Algebra Lineal II Neptali Romero
Algebra Lineal II Neptali Romero
Algebra Lineal II Neptali Romero
Neptalı́ Romero
Universidad Centroccidental Lisandro Alvarado
Barquisimeto, Venezuela
XXV ESCUELA VENEZOLANA DE MATEMÁTICAS
La Escuela Venezolana de Matemáticas es una actividad de los postgrados en matemáticas
de las instituciones siguientes: Centro de Estudios Avanzados del Instituto Venezolano de
Investigaciones Cientı́ficas, Facultad de Ciencias de la Universidad Central de Venezuela,
Facultad de Ciencias de la Universidad de Los Andes, Universidad Simón Bolı́var, Uni-
versidad Centroccidental Lisandro Alvarado y Universidad de Oriente, y se realiza bajo el
auspicio de la Asociación Matemática Venezolana.
La XXV Escuela Venezolana de Matemáticas recibió financiamiento de la Academia de
Ciencias Fı́sicas, Matemáticas y Naturales de Venezuela, el Banco Central de Venezuela,
el Fondo Nacional de Ciencia, Tecnologı́a e Innovación (FONACIT), el Instituto Vene-
zolano de Investigaciones Cientı́ficas (Centro de Estudios Avanzados, Departamento de
Matemáticas y Ediciones IVIC), la Universidad de los Andes (CEP, CDCHT, Departa-
mento de Matemáticas de la Facultad de Ciencias, Decanato de Ciencias y Vicerrectorado
Administrativo), Unión Matemática de América Latina y el Caribe (UMALCA) y Centre
International de Mathématiques Pures et Appliquées (CIMPA).
2010 Mathematics Subject Classification: 05D10, 22F05 05C55, 43A05, 22A05, 22F50
©Ediciones IVIC
Instituto Venezolano de Investigaciones Cientı́ficas
Rif: G-20004206-0
Tı́tulo del libro
Autores del libro
Diseño y edición: Escuela Venezolana de Matemáticas
Preprensa e impresión: Gráficas Lauki C. A.
Depósito legal If66020125102161
ISBN 978-980-261-135-5
Caracas, Venezuela
2013
Índice general
1. Matrices 1
1.1. Corta nota histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Definición y ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Algunas matrices especiales. . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1. Adición y multiplicación por escalares. . . . . . . . . . . . . . . . . . 9
1.3.2. Identificando Kn , M1ˆn pKq y Mnˆ1 pKq . . . . . . . . . . . . . . . . . 14
1.3.3. Multiplicación de matrices . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4. Matrices invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5. Operaciones elementales por filas . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.1. Definición, ejemplos y propiedades generales . . . . . . . . . . . . . . 23
1.5.2. Forma canónica de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . 27
1.5.3. Operaciones elementales por filas y matrices invertibles . . . . . . . 35
1.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3. Determinantes 73
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2. Determinates: una definición recursiva . . . . . . . . . . . . . . . . . . . . . 74
3.2.1. Determinates de matrices de orden 2 ˆ 2 . . . . . . . . . . . . . . . . 75
3.2.2. Determinante de matrices 3 ˆ 3 . . . . . . . . . . . . . . . . . . . . . 78
3.3. Determinantes de orden superior . . . . . . . . . . . . . . . . . . . . . . . . 83
3.3.1. Operaciones elementales por fila y cálculo de determinantes . . . . . 87
3.3.2. Más propiedades del determinante . . . . . . . . . . . . . . . . . . . 90
3.4. Algunas aplicaciones de los determinantes . . . . . . . . . . . . . . . . . . . 96
3.4.1. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.4.2. Adjunta clásica e inversión de matrices . . . . . . . . . . . . . . . . . 99
3.4.3. Determinación del rango de una matriz . . . . . . . . . . . . . . . . 100
3.5. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
iii
4. Puntos, vectores, rectas, planos e hiperplanos en Rn 107
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2. Al inicio los puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2.1. Representación gráfica de puntos en R2 y R3 . . . . . . . . . . . . . . 112
4.3. Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3.1. Equivalencia y paralelismo de vectores . . . . . . . . . . . . . . . . . 116
4.3.2. Estructura lineal de cada espacio tangente . . . . . . . . . . . . . . . 118
4.4. Estructura Euclidiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.4.1. Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.4.2. Norma en RnO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4.3. Ángulo entre vectores no nulos . . . . . . . . . . . . . . . . . . . . . 130
4.4.4. Proyección ortogonal de vectores . . . . . . . . . . . . . . . . . . . . 132
4.4.5. Distancia euclidiana en Rn . . . . . . . . . . . . . . . . . . . . . . . 134
4.5. Rectas, planos e hiperplanos en Rn . . . . . . . . . . . . . . . . . . . . . . . 135
4.5.1. Rectas en Rn y sus ecuaciones cartesianas . . . . . . . . . . . . . . . 135
4.5.2. Planos en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.5.3. Planos en R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.5.4. Hiperplanos en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.5.5. Posiciones relativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.5.6. Distancias entre puntos, rectas y planos . . . . . . . . . . . . . . . . 158
4.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Matrices
“Hay dos terrenos cuya área total es de 1800 yardas cuadradas. Uno produce granos
en una proporción de 2{3 de una medida por yarda cuadrada mientras el otro lo
hace en una proporción de 1{2 de una medida por yarda cuadrada. Si la producción
total es 1100 medidas, ¿cuál es el tamaño de cada terreno?”
No obstante, los chinos estuvieron mucho más cerca de las matrices que los babilonios;
en efecto, en el libro: “Nueve Capı́tulos de Arte Matemático”, escrito durante la dinastı́a
Han entre los años 200 y 100 antes de Cristo, hay ejemplos sobre el uso de técnicas
matriciales para resolver problemas relativos a sistemas de ecuaciones lineales. El siguiente
problema (¡traducción mediante!), similar al de la tablilla Babilónica, se dice está allı́:
“Hay tres tipos de cereales, de los cuales tres fardos del primero, dos del segundo, y
uno del tercero hacen 39 medidas. Dos del primero, tres del segundo y 1 del tercero
hacen 34 medidas. Y uno del primero, dos del segundo y tres del tercero hacen 26
medidas. ¿Cuántas medidas de cereal son contenidas en un fardo de cada tipo?”
A pesar de las antiguas evidencias del empleo de las matrices y rudimentarias técnicas
para la resolución de sistemas de ecuaciones lineales, no es sino a partir de la segunda mitad
del siglo XIX cuando se comienza a desarrollar la estructura matemática del álgebra de
matrices. Varios matemáticos contribuyeron en este desarrollo, el primero en hacer uso
formal de la noción de matriz fue el inglés James Joseph Sylvester (1814 – 1897) quien
introduce el vocablo de matriz en algunas de sus publicaciones hacia los años 1850 y 1851;
allı́ Sylvester analizaba la intersección de dos cónicas mediante el cálculo de determinates
1
Tras la invasión del ejercito de USA y sus aliados a Irak en el año 2003, muchas evidencias culturales,
entre ellas antiguas tablillas de arcilla que contenı́an los primeros registros escritos de la humanidad, han
sido destruidas, o hurtadas. El lector interesado puede consultar el libro. La destrucción cultural de Irak.
Un testimonio de Postguerra. Fernando Báez. Alfadil Ediciones/Octaedro - Flor de Viento. (2005)
1
2 Neptalı́ Romero
en lugar del uso de herramientas analı́ticas de comienzos de ese siglo. Sylvester definió una
matriz “... como una sucesión rectangular de términos de la que distintos sistemas de
determinantes pueden engendrarse, como del útero de una misma madre ...” En el año
1855 el matemático inglés Arthur Cayley (1821 – 1895) adopta la noción de matriz de
Sylvester para expresar un sistema de ecuaciones lineales de orden 3 ˆ 3; pero no es sino
hasta 1858 en su libro “Memorias sobre la teorı́a de matrices” donde son establecidas, entre
otras cosas, las definiciones y propiedades de las operaciones con matrices; allı́ además
introduce el concepto de inversa de una matriz. Estas memorias son consideradas como el
origen de la teorı́a abstracta de las álgebras asociativas.
Definición 1.1
Dados dos enteros m ě 1 y n ě 1, una matriz de orden m ˆ n en K es cualquier arreglo
bidimensional con m filas y n columnas:
» fi
a11 a12 ¨¨¨ a1n
— a21 a22 a2n ffi
— ffi
¨¨¨
ffi , (1.1)
— . .. .. .. ffi
— .
– . . . . fl
am1 am2 ¨ ¨ ¨ amn
Habitualmente emplearemos letras mayúsculas del alfabeto latino para denotar matri-
ces. Frecuentemente escribiremos raij smˆn para representar la matriz en (1.1), y a veces
(cuando haya elementos para la confusión) simplemente escribiremos raij s. La notación
aij (i “ 1, ¨ ¨ ¨ , m, j “ 1, ¨ ¨ ¨ , n) indica que el número aij se encuentra ubicado dentro del
arreglo (1.1) en la intersección entre la fila i y la columna j:
columna j
» fi
a11 ¨ ¨ ¨ a1j ¨¨¨ a1n
— . .. .. .. .. ffi
— .. . . . . ffi
— ffi
fila i — ai1 ¨ ¨ ¨ aij ¨ ¨ ¨ ain ffi
— ffi
— . .. .. .. .. ffi
— .
– . . . . . fl
ffi
am1 ¨ ¨ ¨ amj ¨ ¨ ¨ amn
Álgebra lineal: Nociones y propiedades elementales 3
Para facilitar diversos argumentos y cálculos también usaremos las nomenclaturas » abre- fi
Ap1q
— Ap2q ffi
— ffi
viadas por filas y columnas; esto es, si A es la matriz raij smˆn , escribiremos A “ — . ffi
—
ffi,
– .. fl
Apmq
p1q p2q pnq
o bien A “ rA A ¨ ¨ ¨ A s, donde Apiq “ rai1 ¨ ¨ ¨ aij ¨ ¨ ¨ ain s es la fila i de A, mien-
» fi
a1j
— . ffi
— .. ffi
— ffi
tras que Apjq “ — aij ffi es su j-ésima. Al conjunto de todas las matrices de orden m ˆ n
— ffi
— . ffi
— . ffi
– . fl
amj
en K lo denotamos por Mmˆn pKq. Cuando el número de filas y columnas sean iguales
(m “ n) escribiremos Mn pKq en lugar de Mnˆn pKq; las matrices en Mn pKq son llamadas
cuadradas de orden n. Dada cualquier matriz cuadrada A “ raij s P Mn pKq, a la colección
de coeficientes ubicados en las posiciones ii (aii para cada i “ 1, ¨ ¨ ¨ , n) se les conoce
como diagonal de A. El vocablo diagonal de una matriz » es reservado exclusivamente
fi para
2 0 1 3
— 2 3 1 2 ffi
matrices cuadradas. Para la matriz cuadrada A “ — ffi, los coeficientes
— ffi
– 0 0 5 4 fl
0 0 0 2
destacados en rectángulos determinan la diagonal de la matriz A.
Definición 1.2
Dadas dos matrices A “ raij s y B “ rbij s en Mmˆn pKq, se dice que estas son iguales (se
denota por A “ B) siempre que aij “ bij para todo i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n. Es decir,
A “ B si son del mismo orden, y coeficiente a coeficiente ellas son iguales.
Ejemplo 1.1
Los siguientes son ejemplos de distintos tipos de matrices.
2. Una matriz fila, o también unifila, es cualquier matriz que tiene una única fila; es decir,
de orden 1 ˆ n para algún entero positivo n. Por ejemplo
” ? ı
A “ 1 2 i 2 ` i 0 ´1 2 P M1ˆ7 pCq.
3. Una matriz columna, también denominada unicolumna, es cualquier matriz con una
única columna; es decir,
» cualquier
fi matriz de orden m ˆ 1, para algún entero positivo
2
— ´1 ffi
m. La matriz B “ — ffi es unicolumna de orden 4 ˆ 1 en R.
— ffi
– 0 fl
4
4 Neptalı́ Romero
Estas matrices se conocen con el nombre de matrices canónicas de Mmˆn pKq. En M2 pKq
las matrices canónicas son cuatro:
« ff « ff « ff « ff
1 0 0 1 0 0 0 0
E11 “ , E12 “ , E21 “ y E22 “ .
0 0 0 0 1 0 0 1
Ejemplo 1.2
Las matrices son ultilizadas Frecuentemente para el almacenamiento de datos, a seguir
unos ejemplos simples.
Maracaibo
Caracas
Mérida
» fi
Barquimeto 0 363 322 421
Caracas — 363 0 706 682 ffi
ffi.
— ffi
—
Maracaibo – 322 706 0 401 fl
Mérida 421 682 401 0
Álgebra lineal: Nociones y propiedades elementales 5
A B C D
» fi
Prod. 1 2 3 4 5
Prod. 2 – 1 2 3 0 fl
— ffi
Prod. 3 2 3 2 1
ofrece la información sobre la cantidad de unidades de cada componente necesaria
para la elaboración de cada producto.
Definición 1.3
Una matriz cuadrada raij s P Mn pKq se denomina:
(a) triangular inferior si para todo i ă j se tiene aij “ 0. Al conjunto de matrices
triangulares inferiores de orden n en K lo denotamos por T In pKq.
(d) matriz escalar si es diagonal y existe un número α P K tal que aii “ α para todo
i “ 1, ¨ ¨ ¨ , n. Al conjunto de matrices escalares de orden n en K se denota por En pKq.
(e) matriz simétrica si para todo i, j “ 1, ¨ ¨ ¨ , n con i ‰ j se cumple aij “ aji . El conjunto
de matrices simétricas de orden n sobre K es denotado por Sn pKq.
Ejemplo 1.3
1. Las siguientes matrices son triangulares inferiores:
» fi
» fi » fi 1 0 0 0
0 0 0 1 0 0 —1 2 0 0ffi
–1 0 0fl , –0 3 0fl , — ffi .
— ffi — ffi — ffi
–1 2 3 0fl
1 2 0 0 0 2
1 2 3 4
» fi
» fi » fi 1 2 3 4
0 1 0 1 0 1 —0 1 2 3ffi
2. Las matrices –1 0 0fl , –0 3 0fl , ffi no son triangulares inferiores.
— ffi — ffi — ffi
—
–1 0 1 2fl
2 1 0 1 0 2
1 0 0 1
» fi
» fi » fi 1 2 3 4
0 1 2 1 0 0 —0 1 2 3ffi
3. Las matrices –0 3 1fl , –0 3 0fl , — ffi son triangulares superiores; pero
— ffi — ffi — ffi
–0 0 1 2fl
0 0 4 0 0 2
0 0 0 1
» fi
» fi » fi 1 2 3 4
0 1 2 1 0 0 —0 1 2 3ffi
–0 3 1fl , –0 3 0fl , — ffi no lo son.
— ffi — ffi — ffi
–1 0 1 2fl
0 1 4 1 0 2
1 0 0 1
Las formas generales de las matrices triangulares superiores e inferiores de orden n son
respectivamente:
» fi » fi
a11 a12 ¨ ¨ ¨ a1n´1 a1n a11
—
— a22 ¨ ¨ ¨ a2n´1
.. ..
a2n ffi
ffi
.. ffi
—
— a21 a22
ffi
ffi O
. .
— — ffi
— . . . ffi y — ..
ffi — .. . .. ffi ,
— ffi
—
– O an´1n´1 an´1n
ffi
fl
—
– an´11 an´12 ¨ ¨ ¨ an´1n´1
ffi
fl
ann an1 an2 ¨ ¨ ¨ ann´1 ann
entendiéndose que el sı́mbolo O significa que todos los coeficientes por debajo (resp. por
encima) de la diagonal son iguales a 0; no hay ninguna restricción para las entradas aij
señaladas en estos arreglos, a no ser las entradas por debajo de la diagonal en las triangula-
res superiores, y por encima de las diagonal para las triangulares inferiores. Las expresiones
de los arreglos que definen matrices diagonales y escalares son, respectivamente:
» fi » fi
a1 α
—
—
— a2 O ffi
ffi
ffi
—
—
— α Offi
ffi
ffi
— . . ffi
y
— . . ffi .
ffi
— . ffi — .
— ffi — ffi
—
– O an´1
ffi
fl
—
– O α
ffi
fl
an α
Ejemplo 1.4
Álgebra lineal: Nociones y propiedades elementales 7
Comentario 1.1
De las propias definiciones de matrices simétricas y antisimétricas se desprenden inmedia-
tamente las siguientes afirmaciones:
1. Dada cualquier matriz simétrica A “ raij snˆn , para cada i “ 1, ¨ ¨ ¨ , n la i-ésima fila
Apiq y la i-ésima columna Apiq tienen las mismas entradas; es decir
» fi
ai1
ai2
” ı — ffi
piq
— ffi
Apiq “ ai1 ai2 ¨ ¨ ¨ ain y A “— .. ffi .
.
— ffi
– fl
ain
2. Dada cualquier matriz antisimétrica A “ raij snˆn , como aii “ ´aii para todo ı́ndice
i “ 1, ¨ ¨ ¨ , n, se tiene que su diagonal es nula. Observe además que las entradas de la
fila i y columna i de A difieren solamente en el signo.
8 Neptalı́ Romero
3. Las expresiones generales para las matrices simétricas y antisimétricas de orden n son
respectivamente:
» fi » fi
a11 a12 ¨ ¨ ¨ a1n 0 a12 ¨ ¨ ¨ a1n
— a12 a22 ¨ ¨ ¨ a2n ffi 0 ¨ ¨ ¨ a2n ffi
— ffi — ffi
— ´a12
ffi y — .. ffi .
— . .. .. ffi .. .. ffi
.. ..
—
— . . .
– . . . fl – . . . fl
a1n a2n ¨ ¨ ¨ ann ´a1n ´a2n ¨ ¨ ¨ 0
Definición 1.4
Dada cualquier matriz A “ raij s en Mmˆn pKq, se define su traspuesta como la matriz
At “ rbk` s en Mnˆm pKq, donde bk` “ a`k para cada k “ 1, ¨ ¨ ¨ , n y ` “ 1, ¨ ¨ ¨ , m.
Note que una matriz y su traspuesta intercambian sus ordenes: si A es de orden m ˆ n,
entonces At es de orden n ˆ m; en particular si A es una matriz cuadrada, su traspuesta
es también cuadrada y del mismo orden. Observe también que para cada i “ 1, ¨ ¨ ¨ , n las
entradas de la fila i de A coinciden con las entradas de la columna i de At ; por ello se dice
que trasponer una matriz significa intercambiar filas por columnas.
Ejemplo 1.5 » fi
1 0 ´1 fi
»
1 2 3 0
— 2 2 1 ffi
Dada la matriz A “ — ffi, sigue que At “ –
0 2 ´2 4 fl. En cuanto
— ffi —
ffi
– 3 ´2 0 fl
´1 1 0 ´5
0 4 ´5
» fi
» fi 1
” ı 2 0 1 — ´2 ffi
— ffi
que si B “ 1 ´2 0 3 4 y C “ – 0 1 ´2 fl, entonces B t “ — 0 ffi y C t “
— ffi — ffi
— ffi
1 ´2 0 – 3 fl
4
C.
Proposición 1.1
Cualquiera sea la matriz A P Mmˆn pKq se tiene:
` ˘t
1. At “ A.
Definición 1.5
La adición (usual) de matrices es la operación ` : Mmˆn pKq ˆ Mmˆn pKq Ñ Mmˆn pKq
que a cada par ordenado pA, Bq P Mmˆn pKq ˆ Mmˆn pKq le asocia la matriz A ` B con
» fi
a11 ` b11 a12 ` b12 ¨¨¨ a1n ` b1n
a21 ` b21 a22 ` b22 a2n ` b2n
— ffi
— ¨¨¨ ffi
A`B “— .. .. .. .. ffi ,
. . . .
— ffi
– fl
am1 ` bm1 am2 ` bm2 ¨ ¨ ¨ amn ` bmn
siempre que
» fi » fi
a11 a12 ¨¨¨ a1n b11 b12 ¨¨¨ b1n
a21 a22 a2n b21 b22 b2n
— ffi — ffi
— ¨¨¨ ffi — ¨¨¨ ffi
A“— .. .. .. .. ffi y B “ — .. .. .. .. ffi .
. . . . . . . .
— ffi — ffi
– fl – fl
am1 am2 ¨ ¨ ¨ amn bm1 bm2 ¨ ¨ ¨ bmn
que asocia a cada par ordenado pα, Aq P K ˆ Mmˆn pKq una nueva matriz (el producto de
α por A) que denotamos por αA y es dada por
» fi » fi
αa11 αa12 ¨¨¨ αa1n a11 a12 ¨¨¨ a1n
αa21 αa22 αa2n a21 a22 a2n
— ffi — ffi
— ¨¨¨ ffi — ¨¨¨ ffi
αA “ — .. .. .. .. ffi , siempre que A “ — .. .. .. .. ffi .
. . . . . . . .
— ffi — ffi
– fl – fl
αam1 αam2 ¨ ¨ ¨ αamn am1 am2 ¨ ¨ ¨ amn
De forma abreviada, si α P K y A “ raij smˆn P Mmˆn pKq, entonces αA “ rcij smˆn donde
cij “ αaij para cada i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n.
10 Neptalı́ Romero
Note que las operaciones que acabamos de definir son muy simples, para sumar dos
matrices en Mmˆn pKq: ambas deben tener el mismo orden y sus coeficientes estar en K, y
la entrada ubicada en la fila i con la columna j de la matriz suma, es igual a la suma de
los correspondientes números ubicados en la misma posición dentro de las matrices que
estamos sumando. En cuanto al producto del escalar α por la matriz A, basta multiplicar
cada entrada de A por el número α.
Ejemplo 1.6
» fi » fi
1 ` i ´1 0 1´i 2 1
— 2 ´i 2 ffi — ´2 i 1 ffi
1. Dadas A “ — ffi, B “ — ffi y α “ 2, sigue claramente
— ffi — ffi
– 0 ´3 2 ´ i fl – 1 1 i fl
1 2 1 0 0 1
que
» fi » fi
p1 ` iq ` p1 ´ iq ´1 ` 2 0`1 2 1 1
— 2 ` p´2q ´i ` i 2 ` 1 ffi — 0 0 3 ffi
A`B “— ffi y
— ffi — ffi
ffi “ —
– 0`1 ´3 ` 1 2 ´ i ` i fl – 1 ´2 2 fl
1`0 2`0 1`1 1 2 2
» fi
2 ´ 2i 4 2
— ´4 2i 2 ffi
αB “ — ffi .
— ffi
– 2 2 2i fl
0 0 2
de donde A ` O “ A.
3. Dada cualquier A “ raij smˆn P Mmˆn pKq, definimos la matriz B “ rbij smˆn por
bij “ ´aij cualesquiera sean i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n. En vista que
se tiene A ` B “ O. Puede demostrarse que B es la única matriz en Mmˆn pKq con esta
propiedad.
5. La suma de dos matrices también puede ser empleada para almacenar información.
Consideremos una empresa que tiene dos fábricas ubicadas en diferentes ciudades, di-
gamos C1 y C2 . En ambas fábricas se producen los mismos 3 productos: P1, P2 y P3.
El costo de producción de una unidad de cada producto en cada fábrica depende de los
costos de insumos y del pago al personal de cada fábrica. Las matrices A y B expresan
Álgebra lineal: Nociones y propiedades elementales 11
los costos de producción, en bolı́vares, de cada producto en las fábricas ubicadas en las
ciudades C1 y C2 respectivamente:
por ejemplo, la fila 2 de la matriz A dice que el costo de producción de una unidad del
P2 en la fábrica de la ciudad C1 está discriminado de la siguiente forma: 15 bolı́vares
en insumos y 250 en pago al personal.
Insumo Personal
» fi
P1 51 610
De esta forma, la matriz C “ A ` B “ P2 – 35 530 fl contiene la infor-
— ffi
P3 41 604
mación global de los costos de producción de los tres productos de la empresa. Por
ejemplo, la fila 2 contiene la información global del costo de producción de una unidad
del producto P2 en ambas fábricas, discriminado en insumos y pagos al personal.
[A1] A ` B “ B ` A. (Conmutatividad)
[A3] Existe una única matriz O1 en Mmˆn pKq tal que para cada A P Mmˆn pKq vale
O1 ` A “ A; de hecho O1 es la matriz nula de orden m ˆ n. (Elemento neutro)
[A4] Para cada A en Mmˆn pKq existe una única matriz A1 P Mmˆn pKq tal que A`A1 “ O;
de hecho A1 “ rbij smˆn con bij “ ´aij para todo i “ 1, ¨ ¨ ¨ , m y cada j “ 1, ¨ ¨ ¨ , n.
A1 se conoce por matriz opuesta y se denota por ´A. (Elemento simétrico)
[M4] 1 A “ A.
12 Neptalı́ Romero
[A4] Ya fue mostrado (ver item 3 en el Ejemplo 1.6) que para toda matriz A “ raij smˆn , la
matriz B “ rbij smˆn con bij “ ´aij para todo i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n, hace que A ` B
sea la matriz nula. Veamos ahora que esta es la única con esa propiedad. Supongamos que
C “ rcij smˆn es tal que A ` C “ O; es decir, para cada i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n se
satisface aij ` cij “ 0. Dado que tanto aij como cij son números en K y aij ` cij “ 0
si, y solo si, cij “ ´aij para cada i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n, se tiene la unicidad de la
matriz que sumada a A da como resultado la matriz nula. En adelante a esta matriz la
denotaremos por ´A.
Observación 1.1
Las propiedades de distributividad [M1] y [M2] pueden extenderse a cualquier número
finito de escalares y matrices, más precisamente: cualquiera sea el entero k ě 2, para
todos los escalares α1 , ¨ ¨ ¨ , αk P K y matrices A1 , ¨ ¨ ¨ , Ak en Mmˆn pKq se cumplen:
˜ ¸
ÿk ÿk
1. αpA1 ` ¨ ¨ ¨ ` Ak q “ αA1 ` ¨ ¨ ¨ ` αAk ; abreviadamente se escribe α Ai “ αAi .
i“1 i“1
˜ ¸
k
ÿ k
ÿ
2. pα1 ` ¨ ¨ ¨ ` αk qA “ α1 A ` ¨ ¨ ¨ ` αk A; abreviadamente αi A“ αi A.
i“1 i“1
Definición 1.6
Dado un número finito de matrices del mismo orden: A1 , A2 , ¨ ¨ ¨ , A` en Mmˆn pKq, de-
cimos que A P Mmˆn pKq es combinación lineal de A1 , A2 , ¨ ¨ ¨ , A` , si existen escalares
k
ÿ
α1 , α2 , ¨ ¨ ¨ , α` en K tales que A “ α i Ai .
i“1
Al conjunto de todas las combinaciones lineales de las matrices A1 , A2 , ¨ ¨ ¨ , A` en
Mmˆn pKq lo denotamos por CLpA1 , A2 , ¨ ¨ ¨ , A` q; esto es,
k
ÿ
A P CLpA1 , A2 , ¨ ¨ ¨ , A` q ðñ D α1 , ¨ ¨ ¨ , α` P K tales que A “ αi Ai . (1.2)
i“1
Ejemplo 1.7
Las afirmaciones a continuación son simples de verificar.
Esta propiedad se generaliza muy fácilmente: cualquier matriz A “ raij smˆn en Mmˆn pKq
es combinación lineal de las matrices canónicas Ek` en Mmˆn pKq. Recuerde que Ek` P
Mmˆn pKq es la matriz de orden m ˆ n que tiene en la entrada k` al dı́gito 1, y las res-
m ÿ
ÿ n
tantes entradas son todas iguales a 0. Luego es simple verificar que A “ ak` Ek` ;
k“1 `“1
ası́ que CLpE11 , E12 , ¨ ¨ ¨ , Emn q “ Mmˆn pKq.
Comentario 1.2
El problema de decidir si una matriz es combinación lineal de un conjunto finito de ma-
trices equivale a resolver simultáneamente un determinado número finito de cierto tipo de
ecuaciones; estas ecuaciones (llamadas lineales) serán discutidas en el próximo capı́tulo.
A ˆ B “ tpa, bq : a P A y b P Bu.
Dado cualquier par ordenado pa, bq, al elemento a se le conoce con el nombre de primera
componente, mientras que b es la segunda componente de ese par.
La noción de producto cartesiano de dos conjuntos no vacı́os se extiende muy fácilmente
a cualquier cantidad finita de conjuntos no vacı́os. Supongamos que A1 , A2 , ¨ ¨ ¨ , An son
n conjuntos no vacı́os cualesquiera, el producto cartesiano A1 ˆ A2 ˆ ¨ ¨ ¨ ˆ An se define
como el conjunto formado por todas las n-tuplas pa1 , a2 , ¨ ¨ ¨ , an q, donde ai P Ai para cada
i “ 1, 2, ¨ ¨ ¨ , n. En realidad, una n-tupla es una secuencia (o lista) ordenada cualquiera de
n objetos; es el caso de los elementos de A1 ˆA2 ˆ¨ ¨ ¨ˆAn , solo que una tal lista o secuencia
obedece a la condición de que el primer elemento de la lista pertenece al conjunto A1 , el
segundo elemento de la lista es de A2 y ası́ sucesivamente hasta llegar al n-ésimo objeto de
Álgebra lineal: Nociones y propiedades elementales 15
[A1] A ` B “ B ` A. (Conmutatividad)
[A3] El punto O “ p0, 0, ¨ ¨ ¨ , 0q es el único tal que A`O “ A para cada A P Kn (Existencia
y unicidad de elemento neutro)
[M4] 1 A “ A.
p
ÿ
esto es, AB “ rcs1ˆ1 , donde c “ aj bj . Claramente esta matriz de orden 1 ˆ 1 se
j“1
identifica con el escalar c P K; de manera que podemos pensar en AB como un escalar,
siempre que A P M1ˆp pKq y B P Mpˆ1 pKq cualquiera sea el entero positivo n.
Definición 1.7
Dadas dos matrices A “ raik s P Mmˆp pKq y B “ rbkj s P Mpˆn pKq. Si Ap1q , ¨ ¨ ¨ , Apmq son
las filas de A y B p1q , ¨ ¨ ¨ , B pnq son las columnas de B, se define la matriz producto de A
por B como la matriz AB “ rcij s P Mmˆn pKq tal que, para cada i “ 1, ¨ ¨ ¨ , m y todo
j “ 1, ¨ ¨ ¨ , n el coeficiente cij es dado por
p
ÿ
pjq
cij “ Apiq B “ ai1 b1j ` ai2 b2j ` ¨ ¨ ¨ ` aip bpj “ aik bkj . (1.4)
k“1
Esquemáticamente
fi » fi
..
»
b1j
» .. fi
. .
— ffi — b2j
ffi
ffi — ffi —
cij
ffi
AB “ rcij smˆn “ — ai1 ai2 ¨ ¨ ¨ aip ffi “ –¨ ¨ ¨ ¨ ¨ ¨ffi
—
ffi — ¨¨¨ ¨ ¨ ¨ffi —
– fl — ¨¨¨ ..
fl
.. – fl
. bpj .
Comentario 1.3
Es importante hacer notar que el producto de una matriz A por una matriz B no siempre
está definio; la matriz producto AB está definida si, y solo si, el número de columnas de A
es igual al número de filas de B; la matriz resulta AB tiene el mismo número de filas de A
y el mismo número de columnas de B. En particular matrices cuadradas del mismo orden
siempre se pueden multiplicar, y su producto es igualmente una matriz cuadrada de ese
orden. Como se observa en la definición, cada fila de A es multiplicada (en el sentido de
(1.3)) por cada columna de B, de manera que la entrada ij de AB es el escalar Apiq B pjq .
Ejemplo 1.8
Mostraremos a continuación algunos cálculos elementales de producto de matrices.
» fi
´1 0 « ff
2 1 0 ´2
1. Consideremos las matrices A “ – 2 1 fl y B “ . Dado que A
— ffi
3 0 ´1 ´1
´3 1
es de orden 3 ˆ 2 y B de orden 2 ˆ 4, tiene sentido el producto AB, pero no BA.
Procedamos a calcular »la matriz producto fiAB. Observe que la matriz AB es de orden
c11 c12 c13 c14
3 ˆ 4: de hecho AB “ –c21 c22 c23 c24 fl, donde cij “ Apiq B pjq para todo i “ 1, 2, 3
— ffi
c31 c32 c33 c34
Álgebra lineal: Nociones y propiedades elementales 17
y j “ 1, 2, 3, 4. Ası́
» fi
´1 0 « ff
ffi 2 1 0 ´2
AB “ – 2 1 fl
—
3 0 ´1 ´1
´3 1
» fi
p´1q2 ` 0 ¨ 3 p´1q1 ` 0 ¨ 0 p´1q0 ` 0p´1q p´1qp´2q ` 0p´1q
“ – 2¨2`1¨3 2¨1`1¨0 2 ¨ 0 ` 1p´1q 2p´2q ` 1p´1q fl
— ffi
p´3q2 ` 1 ¨ 3 p´3q1 ` 1 ¨ 0 p´3q0 ` 1p´1q p´3qp´2q ` 1p´1q
» fi
´2 ´1 0 2
“ – 7 2 ´1 ´5 fl .
— ffi
´3 ´3 ´1 5
« ff « ff
i 1´i 1 0
2. Ahora consideremos las matrices A “ yB “ . Dado que
2 0 2 ` i ´1
ambas son matrices cuadradas del mismo orden, tienen sentido las matrices AA, AB, BA
y BB; calculemos AB y BA
« ff « ff « ff
i 1´i 1 0 i ¨ 1 ` p1 ´ iqp2 ` iq i ¨ 0 ` p1 ´ iqp´1q
AB “ “
2 0 2 ` i ´1 2 ¨ 1 ` 0p2 ` iq 2 ¨ 0 ` 0p´1q
« ff
3 ´1 ` i
“ ,
2 0
« ff « ff « ff
1 0 i 1´i 1¨i`0¨2 1p1 ´ iq ` 0 ¨ 0
BA “ “
2 ` i ´1 2 0 p2 ` iqi ` p´1q2 p2 ` iqp1 ´ iq
« ff
i 1´i
“ .
´3 ` 2i 3 ´ i
se deduce que si Opˆm y Onˆ` son las matrices nulas de orden p ˆ m y n ˆ `, entonces
esto es, al multiplicar la matriz nula (por la izquierda o la derecha) por cualquier matriz
(siempre que tenga sentido hacer esta multiplicación) el resultado es una matriz nula.
Ejemplo 1.9
Al igual que la matriz suma, la matriz producto permite almacenar e interpretar cierta in-
formación. Supongamos que un determinado conglomerado de personas, adultos y jóvenes,
es clasificado por sexo y esos datos se almacenan en el arreglo
« Jóvenes Adultos ff
Masculino 220 98
A“ .
Femenino 234 105
Por otra parte, los datos sobre el consumo promedio (en kilogramos) de carnes, vege-
tales y frutas en un perı́odo de tiempo T de cada joven y adulto se exponen en la matriz
« Carnes Vegetales Frutas ff
Jóvenes 4 3 6
B“ . Luego la matriz producto
Adultos 3 6 8
Teorema 1.2
La multiplicación de matrices tiene las siguientes propiedades:
a) AOnˆ` “ Omˆ` y Opˆm A “ Opˆn , donde Okˆs denota la matriz nula de orden k ˆs,
cualesquiera sean los enteros positivos k y s.
b) Im A “ A y AIn “ A, siendo que Ik es la matriz identidad de orden k ˆ k para todo
entero positivo k.
2. pABqC “ ApBCq, cualesquiera sean las matrices A P Mmˆn pKq, B P Mnˆp pKq y
C P Mpˆ` pKq (Asociatividad)
de esta forma:
p
˜ ¸ p
˜ ¸ ˜ p
¸
ÿ n
ÿ ÿ n
ÿ n
ÿ ÿ
fij “ ais bsk ckj “ ais bsk ckj “ ais bsk ckj
k“1 s“1 k“1 s“1 s“1 k“1
˜ p
¸
ÿn ÿ ÿn
“ ais bsk ckj “ ais esj “ gij ;
s“1 k“1 s“1
6. Sean A “ raij smˆn y B “ rbij snˆp ; luego es claro que At “ reij snˆm y B t “ rfij spˆn ,
donde eij “ aji para todo i “ 1, ¨ ¨ ¨ , n y j “ 1, ¨ ¨ ¨ , m; y fij “ aji para todo i “ 1, ¨ ¨ ¨ , p
y j “ 1, ¨ ¨ ¨ , n. Observe que tienen sentido las matrices matrices producto AB y B t At . Si
AB “ rcij smˆp y B t At “ rdij spˆm , entonces para cada i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , p:
n
ÿ n
ÿ
cij “ aik bkj y dij “ fik ekj .
k“1 k“1
Dado que al hacer pABqt “ rhij spˆm , se tiene hij “ cji para todo i “ 1, ¨ ¨ ¨ , p y j “
1, ¨ ¨ ¨ , m. Por tanto para demostrar la propiedad 6 es suficiente verificar que hij “ dij
para todo i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , p. En efecto:
n
ÿ n
ÿ n
ÿ
hij “ cji “ ajk bki “ ekj fik “ fik ekj “ dij ;
k“1 k“1 k“1
Comentario 1.4
De la Definición 1.7 es claro que la multiplicación de dos matrices cualesquiera, digamos
A y B, tiene sentido solo si el número de columnas de A y el número de filas de B de-
ben coincidir para ası́ obtener la matriz producto AB. En particular, para tengan sentido
simultáneamente las matrices AB y BA, ambas deben tener el mismo número de filas y
de columnas; esto es, que ambas sean matrices cuadradas del mismo orden. Consecuente-
mente, para cualquier matriz A P Mm pKq, siempre tienen sentido las matrices productos
A2 “ AA, A3 “ AAA, y en general, para cada entero positivo n ě 1 tiene sentido la po-
tencia An “ lAAjh ¨¨¨A
n. Note que para todo entero n ě 1 vale (recursivamente) la fórmula
n veces
An “ AAn´1 ; por conveniencia se adopta A0 “ Im . Por supuesto, y en particular, cuales-
quiera sean las matrices cuadradas del mismo orden, tienen sentido expresiones algebraicas
como pA ` Bq2 , A3 ` A B 2 , etc.
Definición 1.8
Dada A P Mm pKq, se dice que esta matriz es invertible (o no singular ) si existe una matriz
B P Mm pKq tal que AB “ BA “ Im .
Ejemplo 1.10
a) La matriz identidad Im de orden m ˆ m para cualquier m ě 1 es invertible, pues
Im Im “ Im , ver item 4 del Ejemplo 1.8.
2
Resulta necesario comentar que la palabra invertibilidad no aparece registrada en el Diccionario de la
lengua española de la Asociación de Academias de la lengua española, sin embargo es común su uso en la
literatura matemática
Álgebra lineal: Nociones y propiedades elementales 21
Destacamos que el problema de decidir si una matriz dada es invertible conlleva al co-
nocimiento de algunas herramientas básicas del álgebra lineal que serán tratadas adelante.
Teorema 1.3
Los siguientes enunciados son verdaderos.
a) existe una única matriz B P Mm pKq tal que AB “ BA “ Im . Esa matriz se conoce
por matriz inversa de A y se denota por A´1 .
b) la matriz A´1 también es invertible y pA´1 q´1 “ A.
3. A P Mm pKq es invertible si, y solo si, para cada Y P Mmˆ1 pKq existe una única
X P Mmˆ1 pKq tal que AX “ Y .
Demostración.
1. Supongamos que A es invertible y que existen dos matrices P, Q P Mmˆm pKq sa-
tisfaciendo que P A “ AP “ Im “ QA “ AQ. Luego, usando estas identidades sigue
inmediatamente:
P “ P Im “ P pA Qq “ pP AqQ “ Im Q “ Q.
La parte b) es obvia pues AA´1 “ Im “ A´1 A.
22 Neptalı́ Romero
Ahora bien, como raki “ aik y prjk “ pkj de la igual anterior sigue (1.8) pues δij “ δji , con
lo cual P A “ Im y por tanto A es invertible con A´1 “ P .
3. Supongamos que A es invertible. Tomemos cualquier Y P Mmˆ1 pKq y consideremos la
matriz unicolumna X “ A´1 Y . Sigue por tanto que
AX “ ApA´1 Y q “ pAA´1 qY “ Im Y “ Y.
Comentario 1.5
La propiedad establecida en el enunciado 3 del anterior teorema también es válida a,
intercambiar el orden en la multiplicación de las matrices A y P ; esto es, si para A en
Mm pKq existe P P Mm pKq tal que P A “ Im , entonces AP “ Im y ası́ A es invertible con
A´1 “ P ; la demostración es idéntica.
Por definición, para que una matriz cuadrada A P Mm pKq sea invertible se requiere
que exista B P Mm pKq tal que AB “ BA “ Im . En virtud de lo discutido, la noción de
invertibilidad puede expresarse más débilmente diciendo que una matriz A P Mm pKq si
existe B P Mm pKq tal que AB “ Im , o bien BA “ Im .
Álgebra lineal: Nociones y propiedades elementales 23
‚ Tipo II: sustitución de una fila de A por la suma de dicha fila y un múltiplo no nulo
de otra de las filas de A. La nomenclatura fi ÝÑ fi ` α fj dice que la fila i se sustituye
por la suma de la fila i y α veces la fila j, con α diferente de 0.
‚ Tipo III: transposición de dos de las filas de la matriz A. Esta operación elemental
denotada por fi ÐÑ fj , indica que las filas i y j de la matriz se intercambian.
Ejemplo 1.11 « ff
2 1 0
1. El resultado de aplicar la operación f1 ÝÑ 2 f1 sobre la matriz es la matriz
0 3 1
« ff « ff « ff
4 2 0 2 1 0 f1 ÝÑ2f1 4 2 0
; simbólicamente: ÝÝÝÝÝÑ .
0 3 1 0 3 1 0 3 1
» fi » fi » fi
2 1 0 2 1 0 2 1 0
ffi f2 ÝÑf2 `2f3 —
2. –0 3 1fl ÝÝÝÝÝÝÝÝÑ –0 3 5fl indica que la fila 2 de la matriz –0 3 1fl se ha
— ffi — ffi
0 0 2 0 0 2 0 0 2
sustituido por la suma de esa fila y dos veces la tercera.
» fi » fi
2 1 0 2 1 0
3. Al aplicar la operación elemental f2 ÐÑ f3 a –0 3 1fl se obtiene –0 0 2fl. Esto
— ffi — ffi
0 0 2 0 3 1
» fi » fi
2 1 0 2 1 0
ffi f2 ÐÑf3 —
se denota por –0 3 1fl ÝÝÝÝÝÑ –0 0 2fl.
— ffi
0 0 2 0 3 1
Teorema 1.4
Dada una operación elemental por filas e : Mmˆn pKq Ñ Mmˆn pKq, existe otra oef del
mismo tipo, e1 : Mmˆn pKq Ñ Mmˆn pKq, tal que para toda matriz A P Mmˆn pKq se tiene
24 Neptalı́ Romero
e1 pepAqq “ A y epe1 pAqq “ A. Es decir, las oef son aplicaciones invertibles y sus inversas
son también oef, y además del mismo tipo.
Demostración. Supongamos que e : Mmˆn pKq Ñ Mmˆn pKq es una oef del Tipo I, es
decir: fi ÝÑ α fi para algún i “ 1, 2, ¨ ¨ ¨ , m y algún α P Kzt0u. En otras palabras,
para cada matriz A de Mmˆn pKq la matriz epAq se obtiene de A sustituendo su fila
i por el producto de ella con el escalar α; esto es, si las filas de epAq se denotan por
epAqp1q , epAqp2q , ¨ ¨ ¨ , epAqpmq , entonces epAqpiq “ αApiq y epAqpkq “ Apkq si k ‰ i.
Sea e1 la oef dada por fi ÝÑ α´1 fi ; es decir, e1 pAqpiq “ α´1 Apiq y e1 pAqpkq “ Apkq si
k ‰ i. De esta manera se tiene:
(a) epe1 pAqqpiq “ αe1 pAqpiq “ αpα´1 Apiq q “ Apiq
Definición 1.10
Dadas matrices A, B P Mmˆn pKq, se dice que A es equivalente por filas a B, se donota
A „f ila B, si existe una secuencia finita de oef que permite obtener B a partir de A; es
decir, si existe un entero k ě 1 y oef e1 , e2 , ¨ ¨ ¨ , ek tales que pek ˝ ¨ ¨ ¨ e2 ˝ e1 qpAq “ B;
simbólicamente se escribe
e
1 2 e ek´1 k e
A ÝÑ A1 ÝÑ A2 Ñ ¨ ¨ ¨ ÝÝÝÑ Ak´1 ÝÑ B.
Ejemplo 1.12 » fi » fi
0 1 3 2 1 4
Dadas las matrices A “ – 0 1 ´1 fl y B “ – 0 1 ´1 fl se verifica A „f ila B. En
— ffi — ffi
2 1 4 0 0 4
efecto:
» fi » fi » fi
0 1 3 2 1 4 2 1 4
ffi f1 ÐÑf3 — ffi f3 ÝÑf3 ´f2 —
A “ – 0 1 ´1 fl ÝÝÝÝÝÑ – 0 1 ´1 fl ÝÝÝÝÝÝÝÑ – 0 1 ´1 fl “ B.
— ffi
2 1 4 0 1 3 0 0 4
Comentario 1.6
Sean A, B P Mmˆn pKq tales que A „f ila B; es decir, existen oef e1 , e2 , ¨ ¨ ¨ , ek tales que
pek ¨ ¨ ¨ ˝ e2 ˝ e1 qpAq “ B. Recursivamente en k se verifica que pe´1 ´1 ´1
1 ˝ e2 ¨ ¨ ¨ ˝ ek qpBq “ A;
por tanto B „f ila A y ası́ la relación „f ila es simétrica: si A es equivalente por filas a
B, entonces B es equivalente por filas a A. Ası́ que en adelante hablaremos de matrices
equivalentes por filas cuando una de las matrices se obtenga de la otra mediante una
secuencia de oef.
También de manera simple puede demostrarse que „f ila es reflexiva y transitiva (por
ende equivalencia); esto es
Álgebra lineal: Nociones y propiedades elementales 25
1. toda matriz de Mmˆn pKq es equivalente por filas a sı́ misma: A „f ila A. (reflexividad)
2. si A P Mmˆn pKq es equivalente por filas a B P Mmˆn pKq y B es equivalente por filas
a C en Mmˆn pKq, entonces A es equivalente por filas a C: A „f ila B y B „f ila C
implican A „f ila C. (transitividad)
Esta relación de equivalencia induce en Mmˆn pKq una participación, la cual es formada
por las clases de equivalencia relativas a „f ila . Recordamos que si A P Mmˆn pKq, entonces
la clase de equivalencia de A respecto de „f ila es el conjunto de todas las matrices B en
Mmˆn pKq tales que A „f ila B.
Definición 1.11
Una matriz cuadrada E P Mm pKq se dice matriz elemental si existe una oef e tal que
E “ epIm q: una matriz elemental es el resultado de aplicar una oef a la matriz identidad.
Ejemplo 1.13
Las siguientes matrices son elementales:
» fi » fi
« ff 1 0 0 1 0 0
2 0 —
, –0 1 3fl , –0 0 1fl .
ffi — ffi
0 1
0 0 1 0 1 0
Todas se obtienen mediante una oef aplicada a la identidad: la primera se obtiene al apli-
carle a I2 la operación f1 ÝÑ 2 f1 ; la segunda y tercera de I3 al aplicarles, respectivamente,
las operaciones: f2 ÝÑ f2 ` 3 f3 y f2 ÐÑ f3 .
Teorema 1.5
Dadas A P Mmˆn pKq y una operación elemental por filas e, si E es la matriz elemental
asociadda a e, E “ epIm q, entonces EA “ epAq.
Demostración. Supongamos que e es una oef del Tipo I: fi ÝÑ α fi , donde i es algún
ı́ndice entre 1 y m, y α P Kzt0u. Como E se obtiene de Im al aplicarle e, entonces las
filas de E, Ep1q , ¨ ¨ ¨ , Epmq , son como sigue: Eprq “ r0 ¨ ¨ ¨ 0 1 0 ¨ ¨ ¨ 0s, siempre que r
sea distinto de i y la entrada no nula es la r-ésima; mientras que la fila i-ésima de E
es Epiq “ r0 ¨ ¨ ¨ 0 α 0 ¨ ¨ ¨ 0s, donde la entrada no nula es la i-ésima. Recordemos que
en el item 4 del Ejemplo 1.8 (ver pág. 16) se mostró que al multiplicar por la izquierda
cualquier matriz unifila canónica por cualquier matriz A, da como resultado la fila de A
correspondiente al ı́ndice de tal matriz canónica unifila. De manera pues que al realizar la
multiplicación EA tenemos que su fila r, con r ‰ i, es la misma fila r de A. Igualmente
simple es chequear que la i-ésima fila de EA es igual a la fila i de A multiplicada por el
escalar α. De esta forma, EA es la misma matriz que se obtiene al aplicar la operación
elemental e a la matriz A. Las demostraciones en los casos que e sea de los tipos II y III
se dejan como ejercicio al lector.
Corolario 1.1
Sean A, B P Mmˆn pKq con A „f ila B y e1 , ¨ ¨ ¨ , ek oef tales que pek ˝ ¨ ¨ ¨ ˝ e2 ˝ e1 qpAq “ B.
Si E1 , ¨ ¨ ¨ , Ek son las matrices elementales correspodientes a e1 , ¨ ¨ ¨ , ek (Ei “ ei pIm q para
cada i “ 1, ¨ ¨ ¨ , m), entonces EK ¨ ¨ ¨ E2 E1 A “ B.
26 Neptalı́ Romero
Corolario 1.2
Toda matriz elemental es invertible, y su inversa es también una matriz elemental.
Demostración. Sean E P Mm pKq la matriz elemental dada por la oef e; del teorema an-
terior sabemos que para cualquier matriz A P Mmˆm pKq se cumple EA “ epAq. Considere
ahora la oef f que es la inversa de e, y sea F la matriz elemental correspondiente; esto
es, F “ f pIm q. Como EA “ epAq vale para toda A P Mmˆm pKq, se tiene EF “ epf pIm qq,
pero epf pIm qq “ Im pues e y f son una la inversa de la otra. Ası́ EF “ Im , y por tanto E
y F son invertibles y una es la inversa de la otra.
Corolario 1.3
Si A, B P Mmˆn pKq son equivalentes por filas, entonces existe una matriz invertible F en
Mm pKq tal que F A “ B.
Demostración. Del corolario anterior tenemos que existe un número finito de matrices
elementales E1 , ¨ ¨ ¨ , Ek , todas de orden m ˆ m, tales que Ek ¨ ¨ ¨ E1 A “ B. Como cada
matriz elemental es invertible y el producto de matrices invertible es también invertible,
entonces el corolario sigue.
Ejemplo 1.14
« ff
2 ´1 0 1
1. Sean A “ y e la operación elemental que sustituye la segunda fila
3 ´2 3 0
por la suma de tal fila y menos una vez la primera fila: f2 ÝÑ f2 ` p´1qf1 .
Claramente, la matriz
« obtenida a partir
ff de A luego de aplicarle esta operación elemental
2 ´1 0 1
por filas es epAq “ . Por otro lado, la matriz elemental de orden 2ˆ2
1 ´1 3 ´1
« ff
1 0
asociada a e es E “ . De esta forma tenemos que
´1 1
« ff « ff « ff
1 0 2 ´1 0 1 2 ´1 0 1
EA “ “ “ epAq.
´1 1 3 ´2 3 0 1 ´1 3 ´1
Álgebra lineal: Nociones y propiedades elementales 27
» fi » fi
2 1 ´1 5 1 ´1 3 4
2. Las matrices A “ – 0 1 2 0 fl y B “ – 0 1 2 0 fl son equivalentes
— ffi — ffi
1 ´1 3 ´4 0 0 ´13 13
por filas pues:
» fi » fi
1 ´1 3 ´4 1 ´1 3 ´4
f1 ÐÑf3 — ffi f3 ÝÑf3 ´2 f1 — ffi f3 ÝÑf3 ´3 f2
A ÝÝÝÝÝÑ – 0 1 2 0 fl ÝÝÝÝÝÝÝÝÑ – 0 1 2 0 fl ÝÝÝÝÝÝÝÝÑ B.
2 1 ´1 5 0 3 ´7 13
Como hemos empleado las operaciones
e1 : f1 ÐÑ f3 , e2 : f3 ÝÑ f3 ´ 2 f1 y e3 : f3 ÝÑ f3 ´ 3 f2 ,
las matrices elementales de orden 3 ˆ 3 correspondientes a cada una de ellas son res-
pectivamente:
» fi » fi » fi
0 0 1 1 0 0 1 0 0
E1 “ – 0 1 0 fl , E2 “ – 0 1 0 fl y E3 “ – 0 1 0 fl ,
— ffi — ffi — ffi
1 0 0 ´2 0 1 0 ´3 1
luego E3 E2 E1 A “ B pues pe3 ˝ e2 ˝ e1 qpAq “ B.
Definición 1.12
Una matriz A P Mmˆn pKq se dice escalonada si es la matriz nula, o de lo contrario satisface
las dos siguientes propiedades:
‚ si a1j1 , a2j2 , ¨ ¨ ¨ , arjr son las primeras entradas no nulas de cada fila no nula, las
cuales son denominadas pivotes de A, entonces j1 ă j2 ă ¨ ¨ ¨ ă jr .
donde lo señalado con * indica que tal posición esta ocupada por cualquier valor en K.
Note que la matriz escalonada A de arriba tiene una forma escalonada descendiente
de izquiera a derecha formada por las entradas nulas; de allı́ el nombre.
Ejemplo 1.15
1. La matriz identidad de cualquier orden es escalonada, en el recuadro » los elementos
fi
1 0 0
pivotes de I3 , que son las entradas no nulas en cada fila no nula. – 0 1 0 fl.
— ffi
0 0 1
» fi
2 3 4 1
— 0 0 0 1 ffi
2. La matriz — ffi es escalonada, los pivotes están encerrados en rectángulos.
— ffi
– 0 0 0 0 fl
0 0 0 0
3. Toda matriz triangular superior cuyas entradas en la diagonal sean todas diferentes de
0 es una matriz escalonada. ¿Es cierto la misma afirmación si algunas de las entradas
en la diagonal es nula? ¿Son escalonadas las matrices triangulares inferiores, diagonales
y escalares?
Paso 2: Si las filas por debajo de la fila k son nulas, entonces tal matriz ya es escalonada,
y la demostración está completa. Caso contrario, se emplean oef del Tipo III para
colocar las filas nulas en las posiciones finales (mayores ı́ndices de fila), y tal que
en el ı́ndice jk de la columna donde se ubica la primera entrada no nula de la fila
k, es menor o igual que el ı́ndice de columna de la primera entrada no nula de las
restantes filas no nulas.
Paso 3: Mediante oef del Tipo II se anulan, en la columna jk , todas las entradas que
están debajo de la primera entrada no nula de la fila k.
Ejemplo 1.16 » fi
0 0 0 0
—
— ´2 2 1 3 ffi
ffi
Vamos a obtener una matriz escalonada equivalente por filas a A “ — 4 0 ´2 6 ffi.
— ffi
— ffi
– 0 3 0 ´2 fl
2 0 ´1 3
» fi » fi » fi
0 0 0 0 2 0 ´1 3 2 0 ´1 3
—
— ´2 2 1 3 ffi
ffi
—
— ´2 2 1 3 ffi
ffi
—
— 0 2 0 6 ffi
ffi
ffi f1 ÐÑf5 — ffi f2 ÝÑf2 `f1 —
4 0 ´2 6 ffi ÝÝÝÝÝÑ — 4 0 ´2 6 0 0 0 0
— ffi
— ffi ÝÝÝÝÝÝÝÝÑ — ffi
— ffi — ffi f3 ÝÑf3 ´2 f1 — ffi
– 0 3 0 ´2 fl – 0 3 0 ´2 fl – 0 3 0 ´2 fl
2 0 ´1 3 0 0 0 0 0 0 0 0
» fi » fi
2 0 ´1 3 2 0 ´1 3
— 0 2 0 6 ffi — 0 2 0 6 ffi
— ffi f3 ÝÑf3 ´ 3 f2 — ffi
f3 ÐÑf4 — 2
ÝÝÝÝÝÑ — 0 3 0 ffi ÝÝÝÝÝÝÝÝÝÑ — 0 0 0 -11 ffi ,
ffi — ffi
´2
— ffi — ffi
– 0 0 0 0 fl – 0 0 0 0 fl
0 0 0 0 0 0 0 0
la cual es una matriz escalonada
» y equivalente
fi por filas a A. Observe que no es la única
1 0 ´1 0
— 0 1 0 0 ffi
— ffi
de tales matrices; la matriz — 0 0 0 1 ffi es también equivalente a A.
— ffi
— ffi
– 0 0 0 0 fl
0 0 0 0
30 Neptalı́ Romero
Comentario 1.7
Observe que la demostración que acabamos de presentar, en tanto que es algoritmica,
no es la única forma de obtener una matriz escalonada equivalente por filas a la matriz
dada. Por otra parte, suponiendo que mediante este algoritmo, o cualquier otro, se ha
obtenido una matriz escalonada B „f ila A, entonces a través de oef del Tipo I, los pivotes
de B pueden hacerse iguales a 1, pues todos ellos son diferentes de 0; además, usando
operaciones elementales del Tipo II se pueden hacer 0 las entradas ubicadas por encima
de estos pivotes, lo cual también ofrece otra matriz escalonada equivalente a A.
El siguiente teorema, cuya demostración puede incluso ser obviada en una primera
lectura, es importante pues introduce un invariante en las matrices de una misma clase de
equivalencia.
Teorema 1.7
Si dos matrices son escalonadas y equivalente por filas, entonces el número de filas no
nulas (y por tanto el número de filas nulas) es el mismo en ambas.
Observe que si r “ 1; es decir que todas las columnas Apjq de A con j ě j1 son de la forma
a1j ep1q , entonces de la identidad de arriba sigue que las columnas B pjq de B con j ě j1
son de la forma b1j ep1q , por tanto r1 “ 1 y la demostración estarı́a completa. Supongamos
entonces que r ě 2, es decir existe j2 ą j1 , las columnas Apjq de A para j1 ă j ă j2 son de
Álgebra lineal: Nociones y propiedades elementales 31
» fi
a1j2
—a ffi
— 2j2 ffi
— ffi
p1q
la forma a1j e , mientras que la columna A pj 2 q “— 0 ffi “ a1j2 ep1q `a2j2 ep2q con a2j2 ‰ 0.
— .. ffi
— ffi
– . fl
0
pjq
Esto implica, como antes, que las columnas B de B para j1 ă j ă j2 son de la forma
b1j ep1q , de donde j2 ď j21 . Invirtiendo los papeles, de la misma manera como fue indicado
arriba, tenemos la desigualdad j21 ď j2 , de donde j2 “ j21 . Además, como B pj2 q “ EApj2 q ,
se deduce similarmente que:
Eep2q “ α21 ep1q ` α22 ep1q , para ciertos α21 , α22 con α22 ‰ 0.
Procediendo por recurrencia suponemos como cierto que para todo 1 ď k ă r vale:
k
ÿ
jk “ jk1 y que Ee pkq
“ αkj epjq , donde αkk ‰ 0; (1.10)
j“1
mostraremos que lo mismo vale para el ı́ndice k ` 1. En efecto, las columnas Apjq de A
con jk ă j ă jk`1 tienen todas las entradas iguales a 0 entre la fila k ` 1 y la fila m; es
decir, Apjq “ ki“1 αji epiq . Como B pjq “ EApjq , entonces para cada j con jk ă j ă jk`1 , la
ř
columna B pjq es suma de múltiplos de ep1q , ¨ ¨ ¨ , epkq ; esto indica que esas columnas de B
tienen todas las entradas iguales a 0 entre las filas k ` 1 y la fila m. Por tanto jk`1 1 ě jk`1 .
1 1
Al invertir los papeles de A por B se tiene jk`1 ď jk`1 , y por tanto jk`1 “ jk`1 . Esto
demuestra (1.10) para todo k “ 1, ¨ ¨ ¨ , r.
Finalmente, las filas r ` 1, ¨ ¨ ¨ , m de A son todas nulas, esto dice que las columnas
de A con ı́ndices j “ jr ` 1, ¨ ¨ ¨ , n son sumas de múltiplos de ep1q , ¨ ¨ ¨ , eprq ; por tanto,
como B “ EA, las columnas de B más allá de la columna jr son sumas de múltiplos de
ep1q , ¨ ¨ ¨ , eprq . Por tanto es imposible que exista una columna B pjq de B con ı́ndice superior
a jr que tenga entradas no nulas por debajo de la fila r; ası́, r “ r1 y la demostración dell
teorema está completa.
Definición 1.13
Dada A P Mmˆn pKq, se conoce con el nombre de rango de A, o también rango fila de A,
al número de filas no nulas que tiene cualquier matriz escalonada equivalente por filas a
A; ese entero no negativo se denota por rangopAq.
Comentario 1.8
La noción recién introducida constituye un elemento básico para entender varios procesos,
tanto teóricos como de cálculo, que son abordados empleando herramientas del álgebra
Lineal. Es significativo mencionar:
‚ El rango es un invariante para las matrices que son equivalentes por filas; esto es,
cualquier par de matrices que sean equivalente por filas tienen el mismo rango.
‚ Dada una matriz A P Mmˆn pKq, su rango es un entero r con 0 ď r ď m; claramente la
única matriz de rango 0 es la matriz nula.
32 Neptalı́ Romero
tienen el mismo rango, en este caso igual a 2, pero no son equivalentes por filas ya que los
ı́ndices de las columnas donde están las primeras entradas no nulas de las filas no nulas
son diferentes; ver teorema anterior.
Ejemplo 1.17 » fi
2 0 1
— 1 ´1 2 ffi
Determinemos el rango de A “ — ffi. Lo que debemos hacer es obtener una
— ffi
– 3 ´1 3 fl
´1 1 ´2
matriz equivalente por filas a A que sea escalonada y luego contar el número de filas no
nulas de ésta última.
» fi » fi » fi
1 ´1 2 1 1 2 1 1 2
— 2 0 1 ffi
ffi f2 ÝÑf2 ´2 f1 — 0 2 ´3 ffi f3 ÝÑf3 ´f2 — 0 2 ´3 ffi
— ffi — ffi
f2 ÐÑf1 —
A ÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÝÑ — ffi .
– 3 ´1 3 fl f3 Ñ f3 ´ 3 f1 – 0 2 ´3 fl – 0 0 0 fl
´1 1 ´2 f4 Ñ f4 ` f1 0 0 0 0 0 0
Definición 1.14
Una matriz A P Mmˆn pKq se dice escalonada reducida por filas si es nula, o en caso
contrario es escalonada, los pivotes son todos iguales a 1 y las entradas arriba de los
pivotes son nulas. Toda matriz no nula escalonada reducida por filas tiene la forma:
» fi
0 ¨¨¨ 0 1 ˚ ˚ 0 ¨¨¨ 0 ¨¨¨ ˚
— 0 ¨ ¨ ¨ 0 0 ¨ ¨ ¨ 0 1 ¨ ¨ ¨ 0 ¨ ¨ ¨ ˚ ffi
— ffi
— . . . . .. .. .. .. .. .. .. ffi
— .. .. .. .. . . . . . . . ffi
— ffi
— 0 ¨ ¨ ¨ 0 0 ¨ ¨ ¨ 0 0 ¨ ¨ ¨ 1 ¨ ¨ ¨ ˚ ffi , (1.11)
— ffi
— ffi
— 0 ¨ ¨ ¨ 0 0 ¨ ¨ ¨ 0 0 ¨ ¨ ¨ 0 ¨ ¨ ¨ 0 ffi
— .. .. .. .. .. .. .. .. .. .. .. ffi
— ffi
– . . . . . . . . . . . fl
0 ¨¨¨ 0 0 ¨¨¨ 0 0 ¨¨¨ 0 ¨¨¨ 0
lo señalado con * indica que tal posición puede estar ocupada por cualquier valor en K.
‚ Toda matriz nula y toda matriz identidad son escalonadas reducidas por filas.
Álgebra lineal: Nociones y propiedades elementales 33
‚ Las siguientes matrices no son escalonadas reducidas por filas, ¿por qué?:
» fi
» fi 0 0 0 0 0
0 1 0 » fi » fi » fi
—1 1 0 0 1 0 0 0 0 0 0 1 —0 0 0 0 0ffi
0 1ffi —
ffi — ffi
ffi , –0 3 0fl , –0 0 0 0fl , –1 0 1 0fl , —0 1 0 0 0ffi .
— ffi — ffi — ffi — ffi
—
–0 0 0fl — ffi
0 0 0 0 0 0 1 0 0 0 0 –0 0 0 0 0fl
0 0 0
0 0 0 0 0
Teorema 1.8
Toda matriz es equivalente por filas a una única escalonada reducida por filas.
Demostración. Si A es la matriz nula, no hay nada que demostrar pues la única matriz
equivalente por filas a A es la propia matriz nula, que es escalonada reducida por filas.
Supongamos que A es no nula, la existencia de una matriz escalonada reducida por filas
equivalente por filas a A está garantizada en el Comentario 1.7; veamos la unicidad.
Supongamos que G, J P Mmˆn pKq son matrices escalonadas reducidas por filas tales
que A „f ila G y A „f ila J; por tanto existen matrices invertible E, F P Mmˆm pKq tales
que EA “ G y F A “ J. Claramente G „f ila J y H “ F E ´1 hace que HG “ J.
Dado que G y J son escalonadas, el Teorema 1.7 garantiza que si j1 ă j2 ă ¨ ¨ ¨ ă jr y
j11 ă j21 ă ¨ ¨ ¨ ă jr1 son los ı́ndices de las columnas de G y J donde están los pivotes de
estas matrices (recuerde que tales pivotes son iguales a 1), entonces r “ r1 y para cada
1 ď k ď r se cumple jk “ jk1 . De la definición de matriz escalonada reducida por filas y la
anterior condición sobre los ı́ndices jk con 1 ď k ď r se deduce que:
(a) Gpjk q “ J pjk q “ epkq para todo 1 ď k ď r; donde epkq es la matriz unicolumna canónica
que tienen el dı́gito 1 en su entrada k.
En vista de (a), debe mostrarse que Gpjq “ J pjq para toda j diferente de las j1 , ¨ ¨ ¨ , jr .
Ahora bien, esta misma condición (a) y el hecho que HGpjq “ J pjq para toda j, implican
34 Neptalı́ Romero
Hepjq “ epjq para toda j “ 1, ¨ ¨ ¨ , r. Por otra parte, usando (b) se tiene que para toda j
diferente de j1 , ¨ ¨ ¨ , jr vale:
˜ ¸
r
ÿ ÿr r
ÿ
F pjq “ HGpjq “ H αij epiq “ αij Hepiq “ αij epiq “ Gpjq ,
i“1 i“1 i“1
Ejemplo 1.18
Determinemos » la matriz escalonada reducida
fi por filas que es equivalente por filas a la
´2 2 ´4 ´6 ´4
— ´3 6 3 ´15 ´3 ffi
matriz A “ — ffi. Empleando los procedimientos antes descritos
— ffi
– 5 ´8 ´1 17 9 fl
1 1 11 7 7
tenemos:
» fi » fi
1 ´1 2 3 2 1 ´1 2 3 2
1
f1 ÝÑ´ 2 f1 — — ´3 6 3 ´15 ´3 ffi ffi f2 ÝÑf2 `3 f1 — 0
— 3 9 ´6 3 ffi
A ÝÝÝÝÝÝ
ffi
ÝÑ — ffi ÝÝÝÝÝÝÝÝÝÝÑ — ffi
– 5 ´8 ´1 17 9 fl f3 Ñ f3 ´ 5 f1 – 0 ´3 ´11 2 ´1 fl
1 1 11 7 7 f4 Ñ f4 ´ f1 0 2 9 4 5
» fi » fi
1 ´1 2 3 2 1 0 5 1 3
1
f2 ÝÑ 3 f2 — — 0 1 3 ´2 1 ffi f1 ÝÑf1 `f2 — 0 1 3 ´2 1 ffi
ffi —
ffi
ÝÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÝÝÝÝÑ — ffi
– 0 ´3 ´11 2 ´1 fl f3 Ñ f3 ` 3 f2 – 0 0 ´2 ´4 2 fl
0 2 9 4 5 f4 Ñ f4 ´ 2 f2 0 0 3 8 3
» fi » fi
1 0 5 1 3 1 0 0 ´9 8
1
f3 ÝÑ´ 2 f3 —— 0 1 3 ´2 1 ffi
ffi f1 ÝÑf1 ´5 f3 — 0 1 0 ´8 4 ffi
—
ffi
ÝÝÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÝÝÝÝÑ — ffi
– 0 0 1 2 ´1 fl f2 Ñ f2 ´ 3 f3 – 0 0 1 2 ´1 fl
0 0 3 8 3 f4 Ñ f4 ´ 3 f3 0 0 0 2 6
» fi » fi
1 0 0 ´9 8 1 0 0 0 35
1
— 0 1 0 ´8
f4 ÝÑ 2 f4 — 4 ffi
ffi f1 ÝÑf1 `9 f4 — 0 1 0 0 28 ffi
— ffi
ÝÝÝÝÝ ÝÑ — ffi Ý Ý Ý Ý ÝÝÝ Ý ÝÝ Ñ — ffi .
– 0 0 1 2 ´1 fl f2 Ñ f2 ` 8 f4 – 0 0 1 0 ´7 fl
0 0 0 1 3 f3 Ñ f3 ´ 2 f4 0 0 0 1 3
Observe que esta última matriz es la reducida por filas; note además que A tiene rango
máximo (rangopAq “ 4).
Corolario 1.4
Para cualquier par de matrices A, B P Mmˆn pKq se cumple: A „f ila B si, y solo si, ambas
son equivalentes a la misma matriz escalonada reducida por filas.
Demostración. (ùñ) Supongamos que A „f ila B. Sean G y F en Mmˆn pKq las matrices
escalonadas reducidas por filas equivalentes por filas a A y B respectivamente. Como
A „f ila G y B „f ila F , entonces A „f ila F (¿por qué?). Ahora bien, por la unicidad de
las matrices escalonadas reducidas por filas equivalentes por filas a una matriz dada, sigue
que G “ F .
(ðù) Sigue inmediatamente de la transitividad de la relación binaria „f ila .
Álgebra lineal: Nociones y propiedades elementales 35
Comentario 1.9
Sean A P Mmˆn pKq y rAs„f ila “ tB P Mmˆn pKq : A „f ila Bu su clase de equivalencia. La
única matriz escalonada reducida por filas en esta clase de equivalencia es la forma canónica
de Jordan de cada una de las matrices en rAs„f ila ; en particular es la forma canónica de
Gauss-Jordan de A. Recuerde que si A y B son matrices con diferentes formas canónicas
de Gauss-Jordan, entonces las clases de equivalencias rAs„f ila y rBs„f ila son disjuntas.
Obviamente la forma canónica de Gauss-Jordan de toda matriz nula es ella misma.
Teorema 1.9
Una matriz A P Mm pKq es invertible si, y solamente si, su forma canónica de Gauss-
Jordan es la matriz identidad Im .
Corolario 1.5
A P Mm pKq es invertible si, y solo si, rangopAq “ m.
Ası́ que al aplicar a Im la misma secuencia de oef que se aplican a A para obtener
su forma canónica de Gauss-Jordan (la identidad Im pues A es invertible), se obtiene la
36 Neptalı́ Romero
e e e ek´1 e
1
rA|Im s ÝÑ 2
rA1 |E1 s ÝÑ 3
rA2 |E2 E1 s ÝÑ k
¨ ¨ ¨ ÝÝÝÑ rAk´1 |Ek´1 ¨ ¨ ¨ E2 E1 s ÝÑ rIm |A´1 s.
Ejemplo 1.19 » fi
´2 2 ´4
Dada la matriz A “ – ´3 6 3 fl; averigüaremos si es invertible o no, y en caso que
— ffi
5 ´8 ´1
lo sea, determinaremos su inversa. Procedamos colocando en un mismo arreglo, en este
caso de orden 3 ˆ 6, la matriz A del lado izquierdo y la identidad I3 en el lado derecho y
procedemos como arriba descrito.
» fi » fi
´2 2 ´4 1 0 0 1 1 ´1 2 ´ 12 0 0
ffi f1 ÝÑ´ 2 f1 —
6 3 0 1 0 fl ÝÝÝÝÝÝÝÑ – ´3 6 3 0 1 0 fl
— ffi
– ´3
5 ´8 ´1 0 0 1 5 ´8 ´1 0 0 1
» fi » fi
1 ´1 2 ´ 12 0 0 1 1 ´1 2 ´ 12 0 0
f2 ÝÑf2 `3 f1 — 3 ffi f2 ÝÑ 3 f2 —
ÝÝÝÝÝÝÝÝÑ – 0 3 9 ´ 2 1 0 fl ÝÝÝÝÝÝÑ – 0 1 3 ´ 12 1
3 0 fl
ffi
f3 Ñf3 ´5 f1 5 5
0 ´3 ´11 2 0 1 0 ´3 ´11 2 0 1
» fi » fi
1 0 5 ´1 31 0 1 1 0 5 ´1 1
3 0
f1 ÝÑf1 `f2 — 1 1 ffi f3 ÝÑ´ 2 f3 — 1 1
ÝÝÝÝÝÝÝÑ – 0 1 3 ´ 2 3 0 fl – 0 1 3 0 fl
ffi
ÝÝ ÝÝ ÝÝ Ý Ñ ´2 3
f3 Ñf3 `3 f2
0 0 ´2 1 1 1 0 0 1 ´ 21 ´ 12 ´ 12
» fi
3 17 5
1 0 0 2 6 2
f1 ÝÑf1 ´5 f3 —
ÝÝÝÝÝÝÝÝÑ – 0 1 0 1 11 6
3 ffi
2 fl
.
f2 Ñf2 ´3 f3 1 1 1
0 0 1 ´2 ´2 ´2
» fi
3 17 5
2 6 2
11 3
Concluimos ası́ que A es invertible y A´1 “ – 1 fl.
— ffi
6 2
´ 12 ´ 12 ´ 21
Ejemplo 1.20 fi »
1 2 ´1
Consideremos ahora la matriz A “ – 2 1 3 fl. Procedamos como antes para ver si A
— ffi
4 5 1
Álgebra lineal: Nociones y propiedades elementales 37
Dado que en el lado izquierdo del arreglo ampliado ya se tiene una forma escalonada
equivalente por filas a A y tal matriz escalonada tiene una fila nula, se concluye que A
no es invertible pues rangopAq “ 2 ă 3. Puede, obviamente, continuarse el proceso de
obtención de la forma canónica de Gauss-Jordan de A (ya no se requiere la parte de la
derecha); de hecho:
» fi » fi » fi
7
1 2 ´1 1 1 2 ´1 1 0 3
ffi f2 ÐÑ´ f2 — ffi f1 ÝÑf1 ´2 f2 —
– 0 ´3 5 fl ÝÝÝÝÝÝ3ÝÑ – 0 1 ´ 53 fl ÝÝÝÝÝÝÝÝÑ – 0 1 ´ 53 fl .
— ffi
0 0 0 0 0 0 0 0 0
fi»
7
1 0 3
Por tanto la forma canónica de Gauss-Jordan de A es – 0 1 ´ 53 fl.
— ffi
0 0 0
» fi » fi » fi » fi
2 0 1 1 0 0 1 0 1 1 0 0
a) –0 1 1fl b) –0 1 0fl c) –0 1 1fl d) –0 2 0fl
— ffi — ffi — ffi — ffi
0 0 0 0 0 1 1 1 0 0 0 3
» fi
» fi » fi 0 0 0 0 » fi
0 0 1 1 ´1 1 —0 0 0 1
0 0 0ffi
e) – 0 0 2 fl f) – 1 1 2 fl g) — h) –0 1 0fl
— ffi — ffi — ffi — ffi
ffi
–0 0 0 0fl
´1 ´2 0 ´1 ´2 1 1 0 0
0 0 0 0
» fi » fi » fi » fi
2 0 1 0 0 1 2 0 0 1 1 0 0
a) –0 1 1fl b) –0 1 0 1fl c) – 0 0 2 fl d) –1 2 0fl
— ffi — ffi — ffi — ffi
0 0 0 1 0 0 2 ´1 ´2 0 2 2 3
38 Neptalı́ Romero
a) A ` 2B b) A2 B ` 3B 2 c) pA ` Bq2 d) AB ` AC t e) CB ´ BC
f) CD ´ 2E g) 2Dt A ´ 3E t h) ApB ´ 2C 2 q b) 21 pC ` C t q c) 12 pC ´ C t q
13. Completar la demostraciones de: Proposición 1.1, Teorema 1.1, Proposición 1.2 y Teo-
rema 1.2.
40 Neptalı́ Romero
14. Demostrar que cualesquiera sean los enteros k, ` ě 2, los escalares α1 , ¨ ¨ ¨ , αk P K y las
matrices A1 , ¨ ¨ ¨ , A` P Mmˆn pKq, se cumple:
˜ ¸˜ ¸
k
ÿ `
ÿ k ÿ
ÿ ` ` ÿ
ÿ k
αj Ai “ pαj Ai q “ pαj Ai q.
j“1 i“1 j“1 i“1 i“1 j“1
15. Dadas matrices A, B P Mmˆm pKq, demostrar que pA ` Bq2 “ A2 ` 2A B ` B 2 si, y solo
si, A y B conmutan.
16. Decidir acerca de la veracidad o falsedad de cada una de las siguientes proposiciones.
Justifique razonadamente su respuesta; esto es, ofrezca una demostración si la propo-
sición es verdadera, o un contraejemplo en caso que sea falsa.
17. Sea α ‰ 0. Demostrar que para todo entero positivo n vale la identidad:
« ffn « ff
cos θ α sen θ cospnθq α senpnθq
“ .
´ k1 sen θ cos θ ´ k1 senpnθq cospnθq
Álgebra lineal: Nociones y propiedades elementales 41
21. Sean A, B P Mmˆm pKq tales que AB es invertible. Demostrar que tanto A como B son
invertibles. Generalize tal propiedad para un número finito de matrices.
a) Si la fila Apiq de A es nula, demostrar que para cualquier matriz B P Mmˆp pKq la
fila i de la matriz producto AB también es nula.
b) Si la columna Apjq de A es nula, demostrar que para cualquier matriz B P Mpˆm pKq,
la columna j de BA es nula.
Deducir que cualquier matriz cuadrada con al menos una fila, o una columna, nula no
es invertible.
23. Sean A, B P Mm pKq invertibles tales que A`B también lo es. Demostrar que A´1 `B ´1
es invertible y pA´1 ` B ´1 q´1 “ ApA ` Bq´1 B “ BpA ` Bq´1 A.
25. Demostrar que el rango de cualquier matriz de orden m ˆ n es siempre menor o igual
al mı́ntm, nu.
27. Para cada una de las siguientes matrices determine su rango y forma canónica de
Gauss-Jordan.
» fi
0 » fi
« ff 2 ´1 ´7 ´10
” ı — ´2 ffi 1 ´2 1 4
1 ´2 1 4 , — , , – 1 1 ´8 ´14 fl .
— ffi — ffi
ffi
– 5 fl 2 ´3 ´1 2
3 ´4 ´3 0
2
28. Empleando operaciones elementales por filas, determine cuáles de las siguientes matrices
42 Neptalı́ Romero
30. Sean A P Mmˆm pKq y Ap1q , ¨ ¨ ¨ , Apmq las filas de A. Demostrar que si una de tales filas
se escribe como la suma de múltiplos de las restantes filas, entonces A es no invertible.
¿Es cierto el recı́proco?
31. Dada A “ raij s P Mmˆn pCq, se define la traspuesta hermitiana de A como la matriz
A˚ “ rbij s de Mnˆm pCq tal que bij “ aji para todo i “ 1, ¨ ¨ ¨ , n y cada j “ 1, ¨ ¨ ¨ , m.
32. Al igual que las operaciones elementales por fila, se introducen las operaciones elemen-
tales por columnas y matrices elementales por columnas:
33. Toda matriz A P Mmˆn pKq se puede expresar como una matriz por bloques; esto se
obtiene trazando uno o más segmentos horizontales y verticales atravesando el arreglo
A; los subarreglos definidos por los sectores obtenidos mediante tales segmentos se
les
» conoce comofi bloques de A, o también como submatrices de A. La matriz A “
1 2 9 0
–2 1 0 0fl puede expresarse de diferentes manera como una matriz por bloques;
— ffi
0 0 0 0
por ejemplo:
« ff « ff « ff
A1 A2 1 2 9 0 ” ı
‚ , donde A1 “ , A2 “ , A3 “ A4 “ 0 0 ;
A3 A4 2 1 0 0
« ff « ff « ff
A1 A2 1 2 9 0 ” ı ” ı
‚ , donde A1 “ , A2 “ , A3 “ 0 0 y A4 “ 0 ;
A3 A4 2 1 0 0
« ff « ff
A1 ” ı 2 1 0 0
‚ , donde A1 “ 1 2 9 0 y A2 “ .
A2 0 0 0 0
a) Sean A, B P Mmˆn pKq las cuales han sido separadas por bloques de la misma ma-
nera:
» fi » fi
A11 A12 ¨ ¨ ¨ A1k B11 B12 ¨ ¨ ¨ B1k
— A21 A22 ¨ ¨ ¨ A2k B21 B22 ¨ ¨ ¨ B2k
— ffi — ffi
ffi — ffi
A“— — .. .. .. ffi y B “ — .. .. .. ffi .
– . . . . . .
ffi — ffi
¨¨¨ fl – ¨¨¨ fl
Ap1 Ap2 ¨ ¨ ¨ Apk Bp1 Bp2 ¨ ¨ ¨ Bpk
44 Neptalı́ Romero
Demostrar
» fi
A11 ` B11
A12 ` B12 ¨ ¨ ¨ A1k ` B1k
A21 ` B21
A22 ` B22 ¨ ¨ ¨ A2k ` B2k
— ffi
— ffi
A`B “— .. .. .. ffi , y
. . .
— ffi
– ¨¨¨ fl
Ap1 ` Bp1 Ap2 ` Bp2 ¨ ¨ ¨ Apk ` Bpk
» fi
α A11 α A12 ¨ ¨ ¨ α A1k
— α A21 α A22 ¨ ¨ ¨ α A2k ffi
— ffi
αA “ — .. .. .. ffi .
. . .
— ffi
– ¨¨¨ fl
α Ap1 α Ap2 ¨ ¨ ¨ α Apk
b) Sean A P Mmˆn pKq y B P Mnˆ` pKq que descompuestas en bloques:
» fi » fi
A11 A12 ¨ ¨ ¨ A1k B11 B12 ¨ ¨ ¨ B1s
— A21 A22 ¨ ¨ ¨ A2k ffi — B21 B22 ¨ ¨ ¨ B2s
— ffi — ffi
ffi
A“—— .. .. ffi y B “ — ..
.. ffi — .. .. ffi
– . . . fl – . . .
ffi
¨¨¨ ¨¨¨ fl
Ap1 Ap2 ¨ ¨ ¨ Apk Bk1 Bk2 ¨ ¨ ¨ Bks
de manera que tenga sentido la operación Ait Btj para todo 1 ď i ď p, 1 ď t ď k y
1 ď j ď s. Demostrar que
» fi
C11 C12 ¨ ¨ ¨ C1s
— C21 C22
—
¨ ¨ ¨ C2s
ffi
ffi ÿk
AB “ —— .. .. .. ffi donde Cij “ Ait Btj .
– . . .
ffi
¨¨¨ fl t“1
Cp1 Cp2 ¨ ¨ ¨ Cpk
c) Una matriz cuadrada
» A de orden m ˆ m se fi dice diagonal por bloques se escribe da
A1
—
— A2 O ffi
ffi
la forma A “ —
— . .
ffi
ffi, donde las matrices Aj (j “ 1, ¨ ¨ ¨ , k)
— . ffi
—
– O Ak´1
ffi
fl
Ak
son cuadradas, no necesariamente del mismo orden, pero cuya de ordenes es m; y
fuera de la diagonal los restantes bloques son matrices nulas. Demostrar:
» fi
As1
—
— As2 O ffi
ffi
1) Para cada entero positivo s se cumple A “ — s
— . .
ffi
ffi.
— . ffi
—
– O Ask´1
ffi
fl
Aks
» fi
B1
—
— B2 O ffi
ffi
2) Si B “ —
—
— . ..
ffi
ffi es otra matriz diagonal por bloques y
ffi
—
– O Bk´1
ffi
fl
Bk
descompuesta de la misma forma que A, obtener AB. Demuestre también que
Álgebra lineal: Nociones y propiedades elementales 45
A es invertible
» si,´1y solo si cada matriz Aj (jfi“ 1, ¨ ¨ ¨ , k) es invertible, y en tal
A1
—
— A2´1 O ffi
ffi
´1
caso A “ —
—
— . ..
ffi
ffi.
ffi
—
– O A´1
k´1
ffi
fl
´1
Ak
» fi
A1
—
— A2 O ffi
ffi
—
34. Sea A “ — .. ffi
ffi una matriz diagonal por bloques. Demostrar
— . ffi
—
– O Ak´1
ffi
fl
Ak
que
» la forma canónica de Gauss-Jordan
fi de A es también diagonal por bloques B “
B1
—
— B2 O ffi
ffi
— .. ffi
ffi, donde cada bloque Bj en la diagonal de B es la forma
—
— . ffi
—
– O Bk´1
ffi
fl
Bk
canónica de Gauss-Jordan de Aj . Deducir que el rango de A es la suma de los rangos
de las matrices bloques de la diagonal. Proporcione ejemplos de esas matrices.
35. Dar un concepto de cuando una matriz cuadrada está en la forma triangular superior
(resp. inferior) por bloques. Expresar la forma canónica de Gauss-Jordan de una tal
matriz en términos de las formas canónicas de Gauss-Jordan de las matriz bloques de
la diagonal de la matriz triangular superior por bloques. Proporciones ejemplos.
36. Dada A P Mmˆn pKq, se dice que A es invertible por la izquierda, si existe L P Mnˆm pKq
tal que LA “ In ; y es invertible por la derecha, si existe R P Mnˆm pKq tal que AR “ Im .
Las matrices L y R se conocen como inversas laterales de A, por la izquierda y la derecha
respectivamente.
2.1. Introducción
Los sistemas de ecuaciones lineales constituyen una herramienta matemática básica,
elemental y fundamental para resolver una gran cantidad de problemas; su uso es bastante
antiguo. En diferentes excavaciones arqueológicas realizadas en la antigua Babilonia (hoy
parte de Irak), fueron halladas tablillas construidas en arcilla donde son expuestas, y
resueltos, sistemas de ecuaciones lineales; en una de esas tablillas se encuentra el siguiente
enunciado (traducción e interpretación por delante):
“la cuarta parte de la anchura más la longitud es igual a cinco manos;
y la anchura más la longitud son diez manos”
En la nomenclatura moderna, si hacemos x igual a la anchura, y igual a la longitud y
le asignamos 1 al valor de la “mano”, el anterior enunciado se expresa simbólicamente por
dos ecuaciones: 14 x ` y “ 5 y x ` y “ 10. Los egipcios también dejaron evidencias, en sus
papiros, del conocimiento que tenı́an de los sistemas de ecuaciones lineales; famosos son los
denominados papiros de Rhind (1650 a.C.) y de Moscú (1850 a.C.). En ellos se da cuenta
de una manera retórica, tanto la formulación como la solución de problemas que involucran
ecuaciones lineales Los antiguos griegos también tuvieron conocimiento de los sistemas de
ecuaciones lineales. Thymaridas de Paros (400 a.C - 350 a.C) fue uno de los Pitagóricos
que además de ser un teórico de los números primos, encontró una solución general de un
tipo de sistemas de ecuaciones lineales conocidas como la flor de Thymaridas.
Diofanto de Alejandrı́a (vivió durante el siglo III d.C.), famoso pensador griego muy
destacado por sus aportes a la matemática, aunque es poco lo que se sabe sobre su vida,
la edad a la que fallece es bien conocida. Ello gracias al siguiente epitafio, el cual es parte
importante de la antologı́a griega:
“Transeúnte, esta es la tumba de Diofanto: es él quien con esta sorpren-
dente distribución te dice el número de años que vivió. Su niñez ocupó la
sexta parte de su vida; después, durante la doceava parte su mejilla se
cubrió con el primer bozo. Pasó aún una séptima parte de su vida antes
de tomar esposa y, cinco años después, tuvo un precioso niño que, una
vez alcanzada la mitad de la edad de su padre, pereció de una muerte
desgraciada. Su padre tuvo que sobrevivirle, llorándole, durante cuatro
años. De todo esto se deduce su edad”.
La matemática china del siglo III a.C. también tuvo conocimiento de los sistemas de
ecuaciones lineales. El anónimo libro de la época, Nueve capı́tulos sobre las artes ma-
temáticas, contiene, quizá, el primer análisis registrado sobre la solución de sistemas de
47
48 Neptalı́ Romero
Definición 2.1
Una ecuación lineal con n incógnitas y coeficientes en K, es cualquier expresión del tipo
a1 x1 ` a2 x2 ` ¨ ¨ ¨ ` an xn “ b, (2.1)
Definición 2.2
Una solución de la ecuación lineal (2.1) es cualquier n-tupla pt1 , ¨ ¨ ¨ , tn q P Kn para la cual
se verifica (2.1); es decir, a1 t1 ` a2 t2 ` ¨ ¨ ¨ ` an tn “ b.
Ejemplo 2.1
1. La expresión 2x ` y ´ 3z “ 2 es una ecuación lineal con coeficientes y término indepen-
diente en R, y cuyas incógnitas son x, y y z. La 3-tupla p1, 0, 0q es una solución de tal
ecuación, ası́ como lo son p0, 2, 0q y p0, 0, ´ 32 q. No obstante, p1, 1, 1q no es solución.
Comentario 2.1
Toda ecuación lineal a1 x1 ` a2 x2 ` ¨ ¨ ¨ ` an xn “ b con al menos uno de los coeficientes no
nulo, admite solución: si ar ‰ 0 (1 ď r ď n), entonces la n-tupla p0, ¨ ¨ ¨ , 0, abr , 0, ¨ ¨ ¨ , 0q de
Kn es una solución de la ecuación; su coordenada no nula es la r-ésima.
Note que si todos los coeficientes son nulos y el término independiente es diferente de
0, entonces la ecuación no tiene solución; es decir, no existe una n-tupla pt1 , t2 , ¨ ¨ ¨ , tn q
que haga 0t1 ` 0t2 ` ¨ ¨ ¨ ` 0tn “ b.
Definición 2.3
Un sistema de ecuaciones lineales con m ecuaciones y n incógnitas es cualquier colección
de m ecuaciones lineales con n incógnitas. Simbólicamente
$
’
’ a11 x1 ` a12 x2 ` ¨ ¨ ¨ ` a1n xn “ b1
’
& a x ` a x ` ¨¨¨ ` a x “ b
21 1 22 2 2n n 2
, (2.2)
’
’ . . . . . . . . . . . . . . . . . .
’
am1 x1 ` am2 x2 ` ¨ ¨ ¨ ` amn xn “ bm
%
Álgebra lineal: Nociones y propiedades elementales 49
donde: a11 , ¨ ¨ ¨ , a1n , a21 , ¨ ¨ ¨ , a2n , ¨ ¨ ¨ , am1 , ¨ ¨ ¨ , amn P K son sus coeficientes, b1 , ¨ ¨ ¨ , bm son
los términos independientes y x1 , x2 , ¨ ¨ ¨ , xn son las incógnitas (o variables). El sistema se
dice homogéneo si cada uno de los términos independientes es igual a 0; caso contrario, el
sistema de ecuaciones lineales se denomina no homogéneo.
Ejemplo 2.2
Los sistemas de ecuaciones lineales
$
$ ’ p1 ` iqx ` y ´ z “ i
& 2x ` z “ 2
# ’ ’
’
2x ` y ´ z “ 1 & x ´ 3iy ` z “ 2 ´ i
, ´3y ` z “ 3 y .
´x ` 3y ` 2z “ 2 ’ % x ` y ´ 2z “ 0 ’
’ p2 ` iqx ` iy “ 0
’
x ` p1 ` 2iqy ` z “ 1
%
Ejemplo 2.3
Los sistemas de ecuaciones lineales son empleados para representar diferentes tipos de
problemas; veamos algunos ejemplos:
1. Una empresa recicladora de desechos produce dos tipos de cartón: liso y corrugado.
La confección del cartón se produce en dos talleres: A y B. En el primer taller, por
cada kilogramo de desechos se producen 0, 2 kg de cartón liso y 0, 2 kg del corrugado;
mientras que en el taller B la producción por cada kilogramo de desechos es de 0, 4 kg
del liso y 0, 3 kg del corrugado. El problema que se plantea es el siguiente: ¿qué cantidad
de desechos debe procesar cada taller para producir 50 kg de cartón liso y 35 kg del
corrugado?
En primer lugar debemos identificar las variables del problema; es decir, las incógnitas.
Claramente estas variables son las cantidades de desechos que debe procesar cada taller.
Por tanto intruducimos la siguiente notación:
Los datos de la producción de los diferentes tipos de cartón elaborados por los talleres
« A B ff
Liso 0, 2 0, 4
A y B se expresan matricialmente mediante . Esta matriz
Corrugado 0, 2 0, 3
informa sobre los datos del problema; por ejemplo la entrada ubicada en la fila 1 y
columna 2 indica que en el taller B se produce, por cada kilogramo de desechos, 0,4
kilogramos de cartón liso. Note que cada columna indica la producción de cada taller.
Ası́, la cantidad de cartón liso que se produce en ambos talleres, a partir de x kilogramos
de desechos en el taller A y de y kilogramos de desechos en el taller B, es dada por
la expresión 0, 2x ` 0, 4y; mientras que la cantidad de cartón corrugado producido a
partir de las mismas cantidades de desechos x e y en los dos talleres se expresa por
0, 2x ` 0, 3y. Consecuentemente, para dar respuesta al#problema planteado se debe
0, 2 x ` 0, 4 y “ 50
analizar la solución del sistema de ecuaciones lineales ; lo que
0, 2 x ` 0, 3 y “ 35
« ff « ff « ff
0, 2 0, 4 x 50
matricialmente se expresan mediante “ .
0, 2 0, 3 y 35
obviamente esta identidad ocurre si, y solamente si, las matrices del lado izquierdo y
del lado derecho deben ser iguales. De acá entonces que C es combinación
$ lineal de las
& iu “ 1
’
matrices A y B si, y solamente si, el sistema de ecuaciones lineales p1 ` iqv “ 1
’
% 2u ` v “ i
» fi » fi
i 0 « ff 1
ffi u
tiene solución. Este problema se expresa matricialmente por –0 1 ` ifl “ –1fl.
— — ffi
v
2 1 i
Definición 2.4
Una solución del sistema de ecuaciones lineales (2.2) es cualquier n-tupla pt1 , ¨ ¨ ¨ , tn q en
Kn que sea solución simultánea de cada una de las ecuaciones lineales que conforman el
sistema (2.2); esto es, que para i “ 1, ¨ ¨ ¨ , m se tiene ai1 t1 ` ai2 t2 ` ¨ ¨ ¨ ` ain tn “ bi .
El conjunto solución del sistema (2.2) está constituido por todas las n-tuplas de Kn
que son solución del sistema de ecuaciones lineales dado.
Note que todo sistema de ecuaciones lineales homogéneo siempre tiene solución: para
la matriz unicolumna nula X0 “ Onˆ1 se tiene AX0 “ Omˆ1 ; ası́ que SpA, Oq es no vacı́o
pues al menos contiene a la solución trivial X0 .
Definición 2.5
Dadas A P Mmˆn pKq y B P Mmˆ1 pKq, el sistema de ecuaciones lineales con m ecuaciones
y n incógnitas AX “ B es llamado:
El siguiente recuadro resume la definición que clasifica los sistemas de ecuaciones li-
neales en términos de su conjunto solución:
Un aspecto importante de resaltar para los sistemas de ecuaciones lineales que tienen
más de una solución es establecido a seguir.
Proposición 2.1
Dadas A P Mmˆn pKq y B P Mmˆ1 pKq, si el sistema de ecuaciones lineales AX “ B tiene
más de una solución, entonces admite infinitas soluciones.
Definición 2.6
Dado un sistema de ecuaciones lineales AX “ B, con A P Mmˆn pKq y B P Mmˆ1 pKq, su
matriz ampliada es la matriz de orden m ˆ pn ` 1q obtenida de la matriz del sistema A
anexándole como última columna a B; ella es denotada por rA|Bs.
Álgebra lineal: Nociones y propiedades elementales 53
Ejemplo 2.4
Los sistemas de ecuaciones lineales
# # #
x`y “0 x`y “1 x“0
, y ;
x`y “1 x“0 y`z “0
Proposición 2.2
Sean A, C P Mmˆn pKq y B, D P Mmˆ1 pKq, si los sistemas de ecuaciones lineales AX “ B
y CX “ D son tales que las matrices rA|Bs y rC|Ds son equivalentes por filas, entonces
SpA, Bq “ SpC, Dq.
Demostración. Si las matrices ampliadas rA|Bs y rC|Ds son equivalentes por filas, en-
tonces existe una matriz E P Mm pKq invertible tal que ErA|Bs “ rC|Ds; de donde EA “ C
y EB “ D. Siendo E invertible, tenemos que AX “ B si, y solo si, EpAXq “ EB. Pero,
EpAXq “ pEAqX “ CX, de donde AX “ B si, y solo si, CX “ D. Lo cual claramente
indica que los conjuntos solución de los sistemas AX “ B y CX “ D son iguales.
Ejemplo 2.5 $ $
& x ` 2y ` z “ 0
’ & x ` 2y ` z “ 0
’
Los sistemas de ecuaciones lineales: x´y`z “1 y ´2x ` 2y ´ 2z “ ´2 tienen
’
% 2x ` y ` 2z “ 1 ’
% 4x ` 2y ` 4z “ 2
» fi » fi
1 2 1 0 1 2 1 0
sus matrices ampliadas – 1 ´1 1 1 fl y – ´2 2 ´2 ´2 fl equivalentes por filas.
— ffi — ffi
2 1 2 1 4 2 4 2
Obviamente para verificar esta afirmación debemos conseguir operaciones elementales por
filas de manera que al aplicar estas a una de las matrices ampliadas resulte la segunda;
otra forma es chequear que ambas tienen la misma forma canónica de Gauss-Jordan; es lo
que haremos a continuación.
» fi » fi » fi
1 2 1 0 1 2 1 0 1 1 2 1 0
ffi f2 ÝÑf2 ´f1 f2 ÐÑ´ 3 f2
– 1 ´1 1 1 fl ÝÝÝÝÝÝÝÝÑ – 0 ´3 0 1 fl ÝÝÝÝÝÝÝÑ – 0 1 0 ´ 13 fl
— — ffi — ffi
f3 ÝÑf3 ´2 f1
2 1 2 1 0 ´3 0 1 0 ´3 0 1
» fi
2
1 0 1 3
f1 ÝÑf1 ´2 f2
ÝÝÝÝÝÝÝÝÑ – 0 1 0 ´ 13 fl ,
— ffi
f3 ÝÑf3 `3 f2
0 0 0 0
» fi
2
1 0 1 3
por lo que la matriz – 0 1 0 ´ 13 fl es la forma canónica de Gauss-Jordan de la matriz
— ffi
0 0 0 0
54 Neptalı́ Romero
luego la matriz ampliada del segundo sistema de ecuaciones lineales tiene la misma for-
ma canónica de Gauss-Jordan, con lo cual ambos sistemas tienen los mismos conjuntos
solución. De momento no sabemos como es ese conjunto, aunque con la reducción a la
forma canónica podemos indagar un poco. Más adelante discutiremos en detalles lo que
acá estamos ejemplificando.
» fi
2
1 0 1 3
Observe que la matriz – 0 1 0 ´ 31 fl es la matriz amplida del sistema de ecuaciones
— ffi
0 0 0 0
$
& x ` 0y ` z “ 2{3
’ #
x ` z “ 2{3
lineales 0x ` y ` 0z “ ´1{3 , que simplificadamente escribimos como .
’
% 0x ` 0y ` 0z “ 0 y “ ´1{3
$
& x ` 2y ` z “ 0
’
Ası́, de la proposición anterior el conjunto solución de x´y`z “1 , por ende de
’
% 2x ` y ` 2z “ 1
$
& x ` 2y ` z “ 0
’ #
x ` z “ 2{3
los sistemas ´2x ` 2y ´ 2z “ ´2 y , es dado por
’
% 4x ` 2y ` 4z “ 2 y “ ´1{3
Ejemplo 2.6 # #
x ` 2y “ 2 x`y “2
Los sistemas de ecuaciones lineales y tienen como ma-
´x ´ 2y “ 1 ´x ´ y “ 1
« ff « ff
1 2 2 1 1 2
trices ampliadas y , respectivamente. Sus formas canóni-
´1 ´2 1 ´1 ´1 1
« ff « ff
1 2 0 1 1 0
cas de Gauss-Jordan son las matrices y , notariamente diferen-
0 0 1 0 0 1
« ff « ff
1 2 2 1 1 2
tes; ası́ que y no son equivalentes por filas. Note que
´1 ´2 1 ´1 ´1 1
# #
x ` 2y “ 0 x`y “0
y son los sistemas de ecuaciones lineales cuyas matrices
0x ` 0y “ 1 0x ` 0y “ 1
ampliadas son las formas canónicas de Gauss-Jordan de arriba; además, estos sistemas son
incompatibles pues no existen valores de x y y de forma que 0x ` 0y “ 1. De esta manera,
Álgebra lineal: Nociones y propiedades elementales 55
los sistemas de ecuaciones lineales iniciales tienen el mismo conjunto solución: el conjunto
vacı́o, sin embargo sus matrices ampliadas no son equivalentes.
Comentario 2.2
El ejemplo anterior muestra la falsedad de la proposición:
Si dos sistemas de ecuaciones lineales AX “ B y CX “ D (A, C P Mmˆn pKq y B, D en
Mmˆ1 pKq) tienen el mismo conjunto solución, entonces las matrices rA|Bs y rC|Ds son
equivalentes por filas.
En realidad puede demostrarse que agregando la condición de compatibilidad (conjunto
solución no vacı́o), las respectivas matrices ampliadas sı́ son equivalentes por fila. Lo cual
es una forma restringida del recı́proco de la Proposición 2.2.
Sea rC|Ds la forma canónica de Gauss-Jordan de rA|Bs, note que C es la forma canóni-
ca de Gauss-Jordan de A y rangopAq “ rangopCq “ rangoprC|Dsq. A seguir analizaremos
cada uno de los dos casos.
‚ Caso rangopAq “ rangoprA|Bsq “ n:
Si el número de filas no nulas de C y»rC|Ds es n, entonces fi m ě n y como el número de
1 0 ¨ ¨ ¨ 0 d1
— 0 1 ¨ ¨ ¨ 0 d ffi
— 2 ffi
— . . .
— .. .. . . ... ... ffi
ffi
— ffi
columnas de C es n se tiene rC|Ds “ — 0 0 ¨ ¨ ¨ 1 dn ffi, pues los primeros elementos
— ffi
— ffi
— 0 0 ¨ ¨ ¨ 0 0 ffi
.. .. ffi
— ffi
—
– . . fl
0 0 ¨¨¨ 0 0
no nulos de cada una de las filas no nulas de una forma escalonada (¡los pivotes!) están
ubicados en forma ascendente respecto de la numeración de las columnas, recuerde la de-
finición de matriz escalonada reducida por filas y la forma general de tales matrices. Esto
implica que el sistema de ecuaciones lineales correspondiente a rC|Ds es
$ $
’
’ x1 ` 0x2 ` 0x3 ` ¨ ¨ ¨ ` 0xn “ d1 ’
’ x1 “ d1
’ ’
’
’
’ 0x1 ` x2 ` 0x3 ` ¨ ¨ ¨ ` 0xn “ d2 ’
’
’ x2 “ d2
.. ..
’
’ ’
’
’ ’
’
’
& . ’
’
& .
0x1 ` 0x2 ` ¨ ¨ ¨ ` 0xn´1 ` xn “ dn “ xn “ dn ,
’ ’
’
’
’ 0x1 ` 0x2 ` 0x3 ` ¨ ¨ ¨ ` 0xn “ 0 ’
’
’ 0“0
.. ..
’
’ ’
’
’ ’
’
’
’
’ . ’
’
’
’ .
0x1 ` 0x2 ` 0x3 ` ¨ ¨ ¨ ` 0xn “ 0 0“0
% %
el cual tiene como solución única a la n-tupla pd1 , d2 , ¨ ¨ ¨ , dn q. Luego de la Proposición 2.2
el sistema de ecuaciones lineales AX “ B es compatible determinado y su única solución
es la misma n-tupla pd1 , d2 , ¨ ¨ ¨ , dn q.
‚ Caso rangopAq “ rangoprA|Bsq ă n:
Sean rangopAq “ r y j1 ă ¨ ¨ ¨ ă jr las columnas donde están ubicados los primeros
elementos no nulos de las filas no nulas de cualquier forma escalonada equivalente por filas
a A y rA|Bs. Por comodidad, haciendo un renombramiento de las variables del sistema,
supondremos que las columnas j1 , ¨ ¨ ¨ , jr son las primeras r. De esta forma, si C y rC|Ds
las formas canónicas de Gauss-Jordan de las matrices A y rA|Bs, entonces las matrices C
Álgebra lineal: Nociones y propiedades elementales 57
lo indicado por ˚ significa que en esa entrada está ocupada por algún escalar en K; note
que los pivotes (dı́gitos 1’s enmarcados) corresponden a las variables x1 , ¨ ¨ ¨ , xr . Ası́ pues,
las r ecuaciones no nulas del sistema de ecuaciones lineales correspondiente a la matriz
ampliada rC|Ds son:
$
’
’
’ x1 ` c1r`1 xr`1 ` c1r`2 xr`2 ` ¨ ¨ ¨ ` c1n xn “ d1
& x2 ` c2r`1 xr`1 ` c2r`2 xr`2 ` ¨ ¨ ¨ ` c2n xn “ d2
’
.. .
’
’
’ .
’
% x `c
r x
rr`1 `c r`1x ` ¨¨¨ ` c x “ d
rr`2 r`2 rn n r
A las variables sobre las cuales dependen aquellas que corresponden a los pivotes de la
forma canónica de Gauss-Jordan (o cualquier matriz escalonada equivalente por filas a A)
se les llama variables o incógnitas libres del sistema, estas pueden tomar valores arbitrarios
(¡son parámetros!); ası́ por ejemplo, si a todas las incógnitas distintas de x1 , x2 , ¨ ¨ ¨ , xr , le
asignamos el valor 0, entonces la n-tupla pd1 , d2 , ¨ ¨ ¨ , dr , 0, 0, ¨ ¨ ¨ , 0q es solución de tanto de
CX “ D como de AX “ B. También pueden ser obtenidas otras soluciones, basta asignar
otros valores a las variables libres. Se concluye ası́ que el sistema de ecuaciones lineales
AX “ B es compatible indeterminado.
Corolario 2.1
Dada cualquier sistema de ecuaciones lineales homogéneo AX “ 0, A P Mmˆn pKq, el
sistema única solución si, y solo si, rangopAq “ n; de lo contrario el sistema es compatible
indeterminado.
ecuaciones lineales, como sus soluciones en caso de ser compatibles. Esta herramienta,
llamada método de reducción de Gauss-Jordan o eliminación Gaussiana, es un proceso
algoritmico que consiste en obtener un sistema de ecuaciones lineales cuyas ecuaciones
están en forma escalonada (por ello la reducción mediante operaciones elementales por filas
de las matriz ampliada, o matriz del sistema si este es homogéneo), esto permitirá decidir
si el sistema es compatible o no; acá entra en juego el Teorema de Rouché-Frobenius. En
caso de ser compatible, a partir del sistema reducido obtenido se procede a identificar las
variables pivote y las que son libres (si es que estas últimas existe; es decir, si el sistema
es indeterminado). Hecho esto, se obtiene el conjunto solución del sistema de ecuaciones.
Ejemplo 2.7 $
x ` 2y ´ z
’
& “ 1
Consideremos el sistema de ecuaciones lineales ´x ` 5y ´ 4z “ ´2 . Es claro que
’
% ´3x ` y ´ 2z “ 2
» fi » fi
1 2 ´1 1 2 ´1 1
A “ – ´1 5 ´4 fl y rA|Bs “ – ´1 5 ´4 ´2 fl son, respectivamente, la matriz
— ffi — ffi
´3 1 ´2 ´3 1 ´2 2
del sistema y su ampliada. Dado que
» fi » fi » fi
1 2 ´1 1 1 2 1 1 1 2 1 1
ffi f2 ÝÑf2 `f1 — ffi f3 ÝÑf3 ´f2 —
– ´1 5 ´4 ´2 fl ÝÝÝÝÝÝÝÝÑ – 0 7 ´5 ´1 fl ÝÝÝÝÝÝÝÑ – 0 7 ´5 ´1 fl ,
— ffi
f3 ÝÑf3 `3 f1
´3 1 ´2 2 0 7 ´5 5 0 0 0 6
y esta última matriz es escalonada y equivalente por filas a rA|Bs, entonces A X “ B es
incompatible pues rangopAq “ 2 ‰ 3 “ rangoprA|Bsq.
Ejemplo 2.8 $
’
& y`z “ 2
Analicemos ahora el sistema de ecuaciones lineales x`y`z “ ´1 . En este caso
’
% x`y “ 2
» fi » fi
0 1 1 0 1 1 2
las matrices A “ – 1 1 1 fl y rA|Bs “ – 1 1 1 ´1 fl son la matriz del sistema y
— ffi — ffi
1 1 0 1 1 0 2
su ampliada; como:
» fi » fi » fi
0 1 1 2 1 1 1 ´1 1 1 1 ´1
ffi f2 ÐÑf1 — ffi f3 ÝÑf3 ´f1 —
– 1 1 1 ´1 fl ÝÝÝÝÝÑ – 0 1 1 2 fl ÝÝÝÝÝÝÝÑ – 0 1 1 2 fl
— ffi
1 1 0 2 1 1 0 2 0 0 ´1 3
» fi » fi
1 1 1 ´1 1 0 0 ´3
f3 ÝÑp´1qf3 — ffi f2 ÝÑf2 ´f3 —
ÝÝÝÝÝÝÝÝÑ – 0 1 1 2 fl ÝÝÝÝÝÝÝÑ – 0 1 0 5 fl ,
ffi
f1 ÝÑf1 ´f2
0 0 1 ´3 0 0 1 ´3
entonces el sistema A X “ B es compatible determinado, tiene solución única. Como
el sistema de ecuaciones
$ lineales correspondiente a la última matriz (forma canónica de
& x “ ´3
’
Gauss-Jordan) es y “ 5 , se tiene que el conjunto solución de AX “ B es contituido
’
% z “ ´3
Álgebra lineal: Nociones y propiedades elementales 59
Ejemplo 2.9 $
’
& x1 ` x2 ` x4 “ ´1
Consideremos el sistema x1 ` 2x2 ` x3 ` 2x4 ` x5 “ 0 , ahora las matrices del
’
% x1 ` x2 ` 2x4 ` x5 “ ´1
» fi » fi
1 1 0 1 0 1 1 0 1 0 ´1
sistema y ampliadas son A “ – 1 2 1 2 1 fl y rA|Bs “ – 1 2 1 2 1 0 fl;
— ffi — ffi
1 1 0 2 1 1 1 0 2 1 ´1
procedamos a obtener una forma escalonada:
» fi » fi
1 1 0 1 0 ´1 1 1 0 1 0 ´1
ffi f2 ÝÑf2 ´f1 —
1 2 1 2 1 0 0 1 1 1 1 1 fl ;
— ffi
– fl ÝÝ ÝÝÝÝ ÝÑ –
f3 ÝÑf3 ´f1
1 1 0 2 1 ´1 0 0 0 1 1 0
x4 “ ´x5 , x2 “ 1 ´ x3 ´ x4 ´ x5 y x1 “ ´1 ´ x2 ´ x4
de donde
x4 “ ´x5 , x2 “ 1 ´ x3 y x1 “ ´2 ` x3 ` x5 .
Proposición 2.3
Cualesquiera sean α P K y P, Q P SpA, Oq, con A P Mmˆn pKq, las n-tuplas αP y Q ` αP
son soluciones de AX “ O.
Corolario 2.2
Dado el sistema de ecuaciones lineales homogéneo AX “ O con A P Mmˆn pKq; si
P1 , ¨ ¨ ¨ , Pk son soluciones de A X “ O, entonces cualquier combinación lineal de ellas
es también solución del sistema AX “ O; es decir, CLpP1 , ¨ ¨ ¨ , Pk q Ă SpA, Oq.
Teorema 2.2
Dado el sistema de ecuaciones lineales homogéneo A X “ O con A P Mmˆn pKq; si
rangopAq “ r ă n, entonces existen n ´ r soluciones de A X “ O, digamos P1 , ¨ ¨ ¨ , Pn´r
tales que CLpP1 , ¨ ¨ ¨ , Pn´r q “ SpA, Oq.
con α1 , ¨ ¨ ¨ , αn´r P K, se le llama solución general del sistema. Obviamente esta expresión
tiene “gracia” si el rango de A es menor que el número de columnas de la matriz (r ă n).
Álgebra lineal: Nociones y propiedades elementales 61
Observe que las n ´ r incógnitas xr`1 , ¨ ¨ ¨ , xn son las libres: podemos asignarles valores
arbitrarios y ası́ obtener soluciones de AX “ O. Note además que de (2.6) una n-tupla
pa1 , a2 , ¨ ¨ ¨ , an q es solución de AX “ O si, y solo si, para cada i “ 1, 2, ¨ ¨ ¨ , r se tiene
Comentario 2.3
Conveniene aclarar que los valores asignados a las variables libres no son únicos, existen
muchos otros; pero los elegidos en la demostración son los “canónico”, de allı́ su nombre.
Por otra parte, en la práctica no es necesario realizar tales cambios de columnas que hicimos
en la demostración para que las variables dependientes sean las primeras, simplemente se
deben tener presente las columnas (las que determinan esas variables) donde están los
pivotes; las variables que corresponden a las columnas restantes son a las cuales se les
asignarán los valores canónicos.
Ejemplo 2.10 $
’
’ x ` 2y ` z ´ w “0
’
& x ` 2y ´ 2z ´ w “0
Analicemos el conjunto solución del sistema . Dado que
’
’ 2x ` 4y ´ 7z ´ 2w “0
’
5x ` 10y ´ z ´ 5w “0
%
» fi » fi
1 2 1 ´1 1 2 1 ´1
—
— 1 2 ´2 ´1 ffi
ffi f2 ÝÑf2 ´f1
—
— 0 0 ´3 0 ffi
ffi
— ffi ÝÝÝ Ý ÝÝÝÝ Ý Ý ÝÑ — ffi
– 2 4 ´7 ´2 fl f3 ÝÑ f3 ´ 2 f1 – 0 0 ´9 0 fl
5 10 ´1 ´5 f4 ÝÑ f4 ´ 5 f1 0 0 ´6 0
» fi
f2 ÐÑ ´ 13 f2 1 2 0 ´1
f1 ÝÑ f1 ´ f3
— 0 0 1 0 ffi
ffi ,
— ffi
ÝÝÝÝÝÝÝÝÝÝÝÑ —
f3 ÝÑ f3 ` 9 f2 – 0 0 0 0 fl
f4 ÝÑ f4 ` 6 f2 0 0 0 0
el sistema tiene infinitas soluciones pues el rango de la matriz del sistema es 2 ă 4. Note
que
# las variables libres son y y w; además, el sistema original tiene las mismas soluciones de
x ` 2y ´ w “ 0
. Siguiendo entonces con el procedimiento anterior, construimos la tabla
z“0
de valores canónicos sobre las variables libres para obtener una base del espacio solución
y w
del sistema de ecuaciones lineales homogéneo dado. Esa tabla es 1 0 , y origina las
0 1
» fi » fi
´2 1
— 1 ffi —0ffi
soluciones: P1 “ — ffi y P2 “ — ffi. Ası́, toda solución del sistema de ecuaciones lineales
— ffi — ffi
– 0 fl –0fl
0 1
» fi » fi » fi
x ´2 1
— y ffi — 1 ffi —0ffi
homogéneas dado es de la forma X “ — ffi “ α — ffi `β — ffi, que es la solución general
— ffi — ffi — ffi
– z fl – 0 fl –0fl
w 0 1
del sistema dado.
Teorema 2.3
Dada A P Mmˆm pKq; las siguientes afirmaciones son equivalentes:
1. A es invertible.
Nuestro interés es mostrar una fórmula general para expresar cualquier solución del sistema
no homogéneo AX “ B.
Teorema 2.4
Dadas A P Mmˆn pKq, B P Mmˆ1 pKq y P1 , ¨ ¨ ¨ , Pn´r P Mnˆ1 pKq como en el Teorema 2.2.
Si Q0 P Mnˆ1 pKq es cualquier solución particular de AX “ B, entonces toda solución de
este sistema se escribe como
ApX ´ Q0 q “ AX ´ AQ0 “ B ´ B “ O,
Observación 2.1
Primero debemos hacer notar que, a diferencia de los espacios solución de sistemas ho-
mogéneos, el conjunto solución de un sistema de ecuaciones lineales no homogéneo no es
cerrado con respecto a las operaciones de adición de matrices y multiplicación de escalares
por matrices. Por otra parte, al cambiar la solución articular, cambia la expresión general
de las soluciones de esos sistemas.
Álgebra lineal: Nociones y propiedades elementales 65
Ejemplo 2.11 $
’
’ x ` 2y ´ z “ 2
’
& ´x ` y ` z “ 1
Consideremos el sistema lineal no homogéneo . Dado que
’
’ 5x ` 4y ´ 5z “ 4
’
2x ` y ´ 2z “ 1
%
» fi » fi
1 2 ´1 2 1 2 ´1 2
— ´1 1 1 1 ffi — 0 3 0 3 ffi
— ffi f2 ÝÑf2 `f1 — ffi
— ffi ÝÝÝÝÝÝÝÝÝÝÝÑ — ffi
– 5 4 ´5 4 fl f3 ÝÑ f3 ´ 5 f1 – 0 ´6 0 ´6 fl
2 1 ´2 1 f4 ÝÑ f4 ´ 2 f1 0 ´3 0 ´3
» fi
f2 ÐÑ 13 f2 1 0 ´1 1
f1 ÝÑ f1 ´ f2
— 0 1 0 1 ffi
ffi ,
— ffi
ÝÝÝÝÝÝÝÝÝÝÝÑ —
f3 ÝÑ f3 ` 6 f2 – 0 0 0 0 fl
f4 ÝÑ f4 ` 3 f2 0 0 0 0
tenemos#que el sistema dado tiene infinitas soluciones, las cuales
# coinciden con las solucio-
x´z “1 x´z “0
nes de , cuyo sistema homogéneo asociado es ; note que estos
y“1 y“0
dos sistemas tienen como única variable libre a z. Por tanto, una solución particular del
sistema no homogéneo dado se obtiene asignándole
» fi cualquier valor particular a z; para
1
z “ 0 se tiene la solución particular Q0 “ – 1 fl. Por otro lado, para obtener la solución
— ffi
0
general del sistema de ecuaciones lineales homogéneo correspondiente al dado, se procede
como antes: asignándole los valores canónicos a las variables libres; que como es z, »
el valor
fi
1
canónico es z “ 1, de donde la solución general del sistema lineal homogéneo es α – 0 fl,
— ffi
1
» fi » fi
1 1
con α variando en K; y ası́, la solución general del sistema dado es X “ – 1 fl ` α – 0 fl
— ffi — ffi
0 1
con α variando en K.
Ejemplo 2.12
« ff « ff « ff « ff
1 0 2 1 1 ´1 ´1 0
Dadas A1 “ , A2 “ y A3 “ , ¿es A “ com-
1 2 ´1 1 1 2 0 1
binación lineal de A1 , A2 y A3 ? Es decir, queremos saber si existe escalares α, β, γ tales
que
« ff « ff « ff « ff « ff
´1 0 1 0 2 1 1 ´1 α ` 2β ` γ β´γ
“α `β `γ “ .
0 1 1 2 ´1 1 1 2 α ´ β ` γ 2α ` β ` 2γ
$
’
’ α ` 2β ` γ “ ´1
’
& β´γ “0
Lo cual equivale a analizar el sistema de ecuaciones lineales . En vista
’
’ α´β`γ “0
’
2α ` β ` 2γ “ 1
%
66 Neptalı́ Romero
que
» fi » fi
1 2 1 ´1 1 2 1 ´1
—
— 0 1 ´1 0 ffi
ffi f3 ÝÑf3 ´f1 — 0
— 1 ´1 0 ffi
ffi
— ffi ÝÝÝÝÝÝÝÝÑ — ffi
– 1 ´1 1 0 fl f4 ÝÑf4 ´2 f1 – 0 ´3 0 1 fl
2 1 2 1 0 ´3 0 3
» fi
1 2 1 ´1
— 0 1 ´1 0 ffi
f3 ÝÑf3 `3 f2
ffi ;
— ffi
ÝÝÝÝÝÝÝÝÝÝÝÑ —
f4 ÝÑ f4 ` 3 f2 – 0 0 0 1 fl
f4 ÝÑ f4 ´ 3 f3 0 0 0 0
Ejemplo 2.13
Una empresa maderera tiene tres aserraderos: A, B y C. Cada una de ellos produce tres
tipos de maderas de calidad: alta, media y baja. Por cada tonelada métrica de materia
prima se tiene que:
Si la empresa tiene una demanda de 1000 metros cúbicos de madera de alta calidad;
2000 de calidad media y 1000 de madera de baja calidad, ¿cuántas toneladas métricas se
requieren en cada aserradero para satisfacer esa demanda?
A B C
» fi
Alta 2 2 4
La matriz Media – 2 4 2 fl representa la producción de los tres tipos de madera en
— ffi
Baja 4 2 2
los tres aserraderos. Note que cada columna contiene la información, en metros cúbicos,
de la producción
» fi de los tres productos por cada aserradero; ası́ por ejemplo, la primera
2
columna –2fl representa la producción del aserradero A; mientras que cada fila contiene
— ffi
4
la información
” de
ı la producción de un tipo de madera en los tres aserraderos; por ejemplo,
la fila 2 4 2 expresa la producción, por metro cúbico, de madera con calidad media
en las tres aserraderos. Denotemos por
» fi » fi » fi
2 2 4 x 1000
Entonces el problema planteado se expresa por – 2 4 2 fl –y fl “ –2000fl; que es el
— ffi — ffi — ffi
4 2 2 z 1000
$
& 2x ` 2y ` 4z “ 1000
’
sistema de ecuaciones lineales no homogéneo 2x ` 4y ` 2z “ 2000 . Para dar respuesta
’
% 4x ` 2y ` 2z “ 1000
a la interrogante procedemos a analizar este sistema de ecuaciones. Dado que
» fi » fi
2 2 4 1000 2 2 4 1000
ffi f2 ÝÑf2 ´f1 —
– 2 4 2 2000 0 2 1000 fl
— ffi
fl ÝÝ ÝÝ ÝÝÝÝ Ñ – ´2
f3 ÝÑf3 ´2 f1
4 2 2 1000 0 ´2 ´6 ´1000
» fi » fi
2 0 6 0 1 0 0 0
f1 ÝÑf1 ´f2 —
ÝÝÝÝÝÝÝÑ – 0 2 ´2 1000 fl „ – 0 1 0 500 fl
ffi — ffi
f3 ÝÑf3 `f2
0 0 ´8 0 0 0 1 0
$
& 2x ` 2y ` 4z “ 1000
’
se tiene que el sistema 2x ` 4y ` 2z “ 2000 es compatible determinado y su única
’
% 4x ` 2y ` 2z “ 1000
» fi » fi
x 0
solución es –y fl “ –500fl; por lo que: los aserraderos A y C no necesitan materia pri-
— ffi — ffi
z 0
ma para satisfacer tal demanda; mientras que el aserradero C requiere de 500 toneladas
métricas.
Ejemplo 2.14
¿Cuáles funciones polinómicas reales de segundo grado p cumplen pp1q “ 1 y pp´1q “ 2?
Dado que la expresión algebraica que define cualquier función polinómica de segun-
do grado es ppxq “ α ` βx ` γx2 con γ ‰#0, para responder a la interrogante debemos
α`β`γ “1
analizar el sistema de ecuaciones lineales . Ahora bien, como su ma-
α´β`γ “2
« ff « ff « ff
1 1 1 1 1 1 1 1 f2 ÝÑf2 ´f1 1 1 1 1
triz ampliada es y ÝÝÝÝÝÝÝÑ , el
1 ´1 1 2 1 ´1 1 2 0 ´2 0 1
sistema
# tiene infinitas soluciones, que son las mismas#del sistema de ecuaciones lineales
α`β`γ “1 α`β`γ “0
; cuyo sistema homegéneo asociado tiene como solu-
´2β “ 1 ´2β “ 0
» fi » fi
1
´1
— 2 ffi
ción general γ – 0 fl, con γ variando en R. Por tanto, en vista que – ´ 12 fl es una
— ffi
1 0
68 Neptalı́ Romero
# #
α`β`γ “1 α`β`γ “1
solución de , se tiene que la solución general de es
´2β “ 1 α´β`γ “2
» fi »
fi » fi
1 1
2 ´1 2 ´γ
X “ – ´ 12 fl ` γ – 0 fl “ – ´ 12 fl , γ P R.
— ffi — ffi — ffi
0 1 γ
Esto significa que las funciones polinómicas reales p de segundo orden de segundo orden
son dadas por
ppxq “ p 21 ´ γq ´ 12 x ` γx2 , cualquiera sea γ P R.
3. Decidir si los pares de sistemas de ecuaciones dados tienen el mismo conjunto solución:
$ $
’
’ 2x ` y ` 2z “ 1 ’
’ x´y`z “1
’
& x´y`z “1 ’
& 3y “ ´1
a) y
’
’ 3x ` y “ ´1 ’
’ 4x ` 3y ` z “ ´1
’ ’
x ` 2y ` z “ 0 3x ` 3z “ 2
% %
$ $
’
’ x ` 2y ´ z ` w “ 0 ’ 3x ` 2y ` 2z ` 2w “ 0
’
’ ’
& 2x ` 3z ` w “ 0 & 3x ´ 2y ` 7z ` w “ 0
b) y
’
’ x ´ 2y ` 4z “ 0 ’
’ ´4y ` 5z ´ w “ 0
’ ’
4x ` 4y ` z ` 3w “ 0 2x ` 4y ´ 2z ` 2w “ 0
% %
$ $
’
’ x ` 2y ` z “ 4 ’
’ x ` 2y ` z “ 4
’
& 2x ` 5y ` 2z “ 9 ’
& x ` 3y ` z “ 5
c) y
’
’ x ` 3y ` 5z “ 5 ’
’ x ` 2y ` 2z “ 6
’ ’
´x ´ y ´ z “ ´3 x ` 3y ` 2z “ 7
% %
4. Decida sobre la compatibilidad de cada uno de los sistemas lineales. Determine, hacien-
do uso de formas escalonadas o formas canónicas de Gauss-Jordan, la solución única
Álgebra lineal: Nociones y propiedades elementales 69
5. Determine los valores de α P R para los cuales los siguientes sistemas de ecuaciones
lineales homogéneos dados a continuación tienen infinitas soluciones:
$ $
& 2x ´ 3y ` 5z “ 0
’ & 2x ` y ´ αz “ 0
’
aq ´x ` 7y ´ z “ 0 bq αx ´ y ` z “ 0
’
% 4x ´ 11y ` αz “ 0 ’
% x`y`z “0
« ff
i 2
7. Decidir si es combinación lineal de:
1`i 1
« ff « ff « ff
1 0 i 1 0 1
(a) A1 “ , A2 “ y A3 “ .
1 1 i 1 1 0
« ff « ff « ff « ff
1 0 0 1 0 1 0 0
(b) B1 “ , B2 “ , B3 “ y B4 “
0 0 1 1 1 0 0 1
8. Encontrar, bajo las condiciones que se imponen, todas las funciones polinómicas reales
ppxq “ a ` bx ` cx2 que satisface:
9. Hallar dos números tales que si se dividen el primero por 3 y el segundo por 4 la suma
es 15; mientras que si se multiplica el primero por 2 y el segundo por 5 la suma es 174.
70 Neptalı́ Romero
11. En un zoológico hay animales con 2 patas (aves) y bestias de 4 patas. Si en el número
de cabezas de tales animales alcanza la cantidad de 600, y el número de patas es 2000,
¿cuántas aves y cuántas bestias hay en el zoológico?
12. Hallar, si es posible, el entero positivo de tres dı́gitos (abc) tal que: la suma de sus
dı́gitos es 8, la suma de los dos primeros dı́gitos menos el tercero es igual a 6, y tal
número menos el número que se obtiene al invertir de orden las cifras es 396.
13. Dos inversionistas con la misma cantidad de dinero, Bs. 20.000.000,00, realizarón la
siguiente operación: el primero de ellos invirtió la cantidad A al 4 %, la cantidad B al
5 % y el resto al 6 % de interés; mientras que el segundo inversionista colocó la cantidad
A al 5 %, la cantidad B al 6 % y el resto al 4 %. Determinar las cantidades A, B y C si
se sabe que el primero de los inversionistas recibió Bs. 1.050.000,00 por intereses, y el
segundo Bs. 950.000,00.
14. Una empresa dispone de Bs. 29.000.000 para la subvención de sus 100 empleados en
cursos de capacitación laboral. Se dictarán tres cursos: A, B y C. La subvención por
persona es como sigue: para los que realizarán el curso A, es de Bs. 400.000; para los
del curso B, Bs. 160.000 y Bs. 200.000 para los que hagan el curso C. Si la cantidad de
empleados que realizará el curso A es cinco veces mayor que la cantidad que realizará el
curso B; ¿cuántos empleados realizarán cada curso?
15. Entre las ciudades A y B hay una distancia de 192 km. Se sabe que un automóvil sube
cuestas a 54 km{h, las baja a 90 km{h, y en el terreno llano anda a 80 km{h. Si de A
hacia B se emplean 2 horas y 30 minutos; y el recorrido de B hacia A se hace en 2 horas
y 45 minutos; ¿cuál es la longitud del trayecto llano entre las dos ciudades?
16. Las edades de tres hermanos: Juan, José y Julio, satisfacen las siguientes relaciones: la
suma de las edades de Juan y José menos la edad de Julio es la edad de Juan más 10
años; la suma de las edades de Juan y Julio es dos veces la edad de José, mientras que
la suma de las edades de Juan y José es 60 años. Determine sus edades.
Suponga que en lugar de la condición “la suma de las edades de Juan y José es 60
años”, se tiene que la suma de tales edades es de 24 años. ¿pueden existir tres personas
que satisfagan las condiciones impuestas?
17. Una empresa petrólera tiene tres refinerı́as: A, B y C. Cada una de ellas produce tres
combustibles: diesel, gasolina y turbosina. Se sabe además que por cada barril de crudo:
Si la empresa tiene una demanda de 820.000 litros de diesel; 450.000 litros de gasolina
y 830.000 litros de turbosina, ¿cuántos barriles de crudo debe procesar cada refinerı́a
para satisfacer tal demanda? ¿Qué cantidad de combustible produce cada refineria con
los barriles de crudo necesarios para satisfacer la demanda?
18. Sea A P Mmˆn pKq con m ă n. Demostrar que el sistema de ecuaciones lineales ho-
mogéneo A X “ O es compatible indeterminado. Es decir, si un sistema de ecuaciones
lineales homogéneo tiene más incógnitas que ecuaciones, entonces tiene infinitas solu-
ciones.
19. Dadas A P Mmˆm pKq, B P Mmˆ1 pKq. Demostrar que A X “ B tiene solución única si,
y sólo si, A es invertible. En tal caso X “ A´1 B es la solución del sistema.
Capı́tulo 3
Determinantes
3.1. Introducción
Los inicios de una formulación teórica de los determinantes aparecen con diez años
de diferencia en Japón y Europa. En 1683 el matemático japonés Takakazu Seki Kowa
(1642-1708) escribió Métodos de resolución de problemas disimulados, allı́ introdujó y pre-
sentó métodos generales, aunque basado en ejemplos, para calcular determinantes (sin
acuñar el término) de matrices de orden 2 ˆ 2 hasta de orden 5 ˆ 5. Diez años más tar-
de, el alemán Gottfried Wilhelm Leibniz (1646-1716), de manera independiente, hizo uso
rudimentario de los determinantes para estudiar sistemas de ecuaciones lineales; aunque
su versión de los determinantes era menos general que la de Seki. Leibniz usó la palabra
resultante para los determinantes, demostró algunos resultados sobre los resultantes, in-
cluyendo en esencia lo que en la actualidad se conoce como la Regla de Cramer. En la
segunda mitad de siglo XVIII comenzaron a aparecer cada vez más publicaciones sobre
determinantes, aunque como herramientas consideradas para estudiar los propios asuntos
tratados en esas publicaciones. Entre los matemáticos que escribieron sobre los determi-
nantes para esa epoca están: Gabriel Cramer (1704-1752), Étienne Bézout (1730-1783),
Alexander-Théophile Vandermont (1735-1796) y Pierre-Simon Laplace (1749-1827). Este
último afirmó que los métodos desarrollados por Cramer y Bézout, donde hacian uso de
los determinantes para estudiar sistemas de ecuaciones lineales, no eran apropiados; en un
artı́culo publicado en 1772, donde Laplace estudió las órbitas de los planetas, discutió la
solución de sistemas de ecuaciones lineales sin aportar especı́ficamente sus soluciones, pe-
ro usando determinantes. Laplace también uso la palabra resultante, al igual que Leibniz,
sin embargo se dice que no conocı́a sus trabajos. Fue Augustin-Louis Cauchy (1789-1857)
quien en 1812 introdujó el uso del término determinante en el sentido moderno; aunque
ya en 1801 Gauss hacı́a uso de la palabra determinante pero en un sentido diferente a
empleado en nuestros dı́as. Se afirma que los trabajos sobre determinantes de Cauchy son
de los más completos; no obstante, Carl Gustave Jacobi (1804-1851) publicó tres artı́culos
sobre determinantes en 1841. Estas publicaciones fueron importantes pues por primera
vez la definición del determinante se hizo de manera algorı́tmica; además, las entradas
en el determinante no eran exclusivas para números, sino que incluyó también funciones.
Estos tres artı́culos hicieron que la noción de determinante fuese extensamente conocida.
Finalmente, una definición axiomática de los determinantes fue usada por Karl Weiers-
trass (1815-1897) con sus discı́pulos; sus notas de clase y apuntes sobre determinantes
fueron publicadas en 1903. Con estas dos publicaciones, la teorı́a moderna de determinan-
tes quedo completamente desarrollada. Además de los origenes de los cuales emergió esta
73
74 Neptalı́ Romero
Definición 3.1
El determinante de una matriz A P Mn pKq , que denotamos por det A se define recursiva-
mente como sigue:
Ejemplo 3.1
1. Si I2 es la matriz identidad de orden 2, entonces
1 0
det I2 “ “ 1 ¨ 1 ´ 0 ¨ 0 “ 1.
0 1
De hecho cualquier matriz que tenga una fila o columna nula tiene determinante cero.
« ff
1 2 1 2
3. Si A “ , sigue que “ 1 ¨ 4 ´ 2 ¨ 3 “ ´2;
3 4 3 4
ˇ ˇ
ˇ ´1 2 ´ i ˇ
4. ˇ ˇ “ p´1q ¨ 4 ´ 3i ¨ p2 ´ iq “ ´7 ´ 6i;
ˇ ˇ
ˇ 3i 4 ˇ
7. Otra simple e importante propiedad es que al intercambiar las filas de una matriz de
orden 2 ˆ 2, el determinante cambia de signo; esto es:
a
21 a22
a
11 a12
“ ´ .
a11 a12 a21 a22
Técnicamente se dice
« ff « ff
a11 a12 a11 a 21
8. Si A “ y At “ es su matriz traspuesta, entonces es simple
a21 a22 a12 a22
chequear que det A “ det At .
Haciendo uso de esta propiedad son inmediatas:
α a a a a a α a
11 12 11 12 11 12
“ α “ ,
α a21 a22 a21 a22 a21 α a22
a ` b
11 a12
a
11 a12 b11 a12
a
11 a12 ` b12 a11 a12 a11 b12
11
“ ` y “ ` .
a21 ` b21 a22 a21 a22 b21 a22 a21 a22 ` b22 a21 a22 a21 b22
Comentario 3.1
En virtud de las propiedades establecidas en los numerales 5, 6 y 7 anteriores, se acostum-
bra decir que la función determinante es multilineal y alternada en sus filas. Por tanto de
la propiedad 8 arriba, la función determinante es multilineal y alternada en sus columnas.
Álgebra lineal: Nociones y propiedades elementales 77
T3
A1
y2
v T2
y1 T1 u
A2
T4
O x2 x1
u “ px1 , y1 q y v “ px2 , y2 q; por simplificidad supondremos que estos puntos tienen coor-
denadas no negativas. Estos puntos determinan en el plano un paralelogramo (ver Figura
3.1), el cual se construye traslando paralelamente el segmento Ou hacia el punto v, y el seg-
mento Ov hacia el punto u. El paralelogramo P ası́ construido se inscribe en el rectángulo
R de vértices en: p0, 0q, px1 ` x2 , 0q, px1 ` x2 , y1 ` y2 q y py1 , y2 q, tal y como se observa en la
figura. Note que el área del paralelogramo P (la sombreada) es igual al área del rectángulo
R, en el que está inscrito, menos la suma de las áreas de los triángulo T1 , T2 , T3 , T4 y los
rectángulos A1 , A2 . Note además que los rectángulos A1 y A2 tienen la misma área; de
igual forma, los triángulos T1 , T2 , y T3 , T4 . Sigue por tanto que:
˜ ¸
2
ÿ 4
ÿ
área de P “ área de R ´ área de Ai ` área de Ti
i“1 i“1
ˆ ˙
1 1 1 1
“ px1 ` x2 qpy1 ` y2 q ´ x2 y1 ` x2 y1 ` x2 y2 ` x2 y2 ` x1 y1 ` x1 y1
2 2 2 2
x y
1 1
“ x1 y2 ´ x2 y1 “ .
x2 y2
det A “ a11 a22 a33 ` a12 a23 a31 ` a13 a21 a32 ´ a11 a23 a32 ´ a12 a21 a33 ´ a13 a22 a31 . (3.3)
§ Regla de Sarrus
Figura 3.2: Regla de Sarrus para el cálculo del determinantes de matrices 3 ˆ 3. El lado izquierdo
determina los términos con signo `, y los del lado derecho aquellos con signo ´.
Estas dos propiedades pueden resumirse en una sola, y se dice que el determinante de
matrices de orden 3 ˆ 3 es lineal en cada una de sus filas; esto se escribe como:
a ` α b
11 a12 ` α b12 a13 ` α b13
a
11 a12 a13
b
11 b12 b13
11
a21 a22 a23 “ a21 a22 a23 ` α a21 a22 a23
a31 a32 a33 a31 a32 a33 a31 a32 a33
a11 a12 a13
a
11 a12 a 13
a
11 a12 a13
a21 ` α b21 a22 ` α b22 a23 ` α b23 “ a21 a22 a23 ` α b21 b22 b23
a31 a32 a33 a31 a32 a33 a31 a32 a33
a11 a12 a13 a
11 a12 a13
a
11 a12 a13
a21 a22 a23 “ a21 a22 a23 ` α a21 a22 a23
a31 ` α b31 a32 ` α b32 a33 ` α b33 a31 a32 a33 b31 b32 b33
» fi » fi
a11 a12 a13 a11 a21 a31
5. Cualquier A “ – a21 a22 a23 fl y su traspuesta, At “ – a12 a22 a32 fl, tienen el
— ffi — ffi
a31 a32 a33 a13 a23 a33
mismo determinante: t
det A “ det A .
Álgebra lineal: Nociones y propiedades elementales 81
Las propiedades que acabamos de enunciar para la función determinante definida sobre
el conjunto sobre M3ˆ3 pKq las resumimos en el siguiente recuadro:
Proposición 3.1
Para cualquier matriz A P M3ˆ3 pKq se cumplen:
4. Si B es obtenida de A sustituyendo una de sus filas por la suma de esa fila y un múltiplo
de otra de sus filas, entonces det B “ det A.
Las propiedades anteriores son de mucha utilidad para el cálculo de determinantes, para
ello nos valdremos de operaciones elementales por filas (o también por columnas). Primero
mostraremos una propiedad interesante que tienen las matrices triangulares. Recordemos
82 Neptalı́ Romero
» fi
a11 a12 a13
que una matriz A “ –a21 a22 a23 fl es triangular superior si a21 “ a31 “ a32 “ 0; y es
— ffi
a31 a32 a33
triangular inferior si a12 “ a13 “ a23 “ 0; esto es:
» fi » fi
a11 a12 a13 a11 0 0
– 0 a22 a23 fl y –a21 a22 0 fl , respectivamente.
— ffi — ffi
0 0 a33 a31 a32 a33
Observe que
a
11 a12 a13
a a
22 23
0 a22 a23 “ a11 “ a11 a22 a33 ;
0 a33
0 0 a33
además, como una matriz y su traspuesta tienen el mismo determinante, entonces
a
11 0 0 a11 a21 a31
a21 a22 0 “ 0 a22 a32 “ a11 a22 a33 ;
a31 a32 a33 0 0 a33
Proposición 3.2
El determinante de una matriz triangular de orden 3 ˆ 3 es igual el producto de los coefi-
cientes que están en la diagonal de la matriz.
De acuerdo a lo discutido en el item 3 del apartado anterior (ver pág. 80), tenemos
que si la matriz B es obtenida de A al multiplicar una de sus filas por el escalar α ‰ 0,
entonces det B “ α1 det A.
Ejemplo 3.3 » fi
2 1 0
Considere la matriz A “ –0 3 1fl, según lo expuesto arriba se tiene
— ffi
2 4 2
2 1 0
det A “ 2 0 3 1 ,
1 2 1
Oef del tipo II Para cualquier par de ı́ndices i, j P t1, 2, 3u con i ‰ j, y cualquier
escalar no nulo α, fi ÝÑ fi ` α fj . Significa que la fila i es sustituida la suma de la
fila i y α veces la fila j.
Ejemplo 3.4
2 1 0 2 1 0
Para la misma matriz A del ejemplo anterior se tiene 0 3 1 “ 0 3 1, pues la matriz
2 4 2 0 3 2
del lado derecho se obtiene de la otra mediante la oef f3 ÝÑ f3 ´ f2 .
Oef del tipo III Cualesquiera sean los ı́ndices i, j P t1, 2, 3u con i ‰ j, se inter-
cambian las filas i y j: fi ÐÑ fj .
Debido a la propiedad alternante del determinante, al aplicar una oef del tipo III a
una matriz su determinante solo cambia de signo.
Ejemplo 3.5
2 1 0 2 1 0
Para la operación f2 ÐÑ f3 se tiene 0 3 1 “ ´ 2 4 2 .
2 4 2 0 3 1
Recordamos que operaciones elementales por filas siempre se puede reducir una matriz
cuadrada cualquiera a una matriz triangular; que es escalonada.
Ejemplo 3.6 » fi
0 1 3
Dada la matriz A “ – 0 1 ´1 fl dejamos al lector la tarea de justificar cada igualdad
— ffi
2 1 4
en los cálculos a seguir.
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 0 1 3 ˇˇ ˇ 2 1 4 ˇˇ ˇ 2 1 4 ˇˇ
ˇ ˇ ˇ
ˇ 0 1 ´1 ˇ “ ´ ˇ 0 1 ´1 ˇ “ ´ ˇ 0 1 ´1 ˇ “ ´8.
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 2 1 4 ˇ ˇ 0 1 3 ˇ ˇ 0 0 4 ˇ
Ahora bien, dado que la expresión algebraica (3.3) para el determinante de matrices 3 ˆ 3
tiene 6 (“ 3!) sumandos, el número de sumandos para la fórmula especı́fica de determinan-
te de matrices 4 ˆ 4 es 24 (“ 4!) sumandos; cada uno de estos sumandos es el producto de
un elemento en cada una de las filas de la matriz. De continuar con este razonamiento con-
cluiremos, usando inducción sobre el orden de la matriz, que la fórmula del determinante
de orden n ˆ n tiene n! sumandos; donde cada sumando es el producto de un elemento
en cada una de las filas de la matriz; esto sin entrar en los detalles de descubrir el signo
que precede a cada uno de los sumandos en dicha fórmula. En realidad existe una fórmula
general del det A, cualquiera sea el orden de A; esa fórmula no la presentaremos pues
hace referencias a nociones de permutaciones y sus signos. Aunque esa tal fórmula es muy
útil para aspectos teóricos, no es muy apropiada para efectos prácticos; por ello nuestra
insistencia en las operaciones elementales por filas.
A continuación introducimos la noción de cofactor en una matriz cuadrada y expresa-
remos la fórmula (3.1) en términos de ellos.
Definición 3.2
Dada cualquier matriz A “ raij s P Mn pKq, se conoce con el nombre de cofactor ij de A al
escalar cof Api, jq “ p´1qi`j det Aij , donde Aij es la matriz de orden pn ´ 1q ˆ pn ´ 1q que
se obtiene de A al eliminar la fila i y la columna j.
Ejemplo 3.7 » fi
1 i 0
La matriz A “ – 2 1 ´1 fl tiene 9 cofactores: cof Api, jq con i, j “ 1, 2, 3. Algunos de
— ffi
0 ´2 3
estos cofactores son
i 0 1 0
cof Ap2, 1q “ p´1q2`1 2 “ ´6i, y cof Ap3, 2q “ p´1q3`2 p´2q
“ ´2.
´2 3 2 ´1
det A “ a11 cof Ap1, 1q ` a21 cof Ap2, 1q ` ¨ ¨ ¨ ` an1 cof Apn, 1q; (3.4)
esto es, el determinante de A “ raij s P Mn pKq es la suma de los productos de los coeficientes
de la primera columna de A por sus respectivos cofactores. Más tarde descubriremos que
det A es también la suma de los productos de los coeficientes de cualquier columna de A
Álgebra lineal: Nociones y propiedades elementales 85
por sus respectivos cofactores, e incluso igual a la suma de los productos de los coeficientes
de cualquier fila de A por sus correspondientes cofactores.
Teorema 3.1
Para cada n ě 1 son válidas las afirmaciones:
2. Dada A P Mnˆn pKq, si B P Mnˆn pKq se obtiene de A intercambiando dos de sus filas,
fi ÐÑfj
entonces det B “ ´ det A (A ÝÝÝÝÝÑ B).
3. Dada A P Mnˆn pKq, si B P Mnˆn pKq se obtiene de A multiplicando una de sus filas
` f ÝÑα f `
por el escalar α P K, entonces det B “ α det A pA ÝÝ ÝÝÝÝÑ Bq. Simbólicamente:
a ¨ ¨ ¨ a1n a ¨ ¨ ¨ a
11 11 1n
. .. ..
.. ... .. ..
. . . .
α a`1 ¨ ¨ ¨ α a`n “ α a`1 ¨ ¨ ¨ a`n .
. .. .. . .. ..
. .
. . . . . .
an1 ¨ ¨ ¨ ann an1 ¨ ¨ ¨ ann
4. Dadas A P Mnˆn pKq y ` P t1, ¨ ¨ ¨ , nu, si las matrices B, C P Mnˆn pKq son tales que
Demostración. Como se podrá observar, cada una de las partes del enunciado del teore-
ma son propiedades válidas para la función determinante de orden n “ 1, 2, 3. Por tanto,
la demostración la haremos por inducción sobre n. Supongamos como hipótesis inductiva
que los enunciados son ciertos para n “ 1, 2, ¨ ¨ ¨ , k ´1, mostraremos por tanto que también
valen para n “ k.
1. De la fórmula (3.4) se tiene
det Ik “ 1 ¨ cof Ik p1, 1q ` 0 ¨ cof Ik p2, 1q ` ¨ ¨ ¨ ` 0 ¨ cof Ik pk, 1q “ cof Ik p1, 1q;
Por definición
det B “ b11 cof Bp1, 1q ` ¨ ¨ ¨ ` b`1 cof Bp`, 1q ` ¨ ¨ ¨ ` bk1 cof Bpk, 1q (3.6)
det B “ a11 α cof Ap1, 1q ` ¨ ¨ ¨ ` α a`1 cof Ap`, 1q ` ¨ ¨ ¨ ` ak1 α cof Apk, 1q
“ αpa11 cof Ap1, 1q ` ¨ ¨ ¨ ` a`1 cof Ap`, 1q ` ¨ ¨ ¨ ` ak1 cof Apk, 1qq “ α det A.
det Ci1 “ det Ai1 ` det Bi1 y cof Cpi, 1q “ cof Api, 1q ` cof Bpi, 1q. (3.8)
Ası́, dado que det C “ c11 cof Cp1, 1q ` ¨ ¨ ¨ ` c`1 cof Cp`, 1q ` ¨ ¨ ¨ ` ck1 cof Cpk, 1q, se obtiene
de (3.7) y (3.8) que det C “ det A ` det B.
Comentario 3.2
El enunciado del teorema que acabamos de demostrar establece que la función determinan-
te, det : Mnˆn pKq Ñ K, además de ser igual a 1 cuando se evalúa en la matriz identidad,
es multilineal y alternada. De hecho, puede demostrarse que la función determinante es la
única de Mnˆn pKq en K que es multilineal, alternada e igual a 1 al evaluarla en la matriz
identidad. La demostración de esta última afirmación escapa a nuestros propósitos en el
texto, ası́ que no la discutiremos.
Corolario 3.1
Dada cualquier matriz A P Mn pKq, las siguientes proposiciones son verdaderas:
Álgebra lineal: Nociones y propiedades elementales 87
3. Si una de las filas de A es combinación lineal de las restantes filas, entonces det A “
0.
f ÝÑα f
A ÝÝiÝÝÝÝÑ
i
B ùñ det B “ α det A, con α ‰ 0.
fi ÝÑfi `α fj
A ÝÝÝÝÝÝÝÝÑ B ùñ det B “ det A.
fi ÐÑfj
A ÝÝÝÝÝÑ B ùñ det B “ ´ det A.
Es bien conocido que toda matriz A P Mnˆm pKq puede reducirse mediante operaciones
elementales por fila a una matriz escalonada y también a una escalonada reducida por
filas. Recordemos que una matriz B “ rbij s en Mnˆm pKq se dice escalonada siempre que
satisfaga las siguientes condiciones:
2. Si las filas no nulas de B son las primeras r, entonces los ı́ndices de las columnas
donde aparecen las primeras entradas no nulas de cada una de las primeras r filas
están ordenados de forma creciente; esto es, para cada ı́ndice i P t1, ¨ ¨ ¨ , ru existe
ji P t1, ¨ ¨ ¨ , mu tal que:
2.1 1 ď j1 ă ¨ ¨ ¨ ă jr ď m,
2.2 biji es el primer elemento no nulo de la fila i P t1, ¨ ¨ ¨ , ru; es decir, biji ‰ 0 y
bij “ 0 para todo 1 ď j ă ji . La entrada biji se conoce como pivote de la fila i.
88 Neptalı́ Romero
2.3 Para todo k ą i, bkji “ 0; esto significa que en cada columna donde están los
pivotes, todas las entradas debajo de los pivotes son nulas.
donde lo señalado con * indica que tal posición puede estar ocupada por cualquier valor
en K. Claramente una matriz escalonada reducida por filas es de la forma
» fi
0 ¨¨¨ 0 1 ˚ ˚ 0 ¨¨¨ 0 ¨¨¨ ˚
—
— 0 ¨¨¨ 0 0 ¨¨¨ 0 1 ¨¨¨ 0 ¨¨¨ ˚ ffi
ffi
— .. .. .. .. .. .. .. .. .. .. .. ffi
—
— . . . . . . . . . . . ffi
ffi
0 ¨¨¨ 0 0 ¨¨¨ 0 0 ¨¨¨ 1 ¨¨¨ ffi .
— ffi
— ˚
— ffi
— 0 ¨¨¨ 0 0 ¨¨¨ 0 0 ¨¨¨ 0 ¨¨¨ 0 ffi
.. .. .. .. .. .. .. .. .. .. ..
— ffi
— ffi
– . . . . . . . . . . . fl
0 ¨¨¨ 0 0 ¨¨¨ 0 0 ¨¨¨ 0 ¨¨¨ 0
Teorema 3.2
Para cualquier matriz triangular superior A “ raij s P Mnˆn pKq siempre se cumple que
a
11 a12 ¨ ¨ ¨ a1n
0 a22 ¨ ¨ ¨ a2n
det A “ . .. .. .. “ a11 a22 ¨ ¨ ¨ ann .
.. . . .
0 0 ¨ ¨ ¨ ann
Demostración. Sigue por inducción sobre el orden de la matriz. Se dejan los detalles al
lector.
Álgebra lineal: Nociones y propiedades elementales 89
det A “ a11 det A11 ´ a21 det A21 ` ¨ ¨ ¨ ` p´1qn`1 det An1 ;
pero cada matriz Ai1 con i ą 1 tiene la primera fila nula, por tanto su determinante es igual
a 0; por otra parte, la matriz A11 es también triangular inferior. Luego por inducción se
concluye que el determinante de A es el producto de los elementos en su diagonal principal;
es decir:
a 0 ¨ ¨ ¨ 0
11
a21 a22 ¨ ¨ ¨ 0
det A “ . .. .. .. “ a11 a22 ¨ ¨ ¨ ann .
.. . . .
an1 an2 ¨ ¨ ¨ ann
Antes de proseguir recuerde que operaciones elementales por filas del tipo II no alteran
el valor del determinante de la matriz obtenida luego de su aplicación. En lo que sigue, si
F es una secuencia ordenada y finita de operaciones elementales por fila y A es una matriz
cualquiera, entonces FpAq denotará la matriz obtenida de A al aplicarle esa secuencia de
operaciones elementales.
Teorema 3.3
Sean A P Mnˆn pKq y F es una secuencia finita de operaciones elementales por fila. Si
en F hay k intercambios de filas y ` operaciones elementales del tipo I definidas por los
escalares no nulos α1 , ¨ ¨ ¨ , α` , entonces det A “ p´1qk pα1 ¨ ¨ ¨ α` q´1 det FpAq.
Ejemplo 3.8 » fi
2 1 3 ´1
— 0 1 ´1 0 ffi
Calculemos el determinante de A “ — ffi.
— ffi
– 1 2 1 1 fl
´1 2 1 ´1
Haciendo uso de la obtención de una forma escalonada equivalente por filas a A y el
efecto que producen las operaciones elementales por filas, tenemos que:
ˇ ˇ ˇ ˇ
ˇ 1 2 1 1 ˇˇ ˇ 1 2 1 1 ˇˇ
ˇ ˇ
ˇ 0 1 ´1 0 ˇˇ f3 Ñf3 ´2f1 ˇ 0 1 ´1 0 ˇˇ
f1 Øf3 ˇ ˇ
|A| ÝÝÝÝÑ“ ´ ˇ ˇ ÝÝÝÝÝÝÝÑ“ ´ ˇ ˇ
ˇ 2 1 3 ´1 ˇ f4 Ñf4 `f1 ˇ 0 ´3 1 ´3 ˇ
ˇ ˇ ˇ ˇ
ˇ ´1 2 1 ´1 ˇ ˇ 0 4 2 0 ˇ
ˇ ˇ ˇ ˇ
ˇ 1 2 1 1 ˇˇ ˇ 1 2 1 1 ˇˇ
ˇ ˇ
ˇ 0 1 ´1 0 ˇˇ f4 Ñf4 `3f3 ˇ 0 1 ´1 0 ˇˇ
f3 Ñf3 `3f2 ˇ ˇ
ÝÝÝÝÝÝÝÑ“ ´ ˇ ˇ ÝÝÝÝÝÝÝÑ“ ´ ˇ ˇ “ ´18.
f4 Ñf4 ´4f2 ˇ 0 0 ´2 ´3 ˇ ˇ 0 0 ´2 ´3 ˇ
ˇ ˇ ˇ ˇ
ˇ 0 0 6 0 ˇ ˇ 0 0 0 ´9 ˇ
90 Neptalı́ Romero
Teorema 3.4
Una matriz A P Mn pKq es invertible si, y solo si, det A ‰ 0.
Demostración. Sabemos que una matriz A P Mnˆn pKq es invertible si, y solo si, cualquier
matriz escalonada obtenida a partir de ella por operaciones elementales por fila tiene rango
n. Pero una matriz escalonada de orden n ˆ n y con rango n es una matriz triangular
superior con todas sus fila no nulas; en particular, los coeficientes de su diagonal son todos
diferentes de 0. Esto demuestra el teorema.
Ejemplo 3.9 » fi
1 0 ´1 3
— 2 2 0 8 ffi
Determinemos si la matriz A “ — ffi es o no invertible; y en caso de serlo
— ffi
– 1 0 4 ´1 fl
0 1 ´5 1
calculemos su determinante. Para ello procedemos a reducir por filas a la matriz A.
» fi » fi » fi
1 0 ´1 3 1 0 ´1 3 1 0 ´1 3
— 2 2 0 8 ffi
ffi f2 ÝÑf2 ´2f1 — 0 2 2 2 ffiffi f3 ÝÑf3 ´f1 — 0 2 2 2 ffi
— —
— ffi
— ffi ÝÝÝÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÝÑ — ffi
– 1 0 4 ´1 fl – 1 0 4 ´1 fl – 0 0 5 ´4 fl
0 1 ´5 1 0 1 ´5 1 0 1 ´5 1
» fi » fi
1 0 ´1 3 1 0 ´1 3
1 6
f4 ÝÑf4 ´ f2 — 0 2
— 2 2 ffi f4 ÝÑf4 ` 5 f3 — 0 2
ffi — 2 2 ffi
ÝÝÝÝÝÝÝ2ÝÑ — ffi .
ffi
ffi ÝÝÝÝÝÝÝÝÑ —
– 0 0 5 ´4 fl – 0 0 5 ´4 fl
0 0 ´6 0 0 0 0 ´ 24
5
De acá que A sea invertible (tiene rango 4), y además, como las operaciones elementales
usadas fueron todas del tipo II, entonces det A “ 1 ˆ 2 ˆ 5 ˆ ´ 24 5 “ ´48.
Teorema 3.5
Dadas matrices A, B P Mn pKq siempre se cumplen:
det A “ p´1qi`1 ai1 det Ai1 ` p´1qi`2 ai2 det Ai2 ` ¨ ¨ ¨ ` p´1qi`n ain det Ain ;
det A “ p´1qj`1 a1j det A1j ` p´1qj`2 a2j det A2j ` ¨ ¨ ¨ ` p´1qj`n anj det Anj ;
La demostración que ofreceremos de este teorema, que puede ser obviada en una pri-
mera lectura, la haremos por partes a lo largo del apartado. Antes discutiremos algunos
asuntos sobre operaciones elementales por columna (oec); estas también son de tres tipos:
Oec del tipo I Sustituir una columna por el producto de ella y un escalar no nulo.
Simbólicamente, ci ÝÑ α ci , lo cual significa que la columna i es sustituida por el
múltiplo α de ella.
» fi » fi
2 1 0 2 2 0
ffi c2 ÝÑ2c2 —
Ejemplo: –0 3 1fl ÝÝ ÝÝÝÑ –0 6 1fl.
— ffi
0 0 2 0 0 2
Oec del tipo II Sustituir una columna por la suma de ella con un múltiplo no
nulo de otra columna de la matriz. ci ÝÑ ci ` α cj significa que la columna i es
sustituida la suma de la columna i y α veces la columna j.
» fi » fi
2 1 0 2 1 0
ffi c2 ÝÑc2 ´3c3 —
Ejemplo: –0 3 1fl ÝÝ ÝÝÝÝÝÝÑ – 0 0 1 fl.
— ffi
0 0 2 0 ´6 2
Como en las oef, las operaciones elementales por columna definen una relación de
equivalencia; también se definen formas escalonadas por columnas, formas escalonadas
reducidas por columnas, y una forma canónica de Gauss-Jordan por columnas. Dado que
todo esto se hace se manera similar a como fue hecho para operaciones elementales por filas,
no entraremos en los detalles. De la misma forma, si C es una secuencia finita ordenada de
operaciones elementales por columna, entonces CpAq denotará la matriz obtenida de A al
realizar esas operaciones elementales por columnas. Como antes, dada una secuencia C de
operaciones elementales por columnas, existe una constante γ ‰ 0 tal que, para cualquier
matriz cuadrada A se cumple det CpAq “ γ det A.
El siguiente lema es fundamental para la demostración de la primera parte del teorema
enunciado.
92 Neptalı́ Romero
Lema 3.1
Sean A y B matrices cualesquiera de ordenes m ˆ n y n ˆ p respectivamente. Si F y C son
secuencias finitas de operaciones elementales por fila y columna, respectivamente, entonces
FpABq “ FpAqB y CpABq “ ACpBq.
por lo que la fila i de FpAqB es la misma fila i de FpABq. Similarmente se verifica que la
fila j de FpAqB es la misma fila j de FpABq. Con esto se ha demostrado que la parte del
enunciado es cierto cuando F intercambia filas. De manera análoga se verifica la propiedad
1 del lema cuando F es cualquier operación elemental por fila de los otros dos tipos.
Caso 2: B no invertible.
La demostración en este caso es similar al anterior, pero ahora la matriz CpBq tiene al
menos una columna nula y CpABq “ A CpBq.
Caso 3: A y B ambas invertibles.
En vista de que A y B son invertibles, FpAq “ In “ CpBq. En particular esto implica que
det A “ β ´1 . Ahora bien, como FpABq “ FpAq B, se tiene
Corolario 3.2
1
Si A P Mn pKq es una matriz invertible, entonces det A´1 “ .
det A
Demostración. Es inmediata pues det A ‰ 0 y A´1 A “ In .
Corolario 3.3
Si A1 , ¨ ¨ ¨ , Ak P Mn pKq son matrices cualesquiera, entonces
En particular, el producto A1 ¨ ¨ ¨ Ak es invertible si, y solo si, cada una de las matrices
factores lo es.
Definición 3.3
Dos secuencias finitas ordenadas F “ fk ¨ ¨ ¨ f1 y C “ ck ¨ ¨ ¨ c1 de operaciones elementales
por fila y columna, respectivamente, se dicen análogas si para cada ` P t1, ¨ ¨ ¨ , ku, la
operaciones f` y c` son exactamente del mismo tipo; es decir:
‚ La f` sustituye la fila i por un múltiplo α (no nulo) de ella si, y solo si, la c` hace lo
mismo con la columna i.
‚ La f` sustituye la fila i por ella más un múltiplo α (no nulo) de otra si, y solo si, la c`
hace lo mismo con las columnas de igual ı́ndice.
‚ La f` intercambias las filas i y j si, y solo si, la c` hace lo mismo con las columnas i y j.
Lema 3.2
Sea A P Mn pKq una matriz cuadrada cualquiera. Si F es una secuencia ordenada finita
de operaciones elementales por filas y C es su análoga por columnas, entonces
Comentario 3.3
Del lema anterior junto con el Teorema 3.1 (pg. 85) y el Corolario 3.1 (pg. 86) se deducen
los efectos en los determinantes producidos por la aplicación de operaciones elementales
por columnas.
‚ Efecto de la operación elemental por columna del tipo I:
c ÝÑα c
i i
A ÝÝ ÝÝÝÑ B ùñ det B “ α det A, con α ‰ 0.
ci ÝÑci `α cj
A ÝÝÝÝÝÝÝÝÑ B ùñ det B “ det A.
ci ÐÑcj
A ÝÝÝÝÝÑ B ùñ det B “ ´ det A.
det A “ p´1qm pα1 ¨ ¨ ¨ αk q´1 det FpAq y det At “ p´1qm pα1 ¨ ¨ ¨ αk q´1 det CpAt q.
Finalmente, dado que las matrices triangulares FpAq y CpAt q tienen la misma diagonal
principal, sus determinantes son iguales; esto obviamente implica que det A “ det At .
Comentario 3.4
Haciendo uso del hecho que el determinante de cualquier matriz cuadrada es igual al
determinante de su traspuesta, se deducen directamente las condiciones de linealidad en
cada una de las columnas de la matriz; ver partes 3 y 4 del Teorema 3.1, donde se muestran
las correspondientes propiedades para las filas de la matriz; ası́ que:
a
11 ¨ ¨ ¨ α a1j ¨ ¨ ¨ a1n
a
11 ¨ ¨ ¨ a1j ¨ ¨ ¨ a1n
a21 ¨ ¨ ¨ α a2j ¨ ¨ ¨ a2n a21 ¨ ¨ ¨ a2j ¨ ¨ ¨ a2n
1. .
.. .. .. .. “ α ..
.. .. .. .. para todo α ‰ 0; y
.. . . . . . . . . .
an1 ¨ ¨ ¨ α anj ¨ ¨ ¨ ann an1 ¨ ¨ ¨ anj ¨ ¨ ¨ ann
a
11 ¨ ¨ ¨ a1j ` b1j ¨ ¨ ¨ a1n a11 ¨ ¨ ¨ a1j ¨ ¨ ¨ a1n a11 ¨ ¨ ¨ b1j ¨ ¨ ¨ a1n
a21 ¨ ¨ ¨ a2j ` b2j ¨ ¨ ¨ a2n a21 ¨ ¨ ¨ a2j ¨ ¨ ¨ a2n a21 ¨ ¨ ¨ b2j ¨ ¨ ¨ a2n
2. . .. .. .. .. “ .. .. .. .. .. ` .. .. .. .. .. .
.. . . . . . . . . . . . . . .
an1 ¨ ¨ ¨ anj ` bnj ¨ ¨ ¨ ann an1 ¨ ¨ ¨ anj ¨ ¨ ¨ ann an1 ¨ ¨ ¨ bnj ¨ ¨ ¨ ann
Álgebra lineal: Nociones y propiedades elementales 95
Ejemplo 3.10
1 1 1
Vamos a calcular el determinante a b c el cual es conocido como determinante de
2 2 2
a b c
Vandermonde (ver sección de ejercicios propuestos). Haciendo uso de operaciones elemen-
tales por columna tenemos:
1 1 1 1 0 0
b´a c ´ a
c2 ÝÑc2 ´c1
a b c ÝÝÝÝÝÝÝÑ “ a b´a c´a “ 2 (¿por qué?)
2 2 2 c3 ÝÑc3 ´c1 2 2 2 2 2
b ´ a2 c2 ´ a2
a b c a b ´ a c ´ a
“ pb ´ aqpc2 ´ a2 q ´ pc ´ aqpb2 ´ a2 q
“ pb ´ aqpc ´ aqpc ´ bq.
Demostración de las partes 3 y 4 del Teorema 3.5. Sabemos que det A “ det At y
por la definición 3.1
det At “ a11 det At11 ´ a12 det At21 ` ¨ ¨ ¨ ` p´1qn`1 a1n det Atn1 ,
pues la primera columna de At es la primera fila de A. Por otra parte, es simple verificar
que para todo i, j en t1, ¨ ¨ ¨ , nu vale Atij “ Aji ; luego
det A “ a11 det A11 ´ a12 det A12 ` ¨ ¨ ¨ ` p´1qn`1 a1n det A1n .
det A “ p´1qi´1 ai1 det B11 ´ ai2 det B12 ` ¨ ¨ ¨ ` p´1qn`1 ain det B1n ,
` ˘
96 Neptalı́ Romero
pero p´1qi´1 “ p´1qi`1 y B1j “ Aij para todo j P t1, ¨ ¨ ¨ , nu, entonces de la anterior
fórmula se obtiene
det A “ p´1qi`1 ai1 det Ai1 ` p´1qi`2 ai2 det Ai2 ` ¨ ¨ ¨ ` p´1qi`n ain det Ain ,
Ejemplo 3.11 » fi
2 0 1 3
— 2 3 1 2 ffi
Calculemos el determinante de la matriz A “ — ffi. Al expresar det A a
— ffi
– 0 0 ´1 4 fl
0 0 0 2
través del desarrollo por cofactores de la segunda columna (¡hay más ceros!) tenemos
ˇ ˇ
ˇ 2 0 1 3 ˇ ˇ
ˇ 2
ˇ
ˇ ˇ 1 3 ˇ
ˇ 2 3 1 2 ˇ
2`2 ˇ
ˇ ˇ
3 ˇ 0 ´1 4
ˇ ˇ ˇ
ˇ ˇ “ p´1q ˇ “ ´12
ˇ 0 0 ´1 4 ˇ ˇ ˇ
ˇ ˇ ˇ 0 0 2 ˇ
ˇ 0 0 0 2 ˇ
Trataremos en esta sección tres tópicos que son verdaderos clásicos del Álgebra lineal.
El primero de ellos corresponde a un método para resolver sistemas de n ecuaciones lineales
con n incógnitas: la Regla de Cramer; el segundo es un método que permite obtener la
inversa de matrices invertibles a partir de la denominada adjunta clásica de una matriz
y el desarrollo de determinantes por cofactores; finalmente estudiaremos la relación que
existe entre el rango de un matriz y los determinantes; se trata sobre un aporte teórico
en la dirección de obtener el rango de matrices, vale mencionar que no es muy útil para
efectos prácticos; por tanto puede ser obviado en una primera lectura.
1750 cuando Gabriel Cramer 1 dió un método general para encontrar la solución única de
sistemas de ecuaciones lineales compatibles determinados con igual número de ecuaciones
que de incógnitas. Esto surgió motivado por el problema de encontrar la ecuación de curvas
algebraicas planas a partir de un conjunto finito de puntos por donde tal curva pasa.
Comenzamos considerando una matriz A invertible de orden n ˆ n con coeficientes en
K. Como sabemos esta condición equivalente a det A ‰ 0, y también a que el sistema de
ecuaciones lineales AX “ b tenga solución única, cualquiera sea b P Mnˆ1 pKq. La esencia
de la Regla de Cramer es que ofrece una fórmula para cada una de las componentes de la
solución del sistema de ecuaciones lineales AX “ b.
» fi » fi
a11 a12 ¨ ¨ ¨ a1n b1
— a21 a22 ¨ ¨ ¨ a2n ffi — b2 ffi
— ffi — ffi
Dadas A “ — — .. .. .. .. ffi
ffi y b “ — .. ffi; denotamos por Apj; bq la matriz
— ffi
– . . . . fl – . fl
an1 an2 ¨ ¨ ¨ ann bn
de orden n ˆ n que se obtiene de A sustituyendo la columna j por b; esto es,
» fi
a11 ¨ ¨ ¨ a1j´1 b1 a1j`1 ¨ ¨ ¨ a1n
— a21 ¨ ¨ ¨ a2j´1 b2 a2j`1 ¨ ¨ ¨ a2n ffi
— ffi
Apj; bq “ — .
— .. .. .. .. .. ffi .
.. ffi
– .
. . . . . . . fl
an1 ¨ ¨ ¨ anj´1 bn anj`1 ¨ ¨ ¨ ann
b “ x1 Ap1q ` ¨ ¨ ¨ ` xn Apnq .
det Apj; bq “ det B1 ` ¨ ¨ ¨ ` det Bj´1 ` det Bj ` det Bj`1 ` ¨ ¨ ¨ ` det Bn “ xj det A;
det Apj; bq
de donde xj “ , para cada j “ 1, ¨ ¨ ¨ , n.
det A
Ejemplo 3.12
Consideremos el sistema de ecuaciones lineales AX “ b donde
» fi » fi
1 2 3 2
A“– 1 0 1 fl y b “ – 3 fl .
— ffi — ffi
1 1 ´1 1
Examinemos si es posible resolver tal sistema empleando la Regla de Cramer. Para ello
se debe averiguar si A es invertible; dado que
1 2 3 1 2 3 1 2 3
1
f2 ÝÑ 2 f2
f3 ÝÑf3 ´f1
1 0 1 ÝÝÝÝÝÝÝÑ“ 0 ´2 ´2 ÝÝÝÝÝÝÑ“ ´2 0 1 1
f2 ÝÑf2 ´f1
1 1 ´1 0 ´1 ´4 0 ´1 ´4
1 2 3
f3 ÝÑf3 `f2
ÝÝÝÝÝÝÝÑ“ ´2 0 1 1 “ 6;
0 0 ´3
por tanto sı́ podemos utilizar la Regla de Cramer. Ahora bien, como
2 2 3 1 1 ´1 1 1 ´1
f3 ÐÑf1 f2 ÝÑf2 ´3f1
det Ap1; bq “ 3 0 1 ÝÝÝÝÝÑ“ ´ 3 0 1 ÝÝÝÝÝÝÝÝÑ“ ´ 0 ´3 4 “ 15
f ÝÑf3 ´2f1
2 2 3 3
1 1 ´1 0 0 5
1 2 3 1 2 3 1 2 3
f2 ÝÑf2 ´f1 f3 ÝÑf3 ´f2
det Ap2; bq “ 1 3 1 0 1 2 0 1 2 “ ´6, y
ÝÝ ÝÝÝ ÝÝÑ “ ÝÝ ÝÝÝ ÝÝ Ñ“
f3 ÝÑf3 ´f1
1 1 ´1 0 1 ´4 0 0 ´6
1 2 2 1 2 2
´2 1
f2 ÝÑf2 ´f1
det Ap3; bq “ 1 0 3 ÝÝÝÝÝÝÝÑ“ 0 ´2 1 “ “ 3,
f ÝÑf3 ´f1 ´1 ´1
1 1 1 3
0 ´1 ´1
tenemos que
Definición 3.4
Dada A P Mn pKq, su adjunta clásica de A es la matriz AdjpAq “ rbij s P Mn pKq con
Ejemplo 3.13 » fi
2 1 ´2
Consideremos la matriz A “ – 1 ´1 2 fl; dado que
— ffi
3 1 1
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ´1 2 ˇ ˇ 1 2 ˇ ˇ 1 ´1 ˇ
cof Ap1, 1q “ ˇ ˇ “ ´3, cof Ap1, 2q “ ´ ˇ ˇ “ 5, cof Ap1, 3q “ ˇ ˇ “ 4,
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 1 1 ˇ ˇ 3 1 ˇ ˇ 3 1 ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 1 ´2 ˇ ˇ 2 ´2 ˇ ˇ 2 1 ˇ
cof Ap2, 1q “ ´ ˇ ˇ “ ´3, cof Ap2, 2q “ ˇ ˇ “ 8, cof Ap2, 3q “ ´ ˇ ˇ “ 1,
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 1 1 ˇ ˇ 3 1 ˇ ˇ 3 1 ˇ
ˇ ˇ ˇ ˇ
ˇ 2 ´2 ˇ ˇ 2 1 ˇˇ
cof Ap3, 1q “ 0, cof Ap3, 2q “ ´ ˇ ˇ “ ´6, cof Ap3, 3q “ ˇ
ˇ ˇ ˇ
ˇ “ ´3,
ˇ 1 2 ˇ ˇ 1 ´1 ˇ
» fi
´3 ´3 0
se tiene AdjpAq “ – 5 8 ´6 fl.
— ffi
4 1 ´3
Una importante identidad es la siguiente:
Proposición 3.3
Si A “ raij s P Mnˆn pKq, entonces para todo i, j “ 1, ¨ ¨ ¨ , n siempre se cumple
n
ÿ
p´1qj`k aik det Ajk “ δij det A, (3.9)
k“1
Corolario 3.4
Si A es cualquier matriz de orden n ˆ n, entonces A AdjpAq “ det A In . En particular,
1
A´1 “ AdjpAq,
detpAq
Definición 3.5
Sea A P Mmˆn pKq. Dados dos subconjuntos cualesquiera
Ejemplo» 3.15 fi
1 2 ´1 1 0 1
Si A “ – ´2 0 1 1 ´1 2 fl, F “ t1, 3u y C “ t1, 3, 4, 5u, entonces
— ffi
´4 4 1 5 ´3 8
« ff
1 ´1 1 0
AF C “ .
´4 1 5 ´3
Teorema 3.7
Si A P Mmˆn pKq es no nula, entonces su rango es el mayor entero positivo r tal que A
tiene alguna submatriz AF C P Mrˆr pKq con det AF C ‰ 0.
Comentario 3.5
El teorema que acabamos de demostrar es una herramienta meramente teórica; con esto
102 Neptalı́ Romero
queremos decir que en general es bastante inadecuado para fines prácticos. Puede ser que
el número de submatrices a chequear con determinante diferente de cero sea muy superior
al número de operaciones elementales por filas para obtener una forma escalonada de la
matriz, y por el ende el rango de la misma.
3. Determine los valores de x para los cuales las siguientes matrices son invertibles:
» fi
« ff « ff « ff 2 1 0
12 ´ x 4 2x 4 2x 4
, , y –1 x 1 fl .
— ffi
8 8´x x 2 x 1
1 1´x 1´x
8. Sean f11, f12 , f21 , f22 : R Ñ R funciones diferenciables. Sea F : R Ñ R definida por
f pxq f pxq
11 12
F pxq “ para cada x P R. Demostrar que
f21 pxq f22 pxq
f 1 pxq f 1 pxq f pxq f pxq
11 12
F 1 pxq “ 11 12
para cada x P R.
` 1 1
f21 pxq f22 pxq f21 pxq f22 pxq
f pxq f pxq f pxq
11 12 13
Obtener una fórmula semejante si F pxq “ f21 pxq f22 pxq f23 pxq. Generalizar a n2
f31 pxq f32 pxq f33 pxq
funciones fij , i, j “ 1, 2, ¨ ¨ ¨ , n.
9. Utilizando operaciones elementales por fila, operaciones elementales por columna, desa-
rrollos por cofactores de fila o de columna, calcule el determinante de las siguientes
matrices:
» fi » fi » fi
» fi 3 ´1 ´1 0 2 1 1 5 1 2 1 1
2 1 ´1
ffi — 1 ´2 ´1 1 ffi — 1 1 ´4 ´1 ffi
— ffi — ffi — ´1 1 0 1 ffi
– ´2 3 0 fl , — ffi , — ffi y — ffi .
— — ffi
– ´1 2 1 1 fl – 2 0 ´3 1 fl – 2 0 0 ´1 fl
1 0 1
0 2 ´1 0 3 6 1 0 0 1 1 1
10. Sea A un matriz antisimétrica de orden n ˆ n; esto es, A “ ´At . Demuestre que para
cualquier matriz antisimétrica vale det A “ p´1qn det A. Deducir de acá que si n es
impar, entonces A es no invertible
11. Una matriz A P Mnˆn pRq se dice ortogonal si AAt “ In . Demostrar que si A es
ortogonal, entonces det A “ ˘1.
12. Una matriz A P Mnˆn pCq se dice unitaria si AA˚ “ In , donde A˚ “ At , la traspuesta
de su conjugada. Demostrar que si A es unitaria, entonces | det A| “ 1. (Sugerencia:
Mostrar primero que det A “ det A. Recuerde queapara un número complejo z “ x ` iy,
su conjugado es z “ x ´ iy y su módulo es |z| “ x2 ` y 2 .)
13. Dos matrices cuadradas A y B, ambas del mismo orden, se dicen similares si existe
una matriz invertible P tal que A “ P B P ´1 . Demostrar que la relación A „ B si A y
B son similares es de equivalencia. Muestre además que si dos matrices son similares,
entonces tienen el mismo determinante. ¿Es cierto el recı́proco?
14. Dadas matrices B P Mrˆr pKq, C P Mrˆpn´rq pKq, O P Mpn´rqˆr pKq (la matriz nula de
orden pn ´ rq ˆ r) y D P Mpn´rqˆpn´rq pKq. Demostrar que si A es la matriz por bloques
« ff
B C
A“ , entonces det A “ det B det D.
O D
16. Para cada i “ 1, ¨ ¨ ¨ , r, sea Ai una matriz cuadrada »de orden mi . Demostrar que
fi el
A1 O ¨ ¨ ¨ O O
— O A ¨¨¨ O O ffi
— 2 ffi
— . . . . . ffi
determinante de la matriz diagonal por bloques A “ — . — . .
. . . .
. . ffi es
. ffi
— ffi
– O O ¨ ¨ ¨ Ar´1 O fl
O O ¨¨¨ O Ar
el producto de los determinantes de las matrices A1 , ¨ ¨ ¨ , Ar .
» fi
0 0 0 a14
— 0 0 a23 a24 ffi
17. Calcule el determinante de la matriz — ffi . Generalize el resultado
— ffi
– 0 a32 a33 a34 fl
a41 a42 a43 a44
para matrices de orden n ˆ n.
19. Utilice la Regla de Cramer para resolver los sistemas de ecuaciones lineales dados a
continuación:
$ $
& 2x ´ y ` 3z “ 1
’ ’
& 2x ` y ´ 3z “ 1
a) 3x ` 2y ´ z “ 0 b) x ´ 2y ` z “ 0
’
% x ` 4y ` z “ 6 ’
% 3x ` 4y ´ 2z “ ´5
$
& x ´ y ` 4z
’ “ ´4
c) ´8x ` 3y ` z “ 0
’
% 2x ´ y ` z “ 8
20. Encontrar la adjunta clásica de las siguientes matrices; en el caso de que alguna de ellas
sea invertible, determine su inversa.
Álgebra lineal: Nociones y propiedades elementales 105
» fi » fi » fi
´2 0 1 ´2 0 1 ´2 1 4
a) – 0 4 1 fl b) – ´3 2 1 fl c) – 2 2 ´1 fl
— ffi — ffi — ffi
» 0 1 5 fi » ´1 2 1 fi » 3 0 0 fi
7 1 4 4 1 ´1 1´i 0 0
d) – 5 ´2 fl e) – ´2 3 2 fl f) – 4 3i 1 fl
— ffi — ffi — ffi
´3
» 6 ´3 0 fi » 6 0 3fi » 2i 1 ´ 4i ´1 fi
1 1 1 1 0 0 cos θ 0 ´ sen θ
? ? ffi
g) – 0 i 2 ´i 2 fl h) – 1 1 0 fl i) – 0 1 0 fl.
— — ffi — ffi
1 ´1 1 1 1 1 sen θ 0 cos θ
4.1. Introducción
Puede decirse que el Álgebra lineal moderna tiene sus orı́genes en el estudio de los
vectores en plano y en el espacio tridimensional cartesiano, para luego transformase en un
área abstracta de la Matemática en la cual el concepto de vector se presenta de manera
general como un ente abstracto en espacios de dimensión arbitraria (incluso infinita). En
realidad, y muy a pesar de sus caracterı́sticas abstractas en las cuales puede presentarse,
la noción de vector es de común empleo en diferentes disciplinas cientı́ficas y tecnológicas.
Por ejemplo, en Fı́sica, se refiere a objetos en los que se hace referencia a una magnitud
y dirección, como la velocidad; en Biologı́a, un vector puede ser considerado como un ele-
mento portador de un agente de alguna infección; en Economı́a los vectores son empleados
para representar diferentes ı́ndices, como por ejemplo el PIB de un determinado grupo
de paı́ses; mientras que en Informática un vector puede entenderse como un conjunto de
registros de una misma naturaleza. En Matemáticas, un vector es simplemente el objeto
inicial de estudio en los espacios vectoriales.
Dado que el Álgebra lineal admite una representación concreta en la Geometrı́a analı́ti-
ca, procederemos a estudiar las nociones básicas fundamentales en las que se percibe el
empleo de los concepto y propiedades elementales de los vectores en Rn en ciertos elemen-
tos de esta geometrı́a, como los son las rectas, planos e hiperplanos.
Definición 4.1
Dado cualquier entero positivo n, al producto cartesiano del conjunto de los números reales
R consigo mismo n veces, lo denotaremos por Rn ; esto es
Rn “ R
l ˆRˆ n “ tpx1 , x2 , ¨ ¨ ¨ , xn q : x1 , x2 , ¨ ¨ ¨ , xn P Ru.
jh¨ ¨ ¨ ˆ R
n veces
107
108 Neptalı́ Romero
Los elementos del producto cartesiano Rn son conocidos con el nombre de puntos,
se refiere ello a cualquier n-tupla px1 , x2 , ¨ ¨ ¨ , xn q cuyas componentes x1 , x2 , ¨ ¨ ¨ , xn son
números reales; estas componentes también son llamadas coordenadas.
‚ A ` B “ pa1 ` b1 , a2 ` b2 , ¨ ¨ ¨ , an ` bn q.
[A3] Existe un único punto O1 en Rn tal que para cada A P Rn vale O1 ` A “ A; de hecho
O1 es el origen O “ p0, 0, ¨ ¨ ¨ , 0q. (Elemento neutro)
En lo que sigue diremos que pRn , `, ¨q es un espacio vectorial sobre R, donde ` y ¨ hace
referencia a las operaciones de adición y multiplicación por escalares reales de arriba. En
el próximo capı́tulo discutiremos este concepto de manera abstracta.
Otras propiedades en pRn , `, ¨q son enunciadas en la siguiente proposición.
Proposición 4.1
Cualesquiera sean A, B, C P Rn y α P R se tiene que:
1. Si A ` B “ A ` C, entonces B “ C.
2. 0A “ O y α O “ O.
k
ÿ
A P CLpA1 , A2 , ¨ ¨ ¨ , A` q ðñ D α1 , ¨ ¨ ¨ , α` P R tales que A “ αi Ai .
i“1
Ejemplo 4.1
1. El punto A “ p´1, 2q P R2 es combinación lineal de los puntos canónicos E1 y E2 :
2. El punto P “ p1, ´2, 3q es combinación lineal de Q “ p2, ´4, 6q, pues P “ 21 Q; sin
embargo, no es combinación lineal de R “ p2, 4, 6q pues no existe α P R que satisfaga
P “ αR; de lo contrario tendrı́amos que
2α “ 1 y 4α “ ´2,
1
de donde 2 “ ´ 12 , lo cual es absurdo.
4. Consideremos el punto A “ p1, 3q. Determinemos una caracterización de los puntos que
son combinación de A. Como sabemos CLpAq “ tαA : α P Ru; esto es, B P CLpAq si,
y solo si, existe α P R tal que B “ αA “ pα, 3αq. Si hacemos B “ px, yq, entonces
de lo anterior sigue que x “ α y y “ 3α; en otras palabras, y “ 3x. De esta manera,
CLpAq “ tpx, yq : y “ 3xu; que es la recta en R2 que pasa por el origen y tiene pendiente
igual a 3.
5. Veamos ahora un ejemplo similar al anterior pero en R3 . Sea A “ p2, 1, 1q; vamos a
caracterizar los puntos px, y, zq que pertenecen a CLpAq “ tαA : α P Ru. Como antes,
B “ px, y, zq P CLpAq si, y solo si, existe un escalar α P R tal que B “ αA; es decir,
px, y, zq “ αp2, 1, 1q “ p2α, α, αq; de donde se sigue que x2 “ y “ z. En otras palabras,
CLpAq es el conjunto de todos los puntos px, y, zq P R3 que satisfacen la ecuación
x 3
2 “ y “ z. Como veremos más adelante, este conjunto describe una recta en R .
Comentario 4.1
El problema de decidir si A en Rn es o no combinación lineal de A1 , A2 , ¨ ¨ ¨ , Am P Rn es
un problema de existencia de m escalares α1 , α2 , ¨ ¨ ¨ , αm en R para los cuales se cumple
A “ α1 A1 ` α2 A2 ` ¨ ¨ ¨ ` αm Am .
pa1 , a2 , ¨ ¨ ¨ , an q “ α1 pa11 , a21 , ¨ ¨ ¨ , an1 q`α2 pa12 , a22 , ¨ ¨ ¨ , an2 q`¨ ¨ ¨`αm pa1m , a2m , ¨ ¨ ¨ , anm q.
Ejemplo 4.2
Consideremos en R3 los puntos:
A “ p1, ´1, ´3q, A1 “ p1, 0, ´2q, A2 “ p0, 1, 1q, A3 “ p2, 1, ´3q y A4 “ p2, 2, ´2q.
p1, ´1, ´3q “ αp1, 0, ´2q ` βp0, 1, 1q ` γp2, 1, ´3q ` δp2, 2, ´2q.
$
& α ` 2γ ` 2δ “ 1
’
Como ya es conocido, esto equivale a saber si el sistema β ` γ ` 2δ “ ´1
’
% ´2α ` β ´ 3γ ´ 2δ “ ´3
tiene o no solución. Procedamos entonces a determinar los rangos de la matriz del sistema
112 Neptalı́ Romero
y su ampliada:
» fi » fi
1 0 2 2 1 1 0 2 2 1
ffi f3 ÝÑf3 `2 f1 —
– 0 1 1 2 ´1 fl ÝÝÝÝÝÝÝÝÑ – 0 1 1 2 ´1 fl
— ffi
´2 1 ´3 ´2 ´3 0 1 1 2 ´1
» fi
1 0 2 2 1
f3 ÝÑf3 ´f2 —
ÝÝÝÝÝÝÝÑ – 0 1 1 2 ´1 fl ;
ffi
0 0 0 0 0
‚ Caso R2 .
Definimos como ejes coordenados de R2 , o ejes canónicos, a los subconjuntos:
Figura 4.1: Ubicación del punto px, yq con respecto a los ejes coordenados de R.
Figura 4.2: Ubicación del punto px, y, zq con respecto a los ejes coordenados canónicos de R3 .
4.3. Vectores en Rn .
Hasta el momento hemos dotados al conjunto de puntos Rn de una estructura lineal
(Teorema 4.1), la cual es la esencia del Álgebra lineal. En esta sección introduciremos el
concepto de vector en Rn ; a pesar que cada a vector en Rn se le asocia biunı́vocamente un
punto de Rn , conceptualmente son objetos matemáticos diferentes. Por ejemplo, en Fı́sica
es común encontrarse con dos tipos de objetos que llevan asociada una magnitud:
1. Los escalares son los objetos que solo expresan tamaño; entre ellos nos encontramos,
por ejemplo, con la masa, la densidad, el volumen, entre otros.
2. Los vectores, objetos que además de expresar tamaño, tienen consigo una dirección
y un sentido. Por ejemplo, en el desplazamiento de una partı́cula se encuentran la
velocidad, la acelaración y la fuerza que influyen en su movimiento y dinámica; estas
tres nociones de la Fı́sica son ejemplos de vectores, suelen ser representados por flechas
de diversas longitudes, para indicar sus respectivos tamaños, orientaciones, la dirección
del movimiento. Las flechas pueden identificarse con un par de puntos: punto inicial
ÝÝÑ
y punto final de la flecha. Ası́, AB denotará el vector con punto inicial en A y punto
final en B. Veamos una definición formal de vector.
Definición 4.2
ÝÝÑ
Un vector en Rn es un par ordenado pA, Bq de puntos en Rn , el cual se denota por AB. El
punto A se denomina punto inicial (o de anclaje) y B es su punto final . Fijado un punto
A P Rn , al conjunto de todos los vectores de Rn que están anclados en A
ÝÝÑ
RnA “ tAB : B P Rn u (4.1)
se le llama espacio tangente de Rn en A.
Comentario 4.2
ÝÝÑ ÝÝÑ
Claramente de la noción de par ordenados se tiene que dos vectores AB y CD son iguales
Álgebra lineal: Nociones y propiedades elementales 115
si los pares ordenados que los definen son iguales; esto es, si A “ C y B “ D. A los
ÝÑ
vectores anclados en el origen; es decir, los vectores de la forma OA los denotaremos por
Ñ
Ý Ý
Ñ ÝÑ Ý
Ñ
A , omitiendo el uso del origen O como su punto de anclaje; ası́, E1 , E2 , ¨ ¨ ¨ , En denotan
aquellos vectores anclados en el origen y cuyos puntos finales son los puntos canónicos
de Rn ; por tal motivo los denominaremos vectores canónicos de Rn anclados en O, o
simplemente vectores canónicos. Todo vector con punto de anclaje igual a su punto final
se conoce como vector nulo; por tanto cada espacio tangente tiene un único vector nulo:
ÝÑ Ñ
Ý
AA es el vector nulo de RnA , mientras que O es el vector nulo de RnO . La representación
gráfica de cada vector nulo de Rn se hace indicando apenas su punto de anclaje, que es
por definición igual a su punto final.
Definición 4.3
ÝÝÑ ÝÝÑ
Dados A, B P Rn y el vector AB, denominamos representante de AB en el origen al vector
ÝÝÝÝÑ ÝÝÝÝÑ
B ´ A anclado en el origen con punto final B ´ A; al vector B ´ A también se le conoce
ÝÝÑ
por vector de coordenadas de AB.
ÝÝÑ
La idea básica detrás de la noción de representate en el origen de cualquier vector AB,
es la de trasladar este hasta el punto en el origen O. En particular, el representante en
116 Neptalı́ Romero
ÝÑ
el origen del vector nulo AA del espacio tangente RnA es justamente el vector nulo en el
Ñ
Ý
origen O .
ÝÝÑ
hay infinitos vectores en R2 con esa caracterı́stica; otro es el vector 2E1 . La siguiente
definición formaliza esta idea.
Definición 4.4
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Dos vectores AB y CD de Rn , se dicen equivalentes, si B´A “ D´C; se escribe AB ” CD
ÝÝÑ ÝÝÑ
para designar esta equivalencia, lo cual se lee AB y CD son equivalentes.
Obviamente la equivalencia de vectores significa que unos tales vectores tienen el mis-
mo representante en el origen; en particular, todo vector es equivalente a su vector de
coordenadas.
Ejemplo 4.3
ÝÝÑ ÝÝÑ Ý Ñ
1. Los vectores CB, DE y E1 , con C “ p´1, 1q, B “ p0, 1q, D “ p2, 3q y E “ p3, 3q, son
ÝÝÑ
equivalentes entre sı́. Ahora, el vector F G con F “ p1, 4q y G “ p0, 4q no es equivalente
a ninguno de los anteriores.
ÝÑ Ñ
Ý
2. Dado cualquier punto A P Rn , el vector AA es equivalente al vector O . Obviamente
estos dos vectores serán iguales si, y solo si, A “ O.
ÝÝÑ ÝÝÑ
3. Dados dos puntos diferentes A y B en Rn , los vectores AB y BA no son iguales ni
equivalentes.
Proposición 4.2
La equivalencia de vectores en Rn es una relación de equivalencia; esto es, cualesquiera
ÝÝÑ ÝÝÑ ÝÝÑ
sean los vectores AB, CD, EF de Rn se cumplen:
ÝÝÑ ÝÝÑ
Reflexividad: AB ” AB.
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Simetrı́a: si AB ” CD, entonces CD ” AB.
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Transitividad: si AB ” CD y CD ” EF , entonces AB ” EF .
Álgebra lineal: Nociones y propiedades elementales 117
Comentario 4.3
La equivalencia de vectores induce sobre el conjunto de todos los vectores de Rn una
descomposición en subconjuntos disjuntos (una partición) de vectores. Para cada vector
ÝÝÑ ÝÝÑ
AB, su clase de equivalencia es la colección de vectores en Rn que son equivalentes a AB;
ÝÝÑ
si denotamos esta colección por rABs, entonces
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
rABs “ tCD : AB ” CDu “ tCD : D ´ C “ B ´ Au.
ÝÝÑ ÝÝÑ
Obviamente el vector AB está en la clase de equivalencia rABs, pertenecen a esta
ÝÝÑ
clase todos aquellos vectores de Rn que son equivalentes al único vector equivalente a AB
que está anclado en el origen: su vector de coordenadadas; este vector también recibe el
ÝÝÑ
nombre de representante canónico de la clase de equivalencia rABs.
ÝÝÑ
Rústicamente hablando, la clase de equivalencia rABs agrupa a todos los vectores de
ÝÝÑ
Rn que tienen la misma magnitud, sentido y dirección que AB; o equivalentemente, los
ÝÝÑ
vectores en rABs son todos aquellos que trasladados al origen O de Rn coinciden con el
ÝÝÝÝÑ
vector B ´ A. Estas nociones serán precisadas más adelante; observe además que para
ÝÑ
cualquier punto A P Rn , la clase de equivalencia de los vectores equivalente a AA es
ÝÑ ÝÝÑ ÝÑ
rAAs “ tP P : P P Rn u; es decir, los vectores equivalentes a AA son todos aquellos cuyos
Ñ
Ý
puntos de anclaje y final son iguales; en particular en esta clase está el vector O , que serı́a
el representante canónico de esa clase. Dejamos al lector la tarea de chequear que para
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
cualquier par de clases de equivalencias rCDs y rABs se tiene rCDs X rABs “ H, o bien
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
rCDs “ rABs. De hecho, CD P rABs si, y solo si, rCDs “ rABs.
Ejemplo 4.4
ÝÝÑ
Consideremos en R3 el vector AB donde A “ p2, 1, 1q y B “ p3, 1, 1q. Luego la clase de
ÝÝÑ ÝÝÑ ÝÝÑ
equivalencia rABs “ tCD : D ´ C “ p1, 0, 0qu; es decir, rABs es la colección de todos los
Ý
Ñ
vectores de R3 que al ser traslados al origen O coinciden con el vector canónico E1 .
Figura 4.5: Ilustración de algunos vectores en la clase de equivalencia del vector con punto de anclaje en
A “ p2, 1, 1q y punto final en B “ p3, 1, 1q.
Definición 4.5
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Dados dos vectores no nulos AB y CD de Rn , se dice que AB es paralelo a CD, se denota
ÝÝÑ ÝÝÑ
por AB k CD, si existe un número real α ‰ 0 tal que B ´ A “ αpD ´ Cq.
118 Neptalı́ Romero
Comentario 4.4
El paralelismo entre vectores no nulos en Rn es también una relación de equivalencia; es
decir se satisfacen:
ÝÝÑ ÝÝÑ
AB k AB (Reflexividad).
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Si AB k CD, entonces CD k AB (Simetrı́a)
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Si AB k CD y CD k EF , entonces AB k EF (Transitividad)
Ñ
Ý ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
vectores A , BC y GH tienen sentido diferente al de los vectores BD y EF . Vulgalmente
hablando, las flechas de los tres primeros apuntan en sentido opuesto a las flejas de los
otros dos vectores; es ese el sentido de tener igual dirección pero sentidos distintos.
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Note que si AB y CD son vectores no nulos y equivalentes, entonces AB k CD pues
B ´ A “ D ´ C; en otras palabras, vectores no nulos y equivalentes tienen la misma
ÝÝÝÝÝÝÝÑ
dirección y sentido. El recı́proco no es cierto: el vector p2, 3qp3, 3q es paralelo y con el
ÝÝÑ
mismo sentido al vector 2E1 , pero no son equivalentes.
Ñ
Ý Ñ Ý ÝÝÝÝÑ Ñ
Ý ÝÑ
A ` B “ A ` B y α A “ αA. (4.2)
Ñ
Ý Ñ
Ý
Ası́ pues, el vector suma A ` B es aquel cuyo punto inicial es el origen y su punto
Ñ
Ý
final es A ` B; mientras que el vector α A , resultado del producto del escalar α y el
Ñ
Ý
vector A , tiene el mismo punto inicial O y como punto final αA. Por tanto, aunque se
trata de objetos matemáticos diferentes, las operaciones de adición y de multiplicación
por escalares en RnO son las mismas que aquellas operaciones en Rn ; consecuentemente se
tiene el siguiente resultado cuya demostración obviamos.
Pasemos ahora a realizar una discusión análoga en cualquier espacio tangente. Fijemos
ÝÝÑ ÝÑ
arbitrariamente un punto P de Rn y tomemos vectores cualesquiera P Q, P R P RnP y
ÝÝÑ ÝÑ ÝÝÑ
cualquier escalar α P R, con estos datos deseamos definir vectores P Q ` P R y αP Q en
Ñ
Ý Ñ Ý ÝÝÑ Ñ Ý ÝÑ Ñ Ý
RnP . Sean A y B los únicos vectores en RnO de manera que P Q ” A y P R ” B ; es decir:
A “ Q ´ P y B “ R ´ P . Apoyados en la relación de equivalencia ” y en los significados
Ñ
Ý Ñ Ý Ñ
Ý
de los vectores suma y producto: A ` B y α A , definimos
ÝÝÑ ÝÑ ÝÑ
P Q ` P R “ P S, donde S “ Q ` R ´ P ; y
ÝÝÑ ÝÑ (4.3)
αP Q “ P T , con T “ αQ ` p1 ´ αqP .
Comentario 4.5
ÝÝÑ
Haciendo uso de la equivalencia de vectores, el problema de determinar si un vector P Q es
ÝÝÑ ÝÝÝÑ
combinación lineal de una colección finita de vectores P Q1 , ¨ ¨ ¨ , P Qm también se resuelve
determinando la naturaleza de las soluciones de un sistema de ecuaciones lineales. En
efecto, si se consideran los puntos A, A1 , ¨ ¨ ¨ , Am en Rn tales que
ÝÝÑ Ñ Ý ÝÝÑ Ý Ñ ÝÝÝÑ ÝÑ
P Q ” A , P Q1 ” A1 , ¨ ¨ ¨ , P Qm ” Am ,
ÝÝÑ ÝÝÑ ÝÝÝÑ
entonces es simple verificar que P Q es combinación lineal de P Q1 , ¨ ¨ ¨ , P Qm si, y solamente
Ñ
Ý ÝÑ ÝÑ
si, A es combinación lineal de A1 , ¨ ¨ ¨ , Am ; de hecho
ÝÝÑ ÝÝÑ ÝÝÝÑ Ñ
Ý Ý
Ñ ÝÑ
P Q “ α1 P Q1 ` ¨ ¨ ¨ ` αm P Qm si, y solo si, A “ α1 A1 ` ¨ ¨ ¨ ` αm Am ;
Ejemplo 4.5
Considemos los puntos
P “ p2, 1, 1q, Q “ p3, ´2, 0q, Q1 “ p0, 3, 2q, Q2 “ p1, ´1, 1q y Q3 “ p´2, 0, 1q.
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Deseamos saber si el vector P Q es combinación lineal de los vectores P Q1 , P Q2 y P Q3 .
Esto equivale a averiguar si existen números reales α1 , α2 , α3 tales que
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
P Q “ α1 P Q1 ` α2 P Q2 ` α3 P Q3 . (4.4)
A “ Q ´ P, A1 “ Q1 ´ P “, A2 “ Q2 ´ P “ y A3 “ Q3 ´ P ;
n
Ñ
Ý Ñ Ý ÿ
x A , B y “ a1 b1 ` a2 b2 ` ¨ ¨ ¨ ` an bn “ a` b` . (4.5)
`“1
Ejemplo 4.6
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
1. Dados los vectores A “ p1, ´3q y B “ p´2, ´ 32 q se tiene que
Ñ
Ý Ñ Ý ` ˘
x A , B y “ 1p´2q ` p´3q ´ 23 “ 0.
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
2. Consideremos los vectores A “ p1, 2, 1q y B “ p0, ´1, 3q, luego el producto interno de
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
A por B es x A , B y “ 1.0 ` 2p´1q ` 1.3 “ 1.
Álgebra lineal: Nociones y propiedades elementales 123
Ñ
Ý Ñ
Ý Ñ Ý
3. Para cualquier vector A P RnO se tiene que x A , O y “ 0. En efecto, si A “ pa1 , ¨ ¨ ¨ , an q,
entonces
Ñ
Ý Ñ Ý
x A , O y “ a1 0 ` ¨ ¨ ¨ ` an 0 “ 0.
Ñ
Ý
4. Para cualquier vector A P RnO , con A “ pa1 , a2 , ¨ ¨ ¨ , an q se satisface la igualdad
n
Ñ
Ý Ñ Ý 2 2 2
ÿ
x A , A y “ a1 ` a2 ` ¨ ¨ ¨ ` an “ a2i .
i“1
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
En particular, esto implica que x A , A y ě 0 para todo A P Rn ; es más, x A , A y “ 0 si,
Ñ
Ý Ñ
Ý
y solo si A “ O .
El siguiente teorema establece un conjunto de propiedades básicas para el producto
interno Euclidiano en RnO .
Teorema 4.4
Ñ
Ý Ñ Ý ÑÝ
Cualesquiera sean A , B , C P RnO y α P R, siempre valen:
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
1. x A , B y “ x B , A y;
Ñ
Ý Ñ Ý Ñ Ý ÑÝ Ñ Ý Ñ
Ý ÑÝ
2. x A ` B , C y “ x A , C y ` x B , C y;
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
3. xα A , B y “ x A , α B y “ αx A , B y;
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
4. x A , A y ě 0; y x A , A y “ 0 si, y solo si, A “ O .
Ñ
Ý ÝÝÝÝÝÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÝÝÝÝÑ Ñ
Ý ÝÝÝÝÝÝÝÝÝÝÑ
Demostración. Si A “ pa1 , a2 , ¨ ¨ ¨ , an q, B “ pb1 , b2 , ¨ ¨ ¨ , bn q y C “ pc1 , c2 , ¨ ¨ ¨ , cn q,
entonces
n
Ñ
Ý Ñ Ý ÿ
x A , B y “ a1 b1 ` ¨ ¨ ¨ ` an bn “ a` b`
`“1
ÿn
“ b1 a1 ` ¨ ¨ ¨ ` bn an “ b` a` (Conmutatividad de + en Rq
`“1
Ñ
Ý Ñ Ý
“ x B , A y.
Ñ
Ý Ñ Ý
Por otra parte, como A ` B tiene coordenadas pa1 ` b1 , a2 ` b2 , ¨ ¨ ¨ , an ` bn q, sigue que
n
Ñ
Ý Ñ Ý ÑÝ ÿ
xA ` B, C y “ pa` ` b` qc`
`“1
ÿn
“ pa` c` ` b` c` q (Distributividad)
`“1
n n
ÿ ÿ Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
“ a` c` ` b` c` “ x A , C y ` x B , C y.
`“1 `“1
Ñ
Ý ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ Ñ
Ý ÝÝÝÝÝÝÝÝÝÝÝÝÝÑ
Finalmente, como α A “ pαa1 , αa2 , ¨ ¨ ¨ , αan q y α B “ pαb1 , αb2 , ¨ ¨ ¨ , αbn q, se tiene
n n
Ñ
Ý Ñ Ý ÿ ÿ
xα A , B y “ pαa` qb` “ αpa` b` q (Asociatividad)
`“1 `“1
n n
ÿ Ñ
Ý Ñ Ý ÿ Ñ
Ý Ñ Ý
“ a` pαb` q “ x A , α B y “ α a` b` “ αx A , B y.
`“1 `“1
124 Neptalı́ Romero
Definición 4.7
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
Dados A y B en RnO , se dice que A es ortogonal (o perpendicular) B , lo cual se denota
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
por A K B , si x A , B y “ 0.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
Dado que x A , B y “ x B , A y, es claro que A K B si, y solo si, B K A . Gracias a ello
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý
diremos que los vectores A y B son ortogonales, en lugar de A es ortogonal a B , o B
Ñ
Ý
es ortogonal a A . Obviamente el vector nulo y cualquier otro vector son ortogonales; note
Ñ
Ý Ñ
Ý Ñ
Ý
además que si A y B son ortogonales, entonces también lo son A y cualquier múltiplo
Ñ
Ý
de B , esto sigue inmediatamente del anterior corolario. Una ilustración gráfica de esta
propiedad es la que sigue.
También es claro que un vector no nulo no puede ser ortogonal a sı́ mismo; de hecho,
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
dos vectores no nulos y paralelos no son ortogonales pues x A , α A y “ αx A , A y.
A diferencia del paralelismo, la ortogonalidad no es una relación transitiva. Considere,
Ñ
Ý ÝÝÝÝÝÝÑ ÑÝ ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÝÑ Ñ
Ý Ñ
Ý
por ejemplo, los vectores A “ p3, 2, ´1q, B “ p1, 1, 5q y C “ p´2, ´3, 1q, entonces A K B ,
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
B K C , sin embargo A y C no son ortogonales ya que
Ñ
Ý Ñ Ý
x A , C y “ 3p´2q ` 2p´3q ` p´1q1 “ ´13 ‰ 0.
La ortogonalidad está asociada a la idea de un ángulo de noventa grados entre vectores
no nulos, que es la noción de perpendicularidad en la Geometrı́a elemental. Por ejemplo,
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÑ Ñ
Ý ÑÝ
para los vectores A “ p1, ´3q y B “ p3, 1q es simple verificar que x A , B y “ 0, y mediante
el uso de un transportador (“Utensilio semicircular graduado que sirve para medir y trazar
ángulos”) se verifica que el ángulo entre ellos es efectivamente de noventa grados.
Definición 4.8
Una colección de vectores en RnO se dice mutuamente ortogonal si todo par de vectores
distintos en la colección son ortogonales.
Álgebra lineal: Nociones y propiedades elementales 125
Ñ
Ý Ñ
Ý
La colección E 1 , ¨ ¨ ¨ , E n de vectores canónicos de RnO es mutuamente ortogonal. De
hecho, es muy simple verificar que
#
Ý
Ñ Ý Ñ 1, si i “ j
xEi , Ej y “ δij “ ,
0, si i ‰ j
Proposición 4.3
Ñ
Ý Ñ
Ý
a) Si A 1 , ¨ ¨ ¨ , A k son vectores no nulos y mutuamente ortogonales en RnO , entonces la
única forma de escribir al vector nulo como combinación lineal de ellos es la trivial;
Ñ
Ý Ñ
Ý Ñ
Ý
esto es, si α1 A 1 ` ¨ ¨ ¨ ` αk A k “ O , entonces α1 “ ¨ ¨ ¨ “ αk “ 0.
Ñ
Ý Ñ
Ý
b) Si A 1 , ¨ ¨ ¨ , A n son vectores no nulos y mutuamente ortogonales en RnO , entonces cual-
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
quier vector A P RnO es combinación lineal de A 1 , ¨ ¨ ¨ , A n ; es decir, para todo A P RnO
Ñ
Ý Ñ
Ý Ñ
Ý
existen α1 , ¨ ¨ ¨ , αn P R tales que A “ α1 A 1 ` ¨ ¨ ¨ ` αk A n .
c) En RnO no hay una colección con más de n vectores que sean no nulos y mutuamente
ortogonales.
Ñ
Ý Ñ
Ý Ñ
Ý
Demostración. Para mostrar a) comenzamos suponiendo que α1 A 1 ` ¨ ¨ ¨ ` αk A k “ O .
Ñ
Ý Ñ Ý
Como x A i , A j y “ 0 para i ‰ j, para todo i “ 1, ¨ ¨ ¨ , k tenemos
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý
0 “ x O , A i y “ xα1 A 1 ` ¨ ¨ ¨ ` αk A k , A i y
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
“ α1 x A 1 , A i y ` ¨ ¨ ¨ ` αk x A k , A i y “ αi x A i , A i y,
Ñ
Ý Ñ Ý
de donde αi “ 0 pues x A i , A i y ‰ 0. Esto demuestra la primera parte.
Antes de demostrar b) observe que si para cada i hacemos Ai “ pa1i , a2i , ¨ ¨ ¨ , ani q,
entonces por la parte a) el sistema de ecuaciones lineales homogéneo
$
’ a11 α1 ` a12 α2 ` ¨ ¨ ¨ ` a1k αk “ 0
’
’
& a21 α1 ` a22 α2 ` ¨ ¨ ¨ ` a2k αk “ 0
’
..
’
’
’ .
’
% a α ` a α ` ¨¨¨ ` a α “ 0
n1 1 n2 2 nk k
126 Neptalı́ Romero
Ñ
Ý Ñ
Ý
tiene solución única (la trivial) siempre que los vectores A 1 , »
¨ ¨ ¨ , A k sean no nulos
fi y
a11 a12 ¨ ¨ ¨ a1n
— a21 a22 ¨ ¨ ¨ a2n ffi
— ffi
mutuamente ortogonales. En particular, si k “ n, la matriz — . — .. .. ffi es
.. ffi
– . . . . . fl
an1 an2 ¨ ¨ ¨ ann
invertible. Ahora bien, esta matriz es justamente la matriz del sistema de ecuaciones
lineales que se deriva de una expresión del tipo
Ñ
Ý Ñ
Ý Ñ
Ý
α1 A 1 ` ¨ ¨ ¨ ` αn A n “ A .
Ñ
Ý
Por tanto, dado cualquier vector A P RnO existe únicos números reales α1 , ¨ ¨ ¨ , αn para
Ñ
Ý Ñ
Ý
los cuales la identidad de arriba se cumple si A 1 , ¨ ¨ ¨ , A n sean no nulos y mutuamente
ortogonales; esto demuestra la parte b).
Ñ
Ý Ñ
Ý Ñ Ý
Para demostrar la c) procedamos por el absurdo. Supongamos que A 1 , ¨ ¨ ¨ , A n , A n`1
Ñ
Ý Ñ
Ý
son no nulos y mutuamente ortogonales. Dado que A 1 , ¨ ¨ ¨ , A n también son no nulos y
mutuamente ortogonales, por la parte b) existen únicos números reales α1 , ¨ ¨ ¨ , αn tales
Ñ
Ý Ñ
Ý Ñ
Ý
que α1 A 1 ` ¨ ¨ ¨ ` αn A n “ A n`1 . Obviamente al menos uno de estos escalares es distinto
de 0, supongamos sin perder generalidad que α1 ‰ 0. Luego
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
0 “ x A n`1 , A 1 y “ xα1 A 1 ` ¨ ¨ ¨ ` αn A n , A 1 y “ α1 x A 1 , A 1 y,
Observación 4.1
La noción de producto interno la hemos introducido para vectores en RnO ; sin embargo,
puede ser colocada de manera natural tanto en Rn como en RnP , cualquiera sea P P Rn .
‚ Producto euclidiano en Rn .
Para todo par de puntos A, B P Rn se define su producto interno xA, By como:
Ñ
Ý Ñ Ý
xA, By “ x A , B y. (4.6)
Es fácil verificar que todas las propiedades que son satisfechas para el producto interno
en RnO son también válidas tanto en Rn como en RnP .
Definición 4.9
Ñ
Ý
Se conoce con el nombre de norma Euclidiana del vector A al número real
b b
Ñ
Ý Ñ
Ý ÑÝ Ñ
Ý ÝÝÝÝÝÝÝÝÝÝÝÑ
} A } “ x A , A y “ a21 ` a22 ` ¨ ¨ ¨ ` a2n , siendo A “ pa1 , a2 , ¨ ¨ ¨ , an q. (4.8)
Comentario 4.6
Ñ
Ý Ñ
Ý
1. Sigue inmediatamente de la definición anterior que } A } ě 0 cualquiera sea A P RnO , y
Ñ
Ý Ñ
Ý Ñ
Ý
} A } “ 0 si, y solo si, A “ O .
Ñ
Ý ÝÝÑ ÝÝÝÝÑ
}A} “ } A } y }P Q} “ }Q ´ P }.
Dado que el concepto de norma solo depende del producto interno y como las propieda-
des del producto interno en Rn y RnP son heredadas del producto interno en RnO , todas
las propiedades de la norma en RnO son transmitidas a las normas en Rn y RnP .
Ejemplo 4.7
Ñ
Ý
1. La norma del vector nulo O P RnO es cero, de hecho es el único vector con norma cero
ÝÝÑ
en RnO . También tiene norma cero el vector nulo, P P , de RnP para todo P P Rn . Como
antes, es el único vector con norma 0 en RnP .
2. Claramente todos los vectores canónicos Ej en RnO tienen norma igual a 1. Conviene
aclarar que no los únicos con tal propiedad. Por ejemplo, en R2O , todo vector de la
Ñ
Ý ÝÝÝÝÝÝÝÝÑ
forma A “ pcos θ, sen θq, donde θ es cualquier ángulo, tiene norma 1. Esto sigue del
hecho que cos2 θ ` sen2 θ “ 1.
Teorema 4.5
Ñ
Ý Ñ Ý
Para todo par de vectores A , B P RnO y cualquier escalar α P R se cumplen:
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
1. } A } ě 0 y } A } “ 0 si, y solo si, A “ O ;
Ñ
Ý Ñ
Ý
2. }α A } “ |α|} A };
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
3. } A ˘ B }2 “ } A }2 ˘ 2x A , B y ` } B }2 .
128 Neptalı́ Romero
Demostración. Las primeras dos partes siguen inmediatamente de las propiedades del
producto interno enunciadas en el teorema 4.4; dejamos los detalles al lector. Mostraremos
la propiedad 3.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
Consideremos el vector A ` B , el cálculo para el vector A ´ B es similar. Claramente
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý ÑÝ Ñ Ý
} A ` B }2 “ x A ` B , A ` B y
Ñ
Ý ÑÝ Ñ Ý ÑÝ ÑÝ Ñ Ý
“ x A , A ` B y ` xB , A ` B y
Ñ
Ý ÑÝ Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
“ x A , A y ` x A , B y ` xB , A y ` xB , B y
Ñ
Ý Ñ
Ý ÑÝ Ñ
Ý
“ } A }2 ` 2x A , B y ` } B }2 .
Se concluye de esta manera la demostración del teorema.
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
} A ` B }2 “ } A }2 ` } B }2 ðñ A K B . (4.9)
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
|x A , B y| ď } A } } B }. (4.10)
Además, la igualdad se verifica si, y solo si, uno de los vectores es múltiplo del otro.
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
} A ` B } ď } A } ` } B }. (4.12)
130 Neptalı́ Romero
Ñ
Ý Ñ Ý
Claramente, si A y B son vectores no nulos cualesquiera en RnO , entonces
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
x A , B y “ } A } } B } cos >p A , B q.
Álgebra lineal: Nociones y propiedades elementales 131
Ñ
Ý ÑÝ Ñ
Ý Ñ Ý
se concluye que >p A , B q “ π si α ă 0; mientras que si α ą 0, >p A , B q “ 0. En
otras palabras, el ángulo entre dos vectores no nulos paralelos es π si tienen sentidos
opuestos, y 0 si tienen el mismo sentido; ¡como debe ser!
y
1
Ý
ÑÝ Ñ
xA,B y θ ÞÝÑ cos θ
Ý
Ñ Ý Ñ
} A }} B }
π x
0 π
θ 2
Ñ
Ý Ñ Ý
θ “ >p A , B q
´1
Figura 4.7: La función coseno en el intervalo r0, πs como determinadora del ángulo entre dos vectores no
nulos cualesquiera de RnO
Ejemplo 4.8
Ñ
Ý ÑÝ Ñ Ý
En R2 consideremos los vectores A , B y C , donde A “ p2, ´2q, B “ p´1, 1q y C “ p3, 0q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
Determinemos los ángulos >p A , B q, >p A , C q y >p B , C q. Observe que:
Ñ
Ý a ? ? Ñ
Ý a ? Ñ
Ý ?
‚ } A } “ 22 ` p´2q2 “ 8 “ 2 2, } B } “ p´1q2 ` 12 “ 2 y } C } “ 32 ` 02 “ 3.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
‚ x A , B y “ 2p´1q`p´2q1 “ ´4, x A , C y “ 2.3`p´2q0 “ 6 y x B , C y “ p´1q3`1.0 “ ´3.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý π Ñ
Ý Ñ Ý
De donde >p A , B q “ π, >p A , C q “ 4 y >p B , C q “ 34 π.
132 Neptalı́ Romero
Haciendo uso de las extensiones de las nociones de producto y norma Euclidiana hacia
los espacios tangentes RnP se tienen en estos espacios los resultados fundamentales que
hemos tratado. A continuación los enunciamos sin demostraciones.
Teorema de Pitágoras: Para cualquier par de vectores no nulos en RnP se satisface:
ÝÑ ÝÝÑ
Desigualdad de Cauchy-Schwarz: Para todo P A, P B P RnP se cumple
ÝÑ ÝÝÑ ÝÑ ÝÝÑ
|xP A, P By| ď }P A} }P B}. (4.15)
La igualdad se verifica si, y solo si, uno de los vectores es múltiplo del otro.
ÝÑ ÝÝÑ
Desigualdad Triangular: Para cada par P A, P B P RnP se satisface
ÝÑ ÝÝÑ ÝÑ ÝÝÑ
}P A ` P B} ď }P A} ` }P B} (4.16)
ÝÑ ÝÝÑ
Ángulo entre vectores de RnP : Dados vectores no nulos P A, P B P RnP , el ángulo entre
ÝÑ ÝÝÑ
ellos es el valor >pP A, P Bq P r0, πs tal que
ÝÑ ÝÝÑ
ÝÑ ÝÝÑ xP A, P By
cos >pP A, P Bq “ ÝÑ ÝÝÑ . (4.17)
}P A} }P B}
Definición 4.12
ÝÑ ÝÝÑ
Fijado P P Rn ; se conoce con el nombre de proyección ortogonal de P A sobre P B, con
ÝÑ ÝÝÑ
ÝÝÑ ÝÝÑ ÝÑ ÝÝÑ xP A, P By
P B ‰ P P , al vector PÝÝÑ pP Aq “ αP B, donde α “ ÝÝÑ .
PB }P B}2
Definición 4.13
Dados un par de puntos cualesquiera A “ pa1 , ¨ ¨ ¨ , an q y B “ pb1 , ¨ ¨ ¨ , bn q de Rn , se define
la distancia de A a B como número real dpA, Bq dado por
a
dpA, Bq “ pa1 ´ b1 q2 ` ¨ ¨ ¨ ` pan ´ bn q2 . (4.18)
Observe que
b b
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÝÝÑ ÝÝÝÝÑ ÝÝÝÝÑ
dpA, Bq “ }AB} “ xAB, ABy “ }B ´ A} “ xB ´ A, B ´ Ay; (4.19)
ÝÝÑ
es decir, dpA, Bq es la norma de vector AB, que es la misma norma de su equivalente
ÝÝÝÝÑ ÝÝÑ ÝÝÑ
anclado en el origen B ´ A. Como }AB} “ }BA}, es claro que dpA, Bq “ dpB, Aq. Por tal
motivo, se emplea el vocablo “distancia entre A y B” en lugar de “distancia de A a B”,
o “distancia de B a A”.
Ejemplo 4.10
1. Sean A “ p2, 1q y B “ p3, ´1q. Entonces
a a ? ?
dpA, Bq “ p2 ´ 3q2 ` p1 ´ p´1qq2 “ p´1q2 ` 22 “ 1 ` 4 “ 5.
2. Para los puntos A “ p´1, ´3, 1q, B “ p2, 0, ´2q y C “ p0, 2, 1q, tenemos:
a ? ? ?
dpA, Bq “ pp´1q ´ 2q2 ` pp´3q ´ 0q2 ` p1 ´ p´2qq2 “ 9 ` 9 ` 9 “ 27 “ 3 3;
a ? ?
dpA, Cq “ pp´1q ´ 0q2 ` pp´3q ´ 2q2 ` p1 ´ 1q2 “ 1 ` 25 ` 0 “ 26 y
a ? ?
dpB, Cq “ p2 ´ 0q2 ` p0 ´ 2q2 ` pp´2q ´ 1q2 “ 4 ` 4 ` 9 “ 17.
Teorema 4.7
Cualesquiera sean los puntos A, B y C de Rn , siempre se cumplen:
luego de (4.19) sigue la demostración de la tercera parte del enunciado del teorema.
Definición 4.14
Ñ
Ý
Fijados P P Rn y un vector no nulo A P RnO , se denomina recta que pasa por P con
Ñ
Ý
dirección A al subconjunto de Rn dado por
Ñ
Ý
LpP, A q “ tX P Rn : X “ P ` αA, para algún α P Ru. (4.20)
Ñ
Ý
Fijados un punto P P Rn y un vector no nulo A P RnO , se conoce por ecuación
Ñ
Ý
paramétrica (o vectorial) de la recta que pasa por P con dirección A a la expresión
X “ P ` αA, con α P R.
136 Neptalı́ Romero
Ý
Ñ
Figura 4.9: Recta en Rn que pasa por el punto de P en la dirección definida por A .
Ñ
Ý
Note que cualquier recta LpP, A q de Rn puede ponerse en correspondencia biunı́voca
con el conjunto de los números reales. Esto es, puede definirse una biyección entre R y
Ñ
Ý Ñ
Ý
LpP, A q; una tal biyección es, por ejemplo, la aplicación ϕ : R ÝÑ LpP, A q definida por
ϕpαq “ P ` αA, para cada α P R.
Ejemplo 4.11
1. Consideremos en R2 la recta que pasa por el origen O “ p0, 0q en la dirección del vector
Ñ
Ý ÝÝÝÑ
A “ p1, 2q, su ecuación paramétrica es
X “ O ` αA, con α P R.
Dado que al variar α en todo R, el recorrido que hace y es sobre todos los números
Ñ
Ý
reales; De esta forma concluimos que LpP, B q “ tpx, yq P R2 : x “ ´1 y y P Ru; la
figura ilustra estas dos rectas.
x “ 3 ´ 3α, y “ 2 ` α y z “ 4.
Álgebra lineal: Nociones y propiedades elementales 137
Proposición 4.4
Ñ
Ý
Para cualquier recta LpP, A q en Rn son válidas las siguientes afirmaciones:
Ñ
Ý Ñ
Ý Ñ
Ý
1. Si Q P LpP, A q, entonces LpP, A q “ LpQ, A q.
138 Neptalı́ Romero
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
2. Si B “ β A para cualquier β ‰ 0, entonces LpP, A q “ LpP, B q.
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
3. Si Q P LpP, A q y B “ β A con β ‰ 0, entonces LpP, A q “ LpQ, B q.
Ñ
Ý Ñ
Ý
4. Para cualquier par de puntos diferentes Q, R P LpP, A q, la recta LpP, A q es la única
que los contiene.
x1 ´ p1 x2 ´ p 2 xn ´ p n
“ “ ¨¨¨ “ . (4.21)
a1 a2 an
Ñ
Ý
Caso 2: A tiene al menos una componente nula.
Ñ
Ý Ñ
Ý
Consideremos ahora una recta LpP, A q tal que algunas de las componentes de A no nulas,
supongamos que estas corresponden a aquellas con ı́ndices 1 ď i1 ă ¨ ¨ ¨ ă ik ď n; es decir,
ai1 “ ¨ ¨ ¨ “ aik “ 0 y ai ‰ 0 para todo i R ti1 , ¨ ¨ ¨ , ik u. Claramente no se puede obtener
una ecuación igual a la del Caso 1: no está permitido la división por 0. Sin embargo, note
Ñ
Ý
que X “ px1 , ¨ ¨ ¨ , xn q P LpP, A q si, y solo si, existe α P R tal que para i P ti1 , ¨ ¨ ¨ , ik u
xi ´ pi
se tiene xi “ pi ; mientras que las restantes componentes xi se tiene “ α. De esta
ai
Ñ
Ý
forma, X “ px1 , ¨ ¨ ¨ , xn q P LpP, A q si, y solo si
Álgebra lineal: Nociones y propiedades elementales 139
Ejemplo 4.12
1. Examinemos el caso especial de rectas en R2 cuya dirección tiene sus coordenadas no
nulas. Según lo expuesto, la recta que pasa por el punto P “ pp1 , p2 q P R2 en la dirección
Ñ
Ý ÝÝÝÝÑ
del vector A “ pa1 , a2 q, con a1 y a2 diferentes de 0, se expresa mediante la ecuación
x ´ p1 y ´ p2 a2
cartesiana “ ; o equivalentemente y ´ p2 “ px ´ p1 q, que es la conocida
a1 a2 a1
a2
ecuación “punto-pendiente” de la recta: pasa por pp1 , p2 q con pendiente ; en este caso
a1
la pendiente es no nula. Observe que cuando la pendiente es nula, a2 “ 0 y la recta
ecuación cartesiana de la recta es y “ p2 y x P R.
Dejamos al lector la tarea de demostrar que cualquier recta en R2 se expresa mediante
una ecuación cartesiana del tipo:
αx ` βy “ γ,
2. Deseamos obtener una ecuación cartesiana de la recta en R3 que pasa por los puntos
P “ p2, ´1, 3q y Q “ p1, 0, 2q. Lo que requerimos para una ecuación cartesiana de esta
recta es un vector que la dirija la recta. De acuerdo a lo que hemos discutido, un tal
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÝÝÑ
vector director puede ser A “ P ´ Q “ p1, ´1, 1q. Luego, una ecuación cartesiana de
la recta que contiene a P y Q es x ´ 2 “ ´y ´ 1 “ z ´ 3; es decir, la recta L que pasa
por P y Q es el conjunto de puntos px, y, zq P R3 tales que x ´ 2 “ ´y ´ 1 “ z ´ 3.
Observe que si en lugar de Q “ p1, 0, 2q condideramos el punto Q “ p1, 0, 3q, entonces
esa recta se expresa mediante la ecuación cartesiana
x ´ 2 “ ´y ´ 1 y z “ 3,
pues cualquier vector director de esa recta tiene su tercera cooordenada nula.
4.5.2. Planos en Rn
La idea esencial del significado de un plano es algo que tiene “largo y ancho”. Pues
bien, tal noción no está lejos de la definición matemática de ese objeto.
140 Neptalı́ Romero
Definición 4.15
Ñ
Ý Ñ Ý
Dados un punto P P Rn y dos vectores no nulos y no paralelos A y B en RnO , al conjunto
Ñ
Ý Ñ Ý
de puntos πpP, A , B q de Rn dado por
Ñ
Ý Ñ Ý
πpP, A , B q “ tpx1 , ¨ ¨ ¨ , xn q P Rn : px1 , ¨ ¨ ¨ , xn q “ P ` αA ` βB, con α, β P Ru .
Ñ
Ý Ñ Ý
se le conoce con el nombre de plano de Rn que pasa por P y orientado por A y B . A la
ecuación X “ P ` αA ` βB, con α y β variando en R se le llama ecuación paramétrica
Ñ
Ý Ñ Ý
del plano πpP, A , B q.
Ý
Ñ Ý Ñ
Figura 4.10: La parte sombreada de la figura ilustra el plano πpP, A , B q.
Observación 4.2
a) Observe que al hacer igual a 0 uno de los parámetros α o β en la ecuación paramétrica
X “ P ` αA ` βB, y dejar correr en R el otro parámetro, se concluye que cada una
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
de las recta LpP, A q y LpP, B q está contenida en el plano πpP, A , B q.
b) Note que no tiene sentido hablar de planos en R, allı́ cualquier par de vectores distintos
no nulos son paralelos.
Ñ
Ý Ñ Ý
c) En R2 solo hay un plano, el propio R2 . Supongamos que πpP, A , B q es un plano en R2 ,
donde P “ pp1 , p2 q, A “ pa1 , a2 q y B “ pb1 , b2 q. Veamos que cualquier punto px, yq de
Ñ
Ý Ñ Ý
R2 está en πpP, A , B q; es decir, existen α #
y β en R de forma que px, yq “ P ` αA ` βB.
a1 α ` b1 β “ x ´ p1
Esto equivale a conseguir α y β tales que ; pero como la matriz
a2 α ` b2 β “ y ´ p2
« ff
a1 b1
es invertible (¿por qué?), sigue que este sistema de ecuaciones lineales tiene
a2 b2
Ñ
Ý Ñ Ý
solución única; lo cual demuestra que πpP, A , B q “ R2 . Ası́ que en adelante, cuando
hablemos de planos en Rn , el valor de n será siempre mayor o igual a 3.
Álgebra lineal: Nociones y propiedades elementales 141
Lema 4.1
Tres puntos diferentes en Rn (n ě 2) son colineales si, y solo si, cualquiera de los dos
vectores por ellos determinados, y anclados en el mismo lugar, son paralelos.
ÝÑ Ý ÝÑ
Figura 4.11: Los puntos A, B y C son no colineales pues los vectores AC y AB son no paralelos.
Proposición 4.5
Las siguientes afirmaciones son verdaderas cualquiera sea el entero n ě 2.
P “ S ` α1 U ` β1 V, Q “ S ` α2 U ` β2 V y R “ S ` α3 U ` β3 V.
Ejemplo 4.13
1. Nos gustarı́a averiguar si existe un único plano de R3 que contenga los puntos
Si estos tres puntos fuesen no colineales, entonces habrı́a un único plano que los contiene.
ÝÝÝÝÑ ÝÝÝÝÑ
Para decidir esto bastarı́a averiguar si los vectores Q ´ P y R ´ P son o no paralelos.
Una simple cuenta muestra que Q ´ P “ p´3, 0, 1q y R ´ P “ p´2, 1, 1q. Dado que no
ÝÝÝÝÑ ÝÝÝÝÑ
existe un escalar α P R tal que Q ´ P “ αpR ´ P q, entonces Q ´ P y R ´ P son no
paralelos, y ası́ P, Q y R pertenecen a un único plano: el que pasa por P y dirigido por
ÝÝÝÝÑ ÝÝÝÝÑ
los vectores Q ´ P y R ´ P . Sus puntos son todos aquellos px, y, zq P R3 tales que
2. Si modificamos un poco los datos anteriores, por ejemplo, si hacemos R “ p8, 1, ´2q y
dejamos P y Q como arriba, entonces hay más de un plano en R3 que contiene a esos
tres puntos.
Observe en este caso que Q ´ P “ p´3, 0, 1q y R ´ P “ p6, 0, ´2q, consecuentemente
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
Q ´ P “ 12 pR ´ P q; es decir, los vectores A “ Q ´ P y B “ R ´ P son paralelos;
Ñ
Ý
ası́ que los tres puntos dados son colineales; todos pertenecen a la recta LpP, A q; recta
con ecuación cartesiana x ´ 2 “ ´3z y y “ 1. Construiremos dos planos diferentes
conteniendo a P, Q y R.
Consideremos los puntos S “ p´1, 1, 0q y O “ p0, 0, 0q, note que ninguno de estos
Ñ
Ý
puntos pertenece a LpP, A q. Hagamos
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÝÝÑ Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÝÝÑ
U “ S ´ P “ p´3, 0, 0q y V “ O ´ P “ p2, ´1, 0q,
Ñ
Ý Ñ Ý Ñ Ý Ñ Ý Ñ
Ý ÑÝ Ñ
Ý Ñ Ý
luego A ∦ U y A ∦ V . Ahora consideremos los planos πpP, A , U q y πpP, A , V q, cla-
Ñ
Ý
ramente ambos contienen la recta LpP, A q, y por tanto los puntos P, Q y R. Afirmamos
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
que πpP, A , U q ‰ πpP, A , V q. Observe que O R πpP, A , U q pues es imposible escribir
a O de la forma P ` αA ` βU con α y β en R; pues
4.5.3. Planos en R3
Nos detendremos a estudiar los planos en R3 pues ellos pueden ser descritos empleando
ecuaciones cartesianas y prescindiendo de los vectores directores. Antes, una consideración
Ñ
Ý Ñ
Ý
general de los planos en Rn con n ě 3. Supongamos que tenemos un plano πpP, A , B q en
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
Rn y que existe un vector no nulo N tal que N K A y N K B . Consideremos el conjunto
Ñ
Ý ÝÝÝÝÑ Ñ Ý
πpP, N q “ tX P Rn : X ´ P K N u, (4.23)
Ñ
Ý Ñ Ý
y tomemos cualquier punto X P πpP, A , B q; es decir, X “ P ` αA ` βB para ciertos
números reales α y β. Claramente de acá sigue
Ñ
Ý ÝÝÝÝÑ Ý ÝÝÝÝÝÝÝÑ
Ñ Ý ÝÝÑ ÝÝÑ
Ñ Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
x N , X ´ P y “ x N , α A ` β By “ x N , α A ` β By “ x N , α A y ` x N , β B y
Ñ
Ý ÑÝ Ñ
Ý Ñ Ý
“ αx N , A y ` βx N , B y “ 0 ` 0 “ 0.
Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
Esto significa que X P πpP, N q, y por tanto πpP, A , B q Ă πpP, N q. Cuando n ě 4
esta inclusión es estricta, solo para ilustrar esta afirmación observe que como los vectores
Ñ
Ý Ñ
Ý
canónicos E 1 , ¨ ¨ ¨ , E n son mutuamente ortogonales, para cualquier punto P P Rn (n ě 4)
y cualquier par de ı́ndices j, k P t1, ¨ ¨ ¨ , nu con j ‰ k, j ‰ 1 y k ‰ 1 se tiene que el plano
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
πpP, E j , E k q está contenido en πpP, E 1 q, por lo que πpP, E j , E k q Ĺ πpP, E 1 q.
La situación cambia radicalmente en R3 , es lo que muestra el siguiente lema.
Lema 4.2
Ñ
Ý Ñ Ý Ñ
Ý
Dado cualquier plano πpP, A , B q en R3 , si existe un vector no nulo N que sea ortogonal
Ñ
Ý Ñ Ý Ñ
Ý ÑÝ Ñ
Ý
a A y B , entonces πpP, A , B q “ πpP, N q.
Ñ
Ý
Demostración. Debemos mostrar que todo punto en πpP, N q también está en el plano
Ñ
Ý Ñ Ý
πpP, A , B q, para ello nos apoyaremos en algunas de las propiedades que han sido enuncia-
Ñ
Ý Ñ
Ý
das en las proposiciones 4.3 y 4.5. En primer lugar, observe que los vectores A ´ PÝ Ñp A q
Ñ
Ý Ñ
Ý Ñ
Ý B
y B son no nulos y ortogonales. Por otra parte, dado que A ´ PÝ Ñ p A q es combinación
Ñ
Ý Ñ Ý B
lineal de A y B se tiene:
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý
πpP, A , B q “ πpP, A ´ PÝ Ñ p A q, B q, y
B
ÑÝ Ñ
Ý Ñ Ý Ñ Ý
A ´ PÝ Ñ p A q, B y N son mutuamente ortogonales.
B
Ñ
Ý ÝÝÝÝÑ Ñ Ý
Ahora tomemos cualquier punto X en el conjunto πpP, N q; esto es, X ´ P K N . De
la Proposición 4.3 sigue que existen números reales α, β, δ (de hecho, únicos) tales que
ÝÝÝÝÑ Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
X ´ P “ αp A ´ PÝ Ñ p A qq ` β B ` δ N , de donde
B
ÝÝÝÝÑ Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
0 “ xX ´ P , N y “ xαp A ´ PÝ Ñ p A qq ` β B ` δ N , N y “ δ} N }2 ;
B
ÝÝÝÝÑ Ñ
Ý Ñ
Ý Ñ
Ý
por lo que δ “ 0 y ası́ X ´ P “ αp A ´ PÝ Ñ p A qq ` β B . Lo cual implica que el punto X
Ñ
Ý Ñ Ý B
pertenece al plano πpP, A , B q, con ello la demostración está completa.
144 Neptalı́ Romero
Ý
Ñ Ý Ñ Ý
Ñ Ý
Ñ
Figura 4.12: En R3 cualquier plano πpP, A , B q coincide con el conjunto πpP, N q, siempre que N sea un
Ý
Ñ Ý Ñ
vector no nulo ortogonal a los vectores A y B .
Ñ
Ý Ñ Ý
πpP, A , B q “ tpx, y, zq P R3 : apx ´ p1 q ` bpy ´ p2 q ` cpz ´ p3 q “ 0u, (4.24)
Definición 4.16
Ñ
Ý ÝÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
Dados dos vectores cualesquiera en R3 : A “ pa1 , a2 , a3 q y B “ pb1 , b2 , b3 q, se define el
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
producto vectorial de A por B , también llamado producto cruz de A por B , como el
Ñ
Ý Ñ Ý
vector A ˆ B de R3 dado por
Ñ
Ý Ñ Ý ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ
A ˆ B “ pa2 b3 ´ a3 b2 , a3 b1 ´ a1 b3 , a1 b2 ´ a2 b1 q. (4.25)
Ejemplo 4.14
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
1. Dados los vectores A “ p2, 2, 1q y B “ p0, ´1, 3q, sigue de la definición que
Ñ
Ý Ñ Ý ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ ÝÝÝÝÝÝÝÑ
A ˆ B “ p2.3 ´ 1p´1q, 1.0 ´ 2.3, 2p´1q ´ 2.0q “ p7, ´6, ´2q;
Álgebra lineal: Nociones y propiedades elementales 145
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý ÑÝ Ñ
Ý Ñ Ý Ñ
Ý
note que A ˆ B K A y A ˆ B K B , pues x A ˆ B , A y “ x A ˆ B , B y “ 0. Por otra
Ñ
Ý Ñ Ý ÝÝÝÝÝÝÑ Ñ
Ý Ñ Ý
parte, es simple verificar que B ˆ A “ p´7, 6, 2q “ ´p A ˆ B q.
Ñ
Ý Ñ Ý Ñ Ý
2. Si E 1 , E 2 , E 3 son los vectores canónicos en R3 , entonces de (4.25)
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
E 1 ˆ E 2 “ E 3, E 1 ˆ E 3 “ ´ E 2 y E 2 ˆ E 3 “ E 1.
Ñ
Ý Ñ Ý
3. Si los vectores A y B son paralelos, o si algunos de ellos es igual al vector nulo, entonces
Ñ
Ý Ñ Ý Ñ
Ý
es simple chequear que A ˆ B “ O .
Proposición 4.6
Ñ
Ý Ñ Ý Ñ Ý
Cualesquiera sean los vectores A , B y C en R3O , siempre se cumplen:
Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý Ñ Ý Ñ Ý
1. x A ˆ B , A y “ 0 “ x A ˆ B , B y.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
2. A ˆ B “ ´p B ˆ A q.
´ ¯1
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý 2 Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
3. } A ˆ B } “ } A }2 } B }2 ´ x A , B y2 “ } A }} B } sen θ, donde θ “ >p A , B q
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý
4. A ˆ B “ O si, y solo si, algunos de los dos vectores es el vector nulo, o A k B .
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ Ý Ñ Ý
5. p A ` B q ˆ C “ A ˆ C ` B ˆ C .
px, y, zq P P ðñ ax ` by ` cz “ d.
Ñ
Ý ÝÝÝÝÑ
En tal caso, N “ pa, b, cq es normal a P, y la ecuación lineal ax ` by ` cz “ d es
una expresión cartesiana del plano.
146 Neptalı́ Romero
La definición del producto vectorial en R3O pudiese no recordarse, sin embargo existe
una conocida regla nemotécnica que ayuda a solventar esta carencia de memoria. Supon-
Ñ
Ý ÝÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
gamos que tenemos dos vectores cualesquiera A “ pa1 , a2 , a3 q y B “ pb1 , b2 , b3 q; según la
Definición 4.16 tenemos
Ñ
Ý Ñ Ý ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ
A ˆ B “ pa2 b3 ´ a3 b2 , a3 b1 ´ a1 b3 , a1 b2 ´ a2 b1 q;
Ejemplo 4.15
1. De acuerdo a lo que hemos discutido es claro que la ecuación
2px ´ 1q ` 3py ` 1q ´ pz ´ 5q “ 0
determina en R3 el plano que pasa por el punto P “ p1, ´1, 5q y tiene como un vector
Ñ
Ý ÝÝÝÝÝÝÑ
normal a N “ p2, 3, ´1q. Nos gustarı́a determinar un par de vectores que dirijan a este
plano. Para ello primero vamos a encontrar otros dos puntos adicionales a P , digamos
Q y R, de manera que P, Q y R sean no colineales. Note que 2x ` 3y ´ z “ ´6 es la
misma ecuación anterior. Si hacemos x “ 0 “ z, entonces Q “ p0, ´2, 0q está en ese
plano pues sus componentes resuelven 2x ` 3y ´ z “ ´6. Ahora, al hacer x “ 0 “ y se
tiene que R “ p0, 0, 6q también está en ese plano; además, los vectores
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ ÝÝÝÝÝÝÑ
A “ Q ´ P “ p´1, ´1, ´5q y B “ R ´ P “ p´1, 1, 1q
Ñ
Ý Ñ
Ý Ñ Ý
son no paralelos y ortogonales a N , por lo que A y B dirigen al plano.
Ñ
Ý Ñ Ý Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ
2. Consideremos el plano πpP, A , B q con P “ p1, 0, ´2q, A “ p1, 1, 0q y B “ p2, 0, ´1q.
Determinaremos una ecuación cartesiana que lo describa. Dado que conocemos un punto
por donde pasa el plano, necesitamos un vector normal al plano; para ello basta calcular
Ñ
Ý Ñ Ý
el vector A ˆ B . Como sabemos:
Ñ
Ý Ñ
Ý Ñ
Ý
E 1 E 2 E 3 ÝÝÝÝÝÝÝÑ
Ñ
Ý Ñ Ý
AˆB “ 1 1 0 “ p´1, 1, ´2q,
2 0 ´1
4. Consideremos ahora los puntos P “ p1, 2, ´1q, Q “ p2, 4, 3q y R “ p0, ´1, 3q. Dado
que estos puntos son no colineales, existe un único plano que los contiene. Deseamos
encontrar una ecuación cartesiana de ese plano. El procedimiento es muy simple (de
hecho ya lo usamos): los vectores
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ ÝÝÝÝÝÝÝÑ
A “ Q ´ P “ p1, 2, 4q y B “ R ´ P “ p´1, ´3, 4q
Ñ
Ý Ñ
Ý Ñ
Ý
E 1 E 2 E 3 ÝÝÝÝÝÝÝÝÑ
Ñ
Ý
dirijen al plano, por lo que N “ 1 2 4 “ p20, ´8, ´1q es normal al plano y
´1 ´3 4
consecuentemente 20x ´ 8y ´ z “ 5 es una forma cartesiana de describir los puntos del
plano que contiene a P, Q y R.
Observación 4.3
a) Claramente un mismo plano puede tener varios vectores normales, y también varios
pares de vectores que lo dirijan. Sin embargo, tanto esos múltiples vectores normales
como los pares de vectores directores mantienen una estrecha relación entre ellos. Todos
Ñ
Ý ÑÝ
los vectores normales a un mismo plano son paralelos entre sı́; mientras que si A , B y
Ñ
Ý Ñ Ý
C , D son pares que dirigen el mismo plano, entonces cada vector en cualquiera de los
pares es combinación lineal de los vectores en el otro par. Dejamos al lector la tarea de
justificar estas afirmaciones.
Ñ
Ý Ñ Ý
b) Tampoco es difı́cil de verificar que si A y B son vectores no nulos y no paralelos de
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
R3O , entonces la norma } A ˆ B } del producto vectorial A ˆ B es justamente el área del
Ñ
Ý Ñ Ý
paralelogramo determinado por A y B . De hecho, esto es consecuencia de la propiedad
3 enunciada en la Proposición 4.6.
4.5.4. Hiperplanos en Rn
Hemos visto que las rectas en R2 y los planos en R3 son conjuntos de puntos que son
descritos por ecuaciones lineales en dos y tres incógnitas, respectivamente. La noción de
hiperplano en Rn (n ě 2) recoge justamente esta esencia.
Definición 4.17
Se conoce con el nombre de hiperplano en Rn (n ě 2) al conjunto solución de cualquier
ecuación lineal con n incógnitas y coeficientes en R. En otras palabras
px1 , ¨ ¨ ¨ , xn q P H ðñ a1 x1 ` ¨ ¨ ¨ ` an xn “ b.
148 Neptalı́ Romero
Ejemplo 4.16
1. Obviamente los hiperplanos de R2 son las rectas, y los de R3 son los planos.
Ejemplo 4.17
En R4 consideremos el hiperplano H “ tpx, y, z, uq : ´x ` 2y ´ 3u “ 2u. En este caso
Ñ
Ý ÝÝÝÝÝÝÝÝÝÑ
N “ p´1, 2, 0, ´3q es normal a H; y dado que P “ p2, 1, 0, 0q P H, tenemos que entonces
ÝÝÝÝÝÝÝÝÝÝÑ ÝÝÝÝÝÝÝÝÝÑ
los puntos X de H son caracterizados por satisfacer X ´ p2, 1, 0, 0q K p´1, 2, 0, ´3q.
Ejemplo 4.18
Deseamos encontrar una ecuación cartesiana que describa los puntos del hiperplano H de
Ñ
Ý ÝÝÝÝÝÝÑ
R4 que pasa por el punto P “ p1, 1, ´3, 0q con vector normal N “ p2, 0, 1, 3q. Sabemos
Álgebra lineal: Nociones y propiedades elementales 149
ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ ÝÝÝÝÝÝÑ
que px, y, z, uq P H si, y solo si, px, y, z, uq ´ p1, 1, ´3, 0q K p2, 0, 1, 3q. Dado que
ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ ÝÝÝÝÝÝÑ ÝÝÝÝÝÝÝÝÑ ÝÝÝÝÝÝÑ
px, y, z, uq ´ p1, 1, ´3, 0q K p2, 0, 1, 3q ðñ 2x ` z ` 3u “ xp1, 1, ´3, 0q, p2, 0, 1, 3qy
ðñ 2x ` z ` 3u “ ´2,
x2 “ 1, x3 “ 0, ¨ ¨ ¨ , xn “ 0; x2 “ 0, x3 “ 1, ¨ ¨ ¨ , xn “ 0; ¨ ¨ ¨ , x2 “ 0, x3 “ 0, ¨ ¨ ¨ , xn “ 1.
X “ α1 P1 ` ¨ ¨ ¨ ` αn´1 Pn´1 ;
y “ 1, z “ 0, u “ 0; y “ 0, z “ 1, u “ 0; y y “ 0, z “ 0, u “ 1
X “ P0 ` α1 P1 ` ¨ ¨ ¨ ` αn´1 Pn´1 ,
Ejemplo 4.20
Considere el hiperplano H en R4 dado por 2x ` y ´ z “ 1. Dado que P0 “ p 12 , 0, 0, 0q es
solución de esta ecuación, tenemos del ejemplo anterior que
` ˘ (
H “ 12 pα2 ´ α1 ` 1q, α1 , α2 , α3 : α1 , α2 , α3 P R
Proposición 4.7
Sea H un hiperplano en Rn (n ě 3). Si P1 , P2 , P3 son puntos no colineales cualesquiera
en H, entones el único plano en Rn que los contiene está contenido en H.
X P H ðñ xN, Xy “ b.
Obviamente todo hiperplano contiene la recta definida por puntos colineales. Para
cerrar este apartado nos gustarı́a comentar un par de particularidades geométricas de estos
objetos matemáticos denominados hiperplanos. La primera de ellas es todo hiperplano en
Rn separa este conjunto en dos componentes disjuntas especiales: si H es el hiperplano de
Rn dado por a1 x1 ` ¨ ¨ ¨ ` an xn “ b, entonces Rn “ H Y H` Y H´ , donde
Ejemplo 4.21
En R4 hay infinitos hiperplanos que contienen los puntos canónicos E1 , E2 y E3 . Suponga
que H es un hiperplano en R4 que contine estos puntos y es dado por la ecuación lineal
a1 x1 ` a2 x2 ` a3 x3 ` a4 x4 “ b, luego es claro que a1 “ a2 “ a3 “ b. Note que si b “ 0 (es
decir H contiene al origen), entonces H es dado por x4 “ 0. Ahora, si b ‰ 0, tendremos
que H es descrito por una ecuación del tipo x1 ` x2 ` x3 ` αx4 “ 1, donde α es cualquier
número real. Observe que Hα ‰ Hβ cualesquiera sean α y β distintos; con esto quedan
152 Neptalı́ Romero
Ejemplo 4.22
Continuando en R4 , hay infinitos hiperplanos que contienen E1 , E2 , E3 y P “ p´1, 1, 1, 0q.
En el ejemplo anterior describimos todos los hiperplanos en R4 que contienen a E1 , E2 y
E3 . Es muy simple chequear que el punto P está en cada uno de ellos. Ahora, si en lugar de
P consideramos el punto Q “ p1, 1, 1, 0q, entonces x4 “ 0 es el único hiperplano de R4 que
contiene a E1 , E2 , E3 y Q; también es único el hiperplano que que contiene a E1 , E2 , E3 y
E4 : aquel definido mediante la ecuación x1 ` x2 ` x3 ` x4 “ 1.
Ejemplo 4.23
En R4 no existe un hiperplano que contenga el origen O y todos sus puntos canónicos
E1 , E2 , E3 y E4 . En efecto, sean H un hiperplano en R4 y a1 x1 ` a2 x2 ` a3 x3 ` a4 x4 “ b
la ecuación lineal que lo describe; sabemos que al menos uno de los coeficientes ai ’s es
diferente de cero (i “ 1, 2, 3, 4). Supongamos que tanto O como los puntos canónicos
Ei ’s están en H. Observe que necesariamente b “ 0; por otro lado, dado que cada punto
canónico está en H, se deduce que ai “ 0 para i “ 1, 2, 3, 4; lo cual no es debe ser posible.
Proposición 4.8
Sean P1 , P2 , P3 y P4 puntos distintos en R4 . Si tres de estos puntos, digamos P1 , P2 y P3 ,
son no colineales, entonces
a) Existen infinitos hiperplanos en R4 que contienen los cuatro puntos siempre que P4
pertenezca al plano determinado por P1 , P2 y P3 .
para ciertos escalares α1 , β 1 . Pero esta igualdad dice que P4 pertenece a π, lo cual tampoco
es cierto; de esta manera queda demostrado que la matriz M tiene rango máximo.
Ahora tratemos de determinar N “ pa1 , a2 , a3 , a4 q P R4 no nulo tal que
xN, Pi ´ P4 y “ 0 para i “ 1, 2, 3.
» fi » fi
a1 0
—a ffi —0ffi
— 2 ffi
Dado que M tiene rango 3, el sistema de ecuaciones lineales M — ffi “ — ffi tiene una
— ffi
–a3 fl –0fl
a4 0
única variable libre, por lo que existen valores a1 , a2 , a3 y a4 , no todos nulos, de forma
que todo N que resuelve este sistema es la forma Nδ “ δN , con δ P R. Fijados estos
coeficientes a1 , a2 , a3 y a4 , la ecuación lineal homogénea a1 x1 ` a2 x2 ` a3 x3 ` a4 x4 “ 0
tiene a P1 ´ P4 , P2 ´ P4 y P3 ´ P4 como soluciones; además, si X es cualquier otra solución
de esta ecuación lineal homogénea, entonces existen escalares, digamos α, β, γ P R, tales
que X “ αpP1 ´ P4 q ` βpP2 ´ P4 q ` γpP3 ´ P4 q; recuerde que M tiene rango 3 y solamente
son requeridas tres soluciones de a1 x1 `a2 x2 `a3 x3 `a4 x4 “ 0 para constituir un generador
mı́nimo de sus soluciones. Ası́ pues, el conjunto
H “ tX P R4 : xN, X ´ P4 y “ 0u1 “ tX P R4 : xN 1 , X ´ P4 y “ 0u “ H 1 ,
a1 x1 ` ¨ ¨ ¨ ` an xn “ b y c1 x1 ` ¨ ¨ ¨ ` cn xn “ d.
Definición 4.18
Dos hiperplanos H1 y H2 de Rn (n ě 2) se dicen paralelos si sus vectores normales son
paralelos; esto se denota por H1 k H2 .
La proposición anterior dice que hiperplanos paralelos o son disjuntos o son iguales;
además, hiperplanos no paralelos siempre se intersectan.
Ejemplo 4.24
1. Las rectas L1 y L2 de R2 dadas, respectivamente, por x ` 2y “ 0 y 2x ` 4y “ ´2 son
Ñ
Ý ÝÝÝÑ Ñ Ý ÝÝÝÑ
paralelas pues sus vectores normales N 1 “ p1, 2q y N 2 “ p2, 4q son paralelos. Además,
dado que « ff « ff
1 2 0 f2 ÝÑf2 ´2 f1 1 2 0
ÝÝÝÝÝÝÝÝÑ ,
2 4 ´2 0 0 ´2
se concluyen que L1 X L2 “ H.
Álgebra lineal: Nociones y propiedades elementales 155
3. Consideremos ahora los planos paralelos de R3 dados por las ecuaciones lineales:
x ´ y ` z “ 2 y 2x ´ 2y ` 2z “ 1.
Dado que los términos independientes de estas ecuaciones no guardan la misma relación
de proporcionalidad que los coeficientes de ellas, se tiene qie los dos planos son disjuntos.
Ahora, si tomamos π1 como el plano dado por x ´ y ` z “ 2, y π2 el descrito por la
ecuación lineal
# 2x ´ y ` z “ 2, entonces px, y, zq P π1 X π2 si, y solo si, px, y, zq es
x´y`z “2
solución de . Observe que tales planos (hiperplanos de R3 ) no son
2x ´ y ` z “ 2
paralelos. Dado que
« ff « ff
1 ´1 1 2 f2 ÝÑf2 ´2 f1 1 ´1 1 2
ÝÝÝÝÝÝÝÝÑ ,
2 ´1 1 2 0 1 ´1 ´2
# #
x´y`z “2 x´y`z “2
entonces es equivalente a . En vista de ser z la
2x ´ y ` z “ 2 y ´ z “ ´2
variable libre de este sistema; al hacer, por ejemplo, z “ 0, se sigue que p4, ´2, 0q es una
solución
# particular de sistema. Por otro lado, la solución general del sistema homogéneo
x´y`z “0
es αp0, ´1, 1q, con α recorriendo el conjunto de los números reales.
y´z “0
De esta manera, un punto px, y, zq P π1 X π2 si, y solo si, existe un escalar α P R tal que
px, y, zq “ p4, ´2, 0q ` αp0, ´1, 1q. Esto significa que π1 X π2 es la recta que pasa por
ÝÝÝÝÝÝÑ
p4, ´2, 0q en la dirección del vector p0, ´1, 1q; en otras palabras, tenemos que π1 X π2
es la recta dada por x “ 4 y 2 ´ y “ z.
En general, se puede demostrar (los detalles se dejan al lector) que la intersección de
dos planos no paralelos cualesquiera de R3 siempre se intersectan en una recta.
Dado que las rectas de Rn con n ě 3 no son hiperplanos, no podemos hablar de vectores
normales de esas rectas, tal y como ocurre con las rectas de R2 que si son los hiperplanos
de R2 . No obstante, como toda recta se describe mediante un punto por donde pasa y un
vector que la dirige, es posible introducir la noción de paralelismo entre ellas a través de
sus vectores directores.
156 Neptalı́ Romero
Definición 4.19
Ñ
Ý Ñ
Ý
Dadas dos rectas LpP, A q y LpQ, B q en Rn (n ě 2), se dice que ellas son paralelas, se
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
denota por LpP, A q k LpQ, B q, si sus vectores directores A y B son paralelos.
Ejemplo 4.25
A diferencia de R2 , en R3 existen rectas no paralelas cuya intersección es vacı́a. En efecto,
Ñ
Ý Ñ
Ý Ñ
Ý ÝÝÝÝÑ
consideremos las rectas de R3 : LpO, E 1 q y LpP, E 2 q, donde P “ p0, 0, 1q, E 1 “ p1, 0, 0q y
Ñ
Ý Ý ÝÝ ÝÑ
E 2 “ p0, 1, 0q. En otras palabras, tenemos
Ñ
Ý Ñ
Ý
LpO, E 1 q “ tpx, y, zq P R3 : y “ 0, z “ 0u y LpP, E 2 q “ tpx, y, zq P R3 : x “ 0, z “ 1u.
Ñ
Ý Ñ
Ý
Observe que los vectores directores de tales rectas no son paralelos, de hecho E 1 K E 2 .
Ñ
Ý Ñ
Ý
Además, es claro que LpO, E 1 qXLpP, E 2 q “ H. La siguiente figura muestra esta situación.
A raı́z de este ejemplo resulta interesante analizar la forma en que ocurre la intersección
de dos rectas cualesquiera en Rn con n ě 3. La situación en R2 está completamente descrita
pues se trata de hiperplanos de R2 .
Proposición 4.10
Dadas rectas cualesquiera LpP, Aq y LpQ, Bq en Rn , n ě 3, se tiene:
Ñ
Ý Ñ Ý
1. Si A k B , entonces o LpP, Aq X LpQ, Bq “ H, o bien LpP, Aq “ LpQ, Bq.
Ñ
Ý Ñ Ý
2. Si A ∦ B (no paralelos), entonces o las rectas son disjuntas, o bien LpP, Aq X LpQ, Bq
es un único punto.
Álgebra lineal: Nociones y propiedades elementales 157
X “ P ` αA “ Q ` βB y Y “ P ` α1 A “ Q ` β1 B;
Ñ
Ý Ñ Ý
lo cual no puede ser pues A ∦ B . Ası́ la demostración está completa.
Pasemos ahora a considerar la noción de ángulo entre dos rectas cualesquiera. Para
fijar ideas mostramos el siguiente ejemplo.
Ejemplo 4.26
Consideremos en R2 las rectas L1 y L2 dadas respectivamente por las ecuaciones x “ 0
Ñ
Ý Ñ
Ý Ñ
Ý ÝÝÝÑ
y x ´ y “ 0. Es claro que L1 “ LpO, E 2 q y L2 “ LpO, A q, donde A “ p1, 1q. Note que
el origen O es el único punto común a ambas rectas; podrı́amos decir que el ángulo entre
Ñ
Ý Ñ
Ý
estas rectas es el ángulo formado por los vectores directores E 2 y A ; este es el ángulo
Ñ
Ý Ñ Ý
x E 2, A y 1 π
θ1 P r0, πs tal que cos θ1 “ Ñ Ý Ý “ ? ; por lo que θ1 “ 4 (recordar la Definición
Ñ
} E 2} } A } 2
4.10 en la página 130).
Ñ
Ý
Por otra parte, el vector ´ A también puede ser considerado como director de la recta
Ñ
Ý Ñ
Ý ÝÝÝÝÝÝÑ
L2 , y el ángulo formado entre los vectores E 2 y ´ A “ p´1, ´1q es dado por el valor
Ñ
Ý Ñ
Ý
x E 2, ´ A y 1 3π
θ2 P r0, πs tal que cos θ2 “ Ñ Ý ÑÝ “ ´ ? ; ası́ θ2 “ 4 . En esta disyuntiva,
} E 2} } ´ A } 2
¿qué ángulo debemos considerar como el formado por las dos rectas?
Definición 4.20
Dadas dos rectas cualesquiera L1 y L2 en Rn (n ě 2) con intersección no vacı́a, se define
el ángulo entre L1 y L2 , lo cual se denota por >pL1 , L2 q, como el menor ángulo formado
entre los directores de ambas rectas.
Comentario 4.7
Supóngase que se tienen dos rectas L1 y L2 en Rn (n ě 2) con intersección no vacı́a;
Ñ
Ý Ñ
Ý
supóngase además que A y B son vectores directores de estas rectas. Como sabemos,
Ñ
Ý Ñ
Ý
cualesquiera sean los escalares α, β P R no nulos, α A y β B también son directores de L1
y L2 respectivamente. Hagamos el siguiente cálculo:
$ ÑÝ Ñ Ý
xA, By
Ý , si αβ ą 0
’
’
’ Ñ
Ý Ñ
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý &} A } }B }
’
’
xα A , β B y αβx A , B y
Ñ
Ý Ý “
Ñ Ñ
Ý Ñ Ý “ .
}α A } }β B } |α| |β|} A } } B } ’ Ñ
Ý Ñ Ý
xA, By
’
’
’
%´ Ñ Ý , si αβ ă 0
’
Ý Ñ
} A } }B }
158 Neptalı́ Romero
De esta forma, al analizar la gráfica de la función coseno como determinadora del ángulo
entre vectores no nulo, ver página 131, tenemos que el ángulo entre dos rectas con inter-
sección no vacı́a es el ángulo entre cualesquiera de sus vectores directores cuyo producto
interno sea no negativo; pues cuando tal producto interno es no negativo, el ángulo está en
el intervalo r0, π2 s; en cuanto que si el producto interno es negativo, entonces el ángulo en-
tre los directores pertenece al intervalo p π2 , πs. En particular, el ángulo entre las dos rectas
del ejemplo anterior es θ “ π4 ; en lugar de 3π 4 .
Obviamente el ángulo entre una recta consigo misma es nulo. Por otra parte, si dos
rectas que se intersectan son tales que algunos de sus directores son perpendiculares,
entonces cualesquiera otro par de directores también son perpendiculares. De esta forma,
diremos que dos rectas en Rn (n ě 2) con intersección no vacı́a son perpendiculares, si
lo son sus directores; simbólicamente: LpP, Aq K LpQ, Bq si LpP, Aq X LpQ, Bq ‰ H y
Ñ
Ý Ñ
Ý
A K B.
En importante señalar que no tiene sentido hablar de ángulo entre rectas que no se
cortan, pues sencillamente ellas no determinan ningún ángulo.
La siguiente proposición es el inicio del camino que debe tomarse para definir la dis-
Ñ
Ý Ñ
Ý
tancia entre Q y LpP, A q cuando Q R LpP, A q.
Proposición 4.11
Ñ
Ý Ñ
Ý
Sean Q P Rn y LpP, A q la recta de Rn que pasa por P P Rn en la dirección de A P RnO .
Ñ
Ý
Si Q R LpP, A q, entonces existe una única recta L1 en Rn tal que:
1. Q P L1 ,
Ñ
Ý
2. L1 y LpP, A q se intersectan perpendicularmente.
Ñ
Ý
Demostración. En realidad lo que deseamos encontrar es un punto R P LpP, A q tal que
ÝÝÝÝÑ Ñ Ý Ý
Ý ÝÝÑ
R ´ Q K A , y ası́ la recta L1 será la que pasa por Q con director R ´ Q. En otras palabras,
ÝÝÝÝÑ Ñ Ý
un punto R “ P ` αA para algún α P R, tal que xR ´ Q, A y “ 0. Siendo ası́ tenemos
ÝÝÝÝÑ ÑÝ ÝÝÝÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ Ñ
Ý Ñ Ý ÝÝÝÝÑ ÑÝ Ñ
Ý
0 “ xR ´ Q, A y “ xP ´ Q ` α A, A y “ xP ´ Q ` α A , A y “ xP ´ Q, A y ` α} A }2 ;
Álgebra lineal: Nociones y propiedades elementales 159
Figura 4.16: Distancia de un punto a una recta, siendo que el punto no pertence a la recta dada.
ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ Ñ Ý
xQ ´ P , A y xQ ´ P , A y ÝÝÝÝÑ
por tanto α “ Ñ
Ý 2 y ası́ R “ P ` Ñ
Ý 2 A. Luego para L1 “ LpQ, R ´ Qq se
}A} }A}
tiene por construcción:
Ñ
Ý Ñ
Ý
Q P L1 , L1 X LpP, A q “ tRu y L1 K LpP, A q.
Ñ
Ý
Los detalles de la unicidad se dejan al lector. Note que si S es cualquier punto en LpP, A q,
ÝÝÝÝÑ ÝÝÝÝÑ
entonces del Teorema general de Pitágoras sigue que }Q ´ R} ď }Q ´ S}. Por tanto, la
Ñ
Ý
menor de las distancia de Q a cualquier punto de LpP, A q ocurre entre Q y R.
De donde
d
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÑ Ñ Ý
ÝÝÝÝÑ } A }2 }Q ´ P }2 ´ |xQ ´ P , A y|2
dpQ, Rq “ }Q ´ R} “ Ñ
Ý ,
} A }2
que es sin dudas una fórmula muy simple de olvidar; por ello es mejor recurrir al significado
y a la obtención del punto R como arriba descrito. De cualquier manera, una definición
Ñ
Ý
general de la distancia de una punto Q a la recta LpP, A q es
160 Neptalı́ Romero
Ñ
Ý Ñ
Ý
dpQ, LpP, A qq “ mı́nt}Q ´ S} : S P LpP, A qu.
Ñ
Ý Ñ
Ý
Observe que si Q P LpP, A q, entonces dpQ, LpP, A q “ 0; en otro caso ese número es
positivo y esa dado por la expresión dpQ, Rq de arriba.
Ejemplo 4.27
Consideremos la recta L en R3 dada por la ecuación
x´1 y´3
“ “ z ` 1.
2 2
Ñ
Ý Ñ
Ý ÝÝÝÝÑ
Claramente L “ LpP, A q, donde P “ p1, 3, ´1q y A “ p2, 2, 1q. Deseamos calcular la
distancia que hay entre el punto Q “ p0, 1, 0q y L. En vista que Q no pertenece a esta
recta (sus coordenadas no satisfacen la ecuación que la definen), debemos obtener un punto
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
R P LpP, A q tal que R ´ Q K A , para ası́ tener que dpQ, Lq “ }Q ´ R}.
Como antes, R debe satisfacer la fórmula R “ P ` α A para algún α P R. De ello, y
ÝÝÝÝÑ Ñ
Ý
usando que xR ´ Q, A y “ 0 se tiene
ÝÝÝÝÑ ÑÝ ÝÝÝÝÑ Ñ
Ý Ñ Ý
0 “ xR ´ Q, A y “ xP ´ Q ` α A , A y
ÝÝÝÝÑ ÑÝ Ñ
Ý
“ xP ´ Q, A y ` α } A }2 ;
ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÝÑ ÝÝÝÝÑ
xQ ´ P , A y xp´1, ´2, 1q, p2, 2, 1qy 5
luego α “ Ñ
Ý 2 “ “ ´ y ası́ tenemos R “ 19 p´1, 17, ´14q.
}A} 9 9
De esta forma:
Ñ
Ý ÝÝÝÝÑ ÝÝÝÝÝÝÝÑ ? ? ?
dpQ, LpP, A qq “ }Q ´ R} “ }p 91 , ´ 89 , 14 1 1 1
9 q} “ 9 1 ` 64 ` 196 “ 9 261 “ 3 29.
Ñ
Ý
Observe que la recta que contiene a Q y R, por tanto perperdicular a LpP, A q, está dada
y´1 z
por la ecuación cartesiana x “ “ , pues pasa por Q “ p0, 1, 0q y el vector
´8 14
ÝÝÝÝÝÝÝÑ ÝÝÝÝÑ
p1, ´8, 14q sirve como director ya que es paralelo a Q ´ R.
Daremos un paso más, ahora deseamos determinar la distancia entre dos rectas, las
cuales suponemos tienen intersección vacı́a; pues si dos rectas se cortan, entonces es natural
asumir como 0 la distancia entre ellas.
Consideremos primero el caso de dos rectas paralelas, como sabemos ellas las podemos
Ñ
Ý Ñ
Ý
expresar mediante el mismo vector director. Sean LpP1 , A q y LpP2 , A q las rectas paralelas
Ñ
Ý Ñ
Ý
a las que queremos calcular la distancia dpLpP1 , A q, LpP2 , A qq entre ellas. Para obtener
Ñ
Ý
este valor tomamos cualquier punto Q en una de esas rectas, digamos en LpP1 , A q, para
Ñ
Ý
luego mediante el procedimiento anterior obtener el único punto R P LpP2 , A q, como
ÝÝÝÝÑ Ñ
Ý
arriba descrito, tal que Q ´ R sea perpendicular a A , y ası́
Ñ
Ý Ñ
Ý ÝÝÝÝÑ
dpLpP1 , A q, LpP2 , A qq “ }Q ´ R}.
ÝÝ1ÝÝÝÑ1 Ñ
Ý ÝÝÝÝÝÑ ÝÝÝÝÑ
Q ´ R K A , es tal que }Q1 ´ R1 } “ }Q ´ R}. Para verificar esto basta observar que
Q1 “ Q ` βA y R1 “ R ` βA para algún β P R.
En cuanto al cálculo de la distancia entre dos rectas no paralelas con intersección vacı́a,
aunque es un poco más laborioso que el anterior cálculo, conlleva las mismas ideas. Dadas
L1 y L2 rectas no paralelas y disjuntas en Rn (necesariamente n ě 3), se deben obtener
ÝÝÝÝÝÑ
puntos (de hecho únicos) Q1 P L1 y Q2 P L2 de forma que Q1 ´ Q2 sea simultáneamente
perpendicular a los directores de estas rectas; luego mostrar que para todo Q11 P L1 y
Q12 P L2 se tiene }Q1 ´ Q2 } ď }Q11 ´ Q12 }, con lo cual la distancia entre las dos rectas dadas
es definida como dpL1 , L2 q “ }Q1 ´ Q2 }; ver ejercicio 60 en la página 172.
Ejemplo 4.28
Vamos a determinar la distancia entre las rectas paralelas L1 y L2 de R3 dadas, respecti-
vamente, por las ecuaciones cartesianas:
tres puntos no colineales P, Q y R, en cuyo caso todo punto X del plano que pasa
por esos puntos se expresa por X “ P ` αpR ´ P q ` βpQ ´ P q, con α, β P R;
162 Neptalı́ Romero
Ñ
Ý Ñ
Ý
un punto P por donde pasa y dos vectores no paralelos y no nulos A y B que lo
dirigen; en este caso, X pertenece a tal plano si, y solo si, existen escalares α, β P R
tales que X “ P ` αA ` βB;
Ñ
Ý
un punto P por donde pasa el plano y un vector normal N al mismo; en esta situación
ÝÝÝÝÑ Ñ Ý
un punto X está en tal plano si, y solamente si, xX ´ P , N y “ 0.
Definición 4.21
Dados una recta L y un plano π en R3 , se dice que:
Antes de discutir el problema que nos concierne, destacamos (sin demostración) las
siguientes propiedades del paralelismo entre rectas y planos en R3 .
Proposición 4.12
Dadas una recta L y un plano π de R3 , siempre valen:
1. si L k π, entonces o L X π “ H o bien L Ă π;
2. si L ∦ π, entonces L X π es un punto.
Ñ
Ý Ñ
Ý
Consideremos en R3 un punto Q y un plano, digamos πpP, N q. Si Q P πpP, N q, diremos
Ñ
Ý Ñ
Ý
que la distancia dpQ, πpP, N qq entre Q y πpP, N q es igual a 0; la razón de esta asignación
es la misma cuando se introdujo la distancia entre un punto y una recta. Supongamos
Ñ
Ý Ñ
Ý
por tanto que Q R πpP, N q, queremos encontrar un punto R P πpP, N q de manera que la
distancia dpQ, Rq entre Q y R sea menor o igual a la distancia dpQ, Sq, cualquiera sea el
Ñ
Ý
punto S P πpP, N q. El punto R es justamente la intersección de la recta que pasa por Q
Ñ
Ý
con director N , luego del Teorema general de Pitágoras sigue que dpQ, Rq ď dpQ, Sq para
Ñ
Ý
todo S P πpP, N q. Observe que el punto R se obtiene resolviendo
ÝÝÝÝÑ Ñ Ý
R ´ P K N y R “ Q ` αN, para algún α P R.
Álgebra lineal: Nociones y propiedades elementales 163
ÝÝÝÝÑ Ñ Ý
ÝÝÝÝÑ Ñ
Ý Ñ Ý ÝÝÝÝÑ Ñ Ý Ñ
Ý xP ´ Q, N y
De acá que xQ ´ P ` α N , N y “ 0 y xQ ´ P , N y ` α} N }2 “ 0, ası́ α “ Ñ
Ý y
} N }2
ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ Ñ Ý
xP ´ Q, N y ÝÝÝÝÑ |xP ´ Q, N y|
por tanto R ´ Q “ Ñ
Ý N ; note que }R ´ Q} “ Ñ
Ý . De esta forma, la
} N }2 }N }
Ñ
Ý
distancia entre Q y πpP, N q es dada por
ÝÝÝÝÑ Ñ Ý
Ñ
Ý |xP ´ Q, N y|
dpQ, πpP, N qq “ Ñ
Ý .
}N }
Ñ
Ý ÝÝÝÝÑ ÑÝ
Note que de esta fórmula, si Q P πpP, N q, entonces xP ´ Q, N y “ 0, por lo que
Ñ
Ý Ñ
Ý ÝÝÝÝÑ ÑÝ
dpQ, πpP, N qq “ 0; mientras que si Q R πpP, N q, entonces xP ´ Q, N y ‰ 0, y en conse-
Ñ
Ý
cuencia dpQ, πpP, N qq ą 0.
Observación 4.4
Aprovechando esta discusión, podemos resaltar que si L y π son una recta y un plano en
R3 de forma que L k π, entonces la distancia entre ellos se obtiene con el mismo cálculo
anterior al tomar cualquier punto Q en la recta L.
Ejemplo 4.29
Consideremos el plano π de R3 que pasa por los puntos P1 “ p1, 1, 1q, P2 “ p0, 2, 1q y
P3 “ p2, ´1, 2q; y sea Q “ p´2, 0, 0q. Determinaremos la distancia entre S y π.
Primero observe que en efecto los puntos P1 , P2 , P3 determinan un plano; esto es
ÝÝÝÝÝÑ ÝÝÝÝÝÝÑ ÝÝÝÝÝÑ ÝÝÝÝÝÝÝÑ
ası́ pues los vectores P1 ´ P2 “ p1, ´1, 0q y P1 ´ P3 “ p´1, 2, ´1q no son paralelos; es
decir, P1 , P2 y P3 son no colineales. Un vector normal a este plano se obtiene mediante el
producto vectorial de los vectores que dirigen al plano. En este caso:
ˇ ˇ ˇ ˇ ˇ ˇ
Ñ
Ý ÝÝÝÝÝÑ ÝÝÝÝÝÑ ˇ ´1
ˇ 0 ˇ
ˇÑÝ
ˇ 1 0 ˇ
ˇÑÝ
ˇ 1 ´1 ˇ
ˇÑÝ ÝÝÝÝÑ
N “ P1 ´ P2 ˆ P1 ´ P3 “ ˇ ˇ E1 ´ ˇ ˇ E2 ` ˇ ˇ E 3 “ p1, 1, 1q.
ˇ ˇ
ˇ 2 ´1 ˇ ˇ ´1 ´1 ˇ ˇ ´1 2 ˇ
Ñ
Ý Ñ
Ý
De esta forma, π “ πpP1 , N q y X “ px, y, zq está en el plano πpP1 , N q si, y solo si, se
ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ ÝÝÝÝÑ Ñ
Ý
cumple xpx ´ 1, y ´ 1, z ´ 1q, p1, 1, 1qy “ 0. Observe que Q R πpP1 , N q pues
Observación 4.5
1. La distancia entre dos planos paralelos en R3 que no se intersecten es dada por la
distancia entre cualquier punto de uno de los planos considerados y el otro plano.
2. De la noción de ángulo entre dos rectas que se intersectan podemos definir el ángulo
entre planos de R3 . En efecto, dados dos planos π1 y π2 de R3 con vectores normales
Ñ
Ý Ñ
Ý
N 1 y N 2 , definimos el ángulo entre ellos como
Ñ
Ý Ñ
Ý
>pπ1 , π2 q “ >pLpO, N 1 q, LpO, N 2 qq;
es decir, el ángulo entre π1 y π2 es el ángulo entre las rectas que pasan por el origen
Ñ
Ý Ñ
Ý
con directores N 1 y N 2 respectivamente. Note que el ángulo entre planos paralelos es
nulo.
2. Dados los puntos A “ p1, 2, 1q, B “ p0, ´1, 2q, C “ p´1, ´1, 3q y D “ p0, 1, 0q, calcular:
a) A ` B b) 3D ´ C ` 3B c) 2A ´ 4B ` C ´ D d) A ´ 2B ` C
4. ¿De cuántas formas puede escribirse p0, 0q como combinación lineal de p2, 1q, p1, 0q y
p´1, 2q? ¿Y como combinación lineal de p2, 1q y p1, 0q?
9. Demostrar que CLrtpa, bqus Ř R2 para todo pa, bq P R2 . ¿Qué puntos de R2 pertenecen
a CLrtpa, bqus?
10. Sean pa, bq y pc, dq puntos de R2 tales que para algún α P R se tiene que pa, bq “
αpc, dq. Demostrar que CLrtpa, bq, pc, dqus Ř R2 . ¿Qué puntos de R2 pertenecen a
CLrtpa, bq, pc, dqus?
11. Sean pa, bq y pc, dq puntos de R2 tales que CLrtpa, bq, pc, dqus “ R2 . Demostrar:
a) El origen O “ p0, 0q se escribe de una única forma como combinación lineal de pa, bq
y pc, dq.
b) Ninguno de los puntos pa, bq y pc, dq puede ser igual al origen.
c) No existe α P R tal que pa, bq “ αpc, dq. ¿Puede existir β P R tal que βpa, bq “ pc, dq?
d) ad ´ bc ‰ 0.
13. a) Para los vectores dados en la parte a) del ejercicio anterior, encontrar y representar
gráficamente los vectores equivalentes anclados en: O, P “ p2, ´3q y Q “ p0, 3q.
b) Para los vectores dados en la parte b) del ejercicio anterior, encontrar y represen-
tar gráficamente los vectores equivalentes anclados en: O, P “ p´1, 3, 1q y Q “
p1, 0, ´1q.
ÝÑ Ý Ñ Ý
Ñ
c) Considere los vectores canónicos de Rn : E1 , E2 , ¨ ¨ ¨ , En . Sea P “ pp1 , p2 , ¨ ¨ ¨ , pn q en
Rn diferente del origen. Para cada i “ 1, 2, ¨ ¨ ¨ , n demostrar que existe un único pun-
Ý
Ñ ÝÝÑ
to Qi en Rn tal que Ei ” P Qi . Determine los puntos Qi . Representar gráficamente
esta situación en R2 y R3 .
23. Sea P un punto cualquiera de Rn , demostar que la aplicación T : RnO Ñ RnP definida,
Ñ
Ý Ñ
Ý ÝÝÑ
para cada A P RnO , por T p A q “ P Q con Q “ A ` P , es biyectiva y satisface:
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
a) T p A ` B q “ T p A q ` T p B q, para todo A , B P RnO .
Ñ
Ý Ñ
Ý Ñ
Ý
b) T pα A q “ αT p A q, para todo A P RnO y cada α P R.
Ñ
Ý ÑÝ Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
24. a) Sean A , B P R2O tales que CLrt A , B us “ R2O . Demostrar que A y B no pueden
ser paralelos.
Álgebra lineal: Nociones y propiedades elementales 167
Ñ
Ý Ñ Ý
b) Sean A , B P R2O no nulos y no paralelos. Dado un punto arbitrario P P R2 , es-
ÝÝÑ ÝÑ ÝÝÑ ÑÝ ÝÑ Ñ Ý ÝÑ
cojamos P Q, P R P R2P tales que P Q k A y P R k B . ¿Es cualquier vector P S
ÝÝÑ ÝÑ
combinación lineal de P Q y P R?
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
25. Sean AB, P Q vectores no nulos en Rn y sean ´AB, ´P Q sus respectivos opuestos.
ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ ÝÝÑ
Demostrar que si AB k P Q, entonces ´AB k ´P Q y ´AB k P Q.
Ñ
Ý Ñ Ý Ý Ñ Ý Ñ ÝÑ Ñ Ý ÝÑ Ñ Ý
26. Sean A , B , A1 , B1 vectores en RnO tales que A1 k A y B1 k B . Demostrar que un
Ñ
Ý Ñ Ý
vector cualquiera es combinación lineal de A , B si, y solo si, también es combinación
Ý
Ñ Ý Ñ
lineal de A1 , B1 .
Ñ
Ý Ñ
Ý
27. Sean A “ pa1 , a2 q y B “ pb1 , b2 q puntos de R2 . Demostrar que A k B si, y solo si,
a1 b2 ´ a2 b1 “ 0.
28. Decidir sobre la veracidad o falsedad de cada una de las siguientes proposiciones. Ofrez-
ca una demostración en caso afirmativo, y de un contraejemplo en caso negativo.
Ñ
Ý Ñ Ý Ñ
Ý ÑÝ Ñ
Ý Ñ
Ý
a) Si A y B son vectores cualesquiera en RnO tales que x A , B y “ 0, entonces A “ O
Ñ
Ý Ñ
Ý
o B “ O.
Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý ÑÝ Ñ Ý Ñ
Ý ÑÝ Ñ
Ý ÑÝ
b) Para todo A , B y C en RnO se cumple x A , B ` C y “ x A , B y ` x A , C y.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
c) Para todo A , B P RnO y α P R se cumple x A , α B y “ αx A , B y.
Ñ
Ý Ñ Ý ÑÝ Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý
d) Si A , B , C P RnO son tales que A K B y B K C , entonces A K C .
Ñ
Ý Ñ Ý ÑÝ Ñ
Ý Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý Ñ
Ý
e) Si A , B , C P RnO son tales que A K B y B k C , entonces A K C .
Ñ
Ý Ñ
Ý
f) Si A P RnO es diferente del vector nulo, entonces } A } ą 0.
Ñ
Ý
g) Si A P RnO , con A “ pa1 , ¨ ¨ ¨ , an q, es unitario, entonces a1 “ ¨ ¨ ¨ “ an “ 1.
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
h) Si A , B P RnO son tales que A “ α B para algún α P R, entonces } A } “ α} B }.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
i) Si A , B P RnO , entonces } A ` B }2 “ } A }2 ` } B }2 .
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
j) Si A , B P RnO , entonces } A ` B } “ } A } ` } B }.
Ñ
Ý ÑÝ
k) Si A “ pα, αq con α ą 0, entonces >p A , E 1 q “ π.
Ñ
Ý ÑÝ
l) Si A “ pα, αq con α ă 0, entonces >p A , E 1 q “ 3π 2 .
Ñ
Ý Ñ Ý
m) Si A “ p1, 2q y B “ p´1, ´4q, entonces >p A , B q está entre 0 y π.
Ñ
Ý Ñ
Ý
n) Si A “ p1, 2q y B “ p´2, 1q, entonces PÝ Ñp A q “ O .
B
Ñ
Ý Ñ
Ý
ñ) Si A, B P Rn con B ‰ O, entonces PÝ Ñp A q k B .
B
Ñ
Ý Ñ
Ý
o) Si A, B P Rn son no nulos, entonces PÝ Ñp B q K B .
A
Ñ
Ý Ñ Ý
p) Si A, B P Rn con B ‰ O, entonces >pPÝ Ñ p A q, B q “ 0.
B
Ñ
Ý Ñ Ý
q) Si A, B P Rn con B ‰ O, entonces >pPÝ Ñ p A q, B q “ π.
B
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
r) Si A, B P Rn con B ‰ O, entonces o >pPÝ Ñ p A q, B q “ 0, o bien >pPÝ Ñ p A q, B q “ π.
B B
Ñ
Ý ÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
29. Dados los vectores A “ p2, ´1, 0q, B “ p1, ´5, 2q, C “ p5, 0, 6q y D “ p1, 2, 1q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ Ý Ñ Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý
Determinar: x A , A y, x A , B y, x A , C y, x B , C y x A ` C , ´ B y, x C , Dy, x B ` 3 C , Dy
Ñ
Ý Ñ Ý Ñ Ý Ñ Ý
y x A ` B , C ` Dy.
168 Neptalı́ Romero
30. Haciendo uso de inducción matemática, demuestre que para cualquier entero n ě 1 y
Ñ
Ý Ñ
Ý Ñ Ý
para cualquier colección A 1 , ¨ ¨ ¨ , A n , B P RnO y α1 , ¨ ¨ ¨ , αn P R se cumple la identidad
Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
xα1 A 1 ` ¨ ¨ ¨ ` αn A n , B y “ α1 x A 1 , B y ` ¨ ¨ ¨ ` αn x A n , B y.
Ñ
Ý ÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ Ñ
Ý
31. Dados los vectores A 1 “ p2, 1, ´1q, A 2 “ p0, 1, 1q y B “ p1, ´1, 1q. Verificar que B es
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý
ortogonal tanto a A 1 como a A 2 . Muestre que si C P CLrt A 1 , A 2 us, entonces B K C .
Ñ
Ý ÝÝÝÝÝÝÝÑ
32. Determine vectores unitarios con el mismo sentido y sentido opuesto a A “ p´2, ´1, 1q.
¿Son estos vectores únicos?
Ñ
Ý ÝÝÝÝÝÝÝÝÑ Ñ
Ý Ñ
Ý
33. Dado A “ pa1 , ¨ ¨ ¨ , an q P RnO no nulo, demuestre que existen únicos vectores B y C
Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
en RnO tales que: } B } “ 1 “ } C }, B es paralelo a A con el mismo sentido, mientras
Ñ
Ý Ñ
Ý
que C es paralelo a A pero con el sentido opuesto.
34. Demostrar, usando la desigualdad de Cauchy-Schwarz, que para todo entero positivo
n ě 1 vale la desigualdad p1 ` 2 ` ¨ ¨ ¨ ` nq2 ď np1 ` 22 ` ¨ ¨ ¨ ` n2 q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
35. Demostrar que si A , B P RnO , entonces } A ´ B }2 “ } A }2 ´ 2x A , B y ` } B }2 .
Ñ
Ý Ý?
ÝÝÝÑ Ñ Ý ÝÝÝÑ Ñ Ý ÝÝÝÑ Ñ
Ý ÝÝÝÝÑ Ñ Ý ?ÝÑ
ÝÝÝÝÝ
36. Para los vectores: A “ p 3, 1q, B “ p1, 0q, C “ p1, 1q, D “ p1, ´1q y E “ p´1, 3q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
Determine: >p A , B q, >p B , A q, >p A , C q, >p C , Dq, >p C , E q y >p E , Dq.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
37. Dados A , B P RnO no nulos, ¿es cierto que si >p A , B q “ >p B , C q, entonces >p A , C q “
Ñ
Ý Ñ Ý
2>p A , B q?
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
38. Dados los vectores A “ p3, 1, 0q, B “ p1, 0, ´1q, C “ p2, 1, 1q. Calcular los vectores
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
proyección: PÝ
Ñ p B q, PÝ
Ñ p A q, PÝ
Ñ p C q y PÝÑ p C q. ¿Es C “ PÝ
Ñ p C q ` PÝ
Ñ p C q?
A B A B A B
Ñ
Ý Ñ Ý Ñ Ý
39. Sean A , B y C en R2O , donde que A “ p´1, 2q, B “ p2, 1q y C “ p´2, 4q. Verificar que
Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý
A se descompone como la suma de sus proyecciones sobre B y C ; es decir, PÝ Ñp A q `
Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ Ý B Ñ Ý
Ñ p A q “ A . ¿Es cierta esta propiedad si A , B y C en R2O son cualesquiera con B y
PÝ
Ñ
ÝC
C no nulos?
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
40. Dado cualquier A P RnO , demostrar que PÝ Ñ p A q ` PÝÑ p A q ` ¨ ¨ ¨ ` PÝ
Ñ pAq “ A;
E1 E2 En
Ñ
Ý
donde E j , con j “ 1, ¨ ¨ ¨ , n, es el j-ésimo vector canónico de RnO .
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý
41. Sean A y B en RnO tales que B ‰ O y A K B . Verificar que PÝ Ñp A q “ O .
B
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý Ñ
Ý
42. Sean A y B en RnO tales que B ‰ O y A k B . Verificar que PÝÑp A q “ A .
B
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
43. Sean A y B en RnO tales que B ‰ O y x A , B y ą 0. Demostrar que >p A , B q P r0, π2 q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
44. Sean A y B en RnO tales que B ‰ O y x A , B y ă 0. Demostrar que >p A , B q P p π2 , πs.
Ñ
Ý Ñ Ý Ñ
Ý
45. a) Sean A 1 , A 2 , ¨ ¨ ¨ , A m P RnO (n ě 2) vectores no nulos y perpendiculares entre sı́.
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
Demostrar que si α1 A 1 ` α2 A 2 ` ¨ ¨ ¨ ` αm A m “ O , entonces αi “ 0 para cada
i “ 1, 2, ¨ ¨ ¨ , m.
Álgebra lineal: Nociones y propiedades elementales 169
Ñ
Ý Ñ Ý Ñ
Ý
b) Sean A 1 , A 2 , ¨ ¨ ¨ , A n P RnO (n ě 2) vectores no nulos y perpendiculares entre sı́.
Ñ
Ý
Demostrar que para todo B P RnO existen escalares α1 , α2 , ¨ ¨ ¨ , αn en R (de hecho
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý
únicos) de manera que α1 A 1 ` α2 A 2 ` ¨ ¨ ¨ ` αn A n “ B .
47. Dados el plano π cuya con ecuación cartesiana ´2x`3y´z “ 0 y el punto P “ p1, 0, ´1q,
construya una recta que pase por P y sea paralela a π. ¿Es única esta recta?
a) Pasa por los puntos P “ p1, 0, 1q, Q “ p1, 1, ´1q y R “ p2, 1, ´2q.
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
b) Pasa por P “ p0, 2, ´1q y orientado por A “ p1, 0, 0q y B “ p1, 1, 1q.
Ñ
Ý ÝÝÝÝÑ Ñ Ý ÝÝÝÝÑ
c) Pasa por P “ p0, 2, ´1q y orientado por A “ p1, 0, 0q y B “ p0, 1, 0q.
d) Pasa por el punto P “ p2, 0, ´3q y es paralelo al plano de ecuacion 3x ´ 2y ` z “ ´1.
e) Pasa por el punto P “ p2, 0, ´3q y es paralelo al plano de ecuacion x ´ 2y ` z “ ´1.
f) Pasa por P “ p0, 0, 2q y es perpendicular al plano de ecuacion x ` 2y ` z “ 1.
x´3 y´1
g) Pasa por P “ p1, ´2, 0q y contiene a la recta de ecuación “ “z´1
3 2
x`2 3´y y`1
h) Contiene a las rectas de ecuaciones “ “ z`2 y x´2 “ y z “ 0.
2 2 2
x`2 3´y ÝÝÝÝÑ
i) Contiene a la recta de ecuación “ “ z ` 2 y con normal p0, 1, 2q.
2 2
x`2 3´y
49. ¿Es posible construir un plano que contenga a la recta de ecuación “ “ z`2
ÝÝÝÝÑ 2 2
y cuyo vector normal sea p0, 1, 0q? Justifica su respuesta, y establezca un criterio para
asegurar la existencia de un plano que contenga a una determinada recta y tenga como
vector normal a uno dado.
ÝÝÝÝÑ ÝÝÝÝÑ
50. Si P, Q y R en Rn (n ě 2) no colineales, demostrar que Q ´ P y R ´ P son no paralelos.
ÝÝÝÝÑ ÝÝÝÝÑ ÝÝÝÝÑ ÝÝÝÝÑ
¿Puede decir lo mismo de los pares de vectores: Q ´ R y P ´ R, y P ´ Q y R ´ Q?
170 Neptalı́ Romero
Ñ
Ý Ñ Ý
51. Demostrar que para todo punto P P R2 y cualquier par de vectores A , B P R2O no
Ñ
Ý Ñ Ý
nulos y no paralelos se tiene πpP, A , B q “ R2 .
Ñ
Ý Ñ Ý
c) Cualesquier sean A , B P R3O y α P R se tiene:
Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ Ý
pα A q ˆ B “ A ˆ pα B q “ αp A ˆ B q.
Álgebra lineal: Nociones y propiedades elementales 171
Ñ
Ý Ñ Ý Ñ Ý
d) Cualesquier sean A , B , C P R3O se satisface:
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ Ý Ñ Ý Ñ
Ý Ñ Ý Ñ Ý
p A ˆ B q ˆ C “ x A , C y B ´ xB , C y A .
Ñ
Ý Ñ Ý
e) Para todo A , B P R3O valen:
Ý 2
´ ¯
Ñ
Ý Ñ Ý Ñ
Ý Ñ
Ý Ñ
Ý Ñ
1) } A ˆ B }2 “ } A }2 } B }2 ´ x A , B y .
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
2) } A ˆ B } “ } A } } B } | sen θ|, donde θ “ >p A , B q.
Ñ
Ý Ñ Ý Ñ
Ý Ñ Ý
3) Si θ “ >p A , B q P p0, πq, entonces } A ˆ B } es el área del paralelogramo formado
Ñ
Ý ÑÝ
por los vectores A , B .
Ñ
Ý ÑÝ Ñ Ý
f) Cualesquiera sean los vectores no nulos y no colineales A , B , C P R3O , ellos deter-
minan el paralelepı́pedo en R3 como se muestra en la Figura 4.20. Demostrar que
Ñ
Ý Ñ Ý Ñ Ý
volumen que encierra este objeto geométrico es |x A , B ˆ C y|.
56. Construya dos rectas en R3 cuyo ángulo entre ellas sea de 30o , contengan al punto
ÝÝÝÝÑ
P “ p1, 0, ´1q y una de ellas esté orientada por el vector p1, 1, 0q. ¿Cuántos pares de
estas rectas existen?
57. Construya dos rectas en R3 cuyo ángulo entre ellas sea de 60o y ambas contengan al
origen. ¿Cuántos pares de estas rectas existen?
x´2
58. Dados el punto P “ p0, 1, 2q y la recta L de ecuación “ y ` 1, z “ 1. Determinar
1
2
la recta L que pasa por P , es perpendicular a L y la corta. Calcular la distancia entre
P y L.
x´2
59. Determine la distancia entre la recta L de ecuación “ y ` 1, z “ 1 y la recta
ÝÝ Ý ÝÑ 2
L1 “ Lpp0, 2, 1q, p2, 1, 0qq. Obtenga la recta que pasa por p0, 2, 1q y el perpendicular
tanto a L como a L1 .
172 Neptalı́ Romero
Ñ
Ý Ñ
Ý
60. Dadas dos rectas no paralelas con intersección vacı́a en Rn (n ě 3): LpP, A q y LpQ, B q,
Ñ
Ý Ñ
Ý ÝÝÝÑ Ñ Ý
demostrar que existen únicos puntos R P LpP, A q y S P LpQ, B q tales que R ´ S K A ,
ÝÝÝÑ Ñ Ý ÝÝÝÑ ÝÝÝÝÑ Ñ
Ý Ñ
Ý
R ´ S K B y }R ´ S} ď }R1 ´ S 1 }, cualesquiera sean R1 P LpP, A q y S 1 P LpQ, B q.
Ý
Ñ Ý Ñ
(Sugerencia: Si A y B son no nulos y no paralelos, demostrar que existen únicos escalares α, β P R de
manera de xP ´ Q ` αA ´ βB, Ay “ xP ´ Q ` αA ´ βB, By “ 0). Recordar el carácter estricto de la
desigualdad de Cauchy-Schwarz.)
61. Encontrar la distancia entre las rectas de R3 dadas por las ecuaciones cartesianas:
x´1 y`2 x
“ “z y “ y ` 1 “ z ´ 1.
2 ´1 2
Determine la recta que es perpendicular a las dos rectas anteriores.
Espacios Vectoriales.
173
174 Neptalı́ Romero
ton, y otras nociones algebraicas propuestas por el matemático francés Évariste Galois
(1811 - 1832) y Cauchy. Otro matemático con una importante influencia en el desarrollo
inicial del Álgebra lineal fue el alemán Hermann Grassmann (1809 - 1877). Su trabajo,
de mucha originalidad, fue fundamentalmente influenciado por las nociones de las coorde-
nadas baricéntricas introducidas por Möbius. Una de sus principales contribuciones, “Die
Ausdehnungslehre” (Las medidas de expansión lineal) apareció publicada en varias versio-
nes; la primera de las cuales ocurrieron en 1844; pero debido a su dificultad para ser leida,
no encontró opiniones favorables entre importantes matemáticos de la época; por tal mo-
tivo Grassmann produce una versión más legible en 1862. En tal publicación Grassmann
estudia un álgebra cuyos elementos son cantidades abstractas, sobre estas cantidades de-
finió operaciones de adición, multiplicación por escalares y también una multiplicación.
Ese trabajo contiene la axiomática moderna de la estructura de espacio vectorial; aunque
sobre cantidades abstractas, aún no cubrı́a la generalidad de esa estructura algebraica.
Adicionalmente, por el hecho de tener también una multiplicación entre tales cantidades,
se condujo a una estructura algebraica más rica que la de espacio vectorial; estas son
llamadas álgebras, y más precisamente álgebras de Grassmann. En la primera versión de
su trabajo aparecen las ideas de dependencia e independencia lineal, al igual que la no-
ción de producto escalar. En la versión del año 1862, aparece una larga introducción en
la que Grassmann ofrece un sumario de su teorı́a; en ella la defiende, pues ya habı́a sido
objetada por un considerable número de matemáticos contemporaneos a él; la justifica-
ción (dada por Grassmann) de su teorı́a incluye una formulación axiomática de la misma,
lo cual muestra lo aventajado que estaba Grassmann para la época. En el anecdotario
matemático se comenta que Cauchy y el francés Adhémar Jean Claude Barré de Saint-
Venant (1797 - 1886) afirmaron haber inventado estructuras similares a los de Grassmann.
La afirmación de Saint-Venant es considerada justa, pues en uno de sus artı́culos del año
trabajo 1845, multiplica segmentos de rectas en una forma análoga a la introducida por
Grassmann. De hecho, cuando Grassmann leyó el artı́culo de Saint-Venant concluyó que
este no habı́a leido su trabajo de 1844, por lo que envió a Saint-Venant (vı́a Cauchy)
dos copias de las partes de su trabajo que él consideraba más relevantes. Posterior a ello,
en el año 1853 Cauchy publica “Sur les clefs algébrique” (Sobre las claves algebraicas)
en la revista Comptes Rendus de Francia; allı́ Cauchy describe un método simbólico que
coincide justamente con lo expuesto por Grassmann en su trabajo; no obstante Cauchy
no lo menciona. Conocida esa publicación de Cauchy, Grassmann se queja ante la Acade-
mia de Ciencias de que su trabajo es primero que el de Cauchy; en 1854 un comité fue
nombrado por la Academia de Ciencias para investigar quién tuvo la prioridad. ¡Aún se
espera por el informe del comité!. El primer matemático en darle importancia al trabajo
de Grassmann fue el alemán Hermann Hankel (1839 - 1873), en 1867 escribió el artı́culo
“Theorie der complexen Zahlensysteme” (Teorı́a del sistema de números complejos) en el
que son definidos objetos de estudio en forma abstracta; allı́ le otorga créditos al trabajo
de Grassmann como los fundamentos de su trabajo.
Una definición axiomática de espacio vectorial real fue dada a conocer inicialemente
por el matemático italiano Giuseppe Peano (1858 - 1932); esta axiomática aparece en
1888 en su libro “Calcolo geometrico secondo l’Ausdehnungslehre di H. Grassmann pre-
Álgebra lineal: Nociones y propiedades elementales 175
ceduto dalle operazioni della logica deduttiva” (Cálculo geométrico según la expansión de
H. Grassmann, precedida de operaciones de la lógica deductiva). Allı́ Peano da créditos a
Grassmann, Hamilton, Leibniz y Möbius; en ese libro son presentadas las nociones básicas
de las operaciones con conjuntos, introduciendo la notación moderna de la unión, inter-
sección y pertenencia a un conjunto. Aunque el libro tuvo poca influencia por muchos
años, se destaca la forma moderna de como se exponen las nociones de la estructura de
espacios vectoriales; incluso se introduce la definición de dimensión de espacios vectoria-
les; muestra que espacios vectoriales finito dimensionales tienen bases y ofrece ejemplos
de espacios vectoriales de dimensión infinita; además, introduce el concepto de operadores
lineales y de operaciones entre ellas. En la década de los 1890’s, el matemático italiano
Salvatore Pincherle (1853 - 1936) trabajó sobre una teorı́a formal de operadores lineales
en espacios vectoriales de dimensión infinita; sin embargo, este trabajo de Pincherle no
tuvo como base los trabajos de Peano, en su lugar, se soporta en varios de los aportes de
Leibniz y del matemático francés Jean le Rond d’Alembert (1717 - 1783). Al igual que
muchas publicaciones en esta área, los resultados de Pincherle tuvieron muy poco impacto
inmediato; de hecho, los espacios vectoriales infinito dimensionales y su axiomática no se
estudiaron de nuevo hasta que el matemático polaco Stefan Banach (1892 - 1945) y sus
colegas tomaron el tema en la década de los años 1920; aunque ya el prominente matemáti-
co alemán David Hilbert (1862 - 1943) y su discipulo, también alemán, Erhard Schmidt
(1876 - 1959) habı́an estudiado en la primera década del siglo XX los espacios infinito
dimensionales de funciones introduciendo el idioma geométrico en la teorı́a de los espacios
vectoriales hoy denominados espacios de Hilbert; sin embargo, enfatizamos que el enfoque
completo de tal axiomática aparece en el año 1920 en la tesis doctoral de Banach. 1
Definición 5.1
Un espacio vectorial sobre K es cualquier conjunto V no vacı́o dotado de dos operaciones,
genéricamente llamadas adición y multiplicación por escalares:
`: VˆV Ñ V y ¨: KˆV Ñ V
(5.1)
pu, vq Ñ u ` v pα, uq Ñ αu
linealidad:
[A1] u ` v “ v ` u. (Conmutatividad)
[A2] u ` pv ` wq “ pu ` vq ` w. (Asociatividad)
[A4] Para cada u P V existe un único u1 P V, denominado vector simétrico de u, tal que
u ` u1 “ OV . (Elemento Simétrico)
[M4] 1u “ u.
Los elementos de V son llamados vectores, en cuanto que los elementos de K son denomi-
nados escalares. A los vectores u ` v y αu en (5.1) se les conoce con el nombre de vector
suma de u y v y vector producto de α y u, respectivamente.
Comentario 5.1
Es necesario hacer énfasis en que la estructura vectorial sobre un conjunto no vacı́o V
depende exclusivamente de las operaciones ` (adición de vectores) y ¨ (multiplicación de
escalares por vectores). En ocasiones se acostumbra decir que el triplete pV, `, ¨q es un
K-espacio vectorial; siendo que el prefijo K de este calificativo se establece dependiendo
donde se haya definido la multiplicación por escalares. Ası́, cuando en esta operación se
emplea el cuerpo de los números reales R, se dice que V es un espacio vectorial real, o un
R-espacio vectorial; mientras que y si K “ C, entonces V es un espacio vectorial complejo, o
simplemente un C-espacio vectorial. Puede ocurrir que sobre un mismo conjunto V puedan
definirse más de una estructura vectorial; obviamente para que esto ocurra, al menos una
de las operaciones ` o ¨ debe ser modificada.
Todo conjunto no vacı́o V dotado con una operación ` y cumpliendo con los axiomas
[A1] al [A4] es llamado grupo abeliano o grupo conmutativo. De esta forma, un K-espacio
vectorial V es un grupo abeliano con una operación externa ¨ : K ˆ V Ñ V que cumple
con los axiomas [M1] al [M4].
satisface cada uno de los axiomas de la definición 5.1; por tanto Rn es un espacio vectorial
sobre R. Es común encontrar en la literatura la denominación de espacio euclidiano real
de dimensión n; ello gracias al enriquesimiento de la estructura vectorial con el producto
interno euclidiano ya estudiado. Note que el vector nulo OR “ p0, ¨ ¨ ¨ , 0q, mientras que el
simétrico de pα1 , ¨ ¨ ¨ , αn q es p´α1 , ¨ ¨ ¨ , ´αn q.
se continuan cumpliendo cada uno de los axiomas en la Definición 5.1, pero la estructura
vectorial es distinta; en este caso el conjunto Cn es un espacio vectorial sobre R. Note
que su vector nulo sigue siendo la n-tupla nula p0, ¨ ¨ ¨ , 0q, y el elemento simétrico de
pα1 , ¨ ¨ ¨ , αn q es p´α1 , ¨ ¨ ¨ , ´αn q.
Fue mostrado que Mmˆn pKq con estas operaciones cumple con los axiomas de la Definición
5.1, ası́ que el triplete pMmˆn pKq, `, ¨q es un K-espacio vectorial.
Verifiquemos que FpS, Rq junto con las operaciones que acabamos de definir constituye
un espacio vectorial sobre R. Para comenzar, observe que para todo par de funciones f, g P
FpS, Rq se cumple que f `g “ g `f , pues para todo s P S se tiene f psq`gpsq “ gpsq`f psq
ya que la adición en R es conmutativa. Similarmente, de la asociatividad de la adición en
R sigue que pf `gq`h “ f `pg `hq para toda f, g, h P FpS, Rq. Por otra parte, claramente
el elemento neutro (vector nulo de FpS, Rq) para la adición arriba definida es la función
nula; esto es, la función que a cada elemento en S le asigna el número real cero; denotamos
tal función por O; claramente f ` O “ f pues pf ` Oqpsq “ f psq ` Opsq “ f psq ` 0 “ f psq
para todo s P S; además, la función O : S Ñ R es la única con tal propiedad. Note que el
elemento simétrico de f P FpS, Rq es la función g : S Ñ R definida para cada s P S por
gpsq “ ´f psq, pues pf ` gqpsq “ f psq ` gpsq “ f psq ` p´f psqq “ Opsq “ 0. De esta forma
Álgebra lineal: Nociones y propiedades elementales 179
hemos verificado los axiomas [A1], [A2], [A3] y [A4]; dejamos al lector la tarea de verificar
que también se satisfacen [M1], [M2], [M3] y [M4].
Es necesario hacer notar que en las definiciones de las operaciones hemos utilizado
el mismo sı́mbolo ` para sumar tanto funciones como números reales; igualmente, en
la multiplicación por escalares hemos omitido el sı́mbolo ¨ para no recargar la notación.
En general esto ocurrirá con mucha frecuencia a lo largo del texto esperando no crear
mayor confusión en la notación, pero manteniendo presente la diferencia en las operaciones
representadas por el mismo sı́mbolo.
Si en lugar de R, las funciones hubiesen sido definidas tomado valores en C y la multi-
plicación la hubiesemos definido variando α P C, entonces se tendrı́a el C-espacio vectorial
FpS, Cq de todas las funciones de S en C.
pxn qnPN ` pyn qnPN “ pxn ` yn qnPN y αpxn qnPN “ pαxn qnPN .
Claramente el elemento neutro para la adición de sucesiones es la sucesión nula pon qnPN ,
donde on “ 0 para todo n ě 0; además, el simétrico de la sucesión pxn qnPN es la sucesión
pyn qnPN donde yn “ ´xn para cada entero n ě 0.
En ocasiones el R-espacio vectorial de las sucesiones de números reales se acostumbra
denotar por RN . Igualmente puede dotarse de una estructura vectorial al conjunto de
sucesiones bi-infinitas con valores en R; es decir, aquellas funciones del conjunto de los
números enteros Z “ t¨ ¨ ¨ , ´2, ´1, 0, 1, 2, ¨ ¨ ¨ u en R; en este caso, al espacio FpZ, Rq se
le asigna la notación RZ . Similarmente pueden definirse estructuras vectoriales en los
conjuntos de sucesiones unilaterales o bilaterales con valores en K: FpN, Kq y FpZ, Kq, las
cuales también se denotan, respectivamente, por KN y KZ .
en este caso se dice que la función polinómica f es de grado n. Note que las funciones
polinómicas de grado 0 son las funciones constantes. Las operaciones de adición de fun-
ciones polinómicas reales y de multiplicación por escalares se definen como antes: dadas
180 Neptalı́ Romero
Claramente PpRq Ă FpR, Rq; observe además que si f, g P PpRq son dadas por
f pxq “ a0 ` a1 x ` ¨ ¨ ¨ ` an xn y gpxq “ b0 ` b1 x ` ¨ ¨ ¨ ` bm xm ,
mientras que
pαf qpxq “ αa0 ` αa1 x ` ¨ ¨ ¨ ` αan´1 xn´1 ` αan xn .
Como antes, es simple verificar que PpRq dotado de este par de operaciones es un R-
espacio vectorial; siendo que su vector nulo es la función polinómica nula O : R Ñ R dada
por Opxq “ 0 para todo x P R; además, el simétrico de la función polinómica dada por
f pxq “ a0 ` a1 x ` ¨ ¨ ¨ ` an´1 xn´1 ` an xn es la función polinómica g : R Ñ R cuya regla
de correspondencia es gpxq “ ´a0 ´ a1 x ´ ¨ ¨ ¨ ´ an´1 xn´1 ´ an xn .
Proposición 5.1
Dado cualquier K-espacio vectorial pV, `, ¨q, son válidas:
pα1 ` α2 ` ¨ ¨ ¨ ` αk qv “ α1 v ` α2 v ` ¨ ¨ ¨ ` αk v. (5.3)
Demostración.
a) Supongamos que para u, v, w P V se tiene que u`w “ v`w; entonces sumando a ambos
lados de esta igualdad el simétrico w1 del vector w se tiene pu ` wq ` w1 “ pv ` wq ` w1 .
Luego usando la asociatividad de la adición tenemos u ` pw ` w1 q “ v ` pw ` w1 q, por
lo que u ` OV “ v ` OV pues w ` w1 “ OV ; de aquı́ que u “ v.
α OV ` α OV “ αpOV ` OV q “ α OV “ α OV ` OV .
i) V “ R2 y K “ R con:
2. Sea S un conjunto no vacı́o cualquiera. Se denota por FpS, Cq al conjunto de todas las
funciones f : S Ñ C. Sobre FpS, Cq se definen las operaciones de adición y multiplica-
ción por escalares en C como siguen: para cada f : S Ñ C, g : S Ñ C en FpS, Cq, y
α P C, las funciones f ` g y αf son dadas, para cada s P S, por
4. Emplear la estructura del espacio de funciones anterior, para describir una estructura
de espacio vectorial sobre los conjuntos:
f pwq “ a0 ` a1 w ` ¨ ¨ ¨ ` an wn ,
V1 ˆ V2 “ tpv1 , v2 q : v1 P V1 y v2 P V2 u
184 Neptalı́ Romero
observe que se están empleando los mismos sı́mbolos de adición y multiplicación por
escalares en estos espacios. Demostrar que V1 ˆ V2 con estas operaciones es un espacio
vectorial sobre K; este es conocido por espacio vectorial producto de V1 por V2 .
Extender esta noción a un producto finito cualquiera V1 ˆ V2 ˆ ¨ ¨ ¨ ˆ Vn .
8. Dotar a los conjuntos Mmˆn pCq y PpCq de una estructura de espacio vectorial sobre
R.
a1 x1 ` a2 x2 ` ¨ ¨ ¨ ` an xn “ b1 ` b2 y a1 x1 ` a2 x2 ` ¨ ¨ ¨ ` an xn “ αb1
12. En la definición 5.1 de espacio vectorial se establece, ver axiomas [A3] y [A4], la unicidad
del vector nulo y del vector simétrico de cada vector en V. Estas condiciones de unicidad
pueden ser obviadas de la definición, de hecho suponga que en la definción 5.1 los
axiomas [A3] y [A4] son sustituidos por:
Definición 5.2
Dados un K-espacio vectorial V y un subconjunto no vacı́o U de V, se dice que U es un
subespacio vectorial de V (o simplemente, subespacio de V), si son satisfechas:
a) OV P U
Comentario 5.2
Sea V un K-espacio vectorial arbitrario, cualquiera sea el subconjunto no vacı́o U de V,
siempre se satisfacen los axiomas de linealidad [A1], [A2], [M1], [M2], [M3] y [M4] en la
Definición 5.1. En general, no es cierto que U contenga al vector nulo en V ni el simétrico
de un vector en él; que son los axiomas que restan para que el conjunto U tenga estructura
de espacio vectorial con las mismas operaciones de V.
Teorema 5.1
Sea V un K-espacio vectorial. Un subconjunto no vacı́o U de V es un subespacio vectorial
de V si, y solamente si, U tiene estructura de espacio vectorial sobre K con las mismas
operaciones de V.
Demostración. Supongamos que U es subespacio vectorial de V. Según el comentario
anterior, resta mostrar que U también satisface [A3] y [A4] con las mismas operaciones de
V. Dado que OV P U y este vector es el único que satisface v`OV para todo v P V, entonces
OV es el único vector de U tal que u ` OV para todo u P U ; ası́ que [A3] se cumple para
U . Para mostrar que también cumple con [A4], observe que para todo vector u P U , su
simétrico ´u también está en U ya que p´1qu P U y p´1qu “ ´u, ver Proposición 5.1 en
la página 180. Finalmente, como en V, ´u es el único vector que satisface u ` p´uq “ OV
y OV es el neutro en U , entonces ´u es el único vector en U que satisface u ` p´uq “ OV ,
con lo cual U también cumple [A4] y en consecuencia pU, `, ¨q es un K-espacio vectorial.
El recı́proco es obvio, pues si U es espacio vectorial con las operaciones de adición y
multiplicación por escalares de V, entonces se cumplen las condiciones a), b) y c) de la
Definición 5.2.
186 Neptalı́ Romero
El siguiente teorema ofrece otra caracterización para los subespacios vectoriales, esta
une en una simple sola condición las tres partes que deben ser chequeadas según la Defi-
nición 5.2; por ello es de común uso para chequear cuando un subconjunto en un espacio
vectorial es subespacio vectorial.
Teorema 5.2
Un subconjunto U del espacio vectorial V sobre K es un subespacio vectorial de V si, y
solamente si, U ‰ H y para todo u, v P U y cada escalar α P K, vale u ` αv P U .
Corolario 5.1
Sean V un espacio vectorial sobre K y U un subespacio vectorial de V. Cualesquiera sean:
el entero positivo n, los vectores u1 , ¨ ¨ ¨ , un en U y los escalares α1 , ¨ ¨ ¨ , αn en K, siempre
se cumple que α1 u1 ` ¨ ¨ ¨ ` αn un P U .
por tanto SpA, Oq es un subespacio vectorial de Mnˆ1 pKq, o de Kn según sea la interpre-
tación que se le de al conjunto de soluciones del sistema (5.4).
En adelante llamaremos espacio solución de (5.4), o de AX “ O, al subespacio vectorial
SpA, Oq. Observe que los hiperplanos de Rn que pasan por el origen son subespacios
vectoriales de Rn , pues ellos son descritos como el conjunto solución de una ecuación
lineal homogénea.
Es importante mencionar que para cualquier sistema de ecuaciones lineales no ho-
mogéneo, digamos AX “ B con A P Mmˆn pKq y B P Mmˆ1 pKq diferente de la matriz
unicolumna O, su conjunto solución no es un subespacio vectorial pues no contiene a
la solución nula. En particular los hiperplanos en Rn que no pasan por el origen no son
subespacios vectoriales de Rn .
188 Neptalı́ Romero
Observe que las rectas o planos en Rn que no pasen por el origen no son subespacios
vectoriales de Rn .
Es igualmente simple verificar que cada uno de los subconjuntos de matrices indicados
en la Definición 1.3 (ver página 5) es un subespacio vectorial de Mn pKq.
f pkq ptq ` ak´1 ptqf pk´1q ptq ` ¨ ¨ ¨ ` a1 ptqf 1 ptq ` a0 ptqf ptq “ 0, (5.6)
f pkq ptq ` ak´1 ptqf pk´1q ptq ` ¨ ¨ ¨ ` a1 ptqf 1 ptq ` a0 ptqf ptq “ 0 y
g pkq ptq ` ak´1 ptqg pk´1q ptq ` ¨ ¨ ¨ ` a1 ptqg 1 ptq ` a0 ptqgptq “ 0,
pf ` αgqpkq ptq ` ak´1 ptqpf ` αgqpk´1q ptq ` ¨ ¨ ¨ ` a1 ptqpf ` αgq1 ptq ` a0 ptqpf ` αgqptq
“ pf pkq ptq ` αg pkq ptqq ` ak´1 ptqpf pk´1q ptq ` αg pk´1q ptqq ` ¨ ¨ ¨ ` a1 ptqpf 1 ptq ` αg 1 ptqq
`a0 ptqpf ptq ` αgptqq
pkq pk´1q 1
“ f ptq ` ak´1 ptqf ptq ` ¨ ¨ ¨ ` a1 ptqf ptq ` a0 ptqf ptq
`αpg pkq ptq ` ak´1 ptqg pk´1q ptq ` ¨ ¨ ¨ ` a1 ptqg 1 ptq ` a0 ptqgptqq
“ 0 ` α0 “ 0.
Definición 5.3
Sea V un espacio vectorial sobre K.
‚ Se dice que un vector u P V es combinación lineal de los vectores v1 , v2 , ¨ ¨ ¨ , vk si existen
escalares α1 , α2 , ¨ ¨ ¨ , αk P K tales que
k
ÿ
u “ α1 v1 ` α2 v2 ` ¨ ¨ ¨ ` αk vk pequivalentemente u “ α` v` q.
`“1
Proposición 5.2
Sea V un espacio vectorial sobre K. Si U es un subconjunto no vacı́o de V, entonces
CLpU q es un subespacio vectorial de V; además, es el menor (respecto de la inclusión de
conjuntos) de todos los subespacios de V que contienen a U . Esto es, si W es cualquier
otro subespacio de V que contiene a U , entonces CLpU q Ă W .
u “ α1 u1 ` α2 u2 ` ¨ ¨ ¨ ` αm um y v “ β1 v1 ` β2 v2 ` ¨ ¨ ¨ ` βn vn .
Luego
u ` αv “ α1 u1 ` α2 u2 ` ¨ ¨ ¨ ` αm um ` αpβ1 v1 ` β2 v2 ` ¨ ¨ ¨ ` βn vn q
“ α1 u1 ` α2 u2 ` ¨ ¨ ¨ ` αm um ` αβ1 v1 ` αβ2 v2 ` ¨ ¨ ¨ ` αβn vn ,
Definición 5.4
Sean V un espacio vectorial sobre K, W un subespacio vectorial de V y U Ă V no vacı́o.
Al subespacio vectorial CLpU q se le conoce con el nombre de subespacio vectorial generado
por U ; en adelante denotado por SpU q. Si SpU q “ W, entonces se dice que el conjunto U
es un generador del subespacio vectorial W.
Álgebra lineal: Nociones y propiedades elementales 191
Teorema 5.3
En todo espacio vectorial V sobre K se cumplen:
Demostración. Mostraremos solo la última parte, el resto queda para el lector. Observe
que de la parte b) se tiene SpU 1 q Ă SpU q, resta por tanto mostrar que SpU q Ă SpU 1 q.
Sea v P SpU q, luego existen vectores v1 , ¨ ¨ ¨ , vn en U y escalares α1 , ¨ ¨ ¨ , αn en K tales
que v “ α1 v1 ` ¨ ¨ ¨ ` αn vn . Si todos los vectores v1 , ¨ ¨ ¨ , vn estuviesen en U 1 , entonces
v P SpU 1 q y no habrı́a nada que mostrar. Sin embargo, puede ocurrir que algunos de ellos
no pertenezcan a U 1 . Para simplificar la demostración supongamos que los vector v1 , ¨ ¨ ¨ , v`
son los que no están U 1 . Claramente tv1 , ¨ ¨ ¨ , v` u Ă W , y ası́ α1 v1 ` ¨ ¨ ¨ ` α` v` P SpU 1 q.
Por otra parte, dado que tv``1 , ¨ ¨ ¨ , vn u Ă U 1 se tiene α``1 v``1 ` ¨ ¨ ¨ ` αn vn P SpU 1 q. De
esta forma
α1 v1 ` ¨ ¨ ¨ ` α` v` ` α``1 v``1 ` ¨ ¨ ¨ ` αn vn “ v P SpU 1 q;
de donde SpU q Ă SpU 1 q.
Ejemplo 5.17
Consideremos en el K-espacio vectorial Kn la colección de sus vectores canónicos:
Es simple chequear que para cada px1 , x2 , ¨ ¨ ¨ , xn q P Kn , la única forma de escribir este
vector como combinación lineal de E1 , E2 , ¨ ¨ ¨ , En es
n
ÿ
px1 , x2 , ¨ ¨ ¨ , xn q “ x1 E1 ` x2 E2 ` ¨ ¨ ¨ ` xn En “ x` E` .
`“1
Ejemplo 5.18
Recordemos que sobre Cn (n ě 1) hemos definido dos estructuras de espacio vectorial: una
compleja y otra real. En la compleja, como acabamos de mostrar en el ejemplo anterior, los
192 Neptalı́ Romero
Ejemplo 5.19
En el K-espacio vectorial Mmˆn pKq de las matrices de orden m ˆ n con coeficientes en K
ocurre, con las matrices canónicas Eij (1 ď i ď m, 1 ď j ď n), algo similar a lo expuesta
en el Ejemplo 5.17: para cualquier matriz A “ raij smˆn en Mmˆn pKq, se tiene
m ÿ
ÿ n
A“ aij Eij “ a11 E11 ` ¨ ¨ ¨ ` a1n E1n ` ¨ ¨ ¨ ` am1 Em1 ` ¨ ¨ ¨ ` amn Emn ; (5.7)
i“1 j“1
#
1, si r “ i, s “ j
recuerde que Eij “ rδrs smˆn , con δrs “ ; la matrz Eij tiene
0, en cualquier otro caso
todas sus entradas iguales a 0, excepto entrada ubicada en la fila i y columna j que es igual
a 1. Además, la expresión en (5.7) es la única forma de escribir a A como combinación
lineal de las matrices canónicas de Mmˆn pKq.
Ejemplo 5.20
Consideremos el R-espacio vectorial Pn pRq de todas las funciones polinómicas reales de
grado menor o igual a n. Las funciones polinómicas p0 , p1 , ¨ ¨ ¨ , pn : R Ñ R definidas, para
cada x P R, por las reglas de correspondencia
son denominadas funciones polinómicas canónicas de Pn pRq. Como sabemos, para toda
función en p : R Ñ R en Pn pRq existen constantes a0 , ¨ ¨ ¨ , an en R tales que para cada
x P R se cumple ppxq “ a0 ` a1 x ` ¨ ¨ ¨ ` an xn ; por tanto, p “ a0 p0 ` a1 p1 ` ¨ ¨ ¨ ` an pn ;
pues para todo x P R se tiene ppxq “ a0 p0 pxq ` a1 p1 pxq ` ¨ ¨ ¨ ` an pn pxq. De lo cual sigue
que Sptp0 , p1 , ¨ ¨ ¨ , pn uq “ Pn pRq.
Empleando los mismos argumentos se demuestra (se deja al lector) que si pn : R Ñ R
es la función dada por pn pxq “ xn para cada x P R, entonces U “ tpn : n ě 0u genera al
espacio vectorial PpRq; es decir, SpU q “ PpRq. Observe además que cualquier subconjunto
propio de U no genera a PpRq.
Ejemplo 5.21
En R2 con la estructura vectorial usual deseamos saber cuál es el subespacio vectorial
Álgebra lineal: Nociones y propiedades elementales 193
generado por el vector v “ p1, 2q. Las combinaciones lineales formadas con v son justamente
los vectores αv, con α recorriendo R. Es decir, px, yq P Sptvuq si, y solamente si, existe
un escalar α P R tal que px, yq “ αp1, 2q “ pα, 2αq; lo que equivale a decir que x “ α y
y “ 2α. Esto es, Sptvuq “ tpx, yq P R2 : y “ 2xu; que es la recta de R2 que pasa por el
origen en la dirección del vector v “ p1, 2q.
Ejemplo 5.22
Consideremos el espacio euclidiano R3 los vectores v “ p1, 2, 1q y u “ p2, 4, 2q. Note que u
y v son paralelos, de hecho, u “ 2v. Veamos quién es Sptu, vuq.
Esta secuencia de equivalencias permiten concluir que Sptu, vuq “ Sptvuq. Dejamos al
lector la tarea de verificar que Sptvuq es la recta en R3 que pasa por el origen en la
dirección de v “ p1, 2, 1q; esto es, Sptvuq “ tpx, y, zq P R3 : 2x “ y “ 2zu.
Ejemplo 5.23
Continuando en el espacio euclidiano R3 consideramos u “ p1, 1, 2q y v “ p´1, 0, ´3q,
determinaremos el subespacio vectorial de R3 generado por ellos. Claramente px, y, zq
pertenece a Sptu, vuq si, y solo si, existen escalares α, β P R tales que px, y, zq “ αu ` βv.
La
$ existencia o no de esos escalares equivale a decidir si el sistema de ecuaciones lineales
& α´β “x
’
α “ y tiene solución. Ahora bien, esto ocurre si, y solamente si, la matriz del
’
% 2α ´ 3β “ z
» fi » fi
1 ´1 1 ´1 x
sistema – 1 0 fl y su ampliada – 1 0 y fl tienen el mismo rango. De esta forma,
— ffi — ffi
2 ´3 2 ´3 z
al determinar los valores de x, y y z de manera que las matrices anteriores tengan el mismo
rango, estaremos caracterizando (en términos de las variables x, y, z) los vectores px, y, zq
de R3 que pertencen al subespacio vectorial Sptu, vuq.
Procedamos entonces a descubrir tales relaciones que determinan los valores posibles
de x, y, z. Para ello examinamos los rango de las matrices de arriba; esto se hace, como
siempre, empleando operaciones elementales por filas:
» fi » fi » fi
1 ´1 x 1 ´1 x 1 ´1 x
ffi f2 ÝÑf2 ´f1 — ffi f3 ÝÑf3 `2f2 —
– 1 0 y fl ÝÝÝÝÝÝÝÑ – 0 1 y ´ x fl ÝÝÝÝÝÝÝÝÑ – 0 1 y´x fl .
— ffi
2 ´3 z 0 ´2 z ´ 2x 0 0 z ` 2y ´ 4x
De acá sigue que las matrices del sistema y su ampliada tienen el mimso rango si, y
solamente si, ´4x ` 2y ` z “ 0. Esto equivale a decir que px, y, zq P Sptu, vuq si, y solo
si, ´4x ` 2y ` z “ 0. En otras palabras Sptu, vuq “ tpx, y, zq P R3 : ´4x ` 2y ` z “ 0u;
194 Neptalı́ Romero
en otras palabras, el subespacio vectorial generado por u y v es el plano que pasa por el
Ñ
Ý ÝÝÝÝÝÝÑ
origen y con vector normal N “ p´4, 2, 1q.
Ejemplo 5.24
En PpRq, espacio de todas las funciones polinómicas reales, consideremos los vectores
(funciones polinómicas reales): p0 , p1 , p2 , p3 dadas por
Deseamos determinar las funciones en PpRq que pertenecen a Sptp0 , p1 , p2 , p3 uq. Supon-
gamos que p P Sptp0 , p1 , p2 , p3 uq; es decir, existen escalares α0 , α1 , α2 , α3 P R tales que
p “ α0 p 0 ` α1 p 1 ` α2 p 2 ` α3 p 3 ;
vale para todo x P R. Claramente de acá sigue que p P Sptp0 , p1 , p2 , p3 uq si, y solo
si, existen
$ escalares α0 , α1 , α2 , α3 en R de manera que el sistema de ecuaciones linea-
’
’ 2α 0 ` α1 “ a0
’
& α `α “a
1 3 1
les tenga solución; en otras palabras, las matrices del sistema y su
’
’ ´α 2 ` α 3 “ a 2
’
0 “ a3
%
ampliada:
» fi » fi
2 1 0 0 2 1 0 0 a0
— 0 1 1 0 ffi — 0 1 1 0 a1 ffi
y
— ffi — ffi
— ffi — ffi
– 0 0 ´1 1 fl – 0 0 ´1 1 a2 fl
0 0 0 0 0 0 0 0 a3
tienen igual rango. Note que la matriz del sistema tiene rango 3 pues es escalonada; por
tanto ambas tienen el mismo rango si, y solamente si, a3 “ 0. De esta manera, el subespacio
vectorial de PpRq generado por las funciones polinómicas p0 , p1 , p2 , p3 es
Ejemplo 5.25 $
x ` 2y ´ z ` w “ 0
’
&
Consideremos el sistema de ecuaciones lineales homogéneo x ` 2y ` w “ 0 . Re-
’
% 2x ` 4y ´ z ` 2w “ 0
cordaremos en este ejemplo cómo obtener un conjunto generador del espacio solución de
un sistema de ecuaciones lineales homogéneo. Para tal fin procedemos a encontrar la forma
canónica de Gauss-Jordan de la matriz del sistema; esto es, la forma escalonada reducida
Álgebra lineal: Nociones y propiedades elementales 195
» fi
1 2 ´1 1
por filas de A “ – 1 2 0 1 fl. Es claro que
— ffi
2 4 ´1 2
» fi » fi » fi
1 2 ´1 1 1 2 ´1 1 1 2 0 1
ffi f2 Ñf2 ´f1 — ffi f1 Ñf1 ´f2 —
– 1 2 0 1 fl ÝÝÝÝÝÝÝÑ – 0 0 1 0 fl ÝÝÝÝÝÝÑ – 0 0 1 0 fl ;
— ffi
f3 Ñf3 ´2 f1 f3 Ñf3 ´f2
2 4 ´1 2 0 0 1 0 0 0 0 0
» fi
1 2 0 1
ası́, C “ – 0 0 1 0 fl es la forma canónica de Gauss-Jordan de A, luego rangopAq “ 2
— ffi
0 0 0 0
y el número de variables libres del sistema dado es también 2 (“ rango - número de
incógnitas). Note que las variables libres pueden ser elegidas como y#y w. Como el sistema
x ` 2y ` w “ 0
de ecuaciones lineales homogéneo correspondiente a la matriz C es , al
z“0
asignarle a las variables libre los valores canónicos: y “ 1, w “ 0, y y “ 0, w “ 1, tenemos
como soluciones generadoras del espacio solución del sistema AX “ O a los vectores
unicolumna: » fi » fi
´2 ´1
— 1 ffi — 0 ffi
u1 “ — ffi y u2 “ — ffi .
— ffi — ffi
– 0 fl – 0 fl
0 1
De esta forma, SpA, Oq “ Sptu1 , u2 uq; esto es, cualquier solución u de AX “ O tiene la
forma » fi
´2α ´ β
— α ffi
u “ αu1 ` βu2 “ — ffi , con α y β variando en R.
— ffi
– 0 fl
β
Proposición 5.3
Dada una colección finita cualquiera de vectores en Km , digamos
un vector v “ pb1 , ¨ ¨ ¨ , bm q P Km es
$ combinación lineal de v1 , v2 , ¨ ¨ ¨ , vn si, y solamente si,
’ a11 x1 ` a12 x2 ` ¨ ¨ ¨ ` a1n xn “ b1
’
’
& a21 x1 ` a22 x2 ` ¨ ¨ ¨ ` a2n xn “ b2
’
el sistema de ecuaciones lineales .. tiene solución.
’
’
’ .
’
% a x ` a x ` ¨¨¨ ` a x “ b
m1 1 m2 2 mn n m
196 Neptalı́ Romero
Igualando componentes
$ concluimos que v P Sptv1 , ¨ ¨ ¨ , vn uq si, y solo si, el sistema de
’
’
’ a11 x1 ` a12 x2 ` ¨ ¨ ¨ ` a1n xn “ b1
& a21 x1 ` a22 x2 ` ¨ ¨ ¨ ` a2n xn “ b2
’
ecuaciones lineales .. tiene solución.
’
’
’ .
’
% a x ` a x ` ¨¨¨ ` a x “ b
m1 1 m2 2 mn n m
Ejemplo 5.26
Consideremos en R4 los vectores v1 “ p1, 2, ´1, 0q, v2 “ p0, ´1, 1, 2q y v3 “ p1, 2, 2, 1q.
Deseamos conocer como es el subespacio vectorial generado por estos vectores.
De la proposición anterior tenemos que pa, b, c, dq P Sptv1 , v2 , v3 uq si, y solo si,
$
’
’ x1 ` x3 “ a
’
& 2x ´ x ` 2x “ b
1 2 3
(5.8)
’
’ ´x 1 ` x 2 ` 2x 3 “c
’
2x2 ` x3 “ d
%
» fi » fi
1 0 1 1 0 1 b
— 2 ´1 2 ffi — 2 ´1 2 b ffi
tiene solución; es decir, — ffi y — ffi tienen el mismo rango.
— ffi — ffi
– ´1 1 2 fl – ´1 1 2 c fl
0 2 1 0 2 1 d
Procedamos por tanto a calcular estos rangos:
» fi » fi
1 0 1 a 1 0 1 a
— 2 ´1 2 b ffi
ffi f2 Ñf2 ´2f1 — 0 ´1 0 b ´ 2a ffi f3 Ñf3 `f2
— ffi
—
— ffi ÝÝÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÑ
– ´1 1 2 c fl f3 Ñf3 `f1 – 0 1 3 a ` c fl
0 2 1 d 0 2 1 d
» fi » fi
1 0 1 a 1 0 1 a
— 0 ´1 0 ´2a ` b ffi ffi f4 Ñf4 `2f2 — 0 ´1 0 ´2a ` b
— ffi
— ffi
— ffi ÝÝÝÝÝÝÝÑ — ffi
– 0 0 3 ´a ` b ` c fl – 0 0 3 ´a ` b ` c fl
0 2 1 d 0 0 2 ´4a ` 2b ` d
» fi
1 0 1 a
f4 Ñf4 ´ 2 f3 — 0 ´1 0 ´2a ` b
— ffi
ÝÝÝÝÝÝ3ÝÑ — ffi .
ffi
– 0 0 3 ´a ` b ` c fl
0 0 0 ´ 10 3 a ` 4
3 b ´ 2
3 c ` d
De acá que la matriz del sistema (5.8) tenga rango 3; por tanto, el subespacio vectorial
Sptv1 , v2 , v3 uq es caracterizado linealmente por la ecuación 10a ´ 4b ` 2c ´ 3d “ 0; es decir
Note que Sptv1 , v2 , v3 uq es el hiperplano de R4 que pasa por el origen y tiene como
ÝÝÝÝÝÝÝÝÝÝÑ
normal al vector p10, ´4, 2, ´1q. Usando esta caracterización es muy simple decidir, por
ejemplo, si u1 “ p´2, ´1, ´1, ´6q y u2 “ p0, 0, 0, 1q pertenecen al subespacio vectorial
de R4 generado por v1 , v2 y v3 . El primero sı́ y el segundo no, ellos es debido a que las
componentes de u1 cumplen con la ecuación lineal que define a Sptv1 , v2 , v3 uq, mientras
que las de u2 no lo hacen.
Comentario 5.3
Note que el criterio anterior equivale a decir:
Comentario 5.4
Para fines prácticos es importante resaltar la estrecha relación entre las nociones de com-
binación lineal y de matrices equivalentes por filas (o por columnas). Supongamos que
A, B P Mmˆn pKq son matrices equivales por filas; sean Ap1q , ¨ ¨ ¨ , Apmq las filas de A y
Bp1q , ¨ ¨ ¨ , Bpmq las filas de B. Observe que cualquiera sea la fila j de B, al aplicar a B una
operación elemental por filas que modifica esa fila (fj Ñ fj ` δfi , fj Ñ δfj , o fj Ø fi )
se tiene que la fila j-ésima de la matriz resultante es combinación lineal de las filas de
B. Por tanto, como A se obtiene de B mediante la aplicación de un número finito de
operaciones elementales por filas, cada una de las filas de A es combinación lineal de las
filas de B; esto es, Apjq P SptBp1q , ¨ ¨ ¨ , Bpmq uq para todo j “ 1, ¨ ¨ ¨ , m. Esto implica que
SptAp1q , ¨ ¨ ¨ , Apmq uq Ă SptBp1q , ¨ ¨ ¨ , Bpmq uq. Usando la simetrı́a de la relación de equivalen-
cia por filas se concluye también que SptBp1q , ¨ ¨ ¨ , Bpmq uq Ă SptAp1q , ¨ ¨ ¨ , Apmq uq; por tanto
SptAp1q , ¨ ¨ ¨ , Apmq uq “ SptBp1q , ¨ ¨ ¨ , Bpmq uq. Con estos argumentos hemos demostrado:
Teorema 5.4
Dos matrices A y B en Mmˆn pKq son equivalentes por filas si, y sólamente si,
Podrı́amos afinar un poco más la relación establecida entre la equivalencia por filas
de un par de matrices cualesquiera de orden m ˆ n con ceficientes en K. En efecto, no es
difı́cil mostrar, haciendo uso del teorema anterior, la siguiente propiedad.
Proposición 5.4
Sean A, B P Mmˆn pKq, si B es una forma escalonada equivalente por filas a A, entonces
Ejemplo 5.27
3 consideremos v “ p1, 2, 1q, v “ p2, 0, ´2q, v “ p3, 2, ´1q y v “ p2, ´8, ´10q. Sea
En R» fi1 2 3 4
1 2 1
— 2 0 ´2 ffi
A“— ffi; note que las filas de A son v1 , v2 , v3 y v4 . Dado que
— ffi
– 3 2 ´1 fl
2 ´8 ´10
» fi » fi
1 2 1 1 2 1
— 0 ´4 ´4 ffi f Ñ´ 1 f — 0 1 1 ffi
f2 Ñf2 ´2 f1 ffi 2 4 2 —
A ÝÝÝÝÝÝÝÝÝÝÑ —
— ffi
ffi ÝÝÝÝÝÝÑ — ffi
f3 Ñ f3 ´ 3 f 1 – 0 ´4 ´4 fl – 0 ´4 ´4 fl
f4 Ñ f4 ´ 2 f1 0 ´12 ´12 0 ´12 ´12
» fi
1 0 ´1
— 0 1 1 ffi
f1 Ñf1 ´2 f2
ffi ,
— ffi
ÝÝÝÝÝÝÝÝÝÝÝÑ —
f3 Ñ f3 ` 4 f2 – 0 0 0 fl
f4 Ñ f4 ` 12 f2 0 0 0
a) V “ R3 ; U “ tpx, y, zq P R3 : 2x ` y ´ z “ 0 y x ` 3y ´ 2z “ 1u.
b) V “ R3 ; U “ tpx, y, zq P R3 : x ` y “ 0 y x ` 3y ´ 2z “ 0u.
c) V “ R3 ; U “ S 2 “ tpx, y, zq P R3 : x2 ` y 2 ` z 2 “ 1u, a este conjunto se le llama
esfera unitaria de R3 .
d) V “ Rn ; U “ tpx1 , ¨ ¨ ¨ , xn q P Rn : xn ě 0u.
x´2
e) V “ R3 ; U “ tpx, y, zq P R3 : 2 “ y ´ 1 y z “ 0u.
f) V “ R2 ; U es el conjunto de todos los px, yq P R2 cuya segunda componente es un
número racional.
g) V “ C2 como un R-espacio vectorial; U “ R2 . ¿Qué puede decir si C2 es un C-espacio
vectorial? #« ff +
a11 a12
h) V “ M2 pRq; U “ P M2 pRq : 2a12 ` 3a21 “ 1 .
a21 a22
#« ff +
a11 a12
i) V “ M2 pRq; U “ P M2 pRq : 2a12 ` 3a21 “ 0 .
a21 a22
#« ff + « ff
a11 a12 1 0
j) V “ M2 pRq; U “ P M2 pRq : AB “ BA ; donde B “ .
a21 a22 2 1
k) V “ Mn pKq; U es el conjunto de todas las matrices triangulares, inferiores o supe-
riores.
l) V “ P2 pRq; U es el conjunto de todas las funciones polinómicas de grado menor o
igual a 2 cuyo término independiente es igual a 1.
m) V “ P2 pRq; U es el conjunto de todas las funciones polinómicas p : R Ñ R de grado
menor o igual a 2, ppxq “ ax2 ` bx ` c, tales que pp1q “ 0.
n) V “ PpRq; U es el conjunto de todas las funciones polinomiales con coeficientes en
R que tienen grado igual a 2.
ñ) V “ C 2 pr0, 1s, Rq; U “ tf P V : sen tf 2 ptq ` et f 1 ptq “ cos t, @ t P r0, 1su.
o) V “ C 2 pr0, 1s, Rq; U “ tf P V : sen tf 2 ptq ` et f 1 ptq “ 0, @ t P r0, 1su.
ş1
p) V “ Cpr0, 1s, Rq; U “ tf P V : 0 f ptq dt “ 0u.
ş1
q) V “ Cpr0, 1s, Rq; U “ tf P V : 0 f ptq dt ě 0u.
2. Demostrar que cada uno de los subconjuntos U de los espacios vectoriales V indicados
son subespacios vectoriales:
Definición 5.5
Dada A “ raij s P Mn pKq, se conoce como traza de A al escalar obtenido por la suma
de las entradas en la diagonal; esto es, trapAq “ a11 ` a22 ` ¨ ¨ ¨ ` ann .
3. Demostrar que en el espacio vectorial R los únicos subespacios son los triviales.
4. ¿Es p´3, 2, 1, ´2q combinación lineal de p2, 1, 0, ´1q, p1, ´1, 2, 1q y p0, ´1, 3, 2q?
« ff « ff « ff « ff
2 ´2 1 1 0 0 1 0
5. ¿Es combinación lineal de , y ?
5 0 1 0 1 ´1 0 1
6. Hallar, si es posible, los valores de t P R tales que p1, ´1, tq P Sptp3, 0, ´2q, p2, ´1, 1quq.
8. Verificar que p1, 1`i, 2iq está en el subespacio vectorial de C3 , como C-espacio vectorial,
generado por p1, 2, 1q, p0, 1, 1q y p0, 0, 1q. ¿Continúa siendo cierta la propiedad si se
considera a C3 como un R-espacio vectorial?
Álgebra lineal: Nociones y propiedades elementales 201
10. Considere el espacio vectorial RN de todas las sucesiones con valores en R. Para cada
entero positivo k, sea ek “ pek,n qně1 la sucesión cuyas entradas son nulas, excepto la
ubicada en la posición k que es igual a 1; esto es, ek,n “ 0 si n ‰ k y ek,n “ 1 si n “ k.
11. Describa, en cada caso, el subespacio vectorial generado por los vectores indicados y el
espacio vectorial V dado.
a) u1 “ p1, 0, 1q, u2 “ p1, 1, 0q, u3 “ p2, 0, 0q; v1 “ p1, 1, 1q, v2 “ p´1, 1, 0q, v3 “ p1, 0, 0q.
b) u1 “ p1, 2, 1q, u2 “ p1, 1, 2q, u3 “ p2, 1, 0q; v1 “ p1, 1, 1q, v2 “ p´1, 1, 0q, v3 “ p0, 0, 0q.
202 Neptalı́ Romero
15. ¿Existen v1 , v2 , v3 P R3 , todos no nulos, tales que Sptv1 , v2 uq “ Sptv2 , v3 uq y sin embargo
Sptv1 , v2 uq ‰ Sptv1 , v3 uq? En caso afirmativo, muestre un ejemplo; de lo contrario,
explique al razón de tal imposibilidad.
16. Sean A, B P Mn pKq y C “ AB. Demostrar que cada fila de C pertence al espacio
generado por las filas de B; mientras que cada columna de C está en el espacio generado
por las columnas de A.
17. Sean A, B P Mmˆn pKq. Suponga que B es una forma escalonada equivalente por filas a
la matriz A y que en el proceso de escalonización no se intercambiaron filas. Demostrar
que si B tiene 0 ă r ă m filas nulas, demotrar que las últimas r filas de A pertencen a
SptAp1q , ¨ ¨ ¨ , Apm´rq uq. ¿Qué ocurre si en el proceso de escalonización para obtener a B
se emplean operaciones elementales por filas que intercambien filas?; esto es, ¿qué filas
de A se escriben como combinación lineal de las otras?
18. Sean A, B P Mmˆn pKq. Si Ap1q , ¨ ¨ ¨ , Apmq y Bp1q , ¨ ¨ ¨ , Bpmq son las filas de A y B respecti-
vamente, y SptAp1q , ¨ ¨ ¨ , Apmq uq “ SptBp1q , ¨ ¨ ¨ , Bpmq uq, entonces A y B son equivalentes
por filas.
19. Sean A, B P Mmˆn pKq equivalentes por filas, si B es una forma escalonada de A,
entonces SptAp1q , ¨ ¨ ¨ , Apmq uq “ SptBp1q , ¨ ¨ ¨ , Bprq uq, siendo Bp1q , ¨ ¨ ¨ , Bprq las filas no
nulas de B
21. Determinar un conjunto generador del espacio solución de cada uno de los sistemas de
ecuaciones lineales homogéneos que se indican:
$ $
& 2x ` y ´ z ` 2w “ 0
’ ’
& ix ` y ` z “ 0
4
a) x ´ 2y ´ w “ 0 ; en R . b) x ´ 2iy ´ z “ 0 ; en C3 .
’ ’
% 3y ` z ` 4w “ 0 % ´y ` p´1 ` iqz “ 0
24. Demuestre que la unión de dos subespacios es también subespacio si, y solo si, uno de
ellos está contenido en el otro.
26. Sea V un espacio vectorial sobre K. Demostrar que la intersección arbitraria de subes-
pacios vectoriales de V es también un subespacio vectorial de V.
Definición 5.6
Sea V un espacio vectorial sobre R. Dados dos vectores cualesquiera u, v P V (u ‰ v), se
denomina segmento de recta con extremos u y v al conjunto
28. Verificar que cada uno de los conjuntos que a continuación se muestran son conjuntos
convexos:
segmento
b) tpx, yq P R2 : 0 ď x ď 1, y y “ 0u.
c) Dadas constantes reales a, b, c con a2 ` b2 ą 0; los semiplanos cerrados de R2
tpx, yq P R2 : ax ` by ď cu y tpx, yq P R2 : ax ` by ě cu
Igualmente los semiplanos abiertos:
tpx, yq P R2 : ax ` by ă cu y tpx, yq P R2 : ax ` by ą cu.
33. Demostrar que el conjunto de puntos px, yq P R2 que satiafacen el sistema de inecua-
$
& a1 x ` b1 y ě c1
’
ciones lineales .. es un conjunto convexo de R2 .
’ .
%
am x ` bm y ě cm
Definición 5.7
Sea V un espacio vectorial sobre K. Un subconjunto no vacı́o U de V se dice:
α1 u1 ` ¨ ¨ ¨ ` αn un “ OV ùñ α1 “ ¨ ¨ ¨ “ αn “ 0. (5.9)
Demostración. Mostraremos las partes c) y e), las restantes se dejan al lector; observe
sin embargo que las dos primeras propiedades son consecuencias inmediatas del hecho que
αu “ OV si, y solamente si, α “ 0 o u “ OV .
206 Neptalı́ Romero
Demostración de c).
Para mostrar tanto la necesidad como la suficiencia procederemos por el contrarecı́proco.
Primero supongamos que (5.9) no se cumple; es decir, existen u1 , ¨ ¨ ¨ , un P U y escalares
α1 , ¨ ¨ ¨ , αn en K no todos nulos tales que α1 u1 ` ¨ ¨ ¨ ` αn un “ OV ; esto dice que U es LD.
Ahora supongamos que U es LD, luego existen u1 , ¨ ¨ ¨ , un P U y α1 , ¨ ¨ ¨ , αn P K no todos
nulos tales que α1 u1 ` ¨ ¨ ¨ ` αn un “ OV ; por lo que (5.9) no se cumple.
Demostración de e).
Supongamos por el absurdo que U es un subconjunto LI en V y que H ‰ W Ă U es LD.
Siendo ası́, existen vectores w1 , ¨ ¨ ¨ , wm P W y escalares β1 , ¨ ¨ ¨ , βm no todos nulos tales
que β1 w1 ` ¨ ¨ ¨ ` βm wm “ OV . Luego en U (W Ă U ) hay una colección finita de vectores
mediante la cual el vector nulo OV se escribe como una combinación lineal no trivial de
tales vectores; es decir, U es LD; lo cual es una contradicción.
Ejemplo 5.28
En Kn los vectores canónicos E1 , ¨ ¨ ¨ , En son linealmente independientes; de hecho la
ecuación vectorial
α1 E1 ` ¨ ¨ ¨ ` αn En “ p0, ¨ ¨ ¨ , 0q
Ejemplo 5.29
En Mmˆn pKq, el conjunto de las matrices canónicas Eij , i “ 1, ¨ ¨ ¨ , m y j “ 1, ¨ ¨ ¨ , n, son
linealmente independientes. En efecto, si suponemos que
m ÿ
ÿ n
α11 E11 ` ¨ ¨ ¨ ` α1n E1n ` ¨ ¨ ¨ ` αm1 Em1 ` ¨ ¨ ¨ ` αmn Emn “ αij Eij “ Omˆn ,
i“1 j“1
Ejemplo 5.30
En Pn pRq las funciones f0 , f1 , ¨ ¨ ¨ , fn : R Ñ R definidas, para cada x P R, por
Ejemplo 5.31
Sean v1 “ p1, 2, 2q, v2 “ p´1, 3, 0q, v3 “ p1, 7, 4q en R3 , deseamos saber si estos vectores
son o no linealmente independientes. Para ello necesitamos estudiar la ecuación
Ejemplo 5.32
Veamos ahora que u1 “ p1, 2, 1q, u2 “ p2, ´1, 3q, u3 “ p1, ´1, 2q son LI. Al igual que en
ejemplo anterior, después de plantearnos la ecuación
Dado que el rango de la matriz del sistema y el número de incognitas del sistema son
iguales, el sistema tiene solución única: la trivial, que es α “ β “ λ “ 0. Por tanto los
vectores u1 , u2 , u3 son linealmente independientes.
Ejemplo 5.33
El paralelismo de vectores en Rn es un caso particular de dependencia lineal. Recordemos
que dos vectores no nulos de Rn , u y v son paralelos si existe α ‰ 0 en R tal que u “ αv.
Obviamente de acá sigue que 1u ` p´αqv “ p0, ¨ ¨ ¨ , 0q, por lo que u y v son linealmente
dependientes.
Esta noción de paralelismo en Rn se extiende al cualquier espacio vectorial. Sea V un
K-espacio vectorial, dos vectores no nulos u, v en V se dicen paralelos si existe α P KztOV u
tal que u “ αv. Con esta noción general de paralelismo es claro que si dos vectores u, v en
V son paralelos, entonces LD. De hecho, no es difı́cil demostrar que dos vectores no nulos
u, v P V son LI si, y solo si, no son paralelos. Se dejan los detalles al lector.
§ Estrategia 1
Como bien es conocido, tal colección de vectores v1 , ¨ ¨ ¨ , vm es LD si, y solo si, existen
escalares α1 , α2 , ¨ ¨ ¨ , αm en K, no todos nulos, tales que
α1 pa11 , a21 , ¨ ¨ ¨ , an1 q ` α2 pa12 , a22 , ¨ ¨ ¨ , an2 q ` ¨ ¨ ¨ ` αm pa1m , a2m , ¨ ¨ ¨ , anm q “ p0, ¨ ¨ ¨ , 0q.
§ Estrategia 2
Esta estrategia para saber si un conjunto finito de vectores en Kn es o no LD, está ba-
sada en la determinación del rango de la matriz que tiene como filas a los vectores dados.
El siguiente lema es preciso al respecto.
Lema 5.1
Dada A P Mmˆn pKq, sus filas Ap1q , ¨ ¨ ¨ , Apmq son LD en Kn si, y solo si, rangopAq ă m.
Demostración. Supongamos que las filas de A son LD en Kn ; note que si una de ellas
es nula, entonces es obvio que el rango de A es menor que m. Por tanto supondremos que
todas las filas de A son no nulas. Dado que ellas son LD, la proposición anterior garantiza
que una de ellas es combinación lineal de las otras; sin perder generalidad supondremos
que que la última fila Apmq es combinación lineal de las restantes; por tanto existen ı́ndices
1 ď i1 ă ¨ ¨ ¨ ă is ă m y escalares no nulos α1 , ¨ ¨ ¨ , αs P K tales que
la matriz B obtenida tiene como última fila a Apmq ´ α1 Api1 q ´ ¨ ¨ ¨ ´ αs Apis q , que es nula
por hipótesis. Luego es claro que rangopAq ă m.
Supongamos ahora que rgpAq ă m. Si alguna fila de A es nula, entonces Ap1q , ¨ ¨ ¨ , Apmq
son LD; recuerde que todo conjunto de vectores que contenga al vector nulo siempre es LD.
Asumiremos entonces que todas las filas de A son no nulas. Sea B una forma escalonada
equivalente por filas a A. Dado que rgpAq ă m, B tiene por lo menos la última fila nula.
Esto significa que, salvo intercambio de filas, hay una fila en A, digamos Apjq , que al
aplicarle una secuencia finita de operaciones elementales por filas
con αk ‰ 0 y ik ‰ i para todo k “ 1, ¨ ¨ ¨ , s, tal fila se anula. Observe que la fila resultante
al aplicar tal secuencia de operaciones elementales por filas es Apjq ´α1 Api1 q ´¨ ¨ ¨´αs Apis q ,
la cual hemos dicho que es nula, es decir Apjq “ α1 Api1 q ` ¨ ¨ ¨ ` αs Apis q . Esto claramente
implica que las filas de A son LD.
Ejemplo 5.34
En R4 consideremos lo vectores:
deseamos saber si son LD; y además encontrar un conjunto LI que genere el mismo subes-
pacio vectorial que ellos generan. Siguiendo la estrategia 2, construimos una matriz cuyas
filas son los vectores dados y luego procedemos » a encontrar una formafi escalonada equiva-
1 1 1 ´1
— 2 2 2 ´2 ffi
lente por filas a tal matriz. Ası́ pues, sea A “ — ffi; observe que cada
— ffi
– 1 2 1 0 fl
´2 ´3 ´2 1
fila corresponde a uno de los vectores dados. Como:
» fi » fi » fi
1 1 1 ´1 1 1 1 ´1 1 1 1 ´1
— 0 0 0 0 ffi
ffi f2 ÐÑf3 — 0 1 0 1 ffi
ffi f4 Ñf4 `f2 — 0 1 0 1 ffi
— —
f2 Ñf2 ´2 f1
A ÝÝÝÝÝÝÝÝÝÝÑ — ffi ,
— ffi
ffi ÝÝÝÝÝÑ — ffi ÝÝÝÝÝÝÑ —
f3 Ñ f3 ´ f1 – 0 1 0 1 fl – 0 0 0 0 fl – 0 0 0 0 fl
f4 Ñ f4 ` 2 f1 0 ´1 0 ´1 0 ´1 0 ´1 0 0 0 0
entonces rgpAq “ 2, por lo que los vectores v1 , v2 , v3 , v4 son LD; además, dado que las filas
no nulas de la forma escalonada obtenida son v1 “ p1, 1, 1, ´1q y v3 “ p0, 1, 0, 1q, se tiene
que el subespacio de R4 generado por v1 , v2 , v3 y v4 , Sptv1 , v2 , v3 , v4 uq, es exactamente
igual al subespacio Sptv1 , v3 uq.
Índice alfabético
211
212 Neptalı́ Romero
matriz, 2 planos en R3
adjunta clásica, 99 ecuación cartesiana, 144
ampliada, 52 vector normal, 144
antihermitiana, 42 planos en Rn , 140
antisimétrica, 5 ecuación parmétrica, 140
canónica, 4 producto interno euclidiano, 122
cofactor, 84 producto vectorial, 144
cuadrada, 3 proyección ortogonal de vectores, 133, 134
traza, 200 puntos en Rn , 108
diagonal, 5 colineales, 141
diagonal por bloques, 44
elemental, 25 rango de una matriz, 31, 100
por columnas, 43 máximo, 32
escalar, 5 recta en Rn , 135
escalonada, 28 ecuación vectorial, 135
escalonada reducida por filas, 32 ecuación cartesiana, 139
hermitiana, 42 ecuación paramétrica, 135
identidad, 4 rectas paralelas, 156
igualdad, 3 Regla de Cramer, 96
inversa lateral, 45 Regla de Sarrus, 79
invertible, 20
sistema de ecuaciones lineales, 48
nilpotente, 39
compatible determinado, 52
no singular, 20
compatible indeterminado, 52
nula, 3
conjunto solución, 51
opuesta, 11
homogéneo, 49
ortogonal, 39, 103
espacio solución, 60, 187
por bloques, 43
generador mı́nimo, base, 60
producto, 16
no homogéneo, 49
rango, 31
no solubles, 52
simétrica, 5
soluble, 52
similares, 103 solución, 51
suma, 9 variables libres, 57
traspuesta, 8 subespacio generado, 190
triangular inferior, 5 subespacio vectorial, 185
triangular superior, 5 nulo, 186
unicolumna, 3 triviales, 186
unifila, 3 submatriz con ı́ndices F y C, 100
unitaria, 103
multiplicación de escalares y matrices, 9 Teorema de Pitágoras, 128
multiplicación de matrices, 15 traspuesta hermitiana, 42
Álgebra lineal: Nociones y propiedades elementales 213
vector, 114
coordenadas, 115
nulo, 115, 176
punto final, 114
punto inicial, 114
representante, 115
suma, 119
método del paralelogramo, 119
unitario, 127
vectores
ángulo entre, 130
canónicos, 115
con igual sentido, 118
con sentido opuesto, 118
equivalentes, 116
mutuamente ortogonales, 124
norma Euclidiana, 127
ortogonales, 124
paralelos, 117