GuiaAlgebraLineal PDF

UNIVERSIDAD CENTROCIDENTAL ’LISANDRO ALVARADO’
DECANATO DE CIENCIAS Y TECNOLOGÍA
DEPARTAMENTO DE MATEMÁTICAS
INTRODUCCIÓN AL ÁLGEBRA LINEAL
Por: Ronald Gutiérrez
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
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
3. SISTEMAS DE ECUACIONES LINEALES 62
3.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 62
4. CONJUNTOS CONVEXOS 78
4.1. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . 78
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
6. TRANSFORMACIONES LINEALES 118

6.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 118
6.2. Propiedades de las Transformaciones Lineales . . . . . . . . . 123
6.2.1. Núcleo e Imagen de una Transformación Lineal . . . . 123
6.2.2. Matriz de una Transformación Lineal . . . . . . . . . . 125
6.2.3. Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . 126
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).
Cada capı́tulo es presentado de forma sencilla, en la mayorı́a de los casos

tras cada definición y teorema presentamos diversos ejemplos que muestran
distintas situaciones que se pueden presentar, sólo demostramos (y pedimos
al lector la demostración) de los teoremas que no presentan mayor dificultad
para el nivel de exigencia del curso.
Cada capı́tulo trae consigo además de su respectivo contenido, una sección
de ejercicios prácticos resueltos, ejercicios propuestos y recomendaciones bib-
liográficas del contenido del capı́tulo.
Para un éxito durante el curso el estudiante debe tener un buen dominio

de los conceptos (y teorı́a en general) de proposiciones, conjuntos, relación
y funciones de su pasado curso de estructuras discretas, ası́ como un do-
minio general de temas relacionados con la matemática básica como lo son:
propiedades y operaciones elementales de los números reales, valor absolu-
to, factorización, racionalización. Una ayuda para los temas de Estructuras
Discretas puedes encontrarlo en el texto Introducción a las Estructuras
Discretas por Ronald Gutiérrez; por otro lado si necesitas mejorar en
temas de matemática básica se te recomienda el texto Matemáticas Pre-
Universitarias por Mireya Bracamontes, Jurancy Ereú y Miguel Vi-
vas.
En otro orden de ideas te mencionamos que debes tener presente que
cada tema y capı́tulo estará muy relacionado en general con el anterior o
anteriores, por lo tanto debe cumplir con los objetivos especı́ficos de cada
5
capı́tulo para un buen desempeño en los siguientes (capı́tulos).
0.2.2. Docentes (Sugerencias para la Evaluación del

Estudiante)
En los diversos ejemplos presentados, se dan las explicaciones básicas que
se esperan del estudiante durante las evaluaciones, en ocasiones se pide al
estudiante completar algunas de estas.
De las demostraciones de teoremas que se le exigirán al estudiantes están

aquellas que aparezcan en los ejercicios propuestos o aquellas que se indican
en las presentaciones de los diversos teoremas.
A continuación se presenta el plan de evaluación sugerido para el curso.
Evaluación Capı́tulo Ponderación Parcial
Prueba escrita individual 1 30 puntos I
Prueba escrita individual 2y3 25 puntos II
Prueba escrita grupal (máx. 3 estudiantes) 4 10 puntos II
Prueba escrita individual 5 20 puntos III
Prueba escrita individual 6 15 puntos III
0.3. Objetivos de Aprendizaje

0.3.1. Generales
1. Desarrollar su razonamiento lógico-matemático.
2. Generalizar la idea de linealidad de R2 a un espacio general.
3. Aplicar los resultados teóricos fundamentales estudiados.
4. Establecer algunas relaciones entre linealidad y convexidad.
5. Estar en capacidad de comprender y/o realizar demostraciones de los

hechos básicos de la teorı́a estudiada
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.
2. Demostrar propiedades básicas de la teorı́a de vectores.
3. Determinar la solución de problemas que involucren las operaciones

con vectores junto con las nociones de producto escalar, norma, ángulo,
ortogonalidad y paralelismo.
4. Determinar la ecuación (vectorial, cartesiana y/o paramétricas) de una

recta dadas condiciones particulares de esta.
5. Dibujar rectas en el plano o en el espacio, a partir de su ecuación y/o

condiciones particulares de la recta.
6. Determinar si dos rectas son o no paralelas (perpendiculares).
7. Determinar la ecuación (vectorial, cartesiana y/o paramétricas) de un

plano dadas condiciones particulares de este.
8. Dibujar un plano en el espacio a partir de su ecuación y/o condiciones

particulares de este.
9. Determinar cuando un plano es o no ortogonal (paralelo) a un plano

(recta).
Capı́tulo 2:
1. Resolver problemas mediante las operaciones con matrices definidas.
2. Llevar una matriz a forma escalonada por filas
3. Determinar la forma escalonada reducida por filas de una matriz.
4. Determinar si una matriz es invertible o no, y en caso afirmativo en-

contrar la inversa de la matriz.
5. Demostrar propiedades básicas de la teorı́a de matrices.

Capı́tulo 3:
1. Determinar si un sistema de ecuaciones lineales es no homogéneo ó es
homogéneo.
7
2. Determinar si un sistema de ecuaciones lineales tiene solución (consis-
tente) o no.
3. Encontrar el conjunto solución de un sistema de ecuaciones lineales

consistente.
Capı́tulo 4:
1. Determinar gráficamente si un conjunto de R2 o R3 es convexo.
2. Graficar el conjunto convexo poligonal que determina un sistema de

desigualdades lineales en Rn dado.
3. Determinar los puntos extremos de un conjunto poligonal convexo da-

do.
4. Dada una función lineal f , determinar los valores máximos o mı́nimos

de f sobre un conjunto convexo poligonal cerrado acotado dado.
Capı́tulo 5:
1. Determinar si un conjunto V con dos operaciones +, ·es un espacio

vectorial.
2. Determinar, si un subconjunto W de un espacio vectorial V es un sube-

spacio vectorial de V.
3. Determinar si un vector v es combinación lineal de vectores v1 , ..., vn

(todos elementos de un espacio vectorial).
4. Determinar si un conjunto de vectores v1 , ..., vn es l.i. ó l.d.
5. Determinar si un conjunto de vectores v1 , ..., vn de un espacio vectorial

V genera a dicho espacio.
6. Determinar el espacio vectorial que genera un conjunto de vectores

v1 , ..., vn de un espacio vectorial V. genera a dicho espacio.
7. Determinar si un conjunto de vectores v1 , ..., vn es base de un espacio

vectorial V.
8. Calcular la suma de los subespacios V1 , V2 de un espacio vectorial V.
8
Capı́tulo 6:
1. Determinar si una función entre espacios vectoriales es una transfor-

mación lineal.
2. Determinar el núcleo e imagen de una transformación lineal.
3. Determinar bases y dimensión para el núcleo e imagen de una transfor-

maciń lineal que tenga como dominio un espacio vectorial de dimensión
finita
4. Construir transformaciones lineales tomando como base el teorema de

existencia de transformaciones lineales.
0.4. Referencias Bibliográficas

0.4.1. Básicas
1. Grossman, Stanley. Álgebra Lineal. McGraw-Hill. Quinta edición, 1996.
2. Guedez, Edgar. Notas de Álgebra Lineal.
3. Gutiérrez, Ronald. Guı́a Didáctica de Álgebra Lineal. 2011.
4. Kolman, Bernard. Álgebra Lineal. Prentice Hall.
0.4.2. Complementarias
1. Apostol, Tom. Calculus. Volumen 1. Editorial Reverté. Segunda edi-
ción, 1967.
2. Rodrı́guez, Jesús. Notas de Álgebra Lineal.
3. Romero, Neftalı́. Fascı́culos de Álgebra Lineal.
9
Capı́tulo 1
VECTORES EN Rn
El tema de vectores se aborda al principio desde un punto de vista alge-

braı́co (analı́tica) de un vector, y luego desde un punto de vista geométrico;
posteriormente, entrelazamos ambas teorı́a y procedemos a aplicarlas al es-
tudiar las rectas y los planos.
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.
Definición 1.1.3 Definimos el conjunto Rn , como el conjunto formado por

todos los vectores de n componentes.
Ası́ por ejemplo (1, 2, 3) ∈ R3 y (1, 0, −2, 3, 7) ∈ R5 .
Observación 1.1.1 Para dibujar puntos en R, R2 y R3 se sigue el mismo

procedimiento utilizado en cálculo.
Definición 1.1.4 Dados A = (a1 , ..., an ), B = (b1 , ..., bn ) en Rn y α ∈ R

definimos:
1. La suma de A más B, denotada por A + B, como el vector de Rn

dado por:
A + B = (a1 + b1 , ..., an + bn )
2. El producto del escalar α por A, denotado por αA, como el vector

de Rn dado por:
αA = (αa1 , ..., αan )
Ejemplo 1.1.2 Si A = (1, 4, −5) y B = (2, 0, 7), entonces
A + B = (1, 4, −5) + (2, 0, 7) = (1 + 2, 4 + 0, −5 + 7) = (3, 4, 2)
(−5)A = (−5)(1, 4, −5) = (−5 · 1, −5 · 4, −5 · (−5)) = (−5, −20, 25)
Un vector especial con el que trabajaremos a menudo es el vector nulo

de n componentes, este es aquel cuyas componentes son todas iguales a cero,
y lo denotaremos como On (o como O cuando se sobrentiende su número de
componentes).
Observación 1.1.2 Se escribirá en ocasiones −αA en lugar de (−α)A, para

facilidad de escritura, ası́ por ejemplo escribiremos −A, en lugar de (−1)A.
Teorema 1.1.1 (Estructura lineal de Rn )

∀A, B, C ∈ Rn , ∀α, β ∈ R se cumple:
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)
4. A + (−A) = −A + A = O (elemento simétrico)
5. α(A + B) = αA + αB (distributiva)
6. (α + β)A = αA + βA (distributiva)
7. α(βA) = β(αA) = (αβ)A
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 2 y 9, dejando el resto como ejercicos al

lector. También le pedimos al lector que justifique los pasos en las siguientes
demostraciones.
Sean A = (a1 , ..., an ), B = (b1 , ..., bn ) C = (c1 , ..., cn ) en Rn . Demostremos
2 en primer lugar.
(A + B) + C = A + (B + C) = ((a1 , ..., an ) + (b1 , ..., bn )) + (c1 , ..., cn )

= (a1 + b1 , ..., an + bn ) + (c1 , ..., cn )
= ((a1 + b1 ) + c1 , ..., (an + bn ) + cn )
= (a1 + (b1 + c1 ), ..., an + (bn + cn ))
= (a1 , ..., an ) + (b1 + c1 , ..., bn + cn )
= (a1 , ..., an ) + ((b1 , ..., bn ) + (c1 , ..., cn ))
= A + (B + C)
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:
(α1 + ... + αk )A = α1 A + ... + αk A
α(A1 + ... + Ak ) = αA1 + ... + αAk
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.
−(2A − 6(A − B)) + (4A + C) = −(2A − 6A + 6B) + 4A + C

= −2A + 6A − 6B + 4A + C
= 8A − 6B + C
= 8(1, 1/2, 3, 7) − 6(2, 1/3, −4, 0) + (1, 1, 1, 1)
= (8, 4, 24, 56) + (−12, −2, 24, 0) + (1, 1, 1, 1)
= (−3, 3, 49, 57)
Definición 1.1.5 Sea A = (a1 , ..., an ) ∈ Rn . Definimos la norma (o longi-

tud) de A, denotado por k A k, al número real dado por:
q
k A k= a21 + ... + a2n
Ejemplo 1.1.4 Si A = (1, 2, 3, 0, −5), entonces
k A k = k (1, 2, 3, 0, −5) k
p
= 12 + 22 + 32 + 02 + (−5)2
√
= 1 + 4 + 9 + 0 + 25
√
= 39
Teorema 1.1.2 ∀A, B ∈ Rn , ∀α ∈ R se cumple que:
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
4. k A + B k≤k A k + k B k (desigualdad triangular)
Le pedimos al lector que demuestre las partes 1, 2 y 3 de este teorema.
Definición 1.1.6 Dados A = (a1 , ..., an ), B = (b1 , ..., bn ) en Rn , definimos

el producto escalar de A por B, denotado por < A, B > (o A.B), al
número real dado por:
n
X
< A, B >= a1 b1 + ... + an bn = ak b k
k=1
Al producto escalar también se le llama producto punto o producto interno.
Ejemplo 1.1.5 Si A = (1, 2, 3) y B = (4, 0, −5), entonces
< A, B > = < (1, 2, 3), (4, 0, −5) >

= 1 · 4 + 2 · 0 + 3 · (−5)
= 4 + 0 − 15
= −9
Teorema 1.1.3 ∀A, B, C ∈ Rn , ∀α ∈ R se cumple:
1. < A, B >=< B, A >
2. < A, B + C >=< A, B > + < A, C >
3. < A + B, C >=< A, C > + < B, C >
4. < αA, B >=< A, αB >= α < A, B >
5. < A, O >=< O, A >= 0
6. < A, A >= 0 si y sólo si A = O
7. < A, A >> 0 si y sólo si A 6= O
14
8. |< A, B >|≤k A kk B k (desigualdad de Cauchy-Schwarz)
Dejamos como ejercicio al lector la demostración de las partes 1 a 7 de este

teorema.
Definición 1.1.7 Sean P, Q ∈ Rn . El segmento de recta dirigido de P

−→
a Q (en Rn ), denotado por P Q, es el conjunto dado por:
−→
P Q = {X ∈ Rn /X = λQ + (1 − λ)P, 0 ≤ λ ≤ 1}
A P se le llama punto inicial del segmento (también se dice que el seg-

mento está anclado en P ) y al punto Q se le llama punto términal del
segmento (o punto final del segmento).
−→ −→
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.
Definición 1.1.10 (Definición geométrica de vector)

El conjunto de todos los segmentos de rectas dirigidos equivalentes a un seg-
mento de recta dado se llama vector. A cualquier segmento de recta en ese
conjunto se llama representación del vector.
−→ −→
Observación 1.1.3 1. La igualdad de vectores P Q, RS en Rn se ve como
en el caso de segmentos de rectas.
→
−
2. El ’punto’ P ∈ Rn , lo podemos asociar con el vector P , por lo tanto
→
−
será costumbre (para comodidad) escribir P en lugar de P (aunque
el la teorı́a de rectas y planos será conveniente trabajar las notaciones
según corresponda).
−→
3. Cuando un vector está anclado en el origen, digamos OP se suele es-
→
−
cribir como P .
−→
4. Ahora todo vector P Q es equivalente a un único vector anclado en el
−−−−→
origen, a saber Q − P , el cual como mencionamos esta estrechamente
relacionado con el punto Q − P .
Teniendo en cuenta estas observaciones, resultan naturales las siguientes

definiciones.
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 , como:
−→ −→
=< 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:
1. A tiene la misma dirección de B si B = cA donde c es un número

real mayor que cero.
2. A tiene dirección opuesta a B si B = cA donde c es un número real

menor que cero.
3. A es paralelo a B, denotado por A k B, si B = cA donde c es un

número real distinto de cero.
Observación 1.1.4 1. En las definiciones anteriores como c es distinto

1
de cero, si B = cA, entonces A = B, por lo tanto en lugar de decir
c
que A tiene la misma dirección de B o que B tiene la misma dirección
de A, podemos decir que A y B tienen la misma dirección.
2. Si A y B tienen la misma dirección, no tienen dirección opuesta (y

viceversa).
3. Si A y B tienen la misma dirección o tienen dirección opuesta, entonces

son paralelos.
4. La relación A es paralelo a B, antes definida es una relación de equiv-

alencia (dejamos la demostración de esto al lector).
−→ −→
Estas observaciones son válidas también para vectores P Q, RS.
→
− →
− →
− →
−
Ejemplo 1.1.6 Recoremos que A = A , B = B , C = C , D = D
1. A = (1, 4) y B = (−3, −12) tienen dirección opuestas ya que B = −3A
2. C = (3, −2) y D = (6, −4) tienen la misma dirección ya que D = 2C
3. A y B como antes son paralelos (también lo son C y D).
Ejemplo 1.1.7 Sean A = (1, 4, 5) y B = (2, −4, 0). ¿ A y B tienen la misma

dirección?
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 = 0.
Observación 1.1.5 La relación de ortogonalidad es simétrica, por lo tan-

−→ −→ −→ −→
to si P Q es ortogonal a RS, entonces RS es ortogonal a P Q, por ello es
−→ −→
costumbre decir en tal caso que P Q y RS son ortogonales.
20
Ejemplo 1.1.9 1. Si P = (1, 2), Q = (3, 4), R = (1, 0), S = (−2, 0),
−→ −→
¿P Q⊥RS?
Solución:
Q − P = (3, 4) − (1, 2) = (2, 2), S − R = (−2, 0) − (1, 0) = (−3, 0)
entonces
−→ −→
=< (2, 2), (−3, 0) >= 2 · (−3) + 2 · 0 = −6 6= 0
Por lo tanto los vectores no son ortogonales.
2. A = (1, 2, 3, 4) y B = (1, 0, −2, 5/4) son ortogonales porque
< A, B >=< (1, 2, 3, 4), (1, 0, −2, 5/4) >= 0

−→ −→
Definición 1.1.14 Dados P Q, RS en ∈ Rn (P 6= Q, R 6= S), definimos el
−→ −→ −→ −→
ángulo entre P Q y RS, denotado por ](P Q, RS), al número real dado
por:
−→ −→
−→ −→ −1 −1 < Q − P, S − R >
](P Q, RS) = cos ( −→ −→ ) = cos ( k Q − P kk S − R k )
k P Q kk RS k
Observación 1.1.6 1. El ángulo entre dos vectores se encuentra en el

intervalo [0, π].
−→ −→ −→ −→
2. No es dificil notar que ](P Q, RS) = ](RS, P Q), ası́ que se puede
−→ −→ −→ −→
decir: el ángulo entre P Q y RS o el ángulo entre RS y P Q.
3. Dos vectores no nulos son paralelos si y sólo si el ángulo entre ellos es

0 o π (0 si tienen la misma dirección, π si tiene dirección opuesta).
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)
Solución: Busquemos primero < A, B >, k A k, k B k
< A, B >=< (1, 9), (−4, 0) >= 1(−4) + 9,0 = −4 + 0 = −4

√ √ √
k A k=k (1, 9) k= 12 + 92 = 1 + 81 = 82
p √
k B k=k (−4, 0) k= (−4)2 + 02 = 16 + 0 = 4
Luego,
< A, B > −4
](A, B) = cos−1 ( ) = cos−1 ( √ ) = 1,681
k A kk B k 824
→
− −−−−−−→ → − −−−−−−→
Definición 1.1.15 Dados A = (a1 , b1 , c1 ), B = (a2 , b2 , c2 ) en R3 , definimos
→
− →
− −−→
el producto vectorial (producto cruz) de A por B , denotado por AxB (o
→
− →−
por A x B ), al vector de R3 dado por:
−−→ −−−−−−−−−−−−−−−−−−−−−−−−−−−→
AxB = (b1 c2 − c1 b2 , c1 a2 − a1 c2 , a1 b2 − b1 a2 )
Teorema 1.1.4 ∀A, B, C ∈ R3 , ∀α ∈ R se cumple:
1. AxO = OxA = O = AxA
2. AxB = −BxA
3. (αA)xB = Ax(αB) = α(AxB)
4. Ax(B + C) = AxB + AxC
5. < AxB, C >=< A, BxC >
6. < A, AxB >= 0 =< B, AxB >
7. Si A y B son no nulos, entonces A y B son paralelos si y sólo si

AxB = O
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:
AxB = (1, 2, 3)x(−5, 6, 7)

= (2 · 7 − 3 · 6, 3 · (−5) − 1 · 7, 1 · 6 − 2 · (−5))
= (−4, −22, 16)
Note que < (1, 2, 3), (−4, −22, 16) >= 0 =< (−5, 6, 7), (−4, −22, 16) >
1.2. Rectas y planos

Definición 1.2.1 Dados P ∈ Rn y V ∈ Rn − {0}; definimos la recta que
pasa por P en la dirección de V , denotado por LP,−
→ , al conjunto
V
→ = {X ∈ Rn /X = P + αV, α ∈ R}
LP,−
V
Llamaremos ecuación vectorial de la recta LP,− → a la ecuación dada por

V
X = P + αV .
Si X = (x1 , ..., xn ), P = (p1 , ..., pn ) y V = (v1 , ..., vn ), de la ecuación
vectorial de la recta tenemos
(x1 , ..., xn ) = (p1 , ..., pn ) + α(v1 , ..., vn )
= (p1 + αv1 , ..., pn + αvn )
23
Obtenemos ası́ las llamadas ecuaciones paramétricas de la recta, dadas
por:
x1 = p1 + αv1
.
.
.
xn = pn + αvn
Para dar la ecuación cartesiana de la recta supongamos que cada vi 6= 0,

la ecuación viene dada entonces por:
x1 − p 1 xn − p n
= ... =
v1 vn
Se deja como ejercicio al lector el obtener esta ecuación a partir de las ecua-
ciones paramétricas de la recta.
Ahora si algunos vi son iguales a cero, en la ecuación aparecen como
antes los términos donde los vk son distintos de cero y se colocan aparte las
expresiones xi = pi , cuando vi = 0.
Ejemplo 1.2.1 Encuentre las ecuaciones paramétricas, cartesiana y vecto-
rial de la recta que pasa por P = (1, 4, −5) y que lleva la dirección del vector
→
− −−−−−−→
V = (2, −1, 4)
Solución: La más sencilla de obtener será la ecuación vectorial, esta viene
dada por
(x, y, z) = (1, 4, −5) + α(2, −1, 4), α ∈ R
Para obtener las ecuaciones paramétricas notemos que
p1 = 1, p2 = 4, p3 = −5, v1 = 2, v2 = −1, v3 = 4
luego al sustituir tenemos
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
Es decir el punto (5, 2, 3) está en la recta.

Como cada componente de V es distinta de cero podemos buscar la ecuación
cartesiana estándar de la recta, esta viene dada (al sustituir) por
x−1 y−4 z+5
= =
2 −1 4
Sabemos que (x, y, z) = (5, 2, 3) está en la recta, porque al sustituir en la
ecuación anterior tenemos
5−1 4 2−4 −2 3+5 8
= = 2; = = 2; = =2
2 2 −1 −1 4 4
Una recta se puede escribir de formas distintas (recordemos que una recta por
definición queda determinada por un punto por donde pasa y un vector por
el cual es ’dirigida’), veamos esto en las siguientes observaciones (teoremas
en realidad).
Observación 1.2.1 Dos rectas LP,− →, L −

V
→ que pasan por el mismo punto P
P,W
son iguales si y sólo si V y W son paralelos. Por otro lado dos rectas LP,−→,
V
LQ, V en la dirección de un mismo vector V son iguales si y sólo si Q ∈ LP,−
−
→ →
V
(o P ∈ LQ,−→ ).
V
Definición 1.2.2 Diremos que las rectas LP,−

→, L −
V
→ son paralelas, denota-
Q,W
→ k L −
do por LP,− → , si V y W son paralelos. Por otro lado, las rectas L − →,
V Q,W P, V
LQ,−
→ son ortogonales (perpendiculares), denotado por L − → ⊥ L − → , si V y
W P, V Q,W
W son ortogonales (perpendiculares).
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).
La segunda parte de la observación es muy importante pues nos dice que no

sólo hace falta conocer un punto de una recta y un vector director de ella
para conocer su ecuación, sino que esto también se puede hacer si conocemos
dos puntos distintos por los que pasa la recta.
Ejemplo 1.2.2 Encuentre la ecuación cartesiana de la recta que pasa por
los puntos P = (1, 2, 3) y Q = (0, 8, 3)
Solución: Ya tenemos un punto por donde pasa la recta (realmente dos),
P , ası́ que debemos encontrar un vector director de la recta, este puede ser
26
→
− −−−−→ −
→ −−−−→
V = P − Q (o W = Q − P )
V = P − Q = (1, 2, 3) − (0, 8, 3) = (1, −6, 0)

Como la tercera componente de V es cero, la ecuación cartesiana de la recta
viene dada (sustituyendo) por
y−2
x−1= ,z = 3
−6
Antes de pasar al estudio de los planos en el espacio, veamos la fórmula que
nos da la distancia perpendicular (más corta) que hay entre un punto y una
recta.
Si L es la recta que pasa por: los puntos P y Q (distintos) de R3 y si A
es un punto de R3 que no está en la recta, la distancia del punto A a la
recta L, denotada por d(A, L), viene dada por
k (A − P )x(Q − P ) k
d(A, L) =
kQ−P k
Si A ∈ L diremos que la distancia de A a L es 0.

Dejamos como ejercicio al lector el encontrar la distancia del punto (1, 0, −2)
a la recta del ejercicio anterior.
Definición 1.2.3 Sea P ∈ R3 , y sean V, W ∈ R3 − {0} no paralelos. Defin-

imos el planoQ que pasa por P y es generado por V, W al conjunto
denotado por P,− →− → y dado por:
V ,W
Y
= {X ∈ R3 /X = P + αV + βW ; α, β ∈ R}
−
→− →
P, V ,W
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
Dejamos al lector la obtención de estas ecuaciones a partir de la ecuación

vectorial del plano. Pasamos ahora a dar la ecuación cartesiana de un plano
omitiendo los detalles de su obtención.
Si N es perpendicular a V y a W (por ejemplo N = V xW ), se puede probar
que un punto X esta en en el plano si y sólo si
< N, X − P >= 0
Si N = (a, b, c), X = (x, y, z) de la ecuación anterior se tiene
ax + by + cz = ap1 + bp2 + cp3
A esta ecuación se le conoce con el nombre de ecuación cartesiana estándar

(canónica) del plano y a N se le llama vector normal del plano.
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)
Solución: Nuevamente lo más sencillo será encontrar la ecuación vectorial

del plano; esta viene dada por
(x, y, z) = (1, 2, 0) + α(0, 1, 0) + β(3, 1, 0); α, β ∈ R
Para encontrar las ecuaciones paramétricas tengamos presente que
p1 = 1, p2 = 2, p3 = 0, v1 = 0, v2 = 1, v3 = 0, w1 = 3, w2 = 1, w3 = 0
entonces al sustituir obtenemos
x = 1 + 3β
y = 2+α+β
z = 0
Al darles valores a α y β obtenemos puntos del plano, por ejemplo si α = −1

y β = 0 encontramos
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
N = V xW = (0, 1, 0)x(3, 1, 0) = (0, 0, −3)
La ecuación del plano viene dada por < N, X − P >= 0
< N, X − P > = < (0, 0, −3), (x, y, z) − (1, 2, 0) >

= < (0, 0, −3), (x − 1, y − 2, z) >
= 0(x − 1) + 0(y − 2) − 3z
= −3z
La ecuación cartesiana del plano viene dada entonces por −3z = 0, o z = 0

despejando.
Definición 1.2.4 Sean 1 , 2 planos en R3 , con vectores normales N1 , N2

Q Q
respectivamente, y sea L una recta con vector director V . Decimos entonces
que:
Q Q Q Q
1. 1 es paralelo a 2 , denotado por 1 k 2 , si N1 k N2 .
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 .
ObservaciónQ1.2.3 1. Dos planos con iguales vectores

Q Q directores
Q (gener-
adores) P,−→− → y −
→− → son iguales si Q ∈ −
→− → (o P ∈ −
→− → ).
A,B Q, A , B P, A , B Q, A , B
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
3. Por tres puntos distintos P, Q, R que noQestán todos en una misma

recta pasa uno y sólo un plano, a saber P,− −−→ −−−→ , otras formas de
Q−P ,Q−R
Q Q
escribir este plano podrı́an ser P,−−−→ −−−→ ,
P −Q,P −R
−−−→ −−−→ .
Q,R−P ,Q−R
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)
Solución: Ya contamos con un punto por donde pasa el plano (realmente

tres), A, ası́ que nos falta encontrar un vector normal del plano; para esto
necesitamos dos vectores generadores del plano no paralelos y no nulos, por
−−−−→ −−−−→
la observación anterior parte 3, estos pueden ser A − B y A − C
A−B = (1, 0, 1)−(−1, 0, 2) = (2, 0−1), A−C = (1, 0, 1)−(0, 4, 0) = (1, −4, 1)
N = (A − B)x(A − C) = (2, 0, −1)x(1, −4, 1) = (−4, −3, −8)
La ecuación cartesiana del plano viene dada por < N, X − A >= 0; ahora
< N, X − A > = < (−4, −3, −8), (x, y, z) − (1, 0, 1) >

= < (−4, −3, −8), (x − 1, y, z − 1) >
= −4(x − 1) − 3y − 8(z − 1)
= −4x − 3y − 8z + 12
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).
1.3. Ejercicios resueltos

1. Si A = (a1 , ..., an ), B = (b1 , ..., bn ) ∈ Rn , demuestre que
< A, B >=< B, A >
Demostración:
< A, B > = < (a1 , ..., an ), (b1 , ..., bn ) >

= a1 b1 + ... + an bn
= b1 a1 + ... + bn an
= < B, A >
2. Encuentre un vector con longitud 3 y que posea la misma dirección de

A = (1, 3, −4, 0).
Solución: Sea B tal vector, si tiene la misma dirección de A, entonces
B = cA, con c > 0. Entonces (Recordemos la propiedad 3 del teorema
1.1.2 y que nuestro c > 0)
k B k=k cA k=| c |k A k= c k A k
Luego
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.
< A, B >= 0 ⇒ < (4, 2, −3), (x, y, −1) >= 0

⇒ 4x + 2y + 3 = 0
−2y − 3
Despejemos x, entonces tenemos x = , entonces al darle un
4
valor a y, obtenemos un valor se x, por ejemplo si y = 0
−2 · 0 − 3 −3
x= =
4 4
Entonces B = (−3/4, 0, −1) cumple con las condiciones deseadas.
Observemos que si elegimos otro valor de y obtendremos otro valor
de x, y por tanto otro B, es decir el ejercicio tiene muchas soluciones
(infinitas soluciones), pero note que el ejercicio decı́a encuentre ’un
vector’ no ’el vector’.
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
La ecuación del plano viene dada ası́ por x − 3y + 4z = −7

Para encontrar un punto del plano le damos valores a x y a y, y despe-
jamos z, por ejemplo si x = 2, y = 3 tenemos
2 − 3,3 + 4z = −7, al despejar z, tenemos z = 0; entonces un punto del
plano (distinto a P ) viene dado por (2, 3, 0).
1.4. Ejercicios propuestos

1. Dados A = (1, 2), B = (0, 3), C = (−5, 2)
a) Encuentre: 8A, A + B, C − 3B, 4(A + B) − 3C, || A ||.

b) Dibuje A, B y C en el plano cartesiano.
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.
2. Dados A = (1, 2, 3), B = (−3, 0, 5), C = (2, 4, 6), D = (1, 7, −5)

E = (1/2, 3/2, −3)
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?
3. Si A = (1, 2, 3, 4), B = (−1, 3, 6, 0). Encuentre:

−→
A − 8B, < 2A + B, 4B >, || AB || y el ángulo entre A y B.
4. Encuentre los números reales x, y, z tales que los puntos A y B sean

iguales si:
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)
5. Encuentre un vector paralelo a A = (1, −4, 6, 8) que tenga longitud

igual a 4.
6. Encuentre un vector con la misma dirección de A = (1, −5, 0) que tenga

longitud igual a 2.
36
7. Encuentre un vector con la dirección opuesta a A = (7, −5, 4) que tenga
longitud igual a 3.
8. Encuentre un vector ortogonal a A = (1, −4, 6) tal que su segunda

coordenada sea 3.
9. Encuentre un vector ortogonal a A = (2, −5, 8, 1) tal que su primera

coordenada sea 0 y su tercera coordenada sea −2.
x−2 y−5 z−1
10. Dibuje las rectas L1 : = =
6 −4 8
x z−1 x−2 y+5 −z − 1
L2 : = y − 5 = ; L3 : = =
5 2 3 −2 −4
11. Diga cuáles de las rectas anteriores son ortogonales o paralelas entre si.
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)
a) Encuentre la ecuación cartesiana estándar de la recta que pasa por

A y D. Dibuje la recta.
b) Encuentre la ecuación cartesiana estándar de la recta que pasa por
A y C. Dibuje la recta.
c) Determina si las dos rectas dos anteriores son paralelas o perpen-
diculares.
d) Encuentre la ecuación cartesiana del plano que pasa por los puntos
A, B y C. Dibuje el plano.
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
c) Pasa por el punto P = (1, 4, −3) y es ortogonal a la recta de ecuación

y+5 z−1
L:x−2= =
3 3
d) Pasa por la intersección de las rectas

x−2 y−5 z−1 x−4 y−1
L1 : = = y L2 : = =z−2
3 3 3 2 −4
→
− −−−−−−→
con vector director igual a V = (5, −7, 1)
e) Pasa por el punto P = (1, 2) y es ortogonal a la recta
y−4
L:x−3=
5
f ) Pasa por el punto P = (1, 2, 3) y es ortogonal a las rectas
x−2 y−5 z−1 x−4 y−1
L1 : = = y L2 : = =z−2
3 3 3 2 −4
(Existen infinitas rectas con esta propiedad. Encuentre sólo una).
17. Encuentre en cada caso la ecuación vectorial y cartesiana del plano

con las condiciones dadas. Además dibuje el plano. Algunos ejercicios
pueden tener infinitas soluciones, en tales casos encuentre sólo una.
→
− −−−−→
a) Pasa por el punto A = (1, 2, 3) con vectores directores P = (0, 0, 1)
→
− −−−−−−→
y Q = (1, −1, 0)
→
− −−−−−−−→
b) Pasa por el punto A = (1, 2, 3) y tiene al vector N = (1/3, 8, −7)
como vector normal.
Q
c) Pasa por el punto A = (−6, 5, 0) y es paralelo al plano 1 de
ecuación x − y + 3z = 9.
Q
d) Pasa por el punto A = (4, 6, −7) y es ortogonal al plano 1 de
ecuación x − y + 3z = 9.
Q
e) Pasa por el punto A = (1/3, 4/7, 1) y es ortogonal a los planos 1
Q y 3z
y 2 de ecuaciones 3x + z = 0, x + − = 1 respectivamente.
3 2
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).

ción, 1967.
39
Capı́tulo 2
MATRICES
La presentación de la teorı́a de matrices es similar a la de la teorı́a de

vectores. Primeramente se define una matriz de orden m por n con compo-
nentes reales; luego se definen las operaciones que se pueden efectuar con las
matrices, las cuáles heredan propiedades de sus componentes. Después, se
pasa luego al tema de las operaciones elementales por filas y se concluye el
capı́tulo con el tema de las matrices invertibles.
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.
2. Al conjunto de todas las matrices de orden mxn sobre R se denota

por Mmxn (R), aunque nosotros sólo escribiremos Mmxn ; ası́ la segunda
matriz del ejemplo anterior pertenece al conjunto M1x1 .
3. En ocasiones será conveniente escribir una matriz como A = [aij ]mxn

(esto es muy conveniente a la hora de realizar demostraciones).
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 ocasionesomitiremos 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}.
Dejamos como ejercicio al lector el demostrar que la relación antes definida

en Mmxn , es una relación de equivalencia.
Una matriz que posee sólo una columna es llamada matriz unicolumna
o matriz columna, por otro lado una matriz que posee una sola fila se llama
matriz unifila o matriz fila. Ahora una matriz de orden mxn con todas
sus componentes iguales a 0, se llama matriz nula y se denota por Omxn .
Pasemos ahora a definir otras matrices especiales con las que trabajeremos
durante el curso.
Definición 2.1.3 (Matriz canónica)

Una matriz canónica de orden mxn, denotada por Ekl , viene dada por Ekl =
[eij ]mxn , donde eij = 1 si i=k y j=l y eij = 0 en cualquier otro caso.
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
Definición 2.1.4 (Matriz Identidad)

A una matriz cuadrada de orden nxn se le llama matriz identidad, deno-
tada por In , si In = [aij ]nxn es tal que aij = 1 si i=j y aij = 0 en cualquier
otro caso.
Ejemplo 2.1.3 Son  matrices  identidad

1 0 0
1 0
I1 = 1 ; I3 =  0 1 0 ; I2 =

0 1
0 0 1
Es decir, en una matriz identidad todos los valores de la diagonal principal
son 1, y en el resto de las componentes son iguales a 0.
Las siguientes matrices no son matrices identidad
 
1 0 0
0 0 1 2 3 1 −4
; ; ; 0 2 0 
0 0 0 −4 8 0 1
0 0 1
Definición 2.1.5 (Matriz Diagonal)

A una matriz cuadrada de orden nxn, A = [aij ]nxn se le llama matriz di-
agonal, si aij = 0 para i 6= j.
Ejemplo 2.1.4 Son matrices diagonales

 
  1 0 0 0
0 0 0
1 0  0 0 0 0 
1 ;  0 0 0 ; ;
 0 0 −2 0 

0 1
0 0 0
0 0 0 0
En una matriz diagonal las componentes que no están es la diagonal principal
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
Definición 2.1.6 (Matriz Escalar)

A una matriz cuadrada de orden nxn, A = [aij ]nxn se le llama matriz es-
calar, si es una matriz diagonal pero además aij = a siempre que i = j
(a ∈ R).
Ejemplo 2.1.5 Son matrices  escalares 

  −2 0 0 0
0 0 0
 0 −2 0
 0 0 0 ; 1 0 0  ; 4

;
0 1  0 0 −2 0 
0 0 0
0 0 0 −2
Toda matriz escalar es diagonal, pero no toda matriz diagonal es escalar.
Veamos algunos ejemplos de matrices que no son escalares (note que las dos
últimas son diagonales)  
  1 0 0 0
1 0 3
2 0  0 1 0 0 
1 0 ;  0 1 0 ;  ; 0 0 −5 0 

0 0
0 0 1
0 0 0 1
Definición 2.1.7 (Matriz Triangular Superior)

A una matriz cuadrada de orden nxn, A = [aij ]nxn se le llama matriz tri-
angular superior, si aij = 0 para i > j.
Ejemplo 2.1.6 Son matrices triangulares

 superiores

  1 0 0 4
0 0 0
1 0  0 0 4 0 
1 ;  0 0 0 ;  ; 0 0 −2 0 

0 1
0 0 0
0 0 0 0
En una matriz triangular superior las componentes que están debajo de la
diagonal principal son todas 0, sin importar los valores de la matriz en el
resto de las componentes. Veamos ahora ejemplos de matrices que no son
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
Definición 2.1.8 (Matriz Triangular Inferior)

A una matriz cuadrada de orden nxn, A = [aij ]nxn se le llama matriz tri-
angular inferior, si aij = 0 para i < j.
Ejemplo 2.1.7 Son matrices triangulares

 inferiores

  1 0 0 0
0 0 0
1 0  0 0 0 0 
1 ;  0 0 0 ; ;
 5 7 −2 0 

0 1
0 0 0
3 0 0 0
En una matriz triangular inferior las componentes que están por encima de
la diagonal principal son todas 0, sin importar los valores de la matriz en
el resto de las componentes. Sólo las matrices diagonales son triangulares
superiores e inferiores simultaneamente. Veamos ahora ejemplos de matrices
que no son triangulares inferiores.  
  0 0 0 −3
1 0 3
0 1 2 0 0  0 0 0 0 
;  9 −4 0 ;  ; 
0 0 0 0 0  0 0 0 0 
6 5 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.
2.2. Operaciones con matrices

Definición 2.2.1 Llamaremos adición usual de matrices (adición de
matrices), a la operación entre matrices del mismo orden, denotado por +,
tal que a las matrices A = [aij ]mxn , B = [bij ]mxn ∈ Mmxn le asocia una matriz
(suma de A + B) A + B = C = [cij ]mxn , donde cij = aij + bij para todo i y
para todo j.
   
1 2 0 −4
Ejemplo 2.2.1 Si A =  3 4  y B =  0 5 , entonces
5 6 −6 3
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
Definición 2.2.4 Una matriz A ∈ Mnxn se dice que es simétrica si A =

AT , y se dice que es antisimétrica si A = −AT .
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
Observación 2.2.1 1. Es importante notar que en una matriz antisimétri-

ca su diagonal principal debe estar formada por sólo ceros.
2. La únicas matrices que son simétricas y antisimétricas a la vez son las

matrices nulas.
3. Si una matriz no es simétrica no es automáticamente antisimétrica

(y viceversa), es decir, existen
 matrices 
que no son ni simétricas ni
1 0 5
antisimétricas, por ejemplo  5 7 −8 
1 2 3
Teorema 2.2.1 (Estructura lineal de Mmxn )

∀A, B, C ∈ Mmxn , ∀α, β ∈ R se cumple:
1. A + B = B + A (propiedad conmutativa)
2. (A + B) + C = A + (B + C) (propiedad asociativa)
3. A + O = O + A = A (elemento neutro)
4. A + (−A) = −A + A = O (elemento simétrico)
5. α(A + B) = αA + αB (distributiva)
6. (α + β)A = αA + βA (distributiva)
7. α(βA) = β(αA) = (αβ)A
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
11. (A + B)T = AT + B T ; (αA)T = αAT ; (AT )T = A
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
A+B = [aij ]mxn + [bij ]mxn

= [aij + bij ]mxn
= [bij + aij ]mxn
= [bij ]mxn + [aij ]mxn
= B+A
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:
(α1 + ...αk )A = α1 A + ... + αk A
α(A1 + ... + Ak ) = αA1 + ... + αAk
Definición 2.2.5 Dadas A = [aik ]mxp y B = [bkj ]pxn , definimos la matriz

producto de A por B, denotado por AB, a la matriz AB = [cij ]mxn , donde
p
X
cij = ai1 b1j + ai2 b2j + ... + aip bpj = aik bkj
k=1
para todo i ∈ {1, ...m} y para todo j ∈ {1, ..., n}.
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.
Notemos también que AB tiene el número de filas que posee A y el número

de columnas de B.
Una manera sencilla de multiplicar matrices es notar que la componente cij
del producto viene dada por el ’producto’ de la fila i de A por la columna j
de B.
   
1 2 3 1 0
Ejemplo 2.2.4 Si A =  4 5 6  y B =  −2 0 , entonces
−1 0 −8 4 1
   
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
Veamos algunas propiedades y resultados relacionados con el producto de

matrices, para la aplicación de tales debemos tener cuidado con los ’ordenes’
de las matrices involucradas. La demostraciones se omitirán. Se le pide al
lector que demuestre sólo 1 y 2.
Teorema 2.2.2 1. ∀A ∈ Mmxn se tiene: AOnxl = Omxl , Opxm A = Opxn
2. ∀A ∈ Mmxn se cumple que: AIn = A, Im A = A
3. ∀A ∈ Mmxn , ∀B ∈ Mnxp , ∀C ∈ Mpxl se cumple que: A(BC) = (AB)C

(propiedad asociativa)
4. ∀A ∈ Mmxn , ∀B, C ∈ Mnxp se cumple que: A(B + C) = AB + AC

(propiedad distributiva)
48
5. ∀A, B ∈ Mmxn , ∀C ∈ Mnxp se cumple que: (A + B)C = AC + BC
(propiedad distributiva)
6. ∀A, B ∈ Mmxn , ∀α ∈ R se cumple que: α(AB) = (αA)B = A(αB)
7. ∀A ∈ Mmxn , ∀B ∈ Mnxp se cumple que: (AB)T = B T AT
2.3. Operaciones elementales por filas (oef )

Definición 2.3.1 Una operación elemental por fila (oef ) es cualquier corre-
spondencia (función) que asocia a cada matriz de A ∈ Mmxn una matriz de
Mmxn de alguno de los siguientes tipos:
1. Tipo I: Multiplicación de una fila de A (digamos la fila i) por un

número real no nulo α, esto lo denotaremos por fi → αfi .
2. Tipo II: Sustitución de una fila de A (digamos la fila i) por la suma

de dicha fila y un múltiplo no nulo (α) de otra fila de A (digamos la
fila j), esto lo denotaremos por fi → fi + αfj .
3. Tipo III: Intercambio de dos filas A, esto lo denotaremos por fi ↔ fj .

 
1 2 3
 4 5 6 
Ejemplo 2.3.1 Consideremos la matriz A =   7 8 9 , multiplicare-

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
Cambiaremos la fila 3 de A por la suma de su fila 3 más 2 veces la fila 1 (oef

del tipo 2)
   
1 2 3 1 2 3
 f3 → f3 + 2f1
 4 5 6   4 5 6 
 9 12 15  = C
  
 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 .
La inversa de fi ↔ fj , viene dada por fi ↔ fj .

   
1 2 3 1 2 3
 4 5 6  f3 → f3 − 2f1  4 5 6 
Por ejemplo C =    =A
 9 12 15  −→  7 8 9 
0 −1 2 0 −1 2
Definición 2.3.2 Diremos que A es equivalente por filas a B (A, B ∈

Mmxn ), denotado por A ∼ B, si existe una secuencia finita de oef e1 , ..., ek
tales que (ek ◦ ... ◦ e1 )(A) = B (es decir que de A se puede llegar hasta B por
medio de un número finito de oef ).
Ası́ por ejemplo A es equivalente por filas a B (A equivalente por filas a

C), pero como la relación anterior, ∼, es una relación de equivalencia (se
deja como ejercicio su prueba), entonces A, B, C, D son equivalentes por filas
entre si.
Definición 2.3.3 (Matriz elemental)

A una matriz E ∈ Mnxn se le llama matriz elemental, si se obtiene de In
por medio de sólo una oef (E = e(In )).

1 0
Por ejemplo E = es una matriz elemental ya que
0 2

1 0 f2 → 2f2 1 0
=E
0 1 −→ 0 2
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.
Solución: Primero cambiemos las filas 2 y 4, ya que una matriz escalon-

ada por filas si tiene filas nulas estas deben estar al final, luego eliminemos
el -1 de la tercera fila porque en una matriz escalonada por filas no nula, los
pivotes deben aparecer en la matriz en forma ’decreciente’.
     
1 3 0 1 3 0 1 3 0
 0 0 0  f2 ↔ f4  0 7 2  f2 → 1 f2  0 1 2/7 

 −1 0 9 
 −→ 
 0 3 9 
 7 
 0 3 9 

f3 → f3 + f1 −→
0 7 2 0 0 0 0 0 0
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.
3. Las matrices equivalentes por filas son equivalentes a la misma matriz

escalonada reducida por filas.
4. El rango de una matriz puede buscarse también por medio de la matriz

escalonada reducida por filas equivalente a la matriz.
5. En ocasiones nos referiremos a la matriz escalonada reducida por filas

equivalente a una matriz, como su forma escalonada reducida por
filas.
Ejemplo 2.3.6 Son matrices

 escalonadas
  reducidas por
 filas Omxn , In
0 1 0 0 1 2 0 0  
0 1 0
1 0 −1  0 0 1   0
  0 0 1 0  
1 , , , , 0 0 0 
0 1 8  0 0 0   0 0 0 0 1 
0 0 0
0 0 0 0 0 0 0 0
Ejemplo 2.3.7 No serı́an matrices escalonadas

 reducidas porfilas:
    1 0 0 0
1 4 0 1 0 0 9
1 2 3  0 1 0 0 
, 0 0 3 , 0 0 0 0 , 
0 1 0  0 0 1 4 
0 0 0 0 1 0 0
0 0 0 1
Ejemplo2.3.8 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).
2.4. Matrices invertibles

Definición 2.4.1 Una matriz A ∈ Mnxn se dice que es invertible (o no
singular) si existe B ∈ Mnxn tal que
AB = BA = In
Ejemplo 2.4.1 In es invertible (In In = In )

1 2 −2 1
Ejemplo 2.4.2 A = es invertible ya que para B =
3 4 3/2 −1/2
se cumple que:

1 2 −2 1 1 · (−2) + 2 · (3/2) 1 · 1 + 2 · (−1/2)
AB = =
3 4 3/2 −1/2 3 · (−2) + 4 · (3/2) 3 · 1 + 4 · (−1/2)

1 0
=
0 1
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
Teorema 2.4.1 1. Si A ∈ Mnxn es invertible, entonces la matriz B en

Mnxn tal que AB = BA = In es única. A tal B la llamaremos inversa
de A y la denotaremos por B = A−1 .
2. Si A ∈ Mnxn es invertible, su inversa también es invertible, más aún
(A−1 )−1 = A.
3. Si A, B ∈ Mnxn son invertibles, entonces AB es invertible y su inversa
viene dada por (AB)−1 = B −1 A−1 .
4. Si para A ∈ Mnxn , existen P, Q ∈ Mnxn , tales que AP = In y QA = In ,
entonces A es invertible y Q = P = A−1 .
5. Si para A ∈ Mnxn , existe P ∈ Mnxn , tal que AP = In o P A = In ,
entonces A es invertible y P = A−1 .
6. Si A ∈ Mnxn es invertible y X, Y ∈ Mnxm son tales que AX = AY ,
entonces X = Y .
7. Si A ∈ Mnxn es invertible, entonces para todo Y ∈ Mnxm existe un
único X ∈ Mnxm tal que AX = Y , tal X viene dado por X = A−1 Y .
Ejemplo 2.4.3 1. De los ejemplos anteriores concluimos que In = In−1 y

que B = A−1 .
2. Toda matriz elemental es invertible y su inversa es también una matriz
elemental, más aún si E = e(In ), entonces E −1 = e−1 (In ).
Observación 2.4.1 Si A ∈ Mnxn es invertible, su forma escalonada reduci-

da por filas es In , por lo tanto su rango será n.
Ahora el lector quizas se preguntará dada A ∈ Mnxn ¿ cómo saber si es

invertible ?, y de serlo ¿, cómo encuentro su inversa ?. Respondemos esto a
continuación:
PROCEDIMIENTO PARA HALLAR LA INVERSA DE UNA
MATRIZ INVERTIBLE
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

1. Demuestre que para matrices A, B ∈ Mmxn y para todo real α se cumple
que
α(A + B) = αA + αB
Demostración:
Sean A = [aij ]mxn , B = [bij ]mxn y α ∈ R (como es costumbre le pedimos
al lector que justifique los pasos como ejercicio).
α(A + B) = α([aij ]mxn + [bij ]mxn )
= α[aij + bij ]mxn
= [α(aij + bij )]mxn
= [αaij + αbij ]mxn
= [αaij ]mxn + [αbij ]mxn
= α[aij ]mxn + α[bij ]mxn
= αA + αB
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.

1. Consideremos
 lasmatrices
   
1 2 3 1 0 0 1 −4 8
A =  4 5 6 , B =  −1 −3 4 , C =  0 0 7 
7 8 9 3 0 0 2 0 0
Encuentre las matrices:
A + B, 2C, A − 3B, A + 2B − C, AB, A + BC, At ,(A − 4B)t
2. Para las matrices  

  1 2
1 2 0 −1  1 0
2

 0 7
A =  0 0 3 −4 , B =  2
 0 −2
, C = 1
3
−1

3
0 3
10 6 0 0
2 5
encuentre:
AB, CA, BC,(AB)t
3. Diga cuáles de las siguientes matrices son diagonales, escalares, triangu-

lares superiores,
 triangulares
  inferiores, 
simétricas
 y/o antisimétricas.

1 2 3 1 0 −1 1 0 0
A1 =  4 5 6 , A2 =  0 0 0 ,A3 =  0 4 0 
7 8 9 0 0 5 0 0 0
   
2 5 9 0 1 0 −4 −8
 0 2 0 0   0 0 2 0 
A4 =  0 0 2 8 
, A5 = 
 −4 2 −9 0 

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
5. Lleve cada una de las siguientes matrices a su forma escalonada reduci-

da por filas, y encuentre el rango de cada matriz.  
    1 2
1 0 −1 1 2 0 −1  1 0 
C1 =  2 5 0 , C2 =  0 0 3 −4 , C3 =  2
 0 −2 

0 0 5 10 6 0 0
2 5
   
2 5 9 0 2 −5 9 2
0 23 7

 0 2 0 0 
, C 5 =  0 2 0 0 
 
C4 = 1 −1 , C5 = 
3
0 3  0 0 2 8   3 0 2 8 
0 0 0 2 0 6 0 2

61
Capı́tulo 3
SISTEMAS DE ECUACIONES
LINEALES
En este capı́tulo estudiaremos los sistemas de ecuaciones lineales tanto

homogéneos, como no-homogéneos. No se demostrará ningún teorema ni se
le pedirá al lector hacerlo.
3.1. Sistemas de ecuaciones lineales

Definición 3.1.1 Una ecuación lineal con n incógnitas es cualquier ex-
presión del tipo
a1 x1 + ... + an xn = b (∗)
donde x1 , ..., xn representan las incógnitas (variables) de la ecuación, los
números reales a1 , ..., an se llaman coeficientes de la ecuación y b ∈ R es
llamado término independiente de la ecuación.
Ejemplo 3.1.1 Son ecuaciones lineales por ejemplo:
x+y+z =1
−2x + z + w = 0
2x1 − x2 + 3x3 − 5x4 + (1/2)x5 = 12
Ejemplo 3.1.2 No son ecuaciones lineales:
xy + 3w = 1
3y
x+ +w =0
√ z
x + 4z + w = 3
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.
Definición 3.1.2 Una solución de la ecuación lineal (*) es cualquier n-úpla

(t1 , ..., tn ) ∈ Rn tal que al sustituir sus valores ordenadamente en (*), esa
identidad se satisface, es decir,
a1 t1 + ... + an tn = b
Ejemplo 3.1.3 (1, 1, 2) es una solución de la ecuación 2x + y − z = 1, ya

que (2)1 + 1 + −2 = 1, por otro lado (1, 0, −4) no es solución de la ecuación
porque 2(1) + 0 − (−4) = 6 6= 1.
La ecuación (*) se puede expresar como una ecuación matricial, a saber,

 
x1
a1 ... an  ...  = b
 
xn
Estas matrices reciben el nombre de matriz de coeficientes, matriz de

incógnitas y matriz independiente respectivamente.
Ejemplo 3.1.4 La ecuación lineal x + 2y − 3z + 5w = 2, se puede escribir

como la ecuación matricial
 
x
 y 
1 2 −3 5   z 
= 2
Note que al multiplicar la matrices de la izquierda nos queda
(x + 2y − 3z + 5w) = (2)
Recordemos que dos matrices son iguales si lo son componente a componente,

al igualar las matrices nos da que
x + 2y − 3z + 5w = 2 (que es la ecuación original).
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
donde x1 , ..., xn representan las incógnitas o variables del sistema, a los

aij ∈ R se les llaman coeficientes del sistema y b1 , ..., bn ∈ R son llamados
términos independientes del sistema.
Si b1 = ... = bm = 0, se dice que el sistema (**) es homogéneo, en caso
contrario se dice que es no homogéneo.
Ejemplo 3.1.5 Son sistemas de ecuaciones

 lineales:
 x 1 + x2 + x 3 + x4 = 1
 2x − y + 3z = 0


x3 + x 4 = 2

5x + z = 0 ,
x1 − x2 + x3 = 3
3x − y + 9z = 0
 

x + 3x2 − x3 + x4 = −2

 1
 x+y+z =0
x − 4y = 1 , 2x + (3/2)y + z − (3/4)w = 0
2x + 5y − 3z = 2

El primer y cuarto sistema son homogéneos (el segundo y tercero son no
homogéneos). Note que una ecuación lineal es un sistema (de una ecuación).
Ejemplo 3.1.6 No satisfacen la definición

 √ de sistema de ecuación lineal:
 x1 + x2 + x3 + x4 = 1
2xy + 3z = 0
, x3 + x4 = 2
5x + z = 0
x 1 − x2 + x3 = 3


 x/y + 2y + z = 0 2
x − 4y = 1 , 2x + (3/2)y + z = 1
2x + 5y − 3z = 2

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
Ejemplo 3.1.8 (1, 1, −1) es una solución del sistema


 x+y+z =1
2x + 3y = 5
4x − y − z = 4

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).
Definición 3.1.5 1. Un sistema de ecuaciones lineales AX = b, se dice

que es consistente, si tiene solución, en caso contrario se dice que es
inconsistente.
2. Si un sistema AX = b es consistente y tiene solamente una solución

se dice que el sistema es consistente determinado, si tiene infini-
tas soluciones se dice que el sistema es consistente indeterminado
(cuando un sistema es consistente estas son las únicas opciones en
cuanto se refiere a las soluciones).
3. Se conoce como matriz ampliada

del sistema (**) a la matriz de orden
mx(n + 1) dado por A | b .
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

Definición 3.1.6 Dados los sistemas de ecuaciones lineales AX = b, CX =

d con A, C ∈ Mmxn ,b, d ∈ M
mx1 , decimos que los sistemas son equivalentes
si A | b y C | d son equivalentes por filas.
El siguiente teorema nos dice como saber si un sistema tiene o no solución,

y de tenerla cuando es única y cuando son infinitas.
Teorema 3.1.1 1. Si dos sistemas de ecuaciones lineales son equivalentes,

entonces tienen las mismas soluciones (por supuesto si uno no tiene
solución el otro tampoco la tendrá).

2. Dado el sistema A | b con A ∈ Mmxn , si

r(A) 6= r A | b
entonces el sistema es inconsistente.
66


r(A) = r A | b = n
entonces el sistema es consistente determinado.


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

Solución: Como el sistema es homogéneo, tiene solución. Veamos como en-

contrar el conjunto solución.
Escribimos la matriz del sistema y la llevamos a su forma escalonada reduci-
da por filas. No se escribirá la ampliada porque el sistema es homogéneo, y
por lo tanto esa columna se mantendrı́a siempre nula, independientemente
de las operaciones elementales por filas que se efectuen.
     
2 0 1 1 −1 0 f2 → f2 − 2f1 1 −1 0
 1 −1 0  f1 ↔ f2  2 0 1  −→  0 2 1 
−→
3 −1 1 3 −1 1 f3 → f3 − 3f1 0 2 1
   
1 −1 0 1 1 −1 0
f3 → f3 − f2  f → f2 
0 2 1  2 2 0 1 1/2 
−→ −→
0 0 0 0 0 0
 
1 0 1/2
f1 → f1 + f2 
0 1 1/2 
−→
0 0 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
Es más sencillo buscarle la solución a este sistema que buscarle la solución al

original (recordemos que serán iguales porque los sistemas son equivalentes).
Para encontrar la solución de este sistema aplicaremos la llamada elimi-
nación de Gauss-Jordan. Despejamos en cada ecuación la variable que
corresponde al pivote de la fila. Obtenemos ası́
x = −z/2
y = −z/2
Entonces para cada valor que asignemos a z, encontraremos el valor corre-

spondiente de x y de y, por ejemplo si z = 1, tenemos x = y = −1/2, ası́ que
(−1/2, −1/2, 1) es solución del sistema. Una variable como la z anterior es
llamada variable libre. En un sistema consistente el número de variables
libres del sistema es igual al número de columnas de la matriz del sistema
menos su rango (ası́ que cuando no hay variables libres es porque el sistema
tinen solución única).
Pero ¿ cómo encontrar (escribir) el conjunto solución del sistema?
(x, y, z) ∈ S(A) ⇔ (x, y, z) = (−z/2, −z/2, z)

⇔ (x, y, z) = z(−1/2, −1/2, 1)
∴ S(A) = {(x, y, z) ∈ R3 /(x, y, z) = α(−1/2, −1/2, 1), α ∈ R}
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
(x, y, z, w) ∈ S(A, b) ⇔ (x, y, z, w) = (z − 2, −5z − w + 8, z, w)

⇔ (x, y, z, w) = (−2, 8, 0, 0) + (z, −5z, z, 0) + (0, −w, 0, w)
⇔ (x, y, z, w) = (−2, 8, 0, 0) + z(1, −5, 1, 0) + w(0, −1, 0, 1)
∴ S(A, b) = {(−2, 8, 0, 0) + α(1, −5, 1, 0) + β(0, −1, 0, 1); α, β ∈ R}

Por ejemplo si α = 1, β = −1 tenemos que
(x, y, z, w) = (−2, 8, 0, 0) + (1, −5, 1, 0) − (0, −1, 0, 1) = (−1, 4, 1, −1)
es una solución del sistema.
69
Teorema 3.1.2 Sea A ∈ Mnxn . Las siguientes afirmaciones son equiva-
lentes:
1. A es invertible.
2. r(A) = n.
3. El sistema homogéneo AX = Onx1 , tiene como única solución la solu-

ción trivial x1 = ... = xn = 0.
4. ∀b ∈ Mnx1 el sistema AX = b tiene solución única (a saber X = A−1 b).

1. Dado el sistema 
 2x + z = 1
x − y = −1
x−y+z =2

encuentre (si existe) su conjunto solución.
Solución:
 La matrizampliada 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
Como vemos la matriz del sistema y la matriz ampliada del sistema

tienen igual rango, ası́ que el sistema tiene solución.
Como el rango de la matriz del sistema es igual a su número de colum-
nas, concluimos que el sistema tiene solución única

 x = −1
y=0
z=3

Queda claro que el punto (−1, 0, 3) es la única solución del sistema.
S(A, b) = {(−1, 0, 3)}
 2x + z = 1
x − y = −1
3x − y + z = 2

encuentre (si existe) la solución del sistema.
71
 
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
La matriz del sistema y la matriz ampliada del sistema ya están es

forma escalonada por filas, por lo que se pueden calcular sus respectivos
rangos. La matriz del sistema tiene rango dos, mientras que la matriz
ampliada del sistema tiene rango tres, lo que quiere decir por teorema
que el sistema no tiene solución.
 2x − 3y + z = 1
x−y+z =0
−y − z = 1

encuentre (si existe) el conjunto solución del sistema.

 
2 −3 1 | 1
 1 −1 1 | 0 
0 −1 −1 | 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
La matriz del sistema y la matriz ampliada del sistema ya están es

forma escalonada reducidas por filas, por lo que se pueden calcular sus
respectivos rangos. La matriz del sistema tiene rango dos, al igual que
la matriz ampliada del sistema, por lo tanto el sistema no homogéneo
tiene solución y como el rango es dos menor que el número de variables
(tres) entonces el sistema tiene infinitas soluciones. Busquemos estas
soluciones.

x + 2z = −1
y + z = −1
De donde obtenemos
x = −1 − 2z
y = −1 − z
Ahora,
(x, y, z) ∈ S(A, b) ⇔ (x, y, z) = (−1 − 2z, −1 − z, z)

⇔ (x, y, z) = (−1, −1, 0) + (−2z, −z, z)
⇔ (x, y, z) = (−1, −1, 0) + z(−2, −1, 1)
73
S(A, b) = {(x, y, z) ∈ R3 /(x, y, z) = (−1, −1, 0) + α(−2, −1, 1); α ∈ R}
4. La compañı́a SP fabrica tazas y platos de cerámica. Para cada taza o

plato un trabajador mide una cantidad fija de material y la pone en la
máquina que los forma, de donde pasa al vidriado y secado automático.
En promedio, un trabajador necesita 3 minutos para iniciar el proceso
de una taza y 2 minutos para el de un plato. El material para una
taza cuesta 25 centavos y el material para un plato cuesta 20 centavos.
Si se asignan 44 dolares diarios para la producción de tazas y platos,
¿cuántos deben fabricarse de cada uno en un dı́a de trabajo de 8 ho-
ras, si un trabajador se encuentra trabajando cada minuto y se gastan
exactamente 44 dolares en materiales ?
Solución: Indentifiquemos las variables en primer lugar. Sea x el número
de tazas que se fabrican, y y el número de platos que se fabrican.
Unifiquemos las unidades del problema, por ejemplo llevemos las horas
a minutos y los dolares a centavos (también se puede hacer al contrario),
de esta manera las 8 horas se convierten en 480 minutos y los 44 dolares
en 4400 centavos.
Veamos la siguiente tabla resumen (de datos):
x y Totales
Tiempo-Proceso 3 2 480
Costo-Material 25 20 4400
De acá obtenemos un sistema de ecuaciones lineales.

3x + 2y = 480
25x + 20y = 4400
Su matriz ampliada viene dada por:

3 2 | 480
25 20 | 4400
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.
Observación 3.2.1 En este tipo de ejercicio lo ideal es que al final el

sistema tenga solución única como en el caso anterior, cuya respues-
ta es clara como vimos, ahora ¿ qué sucederı́a si el sistema no tiene
solución ?, en este caso la respuesta es que los datos del sistema son
erroneos y ¿ qué sucederı́a si el sistema tiene infinitas soluciones ?, en
este caso la respuesta al problema es que falta información, es decir,
los datos están incompletos.

Diga si los sistemas de ecuaciones lineales siguientes son consistentes o
inconsistentes. Para aquellos que sean consistentes encuentre su solución o
soluciones según sea el caso. 
 x + 2y − w = 0
 x + 2y + 3z = 1


x+z =0

4x + 5y + 6z = 0 ,
y+z =0
7x + 8y + 9z = −1
 

 3z − 4w = 0

 −x + 3y + z + 4w = 0
x−y+z−w =1
; −2x + 6y + 2z + 8w = −1
2x + y − 3w = 2
3z + w = −2


 x+y+z =1
x + 2y − w = 0
; 2x + 3y + 4z = 2
4x + 5y + 6z = 0
3x + 4y + 5z = 1

{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.
1. Un viajero que acaba de regresar de Europa gastó 30 dólares diarios en

Inglaterra, 20 en Francia y 20 en España por concepto de hospedaje. En
comida gastó diariamente 20, 30 y 20 dólares en cada paı́s respectiva-
mente. Sus gastos adicionales fueron de 10 dólares diarios en cada paı́s.
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.
2. Una inversionista le afirma a su corredor de bolsa que todas sus ac-

ciones son de tres compañı́as, Delta Airlines (DA), Hilton Hotels (HH)
y McDonald’s (CCD), y que hace dos dı́as su valor bajó 350 dólares
pero que ayer aumento 600 dólares. El corredor recuerda que hace dos
dı́as el precio de las acciones de DA bajó un dólar por acción y el de
las de HH bajaron 1.5 dólares, pero que el precio de las acciones McD
subió 0.5 dólares. Recuerda también que ayer el precio de las acciones
DA subió 1.5 dólares, el de las de HH bajó otros 0.5 dólares por acción
y las de McD subieron un dólar. Se sabe que la inversionista tiene 200
acciones de McD. Calcule el número de acciones que tiene en DA y en
HH.
3. Un granjero da de comer a su ganado una mezcla de dos tipos de

alimento. Una unidad estándar del alimento A proporciona a un novillo
10 por ciento del requerimiento diario de proteı́na y 15 por ciento del
de carbohidratos. Una unidad estándar del alimento tipo B contiene
12 por ciento del requerimiento diario de proteı́na y 8 por ciento del
de carbohidratos. Si el granjero quiere alimentar a su ganado con el
100 por ciento de los requerimientos mı́nimos diarios de proteı́na y
carbohidratos cuántas unidades de cada tipo de alimento debe dar a
un novillo al dı́a?
4. Una fábrica de muebles de calidad tiene dos divisiones: un taller de

maquinas herramienta donde se fabrican las partes de los muebles y
una división de ensamble y terminado en la que se unen las partes para
obtener el producto terminado. Suponga que se tienen 12 empleados
en el taller y 20 en la división, y que cada empleado trabaja 8 horas.
Suponga que se producen sólo dos artı́culos: sillas y mesas. Una silla
requiere 384/17 horas de maquinado y 480/17 horas de ensamble y ter-
minado. Una mesa requiere 240/17 horas de maquinado y 640/17 horas
de ensamble y terminado. Suponiendo que se tiene una demanda ilim-
itada de estos productos y que el fabricante quiere mantener ocupados
a sus empleados cuántas sillas y cuántas mesas al dı́a puede producir
esta fábrica?
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
En este capı́tulo veremos una introducción, a la programación lineal.

Comenzamos con los conjuntos convexos y luego tras una serie de defini-
ciones introductorias veremos el teorema fundamental de la programación
lineal, junto con ejemplos de su aplicación.
4.1. Conjuntos convexos

Definición 4.1.1 Dados p, q ∈ Rn , definimos como segmento de recta
cerrado que une a p y q como al conjunto, denotado por [p, q], dado por:
[p, q] = {x ∈ Rn /x = (1 − λ)p + λq, 0 ≤ λ ≤ 1}
A p y q se le conocen como los extremos del segmento [p, q].
Definición 4.1.2 Dados p, q ∈ Rn , definimos como segmento de recta

abierto que une a p y q como al conjunto, denotado por (p, q), dado por:
(p, q) = {x ∈ Rn /x = (1 − λ)p + λq, 0 < λ < 1}
A p y q se le conocen como los extremos del segmento (p, q).
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.
Definición 4.1.3 Un conjunto A ⊂ Rn se llama convexo si para todo par

de puntos p, q ∈ A, se cumple que [p, q] ⊂ A.
Observación 4.1.1 1. Todos los segmentos de rectas dirigidos(abiertos,

cerrados, semiabiertos) son convexos.
2. Para todo n, Rn es un conjunto convexo.
3. La unión de conjuntos convexos no necesariamente es un conjunto con-

vexo.
4. La intersección de conjuntos convexos (inclusive la intersección infini-

ta) es un conjunto convexo (por supuesto los conjuntos a intersectar
deben estar en el mismo espacio Rn ).
5. Las rectas son conjuntos convexos (igualmente los planos).
Ejemplo 4.1.1 Una circunferencia de radio r > 0 y centro (a, b)
C = {(x, y) ∈ R2 /(x − a)2 + (y − b)2 = r2 }
no es un conjunto convexo, en cambio el disco cerrado
D = {(x, y) ∈ R2 /(x − a)2 + (y − b)2 ≤ r2 }
sı́ es convexo, también es convexo el disco abierto
{(x, y) ∈ R2 /(x − a)2 + (y − b)2 < r2 }
79
Ejemplo 4.1.2 Los conjuntos A, B dados de la figura son convexos, los con-
juntos C y D no lo son.
Definición 4.1.4 Dados a ∈ R, B ∈ Rn , definimos como:

1. Semiplano abierto generado por a y B, al conjunto dado por
{X ∈ Rn / < B, X >< a}
o dado por:
{X ∈ Rn / < B, X >> a}
2. Semiplano cerrado generado por a y B, al conjunto dado por

{X ∈ Rn / < B, X >≤ a}
o dado por:
{X ∈ Rn / < B, X >≥ a}
80
3. Hiperplano generado por a y B, al conjunto dado por:
{X ∈ Rn / < B, X >= a}
Los hiperplanos y semiespacios son conjuntos convexos. Dejamos la prueba

de esto como ejercicio para el lector.
En R2 , R3 la ecuación < B, X >= a anterior es una recta y un plano

respectivamente. Ahora Para dibujar un semiplano podemos seguie los sigu-
ientes pasos:
1. Se dibuja la recta < B, X >= a (o plano según sea el caso).
2. Se sustituye un valor (se sugiere el origen al menos que el origen esté en

la recta o el plano)en la desigualdad. Si la proposición resultante es
verdadera, entonces el semiplano esta formado por la mitad donde esta
el punto. Si es abierto la recta no es parte del semiplano, si es cerrado
la recta es parte del semiplano.
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).
Definición 4.1.5 Sea D ⊂ Rn convexo. Un punto p ∈ D se denomina pun-

to extremo del conjunto D si ningún segmento de recta abierto dirigido
(u, v) con extremos u, v ∈ D, contiene el punto p.
Ejemplo 4.1.3 Consideremos el disco cerrado
D = {(x, y) ∈ R2 /(x − a)2 + (y − b)2 ≤ r2 }
(que es convexo), todos los puntos de la circuferencia son puntos extremos

del disco, pero ningún punto que esta ’dentro’ del disco es punto extremo.
Definición 4.1.6 Un conjunto convexo D se denomina conjunto convexo

poligonal cerrado si es la intersección de dos o más semiplanos cerrados.
82
Observación 4.1.2 En R2 los puntos extremos de un conjunto convexo polig-
onal cerrado son los ’vértices’ del conjunto.
Definición 4.1.7 Un conjunto S ⊂ R2 se llama acotado si existe
Dr = {(x, y) ∈ R2 /x2 + y 2 < r2 }, r > 0
83
tal que S ⊂ D (D con estas caracteristicas se llama disco abierto centrado
en el origen).
Por ejemplo, los siguientes conjuntos son acotados:
Definición 4.1.8 Sea función f : A ⊂ R2 → R una función. Entonces

diremos que:
1. f (a, b) ((a, b) ∈ A) es el valor máximo de f si:
f (a, b) ≥ f (x, y), ∀(x, y) ∈ A
2. f (a, b) ((a, b) ∈ A) es el valor mı́nimo de f si:
f (a, b) ≤ f (x, y), ∀(x, y) ∈ A
Si f (a, b) es un valor máximo o valor mı́nimo de f , diremos que f (a, b) es

valor extremo de f .
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).
Teorema 4.1.1 (Teorema fundamental de la programación lineal)

Si f : D ⊂ R2 → R viene dada por f (x, y) = ax + by y D es un conjunto
convexo poligonal cerrado y acotado, entonces f posee valores máximos y
mı́nimos, y estos valores son alcanzados en puntos extremos de 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.

1. Sea a ∈ R y B ∈ Rn . Demuestre que el semiplano abierto A = {X ∈
Rn / < B, X >< a} es un conjunto convexo.
Demostración:
Sean X, Y ∈ A y sea 0 ≤ λ ≤ 1. Entonces (le pedimos al lector que
justifique los pasos),
< B, (1 − λ)X + λY > = < B, (1 − λ)X > + < B, λY >

= (1 − λ) < B, X > +λ < B, Y >
< (1 − λ)a + λa
= a
por lo tanto, (1 − λ)X + λY ∈ A para todo λ ∈ [0, 1], y ası́ concluimos

que A es convexo
2. Encontrar los valores extremos que la función f (x, y) = x + 2y alcanza

sobre
 el conjunto solución del sistema de inecuaciones

 x+y ≥1
x−y ≥0


 x − 3y ≤ 2
x + 2y ≤ 9

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

Buscamos los puntos extremos como en el ejemplo anterior. Estos vienen

dados por:
(4000, 6000), (2000, 8000), (2000, 1000), (17000/3, 1000)
Evaluamos f en cada uno de estos puntos y tenemos

f (4000, 6000) = 230000
f (2000, 8000) = 240000
f (2000, 1000) = 65000
f (17000/3, 1000) = 138333, 33
Entonces el valor máximo de f es f (2000, 8000) = 240000, por lo tanto
para obtener mayor beneficio la refinerı́a debe producir diariamente
2000 barriles de gasolina del tipo A y 8000 barriles de gasolina del tipo
B.
88
1. Determine cuáles de los siguientes conjuntos son convexos.
2. En cada uno de los siguientes casos, encuentre los valores extremos de

la función f , sujeta a las restricciones correspondientes.
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
3. Dados a ∈ R, B ∈ Rn , demuestre que los siguientes conjuntos son

convexos.
{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}
5. Dibuje el conjunto convexo poligonal cerrado dado por el siguiente sis-

tema
 de inecuaciones, encuentre además sus puntos extremos.
 2x + 3y ≤ 6
x+y ≤2
x−y ≤3


tema

 x≤4
 x≥2


y≤4
y≥1




x+y ≤6


tema

 2x −y ≤6
2x + y ≤ 10


 x≥0
y≥0


tema

 x+y ≥3
5x + 4y ≤ 20


 x≥0
y≥0


tema

 x + y≥4
x + 4y ≥ 8


 x≥0
y≥0

90
10. Los siguientes son ejercicios de aplicaciones. La mayorı́a de ellos pueden
ser encontrados en el libro de Álgebra Lineal de Bernard Kolman.
a) Un fundidor produce dos clases de acero: regular y especial. Una

tonelada de acero regular necesita 2 horas en el horno a hogar
abierto y 5 horas en el foso de recalentamiento; una tonelada de
acero especial necesita 2 horas en el horno a hogar abierto y 3
horas en el foso de recalentamiento. El horno a hogar abierto esta
disponible 8 horas al dı́a y el foso de recalentamiento 15 horas.
La ganancia en una tonelada de acero regular es de 120 dólares
y es de 100 dólares en una tonelada de acero especial. Determine
cuántas toneladas de cada clase de acero deben fabricarse para
maximizar la ganancia.
b) Un fideicomiso planea invertir hasta 6000 dólares en dos series de
bonos: A y B. El bono A tiene dividendos del ocho por ciento,
mientras que los de B son del diez por ciento. Si no se pueden in-
vertir más de 4000 dólares en el bono B y al menos deben invertirse
1500 dólares del tipo. Determine cuánto dinero debe invertirse en
cada serie para maximizar la ganancia.
c) Una compañı́a de recolección de basura transporta camiones de
desechos en contenedoras sellados, los de Smith Corporation (SC)
pesan 6 libras y tienen volumen de 3 pies cúbicos cada uno, por
otro lado los de Jonson Corporation (JC) pesan 12 libras y tienen
un volumen de un pie cúbico cada uno. La companı́a cobra a SC
30 centavos por contenedor transportado en un viaje 60 centavos
por contenedor transportado en un viaje a JC. Si un camión no
puede transportar más de 18000 libras ni más de 1800 pies cúbi-
cos de volumen, determine cuántos contenedores de cada cliente
debe transportar en un camión, en cada viaje, para maximizar los
ingresos por carga.
d ) Un productor de TV prepara un programa con un comediante y
tiempo para comerciales. El publicista insiste en al menos 2 min-
utos de tiempo para publicidad, la estación insiste en no más de
4 minutos para publicidad, el comediante insiste en al menos 24
minutos de programa. El tiempo de publicidad más la comedia
no puede exceder los 30 minutos. Se ha determinado que cada
minuto de publicidad atrae 40000 espectadores y cada minuto del
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
Pasaremos ahora al estudio de los espacios vectoriales, el cual en pocas

palabras podriamos decir que es un conjunto con dos operaciones (suma
y multiplicación), operaciones las cuáles satisfacen ciertas propiedades, por
ejemplo Rn y Mnxm con sus respectivas operaciones (usuales) de suma y
multiplicación son espacios vectoriales. Definiremos los espacios vectoriales
y luego los subespacios de estos, estudiaremos conjuntos (l.i., generadores,
bases) de los espacios vectorial que nos arrojan información sobre estos (los
espacios). Terminaremos el capı́tulo con la definición de suma de espacios
vectoriales.
5.1. Espacios vectoriales

Definición 5.1.1 Un espacio vectorial (sobre R), denotado por (V, +, ·),
es un conjunto V no vacı́o junto con dos operaciones:
+ : VxV → V
(u, v) → u + v (suma de u más v)
· : RxV → V
(α, u) → αu (multiplicación del escalar α por el vector u)
tales que ∀u, v, w ∈ V, ∀α, β ∈ R se cumple con los siguientes axiomas:
A1) u + v = v + u (propiedad conmutativa).
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.
Observación 5.1.1 1. El vector OV de A3 es único, por tal motivo se la

llama vector nulo del espacio V.
2. Para cada u del espacio existe un único u0 que cumple con A4, por ello
se le llama a u0 vector simétrico de u, y se demuestra que viene dado
por (−1)u.
3. Se suele escribir −αu, en lugar de (−α)u, ası́ se escribe −u en lugar
de (−1)u.
4. Debe estar claro que antes de ver si un conjunto V con unas operaciones
de suma y producto cumple con estas ocho propiedades, se debe verificar
en primer lugar que u+v y αu estén en V (cerrado bajo suma y producto
respectivamente), para todo u, v ∈ V y todo α ∈ R.
Ejemplo 5.1.1 Rn y Mmxn con sus respectivas operaciones usuales de suma

y multiplicación por escalares son espacios vectoriales ( cumplen con todas
estas propiedades cada uno).
Si se define(n) en estos conjuntos una operación de suma o multiplicación por

escalar distinta, para saber si sigue siendo espacio vectorial se deben verificar
estos ’axiomas’. Veamos un ejemplo.
Ejemplo 5.1.2 Consideremos R2 con las operaciones de suma y multipli-
cación por escalar dadas respectivamente por:
(a, b) ⊕ (c, d) = (ac, bd)
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)
[(a, b) ⊕ (c, d)] ⊕ (e, f ) = (ac, bd) ⊕ (e, f )

= ((ac)e, (bd)f )
= (a(ce), b(df ))
= (a, b) ⊕ (ce, df )
= (a, b) ⊕ [(c, d) ⊕ (e, f )]
3. A3)
Acá debemos escoger un candidato como vector nulo. Sea OR2 = (1, 1).
Entonces,
(a, b) ⊕ OR2 = (a, b) ⊕ (1, 1) = (a · 1, b · 1) = (a, b)
4. A4)
Para cada vector (a, b) debemos escoger un vector u tal que
(a, b) ⊕ u = OR2 = (1, 1)
Pero note que si (a, b) = (0, 0), entonces para todo u = (c, d) se tiene
(0, 0) ⊕ (c, d) = (0c, 0d) = (0, 0) 6= (1, 1)
Por lo tanto que A4 no se cumple ası́ que (R2 , ⊕, ) no es espacio

vectorial.
Note que de comenzar por A4 nos ahorrariamos el trabajo de haber proba-

do las tres primeras, ası́ que si se sospecha que un conjunto no es espacio
vectorial se debe comenzar por el axioma que se sospecha que no se cumple,
claro esta, se deben probar todas a la hora de verificar que un conjunto es
un espacio vectorial.
Antes del siguiente ejemplo definamos el conjunto F(S) donde S es un con-
junto no vacı́o de R como F(S) = {f : S → R/f es una función }.
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,
(f + g)(x) = f (x) + g(x), (αf )(x) = αf (x)
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 + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x)

∴f +g =g+f
A3)
Buscamos el candidato a ser el vector nulo, que como es natural suponer
viene dado por la función nula (aquella que envia todos los elementos de S
al 0), llamemosla como siempre O.
(f + O)(x) = f (x) + O(x) = f (x) + 0 = f (x)
∴f +O=f
M1)
(α(f + g))(x) = α(f + g)(x)

= α(f (x) + g(x))
= αf (x) + αg(x)
= (αf )(x) + (αg)(x)
= (αf + αg)(x)
∴ 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:
α(u1 + ... + uk ) = αu1 + ... + αuk
3. ∀α1 , ..., αk ∈ R, ∀u ∈ V se tiene que:
(α1 + ... + αk )u = α1 u + ... + αk u
5.2. Subespacios vectoriales

Definición 5.2.1 Sean (V, +, ·) un espacio vectorial, y S ⊂ V no vacı́o.
Diremos que S es un subespacio (vectorial) de V; Si (S, +, ·) es un espacio
vectorial.
Ejemplo 5.2.1 Dado V espacio vectorial, {OV } y V mismo son suespacios

vectoriales de V, llamados subespacios triviales de V. Llamaremos sube-
spacio no trivial de V a un suespacio de V que no sea {OV } ni V mismo.
Observación 5.2.1 1. Si S es subespacio de V, entonces OS = OV .

2. Debe estar claro que si (V, +, ·) y S ⊂ V es un espacio vectorial pero
con otras operaciones de suma y producto, entonces no podemos decir
que S es subespacio de V.
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)?
Solución: Veamos si se satisfacen las condiciones del teorema:

1. O2x2 ∈ A ya que la matriz nula tiene todos los elementos de su diagonal
principal igual a 0.

0 a1 0 a2
2. Sean M1 = , M2 = ∈ A.
b1 0 b2 0

0 a1 0 a2 0 a1 + a2
M1 + M2 = + =
b1 0 b2 0 b1 + b2 0
∴ M1 + M2 ∈ A

0 a
3. Sean M = ∈ A, y α ∈ R.
b 0

0 a 0 αa
αM = α =
b 0 αb 0
∴ αM ∈ A
Concluimos ası́ que A es subespacio vectorial de M2x2 .
Ejemplo 5.2.3 ¿ V = {(x, y, z) ∈ R3 /xy + z = 0} es subespacio de R3
(operaciones usuales)?
Solución: Veamos si se satisfacen las condiciones del teorema anterior.
1. (x, y, z) = (0, 0, 0) ∈ V ya que xy + z = 0,0 + 0 = 0.
2. La segunda condición no se satisface, veamos un contraejemplo.
(1, 0, 0) y (0, 1, 0) están en V (1·0+0 = 0, 0·1+0 = 0 respectivamente),
pero (1, 0, 0) + (0, 1, 0) = (1, 1, 0) que no está en V porque 1 · 1 + 0 =
1 6= 0
99
Concluimos ası́ que V no es subespacio de R3 . Ejemplos de subespacios de
Rn son {On }, Rn , rectas que pasan por el origen.
Ejemplo 5.2.4 Son subespacios vectoriales de F((a, b)):
1. El conjunto de todas sus funciones continuas, denotado por C((a, b)).
2. El conjunto de todas sus funciones derivables, denotado por D((a, b)).
3. El conjunto de todas sus funciones derivables en un punto fijo c.
4. El conjunto de todas sus funciones integrables.
5. El conjunto de todos sus polinomios, denotado por P((a, b)).
6. El conjunto de todos sus polinomios de grado menor o igual a n, deno-

tado por Pn ((a, b)).
Teorema 5.2.2 Sean V un espacio vectorial y S ⊂ V no vacı́o. Entonces S

es subespacio vectorial de V si y sólo si se cumple que:
∀u, v ∈ S, ∀α ∈ R, αu + v ∈ S
Observación 5.2.2 1. La intersección (hasta infinita) de subespacios de

un espacio vectorial V es un subespacio vectorial de V.
2. Si U es subespacio de V; α1 , ..., αn ∈ R; u1 , ..., un ∈ U, entonces
α1 u1 + ... + αn un ∈ U
5.3. Combinaciones lineales, independencia y

dependencia lineal
Definición 5.3.1 Sean V un espacio vectorial y u, u1 , ..., un ∈ V. Diremos
que u es una combinación lineal, c.l., de los vectores u1 , ..., un si
u = α1 u1 + ... + αn un
para ciertos α1 , ..., αn en R.
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, 2, −7) = (1, 0, −1) − (2, 2, 2) + 2(1, 2, −2)

1 1 1 2 0 1
Ejemplo 5.3.2 es combinación lineal de ,
1 1 3 0 2 −1
ya que:
1 1 1 2 0 1
= −
1 1 3 0 2 −1
Ejemplo 5.3.3 Sean 1+x, 2−x+x2 , x ∈ P. Entonces 1 ∈ P es combinación

lineal de 1 + x, 2 − x + x2 , x ya que:
1 = (1 + x) + 0(2 − x + x2 ) − x
Observación 5.3.1 1. Sean V un espacio vectorial y u1 , ..., un ∈ V. Al

conjunto de todas las combinaciones lineales de los vectores u1 , ..., un
lo denotaremos por:
CL({u1 , ..., un })
2. En ocasiones diremos las combinaciones de u1 , ..., un o las combina-

ciones lineales de {u1 , ..., un }.
3. Las combinaciones lineales de un conjunto se suele escribir de varias

formas, por ejemplo: CL({u1 , ..., un }), sg({u1 , ..., un }), gen({u1 , ..., un }).
4. Si u1 , ..., un ∈ V (V espacio vectorial), entonces CL({u1 , ..., un }) es un

subespacio vectorial de V.
5. En todo espacio vectorial el vector nulo es combinación lineal de todo

conjunto de vectores (finito) del espacio, es decir siempre se cumple
que:
OV ∈ CL({u1 , ..., un })
PROCEDIMIENTO PARA CONOCER SI UN VECTOR u ES

COMBINACIÓN LINEAL DE LOS VECTORES v1 , ..., vn
1. Se escribe la ecuación α1 v1 + ... + αn vn = u.
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:
(3, 0, 3) = α(2, 1, 3) + β(0, −1, −1) + γ(1, 0, 1)

= (2α, α, 3α) + (0, −β, −β) + (γ, 0, γ)
= (2α + γ, α − β, 3α − β + γ)
Igualando componentes tenemos:

 2α + γ = 3
α−β =0
3α − β + γ = 3

Veamos si el sistema tiene solución.

   
2 0 1 | 3 1 −1 0 | 0
f1 ↔ f2
 1 −1 0 | 0   2 0 1 | 3 
−→
3 −1 1 | 3 3 −1 1 | 3
 
f2 → f2 − 2f1 1 −1 0 | 0
−→  0 2 1 | 3 
f3 → f3 − 3f1 0 2 1 | 3
 
1 −1 0 | 0
f3 → f3 − f2  0 2 1 | 3 
−→
0 0 0 | 0
Como vemos el rango de la matriz ampliada del sistema es igual al de la
matriz del sistema, por lo tanto el vector (3, 0, 3) es c.l. de los vectores
(2, 1, 3), (0, −1, −1), (1, 0, 1).
El conjunto solución del sistema viene dado por:
{(α, β, γ, ) = (3/2, 3/2, 0) + t(−1/2, −1/2, 1)}
102
Por ejemplo si t = 1, nos da (α, β, γ) = (1, 1, 1) y notemos que:
(3, 0, 3) = 1(2, 1, 3) + 1(0, −1, −1) + 1(1, 0, 1)
Definición 5.3.2 Sean V un espacio vectorial y u1 , ..., un ∈ V. Se dice que

u1 , ..., un son linealmente independientes ({u1 , ..., un } es linealmente
independiente), l.i., si el vector nulo OV no puede escribirse como combi-
nación lineal no trivial de los vectores u1 , ..., un . En caso contrario decimos
que u1 , ..., un son linealmente dependientes ({u1 , ..., un } es linealmente
dependiente), l.d.
Una combinación lineal trivial de vectores u1 , ..., un , es aquella donde
todos los escalares son cero.
Ejemplo 5.3.5 Los vectores (1, 2, −7), (1, 0, −1), (2, 2, 2), (1, 2, −2) son l.d.
ya que,
(0, 0, 0) = (1, 0, −1) − (2, 2, 2) + 2(1, 2, −2) − (1, 2, −7)
Observación 5.3.2 Si V es un espacio vectorial y u, u1 , ..., un ∈ V, en-

tonces:
1. Si {u1 , ..., un } contiene a OV , entonces es l.d
2. {u1 , ..., un } es l.i si y sólo si
α1 u1 + ... + αn un = OV ⇒ α1 = ... = αn = 0
3. {u1 , ..., un } es l.d si uno de los elementos del conjunto es combinación

lineal de los otros.
4. {u} es l.i. si y sólo si u 6= OV .
5. Todo subconjunto no vacı́o de un conjunto l.i. es l.i.
6. Si U ⊂ W ⊂ V y U es l.d., entonces W es l.d.
7. En Rn cualquier conjunto (finito) con más de n elementos es l.d.
8. En Mmxn cualquier conjunto (finito) con más de mxn elementos es l.d.
9. En Pn (S) cualquier conjunto (finito) con más de n+1 elementos es l.d.
103
PROCEDIMIENTO PARA CONOCER SI UN CONJUNTO DE
VECTORES {v1 , ..., vn } ES L.I Ó L.D.
1. Se escribe la ecuación α1 v1 + ... + αn vn = OV .
2. Se encuentra el sistema homogéneo asociado a la ecuación anterior, de

la cual α1 , ..., αn serán las incognitas.
3. Se busca la solución del sistema del paso anterior. Si la solución es única

el conjunto es l.i., si las soluciones son infinitas el conjunto es l.d.

2 1 0 0 0 −1 1 0
Ejemplo 5.3.6 ¿ Son las matrices , , ,
0 2 0 3 0 4 3 9
l.i. ?
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
Como vemos el rango de la matriz es cuatro, que es igual al número de

columnas de la matriz, por lo tanto el sistema tiene solución única. Entonces
las matrices con l.i.
Definición 5.3.3 Sean V un espacio vectorial, W ⊂ V subespacio vectorial

y u1 , ..., un ∈ V. Se dice que u1 , ..., un generan ({u1 , ..., un } genera) a W
si:
W = CL({u1 , ..., un })
Como CL({u1 , ..., un }) siempre es subespacio, si S = CL({u1 , ..., un }), dec-
imos que {u1 , ..., un } genera S. También se acostumbra decir que S es el
espacio generado por {u1 , ..., un }.
Ejemplo 5.3.7 Encuentre el subespacio generado por los vectores

(1, −1, 0), (3, 0, 1), (4, −1, 1).
Solución: Debemos encontrar todos los puntos (x, y, z) ∈ R3 , tales que:
(x, y, z) = α(1, −1, 0) + β(3, 0, 1) + γ(4, −1, 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)
Igualando componente a componente tenemos:


 α + 3β + 4γ = x
−α − γ = y
β+γ =z

   
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
Como vemos el sistema tiene solución si y sólo si y + x − z = 0 ( pues sólo

ası́ la matriz del sistema tendrá el mismo rango que la matriz ampliada del
sistema). Entonces:
CL({(1, −1, 0), (3, 0, 1), (4, −1, 1)}) = {(x, y, z ∈ R3 )/x + y − z = 0}
Observación 5.3.3 Debe estar claro que la definición de espacio generado
no se reduce sólo a subespacios de un espacio V, también un conjunto puede
generar al espacio V (recordemos que un subespacio es un espacio vectorial);
por otro lado hay que tener presente que conjuntos distintos pueden generar
el mismo espacio.
VECTORES {v1 , ..., vn } GENERA UN ESPACIO V
1. Se toma un vector arbitrario u del espacio V y se escribe la ecuación
α1 v1 + ... + αn vn = u
106
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.
5.4. Base y dimensión

Definición 5.4.1 Sean V un espacio vectorial, y sean u1 , ..., un ∈ V. Se dice
que {u1 , ..., un } es base de V, si {u1 , ..., un } es l.i. y genera V.
Ejemplo 5.4.1 Se puede demostrar facilmente que

1. {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es base de R3 .

1 0 0 1 0 0 0 0
2. { . , , } es base de M2x2 .
0 0 0 0 1 0 0 1
3. {1, x, x2 } es base de P2 (R).
La importancia de la definición de base se expresa en los siguientes teoremas:

Teorema 5.4.1 Sea V un espacio vectorial, y sea {u1 , ..., un } una base de
V. Entonces cualquier otra base de V tendrá n elementos.
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
Definición 5.4.2 Si V es un espacio vectorial no nulo con una base de n

elementos, diremos que la dimensión de V, denotada por dim(V), es n. Si V
es un espacio nulo, entonces decimos que tiene dimensión 0.
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
Observación 5.4.1 Para un espacio vectorial V de dimensión n ≥ 1 (es

decir no nulo) se tiene:
1. Todo conjunto l.i. de V tiene un número menor o igual a n elementos.
2. Todo conjunto generador de V tiene un número mayor o igual a n

elementos.
3. Todo conjunto l.i. de V de n elementos es base de V.
4. Todo conjunto generador de V de n elementos es base de V.
5. Todo subespacio de V, tiene dimensión menor o igual a n (será 0 si y

sólo si es el subespacio nulo y será n si y sólo si es V mismo).
6. Para todo k entero con 0 ≤ k ≤ n, existe un subespacio W de V, con

dim(W) = k.

VECTORES {v1 , ..., vn } ES BASE DE UN ESPACIO
VECTORIAL V
1. Se toma un vector arbitrario u de V y se escribe la ecuación
α1 v1 + ... + αn vn = u

anterior, de la cual α1 , ..., αn serán las incognitas.
3. Si el sistema tiene solución única para cada u, entonces el conjunto es

base de V (si la matriz del sistema es cuadrada, basta con conocer si
el sistema homogéneo asociado a la ecuación tiene solución única para
concluir que el conjunto es base de V).
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 }
W1 + W2 como antes es un subespacio de V, además W1 + W2 = W2 + W1

(pedimos al lector que demuestre estas afirmaciones).
PROCEDIMIENTO PARA HALLAR W1 + W2
T
1. Se encuentra una base de W1 W2 , digamos β.
2. Se completa β para encontrar una base de W1 , digamos β1 .
3. Se completa β para encontrar una base de W2 , digamos β2 .
S
4. W1 + W2 = CL(β1 β2 ).
Ejemplo 5.5.1 En los ejercicios resueltos se demostrará que A1 = {(x, y, z, w) ∈

R4 /x = z = 0} y A2 = {(x, y, z, w) ∈ R4 /x + w = 0} son subespacios de R4 .
Encuentre A1 + A2 .
Solución: Se puede ver (ejercicio resuelto 1.b) que:

\
A1 A2 = W = {(0, y, 0, 0) ∈ R4 /y ∈ R}
Encontremos una base de W.
(x, y, z, w) ∈ W ⇔ (x, y, z, w) = (0, y, 0, 0) = y(0, 1, 0, 0)
Concluimos que β = {(0, 1, 0, 0)} es base de W. Encontremos una base de

A1 que contenga al vector (0, 1, 0, 0). Podemos hacer esto de varias formas,
le aconsejamos al lector por simplicidad (por lo menos en este curso) hacerlo
como sigue:
Encontremos una base de A1 .
(x, y, z, w) ∈ A1 ⇔ (x, y, z, w) = (0, y, 0, w)

⇔ (x, y, z, w) = (0, y, 0, 0) + (0, 0, 0, w)
⇔ (x, y, z, w) = y(0, 1, 0, 0) + w(0, 0, 0, 1)
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 .
(x, y, z, w) ∈ A2 ⇔ (x, y, z, w) = (−w, y, z, w)

⇔ (x, y, z, w) = (−w, 0, 0, w) + (0, y, 0, 0) + (0, 0, z, 0)
⇔ (x, y, z, w) = w(−1, 0, 0, 1) + y(0, 1, 0, 0) + z(0, 0, 1, 0)
Por ’construcción’ β2 = {(−1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0)} es base de A2

(notemos que tiene a (0, 1, 0, 0)) En conclusión:
A1 + A2 = CL({(0, 1, 0, 0), (0, 0, 0, 1), (−1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0)})
Si se eliminan las repeticiones en el conjunto se tiene una base de A1 + A2 ,

esta es:
{(0, 0, 0, 1), (−1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0)}
Como tiene cuatro elementos (dimensión igual a la de R4 ), tenemos que:
A1 + A2 = R4

1. Sean A1 = {(x, y, z, w) ∈ R4 /x = z = 0}, A2 = {(x, y, z, w) ∈ R4 /x +
w = 0}.
a) Demuestre que A1 y A2 sos subespacios de R4 .

T
b) Encuentre A1 A2 .
Solución: Demostraremos que A1 y A2 son subespacios utilizando el

Teorema 5.1.2.
a) (0, 0, 0, 0) está en A1 ya que su primera y tercera componente son

iguales a cero, ası́ que A1 6= ∅.
Sean (x1 , y1 , z1 , w1 ), (x2 , y2 , z2 , w2 ) ∈ A1 , α ∈ R.
α(x1 , y1 , z1 , w1 ) + (x2 , y2 , z2 , w2 ) = α(0, y1 , 0, w1 ) + (0, y2 , 0, w2 )

= (0, αy1 , 0, αw1 ) + (0, y2 , 0, w2 )
= (0, αy1 + y2 , 0, αw1 + w2 )
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,
(αx1 + x2 ) + (αw1 + w2 ) = α(x1 + w1 ) + (x2 + w2 ) = α0 + 0 = 0
Entonces, α(x1 , y1 , z1 , w1 ) + (x2 , y2 , z2 , w2 ) ∈ A2 , ası́ que A2 es

subespacio vectorial de R4 .
b)
\
(x, y, z, w) ∈ A1 A2 ⇔ (x, y, z, w) ∈ A1 ∧ (x, y, z, w) ∈ A2
⇔ (x = z = 0) ∧ (x + w = 0)
⇔ (x = z = 0) ∧ (0 + w = 0)
⇔ x=z=w=0
\
A1 A2 = {(0, y, 0, 0) ∈ R4 /y ∈ R}
2. ¿ Genera {2 + x + 3x2 , −x − x2 , 1 + x2 } a P2 (R)?

Solución: Sea a0 + a1 x + a2 x2 ∈ P2 (R)
α(2 + x + 3x2 ) + β(−x − x2 ) + γ(1 + x2 ) = a0 + a1 x + a2 x2
(2α + αx + 3αx2 ) + (−βx − βx2 ) + (γ + γx2 ) = a0 + a1 x + a2 x2

(2α + γ) + (α − β)x + (3α − β + γ)x2 + = a0 + a1 x + a2 x2
Dos polinomios son iguales si los son término a término. Igualando
términos tenemos: 
 2α + γ = a0
α − β = a1
3α − β + γ = a2

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
Si a2 −a1 −a0 6= 0, entonces el rango de la matriz del sistema será distin-

to al rango de la matriz ampliada del sistema, por lo tanto existen poli-
nomios de P2 (R) los cuáles no están en CL({2+x+3x2 , −x−x2 , 1+x2 }),
concluimos ası́ que {2 + x + 3x2 , −x − x2 , 1 + x2 } no genera P2 (R).

2 1 0 0 0 −1 1 0
3. ¿ Es { , , , } base de M2x2 ?
0 2 0 3 0 4 3 9
Solución: En el ejemplo 5.3.6 vimos que el sistema homogéneo pro-
ducido por la matrices tenı́a solución única, además la matriz del sis-
tema era cuadrada, por lo tanto concluimos que el conjunto es base del
espacio M2x2 .
4. Encuentre una base del espacio vectorial
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
La matriz asociada a este sistema viene dada por:

2 2 0 −4
0 1 −1 −1
112
Al llevar esta matriz a su forma escalonada reducida por filas nos da:

1 0 1 −1
0 1 −1 −1
El sistema asociado a esta matriz viene dado por:

x+z−w =0 x = −z + w
⇒
y−z−w =0 y =z+w
Por lo tanto,
(x, y, z, w) ∈ V ⇔ (x, y, z, w) = (−z + w, z + w, z, w)

⇔ (x, y, z, w) = (−z, z, z, 0) + (w, w, 0, w)
⇔ (x, y, z, w) = z(−1, 1, 1, 0) + w(1, 1, 0, 1)
Concluimos que β = {(−1, 1, 1, 0), (1, 1, 0, 1)} es base de V.
5. Encuentre una base de W = {(x, y, z, w) ∈ R4 /x = −w, z = 0}.
Solución:
(x, y, z, w) ∈ W ⇔ (x, y, z, w) = (−w, y, 0, w)

⇔ (x, y, z, w) = (−w, 0, 0, w) + (0, y, 0, 0)
⇔ (x, y, z, w) = w(−1, 0, 0, 1) + y(0, 1, 0, 0)
Ası́ que γ = {(−1, 0, 0, 1), (0, 1, 0, 0)} es base de W.

En este caso no desarrollamos el sistema de ecuaciones lineales, porque
desde el principio de puede notar que la matriz del sistema estarı́a ya
en forma escalonada reducida por filas (x = −w, z = 0).

1. Si en R3 definimos las operaciones de suma y multiplicación por es-
calares (respectivamente) como
M
v w =v−w
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
2. Si en R+ (reales positivos) definimos las operaciones de suma y multi-

plicación por escalares (respectivamente) como
M
a b = ab
K
α a = aα
donde las operaciones ab, aα son las operaciones usuales de multipli-
cación y exponenciación de R respectivamente. Determine si (R+ , , )
L J
es un espacio vectorial.
3. Determine cuáles de los siguientes subconjuntos (de Rn ) son subespa-

cios (de Rn , operaciones usuales). Para aquellos que lo sean encuentreles
una base ası́ como su respectiva dimensión.
a) W1 = {(x1 , ..., x5 ) ∈ R5 /x1 = x2 = 0}

b) W2 = {(x, y, z) ∈ R3 /x + z = 0}
c) W3 = {(x, y, z) ∈ R3 /x + 2y = z + 1}
d) W4 = {(x, y, z, w) ∈ R4 /x = y, z = 0}
e) W5 = {(x, y, z, w) ∈ R4 /x − 5z = 0}
f ) W6 = {(x, y, z, w) ∈ R4 /x − y + 2z + w = 0}
g) W7 = {(x, y) ∈ R2 /x = y 2 }
h) W8 = {(x, y, z) ∈ R3 /x = 0}
i) W9 = {(x, y, z, w) ∈ R4 /x = 1}
w
j) W10 = {(x, y, z, w) ∈ R4 /x = −3y = 4z = − }
2
4. Determine cuáles de los siguientes subconjuntos (de Mnxm ) son sube-
spacios (de Mnxm , operaciones usuales). Para aquellos que lo sean en-
cuentreles una base ası́ como su respectiva dimensión.
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
5. Consideremos los conjuntos V = {(x, y, z, w) ∈ R4 /x − 5z = 0}

y W = {(x, y, z, w) ∈ R4 /x − y + 2z + w = 0}.
a) Demuestre que V y W son subespacios vectoriales de R4 .

b) Encuentre V ∩ W .
c) Encuentre una base para V , W y V ∩ W , ası́ como sus respectivas
dimensiones.
6. Determine cuáles de los siguientes conjuntos generan R3

V1 = {(1, 1, 1), (2, −1, 9), (0, 0, 5)}
V2 = {(1, 3, −6), (4, 4, 5), (1, 2, 3), (−1, 7, 7)}
V3 = {(2, 0, 0), (1, 5, 11)}
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 }
9. Determine cuáles de los siguientes conjuntos generan P2 .
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
ción, 1967.
117
Capı́tulo 6
TRANSFORMACIONES
LINEALES
Pasamos al último capı́tulo que habla sobre las transformaciones lineales.

Comenzaremos con la definición de transformación lineal, seguido de dos
importantisimos teoremas que tratan sobre existencia y unicidad de trans-
formaciones lineales bajo ciertas condiciones. Posteriormente se abordará la
definición de núcleo e imagen de una transformación lineal, matriz de una
transformación lineal y por último isomorfismos.
6.1. Transformaciones lineales

Definición 6.1.1 (Transformaciones Lineales)
Sean V, W espacios vectoriales. A una función T : V → W se le llama
transformación lineal si cumple con las siguientes condiciones:
1. T (x + y) = T (x) + T (y); ∀x, y ∈ V.
2. T (αx) = αT (x); ∀x ∈ V, ∀α ∈ R.
Ejemplo 6.1.1 Sean V, W espacios vectoriales. Entonces T : V → W dada

por:
T (x) = OW , ∀x ∈ V
es una transformación lineal llamada transformación nula.
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)
T (αx) = OW = αOW = αT (x)
Ejemplo 6.1.2 Sea V un espacio vectorial sobre. Entonces T : V → V dada

por:
T (x) = x, ∀x ∈ V
es una transformación lineal, llamada transformación identidad.
Demostración: Demostremos esto (detalles como ejercicio). Sean x, y ∈ V

y sea α ∈ R
T (x + y) = x + y = T (x) + T (y)
T (αx) = αx = αT (x)
Ejemplo 6.1.3 T : R4 → R2 dada por T (x, y, z, w) = (x + z, y + w) es una

transformación lineal.
Demostración: En efecto, sean (x1 , y1 , z1 , w1 ), (x2 , y2 , z2 , w2 ) ∈ R4 y sea

α ∈ R.
T ((x1 , y1 , z1 , w1 ) + (x2 , y2 , z2 , w2 )) = T (x1 + x2 , y1 + y2 , z1 + z2 , w1 + w2 )

= ((x1 + x2 ) + (z1 + z2 ), (y1 + y2 ) + (w1 + w2 ))
= ((x1 + z1 ) + (x2 + z2 ), (y1 + w1 ) + (y2 + w2 ))
= (x1 + z1 , y1 + w1 ) + (x2 + z2 , y2 + w2 )
= T (x1 , y1 , z1 , w1 ) + T (x2 , y2 , z2 , w2 )
T (α(x1 , y1 , z1 , w1 )) = T (αx1 , αy1 , αz1 , αw1 )

= (αx1 + αz1 , αy1 + αw1 )
= (α(x1 + z1 ), α(y1 + w1 ))
= α(x1 + z1 , y1 + w1 )
= αT (x1 , y1 , z1 , w1 )
Ejemplo 6.1.4 T : R3 → R2 dada por T (x, y, z) = (1, x + y) no es una

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:
T (x1 , y1 , z1 ) + T (x2 , y2 , z2 ) = (1, x1 + y1 ) + (1, x2 + y2 ) = (2, x1 + x2 + y1 + y2 )
Teorema 6.1.1 Sean V, W espacios vectoriales.
1. T : V → W es una transformación lineal si y sólo si
T (αx + y) = αT (x) + T (y), ∀x, y ∈ V, ∀α ∈ R
2. Si T : V → W es lineal, entonces T (0V ) = 0W .
3. Si T : V → W es lineal, entonces para todo x1 , ..., xn ∈ V y todo

α1 , ..., αn ∈ Rse cumple que:
T (α1 x1 + ... + αn xn ) = α1 T (x1 ) + ... + αn T (xn )
En el ejemplo anterior nos da T (0, 0, 0) = (1, 0 + 0) = (1, 0) 6= (0, 0), con lo

que concluimos rapidamente que T no es lineal.
Observación 6.1.1 El que T : V → W sea tal que T (OV ) = OW no es

sufuciente información para concluir que T sea lineal, la parte 2 del teorema
anterior, lo que expresa es que si T (OV ) 6= OW entonces se puede concluir
que T no es lineal.
Por ejemplo la función T : R2 → R2 dada por T (x, y) = (0, xy) no es lineal
(ejercicio), pero
T (0, 0) = (0, 0 · 0) = (0, 0)
Teorema 6.1.2 (Teorema de unicidad)

Sea V un espacio vectorial de dimensión finita con base B = {v1 , ..., vn }, y
sea W un espacio vectorial que contiene los vectores w1 , ..., wn . Si T1 , T2 son
transformaciones lineales de V en W tales que T1 (vi ) = T2 (vi ) = wi para todo
i ∈ {1, ..., n}. Entonces T1 = T2 .
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
Entonces, (dejamos como ejercicio al lector el justificar los siguientes pasos)
T1 (x) = T1 (α1 v1 + ... + αn vn )

= α1 T1 (v1 ) + ... + αn T1 (vn )
= α1 T2 (v1 ) + ... + αn T2 (vn )
= T (α1 v1 + ... + αn vn )
= T2 (x)
Como x es arbitrario concluimos que T1 = T2 .

Teorema 6.1.3 (Teorema de existencia)

Sea V un espacio vectorial de dimensión finita con base B = {v1 , ..., vn }. Sea
W un espacio vectorial que contiene los vectores w1 , ..., wn . Entonces existe
una única transformación lineal T : V → W tal que:
T (vi ) = wi , ∀i ∈ {1, ..., n}
Más aún T viene dada por:
T (x) := α1 w1 + ... + αn wn
donde α1 , ..., αn son tales que x = α1 v1 + ... + αn vn (recordemos que B es

base de V).
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)}.
(x, y) = α(−1, 5) + β(1, 0)

= (−α, 5α) + (β, 0)
= (−α + β, 5α)
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
Este problema tiene multiples soluciones porque depende, de la elección del

que junto con (−1, 5) sea base de R2 y además de la matriz a la que enviare-
mos este vector.
6.2. Propiedades de las Transformaciones Lin-

eales
6.2.1. Núcleo e Imagen de una Transformación Lineal
Definición 6.2.1 Sean V, W espacios vectoriales y sea T : V → W una
transformación lineal. Definimos entonces como:
1. Núcleo de T , denotado por N (T ), al conjunto:
N (T ) = {x ∈ V/T (x) = 0W }
2. Imagen de T , denotado por Im(T ), al conjunto:

Im(T ) = {y ∈ W/∃x ∈ V, T (x) = y}
123
Observación 6.2.1 Para T : V → W lineal. Se tiene que N (T ), Im(T ) son
subespacios vectoriales de V, W respectivamente.
Definición 6.2.2 Si T : V → W es una transformación lineal, y la dimen-

sión de V es finita, se define como:
1. Nulidad de T , denotada por n(T ), a n(T ) = dim(N (T )).
2. Rango de T , denotado por r(T ), a r(T ) = dim(Im(T )).
Teorema 6.2.1 Si T : V → W es una transformación lineal y V es un

espacio vectorial de dimensión finita. Entonces,
dim(V) = n(T ) + r(T )
Ejemplo 6.2.1 Encuentre el núcleo, la imagen, la nulidad y el rango de la

transformación lineal del ejemplo 6.1.3.
Solución: La transformación lineal era T : R4 → R2 , dada por:
T (x, y, z, w) = (x + z, y + w)
(x, y, z, w) ∈ N (T ) ⇔ T (x, y, z, w) = (0, 0)

⇔ (x + z, y + w) = (0, 0)
⇔ x + z = 0, y + w = 0
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,
(x, y, z, w) ∈ N (T ) ⇔ (x, y, z, w) = (−z, −w, z, w)

⇔ (x, y, z, w) = (−z, 0, z, 0) + (0, −w, 0, w)
⇔ (x, y, z, w) = z(−1, 0, 1, 0) + w(0, −1, 0, 1)
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.
(a, b) ∈ Im(T ) ⇔ ∃(x, y, z, w)/T (x, y, z, w) = (a, b)

⇔ ∃(x, y, z, w)/(x + z, y + w) = (a, b)
⇔ x + z = a, y + w = b
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
y por tanto el rango de T es, r(T ) = 2.

Notemos que 4 = dim(R4 ) = 2 + 2 = dim(N (T )) + dim(Im(T )).
6.2.2. Matriz de una Transformación Lineal

Teorema 6.2.2 Si T : Rn → Rm es una transformación lineal, entonces
existe una única matriz de mxn, AT tal que
T (x) = AT x
para todo x ∈ Rn . A la matriz AT , se le llama matriz de transformación

de T .
Este teorema se puede ampliar para una transformación lineal cualquiera

T : V → W entre cualesquiera espacios vectoriales V y W ambos de dimensión
finita, pero necesita de algunas consideraciones previas.
PROCEDIMIENTO PARA ENCONTRAR LA MATRIZ DE
UNA TRANSFORMACIÓN LINEAL T DE Rn a Rm
1. Se evalua T (con el orden natural) en cada uno de los vectores de la

base canónica de Rn .
125
2. Se forma una matriz cuyas columnas son los vectores encontrados en el
paso anterior (colocados con su respectivo orden).
3. La matriz del paso anterior es la matriz de la transformación T .
Ejemplo 6.2.2 Encuentre la matriz de la transformación lineal del ejemplo

6.1.3.
Demostración: T : R4 → R2 viene dada por:
T (x, y, z, w) = (x + z, y + w)
Sigamos el procedimiento dado anteriormente.

T (1, 0, 0, 0) = (1 + 0, 0 + 0) = (1, 0)
T (0, 1, 0, 0) = (0 + 0, 1 + 0) = (0, 1)
T (0, 0, 1, 0) = (0 + 1, 0 + 0) = (1, 0)
T (0, 0, 0, 1) = (0 + 0, 0 + 1) = (0, 1)
Ası́ que la matriz de T viene dada por:

1 0 1 0
AT =
0 1 0 1
 
x
1 0 1 0   y 

Por lo tanto T (x, y, z, w) =
0 1 0 1  z 
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.
Definición 6.2.3 Sea T : V → W una transformación lineal. Decimos que

T es un isomorfismo si es invertible.
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)
no puede ser un isomorfismo, pues los dominios de R4 y R2 son distintos.

Con ayuda del ejemplo 6.2.1 se puede ver que T es sobreyectiva, concluimos
ası́ que T no debe ser inyectiva. Más adelante veremos un método para de-
terminar si una transformación lineal es inyectiva.
Definición 6.2.4 Dos espacios vectoriales V y W se dicen que son isomor-

mos, si existe un isomorfismo de V a W (o de W a V).
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.
Ejemplo 6.2.3 Es fácil verificar que la transformación identidad de un es-

pacio a si mismo es un isomorfismo, con lo que concluimos que todo espacio
vectorial es isomorfo a si mismo. Má aún se puede probar que la relación
’isomorfo a’ es una relación de equivalencia.
Ejemplo 6.2.4 No es dı́ficil demostrar que T : R4 → M2x2 dada por:

x y
T (x, y, z, w) =
z w
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.
Teorema 6.2.3 Dos espacios vectoriales V y W son isomormos si y sólo si

tienen la misma dimensión.
127
Ejemplo 6.2.5 T : R3 → M2x2 dada por:

x−z y+z
T (x, y, z) =
z x−y
no puede ser isomorfismo ya que los espacios R3 y M2x2 no tienen la misma

dimención.
Observación 6.2.2 No debemos confundir lo que nos dice el teorema, este

dice que: ’dos espacios vectoriales son isomorfos si y sólo si tienen la misma
dimención’, NO dice que: ’cualquier transformación lineal entre espacios de
igual dimensión es un isomorfismo’. Por ejemplo T : R4 → M2x2 dada por:

x y
T (x, y, z, w) =
z 0
es una transformación lineal, pero no es un isomorfismo porque no es inyec-
tiva, porque

0 0
T (0, 0, 0, 1) = T (0, 0, 0, 0) =
0 0
Entonces, si una transformación lineal tiene dominio y conjunto de llegada
con dimensiones distintas, entonces no puede ser un isomorfismo. Más aún
tenemos el siguiente teorema:
Teorema 6.2.4 Si T : V → W una transformación lineal, con dim(V) = n

y dim(W) = m, entonces:
1. Si n > m, entonces T no es inyectiva.

2. Si m > n, entonces T no es sobreyectiva.
Ejemplo 6.2.6 T : R4 → R2 dada por:
T (x, y, z, w) = (x, y + z + w)
es una transformación lineal que no es inyectiva. Por otro lado S : R3 →

4
R dada por:
S(x, y, z) = (0, 2x − 4y, 0, z)
es una transformación lineal que no es sobreyectiva (se puede demostrar que
T es sobreyectiva, pero S no es inyectiva).
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.
Teorema 6.2.5 Si T : V → W una transformación lineal, con V y W de

igual dimensión, entonces:
1. Si T es inyectiva, entonces T es un isomorfismo.
2. Si T es sobreyectiva, entonces T es un isomorfismo.
Observación 6.2.3 Si T : V → W una transformación lineal, entonces:
1. T es inyectiva si y sólo si N (T ) = {OV }.
2. T es sobreyectiva si y sólo si Im(T ) = W.
Ejemplo 6.2.7 Determine si T : P2 → R3 dada por:
T (a + bx + cx2 ) = (a − b, c, 3c + 2b)
es un isomorfismo.
Solución: Dejamos como ejercicio al lector el determinar que T es una trans-

formación lineal. Veamos si es inyectiva utilizando el teorema anterior. De
serlo será automáticamente isomorfismo.
T (a + bx + cx2 ) = (0, 0, 0) ⇔ (a − b, c, 3c + 2b) = (0, 0, 0)


 a−b=0
⇔ c=0
3c + 2b = 0

Al resolver este sistema, tenemos que tiene solución única, y ası́ N (T ) =

{0}, es decir, T es inyectiva y por tanto es un isomorfismo.
129
1. Encuentre una transformación lineal T : R3 → R3 tal que:
T (1, 0, 0) = (1, 0, 0), T (0, 1, 0) = (−1, 0, 1)
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 (x, y, z) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1)

= x(1, 0, 0) + y(−1, 0, 1) + z(0, 0, 0)
= (x − y, 0, y)
Existen infinitas transformaciónes lineales con las condiciones pedidas

anteriormente, basta con cambiar el vector que se agrega, ası́ como
el vector que se le asigna y (lo más probable es que) se obtiene otra
2. Demuestre que la función T : P2 (R) → P3 (R), dada por
T (a + bx + cx2 ) = a + ax + (c + b)x3
es una transformación lineal. Encuentre además su núcleo, imagen, nul-

idad, y rango.
Demostremos que es lineal.
Sean p(x) = a1 + b1 x + c1 x2 , q(x) = a2 + b2 x + c2 x2 ∈ P2 (R) y sea
α ∈ R.
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

La matriz ampliada del sistema viene dada por:

 
1 0 0 | a0
 1 0 0 | a1 
 
 0 0 0 | a2 
0 1 1 | a3
La matriz escalonada reducida por filas asociada a esta matriz es:
 
1 0 0 | a0
 0 1
 1 | a3 

 0 0 0 | a2 
0 0 0 | a1 − a0
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
Por lo tanto {1 + x, x3 } es base de Im(T ), Im(T ) = gen{1 + x, x3 } y

r(T ) = 2.
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

La matriz del sistema viene dada por:

 
1 0 0
 1 0 0 
 
 0 0 0 
0 1 1
La matriz escalonada reducida por filas asociada a esta matriz es:
 
1 0 0
 0 1 1 
 
 0 0 0 
0 0 0
Ası́ que el sistema tiene solución si y sólo si a0 = 0 y a1 = −a2 .
Entonces,
p(x) = a0 + a1 x + a2 x2 ∈ N (T ) ⇔ p(x) = −a1 x + a2 x2
⇔ p(x) = a1 (−x + x2 )
Por lo tanto {−x + x2 } es base de N (T ), N (T ) = gen{−x + x2 } y

n(T ) = 1.
132
3. Determine si T : R3 → R3 dada por:
T (x, y, z) = (2x − z, 2y − 4z, 4x − 2z)
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.
T (x, y, z) = (0, 0, 0) ⇔ (2x − z, 2y − 4z, 4x − 2z) = (0, 0, 0)


 2x − z = 0
⇔ 2y − 4z = 0
4x − 2z = 0

El conunto solución de este sistema viene dado por:
{α(1/2, 2, 1), α ∈ R}
6 {(0, 0, 0)}, ası́ que T no es inyec-

Por lo que N (T ) = gen{(1/2, 2, 1)} =
tiva y por lo tanto no puede ser un isomorfismo.
4. Encuentre la matriz de la transformación lineal del ejemplo anterior.

Solución: Evaluemos T en cada uno de los elementos de la base canónica
de R3 (ordenadamente claro esta).
T (1, 0, 0) = (2 · 1 − 0, 2 · 0 − 4 · 0, 4 · 1 − 2 · 0) = (2, 0, 4)
T (0, 1, 0) = (2 · 0 − 0, 2 · 1 − 4 · 0, 4 · 0 − 2 · 0) = (0, 2, 0)
T (0, 0, 1) = (2 · 0 − 1, 2 · 0 − 4 · 1, 4 · 0 − 2 · 1) = (−1, −4, −2)
 
2 0 −1
Ası́ que AT =  0 2 −4 , es decir,
4 0 −2
  
2 0 −1 x
T (x, y, z) =  0 2 −4   y 
4 0 −2 z
133
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.
a) T1 : R3 → R4 dada por T1 (x, y, z) = (x, y + z + 1, 0, 0)

b) T2 : R4 → R2 dada por T2 (x, y, z, w) = (x, y + z + w)
c) T3 : R3 → R2 dada por T3 (x, y, z) = (0, 2x − 4z)
d ) T4 : R2 → R4 dada por T4 (x, y) = (0, x + 5y, x, 0)
e) T5 : P2 → P1 dada por T5 (a + bx + cx2 ) = a − c + bx

2 a b
f ) T6 : M2x2 → R dada por T6 = (b − d, a)
c d

a b b b + 3a
g) T7 : M2x2 → M2x2 dada por T7 =
c d c − 7d c

0 (x + y)/2
h) T8 : R3 → M2x2 dada por T8 (x, y, z) =
−y 0
i ) T9 : R4 → P2 dada por T9 (a, b, c, d) = a + (−b + d)x − 5cx2 .
a3 !
a1 + a2
j ) T10 : P3 → M2x2 dada por T10 (a0 +a1 x+a2 x2 +a3 x3 ) = 4
−a0 a1 − a3

a b 0 b+a
k ) T11 : M2x2 → M2x2 dada por T11 =
c d c−d 1
a3 !
a 1 a 2
l ) T12 : P3 → M2x2 dada por T12 (a0 +a1 x+a2 x2 +a3 x3 ) = 4
0 a1
m) T13 : R2 → R2 dada por T13 (x, y) = (y, x)
n) T14 : R4 → R4 dada por
T14 (x, y, z, w) = (x − y, y + z, w, 2w − 6y + 7x − 5z)
2. Encuentre una transformación lineal de R3 a R3 tal que su núcleo sea

igual al conjunto gen{(2, 0, 4), (−4, 1, 3)}.
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)}.
4. Encuentre una transformación lineal de R3 a R3 que tenga como núcleo

el conjunto {(x, y, z) ∈ R3 /−3x+y+z = 0} y cuya imagen sea generada
por {(1, −1, 0)}.
5. Encuentre una transformación lineal T : R3 → R3 tal que:

T (1, 0, 0) = (2, 3, 0)
T (1, 6, −8) = (−1, 4, 5)
6. Encuentre una transformación lineal T : M2x2 → M2x3 tal que:

1 0 1 0 0
a) T ( )=
0 0 0 0 0

1 0 0 0 0
b) T ( )=
1 0 −1 0 0

1 0 1 0 3
c) T ( )=
0 1 0 2 0

0 −3 1 0 0
d) T ( )=
0 0 0 0 −4

ción, 1967.
135

GuiaAlgebraLineal PDF

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

GuiaAlgebraLineal PDF

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD CENTROCIDENTAL ’LISANDRO ALVARADO’

DECANATO DE CIENCIAS Y TECNOLOGÍA

INTRODUCCIÓN AL ÁLGEBRA LINEAL

Por: Ronald Gutiérrez

6. TRANSFORMACIONES LINEALES 118

Cada capı́tulo es presentado de forma sencilla, en la mayorı́a de los casos

Para un éxito durante el curso el estudiante debe tener un buen dominio

0.2.2. Docentes (Sugerencias para la Evaluación del

De las demostraciones de teoremas que se le exigirán al estudiantes están

0.3. Objetivos de Aprendizaje

2. Generalizar la idea de linealidad de R2 a un espacio general.

3. Aplicar los resultados teóricos fundamentales estudiados.

4. Establecer algunas relaciones entre linealidad y convexidad.

5. Estar en capacidad de comprender y/o realizar demostraciones de los

2. Demostrar propiedades básicas de la teorı́a de vectores.

3. Determinar la solución de problemas que involucren las operaciones

4. Determinar la ecuación (vectorial, cartesiana y/o paramétricas) de una

5. Dibujar rectas en el plano o en el espacio, a partir de su ecuación y/o

6. Determinar si dos rectas son o no paralelas (perpendiculares).

7. Determinar la ecuación (vectorial, cartesiana y/o paramétricas) de un

8. Dibujar un plano en el espacio a partir de su ecuación y/o condiciones

9. Determinar cuando un plano es o no ortogonal (paralelo) a un plano

2. Llevar una matriz a forma escalonada por filas

3. Determinar la forma escalonada reducida por filas de una matriz.

4. Determinar si una matriz es invertible o no, y en caso afirmativo en-

5. Demostrar propiedades básicas de la teorı́a de matrices.

3. Encontrar el conjunto solución de un sistema de ecuaciones lineales

1. Determinar gráficamente si un conjunto de R2 o R3 es convexo.

2. Graficar el conjunto convexo poligonal que determina un sistema de

3. Determinar los puntos extremos de un conjunto poligonal convexo da-

4. Dada una función lineal f , determinar los valores máximos o mı́nimos

1. Determinar si un conjunto V con dos operaciones +, ·es un espacio

2. Determinar, si un subconjunto W de un espacio vectorial V es un sube-

3. Determinar si un vector v es combinación lineal de vectores v1 , ..., vn

4. Determinar si un conjunto de vectores v1 , ..., vn es l.i. ó l.d.

5. Determinar si un conjunto de vectores v1 , ..., vn de un espacio vectorial

6. Determinar el espacio vectorial que genera un conjunto de vectores

7. Determinar si un conjunto de vectores v1 , ..., vn es base de un espacio

8. Calcular la suma de los subespacios V1 , V2 de un espacio vectorial V.

1. Determinar si una función entre espacios vectoriales es una transfor-

2. Determinar el núcleo e imagen de una transformación lineal.

3. Determinar bases y dimensión para el núcleo e imagen de una transfor-

4. Construir transformaciones lineales tomando como base el teorema de

0.4. Referencias Bibliográficas

2. Guedez, Edgar. Notas de Álgebra Lineal.

3. Gutiérrez, Ronald. Guı́a Didáctica de Álgebra Lineal. 2011.

4. Kolman, Bernard. Álgebra Lineal. Prentice Hall.

2. Rodrı́guez, Jesús. Notas de Álgebra Lineal.

3. Romero, Neftalı́. Fascı́culos de Álgebra Lineal.

El tema de vectores se aborda al principio desde un punto de vista alge-

Definición 1.1.3 Definimos el conjunto Rn , como el conjunto formado por

Ası́ por ejemplo (1, 2, 3) ∈ R3 y (1, 0, −2, 3, 7) ∈ R5 .

Observación 1.1.1 Para dibujar puntos en R, R2 y R3 se sigue el mismo

Definición 1.1.4 Dados A = (a1 , ..., an ), B = (b1 , ..., bn ) en Rn y α ∈ R

1. La suma de A más B, denotada por A + B, como el vector de Rn

2. El producto del escalar α por A, denotado por αA, como el vector

Ejemplo 1.1.2 Si A = (1, 4, −5) y B = (2, 0, 7), entonces

A + B = (1, 4, −5) + (2, 0, 7) = (1 + 2, 4 + 0, −5 + 7) = (3, 4, 2)

(−5)A = (−5)(1, 4, −5) = (−5 · 1, −5 · 4, −5 · (−5)) = (−5, −20, 25)

Un vector especial con el que trabajaremos a menudo es el vector nulo

Observación 1.1.2 Se escribirá en ocasiones −αA en lugar de (−α)A, para

Teorema 1.1.1 (Estructura lineal de Rn )

4. A + (−A) = −A + A = O (elemento simétrico)