Algebra Lineal

APUNTES DE
LGEBRA
2016
Ener
o
LINEAL
DAMF
vafunsch@gmail.com
Vladimir Acori Flores
Apuntes de
LGEBRA LINEAL
con plantilla D
Revista digital
Matemtica, Educacin e Internet. (http://www.tec-digital.itcr.ac.cr/revistamatematica/).
Deparatamento Acadmico de Matemtica y Fsica
Derechos reservados 2016
Matemtica, Educacin e Internet.

http://www.tec-digital.itcr.ac.cr/revistamatematica/.
Photos by: Viviana Loaiza. Parque Nacional Chirrip, Costa Rica.

Licencia Creative Commons Reconocimiento - No Comercial 3.0 Unported Licence (la Licencia).
Usted puede utilizar este archivo de conformidad con la Licencia. Usted puede obtener una copia de
la Licencia en http://creativecommons.org/licenses/by-nc/3.0. A menos que lo requiera
la ley aplicable o se acuerde por escrito, el software distribuido bajo la Licencia se distribuye tal y
como est, sin garantas ni condiciones de ningn tipo, ya sea expresa o implcita.
Primera edicin, Enero 2016
ndice general
Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1
Matrices. Definicin y ejemplos
1.2
Tipos de matrices
1.3
Aplicaciones de la matrices
11
1.4
Operaciones con matrices
15
1.4.1
Suma y diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2
Multiplicacin escalar por una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.3
Transposicin de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.4
Multiplicacin de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5
La matriz inversa
1.5.1
Mtodo directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5.2
Mtodo de GaussJordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6
Rango de una matriz
31
1.7
Factorizacin LU de una matriz
33
1.8
Matrices especiales
34
1.9
Criptografa
36
24
Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1
Determinantes. Definicin y primeros ejemplos
2.1.1
Regla de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2
Propiedades de los determinantes
46
2.3
Relacin entre la inversa y los determinantes
51
Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1
Sistemas de ecuaciones lineales
61
3.2
Clasificacin de los sistemas lineales
62
3.3
Sistemas lineales Homogneos
65
3.4
Eliminacin de parmetros
68
3.5
Aplicacin de los sistemas lineales
70
3.5.1
Lnea de regresin por mminos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5.2
Anlisis de redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5.3
Matrices estocsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.5.4
Programacin lineal: optimizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5.5
Modelo lineal en economa: Mtodo de Leontief . . . . . . . . . . . . . . . . . . . . . . . 80
Espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1
Introduccin
89
4.2
Espacio vectorial
90
4.3
Subespacio vectorial
96
4.3.1
Caracterizacin de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.4
Combinacin lineal y espacio generado
101
4.5
Independencia Lineal
106
4.6
Base de un Espacio Vectorial
109
4.7
Coordenadas respecto de una base
112
4.8
Uso de operaciones elementales para obtener bases
113
4.9
Dimensin de un espacio vectorial
114
4.10
Suma, interseccin y suma directa de subespacios
116
4.11
Frmula de la dimensin
116
Bibliografa
117
42

Tipos de matrices
Suma y diferencia
Multiplicacin escalar por una matriz
Transposicin de matrices
Multiplicacin de matrices
La matriz inversa
Mtodo directo
Mtodo de GaussJordan
Rango de una matriz
Matrices especiales
Criptografa
1 Matrices
Las matrices son herramientas del lgebra que facilitan el ordenamiento de datos, as como su
manejo.
Los conceptos de matriz y todos los relacionados fueron desarrollados basicamente en el siglo XIX
por matemticos ingleses como James Joseph Sylvester (1814-1897) y Arthur Cayley y el irlands
William Hamilton.
Las matrices se encuentran en aquellos mbitos en los que se trabaja con datos regularmente
ordenados y aparecen en situaciones propias de las Ciencias Sociales, Econmicas, Biolgicas e
Ingenieras.
1.1

Una matriz en una tabla rectangular de nmeros reales dispuestas en filas y columnas del siguiente
modo:
a11 a12 a13 a1n
a21 a22 a23 a2n

A=
..
..
..
..
..
filas de la matriz A
.
.
.
.
.
|
am1 am2 am3 amn

{z
}
columnas de la matriz A
Abreviandamente se puede expresar A = (ai j ). Cada elemento de la matriz lleva dos subndices. El
primero de ellos i, indica la fila en la que se encuentra el elemento, y el segundo, j, la columna.
As el elemento a34 est en la fila 3 y columna 4. Las matrices siempre se representarn con letras
maysculas A, B, . . ., etc.
Matrices
8
1.1
(Ejemplos de matrices)
A=
5 2
7
3
!
B=
5 14 0
6
3 9
C=
2 5
2
3 3 4

5 1/2
3
7 0
6
De la matrices A, B y C podemos decir lo siguiente

1 A tiene 2 filas y 2 columnas, diremos que su tamao es 2 2. Qu elemento es a22 ?.
2
B tiene 2 filas y 3 columnas, diremos que su tamao es 2 3. Qu elemento es b13 ?.
C tiene 4 filas y 3 columnas, diremos que su tamao es 4 3. Qu elemento es c43 ? .
Nota En general, si una matriz A tiene m filas y n columnas, diremos que su orden, tamao o
dimensin es m n, se lee m por n, siempre en primer lugar el nmero de filas y en segundo
lugar el de columnas.
1.2
Tipos de matrices
1
Se llama matriz nula a la que tiene todos sus elementos cero.

Por ejemplo,
!
0 0 0 0 0
0=
0 0 0 0 0
es una matriz de tamao 2 5.
Se llama matriz fila a la que tiene slo una fila, es decir, su dimensin es 1 n.
Por ejemplo,

A = 1 1 0
es una matriz fila de tamao 1 4.
Se llama matriz columna a la que slo consta de una columna, es decir, su dimensin ser
m 1.
Por ejemplo,

5

B= 2
3
es una matriz columna de taano 3 1.
1.2 Tipos de matrices

4
Una matriz es cuadrada cuando tiene el mismo nmero de filas que de columnas; es decir, su
dimensin es n n.
Por ejemplo,
1 2 3
C = 2 3 5
3 5 8
es una matriz de tamao 3 3, simplemente de orden 3.
Dentro de las matrices cuadradas la diagonal principal est formado por los elementos
a11 , a22 , a33 , . . . , ann
siendo la matriz:
A=
a11 a12 a13 a1n

a21 a22 a23 a2n
..
..
.. . .
.
. ..
.
.
.
an1 an2 an3 ann
En la matriz C del ejemplo anterior, su diagonal principal estara formado por: 1, -4, 6.
Se llama traza de la matriz a la suma de los elementos de la diagonal principal; es decir,
Traza(A) = a11 + a22 + a33 + + ann ,
y en el caso de C, Traza(C) = 1 3 + 8 = 6.
La diagonal secundaria est formada por los elementos
a1n , a2(n1) , a3(n2) , . . . , an1
En la matriz C estara formada por: 3, 3, 3.
Una clase especial de matrices cuadradas son las matrices triangulares.
Definicin 1.1 (Matriz triangular superior e inferior)
Una matriz es triangular superior, si todos sus elementos por debajo de la diagonal principal
son nulos y triangular inferior si son nulos todos los elementos situados por encima de dicha
diagonal.
Matrices
10
1.2
(Matrices triangulares superior e inferior)
La matriz E es triangular superior y la matriz F es triangula inferior.
1 0
0
0
9 6
1 2 0
0
E= 0 5 2
F=
3 0 25
0
0 0
5 7 35 75
Definicin 1.2 (Matriz diagonal)
Si una matriz es a la vez triangular superior e inferior, slo tiene elementos en la diagonal
principal. Una matriz de este tipo se denomina matriz diagonal.
1.3
(Matriz diagonal)
La matriz G es diagonal y su traza es Traza(A) = 5 1 + 0 + 20 = 24.
5 0 0 0
0 1 0 0
G=
0
0
0
0
0 0 0 20
Definicin 1.3 (Matriz Identidad)
Una matriz diagonal tiene en su diagonal principal slo unos, se denomina matriz unidad o
identidad y se suele denotar por In , donde n es el orden o tamao de la matriz.
1.4
(Matrices identidades)
Son matrices identidad de orden dos, tres y cuatro.
I2 =
1 0
0 1
1 0 0
I3 = 0 1 0
0 0 1
I4 =
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
Definicin 1.4 (Matriz escalar)
Una matriz cuadrada se llama escalar si los elementos de la diagonal principal son iguales y
el resto son cero.
1.3 Aplicaciones de la matrices

1.5
11
(Matrices escalares)
Son matrices identidad de orden dos, tres y cuatro.
A=
3 0
0 3
B=
4
0
0
0 4
0
0
0 4
C=
x
0
0
0
0
x
0
0
0
0
x
0
0
0
0
x
Definicin 1.5 (Igualdad de matrices)
Dos matrices A = (ai j ) y B = (bi j ) son iguales si son del mismo orden y sus elementos
correspondientes son idnticos, es decir
A = B si y slo si ai j = bi j , 1 i m 1 j n
1.6
(Matrices que son iguales)
Sean las matrices

A=
2
3 5
x 1 1 0
!
B=
2 3
5
3 1 z + 5
!
C=
x 1
2 3
Se tiene que A = B si x = 4 y z = 5, sin embargo A 6= C y B 6= C, pues son de distinto

tamao.
1.3
Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasificar
valores numricos atendiendo a criterios y variables.
1.7
(Despliegue de valores en forma de tabla)
La matriz siguiente proporciona la distancia entre las ciudades indicadas (en millas terrestres)
Londres
Londres
0
785
Madrid
Nueva York
3,469
Tokio
5,959
Madrid
Nueva York
785
0
3,593
6,706
3,469
3,593
0
6,757
Tokio
5,959
6,706
6,757
Matrices
12
1.8
(Produccin)
Supongamos que un fabricante tiene tres fbricas en cada una de las cuales se manufacturan
cuatro productos. Si denotamos por ai j el nmero de unidades del producto i elaboradas por la
fbrica j en una semana, la matriz siguiente de 3 4 nos proporciona la produccin semanal
del fabricante
Fbrica 1
Fbrica 2
Fbrica 3
Producto 1
Producto 2
Producto 3
Producto 4
500
250
300
650
350
400
600
370
200
450
470
350
Por ejemplo, en una semana, la fbrica 2 produce 370 unidades del producto 3.
1.9
(Sistema lineal de ecuaciones)
El siguiente sistema lineal de cuatro ecuaciones y tres incgnitas, dadas por
2x y + 5z = 18
x 2z = 5
x 2y + z =
2
3y 3z =
0
se le puede asociar las siguientes matrices:

2 1
5
x
1
0 2

A=
X= y
1
1 2
z
0
3 3
b=
18
5
2
0
De tal forma que se tendra la ecuacin matricial AX = b. Mas adelante llamaremos A a la

matriz de coeficientes del sistema lineal.
1.10
(Matrices de informacin)
Un empresario importa globos de tres colores: rojo (R), verde (V) y morado (M). Todos ellos
se envasan en paquetes de 5 y 10 unidades, que se venden al precio (en dlares) indicado por
la siguiente tabla:
1.3 Aplicaciones de la matrices
13
5 unid.
10 unid.
Color R
0.12
0.09
Color V
0.10
0.08
Color M
0.11
0.07
Sabiendo que en un ao se venden el siguiente nmero de paquetes:

Color R
Color V
Color M
5 unid.
50 000
35 000
48 000
10 unid.
52 000
38 000
20 000
Resumir la informacin anterior en 2 matrices A y B, de tamao respectivo 3 2 y 2 3 que

recojan las ventas en un ao (A) y los precios (B).
Solucin: Nos piden que organicemos la informacin anterior en dos matrices de tamao concreto.
Si nos fijamos las tablas, es sencillo obtener las matrices:
5u
R 50000
A = V 35000
M 48000
10u
52000
38000
20000
5u
B=
10u
0,12
0,09
0,10
0,08
0,11
0,07
Estas matrices se denominan matrices de informacin, y simplemente recogen los datos numricos
del problema en cuestin.
1.11
(Matriz de relacin)
Las llamadas matrices de relacin, indican si ciertos elementos estn o no relacionados entre
s. En general, la existencia de relacin se expresa con un 1 en la matriz y la ausencia de dicha
relacin se expresa con un 0.
Estas matrices se utilizan cuando queremos trasladar la informacin dada por un grafo y expresarla
numericamente.
En matemticas un grafo es una coleccin cualquiera de puntos conectados por lneas. Existen
muchos tipos de grafos entre las cuales tenemos:
Grafo simple Es el grafo que no contiene ciclos, es decir, lneas que unen un punto consigo mismo,
ni lneas paralelas, es decir, lneas que conecten el mismo par de puntos.
Grafo dirigido Es el grafo que indica un sentido de recorrido de cada lnea, mediante una flecha.
Son ejemplos de grafos se presentan en la figura (1.1)
Algunas matrices se relacionan con los grafos, de entre todas ellas, nos detendremos en la llamada
matriz de adyacencia, que est formada por unos y ceros exclusivamente, de tal forma que: un 1 en
Matrices
14
(a) Grafo
(b) Grafo simple
(c) Grafo dirigido
Figura 1.1: Grafos
el lugar (i, j) expresa la posibilidad de ir desde el punto de la fila i hasta el punto de la columna j
mediante una lnea que los una directamente, un 0 en el lugar (i, j) expresa la imposibilidad de ir del
primer punto al segundo mediante una lnea que los una directamente.
Para el grafo dirigido
A
su matriz de adyacencia es
A
A 0
B
0
C
0
D 0
B C
1
0
0
0
1
1
0
0
1.4 Operaciones con matrices
15
Ejercicio 1.1 Escribir las correspondientes matrices de adyacencia de los grafos:
Ejercicio 1.2 Dibujar los grafos dirigidos que correspondan a las matrices de adyacencia:
A 0
B 1
C 0
B C
1
0
1
1
0
A 0
B
1
C
0
D 0
B C
0
0
1
0
0
1
0
1
1.4
1.4.1

Suma y diferencia
Dadas la matrices A y B podemos realizar la suma o diferencia de acuerdo a la siguiente regla. Para
sumar o restar dos matrices del mismo tamao, se suman o restan los elementos que se encuentren
en la misma posicin, resultando otra matriz de igual tamao.
Definicin 1.6 (suma de matrices)
Sean A = [ai j ] y B = [bi j ] matrices de orden m n, entonces la suma de A y B es la matriz

A + B de orden m n dada por
A + B = [ai j + bi j ] .
1.12
(Suma de matrices)
Sean las matrices A =
A+B =
5 7 3
6
8 4
!
yB=
1 3
5
4 2 6
5 + (1) 7 + 3 3 + 5
6 + 4
8+2 46
!
=
!
entonces,
4 4
8
2 10 2
Matrices
16
Nota Si las matrices tienen diferente tamao, no se pueden sumar o restar entre s.
Propiedades de la suma (y diferencia) de matrices:
1
2
3
4
Conmutativa: A + B = B + A
Asosiativa: A + (B + C) = (A + B) + C.
Elemento neutro: La matriz nula de tamao correspondiente
Elemento opuesto de A: La matriz A, que resulta de cambiar de signo a los elementos
de A.
1.13
(Opuesto de una matriz)
1 7
1
7
Sea la matriz A = 3
9 entonces el opuesto de A es A = 3 9 pues,
5 11
5 11
1 7
1
7
0 0
A + (A) = 3
9 + 3 9 = 0 0
5 11
5 11
0 0
Ejercicios 1.1
1.1 Las exportaciones, en millones de dlares, de 3 pases A, B,C a otros tres X,Y, Z, en los
aos 2014 y 2015 viene dada por las matrices:

X
A 10
A2014 = B 12,5
C 19,1
6,5
10,8
11,3
3,5
8,6
0,9
A 12,5
A2015 = B 7,3
C 2,6
8
15,4
5,6
10,9
a.) Calcula y expresa en forma de matriz el total de exportaciones para el conjunto de los
dos aos.
b.) Cuntos millones ha exportado el pas B al Z en total?
c.) Calcula el incremento de las exportaciones del ao 2014 al 2015 con los datos del
ejemplo anterior.
17
1.2 Calcule x, y, z en la suma:
x y 1
2
y 0 z
1 1 3
y x + z 3 2 = 0
5 5
2
0
z
3
2 4 x
2
5 1
1.3 Calcular a, b, c para que se cumpla la igualdad:
3a
b
2
4
c + 1
6
1.4.2
2
a+b 4
1c
2
0
!
=
1 a 2
2 0 6
Multiplicacin escalar por una matriz

Sea A una matriz cualquiera y r un nmero real, el producto rA se realiza multiplicando todos los
elementos de A por r, resultando otra matriz de igual tamao. (Evidentemente la misma regla se
sirve para dividir una matriz por un nmero real).
Definicin 1.7 (Multiplicacin de un escalar por una matriz)
Sea la matriz A = [ai j ] de orden m n y r un escalar, entonces la multiplicacin de r por A es

la matriz rA de orden m n dado por
rA = [rai j ] .
1.14
(Multiplicacin de matriz por un escalar)
Sea la matriz A =
2 1 4
5 3
7
rA = 3.
!
y r = 3, entonces
2 1 4
5 3
7
!
=
6 3
12
15 9 21
Propiedades de la multiplicacin de un escalar por una matriz

1
2
3
4
Distributiva respecto a la suma de matrices: r(A + B) = rA + rB

Distributiva respecto a la suma de nmeros: (r + s)A = rA + sA
Asosiativa: r(sA) = (rs)A
Elemento neutro, el nmero 1: 1A = A
Matrices
18
Ejercicios 1.2
1.4 Si A =
2 2
0 1
!
yB=
2 0
0 1
!
. Hallar la matriz X que verifica la ecuacin:
2X 4A = B
1.5 Determine las matrices X y Y sabiendo que:
1.4.3
3X 5Y
X + 3Y
!
1 2
8
1
!
2 4
3 0
Transposicin de matrices
Sea A una matriz cualquiera, se llama matriz transpuesta de A, y se representa por At a la matriz que
resulta de intercambiar las filas por las columnas de A.
Definicin 1.8 (Transpuesta de una matriz)
Sea A una matriz de orden m n, entonces la transpuesta de A es la matriz At de orden n m

dado por
At = [a ji ]
1.15
Sea A =
(Matriz transpuesta)
2 1 5 0
3 2 6 7
!
, entonces la matriz transpuesta de A es
A =
2 3
1
2
5
6
0
7
Nota Si una matriz es cuadrada, su transpuesta tendr el mismo tamao.

Propiedades de la traspuesta de una matriz
1
2
(At )t = A
(A + B)t = At + Bt

3
4
19
(rA)t = rAt
(A B)t = Bt At
En base a esta nueva operacin podemos definir otras dos clases de matrices: matriz simtrica y
antisimtrica.
Definicin 1.9 (Matriz simtrica)
La matriz A es simtrica si At = A.
1.16
(Matriz simtrica)
La matriz
1 x 3

A= x 0
5
3
5 4
es simtrica (comprobar).
Nota En una matriz simtrica sus elementos son simtricos respecto de la diagonal principal.
Ejercicio 1.3 Puede ser simtrica una matriz que no sea cuadrada?, por qu?
Definicin 1.10 (Matriz antisimtrica)
La matriz A es antisimtrica si At = A.
1.17
(Matriz antisimtrica)
La matriz
0 2
3
B = 2 0 1
3 1
0
es antisimtrica. (Comprobar)
Nota En una matriz antisimtrica, los elementos de la diagonal principal son siempre nulos (por
qu?), y los restantes son opuestos respecto a dicha diagonal.
Matrices
20
Ejercicios 1.3
1 3 3
1
1 1
1.6 Dadas la matrices A = 1 4 3 y 2

0
2 , calcular 3At + Bt .
1 3 4
6 1
0
1.7 Obtener X t , (Y )t que verifiquen los sistemas:
2X 3Y
X Y
1.4.4
1 5
4 2
1 0
3 6
X +Y
,
X Y
2X +Y
6 2
,
X + 2Y
0 3
2 1
3 0
3
1
0 2
1 0
2 4
Multiplicacin de matrices
Hay que dejar claro ya desde el principio que no todas las matrices pueden multiplicarse. Dos
matrices se pueden multiplicar cuando se cumple la siguiente condicin:
Para multiplicar dos matrices A y B, en ese orden, A B, es condicin indispensable

que el nmero de columnas de A sea igual al nmero de filas de B.
Si no se cumple esta condicin, el producto A B no puede realizarse, de modo que esta es una
condicin que debemos comprobar previamente a la propia multiplicacin.
Una vez comprobado que el producto A B se puede realizar, si A es una matriz de orden m n
y B una matriz de orden n p (observamos que el nmero de columnas de A que es n es igual al
nmero de filas de la matriz B), entonces el producto de A B da como resultado una matriz C de
orden m p del siguiente modo:
El elemento que se encuentra en la fila i y la columna j de la matriz C = A B, se obtiene multiplicando los elementos de la fila i de A por la columna j de B y sumando los resultados.
Definicin 1.11 (Multiplicacin de matrices)
Sean las matrices A = [ai j ] de orden m n y B = [bi j ] de orden n p, entonces el producto

de A y B es la matriz C = A B de orden m p
n
A B = [ci j ] ,
ci j =
aik bk j = ai1 b1 j + ai2 b2 j + + ain bn j

k=1

1.18
21
(Multiplicacin de matrices)
0
4
1
!
1 2
3 2 1
4
1
.
yB=
2
2 5 3 2
0
2
3
2 1
Primero comprobamos que se puede realizar el producto A B, pues el nmero de columnas
de A es 4 y el nmero de filas de B tambin es 4, y el resultado, segn lo dicho ser una matriz
de tamao 2 3, es decir 2 filas y 3 columnas:
0
4
1
!
!
1 2
3 2 1
4
1

=
2
2 5 3 2
0
2

3
2 1
Solucin: Slo falta completar los elementos de la matriz producto. Para ello, seguimos la regla
anterior:
El elemento de la fila 1 columna 1 de A B proviene de multiplicar elemento a elemento la fila 1 de A
por la columna 1 de B y sumar, es decir:
3 0 + 2 1 + 1 2 + 4 3 = 0 + 2 + 2 + 12 = 16
El elemento de la fila 1 y columna 2 de A B proviene de multiplicar elemento a elemento la fila 1 de
A y la columna 2 de B y sumar :
3 4 + 2 2 + 1 0 + 4 2 = 12 4 + 0 + 8 = 16
3 1 + 2 1 + 1 2 + 4 1 = 3 + 2 + 2 4 = 3
2 0 + 5 1 + 3 2 + 2 3 = 0 + 5 + 6 6 = 5
2 4 + 5 2 + 3 0 + 2 2 = 8 10 + 0 4 = 22
Matrices
22

2 1 + 5 1 + 3 2 + 2 1 = 2 + 5 + 6 + 2 = 15
Luego se tiene:
AB =
16
16 3
5 22 15
Propiedades de la multiplicacin de matrices

1
2
Asosiativa: A (B C) = (A B) C
Distributiva respecto a al suma:
A (B + C) = A B + A C
(A + B) C = A C + B C
Elemento neutro: la matriz identidad correspondiente, si A es m n:

A In = A
Im A = A
En general el producto de matrices no es conmutativo:

A B 6= B A
Pueden verse ejemplos en los ejercicios anteriores.

La siguiente propiedad es muy interesante.
El producto de dos matrices no nulos A y B pude dar lugar a una matriz nula, por
ejemplo
!
!
5
2 1 3
0
2 =
0 2 1
0
4
se dice que el conjunto de las matrices con la operacin producto tiene divisores de
cero, hay matrices no nulas cuyo producto es nulo.
Ejercicio 1.4 Una empresa distribuidora de accesorios de oficina tiene una carga lista para ser
enviada. La carga consiste en 700 cajas de lapiceros, 500 de plumones, 200 de borradores, 100 de
flderes y 50 de perforadoras. Los precios de mercado por caja cotizados para los distintos tipos
de accesorios de oficina en diversos pases estn dados en la matriz A, donde las filas representan
ordenadamente los pases de Per, Ecuador, Colombia, Venezuela, Uruguay, Brasil y Argentina, y
23
las columnas son para lapiceros, plumones, borradores, flderes y perforadoras, respectivamente
2 3 4 2 6
3 3 4 4 6
700
3 3 2 4 3
500
A= 5 2 2 5 5 C=
200
2 2 5 2 4
100
50
3 5 5 5 4
2 5 6 7 6
el costo (en dlares) del transporte es

t
T = 150 250 250 300 450 350 350
(los pases estan en elmismo orden que la matriz
A). Interpretar
1 AC y AC T,
0 0 0 1 0 0 0 (AC T)
2 Por mtodos matriciales, encontrar el lugar a donde es conveniente enviar la mercanca.
Ejercicios 1.4
1.8 Si A =
1 3
2
6
!
, B=
3 5
2
1
!
. Calcular si es posible A B y B A.
Coinciden?
1.9 Calcular todos los productos posibles entre las matrices:

1 2 3
2

A= 0 1
1 B= 1 C=
1 2
3
3
2 1 0
3 4 5
Adems calcule A2 y A3 .
1.10 Para las matrices
A=
1 1 2
4
0 3
!
B=
0
3 4
1 2 3

2 3 0
1
3

C = 5 4 1 2 D = 1
1 0 0 3
2
Calcular : A + B, 3A 4B, A B, A D, B C, C D, At C, Dt At , Bt A, Dt D, (D Dt ) At .
Matrices
24
1.11 Si A y B son dos matrices cuadradas del mismo orden, son ciertas las propiedades
siguientes, que son ciertas para las operaciones con nmeros reales?
a.) (A + B)2 = A2 + B2 + 2 A B
b.) (A B)2 = A2 + B2 2 A B
c.) (A + B) (A B) = A2 B2
1.12 Determinar el valor de a y b de la matriz A =
1.13 Qu matrices conmutan con la matriz
1.5
1 2
0 1
2 1
a
b
!
!
para que A2 = A.
La matriz inversa
Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades de esta operacin.
Recordemos, en primer lugar, que no siempre es posible efectuar la multiplicacin de dos matrices, y
en segundo lugar, que aunque sea posible hacer esta multiplicacin, en general no es conmutativo, es
decir A B es diferente de B A.
En el caso particular de que tratemos con matrices cuadradas del mismo orden A y B, es claro que
podemos efectuar los productos A B y B A, que darn como resultado otra matriz del mismo orden,
aunque, como ya se ha dicho, las matrices resultantes sern, en general, distintas.
Sabemos tambin que el elemento neutro del producto de matrices es la matriz identidad In . Por
analoga con el caso de los nmeros reales, podemos plantearnos la siguiente cuestin: si tenemos
un nmero real, por ejemplo 3, podemos interesarnos en buscar el inverso del 3 para el producto, es
decir un nmero real x tal que 3 x = 1, el producto de 3 por x sea igual al elemento neutro, 1.
Evidentemente, en el caso de los nmero reales es bin fcil despejar x para obtener, en nuestro
caso, que x = 31 , es decir, el inverso de un nmero real es otro nmero que multiplicado por l da el
elemento neutro, el 1. Todo nmero real , salvo el 0, tiene inverso.
Trasladando esto a las matrices podemos plantear si dada una matriz cuadrada A de orden n,
cualesquiera, existe su inversa X para el producto de matrices, tal que
A X = In
es decir, el producto de A por su inversa produce el elemento neutro matricial, la matriz identidad In .
Sin embargo, hay algunas diferencias con respecto al caso de los nmeros reales
1.5 La matriz inversa

1
25
In
No podemos despejar; la matriz X de modo que X = , porque no hemos definido la divisin
A
de matrices.
No todas las matrices cuadradas no nulas tienen matriz inversa (sea lo que sea, por analoga
con los nmeros).
Definamos, en primer lugar el trmino de matriz inversa.

Definicin 1.12 (Matriz inversa)
Sea A una matriz cuadrada de orden n, se dice que A es invertible (o que posee inversa o que
es no singular o que es regular), si existe otra matriz del mismo orden, denominada matriz
inversa de A y representada por A1 y tal que:
A A1 = In
y A1 A = In
Nota Si A no tiene inversa, se dice que es singular o no invertible y si una matriz tiene inversa,
dicha matriz inversa es nica (slo hay una).
Para calcular la matriz inversa podemos seguir dos vas: mtodo directo y Gauus-Jordan.
1.5.1
Mtodo directo
Este mtodo consiste en determinar A1 planteando un sistema de ecuaciones.
Aplicamos este mtodo en el siguiente ejemplo.
1.19
(Matriz inversible)
Determinar la inversa de la matriz A =
1 3
2
4
!
.
Solucin: Se busca una matriz de igual tamao (orden 2) tal que A A1 = I2 y A1 A = I2 , es

decir
!
x
z
A1 =
y t
entonces se cumple
A A1 = I2
!
!
1 3
x z
=
2
4
y t
!
x 3y z 3t
=
2x + 4y 2z + 4t
1 0
0 1
1 0
0 1
Matrices
26
por igualdad de matrices, se tiene el sistema de ecuaciones
x + 2z
=1
y + 2t
=0
x + 3z = 0
y + 3t = 1
resolviendo el sistema de 4 ecuaciones con 4 incgnitas, se tiene
x=
2
5
y=
1
5
z=
3
10
2
5
3
10
51
1
10
t=
1
10
Por lo tanto, la matriz inversa es
A1 =
Tambin se puede expresar sacando factor comn

A
1
=
10
4 3
2 1
!
.
Se puede comprobar que tambin se cumple que A1 A = I2 , luego A es invertible, tiene inversa.
Nota Si el sistema de ecuaciones no tiene solucin, la matriz no tiene inversa.
Veamos esto con el siguiente ejemplo.

1.20
(Matriz singular)
Determinar la inversa de la matriz A =
3 6
5 10
Solucin: Procediendo del mismo modo que el ejemplo anterior, se tiene

A A1 = I2
!
!
3 6
x z
=
5 10
y t
!
3x + 6y 3z + 6t
=
5x + 10y 5z + 10t
igualando matrices, se tiene el sistema de ecuaciones
3x + 6y
5x + 10y
3z + 6t
5z + 10t
=1
=0
=0
=1
1 0
0 1
1 0
0 1
27
De 5x + 10y = 0 se tiene x = 2y, reemplazando en la primera ecuacin 6y + 6y = 1, es decir

0 = 1 (imposible). El sistema de ecuaciones no tiene solucin. Por lo tanto, la matriz A no tiene
inversa es singular.
El mtodo directo se suele emplear para encontrar para matrices de orden 2, si la matriz es de mayor
orden se hace difcil aplicar ste mtodo, por ejemplo si la matriz es de orden 4, se tendra que
resolver una sistema de 16 ecuaciones con 16 incgnitas.
1.5.2
Mtodo de GaussJordan
Este mtodo consiste en hacer transformaciones elementales en las filas de una matriz para llegar
a obtener la matriz identidad. Realizando estas mismas transformaciones con la matriz identidad
llegamos a la matriz A1 .
Definicin 1.13 (Transformacin elemental en una matriz)
Llamamos transformacin elemental en una matriz a:

1 Multiplicar o dividir una fila por un nmero real distinto de cero.
2 Sumar o restar a una fila otra multiplicada por un nmero real no nulo.
3 Intercambiar filas.
Definicin 1.14 (Matriz escalonanda y matriz reducida por filas)
Una matriz A de orden m n se llama escalonada o reducida por filas si:

1 Todas las filas nulas, si las hay, deben estar al final de la matriz.
2 Por cada fila que no es completamente nula, el primer elemento no nulo es 1 (denominado 1 principal).
3 Para dos filas consecutivas (no nulas) el 1 principal del rengln superior est ms a la
izquierda que el 1 principal del rengln inmediato inferior.
Nota Una matriz escalonada por filas est en la forma escalonada reducida si toda columna con un
1 principal tiene ceros en todas las posiciones por arriba y por debajo del 1 principal.
Matrices
28
1.21
(Matrices escalonadas y reducidas)
Sean las matrices
0 2 1 5
A= 0 1
0 3
0 0
0 2
0 7
5 1
0 1 1
5
B=
1
2
0 0
0 0
0
0
1 2 0 0
C= 0 0 1 0
0 0 0 1
1 0
3 0
0
0 1 2 0 1
D=
0 1
2
0 0
0 0
0 0
0
Son matrices escalonadas A y B, C y D son matrices escalonadas reducidas.

Las siguientes matrices no estn en la forma escalonada.
0 5 0
3
1 1 3 1
E = 0 3 1 1
F= 0 0 0 0
0 0 1
0
0 1 2 4
El procedimiento para obtener A1 por el mtodo de GaussJordan es el siguiente:
1 Se escribir la matriz aumentada (A|In ).
2 Se utiliza operaciones elementales fila para poner la matriz A a su forma escalonada reducida
por filas.
3 Se decide si A es invertible:
a) Si la forma escalonada reducida por filas de A es la matriz identidad I, entonces A1 es
la que se obtiene a la derecha de la barra vertical.
b) Si la reduccin de A conduce a una fila de ceros ala izquierda de la bara vertical, entonces
A no es invertible.
1.22
(Matriz inversa)
Determinar la matriz inversa de A =
1 3
2
4
Solucin: Aplicando el mtodo de GaussJordan, consideremos la matriz A de orden 2 y la matriz

identidad del mismo orden
!
1 3 1 0
(A|In ) =
2
4 0 1
Hacemos la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal principal)
usando transformaciones elementales fila: La mejor forma de realizar esto es hacer cero los elementos
29
por debajo de la diagonal en la primera columna usando la fila 1. Luego, hacer cero los elementos
por debajo de la diagonal en la segunda columna usando la fila 2, y as sucesivamente.
En nuestro caso, en la fila 2: multiplicamos por 2 a la fila 1 y restamos con la fila 2, y se obtiene
!
!
1 3 1
0
1 3 1 0
(A|In ) =
F2 : 2F1 F2
2
4 0 1 2 10 2 1
Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo ceros
a los elementos por encima de la diagonal. El proceso es parecida a la anterior. Hacer cero los
elementos por encima de la diagonal en la ltima columna usando la ltima fila. Luego, hacer cero
los elementos por encima de la diagonal en la penltima columna usando la penltima fila, y as
sucesivamente.
En nuestro caso, en la fila1: multiplicamos por 10 a la fila 1 y restamos la fila 2 multiplicada por 3, y
se obtiene
!
!
1 3 1
0
10
0 4
3
(A|In ) =
F1 : 10F1 3F2
2 10 2 1
0 10 2 1
Ya tenemos una matriz diagonal. Lo nico que falta es dividir a cada fila entre el nmero adecuado
para obtener unos en la diagonal, es decir para obtener la matriz identidad en la parte izquierda:
1
1
a la fila 1 y multiplicamos por 10
a la fila 2, y se obtiene
multiplicamos por 10
(A|I2 ) =
10
0
4
3
0 10 2 1
1 0
4
10
F2
F1
F1 : , F2 :
2
10
10
0 1 10
3
10
1
10
Una vez que se tiene la matriz identidad en la parte izquierda, la parte derecha es la matriz inversa de
A1 , es decir llegamos a
4
3
1 0 10

10
I2 |A1 =
2
1
0 1 10
10
Es decir, la matriz inversa de A es
1.23
4
10
3
10
2
10
1
10
= 1
10
(Matriz inversa de orden 3)
2 1
1
Determinar la matriz inversa de B = 1 1 2

3
2
1
4 3
2 1
Matrices
30
Solucin: Siguiendo los pasos anteriores, calculamos B1 por el mtodo de Guss-Jordan.
2 1
1 1 0 0
(B|I3 ) = 1 1 2 0 1 0 F1 : F1 F2
3
2
1 0 0 1
F3 : 2F2 + F3 0
6
F1 : 6F1 F3
F2 : 18F2 5F3 0
0
1
6 F1
1
18
F1
1
18 F1
1
0
3 1 1 0
1 0
1 1 2 0
3
2
1 0
0 1
1 1
0
0
3
1 2 1
2
0
0 18
5 7 1
1
1
0 0 1
18 0 7
1 5
0 18 5 7 1
1
1 0 0
6
7
0 1 0 18
5
0 0 1
18
1
6
1
18
7
18
1
6
5
18
1
18
= I3 |B1
luego,
B1 =
1
6
7
18
5
18
1
6
1
18
7
18
1
6
5
18
1
18
3
3
3
1
7 1
5
=
18
5 7 1
Propiedades de la matriz inversa

1
2
3
4
A1 es nica.
(A1 )1 = A
(A B)1 = B1 A1
(rA)1 = 1r A1
Veamos 1. Sean E1 y E2 matrices inversas de A, entonces se tiene AE1 = I, E1 A = I y AE2 , E1 A = I.

Por otro lado
E1 = IE1 = (AE2 ) E1 = (E2 A) E1 = E2 (AE1 ) = E2 I = E2 .
1.6 Rango de una matriz
31
Ejercicios 1.5
1.14 Calcular por el mtodo de GaussJordan la inversa de las matrices:
1 2 3
A= 3
2
4
2 1
0
7 2 3
B = 1 0 1
2 1 3
C=
1
2
3
1
2
6
7
1
3 4
7 8
8 12
1 1
3 0
0
1.15 Dada la matriz diagonal D = 0 5

0 . Cmo calcularas de forma rpida de
0 0 7
inversa de una matriz diagonal cualquiera?
!
a b
1.16 Sea la matriz A =
. Demostrar que la inversa de A est dado por
c d
1
A1 =
ad bc
1.6
d b
c
a
Rango de una matriz

Un concepto muy importante relacionado con las matrices es el de rango. El concepto de rango se
encuentra ligado al de independencia lineal de filas o columnas de una matriz, pero no se introducir
de esta manera porque se requieren de conceptos que no conocemos.
Basta saber que se define el rango de una matriz como el nmero mximo de filas o columnas
linealmente independientes.
Sin embargo, el clculo del rango de una matriz lo abordaremos desde otra perspectiva, utilizando el
mtodo de Gauss.
Supongamos que tenemos una matriz cualquiera A a la que le aplicamos el mtodo de Gauss con
el fin de simplificarla lo ms posible (es decir, consiguiendo que tenga el mayor nmero de ceros
posible), realizando operaciones elementales en filas.
Definicin 1.15 (Rango de un matriz)
El rango de la matriz A es el nmero de filas no nulas de la matriz tras aplicarle en mtodo de

Gauss y lo representaremos por Ran (A).
Matrices
32
1.24
(Rango de una matriz)
Calcular el rango de las siguientes matrices
!
2 1 1
1 2
1
1 1
A=
B= 1
1 2 C = 3 1 2
5 5
1
2 1
1 1
2
D=
Solucin: Haciendo operaciones elementales fila a la matriz A obtenemos
A=
1 1
5 5
!
F2 : 5F1 F2
1 1
0 1
Como A tiene una fila no nula, entonces Ran (A) = 1.

Haciendo operaciones elementales fila en la matriz B obtenemos
2 1 1
1 2 1
B= 1
1 2 F1 : F1 F2 1
1
2
1
2 1
1
2
1
F2 : F1 F2 1 2 1
F3 : F1 + F2 0
3
3
0
0
0
1 2 1
F2 : 13 F1 0
1
1
0
0
0
Como B tiene dos filas no nulas, entonces Ran (B) = 2.
Haciendo operaciones elementales fila en la matriz C obtenemos
1 2
1 F : 3F F
1 2 1
2
1
2
C = 3 1 2 F3 : F1 + F3 0 5 8
1 3
2
0 5 3
1 2 1
F3 : F2 F3 0 5 8
0 0 5
F2 : 15 F1 1 2 1
8
F3 : 15 F3 0
1
5
0
0
1
Como C tiene tres filas no nulas, entonces Ran (C) = 3.
3
4 5
6 8 10
1.7 Factorizacin LU de una matriz
33
Haciendo operaciones elementales fila en la matriz D obtenemos

!
!
1 3 4
1
3 4
D=
F2 : 2F1 + F2
0
2 6
8 0 0
Como D tiene una fila no nula, entonces Ran (D) = 1.
1.7

Se mostrar la forma de escribir una matriz cuadrada como el producto de una matriz triangular
inferior (con diagonal principal de unos) por una matriz triangular superior. Esta factorizacin se
aplica para resolver sistemas lineales por computadora.
Definicin 1.16 (Factorizacin LU)
Sea la matriz A cuadrada de orden n. Si A = LU donde L es una matriz triangular inferior y

U es una matriz triangular superior, se dice que es una factorizacin LU de A.
1.25
(Factorizacin LU)
Son ejemplos de factorizacin LU de matrices cuadradas.

!
!
!
2 3
1 0
2
3
A=
=
= LU
12 8
6 1
0 10
1 2 0
1 0 0
1 2 0
B= 0
1 2 = 0 1 0 0
1 2 = LU
3 5 3
3 1 1
0
0 1
1.26
(Determinacin LU de una matriz)
Determine la factorizacin LU de la matriz A =
2
3 1 6
4
7
2 1
.
2
5 2 0
0 4
5 2
Solucin: Si A = LU, entonces A se puede escribir como

2
3 1 6
1 0 0 0
7
2 1 a 1 0 0
A=
=
2
5 2 0
b d 1 0
0 4
5 2
c e f 1
2
0
0
0
3 1 6
x
y z
= LU
0
r s
0
0 t
Matrices
34
multiplicando e igualando las matrices, se tiene
2
3
1
2a 3a + x
a + y
2b 3b + dx b + dy + r
2c 3c + ex c + ey + r f
6
6a + z
6b + zd + s
6c + ez + f s + t
se tienen las igualdades

2a = 4 a = 2
2b = 2 b = 1
2c = 0 c = 0
3a + x = 7 x = 1
3b + dx = 5 d = 8
a + y = 2 y = 4
b + dy + r = 2 r = 35
6a + z = 1 z = 11
6b + zd + s = 2 s = 94
3c + ex = 4 e = 4
3
c + ey + r f = 5 f =
5
72
6c + ez + f s + t = 5 t =
5
luego,

2
3 1 6
1
0
0

4
7
2 1
1
0
= 2
2
5 2 0 1
8
1
0 4
5 2
0 4 35
0
0
0
1
2
0
0
0
3 1
6
1
4 11
0 35
94
72
0
0
5
Ejercicio 1.5 hola
1.8
Matrices especiales
En algunos ejemplos y ejercicios se consideran algunas matrices especiales del tipo,
Definicin 1.17 (Matrices especiales)
Sea la matriz A, entonces

1 Matriz nilpotente: A = Ak ,
k N, K 2
2 Matriz involutiva: A2 = I
3 Matriz ortogonal: A1 = At
4 Matriz idempotente: A = A2
Ejercicio 1.6 Mostrar que la matriz es nilpotente
2
6
1 3
!
.
1.8 Matrices especiales
Ejercicio 1.7 Mostrar que la matriz es idempotente
35
5 8
3 5
!
.
Ejercicios 1.6
1.17 Dar un ejemplo de cada una de los siguientes tipos de matrices.
De orden 1 3.
De orden 3 1.
Cuadrada de orden 3.
Diagonal y escalar de orden 4.
Triangular superior y triangular inferior de orden 4.
Simtrica y antisimtrica de orden 4.
1.18 Determinar, si existe, la matriz A = [ai j ] cuadrada de orden
! 2, definida por: si i = 1
18 30
ai j = x y si i = 2 ai j = y, y R tal que AAt =
.
30 50
1.19 Verdadero o falso? Cuando es falso, proporcione un contraejemplo.
a) Si las columnas 1 y 3 de B son los mismos, entonces las columnas 1 y 3 son los mismos
en AB.
b) Si las filas 1 y 3 de B son los mismos, entonces las filas 1 y 3 son los mismos en AB.
c) Si las filas 1 y 3 de A son los !
mismos, entonces las filas 1 y 3 son los mismos en AB.
2 0
1.20 Sea la matriz A =
Demostrar que todas las matrices de orden 2 2, tales
1 1
que AB = BA, son de la forma
!
a 0
ba b
a.)
b.)
c.)
d.)
e.)
f.)
donde a, b R.
1.21
a.)
b.)
1.22
0 1 0
Sea la matriz A = 1 0 k .
k 2 4
Para que valores de k la matriz es inversible.
Para k = 1. Calcular A1 si existe.
Calcular la inversa de la matriz M, si existe.
2
1 0
0
0
3 2 0
0
0
M=
0 5
0
0
0
0
0
0
9
3
0
0 0
2
1
Matrices
36
1.23 Calcular la inversa de la matriz M, si existe.
M=
1
0
5
3
9
1
0
1
4
7
6
2
0
0
1
0
2
4
0
0
0
1
5
7
0
0
0
0
1
0
0
0
0
0
0
1
1.24 Utilizar matrices particionadas para calcular la inversa de
1 0 2 1
0 1
5
3
A=
3 5
3
3
1 2
3
3
B=
1
6
5
3
2
2
1
3
0
2
4 2
2
2 1
0
0
0
0
1
0
0
0
0 1
1.25 (El problema de Fibonacci) Tres hombres poseen una sola pila de dinero, y sus
aportaciones son 1, 13 y 16 . Cada uno toma algo de dinero de la pila, hasta que no queda nada.
A continuacin el primer hombre regresa 12 de lo que tom, el segundo 13 y el tercero 16 .
Cuando el total que regresaron se divide por igual entre ellos, se descubreque cada hombre
posee lo que corresponde por su aportacin. Cunto dinero haba en la pila original, y cunto
tom cada uno?
1.26 (Cuadrados mgicos) Un cuadrado mgico de tamao n es una matriz de orden n n
cuyos elementos consisten en todos los enteros entre 1 y n2 , de tal forma que las sumas de
los elementos de cada fila, columna o diagonal son iguales. La suma de los elementos de
n(n2 +1)
cualquier fila, columna o diagonal de un cuadrado mgico de tamao n es
.
2
1. Probar que no existe un cuadrado mgico de tamao 2.
2. Determine el cuadrado mgico de tamao 3 cuya primera fila es el vector (1, 9, 5)
1.9
Criptografa
Muchas empresas se interesan por enviar mensajes codificados que sean difciles de descifrar por
otros, si son interceptados, pero que se decodifiquen facilmente por quienes la reciban. Existen
muchas formas de codificar un mensaje, y stas en su mayora utilizan teora de nmeros o temas de
lgebra lineal.
Un criptograma es un mensaje escrito de acuerdo a un cdigo secreto (kryptos que significa oculto ).
1.9 Criptografa
37
Emplearemos matrices invertibles para codificar un mensaje.

Para codificar un mensaje primero asignemos a cada letra del alfabeto un nmero (el nmero cero
representar un espacio en blanco), de la forma
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
1.27
(Mensaje codificado)
Sea la matriz M, que slo la conocen quienes trasmiten y reciben el siguiente mensaje
codificado por los nmeros
29
20
-24
19
14
-30
-20
35
-17
29
-10
16
25
14
13
-7
1 1
2
M = 1
1
1 .
1
2 2
Decodifique el mensaje.
Ejercicios 1.1
1.27 Una empresa tiene tres libreras: A, B y C, y cada una de ellas tiene libros de ficcin, de
viajes y de deportes. Las cantidades de libros se tabulan como sigue:

f iccion
A
300
B 280
C
80
via jes
deportes
280
125
130
99
210
195
Suponga que las entregas a cada librera estn representadas por E. Calcule las existencias
actualizadas.
25 46 11
E = 25 56 33
29 36 40
Cuntos libros de viaje tiene la librera B?
Matrices
38
1.28 Una empresa embotelladora de agua tiena tres marcas: M1 , M2 y M3 , y se entregan a cuatro
tiendas: A, B, C y D. Las tiendas se abastecen, en centenares de botellas, de acuerdo a la siguiente

tabla
M1 M2 M3
A
9
5
4
B
7
6
12
C
6
3
5
D 7,2 5,3 3,6

Actualice el inventario cuando se hacen las entregas D.
2
3 0,8
0,7 3
2
D=
4 0,9 1
3,5 1,9 1,9
Cuntas botellas de la marca M2 tiene la tienda C?

1.29 Suponga que las distancias, en millas, entre las ciudades A, B y C se expresan como sigue
A
50 25
0 38
38 0
A 0
B 50
C 25
Se desea trazar un mapa cuya escala sea tal que 1 pulgada en el papel corresponda a 8 millas de
distancia real, cul es la matriz de las distancias del mapa?
1.30 La empresa Alis tiene tres tiendas de departamentos. Cada una vende camisas, pantalones
y zapatos, cuyos precios se dan en la siguiente tabla. Calcule los valores de los artculos, si en las
tres tiendas se ofrece un descuento del 125 %
2
3
Camisas
Pantalones
Zapatos
75
120
60
50
30
45
40
35
25
1.31 Se tienen dos tiendas T1 y T2 que reciben diariamente Laptos (L) y Dvd (D) de dos
fabricantes f1 y f2 . Las ventas se representan por la matriz
f1
f2
25
35
40
50
1.9 Criptografa
39
El precio en dlares, por aparato en cada tienda, est representada por la matriz
L
D
T1
T2
600
550
150
160
a) Determine los ingresos de la segunda tienda al vender todos los aparatos que provienen de
la segunda tienda.
b) Si A y B representan las matrices anteriores, calcule e interprete el producto AB.
1.32 Dos tiendas T1 y T2 son abastecidos semanalmente por dos fbricas de ropas f1 y f2 , con
pantalones (p) y sacos (s), de acuerdo con
f1
f2
40
50
25
40
El precio en dlares, por artculo, es el siguiente

T1
p
s
T2
80 110
250 320
Si A y B son las matrices de esas tablas, calcule e interpreteel producto AB.

Regla de Sarrus
2 Determinantes
Estudiaremos un nuevo concepto, determinante asociada a una matriz. Este concepto nos permitir
simplificar operaciones matriciales para el clculo del rango y de la inversa de una matriz.
Historicamente, los determinantes precedan a las matrices, un hecho curioso a la luz de la forma
como se ensea el lgebra lineal en la actualidad, con las matrices antes que los determinantes. No
obstante, los determinantes surgen independientemente de las matrices en la solucin de muchos
problemas prcticos, y la teora de los determinantes estaba bien desarrollada casi dos siglos antes
de que a las matrices se les otorgara un valor de estudio como tal.
!
a11 a12
Recuerde que el determinante de la matriz A =
de orden 2 es
a21 a22
det (A) = a11 a22 a12 a21
Esta expresin se encontr por primera vez cuando se determinaron formas para calcular la inversa
de una matriz. En particular, se encontr que
A1 =
a11 a12
a21 a22
!1
1
=
a11 a22 a12 a21
"
a22 a12
a21 a11
#
.
El estudio de los determinantes se remonta al siglo XV , cuando matemticos de renombre realizan

trabajos referidos a ese tema y antes de la formalizacin del lgebra de matrices. Sin embargo, fue
en el ao 1772 cuando Valdermonde public el primer trarado donde estudi en forma sistemtica
los determinantes.
Determinantes
42
2.1

Definicin 2.1 (Determinante de una matriz de orden 2 2)
El determinante de la matriz A =
a11 a12
a21 a22
!
de orden 2 2, es el nmero real dado por
det (A) = a11 a22 a12 a21 .
(2.1)
Nota Emplearemos la notacin det (A), |A| indistintamente para denotar el determinante de la matriz
A. No confundir las barras | | con la notacin de valor absoluto de un nmero real.
2.1
(Determinante de una matriz de orden 2)
Calcular determinantes de orden 2 es muy fcil, veamos

5 3

|A| =
= (5)(2) (1)(3) = 13
1
2

3 3

|B| =
= (3)(5) (6)(3) = 3
6 5

9 6

|B| =
= (9)(4) (6)(36) = 0
6 4
Nota El determinante de una matriz puede ser positivo, negativo o cero. El determinante de una
matriz de orden 1 1 es el elemento de la matriz.
Para determinar el determinante de una matriz de orden mayor que 2 es necesario introducir algunos
conceptos previos de menores y cofactores.
Definicin 2.2 (Menor complementario)
Sea A una matriz cuadrada de orden n, el menor complementario de un elemento ai j de A, es

el determinante que se obtiene al suprimir la fila i y la columna j y se denota por Mi j .
2.2
(Menores complementarios de una matriz)
2 5
4
Para la matriz A = 5
3 5 . Calcular los menores complementarios de la fila 1
7 5
6
y columna 3.
2.1 Determinantes. Definicin y primeros ejemplos
43
Solucin: Los menores complementarios de la fila 1 son:

3 5

Menor complementario de 2: M11 =
= 18 25 = 7
5
6

5 5

Menor complementario de -5: M12 =
= 30 + 35 = 5
7
6

5
3

= 25 21 = 4
7 5
Los menores complementarios de la columna 3 son:

Menor complementario de 4 : M13 =

Menor complementario de -5: M23 =


5
3
= 25 21 = 4
7 5

2 5
= 10 + 35 = 25
7 5

2 5
= 6 25 = 19
5
3
Ejercicio 2.1 Determinar los menores complementarios restantes de la matriz anterior.
Ligado a este concepto de menor complementario se encuentra el de cofactor de una matriz.

Definicin 2.3 (Cofactor de una matriz)
Sea A una matriz cuadrada de orden n, se define el cofactor Ci j de un elemento ai j de A como

el nmero
Ci j = (1)i+ j Mi j .
Es decir, el cofactor de un elemento de la matriz es el menor complementario correspondiente

acompaado de un signo mas o menos dependiendo de la fila y columna en la que se encuentra el
elemento en cuestin.
2.3
(Cofactor de una matriz)
2
0
2
Determinar los cofactores de la matriz A = 3 5

1
1
2 3
Determinantes
44
Solucin: Los cofactores de la fila 1 son

C11 = (1) M11 = +

1+2
C12 = (1) M12 =

C13 = (1)1+3 M13 = +

1+1

5
1
= 15 2 = 13
2 3

3
1
= 9 1 = 10
1 3

3 5
= 6 + 5 = 11
1
2
continuando con el mismo patrn, se tiene

C21 = 4
C22 = 4
C23 = 4
C31 = 10
C32 = 8
C33 = 10
En general, se puede saber si el signo del menor complementario y del cofactor coinciden o no, basta
aplicar la siguiente regla grfica, por ejemplo para matrices 3 3, 4 4 y 5 5 basta fijarse en la
matrices:
+ + +
+ +
+ +
+ +
+
+ + + + +

+ +
+ +
+ +
+ + +
donde + significa que el cofactor coincide con el menor complementario y el indica que tienen
signo contrario.
Una vez conocidos estos conceptos podemos definir el determinante para una matriz de orden mayor
que dos.
Definicin 2.4 (Determinante de orden n)
Para una matriz A cuadrada de orden n se define su determinante como la suma del producto
de los elementos de una lnea cualquiera de la matriz (fila o columna) elegida, por sus
correspondientes cofactores.
si n = 1
a11 ,
n
det (A) =
(2.2)
a1k C1k , si n > 1

k=1
Nota Se puede demostrar, aunque dicha demostracin excede los contenidos del curso, que el valor
de el determinante no depende de la fila o columna elegida para calcularlo.
2.1 Determinantes. Definicin y primeros ejemplos

2.4
45
(Determinante de una matriz de orden 3)
1
2
6
Calcular el determinante de A = 5 1
0
7
0 3
Solucin: Eligiendo la fila 1 y aplicando la definicin
det (A) = a11 C11 a12 C12 + a13 C13

1
5
0
0

= 1
2
0 3
7 3

5 1

+6
= (3 0) 2(15 0) + 6(0 7)

7
0
= 9.
Eligiendo la columna 3 y aplicando la definicin
det (A) = a13 C13 a23 C23 + a33 C33

5 1
1 2
1
2

= 6

7

0
7 0
5 1

= 6(0 7) 0(0 + 14) 3(1 10)

= 9.
Notamos que si elegimos cualquier fila o columna y desarrollamos los cofactores, el determinante es
el mismo.
Nota En general, si elegimos una fila o columna que tiene ms elementos nulos, necesitaremos
menos cofactores.
La definicin de determinante de una matriz es bastante tedioso y se hace muy pesada a medida que
aumenta el orden de la matriz, sin embargo existen tcnicas y propiedades que simplificarn estos
clculos, y una de esas tcnicas es la que se conoce con el nombre de regla de Sarrus.
2.1.1
Regla de Sarrus
Una manera ms fcil de calcular el determinante de una matriz cuadrada de orden 3, es aplicar la
regla de Sarrus. Que enunciamos a continuacin.
Regla de Sarrus
Sea A matriz cuadrada de orden 3. El determinante de A por la regla de Sarrus, se hace

restando dos expresiones obtenidas del siguiente modo: debajo de la tercera fila horizontal
se repiten las dos primeras filas horizontales conservando su orden, se trazan 3 diagonales
de derecha a izquierda y de izquierda a derecha, luego se multiplican entre s, a los nmeros
que hay en las diagonales trazadas de izquierda a derecha con su propio signo y se restan el
Determinantes
46
producto de los nmeros que hay en las diagonales trazadas de derecha a izquierda.
2.5
(Determinante por regla de Sarrus)
5 9 6
Calcular el determinante de la matriz A = 3

7 2
1 4 8
Solucin: Aplicando la regla de Sarrus, se tiene

5 9 6

3
7 2

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

5 9 6

3
7 2

= 280 72 18 42 40 216 = 190 + 214 = 404.
2.2

Algunas propiedades importantes que tienen los determinantes, y que se enuncian sin demostracin
son:
1 Si una matriz tiene fila (o columna) de ceros, el determinante es cero.
2 Si una matriz tiene dos filas (o columnas) iguales o proporcionales, su determinante es cero.
3 Si permutamos dos filas (o columnas) de una matriz cuadrada, su determinante cambia de
signo.
4 El determinante de una matriz es igual al de su transpuesta.

|A| = At
Esta propiedad permite intercambiar operaciones elementales filas y columnas en el proceso

del clculo de los determinantes.
El determinante es lineal en filas y columnas, es decir si los elementos de una fila o columna
se escriben como la suma de dos o ms trminos, el determinante es igual a la suma de dos o
ms determinantes.
Si multiplicamos todos los elementos de una fila (o columna) de un determinante por un
nmero, el determinante queda multiplicado por dicho nmero.
Si a la fila (o columna) de una matriz se le suma otra fila (o columna) multiplicada por un
nmero, el determinante no cambia.
Esta propiedad permite utilizar un mtodo ms sencillo para calcular determinantes de orden
mayor que 3.
2.2 Propiedades de los determinantes

8
Para una matriz A de orden n, se tiene:

|r A| = rn |A|
47
|A B| = |A| |B|
Si A tiene matriz inversa, A1 , se verifica que:

1
A = 1
|A|
10
Si la matriz A es de orden n, entonces las siguientes propiedades son equivalentes:

a) det (A) = 0.
b) A no es inversible.
c) Ran (A) < n.
d) Al menos una fila (o columna) de la matriz A se puede poner como combinacin lineal
del resto de las filas (o columnas).
Veamos algunos ejemplos aplicando las propiedades de determinantes.

2.6
(Filas o columnas de cero o proporcionales )
Empleando las propiedades para determinantes se tienen

a b c

det (A) = 0 0 0 = 0
pues la fila 2 es nula

m n p

a b 0

det (B) = x y 0 = 0
pues la columna 3 es nula

m n 0

1 3
2

det (C) = 3
pues fila 2 proporcional a la fila1: F2 = 3F1
9 6 = 0

4
3 1

1 2
3

pues: F3 = 10F1 + 2F2
det (D) = 5
7 9 = 0

0 6 12
2.7
(Determinante de la transpuesta de una matriz)
2 3 5
Calcular el determinante de la matriz A = 5

7 1 .
1 2 3
Determinantes
48
Solucin: Calculando por separado |A| y |At | por la regla de Sarrus, se tiene

2 3 5

|A| = 5
7 1 = 3.

1 2 3

2 5
1

t
A = 3 7 2 = 3.

5 1
3
Vemos que |A| = |At |.
2.8
(Intercambiando filas o columnas)
Calcular el determinante de la matriz A =
Solucin: Es fcil ver que det (A) = 33.

3 7

det (A) =

5 1

5 1

=

3 7
3 7
5 1
!
.
intercambiando fila 1 por fila 2: F1 F2

el determinante cambia de signo
= (35 3) = 33.
2.9
(Linealidad de la determinante)
2
1
4 3
!
.
Solucin: Se tiene que det (A) = 10, si expresamos la fila 2 como una suma se tiene

2
1

det (A) =
por propiedades de determinante

1 + 3 1 2

2
1 2
1

calculando los determinantes y sumando
=
+

1 1 3 2
= (2 1) + (4 3) = 10.
2.2 Propiedades de los determinantes

2.10
49
(Factorizando fila o columna)
2
6
8 1
!
.
Solucin: Vemos que det (A) = 46. Podemos fatorizar 2 de la fila 1, entonces

2(1) 2(3)

det (A) =
8
1

1
3

= 2

8 1
factorizando 2 de la fila 1
calculando el determinante
= 2(1 24) = 46.
Si factorizamos 2 columna 1, se tiene

2(1) 6

det (A) =
2(4) 1

1
6

= 2

4 1
factorizando 2 de la columna 1
calculando el determinante
= 2(1 24) = 46.
2.11
(Usando operaciones fila)
2
1
3 2
1
3
2 4
.
1
4 4
2
3 2
1
3
Solucin: Una estrategia para tener en cuenta en caso de determinantes de orden mayor que 4,
incluso de orden 3 si la matriz es compleja, es el mtodo de hacer ceros (la fila o columna que eliges),
pues el determinante no cambiar al hacer operaciones elementales filas (o columnas), como indica
las propiedades de determinantes, siendo cuidadosos en aplicar dicha propiedad.
Apliquemos este comentario al ejemplo
Determinantes
50

2
1
3 2

1
3
2 4

det (A) =
4 4
2
1

3 2
1
3

2 1
3 2

5 0 7
2

=

9 0 16 10

7 0
7 1

5 7
2

= (1) 9 16 10

7
7 1

9 7
0

= (1) 61 54
0

7 7 1

9 7

= (1)(1)

61 54
operaciones fila: F2 3F1 ,F3 4F1 , F4 + 2F1
en la columna 2 aplicamos la definicin de determinante
operaciones fila: F1 + 2F3 , F2 + 10F3
en la columna 3 aplicamos la definicin de determinante
desarrollando el determinante de orden 2
= 9(54) 61(7) = 59
2.12
(Determinante del producto de un escalar por una matriz)
!
3 7
Si la matriz A =
tiene det (A) = 39. Calcular |(3)A|.
6 1
Solucin: Primero calculamos la matriz (3)A y despus calculamos su determinante
!
!
3 7
9 21
3A = (3)
=
.
6 1
18 3
Luego,

9 21

|(3)A| =
= (9)(3) (18)(21) = 351 por definicin de determinante
18 3
|(3)A| = (3)2 |A| = 9(39) = 351
por propiedades de determinante
2.3 Relacin entre la inversa y los determinantes

2.13
51
(Determinante del producto de matrices)
!
!
1
3
2 5
yB=
con determinantes det (A) = 22 y
5 7
1
4
det (A) = 13. Calcular det (AB).
Solucin: Podemos calcular det (AB), multiplicando las matrices AB y luego calculando su
determinante, y aplicando las propiedades
!
!
!
1
3
2 5
5
7
AB =
=
5 7
1
4
3 53
Luego,

5
7

|AB| =
3 53

= (5)(53) (3)(7) = 286

|AB| = |A| |B| = (22)(13) = 286
2.14
determinante de orden 2
producto de determinantes
(Determinante de la inversa de una matriz)
!

7 2
Sean la matriz A =
con determinante det (A) = 19. Calcular A1 .
1 3

Solucin: Podemos calcular A1 , determinando primero la inversa de la matriz A y luego
calculando su determinante, y aplicando las propiedades.
!
1
3
2
1
A =
.
19 1
7
Luego,

2

1
1
3 2
= 2 (21 2) =

1
19
7 19
1
A = 1 = 1
|A| 19
1
A =
2.3
1
19
determinante de la inversa
propiedad

Existe una estrecha relacin entre la inversa de una matriz cuadrada, su determinante y la matriz
adjunta.
Determinantes
52
Definicin 2.5 (Matriz adjunta)
Sea A una matriz cuadrada de orden n, la matriz adjunta de A, adj (A), se obtiene al trasponer
la matriz A y reemplazar cada elemento de At por su correspondiente cofactor.
Veamos el siguiente ejemplo para ilustrar esta definicin.
2.15
(Adjunta de una matriz
1 2 1
Sea la matriz A = 3 5 1 , calcular:

5 2 0
a) adj (A)
b) A adj (A), adj (A) A
1
adj (A) = A1
c) Mostrar que
|A|
d) Cmo se relacionan |adj (A) | con |A|?
Solucin: a) Calculando los cofactores de los elementos de la matriz A,
C11 = 2
C12 = 2
C13 = 19
C21 = 2
C22 = 5
C23 = 8
C31 = 3
C32 = 2
C33 = 1
luego,
t
2
5 19
2
2 3
adj (A) = 2 5
8 =
5 5
2 .
3
2 1
19
8 1
Las dems preguntas se dejan para el lector.

Una de las propiedades de determinantes nos dice que una matriz cuadrada tiene inversa si su
determinante es no nulo.
Del ejemplo anterior, si se multiplica una matriz cuadrada A por su matriz adjunta se obtena una
matriz paricular: la matriz diagonal.
La siguiente definicin muestra la relacin que existe entre el determinante de una matriz, su matriz
adjunta y su inversa.
Definicin 2.6 (Inversa de una matriz)
Sea A una matriz cuadrada de orden n. La matriz A es invertible si det (A) 6= 0 y se cumple
A1 =
1
adj (A)
det (A)
(2.3)
53
Veamos el siguiente ejemplo empleando esta definicin.

2.16
(Inversa por determinante y adjunta)
1 6
1
Sea A = 4 8 1 . Determinar si A es invertible y, de ser as, calcular A1 .

2 2
0
Solucin: En primer lugar calculemos la determinante de la matriz

1 6
1 1 6 1

det (A) = 4 8 1 = 5 14 0 = 10 28 = 18 6= 0

2 2
0 2 2 0
luego A es invertible. Ahora calculemos adj (A),
t
2 2 8
2
2 14
adj (A) =
2 2
10 = 2 2
5 .
14
5 16
8 10 16
Por la definicin anterior,
1
2
2 14
9
1
1
1
A =
5 = 9
2 2
18
4
8 10 16
9
2.17
19
1
9
59
7
9
5
18
8
9
(Inversa que depende de x)
1 2 3
Dada la matriz A = 2 5 6
7 x x
a) Calcular los valores de x para los cuales la matriz es regular.
b) Calcular la inversa.
c) Para x = 20 calcular la inversa de A.
Solucin: a) Calculamos el determinante de la matriz por propiedades

1 2 3 1
2
3

det (A) = 2 5 6 = 0
1
0 = x 21

7 x x 0 x 14 x 21
Para que A sea invertible, es condicin necesaria y suficiente que |A| = x 21 6= 0, luego
x 6= 21.
Determinantes
54
b) Calculamos la inversa por la adjunta,

2
5 6

C11 = +
= x C12 =
7
x x

2 3
1

C21 =
C22 = +
=x
x x
7

2 3
1

C31 = +
=
3
C
=

32
5 6
2
6
x
3
x
3
6

2

= 2(x 21) C13 = +
7

1

C23 =
= x 21

7

1

=
0
C
=
+

33

2
5
x
2
x
2
5

= 2x 35

= 14 x

=1

luego,
x 2(x 21) 2x 35
x
x
3
1
1
A1 =
x 21
14 x =
x
2(x 21) x 21 0
|A|
x 21
3
0
1
2x 35
14 x 1
x
x
3
x 21 x 21
x 21
A1 =
2
1
0
2x 35 14 x
1
x 21
x 21
x 21
siempre que x 6= 21.

c) Para x = 20 reeemplazando en b), se tiene
20 20
3
A1 = 2
1
0
5
6 1
2 1 3
Ejercicio 2.2 Dada la matriz A = 1 x

6
3 1 2
a) Calcular los valores de x para los cuales la matriz es regular.
b) Calcular la inversa.
c) Para x = 51 calcular la inversa de A.
55
Ejercicios 2.1
2.1 Calcular det (E), si
E=
a2
ab
ab
b2
ab
a2
b2
ab
1. Para a = 2 y b = 3, calcular det (E)

2. Para que valores de a y b, det (E) = 1
2.2 Por propiedades, calcular

1 2

4 5

5 5

1 4
ab
b2
a2
ab
b2
ab
ab
a2
3
4
3
2
2
0
1 1
2.3 Calcular el determinante de las siguientes matrices:
A=
1
1
1
1
1 1 1
2 3 4
4 9 16
x x2 x3
B=
x
1
1
1
1
x
1
1
1
1
x
1
1
1
1
x
C=
0
a
0
0
b
0
0
0
a
b
0
0
0
0
b
a
0
0
0
b
0
0
a
0
b
0
0
0
0
a
2.4 Calcular det (M), si
M=
a
0
0
0
0
b
2.5 Calcular det (D), si
xyz
2x
2x
D=
2y
x + y z
2y
2z
2z
x y + z
2.6 Para a, b, c, d 6= 0. Resolver la ecuacin

a+x
x
x
x

x
b+x
x
x

x
x
c+x
x

x
x
x
d +x

=0

x
1
1
1
1
x
1
1
1 1
1 1
x 1
1 x2
Determinantes
56
2.7 Calcular la siguiente suma

1 1 1
20

1 2 3
k=1
1 4 k2
2.8 Calcular el determinante

a
b
c

a+b b+c c+a

b+c c+a a+b
2.9 Si f (0) = 3 y f (1) = f (1). Calcular a y b.

a
b 2a 3b

1
x
0 0

f (x) =
x 0
0 1

0
0 1 x
2.10 Calcular el determinante de la matriz
2.11 Calcular
1
1
1
1
x x2 x3
1 1 1
2 3 4
4 9 16

47 26 12 1 2 3

119 68 33 + 4 5 6

191 110 54 7 8 9
2.12 Determinar el valor de x para que se cumpla la siguiente propiedad: el determinante de
la matriz 2B es 160, donde
x
3
1
B = x+1
4
2
x
2 x2 1
2.13 Demostrar sin calcular las siguientes igualdades

1 a2 a3 bc a a2

2
3
2
1 b b = ca b b

1 c2 c3 ab c c2

1 6 9

1 8 2

0 4 1

1 1 1

+ 5 6 8

4 9 2

1 6 9

= 1 8 2

1 9 5
57
2.14 Calcular el valor de las siguientes determinantes

5+3
3

2
53

1
1 0

2 3
1

0 1 0

2 1
3 4

1
2 1 0
0 1
2 5

4
3 1 2
2.15 Sean A y A matrices cuadradas de orden 3 con det (A) = 3 y det (B) = 5. Calcular los
siguientes determinantes:

c) 21 B
d) |A B|
a) |2A|
b) |B At |
e)
f)

(B A)t
t t

(B A B)t
2.16 Sean A y B matrices de orden n con det (A) = 2 y det (B) = 3. Calcule los determi-
nantes indicados:

c) det B1 A
d) det (2A)
a) det (AB)

b) det A2
e) det 3Bt
f) det AAt
2.17 Calcular los siguientes determinantes:

1 a b+c

1 b c+a

1 c a+b
1
1
1
1
2
3
4
5
22
32
42
52
23
33
43
53

a
1 2 3

a 1 4 1

a
a 2 8

a
a a 3
0
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
0
2.18 Demostrar sin desarrollar que los siguientes determinantes son nulos

0 2 4 6

1 3 5 7
,
10 12 14 16

21 23 25 27

12 15 18 21 7 8 9

1 1 1 1 12 13 14
,
0 3 6 9 17 18 19

1 2 3 4 21 23 24
10
15
20
25
1
a
b
c
1
b
c
a
1
c
a
b
1 2a b 2b c 2c a
2.19 Justificar mediante propiedades de los determinantes la igualdad:

3 4 2

1 0 5

2 7 0

3 4 342

= 1 0 105

2 7 270
Determinantes
58
2.20 Resolver las siguientes ecuaciones:

1x
2
2

1x
2
2

2
2
1x

2x
0
3
0

1
2x
0
3

0
0
2x
0

0
0
1
2x

2 8 4 0

3 3 3 1

0 x
2 3

1 17 5 0

1
1
1

3x 6 4 x + 4

3
1 1

=0

x+2

6
1

x+4 3 = 0
4

1
3
2

1
3
x5

x
4 2+x

1
1
3

=0

=0

=0

=0

2.21 Demostrar, sin calcularlo, que el siguiente determinante es mltiplo de 11:
5
3
5
9
0
0
6
3
9
8
5
6
3
0
4
1
2.22 Indicar las propiedades de los determinantes que permiten escribir las siguientes
igualdades:

2
8 2 8

1.
=
24 100 0 4

5 30 20

2. 6
9 12 = 15

1 3 0

x y

2.23 Sabiendo que: 5 0

1 1

1 4

= 8

0 1

1 6 4
1
6 4

2
3 4 = 15 2 3 4

2 3 4
1 3 0

z

3 = 1. Calcular sin desarrollar:

1

5x 5y 5z

1 0 3/2 ,

1 1
1

x
y
z

2x + 5 2y 2z + 3

x+1 y+1 z+1
59

a b c

2.24 Sabiendo que d e f = 5 , calcular:

g h i

a b c

2d 2e 2 f ,

g h i

a + 5c 3b

d + 5 f 3e

g + 10i 6h
c
f 3c
2i

d e f

g h i

a b c

d
b

d 3a e 3b

2g
2h
c
f 3c
2i
2.25 Demostrar de la forma ms sencilla posible que:

a2
ab b2

2a a + b 2b = (a b)3 ,

1
1
1
2.26 Evaluar
1 1
2

1. 0
2
2

0
0
3

b+c
b
c

c+a
c
a

a
b
a+b

0 c b

=
2

c 0 a

b a 0
1 0
1
2. det ( I3 A), donde A = 2 0 1

0 0
1
2.27 Una matriz cuadrada A se llama nilpotente si Am = 0 para algn m > 1. (La palabra
nilpotente proviene del latn nil, que significa nada, y potere que significa tener poder.
En consecuencia una matriz nilpotente es aquella que vuelve nada, [esto es: la matriz cero]
cuando se eleva a alguna potencia). Encuentre todos los posibles valores de det (A) si A es
nilpotente.
2.28 Demuestre que det (AB) = det (BA).

2.29 Si B es invertible, demuestre que det B1 AB = det (A).
2.30 Si A es idempotente (esto es A2 = A), encuentre todos los posibles valores de det (A).
2.31 Demuestre que si A es de orden n n, siendo A una matriz antisimtrica, esto es
(At = A) y n es impar, entonces det (A) = 0.

Lnea de regresin por mminos cuadrados
Anlisis de redes
Matrices estocsticas
Programacin lineal: optimizacin
Modelo lineal en economa: Mtodo de
Leontief
3 Sistemas de ecuaciones lineales
Los sistemas de ecuaciones lineales son una parte importante del lgebra lineal y su aplicacin es
muy variada, ya que muchos problemas de ingeniera y de otras ciencias involucran la resolucin de
sistemas de ecuaciones, y la mayora son lineales.
En este captulo se estudiarn tcnicas de resolucin y anlisis de los sistemas de ecuaciones lineales
que son herramientas fundamentales para el estudio de temas del lgebra lineal.
3.1

Un sistema lineal de m ecuaciones y n incgnitas tiene la forma:
a11 x1 + a12 x2 + + a1n xn
b1
a21 x1 + a22 x2 + + a2n xn
b2
am1 x1 + am2 x2 + + amn xn
bm
con ai j , b j R, que se puede expresar en forma matricial como:
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
am1 am2 amn

tambin como:
Ax = b
con A Mmn , x Mn1 y b Mm1 .
x1
x2
..
.
xn
b1
b2
..
.
bm
62
Las matrices A Mmn y A = (A|b) Mm(n+1) se llaman respectivamente, matriz de los coeficientes y matriz ampliada.
Observacin:
1
2
3
4
3.2
Cuando b = 0 el sistema se llama homogneo.

Se llama solucin del sistema Ax = b a cualquier vector x = (x1 , x2 , . . . , xn )t Mn1 ,
que verifica Ax = b.
Resolver un sistema lineal es hallar todas sus soluciones.
Dos sistemas se llaman equivalentes si tienen las misma soluciones.

Segn el nmero de soluciones, los sistemas lineales se clasifican en:
1
2
3
Sistema incompatible No tiene soluciones.

Sistema compatible determinado Tiene nica solucin.
Sistema compatible indeterminado Tiene infinitas soluciones.
Teorema 3.1 (Sistemas lineales equivalentes)
Si (Ar |br ) es la matriz que se obtiene despus de aplicar un nmero finito de operaciones
elementales a la matriz (A|b), los sistemas Ax = b y Ar x = br son equivalentes.
Teorema 3.2 (Teorema de RouchFrobenius)
Sea Ax = b un sistema de m ecuaciones y n incgnitas, entonces:

1 Si rango A 6= rango (A|b), el sistema es incompatible.
2 Si rango A = rango (A|b) = n, el sistema es compatible determinado.
3 Si rango A = rango (A|b) = k < n, el sistema es compatible indeterminado y su solucin
depende de (n k) parmetros.
Veamos algunos ejemplos que ilustrarn la aplicacin de los teoremas.
3.1
(Sistema compatible indeterminado)
Resolver el sistema de 3 ecuaciones y 5 incgnitas:
= 1
x1 + x2 + x4
x1 + x2 + x3 + 2x4 + x5 =
0
x1 + x2 + x4 + x5
= 1
3.2 Clasificacin de los sistemas lineales
63
Solucin: Escribiendo la matriz ampliada y aplicando el mtodo de GaussJordan, se tiene
1 1 0 1 0 1
1 1 0 1 0 1
F2 F1
(A|b) = 1 1 1 2 1
0 F3 F1 0 0 1 1 1
1
1 1 0 1 1 1
0 0 0 0 1
0
1 1 0 1 0 1
F2 F3 0 0 1 1 0
1
0
0 0 0 0 1
Como Ran (Ar ) = Ran (Ar |br ) = 3 < 5 = n, por el teorema de RouchFrobenius el sistema es
compatible indeterminado (infinitas soluciones) y depende de (5-3=2) dos parmetros, es decir:
x1 + x2 + x4 = 1
x3 + x4 + x5 =
1
x5
=
0
Si hacemos x2 = y x4 = , donde , R se tiene la solucin
x1 = 1
x2 =
x3 = 1
x4 =
x5 = 0
o en forma de vector x = (1 , , 1 , , 0)t .
Como solucin particular podemos tomar = 3 y = 5 entonces x = (1, 3, 6, 5, 0).
3.2
(Sistema incompatible)
Resolver el sistema de 3 ecuaciones y 4 incnitas:
x1 2x2 + x3 + 2x4 = 1
x1 + x2 x3 + x4
= 2
x1 + 7x2 5x3 x4 = 3
Solucin: Escribiendo la matriz ampliada y aplicndole el mtodo de GaussJordan, nos da
1
2
1
2
1 2 1
2 1
1
F2 F1
(A|b) = 1
1 1
1 2 F3 F1 0
3 2 1 1
1
7 5 1 3
0
9 6 3 2
1 2 1
2
1
F3 3F2 0
3 2 1
1
0
0 0
0 1
64
Como Ran (Ar ) = 2 6= Ran (Ar |br ) = 3, por el teorema de RouchFrobenius el sistema es incompatible (no tiene solucin).
3.3
(Sistema compatible determinado)
Resolver el sistema de 4 ecuaciones y 4 incnitas:
x1 + x2 + x3 + x4
x +x +x x
1
2
3
4
x
+
x
x
+
x
1
2
3
4
x x +x +x
1
2
3
4
=
0
=
4
= 4
=
2
Solucin: Escribiendo la matriz ampliada y aplicndole el mtodo de GaussJordan, nos da
0
0
1
1
1
1
1
1
1
1
F2 F1
F F
3
1
1
0
1
1 1
0
0 2
4
4
(A|b) =
F4 F1
1 1
1 4
0 2
0 4
1
0
1 1
1
1
0 2
0
0
2
2
12 F2
1
0
0
1
1
0
1
0
1 1
0 1
F2 F4

0 0
0 0
1
0
1
0
12 F3
12 F4
1
0
0
0
1
0
1 2
0
2
0 1
0
1
0 1
0
2
1 2
Como Ran (Ar ) = Ran (Ar |br ) = 4 = n, por el teorema de RouchFrobenius el sistema es compatible determinado (tiene una nica solucin), el cual es
x1 + x2 + x3 + x4 =
0
x4 = 2
x3 =
2
x2 = 1
reemplazando las soluciones x2 = 1, x3 = 2 y x4 = 2 en la primera ecuacin x1 1 + 2 2 = 0
se tiene x1 = 1, resultando
x1 = 1 x2 = 1
o en forma de vector x = (1, 1, 2, 2).
x3 = 2
x4 = 2
3.3 Sistemas lineales Homogneos
65
Ejercicio 3.1 Discutir y hallar la solucin del sistema de 3 ecuaciones y 5 incgnitas
= 1
x1 + x2 2x3 + x4 + 3x5
2x1 x2 + 2x3 + 2x4 + 6x5 = 2
3x1 + 2x2 4x3 3x4 9x5 = 3

Respuesta: x = (1, 2, , 3 , )
x1 + 2x2 + x3
3x + x 2x
1
2
3
4x1 3x2 x3
2x + 4x + 2x
1
2
3
=
=
=
=
2
1
3
4
Respuesta: x = (1, 0, 1)
= 5
x1 + x2 + 2x3 + x4
2x1 + 3x2 x3 2x4 = 2
4x1 + 5x2 + 3x3

= 7
Respuesta: es incompatible.
3.3

Puesto que Ran (A) = Ran (A|0), el sistema lineal homogneo Ax = 0, de m ecuaciones y n incgnitas, siempre es compatible.
1 Si Ran (A) = n, el sistema homogneo es compatible determinado y la nica solucin es la
trivial x1 = x2 = . . . = xn = 0.
2 Si Ran (A) = k < n, el sistema homogneo es compatible indeterminado y su solucin depende
de (n k) parmetros.
Los siguientes ejemplos mostrarn estos resultados.
3.4
(Solucin compatible indeterminado)
Resolver el sistema lineal homogneo de 3 ecuaciones y 3 incgnitas:
2x + 3y z = 0
xy+z
=0
x + 9y 5z = 0
66
Solucin: Considerando la matriz de coeficientes (no es necesario considerar la columna de los

trminos independientes pues son todos nulos) y aplicndole el mtodo de Gauss-Jordan, se tiene
2
3 1
1 1
1
(A) = 1 1
1 F2 F1 2
3 1
1
9 5
1
9 5
1
1
1
F2 2F1
F3 F1 0 5 3
0 10 6
1 1
1
F3 2F2 0 5 3
0 0
0
Como Ran (A) = 2 < n = 3, por el teorema de RouchFrobenius el sistema es compatible indeterminado (tiene una infitas soluciones), que depende de (3-2=1) un parmetro; es decir,
(
xy+z = 0
5y 3z = 0
si z = R entonces obtenemos
o tambin
x = 5
3
y =
5
z =
x = 2
y =
3
z =
5
Ejercicio 3.4 Resolver el sistema lineal homogneo de 4 ecuaciones y 5 incgnitas
x y + z 4t + 2u
2x y + z t u
3x y z + 3t + u
x y + z 5t + 5u
Respuesta: x = (6, 0, 4, +3, 5), R.
=
=
=
=
0
0
0
0
3.3 Sistemas lineales Homogneos
67
Ejercicio 3.5 Resolver el sistema lineal homogneo de 3 ecuaciones y 3 incgnitas
= 0
x+y+z
x + y z
= 0
3x + 2y 2z = 0
Respuesta: La trivial.
Ejercicio 3.6 Resolver el sistema lineal de 3 ecuaciones y 4 incgnitas
= 0
7x y + z t
15x + 3y z + t = 0
4x 2y + 7z 5t = 0
Respuesta: x = (, 11, 32, 50).
Ejercicios 3.1
3.1 Resolver:
3x y + z + t
2x + y + z + 2t
3x y + z + 4t
5x + y z + t
=
0
= 2
= 3
=
6
3.2 Calcular a y b para que el sistema de ecuaciones:
x 2y + 3z t
= 0
2x + 4y + 5z + 3t = 0
(
y
x + 6y + 2z at = 0
x by + z 6t = 0
tenga las mismas soluciones.

3.3 Describir todas las soluciones del sistema:
(
= 1
x + 2y z
2x + y + az = 0
para todos los valores del nmero real a.
3.4 Discutir segn el valor del parmetro a el caracter del sistema de ecuaciones lineales
siguiente y resolverlo en los casos de que sea compatible:
xy+z
= 3
=
0
2x + y + 3z = 9
x + ay + z
ax + y + (a + 1)z =
2
x + 2y + az = 6
x+y+z
= a+1
3x + 4z
= 3a2
68
3.5 Estudiar el siguiente sistema lineal segn los valores del parmetro :
= 0
( 2)x y + z
x + (2 1)y z = 0
x + y z
= 0
3.4
Eliminar parmetros en:
x1 = b1 + a11 1 + a12 2 + + a1r r
x2 = b2 + a21 2 + a22 2 + + a2r r

..
xn = bn + an1 1 + an2 2 + + anr r

es equivalente a encontrar un sistema del que sea solucin, y esto es equivalente a obtener los valores
(x1 , x2 , . . . , xn ) para los que el sistema:
a11 1 + a12 2 + + a1r r = x1 b1
a21 2 + a22 2 + + a2r r = x2 b2

..
an1 1 + an2 2 + + anr r = xn bn

es compatible, es decir, que se verifica:
a11 a12 a1r
a21 a22 a2r

rango
.. . .
.
..
. ..
.
.
= rango
an1 an2 anr
a11 a12 a1r

a21 a22 a2r
..
.. . .
.
. ..
.
.
an1 an2 anr
Veamos esto con el siguiente ejemplo.

3.5
(Eliminacin de parmetros)
Eliminar los parmetros , R en la ecuacin:
x = + 2
y =
z = 1+
t = + 1
x1 b1
x2 b2
..
.
xn bn
3.4 Eliminacin de parmetros
69
Solucin: Escribimos sistema de la forma
+ 2
=
=
=
=
x
y
z1
t +1
ste sistema debe tener solucin (compatible), entonces se debe cumplir que
1
2
1
2 x
1 1
1 1 y
rango
=
rango
0
1 z1
1
1
1 t +1
1
1
aplicndole el mtodo de GaussJordan a la segunda matriz, se tiene
1
2 x
1 2 x
F : F F
2
1
2
1 1 y
F4 : F1 F4 0 3 x y
1 z1
0 1 z 1
1
1 t +1
0 1 xt 1
1 2 x
F3 : 3F3 F2
0 3 y
F4 : 3F4 F2

0 0 x + y + 3z 3
0 0 2x + y 3t 3
para que las dos matrices tengan el mismo rango, consideramos en la tercera columna, los elementos
de la tercera y cuarta fila nulos, es decir
(
x y 3z + 3 = 0
2x + y 3t 3 = 0
Ejercicio 3.7 Eliminar los parmetros , , R en la ecuacin:
x =
y =
z =
t =
Respuesta: x + 2z t + 2 = 0
1 + + 2
+
1 +
1+ +
70
Ejercicio 3.8 Eliminar los parmetros , , R en la ecuacin:
x =
y =
z =
t =
u =
+ 2

3
+
+ 2
Respuesta: 3x 3y 4z + 3t = 0, x 2z + 3t u = 0
3.5

Podra esperarse que un problema de la vida real que involucre lgebra lineal tuviera slo una
solucin, o quiz ninguna. El propsito de esta seccin es mostrar cmo pueden surgir, de manera
natural, sistemas lineales con muchas soluciones. Las aplicaciones que se presentan aqu tienen que
ver con economa, qumica y flujo de redes.
3.5.1
Lnea de regresin por mminos cuadrados

De todos los modelos lineales posibles para una serie de puntos, el modelo de mejor ajuste se define
como el nico que minimiza la suma del cuadrado del error. Este modelo se llama lnea de regresin
de mnimos cuadrados y el procedimiento para determinarlo se llama mtodo de mnimos cuadrados.
Definicin 3.1 (Ajuste lineal por mnimos cuadrados)
Dado un conjunto de n puntos (x1 , y1 ) , (x2 , y2 ) , . . . , (xn , yn ) del plano, se llama ajuste lineal
por mnimos cuadrados a la funcin f (x) = ax + b donde los coeficientes se obtienen a partir
de la solucin del sistema normal asociado a Ax = B, donde
x1 1
y1
!
x2 1
y2
a
A= . . x=
B= .
b
.. ..
..
xn 1
yn
El sistema normal es At Ax = At B. Si la matriz cuadrada At A es no singular, la matriz de las
incgnitas x se puede calcular con
x = At A
1
At B
3.5 Aplicacin de los sistemas lineales

3.6
71
(Lnea de regresin por minimos cuadrados)
Determinar la lnea de regresin por mnimos cuadrados para los puntos (5, 10), (1, 8),
(3, 6), (7, 4), (5, 5).
Solucin: Identificando las matrices
A=
3
7
5
1
1
1
1
1
x=
a
b
B=
10
8
6
4
5
Esto significa que
At A =
5 1 3 5 7
1
1 1 1 1
5
1
3
7
5
At B =
1
1
1
1
1
10
!
8
5 1 3 5 7
6 =
1
1 1 1 1
4
5
13
33
109 9
9 5
luego, calculando (At A)1 , para encontrar la matriz de los coeficientes, se tiene
1 t
x = At A
AB
=
1
464
5 9
9 109
13
33
= 2
15
2
Por lo tanto, la recta de regresin de mnimos cuadrados es

1
15
y = x+
2
2
Ejercicio 3.9 Un empresario de combustible desea saber la demanda de cierto tipo de gasolina
como una funcin de su precio. Las ventas diarias (en galones) y para tres diferentes precios de
72
producto se muestran en la tabla
Precio $
3.00
3.25
3.50
Demanda
4500
3750
3300
a) Determine la recta de regresin de mnimos cuadrados para estos datos.

b) Estime la demanda cuando el precio es $3.40
3.5.2
Anlisis de redes
Las redes compuestas de ramas y nodos se utilizan como modelos en campos muy variados como
: la economa, el anlisis del trnsito vehicular, ingeniera elctrica, los planeadores urbanos, etc.
Para muchas redes, los sistemas de ecuaciones involucran cientos e incluso miles de variables y
ecuaciones.
Una red consiste en un conjunto de puntos llamados nodos (uniones), con lneas o arcos denominados
ramas que conectan a algunos o todos los nodos. La direccin del flujo se indica en cada arco y la
cantidad (tasa) de flujo se muestra o se denota por medio de una variable.
En estos modelos asumimos el supuesto bsico del flujo de redes: el flujo que entra a la red es el
mismo que sale de la red, y que el flujo entrante en un nodo es igual al flujo saliente del nodo. Por
ejemplo, en la figura (3.1) se muestran 50 unidades y x2 unidades que fluyen hacia el nodo a travs
de arcos y x1 unidades denota el flujo que sale del nodo por el arco. Como el flujo se conserva en
cada nodo, se cumple que
50 + x2 = x1 .
Figura 3.1: Ejemplo de nodo
De manera similar, el flujo en cada nodo se describe por medio de una ecuacin lineal y el problema
del anlisis de redes se reduce a determinar el flujo presente en cada arco cuando se conoce cierta
informacin parcial, como las entradas de una red.
Ilustremos este procedimiento en el siguiente ejemplo.

3.7
73
(Flujo de agua)
Fluye agua por un acueducto (en miles de metros cbicos por hora) como se muestra en la
figura.
a) Resuelva este sistema para el caudal representado por xi , i = 1, 2, . . . 7.
b) Calcule el flujo de agua cuando x6 = x7 = 0.
c) Determine el caudal del agua cuando x5 = 1000 y x6 = 0.
600
x1
x4
x3
600
x2
x6
500
500
x5
x7
Solucin: La siguiente tabla describe el flujo de los acueductos (nodos) y los flujos desconocidos
en los arcos. En cada interseccin, se establece el flujo entrante igual al flujo saliente. Tambin se
Interseccin
Flujo entrante
600
x1
x2 +x5
x3 +x6
x4 +x7
500
A
B
C
D
E
F
Flujo saliente
=
=
=
=
=
=
x1 +x3
x2 +x4
500
600
x6
x5 +x7
comprueba que el flujo total entrante a la red (600 + 500) es igual al flujo total saliente (500 + 600)
a la red. Reescribiendo la tabla en un sistema de 6 ecuaciones y 7 incgnitas, se tiene
x1
x1 x2
x2
x3
+ x5
+ x6
x6
x3
x4
x5
=
=
=
=
+ x7 =
+ x7 =
600
0
500
600
0
500
74
La matriz aumentada de este sistema es
1
0
1 1
0
1
0
0
0
0
0
0
1
0 0
0 0
0 1 0
0 0
0
0 1
0 0
1
0 0
1 0
0
1 0 1 1
0
0 1
0 1
600
0
500
600
0
500
Aplicando el mtodo de GaussJordan, se tiene
1 0 0 0 0 1
0 0
0 1 0 0 0
0 1 0
0 0 0 0 1
1
0
600
0 0 1 0 0 1
1
0
0 0 0 1 0
0
1
500
0 0 0 0 0
0
0 0
Como Ran (Ar |br ) = 5 < 7 = n, por el teorema de
indeterminando y depende de 2 parmetros, es decir
x1 x6
x2 x7
x3 x6
x4 x6 + x7
x5 + x7
RoucheFrobenius el sistema es compatible

=0
=0
= 600
=0
= 500
Consideremos a x6 = y x7 = variables libres, , R, entonces
x1 =
x2 =
x3 = 600 +
x4 =
x5 = 500
x6 =
x7 =
b) Si x6 = 0y x7 = 0, entonces
x1
x2
x3
x4
x5
x6
x7
=0
=0
= 600
=0
= 500
=0
=0
75
x3 = 600 y x5 = 500 seran los flujos mnimos. Qu significa un flujo igual a cero?
c) Si x5 = 1000 y x6 = 0, se tiene
x1
x2
x3
x4
x5
x6
x7
=0
= 500
= 600
= 500
= 1000
=0
= 500
Qu significan los nmero negativos en x2 y x7 ?

Ejercicio 3.10 El flujo de trfico (en vehculos por hora) a travs de una red de calles se muestra
en la figura.
a) Resuelva este sistema para xi , i = 1, 2, . . . , 5.
b) Encuentre el flujo vehicular cuando x2 = 200 y x3 = 50.
c) Encuentre el flujo vehicular cuando x2 = 150 y x3 = 0.
400
x5
250
x3
x2
200
x1
x4
350
3.5.3
Matrices estocsticas
Muchos tipos de aplicaciones implican un conjunto finitos de estados {S1 , S2 , . . . , Sn } de una poblacin. Por ejemplo, los habitantes de una cuidad pueden vivir en el centro o la periferia. Los electores
pueden votar por el candidato A, candidato B, o cualquier ottro candidato. Los consumidores de
bebidas gageosas pueden comprar Inca Kola, Kola Real o cualquier otra marca.
La probabilidad de que un miembro de la poblacin cambie del j-sismo estado al i-simo estado
es representada por un nmero pi j donde 0 pi j 1. Una probabilidad de pi j = 0 significa que el
miembro no cambia del estado j-simo al i-simo mientras que una probabilidad pi j = 1 significa
76
que el miembro cambia del estado j-simo al i-simo.
S1
S2
Sn
S1 p11
S2 p21
P= .
.
..
..
p12
p22
..
.
Sn
pn2
p1n
p2n
..
.
pnn
pn1
P se llama matriz de probabilidad de transicin, pues proporciona las probabilidades de cada

posible tipo de transicin (o cambio) dentro de la poblacin.
En cada transicin, cada miembro dado debe permanecer en un estado cualquiera o cambiar a otro.
Para probabilidades, esto significa que la suma de los elementos en cualquier columna de P es 1. Por
ejemplo, en la columna uno tenemos: p1 + p2 + + pn = 1.
Definicin 3.2 (matriz estocstica)
Una matriz P de orden n se denomina estocstica, si cada elemento es un nmero entre 0 y 1

y cada columna de P suma en total 1.
El siguiente ejemplo muestra el uso de la matriz estocstica para medir las preferencias de un
consumidor.
3.8
(Modelo de preferencia de un consumidor)
Una poblacin de 10 000 personas se agrupa de la forma: 5 000 no fumadores, 2 500 fumadores
de un paquete o menos por da y 2 500 fumadores de ms de un paquete al da. Durante
algn mes existe 5 % de probabiliadad de que un no fumador pueda comenzar a fumar un
paquete o menos por da y 2 % de probabilidad de que un no fumador comience a fumar ms
de un paquete al da. Para fumadores que fuman un paquete o menos al da, existe 10 % de
probabilidad de que dejen de hacerlo y 10 % probabiliada de que incrementen la cantidad.
Para fumadores que fuman ms de un paquete al da, existe 5 % de probabilidad de que dejen
de hacerlo y 10 % de probabilidad de que disminuyan a un paquete o menos al da. Cuntas
personas estarn en cada uno de los grupos en un mes? en dos meses? en tres meses?
Solucin: Identifiquemos los estados:

NF : no fumador
5000
F1 : fumador de un paquete al da
2500
F2 : fumador de ms de unn paquete al da
2500
77
La matriz que representa las probabilidades de transicin es

NF
F1
F2
NF 0,93
P = F1 0,05
F2 0,02
0,10
0,80
0,10
0,05
0,10
0,85
la matriz de estado que representa la poblacin actual en los tres estados es
5000
X = 2500
2500
para obtener la matriz de estado que representa las poblaciones en los estados despus de un mes,
multiplicamos P por X para obtener
0,93 0,10 0,05

5000
5025
PX = 0,05 0,80 0,10 2500 = 2500

0,02 0,10 0,85
2500
2475
Despus de un mes, se tiene 5 025 no fumadores, 2 500 fumadores de un paquete al da y 2 475
fumadores de ms de un paquete al da.
Como la matriz de probabilidades de transicin es la misma del primer mes al segundo mes, el
nmero de personas agrupadas despus de dos meses es
5047
P2 X = 2498,75 .
2454,25
El nmero de personas agrupadas despus de tres meses es
5066,30
P3 X = 2496,76 .
2436,93
Ejercicio 3.11 Un investigador mdico estudia la dispersin de un virus en una poblacin de
1000 ratones de laboratorio. Durante alguna semana existe 80 % de probabilidad de que un ratn
infectado supere el virus y durante la misma semana existe 10 % de probabilidad de que un ratn
sano se infecte. cien ratones son infectados con el virus. Cuntos se infectarn esta semana? y
en dos semanas?
Respuesta Prximo mes: 350 personas. En dos meses: 475 personas.
78
3.5.4
Programacin lineal: optimizacin

Los problemas que involucran la optimizacin (mximizar o minimizar) de una funcin llamada
funcin objetivo, cuyas variables se encuentran sujetas a determinadas limitaciones denominadas
restricciones. Si las restricciones y la funcin objetivo son lineales, el problema se denomina de
programacin lineal.
Definicin 3.3 (Programacin lineal )
Un problema de programacin lineal es:

maximizar (o minimizar)
f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + + cn xn ,
sujeta a
a11 x1 + a12 x2 + + a1n xn b1
a21 x1 + a22 x2 + + a2n xn b2

..
.
am1 x1 + am2 x2 + + amn xn bm
x ,x ,...,x 0
1
Siendo adems,
c j R,
j = 1, 2, . . . , n
ai j R, i = 1, 2, . . . , m; j = 1, 2, . . . , n
bi R, i = 1, 2, . . . , n
La funcin f recibe el nombre de funcin objetivo del problema de programacin lineal, y el
conjunto de m desigualdades lineales con n incgnitas se denomina restricciones del problema.
Toda n-upla (x1 , x2 , . . . , xn ) que satisface las m desigualdades se denomina solucin factible.
El siguiente ejemplo plantea un problema de programacin lineal con dos variables el cual se resuelve
por el mtodo grfico.
3.9
(Problema de minimizacin)
Un pequeo generador de electricidad utiliza dos clases de combustible: con alto contenido de
azufre (M) y con bajo contenido de azufre (N). Por cada hora de uso del generador, un galn
de combustible del tipo M emite 5 unidades de bixido de azufre, genera 4 kilovatios y cuesta
50 centavos, mientras que un galn tipo N emite 3 unidades de bixido de azufre, genera 4
kilovatios y cuesta 60 centavos. La oficina de proteccin ambiental insiste en que la mxima
cantidad de bixido de azufre que puede emitirse por hora es de 15 unidades. Suponga que
deben generarse por lo menos 16 kilovatios por hora. Cuntos galones de M y cuntos de N
deben utilizarse por hora , de tal manera que el costo del combustible utilizado sea mnimo?
79
Solucin: La siguiente tabla es un resumen de los hechos descritos

Generador
Bixido de Azufre
Kilovatios
Costo
50
60
Disponible
15
16
Sea x la cantidad de galones de combustible tipo M y y la cantidad de galones de combustible tipo N.

Buscamos minimizar la ecuacin z = f (x, y) = 50x + 60y sujeta a
5x + 3y 15
4x + 4y 16
x 0, y 0
La figura (3.2) muestra un polgono convexo R dado por las desigualdades anteriores. Los puntos de
esquina de R son

3 5
A=
,
B = (0, 4) C = (0, 5)
2 2
Los valores de la funcin objetiva z = f (x, y) = 50x + 60y en los puntos de esquina son

3
5
f (A) = 50
+ 60
= 225
2
2
f (B) = 50(0) + 60(4) = 240
f (c) = 50(0) + 60(5) = 300

Entonces el mnimo de f sobre R ocurre en el punto A = 32 , 52 . Es decir, si cuando se tiene
galones de M y 52 de galones de N a un costo mmino de 225 centavos.
Figura 3.2:
3
2
de
80
Ejercicio 3.12 Una compaa area desea ofertar para una determinada ruta, a lo ms 2500
pasajes de tipo A y tipo B. La ganancia correspondiente a cada pasaje de tipo A es de 25 dlares,

mientras que la ganancia de tipo B es de 20 dlares. El nmero de pasaje tipo A no puede exceder
2100 y del tipo B, debe ser, la tercera parte de las de tipo A que se oferten. Calcular cuntos
pasajes se deben ofertar para que la ganancia sea mxima.
Respuesta: 2100 de tipo A y 400 de tipo B, haciendo una ganancia mxima de 60500.

Ejercicio 3.13 La Academia de ciencias Gauss prepara un viaje para 275 de sus integrantes. Una
empresa de transporte tiene 6 buses de 25 asientos y 9 buses de 40 asientos, pero solo disponen
de 8 conductores. Calcular cuntos buses de cada tipo se deben alquilar para que el viaje resulte
econmico.
a) Cuando alquiler de cada bus grande cuesta 50 soles y del pequeo 30 soles.
b) Cuando alquiler de cada bus grande cuesta 38 soles y del pequeo 40 soles.
Respuesta: a) 3 buses pequeos y 5 buses grandes, haciendo un costo mnimo de 340 soles. b) 0
buses pequeos y 6.88 buses grandes, haciendo un costo mnimo de 275 soles. Como no se puede
alquilar 6.88 buses tomamos 7 buses grandes y 0 pequeos haciendo un costo de 280 soles.
3.5.5
Modelo lineal en economa: Mtodo de Leontief
Este modelo matemtico desarrollado por el economista estadounidense Wassily W. Leontief (19061999), premio Nobel por su trabajo en economa en 1973.
Al generar un modelo matemtico, Leontief suposo que un sistema econmicoproductivo est
formado por n industrias diferentes, cada uno de los cuales frbrica un solo producto.
Suponga que un sistema econmico tiene n industrias diferentes I1 , I2 , . . . , In , cada una de las cuales
tiene requerimientos de entrada (materias primas, transporte, etc.) y una salida (producto terminado).
En la produccin de cada unidad de salida, una industria puede utilizar las salidas de otras industrias,
incluyndose a s misma. Por ejemplo, el servicio elctrico utiliza las salidas de otras industrias
como: carbn, agua, petrleo, incluso su propia electricidad.
Sea di j la fraccin de insumos que necesita la empresa j para producir cada una de sus unidades, y
que son elaboradas por la empresa i. Se llamar xi a la cantidad total de unidades de produccin de la
industria i, y ei la demanda externa de la industria i. Si ei = 0 el sistema econmico es cerrado, es
decir slo vende sus productos a las industrias dentro del sistema y si ei 6= 0 el sistema econmico
es abierto cuando las industrias dentro del sistema venden sus productos a grupos no productores
como gobiernos o instituciones de caridad.
81
La matriz de los coeficientes di j se llama matriz de entradasalida.

I1
I2
In
I1 d11
I2 d21
D = ..
.
. ..
d12
d22
..
.
In
dn2
d1n
d2n
..
.
dnn
dn1
las filas I1 , I2 , . . . , In representan al usuario (salida) y las columnas I1 , I2 , . . . , In representan al proveedor (entrada). Los valores de di j deben satisfacer 0 di j 1 y la suma de los elementos en cada
columna deden ser menor o igual a 1.
i) d12 = 0,5: significa que 0.5 unidades del producto de la Industria 1 deben emplearse para
producir una unidad del producto de la Industria 2.
ii) d44 = 0,15: entonces 0.15 unidades de la Industria 4 son requeridas para producir una unidad
de su propio producto.
Por ejemplo, si para producir una unidad de electricidad (un milln $) se consumen $ 250 de carbn:
delectricidad
carbn
250
= 0,00025
1000000
Si la produccin de electricidad es xi , la industria del carbn deber producir, para satisfacer al sector
de electricidad
delectricidad
carbn xe
= 0,00025xe
Cada sector deber producir para satisfacer las demandas internas (a s mismo y a los dems sectores)
y la externa. Planteando el equilibrio del sistema, se tiene
produccin de cada industria = consumo interno + demanda externa
El sector 1 deber producir
x1 = d11 x1 + d12 x2 + + d1n xn + e1
El sector o empresa i deber producir
xi = d11 x1 + d12 x2 + + dii xi + d1n xn + ei
Al aplicar el equilibrio encada sector, se tendr el sistema de n ecuaciones lineales
x1 = d11 x1 + d12 x2 + + d1n xn + e1
x2 = d21 x1 + d22 x2 + + d2n xn + e2

..
xn = dn1 x1 + dn2 x2 + + dnn xn + en
82
La forma matricial de este sistema es
X = DX + E
donde X se llama matriz de salida y E es la matriz de demanda externa.

Veamos toda esta teora en el siguiente ejemplo.
3.10
Un sistema compuesto de dos industrias: carbn y acero, tienen los siguientes requerimientos
de entrada.
a) Para producir 1.00 $ de ganancia a la salida, la industria del carbn necesita 0.10 $ de
su producto y 0.80$ de acero.
b) Para producir 1.00 $ de ganancia a la salida, la industria del acero necesita 0.10 $ de su
producto y 0.20$ de carbn.
Determine D, la matriz de entradasalida para este sistema. Despus, resuelva para la matriz
X en la ecuacin X = DX + E, donde la demanda externa es
!
10000
E=
.
20000
Solucin: La matriz de entradasalida es
carbon
D=
acero
carbon
acero
0,10
0,80
0,20
0,10
Como la matriz de demanda externa es
carbon
E=
acero
10000
20000
La matriz de salidad X, se calcula resolviendo la ecuacin matricial

X = DX + E
X = (I D)1 E
Donde
(I D) =
9
10
45
51
9
10
!
,
(I D)1 =
4
13
18
13
18
13
16
13
As la matriz de salida es
X=
18
13
16
13
4
13
18
13
10000
20000
!
=
20000
40000
!
.
83
Ejercicio 3.14 Un sistema tiene dos industrias, con los siguientes requerimientos de entrada
a) Para producir 1.00$ de ganancia a la salida, la industria A necesita 0.30$ de su propio

producto y 0.40$ del producto de la industria B.
b) Para producir 1.00$ de ganancia a la salida, la industria B necesita 0.20$ de su propio
producto y 0.40$ del producto de la industria A.
Determine D la matriz de entradasalida para este sistema. Despus, resuelva para la matriz X en
la ecuacin X = DX + E, donde la demanda externa es
!
50000
E=
.
30000
Ejercicio 3.15 Una pequea comunidad incluye un granjero, un panadero y un sastre y tiene la
matriz D de entradasalida y la matriz E de demanda externa mostrada
Gran jero
D = Panadero
Sastre
Gran jero
Panadero
0,40
0,30
0,20
0,50
0,00
0,20
Sastre
0,50
0,30
0,00
1000
E = 1000
1000
Resuelva para la matriz X de salida en la ecuacin X = DX + E.
Ejercicios 3.2
3.6 Resolver el sistema de ecuaciones siguientes e indicar en cada caso si son incompatibles,
compatibles determinados o compatibles indeterminados:
x 2y + 4z = 0
(a)
3x + y 2z = 0
x 5y + 4z = 0
x 2y + z = 1
(b)
3x y 2z = 4
4x + 3y + z = 2
2x + 3y + z = 0
(c)
x + 3y = 3
x + y + 3z = 5
ax + y + z = 1
(d)
x + ay + z = a
x + y + az = a2
x+yz = 1
(e)
3x + ay + az = 5
x + ay = 5
3.7 Indique si los sistemas de ecuaciones son compatibles o incompatibles:
84
x + 3y + z 4t = 1
(a)
2x 6y 2z + 8t = 0
x+y+z+t = 1
2x y z t = 0
x + 2y + z t = 1
(b)
3x + y 2t = 1
6x + 2y 4t = 1
x+y+z = 0
(c)
2x + y + z = 0
3x + 2y + 2z = 0
x + 2y z = 2
xy+z = 1
(d)
2x + y = 3
3y 2z = 1
3.8 Resolver los siguientes sistemas lineales de ecuaciones:
xyz = 6
(a)
x+yz = 2
x + y + z = 12
2x 5y + 3z = 12
(b)
3x + 2y 5z = 1
7x 4y + 2z = 0
x 2y + z = 4
(c)
3x + y 5z = 1
3x + 3y 2z = 4
x+yz = 3
(d)
x+y = 4
3x + 3y 2z = 7
x + y z = 5
(e)
x + y = 2
3x + 3y 2z = 12
x+yz = 1
(f)
x+y = 2
3x + 3y 2z = 4
x+y = 1
(g)
2x + 3y = 0
xy = 3
x+y = 1
(h)
2x + 3y = 4
xy = 2
x+y = 2
(i)
2x + 3y = 2
x y = 14
3.9 Encontrar un sistema homogneo de dos ecuaciones y cuatro incgnitas tal que
x = 1, y = 3, z = 2,t = 1, x = 3, y = 1, z = 2,t = 2
sean soluciones. Encontrar la solucin general de este sistema de ecuaciones.
3.10 Considere las matrices
1 1 2
2 5 4
A= 3
2 1 B= 6 5 7
4
1 3
8 10 11
(a) Analizar si la matriz A es regular.
(b) Resolver la ecuacin matricial AX = B.
(c) Encontrar una matriz C tal que la ecuacin AX = C no tenga soluciones.
3.11 Estudiar el sistema de ecuaciones lineales segn los valores del parmetro a:
(a)
(b)
(c)
(d)
(e)
(f)
(g)
85
ax + y z = 1
x 2y + z = 1
3x + 4y 2z = 2
(
(a 1)x + (a 1)y = a
ax + (a + 1)y = a + 1
xy+z = 0
2x + ay 4z = 0
(a + 1)x 3y + (2a + 2)z = 0
x+y = 1
ay + z = 0
x + (a + 1)y + az = a + 1
(
2x + y 2z = 2
2x + y + az = 0
x + ay + z = 1
ax + y + (a + 1)z = a
x+y+z = a+1
(a 2)x y + z = 0
x + (2a 1)y az = 0
x + ay z = 0
x 2y + az = a
(h)
x + 4y + a2 z = 6a
x 8y + a2 z = 4
x + ay z = 2
2y + z = 5
(i)
x 5y + 2z = 7
x + 3y z = 1 a
xy+z = 3
2x + y + 3z = 9
(j)
x + 2y + az = 6
3x + 4z = 3a2
x + by + az = 1
(k)
ax + by + z = 1
x + aby + z = b
ax + y + z = 3
x + y + 2z = 1
(l)
5x + 2y + 3z = 4
xz = b
3.12 Calcular a y b para que los sistemas lineales de ecuaciones
x 2y + 3z t = 0
2x + 4y + 5z + 3t = 0
x + 6y + 2z + at = 0
x by + 4z 6t = 0
sean equivalentes.
3.13 Encuentre el patrn de flujo general de la red que se muestra en la figura (??). Suponiendo que todos los flujos son no negativos, cul es el mximo valor posible para x3 ?
40
A
x1
x3
x4
x2
60
3.14 Encuentre el patrn de flujo general de la red que se muestra en la figura. Si el flujo
86
debe ir en la direccin indicada, cules osn los flujos mnimos en los arcos denotados por
x2 , x3 , x4 y x5 ?
20
80
30
x5
x2
x1
x6
B
x3
60
100
x4
30
50
90
3.15 Considere el siguiente diagrama de una malla de calles de un sentido con vehculos que
entran y salen de las intersecciones. Las flechas a lo largo de las calles indican la direccin del
flujo del trfico. Sea xi el nmero de vehculos por hora que circulan por la calle i. Suponiendo
que el trfico que entra a una interseccin tambin sale, establezca un sistema de ecuaciones
que describa el diagrama del flujo de trfico.
a) Encuentre el patrn de flujo general del trfico.
b) Suponga que la calle de A a C necesita cerrarse; es decir, x3 = 0. Puede cerrarse
tambin la calle de A a D (x5 = 0) sin modificar los sentidos del trnsito?. Si no se
puede cerrar cul es la cantidad ms pequea de vehculos que debe admitir esta calle
(de A a D)?
200
200
100
200
300
x2
x1
x3
A
x5
200
x4
100
100
87
3.16
a) Encuentre el patrn general en la red de calles principales que se muestra en la

figura (las tasas de flujo se dan en automviles por minuto).
b) Describa el patrn de trfico general cuando se cierra el camino cuyo flujo es x4 .
c) Cuando x4 = 0, cul es el valor mnimo de x1 ?
200
B
x2
x1
40
x3
x4
100
x5
60
3.17 El flujo a travs de una red se muestra en la figura
300
x4
x1
x2
A
x5
x6
C
x1
100
a) Resuelva el sistema para xi , i = 1, . . . , 6.
b) Determine el flujo cuando x3 = 100, x5 = 50 y x6 = 50.
D
200
Introduccin
Espacio vectorial
Caracterizacin de subespacios
Suma, interseccin y suma directa de
subespacios
Bibliografa
4 Espacio vectorial
4.1
Introduccin
Empleamos espacios vectoriales para desarrollan cdigos que detectan y corrigen errores en la
transmisin de informacin en forma digital, por ejemplo los dispositivos utilizados hoy en da como
son las computadoras, telfonos celulares, redes de comunicacin emplean alguno de estos tipos de
codificacin.
El estudio de los espacios vectoriales no es demasiado diferente del estudio del espacio Rn , porque
es posible usar la experiencia geomtrica adquirida con R2 y R3 para visualizar muchos conceptos
generales. Se puede sumar dos vectores en R2 . En la suma, los vectores en R2 obedecen las leyes
conmutativas y asosiativa. Si v R2 , entonces v+0 = v y v+(v) = 0. Se puede multiplicar vectores
en R2 por escalares y obtener las leyes distributivas. En R3 se cumplen las mismas propiedades.
Los conjuntos R2 y R3 junto con las operaciones de suma de vectores y multiplicacin por un escalar
se denominan espacios vectoriales. Se puede decir, de forma intuitiva, que un espacio vectorial es un
conjunto de objetos con dos operaciones que obedecen las reglas que acaban de describirse.
En ste captulo se tendr un cambio, en apariencia grande, del mundo concreto de la solucin
de ecuaciones y del manejo sencillo de los vectores que se visualizaban, al mundo abstracto de
los espacios vectoriales arbitrarios. Existe una ventaja en este cambio. Una vez que, en trminos
generales, se establecen los hechos sobre los espacios vectoriales, se pueden aplicar estos hechos a
todos los espacios de esta naturaleza. De otro modo, tendra que probarse cada hecho una y otra vez
para cada nuevo espacio vectorial que nos encontrramos (y existe un sin fn de ellos).
Espacio vectorial
90
4.2
Espacio vectorial
Definicin 4.1 (Espacio vectorial)
Un espacio vectorial sobre un cuerpo (real o complejo) es un conjunto V 6= 0/ sobre el cual se

definen dos operaciones: suma (+) y producto () , tal que
1 Suma
+ : V V
(u, v) u + v
verificando las siguientes propiedades:

i) Cerradura bajo la suma: u + v V , para todo u, v V .
ii) Conmutativa: u + v = v + u, para todo u, v V .
iii) Asociativa: (u + v) + w = u + (v + w), para todo u, v,w V .
iv) Elemento neutro: Existe 0 V tal que u + 0 = u, para todo u V .
v) Elemento opuesto: Para todo u V existe u V tal que u + (u) = 0.
Producto por un escalar
: R V
( , u) u
verificando las siguientes propiedades:
vi) Cerradura bajo la multiplicacin: u V , para todo u V y R un escalar.
vii) 1 u = u, para todo u V .
viii) ( u) = ( ) u, para todo , R y para todo u V .
ix) ( + ) u = u + u, para todo , R y para todo u V
x) (u + v) = u + v, para todo R y para todo u, v V .
A los elementos de un espacio vectorial se les llamar vectores y a los elementos del cuerpo real se
les llamar escalares. Un espacio vectorial real es un espacio vectorial sobre el cuerpo R.
Nota En lo que sigue de este captulo, siempre que no haya confusin se omitir el punto () en la
operacin producto por un escalar; es decir, u = u.
Los siguientes ejemplos muestran si un conjunto es o no un espacio vectorial.
4.1
(El espacio Rn )
El conjunto Rn = {x = (x1 , x2 , . . . , xn ) : xi R, i = 1, . . . , n} con las operaciones de suma y
4.2 Espacio vectorial
91
multiplicacin por un escalar, definidas como

x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn )
x = ( x1 , x2 , . . . , xn )
es un espacio vectorial.
4.2
(Espacio vectorial trivial)
Sea V = {0}. Es decir, V tiene un nico elemento el nmero 0. Como

0 + 0 = 1 0 = 0 + (0 + 0) = 0 (0 + 0) = (0 + 0) 0 = 0 + (0) = 0,
se ve que V es un espacio vectorial, llamado espacio vectorial trivial.
4.3
(Conjunto que no es un espacio vectorial)
Sea V = {2}. Es decir, V tiene un nico elemento el 2. Este no es un espacio vectorial, pues
falla en la cerradura; es decir,
2+2 = 4
/ V,
tambin no cumple muchos axiomas sin embargo, con slo demostrar que no cumple al menos
uno de los diez axiomas queda probado que V no es un espacio vectorial.
4.4
(Una recta en R2 que pasa por el origen es un espacio vectorial)
Sea V = {(x, y) : y = mx, m R}, este conjunto consiste en todos los puntos que estn sobre
la recta y = mx que pasa por el origen y tiene pendiente m. Para verificar que V es un espacio
vectorial se pueden verificar cada uno de los axiomas.
1 Sea x = (x1 , y1 ) y y = (x2 , y2 ) que estn en V . Entonces y1 = mx1 , y2 = mx2 ,
x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 , mx1 ) + (x2 , mx2 ) = (x1 + x2 , mx1 + mx2 )
= (x1 + x2 , m(x1 + x2 )) V
2
Suponga que x = (x, y) V , entonces y = mx y

x = (x, y) = (x, mx) = (x, m(x)) V
de manera que x = (x, y) V y
(x, mx) + (x, m(x)) = (x x, m(x x)) = (0, 0) = 0
Entonces V es un espacio vectorial.
Espacio vectorial
92
4.5
(Una recta que no pasa por el origen no es un espacio vectorial)
Sea V = {(x, y) : y = x + 2}; es decir, V es el conjunto de puntos que estn sobre la recta
y = x + 2. V no es un espacio vectorial pues no se cumple la cerradura bajo la suma, veamos
esto.
Supongamos que x = (x1 , y1 ), y = (x2 , y2 ) V , entonces y1 = x1 + 2 y y2 = x2 + 2
x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) = (x1 + x2 , (x1 + x2 ) + 4)
/ V.
por ejemplo, (1, 3) V y (1, 1) V , pero (1, 3) + (1, 1) = (0, 4)
/ V pues 4 6= 0 + 2.
Una forma ms sencilla de comprobar que V no es un espacio vectorial es observar que
0 = (0, 0)
/ V porque 0 6= 0 + 2.
4.6
(Un plano de R3 que pasa por el origen constituye un espacio vectorial)
Sea V = {(x, y, z) : ax + by + cz = 0}; es decir, V es el conjunto de puntos en R3 que esta en

el plano con vector normal (a, b, c) y que pasa por el origen.
Supongamos que x = (x1 , y1 , z1 ) V y y = (x2 , y2 , z2 ) V , entonces
x + y = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) V,
pues
a(x1 + x2 ) + b(y1 + y2 ) + c(z1 + z2 ) = (ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 ) = 0 + 0 = 0.
Por lo tanto, el axioma i) se cumple. El resto de los axiomas se verifican facilmente. De este
modo, el conjunto de todos los puntos que se encuentran en un plano R3 que pasa por el
origen es un espacio vectorial.
4.7
(El espacio vectorial Pn )
(
Sea V = Pn =
ak x
: n N, ak R ; es decir, V es el conjunto de polinomios con
k=1
coeficientes reales de grado menor o igual a n. Si p Pn y q Pn , entonces la suma de

p(x) + q(x) y la multiplicacin por un escalar p(x) estn definidas de la manera usual:

p(x) + q(x) = an xn + an1 xn1 + + a1 x + a0 + bn xn + bn1 xn1 + + b1 x + b0
= (an + bn )xn + (an1 + bn1 )xn1 + + (a1 + b1 )x + (a0 + b0 )
93
(p(x)) = an xn + an1 xn1 + + a1 x + a0
= ( an ) xn + ( an1 ) xn1 + + ( a1 ) x + ( a0 )
Es obvio que la suma de dos polinomios de grado menor o igual a n es otro polinomio
de grado menor o igual a n, luego se cumple el axioma i). Si se define el polinomio 0 =
0xn + 0xn1 + + 0x + 0, entonces 0 Pn y el axioma iv) se cumple. Por ltimo, sea
p(x) = an xn an1 xn1 a1 x a0 , entonces p(x) + (p(x)) = 0 V y el axioma
v) se cumple.
El resto de los axiomas se verifica facilmente, con lo que Pn es un espacio vectorial real.
4.8
(Los espacios vectoriales C[0, 1] y C[a, b])
Sea V = C[0, 1] el conjunto de funciones continuas de valores reales definidas en el intervalo

[0, 1]. Se define
( f + g)(x) = f (x) + g(x) ( f )(x) = [ f (x)]
Como la suma de funciones continuas es continua, el axioma i) se cumple, el resto de los
axiomas se verifican facilmente con 0 = la funcin cero y ( f )(x) = f (x). Del mismo
modo, C[a, b], el conjunto de funciones de valores reales definidas y continuas en [a, b], es un
espacio vectorial.
4.9
(El espacio vectorial Mmn )
Si V = Mmn , denota el conjunto de matrices de orden m n con componentes reales, entonces

con la suma de matrices y multiplicacin por un escalar usuales, se verifica que Mmn es un
espacio vectorial cuyo neutro aditivo es la matriz de ceros de dimensiones m n.
4.10
(El conjunto de matrices invertibles no es un espacio vectorial)
Sea S3 = { matrices invertibles de 3 3}, se define la suma A B = AB. Si A y B son invertibles, entonces AB es invertible y el axioma i) se cumple. El axioma iii) es la propiedad
asociativa para la mutiplicacin de matrices; los axiomas iv) y v) se satisfacen con 0 = I3 y
A = A1 . Sim embargo, AB 6= BA en general y al axioma ii) no se cumple y por lo tanto S3
no es un espacio vectorial.
Espacio vectorial
94
4.11
(Un semiplano de R2 puede no formar un espacio vectorial)
Sea V = {(x, y) : x 0}; es el conjunto de puntos de R2 en el semiplano derecho (el primer y

cuarto cuadrante). Si x1 0 y x2 0, entonces x1 + x2 0; as, (x1 , y1 ) V y (x2 , y2 ) V ,
entonces (x1 + x2 , y1 + y2 ) V . Sin embargo, V no es un espacio vectorial ya que el vector
(1, 2) V , pero no tiene inverso en V , pues (1, 2) = (1, 2)
/ V.
Como sugieren estos ejemplos, existen diferentes tipos de espacios vectoriales y muchas clases de
conjuntos que no son espacios vectoriales. A continuacin se mencionan algunos resultados sobre
espacios vectoriales.
Teorema 4.1 (Propiedades)
Si V es un espacio vectorial y para todo u V , R se tiene:

1 0 = 0
2 0u = 0
3 Si u = 0, entonces = 0 o u = 0
4 (1) u = u
Ejercicios 4.1
4.1 En R2 se definen las siguientes operaciones
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

(x, y) = (x, y)
Es un espacio vectorial?.
4.2 En los siguientes ejercicios, determine si el conjunto dado V es cerrado bajo las
operaciones y .
a.) El conjunto de todos los pares ordenados de nmeros reales (x, y), donde x > 0 y y > 0:
(x1 , y1 ) (x2 , y2 ) = (x1 + x2 , y1 + y2 )
k (x, y) = (kx, ky)
b.) Sea V el conjunto de todas las ternas ordenadas de nmeros reales de la forma (0, y, z):
(0, y1 , z1 ) (0, y2 , z2 ) = (0, y1 + y2 , z1 + z2 )
k (0, y, z) = (0, 0, kz)
95
c.) Sea V el conjunto de todos los polinomios de la forma ax2 + bx + c, donde a, b, c R y

b = a + 1:

a1 x2 + b1 x + c1 a2 x2 + b2 x + c2 = (a1 + a2 ) x2 + (b1 + b2 ) x + (c1 + c2 )

k ax2 + bx + c = (ka)x2 + (kb)x + (kc)
4.3 En los siguientes ejercicios, determine si el conjunto dado V junto a las operaciones
dadas, es un espacio vectorial. Si no lo es, enumere las propiedades de la definicin (??) que
no se cumplen.
a.) El conjunto de todas las ternas ordenadas de nmeros reales (x, y, z) con las operaciones
(x1 , y1 , z1 ) (x2 , y2 , z2 ) = (x1 , y1 + y2 , z2 )
k (x, y, z) = (kx, ky, kz)
b.) El conjunto de todas las ternas ordenadas de nmeros reales (x, y, z) con las operaciones
(x1 , y1 , z1 ) (x2 , y2 , z2 ) = (x1 + x2 , x2 + y2 , z1 + z2 )
k (x, y, z) = (x, 1, z)
c.) El conjunto de todas las ternas ordenadas de la forma (0, 0, z) con las operaciones
(0, 0, z1 ) (0, 0, z2 ) = (0, 0, z1 + z2 )
k (0, 0, z) = (0, 0, kz)
4.4 Sea V el conjunto de todos los pares ordenados de nmeros reales (x, y) con las operacio-
nes
(x, y) + (x0 , y0 ) = (x + x0 , y + y0 )
k(x, y) = (0, 0)
4.5 Sea V el conjunto de todos los pares ordenados de nmeros reales (x, y) con las operacio-
nes
(x, y) + (x0 , y0 ) = (x + x0 , y + y0 )
k(x, y) = (kx, 0)
Espacio vectorial
96
4.6 Sea V el conjunto de todos los nmeros reales. Definimos u v = 2u v y k u = ku.
4.7 Sea el conjunto V = {x R : x < 0} con las operaciones
u + v = uv,
u = u
Es V un espacio vectorial?
4.3
Definicin 4.2 (Subespacio vectorial)
Un subespacio vectorial de un espacio vectorial V es cualquier subconjunto S V no vaco

que es un espacio vectorial con las mismas operaciones definidas sobre V .
Se puede decir que el subespacio S hereda las operaciones del espacio vectorial V .
4.3.1
Caracterizacin de subespacios
El siguiente teorema da un resultado que hace relativamente sencillo determinar si un subconjunto S
de V es en realidad un subespacio de V .
Teorema 4.2 (Caracterizacin de subespacios)
Si V es un espacio vectorial y 0/ 6= S V , entonces

(
u + v S , para todo u, v S
S es un subespacio vectorial de V
u S
, para todo R y para todo u S
Este teorema demuestra que para probar si S es o no un subespacio vectorial de V , es suficiente
verificar que
u + v y u estn en S cuando u y v estn en S y es un escalar.

Hay un hecho que por su importancia merece ser mencionado en forma explcita:
Todo subespacio de un espacio vectorial V contiene al 0.
4.3 Subespacio vectorial
97
Este hecho con frecuencia se utiliza para averiguar, si un subconjunto de V en particular no es un

subespacio de V . Es decir, si un subconjunto no contiene al 0, entonces no es un subespacio. Note
que el vector cero del subespacio vectorial S es el mismo que el vector cero del espacio vectorial V .
Corolario 4.1 Si V es un espacio vectorial y 0/ 6= S V , entonces
S es subespacio vectorial de V u + v S, para todo escalar , y para todo u, v S.

A continuacin se presentan algunos ejemplos de subespacios.
4.12
(El subespacio trivial)
En todo espacio vectorial el conjunto {0} es el subespacio vectorial llamado subespacio

trivial, pues
0 + 0 = 0 y 0 = 0, R
4.13
(Un espacio vectorial es un subespacio de s mismo)
En todo espacio vectorial V , se tiene que V es un subespacio de s mismo, pues V V ;

llamado subespacio trivial.
Los dos primeros ejemplos muestran que todo espacio vectorial V contiene dos subespacios vectoriale
{0} y V (que coinciden si V = {0}) llamados triviales. Es ms interesante encontrar otros subespacios.
Los subespacios distintos de {0} y V se denominan subespacios propios.
4.14
(Un subespacio propio de R2 )
Sea S = {(x, y) : y = mx} es un subespacio propio de R2 . Es decir, un conjunto de puntos que

se encuentran sobre la recta y = mx que pasa por el origen con pendiente m, es el nico tipo
de subespacio propio de R2 .
4.15
(Un subespacios propio de R3 )
Sea S = {(x, y, z) : x = at, y = bt, z = ct; a, b, c,t R}. Entonces S consiste en los vectores
R3 que se encuentran sobre una recta que pasa por origen.
Veamos que S es un subespacio de R3 , sea u = (at1 , bt1 , ct1 ) S y v = (at2 , bt2 , ct2 ) S,
entonces
u + v = (a(t1 + t2 ), b(t1 + t2 ), c(t1 + t2 )) S
u = (a(t1 ), b(t1 ), c(t1 )) S
Espacio vectorial
98
As, S es un subespacio de R2 .
4.16
(Subespacio propio de R3 )
Sea S = {(x, y, z) : ax + by + cz = 0; a, b, c R}. Entonces S es el conjunto de puntos en R3

que est en el plano con vector normal (a, b, c) y que pasa por el origen.
Veamos que S es un subespacio de R3 , sea u = (x1 , y1 , z1 ) S y v = (x2 , y2 , z2 ) S, entonces
u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) S
pues, a(x1 + x2 ) + b(y1 + y2 ) + c(z1 + z2 ) = (ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 ) = 0 + 0 = 0.
u = ( x1 , y1 , z1 ) S
pues, a( x1 ) + b( y1 ) + c( z1 ) = (ax1 + by1 + cz1 = 0) = (0) = 0.
As, S es un subespacio de R3 .
Nota Los conjuntos de vectores que se encuentran sobre rectas y planos que pasan por el origen son
los nicos subespacios propios de R3 .
Antes de analizar ms ejemplos, es importante notar que no todo espacio vectorial tiene subespacios
propios.
4.17
(Un subespacio propio de Mmn )
Sea M32 el espacio vectorial de matrices de orden 3 2 con componentes reales y sea
S = {A M32 : a32 = 0}. Por la definicin de suma de matrices y multiplicacin por
un escalar, es obvio que los dos axiomas de cerradura se cumplen de manera que S es un
subespacio.
4.18
(Un subconjunto que no es subespacio propio de Mnn )
Sea Mnn el espacio vectorial de las matrices de orden n y sea S = {A Mnn : A es invertible}.
Entonces S no es subespacio, pues la matriz cero de orden n n no pertenece a S.
4.19
(Subespacios propios de Pn )
Pn es el espacio vectorial de los polinomios de grado menor o igual a n, y si tenemos 0 m < n,

entonces Pm es un subespacio propio de Pn .
4.3 Subespacio vectorial

4.20
99
(Subespacio de las matrices simtricas)
Sea S = {A Mnn : A es simtrica} el conjunto de las matrices simtricas de orden n n

con las operaciones de suma de matrices y multiplicacin de un escalar por una matriz es un
subespacio vectorial del espacio de las matrices de orden n n.
S 6= 0/
t
pues 0 S
(A + B) = A + B = A + B S
ASyBS
( A)t = At = A S
ASy R
Las siguientes definiciones son importantes sobre la interseccin, unin y suma de subespacios
vectoriales.
Definicin 4.3 (Interseccin, unin y suma de subespacios)
Sea V un espacio vectorial y S y T subespacios vectoriales de V , se definen:

S T = {v : v S v T }
Interseccin de los subespacios S y T
S T = {v : v S v T }
Unin de los subespacios S y T
S + T = {w = u + v : u S v T }
Suma de los subespacios S y T
Si adems en S + T se cumple que S T = {0} se dice que la suma es directa y se escribe

ST.
4.21
(Interseccin de dos subespacios en R3 es un subespacio)
En R3 sea S1 = {(x, y, z) : x y + 2z = 0} y S2 = {(x, y, z) : 2x + y + 3z = 0}. Entonces S1 y

S2 consisten en vectores que se encuentran sobre los planos que pasan por el origen y son
subespacios de R3 . S1 S2 es la interseccin de los dos planos que se calculan al resolver las
dos ecuaciones;
x y + 2z = 0
2x + y + 3z = 0

Todas las soluciones del sistema homogneo estn dadas por 53 z, 13 z, z . Haciendo z = 3t,
se obtienen las ecuaciones paramtricas de la recta L en R3 : x = 5t, y = t, z = 3t. Como se
observ en ejercicios anteriores, el conjunto de vectores sobre la recta L que pasan por el
origen constituye un subespacio de R3 .
Espacio vectorial
100
4.22
(Unin de subespacios no es un subespacio)
No es necesariamente cierto que si S1 y S2 son subespacios de V , la S1 S2 es un subespacio

de V (puede o no serlo). Por ejemplo, sean S1 = {(x, y) : y = 3x} y S2 = {(x, y) : y = 5x}
dos subespacios de R2 , pero S1 S2 no es un subespacio. Veamos esto, si (1, 3) S1 y
(2, 10) S2 , de manera que (1, 3), (2, 10) S1 S2 . Pero (1, 3) + (2, 10) = (1, 7)
/
S1 S2 porque (1, 7)
/ S1 y (1, 7)
/ S2 . As, S1 S2 no es cerrado bajo la suma y por lo tanto
no es un subespacio.
4.23
(Suma de subespacios es un subespacio)
Sean los subespacios vectoriales de R2

S1 = {r(3, 1) : r R}
S2 = {t(2, 3) : t R}
vemos que S1 y S2 son rectas que pasan por el origen, entonces

S1 + S2 = {w = u + v : u S1 v S2 }
como R2 S1 + S2 y S1 + S2 R2 , entonces R2 = S1 + S2 . Si (x, y) R2 entonces se puede
escribir de manera nica
(x, y) = r(3, 1) + t(2, 3)
bastar con resolver el sistema lineal
(
x = 3r 2t
y = r + 3t
escalonando la matriz del sistema y reducindola, se tiene

(x, y) =
3x + 2y
3y x
(3, 1) +
(2, 3)
11
11
Veamos que se tiene S1 S2 = {0}. En efecto, sea u S T entonces

u = (3r, r),
(
u = (2t, 3t)
pues u S1 y u S2 , igualando vectores
3r + 2t = 0
r 3t = 0
resolviendo el sistema de ecuaciones
r=t =0
luego u = (0, 0), entonces {(0, 0)} S1 S2 . Por lo tanto, S1 S2 = {0}. As, R2 = S1 S2 .
El siguiente teorema da resultados sobre operaciones con subespacios.
4.4 Combinacin lineal y espacio generado
101
Teorema 4.3 (Interseccin y suma de subespacios es subespacio)
Sea V un espacio vectorial y S y T dos subespacios vectoriales de V . Entonces

1 S T es un subespacio vectorial de V .
2 S + T es un subespacio vectorial de V .
Ejercicios 4.2
4.8 Indicar si son verdaderas o falsas.
a.) El conjunto de vectores de la forma (x, 1, z) es un subespacio de R3 .

b.) El conjunto de vectores de la forma (2x, 2y, 0) es un subespacio de R3 .
c.) El conjunto de matrices diagonales 3 3 es un subespacio de M33 .
d.) El conjunto de matrices triangulares superiores de 3 3 es un subespacio de M33 . .
e.) El conjunto de matrices triangulares inferiores de 3 3 es un subespacio de M33 ..
f.) El conjunto de polinomios de grado 3 es un subespacio de P4 .
4.9 Cules de los siguientes subconjuntos del espacio vectorial Mnn son subespacios?
a.) El conjunto de todas las matrices singulares de n n.

b.) El conjunto de todas las matrices simtricas de n n.
c.) El conjunto de todas las matrices de n n cuyo determinante es 1.
4.10 Sean u = (2, 0, 3, 4) y v = (4, 2, 5, 1) dos vectores en R4 y sea W el subconjunto de
R4 que consta de todos los vectores de la forma au + bv, donde a y b son nmeros reales
cualesquiera. Proporcione un argumento que demuestre que W es un subespacio de R4 .
4.4

Se ha visto que todo vector v = (2, 3, 5) en R3 se puede escribir de la forma
(2, 3, 5) = 2i 3j + 5k
Espacio vectorial
102
y decimos que v es una combinacin lineal de los vectores i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1).
Podemos ser ms generales y dar la siguiente definicin.
Definicin 4.4 (Combinacin lineal)
Sea V un espacio vectorial. Se dice que v V es combinacion lineal de los vectores

{v1 , v2 , . . . , vn } V , si existen escalares 1 , 2 , . . . , n R tales que
n
v = i vi = 1 v1 + 2 v2 + + n vn
i=1
4.24
(Combinacin lineal en R3 )
En R3 , el vector v = (1, 2, 3) es combinacin lineal de v1 = (1, 1, 1), v2 = (2, 4, 0), v3 =

(0, 0, 1).
En efecto, se plantea la ecuacin vectorial
(1, 2, 3) = (1, 1, 1) + (2, 4, 0) + (0, 0, 1)
que equivalen al sistema de ecuaciones, y cuyas soluciones se indican
+ 2 = 1
+ 4 = 2
+ = 3
= 0
=
= 21
= 3
Luego v = 0v1 + 21 v2 + 3v3 , y el vector v es combinacin lineal de {v1 , v2 , v3 } (y tambin de

{v1 , v2 }).
4.25
(Combinacin lineal en M23 )
3 2 8
1 9 3
En M23 , el vector (matriz) A =

!
1 0 4
ces) A1 =
y A2 =
1 1 5
es combinacin lineal de los vectores (matri!

0 1 2
pues,
2 3 6
A = 3A1 + 2A2
!
!
3 2 8
1 0 4
=3
+2
1 9 3
1 1 5
0 1 2
2 3 6
!
.
103
4.26
1 0
2 4
Averiguar si A =
!
es combinacin lineal de A1 =
1 1
2 2
!
y A2 =
3 2
3 5
!
.
Solucin: Planteamos la siguiente ecuacin matricial
1 0
2 4
1 1
2 2
!
+
+ 3
3 2
+ 2
=
3 5
2 + 3
2 + 5
= 1
=
0
=
2
=
4
Este sistema es incompatible, luego A no es combinacin lineal de {A1 , A2 }.

4.27
(Combinaciones lineales Pn )
En Pn todo polinomio se puede escribir como una combinacin lineal de los monomios

1, x, x2 , . . . , xn
Definicin 4.5 (Conjunto generador)
Sea V un espacio vectorial. Se dice que el conjunto de vectores {v1 , v2 , . . . , vn } V generan

a V si todo vector en V se puede escribir como una combinacin lineal de los mismos. Es
decir, para todo v V existen escalares 1 , 2 , . . . , n tales que
v = 1 v1 + 2 v2 + + n vn
4.28
(Conjunto de vectores que generan R2 y R3 )
Los vectores i = (1, 0) y j = (0, 1) generan R2 y i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1)

generan R3 .
4.29
(Cuatro vectores que generan M22 )
a b
c d
El vector (matriz),
a b
c d
!
=a
!
se puede escribir de la forma,
1 0
0 0
!
+b
0 1
0 0
!
+c
0 0
1 0
!
+d
0 0
0 1
Espacio vectorial
104
entonces los vectores
1 0
0 0
!
,
0 1
0 0
!
,
0 0
1 0
!
,
0 0
0 1
generan M22 .
Lema 4.2 (Espacio generado por un conjunto de vectores). Si V es un espacio vectorial
y A = {v1 , v2 , . . . , vn }, entonces
(
L(A) =
i vi :
i R
i=1
es un subespacio vectorial de V , que se llama subespacio generado por A. El conjunto A se

llama sistema de generadores de L(A).
4.30
Sea V = R3 y A = {v1 = (1, 0, 1), v2 = (1, 1, 1)}, entonces

L(A) = {v = v1 + v2 : , R} = {v = ( + , , )}
las ecuaciones
x = +
y =
z =
se llaman ecuaciones paramtricas de L(A). Las ecuaciones paramtricas son tiles para obtener,
dndo valores reales a los parmetros y y obtener los diferentes vectores de L(A). Por ejemplo,
para = 1 y = 2 se obtiene el vector v = (1, 2, 3) L(A). Eliminando parmetros en las
ecuaciones paramtricas, se obtiene
x 2y z = 0
que se llaman ecuaciones implcitas de L(A). Las ecuaciones implcitas son tiles para comprobar
si un determinado vector pertenece a L(A) (el vector debe verificar todas las ecuaciones). Por
ejemplo, el vector (1, 3, 7) L(A) pues 1 2(3) 7 = 0, y el vector (2, 1, 5)
/ L(A) pues
2 2(1) 5 6= 0.
4.31
En R4 , las ecuaciones paramtricas e implcitas del subespacio generado por

A = {v1 = (1, 1, 1, 1), v2 = (1, 2, 1, 3)}

son respectivamente,
x =
+
y = + 2
z =

t = + 3
(
=
105
x 2y 3z = 0
x + 4y 3t = 0
Propiedades:
Si A y B son dos subconjuntos finitos de un espacio vectorial V , entonces

1 Si A B entonces L(A) L(B).
2 Si A L(B) si y slo si L(A) L(B).
3 Si L(A) = L(B) si y slo si A L(B) y B L(A).
Proposicin 4.1
Sea V un espacio vectorial y {v1 , v2 , . . . , vm } V . Si vm es combinacin lineal

{v1 , v2 , . . . , vm1 }, entonces
L ({v1 , v2 , . . . , vm }) = L ({v1 , v2 , . . . , vm1 })
Ejercicios 4.3
4.11 En R3 , determinar si los vectores v = (1, 1, 3) y u = (1, 2, 2) son combinacin lineal
de los vectores v1 = (1, 0, 2) y v2 = (1, 2, 4).

4.12 Cules de los siguientes vectores son combinacin lineal de los vectores
A1 =
1 1
0
3
!
,
A2 =
a)
5 1
1 9
b)
3 2
3
2
1 1
0 2
!
,
c)
d)
A3 =
2 2
1 1
3 1
3
2
!
1 0
2 1
!
?
4.13 Determine si el vector p(x) pertenece a L(A) = {p1 (x), p2 (x), p3 (x)}, donde
p1 (x) = x2 x,
p2 (x) = x2 2x + 1,
p3 (x) = x2 + 1.
Espacio vectorial
106
a)
p(x) = 3x2 3x + 1
c)
p(x) = x + 1
b)
p(x) = x2 x + 1
d)
p(x) = 2x2 x 1
4.14 Sea L(A) = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}. Hallar las ecuaciones paramtricas e implcitas
de L(A). Determine un elemento de L(A) y si (1, 0, 1) L(A).

4.15 Sea L(A) = {(0, 0, 1), (1, 0, 1), (0, 1, 1)}. Hallar las ecuaciones paramtricas e implcitas
de L(A). Determine un elemento de L(A) y si (1, 1, 1) L(A).

4.16 Cules de los siguientes conjuntos de vectores generan R2 ?
a) A = {(1, 2), (1, 1)}
c) A = {(0, 0), (1, 1), (3, 3)}
b) A = {(1, 3), (2, 3), (0, 3)}
d) A = {(2, 4), (1, 2)}
4.17 Cules de los siguientes conjuntos de vectores generan R3 ?
a) A = {(1, 1, 2), (0, 1, 1)}
c) A = {(2, 2, 3), (1, 2, 1), (0, 1, 0)}
b) A = {(1, 2, 1), (6, 3, 0), (4, 1, 2), (2, 5, 4)} d) A = {(1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1)}
4.18 Cules de los siguientes conjuntos de polinomios generan P2 ?

a) A = x2 + 1, x2 + x, x + 1

b) A = x2 + 1, x 1, x2 + 2
4.5

c) A = x2 + 2, 2x2 x + 1, x + 2, x2 + x + 4

d) A = x2 + x 1, x2 1
En el estudio del lgebra lineal, una de las ideas centrales es la de dependencia e independencia
lineal de vectores. En esta seccin mostraremos su relacin con la teora de sistemas homogneos de
ecuaciones y determinantes.
Antes de definir independencia lineal de vectores veamos el siguiente ejemplo: existe alguna
relacin especial entre los vectores v1 = (2, 3) y v2 = (4, 6)?. Por supuesto, vemos que v2 = 2v1 ,
o escribiendo de otra manera
2v1 v2 = 0
(4.1)
es decir, el vector cero se puede escribir como una combinacin no trivial de v1 y v2 (los coeficinetes
en la combinacin lineal no son ambos cero). Qu tienen de especial los vectores v1 = (1, 2, 3),
v2 = (1, 2, 4) y v3 = (1, 4, 6)?. La respuesta a simple vista es difcil, pero es sencillo verificar
4.5 Independencia Lineal
107
que v3 = 2v1 + 3v2 o escribiendo de la forma

2v1 + 3v2 v3 = 0
(4.2)
se ha escrito el vector cero como una combinacin lineal de v1 , v2 y v3 . Vemos que los dos vectores
en la ecuacin (4.1) y los tres vectores en la ecuacin (4.2) tienen una relacin ms cercana que un
par arbitrario de dos vectores o una terna arbitraria de tres vectores. En cada caso, se dice que los
vectores son linealmente dependientes.
Definicin 4.6 (Dependencia e independencia lineal)
Sea V un espacio vectorial. El conjunto de vectores {v1 , v2 , . . . , vn } V es linealmente

dependiente si y slo si existen escalares 1 , 2 , . . . , n con algn i 6= 0, tales que
n
i v = 1 v1 + 2 v2 + + n vn = 0
(4.3)
i=1
En caso contrario, se dice que el conjunto de vectores {v1 , v2 , . . . , vn } es linealmente independiente.

Para saber si un conjunto de vectores {v1 , v2 , . . . , vn } es linealmente dependiente (L.D) o independiente (L.I), se plantea la ecuacin
i v = 0
i=1
y se estudian sus soluciones. Si admite alguna solucin no nula el conjunto de vectores es L.D, y si
slo admite la solucin nula es L.I.
4.32
(Determinacin de la dependencia o independencia de tres vectores en R4 )
En R4 , determine si los vectores v1 = (1, 0, 1, 2), v2 = (1, 1, 0, 1) y v3 = (2, , 1, 1, 1) son

L.I o L.D.
Solucin: Se plantea la ecuacin vectorial
v1 + v2 + v3 = 0
(1, 0, 1, 2) + (1, 1, 0, 1) + (2, , 1, 1, 1) = 0
que equivale al sistema de cuatro ecuaciones y tres incgnitas,
+ + 2 = 0
+ = 0
= 0
+ + 2 = 0
Espacio vectorial
108
cuyas soluciones son = = = 0. Por lo tanto v1 , v2 y v3 son L.I.
4.33
(Determinacin de la dependencia lineal de tres vectores en R4 )
Determinar si los vectores v1 = (1, 1, 1, 1), v2 = (1, 2, 1, 0) y v3 = (1, 0, 3, 2) son L.I o

L.D.
Solucin: Se plantea la ecuacin vectorial
v1 + v2 + v3 = 0
(1, 1, 1, 1) + (1, 2, 1, 0) + (1, 0, 3, 2) = 0
que equivale al sistema de cuatro ecuaciones y tres incgnitas,
+ + = 0
+ 2 = 0
+ 3 = 0
+ +2 = 0
cuyas soluciones son = 2t, = t y = t con t R, que admite soluciones no nulas. Por ejemplo,
para t = 1: 2v1 v2 v3 = 0. Luego {v1 , v2 , v3 } son linealmente dependientes.
Ejercicio 4.1 En R4 , determinar si los vectores son linealmente independientes v1 = (1, 1, 2, 4),
v2 = (2, 1, 5, 2), v3 = (1, 1, 4, 0) y v4 = (2, 1, 1, 6).
Ejercicio 4.2 En R3 . Hallar los valores de x, para los cuales los vectores v1 = (x, 1 x, x),
v2 = (2x, 2x 1, x + 2) y v3 = (2x, x, x) son linealmente independientes.

Propiedades:
En un espacio vectorial se cumplen las siguientes propiedades:

1 Si v es linealmente dependiente si y slo si v = 0.
2 Si 0 A V entonces A es linealmente dependiente.
3 Si {u, v} son linealmente dependiente si y slo si u = v (son proporcionales).
4 Si A es linealmente independiente y B A entonces B es linealmente independiente.
5 Si A es linealmente dependiente y A B entonces B es linealmente dependiente.
6 Si A es linealmente dependiente si y slo si existe v A que es combinacin lineal de
A {v}.
7 Si A es linealmente independiente si y slo si no existe v A que sea combinacin
lineal de A {v}.
4.6 Base de un Espacio Vectorial
109
Ejercicios 4.4
4.19 Estudiar la dependencia e independencia lineal de los conjuntos de vectores siguientes:
a.) A = {(2, 3, 1), (3, 1, 5), (1, 4, 3)}

b.) A = {(4, 5, 2, 6), (2, 2, 1, 3), (6, 3, 3, 9), (4, 1, 5, 6)}
c.) A = {(1, 0, 0, 2, 5), (0, 1, 0, 3, 4), (0, 0, 1, 4, 7), (2, 3, 4, 11, 12)}
4.20 Comprobar que los vectores u1 = (1, 7, 1, 0), u2 = (2, 13, 0, 1), u3 = (3, 17, 4, 2)
y u4 = (3, 15, 7, 2) de R4 son linealmente dependientes y que cada uno de ellos se puede
expresar como combinacin lineal de los tres.
4.21 Compruebe que los vectores (2, 3, 1, 5), (6, 1, 1, 3), (3, 5, 1, 9) y (0, 2, 1, 3) son
linealmente dependientes pero el tercer vector no se puede expresar como combinacin lineal
de las tres. Es esto una contradiccin?
4.22 Determine los valores de a y b para que los vectores (0, 1, a, 1) , (2, 1, 5, b) y (1, 2, 1, 0)
son linealmente independientes.

4.23 Calcular a y b de manera que los vectores u1 = (1, 2, 0, a), u2 = (3, 2, b, 1) y
u3 = (2, 7, a, 3) son linealmente dependientes, y exprese el tercer vector como una

combinacin lineal de los dos anteriores.
4.6

En R2 cualquier vector se puede escribir como combinacin lineal de los vectores i = (1, 0) y
j = (0, 1). En R3 cualquier vector se escribe en tminos de i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1).
Ahora vamos ageneralizar esta idea.
Definicin 4.7 (Base)
Un conjunto finito de vectores {v1 , v2 , . . . , vn } es una base para un espacio vectorial V si

1 {v1 , v2 , . . . , vn } es linealmente independiente.
2 {v1 , v2 , . . . , vn } genera V .
Como cualquier conjunto de n vectores L.I en Rn genera Rn , entonces
Espacio vectorial
110
Todo conjunto de n vectores linealmente independientes en Rn es una base de Rn .
4.34
(Base cannica para Rn )
En Rn ,
B = {e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)}
constituye una base. Esta base se denomina base cannica de Rn .
4.35
(Base cannica para Pn )
los polinomios 1, x, x2 , x3 , x4 son linealmente independientes en P4 y generan P4 , as

1, x, x2 , x3 , x4 es una base para P4 . En general

B = 1, x, x2 , . . . , xn
constituyen una base para Pn y se llama la base cannica para Pn .
4.36
(Base cannica para Mmn (R))
En Mmn (R),
B = E1 =
1 0 0
0 0 0
.. ..
.. , E2 =
. .
.
0 0 0
0 1 0
0 0 0
.. ..
.. , . . . , Emn =
. .
.
0 0 0
0 0 0
0 0 0
.. ..
..
. .
.
0 0 1
constituye una base cannica para Mmn (R).
4.37
(Una base para el subespacio de R3 )
Hallar una base para el conjunto de vectores que se encuentran en el plano P =

{(x, y, z) : x 2y + 3z = 0}.
Solucin: Se observa que P es un espacio vectorial. Para encontrar una base, primero tomemos y y z
arbitrariamente y si (x, y, z) P, entonces x = 2y 3z. As, los vectores en P tienen la forma
(x, y, z) = (2y 3z, y, z) = y(2, 1, 0) z(3, 0, 1)
4.6 Base de un Espacio Vectorial
111
lo que muestra que (2, 1, 0) y (3, 0, 1) generan a P. Como es evidente que estos dos vectores son
L.I (porque uno no es mltiplo del otro). Por lo tanto, forman una base para P.
Teorema 4.4 (Teorema de la base)
Todo espacio vectorial V 6= {0} (o subespacio vectorial) con un sistema de generadores finito
posee al menos una base.
Teorema 4.5
Si {v1 , v2 , . . . , vn } es un base de V y si v V , entonces existe un conjunto nico de escalares

1 , 2 , . . . , n tales que v = 1 v1 + 2 v2 + + n vn .
Teorema 4.6 (Teorema del cardinal o de la dimensin)
Si {u1 , u2 , . . . , um } y {v1 , v2 , . . . , vn } son bases de un espacio vectorial V , entonces m = n.
Es decir, para un espacio vectorial particular V , todas sus bases tienen el mismo nmero de vectores.
Ejercicios 4.5
4.24 Cules de los siguientes conjuntos de vectores son bases para R2 ?
a.) B = {(1, 3), (1, 1)}

b.) B = {(0, 0), (1, 2), (2, 4)}
c.) B = {(1, 1), (2, 3), (3, 2)}
d.) B = {(1, 3), (2, 6)}

a.) B = x3 + 2x2 + 3x, 2x3 + 1, 6x3 + 8x2 + 6x + 4, x3 + 2x2 + x + 1

b.) B = x3 + x2 + 1, x3 1, x3 + x2 + x

c.) B = x3 + x2 + x + 1, x3 + 2x2 + x + 3, 2x3 + x2 + 3x + 2, x3 + x2 + 2x + 2

d.) B = x3 x, x3 + x2 + 1, x 1
Espacio vectorial
112
4.26 Determine una base para el subespacio L(A) de M22 .
(
A=
1 0
0 1
!
,
0 1
1 0
!
,
1 1
1 1
!
,
1
1
1 1
!)
.
4.27 Sea S el subespacio de R4 generado por los vectores
(1, 0, 1, 2),
(2, 1, a + 3, 6),
(2, 2, 0, a2 a),
(1, 3, 2, 4)
calcular la dimensin de S en funcin del parmetro a.

a.) S1 = {(1, 1, 1, 0), (1, 1, 0, 1), (2, 0, 1, 1)}
b.) S1 = {(2, 3, 1), (1, 2, 2), (1, 1, 3)}
c.) S1 = {(1, 1, 1), (2, 1, 2), (1, 2, 3)}
d.) S1 = {(1, 2, 2), (1, 1, 2), (1, 0, 1)}
e.) S1 = {(1, 1, 1, 1, 1), (1, 1, 0, 0, 3), (3, 1, 1, 1, 7)}
4.29 Encuentre una base del subespacio de R3 , definidas por sus ecuaciones implcitas:
a.) 2x + 3y z = 0
b.) x + 2y + z = 0, x + y z = 0
c.) 3x + 2y + 5z = 0, x + 3y + z = 0, 2x + 5y + 6z = 0
d.) x + y + 2z = 0, 4x + 5y + 8z = 0, 6x + 7y + 13z = 0
4.30 Determine todos los valores de a para los cuales {(a2 , 0, 1), (0, a, 2), (1, 0, 1)} es una
base para R3 .
4.7

Si B = {v1 , v2 , . . . , vn } es una base del espacio vectorial V , entonces para todo v V se tiene que
n
v = x1 v1 + + xn vn = xi vi .
i=1
4.8 Uso de operaciones elementales para obtener bases
113
Definicin 4.8 (Coordenadas)
Se llaman coordenadas de v respecto de la base B a la n-upla (x1 , . . . , xn ) Rn , y se indica

V = (x1 , . . . , xn )B
Teorema 4.7 (Unicidad de las coordenadas)
En un espacio vectorial, las coordenadas de un vector respecto de una base finita son nicas.
4.8

Sea V = Rn y A = {v1 , v2 , . . . , vn } V . Si se representa tambin por A la matriz cuyas filas son los
vectores de A, y Ar es una matriz reducida de A, entonces una base de L(A) est formada por los
vectores correspondientes a las filas no nulas de Ar . Si la matriz reducida que se considera es la
escalonada, la base que se obtiene es la ms sencilla posible.
Todo lo anterior es igualmente vlido cuando V es un espacio vectorial arbitrario con base finita, y
sus vectores vienen expresados por sus coordenadas respecto de dicha base.
4.38
Sea A = {v1 = (1, 3, 4), v2 = (2, 1, 1), v3 = (3, 2, 5), v4 = (5, 15, 20)} R3 . Hallar una base
de L(A), las coordenadas del vector v = (2, 1, 1) respecto de dicha base y las ecuaciones
paramtricas e implcitas de L(A) (en dicha base).
4.39

Sea A = p1 = 1 x3 , p2 = x x3 , p3 = 1 x, p4 = 1 + x 2x3 P3 (R). Hallar una base
para L(A), las coordenadas del polinomio p = 1 + 2x x3 respecto de dicha base y las
ecuaciones paramtricas e implcitas de L(A).
4.40
Hallar una base del subespacio generado en M22 (R) por

(
!
!
!
!
1 1
0 0
2 2
3 3
A=
,
,
,
,
0 1
1 1
2 2
5 3
las coordenadas del vector M =
implcitas de L(A).
2 2
3 2
1 1
3 11
!)
!
en dicha base y las ecuaciones paramtricas e
Espacio vectorial
114
Ejercicios 4.6
4.31 Para que valores de a el conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)} es base de R3 . Para
a = 2, calcular las coordenadas del vector v = (1, 1, 3) respecto de dicha base?

4.32 En P3 (R) se considera la base B = 1, 1 x, (1 x)2 , (1 x)3 . Hallar las coordenadas
del polinomio p(x) = 2 3x + x2 + 2x3 respecto de dicha base.

4.33 Calcule el vector de coordenadas de v con respecto a la base (ordenada) dada B.
a.) En R3 , B = {(1, 1, 0), (0, 1, 0), (1, 0, 2)}, v = (2, 1, 2).

b.) En P2 (R), B = x2 x + 1, x + 1, x2 + 1 , v = 4x2 2x + 3.
4.34 Calcule el vector v si el vector de coordenadas (v)B est dado con respecto a la base B.
a.) En R2 , B = {(2, 1), (1, 1)}, (v)B = (1, 2).

b.) En R3 , B = {(0, 1, 1), (1, 0, 0), (1, 1, 1)}, (v)B = (1, 1, 2).

c.) En P1 (R), B = x2 + 1, x + 1, x2 + x , (v)B = (3, 1, 2).
(
d.) En
M22 (R),
1 0
1 0
!
,
2 2
0 1
!
,
1 2
1 3
!
,
0 0
2 3
!)
,
(v)B = (2, 1, 1, 3).
4.9

Definicin 4.9 (Dimensin)
La dimensin de un espacio vectorial V 6= {0} es el cardinal de vectores en todas las bases.

Con frecuencia se escribe dimV para la dimensin de V .
Como el conjunto {0} es linealmente dependiente, es natural decir que el espacio vectorial {0} tiene
dimensin cero.
4.41
(Dimensin de Rn )
Como n vectores linealmente independientes en Rn son una base, entonces

dim Rn = n.
4.9 Dimensin de un espacio vectorial

4.42
115
(Dimensin de Pn )

Como los monomios 1, x, x2 , . . . , xn constituyen una base en Pn , entonces
dim Pn = n + 1.
4.43
(Dimensin de Mmn )
En Mmn se la matriz Ei j la matriz de m n con un uno en la posicin i j y cero en otra parte,

as {Ei j } forman una base para Mmn . Luego,
dim Mmn = mn.
Teorema 4.8
Sea S un subespacio de un espacio vectorial de dimensin finita V . Entonces S tiene dimensin

finita y
dim S dimV.
Teorema 4.9 (Teorema de extensin de la base)
Sea V 6= {0} un espacio vectorial de dimensin n y A = {v1 , v2 , . . . , vr } V un conjunto

linealmente independiente de r < n vectores. Entonces existen {vr+1 , . . . , vn } V tales que
{v1 , v2 , . . . , vr , vr+1 , . . . , vn } es base de V .
Ejercicios 4.7
4.35 Sea S = {(1, 1, 0, 1), (0, 1, 2, 1), (1, 0, 1, 1), (1, 1, 6, 3), (1, 5, 1, 0)}. Determi-
ne una base para el subespacio de R4 , W = L(S). Cul es la dimW ?

4.36 En P3 , se considera el siguiente subconjunto

S = x3 + x2 2x + 1, x2 + 1, x3 2x, 2x3 + 3x2 4x + 3
Determine una base para el subespacio W = L(S). Cul es la dimensin de W ?.
Espacio vectorial
116
4.10
Suma, interseccin y suma directa de subespacios

Teorema 4.10 (Suma e interseccin)
Sean S y T dos subespacios vectoriales de V . La interseccin y suma se definen como

S T = {v : v S y v T }
S + T = {u + v : u S y v T }
respectivamente.
Como se vio en secciones anteriores S T y S + T son subespacios vectoriales.
Definicin 4.10 (Suma directa)
Sean S y T dos subespacios vectoriales de un espacio vectorial V . Se dice que S + T es la

suma directa de S y T , representada por S T , si es nica la expresin de cada vector de la
suma como un vector de S ms otro de T .
Teorema 4.11 (Caracterizacin de la suma directa)
Sean S y T dos subespacios vectoriales de V . Entonces

La suma de S y T es directa S T = {0}
4.11
Teorema 4.12
Sean S y T subespacios vectoriales de un espacio vectorial V de dimensin finita. Entonces

dim (S T ) + dim (S + T ) = dim S + dim T .
4.44
En R4 se consideran los subespacios vectoriales

S = L ({(1, 0, 1, 2), (0, 1, 1, 0)})
T = L ({(1, 0, 1, 1), (0, 1, 1, 3)}) .
Hallar una base para S + T , la dimensin para S T y una base para S T .
Ejercicios 4.8
4.37 Determine si el conjunto dado es una base para el espacio vectorial a que se refiere.

a.) En P2 , A = P1 = 2 11x + 7x2 , p2 = 5 x 5x2 .
4.11 Frmula de la dimensin
117

b.) En P2 , A = P1 = 3x, p2 = 1 + x2 , p3 = x2 5 .

c.) En P2 , A = P1 = x2 1, p2 = x2 + 2, P3 = x2 3 .

d.) En P2 , A = P1 = 10 x 10x2 , p2 = 23 + 14x + 53x2 , P3 = 1 + 4x + 11x2 .
(
e.) En M22 , A =
(
f.) En M22 , A =
3 1
0 0
1 0
3 1
3 2
0 0
,
!
,
2 1
1 4
5 1
0 6
,
!
,
6 1
5 8
0
1
0 7
,
!
,
!)
7 2
1
0
!
,
0 1
0 0
!)
g.) S = {(x, y) : 2x + 3y = 0}, A = {(3, 6), (6, 4), (6, 4)}

h.) Encuentre una base en R3 para el conjunto de vectores en el plano 3x 2y + 5z = 0.
i.) Encuentre una base en R3 para el conjunto de vectores en la recta x = 2, y = 2t, z = 3t.
j.) Demuestre que los nicos subespacios propios en R2 son rectas que pasan por el origen.
4.38 En R4 se consideran los subespacios vectoriales
S = L({(1, 0, 1, 1), (1, 1, 1, 0), (0, 1, 2, 1)})

T = {(x, y, z,t) : x z t = 0, y + z = 0},
hallar las ecuaciones paramtricas e implcitas de una base de S + T y de S T .
4.39 En R4 se consideran los subespacios vectoriales
S = L({(1, 0, 2, 1), (0, 1, 2, 0), (2, 1, 6, 2)})

T = L({(1, 1, 4, 1), (1, 0, 0, 1), (1, 2, 2, 1)}),
demuestra que dim (S + T ) = 3 y que dim (S T ) = 2.
Bibliografa
[1] Ana Mara Kozak. Nociones de geometra analtica y lgebra lineal. McGrawHill,
2007.
[2] George Nakos y David Joyner.lgebra Lineal con Aplicaciones. ITP, 1999.
[3] Ron Larson.Fundamentos de lgebra Lineal. CENTAGE Learning, Sexta edicin.
[4] .. CENTAGE Learning, Sexta edicin.

Algebra Lineal

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra Lineal

Uploaded by

Copyright:

Available Formats

APUNTES DE

Vladimir Acori Flores

Deparatamento Acadmico de Matemtica y Fsica

Derechos reservados 2016

Matemtica, Educacin e Internet.

Photos by: Viviana Loaiza. Parque Nacional Chirrip, Costa Rica.

Matrices. Definicin y ejemplos

Operaciones con matrices

Multiplicacin escalar por una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Rango de una matriz

Factorizacin LU de una matriz

Determinantes. Definicin y primeros ejemplos

Propiedades de los determinantes

Relacin entre la inversa y los determinantes

Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Sistemas de ecuaciones lineales

Clasificacin de los sistemas lineales

Sistemas lineales Homogneos

Aplicacin de los sistemas lineales

Lnea de regresin por mminos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Programacin lineal: optimizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Modelo lineal en economa: Mtodo de Leontief . . . . . . . . . . . . . . . . . . . . . . . 80

Combinacin lineal y espacio generado

Base de un Espacio Vectorial

Coordenadas respecto de una base

Uso de operaciones elementales para obtener bases

Dimensin de un espacio vectorial

Suma, interseccin y suma directa de subespacios

Matrices. Definicin y ejemplos

Matrices. Definicin y ejemplos

a11 a12 a13 a1n

a21 a22 a23 a2n

am1 am2 am3 amn

De la matrices A, B y C podemos decir lo siguiente

B tiene 2 filas y 3 columnas, diremos que su tamao es 2 3. Qu elemento es b13 ?.

C tiene 4 filas y 3 columnas, diremos que su tamao es 4 3. Qu elemento es c43 ? .

Se llama matriz nula a la que tiene todos sus elementos cero.

1.2 Tipos de matrices

a11 a12 a13 a1n

(Matrices triangulares superior e inferior)

La matriz E es triangular superior y la matriz F es triangula inferior.

Definicin 1.2 (Matriz diagonal)

La matriz G es diagonal y su traza es Traza(A) = 5 1 + 0 + 20 = 24.

Son matrices identidad de orden dos, tres y cuatro.

Definicin 1.4 (Matriz escalar)

1.3 Aplicaciones de la matrices

Son matrices identidad de orden dos, tres y cuatro.

Definicin 1.5 (Igualdad de matrices)

(Matrices que son iguales)

Sean las matrices

Se tiene que A = B si x = 4 y z = 5, sin embargo A 6= C y B 6= C, pues son de distinto

(Despliegue de valores en forma de tabla)

(Sistema lineal de ecuaciones)

El siguiente sistema lineal de cuatro ecuaciones y tres incgnitas, dadas por

De tal forma que se tendra la ecuacin matricial AX = b. Mas adelante llamaremos A a la

1.3 Aplicaciones de la matrices

Sabiendo que en un ao se venden el siguiente nmero de paquetes:

Resumir la informacin anterior en 2 matrices A y B, de tamao respectivo 3 2 y 2 3 que

(b) Grafo simple

(c) Grafo dirigido

Figura 1.1: Grafos

1.4 Operaciones con matrices

Ejercicio 1.1 Escribir las correspondientes matrices de adyacencia de los grafos: