Algebra Lineal Tec

1 de 180
Primer semestre
DIRECTOR DE LA FCA
Mtro. Tomás Humberto Rubio Pérez
SECRETARIO GENERAL
Dr. Armando Tomé González
––––
COORDINACIÓN GENERAL
Mtra. Gabriela Montero Montiel
Jefa del Centro de Educación a Distancia y
Gestión del Conocimiento
COORDINACIÓN ACADÉMICA
Mtro. Francisco Hernández Mendoza
FCA-UNAM
COORDINACIÓN DE MULTIMEDIOS
L.A. Heber Javier Mendez Grajeda
FCA-UNAM
–––
COAUTORES
Act. Alberto De La Rosa Elizalde
Lic. Juan Carlos Luna Sánchez
Act. Soledad Alicia Rivera Rosales
Mtra. Adriana Rodríguez Domínguez
Mtra. Guadalupe Adriana Sánchez Ramiro
REVISIÓN PEDAGÓGICA
Lic. Chantal Ramírez Pérez
Mayra Lilia Velasco Chacón
CORRECCIÓN DE ESTILO
Mtro. Carlos Rodolfo Rodríguez de Alba
DISEÑO DE PORTADAS
L.CG. Ricardo Alberto Báez Caballero
DISEÑO EDITORIAL
Mtra. Marlene Olga Ramírez Chavero
2 de 180
Primer semestre
.
Dr. Enrique Luis Graue Wiechers Mtro. Tomás Humberto Rubio Pérez
Rector Director
Dr. Leonardo Lomelí Vanegas Dr. Armando Tomé González

Secretario General Secretario General
Mtra. Gabriela Montero Montiel

Jefa del Centro de Educación a Distancia
y Gestión del Conocimiento / FCA
____________________________________________________________
Matemáticas I (Algebra lineal)

Apunte electrónico
Edición: agosto de 2017
D.R. © 2017 UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

Ciudad Universitaria, Delegación Coyoacán, C.P. 04510, México, Distrito Federal
Facultad de Contaduría y Administración

Circuito Exterior s/n, Ciudad Universitaria
Delegación Coyoacán, C.P. 04510, México, Distrito Federal.
ISBN: En trámite
Plan de estudios 2012, actualizado 2016.
“Prohibida la reproducción total o parcial de por cualquier medio sin la autorización escrita
del titular de los derechos patrimoniales”
“Reservados todos los derechos bajo las normas internacionales. Se le otorga el acceso no exclusivo
y no transferible para leer el texto de esta edición electrónica en la pantalla. Puede ser reproducido
con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección
electrónica; de otra forma, se requiere la autorización escrita del titular de los derechos patrimoniales.”
Hecho en México
3 de 180
Primer semestre
OBJETIVO GENERAL
Al término del curso el alumno aplicará la teoría del álgebra lineal en el
planteamiento y resolución de modelos matemáticos afines al área informática.
TEMARIO OFICIAL
(64 horas)
Horas
1. Sistemas de ecuaciones lineales 10
2. Espacios vectoriales 8
3. Transformaciones lineales 8
4. Producto interno 10
5. Matrices 8
6. Determinantes 8
7. Prácticas en laboratorio 12
4 de 180
Primer semestre
INTRODUCCIÓN
A LA ASIGNATURA
Las matemáticas constituyen una parte fundamental en la formación académica de
los estudiantes y profesionales de las Ciencias Sociales y más aún para los que se
encuentran en áreas en donde es necesario resolver problemas relacionados con
la producción, la organización, la toma de decisiones, etc. El álgebra lineal es la
rama de las matemáticas que estudia conceptos tales como vectores, matrices,
sistemas de ecuaciones lineales y en un enfoque más formal, espacios vectoriales,
y sus transformaciones lineales. Es un área que tiene
conexiones con muchas áreas dentro y fuera de las
matemáticas como análisis funcional, ecuaciones
diferenciales, investigación de operaciones, gráficas por
computadora, etc. La historia del álgebra lineal se remonta
a los años de 1843 cuando William Rowan Hamilton (de
quien proviene el uso del término vector) creó los cuaterniones; y en
1844 fue cuando Hermann Grassmann publicó su libro Die William Rowan Hamilton
lineale Ausdehnungslehre (La teoría lineal de extensión).
En la actualidad la herramienta fundamental de todo

estudiante, académico y científico, así como investigador es
la computadora, producto final (hasta ahora) de las
matemáticas junto al desarrollo informático.
5 de 180
Primer semestre
Hermann Grassmann
ESTRUCTURA CONCEPTUAL
6 de 180
Primer semestre
UNIDAD 1
Sistemas de
ecuaciones lineales
7 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno identificará los elementos que intervienen en el planteamiento y solución
de ecuaciones lineales.
TEMARIO DETALLADO
(10 horas)
1. Sistemas de ecuaciones lineales
1.1.Concepto
1.2.Ecuaciones lineales
1.3.Vectores, Matrices
1.4.Sistemas de m Ecuaciones con n incógnitas
1.5.Eliminación Gaussiana y Gauss-Jordan
1.6.Sistemas homogéneos
8 de 180
Primer semestre
INTRODUCCIÓN
La importancia del álgebra lineal para las
aplicaciones se ha elevado en proporción
directa al aumento del poder de las
computadoras, cada nueva generación de
equipo y programas de cómputo dispara una
demanda de capacidades aún mayores. Por
lo tanto, la ciencia de las computadoras está
sólidamente ligada al algebra lineal mediante
el crecimiento explosivo de los procesamientos paralelos de datos y los cálculos a
gran escala.
Aplicación en programación lineal. En la actualidad muchas decisiones

administrativas, importantes se toman con base en modelos de programación lineal
que utilizan cientos de variables. Por ejemplo, la industria de las aerolíneas emplea
programas lineales para crear los itinerarios de las tripulaciones de vuelo,
monitorear las ubicaciones de los aviones, o planear los diversos programas de
servicios de apoyo como mantenimiento, y operaciones en terminal.
Por tanto, el álgebra lineal es una herramienta muy

importante que utilizan los profesionales egresados de la
Licenciatura en Informática. En este caso, el punto de vista
de esta unidad se concreta a que el estudiante en
Informática debe saber lo siguiente:
9 de 180
Primer semestre
a) Tener una noción fundamental para definir y conceptualizar qué son
los Sistemas de Ecuaciones Lineales.
b) Reconocer las diversas formas y los diferentes tipos de

Sistemas de Ecuaciones Lineales.
c) Reconocer los diferentes tipos de solución de los Sistemas de

Ecuaciones Lineales .
d) Utilizar los diferentes métodos para resolver los sistemas de

ecuaciones lineales con la finalidad de utilizarlos en distintas
aplicaciones de los temas subsecuentes que comprenden la asignatura
10 de 180
Primer semestre
1.1. Concepto
Una gran cantidad de problemas que se presentan en las ciencias naturales, en las
ciencias sociales, así como en ingeniería y en ciencias físicas, tienen que ver con
ecuaciones que relacionan dos conjuntos de variables.
Una ecuación del tipo 𝑎𝑥 = 𝑏 que expresa la variable 𝑏 (variable independiente) en

términos de la variable 𝑥 (variable dependiente), se denomina ecuación lineal. El
término lineal expresa que la gráfica de la ecuación anterior es una línea recta.
Ejemplos:
4𝑥 = 2𝑦
−3𝑥1 + 9 = 12𝑥2
2𝑥 + 3𝑦 = 5
11 de 180
Primer semestre
1.2. Ecuaciones lineales
De manera análoga
existen muchas
situaciones
De manera análogaen existen
las
cuales
muchas se requiere
situaciones en las
relacionar
cuales más relacionar
se requiere de dos
más de variables
dos variables
independientes
independientes con lascon
cuales
puedelas cuales puede
satisfacer infinidad de
satisfacer
procesos y deinfinidad de
esta manera
procesos
obtener solucióny de esta
a diferentes
maneraenobtener
actividades algún área
solución a diferentes
específica de una empresa.
actividades en algún
área específica de una
empresa.
En este caso la representación de ecuaciones con más de dos incógnitas es la

siguiente:
Forma general de una ecuación con n variables:
𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏
Ejemplo:
3𝑥1 + 2𝑥2 − 6𝑥3 = 5
5𝑧 + 8𝑤 − 9𝑘 = 12
12 de 180
Primer semestre
Dónde:
𝑥1, 𝑥2 , 𝑥3 𝑦 𝑧, 𝑤, 𝑘
Son las variables de las ecuaciones, las cuales encontramos a través de métodos
algebraicos que estudiaremos más adelante.
1.3. Vectores, matrices

En el desarrollo de la humanidad ha habido diversos problemas que, en su
momento, han sido paradigmas a partir de los cuales se han obtenido avances muy
relevantes en el campo de las matemáticas. Empezando por conceptos como la
recta euclídea, que por medio de un número (x) define una ubicación única en la
recta.
En tanto que en el plano cartesiano se requiere de una pareja ordenada de números

(x, y) para poder determinar una ubicación específica en una superficie.
13 de 180
Primer semestre
Y en el espacio tridimensional se necesita de una terna ordenada de números (x, y,
z) para poder determinar la posición de un punto en el espacio.
A partir de estos escenarios se observó la posibilidad de enfrentar problemas en los

que ya no hay un equivalente físico o geométrico y para los que se construyeron
conceptos conocidos como estructuras o espacios vectoriales. La base de ellos es
el vector, que es un grupo de valores ordenados, distinguidos como n-tuplas, a partir
de los cuales se puede determinar otro valor de manera unívoca, su notación se
muestra a continuación:
𝑣 = (𝑎1 , 𝑎2 , … , 𝑎𝑛 )
En estas estructuras, meramente matemáticas, se relacionan de manera simultánea

las variables independientes (a1, a2,…, an) con otro valor dependiente de ellas (v).
Las nuevas estructuras matemáticas, sin embargo, mantienen cierta similitud con
modelos anteriormente desarrollados para problemas de menos variables; por
ejemplo, con la ecuación de una recta como la que se muestra a continuación:
4𝑥 = 2𝑦(a)
En ella se observa una variable libre, en este caso x, con una variable dependiente
y.
14 de 180
Primer semestre
Los vectores también pueden relacionarse con otros vectores y de esta forma tener
configuraciones denominadas sistemas de ecuaciones, que simultáneamente
requieren ser satisfechos, esto se denota de la siguiente forma:
𝑣 = (𝑎1 , 𝑎2 , … , 𝑎𝑛
𝑢 = (𝑏1 , 𝑏2 , … , 𝑎𝑏𝑛 ) (b)
𝑧 = (𝑚1 , 𝑚2 , … , 𝑚𝑛 )
Estas nuevas ecuaciones requieren la creación de un lenguaje y una estructura

matemática de soporte que permita desarrollar métodos para poder trabajar con
estos entes abstractos. Bajo estos arreglos, al grupo de variables independientes
{(a1, a2,…, an), (b1, b2, …, bn) … (m1, m2, …, mn)} se le puede descomponer, por medio
de un proceso multiplicativo (ver capítulo5), en dos elementos separados,
estableciendo así una estructura parecida a la presentada en la ecuación (a), y por
medio de esto reexpresar la ecuación (b) como se muestra a continuación:
𝑑1, 𝑑2, ⋯ 𝑑𝑛 𝑥1 𝑣
𝑥 𝑢
[ 𝑒1, 𝑒2, … 𝑒𝑛 ] [ 2 ] = [ ] (c)
… …
𝑝1, 𝑝2, ⋯ 𝑝𝑛 𝑥𝑛 𝑧
Al grupo ordenado de elementos (d1, d2, …p1...pn), distribuido como un arreglo de

renglones-columnas, y que se coloca entre corchetes, se le llama matriz de
coeficientes, en tanto los grupos ordenados por columna (x1,x2…xn) y (v,u,…z), son
nominados vector independiente y vector dependiente, respectivamente; a la
ecuación (c) se le conoce también como ecuación matricial lineal, por razones
obvias, y se denota con la siguiente ecuación:
𝐴 𝒙 = 𝒚(d)
15 de 180
Primer semestre
Donde A representa a la matriz de coeficientes (d1, d2, …p1...pn) y las letras x, y
representan en ese orden a los vectores independiente y dependiente.
Es importante resaltar las características mxn (renglones-columnas) de una matriz
o vector, ya que a partir de éstas será posible realizar operaciones matemáticas
entre ellos. A diferencia de los números reales, a los que siempre es posible
sumarlos, restarlos o multiplicarlos, en el caso de las operaciones entre matrices o
matriz-vector debe verificarse previamente su compatibilidad.
La compatibilidad se determina de la siguiente manera:
1) Para la operación de suma se requiere que el parámetro renglón columna

mxn (también conocido como orden de la matriz o vector), de ambos
elementos a sumar, sean idénticos.
2) En el caso de la multiplicación, la compatibilidad renglón-columna se verifica
de la siguiente forma: para que una matriz de coeficientes de orden mxn se
pueda multiplicar con otra matriz o vector, cualquiera de estos debe tener un
orden nxq (matriz) o nx1 (vector), de tal forma que al colocarlos en el orden
indicado por la multiplicación, las literales que describen los renglones y
columnas (o sus correspondientes números) contiguos deben de ser iguales,
en tanto que el orden renglones-columnas del resultado de la operación lo
proporcionan las literales (o números) no contiguos, esto se muestra a
continuación:
16 de 180
Primer semestre
Un ejemplo de multiplicación entre una matriz de coeficientes 3x3 y un vector
independiente 3x1, dan como resultado un vector dependiente 3x1, como se
muestra a continuación:
17 de 180
Primer semestre
𝐴𝑥 = 𝑦
2 −3 7 𝑥 8
[5 2 −1] [𝑦] = [−2]
1 −4 3 𝑧 3
3 × 𝟑𝟑 × 13 × 1
Para profundizar en el conocimiento de las propiedades matemáticas y los procesos

algorítmicos entre matrices y vectores se recomienda revisar el capítulo 5 de estos
apuntes.
El orden de una matriz se refiere a la pareja de números mxn que describen

el número de renglones y columnas presentes en una matriz o vector y que
es necesario conocer para poder determinar la compatibilidad para los
procesos de suma, resta y multiplicación de vectores y matrices.
Indicada la compatibilidad de matrices para las operaciones de suma y

multiplicación, es necesario indicar que, de manera general, la multiplicación de
matrices no es conmutativa, esto es, que dadas las matrices A y B tenemos:
AB ≠BA
A continuación, se resumen algunas propiedades del álgebra de matrices,

considerando que A, B y C son matrices en tanto que “k” y “q” son escalares.
1) A+B=B+A
2) A+(B+C) =(A+B) +C
3) A(BC)=(AB)C
4) A(B+C) =AB+AC
5) (B+C) A=BA+CA
6) k(A+B) =kA+kB
7) (k+q) A=kA+qA
8) (kq)A=k(qA)
18 de 180
Primer semestre
9) k(AB)=A(kB)
10) En términos generales AB≠BA
Para las propiedades algebraicas anteriormente listadas en las operaciones de

suma es indistinto cambiar el signo más (+) de suma por el signo menos (-) de resta.
Finalizamos mostrando una nomenclatura muy utilizada de vectores y matrices, así

como algunas propiedades algebraicas adicionales.
Vector renglón: [a1, a2, …an] Vector Columna:

a1
a2
Vector cero: [0, 0, …, 0] …
an
Matriz cero o nula de orden 3x3 Matriz identidad (I) de 2x2
0 0 0 1 0
0 0 0 0 1
0 0 0
Matriz triangular superior 3x3 Matriz triangular inferior 3x3
a b c a 0 0
0 d e b c 0
0 0 f d e f
Las Letras a-d-f forman la diagonal Las letras a-c-f forman la diagonal
principal de la matriz principal de la matriz
19 de 180
Primer semestre
Para toda matriz A existe una matriz –A tal que A+-A=0
2 5 -2 -5 0 0
1 8 -1 -8 0 0
Para toda matriz A existe una única matriz nula tal que A+0=A
2 5 0 0 2 5
1 8 0 0 1 8
1.4. Sistemas de m ecuaciones

con n incógnitas
Un sistema de m ecuaciones con n incógnitas se le representa como:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑧1 … (1)
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑧2 … (2)
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑧𝑚 … (𝑚)
Dónde:
𝑎11 , 𝑎12 , 𝑎21 , 𝑎22 … , 𝑎𝑚1 , 𝑎𝑚𝑛 𝑆𝑜𝑛 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠.
𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑆𝑜𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠
1,2,3 … , 𝑚 𝑆𝑜𝑛 𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑦 𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝑑𝑎𝑑𝑜 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑎𝑖𝑗 𝑙𝑜𝑠 𝑠𝑢𝑏𝑖𝑛𝑑𝑖𝑐𝑒𝑠 𝑖𝑗 𝑖𝑛𝑑𝑖𝑐𝑎𝑛
20 de 180
Primer semestre
𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑚𝑒𝑛𝑡𝑒 𝑒𝑙 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 𝑦 𝑙𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑒𝑛 𝑒𝑙 𝑞𝑢𝑒 𝑠𝑒 𝑢𝑏𝑖𝑐𝑎𝑛
𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜 𝑣𝑒𝑐𝑡𝑜𝑟
A diferencia de las ecuaciones lineales, en los sistemas de ecuaciones lineales

podemos encontrar diferentes tipos de solución, esto se muestra a continuación:
Determinados:
una sola solución
Compatibles:
si tienen solución
Indeterminados:
Sistemas de
ecuaciones lineales tienen infinidad de
Incompatibles: soluciones
no tienen solución
21 de 180
Primer semestre
1.5. Eliminación Gaussiana
y Gauss-Jordan
La eliminación Gauss-Jordan de un sistema

de 𝑚 ecuaciones y 𝑛 incógnitas es una
metodología que permite determinar si
existe un grupo de valores
𝑥2 , 𝑥2 , … , 𝑥𝑛1 que sean solución de un
sistema de ecuaciones.
Como ya se ha mencionado al sistema de m

ecuaciones con n incógnitas se le
representa como:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑧1 … (1)
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑧2 … (2)
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑧𝑚 … (𝑚)
Donde 1,2,3, … , 𝑚 son las ecuaciones y 𝑥1 , 𝑥2, … , 𝑥𝑛 son las variables independientes
de las ecuaciones.
22 de 180
Primer semestre
El método Gauss-Jordan
El método de eliminación Gauss-Jordan consiste en

representar primeramente el sistema de ecuaciones
por medio de una matriz, y a partir de ésta obtener lo
que se define como la matriz escalonada
equivalente, a través de la cual se determina el tipo
de solución de la ecuación. Un tipo de matriz
escalonada se representa en la forma siguiente:
1 0 0
[0 1 0]
0 0 1
El procedimiento de escalonamiento de la matriz se realiza mediante la aplicación

de tres operaciones permitidas por el método y éstas se indican a continuación:
1.- Intercambio de renglones
2.- Multiplicar un renglón por cualquier número real, diferente de cero
3.- Multiplicar un renglón por un número real y luego sumarlo con otro
renglón.
Nota: no es válido multiplicar o sumar entre columnas.
Ejemplo 1:
𝑥2 − 4𝑥𝑎 = 8
2𝑥1 − 3𝑥2 + 2𝑥𝑎 = 1
23 de 180
Primer semestre
5𝑥1 − 8𝑥2 + 7𝑥𝑎 = 1
Determine si el siguiente sistema es compatible o incompatible.
Solución: el método requiere incluir en una sola matriz todos los valores numéricos
del sistema de ecuaciones, como se indica en seguida:
0 1 −4 8
[2 −3 2 1]
5 −8 7 1
La matriz anterior se denomina matriz aumentada del sistema, e incluye tanto a la

matriz de coeficientes como el vector de valores dependientes en su estructura.
Para desarrollar el método y obtener la matriz escalonada, el procedimiento

considera la selección de un pivote. Este elemento se escoge de tal forma que
mediante la aplicación de las operaciones permitidas se vayan eliminando los
elementos debajo de él y así ir generando la matriz escalonada. En este caso se
intercambian los renglones 1 y 2 de la matriz, una vez hecho esto seleccionaremos
del primer renglón el valor 2 correspondiente a la variable 𝑥1 , del sistema de
ecuaciones original, esto se ilustra seguidamente:
2 −3 2 1
[0 1 −4 8]
5 −8 7 1
Una vez escogido el pivote se eliminará el término 5 del tercer renglón; esto se logra
multiplicando el primer renglón por (-5/2) y luego se suma con el tercero:
−5
2 −3 2 1
𝑅 +𝑅3
2 1
→ [0 1 −4 8 ]
0 −1/2 2 −3/2
24 de 180
Primer semestre
Es importante notar que el proceso indicado se realiza solamente para afectar el
tercer renglón ya que el renglón uno, como se observa, queda como originalmente
se planteó. Por claridad es común indicar con Ri las operaciones realizadas entre
renglones, pero esta situación no es obligatoria.
Una vez que se hizo cero a los elementos bajo el pivote inicial (2), ahora se toma
como nuevo pivote el valor 1 de la izquierda en el segundo renglón, se multiplica el
renglón dos por (½) y se suma con el renglón tres:
1 2 0 −10 25
𝑅 +𝑅
2 2 3
→ [0 1 −4 8 ]
0 0 0 5/2
Después de realizar las operaciones permitidas por el método de Gauss, el tercer

renglón ha quedado, de acuerdo a los coeficientes que se observan en el tercer
renglón de la matriz, como: 0x1 + 0x2 + 0x3 = 5/2 o 0 = 5/2 , desde luego
esta ecuación nunca es verdadera, por lo que se concluye que el sistema original
es incompatible, es decir, no tiene solución.
25 de 180
Primer semestre
Ejemplo 2:
Dado el siguiente sistema de ecuaciones lineales, representado por su matriz

aumentada, indique por el método de Gauss si es compatible o incompatible:
1 0 2/3 8/3
[0 1 0 2 ]
0 0 1 10
Solución: tomamos como pivote el valor 1 del tercer renglón, entonces a este
renglón lo multiplicamos por (-2/·3) y lo sumamos con el primer renglón:
2 1 0 2/3 8/3 1 0 0 −4
− 𝑅3 +𝑅1
3
→ [0 1 0 2 ] → [0 1 0 2]
0 0 1 10 0 0 1 10
Así se obtiene la matriz escalonada de la derecha, en la cual podemos observar que

el sistema de ecuaciones es compatible y los valores que satisfacen la ecuación
matricial se obtienen directamente:
𝑋 = −4, … . . 𝑌 = 2, … . 𝑍 = 10
Es importante indicar que el proceso de escalonamiento sobre la matriz aumentada

solo se realiza considerando la parte correspondiente a la matriz de coeficientes,
esto es, que el escalonamiento no se lleva a cabo sobre el vector independiente,
aunque este sí se ve afectado por todas las operaciones realizadas por el método
de Gauss.
26 de 180
Primer semestre
El método de Gauss mostrado es un
procedimiento que simplifica y acelera Una liga que se recomienda
notoriamente la obtención de la para practicar y fortalecer los
conocimientos vistos en este
solucione de un sistema de
apartado se encuentra en la Red
ecuaciones, y es además un método Universitaria de Aprendizaje en:
que facilita el desarrollo de algoritmos
http://fcasua.contad.unam.mx/cl
por computadora y, por tanto, es de ases_virtuales/informatica/1168/
amplio uso en la práctica profesional. sesion_02/player.html
1.6. Sistemas homogéneos

Los sistemas de ecuaciones homogéneos están dados por la siguiente expresión:
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 0
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 0
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + 𝑎𝑚3 𝑥3 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 0
En forma matricial el sistema se escribe como:
𝐴𝑥 = 0
Es importante indicar que todo sistema homogéneo siempre tiene la solución trivial,
x=0 como se indica a continuación:
27 de 180
Primer semestre
𝑥1 = 𝑥2 = 𝑥3 … = 𝑥𝑛 = 0𝑋 = −4, … . . 𝑌 = 2, … . 𝑍 = 10
Sin embargo, es posible que el sistema tenga soluciones diferentes a la trivial; en

este punto es conveniente recordar que un sistema compatible de ecuaciones
puede tener una o múltiples soluciones. Un ejercicio relacionado lo mostramos
abajo:
Ejemplo 3. Obtener la solución del sistema homogéneo:
𝑥 + 2𝑦 + 3𝑧 = 0
−𝑥 + 3𝑦 + 2𝑧 = 0
2𝑥 + 𝑦 − 2𝑧 = 0
1 2 3 0
[−1 3 2 0]
2 1 −2 0
En las figuras anteriores se muestra el sistema original de ecuaciones y la matriz

aumentada, en esta última se aplicará el metodo de Gauss-Jordan.
A continuación se muestran los diferentes pasos para obtener la matriz escalonada,

asociada al sistema de ecuaciones:
a) 𝑅1 + 𝑅2
b) −2R1 + 𝑅3
1
c) 𝑅2
5
d) 3 𝑅2 + 𝑅3
1
e) 𝑅3
5
28 de 180
Primer semestre
1 2 3 0
a)[0 5 5 0]
0 −3 −8 0
1 2 3 0
𝑏), 𝑐) [0 1 1 0]
0 −3 −8 0
1 0 1 0
𝑑) [0 1 1 0]
0 0 −5 0
1 0 0 0
𝑒) [0 1 1 0]
0 0 1 0
1 0 0 0 𝑥=0
[0 1 0 0] 𝑦 = 0
0 0 1 0 𝑧=0
De lo que se desprende que el sistema propuesto solo tiene la solución trivial:
𝑥=𝑦=𝑧=0
Es apropiado mencionar que para este tipo de sistemas de ecuaciones es posible

reducir la matriz aumentada a la matriz de coeficientes, ya que, como se observa
tras el desarrollo, la última columna solo tiene ceros, sin embargo, la matriz
aumentada se ha dejado “completa” con el fin de facilitar una aplicación general del
método de Gauss, en especial considerando la obtención de las soluciones por
medio de programas de cómputo.
29 de 180
Primer semestre
El Método de Gauss Jordán es uno de los métodos más
versátiles del algebra lineal, ya que tiene diversas
aplicaciones directas en los sistemas de ecuaciones
lineales, en inversión de matrices, evaluación de
determinantes e independencia lineal. Así mismo es uno
de los métodos que mejor se adapta a ser aplicado por
métodos computacionales, razón por la cual es de sumo
interés en nuestro campo de acción: la informática.
30 de 180
Primer semestre
RESUMEN
Hoy en día existen muchas situaciones en las cuales se requiere calcular valores
para diferentes incógnitas que conforman los “Sistemas de Ecuaciones Lineales” a
fin de que satisfagan al sistema. Los Sistemas de Ecuaciones Lineales son
generados de acuerdo con las condiciones en que se dan las variables
experimentales de un problema o proceso en
estudio. Para la obtención de estos
valores existen diversas metodologías,
como el método de Gauss-Jordan
mostrado, que permiten resolver el sistema
propuesto y en esta variedad de recursos
es donde tiene su mayor importancia el
“álgebra lineal”.
Actualmente, las empresas requieren usar

frecuentemente estos recursos debido a que están conformadas internamente por
diversas áreas de análisis, en donde se toman de manera constante decisiones que
forman parte de los planes de desarrollo y crecimiento de las organizaciones.
31 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Kolman, Bernard y Hill, David R. (2006). Álgebra lineal (Octava Edición). México:
Pearson Prentice Hall, 648 pp.
Poole, David (2004). Álgebra lineal: Una introducción moderna. México: Thomson,
763pp.
Sitios electrónicos
Red Universitaria de
Aprendizaje. Clase virtual
Matemáticas I, tema Sistema
http://fcasua.contad.unam.mx/clases_virtuales/informati
ca/1168/sesion_02/player.html
de ecuaciones lineales, sesión
02: Sistemas de m ecuaciones
con n incógnitas. Eliminación
Gaussiana y Gauss-Jordan.
Plataforma de aprendizaje en
https://www.vitutor.com/algebralineal.html línea con contenidos de
álgebra lineal
32 de 180
Primer semestre
UNIDAD 2
Espacios vectoriales
33 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno identificará los elementos y propiedades de los espacios vectoriales.
TEMARIO DETALLADO
(8 horas)
2. Espacios vectoriales
2.1. Definición y propiedades básicas
2.2. Subespacios2
2.3. Bases ortonormales y proyecciones en “R2”
34 de 180
Primer semestre
INTRODUCCIÓN
En diversas ramas de la ingeniería y de las ciencias es común encontrar problemas
en los que se relacionan factores que entre sí tienen una completa representación
física y geométrica. Tal es el caso de un punto dentro de un horno en un proceso
industrial y en el que por medio de relacionar las variables de altura, profundidad,
anchura y temperatura se puede definir vectorialmente la condición de cada punto
en su interior. Sin embargo, en el planteamiento de diversos problemas de la
administración, la contabilidad y la informática, cuando se requiere relacionar los
factores que conforman un problema dado, no siempre es posible obtener un
escenario físico o geométrico equivalente. La situación anterior fue un entorno
común en diversas disciplinas de las ciencias sociales y administrativas, hasta que
se pudo establecer una relación matemática de equivalencia entre lo que es un
espacio de variables físicas y un espacio de variables conceptuales, a través de los
conceptos de vector y espacio vectorial.
Este hecho y la posibilidad de contar con un conjunto de herramientas matemáticas

de análisis ya desarrolladas para las ciencias y las ingenierías, ha permitido un
avance sorprendente en disciplinas de nuestro campo de interés. En este capítulo
abordaremos algunas de estas ideas y conceptos.
Simbología y convenciones para este capítulo
Una letra minúscula o número en negritas representa un vector: v, w, 0, 1, etc.

Ri representa un espacio vectorial, donde i puede ser un número o una letra.
Una letra mayúscula representa un subconjunto de Ri: G, S, etc.
35 de 180
Primer semestre
2.1. Definición y propiedades
básicas
En el campo de las matemáticas el concepto de vector, como vimos en la unidad 1,
se refiere a un conjunto ordenado de números que se representan por medio de una
n-tupla (a1, a2..., an) dada; así mismo al conjunto de todas las posibles n-tuplas
ordenadas se le denomina espacio cartesiano de n dimensiones y se representa por
Rn. En el caso de n=2 se llama plano o superficie cartesiana y para n=3 se tiene un
espacio como en el que nos desenvolvemos los humanos; para ambos casos, de
manera correspondiente, a las n-tuplas se les nomina par ordenado de números y
terna ordenada de números.
Un punto de interés acerca de los espacios vectoriales es la idea de dimensión (ver

unidad 4). Esta versa sobre el hecho de una variable que es independiente de
cualquier otra; la situación la podemos ejemplificar claramente en un espacio de tres
dimensiones R3como en el que vivimos y que cuenta con altura, profundidad y
anchura y en donde ninguna de las variables depende, o queda determinada, por la
estipulación de cualquiera de las otras.
A partir de las ideas anteriormente expuestas procedemos a definir el concepto

matemático de Espacio Vectorial Rn. Éste, como ya se mencionó, es el conjunto de
todos los vectores o n-tuplas posibles sobre las que se definen las operaciones de
suma de vectores y multiplicación por un escalar. Para nuestro caso particular la
suma entre dos vectores v = (v1, v2, …vn) y w = (w1, w2, …, wn) del espacio vectorial
Rn se define como:
36 de 180
Primer semestre
𝑣 + 𝑤 = 𝑣1 , 𝑣2 , … , 𝑣𝑛 + 𝑤1 , 𝑤2 , … , 𝑤𝑛
= (𝑣1 + 𝑤1 , 𝑣2 + 𝑤2 , … , 𝑣𝑛 + 𝑤𝑛 )
Es decir, sumando componente a componente cada uno de los elementos de un

vector, por ejemplo, para los vectores v1= (3, 0,4) y v2= (2, 1,5), la suma v1+v2:
𝑣1 + 𝑣2 = 3,0,4 + 2,1,5 = 3 + 2,0 + 1,4 + 5 = (5,1,9)
En tanto, el producto por un escalar k:
𝑘𝑣 = 𝑘 𝑣1 , 𝑣2 , … , 𝑣𝑛 = 𝑘𝑣1 , 𝑘𝑣2 , … , 𝑘𝑣𝑛
Ejemplo, dado el escalar k=5 y el vector v= (2, 0,4) el producto kv es:
𝑣 = 5 2,0,4 = 5 × 2,5 × 0,5 × 4 = (10,0,20)
Adicionalmente, se debe cumplir que para cualesquiera vectores u, v, w de Rn y

escalares, k y q de los números reales, se satisfacen las siguientes propiedades:
i) 𝒗 + 𝒘 también es un elemento de𝑅 𝑛

ii) 𝒗+𝒘=𝒘+𝒗
iii) (𝒗 + 𝒘) + 𝒖 = 𝒗 + (𝒘 + 𝒖)
iv) Existe un vector 0, tal que 𝟎 + 𝒗 = 𝒗 + 𝟎 = 𝒗
v) Para todo vector v, existe un vector denominado –v, tal que v+(-v) =0
vi) Para todo k perteneciente a los números reales se cumple que kv también
pertenece a 𝑅 𝑛
vii) 𝒌(𝒗 + 𝒘) = 𝒌𝒗 + 𝒌𝒘
viii) (𝒌 + 𝒒)𝒗 = 𝒌𝒗 + 𝒒𝒗
ix) 𝒌(𝒒𝒗) = (𝒌𝒒)𝒗
x) para el escalar 1 se cumple que 1v=v
37 de 180
Primer semestre
Es importante resaltar que las propiedades listadas son puramente matemáticas,
pero solamente a través de la verificación del cumplimiento de todas ellas, será
posible aplicar en nuestros problemas reales de estudio las herramientas del
álgebra lineal, que serán revisadas en capítulos posteriores, de ahí la relevancia de
definirlas.
Un espacio vectorial V es un conjunto de n-tuplas, denominados vectores,

sobre los que se definen las operaciones de adición de vectores y
multiplicación por un escalar y cumplen un conjunto de 10 propiedades
básicas.
38 de 180
Primer semestre
2.2. Subespacios
Subespacio vectorial
El concepto se refiere al hecho en el que un subconjunto particular de vectores

G, perteneciente a un espacio vectorial R𝑛 , por sí mismo puede ser un espacio
vectorial, bajo las operaciones de suma de vectores y multiplicación por un
escalar definido en R𝑛 .
Un par de condiciones matemáticas suficientes para determinar si un

subconjunto de vectores G perteneciente al espacio vectorial Rn es un
subespacio vectorial de éste, están dadas por:
1) Si v, w son vectores de G, entonces (𝑣 + 𝑤) también es un vector de G

2) Sí k𝑘 es un escalar de los números reales, entonces 𝒌𝒗 también es un
elemento de G
Un par de condiciones matemáticas suficientes para determinar si un

subconjunto de vectores G pertenecientes al espacio vectorial R, es un
subespacio vectorial de éste, están dadas por el concepto de cerradura,
esto es, que bajo la suma y multiplicación por un escalar los vectores
resultantes pertenecerán también al conjunto G.
39 de 180
Primer semestre
Ejemplo:
Considere el conjunto de todos los vectores G del plano cartesiano𝑅 2 , tal que todo
vector 𝑣 = (𝑥, 𝑦) cumple que el signo del elemento x es igual al signo del elemento
y.
Para determinar si G es un subespacio vectorial, tomaremos un par de vectores v,

w para verificar las condiciones anteriormente enunciadas.
i) 𝑣 + 𝑤 = (𝑥, 𝑦) + (𝑥1 + 𝑦1 ) = (𝑥 + 𝑥1 , 𝑦 + 𝑦1 ) debe pertenecer a G

ii) 𝑘𝑣 = 𝑘(𝑥, 𝑦) debe pertenecer a G
La parte más sencilla de verificar es la del inciso ii) ya que 𝑘𝑣 = (𝑘𝑥, 𝑘𝑦)
Sí 𝑘 > 0; 𝑥, 𝑦 serán ambas del mismo signo y pertenecen a G
Sí 𝑘 < 0; 𝑥, 𝑦 también tendrán el mismo signo y pertenecen a G
Para el caso de i) es conveniente ir verificando su pertenencia a G para diferentes

conformaciones de los vectores, y así comprobar que tanto xi como yi, cumplen con
el requisito, esto es, tener el mismo signo.
Para probarlo tomaremos como primera opción los vectores 𝑣 = (3,5), 𝑤 =

(−5, −3)que pertenecen a G.
Al sumarlos obtendremos:
𝑣 + 𝑤 = 3,5 + −5, −3 = 3 − 5 , 5 − 3 = (−2,2)
De este resultado observamos que el signo de “x” es diferente al de “y”, por lo que
G no es un subespacio vectorial bajo la suma de vectores.
40 de 180
Primer semestre
Es conveniente remarcar que todo espacio vectorial V tiene por lo menos
dos subespacios vectoriales de manera ineludible, éstos son el mismo
espacio vectorial V, ya que por las propiedades lógicas de los conjuntos
todo conjunto es un subconjunto de sí mismo; en tanto que el segundo
subespacio vectorial está dado por G= {0}, también conocido como
subespacio trivial. Estos dos subespacios cumplen con las propiedades de
dimensión enunciadas por la ecuación (a) en la página 54 del capítulo 3 de
estos apuntes.
41 de 180
Primer semestre
2.3. Bases ortonormales y
proyecciones en “R2”
En el ámbito de los vectores es interesante notar a partir de la propiedad i) (inciso
2.1) de los espacios vectoriales, que todo vector u del espacio vectorial Rn puede
ser expresado por la suma de otros vectores del mismo espacio estudiado. Este
hecho se ilustra en la siguiente figura, en un espacio R2.
Bajo esta óptica, y retomando los conocimientos de la trigonometría, podemos

escribir que para todo triángulo de lados s,t,u se cumple que la magnitud de sus
lados está dada por la ecuación:
𝑢2 = 𝑠 2 + 𝑡 2 − 2 𝑠𝑡 cos 𝜃 (a)
Esta expresión es también conocida como ley de los cosenos o generalización del
teorema de Pitágoras y es una ecuación de uso general, sin embargo, para su
aplicación se requiere saber tanto las características propias de los vectores s,t,
así como el ángulo θ que estos forman y su evaluación en la función coseno.
42 de 180
Primer semestre
Dada esta posibilidad de poder expresar todo vector u como la suma de
cualesquiera vectores, entonces sería conveniente poder escoger aquellos vectores
que faciliten la realización de las operaciones numéricas relacionadas a la obtención
de éste. Si observamos la expresión (a) podemos notar que entonces sería
deseable que el término (-2(st)(cosΘ)) se anulara y de esta forma solo requeriríamos
conocer las características básicas de los vectores s,t reduciendo de esta manera
la necesidad de información y de operaciones necesarias para poder determinar el
vector u. Esto es posible si consideramos la opción de que los vectores s,t sean
𝜋
perpendiculares (θ = 2 , (cos 𝜋/2) = 0)entre sí y de esta forma poder obtener el
vector u a partir del teorema de Pitágoras, situación que se muestra en la siguiente

figura en el plano (R2).
De la figura observamos que los vectores s y s´ son proporcionales (colineales)

entre sí y se relacionan por la expresión:
𝑠´ = 𝑘𝑠, donde 𝑘 es una constante
En tanto, los vectores 𝑠´ y 𝑡 ′ , como habíamos propuesto, son perpendiculares

entre sí (θ=90°=𝜋/2),por lo que la ecuación que ahora relaciona los vectores 𝑠´, 𝑡´,
𝑢 está dada por el teorema de Pitágoras para los triángulos rectángulos, y se
enuncia a continuación:
43 de 180
Primer semestre
𝑢2 = 𝑠´2 + 𝑡´2
Dado también que:
𝑢 = 𝑠´ + 𝑡´(b)
Ahora si hacemos la consideración que el vértice formado por u y s´ es el origen de

coordenadas (𝑥, 𝑦)en el plano cartesiano𝑅 2 , podemos expresar a u como:
𝑢 = 𝑠´, 𝑡´ = (𝑘𝑠, 𝑡´)
Si tomamos la expresión (b) anteriormente enunciada y realizamos una operación

algebraica vectorial en donde hagamos el producto punto (ver sección 4.2 de estos
apuntes) del vector s en ambos lados de (b), observaremos:
𝑢 ∙ 𝑠 = 𝑠´ ∙ 𝑠 + 𝑡 ′ ∙ 𝑠 = 𝑘𝑠 ∙ 𝑠 + 0 = 𝑘 ǁ𝑠ǁ2 (c)
44 de 180
Primer semestre
Recordando que como s y t´ son perpendiculares, de la sección 4.2 sabemos que
𝑡 ′ ∙ 𝑠 = 0 ydespejando 𝑘 de (c):
𝑢∙𝑠
𝑘= (𝑑)
ǁ𝑠ǁ2
De la ecuación (d) debemos notar que k es un valor escalar ya que tanto el producto
2
punto (𝒖 ∙ 𝒔) como la norma al cuadrado de s(ǁ𝑠ǁ )son valores escalares (ver
sección 4.2) y, por tanto, su cociente es un valor escalar, tal como se propuso
originalmente.
Sustituyendo el valor de 𝑘en𝒔´ = 𝒌𝒔 tenemos.
𝑢∙𝑠
𝑠´ = 𝑠 (e)
ǁ𝑠ǁ2
Regresando a la expresión (b) y despejando t´
𝒖 = 𝒔′ + 𝒕′ (b)
𝒖∙𝒔
𝒕′ = 𝒖 − 𝒔′ = 𝒖 − 2
𝒔
𝒖∙𝒔 ǁ𝒔ǁ
𝒕′ = 𝒖 − 𝒔 (𝑓)
ǁ𝒔ǁ2
Las expresiones (e) y (f) nos permiten que, dados dos vectores 𝒖 y s en 𝑅 𝑛 ,
descomponer a u en dos vectores de proyección 𝑠 ′ ,𝑡 ′ , ortogonales
(perpendiculares) entre sí.
45 de 180
Primer semestre
Dados dos vectores U y S es posible descomponer a U como la suma de dos
vectores ortogonales S’ y t’ haciendo que:
𝑢∙𝑠
𝑠′ = 𝑠
ǁ𝑠ǁ2 𝑢 ∙ 𝑠
𝑡′ = 𝑢 = 𝑠
ǁ𝑠ǁ2
Para ilustrar la aplicación del concepto y el procedimiento, presentamos el siguiente

ejemplo en 𝑅 2 .
Ejemplo. Considere los vectores 𝒖 = (4,3) y el vector 𝒔 = (2,1), descomponga 𝒖 en

dos proyecciones ortogonales 𝒔´, 𝒕´.
46 de 180
Primer semestre
De la expresión (e) tenemos que:
𝑢∙𝑠
𝑠′ = 𝑠
ǁ𝑠ǁ2
1)
𝑢∙𝑠 4,3 2,1 4×2+3×1 11

𝑘= = = = = 𝑘 (valor escalar)
ǁ𝑠ǁ2 22 +12 5 5
2)
𝑢∙𝑠 11 2 1 22 11
2
𝑠= 2,1 = 11 × , 11 × = , = 4.4,2.2 = 𝑠 ′
ǁ𝑠ǁ 5 5 5 5 5
y el vector t´ está dado por (f):
𝒖∙𝒔
𝒕′ = 𝒖 − 𝒔 = 4,3 − 4.4,2.2 = 4 − 4.4,3 − 2.2 = (−0.4,0.8)
ǁ𝒔ǁ2
Resumiendo,
𝑠 ′ = 4.4, 2.2
𝒕′ = (−0.4, 0.8)
Comprobando que s´y t´ son ortogonales por medio del producto punto:
47 de 180
Primer semestre
𝑡 ∙ 𝑠 ′ = −0.4,0.8 ∙ 4.4,2.2 = −0.4 × 4.4 + 2.2 × 0.8
= −1.76 + 1.76 = 0
De esta forma se comprueba que t´, s son ortogonales entre sí, además se
cumple que:
𝒖 = 𝒔′ + 𝒕′ = 4.4,2.2 + −0.4,0.8 = 4.4 − 0.4,2.2 + 0.8 = (4,3)
En esta sección obtuvimos los elementos para que dados dos vectores en Rn se
obtenga un par de vectores ortogonales a uno de ellos; este procedimiento es
conocido como proyección ortogonal de vectores y es suficiente para obtener una
base ortogonal de vectores en un plano cartesiano (R2), sin embargo, para obtener
una base similar de vectores para espacios de mayores dimensiones (Rn) es
necesario establecer una generalización del procedimiento aquí aplicado, esta
generalización se abordará en el capítulo 4 de estos apuntes.
Otra idea que se tratará en este apartado se refiere al concepto de bases

ortonormales. Esta se asocia a un conjunto de vectores H pertenecientes a Rn, por
medio de los cuales es posible obtener cualquier otro vector del espacio Rn al que
pertenecen; además, los vectores de H presentan las características de que todos
sus elementos son perpendiculares entre sí y la longitud o norma de cada vector del
conjunto es unitaria, esto se define matemáticamente a continuación.
Dado un conjunto de vectores 𝐻 = {𝑤1 , 𝑤2 , … , 𝑤𝑛 } de un espacio vectorial 𝑅 𝑛 se

dice que este conjunto de vectores es una base ortonormal de 𝑅 𝑛 si cumple que:
i) Cualquier vector u perteneciente a Rn se puede representar como una

combinación lineal de los elementos de H, esto es:
𝑢 = 𝑘1 𝑤1 + 𝑘2 𝑤2 + ⋯ + 𝑘𝑛 𝑤𝑛 donde 𝑘𝑖 son valores escalares
48 de 180
Primer semestre
El producto punto (ver sección 4.2) para cualesquiera dos vectores 𝒘𝒊, 𝒘𝒋 de H es
igual a cero:
𝒘𝒊 · 𝒘𝒋 = 𝟎
ii) La longitud o norma (ver sección 4.2) del vector 𝒘𝒋 = (𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏 ),

denotada por‖𝑤𝑗 ‖y obtenida a partir de la siguiente ecuación, es 1:
𝒘𝒋 = (𝒂𝟏𝟐 +𝒂𝟐𝟐 + ⋯ + 𝒂𝒏𝟐 ) = 𝟏
La ventaja de contar con un grupo de vectores ortonormales se debe a que muchas

de las operaciones en los algoritmos que se desarrollarán posteriormente (y que
también se utilizan en fórmulas como las indicadas en los incisos (c) a (f) de este
tema) se simplifican al generar algunos elementos nulos (ceros), lo que disminuye
ampliamente tanto el número de operaciones, así como su complejidad y de esta
forma se obtienen de manera más rápida y fácil los resultados buscados en los
problemas abordados; con este tipo de vectores también es posible mejorar la
interpretación de resultados al tener en muchos casos elementos de evaluación de
tipo escalar (números) en vez de vectores, particularmente para los casos de
dimensiones mayores a tres, en los cuales ya no es posible o conveniente tener
interpretaciones físicas o geométricas.
Un conjunto de vectores G se dice

que es una base de un espacio
Un conjunto de vectores H se dice
vectorial Rn, si es linealmente
que es Ortonormal si todos sus
independiente (ver capítulo 4) y por
elementos son perpendiculares
medio de combinaciones lineales
entre sí y la norma o tamaño de
de sus elementos puede generar
cada uno es igual a 1.
cualquier otro vector perteneciente
al espacio vectorial Rn.
49 de 180
Primer semestre
Una liga que se recomienda para practicar y fortalecer los conocimientos
vistos en este apartado se encuentra en la Red Universitaria de Aprendizaje
en:
http://fcasua.contad.unam.mx/clases_virtuales/informatica/1168/sesion_10/pl
ayer.html
50 de 180
Primer semestre
RESUMEN
La potencia de análisis que proporciona el álgebra lineal es un recurso que no debe
ser desaprovechado por las disciplinas de nuestro campo de estudio, sin embargo,
antes de poder aplicar sus métodos es necesario determinar para nuestros
problemas las características vectoriales de sus entornos y su espacio de acción
(esto es, el espacio vectorial); asimismo, poder operar con conjuntos reducidos o
muestras de estos escenarios (subespacios vectoriales),ya que en ocasiones están
constituidos por una gran cantidad de elementos y casos, para finalmente establecer
las bases de análisis (bases ortonormales) que nos permitirán modelar, resolver y
analizar matemáticamente de una forma más rápida, fácil y sólida los diversos
problemas que abordaremos en la práctica profesional.
Es importante remarcar que, pese a su aparente aridez, dada su formalidad

matemática, es de suma importancia aprender acerca de los espacios vectoriales
y, en general, del algebra lineal, para hacernos del lenguaje matemático asociado y
de su simbología, con el fin de poder aplicar a nuestros problemas profesionales un
amplio arsenal de herramientas matemáticas que potenciarán, facilitarán y
acelerarán nuestras capacidades de análisis y desarrollo, lo que redundará, sin
duda, en ampliar nuestro espectro de oportunidades laborales.
51 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Howard, Anton. (1983). Introducción al álgebra lineal (sexta edición). México:

Limusa.
Matemáticas I, tema II
Espacios vectoriales, sesión
10: Combinaciones lineales.
52 de 180
Primer semestre
UNIDAD 3
Transformaciones lineales
53 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno comprenderá la representación matricial de las transformaciones lineales.
TEMARIO DETALLADO
(8 horas)
3. Transformación lineal
3.1. Definición y ejemplos
3.2. Imagen y Kernel
3.3. Representación matricial de una transformación lineal
3.4. Isomorfismos
54 de 180
Primer semestre
INTRODUCCIÓN
En la vida actual es muy importante resolver problemas utilizando las matemáticas.
Cuando se trabaja con espacios vectoriales surgen situaciones en

las cuales es de utilidad usar las transformaciones lineales para la
solución de problemas, una parte importante es la representación
matricial de una transformación lineal. Kolman, (2006) pp. 272 y
521.
Aplicaciones de las Transformaciones lineales.
Se aplican en sistemas de ecuaciones lineales, codificación de

información, edición de imagenes y en un sinnúmero de otros
problemas; gracias a las transformaciones lineales sabemos
acerca del dominio e imagen de un problema, y así ayudar a
determinar si es un espacio vectorial. Poole, D (2004) pag.201.
El álgebra lineales un recurso “invisible” ampliamente utilizado en las actividades

cotidianas, por ejemplo, en la manipulación de imágenes en programas de edición
como Photoshop, en la realización de compras por Internet que se realizan a través
del protocolo SSL o en las búsquedas de información en la Web que se realizan por
medio de los servicios de búsqueda como Google, en ellas las transformaciones
lineales juegan un papel relevante para poder llevarlas a cabo.
55 de 180
Primer semestre
3.1. Definición y ejemplos
A continuación, se tiene la simbología que se utilizará en este capítulo:
Una letra minúscula a, b,…… representa un “Vector”.
Una letra mayúscula A, B… un “Espacio Vectorial” y también

“Sub-espacios Vectoriales”. A, B indica una matriz.
“Vectores” entre llaves {a, b…} son una “Base Generadora" de

un espacio Rn.
“T: V→W” Representa una “Transformación Lineal” con su

dominio y contradominio.
dim (V) Representa la Dimensión de un Espacio Vectorial.
Transformación lineal
Definimos una “Transformación lineal” T de un

espacio vectorial R sobre otro espacio vectorial
S, a una función que asigna a cada vector r € R
un único vector s de S. Es decir, si R y S son
espacios vectoriales una función T: R→ S recibe
el nombre de transformación lineal si:
56 de 180
Primer semestre
a) T( u+v ) =T(u)+T(v) cualesquiera vectores u y v en V.
b) T( ku ) = k T(u), para cada u en V y cada escalar k en R .(Kolman, (2006), p. 502)
Ejemplo
Consideremos la función
𝑇: 𝑅 3 → 𝑅 2 definida bajo la regla 𝑇(𝑥, 𝑦, 𝑧) =

(𝑥, 𝑦), es decir, pasar de la visualización de
un punto en el espacio a una proyección en
el plano; indique si es una transformación lineal.
Sí se tiene que:
𝑇(𝑎) = 𝑇(8,5,9) = (8,5) y T(b) = T(2,3,4) = (2,3), entonces
T(a + b) = T((8,5,9) + (2,3,4)) = T(10,8,13) = (10,8)
T(a) + T(b) = T(8,5) + T(2,3) = (10,8)
𝑎𝑠í 𝑚𝑖𝑠𝑚𝑜 𝑎𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 (𝑣𝑒𝑟 𝑐𝑎𝑝í𝑡𝑢𝑙𝑜 5):
T(kb) = T(k(2,3,4)) = T(k2, k3, k4) = (k2, k3)
kT(b) = kT(2,3,4) = k(2,3) = (k2, k3)
Por lo que la transformación propuesta es una transformación lineal.
Ejemplo:
57 de 180
Primer semestre
Sea 𝑇: 𝑅 3 → 𝑅 2 :considere la transformación de un punto en el espacio a una
proyección en el plano dada por la regla de asignación:
𝑇 𝑥, 𝑦, 𝑧 = (𝑧, 2𝑧)
Se asignan los valores: primero a cada “x” le corresponde directamente el valor de

“z”, enseguida el valor de “z” es multiplicado por 2 y se coloca en la posición de “y”.
𝑇(𝑥, 𝑦, 𝑧) = (𝑧, 2𝑧), entonces, dado el vector (2, 1,4), su transformación sería:
(2,1,4) = (4,8)
Se deja al alumno comprobar si el ejemplo propuesto es una transformación lineal.
Para esto recuerda que una transformación es lineal si cumple las siguientes
condiciones:
i.
𝑇 𝑣1 + 𝑣2 ii.
= 𝑇 𝑣1 + 𝑇(𝑣2) T 𝛼𝑣1 = 𝛼𝑇(𝑣1)
Como hemos mencionado, hay diversas aplicaciones de las transformaciones

lineales; una de ellas es la de simplificar la óptica de observación de un problema.
Esto puede ilustrarse a través de la siguiente ecuación que relaciona dos variables:
“x” e “y”:
2𝑥 2 + 𝑦 2 − 12𝑥 − 4𝑦 + 18 = 0 (a)
58 de 180
Primer semestre
La ecuación a simple vista se observa confusa, ya que escrita de esta forma no nos
permite identificar de forma directa sus características geométricas.
Para facilitar la determinación de la naturaleza de la ecuación expresada podemos

agrupar y despejar los términos en “x” e “y” de la siguiente manera:
(2𝑥 2 −12𝑥) + (𝑦 2 − 4𝑦) = −18
Factorizando el “2” en el término “x”:
2(𝑥 2 − 6𝑥) + (𝑦 2 − 4𝑦) = −18
Completando los binomios expresados en términos de “x” e “y”:
2(𝑥 2 − 6𝑥 + 9) + (𝑦 2 − 4𝑦 + 4) = −18 + 18 + 4
2(𝑥 − 3)2 + (𝑦 − 2)2 = 4
2𝑥 2 + 𝑦 2 − 12𝑥 − 4𝑦 + 18 = 0 (a)
Dividiendo entre 4:
59 de 180
Primer semestre
(𝑥 − 3)2 (𝑦 − 2)2
+ =1
2 4
Si ahora aplicamos una regla de transformación como:𝑥1 = (𝑥 − 3)y 𝑦1 = (𝑦 − 2),

la expresión quedará en la forma:
𝑥12 𝑦12
+ = 1 (b)
2 4
60 de 180
Primer semestre
Las gráficas de las ecuaciones (a) y (b), (a) en rojo, se muestran en la siguiente
figura:
Efecto de la transformación lineal 𝑇 𝐴 → 𝐵
Entonces es posible proponer una transformación T:
𝑇 𝑥, 𝑦 = (𝑥 − 3, 𝑦 − 2)
De esta forma es posible manejar una representación gráfica como la que se

observa en la figura anterior. La transformación aplicada nos facilita la identificación
y la determinación de las características de la elipse correspondiente con respecto
a los ejes coordenados “x1-y1”. Es importante observar la relación gráfica de
equivalencia entre ambas representaciones antes y después de aplicar la
transformación lineal.
61 de 180
Primer semestre
Otras propiedades de las transformaciones lineales son:
Si T: R→S es una transformación lineal, entonces la transformación aplicada

sobre el vector cero es T(0) = 0
Sea T: R→S una transformación lineal. Si 𝑪 = {𝒓𝟏 , 𝒓𝟐 , … , 𝒓𝒏 }es una base de R,
entonces el conjunto 𝑮 = {𝑻𝒓𝟏 , 𝑻𝒓𝟐 , … , 𝑻𝒓𝒏 }es un generador del espacio vectorial
S.
62 de 180
Primer semestre
3.2. Imagen y Kernel
Consideremos, en primer lugar, la transformación de 𝑅 3 en 𝑅 2 , definida por:
𝑆(𝑥, 𝑦, 𝑧) = (𝑦, 3𝑦)
De lo propuesto se observa que en este caso la imagen de

cualquier vector del dominio (R3) bajo la transformación es una
pareja ordenada (R2) cuya segunda coordenada es el triple de la
primera.
Al conjunto de todos los vectores obtenidos aplicando esta regla de

asignación se les conoce como “imagen” de la transformación S.
Una vez definida la imagen de una transformación, nos

introduciremos en la definición de núcleo.
Se llama núcleo de una transformación al conjunto de vectores cuya

imagen es el vector cero.
La utilidad de los conceptos de núcleo e imagen está asociada a determinar las

características de una trasformación lineal en lo que se conoce como la dimensión
del espacio solución. Para una trasformación T(V) ->W esto queda expresado por
la ecuación:
𝐷𝑖𝑚 𝑉 = dim 𝐼𝑚𝑎𝑔𝑒𝑛 + dim 𝑘𝑒𝑟𝑛𝑒𝑙 (a)
63 de 180
Primer semestre
Ejemplo. Considere la transformación indicada por la relación:
𝑇 𝑥, 𝑦, 𝑧 = (𝑥, 𝑦, 0)
Ahora obtendremos la Imagen y el Kernel de esta transformación:
Las imágenes de T estarán dadas por los vectores v= (a, b, 0), es decir, con el tercer
componente vectorial nulo, con cualesquiera valores ay b pertenecientes a los
números reales.
En tanto el Kernel (los vectores que mapean al vector cero(0,0,0)), en este caso
serán todos los vectores de la forma 𝒗 = (0,0, 𝑧) ya que 𝑇(0,0, 𝑧) = (0,0,0)
Imagen es el conjunto de vectores {(a, b, 0), para las dos variables independientes
“x”, “y” pertenecientes a los números reales)}
Kernel= {(0, 0, c) para la variable independiente “z” perteneciente a los números

reales)}
El espacio original V es R3 y su dimensión es 3 (tres variables x, y, z), la imagen

mapea sobre R2 (dos variables a, b) y el núcleo sobre R1 (una variable, c) por lo que
la ecuación (a) se verifica:
dim 𝑅3 = 𝑑𝑖𝑚 𝑅2 + dim (𝑅1 )

3=2+1
64 de 180
Primer semestre
En una transformación Lineal T (V) ->W, La relación entre las dimensiones
de los espacios V, la imagen de la transformación & el núcleo de ésta se
determina por la ecuación:
Dim (V) = Dim (Imagen) + Dim (Kernel) (a)
A través de ella se puede comprobar la coherencia matemática de los

resultados obtenidos al aplicar la transformación lineal en un problema
dado.
3.3. Representación matricial

de una transformación lineal
La representación matricial de una transformación lineal nos indica la relación
existente entre ambas, y es de interés saber cómo a partir de una transformación
lineal se puede obtener su representación matricial.
Para aclarar este concepto consideremos la transformación T:𝑅3 ->𝑅2 definida por:
𝑻 𝒙, 𝒚, 𝒛 = (𝒙 + 𝟐𝒚, 𝟑𝒙 − 𝒛)
65 de 180
Primer semestre
Tratemos de encontrar una matriz
A tal que el producto de ésta por
cualquier vector (ver capítulo 5) del
dominio nos proporcione la imagen
de dicho vector bajo la
transformación T, es decir, una
matriz A que cumpla,
𝑨𝒗 = 𝑻(𝒗)
En este ejemplo, como v es un vector

de 𝑅 3 y T(v) es un vector de 𝑅2la igualdad anterior sólo podrá lograrse mediante
una matriz A de 2x3; esto se puede observar a partir del álgebra de matrices (ver
capítulos 1 y 5) en donde para ser compatible el producto Av se requiere para el
vector v inicial:
(3 × 1, (𝑥, 𝑦, 𝑧)) una matriz A de orden 2x3, ya que el producto Av tendrá como
resultado un vector de orden 2x1, esto es:
(2 × 𝟑)(𝟑 × 1) = 2 × 1 = (𝑥 + 2𝑦, 3𝑥 − 𝑧).
Por esta razón, la matriz A tendrá la forma (Lay, (2004) p..75):
𝑎11 𝑎12 𝑎13

𝐴=[ ]
𝑎21 𝑎22 𝑎23
Y satisface la igualdad
𝑥
𝑎11 𝑎12 𝑎13 𝑦 𝑥 + 2𝑦
[ ][ ] = [ ]
𝑎21 𝑎22 𝑎23 𝑧 3𝑥 − 𝑧
Desarrollando la multiplicación Ax:
66 de 180
Primer semestre
𝑎11 𝑥 + 𝑎12 𝑦 + 𝑎13 𝑧 = 𝑥 + 2𝑦 y 𝑎21 𝑥 + 𝑎22 𝑦 + 𝑎23 𝑧
= 3𝑥 − 𝑧
De la ecuación de la izquierda observamos:
𝑎11 𝑥 = 𝑥 𝑎12 𝑦 = 2𝑦 𝑎13 𝑧 = 0𝑧

por lo que: 𝑎11 =1; 𝑎12 =2 y 𝑎13 =0
De la expresión de la derecha tenemos:
𝑎11 𝑥 = 3𝑥 𝑎12 𝑦 = 0𝑦 𝑎13 𝑧 = −𝑧

por lo que: 𝑎11 =3; 𝑎12 =0 y 𝑎13 =−1
67 de 180
Primer semestre
Resumiendo:
𝑎11 = 1, 𝑎12 = 2, 𝑎13 = 0

𝑎21 = 3, 𝑎22 = 0, 𝑎23 = −1
Construyendo la matriz A, esta quedará de la siguiente forma:
1 2 0
𝐴=[ ]
3 0 −1
La matriz A se conoce como matriz asociada a la transformación T.
Una vez calculada nuestra matriz asociada, estudiemos las imágenes del conjunto
de vectores 𝑅3 que son su base canónica (secuencialmente solo un elemento de
cada n-tupla es igual a 1 y los demás valores son iguales a cero) para𝑅 3 , tenemos:
𝑅= 1,0,0 , 0,1,0 , 0,0,1 ,
Bajo la transformación T definida con anterioridad tenemos que:
𝑇 1,0,0 = 1,3
𝑇 0,1,0 = 2,0
𝑇 0,0,1 = (0, −1)
Observando con cuidado lo anterior notaremos que estos elementos no son más
que los vectores columna que integran la matriz A asociada a T:
1 2 0
𝐴=[ ]
3 0 −1
68 de 180
Primer semestre
Por lo cual, podemos afirmar que, para obtener la matriz asociada a una
transformación lineal, basta con calcular las imágenes de los vectores que integran
la base canónica del dominio.
Para obtener la matriz asociada a una transformación lineal basta con calcular
las imágenes de los vectores que integran la base canónica del domino.
Podemos concluir entonces que para toda transformación lineal de 𝑅 𝑛 𝑒𝑛 𝑅 𝑚 existe

una matriz 𝑨de 𝑚 × 𝑛 que cumple 𝑇𝑥 = 𝑨𝑥 para toda 𝒙 ∈ 𝑅 𝑛 (Howard, 1983: 225).
Definición: Sea𝑇: 𝑅 𝑛 → 𝑅 𝑚 una transformación lineal. Entonces existe una matriz

única 𝑨 de 𝑚 × 𝑛tal que 𝑇𝒙 = 𝑨𝒙 para toda 𝒙.
A continuación, se muestran dos ejemplos con aplicación de las Transformaciones

Lineales
Ejemplo 1:
Una casa editora publica un libro en tres ediciones diferentes: cubierta dura, cubierta
blanda y cubierta de lujo. Cada libro requiere cierta cantidad de papel y de material
para la cubierta. Los requisitos están dados en gramos por la siguiente tabla:
Cubierta dura Cubierta blanda Cubierta de lujo

Papel 300 500 800
Material para la
40 50 60
cubierta
𝑥1
𝑥 = (𝑥2 )
𝑥3
69 de 180
Primer semestre
Sea que 𝒙 represente el vector producción, donde (𝑥1 , 𝑥2 , 𝑥3 ) representan el número
de libros con cubierta dura, cubierta blanda y cubierta de lujo respectivamente, que
se publican. La transformación lineal 𝑇: 𝑅 3 → 𝑅 2 definida por 𝑇(𝑥) = 𝐴(𝑥)nos da el
vector(𝑦𝑦1 ), donde 𝑦1 representa la cantidad total de papel requerido y 𝑦2 la cantidad

2
de material para la cubierta. Suponga que
Entonces,
1000 1000
300 500 800
𝑥 = ( 700 ) entonces, 𝑇(𝑥) = 𝐴(𝑥) = ( ) ∙ ( 700 )
40 50 60
200 200
810,000
=( )
87,000
Por lo que se requiere 810,000 gramos en papel y 87,000 gramos en material para
la cubierta.
Ejemplo 2.
¿Puede una transformación lineal generar un efecto de perspectiva en una imagen?

Observemos cómo la transformación 𝑇: 𝑅 2 → 𝑅 2 definida por)𝑇(𝑥, 𝑦) = (𝑥, 𝑥 + 𝑦)
cambia las siguientes imágenes:
70 de 180
Primer semestre
Verificando las condiciones matemáticas de la transformación lineal propuesta
observamos que
𝑻(𝟎, 𝟎) = (𝟎, 𝟎 + 𝟎) = (𝟎, 𝟎)
Y tomando los vectores 𝒗𝟏 = (𝟎, 𝟎) y𝒗𝟐 = (𝟏, 𝟎) tendremos
𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻((𝟎, 𝟎) + (𝟏, 𝟎)) = 𝑻(𝟏, 𝟎) = 𝑻(𝟏, 𝟎 + 𝟏) = (𝟏, 𝟏)
Aplicando por separado,
𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 ) = (𝟎, 𝟎 + 𝟎) + (𝟏, 𝟎 + 𝟏) = (𝟎, 𝟎) + (𝟏, 𝟏) = (𝟏, 𝟏)
71 de 180
Primer semestre
Por lo que la transformación propuesta es una transformación lineal, según lo
indicado en los incisos i) e ii) de la página 36.
Este ejemplo nos permite ver cómo a través de una transformación lineal es posible
realizar modificaciones en imágenes. En programas de edición de imágenes
podemos aplicar “filtros” que generen efectos de perspectiva, distorsión, rotación,
ampliación o reducción de la imagen y en un momento dado poder ir de uno a otro
efecto sin que esto ocasione una irreversibilidad en los procesos.
Algunas de las ventajas de representar

una trasformación lineal por medio de
matrices se debe al hecho de poder Para ver un ejemplo de la aplicación del
utilizar una amplia variedad de álgebra lineal en el procesamiento de
herramientas y métodos de análisis del imágenes lo puede consultar en la

siguiente liga:
álgebra lineal, que simplifican y aceleran
http://www.nibcode.com/es/blog/12/algebr
de manera importante los procesos
a-lineal-y-el-procesamiento-digital-de-
algorítmicos aplicados, sus variaciones, imagenes-parte-I
los elementos de juicio y la obtención de
los resultados.
En la siguiente liga puede consultar la

aplicación del álgebra lineal y el uso de
filtros aplicados a cada pixel de una
matriz para cambiar su color:
3.4. Isomorfismo http://www.nibcode.com/es/blog/13/alg

ebra-lineal-y-el-procesamiento-digital-
de-imagenes-parte-II-filtros
72 de 180
Primer semestre
Para introducirnos en el estudio de los isomorfismos debemos tener claras algunas
definiciones que se presentan a continuación.
Definición:
Se dice que la transformación lineal 𝑇: 𝑉 → 𝑊 es un isomorfismo si T es biyectiva
sobre los espacios vectoriales V y W, además cumple que (Lipschutz, 1982:169):
1) 𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 )

2) 𝑇(𝑘𝑣1 ) = 𝑘𝑇(𝑣1 )
3) 𝑇(𝑣1 𝑣2 ) = 𝑇(𝑣1 )𝑇(𝑣2 )
Otro tipo de procesamiento de imágenes

La transformación de T sobre los consiste en cambiar la posición de los
espacios V y W se lee: “T de V sobre pixeles dentro de la imagen, pero sin
W”. alterar su color. En el siguiente enlace
puede ver un ejemplo de este proceso:
El hecho de que una relación sea
biyectiva implica que para dos
http://www.nibcode.com/es/blog/14/algeb
conjuntos V y W y cualquier par de ra-lineal-y-el-procesamiento-digital-de-
elementos 𝑣1 ,𝑣2 de 𝑉 y𝑤1,𝑤2 de 𝑊se imagenes-parte-III-transformaciones-
tiene que cumplir: afines
i) 𝑇(𝑣1 ) = 𝑤1 y 𝑇(𝑣2 ) = 𝑤2 𝑐𝑜𝑛𝑤1 = 𝑤2 sí y sólo sí 𝑣1 = 𝑣2 ; es decir, a cada 𝑣𝑖 le

corresponde un 𝑤𝑖 diferente, esto es:
𝑇(𝑣1 ) = 𝑤1 y 𝑇(𝑣2 ) = 𝑤2 𝑐𝑜𝑛𝑤1 = 𝑤2 sí y sólo sí 𝑣1 = 𝑣2
ii) La cardinalidad de 𝑉 es igual a la cardinalidad de 𝑊, es decir todos y cada uno
de los elementos de 𝑉 y de 𝑊están relacionados por la transformación 𝑇.
Resumiendo:
73 de 180
Primer semestre
Sea 𝑇: 𝑉 → 𝑊 una transformación lineal, se dice que 𝑇 es uno a uno
(notación 1 - 1) si ocurre:𝑇𝑣1 = 𝑇𝑣2 → 𝑣1 = 𝑣2
Sea 𝑇: 𝑉 → 𝑊una transformación lineal sí para toda 𝑤 ∈ 𝑊existe una 𝑣 ∈

𝑉tal que𝑇𝒗 = 𝒘.
Ejemplo:
Sea 𝑇 = 𝑅 3 → 𝑃2 (de los vectores de tres dimensiones a los polinomios de segundo

grado) definida por:
𝑎
𝑇 (𝑏) = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2
𝑐
Verificando, 𝑇(0) entonces, 𝑎 = 𝑏 = 𝑐 = 0. Es decir, núcleo de 𝑻(𝟎) = 𝟎ypara

cada(𝑎, 𝑏, 𝑐) diferentes la imagen será diferente y única por lo que la transformación
es biyectiva (1 − 1)e isomórfica.
La importancia de la relación de isomorfismo entre 2

espacios vectoriales A y B es en sí una relación
biyectiva en la que se manifiesta la equivalencia Una liga que se recomienda para
entre ambos espacios (Lipschulz, 1982: 169), y nos practicar y fortalecer los
indica las condiciones necesarias para poder conocimientos vistos en este
establecer y escoger alguna representación alterna, apartado se encuentra en la Red
coherente desde el punto de vista matemático, y Universitaria de Aprendizaje en:
que, a su vez, nos facilite el planeamiento y solución
de un problema abordado. http://fcasua.contad.unam.mx/clases_
virtuales/informatica/1168/sesion_14/p
layer.html
74 de 180
Primer semestre
RESUMEN
En diversas ramas de las matemáticas, la física y
las distintas ciencias sociales se utilizan con
frecuencia modelos que emplean en su estructura
funciones vectoriales de variable vectorial; es
decir, funciones de la forma 𝒘 = 𝑓(𝒗); donde
𝒘y𝒗son “vectores”. A tales funciones se denomina
usualmente “transformaciones”.
En esta unidad se refirió a una clase especial de

“Transformaciones”; llamadas “Transformaciones Lineales”; las cuales son las más
simples y también las de mayor aplicación.
En la práctica profesional, muchos problemas que involucran “Transformaciones”

de tipo general suelen resolverse aproximando éstas por medio de las
“Transformaciones Lineales”.
75 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Kolman, Bernard y David Hill (2006). Algebra lineal (Octava Edición). México:
Pearson. Prentice Hall, 648pp.
Poole, David (2004). Algebra lineal. Una introducción moderna. México: Thomson,
763 pp.
Lipschutz, Martin, M. (1982). Procesamiento de datos. México: Mc. Graw Hill, 218
pp.
Nibcode Solutions blog. El

http://www.nibcode.com/es/blog/12/algebra-lineal-y-el-
álgebra lineal y el
procesamiento-digital-de-imagenes-parte-I procesamiento digital de
imágenes. Parte I.

álgebra lineal y el
procesamiento-digital-de-imagenes-parte-II-filtros procesamiento digital de
imágenes. Parte II. Filtros.
procesamiento-digital-de-imagenes-parte-III- álgebra lineal y el
transformaciones-afines procesamiento digital de
imágenes. Parte III.
76 de 180
Primer semestre
Transformaciones afines.
http://fcasua.contad.unam.mx/clases_virtuales/informati Matemáticas I, tema III
ca/1168/sesion_02/player.html Transformaciones lineales,
sesión 14: Conceptos y
ejemplos.
77 de 180
Primer semestre
UNIDAD 4
Producto interno
78 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno conocerá las diferentes aplicaciones del producto interno.
TEMARIO DETALLADO
(8 horas)
4. Producto interno
4.1. Ortogonalidad
4.2. Aplicaciones del producto interno
79 de 180
Primer semestre
INTRODUCCIÓN
En la actualidad, el planteamiento de problemas complejos de las áreas
económicas, administrativas y de la informática comprende navegar en entornos
conceptuales del álgebra lineal, en particular dentro de los espacios vectoriales.
La complejidad versa no solo en los elementos factoriales del problema y su

interrelación, sino también en su modelado y en la mecánica algorítmica para poder
resolverlos. Bajo esta óptica abstracta el manejo y aprovechamiento de las ideas de
producto interno, ortogonalidad, independencia lineal, base y dimensión de un
espacio vectorial, así como la geometría y la métrica de sus elementos juegan un
rol relevante para la obtención de resultados susceptibles de análisis, por esto es
indispensable compenetrarnos en el dominio de estos conceptos de los espacios
vectoriales y en sus aplicaciones.
80 de 180
Primer semestre
4.1. Ortogonalidad
El concepto de ortogonalidad, tal como se observó en la discusión de producto
interno abordada en esta unidad, es la situación en la cual dos vectores a y b son
perpendiculares (ortogonales) entre sí. Una de las propiedades de que un grupo de
vectores sean ortogonales entres sí es el hecho de que en esas condiciones pueden
ser una base de un espacio vectorial V dado. Esta afirmación puede ser compleja
de aceptar sin antes abordar la idea de independencia lineal y su significado. Para
aclararlo proponemos un ejemplo, este considera que para un espacio de dos
dimensiones (un plano, una hoja de papel) y que denotamos R2, se cuenta con dos
vectores 𝑎 = (𝑥, 𝑦), 𝑏 = (𝑢, 𝑣) y mostraremos que es posible representar a través de
una combinación lineal de 𝒂 y 𝒃 cualquier otro vector, digamos 𝒄 = (𝑚, 𝑛), dentro
del espacio vectorial V propuesto.
Con el fin de ilustrarla idea mostramos una representación matemática de esta

afirmación, digamos entonces que:
𝒄 = 𝑘1 𝒂 + 𝑘2 𝒃 (1)
(Lo que significa que el vector𝑐 es resultado de sumar los vectores 𝒂 y 𝒃multiplicados
independientemente por dos escalares𝑘1 y𝑘2 .)
81 de 180
Primer semestre
Sustituyendo 𝒂, 𝒃 y 𝒄 tenemos:
𝑚, 𝑛 = 𝑘1 𝑥, 𝑦 + 𝑘2 (𝑢, 𝑣)
Realizando las operaciones correspondientes, tendremos un sistema de ecuaciones

lineales:
𝑚 = 𝑘1 𝑥 + 𝑘2 𝑢
𝑛 = 𝑘1 𝑦 + 𝑘2 𝑣
El anterior sistema de ecuaciones lineales puede ser compatible o incompatible

(tener o no solución, ver unidad 1) y esto puede ser determinado por el método de
Gauss ya revisado.
Si el sistema tiene solución nos indica que efectivamente hay una representación
posible de c a partir de 𝒂 y 𝒃 por medio de los valores 𝑘1 y𝑘2 y estos valores serán
la solución del sistema de ecuaciones propuesto; esto se muestra a continuación:
𝑞1 + 0 = 𝑚
0 + 𝑞2 = 𝑛
Donde 𝑞1 , 𝑞2 , 𝑚 y 𝑛 fueron obtenidos de las operaciones indicadas durante el

método de Gauss referido.
En caso contrario (no tener solución) se asumiría que al aplicar el método de Gauss
el sistema de ecuaciones quedó reducido a la forma:
𝑞1 + 0 = 𝑚
82 de 180
Primer semestre
0 + 0𝑞2 = 𝑛
Este último resultado muestra que no hay solución posible después de haber
realizado las operaciones indicadas por el método de Gauss, ya que no hay un
número q2 que al multiplicarse por cero proporcione como resultado n.
Para consolidar la afirmación particularicemos numéricamente los siguientes dos

casos.
Caso 1. ¿Los vectores 𝒂 = (1,0) y𝒃 = (0,1)pueden representar al vector𝒄 = (2, 3)?

Retomando el sistema de ecuaciones (1):
2,3 = 𝑘1 1,0 + 𝑘2 (0,1)
Realizando las operaciones:
2 = 𝑘1 + 𝑘2 0
3 = 𝑘1 0 + 𝑘2
De las dos igualdades es fácil observar que 𝑘1 = 2 𝑦 𝑘2 = 3 y con estos valores es

posible obtener el vector c propuesto:
𝒄 = 𝑘1 𝒂 + 𝑘2 𝒃 = 2 1,0 + 3 0,1 = 2,0 + 0,3 = (2,3)
83 de 180
Primer semestre
Caso 2. Para éste consideremos que 𝒂 = (1,0) y 𝒃 = (2,0) y trataremos de obtener
el mismo vector 𝒄 = (2,3), diciendo que esto es posible a través de dos constantes
𝑘1 y 𝑘2 dadas. Del mismo sistema de ecuaciones (1):
𝒄 = 2,3 = 𝑘1 𝒂 + 𝑘2 𝒃 = 𝑘1 1,0 + 𝑘2 (2,0)
O lo que es lo mismo:
𝑘1 + 2𝑘2 = 2
0 + 0𝑘2 = 3
La segunda ecuación claramente nos muestra que este sistema no tiene solución,
ya que no existe un número 𝑘2 que multiplicado por cero nos de tres, y por tanto en
este caso 𝒂 y 𝒃 no pueden generar al vector 𝒄.
Esto es consecuencia de que 𝒃 = 2𝒂, es decir los vectores 𝒂 y 𝒃 son

proporcionales entre sí. El hecho de que dos vectores sean proporcionales entre sí
indica una relación geométrica de colinealidado proporcionalidad entre ellos.
𝒃 = 2𝒂 = 2 1,0 = (2,0)
84 de 180
Primer semestre
Bajo la óptica de los casos revisados es posible en este momento introducir el
concepto matemático de independencia lineal, que para un grupo de vectores
𝒂, 𝒃, … 𝒛, está dada por la siguiente ecuación:
𝑘1 𝒂 + 𝑘2 𝒃 + ⋯ + 𝑘𝑛 𝒛 = 0 (2)
Se dice que un conjunto de vectores es linealmente independiente sí y solo sí la

ecuación (2) se cumple solamente para los valores 𝑘1 = 𝑘2 = ⋯ 𝑘𝑛 = 0, esto
significa que ningún vector del conjunto 𝒂, 𝒃, … 𝒛 puede ser obtenido como una
combinación lineal de los vectores restantes.
Desde un punto de vista operativo la independencia lineal se puede comprobar a

partir de un sistema de ecuaciones lineales homogéneo, cuya única solución sea la
solución trivial (unidad 1); para el planteamiento de verificación de esta situación, el
vector independiente del sistema de ecuaciones lineales homogéneo estará
conformado por los elementos 𝑘𝑖 . En el caso 1 previamente presentado podemos
comprobar la independencia lineal de los vectores 𝒂, 𝒃 si hacemos que el vector 𝒄=
(0,0); se deja al alumno este ejercicio para comprobar la independencia lineal de los
vectores 𝒂, 𝒃 propuestos.
85 de 180
Primer semestre
Se dice que un conjunto de vectores es linealmente
independiente sí y solo sí ningún vector del conjunto
a, b, …z puede ser obtenido como una combinación
lineal de los vectores restantes.
Un resultado de interés a partir del concepto anterior tiene que ver con los conceptos
de base y dimensión de un espacio vectorial.
Se dice que un conjunto de n vectores 𝑮 = {𝒂, 𝒃, … 𝒏} son una base de un espacio

vectorial 𝑅 𝑛 si son linealmente independientes y si por medio de combinaciones
lineales (revisar ecuación 1) de los elementos de𝐺es posible obtener cualquier otro
vector fuera del conjunto 𝐺 y dentro del espacio vectorial 𝑅 𝑛 , lo que se define como
que el conjunto 𝐺genera al espacio vectorial 𝑅 𝑛 .
Un Conjunto de n vectores G= {a, b, …, n} son una base de un espacio

vectorial Rn, si son linealmente independientes y si por medio de
combinaciones lineales de los elementos de G es posible obtener cualquier
vector de Rn. Lo anterior también se define como que el conjunto G genera
al espacio vectorial Rn.
Asimismo, el número máximo de vectores linealmente independientes que

conforman una base 𝐺de un espacio vectorial 𝑅 𝑛 dado, determina la dimensión (o
dim) de ese espacio. De forma recíproca, dada la dimensión de un espacio Vectorial
𝑅 𝑛 , el número máximo de vectores linealmente independientes que conformen
cualquier base 𝐺𝑖 , que genere a 𝑅 𝑛 , estará dado por el valor numérico de esa
dimensión. Es importante extraer de la afirmación anterior el hecho de que para un
espacio vectorial 𝑅 𝑛 puede haber infinidad de conjuntos de vectores 𝐺1 , 𝐺2 , …
linealmente independientes, que sean una base de 𝑅 𝑛 , pero es obligado notar que
86 de 180
Primer semestre
el número máximo de vectores linealmente independientes dentro de cada conjunto
𝐺𝑖 siempre será el mismo y estará determinado por dim.
El número máximo de vectores linealmente independientes “n”, que puede haber

en un conjunto G que genera a un espacio vectorial Rn, determina la dimensión de
este espacio.
De manera recíproca, dada la dimensión de “n” de un espacio vectorial Rn, el
número máximo de vectores que conformen un conjunto G que genere a Rn,
estará determinado por “n”
Para aclarar esta idea podemos recordar el caso uno revisado, y remarcaremos el
hecho de que los 2 vectores 𝒂 y 𝒃 propuestos, y que son linealmente
independientes, conformarían una base 𝐺del espacio de dos dimensiones 𝑅 2 (2
vectores linealmente independientes para 2 dimensiones).
Finalmente, resaltaremos el hecho de que cualquier conjunto 𝐺 ′ de 𝑛 + 1 vectores

de un espacio 𝑅 𝑛 será linealmente dependiente, esto lo podemos ver en el caso
uno, donde el conjunto de vectores 𝑎, 𝑏, 𝑐 (3 vectores) es linealmente dependiente
en 𝑅 2 (2 dimensiones).
Otra manera de verificar la independencia lineal de un grupo de vectores es por

medio del concepto de producto interno (revisado posteriormente en esta unidad).
En particular, si el producto interno de dos vectores 𝒂 y 𝒃 es igual a cero indica que
ambos vectores son perpendiculares (ortogonales) entre sí y ésta es una condición
óptima de independencia lineal, como también se observa en el caso uno
anteriormente revisado.
Para abordar al siguiente apartado se recordará el concepto de Ortonormalidad visto

en la unidad 2 de estos apuntes:
87 de 180
Primer semestre
Se dice que un conjunto de vectores H= {U1, U2, … Un} es ortonormal si todos
ellos son perpendiculares entre si y además todos y cada uno tienen norma (ver
sección 4.2) o longitud igual a uno.
PROCESO DE GRAM-SCHMIDT
Esta es una metodología que utiliza varios de los conceptos vistos en esta unidad y
permite calcular un conjunto ortonormal H de vectores que forman una base de un
espacio vectorial V y a partir de los cuales es más conveniente realizar cálculos
acerca de otro conjunto de vectores de nuestro interés. Es conveniente indicar que
este proceso puede ser visto como una generalización a Rn del procedimiento
revisado en la sección 2.3 de estos apuntes.
Para la obtención del conjunto 𝐻 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } propuesto se parte de un conjunto

de vectores𝐺 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } linealmente independiente, derivado del
planteamiento de un problema a abordar, y que son una base generadora de un
espacio vectorial 𝑉. Entonces el conjunto 𝐻 es obtenido a partir de 𝐺 por medio del
siguiente procedimiento:
1) 𝑢1 = ‖𝑣𝑣11 ‖
2) 𝑢2 = ‖𝑣𝑣22−(𝑣
−(𝑣2∙𝑢1)𝑢1
2 ∙𝑢1 )𝑢1 ‖
3)…
n)
𝑣𝑛 − (𝑣𝑛 ∙ 𝑢1 )𝑢1 − (𝑣𝑛 ∙ 𝑢2 )𝑢2 − ⋯ (𝑣𝑛 ∙ 𝑢𝑛−1 )𝑢𝑛−1
𝑢𝑛 =
‖𝑣𝑛 − (𝑣𝑛 ∙ 𝑢1 )𝑢1 − (𝑣𝑛 ∙ 𝑢2 )𝑢2 − ⋯ (𝑣𝑛 ∙ 𝑢𝑛−1 )𝑢𝑛−1 ‖
88 de 180
Primer semestre
Donde el conjunto 𝐻, como ya se indicó, es una base ortonormal que también
genera a 𝑉.
Del algoritmo indicado es importante resaltar que los productos internos𝑣𝑖 ∙ 𝑢𝑖 , las
normas (‖𝑣𝑖 ‖) y distancias indicadas son valores numéricos, y afectan de manera
escalar a los componentes de los vectores indicados en la recurrencia del método.
Adicionalmente, es importante notar que este es un proceso secuencial en dónde
para obtener el vector𝒎 es necesario haber obtenido todos los vectores anteriores.
Por ejemplo, para obtener el vector ortonormal 𝑢4 de un conjunto 𝐻 es indispensable
haber obtenido antes los vectores 𝑢1 , 𝑢2 y𝑢3 .
Ejemplo.
Considere al conjunto 𝐺 = {(1,0), (0,3)}que es una base del espacio 𝑅 2 . Por medio
del proceso de Gram-Schmidt encuentre un conjunto ortonormal 𝐻.
Desarrollo.
1)
𝒗𝟏 (𝟏, 𝟎) (𝟏, 𝟎) (𝟏, 𝟎)
𝒖𝟏 = = = = = (𝟏, 𝟎)
‖𝒗𝟏 ‖ √(𝟏, 𝟎)(𝟏, 𝟎) √(𝟏𝟐 + 𝟎𝟐 ) √𝟏
2)
𝑣2 − (𝑣2 𝑢1 )𝑢1 (0,3) − ((0,3) ∙ (1,0))(0,3) (0,3) − (0,0)
𝑢2 = = =
‖𝑣2 − (𝑣2 𝑢1 )𝑢1 ‖ ‖((0,3) − ((0,3) · (1,0))(0,3)‖ √02 + 32
(0,3) (0,3)
= = = (0,1)
√(9) 3
Por lo que 𝑢1 = (1,0)y𝑢2 = (0,1) y el conjunto ortonormal buscado estaría entonces

dado por:
89 de 180
Primer semestre
𝐻= 1,0 , (0,1)
Es fácil comprobar que los vectores obtenidos 𝑢1 y 𝑢2 son perpendiculares entre sí

y tienen una norma igual a 1; esto se deja como ejercicio para el alumno. La
simplificación observada en el desarrollo de este caso se debe a que de origen
definimos a los vectores de 𝐺 de tal forma que fueran ortogonales entre sí, sin
embargo, esto no es una condición general de partida y la obtención de la base
ortonormal se puede complicar, dependiendo esta situación de las características
iniciales de los vectores del conjunto 𝐺 provenientes del problema a resolver.
90 de 180
Primer semestre
4.2. Producto interno y sus
aplicaciones
Producto interno de dos vectores
El producto interno es una función de un espacio vectorial V, en la que se asigna a

cada par de vectores a y b un número real, la notación de producto interno está
indicada por la expresión:
𝒂∙𝒃
Y se lee “a punto b”.
Para que el producto interno sea una función válida desde el punto de vista
matemático debe de cumplir las siguientes condiciones:
1) 𝒂 ∙ 𝒃 = 𝒃 ∙ 𝒂
2) (𝒂 + 𝒃) ∙ 𝒄 = (𝒂 ∙ 𝒄) + (𝒃 ∙ 𝒄)
3) 𝑘𝒂 ∙ 𝒃 = 𝑘(𝒂 ∙ 𝒃)
4) 𝒂 ∙ 𝒂 ≥ 0
𝒂 ∙ 𝒂 = 0 sí y sólo sí 𝒂 = 𝟎
Una forma de definir el producto interno en un espacio vectorial de tres dimensiones

(𝑅 3 ), considerando dos vectores 𝒂 y 𝒃, está dado por la regla de asignación
siguiente:
91 de 180
Primer semestre
𝑎1
𝒂 = (𝑎2)
𝒂 ∙ 𝒃 = 𝑎1 𝑏1 + 𝑎2 𝑏2 + 𝑎3 𝑏3 𝑎3
𝑏1
𝒃 = (𝑏2)
𝑏3
Generalizando esta forma de producto interno aun espacio de “n” dimensiones (𝑅 𝑛

):
𝑎1
𝑎2
𝒂=( )
⋮
𝑎𝑛
𝑏1
𝑏2
𝒃=( )
⋮
𝑏𝑛
𝒂 ∙ 𝒃 = 𝑎1 𝑏1 + 𝑎2 𝑏2 + ⋯ + 𝑎𝑛 𝑏𝑛
El producto interno es llamado también producto punto o producto escalar. Es

importante notar que el producto interno como se ha definido, siempre tendrá como
resultado un escalar, es decir, un número.
Desde la notación del álgebra lineal, ver unidad de matrices, el producto interno
también puede ser fácilmente visualizado como el producto de un vector renglón y
un vector columna (ver unidad 5) como se muestra en el siguiente ejemplo.
Ejemplo:
92 de 180
Primer semestre
1
𝒅= 2
𝒄∙𝒅= 1 1 +2 2 +4 1 = 1+4+4=9
3
𝒄 = 1,2,4
El producto interno tal como se ha propuesto, es una función matemática que

presenta varias ventajas desde el punto de vista métrico y geométrico de un espacio
vectorial. Una de las primeras aplicaciones es el concepto de la norma o tamaño de
un vector “a” y esta se denota como:
Para un vector 𝑎 en 𝑅 3 ,𝑎 = (𝑥, 𝑦, 𝑧), la norma está definida por la relación

matemática siguiente:
𝑎 = (𝑎 ∙ 𝑎 = (𝑥 2+ 𝑦 2 + 𝑧 2 )
En general la norma de un vector a = (a, b, …z) está dada por la ecuación:
𝑎 = (𝑎 ∙ 𝑎) = (𝑎2+ 𝑏 2 + ⋯ + 𝑧 2 )
93 de 180
Primer semestre
Para consolidar la observación del concepto de norma consideremos un vector 𝒂 en
𝑅 2 ,𝒂 = (𝑥, 𝑦), ahora será más fácil visualizar las afirmaciones previas al recordar el
teorema de Pitágoras:
𝒂 = (𝒙𝟐 + 𝒚𝟐 )
Es importante notar que la norma es un valor escalar ya que el producto interno

definido en este capítulo, y del cual proviene la norma, genera valores escalares.
Otra aplicación de la definición de producto interno, es el concepto de distancia entre

dos vectores y esto viene expresado por la siguiente notación:
𝑑 𝒂, 𝒃 = 𝒂 − 𝒃
A partir de la definición de norma y considerando dos vectores en 𝑅 2 ,𝒂 = (𝑥, 𝑦)y𝒃 =

(𝑢, 𝑣), tendríamos:
94 de 180
Primer semestre
𝒃 − 𝒂 = (𝑢 − 𝑥, 𝑣 − 𝑦)
y su distancia:
𝑑= ((𝑢 − 𝑥)2 +(𝑣 − 𝑦)2 )
Debe tenerse en cuenta que la distancia, al provenir del concepto de norma y ésta,
a su vez, del producto interno, son funciones que generan valores escalares;
asimismo, como cualquier función de un espacio vectorial, es aplicable a espacios
de n dimensiones (Rn).
Finalmente se mostrará otra propiedad interesante acerca del producto interno

definido y que solo se enunciará. Relacionando el concepto de producto interno y
95 de 180
Primer semestre
norma para dos vectores 𝒂 y 𝒃 en 𝑅 𝑛 se tiene una importante conclusión (Howard,
1983:186), dada por la relación:
𝒂∙𝒃
cos 𝜃 =
𝒂 𝒃
Dónde θ es el ángulo que forman dos vectores 𝒂 y 𝒃. La relación de manera directa

nos dice que si dos vectores 𝒂 y 𝒃 son perpendiculares (ortogonales) entre sí, esto
es, que forman un ángulo de 90º, entonces su producto interno será igual a cero, ya
que para este valor la función coseno es igual a cero.
96 de 180
Primer semestre
Si dos vectores a y b son
perpendiculares (ortogonales) Una liga que se recomienda para
entre sí, entonces su producto practicar y fortalecer los
interno será igual a cero conocimientos vistos en este
a●b=0
apartado se encuentra en la Red
Universitaria de Aprendizaje en:
http://fcasua.contad.unam.mx/clas
es_virtuales/informatica/1168/sesi
on_19/player.html
97 de 180
Primer semestre
RESUMEN
Dentro de los espacios vectoriales es posible definir un conjunto de funciones que
nos permiten obtener información acerca de la métrica de los vectores y su
interrelación geométrica. Estas funciones son el producto interno, la norma y la
distancia y a partir de ellas es posible establecer algoritmos para obtener bases
ortonormales de un espacio vectorial de interés, a través de las cuales podemos
facilitar y acelerar el desarrollo de cálculos y análisis sobre conjuntos de vectores
asociados a nuestros problemas profesionales.
98 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Kolman, Bernard y Hill, David R. (2006). Algebra lineal (Octava Edición). México:
Lay, David (2004). Algebra Lineal y sus aplicaciones (3ª. Ed.). México: Pearson,
492 pp.
763 pp.
Matemáticas I, tema IV
Producto interno, sesión 19:
Ortogonalidad.
99 de 180
Primer semestre
UNIDAD 5
Matrices
100 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno realizará operaciones con matrices.
TEMARIO DETALLADO
(8 horas)
5. Matrices
5.1. Operaciones básicas con matrices
5.2. Inversa y traspuesta de una matriz cuadrada
101 de 180
Primer semestre
INTRODUCCIÓN
Las matrices son una herramienta muy útil para expresar y discutir problemas que
surgen en la vida real. En los negocios a menudo es necesario calcular y combinar
ciertos costos y cantidades de productos, situaciones que se acostumbra expresar
por medio de las tabulaciones, herramienta que nos permite representar y relacionar
fácilmente diferentes tipos de datos, sin embargo, esta capacidad de visualización
no siempre rinde en una mecanización que nos ayude a desarrollar métodos de
análisis. Afortunadamente para estas situaciones, el álgebra lineal pone a nuestro
favor ciertos recursos con los que es posible representar y trabajarlas diversas
estructuras tabulares, a través de una metodología matemática que es más clara,
fácil y rápida de operar. Tal representación de los datos se denomina matriz.
Como se ha mencionado a lo largo de estos

apuntes, las matrices se utilizan comúnmente
en la informática, tal es el caso del internet,
donde los motores de búsqueda para
localización y recuperación de información,
utilizan matrices para seguir el rastro de las
ubicaciones en donde esta se encuentra, así
como del tipo de información de acuerdo al
criterio de búsqueda y de las palabras clave, e
incluso para determinar la manera en que los sitios web se vinculan entre sí. En
gran medida, la eficacia de Google, estriba en la manera en que utiliza las matrices
para determinar cuáles sitios están referenciados en otros sitios.
102 de 180
Primer semestre
Retomando lo que hemos indicado líneas arriba, todo lo anterior también lo
podemos modelar “humanamente” con una tabulación o conjuntos de ellas, pero
para poder realizar las búsquedas de manera ágil y versátil debemos apoyarnos en
los métodos que nos ofrece el álgebra lineal, lo que nos facilita la conformación y
operación de estas estructuras. La pertinencia de estas metodologías estriba
entonces, en la capacidad de representar y manejar, por medio del lenguaje
matemático, todo el problema y establecer su solución algorítmica.
La aplicación de las matrices a partir del concepto de espacio vectorial, se ha podido

extender a multitud de campos ya sea en el álgebra, la geometría, el cálculo, la
informática, la física, etc. Podemos resaltar que, en nuestro campo de acción
profesional, a través de las transformaciones lineales, han facilitado un desarrollo
sorprendente en las técnicas de edición y animación de imágenes y figuras, como
se observa en el estándar OpenGL, con el cual podemos representar gráficos 3D y
reexpresarlos en 2D, para de esta forma traducirlos a imagen en las pantallas de
una gran variedad de equipos.
Actualmente, en un campo relativamente nuevo en las matemáticas denominado

Teoría de gráficas, que se aplica ampliamente para formular modelo flujos y
relaciones en problemas informáticos, de negocios, en ciencias sociales y en las
ciencias físicas, se introduce el concepto de grafo, elemento con el que se establece
una estructura matemática que representa una gráfica estudiada, simplificada por
medio de una red de nodos y líneas y que es representada con lo que se denomina
la Matriz de Adyacencia. (Lay, David, 2004: 158).
103 de 180
Primer semestre
También, a lo largo de los apuntes, hemos
revisado otra variedad de problemas
que se pueden describir usando
matrices; por todo esto es
indispensable definir las
operaciones de suma y resta de
matrices, multiplicación por un
escalar, multiplicación e inversión de
matrices, completando de esta manera la
estructura algebraica necesaria, y así poder utilizarla
libremente en el modelado y solución de los problemas.
Razones por las que en esta unidad consolidaremos la notación, determinación de

la compatibilidad y los algoritmos correspondientes de estas operaciones
matemáticas.
104 de 180
Primer semestre
5.1. Operaciones con matrices
Una matriz es un conjunto de renglones y columnas expresados por un par de
números “mxn”, denominado el orden de la matriz, donde “m” es el número de
renglones y “n” el número de columnas.
𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝑎21 𝑎22 ⋯ 𝑎2𝑛
[ ]
⋯ ⋯ ⋯ ⋯
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
Casos especiales de matriz son los correspondientes a los vectores, y se

denominan ya sea como vector horizontal o vector vertical:
Un vector horizontal cuya n-tupla consiste de los elementos (a1, a2, ...an) y es
denotado “1xn” se representan como:
[a11 a12... a1n]
En tanto que un vector vertical cuya n-tupla consiste de los elementos (a1, a2, …am)
se denota “mx1” y se representa como:
105 de 180
Primer semestre
𝑎11
𝑎21
⋮
𝑎𝑚1
Dentro de esta nomenclatura cabe recordar que en el método de Gauss revisado

en la unidad 1, las operaciones permitidas en el proceso de escalonamiento se
llevan a cabo sobre los renglones (vectores horizontales) o columnas (vectores
verticales) de una matriz.
Las operaciones básicas que se pueden realizar sobre las matrices son las
siguientes:
Suma y resta Multiplicaciónde

de matrices una matriz por
escalar
Multiplicación Producto
de matrices cartesiano
Sean A y B las siguientes matrices:

𝒂𝟏𝟏 𝒂𝟏𝟐 ⋯ 𝒂𝟏𝒏
𝐀 = [ 𝒂𝟐𝟏 𝒂𝟐𝟐 ⋯ 𝒂𝟐𝒏 ]
⋯ ⋯ ⋯ ⋯
𝒂𝒎𝟏 𝒂𝒎𝟐 ⋯ 𝒂𝒎𝒏
106 de 180
Primer semestre
𝒃𝟏𝟏 𝒃𝟏𝟐 ⋯ 𝒃𝟏𝒏
𝐁 = [ 𝒃𝟐𝟏 𝒃𝟐𝟐 ⋯ 𝒃𝟐𝒏 ]
⋯ ⋯ ⋯ ⋯
𝒃𝒎𝟏 𝒃𝒎𝟐 ⋯ 𝒃𝒎𝒏
A cada elemento amno bmn se le ubica una posición relativa única renglón-
columna, de acuerdo a los índices “mn” asignados. Esta convención es
fundamental para entender la estructura de una matriz y a su vez poder realizar
cualquier proceso algorítmico en las operaciones matemáticas entre matrices.
Suma de matrices, esta operación se denota como A+B.

Esta operación se lleva a cabo sumando a cada uno de los elementos de la
matriz A, cada uno de los elementos de la matriz B en la misma posición relativa,
colocando su suma en la matriz resultante en la misma posición mn, de los
elementos sumados.
Ejemplos de matrices
1 2 3 0 1 3
𝐴 = [4 5 6]y𝐵 = [1 2 6]
7 8 9 7 8 1
La resta de matrices se denota como A-B.

La sustracción se lleva a cabo restando a cada uno de los elementos de la
matriz A, cada uno de los elementos de la matriz B en la misma posición
relativa, colocando su resta en la matriz resultante en la misma posición mn de
los elementos restados.
107 de 180
Primer semestre
Como se observa de lo anteriormente expresado, la suma y resta de matrices
son muy similares, con la única diferencia dada por el signo de la operación a
realizar sobre los elementos de la matriz.
Entonces de manera general, si A y B son dos matrices:
𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝐴 = [ 𝑎21 𝑎22 ⋯ 𝑎2𝑛 ]
⋯ ⋯ ⋯ ⋯
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
𝑏11 𝑏12 ⋯ 𝑏1𝑛

𝐵 = [ 𝑏21 𝑏22 ⋯ 𝑏2𝑛 ]
⋯ ⋯ ⋯ ⋯
𝑏𝑚1 𝑏𝑚2 ⋯ 𝑏𝑚𝑛
La resta A-B se realiza de la siguiente manera
𝐚𝟏𝟏𝐚𝟏𝟐 ⋯ 𝐚𝟏𝐧 𝐛𝟏𝟏 𝐛𝟏𝟐 ⋯ 𝐛𝟏𝐧

𝐀 − 𝐁 = [ 𝐚𝟐𝟏
𝐚𝟐𝟐 ⋯ 𝐚𝟐𝐧 ] − [ 𝐛𝟐𝟏 𝐛𝟐𝟐 ⋯ 𝐛𝟐𝐧 ]
⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
𝐚𝐦𝟏 𝐚𝐦𝟐 ⋯ 𝐚𝐦𝐧 𝐛𝐦𝟏 𝐛𝐦𝟐 ⋯ 𝐛𝐦𝐧
𝐚𝟏𝟏 − 𝐛𝟏𝟏 𝐚𝟏𝟐 − 𝐛𝟏𝟐 ⋯ 𝐚𝟏𝐧 − 𝐛𝟏𝐧

𝐚𝟐𝟏 − 𝐛𝟐𝟏 𝐚𝟐𝟐 − 𝐛𝟐𝟐 ⋯ 𝐚𝟐𝐧 − 𝐛𝟐𝐧
=[ ]
⋯ ⋯ ⋯ ⋯
𝐚𝐦𝟏 − 𝐛𝐦𝟏 𝐚𝐦𝟐 − 𝐛𝐦𝟐 ⋯ 𝐚𝐦𝐧 − 𝐛𝐦𝐧
Ejemplo. Resta las matrices A y B indicadas:
1 1 3 2 −3 1
𝐴 = [4 5 2] 𝐵 = [3 −1 3]
7 1 1 2 3 1
1 1 3 2 −3 1 −1 4 2
𝐴 − 𝐵 = [4 5 2] − [3 −1 3] = [ 1 6 −1]
7 1 1 2 3 1 5 −2 0
Se deja como actividad para el alumno realizar la suma de las matrices A y B del
ejemplo anterior.
108 de 180
Primer semestre
Es importante indicar que la suma y resta de matrices se da para dos
matrices A & B del mismo orden, es decir ambas son de orden “mxn”
Multiplicación por escalar
Supóngase que se tiene una matriz A y un escalar k, entonces la multiplicación

de una matriz por un escalar se representa con kA; la multiplicación se lleva a
cabo multiplicando cada uno de los elementos de la matriz A por el escalar k,
y el resultado se pone en la misma posición relativa en la matriz resultante.
Sean A una matriz:
𝒂𝟏𝟏 𝒂𝟏𝟐 ⋯ 𝒂𝟏𝒏

𝑨 = [ 𝒂𝟐𝟏 𝒂𝟐𝟐 ⋯ 𝒂𝟐𝒏 ]
⋯ ⋯ ⋯ ⋯
𝒂𝒎𝟏 𝒂𝒎𝟐 ⋯ 𝒂𝒎𝒏
Y k el escalar
La multiplicación por un escalar se realiza de la siguiente manera:
𝐤𝒂𝟏𝟏 𝒌𝒂𝟏𝟐 ⋯ 𝒌𝒂𝟏𝒏

𝒌𝒂𝟐𝟏 𝒌𝒂𝟐𝟐 ⋯ 𝒌𝒂𝟐𝒏
𝒌𝑨 = [ ]
⋯ ⋯ ⋯ ⋯
𝒌𝒂𝒎𝟏 𝒌𝒂𝒎𝟐 ⋯ 𝒌𝒂𝒎𝒏
Ejemplo del cálculo de la multiplicación de un escalar, sea la matriz A:
𝟏 𝟏 𝟏
𝐀 = [𝟑 𝟏 𝟐]
𝟏 𝟏 𝟏
Y el escalar 4.
109 de 180
Primer semestre
𝟒(𝟏) 𝟒(𝟏) 𝟒(𝟏) 𝟒 𝟒 𝟒
𝟒𝑨 = [𝟒(𝟑) 𝟒(𝟏) 𝟒(𝟐)] = [𝟏𝟐 𝟒 𝟖]
𝟒(𝟏) 𝟒(𝟏) 𝟒(𝟏) 𝟒 𝟒 𝟒
Para esta operación no importa el orden mxn de la matriz A, es decir, el

producto por un escalar está definido para matrices de cualquier orden.
Multiplicación de matrices
Supóngase que se tienen dos matrices 𝑨 y 𝑩. Para poder realizar la

multiplicación de estas dos matrices primero se debe primero establecerla
compatibilidad de la operación, esto se hace revisando que el número de
columnas de la matriz 𝑨 sea igual al número de renglones de la matriz 𝑩.
Suponiendo que se tiene una matriz 𝑨de orden nxm, entonces la matriz 𝑩 deberá
tener m renglones y cualquier número de columnas, digamos 𝒌, entonces la
matriz resultante será una matriz de orden 𝒏 x𝒌(ver unidad 1 y Poole, 2004: 137-
139). Es fácil observar de estas condiciones operativas de compatibilidad, que el
proceso de multiplicación de matrices no es conmutativo.
Sean 𝑨 una matriz de 𝒏 × 𝒎:
𝒂𝟏𝟏 𝒂𝟏𝟐 ⋯ 𝒂𝟏𝒏

𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 ⋯ 𝒂𝟐𝒏 ]
⋯ ⋯ ⋯ ⋯
𝒂𝒏𝟏 𝒂𝒏𝟐 ⋯ 𝒂𝒏𝒎
Y 𝑩 una matriz de 𝒎 × 𝒌
𝒃𝟏𝟏 𝒃𝟏𝟐 ⋯ 𝒃𝟏𝒌

𝑩 = [ 𝒃𝟐𝟏 𝒃𝟐𝟐 ⋯ 𝒃𝟐𝒌 ]
⋯ ⋯ ⋯ ⋯
𝒃𝒎𝟏 𝒃𝒎𝟐 ⋯ 𝒃𝒎𝒌
110 de 180
Primer semestre
La multiplicación de 𝑨 por 𝑩 se denota AxB, y se realiza desarrollando el producto
punto (ver sección 4.2) de los renglones de A por las columnas de B, esto se
expresa por medio de las siguientes ecuaciones y se refuerza posteriormente
con un ejemplo desarrollado:
𝒂𝟏𝟏 𝒂𝟏𝟐 ⋯ 𝒂𝟏𝒏 𝒃𝟏𝟏 𝒃𝟏𝟐 ⋯ 𝒃𝟏𝒌

𝒂𝟐𝟏 𝒂𝟐𝟐 ⋯ 𝒂𝟐𝒏 𝒃𝟐𝟏 𝒃𝟐𝟐 ⋯ 𝒃𝟐𝒌
𝑨×𝑩= [ ]×[ ] = 𝑨𝑩
⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
𝒂𝒏𝟏 𝒂𝒏𝟐 ⋯ 𝒂𝒏𝒎 𝒃𝒎𝟏 𝒃𝒎𝟐 ⋯ 𝒃𝒎𝒌
𝑨×𝑩
𝒂𝟏𝟏(𝒃𝟏𝟏) + 𝒂𝟏𝟐(𝒃𝟐𝟏) + ⋯ +𝒂𝟏𝒎(𝒃𝒎𝟏) ⋯ ⋯ 𝒂𝟏𝟏(𝒃𝟏𝒌) + 𝒂𝟏𝟐(𝒃𝟐𝒌) + ⋯ +𝒂𝟏𝒎(𝒎𝒌)
= [𝒂𝟐𝟏(𝒃𝟏𝟏) + 𝒂𝟐𝟐(𝒃𝟐𝟏) + ⋯ +𝒂𝟐𝒎(𝒃𝒎𝟏) ⋯ ⋯ 𝒂𝟐𝟏(𝒃𝟏𝒌) + 𝒂𝟐𝟐(𝒃𝟐𝒌) + ⋯ +𝒂𝟐𝒎(𝒃𝒎𝒌)]
𝒂𝒏𝟏(𝒃𝟏𝟏) + 𝒂𝒏𝟐(𝒃𝟐𝟏) + ⋯ +𝒂𝒏𝒎(𝒃𝒎𝟏) ⋯ ⋯ 𝒂𝒏𝟏(𝟏𝒌) + 𝒂𝒏𝟐(𝒃𝟐𝒌) + ⋯ +𝒂𝒏𝒎(𝒃𝒎𝒌)
Ejemplo. Desarrolle la multiplicación de las matrices A y B que se indican a

continuación:
𝟏 𝟏 𝟏 𝟐 𝟏 𝟐
𝑨 = [𝟑 𝟏 𝟐] y 𝑩 = [ 𝟐 𝟏 𝟐]
𝟏 𝟏 𝟏 𝟎 𝟏 𝟏
La multiplicación se realiza de la siguiente manera:
𝟏 𝟏 𝟏 𝟐 𝟏 𝟐 𝟏(𝟐) + 𝟏(𝟐) + 𝟏(𝟎) 𝟏(𝟏) + 𝟏(𝟏) + 𝟏(𝟏) 𝟏(𝟐) + 𝟏(𝟐) + 𝟏(𝟏)

𝑨 × 𝑩 = [𝟑 𝟏 𝟐 ] × [𝟐 𝟏 𝟐] = [𝟑(𝟐) + 𝟏(𝟐) + 𝟐(𝟎) 𝟑(𝟏) + 𝟏(𝟏) + 𝟐(𝟏) 𝟑(𝟐) + 𝟏(𝟐) + 𝟐(𝟏)]
𝟏 𝟏 𝟏 𝟎 𝟏 𝟏 𝟏(𝟐) + 𝟏(𝟐) + 𝟏(𝟎) 𝟏(𝟏) + 𝟏(𝟏) + 𝟏(𝟏) 𝟏(𝟐) + 𝟏(𝟐) + 𝟏(𝟏)
𝟐+𝟐+𝟎 𝟏+𝟏+𝟏 𝟐+𝟐+𝟏 𝟒 𝟑 𝟓

𝑨 × 𝑩 = [𝟔 + 𝟐 + 𝟎 𝟑+𝟏+𝟐 𝟔 + 𝟐 + 𝟐] = [𝟖 𝟔 𝟏𝟎]
𝟐+𝟐+𝟎 𝟏+𝟏+𝟏 𝟐+𝟐+𝟏 𝟒 𝟑 𝟓
111 de 180
Primer semestre
A partir del ejemplo anterior, se resume verbalmente el procedimiento de
multiplicación de dos matrices A y B compatibles, desglosándose en los siguientes
incisos:
1) Realizar el producto punto entre el primer renglón de la matriz A por la
primera columna de la matriz B, de lo que se obtendrá un número (ver unidad
4); colocar el resultado en el primer renglón, primera columna de la matriz
resultante
2) Realizar el producto punto entre el primer renglón de A por la segunda
columna de B; colocar el resultado en el primer renglón, segunda columna
de la matriz resultante.
3) Continuar de esta forma hasta agotar las columnas de B.
4) Repetir el procedimiento indicado en los puntos 1-3 con el segundo renglón
de A (colocando los correspondientes resultados en el segundo renglón de
la matriz resultante); continuar sucesivamente hasta agotar los renglones de
A. En ese momento se tendrá el resultado de la multiplicación de las matrices
(AxB).
Cabe recordar de la unidad 1 y del principio de este tema, que en el caso de los
vectores éstos se manejan como una matriz de (𝑛 × 1) o (1 × 𝑛), y se multiplican
con las mismas reglas indicadas para las matrices.
112 de 180
Primer semestre
Debido a que la multiplicación de matrices
no es conmutativa, al multiplicar matrices
se suele decir: multiplicación por la
El orden de una matriz se refiere a
derecha o multiplicación por la izquierda:
la pareja de números mxn que
alguna bibliografía también usa los
describen el número de renglones
términos premultiplicación por la izquierda
y columnas presentes en una
o premultiplicación por la derecha. Estas
matriz o vector y que es necesario
situaciones se muestran a continuación:
conocer para poder determinar la
compatibilidad para los procesos
A premultiplica a B por la izquierda: AxB
de suma, resta y multiplicación de
A premultiplica a B por la Derecha: BxA
vectores y matrices.
Como se observa, existe un punto de
referencia en el procedimiento (en este
caso matriz B).
Producto cartesiano
El producto cartesiano de dos conjuntos 𝑨 × 𝑩 es el conjunto de todos los pares

ordenados que se forman tomando un elemento perteneciente al conjunto𝑨 y un
elemento del conjunto 𝑩.
𝑨 tiene m elementos
𝑩 tiene n elementos
Entonces 𝑨 × 𝑩tiene (𝒎 × 𝒏) elementos
Los elementos de 𝑨 × 𝑩 son pares ordenados. Cada par se forma tomando un

elemento del conjunto 𝑨 y otro del conjunto 𝑩, en ese orden y recibe el nombre
de par ordenado. Sus elementos se colocan entre paréntesis, separados por
coma (m, n).
113 de 180
Primer semestre
Debido al principio de orden indicado en el desarrollo del producto cartesiano, es
importante resaltar que esta operación no es conmutativa, es decir:
(𝒙, 𝒚) ≠ (𝒚, 𝒙)
Ejemplo 1
Ejemplo 2
Si 𝐴 = {1,2}y 𝐵 = {−1,0,1}entonces𝐴 × 𝐵 =
{(1, −1), (1,0), (1,1), (2, −1), (2,0), (2,1)}. A tiene 2 elementos, B tiene 3, y 𝐴 × 𝐵
tiene 2 x 3 = 6
Ejemplo 3
Para los conjuntos 𝐴 = {2,5,9} y 𝐵 = {𝑝, 𝑞}, el producto Cartesiano de estos dos
conjuntos contendrá los siguientes elementos:
114 de 180
Primer semestre
[a11 a12... a1n]
𝐴 × 𝐵 = {(2, 𝑝), (2, 𝑞), (5, 𝑝), (5, 𝑞), (9, 𝑝), (9, 𝑞)}
Es muy importante darse cuenta de que, en general y como se había indicado, el

producto cartesiano no es conmutativo. En algunos casos especiales podrá
observarse así, pero generalmente no se conmuta. En el ejemplo mostrado, el
producto Cartesiano B x A de los dos conjuntos citados será:
𝐵 × 𝐴 = {(𝑝, 2), (𝑝, 5), (𝑝, 9), (𝑞, 2), (𝑞, 5), (𝑞, 9)}
Lo que confirma la no conmutatividad de la operación.
La definición de producto cartesiano se puede extender a más de dos conjuntos,

por ejemplo, en los productos cartesianos indicados:
𝐴×𝐵×𝐶 y 𝑅×𝐼×𝑄
115 de 180
Primer semestre
5.2. Inversa y traspuesta
de una matriz cuadrada
La matriz inversa de una matriz dada tiene una propiedad multiplicativa muy
interesante y es de amplia aplicación. Sea una matriz cuadrada A, tenemos que
puede existir una única matriz denotada como A-1, con la que se cumple:
𝑨 × 𝑨−1 = 𝑰 (𝒂)
Dónde I es la matriz identidad para la multiplicación; esta matriz tiene la

particularidad que todos sus elementos en la diagonal principal son iguales a 1 (ver
unidad 1), y el resto son iguales a cero; a continuación, se muestra una matriz
identidad de orden 3x3.
1 0 0
[ 0 1 0]
0 0 1
Es importante indicar que en algunos casos puede existir la matriz inversa y en otros
no, esta situación está relacionada al tipo y diversidad de soluciones que puede
tener un sistema de ecuaciones lineales. Sin embargo, para sistemas de ecuaciones
representados por una matriz cuadrada A y con solución única es posible obtener
su matriz inversa.
El procedimiento de cálculo de la inversa de una matriz cuadrada A (esta

denominación se refiere a que el orden “mxn” de A es tal, que el número de
116 de 180
Primer semestre
renglones y número de columnas es el mismo, m=n) se realiza aplicando el método
de Gauss-Jordan.
El algoritmo de inversión de la matriz consta de los siguientes pasos:
a) Se coloca la matriz A, invertir al lado de la matriz identidad I, del mismo orden,

separadas ambas matrices por los corchetes de cada matriz
b) A continuación, se aplican las operaciones permitidas por el método de
Gauss para escalonarla matriz A hasta convertirla en la matriz identidad;
estas operaciones se realizan al mismo tiempo y en el mismo orden sobre la
matriz identidad, de tal forma que al final del procedimiento se obtiene en el
lugar de la matriz identidad la matriz A-1. Esquemáticamente, esto se indica
a continuación:
𝐴𝐼 → (𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑒𝑟𝑚𝑖𝑡𝑖𝑑𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑟𝑒𝑛𝑔𝑙𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑚é𝑡𝑜𝑑𝑜 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠) → 𝐼𝐴−1
Es importante observar, recordando la no conmutatividad de las operaciones de

multiplicación de matrices y del producto cartesiano, cómo en el proceso de
inversión se logra la transformación de la matriz A en la matriz identidad, y de la
matriz identidad en la matriz inversa A-1.
Aplicaciones
Un uso algebraico directo de la matriz inversa puede verse en el caso de una

transformación lineal, representada en la ecuación siguiente por su matriz asociada
A, como:
T(y)=Ay=w
Entonces, multiplicando por la izquierda en ambos lados de la ecuación anterior con

la matriz A-1, omitiendo por facilidad de lectura el signo “x” de la notación de la
multiplicación, tenemos:
117 de 180
Primer semestre
A-1Ay=A-1w,
De la ecuación (a) al inicio de este tema, tenemos que:
A-1A=I,
Indicando adicionalmente que, bajo la operación de multiplicación de matrices, la

matriz identidad tiene la propiedad de que al ser multiplicada por cualquier vector o
matriz nos da al mismo elemento, esto es:
Iy=y
Por lo que:
y=A-1w
Este último resultado es importante y nos indica que al aplicar la matriz inversa
podemos revertir una transformación lineal; por ejemplo, en el caso de haber
codificado información la podemos regresar a su significado original; en el caso de
modificar una imagen por un proceso de edición, al aplicar la matriz inversa la
podemos llevar a su estado original. Estos ejemplos son una pequeña muestra de
lo que es posible realizar mediante los procesos algebraicos de las matrices en las
transformaciones lineales. De igual forma es conveniente indicar que el uso de la
matriz inversa no solo se circunscribe a esa rama del álgebra, otra aplicación
importante se encuentra en la solución de ecuaciones lineales, esto lo podemos
plantear algebraicamente de manera rápida si observamos la ecuación (d) del inciso
1.3 de estos apuntes:
𝐴𝒙=𝒚
De la misma manera que en las transformaciones lineales, en este caso también

podemos “despejar” la matriz A por medio de su matriz inversa, y así obtener el
vector independiente x. Podemos enunciar otra variedad de aplicaciones, sin
embargo, con fines de ilustración, dejamos los ejemplos presentados más adelante.
118 de 180
Primer semestre
Procedimiento de inversión de una matriz cuadrada
La mecánica del algoritmo de inversión de una matriz cuadrada A se lista a

continuación:
Encontrar en la columna extrema izquierda de la matriz un elemento "a" "aij" que no sea
cero.
De ser necesario, se intercambiará el renglón superior con otro cualquiera, con el

propósito de que el elemento localizado cumpla con la condición del paso anterior.
El elemento diferente de cero, encontrado en el proceso 1, es un valor cualquiera a,

entonces se deberá multiplicar todo ese renglón por 1/a a efecto de que el primer
elemento tome el valor de uno.
A continuación se suma o resta, múltiplos apropiados del primer renglón, a los demás
renglones de tal manera que en la columna encontrada en el proceso uno, todos los
elementos por abajo del primer "1" tengan un valor de cero.
Descartar por el momento el primer renglón, y volver a aplicar el proceso inicial solamente
a los renglones restantes a partir de la segunda columna; continuar el procedimiento
hasta obtener una matriz triangular o identidad (ver unidad 1).
En caso de obtener una matriz triangular, se repite el procedimiento empezando por el

último renglón (ahora columna extrema derecha, posición inferior), y se avanza hacia
arriba, sumando múltiplos apropiados de cada renglón a los renglones que estén arriba
de ella; el procedimiento se continúa hasta que se cumpla la condición de obtener una
matriz identidad (véase, O. Pineda, (1998), Álgebra Lineal: Un Enfoque Económico y
Administrativo, México, IPN). Debe resaltarse que dentro del procedimiento indicado para
la inversión de matrices, existe la posibilidad de que en al menos un renglon o una
columna de la matriz todos sus elementos se vuelvan ceros, esto significará que la matriz
A es no inversible, entonces el procedimiento en ese punto se detiene y se reporta la no
inversibilidad.
Es de suma importancia recordar que todas las operaciones realizadas sobre la matriz A
a invertir, se deben de realizar en la misma secuencia y en el mismo orden sobre la
matriz identidad I que fue colocada a su lado. Al final del procedimiento, en el lugar de la
matriz identidad se obtendrá la matriz invertida A-1.
119 de 180
Primer semestre
Ejemplo:
Obtener la inversa de la matriz A indicada:
1 1 1
𝐴 = [2 1 0]
1 0 1
Empezamos colocando lado a lado la matriz A y la matriz identidad I del mismo

orden:
1 1 1 1 0 0
[2 1 0 ] [0 1 0]
1 0 1 0 0 1
El cálculo de inversión consta de los siguientes pasos (ver notación método de

Gauss unidad 1) y se desarrolla en esa secuencia posteriormente:
1) -2R1+R2; 2) -R1+R3; 3) -R2+R3;4) (1/2) R3; 5)-R3+R1; 6) R2+R1; 7) -R2; 8) A-1
Pasos 1) y 2):
1 1 1 1 0 0
−2R1 + R2 ; −R1 + R3 [0 −1 −2] [−2 1 0]
0 −1 0 −1 0 1
Pasos 3) y 4):
120 de 180
Primer semestre
1 1 1 1 0 0
−R2 + R3 [0 −1 0] [−1 0 1]
0 0 2 1 −1 1
𝑅3 1 1 1 1 0 0
[0 −1 0] [−1 0 1]
2
0 0 1 0.5 −0.5 0.5
Pasos 5) y 6)
1 0 0 −0.5 0.5 0.5

-R3+R1; R2+R1 [0 −1 0] [ −1
1
0
1
1]
1
0 0 1 −2 2
2
Pasos 7) y 8):
1 0 0 −0.5 0.5 0.5

-R2[0 1 0] [ 1 0 −1]
0 0 1 0.5 −0.5 0.5
Por lo que:
−0.5 0.5 0.5

A-1:[ 1 0 −1]
0.5 −0.5 0.5
Se observa, en el ejemplo anterior, que efectivamente en el lugar de la matriz A

ahora queda la matriz I, así mismo que en el lugar de la matriz I queda ahora la
matriz A-1.
Se deja como ejercicio al alumno comprobar que el producto AxA-1 produce la matriz
identidad de orden 3x3 (I).
121 de 180
Primer semestre
Matriz Transpuesta
La matriz transpuesta está dada por una matriz en la cual se intercambian los
renglones por las columnas, dando como resultado la matriz transpuesta. Entonces
considerando la matriz A:
𝑎11 𝑎12 … 𝑎1𝑚

𝑎21 𝑎22 … 𝑎2𝑚
𝐴=[ ]
… … … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑚
Su matriz transpuesta es:
Una liga que se recomienda para

practicar y fortalecer los Un documento que se
conocimientos vistos en este recomienda revisar para estudiar
apartado se encuentra en la Red la aplicación de las matrices en la
Universitaria de Aprendizaje en: codificación de la información es:
http://fcasua.contad.unam.mx/clas Cortés, J. y Calbo, G. (2003).

es_virtuales/informatica/1168/sesi Aplicación de las matrices
on_22/player.html invertibles en criptografía. Revista
de la Facultad de Educación de
Albacete, (18), 279-284.
Disponible en:
𝑎11 𝑎21 … 𝑎𝑛1
𝑎12 𝑎22 … 𝑎𝑛2 https://previa.uclm.es/ab/educacio
𝐴=[ … … … … ] n/ensayos/pdf/revista18/18_16.pd
𝑎1𝑚 𝑎2𝑚 … 𝑎𝑛𝑚 f
Ejemplo:
Sea la matriz A, calcule su matriz transpuesta.
122 de 180
Primer semestre
1 1 1
𝐴 = [3 1 2]
1 1 1
La transpuesta de A es:
1 3 1
𝑡
𝐴 = [ 1 1 1]
1 2 1
123 de 180
Primer semestre
RESUMEN
En esta unidad se hizo una revisión de la notación, la compatibilidad y el proceso
algorítmico de las operaciones matriciales más comunes, estas son: suma y resta
de matrices, multiplicación de matriz por un escalar, multiplicación de una matriz por
un vector, multiplicación de dos matrices, producto cartesiano, matriz identidad
multiplicativa y las matrices inversa y transpuesta. El objetivo de hacerlo versa tanto
en el sentido algebraico como en el sentido algorítmico, ya que de esta forma es
posible realizar un modelado de los problemas y también obtener sus soluciones
Esto último se pudo apreciar puntualmente en esta unidad, a través de la

presentación de algunas aplicaciones algebraicas de la matriz inversa en las
trasformaciones lineales.
124 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Lay, David (2004). Álgebra lineal y sus aplicaciones (3ª. Ed.). México: Pearson,
492 pp.
763 pp.
Matemáticas I, tema V
Matrices, sesión 22:
Operaciones con matrices.
Artículo sobre la aplicación de

https://previa.uclm.es/ab/educacion/ensayos/pdf/revista
18/18_16.pdf
las matrices en la codificación
de la información.
125 de 180
Primer semestre
UNIDAD 6
Determinantes
126 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno identificará las propiedades y aplicaciones de los determinantes.
TEMARIO DETALLADO
(8 horas)
6. Determinantes
6.1. Definiciones y propiedades
6.2. Regla de Cramer
6.3. Eigen valores, eigen vectores
127 de 180
Primer semestre
INTRODUCCIÓN
La idea del determinante proviene de mucho tiempo más atrás que la del concepto
de matriz. El determinante fue descubierto por Cramer durante sus trabajos
orientados a la resolución de problemas que se formulaban a través de los sistemas
de ecuaciones lineales.
(Imagen de un determinante)
La teoría de los determinantes fue expuesta por primera vez en el año de 1750, es
decir, cien años antes de que Sylvester y Cayley empezaran a hablar de las
Matrices. (Imagen de Cayley)
Hoy en día, el concepto del Determinante tiende a ser referido como resultado de la
Teoría de Matrices y, por consecuencia, es considerado como el Proceso de
Axiomatización de las Matrices.
En esta unidad veremos lo que se refiere a la

definición del Determinante, así como las
propiedades que lo caracterizan e identifican como
tal; posteriormente, veremos cómo se define y aplica
la Regla de Cramer, y finalmente, cómo se definen y
obtienen los Eingevalores y los Eingevectores, a fin
128 de 180
Primer semestre
de poder vincularlos en el campo profesional de la Licenciatura en Informática.
6.1. Definiciones y propiedades

La teoría de funciones es un extenso campo de las matemáticas; tal como tenemos
en el caso de la ecuación de una recta: 𝑦 = 𝑚𝑥 , en la que un par de números (𝑥, 𝑦)
están relacionados por una regla de asignación, también existen casos donde ahora
la variable es una matriz 𝐴 y la función matemática le asigna a ésta un valor escalar
“𝑦” (Howard, 1983: 73). Este es precisamente el caso de la función determinante,
que es un número que se asigna algorítmicamente a una formación cuadrada de
números (matriz), y se denota por medio del siguiente símbolo:
|𝑨|
Y se lee: “determinante de la matriz A”
La idea de determinante fue considerada desde 1683 por el matemático japonés

Seki Takakasu y, de manera independiente, en 1693 por el matemático Alemán
Gottfried Leibniz, unos 160 años antes de que se desarrollara una teoría de matrices
por separado.
En esencia, la función determinante versa sobre una regla de asignación que tiene
su base en la teoría de las permutaciones y tiene amplia aplicación en el estudio de
las ecuaciones lineales y sus soluciones. Por esta causa es que también es de
nuestro interés el concepto y forma parte de nuestros estudios acerca del álgebra
lineal.
Existen varios procedimientos algorítmicos para poder calcular el determinante de

una matriz, sin embargo, nos enfocaremos en dos de ellos que se listan a
continuación.
129 de 180
Primer semestre
a) Regla de Sarrus
b) Método de cofactores
Regla de Sarrus
Sea A una matriz cuadrada (el número

de renglones y columnas es el mismo),
su determinante es un valor numérico
que se calcula con todos los
coeficientes de la matriz.
Caso 1. Determinante de una matriz de

orden 2x2
𝑎 𝑏
Sea la matriz 𝐴 = [ ] entonces el
𝑐 𝑑
determinante de A se define como:
|𝐴| = 𝑎𝑑 − 𝑐𝑏
El cálculo se realiza haciendo la multiplicación “cruzada” de los elementos “a “por

“d” menos el producto de los elementos “c” por “b”.
Ejemplo:
−𝟐 𝟏 |𝑨| (−𝟐)(𝟑)
𝑨=[ ] = − 𝟓(𝟏) = −𝟔 − 𝟓 = −𝟏𝟏
𝟓 𝟑
Como habíamos mencionado el determinante de una matriz tiene que ver con la
teoría de permutaciones, y lo que se busca es relacionar con este enfoque las
ubicaciones renglón-columna al interior de la matriz, esta situación se menciona con
el fin de vislumbrar el porqué de las variaciones entre los diferentes métodos de
cálculo del determinante de un matriz.
130 de 180
Primer semestre
Caso 2. Determinante de una matriz de 3x3
𝑎11 𝑎12 𝑎13

Sea la matriz 𝐴 = [𝑎21 𝑎22 𝑎23 ]
𝑎31 𝑎32 𝑎33
Entonces, para calcular el determinante de 𝐴 se realizan los siguientes pasos:
1.-Repetir los dos primeros renglones abajo de la matriz.
2.- Trazar sobre los elementos aij de la matriz seis líneas rectas “imaginarias”
(denominadas diagonales), que enlacen simultáneamente solo tres elementos aij.
Tres de estas líneas se trazan de izquierda a derecha (“izquierda”) y las otras tres
de derecha a izquierda (“derecha”).
3.- Multiplicar los tres elementos encada diagonal izquierda (línea roja) y en cada
diagonal derecha (línea verde),
véase la figura inferior.
4.- El determinante es el resultado

de sumar los tres productos de las
“diagonales izquierdas” (líneas
rojas) y restarles los tres productos
de las diagonales derechas (líneas
verdes). Esto se ilustra a
continuación:
131 de 180
Primer semestre
Ejemplo:
Obtenga el determinante de la matriz A

1 2 3
1 2 3 1 1 −1
𝐴 = [1 1 −1] |𝐴| = 2 0 5
2 0 5 1 2 3
[1 1 −1]
= (1𝑥1𝑥5) + (1𝑥0𝑥3) + (2𝑥2𝑥 − 1) − [(5𝑥2𝑥1) + (−1𝑥0𝑥1) + (3𝑥1𝑥2)]
= (5 + 0 + 4) − (10 + 0 + 6) = 1 − 16 = −15
|𝐴| = −15
En el ejemplo anterior solo se indicó con el color respectivo el “inicio” de las

diagonales “imaginarias”.
PROPIEDADES DE LOS DETERMINANTES
Las propiedades de la función determinante nos facilitan la evaluación del

determinante de una matriz, ya sea por
su evaluación directa o por medio de
la diagonalización de la matriz (ver
unidad 1, método de Gauss); cabe
mencionar que este último método es
muy conveniente para calcular los
determinantes de matrices “muy
grandes”, esto es de orden mayor a
5x5.
132 de 180
Primer semestre
Para todas las siguientes propiedades considere que A es una matriz cuadrada.
ALGUNAS PROPIEDADES DE LOS DETERMINANTES
I) Si todos los elementos de un renglón o columna de la matriz “A” son ceros,
entonces|𝑨| = 𝟎
II) Cuando dos renglones o columnas de la matriz “A” son idénticos, entonces
|𝑨| = 𝟎
III) Cuando la matriz A es triangular superior o inferior (considerando la diagonal
principal de una matriz, que es la línea imaginaria formada por todos los
elementos en los que dada la posición 𝒂𝒎𝒏 , se tiene que 𝒎 = 𝒏, entonces todos
los elementos bajo de ella son ceros (triangular superior) o arriba de ella son ceros
(triangular inferior), ver unidad 1) entonces el determinante |𝑨|es igual al producto
de los elementos de la diagonal principal.
IV) Si |𝑨|es una matriz identidad, entonces su determinante es igual a uno.
v) Si B es la matriz que se obtiene de A intercambiando dos renglones o columnas,

entonces|𝑨| = −|𝑩|
VI) Si la matriz𝑩 se obtiene de la matriz 𝑨 al multiplicar un renglón o columna por

un escalar k, entonces: |𝑩| = 𝒌|𝑨|
VII) El determinante del producto (A x B)de matrices cuadradas es el producto de

sus determinantes, o sea |𝑨 × 𝑩| = |𝑨||𝑩|
VIII) Si 𝑨 es una matriz 𝒏 × 𝒏, entonces|𝑨𝑻 | = |𝑨|

𝟏
IX) 𝑨−𝟏 = 𝑨𝒅𝒋 𝑨
|𝑨|
𝟏
X) Si A es invertible entonces |𝑨−𝟏 | = |𝑨|
133 de 180
Primer semestre
Ejemplo:
Matriz nula
El determinante de una matriz nula 3x3, es cero, esto se deriva de la propiedad I).
0 0 0
𝐷𝑒𝑡(0) = |0 0 0| = 0
0 0 0
Matriz unidad o identidad
El determinante de la matriz identidades uno, esto se deriva de las propiedades III)
y IV).
1 0 0
1 0
𝐷𝑒𝑡(1) = | | = | 0 1 0| = 1
0 1
0 0 1
Matriz diagonal
El determinante de una matriz diagonal es igual al producto de los elementos de la
diagonal principal, esto se deriva de la propiedad III).
2 0 0
𝐷𝑒𝑡(𝐴) = |0 3 0| = 2 ∙ 3 ∙ 1 = 6
0 0 1
Matriz triangular
El determinante de la matriz triangular es igual al producto de los elementos de la
diagonal principal, de igual forma el resultado se concluye de la propiedad III).
2 1 3
𝐷𝑒𝑡(𝑀) = |0 1 5| = 8
0 0 4
Como se ha mencionado, existen diversos métodos para la evaluación de un

determinante, algunos de ellos, como la regla de Sarrus, son convenientes para
matrices cuadradas de orden menor o igual a 3.
134 de 180
Primer semestre
A continuación se muestra el método de cofactores que puede aplicarse para
matrices mayores; pese a que se considera un método de aplicación general, el
algoritmo suele complicarse de manera importante al incrementar el orden de la
matriz, por ello en la práctica el método de diagonalización de Gauss se utiliza de
manera preferente, sin embargo, es conveniente mostrar el método de cofactores
con el fin de proporcionar una visión general sobre las diferentes metodologías
existentes en cuanto a la evaluación de los determinantes.
Desarrollo de un determinante por cofactores
Sea una matriz A:
𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
[ ]
… … … …
𝑎𝑛1 𝑎2𝑛 … 𝑎𝑛𝑚
Si se considera a un elemento “aij” de la matriz A y se “elimina” de esta el renglón

“i” y la columna “j”, entonces sí ahora formamos una matriz M que conste de los
renglones y columnas no eliminados de A, a esta “submatriz” se denomina el menor
ij de A, denotándose 𝑀𝑖𝑗.
Para aclarar el punto mostramos el siguiente ejemplo considerando una matriz 3x3:
𝑎11 𝑎12 𝑎13

𝐴 = |𝑎21 𝑎22 𝑎23|
𝑎31 𝑎32 𝑎33
Para formar el menor “a21”, esto implica eliminar el renglón 2 y la columna 1 de la

matriz A:
𝑎11 𝑎12 𝑎13

𝐴 = |𝑎21 𝑎22 𝑎23|
𝑎31 𝑎32 𝑎33
135 de 180
Primer semestre
Entonces el menor M21 quedará como:
𝑎12 𝑎13
𝑀21 = | |
𝑎32 𝑎33
Cofactores
A continuación, se proporcionará la definición de cofactor de una matriz. El cofactor

“ij” de una matriz A es el número Cij determinado por:
Cij= (-1)i+jMij
Donde 𝑀𝑖𝑗 es el menor asociado al elemento 𝑎𝑖𝑗 de la matriz A.
A continuación, se definirá el método de cálculo del determinante de una matriz A,

a partir de los cofactores de ésta.
El determinante de una matriz cuadrada de orden nxnes igual a la suma de los

productos de los elementos “aij” de un renglón o columna cualquiera por sus
cofactores respectivos (Howard, 1983:91), esto es:
det(𝐴) = 𝑎𝑖1 ∙ 𝐶𝑖1 + 𝑎𝑖2 ∙ 𝐶𝑖2 + ⋯ + 𝑎𝑖𝑛 ∙ 𝐶𝑖𝑛 : Esto es considerando un renglón
det(𝐴) = 𝑎1𝑗 ∙ 𝐶1𝑗 + 𝑎2𝑗 ∙ 𝐶2𝑗 + ⋯ + 𝑎𝑛𝑗 ∙ 𝐶𝑛𝑗 . Esto es considerando una columna
Ejemplo: Obtener el determinante de la matriz A.
3 1 0
𝐴 = [−2 −4 3]
5 4 −2
Apoyándonos en el renglón 1
|𝐴| = 3 [−4 3 ] − 1 [−2 3 ] + 0 [−2 −4] = 3(−4) − 1(−11) + 0(12) = −1

4 −2 5 −2 5 4
136 de 180
Primer semestre
Se deja al alumno comprobar el resultado anterior por el método de Sarrus y por
cofactores apoyándose en la columna uno de la matriz indicada.
137 de 180
Primer semestre
6.2 Regla de Cramer
La Regla de Cramer es un método que nos permite calcular la solución de un
sistema con “n” ecuaciones y “n” incógnitas, siempre y cuando el determinante de
la matriz asociada A sea diferente de cero. Esto se resume formalmente a
continuación:
Sea un sistema de ecuaciones lineales,
𝐴𝒙=𝒚
Si se cumple que:
a) A es una matriz cuadrada
b) Y |𝐴| ≠ 𝟎
Entonces el sistema es compatible, tiene solución única y el valor de cada incógnita

𝑥𝑖 del sistema de ecuaciones lineales está dado por la expresión:
|𝐴𝑖|
𝑥𝑖 =
|𝐴|
Donde el elemento 𝑨𝒊 es la matriz que se obtiene al sustituir la columna 𝑪𝒊 en la

matriz 𝑨, por el vector columna 𝒚.
Específicamente, si al sistema de ecuaciones lo expresamos matricialmente:
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
[ ][ ] = [ ]
… … … … … …
𝑎𝑛1 𝑎2𝑛 … 𝑎𝑛𝑚 𝑥𝑛 𝑏𝑛
138 de 180
Primer semestre
Tendremos entonces que:
|𝐴2|
𝑥2 =
|𝐴|
𝑎11 𝑏1 … 𝑎1𝑛
𝑎21 𝑏2 … 𝑎2𝑛
𝑑𝑒𝑡 [ ]
… … … …
𝑥2 = 𝑎𝑛1 𝑏𝑛 … 𝑎𝑛𝑚
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
𝑑𝑒𝑡 [ ]
… … … …
𝑎𝑛1 𝑎2𝑛 … 𝑎𝑛𝑚
Sí las matrices involucradas (|𝐴|𝒚 |𝐴𝑖|) son de un orden máximo de 3x3, sus
determinantes se pueden calcular con la regla de Sarrus, vista en el punto 5.1, en
otro caso (orden de A mayor a 3x3) es conveniente utilizar la diagonalización de la
matriz con el método de Gauss visto en el capítulo 1 de estos apuntes.
Ejemplo:
Sea un sistema de 3 ecuaciones con 3 incógnitas

𝑥 + 𝑦 + 𝑧 = 15
{ − 𝑦 + 2𝑧 = 10
𝑥
3𝑥 + 𝑦 − 𝑧 = 25
Su matriz asociada 𝐴 es entonces:
1 1 1
𝐴 = (1 −1 2 )
3 1 −1
Usando la Regla de Cramer obtenemos los valores de los determinantes y a partir

de ellos los de las incógnitas:
139 de 180
Primer semestre
15 1 1 1 15 1 1 1 15
|10 −1 2 | |1 10 2 | |1 −1 10|
𝑥 = 25 1 −1 = 8, 𝑦= 3 25 −1 = 4, , 𝑧 = 3 1 25 = 3
1 1 1 1 1 1 1 1 1
|1 −1 2 | |1 −1 2 | |1 −1 2 |
3 1 −1 3 1 −1 3 1 −1
Entonces los valores 𝑥 = 8, 𝑦 = 4, 𝑧 = 3 son la solución del sistema de ecuaciones
lineales propuesto.
Regla de Cramer para un sistema de 2 ecuaciones con 2 incógnitas. Sea el siguiente

sistema de ecuaciones de segundo orden:
2𝑥 + 3𝑦 = 15
{
𝑥 − 𝑦=5
La matriz de coeficientes es la siguiente:
2 3
𝐴=( )
1 −1
Calculemos los valores de 𝑥, 𝑦 usando la Regla de Cramer:
15 3 2 15
| | | |
𝑥 = 5 −1 = 6, 𝑦= 1 5 = 1
2 3 2 3
| | | |
1 −1 1 −1
Se deja al alumno comprobar la validez de los resultados obtenidos para ambos

sistemas resueltos por la regla de Cramer.
La aplicación del concepto de determinante simplifica la obtención de las soluciones en
algunos sistemas de ecuaciones lineales, sin embargo, para sistemas de ecuaciones
con más de tres incógnitas, la complejidad computacional del método se va
incrementando en proporción del número de incógnitas y es por esto que es más
conveniente, de manera general, aplicar el método de Gauss-Jordan.
140 de 180
Primer semestre
6.3 Eigenvalores, eigenvectores
Eingevalores
En algunas transformaciones lineales del tipo T(V) → Vse requiere encontrar los
valores escalares para los cuales la siguiente ecuación tiene soluciones diferentes
de cero (Howard, 1983: 255):
T(x) = λ(x).
Si consideramos que la transformación lineal se representa por su matriz asociada,
tenemos:
Ax = λ𝑥
Aplicando las propiedades de suma y resta de las matrices (unidad 5) tenemos que:
λx − Ax = 0
Adicionalmente aplicado las propiedades de multiplicación de las matrices:
Una liga que se recomienda para practicar y fortalecer los conocimientos

vistos en este apartado se encuentra en la Red Universitaria de Aprendizaje
en:
http://fcasua.contad.unam.mx/clases_virtuales/informatica/1168/sesion_24/pl
ayer.html
141 de 180
Primer semestre
(λI − A)x = 0 (a)
De la ecuación anterior podemos entonces definir a λ como el valor (o valores ya

que puede haber más de uno), característicos (también conocidos como
eigenvalores) de la trasformación A; así mismo los vectores x (diferentes al vector
cero) asociados a estos valores λ y que satisfacen la ecuación (a) se denominan
vectores característicos o eigenvectores.
De la ecuación (a) podemos observar que los eingevalores son números que se
restan a la diagonal de una matriz y al satisfacer la ecuación (a) esto implica que:
det(λI − A) = 0
Si tenemos una matriz A:
𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
[ ]
… … … …
𝑎𝑛1 𝑎2𝑛 … 𝑎𝑛𝑛
Entonces, su determinante será:

𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
det(𝐴) [ ]
… … … …
𝑎𝑛1 𝑎2𝑛 … 𝑎𝑛𝑛
Para obtener los eigenvalores λ, hacemos lo siguiente:
λ − 𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 λ − 𝑎22 … 𝑎2𝑛
| |=0
… … … …
𝑎𝑛1 𝑎2𝑛 … λ − 𝑎𝑛𝑛
142 de 180
Primer semestre
Ejemplo:
Calcular los eigenvalores de la siguiente matriz A.
1 1
𝐴=[ ]
1 2
1−λ 1
[ ]=0
1 2−λ
Y el determinante nos da
= (1 − λ)(2 − λ) − 1 = 0
= 1 − 2λ + λλ − 1 = −2λ + λ2 = λ(λ − 2) = 0
De aquí obtenemos dos eigenvalores: λ=0 y λ=2
Eigenvectores
Como habíamos mencionado un eigenvector es un vector asociado a una matriz A,
el cual se obtiene a partir de los eigenvalores. Es decir, que, para su cálculo, primero
hay que obtener los eigenvalores de la matriz A. (Poole, 2004: 247-249). Estos
vectores tienen la propiedad de que dada la ecuación matricial:
(λ𝐼 − 𝐴)𝑥 = 0
Existen vectores no triviales (diferentes del vector cero), xi con los que se cumple
que:
𝐴𝑥 = 𝜆𝑥
Para la obtención de los eigenvectores se tienen que encontrar los valores:

[𝑎1 𝑎2 … 𝑎𝑛]
143 de 180
Primer semestre
De tal manera que se cumpla la siguiente expresión:
λ − 𝑎11 𝑎12 … 𝑎1𝑛 𝑎1 0

𝑎21 λ−𝑎22 … 𝑎2𝑛 𝑎2 0
| |×[ ]= [ ]
… … … … … …
𝑎𝑛1 𝑎2𝑛 … λ − 𝑎𝑛𝑛 𝑎𝑛 0
Donde 𝑎1, 𝑎2, … , 𝑎𝑛 son valores constantes.
Ejemplo:
Calcular los eigenvectores de la matriz A.
1 1
𝐴=[ ]
1 2
144 de 180
Primer semestre
Primero obtenemos los eigenvalores
1−λ 1
[ ]=0
1 2−λ
Y la determinante nos da.

= (1 − λ)(2 − λ) − 1 = 0
= 1 − 2λ + λ2 − 1 = −2λ + λ2 = λ(λ − 2) = 0
De aquí obtenemos dos eigenvalores: λ = 0y λ = 2.
Para obtener los eigenvectores.

1−λ 1 𝑎1 0
[ ]×[ ]=[ ]
1 2−λ 𝑎2 0
Tenemos que para λ = 0
1 1 𝑎1 𝑎1 + 𝑎2 0
[ ]×[ ]=[ ]=[ ]
1 2 𝑎2 𝑎1 + 2𝑎2 0
Esto implica del primer renglón que 𝑎1 + 𝑎2 = 0implica que 𝑎2 = −𝑎1; en tanto
que del segundo renglón tenemos que 𝑎1 + 2𝑎1 = −𝑎1= 0 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑎1 = 𝑎2 = 0
De lo anterior se desprende que para λ = 0 tenemos el vector (0,0) o solución trivial.
Para λ = 2
−1 1 𝑎1 −𝑎1 + 𝑎2 0
[ ]×[ ]= [ ]=[ ]
1 0 𝑎2 𝑎1 0
Del primer renglón tenemos que– 𝑎1 + 𝑎2 = 0, implica que𝑎2 = 𝑎1

Del segundo renglón tenemos que 𝑎1 = 0
145 de 180
Primer semestre
Por lo tanto para λ = 2, la única solución que se tiene es la trivial, el eigenvector
(0,0).
De este apartado es importante rescatar una propiedad matemática de mucha
utilidad acerca de los conceptos de valores y vectores característicos. Esta se
refiere al hecho de que estos elementos tienen la propiedad de que dado un valor
característico (eigenvalor λ), y un vector característico 𝐱 asociados a una matriz A,
se cumple que:
𝑨𝒙 = 𝛌𝐱
Esta ecuación es relevante pues indica que para estos elementos es equivalente
realizar la multiplicación tanto por la matriz A cuanto por el escalar λ; esto también
se puede interpretar como que existe una relación de escala entre el vector
característico 𝐱 con su valor característico λ (Howard, 1983: 259). Esta condición
puede facilitar ampliamente la realización de cálculos en los problemas y más aún
sí los vectores característicos se pueden aprovechar como una base del espacio
vectorial de interés. Como comentábamos en la unidad 4, en estas situaciones
también es más fácil hacer una comparación a partir de valores escalares (números)
que por medio de elementos matriciales.
Es necesario decir que en la práctica las

Una liga que se recomienda
matrices relacionadas a los problemas para practicar y fortalecer los
reales son de dimensiones grandes y conocimientos vistos en este
apartado se encuentra en la
bajo esta óptica la obtención de los
valores y vectores característicos se Aprendizaje en:
debe de llevar a cabo a través de la
http://fcasua.contad.unam.mx/c
aplicación de métodos numéricos. lases_virtuales/informatica/116
8/sesion_26/player.html
Una vez obtenidos los eigenvalores y los
eigenvectores correspondientes, estos
146 de 180
Primer semestre
pueden ser un eficaz apoyo para la aceleración de la mecánica algorítmica en la
solución de un problema dado.
RESUMEN
En la actualidad, los requerimientos analíticos
de las empresas avanzan rápidamente; por
este motivo, se requieren modelos y algoritmos
más complejos para la solución de los
problemas. Para determinar y resolver las
interacciones que producen mejores procesos
productivos y rinden mayores utilidades para las organizaciones es menester
construir complejos modelos en los que se interrelacionan sistemas de ecuaciones
y transformaciones lineales, por ello es necesario conocer una variedad de
herramientas que nos permitan plantear, analizar y resolver estas estructuras de
manera rápida y con un cierto nivel de
versatilidad, que se adapte a las
condiciones cambiantes de los
negocios. Es en estos entornos donde
los conceptos de determinante y de
valores y vectores característicos
encuentran un importante nicho de
aplicación; por tanto, es de suma
importancia conocer y dominar las
técnicas matemáticas avanzadas que
nos ofrece el álgebra lineal en el campo
profesional de la informática.
147 de 180
Primer semestre
148 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Lay, David (2004). Álgebra lineal y sus aplicaciones (3ª. Ed.). México: Pearson,
492 pp.
763 pp.
Matemáticas I, tema VI
Determinantes, sesión 24:
Definición y propiedades.
149 de 180
Primer semestre
Matemáticas I, tema VI
Determinantes, sesión 26:
Eigenvalores y eigenvectores.
150 de 180
Primer semestre
Unidad 7
Prácticas en laboratorio
151 de 180
Primer semestre
OBJETIVO PARTICULAR
El alumno resolverá problemas de algebra lineal utilizando software.
TEMARIO DETALLADO
(12 horas)
7. Prácticas en laboratorio
152 de 180
Primer semestre
INTRODUCCIÓN
En el desarrollo de este tema se muestra la aplicación de los conocimientos
adquiridos durante el semestre y algunos de otras materias que, en su conjunto,
permiten que seas capaz de resolver problemas con el apoyo del uso de la
computadora.
La idea del software para la resolución de problemas matemáticos diversos se

maneja ampliamente a partir del Siglo XX, periodo en el que el hombre se preocupó
por comprender el desarrollo tecnológico y como utilizarlo para acelerar el avance
de la ciencia, realidad que se vive en forma acelerada en la actualidad.
La resolución de problemas matemáticos por medio del uso de software se ha

tornado omnipresente y hoy en día es un requisito indispensable, ante el constante
cambio que el hombre ha provocado en su relación con el medio ambiente en la
búsqueda de tener un mayor bienestar.
En esta unidad veremos lo que se refiere a las aplicaciones del software Excel en
los diversos temas vistos a lo largo de las unidades anteriores, con el fin de poder
dar solución de una manera más rápida a diversos problemas del campo profesional
de la Licenciatura en Informática y su relación con las áreas Contables-
Administrativas.
153 de 180
Primer semestre
Caso práctico: sistema de ecuaciones lineales
Supóngase que el importe de una compra de cuatro refrescos chicos y cinco

refrescos grandes es por $94.00, si se realiza una nueva compra por dos refrescos
chicos y un refresco grande y el importe de esta compra es por $26.00. ¿Cuál es el
precio del refresco chico y grande?
Para solucionar este ejercicio plantearemos el sistema de ecuaciones lineales

correspondiente y utilizaremos la hoja de Excel para resolverlo.
4𝑐 + 5𝑔 = 94
2𝑐 + 𝑔 = 26
Y su matriz aumentada está dada por:
La solución del problema se obtendrá por el método de Gauss-Jordan.
Paso 1
Escribamos en un renglón y celdas diferentes los valores del número de refrescos

chicos en una celda y los grandes en la siguiente y después el valor del importe de
esa compra.
154 de 180
Primer semestre
Paso 2
7.1 Caso práctico Sistema de Ecuación Lineal
Paso 3
Transformamos el primer renglón multiplicándolo por el número de refrescos chicos
adquiridos en la segunda compra.
Resultando:
155 de 180
Primer semestre
Paso 4
Transformamos el segundo renglón multiplicándolo por el número de refrescos
chicos adquiridos en la primera compra.
Resultando
Paso 5
De los dos renglones resultantes de los pasos 3 y 4, al renglón obtenido en el paso
3 se le resta el renglón obtenido en el paso 4. Aquí da como resultado en la celda
correspondiente a los refrescos chicos el valor de cero y en las otras celdas no
necesariamente un valor igual a cero.
156 de 180
Primer semestre
Resultando:
157 de 180
Primer semestre
Paso 6
Del resultado obtenido en la diferencia del importe de las compras (obtenido en el
paso 5), este se divide entre valor obtenido correspondiente a los refrescos grandes,
este cociente representa el precio del refresco grande.
Resultando:
Paso 7
Para obtener el precio del refresco chico se multiplicará la celda que contiene el
precio del refresco grande (celda paso 6) por el número de refrescos comprados en
la primera compra (celda del paso 1), el producto anterior se le resta al importe de
la primera compra (celda paso 1) y la resultante de esta diferencia se divide entre el
número de refrescos chicos comprados en la primera compre (celda paso 1).
Resultando:
A la compra total se le resta el valor anterior
158 de 180
Primer semestre
Lo dividimos entre el número de refrescos chicos comprados la primera vez
Resultando:
Finalmente, los valores obtenidos en los pasos seis y siete, refresco grande $14,
refresco chico $6, son los resultados buscados en esta práctica.
Caso práctico de vectores
Supóngase que el importe del ingreso de tres diferentes productos es de $4,000,

$5,000 y $3,000 respectivamente y el correspondiente importe del costo variable es
de $1,000, $2,000 y $ 1,000, calcular la utilidad por artículo.
Para solucionar este ejercicio utilizaremos la hoja Excel, además consideraremos

que los importes de los ingresos, costos y utilidad representan un vector cada uno
de ellos. Esto se representa matemáticamente por la expresión:
𝒊−𝒄=𝒖
Donde i es el vector de ingresos, c es el vector de costos y u es el vector de utilidad.
Paso 1
Pon en un renglón y celdas diferentes los valores del importe de cada uno de los
ingresos de cada de los productos.
159 de 180
Primer semestre
Paso 2
En un renglón y celdas diferentes los valores del importe de cada uno de los costos
de cada uno de los productos.
Paso 3
Realiza la resta de los ingresos y costos obteniendo de esta manera la utilidad de
cada uno de los productos (se resta la celda del renglón del paso uno menos la del
renglón del paso 2 y así sucesivamente).
Resultado
160 de 180
Primer semestre
El vector anterior (3000, 3000, 2000) es la respuesta solicitada que nos muestra la
utilidad obtenida para cada producto.
Caso práctico de transformación lineal
Supóngase que una empresa tiene su centro de distribución de uno de sus artículos
en el Estado de México y para distribuirlo a toda la república tiene cuatro bodegas
distribuidas para la mejor eficiencia, la empresa divide en cuatro zonas diferentes
zona sureste, suroeste, noreste y noroeste, si el porcentaje de acuerdo a la
demanda de cada zona es la siguiente 11%, 26%, 35% y 28% respectivamente.
¿Cuál es la cantidad que se deberá enviar a cada zona si la planta produce 100,000
unidades mensuales de dicho artículo?
Para solucionar este ejercicio utilizaremos la hoja Excel, y además consideraremos

que los porcentajes de cada una de las zonas forman una matriz. La matriz asociada
y los valores proporcionados en el enunciado se muestran a continuación.
𝑘𝐴 = 𝐵
0.11 0.26
𝐴=[ ] 𝑘 = 100,000
0.35 0.28
Paso 1
Primero escribe en un renglón y una celda la cantidad de unidades que produce la

empresa en un mes, en este caso 100,000 unidades.
161 de 180
Primer semestre
Paso 2
En un renglón y celdas diferentes los valores de los porcentajes de la zona sur-este
y sur-oeste respectivamente.
Paso 3
En un renglón y celdas diferentes los valores de los porcentajes de la zona noreste
y noroeste respectivamente.
Paso 4
En un renglón y celdas diferentes los valores de los porcentajes de la zona sur-este
y sur-oeste respectivamente son multiplicados por la celda del paso número uno.
En conjunto tenemos
Paso 5
162 de 180
Primer semestre
Colocamos en otro renglón y celdas diferentes los valores de los porcentajes de la
zona noreste y noroeste, respectivamente, multiplicados por la celda del paso
número uno.
En conjunto tenemos
Los renglones resultantes de los pasos cuatro y cinco forman la matriz resultante de
la transformación lineal
La matriz Aes la respuesta solicitada que nos muestra las cantidades demandadas
por zona. Es útil observar cómo, en este caso, la transformación aplicada
corresponde a un proceso de multiplicación de matriz por un escalar.
11,000 26,000
𝐴=[ ]
35,000 28,000
163 de 180
Primer semestre
Caso práctico de producto interno
Supóngase que una empresa requiere para la fabricación de uno de sus artículos
tres diferentes metales (cobre, plata, oro), si las cantidades requeridas son las
siguientes: 2.4kg, 1.8 kg y 0.20 kg respectivamente y el precio por kg de cada uno
de los metales es de $18.00, $160.00, $9800.00. Calcular el costo total de la
operación de compra de los insumos.
Para solucionar este ejercicio utilizaremos la hoja Excel, y además consideraremos

que las cantidades requeridas de fabricación y de precios de materiales representan
un vector cada uno de ellos. Establecido esto podemos determinar que el resultado
del problema por medio de la siguiente ecuación vectorial:
𝑚 ∙ 𝑐 = 𝑐𝑡
Que indica el producto punto entre el vector de los materiales m, y el vector de

costos unitarios asociados c, cuyo resultado es el valor escalar ct que nos reportará
el costo total de la operación
Paso 1
Primero escribe en un renglón y celdas diferentes las cantidades en kg de los
diferentes metales se requieren para la fabricación de dicho artículo.
Paso 2
En un renglón y celdas diferentes los valores del precio por kg de cada uno de los
metales.
164 de 180
Primer semestre
Paso 3
Realiza la multiplicación de cada cantidad de metal por su precio y se coloca en un
nuevo renglón (se multiplica cada celda del renglón del paso uno por la celda
del renglón del paso 2 y así sucesivamente).
Lo anterior nos da el siguiente vector:
Paso 4
Cada una de las celdas del renglón del paso tres se le suma, dando como resultado
el costo total del mencionado artículo.
Por lo tanto, el resultado es:
165 de 180
Primer semestre
El valor del paso cuatro es la respuesta solicitada que nos muestra el costo total del
artículo en cuestión, ct=$2,291.20.
Caso práctico de matrices

Supóngase que una empresa desea saber el requerimiento mínimo de dos procesos
diferentes que son indispensables para la fabricación de dos artículos distintos.
Considerando que el articulo número uno requiere de un minuto en cada proceso y
el articulo dos de uno y dos minutos, respectivamente, si se requieren fabricar 1,000
unidades del articulo uno y 2,100 del dos. ¿Cuáles son los requerimientos en
minutos para cada proceso?
La ecuación matricial que describe el problema se muestra a continuación.
𝐴𝑥 = 𝐵
1 1 1000
[ ]×[ ]=𝐵
1 2 2100
Para solucionar este ejercicio utilizaremos la hoja Excel.
Paso 1
Anota en un renglón y celdas diferentes los valores del número de minutos
requeridos por cada artículo en el proceso uno.
166 de 180
Primer semestre
Paso 2
Escribe en un renglón y celdas diferentes los valores del número de minutos
requeridos por cada artículo en el proceso dos.
Paso 3
Después, en un renglón y celdas diferentes los valores del número de unidades a
fabricar por cada artículo.
Paso 4
Multiplicamos los valores del renglón del paso tres por el renglón del paso uno (celda
por celda respectivamente se multiplican y después ambos resultados se suman
siendo esta suma el resultado del número de minutos requeridos en el proceso uno).
167 de 180
Primer semestre
Resultando:
La suma es:
Su cálculo es:
Paso 5
Multiplicamos los valores del renglón del paso tres por el renglón del paso dos (celda
por celda respectivamente se multiplican y después ambos resultados se suman
siendo esta suma el resultado del número de minutos requeridos en el proceso dos).
168 de 180
Primer semestre
Sumando los resultados anteriores; se tiene:
La suma nos da:
169 de 180
Primer semestre
Los valores obtenidos en los pasos cuatro y cinco forman el vector buscado en la
presente práctica. Es importante observar la compatibilidad del proceso de
multiplicación de matrices, y como a partir de ésta es posible dimensionar de inicio
las características del vector de resultados.
3100
𝐵=[ ]
5200
Caso práctico de determinantes

Supóngase que el importe de una compra de cinco refrescos chicos y cuatro
refrescos grandes es por $90.00, si se realiza una nueva compra por dos refrescos
chicos y un refresco grande y el importe de esta compra es por $25.00. ¿Cuál es el
precio del refresco chico y del refresco grande?
El problema planteado se puede resolver por medio de un sistema de ecuaciones

lineales de segundo orden. Recordando lo visto en la unidad 6 de los apuntes,
podemos recordar que la regla de Cramer es un método rápido de solución. A
continuación, presentamos la matriz aumentada asociada al sistema de ecuaciones
lineales y los determinantes correspondientes para la obtención de las incógnitas,
para finalmente resolver el problema por medio de la hoja de cálculo.
5 4 90
[ ]
2 1 25
90 4 5 90
| || |
25 1 2 25
5 4 5 4
| | | |
2 1 2 1
Paso 1
Primero colocamos en un renglón y celdas los diferentes valores del número de
refrescos chicos en una celda y los grandes en la siguiente y después el valor del
importe de esa compra.
170 de 180
Primer semestre
Paso 2
A continuación, escribe en un segundo renglón los valores de la segunda compra
de la misma manera que el primer renglón, es decir, los valores del número de
refrescos chicos en una celda y los grandes en la siguiente y después el valor del
importe de la segunda compra.
Paso 3
Calculamos la determinante del sistema como sigue, multiplicamos la primera celda
del renglón del paso uno por la segunda celda del renglón del paso dos, a lo anterior
le restamos el producto de la segunda celda del paso uno por la primera celda del
renglón del paso dos, el resultado es la determinante del sistema.
Paso 4
Calculamos la determinante del refresco chico como sigue, multiplicamos la tercera
celda del renglón del paso uno por la segunda celda del renglón del paso dos, a lo
anterior le restamos el producto de la segunda celda del paso uno por la tercera
celda del renglón del paso dos, el resultado es la determinante del refresco chico.
171 de 180
Primer semestre
Paso 5
Calculamos la determinante del refresco grande como sigue, multiplicamos la
primera celda del renglón del paso uno por la tercera celda del renglón del paso dos,
a lo anterior le restamos el producto de la tercera celda del paso uno por la primera
celda del renglón del paso dos, el resultado es la determinante del refresco grande.
Paso 6
Se divide la determinante del paso cuatro entre la determinante del paso tres dando
como resultado el precio del refresco chico.
172 de 180
Primer semestre
Paso 7
Se divide la determinante del paso cinco entre la determinante del paso tres dando
como resultado el precio del refresco grande.
Los valores obtenidos en los pasos seis y siete son el resultado buscado en la
presente práctica
173 de 180
Primer semestre
RESUMEN
En esta unidad vimos lo que se refiere a las Aplicaciones a través de software
(Excel) de los diversos temas vistos a lo largo de las Unidades anteriores, con el fin
de poder dar solución de una manera más rápida a problemas diversos en el campo
profesional de la Licenciatura en Informática y su relación con las áreas Contables-
Administrativas.
Es útil recordar que Excel también te ofrece las funciones de MMULT, para
multiplicación de matrices y MINVERSE para obtener la inversa de una matriz.
174 de 180
Primer semestre
BIBLIOGRAFÍA
FUENTES DE CONSULTA
Rendón, Araceli y Jesús Rodríguez (1988). Introducción al álgebra lineal y de

matrices. Aplicaciones con Excel. México: Universidad Autónoma Metropolitana,
Xochimilco.
175 de 180
Primer semestre
BIBLIOGRAFÍA
Fuentes de consulta
Howard, Anton (1983). Introducción al álgebra lineal (sexta edición). México:
Limusa.
Lay, David (2004). Algebra Lineal y sus aplicaciones (3ª. Ed.). México: Pearson,
492 pp.
Lipschutz, Martin, M. (1982). Procesamiento de datos. México: Mc. Graw Hill, 218
pp.
763pp.
Rendón, Araceli y Jesús Rodríguez (1988). Introducción al álgebra lineal y de

matrices. Aplicaciones con Excel. México: Universidad Autónoma Metropolitana,
Xochimilco.
Bibliografía básica
Barrera, G. F. (2014). Fundamentos de álgebra lineal y ejercicios. México: UNAM
Facultad de Ingeniería.
Barrera, M. F. (2014). Álgebra lineal. México: Grupo Editorial Patria.
De Oteyza, E. (2013). Álgebra. (4a ed.) México: Pearson Educación.
Larson, R. (2015). Fundamentos de álgebra lineal (7a ed.). México: Cengage

Learning.
176 de 180
Primer semestre
Singh, K. (2014). Algebra lineal: paso a paso. Oxford: Oxford University Press.
Bibliografía complementaria
Gutiérrez G. E. (2014). Álgebra lineal y sus aplicaciones. México: Grupo
Editorial Patria.
Kolman, B. (2013). Álgebra lineal: fundamentos y aplicaciones. Colombia:

Pearson Educación.
Poole, D. (2011). Álgebra lineal; una introducción moderna. (3ª ed.) México:
Cengage Learning.
Otras fuentes
Grossman, S. (1996). Algebra Lineal. México: Mc Graw Hill.
Gutiérrez G. E. (2014). Álgebra lineal y sus aplicaciones. México: Grupo Editorial

Patria.
BIBLIOGRAFÍA ELECTRÓNICA
Fuente Unidad Dirección electrónica
(es) que
soporta
Grossman, S. I. (2012). Álgebra lineal. 1–6 http://site.ebrary.com/lib/bibliodgbmhe/reader.actio
México: McGraw-Hill Interamericana. n?docID=10751572&ppg=8
Grossman, S. I. (2011). Matemáticas 1–6 http://site.ebrary.com/lib/bibliodgbmhe/reader.actio

4: álgebra lineal. México, D.F. : n?docID=10747971&ppg=6
McGraw-Hill Interamericana.
Gutiérrez, I. y Robinson, J. (2012). 5, 6 http://www.digitaliapublishing.com/visor/17355
Álgebra lineal. Barranquilla, Colombia:
Editorial Universidad del Norte.
177 de 180
Primer semestre
Hernández, E. (2012). Álgebra lineal y 1, 2, 6 https://www.biblionline.pearson.com/AuthBookLink.
geometría. Madrid: Pearson. aspx?bv=/FYMM0lRrgndZVvSV/3cVcvdqTPXwNFa
JAS9KfCLwp604+tkFt8NigfJSmLHLHjqmAgLvVIyw
6DSReL4p9AYSSE0g43qruRRc1y9zfNWvR6qCkti
HF0D+NYKVtX2+SyQASbgutiHQTxD8/ZIym8ufmc
3GV51NKJk8iI+ik4FsFJntSewPlqzxddSXqa46VbX
FC7l05kRLj9zgSeEZGgo4OH3uej8SYD+AnUDtpS
SoeKSE4ReJ6M2/aqkhu7BUbXZzlnLsBv4KkclYIjV
mDGkkP4SQ+JreggeUTWi7fgdUfBiqParZj3QWZx
nUnHTQEZzes3sRP/povRFPTGVbhoyWjZjzOvD8
RIo3tx18n8RxzItvQB6i72KIQ/puxfea4O3XiNjq/49B
GJxJJ1RI3ICnlsnfztzhj+9VmdmsqGTxqzLonfSTjdz
MTzjeESNrq1p2C5VpVO1Ah52Q5m+24ixgMIL7J
Mb6mLLayF2Gd3aSes=
Kolman, B. (2013). Álgebra lineal: 1-6 https://www.biblionline.pearson.com/AuthBookLink.
fundamentos y aplicaciones. Bogotá, aspx?bv=aNff9RzLMqMiw4F401/kDwR08R5Y6eIR
Colombia: Pearson Educación de 6zJ4EL8TnZsD2dBp2hBWZSJH92cV5KKm52bdA
Colombia. SrgkH5Q6nPmThgOo8svCu1KJUq1Y9hS3msj1x0
vB1JTEnpNfXT0iKbHUjhwgXjR6aYUsbw4/mtKzYp
Hp4DcAABIfcAbCSuwiISLC98hYClsxyjbLVG5dBS
TFmqJiiTZAUJcouR0TfWSYN8SLftCSHWYieaoJ2
FP3+JNZ4MrCRGpKkKdctERaLKIl6gIyZkDPagkg
CZYup1ZNb7poHyyMkmsGOa+tjQE2Nm1tnoW7c
MxR7tZgfemAvOhIZqTUHfVwRqNcmV+vuzbOLqL
oOvnkOE3IUGjrTJVd2fvQuSe7OLMFUu9A2tE0aR
GfyZoQm2MMRfbP/MoC7QRc3OLu+aH9r+9+97F
ocEAajdFHEenMjZsqrpigsJhKm+A8WUzr/vWwRM
x88JsEbVdIXtH+v+VHq5tdlqgB81zKjrs9sU=
Lay, D. C. (2013). Algebra lineal: para 1-6 https://www.biblionline.pearson.com/AuthBookLink.
cursos con enfoque por competencias. aspx?bv=+AHlGFF9Z6rEgLbpBhKT6mJvkGzMsqc
México: Pearson. DcF/Sm+jXtdraK9cCgm3n5o5+lYeVpG2RQiLrBpL
9PfDaSlPfHNMXOakrEeFohSrnEQii8xsIUPEAPoD
UIZIyl3YCEu8Ha0w3oHN10EM5q/0Nqc7ct1wHtM
R5ZlstwSkLXaJEm6+qUiedP4zfo2BKDTyjC9OFhH
kVFxcz7m8rsZ0uf5yOHFuhamYU8U0nPFQQHmu
HW3c7xWgHeNOIApPPMob9U3sJNIZJX2ZqUlJjH
5SkAAG6zpruytlmUbv2LoirsJppVPnqHoWsbJU34r
XH7Da+xidvkV/CoKNuD3bR7cIfwRVN+mjA4/Ize6z
zS/Ek9wKiaz3EMaHDJsbF4wuMDWo0ntAZJ73F8
sdv1Qg8K8dcKCA5esSU/i4ex4IwoCrIFSpUwTu5w
PtRJpqoObAtDF5B2JnnhYEb9Bv1q625uD0DX0C
ea8aDZECRjPjJnbtTsnWjM8ZaBUw=
Rincón, C. A. (3014). Álgebra 1–6 http://site.ebrary.com/lib/bibliodgbmhe/reader.actio
superior. México: McGraw-Hill n?docID=10804306&ppg=6
Interamericana.
Zill, D. G. (2012). Álgebra, 1, 5, 6 http://site.ebrary.com/lib/bibliodgbmhe/reader.actio
trigonometría y geometría analítica. n?docID=10751402&ppg=5
(3ª. ed.) México: McGraw-Hill
Interamericana.
178 de 180
Primer semestre
Red Universitaria de Aprendizaje. Clase virtual
Matemáticas I, tema Sistema de ecuaciones
lineales, sesión 02: Sistemas de m ecuaciones
con n incógnitas. Eliminación Gaussiana y
Gauss-Jordan.
http://fcasua.contad.unam.mx/clases_virtuales/informati Red Universitaria de Aprendizaje. Clase virtual
ca/1168/sesion_10/player.html Matemáticas I, tema II Espacios vectoriales,
sesión 10: Combinaciones lineales.
ca/1168/sesion_02/player.html Matemáticas I, tema III Transformaciones
lineales, sesión 14: Conceptos y ejemplos.
ca/1168/sesion_19/player.html Matemáticas I, tema IV Producto interno, sesión
19: Ortogonalidad.
ca/1168/sesion_22/player.html Matemáticas I, tema V Matrices, sesión 22:
Operaciones con matrices.
ca/1168/sesion_24/player.html Matemáticas I, tema VI Determinantes, sesión
24: Definición y propiedades.
ca/1168/sesion_26/player.html Matemáticas I, tema VI Determinantes, sesión
26: Eigenvalores y eigenvectores.
https://previa.uclm.es/ab/educacion/ensayos/pdf/revista Artículo sobre la aplicación de las matrices en
18/18_16.pdf la codificación de la información.
http://www.nibcode.com/es/blog/12/algebra-lineal-y-el- Nibcode Solutions blog. El álgebra lineal y el
procesamiento-digital-de-imagenes-parte-I procesamiento digital de imágenes. Parte I.

procesamiento-digital-de-imagenes-parte-II-filtros procesamiento digital de imágenes. Parte II.
Filtros.
procesamiento-digital-de-imagenes-parte-III- procesamiento digital de imágenes. Parte III.
transformaciones-afines Transformaciones afines.
Plataforma de aprendizaje en línea con
https://www.vitutor.com/algebralineal.html
contenidos de álgebra lineal
Página didáctica la red telemática de Andalucía
http://thales.cica.es/rd/Recursos/rd99/ed99-0289-
sobre aprendizaje y aplicación de matrices y
02/ed99-0289-02.html
determinantes
179 de 180
Primer semestre
180 de 180
Primer semestre

Algebra Lineal Tec

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal Tec

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal Tec

Cargado por

Copyright:

Formatos disponibles

1 de 180

Dr. Leonardo Lomelí Vanegas Dr. Armando Tomé González

Mtra. Gabriela Montero Montiel

Matemáticas I (Algebra lineal)

Edición: agosto de 2017

D.R. © 2017 UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

Facultad de Contaduría y Administración

lineale Ausdehnungslehre (La teoría lineal de extensión).

En la actualidad la herramienta fundamental de todo

Aplicación en programación lineal. En la actualidad muchas decisiones

Por tanto, el álgebra lineal es una herramienta muy

b) Reconocer las diversas formas y los diferentes tipos de

c) Reconocer los diferentes tipos de solución de los Sistemas de

d) Utilizar los diferentes métodos para resolver los sistemas de

Una ecuación del tipo 𝑎𝑥 = 𝑏 que expresa la variable 𝑏 (variable independiente) en

En este caso la representación de ecuaciones con más de dos incógnitas es la

Forma general de una ecuación con n variables:

3𝑥1 + 2𝑥2 − 6𝑥3 = 5

1.3. Vectores, matrices

En tanto que en el plano cartesiano se requiere de una pareja ordenada de números

A partir de estos escenarios se observó la posibilidad de enfrentar problemas en los

En estas estructuras, meramente matemáticas, se relacionan de manera simultánea

Estas nuevas ecuaciones requieren la creación de un lenguaje y una estructura

Al grupo ordenado de elementos (d1, d2, …p1...pn), distribuido como un arreglo de

La compatibilidad se determina de la siguiente manera:

1) Para la operación de suma se requiere que el parámetro renglón columna

Para profundizar en el conocimiento de las propiedades matemáticas y los procesos

El orden de una matriz se refiere a la pareja de números mxn que describen

Indicada la compatibilidad de matrices para las operaciones de suma y

A continuación, se resumen algunas propiedades del álgebra de matrices,

Para las propiedades algebraicas anteriormente listadas en las operaciones de

Finalizamos mostrando una nomenclatura muy utilizada de vectores y matrices, así

Vector renglón: [a1, a2, …an] Vector Columna:

Matriz cero o nula de orden 3x3 Matriz identidad (I) de 2x2

Matriz triangular superior 3x3 Matriz triangular inferior 3x3

1.4. Sistemas de m ecuaciones

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑧1 … (1)

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑧2 … (2)

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑧𝑚 … (𝑚)

𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑆𝑜𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠

1,2,3 … , 𝑚 𝑆𝑜𝑛 𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠

𝑦 𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝑑𝑎𝑑𝑜 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑎𝑖𝑗 𝑙𝑜𝑠 𝑠𝑢𝑏𝑖𝑛𝑑𝑖𝑐𝑒𝑠 𝑖𝑗 𝑖𝑛𝑑𝑖𝑐𝑎𝑛

𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜 𝑣𝑒𝑐𝑡𝑜𝑟

A diferencia de las ecuaciones lineales, en los sistemas de ecuaciones lineales

La eliminación Gauss-Jordan de un sistema

Como ya se ha mencionado al sistema de m

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑧1 … (1)

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑧2 … (2)

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑧𝑚 … (𝑚)

El método de eliminación Gauss-Jordan consiste en

El procedimiento de escalonamiento de la matriz se realiza mediante la aplicación

1.- Intercambio de renglones

2.- Multiplicar un renglón por cualquier número real, diferente de cero

Nota: no es válido multiplicar o sumar entre columnas.

2𝑥1 − 3𝑥2 + 2𝑥𝑎 = 1

Determine si el siguiente sistema es compatible o incompatible.

La matriz anterior se denomina matriz aumentada del sistema, e incluye tanto a la

Para desarrollar el método y obtener la matriz escalonada, el procedimiento

Después de realizar las operaciones permitidas por el método de Gauss, el tercer