Algebra 2 - Gonzalez, H. - DMCC - MBI - FC - USACH (2012) PDF

CAPÍTULO 9
MATRICES
Recordaremos algunos caracterı́sticas de las matrices y daremos, especial énfasis, a las

operaciones elementales tanto como al escalonamiento de matrices.
Esto nos permitirá determinar matrices inversas y, posteriormente, resolver sistemas
de ecuaciones lineales y aplicaciones al Algebra Lineal.
9.1. DEFINICIÓN Y NOTACIONES
Definición 9.1.1. Sean I = [1, n], J = [1, m] intervalos cerrados de (N, ≤). Se llama
matriz de tipo (n, m) o matriz de tamaño n por m sobre el cuerpo K, a toda función del
tipo
A : I × J → K tal que (i, j) → A((i, j)) = aij .
Observación 9.1.1.
1. Como existen nm imágenes aij por la función A, esta función se puede describir
completamente disponiendo las imágenes en un arreglo rectangular de la forma
 
a11 a12 · · · a1m
 a21 a22 · · · a2m 
 
 .. .. .. .. 
 . . . . 
an1 an2 · · · anm
2. Distinguimos n filas y m columnas.

La i-ésima fila es la sucesión {ai1 , ai2 , . . . , aim }.
La j-ésima columna es la sucesión {a1j , a2j , . . . , anj }.
3. El arreglo rectangular tiene como único elemento que pertenece a la i-ésima fila,
j-ésima columna al elemento aij .
189
190 UNIVERSIDAD DE SANTIAGO DE CHILE, FACULTAD DE CIENCIA
4. Por abuso de lenguaje podemos identificar la función matriz A con su imagen escri-
biendo  
a11 a12 · · · a1m
 a21 a22 · · · a2m 
 
 .. .. . .. 
 . . . . . 
an1 an2 · · · anm
o más brevemente, A = (aij ) con (i, j) ∈ I × J.
5. Nos interesan, especialmente, las matrices definidas en el cuerpo de los números

reales, al conjunto de todas las matrices reales de tamaño nm lo denotamos por
M (n, m, R).
Ejemplo 9.1.1. Considere la matriz A = (aij ) ∈ M (2, 3, R) tal que

{
i+j si i ≥ j
aij =
ji si i < j
entonces ( )
2 2 3
A=
3 4 9
ya que, por ejemplo, a11 = 1 + 1 = 2, a13 = 31 = 3.
9.2. OPERACIONES CON MATRICES
Definición 9.2.1. Sean A, B ∈ M (n, m, R) tal que A = (aij ) y B = (bij ), entonces
A = B ⇔ aij = bij ∀ (i, j) ∈ I × J.
Ejemplo 9.2.1. Determine los números reales x e y, si

   
3 2x + 1 8 3 6 8
 2 4 7  =  2 4 7
y−2 4 9 −9 4 9
Solución. Usando la definición de igualdad de matrices obtenemos

{
2x + 1 = 6
y−2= −9
de donde x = 52 , y = −7.
HERALDO GONZÁLEZ SERRANO 191
Definición 9.2.2. Sean A, B ∈ M (n, m, R) tal que A = (aij ) y B = (bij ) entonces,

definimos la suma de matrices como
A + B = C = (cij ) ∈ M (n, m, R) tal que cij = aij + bij ∀ i, j.
Proposición 9.2.1. En M (n, m, R) se cumple,
a) A + (B + C) = (A + B) + C ∀ A, B, C ∈ M (n, m, R).
b) Existe 0 ∈ M (n, m, R) tal que A + 0 = 0 + A = A ∀ A ∈ M (n, m, R).
c) Si A ∈ M (n, m, R) entonces existe −A ∈ M (n, m, R) tal que −A + A = A + −A = 0,

∀ A ∈ M (n, m, R).
d) A + B = B + A ∀ A, B ∈ M (n, m, R).
1. La matriz O cuya existencia garantiza 9.2.1 b) es única. La matriz nula 0 = (zij ) es

tal que zij = 0, ∀ i, j.
2. La matriz −A cuya existencia garantiza 9.2.1 c) es única. La matriz −A se llama

matriz opuesta de A = (aij ) y es tal que −A = (−aij ), ∀ i, j.
3. Las propiedades se pueden demostrar usando la definición de igualdad en las matrices

y las propiedades de la suma en R.
Definición 9.2.3. Sea A = (aij ) ∈ M (n, m, R), k ∈ R entonces kA = (cij ) ∈ M (n, m, R)

donde cij = kaij , ∀ i, j.
Observación 9.2.2. kA es la ponderación de la matriz A por el escalar k y se cumple
1. 1A = A; ∀ A ∈ M (n, m, R), 1 ∈ R.
2. k(A + B) = kA + kB; ∀ A, B ∈ M (n, m, R); ∀ k ∈ R.
3. (k1 + k2 )A = k1 A + k2 A; ∀ A ∈ M (n, m, R); ∀ k1 , k2 ∈ R.
4. (k1 k2 )A = k1 (k2 A); ∀ A ∈ M (n, m, R); ∀ k1 , k2 ∈ R.
Definición 9.2.4. Sean A = (aij ) ∈ M (n, m, R), B = (bij ) ∈ M (m, p, R) entonces defini-
mos el producto de matrices como
∑
m
AB = C = (cij ) ∈ M (n, p, R) tal que cij = aik bkj .
k=1
Observación 9.2.3. El elemento cij que pertenece a la i-ésima fila, j-ésima columna de AB
es
∑
m
cij = aik bkj = ai1 b1j + ai2 b2j + · · · + aim bmj ,
k=1
se obtiene “multiplicando la i-ésima fila de A por la j-ésima columna de B”.
Proposición 9.2.2. Se cumple:
a) En general, la multiplicación de matrices no es conmutativa, es decir, AB ̸= BA.
b) A(BC) = (AB)C donde A, B, C son matrices conformes.
c) A(B + C) = AB + AC donde A, B, C son matrices conformes.

(A, B, C son matrices conformes cuando tienen los tamaños adecuados para operar
entre ellas)
Demostración.
a) Si consideramos las matrices

( ) ( )
1 2 5 6
A= , B=
3 4 7 8
entonces, si AB = C = (cij ), BC = D = (dij ) tenemos que
c11 = (1)(5) + (2)(7) = 19 y d11 = (5)(1) + (6)(3) = 23
ası́, AB ̸= BA.
b) y c) lo demuestran ustedes.
9.3. MATRICES CUADRADAS
Si una matriz es de tamaño n por n entonces ella es una matriz cuadrada de tamaño
n y al conjunto que las contiene lo denotamos M (n, R).
Proposición 9.3.1. El conjunto M (n, R) con la suma y la multiplicación es un anillo no

conmutativo con unidad.
Demostración. Debemos demostrar que el trı́o (M (n, R), +, ·) es tal que
1) (M (n, R), +) es un grupo abeliano.
2) La multiplicación es una operación binaria interna que cumple

a) A(BC) = (AB)C, ∀ A, B, C ∈ M (n, R).

b) A(B + C) = AB + AC, ∀ A, B, C ∈ M (n, R).
3) En general AB ̸= BA.
4) Existe Idn ∈ M (n, R) tal que Idn · A = A · Idn = A, ∀A ∈ M (n, R).
Los puntos 1), 2) y 3) ya se conocen en M (n, m, R), estudiemos el punto 4).

La matriz identidad en las matrices de tamaño n es Idn = (δij ) donde
{
1 si i = j
δij =
0 si i ̸= j
demostremos que A · Idn = A.

Sea A · Idn = B = (bij ), debemos demostrar que bij = aij ∀ i, j,
∑
n ∑
j−1 ∑
n
bij = aik δkj = aik δkj + aij δjj + aik δkj = aij
k=1 k=1 k=j+1
ya que la primera suma tiene valor cero puesto que δkj = 0, ∀ k ̸= j, esto también ocurre
para la ultima sumatoria.
Observación 9.3.1. Si bien es cierto que, en general, la multiplicación de matrices no es

conmutativa, podemos encontrar las infinitas matrices que conmutan con una matriz dada.
Ejemplo 9.3.1. Determine todas las matrices que conmutan con

( )
1 −1
A= ∈ M (2, R).
0 2
Solución. Sea B = ( xz wy ) ∈ M (2, R), imponiendo la condición obtenemos AB = BA, ası́,

( )( ) ( )( )
1 −1 x y x y 1 −1
AB = BA ⇒ =
0 2 z w z w 0 2
( ) ( )
x−z y−w x −x + 2y
=
2z 2w z −z + 2w


x − z = x


y − w = −x + 2y
⇒

2z = z


2w = −z + 2w
{
z=0
⇒
y =x−w
ası́, ( )
x x−w
B= x, w ∈ R,
0 w
( 1 −1 )
luego, el conjunto formado por todas de las matrices que conmutan con A = 0 2 es
{ ( ) }
x x−w
B /B = x, w ∈ R .
0 w
Observe que, dando valores a las variables x, w podemos determinar algunas matrices
que conmutan inmediatamente con la matriz A; como son la propia matriz A, la matriz
nula y la matriz identidad. La misma matriz A se obtiene cuando x = 1, w = 2; la
matriz identidad, la obtenemos cuando x = w = 1 y la matriz nula la obtenemos cuando
x = w = 0.
Otra matriz es, por ejemplo, B = ( 50 32 ).
9.3.1. Matrices no singulares

Hemos visto que, en general la multiplicación no es conmutativa, y que, sin embargo,
existen matrices que conmutan con otras; más aún, si A ∈ M (n, R), es posible que exista
una matriz B ∈ M (n, R) tal que AB = BA = Idn , por ejemplo,
( )( ) ( )( ) ( )
2 5 3 −5 3 −5 2 5 1 0
= =
1 3 −1 2 −1 3 1 3 0 1
Definición 9.3.1. Sea A ∈ M (n, R), si existe una matriz B ∈ M (n, R) tal que AB =
BA = Idn entonces decimos que B es una matriz inversa de A.
1. No toda matriz cuadrada admite inversa, por ejemplo, la matriz A = ( 10 20 ) ∈ M (2, R)

no tiene inversa ya que no existe una matriz B = ( xy wz ) ∈ M (2, R) tal que
( )( ) ( )
1 2 x z 1 0
AB = = .
0 0 y w 0 1
2. Cuando una matriz A ∈ M (n, R) admite inversa, esta es única.

En efecto, si B, C ∈ M (n, R) son ambas inversas de la matriz A entonces AB =
BA = Idn y además AC = CA = Idn . De aquı́ tenemos que
B = B · Idn = B(AC) = (BA)C = Idn · C = C.
Denotamos por A−1 a la matriz inversa de A.
Ejemplo 9.3.2. Determine A−1 , si existe, para A = ( 31 21 ).

( )
Solución. Sea A−1 = ac db , entonces, imponiendo la condición de inversa tenemos
A−1 A = AA−1 = Id2 .
De A−1 A = Id2 conseguimos
( )( ) ( )
a b 3 2 1 0
= ,
c d 1 1 0 1
esto indica que ( ) ( )

3a + b 2a + b 1 0
= .
3c + d 2c + d 0 1
Con esto conseguimos el sistema 

 3a + b = 1


 2a + b = 0

 3c + d = 0


 2c + d = 1
cuya solución es
a = 1, b = −2 , c = −1 , d = 3.
( −2
)
Ası́ A−1 = 1
−1 3 . Usted debe verificar que AA−1 = Id2 .
Observación.
1. Para el caso n = 2 obtenemos la siguiente fórmula que nos entrega, directamente, la

inversa ( )
d −b
( )−1
a b −c a
= , con ad − bc ̸= 0.
c d ad − bc
2. Si el tamaño de la matriz es 3 entonces generarı́amos un sistema con 9 incógnitas,

suficiente para desalentarnos. Pronto al interior de este capı́tulo, usando operaciones
elementales calcularemos la inversa de manera más directa.
Algunas propiedades
( )−1
1. Si la matriz A es invertible (no singular) entonces A−1 = A.
2. Si A, B son invertibles entonces AB y BA son invertibles y se cumple
(AB)−1 = B −1 A−1 y (BA)−1 = A−1 B −1 .
3. (ABC)−1 = C −1 B −1 A−1 A, B, C invertibles.

Demostración.
2. Si logramos probar que, tanto (AB)−1 como B −1 A−1 son inversas de otra matriz
entonces, por la unicidad de la inversa concluimos que estas son iguales, tal matriz
es AB, veámoslo.
Es inmediato que (AB)(AB)−1 = (AB)−1 (AB) = Idn , por otro lado

( ) [ ] [ ( )]
(AB) B −1 A−1 = (AB)B −1 A−1 = A BB −1 A−1 = (A·Idn )A−1 = AA−1 = Idn ,
análogamente se puede demostrar que (B −1 A−1 )(AB) = Idn
3. Usando 2. tenemos que

( )
(ABC)−1 = [A(BC)]−1 = (BC)−1 A−1 = C −1 B −1 A−1 = C −1 B −1 A−1 .
9.3.2. Potencias de Matrices Cuadradas

Definición 9.3.2. Sea A ∈ M (n, R) entonces An , n ∈ N ∪ {0} es tal que
{
Idn si n = 0
An =
A n−1 A si n ≥ 1
Observación 9.3.3. Si A ∈ M (n, R), p, q ∈ N entonces se cumple
a) Ap · Aq = Ap+q .
b) (Ap )q = Apq .
Demostración.
a) Realizaremos la demostración por inducción sobre q manteniendo fijo el valor de p.

Sea P (q) : Ap · Aq = Ap+q , debemos demostrar:
i) P (1) es V.
ii) Si P (k) es V entonces P (k + 1) es V.
i) P (1) es V ya que Ap · A = Ap+1 .

ii) Si P (k) es V, es decir, si Ap · Ak = Ap+k , debemos demostrar que Ap · Ak+1 =
Ap+(k+1) . Veámoslo
Ap · Ak+1 = Ap (Ak A) = (Ap Ak )A = (Ap+k )A = A(p+k)+1 = Ap+(k+1)

Ejemplo 9.3.3. Sean A, B ∈ M (n, R) matrices tales que AB = BA, demuestre que
A2 B = BA2 .
Solución. A2 B = (AA)B = A(AB) = A(BA) = (AB)A = (BA)A = B(AA) = BA2 .
Ejemplo 9.3.4. Sea ( )

a 1
A= ∈ M (2, R), a ̸= 0.
0 a
Determine una fórmula para An , n ∈ N y demuestre la validéz de dicha fórmula en los
naturales.
Solución. ( )( ) ( 2 )
a 1 a 1 a 2a
A =A·A= 2
=
0 a 0 a 0 a2
( 2 )( ) ( 3 )
a 2a a 1 a 3a2
A =A ·A=
3 2
=
0 a2 0 a 0 a3
( 3 )( ) ( 4 )
a 3a2 a 1 a 4a3
A =A ·A=
4 3
=
0 a3 0 a 0 a4
( n )
n a nan−1
Es fácil deducir que A = .
0 an
Demostremos ahora, por inducción, la validez de la fórmula. Sea
( n )
n a nan−1
P (n) : A = ,
0 an
a) P (1) se cumple ya que

( 1 ) ( )
1a 1a1−1 a 1
A = = .
0 a1 0 a
( k ) ( k+1 )
a kak−1 k+1 = a (k + 1)ak
b) Si Ak = debemos demostrar que A . Veámos-
0 ak 0 ak+1
lo,
( k )( ) ( k+1 k ) ( k+1 )
a kak−1 a 1 a a + kak a (k + 1)ak
A k+1
=A ·A=
k
= =
0 ak 0 a 0 ak+1 0 ak+1
 
1 1 1
Ejemplo 9.3.5. Sea A = 0 0 0 ∈ M (3, R). Determine
1 1 1
a) An , n ∈ N, verifique la fórmula por inducción.
∑
n
b) Determine Ai .
i=1
Solución.
a)     
1 1 1 1 1 1 2 2 2
A2 = A · A = 0 0 0 0 0 0  = 0 0 0
1 1 1 1 1 1 2 2 2
    
2 2 2 1 1 1 4 4 4
A3 = A2 · A = 0 0 0  0 0 0 = 0 0 0
2 2 2 1 1 1 4 4 4
    
4 4 4 1 1 1 8 8 8
A4 = A3 · A = 0 0 0  0 0 0 = 0 0 0 ,
4 4 4 1 1 1 8 8 8
podemos deducir que
 
2n−1 2n−1 2n−1
An =  0 0 0  = 2n−1 A;
2n−1 2n−1 2 n−1
la inducción se verifica fácilmente.

b)
∑
n ∑
n ∑
n
i
A = i−1
2 A=A 2i−1 = (2n − 1)A.
i=1 i=1 i=1
Ejemplo 9.3.6. Considere la familia de matrices M = aId2 + bB, a, b ∈ R − {0},

B = ( 00 10 ).
a) Determine B n .
b) Determine M n .
Solución.
a) Es inmediato obtener
( ) ( )
0 0 0 0
2
B = n
de donde B = ∀ n ≥ 2.
0 0 0 0
b) Como A y Id2 conmutan, entonces podemos aplicar el Teorema del Binomio, obte-
nemos,
∑n ( )
n n n n−p n−p p p
M = (aId2 + bB) = a Id2 b B
p
p=0
( ) ( )
n n n n n−1 n−1
= a Id2 + a Id2 bB
0 1
= an Id2 + nan−1 bB
( n )
a nan−1 b
=
0 an
9.4. MATRICES ESPECIALES
Mostraremos algunos tipos de matrices que aparecen con mucha frecuencia en las
aplicaciones de las matrices en las Ciencias Aplicadas.
Definición 9.4.1. Considere la matriz Idn ∈ M (n, R), decimos que la matriz B es una
matriz escalar si B = αIdn , α ∈ R − {0}.
( ) ( )
2 0 1 0
Ejemplo 9.4.1. B = ∈ M (2, R) es una matriz escalar ya que B = 2 .
0 2 0 1
Observación 9.4.1. Si B ∈ M (n, R) es una matriz escalar entonces conmuta con

A ∈ M (n, R), ∀ A.
Definición 9.4.2. A ∈ M (n, R) se llama matriz idempotente si y sólo si A2 = A.
Ejemplo 9.4.2. Se puede verificar, con facilidad, que las matrices

 
( ) 2 −2 −4
1 −1
A= ∈ M (2, R) , B = −1 3 4  ∈ M (3, R)
0 0
1 −2 −3
son idempotentes.
Observación 9.4.2. A idempotente ⇒ An = A, ∀ n ∈ N.
Definición 9.4.3. A ∈ M (n, R) se llama matriz nilpotente de grado p si existe p ∈ N tal

que Ap = 0 y Ap−1 ̸= 0.
Ejemplo 9.4.3. Usted puede verificar que

 
0 0 1
A = 1 0 0 ∈ M (3, R)
0 0 0
es nilpotente de grado 3.
9.4.1. Matriz Traspuesta

Definición 9.4.4. Sea A = (aij ) ∈ M (n, m, R), definimos la matriz traspuesta de A,
denotada At como At = (atij ) ∈ M (m, n, R) tal que atij = aji , ∀ i, j.
 
( ) 1 4
1 2 3
Ejemplo 9.4.4. Si A = ∈ M (2, 3, R) entonces At = 2 5 ∈ M (3, 2, R).
4 5 6
3 6
Proposición 9.4.1. Sean A, B matrices “conforme”, λ ∈ R, se cumple
1) (At )t = A.
2) [λA]t = λAt .
3) (A + B)t = At + B t .
4) (AB)t = B t At .
( )t ( )−1
5) Si A es invertible entonces A−1 = At .
Demostración.
3) Sean A = (aij ), B = (bij ) ∈ M (n, m, R)

( entonces
) A+B = (cij ) ∈ M (n, m, R) tal que
cij = aij + bij , ∀ i, j, ası́, (A + B)t = ctij ∈ M (m, n, R) donde ctij = cji = aji + bji ,
tenemos,
(A + B)t = (aji + bji ) = (aji ) + (bji ) = At + B t .
4) Sean A = (aij ) ∈ M (n, m, R), B = (bij ) ∈ M (m, r, R) entonces AB = C = (cij ) ∈

∑
m
M (n, r, R) tal que cij = aik bkj .
k=1
Como {
i-ésima fila
cij ∈
j-ésima columna
de AB, entonces este elemento también pertenece a
{
j-ésima fila
i-ésima columna
de (AB)t .
Debemos demostrar que
{
j-ésima fila
cij ∈
i-ésima columna
de B t At .
La j-ésima fila de B t es la j-ésima columna de B, es decir, (bij b2j . . . bnj ) y la
i-ésima columna de At es la i-ésima fila de A, es decir, (ai1 ai2 . . . ain ) por lo que
el elemento que pertenece a
{
j-ésima fila
i-ésima columna
de B t At es b1j ai1 + b2j ai2 + · · · + bnj ain , este término es igual a ai1 bij + ai2 b2j + · · · +
ain bnj , precisamente cij .
Observación 9.4.3. Se cumple que (ABC)t = C t B t At , A, B, C matrices conforme.
Para realizar la demostración usamos las propiedades ya vistas, ası́ entonces,

( )
(ABC)t = [(AB)C]t = C t (AB)t = C t B t At = C t B t At .
9.4.2. Matriz Simétrica y Matriz Antisimétrica

Definición 9.4.5. Sea A ∈ M (n, R), decimos que
a) A es una matriz simétrica si y sólo si At = A.
b) A es una matriz ansimétrica si y sólo si At = −A.
Ejemplo 9.4.5. Si A ∈ M (n, R), demuestre que
a) A + At es simétrica.
b) A − At es antisimétrica.
Solución. Debemos demostrar que

( )t
a) A + At = A + At , veámoslo
( )t ( )t
A + At = At + At = At + A = A + At .
( )t ( )
b) A − At = − A − At , veámoslo
( )t ( )t ( )
A − At = At − At = At − A = − A − At .
Ejemplo 9.4.6. Las matrices

 
( ) 1 −2 3
1 2
A= , B = −2 7 −10
2 7
3 −10 4
son simétricas.
Ejemplo 9.4.7. En la matriz

 
2 α −3
A =  5 6 −2 ,
β −2 4
es inmediato concluir que, para que A sea simétrica se debe cumplir que α = 5 y β = −3.
( )t
Ejemplo 9.4.8. Considere la ecuación matricial A − AB t X t = XBAt donde X, A, B ∈
M (n, R) son matrices no singulares
a) Resuelva la ecuación planteada para X.
b) Si n = 2, ( ) ( )
3 −1 1 3
A= y B=
2 2 3 4
determine X.
Solución.
a)
( )t
A − AB t X t = XBAt
At − XBAt = XBAt
2XBAt = At
1 t( )−1
⇒X = A BAt
2
1 t (( t )−1 −1 )
= A A B
2
1 ( ( )−1 ) −1
= At At B
2
1 −1
= B .
2
b) Si n = 2 y como
( )
4 −3
( )−1 ( 4 )
−1 1 3 −3 1 −5 3
5
B = = =
3 4 4−9 3
5 − 15
entonces ( 4 )
− 10 3
10
X= .
3
10 − 101
Ejemplo 9.4.9. Si A, B ∈ M (n, R), A matriz simétrica, demuestre que B t AB es simétri-

ca.
( )t
Solución. Debemos demostrar que B t AB = B t AB si At = A,
( )t ( )t
B t AB = B t At B t = B t AB.
9.5. OPERACIONES ELEMENTALES
Definición 9.5.1. Se llama operación elemental a la función e : M (n, m, R) → M (n, m, R)

tal que e(A) = B, definida por las siguientes acciones
i) Intercambiar la i-ésima fila con la j-ésima fila de A (columnas); denotamos, respec-

tivamente fij , (cij ).
ii) Multiplicar la i-ésima fila (columna) de A por una constante k ̸= 0; denotamos,

respectivamente fi (k), (ci (k)).
iii) Multiplicar la i-ésima fila de A por una constante k ̸= 0 y sumar esta a la j-ésima
fila de A; denotamos, respectivamente fji (k), (cji (k)).
Observación 9.5.1. Las operaciones elementales son funciones biyectivas y su función in-
versa es
1
fij−1 = fij ; fi−1 (k) = fi ( ) ; fji
−1
(k) = fji (−k).
k
Las notaciones para las operaciones elementales columna son análogas.
Definición 9.5.2. Sean A, B ∈ M (n, m, R). Se dice que A es equivalente con B si B

se deduce de A por medio de una cantidad finita de operaciones elementales. Denotamos
f c
A ∼ B ó A ∼ B.
Observación 9.5.2. La relación ∼ definida en M (n, m, R) es una relación de equivalencia.
Definición 9.5.3. Sea A = (aij ) ∈ M (n, m, R), decimos que la matriz A está escalonada
por filas si
i) Las primeras k filas de A son no nulas, k ≤ n.
ii) Para cada k-ésima fila, el primer elemento no nulo es un 1.
iii) Si los 1 de las primeras k filas no nulas están en las columnas ck1 , ck2 , . . . , ckm entonces
k1 < k 2 < . . . < k m .
Si además, cada elemento de la columna ckn es un cero excepto el 1 de la fila corres-
pondiente entonces decimos que la matriz escalonada está reducida.
Ejemplo 9.5.1.  
1 2 3
A = 0 1 −1
0 0 0
está escalonada (tiene dos escalones) pero no está reducida.
 
1 0 0
0 1 0
B= 0

0 1
0 0 0
está escalonada y reducida.
Observación 9.5.3. Toda matriz no nula es equivalente fila con una matriz escalonada y
reducida por filas.
Debemos seguir un método que nos conduzca con éxito en esta tarea.
Primero debemos encontrar la primera columna no nula y allı́, por intermedio de
operaciones elementales conseguir un 1 en la primera fila, a continuación y, tomando como
pivote este 1 debemos producir ceros bajo este 1.
Enseguida repetimos el proceso para la submatriz que se obtiene fijando la primera
fila y esta primera columna (y las eventuales anteriores) no nula; con este procedimiento
hemos escalonada la matriz.
Para reducir la matriz procedemos desde el último 1 produciendo ceros sobre él.
Este algoritmo es la demostración (simplificada) de la Observación 9.5.3.
Ejemplo 9.5.2. Determine la matriz equivalente, escalonada y reducida por filas de

 
2 1 4
A = 1 1 3  .
2 0 1
Solución.
       
2 1 4 1 1 3 1 1 3 1 1 3
f12 f21 (−2) f31 (−2)
A = 1 1 3 ∼ 2 1 4 ∼ 0 −1 −2 ∼ 0 −1 −2
2 0 1 2 0 1 2 0 1 0 −2 −5
     
1 1 3 1 1 3 1 1 3
f2 (−1) f32 (2) f3 (−1)
∼ 0 1 2  ∼ 0 1 2  ∼ 0 1 2
0 −2 −5 0 0 −1 0 0 1
La matriz ya está escalonada, ahora debemos reducirla, para ello debemos “pivotear”
con el 1 que está en la tercera fila para producir ceros sobre él. Si multiplicamos la tercera
fila por −2 y después por −3 conseguimos los ceros deseados, después debemos producir
ceros sobre el 1 de la segunda fila; denotaremos más directamente como sigue:
     
1 1 3 1 1 0 1 0 0
f (−2) f (−1)
0 1 2 23∼ 0 1 0 12∼ 0 1 0 .
f (−3)
0 0 1 13 0 0 1 0 0 1
En realidad es fácil.
9.6. MATRIZ INVERSA POR OPERACIONES ELEMENTALES
Definición 9.6.1. Se llama matriz elemental a toda matriz que se deduce de Idn por
intermedio de una operación elemental.
Ejemplo 9.6.1. ( )
1 0
E1 =
2 1
es matriz elemental ya que
( ) ( )
1 0 f21 (2) 1 0
Id2 = ∼ = E1 .
0 1 2 1
Proposición 9.6.1. Sea A ∈ M (n, m, R) y B deducida de A al efectuar una operación

elemental fila e, entonces, B = EA, donde E es la matriz elemental deducida de Idn al
efectuar la misma operación elemental fila e.
Por otro lado, B = AE donde E es la matriz elemental deducida de Idm al efectuar la
misma operación elemental columna e.
( )
1 4 3
Ejemplo 9.6.2. Sea A = ∈ M (2, 3, R). Como
2 1 6
( ) ( )
1 4 3 f12 (−1) −1 3 −3
A= ∼ = B,
2 1 6 2 1 6
entonces ( )( ) ( )
1 −1 1 4 3 −1 3 −3
B = EA = =
0 1 2 1 6 2 1 6
donde E se obtiene a partir de Id2 como sigue:
( ) ( )
1 0 f12 (−1) 1 −1
Id2 = ∼ = E.
0 1 0 1
( )
1 2 3
Sea A = ∈ M (2, 3, R). Como
4 5 6
( ) ( )
1 2 3 c12 2 1 3
A= ∼ =B
4 5 6 5 4 6
entonces  
( ) 0 1 0
1 3 5 
B = AE = 1 0 0
2 4 6
0 0 1
donde E se obtiene a partir de Id3 como sigue,

   
1 0 0 0 1 0
Id3 = 0 1 0 ∼ 1 0 0 = E.
c12
0 0 1 0 0 1
Notación.
B = e(A) = EA cuando la operación elemental es operación elemental fila.
B = e(A) = AE cuando la operación elemental es operación elemental columna.
Proposición 9.6.2. Las inversas de matrices elementales son matrices elementales.
Demostración. Sea e una operación elemental tal que E es su correspondiente matriz ele-
mental, sea e′ la operación elemental inversa de e y E ′ su correspondiente matriz elemental,
debemos demostrar que EE ′ = E ′ E = Idn (por filas)
Idn = Id(Idn ) = (e ◦ e′ )(Idn ) = e(e′ (Idn )) = e(E ′ Idn ) = e(E ′ ) = EE ′ ,
Idn = Id(Idn ) = (e′ ◦ e)(Idn ) = e′ (e(Idn )) = e′ (EIdn ) = e′ (E) = E ′ E.

ası́ entonces, EE ′ = E ′ E = Idn .
Note que Id es la función identidad y Idn es la matriz identidad.
Observación 9.6.1. Se puede demostrar que,
1) Si A, B ∈ M (n, R) entonces, A ∼ B ⇔ B = Ek Ek−1 . . . E1 A (por filas).
2) Si A, B ∈ M (n, R) entonces, A ∼ B ⇔ B = A E1 E2 . . . Ek (por columnas).

f
3) Si A ∈ M (n, R) entonces, A es no singular ⇔ A ∼ Idn .
Demostración.
1) ⇒) Si A ∼ B entonces existe una cantidad finita de operaciones elementales para

transformar A en B, luego A1 = E1 A, A2 = E2 A1 = E2 E1 A, A3 = E3 A2 =
E3 E2 E1 A ası́ sucesivamente hasta conseguir B = Ak = Ek Ek−1 . . . E2 E1 A.
⇐) Si B = Ak = Ek Ek−1 . . . E2 E1 A entonces existen k operaciones elementales para
transformar A en B, luego, A ∼ B.
2) Se demuestra de manera análoga.

f
3) ⇐) Si A ∼ Idn entonces Idn = Ek Ek−1 . . . E2 E1 A, despejando la matriz A obtenemos
A = E1−1 E2−1 . . . Ek−1 Idn y A es invertible por ser producto de matrices invertibles.
f f
⇒) Si A es invertible debemos demostrar que A ∼ Idn . Sea A ∼ B con B una matriz
escalonada y reducida por filas, entonces B = Idn ya que si no es ası́, B tendrı́a al
menos una fila nula, lo que indicarı́a que A no es invertible.
Estamos ahora en condiciones de presentar un Algoritmo que nos permite encontrar

la inversa de una matriz, usando operaciones elementales.
Algoritmo.
f
Sea A ∈ M (n, R) tal que (A |Idn ) ∼ (Idn |P ), entonces P = A−1 .
En efecto
( )
(A |Idn ) ∼ (En En−1 . . . E1 A |En En−1 . . . E1 Idn ) = Idn A−1 .
f
Ejemplo 9.6.3. Calcule A−1 si

 
1 0 2
A = 2 −1 3 .
4 1 8
Solución.
   
1 0 2 1 0 0 1 0 2 1 0 0
f21 (−2)
(A|Id3 ) =  2 -1 3 0 1 0  ∼  0 -1 -1 -2 1 0 
4 1 8 0 1 0 -4
f31 (−4)
0 0 1 0 1
   
1 0 2 1 0 0 1 0 2 1 0 0
f2 (−1) f32 (−1)
∼  0 1 1 2 -1 0  ∼  0 1 1 2 -1 0 
0 1 0 -4 0 1 0 0 -1 -6 1 1
   
1 0 0 -11 2 2 1 0 0 -11 2 2
f23 (1) f3 (−1)
∼  0 1 0 -4 0 1  ∼  0 1 0 -4 0 1 .
0 0 -1 -6 0 1 6 -1
f13 (2)
1 1 0 -1
Ası́ entonces  
−11 2 2
A−1 =  −4 0 1 .
6 −1 −1
Se puede verificar que
    
1 0 2 −11 2 2 1 0 0
A · A−1 = 2 −1 3  −4 0 1  = 0 1 0  .
4 1 8 6 −1 −1 0 0 1
9.7. EJERCICIOS PROPUESTOS
Ejercicio 9.1. Sean

     
8 0 1 0 1 2 3 1 1
A= 3 4 1 , B = 3 0 1 , C = 4 −5 1 , A, B, C ∈ M (3, R).
1 0 1 0 0 1 6 −1 3
Determine
a) A + B − C c) 1
2 A − 34 C e) A2 + A · B − B 2
b) A · B d) (A · B)t f ) (A + B)t · C
Ejercicio 9.2. Sean



0 si i < j
A = (aij )10×15 , tal que aij = −1 si i = j


i si i > j
{
0 si i≥j+2
B = (bij )15×12 , tal que bij =
i si i<j+2
{
5 si i ̸= j
C = (cij )10×15 , tal que cij =
7+j si i = j
Calcule
a) s5,9 en A + C = (sij ).
b) t4,10 en AB = (tij ).
c) r4,3 en (A + C)t = (rij ).
Ejercicio 9.3. Sea A = (aij ) ∈ M (n, R), definimos la traza de A, denotada tr(A) como
∑n
tr(A) = aii . Demuestre que:
i=1
a) tr(kA) = ktr(A), ∀ k ∈ R, ∀ A ∈ M (n, R).

( )
b) tr At = tr(A), ∀ A ∈ M (n, R).
c) tr(A + B) = tr(A) + tr(B), ∀ A, B ∈ M (n, R).
d) tr(AB) = tr(BA), ∀ A, B ∈ M (n, R).

( ) ∑n ∑
n
e) tr AAt = a2ij .
i=1 j=1
Ejercicio 9.4. ¿Bajo que condiciones las matrices A, B ∈ M (n, R) cumplen

a) (A + B)2 = A2 + 2AB + B 2 ?
b) (A + B)(A − B) = A2 − B 2 ?.
Ejercicio 9.5. Determine a, b ∈ R, para que se cumpla:

 
( ) ( ) 1 0
a 6 1 0 3 
+ 2Id2 = · 0 1
−2 b 0 1 2
−1 2
Resp. a = −4, b = 3.
Ejercicio 9.6. Si  
1 −1 ( )
3 1
A = 2 2  , B=
−4 4
1 0
¿ Existe matriz C tal que CA = B?. Justifique.
( 2−c 4−c )
c
Resp. C = 2
−f −8
4
−f , c, f ∈ R.
2 4 f
Ejercicio 9.7. Sean A, B ∈ M (2, R) tal que AB = Id2 . Demuestre que también BA =
Id2 .
Ejercicio 9.8. Hallar todas las matrices que conmutan con

( )
1 1
A=
0 1
{( ) }
d b
Resp. B = /d, b ∈ R .
0 d
( )
Ejercicio 9.9. Sean A, B ∈ M (2, R). Si cada una de ellas conmuta con la matriz 0 1
−1 0 ,
demuestre que conmutan entre si.
Ejercicio 9.10. Si A, B ∈ M (n, R) tal que A = B + C, C 2 = 0, B y C conmutan,

demuestre que:
An+1 = B n [B + (n + 1)C] .
( )
Ejercicio 9.11. Sea A = ac db ∈ M (2, R). Declarando los supuestos necesarios determine
A−1 y aplique esto último para determinar A−1 (si existe) cuando:
( ) ( ) ( ) ( )
3 1 3 1 3 1 3 0
A= , A= , A= , A= .
−1 0 −1 6 6 2 −1 0
( d −b
)
−c a
Resp. A−1 = si ad − bc ̸= 0.
ad − bc
Ejercicio 9.12. Sean A ∈ M (2, 1, R) , B ∈ M (1, 2, R). Demuestre que AB no es inverti-

ble.
Ejercicio 9.13. Resuelva los siguientes sistemas para las matrices X e Y .

 ( )  ( )

 2 1 0 
 1 −2

 X + 2Y = 
 X −Y =

 1 −1 2 
 −1 3
 
a) b)

 ( ) 
 ( )

 1 2 −1 
 3 0

 

2X + 3Y = X + Y =
2 0 1 3 1
Resp.
( ) ( )
−4 1 −2 3 0 1
a) X = , Y =
1 3 −4 0 −2 3
( ) ( )
2 −1 1 1
b) X = , Y =
1 2 2 −1
Ejercicio 9.14. Sean A, B ∈ M (n, R) tal que AB = kB, ∈ R. Demuestre que An B =

k n B, n ∈ N.
Ejercicio 9.15. Sean

( ) ( ) ( )
1 0 4 0 3 −2
A= , B= , C= .
0 1 0 4 −1 2
¿Cuál(es) de las matrices dadas es(son) soluciones de la ecuación X 2 − 5X + 4Id2 = 0?.
( 1 2
)
Ejercicio 9.16. Sea A = 3 4 , determine todas las matrices B tal que BA = Id2 .
−1 4
{( ) }
−2 − 8c 1 + 3c c
Resp. B = /c, f ∈ R .
2 − 8f − 12 + 3f
3
f
Ejercicio 9.17. Sean A, B, X ∈ M (n, R), B una matriz no-singular, determine X si

B t X t = (A − XB)t . Si n = 2,
( ) ( )
1 0 1 0
A= , B=
3 1 3 2
determine X.
Resp. X = 12 AB −1 .
Ejercicio 9.18. Sea E ∈ M (n, R) tal que E t E = Idn . Demuestre que si AB = BA

entonces XY = Y X, donde X = EAE t , EBE t .
Ejercicio 9.19. Demuestre que
a) (At )t = A.
b) (A + B)t = At + B t .
c) (AB)t = B t At .
d) (kA)t = kAt .
e) (ABC)t = B t C t At , donde A, B, C son matrices “conformes”, k ∈ R.
Ejercicio 9.20. Sean A, B matrices cuadradas. Demuestre que An y B m , n, m ∈ N

conmutan si A, B conmutan.
(1 1 0)
Ejercicio 9.21. Sea A = 011 . Encuentre una formula para An , n ∈ N. Demuestre la
001
formula por inducción y calcule 20A12 .
 n(n−1) 
1 n 2
Resp. An = 0 1 n .
0 0 1
( 0 −1 )
Ejercicio 9.22. Determine una formula para An , n ∈ N, donde A = 1 0 .


 A si n = 4k − 3


−Id si n = 4k − 2
n
Resp. An =

 −A si n = 4k − 3


Id si n = 4k
n
Ejercicio 9.23. Sea M = {A ∈ M (2, R)/A = ( 10 a1 ) , a ∈ R}.
a) Demuestre que (M, ·) es un grupo conmutativo.
b) Determine Ap , p ∈ N.

1 1 1
Ejercicio 9.24. Sea A = 1 1 1 ∈ M (3, R).
1 1 1
a) Determine una formula para An , n ∈ N, demuestre la formula por inducción.

∑
n
b) Calcule Ai .
i=1
3n −1
Resp. a) An = 3n−1 A. b) 2 A.
( )
1 0
Ejercicio 9.25. Sea A = ∈ M (2, R).
−1 1
a) Determine una formula para An , n ∈ N, demuestre la formula por inducción.
∑
n
b) Calcule Ai .
i=1
( ) ∑
n ( )
1 0 i n 0
Resp. a) An = . b) A = .
−n 1 − n(n+1)
2 n
i=1
Ejercicio 9.26. Determine X ∈ M (2, R) tal que
a) X 2 = Id2 .
b) X 2 = X.
( ) ( )
1 0 a b
c) AX = B si A = yB= .
0 0 c d
Ejercicio 9.27. Sea B = (bij ) ∈ M (n, R) tal que

{
0 si i = j
bij =
1 si i ̸= j
a) Determine B 2 .
b) Si a = kIdn + tB, determine k, t para que A2 = Idn . Verifique.
Ejercicio 9.28. Considere el sistema matricial

{
(XA)t + B t Y t = At + (2Y B)t − At X t
XA + Y B = 2(XA + B)
a) Resuelva para X, Y ∈ M (n, R) en el sistema, dando condiciones a A, B.
b) Además, evalúe X e Y si
( ) ( )
1 1 1 0
A= , B=
0 1 0 12
Ejercicio 9.29. Sea A ∈ M (n, R), decimos que

i) A es nilpotente de orden p si y sólo si Ap = 0, donde p es el mayor entero positivo
para el cual Ap = 0.
ii) A es idempotente si y sólo si A2 = A.
a) De 3 ejemplos de cada tipo de matriz.

( 1 1 3 )
b) ¿Es A = 5 2 6 nilpotente de orden 3?.
−2 −1 −3
c) Si A es idempotente demuestre que
i) B = Idn − A es idempotente.
ii) AB = BA.
d) Si A es nilpotente de orden 2, demuestre que A(Idn ± A)n = A, ∀ n ∈ N.
Ejercicio 9.30. La matriz A ∈ M (n, R) se dice involutiva si y sólo si A2 = Idn .

a) De 3 ejemplos de una matriz involutiva.
b) Si A es involutiva, demuestre que
i) 1
2 (Idn + A) y 12 (Idn − A) son idempotentes.
ii) 1
2 (Idn + A) · 12 (Idn − A) = 0.
Ejercicio 9.31. La matriz A ∈ M (n, R) se dice simétrica si y sólo si At = A.

La matriz A ∈ M (n, R) se dice antisimétrica si y sólo si At = −A.
Demuestre que
a) A2 es simétrica si A es simétrica.
b) AAt es simétrica.
c) B t AB es simétrica si A es simétrica, B ∈ M (n, R).
d) Si A ∈ M (n, R) es antisimétrica, B ∈ M (n, R) entonces At BA es antisimétrica.
e) Si A ∈ M (n, R) es simétrica, entonces A2 , A4 , A6 , . . . son simétricas.
f) Si A ∈ M (n, R) es antisimétrica entonces A3 , A5 , A7 , . . . son matrices antisimétricas

y A2 , A4 , A6 , . . . matrices simétricas.
Ejercicio 9.32. Calcule x, y ∈ R para que la matriz

   
1 x 2 0 2x 1
i) A = 1 2 4 sea simétrica ii) B =  x2 0 −4x sea antisimétrica.
y 4 5 y+1 x 0
Resp. i) x = 1, y = 2. ii) x = 0, y = −2.
Ejercicio 9.33. Sea A ∈ M (n, R). Escriba la matriz A como la suma de( una )matriz
123
simétrica con una matriz antisimétrica. Aplique lo anterior a la matriz A = 4 5 6 .
789

    
1 2 3 1 3 5 0 −1 −2
1 1
Resp. A = (A + At ) + (A − At ) , A = 4 5 6 = 3 5 7 + 1 0 −1.
2 2
7 8 9 5 7 9 2 1 0
Ejercicio 9.34. Sean A, B ∈ M (n, R) matrices simétricas. Demuestre
a) A + B es simétrica.
b) AB es simétrica si y sólo si A y B conmutan.
Ejercicio 9.35. Si B = (bij ) ∈ M (n, 1, R) tal que bij = 1, ∀ i, j y A = Idn − n1 BB t , n ∈ N,
a) Demuestre que A es simétrica.
b) Demuestre que A es idempotente.
Ejercicio 9.36. Sean A y B matrices tal que AB = A, BA = B. Demuestre que,
a) B t At = At B t .
b) At es idempotente.
Ejercicio 9.37. Sean A, B ∈ M (n, R) invertibles tal que conmutan entre si, demuestre
que A−1 y B −1 también conmutan entre si.
Ejercicio 9.38. Sea A ∈ M (n, R) tal que A2 + A + Idn = 0. Determine A−1 .
Resp. A−1 = −A − Idn .
Ejercicio 9.39. Si A ∈ M (n, R) tal que Am = 0, para algún m natural, compruebe que
la matriz inversa de la matriz Idn − A es Idn + A2 + A3 + · · · + Am−1 .
Ejercicio 9.40. Sean A, B ∈ M (n, R) no-singulares. Demuestre que el producto es no-

singular y que (AB)−1 = B −1 A−1 .
Ejercicio 9.41. Sea A = (aij ) ∈ M (n, m, C), se llama matriz conjugada de A, denotada
A, a la matriz B = (bij ) ∈ M (n, m, C) tal que bij = aij . Demuestre que
a) A = A, ∀ A ∈ M (n, m, C).
b) kA = kA, ∀ k ∈ R, ∀ A ∈ M (n, m, C).
c) A + B = A + B, ∀ A, B ∈ M (n, m, C).
d) A · B = B · A, ∀ A, B matrices “conforme” complejas.
Ejercicio 9.42. Considere la matriz cuadrada compleja A ∈ M (n, C). A se llama matriz
t
hermitiana si A = A, es decir, A = (aij ) ∈ M (n, C) es hermitiana si aij = aji .
Verifique que las siguientes matrices son hermitianas,
 
( ) 2 i 1 − 2i ( )
0 i √ 3 1 − i
A= , B =  −i 3 6  , C= .
−i 0 1 + i −2
1 + 2i 6 0
t
Ejercicio 9.43. Si A se denota por A∗ verifique que (AB)∗ = B ∗ A∗ si
( ) ( )
2 − 3i 4 + 2i −2 −2 + i
A= , B= .
3i 5 3 − 2i 4 + 2i
Ejercicio 9.44. Sean A, B ∈ M (n, C) dos matrices hermitianas, demuestre que A + B

también es hermitiana y (A + B)∗ = A∗ + B ∗ .
Ejercicio 9.45. Si AB = −BA entonces decimos que las matrices A y B son anticonmu-
tativas. Demuestre que cada matriz
( ) ( ) ( )
0 1 0 −i 1 0
σx = , σy = , σz = , i2 = −1
1 0 i 0 0 −1
es anticonmutativa con las otras matrices (matrices del Spin de Pauli).
Ejercicio 9.46. Sean A, B ∈ M (n, R), la matriz AB − BA se llama “conmutador” de A

y B. Usando el ejercicio anterior compruebe que los conmutadores de σx ∧ σy , σy ∧ σz ,
σz ∧ σx son, respectivamente, 2iσz , 2iσx , 2iσy .
( )
1+i 2i
Ejercicio 9.47. Calcule A−1 si A = .
4 − 61 2 + 3i
( )
1 2 + 3i −2i
Resp. A−1 = .
−13 − 3i −4 + 6i 1 + i
Ejercicio 9.48. Si A(t) = (aij (t))m×n es una matriz cuyos elementos son funciones dife-
(d )
renciables en un dominio común entonces dAdt = dt aij m×n .
Si A(t) = (aij (t))m×n es una matriz cuyos elementos son funciones continuas en un
∫t (∫ )
t
dominio común que contiene a t y t0 , entonces t0 A(s)ds = t0 aij (s)ds .
m×n
Usando lo anterior, si  
sen2t
A(t) =  e3t  ,
8t − 1
dA
∫t
determine dt , 0 A(s)ds.
Ejercicio 9.49. En el espacio de las funciones continuas de R en R considere la función

( )
ax ax p
f (x) = pe cos(bx) + qe sen(bx) = .
q
( )( )
df a b p
a) Verifique que = .
dx −b a q
∫ ( )−1 ( )
a b p
b) Verifique que f (x)dx = + C te .
−b a q
d 2x
c) Usando a) calcule dx (e cos(3x)).
∫
d) Usando b) calcule e3x sen(2x)dx.
Ejercicio 9.50. Determine la matriz inversa (si existe) para cada una de las siguientes
matrices, use operaciones elementales. Verifique.
   
1 4 2 1 1 5
A = 3 7 9 , B = 4 10 16
1 5 1 2 5 8
 
1 −1 2 1  
−2 3 −4 1  α β γ
C= 
 5 −8 11 −4 , D =  0 α 0  si α · ε ̸= 0.
0 δ ε
−2 3 −4 2
 
αε γδ − βε −αβ
1 
Resp. D−1 = 2 0 αε 0 .
α ε
0 −αδ α2
( )
1 4
Ejercicio 9.51. Sea A = ∈ M (2, R).
1 2
a) Exprese A como producto de matrices elementales.
b) Exprese A−1 como producto de matrices elementales.
Resp.
( )( )( ) ( )( )( )
1 0 1 0 1 4 −1 1 −4 1 0 1 0
A= , A = .
1 1 0 −2 0 1 0 1 0 − 21 −1 1
Ejercicio 9.52. Demuestre que toda matriz A ∈ M (n, R) se puede factorizar como A =
BC donde B es no-singular y C es la matriz escalonada equivalente fila con A.
Aplique lo anterior a la matriz
 
1 0 0
A = 0 1 2  .
0 2 4
218
CAPÍTULO 10
DETERMINANTES
10.1. DEFINICIÓN Y EJEMPLOS
Definición 10.1.1. Sea K un cuerpo, llamamos determinante a la función denotada det,

tal que det : M (n, K) → K donde, si A = (aij ) ∈ M (n, K) se define det(A) por:

a11 si n = 1
det(A) = ∑n
 (−1)i+n ain Min si n > 1
i=1
con Min el determinante de orden n − 1 que se obtiene de A al eliminar la i-ésima fila y

la n-ésima columna.
Definición 10.1.2. Sea A = (aij ) ∈ M (n, K); el determinante de orden n − 1 que se

obtiene de A al suprimir la i-ésima fila y la j-ésima columna se llama el menor del elemento
aij y se denota Mij .
Ejemplo 10.1.1. Encuentre el menor a cada elemento de la primera fila de

( )
3 2
A=
1 4
Solución.
M11 = |4| = 4 , M12 = |1| = 1.
219
Observación 10.1.1. Si n = 2 y A = ( aa11

21
a12
a22 ) ∈ M (2, R) entonces
∑
a11 a12 2

det(A) = = (−1)i+2 ai2 Mi2
a21 a22
i=1
= (−1)1+2 a12 M12 + (−1)2+2 a22 M22
= −a12 M12 + a22 M22
= −a12 a21 + a22 a11 .
Para determinantes de orden 2 se puede aplicar la siguiente regla,

a11 a12

a21 a22 = a11 a22 − a12 a21
(“diagonal principal menos diagonal secundaria”).
Observación 10.1.2. Usando la definición, hemos calculado el determinante desarrollando

por menores de acuerdo a la segunda columna (la última columna), sin embargo se puede
desarrollar un determinante por menores de cualquier fila o cualquier columna, ası́,
 2
 ∑
 i+j
 (−1) aij Mij para alguna columna j fija, j = 1, 2
i=1
det(A) = ∑


2
 (−1)i+j aij Mij para alguna fila i fija, i = 1, 2
j=1
Ejemplo 10.1.2. Considere la matriz A = ( 31 24 ), determine det(A),
a) usando la definición,
b) usando la regla señalada,
c) por menores de la primera fila.
Solución.

3 2 ∑2
a) = (−1)i+2 ai2 Mi2 = (−1)3 2|1| + (−1)4 4|3| = −2 + 12 = 10.
1 4
i=1

3 2

b) = 3 · 4 − 1 · 2 = 10.
1 4

3 2 ∑ 2

c) = (−1)1+j a1j M1j = (−1)2 3|4| + (−1)3 2|1| = 12 − 2 = 10.
1 4
j=1
Observación 10.1.3. Si n = 3, entonces

a11 a12 a13
∑ 3
det(A) = a21 a22 a23 = (−1)i+3 ai3 Mi3 ,
a31 a32 a33 i=1
y también
 3
 ∑
 i+j
 (−1) aij Mij para alguna columna j fija, j = 1, 2, 3
|A| = i=1
∑


3
 (−1)i+j aij Mij para alguna fila i fija, i = 1, 2, 3
j=1
Ejemplo 10.1.3. Calcule el valor de

1 2 0

0 3 −1 ,

2 0 −2
desarrollando por menores de

a) la última columna,
b) la primera fila.
Solución.
a)

1 2 0 ∑
3
0 3 −1 = (−1)i+3 ai3 Mi3

2 0 −2 i=1
= (−1)1+3 a13 M13 + (−1)2+3 a23 M23 + (−1)3+3 a33 M33

0 3 1 2 1 2

= (−1) · 0 ·
4
+ (−1) · (−1) ·
5
+ (−1) · (−2) ·
6
2 0 2 0 0 3
= 0 + (−1)(−1)(−4) + 1(−2)(3)
= −10.
b)

1 2 0
∑3
0 3 −1 = (−1)1+j a1j M1j

2 0 −2 j=1

3 −1 0 −1 0 3
2
= (−1) (1) 3
+ (−1) (2) 4
+ (−1) (0)
0 −2 2 −2 2 0
= 1 · 1(−6) + (−1)(2)(2) + 0
= −10
Regla de Sarrus
Un determinante de tamaño 3 también se puede desarrollar por la Regla de Sarrus.
Calculemos el determinante del ejemplo anterior usando esta regla.
Copiamos, a continuación del determinante, las dos primeras columnas obteniendo

1 2 0 1 2 0 1 2

0 3 −1 = 0 3 −1 0 3 ;

2 0 −2 2 0 −2 2 0
sumamos los triples productos hacia abajo (a los cuales se les conserva el signo) con los
opuestos de los triples productos hacia arriba, ası́, el valor del determinante es −6 − 4 +
0 − 0 − 0 − 0 = −10.
10.2. COFACTORES
Definición 10.2.1. Sea A = (aij ) ∈ M (n, R) y Mij el menor de aij , llamamos cofactor
de aij al real (−1)i+j Mij y lo denotamos por Aij o Cof (aij ).
n
 ∑

 aij Aij para alguna columna j fija, j = 1, 2, 3, . . . , n
|A| = i=1∑
n


 aij Aij para alguna fila i fija, i = 1, 2, 3, . . . , n
j=1
10.3. PROPIEDADES DEL DETERMINANTE
Proposición 10.3.1. Sea A = (aij ) ∈ M (n, R), n ≥ 2, entonces det(A) = det(At ).
Demostración. Inducción sobre el orden de A.
i) Si n = 1 entonces A = (a11 ) y At = (a11 ) de donde det(A) = det(At ).
ii) Supongamos válida la proposición para determinantes de orden menor o igual que
n − 1, debemos demostrar que det(At ) = det(A), ∀ A ∈ M (n, R).
Sea B = (bij ) ∈ M (n, R) tal que B = At ; tenemos: bij = aji , ∀ i, j y, por la hipótesis
inductiva concluimos Bij = Aji .
Desarrollando det(B) por la i-ésima fila obtenemos:
∑
n ∑
n
det(B) = bij Bij = aji Aji = det(A).
j=1 j=1
Observación 10.3.1. De ahora en adelante, cualquier afirmación sobre filas de un determi-

nante permanecerá valida para columnas.
Teorema 10.3.1. Sea A = (aij ) ∈ M (n, R); 1 ≤ k ≤ n.
a) Si los elementos de la k-ésima fila de A son ceros, entonces det(A) = 0.
b) Si una matriz B se obtiene de A multiplicando los elementos de la k-ésima fila por

una constante c ̸= 0 entonces, det(B) = cdet(A).
c) Si cada elemento akj de la k-ésima fila de A es igual a a′kj + a′′kj entonces det(A) =
det(A′ ) + det(A′′ ) donde A′ y A′′ se deducen de A reemplazando akj por a′kj y a′′kj
respectivamente.
Demostración.
a) Si akj = 0 para todo j entonces, desarrollando el determinante por la k-ésima fila

obtenemos det(A) = 0.
b) Sea B = (bij ) ∈ M (n, R), los elementos de B son iguales a los de A excepto los de la
k-ésima fila, donde bkj = cakj , ∀ j, por lo tanto, desarrollando det(B) por ésta fila
obtenemos
∑
n ∑
n ∑
n
det(B) = bkj Bkj = cakj Akj = c akj Akj = cdet(A).
j=1 j=1 j=1
Note que el cofactor de cada uno de los elementos de la k-ésima fila de A es igual al
correspondiente cofactor de cada uno de los elementos de la k-ésima de B (precisa-
mente se elimina la fila que las hace diferentes).
c) Los elementos de A′ y A′′ difieren de los de A sólo en los de la k-ésima fila, por lo
tanto, A′kj = A′′kj = Akj ∀ j, ası́, desarrollando det(A) por la k-ésima fila obtenemos
∑
n
det(A) = akj Akj
j=1
∑n
= (a′kj + a′′kj )Akj
j=1
∑n ∑
n
= a′kj Akj + a′′kj Akj
j=1 j=1
∑n ∑n
= a′kj A′kj + a′′kj A′′kj
j=1 j=1
′ ′′
= det(A ) + det(A ).
Teorema 10.3.2. Sea A ∈ M (n, R), n ≥ 2, entonces

a) det(B) = −det(A) si B se obtiene de A intercambiando dos filas.
b) det(A) = 0 si A tiene dos filas proporcionales.
c) det(B) = det(A) si B se deduce de A multiplicando la k-ésima fila de A por una

constante c ̸= 0 y sumando a la r-ésima fila de A.
Demostración. a), b) propuestas.

c) Sea B = (bij ) donde la r-ésima fila de A tiene elementos brj = cakj + arj .
Usando las proposiciones anteriores obtenemos, det(B) = det(A) + cdet(A′ ) donde
A′ se obtiene reemplazando en A la r-ésima fila por la k-ésima fila; como en este
caso, A′ tiene dos filas iguales entonces det(A′ ) = 0, por lo tanto, det(B) = det(A).
Ejemplo 10.3.1. Verifique que

1 a b

1 a2 b2 = ab(a − 1)(b − 1)(b − a).

1 a3 b3
Solución.

1 a b 1 a b
f21 (−1)
1 a2 b2 = 0 a2 − a b2 − b

1 a3 b3 f31 (−1) 0 a3 − a b3 − b

1 a b

= 0 a(a − 1) b(b − 1)

0 a(a2 − 1) b(b2 − 1)

a(a − 1) b(b − 1)
def
=
a(a + 1)(a − 1) b(b + 1)(b − 1)

1 1
=
a(a − 1)b(b − 1)
a + 1 b + 1
= a(a − 1)b(b − 1) [(b + 1) − (a + 1)]
= ab(a − 1)(b − 1)(b − a).
Observación 10.3.2. Podemos escalonar el determinante y en este caso el valor del de-
terminante es igual al producto de los elementos de la diagonal principal; en el ejemplo
anterior y a partir de
1 a b

(∗) = 0 a(a − 1) b(b − 1)

0 a(a2 − 1) b(b2 − 1)
tenemos

1 1 1 1 1 1
f12 (−(a+1))
(∗) =
ab 0 a − 1 b − 1 =
ab 0 a − 1 b−1

0 a2 − 1 b2 − 1 0 0 (b − 1) − (b − 1)(a + 1)
2

1 1 1

=
ab 0 a − 1 b−1

0 0 (b − 1) [(b + 1) − (a + 1)]

1 1 1

=
ab 0 a − 1 b−1

0 0 (b − 1)(b − a)
= ab(a − 1)(b − 1)(b − a).
Estudiaremos ahora el uso de los determinantes para calcular la inversa de una matriz.
10.4. MATRIZ DE COFACTORES Y MATRIZ INVERSA
Definición 10.4.1. Sea A = (aij ) ∈ M (n, R) y Aij el cofactor del elemento aij entonces,
la matriz (Aij ) ∈ M (n, R) se llama matriz de los cofactores de A y se denota Cof (A).
( 1 −3 3
)
Ejemplo 10.4.1. Sea A = 4 2 0 ∈ M (3, R). Determine Cof (A).
−2 7 5
Solución. Como

02 2
A11 = 1+1
(−1) M11 = (−1) = 10,
7 5

3 4 0
A12 = 1+2
(−1) M12 = (−1) = −20,
−2 5

4 2
A13 = (−1)1+3 M13 = (−1)4 = 32,
−2 7

2+1

3 −3 3

A21 = (−1) M21 = (−1) = 36,
7 5
A22 = 11 , A23 = −1 , A31 = −6 , A32 = 12 , A33 = 14 ,
entonces  
10 −20 32
Cof (A) =  36 11 −1
−6 12 14
Definición 10.4.2. Sea A ∈ M (n, R), llamamos adjunta de la matriz A, a la matriz

denotada Adj (A) tal que Adj (A) es la matriz traspuesta de la matriz de cofactores.
Ejemplo 10.4.2. Si  
1 −3 3
A= 4 2 0 ∈ M (3, R)
−2 7 5
entonces  
10 −20 32
Cof (A) =  36 11 −1
−6 12 14
de donde  
10 36 −6
Adj (A) = −20 11 12 
32 −1 14
Teorema 10.4.1. Sea A = (aij ) ∈ M (n, R), entonces

∑
n
a) aij Aik = δjk det(A).
i=1
∑
n
b) aik Ajk = δij det(A).
k=1
Demostración.
a) Se presentan dos casos

∑
n
i) Si j = k entonces a) se transforma en aik Aik = δkk det(A) = det(A).
i=1
∑
n
ii) Si j ̸= k entonces δjk = 0 y debemos demostrar que aij Aik = 0.
i=1
Sea B = (bij ) obtenida de la matriz A reemplazando la columna k por la columna

j, entonces B tiene dos columnas iguales (la columna k y la columna j) y además
∑
n ∑
n
Bij = Aik de donde aij Aik = bij Bij = det(B) = 0.
i=1 i=1
Proposición 10.4.1. Sean A, B ∈ M (n, R) entonces det(AB) = det(A) · det(B).
Proposición 10.4.2. Sea A ∈ M (n, R), si la matriz A es no singular entonces det(A) ̸= 0

y det(A−1 ) = det(A)
1
.
Demostración. Como det(A−1 )·det(A) = det(A−1 ·A) = det(Idn ) = 1 entonces det(A) ̸= 0

y además det(A−1 ) = det(A)
1
.
Teorema 10.4.2. Sea A = (aij ) ∈ M (n, R) tal que det(A) ̸= 0 entonces la matriz B =
det(A) · Adj (A) es la matriz inversa de A.
1
Demostración. Sea Adj (A) = (Cij ) tal que Cij = Aji entonces tenemos
1
AB = (aij ) (Cij )
det(A)
( n )
1 ∑
= aik Ckj
det(A)
k=1
( )
1 ∑n
= aik Ajk
det(A)
k=1
( )
1
= δij det(A)
det(A)
= Idn .
Análogamente conseguimos BA = Idn , de donde B = A−1 .
Observación 10.4.1. Una matriz A es no singular (invertible) si y sólo si det(A) ̸= 0.
(0 )
Ejemplo 10.4.3. Determine λ ∈ R para que λId3 − A sea singular, donde A = 3
2 −1 .
Solución. Como
( ) ( ) ( )
λ 0 0 3 λ −3
λId3 − A = − =
0 λ 2 −1 −2 λ + 1
entonces, para que λId3 − A sea singular debe ocurrir que

λ −3

−2 λ + 1 = 0,
esto ocurre si λ = −3, λ = 2.
Ejemplo 10.4.4. Determine A−1 , usando determinantes, si

 
1 −3 3
A= 4 2 0 ∈ M (3, R).
−2 7 5
Solución. Como A−1 = 1

det(A) · Adj (A) y ya hemos calculado Adj (A) entonces, dado que

1 −3 3 1 −3 3 1 −3 3
f21 (−4) f31 (2)

det(A) = 4 2 0 = 0 14 −12 = 0 14 −12 = (14)(11) + 12 = 166,

−2 7 5 −2 7 5 0 1 11
concluimos que
 
10 36 −6
1 
A−1 = −20 11 12  .
166
32 −1 14
Verificación.
  
10 36 −6 1 −3 3
1 
A−1 · A = −20 11 12   4 2 0
166
32 −1 14 −2 7 5
 
166 0 0
1 
= 0 166 0 
166
0 0 166
 
1 0 0
= 0 1 0 
0 0 1
Ejercicio 10.1. Considere las matrices
   
  1 2 3 4 1 2 −2 4
1 2 −2 0 −1 3 −2 3 −1 3 2
A= 3 0 5  , B=
0 1 1 3 
 , C=
2 −1 −1 3

−1 3 2
0 −1 2 4 0 0 0 1
a) Usando la matriz C calcule 3M12 + 2M31 .
b) Calcule det(A), det(B), det(C).
c) Calcule det(B) desarrollando por menores de la cuarta fila.
Resp.

3 3 2 2 −2 4

a) 3 2 −1 3 + 2 −1 3 2 = −19, c) 3.
0 0 1 0 0 1
Ejercicio 10.2. Fundamente la veracidad de las siguientes igualdades:


1 −1 1 −1 0 3

(a) −1 1 −1 = 0 b) 1 2 −3 = 0
1 1 1 0 1 0
2
x x 2 x 3 x 1 1
1 x 1 1
c) y x2 x3 = 0 d) y 1 −1 = xy 1 −1
z x2 x3 z 1 1 x xz 1 1

x + 1 1 1 x 1 1 1 1 1 b + c c + a b + a

e) 1 1 1 = 1 1 1 + 1 1 1 f ) a b c = 0
1 1 1 1 1 1 1 1 1 1 1 1
Resp.
a) La fila 1 y 2 son proporcionales.
b) La columna 1 y 3 son proporcionales.
c) La columna 2 y 3 son proporcionales.
f) Al sumar la segunda fila a la primera y factorizar por a + b + c quedan dos filas

iguales.
Ejercicio 10.3. Si A ∈ M (n, R) es una matriz triangular (superior o inferior) verifique

que su determinante es igual al producto de los elementos de su diagonal principal.
Ejercicio 10.4. Usando la propiedad anterior, determine el valor de det(A) si la matriz

A es A = (aij ) ∈ M (n, R) tal que
{
0 si i ̸= j
aij = i+j
ij si i = j
2n
Resp. n! .
Ejercicio 10.5. Resuelva las siguientes ecuaciones para x,

a a x

a) m m m = 0 Resp. x = a, x = b.
b x b

x 1 −1

b) 2 0 1 = 2 Resp. x = − 12 .
3 2 −1

b + x c + x a + x

c) c + x a + x b + x = 0 Resp. x = − a+b+c
3 .
a + x b + x c + x

x − 1 0 1

d) −2 x + 2 −1 = 0 Resp. x = −1, x = 1, x = −2.

0 0 x + 1

1 1 1 1

x a 0 0
e) =0 abc
Resp. x = ab+bc+ca .
x 0 b 0

x 0 0 c

x − 2 2
f) =0 Resp. x = 0, x = 5.
3 x − 3

x − 3 −1 1
√
g) 5 x−3 1 = 0 Resp. x = 2, x = ± 10.

6 −6 x + 4
Ejercicio 10.6. Calcule, usando propiedades de los determinantes

−1 0 −2

a) 2 1 3 Resp. 60.
1 9 1

a + 3 −1 1

b) 5 a−3 1 Resp. (a + 3)(a + 2)(a − 2).
6 −6 a + 3

1 0 1 0 1

1 1 3 2 0

c) 0 2 −1 4 −1 Resp. −2.
−1 −1 1 −1 2

0 0 2 0 0

−4 1 1 1 1

1 −4 1 1 1

d) 1 1 −4 1 1 Resp. 0.
1 1 1 −4 1

1 1 1 1 −4

1 0 0 6 + 3i 2i

0 1 0 3 5 + i

e) 0 0 1 −3 + 3i 2 + 3i, i ∈ C. Resp. 3.
0 0 0 1−i i

0 0 0 i i+1

1 1 1 1

1 i −1 −i
f) ,i∈C Resp. −24i.
1 −1 1 −1
1 −i −1 i
Ejercicio 10.7. Aplique las propiedades de determinante para probar que

a b c
2 2 2
a) a b c = abc(b − a)(c − a)(c − b)
a3 b3 c3

1 a b + c

b) 1 b c + a = 0
1 c a + b

1 + a 1 1 1
( )
1 1+b 1 1 1 1 1 1
c) = abcd + + + + 1 , a, b, c, d ̸= 0.
1 1 1+c 1 a b c d

1 1 1 1 + d
2 1
ax
2 a1 x
ay
d) a y = (x − y)(y − z)(z − x)
az 2 1 z
a

a 2 (a + 2)2 (a + 4)2

e) (a + 2)2 (a + 4)2 (a + 6)2 = −29 .

(a + 4)2 (a + 6)2 (a + 8)2

1 a b ab

1 c b cb

1 a d ad = (c − a) (d − b) .
f) 2 2

1 c d cd

a b 1
2 2
g) a b 1 = ab(b − a)(a − 1)(b − 1).

a3 b3 1
2
x x 1
2
h) y y 1 = (x − y)(x − z)(y − z).

z 2 z 1

a b c
Ejercicio 10.8. Si d e f = 3, calcule
g h i

5a + 3d 5b + 3e 5c + 3f

6d + 5g 6e + 5h 6f + 5i .

−2g −2h −2i
Resp. −180.
Ejercicio 10.9. Determine λ ∈ R tal que det(λId3 − A) = 0 si

 
1 0 2
A = 0 1 −2 .
2 −2 0
Ejercicio 10.10. Verifique las siguientes igualdades

−2x x + y x + z

a) y + x −2y y + z = 4(y + z)(z + x)(x + y).
z + x z + y −2z

x − y − z 2x 2x

b) 2y y−z−x 2y = (x + y + z)3 .

2z 2z z − x − y

y1 + z1 z1 + x1 x1 + y1 x1 y1 z1

c) y2 + z2 z2 + x2 x2 + y2 = x2 y2 z2 .
y3 + z3 z3 + x3 x3 + y3 x3 y3 z3

1 x x 2 x3
3
x 1 x x2

d) 2 = (1 − x4 )3 .
x x
3 1 x
x x2 x 3 1

1 x x2 . . . xn−2 xn−1
n−1
x 1 x . . . xn−3 xn−2

xn−2 xn−1 1 . . . xn−4 xn−3
n n−1 .
e) . .. .. .. .. .. = (1 − x )
.. . . . . .

x2 . . . . . . ... 1 x

x x 2 x 3 . . . xn−1 1

x y z w

x x y z
f) = x(x − y)3 .
x x x y
x x x x

1 0 0 6 − 7x 2x

0 1 0 3 5 + x

g) 0 0 1 −3 + x 2 + 3x = 1.
0 0 0 1−x x

0 0 0 −x 1+x

a1 a2 a3 . . . an

a1 a1 a2 . . . an−1

. . . an−2 = a1 (a1 − a2 )n−1 .
h) a1 a1 a1
.. .. .. .. ..
. . . . .

a1 a1 a1 . . . a1

n n − 1 n − 2 . . . 3 2 1

n − 1 n − 2 n − 3 . . . 2 1 0

n − 2 n − 3 n − 4 . . . 1 0 0

. .. .. . . .. .. ..
.. . . . . . .
i)
(n−1)(n+4)
= (−1) 2 .
3 ..
2 1 . . . . 0 0
.
2 1 0 . . . .. 0 0

.
1 0 0 . . . .. 0 0

a + b a a

j) a a+b a = (3a + b)b2 .
a a a + b
k) det(A) = (na + b)bn−1 si A = (aij ) ∈ M (n, R) tal que

{
a + b si i = j
aij =
a si i ̸= j

−1 a a

l) a −1 a = (−1 + 2a) [−(a + 1)]2 .
a a −1
m) det(A) = [−1 + (n − 1)a] [−(a + 1)]n−1 si A = (aij ) ∈ M (n, R) tal que

{
−1 si i = j
aij =
a si i ̸= j
Ejercicio 10.11. Calcule la matriz inversa de las siguientes matrices, si existe, usando
determinantes  
  2 −2 1 1
1 0 1 1 3 1 0
A =  2 2 2 , B =  1 0 2
.
0
−1 2 2
1 0 1 0
234
CAPÍTULO 11
SISTEMAS DE ECUACIONES LINEALES
11.1. DEFINICIÓN DE ECUACIÓN LINEAL
Definición 11.1.1. Una ecuación lineal E definida en R, con m indeterminadas

x1 , x2 , . . . , xm , es toda expresión del tipo
E : a1 x1 + a2 x2 + · · · + am xm = b; ai , b ∈ R, i = 1, 2, . . . , m.
a) A la m-upla (a1 , a2 , . . . , am ) ∈ Rm la llamamos “sistema de coeficientes de E”.
∑
m
b) Podemos denotar la ecuación por E : ai xi = b.
i=1
∑
m
Definición 11.1.2. Sea E : ai xi = b una ecuación lineal en R con m indetermina-
i=1 ∑m
das. Si existe una m-upla (α1 , α2 , . . . , αm ) ∈ Rm tal que i=1 αi xi ≡ b, decimos que
(α1 , α2 , . . . , αm ) es una solución de E.
√
Ejemplo 11.1.1.
√ Sea E : 3x 1 − x2 + x 3 + x4 + 3x5 + 6x6 = 9, √
entonces
√ la 6-upla
(1, −1, 1, 1, 3, 0) es una solución de E, ya que 3 · 1 − (−1) + 1 + 1 + 3 · 3 + 6 · 0 ≡ 9.
235
11.2. DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLU-

CIÓN
Definición 11.2.1. Dadas n ecuaciones lineales en R, cada una con m indeterminadas,

un sistema lineal S de tamaño n × m, es toda expresión del tipo


a11 x1 + a12 x2 + · · · + a1m xm = b1


a21 x1 + a22 x2 + · · · + a2m xm = b2
S: .

..



an1 x1 + an2 x2 + · · · + anm xm = bn
Observación 11.2.1. Decimos que S es un sistema con n ecuaciones y m incógnitas o más

simple, S es un sistema de tamaño n × m en R.
Definición 11.2.2. Sea S un sistema lineal de tamaño n × m en R, si existe una m-upla

α = (α1 , α2 , . . . , αm ) ∈ Rm que satisface simultáneamente a las n ecuaciones de S, decimos
que α es una solución del sistema S, y llamamos conjunto solución de S al conjunto de
todas las soluciones de S; denotamos tal conjunto por Sol (S).
Ejemplo 11.2.1. Sea S un sistema de tamaño 2 × 3 en R tal que

{
x1 + x2 + x3 = 6
S:
x1 − x2 + 3x3 = 2
es fácil verificar que los trı́os (2, 3, 1); (4, 2, 0); (6, 1, −1) son solución de S, además
Sol (S) = {(4 − 2α, 2 + α, α) / α ∈ R}.
La solución (2, 3, 1) se obtuvo fijando el valor de x3 en 1 y calculando el correspondiente

valor de x1 y x2 ; para determinar Sol (S), transformamos el sistema en un sistema de
tamaño 2 por 2, dejando como variable libre a x3 = α ∈ R, las incógnitas x1 y x2 quedan
en función de x3 = α.
Observación 11.2.2. En lo resta del capitulo aprenderemos a resolver sistemas de ecua-

ciones que tienen una mayor cantidad de incógnitas y ecuaciones, con herramientas más
sofisticadas.
11.3. EQUIVALENCIA Y COMPATIBILIDAD
Definición 11.3.1. Dos sistemas S1 y S2 son equivalentes si y sólo si Sol (S1 ) = Sol (S2 ).
Ejemplo 11.3.1. Los sistemas

{ {
x + y = 10 3x + 4y = 33
S1 : y S2 :
x−y =4 2x + y = 17
son equivalentes ya que Sol (S1 ) = Sol (S2 ) = {(7, 3)}.
Definición 11.3.2. Sea S un sistema lineal de tamaño n × m en R.

a) S es compatible ⇔ Sol (S) ̸= ∅.
b) S es incompatible ⇔ Sol (S) = ∅.

Si S es compatible y tiene solución única, decimos que el sistema es determinado; en el
caso que tenga infinitas soluciones, decimos que el sistema es indeterminado.
Ejemplo 11.3.2.
{
2x + 3y = 1
S: es incompatible (rectas paralelas)
4x + 6y = 3
{
2x + 3y = 1
S: es compatible indeterminado (rectas coincidentes)
4x + 6y = 2
{
2x + 3y = 5
S: es compatible determinado (rectas que se intersectan)
x − 3y = −2
11.4. REPRESENTACIÓN MATRICIAL DE UN SISTEMA
Sea 

 a11 x1 + a12 x2 + · · · + a1m xm = b1


a21 x1 + a22 x2 + · · · + a2m xm = b2
S: .

 ..



an1 x1 + an2 x2 + · · · + anm xm = bn
un sistema de tamaño n × m en R, este sistema induce las siguientes matrices:
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
A= . .. .. ..  ∈ M (n, m, R); matriz de los coeficientes de S,
 .. . . . 
an1 an2 . . . anm
 
x1
 x2 
 
X =  .  ∈ M (m, 1, R); matriz de las incógnitas,
 .. 
xm
 
b1
 b2 
 
B =  .  ∈ M (n, 1, R); matriz de las constantes.
 .. 
bn
Con estas notaciones, el sistema se puede representar en forma matricial como
     
a11 a12 . . . a1m x1 b1
 a21 a22 . . . a2m   x2   b2 
     
 .. .. .. ..  ·  ..  =  ..  ,
 . . . .   .  .
an1 an2 . . . anm xm bn
es decir como AX = B.
Ejemplo 11.4.1. 

x1 + x2 + x3 = 7
S : 2x1 + 3x3


x1 + 3x2 = 1
se representa por      
1 1 1 x1 7
2 0 3 · x2  = 2 .
1 3 0 x3 1
Observación 11.4.1. Sea Rp = {(a1 , a2 , . . . , ap ) / ai ∈ R} y M (p, 1, R). Es fácil ver que la

aplicación  
a1
 .. 
φ : R → M (p, 1, R) tal que φ((a1 , a2 , . . . , ap )) =  . 
p
ap
es una biyección que preserva la suma y la ponderación por escalar. Debido a ello podemos
“identificar” cada p-upla (a1 , a2 , . . . , ap ) ∈ Rp con la matriz columna
 
a1
 .. 
 .  ∈ M (p, 1, R).
ap
Podemos decir entonces
i) Una solución de un sistema lineal S de tamaño n × m en R es una matriz columna

 
α1
 .. 
.
αp
que satisface la ecuación AX = B.

ii) Resolver un sistema lineal S es determinar todas las matrices columna que satisfacen
laecuación matricial AX = B.
Proposición 11.4.1. Considere la ecuación matricial AX = B tal que A es una matriz

no-singular, entonces, X = A−1 B es la única solución del sistema.
Demostración. Como A es no-singular entonces existe la matriz inversa de A, la cual es

única, ası́ entonces A−1 (AX) = A−1 B, de donde X = A−1 B.
Ejemplo 11.4.2. Resuelva el sistema

{
x + y = 10
S:
x−y =4
Solución. El sistema tiene forma matricial:

( )( ) ( )
1 1 x 10
= ,
1 −1 y 4
de donde
( )
−1 −1
( ) ( )−1 ( ) ( ) ( ) ( )
x 1 1 10 −1 1 10 1 −14 7
= = =− = .
y 1 −1 4 −2 4 2 −6 3
Note el uso de: ( )

d −c
( )−1
a c −b a
= , ad − bc ̸= 0.
b d ad − bc
Ejemplo 11.4.3. Resuelva el sistema lineal



x + y + z = 3
S : x + 2y + z = 7 .


y+z =1
Solución. El sistema admite la forma matricial AX = B, es decir,

    
1 1 1 x 3
1 2 1 y  = 7 .
0 1 1 z 1
Debemos determinar A−1 , tenemos

   
1 1 1 1 0 0 1 1 1 1 0 0
f21 (−1)
(A|Id3 ) = 1 2 1 0 1 0  ∼ 0 1 0 −1 1 0
0 1 1 0 0 1 0 1 1 0 0 1
   
1 1 1 1 0 0 1 1 0 0 1 −1
f32 (−1) f13 (−1)
∼ 0 1 0 −1 1 0  ∼ 0 1 0 −1 1 0 
0 0 1 1 −1 1 0
0 1 1 −1 1
 
1 0 0 1 0 −1
f12 (−1)
∼ 0 1 0 −1 1 0 

0 0 1 1 −1 1
ası́,  
1 0 −1
A−1 = −1 1 0
1 −1 1
de donde       
x 1 0 −1 3 2
  −1 
X = y = A B = −1 1 0   
7 =  4 .
z 1 −1 1 1 −3
11.5. SISTEMA DE CRAMER
Definición 11.5.1. Un sistema lineal S de tamaño n×m en R se llama sistema de Cramer

de orden n si
i) El número de incógnitas es igual al número de ecuaciones.
ii) La matriz A de los coeficientes es no-singular.
Teorema 11.5.1. Sea S un sistema de Cramer de orden n en R, entonces
i) S es compatible.
ii) S admite solución única.
Demostración. Sea AX = B la representación matricial del sistema S
i) Compatibilidad.
Sea X0 = A−1 B, esta matriz existe ya que A−1 existe (el sistema es de Cramer) y
se puede multiplicar por la matriz B.
( ) ( )
X0 es solución del sistema ya que, AX0 = A A−1 B = AA−1 B = Idn B = B.
ii) Unicidad.
Supongamos que X0 , X0′ son dos soluciones del sistema S, entonces se cumple
X0 = A−1 B, X0′ = A−1 B, ası́
( ) ( )
X0′ = Idn X0′ = A−1 A X0′ = A−1 AX0′ = A−1 B = X0 .
11.6. REGLA DE CRAMER
Sea S un sistema de Cramer de orden n en R, entonces el valor de la k-ésima incógnita

xk , k = 1, 2, . . . , n está dado por:
∆xk
xk = ,
∆
donde ∆ = det(A) es el determinante de la matriz de los coeficientes (determinante prin-
cipal) y ∆xk es el determinante que se obtiene de ∆ al reemplazar en éste la columna de
los coeficientes de xk por la columna de las constantes.
Demostración. Sea AX = B la representación matricial de un sistema de Cramer de

tamaño n.
Sabemos que la solución del sistema es X = A−1 B, es decir, X = |A| 1
· Adj (A) · B; esto
podemos escribirlo como
     
x1 A11 A21 . . . An1 b1
 x2   A A . . . A  
n2   b2 

  1  12 22
 ..  =  .. .. . .  · . 
 .  |A|  . . .. ..   .. 
xn A1n A2n . . . Ann bn
 
b1 A11 + b2 A21 + · · · + bn An1
1  b1 A12 + b2 A22 + · · · + bn An2 

=  .. .. .. 
|A|  . . . 
b1 A1n + b2 A2n + · · · + bn Ann
 ∑n 
∑ i=1 bi Ai1
1  
n
 i=1 bi Ai2 
=  .. 
|A|  
∑n .
b
i=1 i inA
usando la igualdad de matrices obtenemos
1 ∑ 1 ∑
n n
x1 = bi Ai1 , x2 = bi Ai2 , etc.
|A| |A|
i=1 i=1
Por otro lado, sabemos que, desarrollando

∑n el determinante de A por menores de la
primera columna obtenemos |A| = i=1 ai1 Ai1 .
Si reemplazamos la primera columna de A por la columna de las constantes (es decir

por los elementos de la matriz B), pero dejamos fijas las otras columnas de A, entonces, al
calcular el valor de este nuevo∑determinante (llamémoslo ∆x1 ) por menores de la primera
n
columna obtenemos ∆x1 = i=1 bi Ai1 , si al determinante de A lo denotamos por ∆,
∆x1
entonces x1 = ∆ .
Análogamente, si reemplazamos la segunda columna de A por la columna de las cons-
tantes (es decir por los elementos de la matriz B), pero dejamos fijas las otras columnas
de A, entonces, al calcular el valor de este nuevo determinante
∑n (llamémoslo ∆x2 ) por
∆x2
menores de la segunda columna obtenemos ∆x2 = i=1 bi Ai2 , de donde x2 = ∆ y
ası́ sucesivamente.
Ejemplo 11.6.1. Usando la Regla de Cramer resuelva el sistema

{
2x + 3y = 7
S: .
5x − y = 9
Solución. Como,

2 3 7 3 2 7
∆ = = −17 , ∆x = = −34 , ∆y = = −17,
5 −1 9 −1 5 9
entonces
∆x −34 ∆y −17
x= = =2 , y= = = 1.
∆ −17 ∆ −17
Ejemplo 11.6.2. Usando la Regla de Cramer resuelva el sistema



 x + y + z + w = −4


x + 2y + 3z + 4w = 0
S: .

 x + 3y + 6z + 10w = 9


x + 4y + 10z + 20w = 24
Solución. x = −4, y = −3, z = 2, w = 1.
11.7. TEOREMA DE ROUCHE-FROBENIUS
11.7.1. Método de Gauss-Jordan

Los métodos anteriormente presentados para resolver sistemas lineales requieren un
sistema cuadrado y que la matriz de los coeficientes sea no-singular, además de una con-
siderable cantidad de cálculos.
El método de Gauss-Jordan permite determinar el conjunto solución de sistemas rec-
tangulares de tamaño n × m, con una menor cantidad de operaciones.
Si consideramos el sistema AX = B, el método exige construir la matriz ampliada
C = (A|B) y en ella, realizar operaciones elementales fila para transformarla en una
matriz equivalente que sea escalonada.
El siguiente Teorema regula la condición del conjunto solución.
Teorema 11.7.1. (Teorema de Rouche-Frobenius).

Sea S : AX = B un sistema lineal de tamaño n × m en el cuerpo K y C = (A|B) la
matriz ampliada del sistema, entonces
a) S es compatible si y sólo si ∂(C) = ∂(A).
b) Sea S un sistema compatible, entonces:
i) Si ∂(A) = m entonces S es compatible determinado.
ii) Si ∂(A) < m entonces S es compatible indeterminado.
1) Recordemos que el rango de una matriz, técnicamente, es la cantidad de filas no
nulas que tiene la matriz escalonada equivalente a la original.
2) Se deduce que el sistema es incompatible (no tiene solución o Sol (S) = ϕ) si el rango
de la matriz ampliada es distinto del rango de la matriz de los coeficientes.
3) El sistema S es compatible determinado (tiene una única solución o n(Sol (S)) = 1)
si el rango de la matriz ampliada es igual al rango de la matriz de los coeficientes e
igual al número de incógnitas.
4) El sistema S es compatible indeterminado (tiene infinitas soluciones o n(Sol (S)) > 1)
si el rango de la matriz ampliada es igual al rango de la matriz de los coeficientes
pero menor que la cantidad de incógnitas).
Ilustremos el Teorema con los siguientes ejemplos.

Ejemplo 11.7.1. Resuelva el sistema


2x + y − 2z + 3w = 1
S : 3x + 2y − z + 2w = 4


3x + 3y + 3z − 3w = 5
Solución.
     
2 1 −2 3 1 3 2 −1 2 4 1 1 1 −1 3
f12 (−1)
C = (A|B) = 3 2 −1 2 4  ∼ 2 1 −2 3 1  ∼ 2 1 −2 3 1 
f12
3 3 3 −3 5 3 3 3 −3 5 3 3 3 −3 5
   
1 1 1 −1 3 1 1 1 −1 3
f21 (−2) f2 (−1)
∼ 0 −1 −4 5 −5  ∼ 0 1 4 −5 5  .
0 −4 f3 (− 4 ) 0 0 0 0 1
f31 (−3) 1
0 0 0
Como ∂(C) = 3 ̸= ∂(A) = 2 entonces el sistema S es incompatible.
Observe que la última ecuación es 0·x+0·y +0·z +0·w = 1, ecuación que es imposible
de conseguir para todo valor de x, y, z, w ∈ R.
Ejemplo 11.7.2. Solucione el sistema



 x + 2y − 3z = 4


x + 3y + z = 11
S:

 2x + 5y − 4z = 13


2x + 6y + 2z = 22
Solución.
     
1 2 −3 4 1 2 −3 4 1 2 −3 4
1 3 1 11  f21 (−1) 0 1 4 7  f41 (−2) 0 1 4 7 
C = (A|B) =   ∼   ∼  
2 5 −4 13  f31 (−2) 0 1 2 5  0 1 2 5 
2 6 2 22 2 6 2 22 0 2 8 14
   
1 2 −3 4 1 2 −3 4

f32 (−1) 0 1 4 7  3 2 0 1 4 7 
 f (− 1
) 
∼  ∼  .
f42 (−2) 0 0 −2 −2  0 0 1 1 
0 0 0 0 0 0 0 0
Como ∂(C) = ∂(A) = 3= No de incógnitas entonces, el sistema es compatible determinado;

conviene reducir la matriz ya que en este caso, la solución se muestra inmediatamente,
tenemos:    
1 2 0 7 1 0 0 1
f23 (−4) 0 1 0 3  f12 (−2) 0 1 0 3 
∼   ∼  
0 0 1 1  .
f13 (3) 0 0 1 1 
0 0 0 0 0 0 0 0
El conjunto solución es   
 1 
Sol (S) = 3 .
 
1
Ejemplo 11.7.3. Solucione el sistema



x + 2y − 2z + 3w = 2
S : 2x + 4y − 3z + 4w = 5


5x + 10y − 8z + 11w = 12
Solución.
   
1 2 −2 3 2 1 2 −2 3 2
f21 (−2)
C = (A|B) = 2 4 −3 4 5  ∼ 0 0 1 −2 1 
5 10 −8 11 12 0 0 2 −4 2
f31 (−5)
 
1 2 −2 3 2
f23 (−2)
∼ 0 0 1 −2 1  .
0 0 0 0 0
Como ∂(C) = ∂(A) = 2 < N ◦ de incógnitas = 4 entonces, el sistema es compatible

indeterminado; existen dos variables libres: la variable y y la variable w (aquellas que no
inician fila no-nula).
Para facilitar la determinación del conjunto solución conviene reducir la matriz, tene-
mos:  
1 2 0 −1 4
f12 (2)
∼ 0 0 1 −2 1  .
0 0 0 0 0
Usando esta última matriz obtenemos una expresión para las variables x, z en función de
la variables libres, ası́ x = 4 + w − 2y, z = 1 + 2w; finalmente
Sol (S) = {(4 + w − 2y , y , 1 + 2w , w) / y, w ∈ R}.
11.8. EJERCICIOS RESUELTOS
Ejercicio 11.1. Determine los valores de a ∈ R para que el sistema



x + y − z = 1
2x + 3y + az = 3


x + ay + 3z = 2
a) sea incompatible,
b) sea compatible determinado,
c) sea compatible indeterminado.
Solución.
   
1 1 −1 1 1 1 −1 1
f21 (−2)
C = (A|B) = 2 3 a 3  ∼ 0 1 a + 2 1 
1 a 3 2 f31 (−1)
0 a−1 4 1
 
1 1 −1 1
f32 (1−a)
∼ 0 1 a+2 1 

0 0 4 + (a + 2)(1 − a) 1 + (1 − a)
Las expresiones de la última fila podemos escribirlas como −(a + 3)(a − 2) y 2 − a, de

donde la matriz es  
1 1 −1 1

0 1 a+2 1 

0 0 −(a + 3)(a − 2) 2 − a
a) El sistema es incompatible (no tiene solución) si ∂(C) ̸= ∂(A), es decir si −(a +

3)(a − 2) = 0 y (2 − a) ̸= 0, esto ocurre si a = −3.
b) El sistema es compatible determinado (solución única) si ∂(C) = ∂(A) = 3, es decir

si −(a + 3)(a − 2) ̸= 0, esto ocurre si a ∈ R − {2, −3}.
c) El sistema es compatible indeterminado (infinitas soluciones) si ∂(C) = ∂(A) < 3,

es decir si −(a + 3)(a − 2) = 0 y (2 − a) = 0, esto ocurre si a = 2.
Ejercicio 11.2. Considere el sistema real



 x + 2y = a + b − 1


5x − 13y = 5a − 2b
S:

 3x − 7y = a


x + y = b
determine a y b para que el sistema tenga solución única.

Solución. La matriz ampliada del sistema es
   
1 2 a + b − 1 1 2 a + b − 1
5 −13 5a − 2b  0 −23 −7b + 5 
C = (A|B) = 
3 −7
∼ 
 0 −13 −2a − 3b + 3 
a
1 1 b 0 −1 −a + 1
(las operaciones usadas fueron: f21 (−5) , f31 (−3) , f41 (−1))
     
1 2 a + b − 1 1 2 a + b − 1 1 2 a + b − 1
f24 0
−1 −a + 1  32  0
−1 −a + 1   1 a−1 
∼
f (−13)
∼   2 ∼ 0
f (−1)

0 −13 −2a − 3b + 3  f42 (−23) 0 0 11a − 3b − 10  0
0 11a − 3b − 10 

0 −23 −7b + 5 0
0 23a − 7b − 18 0 0 23a − 7b − 18
Como deseamos que el sistema tenga solución única entonces el rango de la matriz ampliada
debe ser igual al rango de la matriz de los coeficientes e igual a 2, en este caso se debe
cumplir que: 11a − 3b − 10 = 0 ∧ 23a − 7b − 18 = 0. Resolviendo el sistema
{
11a − 3b − 10 = 0
23a − 7b − 18 = 0
obtenemos: a = 2, b = 4.
Ejercicio 11.3. Considere el sistema lineal



x + 3y + 3z = 2
S : x + 3y − z = −6


2x + 5y + 2z = 10
a) Determine Sol (S) usando el Teorema de Rouche-Frobenius.
b) Determine Sol (S) usando el método matricial.
c) Determine x usando la Regla de Cramer.

Solución.
a) La matriz ampliada asociada al sistema es

 
1 3 3 2
C = (A|B) = 1 3 −1 −6 
2 5 2 10
Debemos escalonar y reducir la matriz ampliada, tenemos

   
1 3 3 2 1 3 3 2
f21 (−1)
C = (A|B) =  1 3 −1 −6  ∼ 0 0 −4 −8 
5 2 10 0 −1 −4 6
f31 (−2)
2
 
1 0 0 38
∼ . . . ∼ 0 1 0 −14 
0 0 1 2
Como ∂(C) = ∂(A) = 3 = N ◦ de incognitas, entonces el sistema es compatible

determinado y concluimos: x = 38, y = −14, z = 2 ó Sol (S) = {(38, −14, 2)}.
b) La forma matricial del sistema es AX = B; dado que la matriz de los coeficientes A

es invertible, entonces la solución es X = A−1 B. Como
 
1 3 3
A = 1 3 −1
2 5 2
entonces  11 
−4 − 49 3
A−1 =  1 1 −1
1
4 − 41 0
de donde    11    
x −4 − 94 3 2 38

X= y =  1 1 −1 −6 = −14 .
z 1
4 − 14 0 10 2
∆x
c) Por la regla de Cramer tenemos x = ∆ . Como

1 3 3

∆ = det(A) = 1 3 −1 = −4
2 5 2
y
2 3 3

∆x = −6 3 −1 = −152
10 5 2
−152
entonces x = −4 = 38.
Ejercicio 11.4. Sea {

x + 2y − z + w = 3
S:
x + y + 2z + 3w = 7
un sistema lineal en R.
a) Determine el conjunto solución Sol (S).
b) Muestre dos soluciones particulares del sistema.
Solución.
a) La matriz ampliada del sistema es

( ) ( )
1 2 −1 1 3 f21 (−1) 1 2 −1 1 3
C = (A|B) = ∼
1 1 2 3 7 0 −1 3 2 4
con esto ya sabemos que el sistema es compatible indeterminado (tiene infinitas solu-
ciones), sin embargo, para mayor comodidad en la declaración del conjunto solución,
es conveniente “reducir” la matriz ampliada; tenemos a continuación
( ) ( )
f12 (2) 1 0 5 5 11 f2 (−1) 1 0 5 5 11
∼ ∼ .
0 −1 3 2 4 0 1 −3 −2 −4
Existen dos variables libres, z , w. De la segunda fila concluimos que: y = −4 + 3z +

2w, y de la primera fila la conclusión es x = 11 − 5z − 5w.
Ası́, Sol (S) = {(11 − 5z − 5w , −4 + 3z + 2w , z , w) / z, w ∈ R}.
b) Si z = 1, w = 1 entonces x = 1, y = 1.
Si z = 0, w = 0 entonces x = 11, y = −4.
Ejercicio 11.1. Dado el sistema de ecuaciones lineales



3x + 6y − 3z = 6


−x − y + 5z = 4
S:

 2x + 4y − 4z = 2


x + 2y − z = 2
a) Demuestre que el sistema es compatible.
b) El sistema S, ¿es compatible determinado?. Justifique.
c) Determine el conjunto solución de S.

Ejercicio 11.2. Los siguientes sistemas homogéneos ¿tienen solución distinta de la tri-
vial?. Justifique.
 

 x − 2y + 2z = 0 
2x − 4y + 7z − 5w = 0

 

2x + y − 2z = 0 9x + 3y + 2z + w = 0
a) S : b) S :

 3x + 4y − 6z = 0 
5x + 2y − 3z + 3w = 0

 

3x − 11y + 12z = 0 6x − 5y + 4z − 2w = 0
Ejercicio 11.3. Si un sistema lineal S de tamaño n × m en los números reales tiene más
de una solución demuestre que el sistema tiene infinitas soluciones, es decir, dado
∑
n
S: aij xj = 0
j=1
con i = 1, 2, . . . , m y α = (α1 , α2 , . . . , αn ), β = (β1 , β2 , . . . , βn ) ∈ Rn dos raı́ces distintas

de S, demuestre que α + k(α − β), k ∈ R, es también solución de S.
Ejercicio 11.4. Considere el sistema



x + y + z = 3
S : 2x + 2y + z = 5


y+z =2
[ ]z
Usando la regla de Cramer, determine el valor de las incógnitas y calcule (x + 2)y+3 .
Resp. x = y = z = 1; 81.
Ejercicio 11.5. Aplicando Teorema de Rouche-Frobenius, resuelva:



2x1 + 4x2 + 6x3 = 18
a) 4x1 + 5x2 + 6x3 = 24 Resp. Sol = {(4, −2, 3)}.


3x1 + x2 − 2x3 = 4


2x1 + 4x2 + 6x3 = 18
b) 4x1 + 5x2 + 6x3 = 24 Resp. Sol = ∅, Sistema incompatible.


2x1 + 7x2 + 12x3 = 40


x1 + x2 − x3 = 0 {( ) }
c) 4x1 − x2 + 5x3 = 0 Resp. Sol = − 54 x3 , 59 x3 , x3 / x3 ∈ R .


6x1 + x2 + 3x3 = 0


x − y + 2z = 0
d) x + 2y − z = 0 Resp. Sol = {(−z, z, z, ) / z ∈ R} .


2xy + z = 0


2x + 6y − 4z + 2w = 4 { }
e) x − z + w = 5 Resp. Sol = (5 + z − w, −1 + 13 z, z, w) / z, w ∈ R .


−3x + 2y − 2z = −2


x+y+z =0


5x − 2y − 9z = 0
f) Resp. Sol = {(z, −2z, z) / z ∈ R} .

3x + y − z = 0


3x − 2y − 7z = 0


w + x + 3y − z = 2




2w + x + 5y − 2z = 0
g) 2w − x + 3y − 2z = −8


3w + 2x + 8y − 3z = 2




w + 2y − z = −2
Ejercicio 11.6. Para cada uno de los sistemas, aplique la matriz inversa para determinar
la solución del sistema lineal planteado
{
6x + 5y = 2
a) Resp. Sol (S) = {(17, −20)} .
x + y = −3


x + y + z = 2 {( )}
b) x − y + z = 1 Resp. Sol (S) = 1, 12 , 21 .


x−y−z =0
Además, resuélvalos usando la Regla de Cramer.
Ejercicio 11.7. Resuelva los siguientes sistemas

{
959 = 10x + 9, 4y
a) S : Resp. x = 46, 48648 , y = 52, 56757.
924, 8 = 9, 4x + 9, 28y

637,000 = 8x + 25y + 16z

b) S : 2,031,100 = 25x + 87y + 55z Resp. x = 65,191, 7, y = 4,133, 3, z = 758, 3.


1,297,700 = 16x + 55y + 36z
Ejercicio 11.8. Determine el(los) valor(es) de k en R para que el sistema tenga
i) solución única,
ii) ninguna solución,
iii) infinitas soluciones.


{ 
x + 2y + kz = 1 x + y + kz = 2
a) S : b) S : 3x + 4y + 2z = k
2x + ky + 8z = 3 

2x + 3y − z = 1


 x−y+z =7 

  2
−x + y + z = 3 (k + 1)x + y + z = k + 3k
c) S : d) S : x + (k + 1)y + z = k 3 + 3k 2

 x+y−z =1 


 x + y + (k + 1)z = k 4 + 3k 3
2x + ky − 4z = k
 

kx + y + z = 1 
kx + y + z = 1
e) S : x + ky + z = 1 f ) S : x + ky + z = k

 

x + y + kz = k − 2 x + y + kz = k 2
Resp.
a) Si k = 4 el sistema es incompatible.
Si k ̸= 4 el sistema es compatible determinado.
El sistema nunca es compatible determinado.
b) Si k = 3 el sistema es compatible indeterminado.

Si k ̸= 3 el sistema es compatible determinado.
El sistema nunca siempre tiene solución.
c) Si k = 12 el sistema es compatible determinado.

Si k ̸= 12 el sistema es incompatible.
No existe k ∈ R para el cual el sistema sea compatible indeterminado.
Ejercicio 11.9. El sistema 


ay + bx = c
S : cx + az = b


bz + cy = a
tiene solución única. Demuestre que abc ̸= 0 y determine el conjunto solución.
{( 2 2 2 2 2 2 2 2 2 )}
c +b −a c −b +a a −c +b
Resp. Sol (S) = 2bc , 2ac , 2ab .
Ejercicio 11.10. Discuta el sistema lineal



x + y − z = 1
S : 3x + ay + az = 5


4x + ay = 5
Resp.
Si a = 0 el sistema es incompatible.
Si a = 5 el sistema es compatible indeterminado.
Si a ∈ R − {0; 5} el sistema es compatible determinado.
Ejercicio 11.11. ¿Qué condiciones deben cumplir los números reales a, b, c para que el
sistema 

x + y + z = a
S : 2x + y − z = b


x − 2z = c
tenga solución?.
Resp. c + a − b = 0.
Ejercicio 11.12. Determine los reales k, a, b, c, d de modo que los sistemas


 {
2x − 3y + kz = 1 −3x − 4y + az = c
S : x − y + 4z = −4 , S1 :

 4x + 4y + bz = d
−5x + 8y + (4 − 3k)z = k − 23
sean equivalentes.
Ejercicio 11.13. Resuelva el sistema según sean los valores del número real k


x − 2y + 3z = 1
S : 2x + ky + 6z = 6


−x + 3y + (k − 3)z = 0
Resp.
a) Si k ∈ R − {0, −4} el sistema tiene solución única,

{( )}
k+9 4 1
Sol (S) = , ,
k+4 k+4 k+4 .
b) Si k = 0 el sistema tiene infinitas soluciones,
Sol (S) = {(3 − 3z, 1, z) / z ∈ R} .
c) Si k = −4 el sistema tiene Sol (S) = ∅.

CAPÍTULO 12
ESPACIOS VECTORIALES
12.1. DEFINICIÓN DE ESPACIO VECTORIAL
Definición 12.1.1. Sea K un cuerpo y V un conjunto, decimos que la cuaterna (V, +, · , K)

es un espacio vectorial si se cumple
a) ∀ v, w ∈ V : v + w ∈ V ; Ley de composición Interna.
b) v + (w + r) = (v + w) + r; ∀ v, w, r ∈ V ; Asociatividad de la Suma.
c) ∃ 0 ∈ V tal que v + 0 = 0 + v = v; ∀ v ∈ V ; Elemento Neutro 0.
d) ∀ v ∈ V ∃ − v ∈ V tal que v + (−v) = −v + v = 0; Elemento Opuesto −v.
e) v + w = w + v; ∀ v, w ∈ V ; Conmutatividad de la Suma.
f) ∀ v ∈ V, ∀ k ∈ K se cumple k · v ∈ V ; Ley de composición externa.
g) k · (v + w) = k · v + k · w; ∀ v, w ∈ V, ∀ k ∈ K.
h) (k1 + k2 ) · v = k1 · v + k2 · v; ∀ v ∈ V, ∀ k1 , k2 ∈ K.
i) (k1 k2 ) · v = k1 (k2 · v) ∀ v ∈ V, ∀ k1 , k2 ∈ K.
j) 1 · v = v; ∀ v ∈ V ; 1 ∈ K.
1. A los elementos de V se les llama, genéricamente, “vectores” y a los elementos de K

se les llama “escalares”.
2. En general anotamos kv en lugar de k · v. Esta es la ponderación de un vector por

un escalar y no constituye una multiplicación.
253
3. Al referirnos a la cuaterna (V, +, · , K) también anotaremos VK .
Proposición 12.1.1. Sea VK un espacio vectorial sobre el cuerpo K; se cumple
a) Los vectores 0 y −v, cuya existencia garantiza c) y d) de la definición, son únicos.
b) La ponderación del vector nulo por cualquier escalar produce el vector nulo.
c) La ponderación de cualquier vector por el escalar nulo produce el vector nulo.
d) (−k)v = k(−v) = −(kv); ∀ v ∈ V, ∀ k ∈ K.
Demostración.
c) Como 0v = (0 + 0)v = 0v + 0v y dado que existe el vector opuesto −(0v) entonces,

sumando este opuesto a la expresión 0v = 0v + 0v obtenemos −(0v) + 0v = −(0v) +
[0v + 0v] de donde 0 = [−(0v) + 0v] + 0v, ası́, 0 = 0v + 0v = 0v .
Ejemplo 12.1.1.
1. El conjunto de las matrices M (nR) con las operaciones usuales es un espacio vecto-
rial sobre el cuerpo de los números reales.
2. (R2 , +, · , R) es un espacio vectorial (las operaciones usuales están declaradas por

omisión).
3. (R2 , +, · , R) con las operaciones (a, b) + (c, d) = (a + c, b + d) y k(a, b) = (a, kb) no

es un espacio vectorial sobre R ya que, por ejemplo, (2 + 3)(1, 2) = 5(1, 2) = (1, 10)
y sin embargo 2(1, 2) + 3(1, 2) = (1, 4) + (1, 6) = (2, 10).
12.2. SUBESPACIO VECTORIAL
Definición 12.2.1. Sea VK un espacio vectorial sobre K y Φ ̸= A ⊆ V . Decimos que A

es un subespacio vectorial de V , lo que denotamos A ▹ V , si el conjunto A provisto de las
operaciones del espacio vectorial es, en si mismo, un espacio vectorial sobre el cuerpo K.
Observación 12.2.1. Demostrar que un subconjunto de un espacio vectorial es un subespa-

cio implica, hasta el momento, verificar que se cumplen las diez “caracterı́sticas” deseables;
por cierto una gran tarea, sin embargo, la siguiente caracterización del concepto nos ayuda.
Caracterización
Sea VK un espacio vectorial sobre K y Φ ̸= A ⊆ V , entonces


1) 0 ∈ A
A ▹ V ⇔ 2) v, w ∈ A ⇒ (v + w) ∈ A


3) k ∈ K, v ∈ A ⇒ kv ∈ A
Demostración. ⇒) Sabemos que A ▹ V entonces, se cumple inmediatamente 1), 2) y 3).
⇐) Si sabemos que se cumple 1), 2) y 3) entonces debemos verificar que se cumple a),
b), . . . , j) de la definición.
Necesitamos demostrar sólo que ∀ w ∈ A, −w ∈ A ya que las otras, son inmediatas
puesto que, si p ∈ A ⊆ V entonces p ∈ V y satisface las condiciones en V .
Como A ̸= Φ entonces existe w ∈ A ⊆ V ; en V , (−1) · w = −w, pero por 3) de la
hipótesis, (−1) · w = −w ∈ A.
Ejemplo 12.2.1.
1. Sea VK un espacio vectorial sobre K, entonces V ▹ V .
2. {0} ▹ VK .
3. Sea R3R un espacio vectorial, entonces W = {(a, b, c) / a ∈ R, b = c = 0} ⊆ R es

subespacio vectorial de R3R .
En efecto
1) 0 = (0, 0, 0) ∈ W .
2) Sea v = (a, b, c), w = (p, q, r) ∈ W (ası́, a ∈ R, b = c = 0; p ∈ R, q = r = 0)
entonces v + w = (a + p, b + q, c + r) ∈ W ya que (a + p) ∈ R y b + q = c + r = 0.
3) Si v = (a, b, c) ∈ W , k ∈ R entonces kv = k(a, b, c) = (ka, kb, kc) ∈ W puesto
que ka ∈ R y kb = kc = 0.
Ejemplo 12.2.2. Decida si W es subespacio de R3R en cada uno de los siguientes casos
a) W = {(a, b, c) / a = 2b, c ∈ R}.
b) W = {(a, b, c) / a ≤ b ≤ c}.
c) W = {(a, b, c) / ab = 0}.
Solución.
a) Se verifica fácilmente que W ▹ R3R .
b) No es subespacio ya que, por ejemplo, v = (1, 2, 3) ∈ W y sin embargo −2v =

(−1, −4, −6) ∈
/ W.
c) No es subespacio ya que por ejemplo, v = (0, 1, 3), w = (1, 0, 7) ∈ W pero v + w =

(1, 1, 10) ∈
/ W.
Ejemplo 12.2.3. Si W , U son subespacios vectoriales de VK entonces W ∩ U ▹ V . En

efecto
1. Como 0 ∈ W y 0 ∈ U entonces 0 ∈ W ∩ U .
2. Sean v, w ∈ W ∩ U , debemos demostrar que (v + w) ∈ W ∩ U . Como v, w ∈ W y

v, w ∈ U entonces (v + w) ∈ W y (v + w) ∈ U , entonces (v + w) ∈ W ∩ U
3. Ahora, sea v ∈ W ∩ U , k ∈ K, debemos demostrar que kv ∈ W ∩ U . Como v ∈ W

y v ∈ U , k ∈ K entonces kv ∈ W y kv ∈ U entonces, por definición de intersección
concluimos que kv ∈ W ∩ U .
{ }
Ejemplo 12.2.4. Sea W = p(x) = a + (a − b)x2 + bx3 ⊆ R3 [x]. Demuestre que
W ▹ R3 [x].
Solución.
1) p(x) = 0 = 0 + 0x + 0x2 + 0x3 ∈ W ya que p(x) = 0 + (0 − 0)x2 + 0x3 .
2) Si p(x) = a+bx+cx2 +dx3 , q(x) = e+f x+gx2 +hx3 ∈ W entonces p(x)+q(x) ∈ W

ya que p(x) + q(x) = (a + e) + ((a + d) − (d + h))x2 + (d + h)x3 .
3) Si p(x) = a + bx + cx2 + dx3 ∈ W , k ∈ K entonces kp(x) ∈ W ya que

kp(x) = ka + (ka − dk)x2 + dkx3 .
Por 1), 2), 3) W ▹ R3 [x].
Observación 12.2.2. La caracterización de subespacio anterior, se puede expresar también

como sigue {
1) 0 ∈ A
A ▹ VK ⇔
2) ∀ v, w ∈ A, ∀ k ∈ K; (v + kw) ∈ A
En el Ejemplo ????????, la parte 2) y 3) queda:
Sean v, w ∈ W ∩ U , k ∈ K, debemos demostrar que (v + kw) ∈ W ∩ U . Como v, w ∈ W
y v, w ∈ U entonces (v + kw) ∈ W y (v + kw) ∈ U , entonces (v + kw) ∈ W ∩ U .
12.3. COMBINACIONES LINEALES Y ESPACIO GENERADO
Definición 12.3.1. Sea VK un espacio vectorial sobre el cuerpo K∑y A = {v1 , v2 , . . . , vn } ⊆

V entonces, si existen escalares k1 , k2 , . . . , kn ∈ K tal que v = ni=1 ki vi decimos que el
vector v es una combinación lineal de los vectores de A.
Ejemplo 12.3.1. Determine si el vector v = (1, 7, −4) ∈ R3 es combinación lineal de los

vectores del conjunto A = {v1 , v2 } ⊆ R3R donde v1 = (1, 3, −2), v2 = (2, −1, −1).
Solución. Para que v sea combinación lineal de los vectores del conjunto A deben existir
reales k1 , k2 tal que se cumpla v = k1 v1 + k2 v2 . Consideremos v = k1 v1 + k2 v2 .


k1 + 2k2 = 1
v = k1 v1 + k2 v2 ⇒ (1, 7, −4) = k1 (1, −3, 2) + k2 (2, −1, −1) ⇒ −3k1 − k2 = 7


2k1 − k2 = −4
Aplicando el Teorema de Rouche obtenemos:
       
1 2 1 1 2 1 1 2 1 f ( 1 ) 1 2 1
f21 (3) f32 (1)
C = (A|B) = −3 −1 7  ∼ 0 5 10  ∼ 0 5 10  ∼ 0 1 2  .
2 5
2 −1 −4 0 −5 −6 0 0 4 f3 ( 4 ) 0 0 1
f31 (−2) 1
Es claro que el sistema no tiene solución y entonces v no es combinación lineal de v1 , v2 .
Definición 12.3.2. Sea VK un espacio vectorial sobre K y ϕ ̸= A ⊆ V , al conjunto

L(A) formado por todas las combinaciones lineales de vectores de A lo llamamos conjunto
generado por A y lo denotamos también ⟨A⟩.
Proposición 12.3.1. Sea VK un espacio vectorial sobre K y ϕ ̸= A ⊆ V , entonces

⟨A⟩ ▹ VK .
Demostración. Sea A = {v1 , v2 , . . . , vn } ⊆ V , entonces
1) 0 = 0v1 + 0v2 + · · · + 0vn , ası́, 0 ∈ ⟨A⟩.
2) Si v, w ∈ ⟨A⟩ y k ∈ K, debemos demostrar que (v + kw) ∈ ⟨A⟩.
∑n ∑n
Como v ∈ ⟨A⟩ entonces
∑n v = i=1 k i v i , como w ∈ ⟨A⟩ entonces w = i=1 pi vi , de
donde (v + kw) = i=1 (ki + kpi )vi ∈ ⟨A⟩.
A ⟨A⟩ lo llamamos “subespacio generado por A”.
Ejemplo 12.3.2. Considere A = {v1 , v2 } ⊆ R4R donde v1 = (1, 2, 1, 1), v2 = (−1, 1, 2, 2).
Determine si los siguientes vectores pertenecen a ⟨A⟩.
a) v = (4, 4, 0, 7) b) w = (2, 1, 0, 3) c) r = (−2, 6, −8, −8) d) s = (4, 4, 0, 0)
e) u = (4, 11, 7, 7) f ) t = (−1, 4, 5, 5) g) x = (4, 5, 0, 7) h) y = (5, −2, 7, 7)
Solución.
Naturalmente que resulta largo realizar la verificación vector a vector, en su reemplazo
determinemos una expresión funcional que cumplan los vectores que pertenecen a ⟨A⟩.
Sea (a, b, c, d) ∈ ⟨A⟩ entonces, (a, b, c, d) = k1 (1, 2, 1, 1) + k2 (−1, 1, 2, 2), de aquı́ obte-
nemos el siguiente sistema de ecuaciones lineales:


 k1 − k2 = a


2k + k = b
1 2

 k1 + 2k2 = c


k + 2k = d
1 2
Resolviendo el sistema obtenemos: a + b = 3k1 de donde k1 = a+b 3 . Reemplazando k1

en la ecuación 2k1 + k2 = b obtenemos k2 = b−2a 3 , finalmente, reemplazando k1 y k2
en la ecuación k1 + 2k2 = c = d obtenemos c = 3 + 2 3 = b − a. Ası́, ⟨A⟩ =
a+b b−2a
{(a, b, c, d) / b − a = c, c = d}.
Con esto podemos deducir por que v, w, x, y ∈
/ ⟨A⟩ y que los otros vectores sı́ pertenecen
al subespacio generado por A.
{ }
Ejemplo 12.3.3. Considere W = p(x) = a + bx + cx2 + dx3 / c = a − d, b = 0 ▹ R3 [x].
Determine un conjunto generador de W .
{ }
Solución. Si p(x) ∈ W entonces W = p(x) = a + bx + cx2 + dx3 / c = a − d, b = 0 .
Si imponemos las condiciones de pertenencia a W entonces el polinomio queda p(x) =
a+(a−d)x2 +dx3 , si reordenamos, agrupando por coeficientes obtenemos p(x) = a(1+x2 )+
d(−x2 + x3 ), a, d ∈ R entonces, esto último dice que los elementos de W son combinación
lineal los polinomios 1 + x2 y −x2 + x3{, lo cual, es precisamente
} la definición de conjunto
generador, ası́, un generador de W es 1 + x , −x + x .
2 2 3
12.4. CONJUNTOS LINEALMENTE DEPENDIENTES Y CONJUN-

TOS LINEALMENTE INDEPENDIENTES
Considere los vectores v1 = (1, 2, 3), v2 = (2, 3, 4), v3 = (4, 7, 10), es inmediato notar
que v3 = 2v1 + v2 , dicho de otra forma, v3 depende de v1 y de v2 , por otro lado podemos
escribir 2v1 + v2 − v3 = 0; sin embargo, esta no es la única combinación lineal de los
vectores v1 , v2 , v3 que producen al vector nulo, ya que también 0v1 + 0v2 + 0v3 = 0; esto
nos indica la siguiente definición.
Definición 12.4.1. Sea VK un espacio vectorial sobre el cuerpo K y A = {v1 , v2 , . . . , vn } ⊆

V.
a) El conjunto A es un conjunto linealmente

∑ dependiente si y sólo si existe algún escalar
ki ̸= 0, i = 1, 2, . . . , n tal que ni=1 ki vi = 0.
∑
b) El conjunto A es un conjunto linealmente independiente si y sólo si ni=1 ki vi = 0
implica que todos los escalares ki son nulos y únicos.
a) Un conjunto es linealmente independiente (L.I) si la única combinación lineal que

forma al vector nulo es la combinación lineal trivial
∑ (sólo con escalares nulos) o, equi-
valentemente, si el sistema lineal homogéneo ni=1 ki vi = 0 es un sistema compatible
determinado.
b) Un conjunto es linealmente dependiente (L.D) si existe alguna combinación lineal no

trivial
∑n que forma al vector nulo o, equivalentemente, si el sistema lineal homogéneo
i=1 ki vi = 0 es un sistema compatible indeterminado.
Ejemplo 12.4.1. Determine la dependencia o independencia lineal de los siguientes sub-

conjuntos.
a) {(6, 1, 1), (−2, 0, 0), (4, 1, 1)} ⊆ R3R .
b) {(1, 2, −1), (1, 0, 2), (2, 4, −2)} ⊆ R3R .

Solución.
a) Considere la combinación lineal a(6, 1, 1) + b(−2, 0, 0) + c(4, 1, 1) = (0, 0, 0), entonces

se produce el siguiente sistema lineal


6a − 2b + 4c = 0
a+c=0


a+c=0
Si el sistema tiene solución única, la trivial, entonces el conjunto es linealmente

independiente, en caso contrario, el conjunto es linealmente dependiente. Usando
matrices tenemos
     
6 −2 4 0 1 0 1 0 1 0 1 0
f21 (−6)
C = (A|B) = 1 0 1 0  ∼ 6 −2 4 0  ∼ 0 −2 −2 0 
f12
1 0 1 0 1 0 1 0 0 0
f31 (−1)
0 0
 
f2 (− 12 )
1 0 1 0
∼  0 1 1 0  .
0 0 0 0
El conjunto es linealmente dependiente ya que el sistema tiene infinitas soluciones
además de la trivial a = b = c = 0.
Es posible “colocar” los vectores en una matriz donde, cada vector constituye una
fila; se puede demostrar que las filas no nulas de la matriz escalonada equivalente a
la original están asociados a vectores linealmente independientes.
Veamos la técnica con los mismos vectores.
         
6 1 1 −2 0 0 f (− 1 ) 1 0 0 1 0 0 1 0 0
f21 (−6) f23 (−1)
−2 0 0 f∼ 6 1 1 ∼ 6 1 1 ∼ 0 1 1 ∼ 0 1 1
21 1 2
f (−4)
4 1 1 4 1 1 4 1 1 31 0 1 1 0 0 0
Podemos concluir que los 3 vectores originales forman un conjunto linealmente de-
pendiente ya que la matriz escalonada sólo tiene dos filas no nulas, sin embargo, nos
entrega más información; los dos primeros vectores forman un conjunto linealmente
independiente, es decir {(−2, 0, 0), (6, 1, 1)} es un conjunto linealmente independien-
te.
b) Si los vectores del conjunto {(1, 2, −1), (1, 0, 2), (2, 4, −2)} ⊆ R3R los colocamos en
una matriz, obtenemos
   
1 2 −1 1 2 −1
f21 (−1)
1 0 2  ∼ 0 −2 3 
f (−2)
2 4 −2 31 0 0 0
Es inmediato acepta que los tres vectores forman un conjunto linealmente dependien-
te, en tanto que, los dos primeros vectores son vectores linealmente independientes.
Ejemplo 12.4.2. Si {u, v, w} ⊆ VK es L.I. demuestre que {u + v, u − v, u − 2v + w} es

L.I.
Solución.
Consideremos la combinación lineal k1 (u + v) + k2 (u − v) + k3 (u − 2v + w) = 0, debemos
demostrar que k1 = k2 = k3 = 0, únicos.
k1 (u+v)+k2 (u−v)+k3 (u−2v +w) = 0 ⇒ (k1 +k2 +k3 )u+(k1 −k2 −2k3 )v +k3 w = 0,
de donde se deduce el sistema


 k1 + k2 + k3 = 0
k1 − k2 − 2k3 = 0


k3 = 0
resolviendo el sistema encontramos la solución única k1 = k2 = k3 = 0, ası́,
{u + v, u − v, u − 2v + w} es L.I.
Ejemplo 12.4.3. Demuestre que toda combinación lineal de vectores L.I. es única.
Solución. ∑n
Sea A = {v1 , v2 , . . . , v∑
n } ⊆ VK y v = ∑ki vi , debemos
i=1 ∑ demostrar que ∑ v es único.
Supongamos que v = ni=1 pi vi , entonces ni=1 ki vi = ni=1 pi vi , ası́, ni=1 (pi −ki )vi =
0 y, como A es un conjunto L.I. entonces pi − ki = 0, ∀ i = 1, 2, . . . , n, luego la combinación
es única.
Ejemplo 12.4.4. Sea VK un espacio vectorial y S = {v1 , v2 , . . . , vn } ⊆ V , entonces

a) S es L.D. ⇔ algún vector de S es combinación lineal de los restantes vectores.
b) Si algún vector de S es el vector nulo entonces S es L.D.
c) Si S es L.I. y S1 ⊆ S entonces S1 es L.I.
d) Si S1 ⊆ S y S1 es L.D. entonces S es L.D.
Solución.
a) ⇒) Si S∑ = {v1 , v2 , . . . , vn } es L.D. entonces algún escalar es distinto de cero en la
ecuación ni=1 ki vi = 0. Supongamos que kp ̸= 0 para algún p = 1, 2, . . . , n, entonces
podemos despejar vp y obtenemos
k1 kp−1 kp+1 kn
vp = − v1 − · · · − vp−1 − vp+1 − · · · − vn .
kp kp kp kp
⇐) Supongamos que el vector vp es combinación lineal de los restantes vectores de

S entonces vp = a1 v1 + a2 v2 + · · · + ap−1 vp−1 + ap+1 vp+1 + · · · + an vn , de esto último
obtenemos
a1 v1 + a2 v2 + · · · + ap−1 vp−1 + (−1)vp + ap+1 vp+1 + · · · + an vn = 0,
por lo tanto el conjunto S = {v1 , v2 , . . . , vn } es L.D. ya que ap = −1 ̸= 0.
b) Supongamos que vp = 0 ⇒ 0v1 + 0v2 + · · · + 0vp−1 + 3vp + 0vp+1 + · · · + 0vn = 0, ası́,

S = {v1 , v2 , . . . , vn } es L.D.
c) Sea S1 = {v1 , v2 , . . . , vp } ⊆ S y consideremos la combinación lineal a1 v1 +· · ·+ap vp =
0, debemos demostrar que la ecuación tiene solución única a1 = · · · = ap = 0. Si
agregamos n − p ceros tenemos a1 v1 + · · · + ap vp + 0vp+1 + · · · + 0vn = 0; como
ésta ultima combinación lineal es de vectores linealmente independientes entonces
a1 = · · · = ap = 0, únicos, de donde S1 es un conjunto linealmente independiente.
d) Sea S1 = {v1 , v2 , . . . , vp } ⊆ S. Si S1 es linealmente dependiente entonces, en la
combinación lineal a1 v1 + a2 v2 + · · · + ap vp = 0 existe algún escalar no nulo. Si
agregamos “ceros” a la combinación precedente entonces a1 v1 + a2 v2 + · · · + ap vp +
0vp+1 + · · · + 0vn = 0 y se mantiene la existencia de un escalar no nulo, ası́ entonces,
S es linealmente dependiente.
12.5. BASE DE UN ESPACIO VECTORIAL
Definición 12.5.1. Sea VK un espacio vectorial. Decimos que el conjunto B = {v1 , v2 , . . . , vn }

es una base de V si y sólo si
a) ⟨B⟩ = V .
b) B es un conjunto linealmente independiente.
Ejemplo 12.5.1. Verifique que

1) E = {e1 = (1, 0), e2 = (0, 1)} es base de R2R (base canónica).
2) B = {v1 = (1, 5), v2 = (0, 3)} es base de R2R .
Solución.
1) Debemos demostrar que: a) ⟨E⟩ = R2 , b) E es linealmente independiente.

a) Sea v = (x, y) ∈ R2 ; es inmediato concluir que v = (x, y) = xE1 + yE2 , ası́,
⟨E⟩ = R2 .
b) Para probar que E es linealmente independiente basta con usar la expresión
matricial ( 10 01 ), lo que indica, inmediatamente, que E es linealmente indepen-
diente.
Por a) y b) concluimos que E es una base de R2 .
2) Debemos demostrar que a) ⟨B⟩ = R2 , b) B es linealmente independiente.
a) Sea v = (x, y) ∈ R2 , queremos determinar k1 , k2 ∈ R tal que (x, y) = k1 (1, 5) +
k2 (0, 3). El sistema lineal que se produce es
{
k1 = x
5k1 + 3k2 = y
y−5x y−5x
Es cómodo concluir que k1 = x, k2 = 3 ; ası́, (x, y) = x(1, 5) + 3 (0, 3).
b) Como ( 10 53 ) está escalonado entonces B = {v1 = (1, 5), v2 = (0, 3)} es lineal-
mente independiente.
Ejemplo 12.5.2. Sea VK un espacio vectorial. Si A = {a, b, c} ⊆ VK es base de V

demuestre que N = {a + b + c, a, a + c} también es base de V .
Solución. Consideremos la combinación lineal A(a + b + c) + Ba + C(a + c) = 0, debemos
demostrar que la solución única es A = B = C = 0.
Dicha combinación lineal podemos escribirla como a(A + B + C) + bA + c(A + C) = 0
y dado que el conjunto {a, b, c} es linealmente independiente, deducimos el sistema


A + B + C = 0
A=0


A+C =0
éste sistema tiene solución única A = B = C = 0 por lo tanto, N es un conjunto lineal-
mente independiente.
Veamos ahora que ⟨N ⟩ = V . Basta con demostrar que: si v ∈ V entonces v ∈ N .
Si v ∈ V entonces existen escalares k1 , k2 , k3 ∈ K tal que v = k1 a + k2 b + k3 c; como
queremos mostrar que existen escalares p1 , p2 , p3 ∈ K tal que v = p1 (a + b) + p2 a + p3 (a +
c)entonces procedemos como sigue.
Sean a + b = w1 , a = w2 , a + c = w3 entonces concluimos que a = w2 , b = w1 − w2 , c =
w3 − w2 , reemplazando en v = k1 a + k2 b + k3 c obtenemos v = k1 w2 + k2 (w1 − w2 ) +
k3 (w3 − w2 ), esto último lo podemos reagrupar en términos de los w, la expresión queda
v = w1 (k2 −k3 ) + w2 (k1 −k2 ) + w3 k3 ; es decir, v = (k2 −k3 )(a + b)+(k1 −k2 )a+ k3 (a+ c) =
p1 (a + b) + p2 a + p3 (a + c).
Con algo más de teorı́a este problema se soluciona con más eficiencia.
Proposición 12.5.1. B = {v1 , v2 , . . . , vn } es base de VK ⇔ todo vector de V se escribe

de manera única como combinación de los elementos de B.
Demostración.
⇒) Como B es base de V , en particular genera a V , entonces; “todo vector de V se

escribe como combinación de los elementos de V ”.
Debemos demostrar, ahora, la unicidad de esta expresión.
∑ ∑
Sea v ∈ V y escribamos v como v = ni=1 ai vi tanto como v = ni=1 ki vi ; debemos
demostrar que ai = ki .
∑
Si restamos los vectores obtenemos ni=1 (ai − ki )vi = 0, de donde, como B es un
conjunto linealmente independiente, concluimos que ai = ki .
⇐) Como “todo vector de V se escribe como combinación lineal de los vectores de B”
entonces ⟨B⟩ = V . Veamos ahora que B es un conjunto linealmente independiente.
∑
Consideremos la combinación
∑n lineal ni=1 ai vi = 0; como el vector nulo también se
puede escribir como i=1 0vi = 0 entonces, por la unicidad de la expresión obtene-
mos ai = 0.
Proposición 12.5.2. Sea V un espacio vectorial sobre K y {v1 , v2 , . . . , vn } un conjunto

máximo de elementos linealmente independientes, entonces {v1 , v2 , . . . , vn } es base de V .
Demostración. Debemos demostrar que ⟨{v1 , v2 , . . . , vn }⟩ = V .

Sea w ∈ V entonces {w, v1 , v2 , . . . , vn } es un conjunto linealmente dependiente, enton-
ces en la combinación lineal x0 w + x1 v1 + x2 v2 + · · · + xn vn = 0 existe algún escalar xi ̸= 0,
i = 0, 1, 2, . . . , n.
Necesariamente x0 ̸= 0 ya que si ası́ no es, es decir si x0 = 0 entonces la combinación
lineal queda x1 v1 + x2 v2 + · · · + xn vn = 0 con algún escalar no nulo; esto último es
una contradicción ya que {v1 , v2 , . . . , vn } es linealmente independiente. Entonces podemos
despejar w de la combinación lineal x0 w + x1 v1 + x2 v2 + · · · + xn vn = 0 obteniendo
x1 x2 xn
w = − v1 − v2 − · · · − vn ;
x0 x0 x0
esto indica que w ∈ ⟨{v1 , v2 , . . . , vn }⟩, lo que completa la demostración.
Ejemplo 12.5.3. Sea VK un espacio vectorial. Si A = {a, b, c} ⊆ VK es base de V

demuestre que N = {a + b + c, a, a + c} también es base de V .
Solución. Consideremos la combinación lineal A(a + b + c) + Ba + C(a + c) = 0, debemos
demostrar que la solución única es A = B = C = 0.
Dicha combinación lineal podemos escribirla como a(A + B + C) + bA + c(A + C) = 0
y dado que el conjunto {a, b, c} es linealmente independiente, deducimos el sistema


A + B + C = 0
A=0


A+C =0
éste sistema tiene solución única A = B = C = 0 por lo tanto, N es un conjunto lineal-

mente independiente; como es un conjunto máximo de vectores linealmente independientes
entonces es base.
Observe que este problema ya fue solucionado anteriormente
12.6. DIMENSIÓN DE UN ESPACIO VECTORIAL
Demostraremos que dos bases de un mismo espacio vectorial tienen la misma cantidad
de elementos y definiremos como dimensión del espacio vectorial a esa cantidad común.
Teorema 12.6.1. Sea V un espacio vectorial sobre el cuerpo K. Si {v1 , v2 , . . . , vn } es base
de V y {w1 , w2 , . . . , wm } ⊆ V es un conjunto linealmente independiente entonces m ≤ n.
El Teorema dice: ”si V es un espacio vectorial con una base que tiene n elementos
y {w1 , w2 , . . . , wm } ⊆ V es tal que m > n entonces {w1 , w2 , . . . , wm } es un conjunto
linealmente dependiente. El Teorema se demuestra usando la contrapositiva planteada.
Demostración. Sea {v1 , v2 , . . . , vn } una base de V entonces
w1 = a1 v1 + a2 v2 + · · · + an vn , (12.1)
ya que {v1 , v2 , . . . , vn } es base de V .

Si ai = 0 ∀ i = 1, 2, . . . , n entonces w1 = 0 y {w1 , w2 , . . . , wm } ⊆ V es L.D.
Si algún a1 ̸= 0, suponiendo, sin perder generalidad, que a1 ̸= 0 entonces de (12.1)
podemos despejar v1 obteniendo v1 = a11 w1 − aa12 v2 − aa31 v3 −. . .− aan1 vn , ası́ entonces podemos
concluir que ⟨{w1 , v2 , v3 , . . . , vn }⟩ contiene a v1 y, naturalmente a v2 , v3 , . . . , vn ; deducimos
que ⟨{w1 , v2 , v3 , . . . , vn }⟩ = V .
Ası́, existen c1 , c2 , . . . , cn ∈ K tal que
w2 = c1 w1 + c2 v2 + c3 v3 + · · · + cn vn . (12.2)
Si ci = 0 ∀ i = 1, 2, . . . , n entonces w2 = 0 y {w1 , w2 , . . . , wm } ⊆ V es L.D.

Si algún ci ̸= 0, suponiendo que c2 ̸= 0, despejando v2 de la (12.2) conseguimos
1 c1 c3 cn
v2 = w2 − w1 − v3 − · · · − vn
c2 c2 c2 c2
y, de manera análoga obtenemos que ⟨{w1 , w2 , v3 , . . . , vn }⟩ = V .
El proceso de reemplazo de los vi por los wi nos lleva a concluir que ⟨{w1 , w2 , . . . , wn }⟩ =
V y como quedan todavı́a wn+1 , wn+2 , . . . , wm ∈ {w1 , w2 , . . . , wm } ⊆ V entonces
{w1 , w2 , . . . , wm } ⊆ V es L.D.
Corolario 12.6.1. Si VK es un espacio vectorial que tiene una base con n elementos y
otra base con m elementos entonces m = n.
Demostración. Sean A = {v1 , v2 , . . . , vn }, B = {w1 , w2 , . . . , wm } dos bases del espacio

vectorial VK entonces m ≥ n, considerando a A como base y a B como un conjunto
linealmente independiente; además, n ≥ m, considerando a B como base y a A como un
conjunto linealmente independiente; entonces m ≥ n ∧ n ≥ m, ası́, m = n.
Definición 12.6.1. Sea VK un espacio vectorial tal que V ̸= {0}, entonces definimos la
dimensión de V , denotada dim(V ), como la cantidad de elementos que tiene una base del
espacio. Si V = {0} entonces dim(V ) = 0.
Ejemplo 12.6.1.
1) dim(R2R ) = 2 ya que E = {e1 = (1, 0), e2 = (0, 1)} es la base canónica de R2R .
2) dim(M (2, R)R ) = 4 ya que la base canónica para este espacio vectorial es:
{ ( ) ( ) ( ) ( )}
1 0 0 1 0 0 0 0
E = e1 = , e2 = , e3 = , e4 =
0 1 0 0 1 0 0 1
Ejemplo 12.6.2. Sea A = ⟨{(1, 0, −5), (0, 1, 1)}⟩ y B = {(x, y, z) / x − 2y + z = 0} subes-

pacio vectorial de R3R . Determine una base para A ∩ B.
Solución. Sea (x, y, z) ∈ A entonces ∃ a, b ∈ R tal que (x, y, z) = a(1, 0, −5) + b(0, 1, 1),
ésta ecuación genera el sistema 
x = a

y=b


z = −5a + b
Reemplazando a y b en la última ecuación obtenemos z = −5x + y de donde A =
{(x, y, z) / 5x − y + z = 0}.
Ahora, si (x, y, z) ∈ A ∩ B entonces el trı́o debe satisfacer el sistema
{
5x − y + z = 0
x − 2y + z = 0
{( 1 4 ) }
Dado que la solución del sistema es Sol = − 9 z, 9 z, z / z ∈ R entonces, un ge-
nerador de A ∩ B es, por ejemplo, {(−1, 4, 9)} que, como es un conjunto linealmente
independiente nos indica que A ∩ B tiene dimensión 1.
Ejercicio 12.1. Decida si el subconjunto del espacio vectorial dado es o no subespacio

{( ) }
i) A = ac db / a + b = 0 ⊆ M (2, R).
ii) B = {(x, y, z) / z − 2y = 2} ⊆ R3R .
Solución.
i) A ▹ M (2, R) ya que
( )
0 0
a) 0 = ∈ A.
0 0
b) Si ( ) ( )
a c e g
v= , w= ∈ A, k ∈ R
b d f h
entonces ( )
ka + e kc + g
kv + w = ∈A
kb + f kd + h
esto último dado que (ka + e) + (kc + g) = 0. Note que (a + c) = (e + g) = 0.
ii) B no es subespacio vectorial de R3R ya que (0, 0, 0) ∈

/ B.
Ejercicio 12.2. Sea v ∈ / ⟨{q, w, z}⟩. Demuestre que {v, q, w, z} ⊆ VK es linealmente

independiente si {q, w, z} es un conjunto linealmente independiente.
Solución.
Considere av + bq + cw + dz = 0; a, b, c, d ∈ K. Debemos demostrar que la ecuación
tiene solución única a = b = c = d = 0.
Se cumple que a = 0, ya que si no es ası́, es decir, si a ̸= 0 entonces podrı́amos despejar
el vector v; tendrı́amos v = − ab q − ac w − ad z; esto nos indicarı́a que v ∈ ⟨{q, w, z}⟩ lo que
es una contradicción con la hipótesis; ası́ entonces a = 0.
Como a = 0 entonces la combinación original queda bq + cw + dz = 0, como el conjunto
{q, w, z} es linealmente independiente, entonces la única solución de la ecuación es b =
c = d = 0, de donde, finalmente la única solución es a = b = c = d = 0.
Ejercicio 12.3. Demuestre que A = {(2, 1, 0), (0, 1, 2), (1, 0, 3)} ⊆ R3R es base.
(2 1 0) (1 0 3 )
Solución. Se demuestra que 0 1 2 es equivalente fila con 0 1 −6 , de donde, el conjunto
103 00 8
A = {(2, 1, 0), (0, 1, 2), (1, 0, 3)} es linealmente independiente. Como además es un conjunto
maximal L.I. entonces es base de R3R .
Ejercicio 12.4. Sea

  
 2a a a 
A =  0 c 0 / a, c ∈ R ▹ M (3, R).
 
0 0 c
Determine la dimensión de A.
Solución.
         
2a a a 2a a a 0 0 0 2 1 1 0 0 0
v =  0 c 0 ∈ A ⇔  0 0 0+0 c 0 ∈ A ⇔ a 0 0 0+c 0 1 0 ∈ A,
0 0 c 0 0 0 0 0 c 0 0 0 0 0 1
de donde concluimos que

⟨2 1 1 0 0 0 ⟩
 
A= 0 0 0 , 0 1 0  .
 
0 0 0 0 0 1
Sólo falta ver si el conjunto generador es o no linealmente independiente.

Considere la ecuación
     
2 1 1 0 0 0 0 0 0

a 0 0 0 + b 0 1 0 = 0 0 0 ,
0 0 0 0 0 1 0 0 0
se deduce que la única solución de la ecuación planteada es a = b = 0, por tanto el conjunto

es linealmente independiente. Como el conjunto es una base de A entonces dim(A) = 2.
Ejercicio 12.5. Sean A = {(1, 2, 0), (0, 2, 1)}, B = {(2, 2, −1), (1, 6, 2)} ⊆ R3R .
a) Encuentre una “expresión funcional” para los elementos de ⟨A⟩.
b) Demuestre que ⟨A⟩ = ⟨B⟩.

Solución.
a) Sea (x, y, z) ∈ ⟨A⟩, entonces existen escalares a, b tal que (x, y, z) = a(1, 2, 0) +
b(0, 2, 1), de esto deducimos el sistema


x = a
y = 2a + 2b


z=b
La segunda ecuación del sistema, al expresarla en función de x, y, z queda y = 2x+2z

de donde, ⟨A⟩ = {(x, y, z) / y = 2x + 2z; x, z ∈ R}.
b) De manera análoga al caso a) tenemos: si (p, q, r) ∈ ⟨B⟩, entonces existen escalares

a, b tales que (p, q, r) = a(2, 2, −1) + b(1, 6, 2). El sistema es ahora


p = 2a + b
q = 2a + 6b


r = −a + 2b
combinando las dos primeras ecuaciones del sistema obtenemos 5b = q − p, luego,

b = q−p 5 ; si esta expresión la reemplazamos en la tercera ecuación, (despejando
allı́ la “variable a”) tenemos, a = 2b − r = 2q−2p
5 − r = 2q−2p−5r
5 ; estamos ahora en
condición de encontrar una relación entre p, q, r; para ello basta con reemplazar a, b
en la ecuación q = 2a + 6b.
La relación que se obtiene es q = 2p+2r; ası́, ⟨B⟩ = {(p, q, r) / q = 2p + 2r; p, r ∈ R}.
Se concluye que ⟨A⟩ = ⟨B⟩.
{ }
Ejercicio 12.6. Sea W = p(x) = ax2 + bx + c / 2a + c = b ⊆ R2 (x).
a) Demuestre que W es subespacio de R2 (x).
b) Determine dim(W ).
c) Extienda la base de W a una base de R2 (x).

Solución.
a) i) 0 = 0x2 + 0x + 0 ∈ W ya que 2 · 0 + 0 = 0, ası́, 0 ∈ W .

ii) Si p(x) = ax2 + bx + c, q(x) = dx2 + ex + f ∈ W entonces p(x) + q(x) ∈
W ya que p(x) + q(x) = (a + d)x2 + (b + e)x + (c + f ) satisface la relación
2(a + d) + (c + f ) = (b + e).
iii) Si p(x) = ax2 + bx + c ∈ W, k ∈ K entonces k · p(x) = kax2 + kbx + kc ∈ W ya
que 2ka + kc = kb.
Por i), ii), iii) W es subespacio vectorial de R2 (x).
b) Si p(x){ = ax2 +bx+c} ∈ W entonces p(x) 2

{ 2 = ax +(2a+c)x+c
} = a(x2 +2x)+b(x+1)
ası́, ⟨ x +
2
{ 2x, x + 1 ⟩ =} W . Como x + 2x, x + 1 es linealmente independiente,
entonces x2 + 2x, x + 1 es base de W y dim(W ) = 2.
c) Como la dimensión de R2 (x) es 3 entonces debemos agregar un vector a la base de

W tal que los { tres vectores sean
} linealmente independientes, tal vector, por ejemplo
es el 1, ası́, x2 + 2x, x + 1, 1 es base de R2 (x).
Ejercicio 12.7. Sea A = ⟨{(1, 0, −5), (0, 1, 1)}⟩ y B = {(x, y, z) / x − 2y + z = 0} subes-

Solución. Sea (x, y, z) ∈ A entonces ∃ a, b ∈ R tal que (x, y, z) = a(1, 0, −5) + b(0, 1, 1),
ésta ecuación genera el sistema 
x = a

y=b


z = −5a + b
Reemplazando a y b en la última ecuación obtenemos z = −5x + y de donde A =
{(x, y, z) / 5x − y + z = 0}.
Ahora, si (x, y, z) ∈ A ∩ B entonces el trı́o debe satisfacer el sistema
{
5x − y + z = 0
x − 2y + z = 0
{( ) }
Dado que la solución del sistema es Sol = − 91 z, 49 z, z / z ∈ R entonces, un generador
de A ∩ B es, por ejemplo, {(−1, 4, 9)} que, como es un conjunto linealmente independiente
nos indica que A ∩ B tiene dimensión 1.
Ejercicio 12.1. Considere el conjunto formado por los polinomios en la indeterminada

x, con grado a lo más dos, definidos en el conjunto de los números reales, R2 (x), con la
suma y ponderación usuales. Demuestre que (R2 (x), +, · , R) es un espacio vectorial.
Ejercicio 12.2. Sean U y W espacios vectoriales sobre R; si definimos V = U × W y las

operaciones (u, w) + (u′ , w′ ) = (u + u′ , w + w′ ); k(u, w) = (ku, kw), k ∈ R. Demuestre que
V es espacio vectorial sobre R.
Ejercicio 12.3. Sea R2 y considere las siguientes operaciones: (a, b)+(c, d) = (a+c, b+d);
k(a, b) = (k 2 a, kb), k ∈ R. ¿Es R2 sobre R un espacio vectorial. Justifique.
Ejercicio 12.4. Sea V = {(a, b) / a, b ∈ R}. Demuestre que (V, +, · , R) es un espacio

vectorial donde (a, b) + (c, d) = (a + c, b + d); k(a, b) = (ak , bk ), k ∈ R.
Ejercicio 12.5. Sea R2 y considere las siguientes operaciones: (a, b)+(c, d) = (a+d, b+c);
k(a, b) = (ka, kb), k ∈ R. ¿Es R2 sobre R un espacio vectorial. Justifique.
Ejercicio 12.6. Sea R2 y considere las siguientes operaciones: (a, b) + (c, d) = (0, 0);
k(a, b) = (ka, kb), k ∈ R. ¿Es R2 sobre R un espacio vectorial. Justifique.
Ejercicio 12.7. Definimos los siguientes subconjuntos de R3 .
a) U = {(a, b, c) / a + b + c ≤ 1}.
{ }
b) W = (x, y, z) / z = 0 ∧ x2 + y 2 ≤ 0 .
c) P = {(x, y, z) / x + 2y = 0 ∧ y + z = 8}.
¿Es U, W, P subespacio vectorial de R3R ?. Justifique.
Ejercicio 12.8. Si S1 ▹ VK y S2 ▹ VK demuestre que S1 ∩ S2 ▹ VK .
Ejercicio 12.9. Determine si los siguientes subconjuntos de R3R son subespacios.
a) A = {(x, y, z) / x = 0}.
b) B = {(x, y, z) / z − 2y = 0}.
c) C = {(x, y, z) / z − 2y = 2}.
{ }
d) D = (a, b, c) / a2 + b2 + c2 = 0 .
Ejercicio 12.10. Sea V = M (2, R) el espacio vectorial de las matrices cuadradas de orden
2 sobre R. ¿Cuáles de los siguientes subconjuntos es subespacio vectorial de V ?. Justifique.
{( ) }
a) A = 0b a0 / a, b ∈ R .
{( ) }
b) B = 1b a0 / a, b ∈ R .
c) C = {A ∈ V / det(A) = 0}.
{( ) }
d) D = ac db / a + b = 0 .
Ejercicio 12.11. Sea V = M (n, R) el espacio vectorial de las matrices cuadradas de

orden n sobre R. ¿Cuáles de los siguientes subconjuntos es subespacio vectorial de V ?.
Justifique.
{ }
a) A = A ∈ V / A = 3At .
b) A = {A ∈ V / AC = CA, C ∈ V }.
c) C = {A ∈ V / A es simétrica}.
Ejercicio 12.12. Sea V = M (2, 3, R) el espacio vectorial de las matrices cuadradas de

orden 2 por 3 sobre R. ¿Cuáles de los siguientes subconjuntos es subespacio vectorial de
V ?. Justifique.
{( ) }
a) A = d0 0e fc / c = d + f .
{( ) }
b) B = ad 0b 0c / d > 0 .
Ejercicio 12.13. Determine cual(es) de los siguientes conjuntos dados es o no un conjunto

linealmente independiente.
a) A = {(1, 1, 0, 1), (1, −1, 1, 1), (2, 2, 1, 2), (0, 1, 0, 0)} ⊆ R4R .
b) B = {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 1, 1), (1, 1, 1, 1)} ⊆ R4R .
{ }
c) C = t3 − 4t2 + 2t + 3, t3 + 2t2 − 4t + 1, 2t3 − t2 + 3t − 5 ⊆ R3 (t).
Ejercicio 12.14. Sea A = {f (t), g(t), h(t)} ⊆ V donde V es el espacio vectorial R2 (t)
sobre R, tal que f (t) = 2t2 + 3t + 1, g(t) = −t2 + at + 2, h(t) = 2t2 + 3t + a − 5. Determine
a ∈ R para que A sea un conjunto linealmente independiente.
Ejercicio 12.15. Sea A = {(1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1)} ⊆ R3R . Demuestre que A es
un conjunto linealmente dependiente y que cualquier subconjunto de A con tres elementos
es un conjunto linealmente independiente.
Ejercicio 12.16. Considere el espacio vectorial VK y S ⊆ V un conjunto linealmente

independiente. Si v ∈
/ ⟨S⟩ demuestre que S ∪{v} es un conjunto linealmente independiente.
Ejercicio 12.17. Demuestre que el conjunto A = {(1, 0, −1), (1, 2, 1), (0, −3, 2)} forma
una base para R3R y exprese cada vector de la base canónica como combinación lineal de
los vectores de la base A.
Ejercicio 12.18. Si A = {v1 , v2 , . . . , vn } es una base del espacio vectorial VK demuestre

que B = {v1 + v2 + v3 , v2 + v3 , v3 } también es base del espacio.
Ejercicio 12.19. Encuentre una base del conjunto solución del sistema


2x + y + 3z = 0
S : x + 2y = 0


y+z =0
y determine su dimensión.
{ }
Ejercicio 12.20. Sea W = p(x) = ax2 + bx + c / 2a + c = b ⊆ R2 (x).
Ejercicio 12.21. Demuestre que
A = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} y B = {(1, 1, 1), (1, 2, 0), (0, 0, 2)}
son base de R3R .
Ejercicio 12.22. Sea A = {(x, y, z) / 3x − 2y − z − 4w = 0 ∧ x + y − 2z − 3w = 0} ⊆ R4 .
a) Demuestre que A ▹ R4R .
b) Determine una base de A.
c) Determine la dimensión de A.
{( a 2c 2b ) }
Ejercicio 12.23. Demuestre que A = b 2a 2c / a, b, c ∈ R es subespacio vectorial de
c b a
M (3, R) sobre R; determine además, la dimensión de A.
Ejercicio 12.24. ¿Para qué valor(es) de a ∈ R:
a) A = {(2, 3, 4), (6, 7, 8), (4, 5 − a, 4)} es base de R3R ?.

{ ( −1 −1 ) }
0 1 ) es base de M (2, R) ?.
b) B = ( 10 11 ) , ( 1 21 ) , a+1 7 , ( 13 R
{ }
Ejercicio 12.25. Sea W = p(x) = a + (a − b)x2 + bx3 ⊆ R3 (x).
Ejercicio 12.26. Sean U = {(x, y, z) / x + 3y − 5z = 0}, W = {(x, y, z) / x − y + 2z = 0}

dos subconjuntos de R3 .
a) Demuestre que U, W ▹ R3R .
b) Encuentre una base para cada subespacio.
c) Encuentre una base para U ∩ W .

d) Extienda la base encontrada en c) a una base de R3R .
Ejercicio 12.27. Sea A = {(1, 2, 1, 1), (−1, 1, 2, 2)} ⊆ R4R .
a) ¿v1 = (3, 2, 4, 5), v2 = (1, 3, 2, 2), v3 = (3, −3, 6, 6) ∈ ⟨A⟩?. Justifique.
b) Encuentre una expresión funcional para los vectores que pertenecen al espacio gene-
rado por el conjunto A.
Ejercicio 12.28. Sea A = ⟨{(1, 0, −1), (0, 1, 2)}⟩ y B = {(x, y, z) / 5x − y + z = 0} subes-

CAPÍTULO 13
TRANSFORMACIONES LINEALES
13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL
Definición 13.1.1. Sean (V, +, ◦, K), (W, ⊕, ∗, K) dos espacios vectoriales sobre el cuerpo
K. Una aplicación o función T : V → W es una transformación lineal si
a) T (v1 + v2 ) = T (v1 ) ⊕ T (v2 ); ∀ v1 , v2 ∈ V .
b) T (k ◦ v) = k ∗ T (v); ∀ v ∈ V, ∀ k ∈ K.
Observación 13.1.1. Sea T : V → W una transformación lineal, entonces:
a) Para simplificar la notación denotaremos las operaciones en los espacios con el mismo
sı́mbolo diciendo:
T : V → W es una transformación lineal si
a) T (v1 + v2 ) = T (v1 ) + T (v2 ); ∀ v1 , v2 ∈ V .

b) T (kv) = kT (v); ∀ v ∈ V, ∀ k ∈ K.
b) T es lineal si preserva las operaciones del espacio vectorial.
c) El cero del espacio V se transforma en el cero del espacio W , es decir, T (0V ) = 0W

ya que, usando b) de la Definición 13.1.1, con k = 0 se consigue T (0V ) = T (0 · v) =
0 · T (v) = 0W .
Usando la contrapositiva concluimos: si T (0v ) ̸= 0W entonces T : V → W no es una
transformación lineal.
(n )
∑ ∑n
d) T ki v i = ki T (vi ); vi ∈ V, ki ∈ K.
i=1 i=1
273
Ejemplo 13.1.1. Verifique que la transformación T : R2 → R3 tal que T (x, y) = (x +

y, y, x − y), es una transformación lineal.
Solución.
a) Sean v1 = (x, y), v2 = (p, q) ∈ R2 , entonces
T (v1 + v2 ) = T (x + p, y + q)
= ((x + p) + (y + q), y + q, (x + p) − (y + q))
= ((x + y) + (p + q), y + q, (x − y) + (p − q))
= (x + y, y, x − y) + (p + q, q, p − q)
= T (x, y) + T (p, q)
= T (v1 ) + T (v2 )
b) Sean v = (x, y) ∈ R2 , k ∈ R, entonces:

T (kv) = T (kx, ky)
= (kx + ky, ky, kx − ky)
= k(x + y, y, x − y)
= kT (x, y)
= k(T v)
ası́, T es una transformación lineal.
Ejemplo 13.1.2. Verifique si la transformación T : R2 → R3 tal que T (x, y) = (x + y, x −

y + 2, y), es una transformación lineal.
Solución. Claramente T no es transformación lineal ya que T (0, 0) = (0, 2, 0) ̸= (0, 0, 0).
Ejemplo 13.1.3. Compruebe que la transformación T : M (n, R) → M (n, R) tal que

T (A) = M A + AM donde M es una matriz fija en M (n, R), es una transformación lineal.
Solución.
a) Sean A, B ∈ M (n, R) entonces
T (A + B) = M (A + B) + (A + B)M
= (M A + M B) + (AM + BM )
= (M A + AM ) + (M B + BM )
= T (A) + T (B)
b) Sea A ∈ M (n, R), k ∈ R entonces

T (KA) = M (kA) + (kA)M
= kM A + kAM
= k(M A + AM )
= kT (A)
Por a) y b), T es una transformación lineal.

13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL
Para describir una transformación o función arbitraria se debe especificar su valor

en cada elemento de su dominio, sin embargo, para una transformación lineal basta con
conocer los valores sobre una base del espacio dominio.
Teorema 13.2.1. Sea {v1 , v2 , . . . , vn } una base del espacio vectorial VK y WK otro espacio
vectorial tal que {w1 , w2 , . . . , wn } ⊆ W entonces, existe una única transformación lineal
T : V → W donde T (v1 ) = wi , i = 1, 2, . . . , n.
Demostración. Encontremos una transformación lineal con las propiedades.

Si v ∈ V entonces v = a1 v1 + a2 v2 + · · · + an vn , con ai las componentes de v en la base
{v1 , v2 , . . . , vn }. Definamos entonces T : V → W por T (v) = a1 w1 + a2 w2 + · · · + an wn .
Claramente T es una transformación ya que existe un único elemento en W correspon-
diente a cada elemento de V .
Veamos que T es una transformación lineal.
Consideremos otro vector w ∈ V tal que w1 = c1 v1 + c2 v2 + · · · + cn vn entonces
v + w = (a1 + c1 )v1 + (a2 + c2 )v2 + · · · + (an + cn )vn , luego
T (v + w) = (a1 + c1 )w1 + (a2 + c2 )w2 + · · · + (an + cn )wn

= a1 w1 + a2 w2 + · · · + an wn + c1 w1 + c2 w2 + · · · + cn wn
= T (v) + T (v1 ).
Además, T (kv) = ka1 w1 + ka2 w2 + · · · + kan wn = kT (v).

Veamos ahora la unicidad de la transformación.
Sea S : V → W otra transformación lineal tal que S(vi ) = wi , i = 1, 2, . . . , n, entonces
S(v) = S(a1 v1 + a2 v2 + · · · + an vn )
= a1 w1 + a2 w2 + · · · + an wn
= T (v)
ası́, S = T .
Observación 13.2.1. El conjunto {w1 , w2 , . . . , wn } es arbitrario, incluso podrı́a ser un con-

junto linealmente dependiente.
Ejemplo 13.2.1. Determine la transformación lineal T : R2 → R2 tal que T (1, 1) = (0, 2)

y T (3, 1) = (2, −4).
Solución. Claramente el conjunto {(1, 1), (3, 1)} es una base de R2 ya que él es un con-
junto máximo de vectores linealmente independiente.
Es L.I. ya que ( ) ( )
1 1 f21 (−3) 1 1
∼
3 1 0 −2
y es maximal dado que la dimensión de R2 es 2.

Sea v = (x, y) ∈ R2 entonces existen escalares a, b tal que (x, y) = a(1, 1) + b(3, 1),
entonces {
x = a + 3b
y =a+b
Debemos expresar a, b en función de x, y.
Al resolver el sistema para las variables a, b obtenemos a = 3y−x x−y
2 , b = 2 , de donde
(x, y) = 3y−x x−y
2 (1, 1) + 2 (3, 1); ası́, T (x, y) =
3y−x x−y
2 T (1, 1) + 2 T (3, 1), es decir, T (x, y) =
3y−x x−y
2 (0, 2) + 2 (2, −4) = (x − y, 5y − 3x).
13.3. REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMA-

CIÓN LINEAL
Estamos en condiciones de mostrar que cualquier transformación lineal de Rn a Rm puede

ser introducida mediante la multiplicación por una matriz adecuada
Teorema 13.3.1. Sea T : Rn → Rm una transformación lineal, entonces existe una

matriz A ∈ M (m, n, R) tal que T (v) = A · v, ∀ v ∈ Rn .
Demostración. Antes de efectuar la demostración, es conveniente señalar que podemos

“identificar” la n-upla (x1 , x2 , . . . , xn ) ∈ Rn con la matriz columna
 
x1
 .. 
 .  ∈ M (n, 1, R);
xn
esto se realizará con un isomorfismo que presentaremos posteriormente.

Sea E = {E1 , E2 , . . . , En } la base canónica de Rn y E ∗ = {E1∗ , E2∗ , . . . , Em
∗ } base
canónica de Rm .
Sea v = (x1 , x2 , . . . , xn ) ∈ Rn , entonces v se escribe como combinación de los vectores
de E como v = x1 E1 + x2 E2 + · · · + xn En , ası́, aplicando la transformación lineal T
obtenemos
T (v) = x1 T (E1 ) + x2 T (E2 ) + · · · + xn T (En ). (13.1)
Por otro lado, cada vector T (Ej ) ∈ Rm se escribe como combinación lineal de la base
canónica E ∗ como T (Ej ) = a1j E1∗ + a2j E2∗ + · · · + amj Em
∗.
Reemplazando esto último en (13.1) obtenemos
T (v) = x1 (a11 E1∗ + a21 E2∗ + a31 E3∗ + · · · + am1 Em

∗
)
+x2 (a12 E1∗ + a22 E2∗ + · · · + a32 E3∗ + · · · + am2 Em
∗
)
+ · · · + xn (a1n E1∗ + a2n E2∗ + a3n E3∗ + · · · + amn Em
∗
)
de aquı́ deducimos que la i-ésima componente de T (v) es ai1 x1 +ai2 x2 +ai3 x3 +· · ·+ain xn .
Si definimos A = (aij ) ∈ M (m, n, R) entonces, dado que la i-ésima componente de

   
a11 · · · a1n x1
 .. . .   .. 
A·v = . . . . · . 
.
am1 · · · amn xn
es ai1 x1 + ai2 x2 + ai3 x3 + · · · + ain xn , concluimos que T (v) = A · v.
1. Si T : Rn → Rm una transformación lineal entonces la matriz A = (aij ) ∈ M (m, n, R)
que hemos construido se llama “matriz asociada a la transformación lineal T ′′ y la
∗
denotamos por TA , [T ]E , [T ]E
E .
2. La matriz TA se obtiene, colocando como columnas, los coeficientes de la combinación

lineal que representa al vector T (Ej ) al escribirlo como combinación lineal de los
vectores de la base E ∗ .
Ejemplo 13.3.1. Sea T : R3 → R2 una transformación lineal tal que T (x, y, z) = (2x +
∗
y, x + y + z). Determine A = [T ]E
E y verifique.
Solución.
Sean E = {E1 = (1, 0, 0), E2 = (0, 1, 0), E3 = (0, 0, 1)}, E ∗ = {E1∗ = (1, 0), E2∗ = (0, 1)}
bases canónicas de RR3 y RR2 respectivamente, entonces:
T (E1 ) = T (1, 0, 0) = (2, 1) = 2E1∗ + 1E2∗

T (E2 ) = T (0, 1, 0) = (1, 1) = 1E1∗ + 1E2∗
T (E3 ) = T (0, 0, 1) = (0, 1) = 0E1∗ + 1E2∗
entonces ( )
2 1 0
A= .
1 1 1
Verificación:
 
( ) x ( )
2 1 0   2x + y
T (v) = A · v = · y = = (2x + y, x + y + z).
1 1 1 x+y+z
z
13.4. NÚCLEO Y RECORRIDO DE UNA TRANSFORMACIÓN LI-

NEAL
Definición 13.4.1. Una transformación lineal T : V → W es inyectiva o monomorfismo

si, como función es inyectiva.
Observación 13.4.1. La Transformación Lineal T : V → W es un monomorfismo si y sólo

si T (v1 ) = T (v2 ) ⇒ v1 = v2 , ∀ v1 , v2 ∈ V .
Ejemplo 13.4.1. Sea T : R2 → R2 una transformación lineal tal que T (x, y) = (x + y, x −

y). Demuestre que T es un monomorfismo.
Solución. Consideremos T (x, y) = T (z, w), debemos demostrar que (x, y) = (z, w).
T (x, y) = T (z, w) ⇒ (x + y, x − y) = (z + w, z − w)
{
x+y =z+w
⇒
x−y =z−w
{
x=z
⇒
y=w
Ası́ (x, y) = (z, w), y entonces, T es un monomorfismo.
Ejemplo 13.4.2. Sea T : R3 → R2 una transformación lineal tal que T (x, y, z) = (x, y),
notamos inmediatamente que T no es un monomorfismo ya que (3, 2, 1) ̸= (3, 2, 7) y sin
embargo T (3, 2, 1) = T (3, 2, 7) = (3, 2).
Presentaremos ahora una forma más simple para decidir si una transformación lineal
es o no un monomorfismo, mirando el núcleo de la transformación.
Definición 13.4.2. Sea T : V → W una transformación lineal, el núcleo de T es el

conjunto de vectores de V que tienen imagen nula.
1. Si denotamos al núcleo de T por Ker (T ) entonces Ker (T ) = {v ∈ V / T (v) = 0}.
2. Ker (T ) ̸= ∅ ya que T (0v ) = 0W .
Teorema 13.4.1. Sea T : V → W una transformación lineal, entonces

a) Ker (T ) ▹ V .
b) T es un monomorfismo si y sólo si Ker (T ) = {0V }.
Demostración.
a) Debemos demostrar que Ker (T ) es un subespacio vectorial de V , es decir, debemos
demostrar:
i) 0 ∈ Ker (T ).
ii) v1 , v2 ∈ Ker (T ) ⇒ (v1 + v2 ) ∈ Ker (T ).
iii) k ∈ K, v ∈ Ker (T ) ⇒ kv ∈ Ker (T ).
i) 0 ∈ Ker (T ) ya que T (0) = 0.

ii) Debemos demostrar que T (v1 + v2 ) = 0. Como v1 · v2 ∈ Ker (T ) entonces se

cumple T (v1 ) = 0 = T (v2 ), luego, T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0 + 0 = 0.
iii) Para que kv ∈ Ker (T ) debemos demostrar que T (kv) = 0. Como T (v) = 0
entonces es inmediato obtener T (kv) = kT (v) = k · 0 = 0.
Por i), ii)y iii) concluimos que Ker (T ) ▹ V .
b) Debemos demostrar que
i) Si T es monomorfismo entonces Ker (T ) = {0V }.

ii) Ker (T ) = {0V } entonces T es monomorfismo.
i) Sea v ∈ Ker (T ), debemos demostrar que v = 0.

Como T (v) = 0W y además T (0) = 0W entonces T (v) = T (0) y dado que
T : V → W es un monomorfismo (es decir T es inyectiva) entonces, v = 0.
ii) Sea T (x) = T (y) debemos demostrar que x = y.
Si T (x) = T (y) entonces T (x) − T (y) = 0, es decir, T (x − y) = 0; ası́, (x − y) ∈
Ker (T ), de donde x − y = 0 y entonces, x = y.
Ejemplo 13.4.3. Sea T : R2 (x) → M (2, R) una transformación lineal tal que
( )
0 0
T (a + bx + cx2 ) = .
a a+b+c
a) Determine dim(Ker (T )).
b) Extienda la base de Ker (T ) a una base de R2 (x).

Solución.
a) Sea a + bx + cx2 ∈ Ker (T ) entonces

( )
2 0 0
T (a + bx + cx ) = ,
0 0
de esto último deducimos que
( ) ( )
0 0 0 0
= .
a a+b+c 0 0
Solucionando el sistema que se origina concluimos que a = 0, a + b + c = 0, ası́ a = 0,
c = −b.
{ }
Concluimos entonces que Ker (T ) = bx − bx2 / b ∈ R .
{ }
Como bx− bx2 = b(x− x2 ) ∈ Ker (T ), b ∈ R entonces Ker (T ) = ⟨ x − x2 ⟩ de donde
dim(Ker (T )) = 1 ya que el conjunto formado por un único vector es linealmente
independiente.
b) R2 (x) tiene dimensión 3, por lo tanto, a la base del Ker (T ) debemos agregar dos
vectores tal que, los tres vectores sean linealmente independientes (maximal L.I.).
Podemos agregar, por ejemplo, los vectores canónicos 1, x2 .
{ }
Se puede verificar, rápidamente, que 1, x −(x2 , x2 ) es un conjunto linealmente in-
10 0
dependiente (por ejemplo usando la matriz 0 1 −1 , que está escalonada)
00 1
13.5. ESPACIO IMAGEN DE UNA TRANSFORMACIÓN LINEAL
Definición 13.5.1. Sea T : V → W una transformación lineal, definimos la Imagen de T

denotada Im(T ) como:
Im(T ) = {w ∈ W / ∃ v ∈ V tal que w = T (v)} .
Observación 13.5.1. Im(T ) ̸= ∅ ya que T (0) = 0.
Teorema 13.5.1. Sea T : V → W una transformación lineal entonces Im(T ) ▹ W .
Demostración.
a) Claramente 0 ∈ Im(T ).
b) Sean w1 , w2 ∈ Im(T ) entonces existen v1 , v2 ∈ V tal que T (v1 ) = w1 y T (v2 ) = w2 ,

ası́, T (v1 ) + T (v2 ) = T (v1 + v2 ) = w1 + w2 , por lo tanto, w1 + w2 ∈ Im(T ).
c) Sea w ∈ Im(T ), k ∈ K, entonces existe v ∈ V tal que T (v) = w; como T es una

Transformación Lineal entonces T (kv) = kT (v) = kw, de donde kw ∈ Im(T ).
Teorema 13.5.2. Sea A ∈ M (m, n, R) la matriz asociada a la transformación lineal

T : Rn → Rm entonces las columnas de A generan Im(T ).
Demostración. Sea {E1 , E2 , . . . , En } base de Rn . Si v ∈ Rn entonces existen n escalares

αi tal que v = α1 E1 + α2 E2 + · · · + αn En , entonces T (v) = T (α1 E1 + α2 E2 + · · · + αn En ),
esta última expresión es
T (v) = α1 T (E1 ) + α2 T (E2 ) + · · · + αn T (En )

= α1 (AE1 ) + α2 (AE2 ) + · · · + αn (AEn ).
Como AEi es la i-ésima columna de A, y dado que todo elemento en Im(T ) es combinación
lineal de {AE1 , AE2 , . . . , AEn } concluimos que las columnas de A generan la imagen de
T.
Ejemplo 13.5.1. Considere la transformación lineal T : R3 → R2 tal que T (x, y, z) =

(x + y, x − y + z). Determine dim(Im(T )).
Solución. Encontremos la matriz asociada a la transformación lineal y con respecto a las

bases canónicas; para ello determinamos la imagen de los vectores canónicos del espacio
de partida y los expresamos como combinación lineal de los vectores de la base canónica
del espacio de llegada, tenemos:
T (1, 0, 0) = (1, 1) , T (0, 1, 0) = (1, −1) , T (0, 0, 1) = (0, 1),
ası́, la matriz buscada es ( )

1 1 0
A= .
1 −1 1
Como los vectores columna de la matriz A generan la imagen de T entonces Im(T ) =
⟨{(1, 1), (1, −1), (0, 1)}⟩; naturalmente que sólo dos vectores son linealmente independien-
tes, por ejemplo, (1, 1) y (0, 1); por lo tanto el conjunto {(1, 1), (0, 1)} es base de Im(T )
de donde dim(Im(T )) = 2.
13.6. TEOREMA DE LA DIMENSIÓN
Teorema 13.6.1. Sea T : V → W una transformación lineal tal que dim(V ), dim(W ) <
∞, entonces
dim(V ) = dim(Ker (T )) + dim(Im(T )).
Demostración. Determinamos una base de Ker (T ) y una base de Im(T ) y postulamos que
el conjunto formado por los elementos de Ker (T ) junto con pre-imagenes de los elementos
de Im(T ) forman una base de V .
Sea {v1 , v2 , v3 , . . . , vn } base de Ker (T ) y {w1 , w2 , w3 , . . . , wm } base de Im(T ), entonces
dim(Ker (T )) = n y dim(Im(T )) = m, debemos demostrar que dim(V ) = n + m.
Como w1 , w2 , . . . , wm ∈ Im(T ) entonces existen u1 , u2 , . . . , um ∈ V tal que T (ui ) =
wi , ∀ i = 1, 2, . . . , m.
Postulamos que B = {v1 , v2 , . . . , vn , u1 , u2 , . . . , um } es base de V . B es L.I., en efecto,
sea
a1 v1 + a2 v2 + · · · + an vn + c1 u1 + c2 u2 + · · · + cm um = 0, (13.2)
debemos demostrar que los escalares ai , cj son nulos y únicos.
Aplicando la transformación lineal a la última combinación lineal obtenemos
a1 T (v1 ) + a2 T (v2 ) + · · · + an T (vn ) + c1 T (u1 ) + c2 T (u2 ) + · · · + cm T (um ) = 0, (13.3)
pero T (vi ) = 0, ∀ i = 1, 2, . . . , n, de donde (13.3) queda c1 T (u1 )+c2 T (u2 )+· · ·+cm T (um ) =
0, como {T (uj ) = wj / j = 1, 2, . . . , m} es base de Im(T ) entonces cj = 0, únicos, ∀ j =
1, 2, . . . , m.
Reemplazando esto último en (13.2) obtenemos a1 v1 + a2 v2 + · · · + an vn = 0, y como
{vi / i = 1, 2, . . . , n} es base concluimos que ai = 0, únicos, ∀ i = 1, 2, . . . , n.
⟨B⟩ = V , en efecto:
Sea v ∈ V entonces, T (v) ∈ Im(T ) de donde T (v) = d1 w1 + d2 w2 + · · · + dm wm ,
definiendo vr como vr = v − d1 u1 − d2 u2 − · · · − dm um y aplicando la transformación lineal
obtenemos
T (vr ) = T (v) − d1 T (u1 ) − d2 T (u2 ) − · · · − dm T (um )

= d 1 w1 + d 2 w2 + · · · + d m wm − d 1 w1 + d 2 w2 + · · · + d m wm
= 0,
ası́, vr ∈ Ker (T ), luego este vector se escribe como combinación lineal de los vectores de
la base del Ker (T ) obteniendo vr = α1 v1 + α2 v2 + · · · + αn vn ; tenemos entonces
vr = v − d1 u1 − d2 u2 − · · · − dm um
= α1 v1 + α2 v2 + · · · + αn vn
de donde, al despejar v conseguimos
v = α1 v1 + α2 v2 + · · · + αn vn + d1 u1 + d2 u2 − · · · + dm um ,
esto último nos indica que ⟨B⟩ = V .
Corolario 13.6.1. Sea T : V → W una transformación lineal, entonces

1. dim(Im(T )) ≤ dim(V ).
En efecto, como dim(V ) = dim(Ker (T )) + dim(Im(T )) ≥ dim(Im(T )) entonces
dim(Im(T )) ≤ dim(V ).
2. Si dim(W ) < dim(V ) entonces Ker (T ) > 0, es decir, en esas condiciones la trans-
formación T no es un monomorfismo.
En efecto, como Im(T ) ▹ W entonces dim(Im(T )) ≤ dim(W ), como por hipótesis
se tiene dim(W ) < dim(V ) entonces dim(Im(T )) ≤ dim(W ) < dim(V ). Despejando
dim(Ker (T )) tenemos
dim(Ker (T )) = dim(V ) − dim(Im(T )) > 0.
3. Si dim(V ) = dim(W ) entonces T inyectiva ⇔ T sobreyectiva.

En efecto, como dim(Im(T )) + dim(Ker (T )) = dim(V ) = dim(W ) entonces
dim(Ker (T )) = dim(W ) − dim(Im(T )).
Si T es inyectiva entonces dim(Ker (T )) = 0 de donde dim(W ) = dim(Im(T )) y

entonces T es sobreyectiva.
Si T es sobreyectiva entonces dim(W ) = dim(Im(T )) de donde dim(Ker (T )) = 0 y
entonces T es inyectiva.
Ejemplo 13.6.1. Determine una transformación lineal T : R3 → R3 tal que Ker (T ) =

⟨{(1, 2, 0)}⟩ e Im(T ) = ⟨{(0, 1, 2), (0, 0, 3)}⟩. Determine además T (−1, 2, 3).
Solución.
Sabemos que una transformación lineal queda completamente determinada cuando
conocemos lo que ella le hace a una base del espacio dominio.
Usando la demostración del Teorema de la Dimensión, debemos agregar dos vecto-
res a la base del Ker (T ) para formar una base de RR3 ; si escogemos v1 = (0, 1, 0) tal
que T (0, 1, 0) = (0, 1, 2) y v2 = (0, 0, 1) tal que T (0, 0, 1) = (0, 0, 3) entonces el conjunto
{(1, 2, 0), (0, 1, 0), (0, 0, 1)} es base de RR3 , observe que el conjunto es linealmente indepen-
diente ya que  
1 2 0
0 1 0 
0 0 1
está escalonada con las tres filas no nulas y es entonces un conjunto máximo de vectores
L.I.
Sea v = (x, y, z) ∈ RR3 entonces, existen escalares únicos a1 , a2 , a3 ∈ R tal que
(x, y, z) = a1 (1, 2, 0) + a2 (0, 1, 0) + a3 (0, 0, 1), de aquı́ deducimos el sistema lineal


x = a1
y = 2a1 + a2


z = a3
de donde a1 = x, a2 = y−2x, a3 = z; luego, (x, y, z) = x(1, 2, 0)+(y−2x)(0, 1, 0)+z(0, 0, 1),

aplicando la transformación lineal T obtenemos
T (x, y, z) = xT (1, 2, 0) + (y − 2x)T (0, 1, 0) + zT (0, 0, 1)

= x(0, 0, 0) + (y − 2x)(0, 1, 2) + z(0, 0, 3)
= (0, y − 2x, 2y − 4x + 3z).
Ahora, T (−1, 2, 3) = (0, 4, 17).
Ejemplo 13.6.2. Sea T : R3 → R3 una transformación lineal tal que T (1, 2, 0) = (3, 1, 0),
T (0, 1, 2) = (1, 1, 1).
a) Determine T (x, y, z).
b) Determine T (1, 2, 3).

Solución.
a) Para determinar una transformación lineal necesitamos conocer la acción de ella

sobre una base, por lo tanto debemos agregar un vector a los dos vectores dados,
declarando su imagen.
Si agregamos el vector canónico (0, 0, 1) tal que, por ejemplo, T (0, 0, 1) = (0, 0, 1)
entonces podemos expresar el vector (x, y, z) como combinación lineal de la base
{(1, 2, 0), (0, 1, 2), (0, 0, 1)}.
Sea (x, y, z) = a(1, 2, 0) + b(0, 1, 2) + c(0, 0, 1), entonces del sistema que se produce
obtenemos la siguiente relación a = x, b = y − 2x, c = z − 2y + 4x, ası́,
(x, y, z) = x(1, 2, 0) + (y − 2x)(0, 1, 2) + (z − 2y + 4x)(0, 0, 1).
Tenemos, T (x, y, z) = xT (1, 2, 0) + (y − 2x)T (0, 1, 2) + (z − 2y + 4x)T (0, 0, 1), de

donde
T (x, y, z) = x(3, 1, 0) + (y − 2x)(0, 1, 2) + (z − 2y + 4x)(0, 0, 1)

= (x + y, −x + y, 2x − y + z).
b) Reemplazando en la transformación lineal encontrada obtenemos T (1, 2, 3) = (3, 1, 3).
Ejercicio 13.1. Verifique si la transformación T : R2 → R3 tal que T (x, y) = (x+y, y, x−

y), es una transformación lineal.
Solución.
a) Sean v1 = (x, y), v2 = (p, q) ∈ R2 , entonces
T (v1 + v2 ) = T (x + p, y + q)
= ((x + p) + (y + q), y + q, (x + p) − (y + q)
= ((x + y) + (p + q), y + q, (x − y) + (p − q))
= (x + y, y, x − y) + (p + q, q, p − q)
= T (x, y) + T (p, q)
= T (v1 ) + T (v2 )
b) Sean v = (x, y) ∈ R2 , k ∈ R, entonces
T (kv) = T (kx, ky)

= (kx + ky, ky, kx − ky)
= k(x + y, y, x − y)
= kT (x, y)
= k(T v)
Ası́, T es una transformación lineal.
Ejercicio 13.2. Verifique si la transformación T : R2 → R2 tal que T (x, y) = (x + y, x −

y + 2), es una transformación lineal.
Solución.
Claramente T no es transformación lineal ya que T (0, 0) = (0, 2) ̸= (0, 0).
Ejercicio 13.3. Verifique si la transformación T : M (n, R) → M (n, R) tal que T (X) =

M X + XM donde M es una matriz fija en M (n, R), es una transformación lineal.
Solución.
a) Sean A, B ∈ M (n, R) entonces:
T (A + B) = M (A + B) + (A + B)M
= (M A + M B) + (AM + BM )
= T (A) + T (B).
b) Sea A ∈ M (n, R), k ∈ R entonces
T (kA) = M (kA) + (kA)M

= kM A + kAM
= k(M A + AM )
= kT (A).
Por a) y b), T es una transformación lineal.
Ejercicio 13.4. Sea T : R2 (x) → M (2, R) una transformación lineal tal que
( )
2 0 0
T (a + bx + cx ) = .
a a+b+c
b) Extienda la base de Ker (T ) a una base de R2 (x).
c) Determine dim(Im(T )).
Solución.
a) Sea a + bx + cx2 ∈ Ker (T ) entonces

( )
2 0 0
T (a + bx + cx ) = ,
0 0
de esto último deducimos que

( ) ( )
0 0 0 0
= .
a a+b+c 0 0
Solucionando el sistema que se origina concluimos

{ que a = 0, a}+ b + c = 0, ası́ a = 0,
c = −b. Concluimos entonces que Ker (T ) = bx − bx2 / b ∈ R .
{ }
Como bx− bx2 = b(x− x2 ) ∈ Ker (T ), b ∈ R entonces Ker (T ) = ⟨ x − x2 ⟩ de donde
dim(Ker (T )) = 1 ya que el conjunto formado por un único vector es linealmente
independiente.
b) R2 (x) tiene dimensión 3, por lo tanto, a la base del Ker (T ) debemos agregar dos
vectores tal que, los tres vectores sean linealmente independientes (maximal L.I.).
Podemos agregar, por ejemplo, los vectores canónicos 1, x2 .
{ }
Se puede verificar, rápidamente, que 1, x − x2 , x2 es un conjunto linealmente in-
dependiente, por ejemplo usando la matriz
 
1 0 0
0 1 −1 ,
0 0 1
que está escalonada.
c) Usando el Teorema de la dimensión obtenemos
dim(Im(T )) = dim(R2 (x)) − dim(Ker (T )) = 3 − 2 = 1.
Ejercicio 13.5. Sea T : R3 → R3 una transformación lineal tal que
T (1, 2, 0) = (3, 1, 0) , T (0, 1, 2) = (1, 1, 1).
a) Determine T (x, y, z).
b) Determine T (1, 2, 3).
Solución.
a) Para determinar una transformación lineal necesitamos conocer la acción de ella

sobre una base, por lo tanto debemos agregar un vector a los dos vectores dados,
declarando su imagen.
Si agregamos el vector canónico (0, 0, 1) tal que, por ejemplo, T (0, 0, 1) = (0, 0, 1)
entonces podemos expresar el vector genérico (x, y, z) como combinación lineal de la
base {(1, 2, 0), (0, 1, 2), (0, 0, 1)}.
Sea (x, y, z) = a(1, 2, 0) + b(0, 1, 2) + c(0, 0, 1), entonces del sistema que se produce
obtenemos la siguiente relación: a = x, b = y − 2x, c = z − 2y + 4x, ası́
(x, y, z) = x(1, 2, 0) + (y − 2x)(0, 1, 2) + (z − 2y + 4x)(0, 0, 1).
Tenemos T (x, y, z) = xT (1, 2, 0)+(y −2x)T (0, 1, 2)+(z −2y +4x)T (0, 0, 1), de donde
T (x, y, z) = x(3, 1, 0) + (y − 2x)(0, 1, 2) + (z − 2y + 4x)(0, 0, 1)

= (x + y, −x + y, 2x − y + z).
b) Para determinar la imagen del vector (1, 2, 3) por la transformación lineal T basta
con reemplazar, en la transformación lineal ya determinada, x, y, z por 1, 2, 3 respec-
tivamente, obtenemos T (1, 2, 3) = (3, 1, 3).
Ejercicio 13.1. Determine cuales de las siguientes transformaciones son transformaciones

lineales.
a) T : R3 → R2 tal que T (x, y, z) = (x, y).

b) T : R3 → R3 tal que T (X) = X.
c) T : R3 → R3 tal que T (x, y, z) = (x, y, z) + (1, 2, 3).
d) T : R3 → R3 tal que T (x, y, z) = (2x, y, x − z).
e) T : R3 → R2 tal que T (x, y, z) = (x + 1, z + 2).
f) T : R2 → R2 tal que T (x, y) = (ax + by, cx + dy), a, b, c, d ∈ R − {0}.
g) T : R2 → R2 tal que T (x, y) = (x2 , y 2 ).
h) T : R2 → R tal que T (x, y) = |x − y|.
i) T : M (2, R) → R tal que T (A) = det(A).
j) T : M (n, R) → M (n, R) tal que:
i) T (A) = AB − B 2 A, B ∈ M (n, R) matriz fija.
ii) T (A) = AB − BA, B ∈ M (n, R) matriz fija.
iii) T (A) = At .
Ejercicio 13.2. Sean V, W dos espacios vectoriales sobre R y T : V → W una transfor-

mación lineal
a) Si T (u) = w y T (v) = 0 demuestre que T (u + v) = w, u, v ∈ V .
b) Demuestre que T (−v) = −T (v).
c) Si Ker (T ) = {v ∈ V / T (v) = 0} demuestre que Ker (T ) ▹ V .
d) Demuestre que Im(T ) = {w ∈ W / ∃ v ∈ V tal que w = T (v)} ▹ W .
e) Demuestre que si T (0V ) ̸= 0W entonces T no es transformación lineal.
f) Si f : V → R, g : V → R son dos transformaciones lineales demuestre que la
transformación S : V → R2 tal que S(v) = (f (v), g(v)) es una transformación lineal.
g) Si A = {v1 , v2 , . . . , vn } es base de V entonces T (v) se escribe de manera única.
Ejercicio 13.3. Sea V el espacio formado por todas las funciones continuas de R en R.
Definimos la transformación ∫ x
T (f (x)) = f (t)dt.
0
Demuestre que T es una transformación lineal.
Ejercicio 13.4. Sea T : R2 → R2 una transformación lineal tal que T (x, y) = (x + y, 2x −

y).
a) Determine Ker (T ).
b) Determine dim(Ker (T )).
Ejercicio 13.5. Sea T : V → W una transformación lineal tal que Ker (T ) = {0}. De-
muestre que si {T (v1 ), T (v2 ), . . . , T (vn )} es un conjunto linealmente dependiente entonces
el conjunto {v1 , v2 , . . . , vn } es linealmente dependiente.
Ejercicio 13.6. Sea T : R3 → R3 una transformación tal que
T (1, −1, 1) = (−1, 0, 3) , T (0, 2, 0) = (4, 2, 2) , T (1, 0, 0) = (1, 1, 2).
a) Demuestre que A = {(1, −1, 1), (0, 2, 0), (1, 0, 0)} es base de R3R .
b) Determine la transformación lineal T (x, y, z).
c) Determine dim(Ker (T )).
Ejercicio 13.7. Sea T : R4 → R4 una transformación y
A = {(0, 1, 0, 1), (0, 0, 0, 1), (1, 1, 1, 1), (1, 2, 1, 2), (1, 0, 0, 0)} .
Asigne imágenes a los vectores de A de modo que T sea una transformación lineal inyectiva.
Ejercicio 13.8. Sea T : R3 → R3 una transformación tal que T (x, y, z) = (x − y + 2z, x +

2y, −x − 2y + 2z).
a) Demuestre que T es una transformación lineal.
b) Determine dim(Ker (T )).
c) Extienda la base encontrada de Ker (T ) a una base de R3R .
Ejercicio 13.9. Determine una transformación lineal T : M (3, 1, R) → R3 tal que

⟨1⟩
 
Ker (T ) = 1
 
2
y además Im(T ) = ⟨{(1, 0, 1), (−2, 1, 3)}⟩. Justifique.

Ejercicio 13.10. Sea T : R3 → R3 una transformación lineal tal que T (x, y, z) = (x − y +

2z, 2x + y, −x − 2y + 2z). ¿Qué condiciones deben cumplir a, b, c ∈ R para que (a, b, c) ∈
Ker (T )?.
Ejercicio 13.11. Sea T : M (n, R) → M (n, R) una transformación lineal tal que T (A) =
BAB t , con B ∈ M (n, R) una matriz fija.

( )
b) Si n = 2 y B = 00 −2
1 determine:
i) Ker (T ).
ii) dim(Ker (T )).
Ejercicio 13.12. Hallar una transformación lineal T : R4 → R4 tal que
⟨{v1 = (1, −1, 2, 1), v2 = (0, −1, 2, 1)}⟩ = Ker (T )
y
⟨{w1 = (1, 2, −1), w2 = (2, 1, −2)}⟩ = Im(T ).
Ejercicio 13.13. Sea T : R2 [t] → R una transformación lineal tal que

∫ 1
2
T (at + bt + c) = (at2 + bt + c)dt.
0
b) Determine dim(Im(T )).
Ejercicio 13.14. Sea T : R3 → R2 una transformación definida por T (x, y, z) = (x+y, 2z).
a) Si B es la base canónica ordenada de R3R y B1 es la base canónica ordenada de R2R

determine la matriz asociada a la transformación lineal T .
b) Si B = {v1 = (1, 0, −1), v2 = (1, 0, 0), v3 = (1, 1, 1)} y B1 = {w1 = (0, −1), w2 = (1, 2)}.
¿Cuál es ahora la matriz asociada a la transformación lineal T ?.
Ejercicio 13.15. Defina una transformación lineal T : R2 [x] → M (2, R) tal que
{( ) }
{ } a b
Ker (T ) = ⟨ 1 + x2 ⟩ , Im(T ) = ∈ M (2, R) / a = b, d = c .
c d
Ejercicio 13.16. Sea B = {v1 + v3 , v2 + v3 , v1 + v2 } base de VK , definimos la transfor-

mación T : V → V por
∑
3
T (k1 (v1 + v3 ) + k2 (v2 + v3 ) + k3 (v1 + v2 )) = ki v i .
i=1
b) Demuestre que T es un isomorfismo.
Ejercicio 13.17. Se define la transformación T : M (n, R) → R por
∑
n ∑
n
T (A) = aij .
i=1 j=1
b) ¿Es T una transformación lineal inyectiva?. Justifique.

Algebra 2 - Gonzalez, H. - DMCC - MBI - FC - USACH (2012) PDF

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Algebra 2 - Gonzalez, H. - DMCC - MBI - FC - USACH (2012) PDF

Cargado por

Información del documento

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

Algebra 2 - Gonzalez, H. - DMCC - MBI - FC - USACH (2012) PDF

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 9

Recordaremos algunos caracterı́sticas de las matrices y daremos, especial énfasis, a las

9.1. DEFINICIÓN Y NOTACIONES

2. Distinguimos n filas y m columnas.

5. Nos interesan, especialmente, las matrices definidas en el cuerpo de los números

Ejemplo 9.1.1. Considere la matriz A = (aij ) ∈ M (2, 3, R) tal que

ya que, por ejemplo, a11 = 1 + 1 = 2, a13 = 31 = 3.

9.2. OPERACIONES CON MATRICES

Definición 9.2.1. Sean A, B ∈ M (n, m, R) tal que A = (aij ) y B = (bij ), entonces

A = B ⇔ aij = bij ∀ (i, j) ∈ I × J.

Ejemplo 9.2.1. Determine los números reales x e y, si

Solución. Usando la definición de igualdad de matrices obtenemos

Definición 9.2.2. Sean A, B ∈ M (n, m, R) tal que A = (aij ) y B = (bij ) entonces,

A + B = C = (cij ) ∈ M (n, m, R) tal que cij = aij + bij ∀ i, j.

Proposición 9.2.1. En M (n, m, R) se cumple,

b) Existe 0 ∈ M (n, m, R) tal que A + 0 = 0 + A = A ∀ A ∈ M (n, m, R).

c) Si A ∈ M (n, m, R) entonces existe −A ∈ M (n, m, R) tal que −A + A = A + −A = 0,

1. La matriz O cuya existencia garantiza 9.2.1 b) es única. La matriz nula 0 = (zij ) es

2. La matriz −A cuya existencia garantiza 9.2.1 c) es única. La matriz −A se llama

3. Las propiedades se pueden demostrar usando la definición de igualdad en las matrices

Definición 9.2.3. Sea A = (aij ) ∈ M (n, m, R), k ∈ R entonces kA = (cij ) ∈ M (n, m, R)

Observación 9.2.2. kA es la ponderación de la matriz A por el escalar k y se cumple

2. k(A + B) = kA + kB; ∀ A, B ∈ M (n, m, R); ∀ k ∈ R.

3. (k1 + k2 )A = k1 A + k2 A; ∀ A ∈ M (n, m, R); ∀ k1 , k2 ∈ R.

4. (k1 k2 )A = k1 (k2 A); ∀ A ∈ M (n, m, R); ∀ k1 , k2 ∈ R.

se obtiene “multiplicando la i-ésima fila de A por la j-ésima columna de B”.

Proposición 9.2.2. Se cumple:

a) En general, la multiplicación de matrices no es conmutativa, es decir, AB ̸= BA.

b) A(BC) = (AB)C donde A, B, C son matrices conformes.

c) A(B + C) = AB + AC donde A, B, C son matrices conformes.

a) Si consideramos las matrices

entonces, si AB = C = (cij ), BC = D = (dij ) tenemos que

c11 = (1)(5) + (2)(7) = 19 y d11 = (5)(1) + (6)(3) = 23

9.3. MATRICES CUADRADAS

Proposición 9.3.1. El conjunto M (n, R) con la suma y la multiplicación es un anillo no

Demostración. Debemos demostrar que el trı́o (M (n, R), +, ·) es tal que

1) (M (n, R), +) es un grupo abeliano.

2) La multiplicación es una operación binaria interna que cumple

a) A(BC) = (AB)C, ∀ A, B, C ∈ M (n, R).

4) Existe Idn ∈ M (n, R) tal que Idn · A = A · Idn = A, ∀A ∈ M (n, R).

Los puntos 1), 2) y 3) ya se conocen en M (n, m, R), estudiemos el punto 4).

demostremos que A · Idn = A.

Observación 9.3.1. Si bien es cierto que, en general, la multiplicación de matrices no es

Ejemplo 9.3.1. Determine todas las matrices que conmutan con

Solución. Sea B = ( xz wy ) ∈ M (2, R), imponiendo la condición obtenemos AB = BA, ası́,

9.3.1. Matrices no singulares

1. No toda matriz cuadrada admite inversa, por ejemplo, la matriz A = ( 10 20 ) ∈ M (2, R)

2. Cuando una matriz A ∈ M (n, R) admite inversa, esta es única.

B = B · Idn = B(AC) = (BA)C = Idn · C = C.

Denotamos por A−1 a la matriz inversa de A.

Ejemplo 9.3.2. Determine A−1 , si existe, para A = ( 31 21 ).

esto indica que ( ) ( )

1. Para el caso n = 2 obtenemos la siguiente fórmula que nos entrega, directamente, la

2. Si el tamaño de la matriz es 3 entonces generarı́amos un sistema con 9 incógnitas,

2. Si A, B son invertibles entonces AB y BA son invertibles y se cumple

(AB)−1 = B −1 A−1 y (BA)−1 = A−1 B −1 .

3. (ABC)−1 = C −1 B −1 A−1 A, B, C invertibles.

Es inmediato que (AB)(AB)−1 = (AB)−1 (AB) = Idn , por otro lado