7.2.- En particular la forma de Jordan es diagonal (es decir, todos sus términos fuera de
la diagonal principal son nulos) si y solo si los bloques de Jordan tienen todos tamaño 1 × 1, y
esto ocurre si y solo si la cantidad de bloques que forman cada suprabloque es igual al tamaño
del suprabloque, o sea, la multiplicidad geométrica es igual a la algebraica para todo valor propio.
Usando el teorema 7.4 se concluye que una forma canónica de Jordan es diagonalizable si y solo
si es diagonal.
El teorema que sigue es el teorema fundamental de las formas canónicas de Jordan, y dice esen-
cialmente que toda matriz cuadrada, mediante un cambio de base, se puede llevar a una forma
canónica de Jordan:
TEOREMA 7.4 (Forma canónica de Jordan). Sea A una matriz cuadrada n × n. Entonces
existe una matriz J que es una forma canónica de Jordan, y una matriz P invertible, ambas n × n
con términos complejos, tales que: A = P JP −1
DEFINICIÓN 7.7. La matriz J del teorema anterior se llama forma canónica de Jordan de A.
La matriz P se llama matriz de cambio de base de Jordan.
Nota 7.3.- La forma canónica de Jordan J y la matriz P de cambio de base de Jordan para la
matriz dada A no son únicas. En efecto, permutando los suprabloques de J, o los bloques dentro
de cada suprabloque, se obtiene otra forma canónica de Jordan para A. Se puede demostrar que
J es única a menos de permutaciones de sus bloques.
El teorema que sigue permite, en muchos casos, calcular la forma canónica de Jordan de A,
mediante el cálculo de los valores propios de A y de la dimensión de sus subespacios propios.
TEOREMA 7.5. Sea A una matriz n × n. Sean λ1 ,...,λk sus valores propios diferentes, con mul-
tiplicidades algebraicas m1 ,...,mk y multiplicidades geométricas r1 ,...,rk respectivamente. Entonces
la forma canónica de Jordan de A tiene k bloques, cada uno de valor propio λi , tamaño mi × mi ,
y formado por ri celdas.
Ası́  
  Jλi ,1 0 ··· 0
Jλm11 · · · 0  
 ..   0 Jλi ,2 ··· 0 
J =  ... ..
. .  , Jλmi i =  .. .. .. .. 
mk  . . . . 
0 · · · Jλk
n×n 0 0 · · · Jλi ,ri mi ×mi
R
R
donde para 1 ≤ r ≤ ri se tiene

 
λi 1 ··· 0 0
 0 λi ··· 0 0 
 .. .. . .. 
 .. 
Jλi ,r = . . . .. . 
 .. .. .. . . 
 . . . . 1 
0 0 · · · 0 λi r×r
Si P es la matriz que reduce A a su forma de Jordan, entonces sus m1 primeras columnas satisfacen:
Av1 = λ1 v1 , esto es v1 es un autovector correspondiente a λ1

Avi = λ1 vi + vi−1 , i = 2, ..., m1
Los vectores vi i = 2, ..., m1 se llaman autovectores generalizados de A, y la sucesión vi ,...,vm1

se dice que es una cadena de Jordan correspondiente a λ1 . Naturalmente, cada bloque tiene su
cadena correspondiente.
 
−1 0 0 0
−1 −1 0 2 
EJEMPLO 7.6. Hallemos la forma canónica de Jordan de A =  0

0 4 0
0 0 0 −1
SOLUCIÓN.- Los valores propios: det(A − λI) = −(λ − 4)(λ + 1)3 , entonces λ1 = 4 λ2 = −1
con multiplicidades algebraicas respectivas m1 = 1 y m2 = 3. Entonces J va a estar formada por
dos bloques: uno de valor propio 4 y tamaño 1 × 1, y otro de valor propio −1 y tamaño 3 × 3.
Para determinar completamente la matriz J necesitamos saber cuántos celdas forman el bloque
de tamaño 3 × 3, o sea la multiplicidad geométrica r2 del valor propio −1. Para ello hallemos el
subespacio propio:
   
x1 0 
x2  0  x1 = 2x4
  
(A + I)   =   ,  x3 = 0 r2 = 2
x3 0 
x2 , x4 cualesquiera
x4 0
Luego, el bloque 3 × 3 de valor propio −1, está formado por dos celdas. Entonces estos dos celdas
tendrán tamaños 1 × 1 y 2 × 2, ya que 1 y 2 son los únicos dos números naturales mayores o iguales
que 1 que suman 3. Entonces:
   
4 0 0 0 4 0 0 0
 0 -1 0 0  0 −1 0 0
J = =
 0 0 -1 1  0 0 −1 1 

0 0 0 -1 0 0 0 −1
a menos de una permutación de sus bloques.

R
R
Nota 7.4.- Si la matriz dada A ya es una forma canónica de Jordan, es innecesario hacer cálculos
para determinar J y P tales que A = P JP −1. En efecto basta tomar J = A y P = I (I indica la
matriz identidad).
Las siguientes propiedades de la forma canónica de Jordan pueden deducirse en forma sencilla de
los resultados ya vistos. Demuéstrense como ejercicio.
PROPOSICIÓN 7.1. Sea A una matriz n × n.
La forma canónica de Jordan es diagonal si y solo si las multiplicidades geométricas son

iguales a las algebraicas para todo valor propio de A. (Usando el teorema 7.4 esto sucede si
y solo si A es diagonalizable).
Si A es diagonalizable entonces su forma canónica de Jordan es la matriz que tiene en la
diagonal los valores propios de A repetidos tantas veces como sus multiplicidades algebraicas,
y ceros en todos los demás términos.
Si la matriz A es 2 × 2 y tiene un solo valor propio doble
λ1 con multiplicidad geométrica
λ1 1
igual a 1, entonces su forma canónica de Jordan es J =
0 λ1
DEMOSTRACIÓN.
Existen procedimientos, que no veremos en general, para encontrar una matriz P de cambio de
base de Jordan: es decir una matriz invertible P tal que A = P JP −1 .
EJEMPLO 7.7. En el ejemplo 3.11 verifı́quese que P JP −1 = A siendo:
   
0 2 0 0 0 0 1 0
0 0 2 0   1/2 0 0 0
P = 1  , P =

0 0 0 0 1/2 0 0
0 1 0 1 1/2 0 0 1
Luego P es una matriz de cambio de base de Jordan para A.

En las siguientes secciones veremos cómo hallar una matriz de cambio de base de Jordan cuando
la matriz A es diagonalizable n × n, o cuando no es diagonalizable pero es 2 × 2.
7.5. Matrices de Jordan para matrices diagonalizables

Usaremos la siguiente notación:
P = [v1 , v2 , · · · , vn ]
para la matriz n×n formada colgando en sus columnas los vectores vi , es decir: la columna i-ésima
de la matriz
P esla columna
formada con las componentes del vector
vi de Cn . Por ejemplo, si
2 −1 2 −1
v1 = y v2 = , entonces [v1 , v2 ] indica la matriz .
1 −1 1 −1
R
R
Los vectores {v1 , v2 , ..., vn } son linealmente independientes si y solo si la matriz [v1 , v2 , · · · , vn ]
tiene determinante no nulo.
TEOREMA 7.6 (Cálculo de J y P cuando A es diagonalizable). Sea A, n × n, diagonal-

izable. Sea {v1 , v2 , ..., vn } una base de Cn formada con vectores propios de A, de valores propios
respectivos λ1 , λ2 ,...,λn (aquı́ cada valor propio está repetido tantas veces como su multiplicidad
geométrica, que es igual a su multiplicidad algebraica, porque A es diagonalizable). Entonces la
forma canónica de Jordan de A es, a menos de permutaciones de su diagonal principal, la matriz
diagonal
 
λ1 0 ··· 0 0
 0 λ2 ··· 0 0 
 
 .. .. .. .. .. 
J = . . . . . 
 
 0 0 · · · λn−1 0 
0 0 ··· 0 λn
y una matriz de cambio de base de Jordan (es decir, una matriz invertible P tal que A = P JP −1),
es
P = [v1 , v2 , · · · , vn ]
que se obtiene colgando en sus columnas los vectores propios de A (en el mismo orden en que se
escribieron los valores propios respectivos para formar la matriz J).
DEMOSTRACIÓN. En la proposición 7.1,punto 2, ya se dedujo cómo es J. Siendo {v1 , v2 , ..., vn }
linealmente independientes, el determinante de P es no nulo, y entonces P es invertible. Falta
probar que P JP −1 = A, o, lo que es lo mismo, que AP = P J.
 
1
0
 
La primera columna de una matriz M, cuadrada n × n es igual a M  .. . Probemos que las
.
0
primeras columnas de AP y de P J son iguales:
         
1 1 1 λ1 1
0 0 0 0 0
         
AP  ..  = Av1 = λ1 v1 = λ1 P  ..  = P λ1  ..  = P  ..  = P J  .. 
. . . . .
0 0 0 0 0
Luego, las primeras columnas de AP y P J son iguales. Análogamente se prueba que las columnas
j-ésimas son iguales.
EJEMPLO 7.8. Sea la matriz A del ejemplo 7.2.

Calculemos la forma canónica de Jordan y la
4 −2
matriz de cambio de base de Jordan. A = . Ya vimos en 7.2 que una base de vectores
1 1
R
R

2 1
propios de A es {v1 , v2 } con v1 = con valor propio λ1 = 3 y v1 = con valor propio
1 1
λ2 = 2.
Entonces:
3 0 2 1
J= P =
0 2 1 1
Verifiquemos que A = P JP −1 :

−1 1 −1 6 2 −1 4 −2
P = PJ = P JP = =A
−1 2 3 2 1 1

7.6. Matrices de Jordan para matrices 2 × 2

Vamos a determinar todas las posibles formas de Jordan de matrices 2 × 2. Si A ∈ M2×2 (K) su
polinomio caracterı́stico será de grado 2, supongamos que sus raı́ces pertenecen al cuerpo K, se
presenta tres casos posibles:
① Dos raı́ces diferentes (en el campo complejo)

② Una raı́z doble a con multiplicidad geométrica 2.
③ Una raı́z doble a con multiplicidad geométrica 1.
Analicemos cada caso:
① Dos autovalores simples. Si A admite dos autovalores simples a y b, es decir: p(λ) =

(λ − a)(λ − b) con a 6= b, entonces A es diagonalizable, en particular existe una base {u, v}
cuyos elementos se determinan por las condiciones
(
u ∈ N(A − aI) Au = au
o equivalentemente
v ∈ N(A − bI) Av = bv

a 0
de modo que la forma canónica de Jordan de A es J = y además la matriz P = [u, v]
0 b
es una matriz de cambio de base de Jordan para A.
DEMOSTRACIÓN. La matriz A es diagonalizable (por el corolario 7.1), y se aplica el

teorema 7.6 para calcular la forma canónica de Jordan J y una matriz de cambio de base
de Jordan P .
② Un autovalor doble. Si A admite un autovalor doble a, es decir p(λ) = (λ−a)2 , aquı́ hay
dos posibilidades:
R
R
a) Si dim(N(A−aI)) = 2 entonces A es diagonalizable, en particular si {u, v} es cualquier

base de N(A − aI),
(
u ∈ N(A − aI) Au = au
o equivalentemente
v ∈ N(A − aI) Av = av

a 0
entonces la forma canónica de Jordan de A es J = y además la matriz P = [u, v]
0 a
es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A − aI)) = 1 entonces A no es diagonalizable, en particular existe una base
{u, u1} cuyos elementos se determinan por las condiciones
(
u1 ∈
/ N(A − aI) Au = au
o equivalentemente
u = (A − aI)(u1 ) Au1 = au1 + u

a 0
de modo que la forma canónica de Jordan de A es J = , además la matriz
1 a
P = [u, u1] es una matriz de cambio de base de Jordan para A.
DEMOSTRACIÓN.

λ1 1 λ1 0 0 1
J= = + = λ1 I + N
0 λ1 0 λ1 0 0
donde
0 1 2 0 0
N= , N = NN = =O
0 0 0 0
Sea Q una matriz de cambio de base de Jordan para A, que existe en virtud del teorema
7.4,y cumple:
A = QJQ−1 = Q(λ1 I+N)Q−1 = λ1 QIQ−1 +QNQ−1 = λ1 QQ−1 +QNQ−1 = λ1 I+QNQ−1
entonces
A − λ1 I = QNQ−1
por tanto
(A − λ1 I)2 = QNQ−1 QNQ−1 = QNNQ−1 = QN 2 Q−1 = QOQ−1 = OQ−1 = O
de aquı́
(A − λ1 I)2 v = 0, ∀v
Tomemos u1 que no pertenece al subespacio propio E(λ1 ), entonces (A − λ1 I)u1 6= 0.
Ası́ el vector u = (A − λ1 I)u1 satisface u 6= 0. Además (A − λ1 I)u = (A − λ1 I)2 u1 = 0.
Entonces u es un vector no nulo del subespacio propio, es decir, un vector propio.
R
R
Sea α1 u + α2 u1 = 0. Aplicando A − λI a la combinación lineal anterior resulta el vector

nulo, es decir: α1 (A − λ1 I)u + α2 (A − λI)u1 = 0, 0 + α2 (A − λI)u1 = 0, de donde
0 + α2 u = 0, como u 6= 0, se tiene que α2 = 0. Ahora bien, como α1 u = 0, α1 = 0
Ası́, u y u1 son linealmente independientes, y la matriz P tiene determinante no nulo,
o sea, es invertible. Para probar que A = P JP −1, basta mostrar que AP = P J, y para
esto alcanza probar que sus respectivas columnas son iguales. Nótese que la primera
1
columna de una matriz M 2 × 2, cualquiera, es M y que su segunda columna es
0
0
M .
1

1 1 1 λ1 1
AP = Au = λ1 u = λ1 P = P λ1 =P = PJ
0 0 0 0 0
Se concluye que las primeras columnas de AP y de P J son la misma.

0 0 1 0 1
AP = Au1 = λ1 u1 + u = λ1 P +P = P λ1 +P
1 1 0 1 0

0 1 0 0
= P +P =P = PJ
λ1 0 λ1 1
Se concluye que las segundas columnas de AP y de P J son la misma. Luego AP = P J,

lo que termina la prueba.

−2 1
EJEMPLO 7.9. A = , det(A − λI) = λ2 + 6λ + 9 = (λ + 3)2 = 0, entonces λ1 = −3
−1 −4
doble, m1 = 2.
Subespacio propio E(λ1 ):

−2 + 3 1 x1 0 x1 = −x2
= , r1 = 1
−1 −4 + 3 x2 0 x2 cualesquiera

−3 1
Entonces J = .
0 −3

1
Elijamos v2 ∈
/ E(λ1 ): Tomando x2 = 0, x1 6= 0, por ejemplo x1 = 1, se tiene v2 = . Entonces
0

1 1 0 1
v1 = (A + 3I)v2 = =
−1 −1 0 −1

1 1
Ası́ P = . Verifiquemos que A = P JP −1:
−1 0

−1 0 −1 −3 −2 −1 −2 1
P = PJ = P JP = =A
1 1 3 −1 −1 −4
R
R

Nota 7.5.- Sea ahora una matriz A, 2 × 2, con todos sus términos reales. Si sus valores propios
son ambos reales (iguales o distintos) se concluye que la matriz canónica de Jordan es real. De
los procedimientos vistos, obsérvese que los vectores v1 y v2 que forman las columnas de la matriz
de cambio de base de Jordan, se encuentran mediante ecuaciones lineales con coeficientes reales,
cuando la matriz A y sus valores propios son reales. Luego, se concluye lo siguiente: Si la matriz
A tiene términos reales y todos sus valores propios son reales, entonces la forma canónica de
Jordan es una matriz real, y puede elegirse una matriz de cambio de base de Jordan también real.
Esto significa que no es necesario pasar al campo complejo cuando los valores propios son reales.
Sin embargo, aunque la matriz dada sea real, si sus valores propios no lo son, entonces la forma
canónica de Jordan y la matriz de cambio de base de Jordan no son reales, como lo muestra el
ejemplo ??.

Analicemos ahora las posibles formas de Jordan de las matrices 3×3. Si A ∈ M2×2 (K) su polinomio
caracterı́stico será de grado 3, supongamos que sus raı́ces pertenecen al cuerpo K, se presentan
los siguientes casos:
① Tres autovalores simples. Si A admite tres autovalores simples a, b y c, es decir:

p(λ) = (λ − a)(λ − b)(λ − c), entonces A es diagonalizable, en particular existe una base
{u, v, w} cuyos elementos se determinan por las condiciones
 
 u ∈ N(A − aI)  Au = au
v ∈ N(A − bI) o equivalentemente Av = bv
 
w ∈ N(A − cI) Aw = cw
 
a 0 0
de modo que la forma canónica de Jordan de A es J = 0 b 0 y además la matriz
0 0 c
P = [u, v, w] es una matriz de cambio de base de Jordan para A.
② Un autovalor simple y otro doble. Si A admite un autovalor simple a y otro doble b,

su polinomio caracterı́stico será p(λ) = (λ − a)(λ − b)2 con a 6= b, aquı́ hay dos posibilidades:
a) Si dim(N(A − bI)) = 1 entonces existe una base {u, v, v1} de K3 , cuyos elementos se
determinan por las condiciones
 
 u ∈ N(A − aI)  Au = au
v1 ∈/ N(A − bI) o equivalentemente Av = bv
 
v = (A − bI)(v1 ) Av1 = bv1 + v
R
R
 
a 0 0

de modo que la forma canónica de Jordan de A es J = 0 b 0 y además la matriz
0 1 b
P = [u, v, v1] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A − bI)) = 2 entonces existe una base {u, v, w} de K3 , cuyos elementos se
 
 u ∈ N(A − aI)  Au = au
w ∈ N(A − bI) o equivalentemente Av = bv
 
v ∈ N(A − bI), independiente con w Aw = bw
 
a 0 0
de modo que la forma canónica de Jordan de A es J = 0 b 0 y además la matriz
0 0 b
③ Un autovalor triple. Si A admite un autovalor triple a, tendremos que su polinomio

caracterı́stico será p(λ) = (λ − a)3 , aquı́ hay tres posibilidades:
a) Si dim(N(A − aI)) = 1 entonces existe una base {u, u1, u2 } de K3 , cuyos elementos se
 
 u2 ∈ / N(A − aI)2  Au = au
u1 = (A − aI)(u2) o equivalentemente Au1 = au1 + u
 2 
u = (A − aI) (u2) Au2 = au2 + u1
 
a 0 0
de modo que la forma canónica de Jordan de A es J = 1 a 0 y además la matriz
0 1 a
P = [u, u1, u2 ] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A − aI)) = 2 entonces existe una base {u, v, v1} de K3 , cuyos elementos se
 
 v1 ∈
/ N(A − aI)  Au = au
v ∈ (A − aI)(v1 ) o equivalentemente Av = av
 
u ∈ N(A − aI), independiente con v Av1 = av1 + v
 
a 0 0
de modo que la forma canónica de Jordan de A es J = 0 a 0 y además la matriz

0 1 a
P = [u, v, v1] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A − aI)) = 3 entonces A es diagonalizable, en particular si {u, v, w} es
cualquier base de N(A − aI),
 
 u ∈ N(A − aI)  Au = au
v ∈ N(A − aI) o equivalentemente Av = av
 
w ∈ N(A − aI) Aw = aw
R
R
 
a 0 0
entonces la forma canónica de Jordan de A es J = 0 a 0 y además la matriz
0 0 a
3
EJEMPLO
  7.10. El operador lineal de R cuya matriz asociada en la base canónica es A =
2 −4 1
0 7 0 no es diagonalizable.
0 −5 2
SOLUCIÓN.- Sus valores propios son 2 y 7, S2 = [(1, 0, 0)] y S7 = [(1, −1, 1)] y ma (2) = 2. En
consecuencia la forma de Jordan del operador es
 
2 0 0
J = 1 2 0
0 0 7
Calculemos una base de Jordan {v1 , v2 , v3 } de R3 asociada al operador. Para esto observemos que
Av1 = 2v1 + v2 , Av2 = 2v2 y Av3 = 7v3 . Por lo tanto v2 y v3 son vectores propios asociados a
2 y 7 respectivamente por lo cual podemos elegir v2 = (1, 0, 0) y v3 = (1, −1, 1). Elijamos ahora
v1 = (x, y, z). Sabemos que Av1 = 2v1 + v2 por lo tanto (A − 2I)v1 = v2 . Entonces
    
0 −4 1 x 1
(A − 2I)v1 =  0 5 0  y  = 0

0 −5 0 z 0
resolviendo el sistema se deduce que v1 = (x, 0, 1) con x ∈ R elijamos entonces v1 = (0, 0, 1) con
lo cual la base de Jordan B resulta B = {(0, 0, 1), (1, 0, 0), (1, −1, 1)}. Verifique que efectivamente
la matriz asociada al operador en la base B es J.

Analicemos ahora las posibles formas de Jordan de las matrices 4×4. Si A ∈ M4×4 (K) su polinomio
caracterı́stico será de grado 4, supongamos que sus raı́ces pertenecen al cuerpo K, se presentan
los siguientes casos:
① Cuatro autovalores simples. Si A admite cuatro autovalores simples a, b, c y d, es

decir: p(λ) = (λ − a)(λ − b)(λ − c)(λ − d), entonces A es diagonalizable, en particular existe
una base {u, v, p, q} cuyos elementos se determinan por las condiciones


 Au = au

Av = bv

 Ap = cp

Aq = dq
R
R
 
a 0 0 0
0 b 0 0
de modo que la forma canónica de Jordan de A es J =  0 0
 y además la matriz
c 0
0 0 0 d
P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
② Dos autovalores simples y uno doble. Si A admite dos autovalores simples a y b, y
otro doble c, su polinomio caracterı́stico será p(λ) = (λ − a)(λ − b)(λ − c)2 , aquı́ hay dos
posibilidades:
a) Si dim(N(A − cI)) = 1 entonces existe una base {u, v, w, w1} de K4 , cuyos elementos
se determinan por las condiciones


 Au = au

Av = bv

 Aw = cw

Aw1 = cw1 + w
 
a 0 0 0
 0 b 0 0
de modo que la forma canónica de Jordan de A es J =  
0 0 c 0 y además la
0 0 1 c
matriz P = [u, v, w, w1] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A − cI)) = 2 entonces existe una base {u, v, p, q} de K4 , cuyos elementos se
determinan por las condiciones 

 Au = au

Av = bv

 Ap = cp

Aq = cq
 
a 0 0 0
 0 b 0 0
0 0 c 0 y además la
0 0 0 c
matriz P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
③ Un autovalor simple y otro triple. Si A admite un autovalor simple a y otro triple b,

su polinomio caracterı́stico será p(λ) = (λ − a)(λ − b)3 , aquı́ se presentarán tres alternativas
según N(A − bI) tenga dimensión uno, dos o tres.
a) Si dim(N(A − bI)) = 1 entonces existe una base {u, v, v1, v2 } de K4 , cuyos elementos


 Au = au

Av = bv

 Av1 = bv1 + v

Av2 = bv2 + v1
R
R
 
a 0 0 0
 0 b 0 0
0 1 b 0 y además la
0 0 1 b
matriz P = [u, v, v1, v2 ] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A − bI)) = 2 entonces existe una base {u, v, w, w1} de K4 , cuyos elementos


 Au = au

Av = bv

 Aw = bw

Aw1 = bw1 + w
 
a 0 0 0
 0 b 0 0
0 0 1 b
c) Si dim(N(A − bI)) = 3 entonces existe una base {u, v, p, q} de K4 , cuyos elementos se

 Au = au

Av = bv

 Ap = bp

Aq = bq
 
a 0 0 0
 0 b 0 0
0 0 0 b
④ Dos autovalores dobles. Si A admite dos autovalores dobles a y b, se tendrá p(λ) =
(λ − a)2 (λ − b)2 , aquı́ se presentarán los siguientes casos.
a) Si dim(N(A − aI)) = dim(N(A − bI)) = 1 entonces existe una base {u, u1, v, v1 } de
K4 , cuyos elementos se determinan por las condiciones


 Au = au

Au1 = au1 + u

 Av = bv

Av1 = bv1 + v
 
a 0 0 0
 1 a 0 0
0 0 1 b
matriz P = [u, u1, v, v1 ] es una matriz de cambio de base de Jordan para A.
R
R
b) Si dim(N(A − aI)) = 2, dim(N(A − bI)) = 1 entonces existe una base {u, v, w, w1} de
K4 , cuyos elementos se determinan por las condiciones


 Au = au

Av = av

 Aw = bw

Aw1 = bw1 + w
 
a 0 0 0
 0 a 0 0
0 0 1 b
c) Si dim(N(A − aI)) = dim(N(A − bI)) = 2 entonces existe una base {u, v, p, q} de K4 ,
cuyos elementos se determinan por las condiciones


 Au = au

Av = av

 Ap = bp

Aq = bq
 
a 0 0 0
0 a 0 0
 y además la
b 0
0 0 0 b
⑤ Un autovalor cuádruple. Si A admite un autovalor cuádruple a, tendremos que su

polinomio caracterı́stico será p(λ) = (λ − a)4 , aquı́ hay tres posibilidades:
a) Si dim(N(A − aI)) = 1 entonces existe una base {u, u1, u2 , u3} de K3 , cuyos elementos


 Au = au

Au1 = au1 + u

 Au2 = au2 + u1

Au3 = au3 + u2
 
a 0 0 0
1 a 0 0
de modo que la forma canónica de Jordan de A es J =  0 1 a
 y además la
0
0 0 1 a
matriz P = [u, u1, u2 , u3 ] es una matriz de cambio de base de Jordan para A.
R
R
b) Si dim(N(A − aI)) = 2 y dim(N(A − aI)2 ) = 3 entonces existe una base {u, v, v1, v2 }
de K3 , cuyos elementos se determinan por las condiciones


 Au = au

Av = av

 Av1 = av1 + v

Av2 = av2 + v1
 
a 0 0 0
0 a 0 0 
0 1 a 0 y además la
0 0 1 a
matriz P = [u, v, v1, v2 ] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A − aI)) = 2 y dim(N(A − aI)2 ) = 4 entonces existe una base {u, u1, v, v2 }
de K3 , cuyos elementos se determinan por las condiciones


 Au = au

Au1 = au1 + u

 Av = av

Av1 = av1 + v
 
a 0 0 0
1 a 0 0 
0 0 1 a
matriz P = [u, u1, v, v2 ] es una matriz de cambio de base de Jordan para A.
d) Si dim(N(A − aI)) = 3 entonces existe una base {u, v, w, w1} de K3 , cuyos elementos


 Au = au

Av = av

 Aw = aw

Aw1 = aw1 + w
 
a 0 0 0
0 a 0 0 
0 0 1 a
e) Si dim(N(A − aI)) = 4 entonces existe una base {u, v, p, q} de K3 , cuyos elementos se

 Au = au

Av = av

 Ap = ap

Aq = aq
R
R
 
a 0 0 0
0 a 0 0
 y además la
a 0
0 0 0 a
R

Mario Errol Chavez Gordillo - Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Mario Errol Chavez Gordillo - Algebra Lineal

Cargado por

Información del documento

Descripción original:

Título 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

Mario Errol Chavez Gordillo - Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

 

a11 a12 · · · a1j ··· a1k · · · a1,n−1 a1n

3.2. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

4. Espacios vectoriales 183

5. Transformaciones lineales 255

6. Valores y Vectores Propios 271

6.5. Localización de Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

7. Formas canónicas elementales 299

a11 x1 + a12 x2 + · · · + a1n xn = b1

1.2. Matrices. Operaciones con matrices

DEFINICIÓN 1.1. Se llama matriz de orden m × n a todo conjunto rectangular de números

Abreviadamente suele expresarse en la forma A = (aij ), con i = 1, 2, ..., m, j = 1, 2, ..., n. Los

son matrices. De ellas A es de orden 4 × 4, B es 2 × 4, C es 4 × 3.

EJEMPLO 1.2. Escribir explı́citamente las siguientes matrices:

① A = (aij ) ∈ M3×2 (R) tal que aij = i + 2j.

② B = (bij ) ∈ M3×3 (R) tal que bij = 2i − j.

③ C = (cij ) ∈ M3×4 (R) tal que cij = mı́n{i, j}.

④ D = (dij ) ∈ M4×3 (R) tal que cij = 2i − (−1)j .

EJEMPLO 1.4. Determine la matriz de orden 3 × 4, A = (aij ) para la cual

EJEMPLO 1.5. Una empresa produce cuatro productos A, B, C y D. El productor de cada

Obtener una matriz que resuma todos estos datos.

Este arreglo es ejemplo de una matriz.

1. 517 eran oficialistas y ganaban más de 15000 bs al año.

2. 345 eran opositores y ganaban más de 15000 bs al año.

3. 189 eran conservadores y ganaban más de 15000 bs al año.

4. 257 eran oficialistas y ganaban menos de 15000 bs al año.

5. 284 eran opositores y ganaban menos de 15000 bs al año.

6. 408 eran conservadores y ganaban menos de 15000 bs al año.

Represente la información anterior en una matriz. ¿Es única esta representación?.

1.2.1. Tipos de Matrices

es una matriz triangular superior.

1.2.2. Operaciones con Matrices

A=B ⇐⇒ aij = bij ∀i = 1, ..., n, ∀j = 1, ..., m

Adición y substracción de matrices

A + B = (cij ), con cij = aij + bij ∀i = 1, ..., n, ∀j = 1, ..., m

TEOREMA 1.1. La suma de matrices verifica las siguientes propiedades

① Conmutativa: A + B = B + A, para todo A, B ∈ Mn×m (R).

② Asociativa: (A + B) + C = A + (B + C), para todo A, B, C ∈ Mn×m (R).

SOLUCIÓN.- Es suficiente despejar B de la ecuación A + B = I, esto es, B = I − A.

Producto de un número por una matriz

③ (αβ)A = α(βA) = β(αA).

EJEMPLO 1.10. Efectúe las siguientes operaciones y simplifique

SOLUCIÓN.- Multiplicando por 2 ambos lados de la ecuación dada se tiene:

Reemplazado datos tenemos:

EJEMPLO 1.13. Hallar x, y, z y w si

(a) ¿Cuál es la capacidad de producción total en las dos plantas?

(b) Si la empresa decide incrementar su producción en la ciudad de Cochabamba en un 20 %,

(b) Si la producción en Cochabamba se incrementa en un 20 %, la nueva producción (en miles)

A + 20 %A = A + 0.20A = (1 + 0.20)A = 1.20A

Por consiguiente, se producirán 4800 calzados modelo 2, etc.

En otras palabras, el costo de transportar una unidad de producto de la localidad X al almacén

∆ + 20 %∆ = ∆ + 0.20∆ = (1 + 0.20)∆ = 1.20∆

Por consiguiente, el nuevo costo de transportar una unidad de producto de la localidad X

SOLUCIÓN.- Las matrices A, B y C son dados por

1000000 de dólares US 5 dólar HK

La capacidad de producción en la planta de la ciudad El Alto está dada por la matriz B.

(a) ¿Cuál es la capacidad de producción total en las dos plantas?