Professional Documents
Culture Documents
DEPARTAMENTO DE MATEMÁTICAS
Barquisimeto 2009
Índice general
0.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.2. Orientaciones Generales para los Usuarios . . . . . . . . . . . 5
0.2.1. Alumnos . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.2.2. Docentes (Sugerencias para la Evaluación del Estudiante) 6
0.3. Objetivos de Aprendizaje . . . . . . . . . . . . . . . . . . . . . 6
0.3.1. Generales . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.3.2. Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.4. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 9
0.4.1. Básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
0.4.2. Complementarias . . . . . . . . . . . . . . . . . . . . . 9
1. VECTORES EN Rn 10
1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2. Rectas y planos . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 35
1.5. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 39
2. MATRICES 40
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . 44
2.3. Operaciones elementales por filas (oef) . . . . . . . . . . . . . 49
2.4. Matrices invertibles . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 60
2.7. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 61
2
3. SISTEMAS DE ECUACIONES LINEALES 62
3.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 62
3.2. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 75
3.4. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 77
4. CONJUNTOS CONVEXOS 78
4.1. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 89
4.4. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 93
5. ESPACIOS VECTORIALES 94
5.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 98
5.3. Combinaciones lineales, independencia y dependencia lineal . . 100
5.4. Base y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.5. Suma de espacios . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.6. Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 110
5.7. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 113
5.8. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . 117
3
0.1. Introducción
Por años el álgebra lineal estaba destinado casi sólo a estudiantes de
matemática y fı́sica, hoy dı́a debido al aumento de las aplicaciones de la
matemática (campo computacional por ejemplo) el álgebra lineal es estudia-
do en diversas disciplinas del conocimiento.
Para este curso el estudiante necesita un dominio básico de la teorı́a de con-
juntos, relaciones, funciones, ası́ como de la matemática básica (números
reales, factorización, racionalización, etc). Aunque el curso es en si bastante
teórico siempre el objetivo principal será llevar a cabo los conocimientos a la
práctica.
Comenzaremos con el tema de vectores, instrumentos ideales para la exposi-
ción y simplificación de muchas ideas importantes en Geometrı́a y Fı́sica,
pero en nuestro caso el estudio de vectores tendrá como finalidad el diri-
girnos a la teorı́a de rectas y planos, la cual a su vez, tiene como uno de sus
objetivos el crear bases para el estudio de los conjuntos convexos (capı́tulo
4).
El estudio de las matrices y los sistemas de ecuaciones lineales (capı́tulo 3)
están muy relacionados y tienen a su vez multiples aplicaciones en diferentes
campos del conocimiento, nuestro interes es este aspecto (aplicaciones) se
verá en el capitulo 4
En el capı́tulo 3 se presentá una introducción a la teorı́a de los sistemas de
ecuaciones lineales, es el único capit́ulo en el que no se realizan demostra-
ciones ni se le pide al estudiante que haga tales, la presentación del tema es
por tanto simple y sencilla.
El capı́tulo 5 trata de los espacios vectoriales, este será el tema más abstracto
con el que trabajaremos, pero el lector podrá notar similitudes en esta teoŕia
con la de vectores y matrices (pues estos conjuntos son ejemplos particu-
lares de espacios vectoriales). Concluimos con las transformaciones lineales
un tema que trabajaremos brevemente.
4
0.2. Orientaciones Generales para los Usuar-
ios
0.2.1. Alumnos
Esta monografı́a fue elaborada pensando en los estudiantes de Álgebra
Lineal (M4) del programa de Análisis De Sistemas del decanato de Ciencias
y Tecnologı́a de la UCLA, y su contenido está presentado acorde con los ob-
jetivos (generales y especı́ficos) del programa de dicha asignatura. Pero aún
ası́ puede ser un buen texto de consulta para los estudiantes de las diver-
sas carreras del decanato, entre los estudiante que más se podrı́an beneficiar
estarı́an los del programa de Ingenierı́a En Informática (por el parecido del
contenido del programa de la asignatura en ambas carreras).
5
capı́tulo para un buen desempeño en los siguientes (capı́tulos).
0.3.2. Especı́ficos
A continuación se describen los objetivos especificos que se esperan que
alcance el estudiante en cada capı́tulo:
6
Capı́tulo 1:
1. Graficar vectores en el plano cartesiano y en el espacio.
7
2. Determinar si un sistema de ecuaciones lineales tiene solución (consis-
tente) o no.
Capı́tulo 4:
Capı́tulo 5:
8
Capı́tulo 6:
0.4.2. Complementarias
1. Apostol, Tom. Calculus. Volumen 1. Editorial Reverté. Segunda edi-
ción, 1967.
9
Capı́tulo 1
VECTORES EN Rn
1.1. Vectores
Definición 1.1.1 (Definición algebraica de vector)
Se define como vector de n componentes a un conjunto ordenado de n
números reales x1 , ..., xn escritos de la forma
(x
1 , ...,
xk , ..., xn ) (vector fila de n componentes) o de la forma
x1
..
. (vector columna de n componentes).
xn
A xk lo llamaremos k-ésima componente del vector.
Generalmente trabajeremos los vectores escritos de la forma (x1 , ..., xk , ..., xn ).
Ejemplo 1.1.1 (3, 4, −8, 0), (2, 3, 4) y (1/2) son vectores de cuatro, tres y
una componente respectivamente.
Definición 1.1.2 Dos vectores de n componentes X = (x1 , ..., xn ), Y =
(y1 , ..., yn ) son iguales, denotado por X = Y , si xk = yk para todo k ∈
{1, ..., n} ( son iguales si lo son componente a componente), en caso contrario
decimos que los vectores son distintos (X 6= Y ).
10
Según esta definición los vectores (1, 2) y (2, 1) son distintos.
1. A + B = B + A (propiedad conmutativa)
2. (A + B) + C = A + (B + C) (propiedad asociativa)
11
3. A + O = O + A = A (elemento neutro)
5. α(A + B) = αA + αB (distributiva)
6. (α + β)A = αA + βA (distributiva)
8. 1.A = A; 0.A = O; αO = O
9. A + B = A + C ⇒ B = C (ley de cancelación)
10. αA = O ⇒ α = 0 ∨ A = O
Probemos ahora 9:
A+B =A+C ⇒ −A + (A + B) = −A + (A + C)
⇒ (−A + A) + B = (−A + A) + C
⇒ O+B =O+C
⇒ B=C
12
El vector nulo es el único vector que cumple con 3; por otro lado para un
vector A, −A es el único vector que cumple con 4 y por esto se le llama
inverso simétrico de A. En cuanto a las propiedades distributivas estas se
pueden generalizar como sigue:
Ejemplo 1.1.3 Si A = (1, 1/2, 3, 7), B = (2, 1/3, −4, 0) Y C = (1, 1, 1, 1).
Encuentre
−(2A − 6(A − B)) + (4A + C)
Solución: Sin el teorema anterior, este cálculo serı́a un poco largo y tedioso,
pero veamos como utilizando diversas propiedades el calculo resulta más
sencillo.
k A k = k (1, 2, 3, 0, −5) k
p
= 12 + 22 + 32 + 02 + (−5)2
√
= 1 + 4 + 9 + 0 + 25
√
= 39
13
1. k A k= 0 si y sólo si A = O
2. k A k> 0 si y sólo si A 6= O
3. k αA k=| α |k A k
14
8. |< A, B >|≤k A kk B k (desigualdad de Cauchy-Schwarz)
−→ −→
Definición 1.1.8 Dos segmentos de rectas dirigidos P Q, RS en Rn , son
−→ −→
iguales, denotado por P Q = RS, si P = R y Q = S, en caso contrario
−→ −→
diremos que son distintos y lo denotaremos por P Q 6= RS.
−→ −→
Hay que tener claro que P Q 6= QP (al menos que P sea igual a Q).
−→ −→
Definición 1.1.9 Dados dos segmentos de rectas dirigidos P Q, RS en Rn ,
−→ −→ −→ −→
diremos que P Q es equivalente a RS, denotado por P Q ∼ RS, si
Q−P =S−R
15
Esta relación es una relación de equivalencia (dejamos la prueba al lector),
−→ −→ −→
por lo tanto podemos decir que P Q y RS son equivalentes, en lugar de P Q
−→
es equivalente a RS.
16
−→ −→
Definición 1.1.11 Sean P Q, RS vectores en Rn . Definimos:
−→ −→
1. La suma de P Q y RS como:
−→ −→ −−−−−−−−−−−→
P Q + RS = (P + R)(Q + S)
−→
2. La multiplicación del número real α por el vector P Q como:
−→ −−−−−−→
αP Q = (αP )(αQ)
−→ −→
3. La norma de P Q, denotado por k P Q k, como:
−→
k P Q k=k Q − P k
17
−→ −→ −→ −→
4. El producto escalar de P Q y RS, denotado por < P Q, RS >, como:
−→ −→
< P Q, RS >=< Q − P, S − R >
−→ −→
Definición 1.1.12 Dados P Q, RS en Rn decimos que:
−→ −→
1. P Q tiene la misma dirección de RS si S − R = c(Q − P ), donde c
es un número real mayor que cero.
−→ −→
2. P Q tiene dirección opuesta a la de RS si S − R = c(Q − P ) donde
c es un número real menor que cero.
−→ −→ −→ −→
3. P Q es paralelo a RS, denotado por P Q k RS, si S − R = c(Q − P )
donde c es un número real distinto de cero.
18
→
− → −
Si los vectores están anclados en el origen digamos A , B las definiciones
anteriores podemos verlas como sigue:
19
Solución: Supongamos que B = αA. Entonces
B = αA ⇒ (2, −4, 0) = α(1, 4, 5)
⇒ (2, −4, 0) = (α, 4α, 5α)
⇒ 2 = α, −4 = 4α, 0 = 5α
⇒ 2 = α, −1 = α, 0 = α
Como las últimas igualdades son contradictorias concluimos que A y B no
poseen la misma dirección (note que tampoco poseen direcciones opuestas).
Ejemplo 1.1.8 Si A = (1/2, 0, 3, −2) y B = (2, 0, 12, −8) ¿A k B?
Solución: Supongamos que B = αA. Entonces:
B = αA ⇒ (2, 0, 12, −8) = α(1/2, 0, 3, −2)
⇒ (2, 0, 12, −8) = (α/2, 0, 3α, −2α)
⇒ 2 = α/2, 0 = 0, 12 = 3α, −8 = −2α
⇒ 4 = α, 4 = α, 4 = α
Encontramos que α = 4, por lo que concluimos que A k B (más aún, tienen
la misma dirección).
−→ −→ −→
Definición 1.1.13 Dados P Q, RS en ∈ Rn , diremos que P Q es ortogonal
−→ −→ −→ −→ −→
(o perpendicular) a RS, denotado por P Q⊥RS, si < P Q, RS >= 0.
20
Ejemplo 1.1.9 1. Si P = (1, 2), Q = (3, 4), R = (1, 0), S = (−2, 0),
−→ −→
¿P Q⊥RS?
Solución:
entonces
−→ −→
< P Q, RS >=< (2, 2), (−3, 0) >= 2 · (−3) + 2 · 0 = −6 6= 0
21
4. Dos vectores no nulos son ortogonales si y sólo si el ángulo entre ellos
π
es .
2
Ejemplo 1.1.10 Encuentre ](A, B) si A = (1, 9) y B = (−4, 0)
2. AxB = −BxA
22
La propiedad 2 nos dice que el producto vectorial no es conmutativo (salvo ex-
epciones), igualmente no se cumple (en la mayorı́a de los casos) la propiedad
asociativa. La propiedad 6 nos dice que AxB es ortogonal a A y a B.
Ejemplo 1.1.11 Si A = (1, 2, 3) y B = (−5, 6, 7), utilizando la definición
de producto vectorial tenemos que:
→ = {X ∈ Rn /X = P + αV, α ∈ R}
LP,−
V
23
Obtenemos ası́ las llamadas ecuaciones paramétricas de la recta, dadas
por:
x1 = p1 + αv1
.
.
.
xn = pn + αvn
p1 = 1, p2 = 4, p3 = −5, v1 = 2, v2 = −1, v3 = 4
x = 1 + 2α
y = 4−α
z = −5 + 4α
24
Al darle valores a α obtenemos puntos de la recta, por ejemplo si α = 2,
tenemos
x = 1+2·2=5
y = 4−2=2
z = −5 + 4 · 2 = 3
25
Observación 1.2.2 Dada una recta LP,− → y un punto Q ∈ / LP,−
→ , existe una
V V
0 0
y sólo una recta L que contiene Q y es paralela a L, a saber L − → . Por otro
Q, V
lado por dos puntos distintos P, Q ∈ Rn pasa una y sólo una recta, a saber
LP,− −−→ (también se puede escribir como L −−−→ , pero obviamente se trata de
Q−P Q,Q−P
la misma recta).
26
→
− −−−−→ −
→ −−−−→
V = P − Q (o W = Q − P )
k (A − P )x(Q − P ) k
d(A, L) =
kQ−P k
27
A la ecuación X = P + αV + βW se le llama ecuación vectorial del plano.
Si X = (x, y, z), P = (p1 , p2 , p3 ), V = (v1 , v2 , v3 ) y W = (w1 , w2 , w3 ), lla-
maremos ecuaciones paramétricas del plano a las siguientes ecuaciones
x = p1 + αv1 + βw1
y = p2 + αv2 + βw2
z = p3 + αv3 + βw3
< N, X − P >= 0
28
Ejemplo 1.2.3 Encuentre las ecuaciones paramétricas, cartesiana y vec-
torial del plano que pasa por P = (1, 2, 0) y es generado por los vectores
→
− −−−−→ − → −−−−→
V = (0, 1, 0), W = (3, 1, 0)
p1 = 1, p2 = 2, p3 = 0, v1 = 0, v2 = 1, v3 = 0, w1 = 3, w2 = 1, w3 = 0
x = 1 + 3β
y = 2+α+β
z = 0
x = 1+3·0=1
y = 2−1+0=1
z = 0
29
Es decir, el punto (1, 1, 0) está en el plano. Por último busquemos la ecuación
cartesiana del plano. Ya tenemos un punto por donde pasa, P , busquemos
→
−
un vector normal N
Q Q Q Q
2. 1 es perpendicular a 2, denotado por 1 ⊥ 2, si N1 ⊥ N2 .
30
Q Q
3. 1 es paralelo a L, denotado por 1 k L, si N1 ⊥ V .
Q Q
4. 1 es perpendicular a L, denotado por 1 ⊥ L, si N1 k V .
31
Q Q
2. Dado el plano P,− →−→ y Q ∈ / P,−→− → , existe un plano y sólo uno que
A,B Q A,B Q
contiene a Q y es paralelo a P,−→−→ , a saber
A,B
−
→− →.
Q, A , B
Notemos que al igual que con las rectas un mismo plano se puede escribir de
muchas formas.
Ejemplo 1.2.4 Encuentre la ecuación cartesiana del plano que pasa por los
puntos A = (1, 0, 1), B = (−1, 0, 2), C = (0, 4, 0)
La ecuación cartesiana del plano viene dada por < N, X − A >= 0; ahora
32
De esta manera la ecuación cartesiana del plano es 4x + 3y + 8z = 12
Notemos que si sustituimos A = (1, 0, 1) en la expresión 4x + 3y + 8z, nos
da 4,1 + 3,0 + 8,1 = 12, y esto es de esperar debido a que A está en el plano
(igual se obtiene si se hace con B y C).
kBk
c =
kAk
3
= p
12 + 32 + (−4)2 + 02
3
= √
1 + 9 + 16
3
= √
26
33
3 3 9 −12
Entonces B = cA = √ (1, 3, −4, 0) = ( √ , √ , √ , 0)
26 26 26 26
3. Encuentre un vector ortogonal a A = (4, 2, −3) tal que su tercera com-
ponente sea −1.
Solución: Sea B = (x, y, −1) tal vector (la tercera componente debe
ser −1), debemos encontrar x, y tales que el vector B sea ortogonal a
A.
4. Encuentre la ecuación de una recta que pase por S = (1, 0, −7) y sea
perpendicular a la recta
y−2
x−1= ,z = 3
−6
Solución: Ya tenemos un punto por donde pasa la recta (S), ahora
−
→
debemos encontrar un vector director para la recta, digamos W =
−−−−→
(a, b, c), como nos dicen que la recta es perpendicular a la recta del
ejemplo anterior, entonces por definición (de rectas perpendiculares)
tenemos que W ⊥V , es decir,
< W, V >=< (a, b, c), (1, −6, 0) >= 0, lo que nos da < W, V >=
a − 6b = 0
Notemos que nos da que a = 6b y c puede ser cualquier número real, lo
que quiere decir que existen infinitos vectores W con las caracteristicas
34
requeridas.
Si c = 1 y b = 1, nos da a = 6,1 = 6, ası́ hemos encontrado W =
(6, 1, 1).
Luego la ecuación cartesiana de la recta que pasa por S y con vector
director W viene dada por:
x−1
=y =z+7
6
5. Encuentre la ecuación del plano que pasa por P = (1, 0, −2) y que es
paralelo al plano de ecuación x − 3y + 4z = 5. Encuentre además un
punto del plano distinto a P .
Solución: Ya tenemos un punto por donde pasa el plano (P ), nos
falta encontrar entonces un vector normal al plano. Ahora, como es
paralelo al plano de ecuación x − 3y + 4z = 5, nos sirve como vector
normal de nuestro plano cualquier vector paralelo al vector normal de
x − 3y + 4z = 5, en particular un vector normal de x − 3y + 4z = 5
será vector normal del plano buscado.
→
− −−−−−−→
Un vector normal de x − 3y + 4z = 5 viene dado por N = (1, −3, 4)
< N, X − P > = < (1, −3, 4), (x, y, z) − (1, 0, −2) >
= < (1, −3, 4), (x − 1, y, z + 2) >
= x − 1 − 3y + 4(z + 2)
= x − 3y + 4z + 7
35
− −→ −−→ −−−−−−→
→
c) Dibuje A , AB, BC, (A + B)C en el plano cartesiano.
d) Calcule el ángulo entre A y B.
e) Diga si A es paralelo a B.
f ) Determine si A es ortogonal a C.
a) Encuentre:
A + 5B, A − C + E, −2(4(D − E) + B) + A, AxB
AxD + C, (AxB)xC, < A, B >, < A, D >
→
−
< C + 3B, E − 2A >, || A ||, || B ||, || C + E ||, || C ||
−→
|| AB ||, || 3B − 5A ||, || −2D + 7C || − < A − B, 2E >
b) Dibuje en el espacio los puntos A, B, C, D, E, AxB.
→
− → − −→ −−→
c) Dibule en el espacio los vectores A , C , AC, ED.
d) Encuentre: el ángulo entre A y B, el ángulo entre C y D, y el ángulo
entre A y D.
e) ¿ Son A y C paralelos?, ¿son B y D paralelos?
f ) ¿ Son C y D ortogonales?, ¿ son A D paralelos?
a) A = (x, y, 3) y B = (4, y + 3, z + 4)
b) A = (x, y + 4, z − 3) y B = (2 − x, 3y − 4, 0)
c) A = (1, x, y 2 , 1 − z) y B = (z, x + 2, 2y + 1, 0)
36
7. Encuentre un vector con la dirección opuesta a A = (7, −5, 4) que tenga
longitud igual a 3.
12. Dibuje
Q los planos Q Q
Q1 : x + 2y − z = 1; Q 2 : 3x − 2y + 4z = 4; Q3 : 2x − 5z = 2
4 : 2y + z = 1; 5 : 2x + 4y − 2z = 0; 6 : y = 1
13. Diga cuáles de los planos anteriores son ortogonales o paralelos entre
si.
14. Para cada una de las rectas del ejercicio 9 diga cuáles de los planos del
ejercicio 11 son ortogonales o paralelos a ella.
15. Sean A = (1, 0, 1), B = (2, −4, 9), C = (8, 0, 1/2), D = (4, 0, 1/4)
16. Encuentre en cada caso una recta con las condiciones dadas. Además
dibuje la recta cuando sea posible.
→
− −−−−−−→
a) Pasa por el punto P = (2, 6, 8, 0) con vector director V = (1, 4, 3, 9)
37
b) Pasa por el punto P = (2, 6, 8) y es paralela a la recta de ecuación
x−2 y−5 z−1
L: = =
3 3 3
38
f ) Pasa por el punto de intersección de las rectas
x y+1
L1 : = y − 1 = z − 2 y L2 : x − 3 = =z−4
2 −3
→
− −−−−−−−→
con vector normal N = (1, 0, −2/5).
39
Capı́tulo 2
MATRICES
2.1. Matrices
Definición 2.1.1 Dados enteros m, n ≥ 1. Una matriz de orden m por n
(mxn) en R es un arreglo rectangular con m filas y n columnas, representada
por
a11 a12 ... a1n
a21 a22 ... a2n
A = ..
.. .. ..
. . . .
am1 am2 ... amn mxn
Donde los aij son números reales, llamados coeficientes (componentes o
entradas) de la matriz A.
0 0 0
2 −1 0 1 2 4
Ejemplo 2.1.1 , −3/4 1x1 ,
6 9 0 2x3 5 −1 −7
0 8 3 4x3
40
Observación 2.1.1 1. aij se encuentra en la intersección de la fila i con
la columna j; ası́ a12 = −1 y a23 = 0 en la primera matriz del ejemplo
anterior.
4. Si una matriz tiene igual número de filas que de columnas diremos que
la matriz es cuadrada, en tal caso a las componentes a11 , a22 , ..., ann se
le llama la diagonal principal de la matriz.
5. En ocasionesomitiremos el
orden de una matriz
al escribirla,
es decir,
0 0 0 0 0 0
1 2 4 en lugar de 1 2 4
se escribirá
5 −1 −7 5 −1 −7
0 8 3 0 8 3 4x3
Definición 2.1.2 Diremos que dos matrices A = [aij ]mxn y B = [bij ]mxn son
iguales, lo cual denotaremos como A = B, si aij = bij para todo i ∈ {1, ..., m}
y todo j ∈ {1, ..., n}.
41
Ejemplo 2.1.2 Son matrices
canónicas
0 0 0
1 0 0 1 1 0
E11 = ; E23 =
; E11 =
0 0 0 0 0 0
0 0 0
Notemos que hemos escritos dos matrices como E11 , obviamente no son
iguales porque no tienen el mismo orden.
Ahora no son matrices canónicas
0
1 2 3 5
0 0 2 0 0 1
; 0 −4 8 6 ; ;
0 0 0 0 0 1
9 4 9 0
0
42
deben ser todas 0, pero no importan que valores se toman en la diagonal
principal. Veamos ahora ejemplos de matrices
que no son diagonales.
1 0 0 0
1 0 3
0 1 2 0 0 0 0 0 0
; 0 −4 0 ; ; 0 0 −7 0
0 0 0 0 0
0 0 9
2 0 0 3
43
triangulares superiores.
0 0 0 0
1 0 3
0 0 2 0 0 0 0 0 0
; 0 −4 0 ; ;
1 0 0 0 0 0 0 0 0
0 1 9
2 0 0 0
Más adelante veremos otros tipos especiales de matrices, pero antes pasemos
a definir diversas operaciones que se pueden efectuar con las matrices.
44
1 2 0 −4 1+0 2−4 1 −2
A+B = 3 4 + 0 5 = 3+0 4+5 = 3 9
5 6 −6 3 5−6 6+3 −1 9
Definición 2.2.2 Llamaremos multiplicación usual de escalar por una
matriz a la operación que asocia un número real α y una matriz A = [aij ]mxn
con una matriz (producto de α por A) αA = B = [bij ]mxn , donde bij = αaij
para todo i y para todo j.
1 2
Ejemplo 2.2.2 Si A = 3 4 , entonces
5 6
1 2 5·1 5·2 5 10
5A = 5 3 4 = 5 · 3 5 · 4 = 15 20
5 6 5·5 5·6 25 30
Se escribirá en ocasiones −αA en lugar de (−α)A, para facilidad de escritura,
ası́ por ejemplo escribiremos −A, en lugar de (−1)A.
Definición 2.2.3 Llamaremos transpuesta de una matriz A = [aij ]mxn ,
denotada por AT , a la matriz AT = [bkl ]nxm , donde bkl = alk para todo
k ∈ {1, ..., n} y todo l ∈ {1, ..., m}.
Notemos que el orden de la transpuesta de una matriz de orden mxn es nxm
(claro si la matriz es cuadrada los ordenes de ambas matrices serán iguales).
En si para calcular la transpuesta de una matriz se cambian sus columnas por
filas (o viceversa), por esto la transpuesta de una matriz triangular superior
es una matriz triangular inferior (y viceversa).
1 2 −4 8
1 2 7 0 0 0
Ejemplo 2.2.3 Si A = 3 4 yB= 6 11 −4 7 , entonces
5 6
0 0 0 0
1 7 6 0
1 3 5 2 0 11 0
AT = ; BT = −4 0 −4 0
2 4 6
8 0 7 0
45
Son matrices simétricas por ejemplo In , Onxn , las
matrices diagonales,
las
1 2 3
5 4
matrices escalares, otros ejemplos son , 2 4 5
4 −7
3 5 6
0 1 2
Por otro lado son matrices antisimétricas Onxn , −1 0 3 y
−2 −3 0
0 0 5 4
0
0 1 −7
−5 −1 0 4
−4 7 −4 0
1. A + B = B + A (propiedad conmutativa)
2. (A + B) + C = A + (B + C) (propiedad asociativa)
3. A + O = O + A = A (elemento neutro)
5. α(A + B) = αA + αB (distributiva)
6. (α + β)A = αA + βA (distributiva)
46
8. 1.A = A; 0.A = O; αO = O
9. A + B = A + C ⇒ B = C (ley de cancelación)
10. αA = O ⇒ α = 0 ∨ A = O
Demostración:
Demostraremos 1 (también se demostrará 5 en el ejercicio resuelto 1 ) y
dejamos el resto de las demostraciones como ejercicios para el lector (el lector
puede omitir la demostración de 11).
Sean A = [aij ]mxn , B = [bij ]mxn . Le pedimos al lector que escriba la justifi-
cación en cada paso
La matriz nula es la única matriz que cumple con 3, por otro lado para una
matriz A, −A es la única matriz que cumple con 4 y se le llama elemento
simétrico de A, en cuanto a las propiedades distributivas se pueden gener-
alizar como sigue:
47
Para multiplicar A por B, el número de columnas de A debe ser igual al
número de filas de B, por lo que el orden es importante al multiplicar, es
decir, con esto se ve que AB no es necesariamente igual a BA, es más, es
posible que BA no se pueda multiplicar.
1 2 3 1 0
AB = 4 5 6 −2 0
−1 0 −8 3x3 4 1 3x2
1 · 1 + 2(−2) + 3 · 4 1·0+2·0+3·1
= 4 · 1 + 5 · (−2) + 6 · 4 4·0+5·0+6·1
−1 · 1 + 0 · (−2) + (−8) · 4 −1 · 0 + 0 · 0 + (−8) · 1 3x2
9 3
= 18 6
−33 −8
48
5. ∀A, B ∈ Mmxn , ∀C ∈ Mnxp se cumple que: (A + B)C = AC + BC
(propiedad distributiva)
0 −1 2
mos la fila 2 de A por 3 (oef del tipo I)
1 2 3 1 2 3
4 5 6 f2 → 3f2 12 15 18
7 8 9 =B
7 8 9 −→
0 −1 2 0 −1 2
49
Cambiemos ahora la fila 4 de A con su fila 1 (oef del tipo III)
1 2 3 0 −1 2
f4 ↔ f1
4 5 6 4 5 6
=D
7 8 9 −→ 7 8 9
0 −1 2 1 2 3
Observación 2.3.1 Para cada oef, existe una oef del mismo tipo que es su
inversa, a saber:
1
La inversa de fi → αfi , viene dada por fi → fi .
α
La inversa de fi → fi + αfj , viene dada por fi → fi − αfj .
50
1 0 0
Por otro lado F = 0 −1 0 no es elemental ya que
1 0 1
1 0 0 f2 → −f2 1 0 0
0 1 0 −→ 0 −1 0 = F
0 0 1 f3 → f3 + f1 1 0 1
Observación 2.3.2 Si A ∈ Mmxn y e es una oef tal que E = e(Im ), en-
tonces EA = e(A), es decir el realizar una oef a una matriz se puede hacer
multiplicando la matriz (por la izquierda) por una matriz apropiada.
Ejemplo 2.3.2 Recordemos A y B del ejemplo 2.3.1, allı́ se utilizó la op-
eración f2 → 3f2 (notemos que A tiene 4 filas)
1 0 0 0 1 0 0 0
0 1 0 0 f2 → 3f2 0 3 0 0
0 0 1 0 =E
0 0 1 0 −→
0 0 0 1 0 0 0 1
1 0 0 0 1 2 3 1 2 3
0 3 0 0 4 5 6 12 15 18
EA = 0 0 1 0 7 8 9 = 7 8 9 = B
0 0 0 1 0 −1 2 0 −1 2
Definición 2.3.4 A = [aij ]mxn se dice que está en forma escalonada
por filas si es la matriz nula o en caso contrario satisface la siguientes
condiciones:
1. Las filas nulas de la matriz (si las hay) son las últimas de la matriz.
2. Si a1j1 , ..., arjr son los primeros coeficientes no nulos de cada fila no
nula ( los cuales son llamados pivotes de A), entonces
j1 < ... < jr
Ejemplo 2.3.3 Son matrices escalonadas por filas Omxn , In , las matrices
escalares. Otros ejemplos
de matrices
escalonadas
por filas
son:
0 1 −9 0 2 0 0 0
0 1 0
1 0 −1 0 0 5 0 0 0 1 0
4 , ,
, , 0 0 0
0 5 8 0 0 0 0 0 0 0 −5
0 0 0
0 0 0 0 0 0 0 0
51
Ejemplo 2.3.4 No serı́an matrices escalonadas
por filas
1 0 0 0
1 4 0 1 0 0 9
1 2 3 0 1 −9 0
, 0 0 0
, 0
9 0 0 ,
4 0 0 0 0 8 1
0 1 −2 8 1 0 0
0 0 −3 7
Para toda matriz A ∈ Mmxn , existen matrices escalonadas por filas equiva-
lentes a A. Mas interesante aún es que si B y C son matrices escalonadas por
filas equivalentes a A (y por tanto equivalentes B y C entre ellas), entonces
B y C tienen el mismo número de filas, al número de filas no nulas de B (o
C) llamaremos rango de A y lo denotaremos por r(A).
Observación 2.3.3 1. Las matrices equivalentes por filas tienen igual
rango.
2. El rango de una matriz siempre es menor o igual a su número de colum-
nas.
3. Solamente una matriz nula tiene rango igual a cero.
4. Si dos matrices tienen
igual rango no necesariamente
son equivalentes.
2 0 1 4 2 0 1 4
Por ejemplo A = yB= tienen igual
0 1 0 4 0 0 1 4
rango (a saber dos), pero se puede demostrar que A y B no son equiv-
alentes por filas.
1 3 0
0 0 0
Ejemplo 2.3.5 Encuentre una matriz equivalente por filas a A = −1 0 9
0 7 2
que sea escalonada por filas.
52
1 3 0
f3 → f3 − 3f2 0 1 2/7
−→ 0 0 57/7
0 0 0
Se multiplicó la fila 2 por 1/7, para que el pivote fuese 1, y ası́ eliminar el
3 de la fila 3 fuera mas simple. Como la matriz escalonada por filas tiene 3
filas no nulas, entonces r(A) = 3.
Por definición A es equivalente por filas a las matrices
1 3 0 1 3 0 1 3 0
0 7 2 0 1 2/7 0 1 2/7
0 3 9 , 0 3 9 , 0 0 57/7
0 0 0 0 0 0 0 0 0
Ya que se llegan a ellas desde A por medio de un número finito de oef
Se debe tener presente que se puede llegar por medio de otras operaciones (o
por lo menos en el orden que aparecen) a esta última matriz, es más se puede
por medio de otras operaciones llegar a otra matriz (escalonada por filas
equivalente a A), pero como se menciono esta debe tener el mismo número
de filas no nulas que la que encontramos (tres en este caso). A continuación
encontraremos otra matriz escalonada por filas equivalente a A.
1 3 0 1 3 0 1 3 0
0 0 0 f3 → f3 + f1 0 0 0 f2 ↔ f3 0 3 9
−1 0 9 −→ 0 3 9 −→ 0 0 0
0 7 2 0 7 2 0 7 2
1 1 3 0 1 3 0
f2 → f2
3 0 1 3 f3 → f3 − 7f2 0 1 3
−→ 0 7 2 −→ 0 0 −19
f3 ↔ f4 0 0 0 0 0 0
Notemos que tiene tres filas no nulas.
Definición 2.3.5 A ∈ Mmxn se dice que está en forma escalonada re-
ducida por filas si está en forma escalonada por filas pero además todos
sus pivotes son iguales a uno y los coeficientes por ’encima’ de los pivotes
son cero.
Observación 2.3.4 1. No toda matriz escalonada por filas es escalonada
reducida por filas (por definición toda matriz escalonada reducida por
filas es escalonada por filas).
53
2. Toda matriz es equivalente por filas a una única matriz escalonada re-
ducida por filas, pero una matriz escalonada reducida por filas puede
ser equivalente a distintas matrices.
Ejemplo2.3.8 Encuentre
la forma escalonada reducida por filas de la ma-
1 3 0
0 0 0
triz A =
−1
(note que es la misma matriz del ejemplo 2.3.5)
0 9
0 7 2
Solución:
54
1 3 0 1 3 0 1 3 0
0
0 0
f3 → f3 + f1 0
0 0 f2 ↔ f3 0 3 9
−1 0 9 −→ 0 3 9 −→ 0 0 0
0 7 2 0 7 2 0 7 2
1 1 3 0 1 0 −9
f2 → f2 0 f3 → f3 − 7f2
3 1 3 0 1 3
−→
0
−→ 0 0 −19
7 2
f3 ↔ f4 f1 → f1 − 3f2
0 0 0 0 0 0
1 0 −9 1 0 0
1 f1 → f1 + 9f3
f3 → f3 0 1 3 0 1 0
−19
0
−→
−→ 0 1 0 0 1
f2 → f2 − 3f2
0 0 0 0 0 0
1 0 0
0 1 0
Ası́ que
0 0 1 es la forma escalonada reducida por filas de A (note
0 0 0
que esa matriz es escalonada por filas y tiene tres filas no nulas).
AB = BA = In
55
−2 1 1 2 (−2) · 1 + 1 · 3 (−2) · 2 + 1 · 4
BA = =
3/2 −1/2 3 4 (3/2) · 1 + (−1/2) · 3 (3/2) · 2 + (−1/2) · 4
1 0
=
0 1
56
Dada una matriz A ∈ Mnxn , para conocer si es o no invertible, y encontrar
en caso afirmativo la inversa de la matriz se procede como sigue:
1. Se escribe la matriz A y a su derecha se escribe In , obteniendo ası́ una
matriz de orden nx(2n).
2. Se lleva la matriz obtenida en el paso anterior s su forma escalonada
reducida por filas.
3. Si la parte izquierda de la matriz obtenida en la parte anterior es In ,
la matriz A es invertible y la matriz de la parte derecha obtenida en el
paso anterior serı́a su inversa. Si la matriz de parte izquierda no es In ,
entonces A no es invertible.
2 0 0 1
1 0 −1 0
Ejemplo 2.4.4 Decida si A = 0 0 0 3 es invertible. De serlo
2 3 4 9
encuentre su inversa.
Solución:
2 0 0 1 | 1 0 00 f1 ↔ f2 1 0 −1 0 | 0 1 0 0
1
0 −1 0 | 0 1 0
0 −→ 2 0 0 1
| 1 0 0 0
0 0 0 3 | 0 0 01 1 0 0 0 1 | 0 0 1/3 0
f3 → f3
2 3 4 9 | 0 0 10 3 2 3 4 9 | 0 0 0 1
1 0 −1 0 | 0 1 0 0
f2 → f2 − 2f1
0 0 2 1 | 1 −2 0 0
−→ 0 0 0 1 | 0 0 1/3 0
f4 → f4 − 2f1
0 3 6 9 | 0 −2 0 1
1 0 −1 0 | 0 1 0 0
f2 ↔ f4
0 3 6 9 | 0 −2 0 1
−→ 0 0 0 1 | 0 0 1/3 0
0 0 2 1 | 1 −2 0 0
1 1 0 −1 0 | 0 1 0 0
f2 → f4
3 0 1 2 3 | 0 −2/3 0 1/3
−→
0 0 2 1 | 1 −2 0 0
f3 ↔ f4 0 0 0 1 | 0 0 1/3 0
57
1 0 −1 0 | 0 1 0 0
1
f3 → f3 0 1
2 3 | 0 −2/3 0 1/3
2 0 0 1 1/2 | 1/2 −1 0 0
−→
0 0 0 1 | 0 0 1/3 0
1 0 0 1/2 | 1/2 0 0 0
f1 → f1 + f3
0 1 0 2 | −1 4/3 0 1/3
−→
0 0 1 1/2 | 1/2 −1 0 0
f2 → f2 − 2f3
0 0 0 1 | 0 0 1/3 0
f1 → f1 − (1/2)f4 1 0 0 0 | 1/2 0 −1/6 0
f2 → f2 − 2f4 0 1 0 0 | −1 4/3 −2/3 1/3
−→ 0 0 1 0 | 1/2 −1 −1/6 0
f3 → f3 − (1/2)f4 0 0 0 1 | 0 0 1/3 0
Como la matriz del lado izquierdo nos da I4 , concluimos que A es invert-
ible y su inversa viene dada por:
1/2 0 −1/6 0
−1 4/3 −2/3 1/3
A−1 =
1/2 −1 −1/6 0
0 0 1/3 0
58
2 0 0 1
2 4
2. Si A = 1 −1 , B = −1 0 y C =
0 0
3 −1 −1 1
encuentre
AC − 3(B − 5A) + 2(B − A)
Solución:
AC − 3(B − 5A) + 2(B − A) = AC − 3B + 15A + 2B − 2A
= AC − B + 13A
2 0 0 1 2 0
2 4
AC − B + 13A = 1 −1 − −1 0 + 13 1 −1
0 0
3 −1 −1 1 3 −1
4 8 0 −1 26 0
= 2 4 + 1 0 + 13 −13
6 12 1 −1 39 −13
30 7
= 16 −9
46 −2
2 0 1
3. Decida si B = 1 −1 0 es invertible. De serlo encuentre su in-
3 −1 1
versa.
Solución:
2 0 1 | 1 0 0 1 −1 0 | 0 1 0
1 −1 0 | 0 1 0 f1 ↔ f2 2 0 1 | 1 0 0
−→
3 −1 1 | 0 0 1 3 −1 1 | 0 0 1
f2 → f2 − 2f1 1 −1 0 | 0 1 0
−→ 0 2 1 | 1 −2 0
f3 → f3 − 3f1 0 2 1 | 0 −3 1
1 −1 0 | 0 1 0
f3 → f3 − f2 0 2 1 | 1 −2 0
−→
0 0 0 | 0 −3 1
59
Es imposible que nos de en la izquierda I3 , por lo tanto concluimos que
B no es invertible.
0 0 0 2 −8 0 0 0
0 0 0 0 −4
0 0 −4 1 0 0 3 4 0
0 0 3 6
A6 = , A8 = 0 3 0 1 5
4 −3 0 8
0 4 1 0 1
2
−1 −6 −8 0 2 8
−4 0 5 81 0
4. Investigue cuáles de las siguientes matrices son invertibles, para aquel-
las que lo sean encuentre su inversa.
60
1 2 3 1 0 0
8 17
B1 = , B2 4 5 6 , B3 =
−1 −3 4
−10 3
7 8 9 3 0 0
1 0 −4 −8
1 −4 8 1 0 −2 0 0 2 0
B4 = 0 0 7 ,B5 = 3 4 0 ,B6 = −4
2 −9 0
2 0 0 5 0 2
−8 0 0 0
2 0 0 0 −1 3 1 4
2 −3
7 0 4 1 0 0 0 1 , B9 3 4
B7 =
1 −1 −3 −4 ,B8 = −2 6 2 8 = −1 7
3 0 9 −2 1 2 3 4 5 2
61
Capı́tulo 3
SISTEMAS DE ECUACIONES
LINEALES
62
Observación 3.1.1 Una expresión como 2x + y = 3z − 4 ’es’ una ecuación
lineal, ya que es ’equivalente’ a la expresión 2x + y − 3z = −4.
a1 t1 + ... + an tn = b
xn
(x + 2y − 3z + 5w) = (2)
63
Definición 3.1.3 Un sistema de ecuaciones lineales con m ecuaciones
y n incógnitas es cualquier colección de m ecuaciones lineales con n incógni-
tas (**)
a11 x1 + ... + a1n xn = b1
.. .. ..
. . .
a x + ... + a x = b
m1 1 mn n m
Observación
3.1.2 Los
siguientes sistemas son iguales
2y − x + 3z = 1 −x + 2y + 3z = 1
5x + z = y , 5x − y + z = 0
3z − y + 9z = x −x − y + 12z = 0
64
El sistema (**) se puede
escribir
en forma
matricial como AX = b, donde
x1 b1
.. ..
A = [aij ]mxn , X = . , b = .
xn bn
llamadas respectivamente matriz del sistema, matriz de las incógnitas
y matriz de los términos independientes.
−x + 2y + 3z = 1
Ejemplo 3.1.7 Por ejemplo el sistema puede ser es-
5x − y + z + w = 0
crito como:
x
−1 2 3 0 y = 1
5 −1 1 1 z 0
w
Si multiplicamos las matrices de la izquierda obtenemos
−x + 2y + 3z 1
=
5x − y + z + w 0
Dos matrices son iguales si lo son componente a componente, ası́ de la
igualdad
anterior se tiene
−x + 2y + 3z = 1
(que es el sistema original).
5x − y + z + w = 0
Definición 3.1.4 Una solución del sistema (**) es cualquier n-úpla (t1 , ..., tn ) ∈
Rn que es simultáneamente solución de cada una de las ecuaciones del sis-
tema, es decir
a11 t1 + ... + a1n tn = b1
.. .. ..
. . .
a t + ... + a t = b
m1 1 mn n m
ya que
1 + 1 + −1 = 1
2(1) + 3(1) = 5
4(1) − 1 − (−1) = 4
65
Por otro lado (1, 0, 0) no es una solución del sistema, porque no satisface ni
la segunda ecuación (aunque satisface la primera y tercera).
El sistema del ejemplo anterior es consistente (tiene por lo menos a (1, 1, −1)
como solución), mientras que el siguiente no tiene solución (no se pueden
satisfacer las dos primeras ecuaciones simultaneamente)
x+y+z+w =1
x+y+z+w =5
4x − y − z = 4
66
3. Dado el sistema A | b con A ∈ Mmxn , si
r(A) = r A | b = n
entonces el sistema es consistente determinado.
4. Dado el sistema A | b con A ∈ Mmxn , si
r(A) = r A | b = r < n
entonces el sistema es consistente indeterminado.
Observación 3.1.3 Podemos concluir del teorema anterior que los sistemas
homogéneos siempre tienen solución.
Definición 3.1.7 Si el sistema de ecuaciones lineales (**) tiene solución.
Escribiremos el conjunto de todas las soluciones del sistema como S(A, b) (A
y b la matriz y matriz de los términos independientes del sistema respectiva-
mente). Si el sistema es homogéneo su solución se escribe como S(A).
Veamos algunos ejemplos de como encontrar (si existen) las soluciones de
sistemas de ecuaciones lineales y como escribir tales soluciones.
Ejemplo 3.1.9 Encuentre las soluciones del sistema
2x + z = 0
x−y =0
3x − y + z = 0
67
Como el rango de la matriz del sistema es dos, que es menor que tres, su
número de columnas, entonces el sistema por teorema tiene infinitas solu-
ciones. Veamos como encontrar tales soluciones.
La matriz del sistema es equivalente por filas esta última matriz, entonces
por definición el sistema original es equivalente (tiene las mismas soluciones)
que el sistema asociado a la matriz escalonada reducida por filas que encon-
tramos.
1 0 1/2
El sistema asociado a la matriz 0 1 1/2 viene dado por (recordemos
0 0 0
que el sistema original es homogéneo)
x + z/2 = 0
y + z/2 = 0
x = −z/2
y = −z/2
68
Ejemplo 3.1.10 Dado el sistema
2x + y + 3z + w = 4
x − z = −2
Encuentre (si existe) su conjunto solución.
Solución: La matriz ampliada del sistema viene dada por:
2 1 3 1 | 4
1 0 −1 0 | −2
2 1 3 1 | 4 f1 ↔ f2 1 0 −1 0 | −2
1 0 −1 0 | −2 −→ 2 1 3 1 | 4
f2 → f2 − 2f1 1 0 −1 0 | −2
−→ 0 1 5 1 | 8
El rango de la matriz del sistema es igual al rango de la matriz ampliada del
sistema, por lo tanto el sistema tiene solución.
El rango de la matriz del sistema es dos, y tiene cuatro columnas, lo que
quiere decir que el sistema tiene infinitas soluciones (dos variables libres).
El sistema asociado a la última matriz viene dado por:
x − z = −2
y + 5z + w = 8
Entonces,
x=z−2
y = −5z − w + 8
69
Teorema 3.1.2 Sea A ∈ Mnxn . Las siguientes afirmaciones son equiva-
lentes:
1. A es invertible.
2. r(A) = n.
Solución:
La matrizampliada del sistema viene dada por
2 0 1 | 1
1 −1 0 | −1
1 −1 1 | 2
70
2 0 1 | 1 1 −1 0 | −1
1 −1 0 | −1 f1 ↔ f2 2 0 1 | 1
−→
1 −1 1 | 2 1 −1 1 | 2
f2 → f2 − 2f1 1 −1 0 | −1
−→ 0 2 1 | 3
f3 → f3 − f1 0 0 1 | 3
1 1 −1 0 | −1
f2 → f2 0 1 1/2 | 3/2
2
−→ 0 0 1 | 3
1 0 1/2 | 1/2
f1 → f1 + f2 0 1 1/2 | 3/2
−→
0 0 1 | 3
f1 → f1 − (1/2)f3 1 0 0 | −1
−→ 0 1 0 | 0
f2 → f2 − (1/2)f3 0 0 1 | 3
2. Dado el sistema
2x + z = 1
x − y = −1
3x − y + z = 2
71
Solución: La matriz ampliada del sistema viene dada por:
2 0 1 | 1
1 −1 0 | −1
3 −1 1 | 2
2 0 1 | 1 1 −1 0 | −1
1 −1 0 | −1 f1 ↔ f2 2 0 1 | 1
−→
3 −1 1 | 2 3 −1 1 | 2
f2 → f2 − 2f1 1 −1 0 | −1
−→ 0 2 1 | 3
f3 → f3 − 3f1 0 2 1 | 5
1 −1 0 | −1
f3 → f3 − f2 0 2 1 | 3
−→
0 0 0 | 2
3. Dado el sistema
2x − 3y + z = 1
x−y+z =0
−y − z = 1
72
2 −3 1 | 1 1 −1 1 | 0
1 −1 1 | 0 f1 ↔ f2 2 −3 1 | 1
−→
0 −1 −1 | 1 0 −1 −1 | 1
1 −1 1 | 0
f2 → f2 − 2f1 0 −1 −1 | 1
0 −1 −1 | 1
f1 → f1 − f2 1 0 2 | −1
−→ 0 −1 −1 | 1
f3 → f3 − f2 0 0 0 | 0
1 0 2 | −1
f2 → −f2 0 1 1 | −1
0 0 0 | 0
De donde obtenemos
x = −1 − 2z
y = −1 − z
Ahora,
73
S(A, b) = {(x, y, z) ∈ R3 /(x, y, z) = (−1, −1, 0) + α(−2, −1, 1); α ∈ R}
La matriz escalonada reducida por filas asociada a esta matriz (se dejan
los detalles al lector) viene dada por:
74
1 0 | 80
0 1 | 120
Concluimos ası́ que se deben fabricar 80 tazas y 120 platos.
{x + y + z − 5w = 7
Los siguientes son ejercicios de aplicaciones. Estos y otros pueden encon-
trarse en el libro de Álgebra Lineal de Stanley Grossman.
75
Los registros del viajero indican que gastó un total de 340 dólares en
hospedaje, 320 dólares en comida y 140 dólares en gastos adicionales.
Calcule el número de diás que pasó el viajero en cada paı́s.
76
5. Una tienda de helados vende sólo helados con soda y malteadas. Se
pone una onza de jarabe y 4 onzas de helado en un helado con soda, y
1 onza de jarabe y 3 onzas de helado en una malteada. Si la tienda usa
512 onzas de helado y 160 onzas de jarabe en un dı́a cuántos helados
con soda y cuántas malteadas vende?
77
Capı́tulo 4
CONJUNTOS CONVEXOS
78
Por ejemplo en R, estas definiciones coinciden con las de intervalos. Dejamos
como ejercicio para el lector el definir los segmentos de recta semiabiertos (o
semicerrados) ([p, q) y ((p, q]), tomando como base las definiciones anteriores.
79
Ejemplo 4.1.2 Los conjuntos A, B dados de la figura son convexos, los con-
juntos C y D no lo son.
80
3. Hiperplano generado por a y B, al conjunto dado por:
{X ∈ Rn / < B, X >= a}
81
En los ejemplos anteriores, si sustituimos en la ecuación −x + y ≥ 2, x =
y = 0, nos da 0 > 2 lo que es falso, por lo tanto el semiplano (en cada caso)
es la mitad donde no está (0, 0).
82
Observación 4.1.2 En R2 los puntos extremos de un conjunto convexo polig-
onal cerrado son los ’vértices’ del conjunto.
83
tal que S ⊂ D (D con estas caracteristicas se llama disco abierto centrado
en el origen).
Observación 4.1.3 Una función f puede tener a f (a, b) y f (c, d) como valor
máximo (mı́nimo) siendo (a, b) 6= (c, d), pero obviamente debe ser f (a, b) =
f (c, d).
84
Ası́ que si f : D ⊂ R2 → R viene dada por f (x, y) = ax + by (es decir, es
una función lineal) y D es un conjunto convexo poligonal cerrado acotado,
para encontrar los valores máximos y mı́nimos de f en D, buscamos todos
los puntos extremos de D, luego evaluamos f en cada uno de estos puntos,
y el mayor de estos es el valor máximo de f en D, por otro lado el menor de
ellos será el valor mı́nimo de f en D.
Solución:
El conjunto intersección de los semiplanos anteriores viene dado por:
85
Busquemos los puntos extremos del conjunto, que como vimos en la
observación anterior estos vienen dados por los vertices del conjunto.
En el dibujo vemos cuáles son las rectas que debemos intersectar para
encontrar estos puntos.
Uno de ellos viene dado por la intersección de las rectas x + y = 1 y
x − y = 0, es decir el punto que se busca es la solución del sistema de
ecuaciones:
x+y =1
x−y =0
Esta solución es (x, y) = (1/2, 1/2) (dejamos esto como ejercicio).
Al intersectar las rectas x + y = 1 y x − 3y = 2 obtenemos el punto
(5/4, −1/4).
Al intersectar las rectas x − y = 0 y x + 2y = 9 obtenemos el punto
(3, 3).
Al intersectar las rectas x − 3y = 2 y x + 2y = 9 obtenemos el punto
(31/5, 7/5).
Evaluemos la función f en cada uno de los puntos encontrados.
f (1/2, 1/2) = 1/2 + 2(1/2) = 1/2 + 1 = 3/2.
f (5/4, −1/4) = 5/4 + 2(−1/4) = 5/4 − 1/2 = 3/4.
f (3, 3) = 3 + 2,3 = 3 + 6 = 9.
f (31/5, 7/5) = 31/5 + 2(7/5) = 31/5 + 14/5 = 45/5.
Del teorema anterior concluimos que el valor máximo de f sobre el
86
conjunto dado es 9 y se alcanza en el punto (3, 3), por otro lado el valor
mı́nimo de f en el conjunto es 3/4 y se alcanza en el punto (5/4, −1/4).
3. Cierta refinerı́a produce dos tipos de gasolina, A y B. Su capacidad
de producción es de 10000 barriles diarios (puede combinar o producir
un sólo tipo). La refinerı́a suministra sus productos a dos estaciones
de servicio. La primera está a 30 kms. de la refinerı́a y consume, di-
ariamente, por lo menos 2000 barriles de gasolina tipo A. La segunda
está 10 kms. de la refinerı́a y su consumo mı́nimo diario es de 1000
barriles de gasolina tipo B.
La capacidad de transporte de los camiones-cisternas de la refinerı́a es
de 180000 kmxbarril/dı́a diariamente.
El beneficio que deja cada barril de gasolina es de 20 dolares el tipo
A y 25 dolares el tipo B. Determinar la cantidad de barriles, de cada
tipo, que la refinerı́a debe producir diariamente para obtener el máximo
beneficio.
Solución:
Si x es la cantidad de barriles de gasolina de tipo A que la refinerı́a
produce diariamente y y es la cantidad de barriles de gasolina de tipo
B que la refinerı́a produce diariamente, entonces la función ganancia
(beneficio) viene dada por:
f (x, y) = 20x + 25y
La cantidad de barriles máximo que puede producir en un dı́a la refin-
erı́a es de 10000 barriles, por lo tanto
x + y ≤ 10000
Como la primera estación consume mı́nimo 2000 barriles del tipo A,
entonces,
2000 ≤ x
Como la segunda estación consume mı́nimo 1000 barriles del tipo B,
por lo tanto,
1000 ≤ y
x barriles de tipo A viajan 30 km hasta la primera estación, y barriles
de tipo B viajan 10 km hasta la segunda estación, por lo tanto
30x + 10y ≤ 180000
87
Ası́
que f toma valores en la región dada por:
x + y ≤ 10000
2000 ≤ x
1000 ≤ y
30x + 10y ≤ 180000
88
4.3. Ejercicios propuestos
1. Determine cuáles de los siguientes conjuntos son convexos.
a) f (x, y) = 3x + 9y; 3x + 2y ≥ 6, x − y ≤ 2, x + y ≤ 3
b) f (x, y) = 5x + 2y; 2x + 3y ≤ 6, x + y ≥ 2, x − y ≤ 3
c) f (x, y) = 2x + y; x ≥ 0, y ≥ 0, x + y ≤ 3
{x ∈ Rn / < B, X >< a}
{x ∈ Rn / < B, X >> a}
{x ∈ Rn / < B, X >= a}
{x ∈ Rn / < B, X >≤ a}
{x ∈ Rn / < B, X >≥ a}
4. Demuestre que los siguientes conjuntos son convexos. Dibuje los con-
juntos.
89
{(x, y) ∈ R2 /3x − y ≤ 4}
{(x, y) ∈ R2 /2x − 4y > 3}
{(x, y) ∈ R2 / − 5x + 2y < 1}
{(x, y) ∈ R2 /7x + 5y = −2}
90
10. Los siguientes son ejercicios de aplicaciones. La mayorı́a de ellos pueden
ser encontrados en el libro de Álgebra Lineal de Bernard Kolman.
91
programa a 45000. Determine como debe dividirse el tiempo entre
publicidad y programa para atraer el máximo número de especta-
dores por minuto.
e) Un generador quema dos clases de combustible: A (bajo contenido
de azufre) y B (alto contenido de azufre) para producir electrici-
dad. Por cada hora de uso, cada galón de A emite 5 unidades
de bióxido de azufre, genera 4 kilovatios y cuesta 50 centavos,
mientras que B emite 3 unidades de bióxido de azufre, genera 4
kilovatios y cuesta 60 centavos. La oficina de protección ambiental
insiste en que la máxima cantidad de bióxido de azufre que puede
emitirse por hora es de 15 unidades. Si se deben generar al menos
16 kilovatios por hora, determine cuántos galones de A y de B
deben quemarse por hora para minimizar el costo del combustible
utilizado.
f ) Se sirve en un club un almuerzo formado por dos platillos, A con
un gramo de grasa, un gramo de carbohidratos y cuatro gramos
de proteı́na, el otro plato B, tiene dos gramos de grasa, un gramo
de carbohidratos y seis de proteı́na. Si la persona que planeo el
almuerzo no quiere proporcionar más de 10 gramos de grasas ni
más de 7 gramos de carbohidratos, determine cuántas unidades
de A y B deben servirse para maximizar la cantidad de proteı́na
consumida.
g) Un productor de alimento para animales fabrica dos clases de gra-
no: A y B. Cada unidad del grano A contiene 2 gramos de grasa,
un gramo de proteı́na. Cada unidad del grano B contiene 3 gramos
de grasa, 3 de gramos de proteı́na. Suponga que el productor de-
sea que cada unidad del producto final tenga menos de 18 gramos
de grasa,y al menos 12 gramos de proteı́na. Si cada unidad de A
cuesta 10 centavos y cada unidad de B cuesta 12 centavos, de-
termine cuántas unidades de cada clase de grano debe usar para
minimizar el costo.
h) Una fábrica produce dos modelos M 1, M 2 de cierto artı́culo. Cada
modelo producido es procesado por dos máquinas, M AQ1, M AQ2.
Para completar un ejemplar del modelo M 1 se requieren dos ho-
ras de M AQ1 y cuatro horas de M AQ2, mientras que para un
ejemplar de M 2 se requieren cuatro y dos horas de M AQ1 y
M AQ2, respectivamente. Ninguna de las dos máquinas funciona
92
más de 12 horas diarias. Si el beneficio que se obtiene es de 5100
Bs por artı́culo tipo M 1 y 6800 Bs por artı́culo tipo M 2, ¿ cuántos
ejemplares de cada modelo deben ser fabricados diariamente para
obtener el máximo beneficio?
93
Capı́tulo 5
ESPACIOS VECTORIALES
+ : VxV → V
· : RxV → V
94
A2) (u + v) + w = u + (v + w) (propiedad asociativa).
A3) ∃OV , ∀u ∈ V : u + OV = OV + u = u (elemento neutro).
A4) ∀u ∈ V, ∃u0 ∈ V : u + u0 = u0 + u = OV (elemento simétrico).
M1) α(u + v) = αu + αv (distributiva).
M2) (α + β)u = αu + βu (distributiva).
M3) α(βu) = β(αu) = (αβ)u.
M4) 1.u = u.
α (a, b) = (a − α, b − α)
95
Es claro que R2 es cerrado bajo suma y bajo producto, veamos que axiomas
se cumple (de cumplirse todos, (R2 , ⊕, ) serı́a un espacio vectorial).
1. A1)
(a, b) ⊕ (c, d) = (ac, bd) = (ca, db) = (c, d) ⊕ (a, b)
2. A2)
3. A3)
Acá debemos escoger un candidato como vector nulo. Sea OR2 = (1, 1).
Entonces,
4. A4)
Para cada vector (a, b) debemos escoger un vector u tal que
Pero note que si (a, b) = (0, 0), entonces para todo u = (c, d) se tiene
96
Ejemplo 5.1.3 F(S) es un espacio vectorial con las operaciones usuales de
suma y multiplicación por escalar de funciones, esto es,
Mostraremos que se cumplen A1, A3, M1 y el resto las dejamos como ejer-
cicios al lector. Como vamos a trabajar con funciones recordemos que dos
funciones son iguales si tienen el mismo dominio y cada elemento del do-
minio es enviada por las funciones al mismo valor en el conjunto de llegada.
Para la demotración tengamos presente en primer lugar que x es un elemento
arbitrario de S, y en segundo lugar que f (x), g(x) son números reales y por
lo tanto están sujetos a las propiedades de los números reales. Como siempre
pedimos al lector que justifique los pasos en la demostración:
A1)
∴f +O=f
M1)
∴ α(f + g) = αf + αg
97
Teorema 5.1.1 Si (V, +, ·), entonces:
1. ∀u, v, w ∈ V, ∀α ∈ R se cumple:
a) 0.u = OV ; αOV = OV
b) u + v = u + w ⇒ v = w (ley de cancelación)
c) αu = OV ⇒ α = 0 ∨ u = OV
2. ∀u1 , ..., uk ∈ V, ∀α ∈ R se tiene que:
Los tres tipos de espacios vectoriales con los que trabajaremos son Rn , Mmxn ,
F(S) (operaciones usuales), ahora nuestra atención se centrará en encontrar
subespacios de estos; afortunadamente no hará falta probar los 8 axiomas de
la definición de espacios vectoriales, para ello como veremos en los siguientes
teoremas.
Teorema 5.2.1 Sean V un espacio vectorial y S ⊂ V no vacı́o. Entonces S
es subespacio vectorial de V si y sólo si se cumple que:
98
1. OV ∈ S.
2. ∀u, v ∈ S se tiene que u + v ∈ S (cerrado bajo suma).
3. ∀α ∈ R, ∀u ∈ S se tiene que αu ∈ S (cerrado bajo producto).
0 a
Ejemplo 5.2.2 Sea A = {M ∈ M2x2 /M = }. ¿ Es A subespacio
b 0
de M2x2 (operaciones usuales)?
99
Concluimos ası́ que V no es subespacio de R3 . Ejemplos de subespacios de
Rn son {On }, Rn , rectas que pasan por el origen.
∀u, v ∈ S, ∀α ∈ R, αu + v ∈ S
α1 u1 + ... + αn un ∈ U
u = α1 u1 + ... + αn un
100
Ejemplo 5.3.1 (1, 2, −7) es combinación lineal de los vectores
(1, 0, −1), (2, 2, 2), (1, 4, −2) ya que:
1 = (1 + x) + 0(2 − x + x2 ) − x
101
2. Se encuentra el sistema de ecuaciones lineales asociado a la ecuación
anterior, de la cual α1 , ..., αn serán las incógnitas.
3. Si el sistema tiene solución, el vector u es c.l. de los vectores v1 , ..., vn
(el conjunto solución de dicho sistema nos dará los valores α1 , ..., αn que
mantienen la igualdad de la ecuación). Si el sistema no tiene solución,
u no es c.l. de los vectores v1 , ..., vn .
Ejemplo 5.3.4 ¿ Es (3, 0, 3) c.l. de los vectores (2, 1, 3), (0, −1, −1), (1, 0, 1)?
Solución:
102
Por ejemplo si t = 1, nos da (α, β, γ) = (1, 1, 1) y notemos que:
α1 u1 + ... + αn un = OV ⇒ α1 = ... = αn = 0
103
PROCEDIMIENTO PARA CONOCER SI UN CONJUNTO DE
VECTORES {v1 , ..., vn } ES L.I Ó L.D.
Solución:
2 1 0 0 0 −1 1 0 0 0
α +β +γ +λ =
0 2 0 3 0 4 3 9 0 0
2α α 0 0 0 −γ λ 0 0 0
+ + + =
0 2α 0 3β 0 4γ 3λ 9λ 0 0
2α + λ α−γ 0 0
=
3λ 2α + 3β + 4γ + 9λ 0 0
Igualando componente a componente tenemos:
2α + λ = 0
α−γ =0
3λ = 0
2α + 3β + 4γ + 9λ = 0
104
Veamos si el sistema tiene solución única.
2 0 0 1 f1 ↔ f2 1 0 −1 0
1 0 −1 0 −→ 2 0 0 1
0 0 0 3 1 0 0 0 1
f3 → f3
2 3 4 9 3 2 3 4 9
1 0 −1 0
f2 → f2 − 2f1 0 0 2 1
−→
0
0 0 1
f4 → f4 − 2f1
0 3 6 9
1 0 −1 0
f2 ↔ f4 0
3 6 9
−→ 0 0 0 1
0 0 2 1
1 0 −1 0
f3 ↔ f4 0
3 6 9
−→ 0 0 2 1
0 0 0 1
105
(x, y, z) = α(1, −1, 0) + β(3, 0, 1) + γ(4, −1, 1)
= (α, −α, 0) + (3β, 0, β) + (4γ, −γ, γ)
= (α + 3β + 4γ, −α − γ, β + γ)
1 3 4 | x 1 3 4 | x
−1 0 −1 | y f2 ⇔ f3 0 1 1 | z
−→
0 1 1 | z −1 0 −1 | y
1 3 4 | x
f3 → f3 + f1 0 1 1 | z
−→
0 3 3 | y+x
1 3 4 | x
f3 → f3 − f2 0 1 1 | z
−→
0 0 0 | y+x−z
106
2. Se encuentra el sistema de ecuaciones lineales asociado a la ecuación
anterior, de la cual α1 , ..., αn serán las incognitas.
3. Si el sistema siempre tiene solución, el conjunto genera al espacio. Si
existe u para el cual el sistema no tenga solución, entonces el conjunto
no genera al espacio.
Teorema 5.4.2 Sean V un espacio vectorial, y sea {u1 , ..., un } una base de
V. Entonces para todo x en V, existe números reales únicos α1 , ..., αn tales
que:
x = α1 u1 + ... + αn un
Es decir, si x = β1 u1 + ... + αn un , entonces:
α1 = β1 , ..., αn = βn
Estos espacios (con base finita) se dice que son espacios de dimensión finita,
aquellos que no poseen base finita (sino infinita) se les llama espacios de
dimensión infinita (un ejemplo de tal espacio es P(S)).
107
Ejemplo 5.4.2 Del ejemplo anterior concluimos que dim(R3 ) = 3, dim(M2x2 ) =
4, dim(P2 (R)) = 3. En general:
dim(Rn ) = n
dim(Mnxm ) = nm
dim(Pn (R)) = n + 1
α1 v1 + ... + αn vn = u
108
5.5. Suma de espacios
Teorema 5.5.1 Si V es un espacio vectorial y W1 , W2 son subespacios vec-
toriales de V, definimos la suma de W1 y W2 , denotado por W1 + W2 , como
el conjunto
W1 + W2 = {x ∈ V/x = w1 + w2 , w1 ∈ W1 , w2 ∈ W2 }
109
Por ’construcción’ β1 = {(0, 1, 0, 0), (0, 0, 0, 1)} es base de A1 (notemos que
tiene a (0, 1, 0, 0)). Encontremos una base de A2 .
A1 + A2 = CL({(0, 1, 0, 0), (0, 0, 0, 1), (−1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0)})
A1 + A2 = R4
110
Entonces α(x1 , y1 , z1 , w1 )+(x2 , y2 , z2 , w2 ) ∈ A1 . Concluimos ası́ que
A1 es subespacio vectorial de R4 .
Por otro lado (x, y, z, w) = (0, 0, 0, 0) está en A2 ya que x + w =
0 + 0 = 0, por lo tanto A2 6= ∅.
Sean (x1 , y1 , z1 , w1 ), (x2 , y2 , z2 , w2 ) ∈ A2 , α ∈ R
α(x1 , y1 , z1 , w1 )+(x2 , y2 , z2 , w2 ) = (αx1 +x2 , αy1 +y2 , αz1 +z2 , αw1 +w2 )
Ahora,
111
2 0 1 | a0 1 −1 0 | a1
1 −1 0 | a1 f1 ↔ f2 2 0 1 | a0
−→
3 −1 1 | a2 3 −1 1 | a2
f2 → f2 − 2f1 1 −1 0 | a1
−→ 0 2 1 | a0 − 2a1
f3 → f3 − 3f1 0 2 1 | a2 − 3a1
1 −1 0 | a1
f3 → f3 − f2 0 2 1 | a0 − 2a1
−→
0 0 0 | a2 − a1 − a0
V = {(x, y, z, w) ∈ R4 /2x + 2y − 4w = 0, y − z = w}
Solución:
(x, y, z, w) ∈ V ⇔ 2x + 2y − 4w = 0, y − z = w
2x + 2y − 4w = 0
⇔
y−z−w =0
112
Al llevar esta matriz a su forma escalonada reducida por filas nos da:
1 0 1 −1
0 1 −1 −1
Por lo tanto,
Solución:
113
K
α v = −αv
donde las operaciones v −w, −αv son lasL operaciones usuales de suma y
multiplicación en R3 . Determine si (R3 , , ) es un espacio vectorial.
J
a) A1 = {A ∈ M2x2 /A no es invertible}
114
a b
b) A2 = ∈ M2x2 /a = b
c d
a b c d
c) A3 = ∈ M2x4 /a = b = e = 0, c = g = h}
e f g h
d) A4 = {A ∈ Mnxn /A es invertible}
a b
e) A5 = {A = ∈ M2x2 /2a − d = 0, 3b − c + 5d = 0}
c d
7. Determine
cuálesde los siguientes
conjuntos
son l.i. en M2x2
2 −4 1 1 0 0
A1 = , ,
0 0 1 1 0 2
1 −4 1 −1 1 0
A2 = , ,
3 0 0 0 0 0
2 −4
A3 =
0 0
8. Determine cuáles de los siguientes conjuntos son l.i en P3 .
a) {1 − x, 2 + 3x2 , 3 − 8x}
b) {1 − 7x − 4x3 , x2 , 2 − x, 1}
c) {2 − x, 3 + 4x2 , x + 4x2 + x3 , 1 − x3 }
a) {1 − x, 2 + 3x2 , 3 − 8x}
115
b) {−4 + x − 4x2 , x2 , 2 − x, 1}
c) {2 − x, 3 + 4x2 , 7 − 2x + 4x2 }
10. Para cada uno de los siguientes conjuntos encuentre una expresión ex-
plı́cita para el subespacio que generan.
a) {(1, 2, 3, 4), (0, 1, 0, 1)}
b) {(1, 2, 3, 4), (0, 1, 0, 1), (1, 1, 1, 1)}
c) {(1, 2, −3)}
d ) {(1, 2, 4), (0, 1, 0), (0, 0, 2)}
e) {2 − x, 3 + 4x2 , 7 − 2x + 4x2 } (en P3 ).
f ) {2 − x, 3 + 4x2 , 7 − 2x + 4x2 } (en P3 ).
1 −4 1 −1 1 0
g) , ,
3 0 0 0 0 0
11. Determine si (−2, 5, 7, −4) es c.l. de los vectores (1, 2, 3, 4), (0, 1, 0, 1), (1, 1, 1, 1)
12. Determine si {(1, 2, −3)} es c.l. de {(1, 2, 4), (0, 1, 0), (0, 0, 2)}
13. Determine si 1 − 5x es c.l. de {2 − x, 3 + 4x2 , 7 − 2x + 4x2 } (en P3 ).
2 −2 1 −4 1 −1 1 0
14. Determine si es c.l. de , ,
2 0 3 0 0 0 0 0
15. Consideremos los conjuntos V = {(x, y, z, w) ∈ R4 /x + 5z = 0}
y W = {(x, y, z, w) ∈ R4 /x − 3y + 2z + w = 0}.
a) Demuestre que V y W son subespacios vectoriales de R4 .
b) Encuentre V ∩ W .
c) Encuentre una base para el espacio vectorial V + W .
a b
16. Consideremos los conjuntos A = {( ∈ M2x2 /a = d = 0}
c d
a b
yB={ ∈ M2x2 /c + b = 0}.
c d
a) Demuestre que A y B son subespacios vectoriales de M2x2 .
b) Encuentre A ∩ B.
c) Encuentre una base para el espacio vectorial A + B.
116
5.8. Referencias Bibliográficas
1. Apostol, Tom. Calculus. Volumen 1. Editorial Reverté. Segunda edi-
ción, 1967.
117
Capı́tulo 6
TRANSFORMACIONES
LINEALES
2. T (αx) = αT (x); ∀x ∈ V, ∀α ∈ R.
118
Demostración: Demostremos esto (detalles como ejercicio). Sean x, y ∈ V
y sea α ∈ R
T (x + y) = OW = OW + OW = T (x) + T (y)
119
Solución: Al tomar (x1 , y1 , z1 ), (x2 , y2 , z2 ) ∈ R3 tenemos por un lado:
T ((x1 , y1 , z1 )+(x2 , y2 , z2 )) = T (x1 +x2 , y1 +y2 , z1 +z2 ) = (1, x1 +x2 +y1 +y2 )
y por otro:
120
Demostración del Teorema de unicidad.
Sea V un espacio vectorial de dimensión finita con base B = {v1 , ..., vn }.
Supongamos que existen T1 , T2 : V → W transformaciones lineales con
T1 (vi ) = T2 (vi ) = wi (w1 , ..., wn ∈ W).
Si x ∈ V, como B es una base de V entonces existen α1 , ..., αn ∈ R tales que:
x = α1 v1 + ... + αn vn
T (x) := α1 w1 + ... + αn wn
Dejamos la demostración como ejercicio al lector. Este teorema nos dice entre
lineas que basta con conocer el valor de una transformación lineal en una
base, para ası́ conocer el valor de la transformación en cualquier vector de su
dominio.
Ejemplo 6.1.5 Encuentre una transformación lineal T : R2 → R3 tal que
T (1, 0) = (1, 1, 1), T (0, 1) = (1, 2, 3).
121
Solución: La clave está en la observación que sigue al enunciado del teorema
anterior. Notemos que {(1, 0), (0, 1)} es base de R2 , ası́ que la existencia de
la transformación está garantizada por el teorema anterior.
Ahora (x, y) = x(1, 0) + y(0, 1), entonces por el teorema la transformación
lineal requerida viene dada por:
T (x, y) = xT (1, 0) + yT (0, 1) = (x + y, x + 2y, x + 3y)
Notemos que:
T (1, 0) = (1 + 0, 1 + 2 · 0, 1 + 3 · 0) = (1, 1, 1)
T (0, 1) = (0 + 1, 0 + 2 · 1, 0 + 3 · 1) = (1, 2, 3)
Ejemplo 6.1.6 Encuentre una transformación lineal de R2 a M2x2 tal que:
N (T ) = gen{(−1, 5)}
Solución: Para utilizar el teorema de existencia necesitamos una base de
R2 (junto con las respectivas asignaciones). Queremos que el núcleo este
generado por el vector (−1, 5), busquemos otro vector de tal manera que
forme una base (de R2 ) junto con (−1, 5), digamos (1, 0) (la idea es que sea
un vector sencillo y por supuesto que cumpla con las condiciones requeridas).
{(−1, 5), (1, 0)} es base de R2 (la prueba de esto queda como ejercicio). Ahora
veamos las asignaciones.
Esta claro que la transformación debe ser tal que
0 0
T (−1, 5) =
0 0
ya que (−1, 5) debe estar en el núcleo. No podemos asignarle a (1, 0) la
matriz nula porque el núcleo dejarı́a de ser el deseado, ası́ que enviamos
(1, 0) a cualquier otra matriz que no sea la matriz nula (la idea es que dicha
matriz sea sencilla), digamos
1 0
T (1, 0) =
0 0
Ahora sólo falta escribir un vector arbitrario (x, y) en terminos de la base
{(−1, 5), (1, 0)}.
122
−α + β = x
De donde obtenemos
5α = y
La matriz ampliada del sistema viene dada por:
−1 1 | x
5 0 | y
La forma escalonada reducida por filas de la matriz viene dada por:
1 0 | y/5
0 1 | x + y/5
Ası́ que α = y/5 y β = x + y/5. Entonces por el teorema de existencia una
transformación con las caracteristicas deseadas viene dada por:
T (x, y) = (y/5)T (−1, 5) + (x + y/5)T (1, 0)
0 0 1 0
= (y/5) + (x + y/5)
0 0 0 0
x + y/5 0
=
0 0
123
Observación 6.2.1 Para T : V → W lineal. Se tiene que N (T ), Im(T ) son
subespacios vectoriales de V, W respectivamente.
T (x, y, z, w) = (x + z, y + w)
Por lo tanto el núcleo de T viene dado por las soluciones del sistema de
ecuaciones
lineal
homogéneo anterior. La matriz del sistema viene dada por
1 0 1 0
, que ya está en forma escalonada reducida por filas,
0 1 0 1
x+z =0 x = −z
⇔
y+w =0 y = −w
Entonces,
124
∴ N (T ) = CL{(−1, 0, 1, 0), (0, −1, 0, 1)}.
Por construcción {(−1, 0, 1, 0), (0, −1, 0, 1)} es base de N (T ), por lo tanto la
nulidad de T , n(T ) = 2.
Es decir la imagen de T esta formada por todos los (a, b) tales que el sistema
anterior tiene solución. La matriz de tal sistema viene dada por:
1 0 1 0 | a
0 1 0 1 | b
La matriz del sistema está en forma escalonada reducida por filas, y tiene
rango dos, que es igual al rango de la matriz ampliada del sistema, por lo
tanto el sistema tiene solución para todo (a, b), es decir,
Im(T ) = R2
T (x) = AT x
125
2. Se forma una matriz cuyas columnas son los vectores encontrados en el
paso anterior (colocados con su respectivo orden).
T (x, y, z, w) = (x + z, y + w)
6.2.3. Isomorfismos
Los teoremas que presentaremos aquı́ no serán demostrados, el lector
puede revisar los textos de las referencias bibliográficas si desea profundizar
al respecto.
Supondremos que estamos trabajando con espacios vectoriales de dimen-
sión finita en lo que sigue.
126
Se puede demostrar que si una transformación lineal es invertible, en-
tonces su inversa es también una transformación lineal, y en tal caso los
espacios vectoriales V y W tendrán la misma dimensión.
Por ejemplo la transformación lineal T : R4 → R2 , dada por:
T (x, y, z, w) = (x + z, y + w)
El que dos espacios vectoriales sean isomorfos, indica que en cierto sentido los
espacios son ’iguales’ (por lo menos desde el punto de vista algebraico), por
ejemplo si T : V → W es un isomorfismo, entonces T transforma conjuntos
generadores, l.i., l.d., bases de V en conjuntos generadores, l.i., l.d., bases de
W respectivamente.
es invertible, y por tanto un isomorfismo, ası́ que los espacios R4 y M2x2 son
isomorfos. Note que ambos espacios tienen la misma dimensión, esto no es
casualidad como veremos en el siguiente teorema.
127
Ejemplo 6.2.5 T : R3 → M2x2 dada por:
x−z y+z
T (x, y, z) =
z x−y
T (x, y, z, w) = (x, y + z + w)
128
El siguiente teorema nos dice que para investigar si una transformación lineal
entre espacios de igual dimensión sólo hay que ver si es inyectiva o sobreyec-
tiva.
T (a + bx + cx2 ) = (a − b, c, 3c + 2b)
es un isomorfismo.
129
6.3. Ejercicios resueltos
1. Encuentre una transformación lineal T : R3 → R3 tal que:
Solución:
{(1, 0, 0), (0, 1, 0)} no es base de R3 , por lo que no podemos aplicar
el teorema, pero como el conjunto es l.i. podemos agregarle un vector
apropiado para obtener una base de R3 (completación de base), por
ejemplo:
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Ahora para aplicar el teorema debemos asignarle un valor al vector
(0, 0, 1), lo más facil es hacer T (0, 0, 1) = (0, 0, 0). Entonces por el
teorema la transformación viene dada por:
T (a + bx + cx2 ) = a + ax + (c + b)x3
130
T (p(x) + q(x)) = T ((a1 + b1 x + c1 x2 ) + (a2 + b2 x + c2 x2 ))
= T ((a1 + a2 ) + (b1 + b2 )x + (c1 + c2 )x2 )
= (a1 + a2 ) + (a1 + a2 )x + (c1 + c2 + b1 + b2 )x3
= (a1 + a1 x + (c1 + b1 )x3 ) + (a2 + a2 x + (c2 + b2 )x3 )
= T (p(x)) + T (q(x))
Por otro lado,
T (αp(x)) = T (α(a1 + b1 x + c1 x2 ))
= T ((αa1 ) + (αb1 )x + (αc1 )x2 )
= (αa1 ) + (αa1 )x + (αc1 + αb1 )x3
= αa1 + αa1 x + α(c1 + b1 )x3
= α(a1 + a1 x + (c1 + b1 )x3 )
= αT (p(x))
Busquemos la imagen de T .
r(x) = a0 + a1 x + a2 x2 + a3 x3 ∈ Im(T ) ⇔ ∃p(x) = a + bx + cx2 /T (p(x)) = r(x)
⇔ a + ax + (c + b)x3 = a0 + a1 x + a2 x2 + a3 x3
a = a0
a = a1
⇔
0 = a2
c + b = a3
131
Ası́ que el sistema tiene solución si y sólo si a2 = 0 y a1 = a0 .
Entonces,
r(x) = a0 + a1 x + a2 x2 + a3 x3 ∈ Im(T ) ⇔ r(x) = a0 + a0 x + a3 x3
⇔ r(x) = a0 (1 + x) + a3 x3
Busquemos N (T ).
p(x) = a0 + a1 x + a2 x2 + ∈ N (T ) ⇔ T (p(x)) = 0
⇔ a0 + a0 x + (a2 + a1 )x3 = 0
a0 = 0
a0 = 0
⇔
0=0
a2 + a1 = 0
132
3. Determine si T : R3 → R3 dada por:
es un isomorfismo.
Solución: Dejamos como ejercicio al lector el verificar que T es lineal.
Busquemos el núcleo de T para ver si es inyectiva.
{α(1/2, 2, 1), α ∈ R}
133
6.4. Ejercicios propuestos
1. Determine cuáles de las siguientes funciones son transformaciones lin-
eales. Para aquellas funciones que lo sean, encuentre su núcleo, imagen,
nulidad, rango y verifique que la nulidad más el rango es igual a la di-
mensión del dominio. Además determine cuáles son isomorfismos. Para
aquellas que aplique encuentre su matriz de transformación.
134
3. Encuentre una transformación lineal de R3 a R4 tal que su imagen sea
igual al conjunto gen{(2, 0, 0, 1), (0, −4, 1, 3)}.
135