UNIVERSIDAD AUTÓNOMA “GABRIEL RENÉ MORENO”

FACULTAD INTEGRAL DEL NORTE

CARREA DE INGENIERÍA INDUSTRIAL

“TEXTO GUIA DE ÁLGEBRA LINEAL Y TEORÍA

MATRICIAL MAT 103.”

Texto presentado a la Facultad Integral del

Norte de la Universidad Autónoma “Gabriel
René Moreno” para ejercer la cátedra.

Elaborado por:
EVADIN CABALLERO CARRASCO

Santa Cruz de la Sierra, 2019

 DEDICATORIA

Muchos estudiantes de secundaria o universidad pasan sus años de estudios estresados,

con ansiedad y sufriendo mucho antes, durante e incluso después de los exámenes. Creen
que es lo más importante de la vida y se les olvidan que hay cosas mucho más importantes.

Ser consciente de esto, de que estudiar es solo una parte de la vida, y que hay cosas más
importantes -como la salud, relaciones, familia- te ayudará a sentirte más relajado e
incluso disfrutarás más del estudio.

Hay que reconocer que estudiar no siempre suele ser un trabajo agradable para los
jóvenes. Es por ello que nunca está de más ofrecerles algo de motivación, que los ayude a
ser mejores cada día y superarse en sus metas al prepararse. Si esto te resulta muy difícil
no tienes nada de qué preocuparte.

-Si no persigues lo que quieres, nunca lo tendrás. Si no vas hacia delante, siempre estarás
en el mismo lugar.-Nora Roberts.

Evadin Caballero Carrasco

 AGRADECIMIENTO

AGRADEZCO:

Al creador de las cosas, el que me ha dado fortaleza para continuar cuando a punto de caer
ha estado; por ello, con toda la humildad que de mi corazón puede emanar, dedico
primeramente mi trabajo a Dios.

A mi familia en general, porque me han brindado su apoyo incondicional y por compartir

conmigo buenos y malos momentos.
 ÍNDICE

Páginas

UNIDAD I .......................................................................................................................................................... 6

1. MATRICES ............................................................................................................................................. 6

1.1. HISTORIA....................................................................................................................................... 6
1.2. DEFINICIÓN .................................................................................................................................. 7
1.3. TIPOS DE MATRICES ................................................................................................................... 8
1.3.1. Matriz columna ........................................................................................................................... 8
1.3.2. Matriz fila ................................................................................................................................... 9
1.3.3. Matriz nula .................................................................................................................................. 9
1.3.4. Matriz Rectangular ................................................................................................................... 10
1.3.5. Matriz transpuesta .................................................................................................................... 10
1.4. MATRICES CUADRADAS.......................................................................................................... 10
1.4.1. Matriz identidad ........................................................................................................................ 11
1.4.2. Potencia de una matriz cuadrada ............................................................................................. 12
1.5. MATRICES CUADRADAS ESPECIALES .................................................................................. 12
1.5.1. Matriz simétrica ........................................................................................................................ 12
1.5.2. Matriz antisimétrica .................................................................................................................. 13
1.5.3. Matrices triangulares ................................................................................................................ 14
1.5.4. Matrices diagonales .................................................................................................................. 15
1.5.5. Matrices escalares .................................................................................................................... 16
1.5.6. Matrices ortogonales ................................................................................................................ 16
1.6. OPERACIONES CON MATRICES .............................................................................................. 17
1.6.1. Igualdad de matrices ................................................................................................................. 17
1.6.2. Adición de Matrices .................................................................................................................. 17
1.6.3. Producto de un escalar por una matriz ..................................................................................... 18
1.6.4. Producto de matrices ................................................................................................................ 20
1.6.5. Ejercicio propuesto ................................................................................................................... 22
1.7. RANGO DE UNA MATRIZ.......................................................................................................... 24
1.7.1. Método para hallar el rango de una matriz .............................................................................. 25
1.8. OPERACIONES ELEMENTALES............................................................................................... 27
1.8.1. Matriz Escalonada .................................................................................................................... 27
1.8.2. Matriz Escalonada Reducida .................................................................................................... 28
1.8.3. Matriz Equivalente .................................................................................................................... 29

1
 1.9. MATRIZ INVERSA ...................................................................................................................... 29
1.9.1. Método para calcular la matriz inversa .................................................................................... 32
1.9.2. Método de Gauss-Jordan .......................................................................................................... 33
1.10. PRÁCTICO ................................................................................................................................... 36

UNIDAD II ...................................................................................................................................................... 43

2. SISTEMA DE ECUACIONES LINEALES ........................................................................................ 43

2.1. HISTORIA..................................................................................................................................... 43
2.2. DEFINICION DE ECUACIÓN ..................................................................................................... 45
2.2.1. Solución de una ecuación ......................................................................................................... 46
2.2.2. Tipos de ecuaciones .................................................................................................................. 47
2.3. SISTEMA DE ECUACIONES LINEALES .................................................................................. 48
2.3.1. Matriz aumentada ..................................................................................................................... 50
2.3.2. Representación gráfica ............................................................................................................. 50
2.3.3. Solución de un sistema de ecuaciones lineales ......................................................................... 52
2.3.4. Clasificación de los sistemas de ecuaciones lineales ................................................................ 53
2.3.4.1. Sistema compatible determinado .................................................................................................... 53
2.3.4.2. Sistema compatible indeterminado ................................................................................................. 54
2.3.4.3. Sistema incompatible ...................................................................................................................... 55
2.4. MÉTODO DE SOLUCIÓN ........................................................................................................... 56
2.4.1. Sustitución ................................................................................................................................. 56
2.4.2. Igualación ................................................................................................................................. 57
2.4.3. Reducción.................................................................................................................................. 58
2.4.4. Método gráfico .......................................................................................................................... 59
2.4.5. Método de Gauss....................................................................................................................... 60
2.4.6. Método de Gauss – Jordán ....................................................................................................... 61
2.5. SOLUCIÓN DE UN PROBLEMA ................................................................................................ 63
2.6. PRÁCTICO ................................................................................................................................... 66

UNIDAD III ..................................................................................................................................................... 71

3. DETERMINANTES.............................................................................................................................. 71

3.1. HISTORIA..................................................................................................................................... 71
3.2. DEFINICIÓN ................................................................................................................................ 76
3.3. MÉTODO DE CÁLCULO............................................................................................................. 78
3.3.1. Determinante de una matriz de orden 1 .................................................................................... 78
3.3.2. Determinante de una matriz de orden 2 .................................................................................... 78
3.3.3. Método de Sarrus ...................................................................................................................... 79
3.3.4. Método de Laplace .................................................................................................................... 82

2
 3.3.5. Método de Gauss....................................................................................................................... 85
3.4. MATRIZ INVERSA MEDIANTE ADJUNCIÓN ......................................................................... 85
3.5. REGLA DE CRAMER PARA SISTEMA DE ECUACIONES LINEALES ................................. 88
3.6. MÉTODO MATRICIAL PARA SISTEMA DE ECUACIONES LINEALES .............................. 90
3.7. PRÁCTICO ................................................................................................................................... 93

UNIDAD IV ..................................................................................................................................................... 98

4. VECTRORES ........................................................................................................................................ 98

4.1. HISTORIA..................................................................................................................................... 98
4.2. DEFINICIÓN ................................................................................................................................ 99
4.2.1. Clasificación de vectores ........................................................................................................ 100
4.2.2. Representación gráfica de un vector ....................................................................................... 101
4.3. ADICIÓN DE VECTORES ......................................................................................................... 103
4.3.1. Método gráfico ........................................................................................................................ 103
4.3.2. Método analítico ..................................................................................................................... 105
4.3.3. Norma o módulo de un vector ................................................................................................. 107
4.3.4. Distancia entre dos puntos ...................................................................................................... 108
4.4. MULTIPLICACIÓN DE VECTORES ........................................................................................ 109
4.4.1. Producto escalar o producto punto......................................................................................... 110
4.4.2. Proyección de un vector sobre otro ........................................................................................ 112
4.4.3. Producto vectorial o producto cruz ........................................................................................ 113
4.4.4. Producto Mixto ....................................................................................................................... 115
4.4.5. Rectas y Planos en R3.............................................................................................................. 118
4.5. PRÁCTICO ................................................................................................................................. 125

UNIDAD V .................................................................................................................................................... 130

5. ESPACIOS VECTORIALES ............................................................................................................. 130

5.1. HISTORRIA ................................................................................................................................ 130

5.2. DEFINICIÓN .............................................................................................................................. 132
5.2.1. Notación .................................................................................................................................. 132
5.3. SUBESPACIOS VECTORIALES ............................................................................................... 136
5.3.1. Definición................................................................................................................................ 136
5.4. COMBINACIONES LINEALES ................................................................................................ 138
5.4.1. Definición................................................................................................................................ 139
5.5. ESPACIO GENERADO .............................................................................................................. 140
5.5.1. Definición................................................................................................................................ 141
5.6. DEPENDENCIA E INDEPENDENCIA LINEAL ...................................................................... 142

3
 5.6.1. Definición................................................................................................................................ 143
5.7. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL ........................................................... 145
5.7.1. Definición de base................................................................................................................... 145
5.7.2. Definición de dimensión.......................................................................................................... 146
5.8. PRÁCTICO ................................................................................................................................. 150

UNUDAD IV.................................................................................................................................................. 154

6. TRANSFORMACIONES LINEALES .............................................................................................. 154

6.1. PRÁCTICO ................................................................................................................................. 154

4
RESUMEN

El presente texto es un diagnóstico teórico práctico, enfocado hacia la

epistemología de la enseñanza de la Matemática que va más allá de los diversos
planteamientos que en la actualidad han superado al constructivismo. La
enseñanza de la matemática, requiere de tres cosas:

 Las ideas previas de los estudiantes

 Los contenidos de enseñanza que incluyan temas relacionados con la historia

de la ciencia, y

 La epistemología de la ciencia, términos, modelos y analogías involucradas en

las teorías científicas; para la selección adecuada de estrategias
instruccionales que activen los esquemas mentales y propicien el aprendizaje
en los estudiantes.

5
 UNIDAD I

1. MATRICES

1.1. HISTORIA

El origen de las matrices es muy antiguo. Los cuadrados latinos y los cuadrados
mágicos se estudiaron desde hace mucho tiempo. Un cuadrado mágico, 3 por 3,
se registra en la literatura china hacia el 650 a.C.

Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un
importante texto matemático chino que proviene del año 300 a. C. a 200 a.
C. Nueve capítulos sobre el Arte de las matemáticas (Jiu Zhang Suan Shu), es el
primer ejemplo conocido de uso del método de matrices para resolver un sistema
de ecuaciones simultáneas. En el capítulo séptimo, "Ni mucho ni poco", el
concepto de determinante apareció por primera vez, dos mil años antes de su
publicación por el matemático japonés Seki Kōwa en 1683 y el matemático alemán
Gottfried Leibniz en 1693.

Los "cuadrados mágicos" eran conocidos por los matemáticos árabes,

posiblemente desde comienzos del siglo VII, quienes a su vez pudieron tomarlos
de los matemáticos y astrónomos de la India, junto con otros aspectos de las
matemáticas combinatorias. Todo esto sugiere que la idea provino de China. Los
primeros "cuadrados mágicos" de orden 5 y 6 aparecieron en Bagdad en el 983,
en la Enciclopedia de la Hermandad de Pureza (Rasa'il Ihkwan al-Safa).

Después del desarrollo de la teoría de determinantes por Seki Kōwa y Leibniz

para facilitar la resolución de ecuaciones lineales, a finales del siglo XVII,
Cramer presentó en 1750 la ahora denominada regla de Cramer. Carl Friedrich
Gauss y Wilhelm Jordan desarrollaron la eliminación de Gauss-Jordan en el siglo
XIX.

6
Fue James Joseph Sylvester quien utilizó por primera vez el término « matriz »
en1848 / 1850.

En 1853, Hamilton hizo algunos aportes a la teoría de matrices. Cayley introdujo

en 1858 la notación matricial, como forma abreviada de escribir un sistema
de m ecuaciones lineales con n incógnitas.

Cayley, Hamilton, Hermann Grassmann, Frobenius, Olga Taussky-Taussky-Todd y

John von Neumann cuentan entre los matemáticos famosos que trabajaron sobre
la teoría de las matrices. En 1925, Werner Heisenberg redescubre el cálculo
matricial fundando una primera formulación de lo que iba a pasar a ser la
mecánica cuántica. Se le considera a este respecto como uno de los padres de la
mecánica cuántica.

Olga Taussky-Todd (1906-1995), durante la II guerra Mundial, usó la teoría de

matrices para investigar el fenómeno de aeroelasticidad llamado fluttering.

1.2. DEFINICIÓN

Se llama matriz a un arreglo rectangular de elementos, ordenados en filas y

columnas. En otras palabras, una matriz es un ordenamiento rectangular (arreglo
bidimensional de números), de escalares dispuestos en “m” filas y “n” columnas.
Para designar la ubicación de cada uno de los elementos de la matriz se utiliza un
doble subíndice (i j) que indica el número de fila y número de columna que le
corresponde en el arreglo:

7
Así, a34 es el elemento ubicado en la fila tres y columna cuatro, y en general aij es
el elemento de la matriz A, que está en la fila i y en la columna j.

Notación.- Las matrices suelen designarse con letras mayúsculas de nuestro

alfabeto: se denota A ∈ ℝmxn para indicar que es una matriz con m filas
y n columnas cuyos elementos son números reales. Se indican con paréntesis o
con corchetes:

Elementos.- Se llama elementos de una matriz a los números ordenados en el

arreglo rectangular.

Tamaño.- El tamaño, orden o rango de una matriz, se escribe en función al

número de filas (líneas horizontales, renglones) y el número de columnas (líneas
verticales) que contiene la matriz.

Por ejemplo una matriz de dos filas y tres columnas se puede escribir de la
siguiente manera:

Dada la matriz A ∈ ℝ2x3 ⇨

En este caso, diremos que el tamaño (orden, rango) de la matriz A es 2×3. Y los
números 3, 2, 0, -2, 4, y 1, son sus elementos.

1.3. TIPOS DE MATRICES

1.3.1. Matriz columna

Podemos pensar los vectores como casos particulares de matrices (matriz o

vector columna):

8
Por ejemplo dada la matriz C ∈ ℝ3x1 ⇨

En forma general una matriz columna se escribe de la siguiente manera.

Dada la matriz C ∈ ℝmx1 ⇨

1.3.2. Matriz fila

Podemos pensar los vectores como casos particulares de matrices (matriz o

vector fila):

Por ejemplo dada la matriz F ∈ ℝ1x3 ⇨

En forma general una matriz fila se escribe de la siguiente manera.

Dada la matriz F ∈ ℝ1xn ⇨

1.3.3. Matriz nula

La matriz nula es aquélla cuyos elementos son todos ceros. La simbolizamos

con la letra O.

Por ejemplo, dada la matriz O ∈ ℝ3x3 ⇨

9
1.3.4. Matriz Rectangular

Se llaman matrices rectangulares aquellas matrices en que el número de filas es

diferente al número de columnas, es decir, m ≠ n.

Por ejemplo, dada la matriz G ∈ ℝ3x4 ⇨

1.3.5. Matriz transpuesta

La traspuesta de una matriz A ∈ ℝmxn , que se la denota como At, es la matriz

de n×m que se obtiene a partir de A cambiando las filas por las columnas.

Ejemplo:

Si ∈ ℝ2x3, entonces su transpuesta es: ∈ ℝ3x2

Propiedades del producto de matrices

1) (A + B)t = At + Bt
2) (kA)t = kAt, k ∈ ℝ
3) (At)t = A
4) (A × B)t = Bt × At

1.4. MATRICES CUADRADAS

Una matriz cuadrada, es aquélla que tiene el número de filas igual al número de
columnas. Denominamos ℝnxn = ℝn al conjunto de matrices cuadradas de
orden n (n filas y n columnas).

10
La diagonal principal de una matriz cuadrada está formada por los siguientes
elementos aij ∀ i = j

1.4.1. Matriz identidad

La matriz identidad, que la simbolizamos con I, es una matriz cuadrada cuya

diagonal principal está compuesta por elementos iguales a uno, y los demás
elementos iguales a cero.

Ejemplo.

En general la matriz Identidad de orden n se escribe de la siguiente manera:

Propiedad: La matriz identidad es el elemento neutro para el producto de matrices

cuadradas. Se comporta como el 1 para los números reales.

Lo demostramos para matrices de orden 2×2:

A×I = =

I×A = =

A×I = I×A = A

11
1.4.2. Potencia de una matriz cuadrada

Sea la matriz A ∈ ℝnxn. Es posible definir la potencia de la matriz A de la siguiente

manera:

A2 = A · A

A3=A · A · A

,∀k∈ℕ

Ejemplo: Dada la matriz A = , Calcular A2

A2 = A × A ⇨ =

1.5. MATRICES CUADRADAS ESPECIALES

1.5.1. Matriz simétrica

Dada la matriz A ∈ ℝnxn es simétrica si y sólo si A = At ∀ aij = aji

Las condiciones para que una matriz de orden tres sea simétrica son:

Una matriz de orden 3 para que sea simétrica, será de la siguiente forma:

12
Ejemplo: Verificar si la matriz A ∈ ℝ3x3 es simétrica.

1.5.2. Matriz antisimétrica

Dada la matriz A ∈ ℝnxn es antisimétrica si y sólo si A = – At ∀ aij = – aji

Veamos qué pasa con los elementos de la diagonal principal.

Si i = j debería ser aij = – aji, pero el único número que es el opuesto de sí mismo
es el cero. Por lo tanto, la diagonal principal está formada por ceros.

Las condiciones para que una matriz de orden tres sea antisimétrica son:

Una matriz de orden 3 para que sea antisimétrica, será de la siguiente forma:

Ejemplo: Dada la matriz A ∈ ℝ3x3 verificar si es antisimétrica.

13
Ejercicios para el lector:

Sea la matriz A ∈ ℝnxn

a) Probar que A + At es simétrica

b) Probar que A – At es antisimétrica

Conclusión: toda matriz cuadrada puede expresarse como la suma de una

matriz simétrica y una antisimétrica.

Ejemplo: para el lector.

Dada la matriz A = , Expresarla como la suma de la matriz simétrica con

una antisimétrica.

1.5.3. Matrices triangulares

Matriz Triangular Superior: Dada A ∈ ℝnxn es una matriz triangular superior si y

solo si todos los elementos que están debajo de la diagonal principal son iguales a
cero:

Matriz Triangular Inferior: Dada la matriz B ∈ ℝnxn es una matriz triangular inferior
si y solo si todos los elementos que están por encima de la diagonal principal son
iguales a cero:

14
1.5.4. Matrices diagonales

Una matriz cualquiera D es matriz diagonal si es triangular superior y triangular

inferior al mismo tiempo. O sea que, los elementos que están por debajo y por
encima de la diagonal principal son iguales a cero, y los elementos de la diagonal
principal pueden ser cualquier número real:

Dada la matriz D ∈ ℝnxn es matriz diagonal ⇔ aij = 0 ∀ i ≠ j ˄ aij ∈ ℝ ∀ i = j

La forma de una matriz diagonal de orden tres es:

Veamos qué característica especial presentan las potencias de una matriz

diagonal:

En general , donde k ∈ ℕ

15
1.5.5. Matrices escalares

Una matriz escalar es una matriz diagonal en la cual todos los elementos de la
diagonal principal son iguales, y los demás elementos son iguales a cero.

Las matrices escalares de orden 3 tienen esta forma:

, donde k ∈ ℝ

Dada la Matriz E ∈ ℝnxn es escalar ⇔ E = k I, ∀ k ∈ ℝ

1.5.6. Matrices ortogonales

Una matriz cuadrada es ortogonal cuando su traspuesta coincide con su inversa:

Dada la matriz A ∈ ℝnxn es ortogonal ⇔ At = A-1 ⇔ A × At = I ∧ At × A = I

Por ejemplo: Para el lector, verificar si las siguientes matrices son ortogonales.

Observemos que las columnas de A y de B son vectores ortogonales y de

módulo unitario. Ésta es la característica que distingue a las matrices
ortogonales.

16
1.6. OPERACIONES CON MATRICES

1.6.1. Igualdad de matrices

Dos matrices son iguales si y solo si, son del mismo orden (tamaño) y sus
elementos correspondientes son iguales.

Sean las matrices A, B ∈ ℝmxn ⇨ A = B ⇔ aij = bij ∀ i, j.

Por ejemplo: las matrices C y D son iguales, solo si

1.6.2. Adición de Matrices

Dos matrices se pueden sumar o restar si y solo si, son del mismo orden y los
elementos de la matriz resultante se obtienen al sumar o restar los elementos
correspondientes de las matrices sumando.

Sean las matrices A, B ∈ ℝmxn entonces A ± B = C ∈ ℝmxn / cij = aij ± bij ∀ i, j

Ejemplo:

Sean y .

Entonces la suma es:

La diferencia es:

17
1.6.3. Producto de un escalar por una matriz

Sean la matriz A ∈ ℝmxn y k ∈ ℝ entonces kA = B ∈ ℝmxn / bij = kaij ∀ i, j.

Ejemplo:

Dada la matriz y el escalar k = 3, multiplicar el escalar k por la

matriz A.

Si el escalar k = - 1, entonces al multiplicar el escalar k por la matriz A obtenemos

la matriz opuesta de A.

Ejemplo:

Dada las matrices A, B y el escalar k = 2, realizar la siguiente operación 2A – B.

Entonces

Ejemplo:

Hallar X, Y ∈ ℝ2x2 /

18
Solución: Es un sistema de ecuaciones matricial. Las incógnitas del sistema son
las matrices (X, Y). Podríamos plantear el sistema escribiendo las matrices de la
siguiente manera.

Pero quedarían 8 ecuaciones con 8 incógnitas. Para facilitar la resolución,

podemos recurrir a las herramientas que utilizamos para resolver sistemas de
ecuaciones lineales. Si sumamos miembro a miembro las ecuaciones queda:

Despejando ⇨

Reemplazando la matriz X en la ecuación y luego despejando la matriz Y

tenemos.

Le sugerimos al lector que verifique los resultados obtenidos reemplazando en la

ecuación .

Propiedades de la suma de matrices y del producto por un escalar

Sean A, B, C ∈ ℝmxn y k, s ∈ ℝ. Vimos que: A + B ∈ ℝmxn y kA ∈ ℝmxn . Estas

operaciones verifican las siguientes propiedades:

19
 1) A+B=B+A
2) (A + B) + C = A + (B + C)
3) A+O=O+A=A
4) A + (–A) = (–A) + A = O
5) k(A + B) = kA + kB
6) (k + s) A = kA + sA
7) k(sA) = (ks) A
8) 1A = A

Puede observarse la analogía entre estas propiedades y las que veremos

posteriormente en la unidad para vectores de ℝ3.

1.6.4. Producto de matrices

Intuitivamente podría pensarse que el producto de matrices se obtiene

multiplicando los elementos correspondientes. Sin embargo, esta definición no
resulta útil para resolver problemas que involucren matrices. La experiencia
matemática vinculada sobre todo a los sistemas de ecuaciones lineales, ha
motivado la siguiente definición de producto de matrices. Definiremos primero el
producto de una matriz fila por una matriz columna, y luego generalizaremos.

Si ∈ ℝ1xn y ∈ ℝmx1, Entonces:

Generalizando. Observemos la similitud con el producto escalar de vectores.

Sean las matrices A ∈ ℝmxp y B ∈ ℝpxn, o sea se cumple que la cantidad de
columnas de la primera matriz es igual a la cantidad de filas de la segunda:

20
Nota: para poder multiplicar dos matrices es necesario que el número de columnas
de la primera matriz sea igual al número de filas de la segunda matriz, y la matriz
resultante tendrá como filas al número de filas de la primera matriz y sus columnas
será el número de columnas de la segunda matriz.

A · B = C / cij = sumatoria de la fila i de (A) por la columna j de (B)

Ejemplo: Dada las matrices A ∈ ℝ2x3 y B ∈ ℝ3x3 Realizar el producto de A×B.

Es posible realizar el cálculo de A×B, porque la matriz A tiene tres columnas

y B tiene tres filas. El resultado del producto es una matriz de orden 2×3.

Por tanto la matriz resultante ∈ ℝ2x3

21
No se puede calcular B×A, porque el número de columnas de la matriz B no
coincide con el número de filas de A.

Ejemplo: Dada la matriz ∈ℝ y ∈ℝ

Realizar el cálculo de P×Q y luego Q×P

∈ℝ y ∈ℝ

Conclusión, el producto de matrices no es conmutativo.

Propiedades del producto de matrices: Sean las matrices A, B y C tal que las
operaciones mencionadas pueden efectuarse y k ∈ ℝ, entonces:

1) (A×B)C = A(B×C) Asociatividad

2) (A + B)C = A×C + B×C Distributividad respecto a la suma por la derecha
3) P(Q + R) = P×Q + P×R Distributividad respecto a la suma por la izquierda
4) A I = I A = A Elemento neutro
5) (kA)B = k(A×B) = A(kB)
6) O×A = O y A×O = O, Siendo O la matriz nula

1.6.5. Ejercicio propuesto

1) Sean las matrices A ∈ ℝmxn, B y C ∈ ℝnxp Analizar la validez de cada una de las
siguientes proposiciones:

a) A×B = 0 ⇒ A = 0 ∨ B = 0
b) A×B = A×C ∧ A ≠ 0 ⇒ B = C

22
2) Un comercio que vende productos de electrónica, paga una comisión a los
vendedores y tiene un beneficio (ganancia) según cada producto. En una tabla se
registra el precio de venta, el beneficio para el comercio, la comisión para el
vendedor y el costo del producto. Además se tiene información sobre las unidades
vendidas en diferentes sucursales. A continuación mostramos dos tablas que
resumen esa información para el mes de agosto 2018.

Precio de venta, beneficio, costo, comisión por producto (AGOSTO 2018)

LED 32′ BA455 LED BX567 Smartphone Tablet 10” Notebook
Costo $ 3200 $ 4500 $ 2500 $ 4800 $ 5600
Comisión $ 200 $ 250 $ 30 $ 40 $ 120
Beneficio $ 700 $ 900 $ 200 $ 340 $ 800
Precio de venta $ 4100 $ 5650 $ 2730 $ 5180 $ 6520

Unidades vendidas de cada producto por sucursal (AGOSTO 2018)

Sucursal 1 Sucursal 2 Sucursal 3 Sucursal 4
LED 32′ BA455 23 67 43 4
LED BX567 56 20 32 43
Smartphone 10 65 67 65
Tablet 10′ 45 3 23 76
Notebook 67 65 43 80

Si A y B son las matrices correspondientes a estas tablas:

a) Calcular e interpretar el producto A×B. ¿Cuál es la sucursal que obtuvo la

máxima ganancia?
b) ¿Se puede calcular B×A? ¿Tiene interpretación práctica B×A?

Nota: hacer el producto de matrices de órdenes grandes puede implicar

demasiado trabajo de cálculo. En estos casos se puede utilizar la ayuda de
calculadoras o de un software.

23
Ejemplo: Dada las matrices y Calcular:

a) (A × B)t
b) At × Bt
c) Bt × At

Solución:

a) (A × B)t ⇨ A × B = =

Respuesta (A × B)t =

b) At × Bt = ⇨ No se puede realizar esta operación.

c) Bt × At = = Respuesta

En este ejemplo verificamos la propiedad enunciada: (A × B)t = Bt × At

1.7. RANGO DE UNA MATRIZ

Fila(A) y Columna(A) son en general subespacios de diferentes espacios

vectoriales. Pero se puede demostrar que en cualquier matriz la dimensión del
espacio fila coincide con la dimensión del espacio columna, y a ese número se lo
llama rango de la matriz A.

dim⁡(Fil(A)) = dim⁡(Col(A)) = rg(A)

24
El rango de una matriz es el número de filas (o columnas) Linealmente
Independiente que tiene la matriz A.

Propiedades del rango de una matriz

Como consecuencia de esta definición puede afirmarse que:

rg (A) = rg (At)

1.7.1. Método para hallar el rango de una matriz

Recordemos que:

1. Si se realizan operaciones elementales entre las filas de una matriz, el rango se

conserva.

2. Las filas no nulas de una matriz escalonada son LI.

Por lo tanto, para determinar el rango de una matriz se aplican operaciones

elementales para obtener una matriz escalonada y se cuentan las filas no nulas.

Ejemplo: Siendo la matriz A una matriz escalonada por filas:

Para determinar el rango contamos el número de filas no nulas (número de

pivotes):
Por tanto el rango de la matriz es: rg (A) = 2
Consideremos la matriz B escalonada por filas:

25
Como es escalonada por filas, contamos la cantidad de filas no nulas para hallar el
rango:
rg (B) = 3

Se puede confundir una matriz escalonada con una matriz triangular superior,
como veremos en el siguiente ejemplo:
Consideremos la matriz C escalonada por filas:

Observamos que la matriz C es triangular superior (los elementos debajo de la

diagonal principal son ceros) pero no está escalonada.

Mediante la operación elemental F´3 = –2F2 + F3, obtenemos una matriz D

escalonada equivalente:

De donde se deduce que rg(C) = rg(D) = 2

Ejemplo para el lector: Dada la siguiente matriz, determinar su rango:

Respuesta: rg (E) = 2

26
1.8. OPERACIONES ELEMENTALES

Dada la matriz Amxn, sobre sus filas y columnas se pueden efectuar las
transformaciones siguientes llamadas operaciones elementales:

1. Permutar (intercambiar) dos filas entre sí, o dos columnas entre sí.
2. Multiplicar una fila o una columna por un escalar.
3. Sumar o adicionar una fila o una columna con el múltiplo de otra.

Dos matrices A y B son equivalentes, si una de ellas se puede obtener a partir de

la otra mediante operaciones elementales. Se representa de la siguiente manera

Cualquier matriz mediante operaciones elementales, bien por filas o por columnas,
se puede convertir en una matriz escalonada equivalente. En este resultado se
basa las dos aplicaciones siguientes.

1.8.1. Matriz Escalonada

En álgebra lineal se dice que una matriz escalonada, es escalonada por filas o
que está en forma escalonada si:

El primer elemento de la matriz (a11) debe ser cualquier número, de

preferencia la unidad.

El primer elemento diferente de 0 de cada fila esta a la derecha del primer

elemento diferente de 0 de la fila anterior

El primer elemento diferente de 0 de cada fila es 1.

Todas las filas cero están en la parte inferior de la matriz.

27
Si en cada fila el pivote es el único elemento no nulo de su columna, se dice que
es escalonada reducida por filas.

Los primeros elementos diferentes de cero de las filas no nulas se denominan

elementos distinguidos y las columnas en las que se encuentran los elementos
distinguidos se llaman columnas distinguidas.

Ejemplo:

1.8.2. Matriz Escalonada Reducida

Una matriz es escalonada reducida, si es escalonada y además cumple las

siguientes condiciones:

Todos los elementos pivotes son la unidad

En las columnas donde hay un pivote el resto de términos son cero

Todas las filas ceros están en la parte inferior de la matriz

Ejemplo:

28
1.8.3. Matriz Equivalente

Se dice que dos matrices son equivalentes si una puede obtenerse de la otra
mediante una sucesión finita de operaciones elementales por filas, si llamamos a
las matrices A y B a veces se usa la siguiente notación para indicar que “A es
equivalente a B” A~B.

Ejemplo:

1.9. MATRIZ INVERSA

En el conjunto de los números reales existe el inverso multiplicativo para todo

número real distinto de cero. Dado un número real (a) distinto de cero, (b) es su
inverso multiplicativo si y solo si a×b = 1.

29
En matemáticas, en particular en álgebra lineal, una matriz cuadrada A de
orden n se dice que es invertible, no singular, no degenerada o regular si
existe otra matriz cuadrada del mismo orden (n), llamada matriz inversa de A y
representada como A−1, tal que: A·A−1 = A−1·A = In donde In es la matriz
identidad de orden n y el producto utilizado es el producto de matrices usual.

Una matriz cuadrada no invertible se dice que es singular o degenerada. Una

matriz es singular si y solo si su determinante es nulo.

La inversión de matrices es el proceso de encontrar la matriz inversa de una

matriz dada.

A continuación definiremos el inverso multiplicativo para matrices cuadradas.

Se dice que A ∈ ℝnxn es inversible si y sólo si existe una matriz

B ∈ ℝnxn / A×B = B×A = I

Ejemplo:

Dada la matriz y , verificar si son inversibles:

Operando con la matriz P. ¿∃ B ∈ ℝ2x2 / P×B=I?

= ⇨

Sumando la ecuación con tenemos ⇨ 1 = 0 Sistema

incompatible.

30
Como llegamos a una contradicción, la matriz P no es inversible.

Observación: el único número real no inversible es el cero; pero en ℝnxn vemos

que existen matrices no nulas que no tienen inversa.

Operando con la matriz Q. ¿∃ D ∈ ℝ2x2 / Q × D = I?

= ⇨

Sumando la ecuación con - tenemos ⇨ a = 1, c = -2

Sumando la ecuación con - tenemos ⇨ b = -1, d = 3

Verificando Q×D=I⇨ = Verifica.

Entonces Q es inversible, y D se denomina inversa de Q. ⇨ D = Q-1

Q × Q-1 = Q-1 × Q = I

Más adelante analizaremos qué condición debe cumplir una matriz para ser
inversible.

31
Observación: Sean A,B ∈ ℝnxn entonces:

A×B=I⇔B×A=I

O sea: para matrices cuadradas, si encontramos B tal que A × B = I, podemos

afirmar que B es la inversa de A.

Este método que acabamos de realizar es aplicable a matrices de orden 2, pero

para matrices de mayor tamaño se hace muy engorroso. Por esta razón
analizaremos un método más general para matrices de orden mayor o igual a 3.

1.9.1. Método para calcular la matriz inversa

Existen diferentes métodos para calcular la inversa de una matriz. Si una matriz
es invertible podemos calcular su inversa a partir del método por determinantes,
el método de Gauss-Jordan y el método por adjuntos. Sea cual sea el método
para calcular la matriz inversa, el resultado debe ser el mismo, ya que una
matriz tan sólo tiene una única inversa.

1.- Dada la matriz A cuadrada, si tiene alguna fila o columna nula, entonces la
matriz no posee inversa.

2.- Si la matriz A es escalón reducida, cuadrada y además no singular, entonces

su escalón reducida es igual a la matriz identidad del mismo orden.

3.- Una matriz no invertible se dice que es singular o degenerada. si solo

si su determinante es nulo.

4.- Dada la matriz A no singular, es equivalente a la matriz identidad del mismo

orden que la matriz A.

32
1.9.2. Método de Gauss-Jordan

En matemáticas, la eliminación de Gauss-Jordan, llamada así en honor de Carl

Friedrich Gauss y Wilhelm Jordan es un algoritmo del álgebra lineal que se usa
para determinar las soluciones de un sistema de ecuaciones lineales, para
encontrar la matriz inversa, Gauss mecaniza el proceso de la siguiente manera.

Se toma la matriz dada y junto a ella se coloca la matriz identidad del mismo orden
que la matriz dada, aplicando operaciones elementales sucesivas por fila a ambas
matrices simultáneamente, se transforma la matriz dada en escalón reducida. Al
finalizar el proceso y si la matriz dada es no singular, su escalón reducida será la
matriz identidad y junto a ella se tendrá la inversa de la matriz dada. Si la matriz
dada es singular surgirá alguna fila nula en la matriz escalón reducida, esto quiere
decir que no existe la matriz inversa.

Ejemplo: Dada la matriz A ∈ ℝ3x3 Calcula su inversa A-1

Se construye la matriz aumentada, y luego se realizan las operaciones

elementales sobre las filas de la matriz aumentada que sean necesarias para
obtener la forma escalonada reducida de la matriz A.

33
El proceso ha finalizado porque en la parte izquierda tenemos la forma escalonada
reducida de A y puesto que ésta es la matriz identidad, entonces A tiene inversa y
su inversa es la matriz que aparece a la derecha, en el lugar que al principio
ocupaba la identidad. Cuando la forma escalonada reducida que aparece no es la
identidad es que la matriz de partida no tiene inversa.

Por tanto la matriz inversa de A es ⇨

Queda para el lector verificar la veracidad del resultado, verificando la siguiente

igualdad.

34
Propiedades de la inversión de matrices

Sean las matrices A, B ∈ ℝnxn inversibles Entonces:

1) (A B)−1 = B−1 A−1.

2)

3) (At)−1 =(A−1)t

Demostrar, si AB es inversible y su inversa es: (A B)-1 = B-1 A-1

Esto significa que la inversa de: A B es B-1 A-1
Para demostrar esta propiedad, veremos que: (A B) (B−1 A−1) = I
Como el producto de matrices es asociativo, resulta que:
(A B) (B−1 A−1) = I
A (B B−1) A−1 =I
A I A−1 = I
A A−1 = I
I = I
El lector puede comprobar que: (B−1 A−1) (A B) = I

Hemos demostrado que el producto de matrices inversibles es inversible.

¿Ocurre lo mismo con la suma de matrices inversibles?

Dejamos las demostraciones a cargo del lector.

35
1.10. PRÁCTICO

1. Responda con claridad las siguientes cuestionantes:

a) ¿Qué es una matriz?
b) ¿Qué es el orden de una matriz?
c) ¿Cuál es la condición para sumar matrices?
d) ¿Cuál es la condición para multiplicar matrices?
e) ¿La multiplicación de matrices es conmutativa?, porqué?
f) ¿Qué es una operación elemental, y cuáles son?
g) ¿Qué es una matriz elemental?
h) ¿Qué es una matriz equivalente por fila a otra?
i) ¿Qué es una matriz escalonada?
j) ¿Qué es una matriz escalón reducida?
k) Si una matriz es no singular, entonces ¿Cuál será su escalón reducida
equivalente?
l) Qué es la matriz inversa, y como se obtiene la obtiene.

2. Dada las siguientes matrices:

Utilizando definiciones, calcular de ser posible (justifique)

a) DC b) (2D – A)B c) AB – CD d) (Ct + 3A)t
e) [Bt – 4At]21 f) [(3C – 4B)t]31 g) [(3B + Dt)t]21
h) [(A + 2Bt)t]12 i) [AB + (DC)t]21 j) [AB + 3D]13

3. Dadas las matrices , y . Encuentre

por definición de las operaciones entre matrices el valor de los siguientes

elementos:
a) [(AB)t + 4C]21 b) [BtC – 3A]12 c) [At + BC]31

36
4. Con las matrices del ejemplo anterior determinar y trabajando con métodos
nemotécnicos encuentre en forma total la matriz (AB)t + 4C y verificar si el
resultado encontrado en el inciso (a) está correcto.

5. Determinar, justificando la respuesta, cuáles de las siguientes matrices son

elementales:

a) b) c) d)

e) f) g)

6. Del ejemplo anterior, determine las inversas de las matrices elementales en

forma directa:

7. Dada la siguiente matriz

a) Llevarla a la forma escalón reducida.

b) Hallar las matrices elementales, E1, E2 y E3 tales que AER = E3 E2 E1 A.
c) Encontrar una matriz no singular, B, tal que BA = AER.
d) De la ecuación matricial del inciso (b) despejar la matriz A.
e) Encontrar una matriz no singular, C, tal que CAER = A.

8. Sea la matriz

a) Encontrar una matriz no singular, B, tal que AER = BA.

b) Determinar una matriz C, tal que A = CAER

9. Dada la matriz , y expresarla como la suma

de una matriz simétrica y de una matriz antisimétrica.

37
10. Demostrar que:
a) El producto de dos matrices diagonales es una matriz diagonal.
b) La suma de dos matrices triangulares superiores es una matriz triangular
superior.

11. Dada las siguientes matrices, llevarlas a la forma escalón reducida:

, , y

12. Determinar la inversa de las siguientes matrices:

, , y

13. En cada inciso, usar la información dada para encontrar la matriz A.

a) , b) c)

d) e) (2I – 3A)-1 =

14. Dada las siguientes matrices , y ,

y encontrar la matriz X de las siguientes

ecuaciones matriciales.
a) Ct + 2X = 3B b) 3AX – 2C = Bt c) AX + CX = – 2B
d) (–2B + CXt)t = At e) (2X – DE)t = E

15. Dada las matrices , y .

Determinar la matriz X de la siguiente ecuación matricial: CX = 2C + BAtX.

38
16. ¿Qué condiciones debe establecerse, sobre las matrices A y B?, para que sea
válida la siguiente igualdad:
a) (A + B)2 = A2 + 2AB + B2
b) (A – B) (A – B) = A2 – 2AB + B2

17. Para la matriz , encontrar una matriz B para que la igualdad del

ejercicio anterior se cumpla.

18. Hallar todas las matrices conmutativas para la multiplicación con las siguientes
matrices:

a) b)

19. Determinar la inversa de y establecer un mecanismo para

encontrar la inversa de una matriz diagonal cualquiera.

20. Dada la matriz A, encontrar el valor de k para que la matriz no tenga inversa.

21. Determinar el valor del parámetro real k para que el rango de la siguiente
matriz sea dos:

22. Dada la matriz A. Hallar la Matriz Triangular Superior B tal que BBt = A.

39
 23. Hallar todas las matrices B que cumplen con la siguiente ecuación matricial.

24. Hallar todas las matrices B que cumplan la siguiente ecuación matricial.

25. Suponiendo que A es una matriz cuadrada, que satisface la ecuación:

. Demostrar que

26. Sabiendo que la matriz A es de orden 3 y que los elementos de la diagonal

principal son nulos. Hallar la matriz A para que se cumpla la siguiente igualdad:
A2 – A – 2I = 0

27. Hallar la matriz A ∈ ℝ2x2 tal que a22 = 5, sabiendo que:

28. Una empresa cuenta con dos fábricas de autos y produce tres modelos
diferentes A, B y C. Las siguientes tablas indican la producción correspondiente a
los meses de agosto y septiembre del año 2010.
Agosto Septiembre
F1 F2 F1 F2
A 1500 1430 A 1640 1215
B 1078 1203 B 1142 1097
C 945 847 C 1000 847
a) ¿A cuánto ascendió la producción de agosto y septiembre juntos?
b) ¿Qué diferencia encuentra entre las producciones de agosto y septiembre?
Interprete el signo de los elementos obtenidos.
c) Si en septiembre se hubiera producido exactamente lo mismo que en agosto,
¿a cuánto habría ascendido la producción total?
d) Sabiendo que el precio de venta de un auto modelo A es $us 15000, de un auto
modelo B es $us 18000 y de un auto modelo C es $us 22000, y suponiendo que
se vendió toda la producción. Calcule cuanto ingresó por concepto de la
producción de la fábrica 1 y de la fábrica 2.

40
29. Suponga que un fabricante produce cuatro artículos. Su demanda está dada
por el vector de demanda d = (30, 20, 40, 10). El precio por unidad que recibe el
fabricante por los artículos está dado por el vector de precios p = (20, 15, 18, 40)
expresado en dólares. Calcule el dinero que recibirá el fabricante si se cumple la
demanda.

30. La empresa Image Development Company fabrica en su plante de Santa Cruz

tres tipos de televisores de 14, 21 y 25 pulgadas. Los almacenes principales están
en Cochabamba, Sucre, La Paz y Tarija. Las ventas durante 1999 de
Cochabamba se cifraron en 400, 100 y 500 televisores de 14, 21 y 25 pulgadas
respectivamente, las de Sucre en 300, 150 y 400 televisores; la de La Paz en 100,
100 y 200 y la de Tarija en 200, 150 y 300. Los precios de venta fueron de $us
250, $us 500 y $us 800 para los televisores de 14, 21 y 25 pulgadas
respectivamente.
a) Expresar los precios de venta mediante una matriz.
b) Expresar la cantidad de venta por ciudad y tipo de televisor mediante una matriz
c) Determine qué ciudad tuvo mayores beneficios por conceptos de venta.

31. La empresa Juguete Instructivo tres tipos de aeromodelos. Los principales

materiales necesarios son metal (m), plástico (p) y madera (w). La matriz R
muestra cuanto material se necesita para los modelos expresados en unidades
adecuadas.

Donde las filas representan las cantidades en unidades correspondientes al

modelo a, b y c respectivamente.
La empresa vende directamente a una cadena de tiendas de departamentos que
le ha hecho un pedido de 700 piezas del modelo a, 800 del modelo b y 500 del c.
El pedido está en la matriz P:

41
a) Forme la matriz que exprese la cantidad total necesaria de cada material para
satisfacer el pedido.
b) La empresa juguetera compra todos los materiales con dos proveedores. Los
precios unitarios del proveedor S1 son $us 1,5 el metal, $us 0,85 el plástico y $us
1,15 la madera. El proveedor S2 cobra $us 1,65 el metal, $us 0,8 el plástico y $us
1,10 la madera. Forme la matriz de costo, C, cuyas columnas muestran los precios
unitarios de cada proveedor y determine la matriz que muestra el costo de los
materiales para cada modelo basado en los dos conjuntos de precios de
proveedor.

32. Daniel tiene 575 $us en billetes de uno, de cinco y de diez. En total tiene 95
billetes. La cantidad de billetes de uno más la cantidad de billetes de diez menos
cinco es igual al doble de la cantidad de billetes de cinco. ¿Cuántos billetes de
cada denominación tiene Daniel?

42
 UNIDAD II

2. SISTEMA DE ECUACIONES LINEALES

2.1. HISTORIA

Antigüedad

Ya en el siglo XVI a.C. los egipcios resolvían problemas cotidianos que tenían que
ver con la repartición de víveres, de cosechas y de materiales que eran
equivalentes a resolver ecuaciones algebraicas simples de primer grado; como la
notación algebraica no existía, usaban un método iterativo aproximado, llamado el
«método de la falsa posición».

Los matemáticos chinos de principios de nuestra era escribieron el libro Los nueve
capítulos sobre el arte matemático, en el que plantearon diversos métodos para
resolver ecuaciones algebraicas de primero y segundo grado, así como sistemas
de dos ecuaciones con dos incógnitas.

El matemático griego Diafanto de Alejandría publicó su libro Arithmetica en el siglo

III tratando las ecuaciones de primer y segundo grado; fue uno de los primeros en
utilizar símbolos para representar las ecuaciones. También planteó las ecuaciones
con soluciones enteras, llamadas en su honor ecuaciones diofánticas.

Siglos XV - XVI

Pasada la “edad oscura” medieval, el estudio de las ecuaciones algebraicas

experimenta un gran impulso. En el siglo XV estaban a la orden del día los
desafíos matemáticos públicos, con premios al vencedor; así, un desafío famoso
enfrentó a dos matemáticos a resolver ecuaciones de tercer grado, el vencedor fue
Niccoló Fontana Tartaglia, experto algebrista.

43
Sobre mediados del siglo XVI los matemáticos italianos Girolamo Cardano y
Rafael Bombelli descubrieron que, para poder resolver todas las ecuaciones de
segundo, tercero y cuarto grado, el uso de los números imaginarios era
indispensable. Cardano, enemigo acérrimo de Tartaglia, también halló métodos de
resolución de ecuaciones de cuarto grado.

En el mismo siglo, el matemático francés René Descartes popularizó la notación

algebráica moderna, en la cual las constantes están representadas por las
primeras letras del alfabeto, a, b, c, … y las variables o incógnitas por las
últimas, x, y, z.

En esta época se enuncian problemas de ecuaciones que solo han sido resueltos
actualmente, algunos recientemente; entre ellos el último teorema de Fermat, uno
de los teoremas más famosos de la matemática, que no fue demostrado hasta
1995 por Andrew Wiles y Richard Taylor

Siglos XVII-XVIII

En el siglo XVII, Isaac Newton y Gottfried Leibniz publicaron los primeros métodos
de resolución de las ecuaciones diferenciales que aparecen en los problemas de
la dinámica. Probablemente el primer libro sobre estas ecuaciones fue Sobre las
construcciones de ecuaciones diferenciales de primer grado, de Gabriele
Manfredi (1707). Durante el siglo XVIII, matemáticos ilustres como Leonhard Euler,
Daniel Bernoulli, Joseph Lagrange y Pierre Simon Laplace publicaron resultados
sobre ecuaciones diferenciales ordinarias y ecuaciones en derivadas parciales.

Época moderna

A pesar de todos los esfuerzos de las épocas anteriores, las ecuaciones

algebraicas de quinto grado y superiores se resistieron a ser resueltas; solo se
consiguió en casos particulares, pero no se encontraba una solución general. A
principios del siglo XIX, Niels Henrik Abel demostró que hay ecuaciones no

44
resolubles; en particular, mostró que no existe una fórmula general para resolver la
ecuación de quinto grado; acto seguido Evariste Galois demostró, utilizando su
teoría de grupos, que lo mismo puede afirmarse de toda ecuación de grado igual o
superior a cinco.

Durante el siglo XIX, las ciencias físicas utilizaron, en su formulación, ecuaciones

diferenciales en derivadas parciales y/o ecuaciones integrales, como es el caso de
la electrodinámica de James Clerk Maxwell, la mecánica hamiltoniana o la
mecánica de fluidos. El uso habitual de estas ecuaciones y de los métodos de
solución llevó a la creación de una nueva especialidad, la física matemática.

Ya en el siglo XX, la física matemática siguió ampliando su campo de acción;

Erwin Schrodinger, Wolfgang Emst Pauli y Paul Dirac formularon ecuaciones
diferenciales con funciones complejas para la mecánica cuántica. Albert
Einstein utilizó ecuaciones tensoriales para su Relatividad General. Las
ecuaciones diferenciales tienen también un amplio campo de aplicación en teoría
económica.

Debido a que la mayoría de ecuaciones que se presentan en la práctica son muy

difíciles o incluso imposibles de resolver analíticamente, es habitual utilizar
métodos numéricos para encontrar raíces aproximadas. El desarrollo de la
informática posibilita actualmente resolver en tiempos razonables ecuaciones de
miles e incluso millones de variables usando algoritmos numéricos.

2.2. DEFINICION DE ECUACIÓN

Una ecuación es una igualdad matemática entre dos expresiones algebraicas,

denominadas miembros, en las que aparecen valores conocidos o datos, y
desconocidos o incógnitas, relacionados mediante operaciones matemáticas. Los
valores conocidos pueden ser números, coeficientes o constantes; y también
variables cuya magnitud puede ser establecida a través de las restantes

45
ecuaciones de un sistema o bien mediante otros procesos. Las incógnitas,
representan generalmente por letras, constituyen los valores que se pretende
hallar.

En forma general una ecuación lineal se escribe de la siguiente manera:

Donde:
 ℝ ⇨ Son los coeficientes de la ecuación.
 ⇨ Son las incógnitas o variables de la ecuación.
 ℝ ⇨ Es el término independiente o constante de la ecuación.

2.2.1. Solución de una ecuación

Se llama solución de una ecuación a cualquier valor individual de dichas variables

que la satisfaga. Para el caso dado.

Ejemplo: dada la siguiente ecuación:

La variable x representa la incógnita, mientras que el coeficiente 3 y los números 1

y 9 son constantes conocidas. La igualdad planteada por una ecuación será cierta
o falsa dependiendo de los valores numéricos que tomen las incógnitas; se puede
afirmar entonces que una ecuación es una igualdad condicional, en la que sólo
ciertos valores de las variables (incógnitas) la hacen cierta.

La solución de esta ecuación es: x=5

46
Resolver una ecuación es encontrar su dominio solución, que es el conjunto de
valores de las incógnitas para los cuales la igualdad se cumple. Por lo general, los
problemas matemáticos pueden expresarse en forma de una o más
ecuaciones; sin embargo no todas las ecuaciones tienen solución, ya que es
posible que no exista ningún valor de la incógnita que haga cierta una igualdad
dada. En ese caso, el conjunto de soluciones de la ecuación será vacío y se dice
que la ecuación no es resoluble. De igual modo, puede tener un único valor, o
varios, o incluso infinitos valores, siendo cada uno de ellos una
solución particular de la ecuación. Si cualquier valor de la incógnita hace cumplir la
igualdad (esto es, no existe ningún valor para el cual no se cumpla) la ecuación es
en realidad una identidad.

2.2.2. Tipos de ecuaciones

Las ecuaciones se clasifican de acuerdo al grado de la incógnita (la variable), y al

tipo de operaciones necesarias para encontrar la solución. El grado de un
monomio o el de una expresión algebraica es un valor referido a los exponentes
de las variables (referido a los números que indican la potencia de la variable;
dicho en simple, al numerito chico arriba de las letras). Entre los tipos más
frecuentes están:

Las ecuaciones suelen clasificarse según el tipo de operaciones necesarias para

definirlas y según el conjunto de números sobre el que se busca la solución. Entre
los tipos más comunes están:

 Ecuaciones algebraicas
 De primer grado o lineales
 De segundo grado o cuadráticas
 De tercer grado o cúbicas
 Diofánticas o diofantinas

47
  Racionales, aquellas en las que uno o ambos miembros se expresan como
un cociente de polinomios
 Ecuaciones trascendentes, cuando involucran funciones no polinómicas, como
las funciones trigonométricas, exponenciales, logarítmicas, etc.
 Ecuaciones diferenciales
 Ordinarias
 En derivadas parciales
 Ecuaciones integrales
 Ecuaciones funcionales

2.3. SISTEMA DE ECUACIONES LINEALES

En matemática y álgebra lineal, un sistema de ecuaciones lineales, también

conocido como sistema lineal de ecuaciones o simplemente sistema lineal, es
un conjunto de ecuaciones lineales (es decir, un sistema de ecuaciones en donde
cada ecuación es de primer grado), definidas sobre un cuerpo o un anillo
conmutativo.

Un ejemplo de sistema lineal de ecuaciones sería el siguiente:

El problema consiste en encontrar los valores desconocidos de las

variables x1, x2 y x3 que satisfacen las tres ecuaciones.

El problema de los sistemas lineales de ecuaciones es uno de los más antiguos de

la matemática y tiene una infinidad de aplicaciones, como en procesamiento digital
de señales, análisis estructural, estimación, predicción y más generalmente en

48
programación lineal así como en la aproximación de problemas no lineales de
análisis numérico.

En general, un sistema con m ecuaciones lineales y n incógnitas puede ser escrito

en forma normal de la siguiente manera:

Donde:
ℝ ⇨ Son los coeficientes del sistema.
⇨ Son las incógnitas o variables del sistema.
ℝ ⇨ Es el término independiente o constante del sistema.

Es posible reescribir el sistema separando los coeficientes con las incógnitas,

como una notación matricial:

Si representamos cada matriz con una única letra obtenemos la notación matricial
del sistema de ecuaciones de la siguiente manera:

Donde:
Amxn: Es la matriz de coeficientes de orden mxn.
Xn: Es la matriz columna de las incógnitas o vector columna de longitud n
Bn: Es la matriz columna o vector columna de los términos independientes de
longitud m.

49
El sistema de eliminación de Gauss-Jordán se aplica a este tipo de sistemas, sea
cual sea el cuerpo del que provengan los coeficientes.

2.3.1. Matriz aumentada

Se llama matriz aumentada, o ampliada del sistema a la matriz de m filas y n+1

columnas que recoge toda la información conocida del sistema, esta es:

2.3.2. Representación gráfica

Un sistema con n incógnita se puede representar en el n-espacio (espacio n

dimensional) correspondiente.

En los sistemas con 2 incógnitas, el universo de nuestro sistema será el plano

bidimensional, mientras que cada una de las ecuaciones será representada por
una recta. La solución será el punto (o línea) donde se intersequen todas las
rectas representan a las ecuaciones. Si no existe ningún punto en el que se
intersequen al mismo tiempo todas las líneas, el sistema es incompatible, o lo que
es lo mismo, no tiene solución.

Ejemplo. Dado el siguiente sistema de ecuaciones lineales. Resolver gráficamente

y saque sus conclusiones

50
Solución única, porque las rectas se cortan en un solo punto

Ejemplo. Dado el siguiente sistema de ecuaciones lineales. Resolver gráficamente

y saque sus conclusiones

Infinitas soluciones, porque las rectas se cortan en infinitos puntos.

Ejemplo. Dado el siguiente sistema de ecuaciones lineales. Resolver gráficamente

y saque sus conclusiones

51
En el caso de un sistema de ecuaciones con 3 incógnitas, el universo será el
espacio tridimensional, siendo cada ecuación un plano dentro del mismo. Si todos
los planos intersecan en un único punto, las coordenadas de este serán la
solución al sistema. Si, por el contrario, la intersección de todos ellos es una recta
o incluso un plano, el sistema tendrá infinitas soluciones, que serán las
coordenadas de los puntos que forman dicha línea o superficie.

Para sistemas de 4 o más incógnitas, la representación gráfica no existe, por lo

que dichos problemas no se enfocan desde esta óptica.

2.3.3. Solución de un sistema de ecuaciones lineales

Se llama solución de un sistema de ecuaciones lineales, a cualquier conjunto de n

valores reales, que, sustituidos en las incógnitas de las ecuaciones, hacen que se
cumplan todas las igualdades del sistema de ecuaciones lineales.

52
2.3.4. Clasificación de los sistemas de ecuaciones lineales

Solución única
Determinado
(trivial)
Homogéneo Compatible
AX=0 (consistente) Infinitas soluciones
Indeterminad y
o Solución única
(trivial)
Sistema de
ecuaciones Solución
Determinado
lineales única
Compatible
(consistente)
Infinitas
No Indeterminado
homogéneo Soluciones
AX=B
Incompatible No tiene
(inconsistente) Solución

Los sistemas incompatibles geométricamente se caracterizan por (hiper) planos o

rectas que se cruzan sin cortarse. Los sistemas compatibles determinados se
caracterizan por un conjunto de (hiper) planos o rectas que se cortan en un único
punto. Los sistemas compatibles indeterminados se caracterizan por (hiper) planos
que se cortan a lo largo de una recta [o más generalmente un hiperplano de
dimensión menor]. Desde un punto de vista algebraico los sistemas compatibles
determinados se caracterizan porque el determinante de la matriz es diferente de
cero:

2.3.4.1. Sistema compatible determinado

det(A) ≠ 0

Algoritmo para determinar si un sistema es compatible.

Podemos averiguar si un sistema es o no compatible mediante el Teorema de

Rouché - Frobenius es decir:

53
Dado un sistema de m ecuaciones con n incógnitas, AX = B se tiene:
Que si AX = B es un sistema compatible si rg(A) = rg(A∣B) = p
Además si: p = n ↔ el sistema es determinado (tiene solución única)
p < n ↔ el sistema es indeterminado (tiene infinitas soluciones)

Aplicando este teorema al caso de un sistema homogéneo, AX = 0 se tiene lo

siguiente:

El sistema homogéneo es siempre compatible, ya que el rg(A) = rg(A∣0)

La solución nula o trivial si, , es siempre solución del
sistema homogéneo.

Si el rg(A) = n, el sistema homogéneo es compatible y la única solución es la nula

(trivial).

Si el rg(A) < n, el sistema homogéneo es compatible indeterminado y en este caso

tiene infinitas soluciones, además de la solución nula (trivial).

2.3.4.2. Sistema compatible indeterminado

det(A) = 0

Un sistema de ecuaciones lineales es compatible indeterminado cuando posee

un número infinito de soluciones. Por ejemplo, el siguiente sistema:

Tanto la primera como la segunda ecuación se corresponden con la recta cuya

pendiente es -0,5 y que pasa por el punto (1,1), por lo que ambas intersecan en
todos los puntos de dicha recta. El sistema es compatible por haber solución o

54
intersección entre las rectas, pero es indeterminado al ocurrir esto en infinitos
puntos.
En este tipo de sistemas, la solución genérica consiste en expresar una o más
variables como función matemática del resto. En los sistemas lineales compatibles
indeterminados, al menos una de sus ecuaciones se puede hallar como
combinación lineal del resto, es decir, es linealmente dependiente.

La condición necesaria para que un sistema sea compatible indeterminado es que

el determinante de la matriz del sistema sea cero al igual que el rango de la matriz
ampliada y menor al número de incógnitas (y por tanto uno de sus
autovalores será 0):

De hecho, de las dos condiciones anteriores se desprende, que el conjunto de

soluciones de un sistema compatible indeterminado es un subespacio vectorial. Y
la dimensión de ese espacio vectorial coincidirá con la multiplicidad geométrica del
autovalor cero.

2.3.4.3. Sistema incompatible

det(A) = 0

Un sistema de ecuaciones lineales se dice que es incompatible cuando no

presenta ninguna solución. Por ejemplo, supongamos el siguiente sistema:

Las ecuaciones se corresponden gráficamente con dos rectas, ambas con la

misma pendiente, Al ser paralelas, no se cortan en ningún punto, es decir, no
existe ningún valor que satisfaga a la vez ambas ecuaciones.

55
Matemáticamente un sistema de ecuaciones lineales incompatible cuando el rango
de la matriz de coeficientes del sistema es inferior al rango de la matriz ampliada.
Una condición necesaria para que esto suceda es que el determinante de la matriz
del sistema sea cero:

2.4. MÉTODO DE SOLUCIÓN

2.4.1. Sustitución

El método de sustitución consiste en despejar en una de las ecuaciones con

cualquier incógnita, preferiblemente la que tenga menor coeficiente y a
continuación sustituirla en otra ecuación por su valor.

En caso de sistemas con más de dos incógnitas, la seleccionada debe ser

sustituida por su valor equivalente en todas las ecuaciones excepto en la que la
hemos despejado. En ese instante, tendremos un sistema con una ecuación y una
incógnita menos que el inicial, en el que podemos seguir aplicando este método
reiteradamente. Por ejemplo, supongamos que queremos resolver por sustitución
este sistema:

En la primera ecuación, seleccionamos la incógnita “y” por ser la de menor

coeficiente y que posiblemente nos facilite más las operaciones, y la despejamos,
obteniendo la siguiente ecuación.

El siguiente paso será sustituir cada ocurrencia de la incógnita “y” en la otra

ecuación, para así obtener una ecuación donde la única incógnita sea la “x”.

56
Al resolver la ecuación obtenemos el resultado “x = 5” y si ahora sustituimos esta
incógnita por su valor en alguna de las ecuaciones originales obtendremos “y = 7”,
con lo que el sistema queda ya resuelto.

2.4.2. Igualación

El método de igualación se puede entender como un caso particular del método de

sustitución en el que se despeja la misma incógnita en dos ecuaciones y a
continuación se igualan entre sí la parte derecha de ambas ecuaciones.

Tomando el mismo sistema utilizado como ejemplo para el método de sustitución,

si despejamos la incógnita “y” en ambas ecuaciones nos queda de la siguiente
manera:

Como se puede observar, ambas ecuaciones comparten la misma parte izquierda,

por lo que podemos afirmar que las partes derechas también son iguales entre sí.

Una vez obtenido el valor de la incógnita, “x” se sustituye su valor en una de las
ecuaciones originales, y se obtiene el valor de la variable “y”.

La forma más fácil de tener el método de sustitución es realizando un cambio para

despejar la variable “x” después de averiguar el valor de la variable “y”.

57
2.4.3. Reducción

Este método suele emplearse mayoritariamente en los sistemas lineales, siendo

poco los casos en que se utiliza para resolver sistemas no lineales. El
procedimiento, diseñado para sistemas con dos ecuaciones e incógnitas, consiste
en transformar una de las ecuaciones (generalmente, mediante productos), de
manera que obtengamos dos ecuaciones en la que una misma incógnita aparezca
con el mismo coeficiente y distinto signo. A continuación, se suman ambas
ecuaciones produciéndose así la reducción o cancelación de dicha incógnita,
obteniendo así una ecuación con una sola incógnita, donde el método de
resolución es simple.

Por ejemplo, en el sistema:

No tenemos más que multiplicar la primera ecuación por “-2” para poder cancelar
la incógnita “y”.

Si sumamos esta ecuación a la segunda del sistema original, obtenemos una

nueva ecuación donde la incógnita “y” ha sido reducida y que, en este caso, nos
da directamente el valor de la incógnita “x”:

El siguiente paso consiste únicamente en sustituir el valor de la incógnita “x” en

cualquiera de las ecuaciones donde aparecían ambas incógnitas, y obtener así
que el valor de “y” si sustituimos en la primera ecuación es igual a:

58
2.4.4. Método gráfico

Rectas que pasan por el punto: (2,4)

Consiste en construir la gráfica de cada una de las ecuaciones del sistema. El

método (manualmente aplicado) solo resulta eficiente en el plano cartesiano, es
decir para un espacio de dimensión 2.

El proceso de resolución de un sistema de ecuaciones mediante el método gráfico

se resuelve en los siguientes pasos:

Se despeja la incógnita en ambas ecuaciones.

Se construye para cada una de las dos ecuaciones de primer grado obteniendo la
tabla de valores correspondientes.

Se representan gráficamente ambas rectas en los ejes coordenados.

En este último paso hay tres posibilidades:

Si ambas rectas se cortan, las coordenadas del punto de corte son los únicos
valores de las incógnitas (x,y). "Sistema compatible determinado".

59
Si ambas rectas son coincidentes, el sistema tiene infinitas soluciones que son las
respectivas coordenadas de todos los puntos de esa recta en la que coinciden
ambas. «Sistema compatible indeterminado».

Si ambas rectas son paralelas, el sistema no tiene solución en los números reales
pero sí en los complejos.

2.4.5. Método de Gauss

Es un método matricial, y se aplica de la siguiente manera:

Del sistema original se toma la matriz aumentada y a través de operaciones

elementales sucesivas se la transforma en matriz escalonada, procurando que sus
elementos distinguidos sean iguales a uno. Esta matriz aumentada escalonada da
lugar a un nuevo sistema, equivalente al sistema original y de fácil solución a
través de una retro sustitución. La solución que se obtiene del sistema equivalente
es la solución del sistema original.

Dado el siguiente sistema de ecuaciones lineales, encontrar la solución.

Escribimos el sistema en forma matricial [A] [X] = [B]

Construimos la matriz aumentada

Aplicamos Operaciones Elementales Sucesivas por filas a la matriz aumentada,

hasta encontrar la matriz aumentada escalonada.

60
Se escribe el sistema equivalente.

Del sistema equivalente se obtiene la solución del sistema despejando las

variables.

Gráficamente, la solución de un sistema de ecuaciones lineales por el método de

Gauss sería de la siguiente manera:

SISTEMA
ORIGINAL

SOLUCION
MATRIZ
DEL
AUMENTADA
SISTEMA

OPERACIONES
SISTEMA
ELEMENTALES
EQUIVALENTE
SUCESIVAS

MATRIZ
AUMENTADA
ESCALONADA

2.4.6. Método de Gauss – Jordán

Este método similar al anterior, solo que la matriz aumentada es transformada en

matriz aumentada escalonada reducida, el resto del proceso es lo mismo que el
anterior.

Gráficamente, la solución de un sistema de ecuaciones lineales por el método de

Gauss–Jordan sería de la siguiente manera:

61
 SISTEMA
ORIGINAL

SOLUCION
MATRIZ
DEL
AUMENTADA
SISTEMA

OPERACIONES
SISTEMA
ELEMENTALES
EQUIVALENTE
SUCESIVAS

MATRIZ
AUMENTADA
ESCALONADA
REDUCIDA

Ejemplo: Resolver por el método de Gauss y luego por Gauss–Jordán el siguiente

sistema y saque sus conclusiones.

Ejemplo: Resolver por el método de Gauss–Jordán el siguiente sistema y saque

sus conclusiones.

Ejemplo.- Resolver por el método de Gauss el siguiente sistema y saque sus

conclusiones.

62
2.5. SOLUCIÓN DE UN PROBLEMA

La resolución de un sistema de ecuaciones no es una tarea en sí misma, sino que

forma parte de la resolución de un problema, teórico o práctico. Veamos cómo,
partiendo de un problema expresado de modo textual, podemos transcribirlo a
ecuaciones y luego resolverlo.

Resolución de un problema aplicado por medio del planteamiento de un sistema

de ecuaciones.

1er Paso: Determine lo que debe encontrar. Asigne una variable a cada incógnita
y anote lo que representa.

2do Paso: Anote cualquier otra información. Si es apropiado, dibuje una figura o
un diagrama y márquelo utilizando las variables del primer paso. Utilice una tabla o
un diagrama para resumir la información.

3er Paso: Escriba un sistema de ecuaciones. Por lo general existirán tantas

ecuaciones como incógnitas.

4to Paso: Resuelva el sistema utilizando los métodos matriciales.

5to Paso: Responda a las preguntas. Asegúrese de haber respondido todas las
preguntas planteadas.

6to Paso: Verifique la solución o soluciones en el problema original. Asegúrese de

que las respuestas tengan sentido.

En resumen: partiendo de un problema en forma de texto, hemos identificado las

incógnitas y hemos establecido las relaciones que hay entre ellas, dando lugar a
un sistema que tiene tantas ecuaciones independientes como incógnitas. Resuelto

63
el sistema, tenemos la solución, que podemos comprobar que es correcta en el
texto original.

Ejemplo:

En una granja hay conejos y gallinas. Si entre todos suman 18 cabezas y 52

patas, ¿cuántos conejos y gallinas hay?

SOLUCIÓN:

Tenemos un problema expresado textualmente. Para resolverlo tenemos que

pasarlo a forma de ecuaciones, por lo que tenemos que determinar lo siguiente:

1.- Cuáles son las incógnitas.

2.- Qué relación hay entre ellas.

En este caso la propia pregunta dice cuáles son las incógnitas: el número de
conejos y el número de patos. Llamaremos x al número de conejos e y al número
de gallinas:

Sabemos que cada conejo y cada gallina tienen una sola cabeza. Por tanto: el
número de conejos por una cabeza, más el número de gallinas por una cabeza
también, tienen que sumar 18:
x + y = 18

Por otra parte, los conejos tienen cuatro patas y las gallinas sólo tienen dos. Por
tanto: el número de conejos por cuatro patas cada uno, más el número de gallinas
por dos patas, tienen que sumar 52:
4x + 2y = 52

64
La cuestión es: qué valores de x e y cumplen las dos ecuaciones al mismo tiempo;
esto es, las dos ecuaciones forman un sistema y el valor de la variable x y de y es
la solución de un sistema de dos ecuaciones:

Por tanto la ecuación queda de la siguiente manera:

Para el lector, encuentre la solución del sistema generado.

65
2.6. PRÁCTICO

1. Revisando conceptos
a) Defina qué es una ecuación lineal.
b) Defina qué es un sistema de ecuaciones lineales.
c) ¿Qué es la solución de una ecuación lineal?
d) Defina que es un sistema homogéneo y analice sus posibilidades de solución.
e) Defina que es un sistema no homogéneo y analice sus posibilidades de
solución.

2. Identifique cuales de las siguientes ecuaciones son lineales y cuáles no. En

caso de afirmativo, indique el número de incógnitas de la ecuación:
a) 3x = 4 b) x – y = 5 c) 2xy – 3z = 0
d) log x – 3y = 5 e) x + 5z = 3y – 5 f) Sen3x – y = 7
g) xy + 3 = 0 h) log x – y = 3x i) x – y = 3z

3. Diga si son verdadero o falso las siguientes proposiciones. Justifique:

a) Todo sistema de ecuaciones lineales con tres ecuaciones y tres incógnitas es
compatible.
b) Los sistemas homogéneos son siempre compatibles.
c) Un sistema indeterminado es aquel que no tiene solución.
d) La solución trivial no es solución de un sistema no homogéneo.

4. Analizar para que valores de “k” el sistema no tiene solución, tiene infinitas
soluciones, tiene exactamente una solución:

a) b)

c) d)

e) f)

66
g) h) R:

5. Resolver los siguientes sistemas de ecuaciones lineales por el método de:

a) Gauss
b) Gauss-Jordán

a) b)

6. Para que valores de los términos independientes a, b y c los sistemas dados

son compatibles o incompatibles:

a) b)

7. Para el sistema homogéneo dado, ¿para qué valores de “k” tiene soluciones no
triviales?

8. Resolver los sistemas homogéneos dados, indicando si tienen soluciones no

triviales:

a) b) b)

9. Resolver los siguientes sistemas dados, mediante la ecuación matricial:

X = A-1 B

a) b)

67
10. Un departamento de pesca del estado proporciona tres tipos de comida a un
lago que alberga a tres especies de peces. Cada pez de la especie 1 consume
cada semana un promedio de 1 unidad del alimento A, 1 unidad del alimento B y 2
unidades del alimento C. Cada pez de la especie 2 consume cada semana un
promedio de 3 unidades del alimento A, 4 unidades del alimento B y 5 unidades
del alimento C. Para un pez de la especie 3, el promedio semanal de consumo es
de 2 unidades del alimento A, 1 unidad del alimento B y 5 unidades del alimento C.
Cada semana se proporciona al lago 25000 unidades del alimento A, 20000
unidades del alimento B y 55000 unidades del alimento C. Si se supone que los
peces se comen todo el alimento. ¿Cuántos peces de cada especie pueden
coexistir en el lago?

11. El modelo económico abierto de Leontief (de producción, en el que la

producción de k industrias está destinada para satisfacer las demandas propias y
una cierta demanda externa), nos indica que para hallar el nivel de producción de
cada industria se utiliza la siguiente ecuación matricial (I – C) X = d, en la cual I es
la matriz identidad, C es la matriz de consumo, d es la matriz de demanda externa
y X es la matriz de producción.

Suponga que: , , Encuentre la producción Xi de

cada una de las tres industrias.

12. Un viajero que acaba de regresar de Europa gastó 30∊ diarios en Inglaterra,
20∊ diarios en Francia y 20∊ diarios en España por concepto de hospedaje. En
comida gastó 20∊ en Inglaterra, 30∊ diarios en Francia y 20∊ diarios en España.
Sus gastos adicionales fueron de 10∊ diarios en cada país. Los registros del
viajero indican que gastó un total de 340∊ en hospedaje, 320∊ en comida y 140∊
en gastos adicionales durante su viaje por estos tres países. Calcule el número de
días que pasó el viajero en cada país o muestre que los registros deben estar
incorrectos debido a que las cantidades gastadas no son compatibles ina con la
otra (según sea el caso).

68
13. El tesorero de un club invirtió 500$ de los ahorros en tres cuentas distintas, a
intereses anuales de 8, 9 y 10%. El interés total ganado en un año fue de 460$. La
cantidad ganada por el depósito al 10% fue de 20$ más que la que se ganó al 9%
¿Cuánto se invirtió con cada tasa de interés?

14. Un restaurante tiene 15 meses en total, el modelo A tiene 4 asientos cada una,
el modelo B tiene 6 asientos cada una y el modelo C con 10 asientos cada una. La
capacidad total de asientos del restaurante es de 86. Los domingos solo utilizan 6
mesas, la mitad del modelo A, un cuarto del modelo B y una tercera parte del
modelo C. ¿Cuántas mesas de cada modelo tiene el restaurante?

15. Un veterinario desea controlar la dieta de un animal de modo que,

mensualmente, el animal consuma 60 libras de avena, 75 libras de maíz y 55
libras de soya. Además de heno, pastura y agua. Tiene tres alimentos disponibles,
cada uno con avena, maíz y soya, como muestra la siguiente tabla. ¿Cuántas
libras de cada alimento debe usar para obtener la mezcla deseada?
Avena Maíz Soya
1 lb del alimento A 6 onzas 5 onzas 5 onzas
1 lb del alimento B 6 onzas 6 onzas 4 onzas
1 lb del alimento C 4 onzas 7 onzas 5 onzas

16. Un agente secreto sabe que 60 equipos aéreos, que consisten en aviones de
combate y bombarderos, están parqueados en cierto campo aéreo secreto. El
agente quiere determinar cuánto de los 60 equipos son aviones de combate y
cuántos son bombarderos. Existe un tipo de cohete que llevan ambos aviones; el
de combate lleva 6 de ellos y el bombardero solo 2. El agente averigua que se
requieren 250 cohetes para armar a todos los aviones del campo aéreo. Aún más
escucha que se tiene el doble de aviones de combate que bombarderos en la
base (es decir, el número de aviones de combate menos dos veces el número de
bombarderos es igual a cero). Calcule el número de aviones de combate y
bombarderos en el campo aéreo.

69
17. Una tienda de helados vende solo helados con soda y malteada. Se pone 1
onza de jarabe y 4 onzas de helado en un helado con soda y 1 onza de jarabe y 3
onzas de helado en una malteada. Si la tienda usa 4 galones de helado y 5
cuartos de jarabe en un día, ¿Cuántos helados con soda y cuantas malteadas
vende?
Nota: 1 cuarto = 32 onzas; 1 galón = 128 onzas.

18. Un club de casa y pesca tiene una laguna en la que conviven tres tipos de
peces: truchas, sardinas y pacús. Si cada semana: una trucha 1 unidad de
alimento A, 1 del alimento B y 2 del alimento C. Una sardina consume 3 unidades
del alimento A, 4 del B y 5 del C. Un pacú consume 2, 1 y 5 unidades de los
alimentos A, B y C respectivamente. Cada semana se colocan en el lago 15000
unidades del alimento A. 10000 unidades del alimento B y 35000 del C.
Suponiendo que los peces se comen todo el alimento ¿Cuántos peces de dada
especie pueden coexistir en el lago?

70
UNIDAD III

3. DETERMINANTES

3.1. HISTORIA

Los determinantes fueron introducidos en Occidente a partir del siglo XVI, esto es,
antes que las matrices, que no aparecieron hasta el siglo XIX. Conviene recordar
que los chinos (Hui, Liu. Jiu Zhang Suan shu o Los nueve capítulos del arte
matemático.) fueron los primeros en utilizar la tabla de ceros y en aplicar un
algoritmo que, desde el Siglo XIX, se conoce con el nombre de Eliminación de
Gauss – Jordan.

Los determinantes hicieron su aparición en las matemáticas más de un siglo antes

que las matrices. El término matriz fue creado por James Joseph Sylvester,
tratando de dar a entender que era “la madre de los determinantes”.

Algunos de los más grandes matemáticos de los siglos XVIII y XIX contribuyeron
al desarrollo de las propiedades de los determinantes. La mayoría de los
historiadores coinciden en afirmar que la teoría de los determinantes se originó
con el matemático alemán Gottfried Wilhelm Leibniz (1646-1716) quien fue con
Newton, el co inventor del cálculo diferencial e integral. Leibniz empleó los
determinantes en 1693 con relación a los sistemas de ecuaciones lineales
simultáneas. No obstante hay quienes creen que el matemático japonés Seki
Kowa hizo lo mismo unos 10 años antes.

Las contribuciones más prolíficas a la teoría de los determinantes fueron las del
matemático francés Agustin–Louis Cauchy (1789-1857). Cauchy escribió, en 1812
una memoria de 84 páginas que contenía la primera demostración del teorema
det(AB) = det(A) x det(B). En 1840 Cauchy hizo muchas otras contribuciones a las

71
matemáticas. En su texto de cálculo de 1829 Leçons sur le calcul différential, dio la
primera definición razonablemente clara de límite.

Cauchy escribió ampliamente tanto en las matemáticas puras como en las

aplicadas. Solo Euler escribió más. Cauchy hizo contribuciones en varias áreas,
incluyendo la teoría de las funciones reales y complejas, la teoría de la
probabilidad, geometría, teoría de propagación de las ondas y las series infinitas.

A Cauchy se le reconoce el haber establecido nuevos niveles de rigor en las

publicaciones matemáticas. Después de Cauchy, fue mucho más difícil publicar
escritos basándose en la intuición; se exigió una estricta adhesión a las
demostraciones rigurosas.

El volumen de las publicaciones de Cauchy fue abrumador . Cuando la Academia

Francesa de Ciencias comenzó a publicar su revista Comptes Rendus en 1835,
Cauchy envió su obra para que se publicara, en poco tiempo los gastos de
impresión se hicieron tan grandes, solo por la obra de Cauchy, que la academia
impuso un límite de cuatro cuartillas por cada documento a ser publicado.

Hay algunos otros matemáticos que merecen ser mencionados aquí. El desarrollo
de un determinante por cofactores fue empleado por primera vez por el
matemático francés Pierre de Laplace (1749-1827). Laplace es mejor conocido por
la transformación que lleva su nombre que se estudia en los cursos de
matemáticas aplicadas.

Un contribuyente principal de la teoría de los determinantes (estando solo Cauchy

antes que él) fue el matemático alemán Carl Gustav Jacobi (1804-1851). Fue con
él con quien la palabra “determinante” ganó la aceptación definitiva. Lo primero en
lo que Jacobi empleó los determinantes fue en las funciones, al establecer la
teoría de las funciones de varias variables. Sylvester llamó más tarde jacobiano a
éste determinante.

72
Primeros cálculos de determinantes

En su sentido original, el determinante determina la unicidad de la solución de un

sistema de ecuaciones lineales. Fue introducido para el caso de orden 2 por
Cardano en1545 en su obra Ars Magna presentado como una regla para la
resolución de sistemas de dos ecuaciones con dos incógnitas. Esta primera
fórmula lleva el nombre de regula de modo.

El japonés Kiwa Seki introdujo los determinantes de orden 3

y 4 en la misma época que el alemán Leibniz.

La aparición de determinantes de órdenes superiores tardó

aún más de cien años en llegar. Curiosamente el japonés
Kowa Seki y el alemán Leibniz otorgaron los primeros
ejemplos casi simultáneamente.

Leibniz estudió los distintos tipos de sistemas de ecuaciones lineales. Al no

disponer de la notación matricial, representaba los coeficientes de las incógnitas
con una pareja de índices: así pues escribía ij para representar ai, j. En 1678 se
interesó por un sistema de tres ecuaciones con tres incógnitas y obtuvo, para
dicho ejemplo, la fórmula de desarrollo a lo largo de una columna. El mismo año,
escribió un determinante de orden 4, correcto en todo salvo en el signo. Leibniz no
publicó este trabajo, que pareció quedar olvidado hasta que los resultados fueron
redescubiertos de forma independiente cincuenta años más tarde.

En el mismo periodo, Kowa Seki publicó un manuscrito sobre los determinantes,

donde se hallan fórmulas generales difíciles de interpretar. Parece que se dan
fórmulas correctas para determinantes de tamaño 3 y 4, y de nuevo los signos mal
para los determinantes de tamaño superior. El descubrimiento se queda sin futuro
a causa del cierre de Japón al mundo exterior por órdenes del shōgun, lo que se
ve reflejado en la expulsión de los Jesuitas en 1638.

73
Determinantes de cualquier dimensión

En 1748, en un tratado póstumo de álgebra de MacLaurin aparece la regla para

obtener la solución de un sistema de n ecuaciones lineales con n incógnitas
cuando n es 2, 3 o 4 mediante el uso de determinantes. En 1750, Cramer da la
regla para el caso general, aunque no ofrece demostración alguna. Los métodos
de cálculo de los determinantes son hasta entonces delicados debido a que se
basan en la noción de signatura de una permutación.

Los matemáticos se familiarizan con este nuevo objeto a través de los artículos de
Bézout en 1764, de Vandermonde en 1771 (que proporciona concretamente el
cálculo del determinante de la actual Matriz de Vandermonde). En 1772,
Laplace establece las reglas de recurrencia que llevan su nombre. En el año
siguiente, Lagrange descubre la relación entre el cálculo de los determinantes y el
de los volúmenes.

Gauss utiliza por primera vez el término « determinante », en las Disquisitiones

arithmeticae en 1801. Lo empleaba para lo que hoy día denominamos
discriminante de una cuádrica y que es un caso particular de determinante
moderno. Igualmente estuvo cerca de obtener el teorema del determinante de un
producto.

En espacios de Hilbert de dimensión infinita no siempre puede definirse una

extensión del determinante con las propiedades que éste tiene en dimensión finita.
Sin embargo si se consideran operadores compactos con traza finita, entonces
puede definirse un análogo del determinante con muchas de sus propiedades.

Aparición de la noción moderna de determinante

Cauchy fue el primero en emplear el término determinante con su significado

moderno. Se encargó de realizar una síntesis de los conocimientos anteriores y

74
publicó en 1812 la fórmula y demostración del determinante de un producto junto
con el enunciado y demostración de la regla de Laplace. Ese mismo año
Binet ofreció otra demostración (incorrecta) para la fórmula del determinante de un
producto. Paralelamente Cauchy establece las bases del estudio de la reducción
de endomorfismos.

En 1825 Heinrich F. Scherk publicó nuevas propiedades de los determinantes.

Entre las propiedades halladas estaba la propiedad de que en una matriz en la
que una fila es combinación lineal de varias de las demás filas de la matriz el
determinante es cero.

Con la publicación de sus tres tratados sobre determinantes en 1841 en la revista

Crelle, Jacobi aporta a la noción una gran notoriedad. Por primera vez presenta
métodos sistemáticos de cálculo bajo una forma algorítmica. Del mismo modo,
hace posible la evaluación del determinante de funciones con instauración del
jacobiano, lo que supone un gran avance en la abstracción del concepto del
determinante.

El cuadro matricial es introducido por los trabajos de Cayley y James Joseph

Sylvester. Cayley es también el inventor de la notación de los determinantes
mediante barras verticales (1841) y establece la fórmula para el cálculo de la
inversa de una matriz mediante determinantes (1858).

La teoría se ve reforzada por el estudio de determinantes que tienen propiedades

de simetría particulares y por la introducción del determinante en nuevos campos
de las matemáticas, como el wronskiano en el caso de las ecuaciones
diferenciales lineales.

75
3.2. DEFINICIÓN

El primer paso que se hace necesario dar es dejar claro el origen etimológico del
término determinante. En ese sentido, tendremos que decir que emana del Latín, y
más exactamente del verbo “determinare”, que puede traducirse como “expresar
con precisión una idea”. Este vocablo latino se encuentra conformado por dos
partes claramente delimitadas: el prefijo “de”, que es sinónimo de “dirección de
algo de arriba hacia abajo”, y el verbo “terminare”, que es equivalente a “pone un
límite”.

Determinante es aquello que determina. El verbo determinar, por su parte, refiere

a fijar los términos de algo, señalar algo para algún efecto, tomar una resolución,
distinguir o discernir.

Por ejemplo: “La jugada del penal no cobrado fue determinante para el desarrollo
del encuentro”, “Los expertos consideran que el apoyo del presidente será
determinante en las próximas elecciones”, “Las palabras de mis padres son
determinantes en mis decisiones”.

En el ámbito de la matemática, determinante es una expresión obtenida a partir de

la aplicación de los elementos de una matriz cuadrada según ciertas reglas. Puede
decirse que el determinante es una forma multilineal alternativa.

El determinante es una función que le asigna a una matriz de orden n, un único

número real llamado determinante de la matriz.

NOTACIÓN

Si A es una matriz de orden n, el determinante de la matriz A lo denotamos por

det(A) ó |A|, donde las barras no significan valor absoluto.

76
Dada una matriz cuadrada cualquiera A ∈ Mn, el determinante es una operación
que se realiza sobre matrices cuadradas cuyo resultado es un número real. Para
entender su definición consideremos previamente algunos conceptos:

Permutación de un conjunto de n datos.

Consideremos un ejemplo de 3 números cualesquiera, {1, 2, 3}, se entiende por

permutación de esos 3 números a las distintas formas que tenemos de ordenar
ese conjunto. De esta forma podemos decir que este conjunto tiene las siguientes
permutaciones:

{1,2,3}, {1,3,2}, {2,3,1}, {2,1,3}, {3,1,2}, {3,2,1}

Es decir un total de 6 permutaciones, número que coincide como el factorial de 3!

3! = (3) (2) (1) = 6

En general si tenemos un total de n-elementos y deseamos obtener todas las

permutaciones que podemos obtener al ordenar esos n-elementos, podremos
conseguir un total de n! permutaciones.

Transposición de una permutación.

Una trasposición de una permutación es el cambio de orden entre dos elementos

de una permutación, así por ejemplo si pasamos de la permutación

{1, 3, 2} a la permutación {1, 2, 3} hemos realizado una trasposición pues hemos

intercambiado los lugares del 2 y 3.

En este terreno suele resultar conveniente obtener el número de trasposiciones

necesarios para reordenar una permutación cualquiera y transformarla en la
permutación inicial {1, 2, ...., n}

77
Por ejemplo

Las siguientes permutaciones requieren los siguientes cambios:

{3, 2, 1} ⇨ {1, 2, 3} (1 sola trasposición)

{2, 3, 1} ⇨ {1, 3, 2} (cambio 1 por 2) ⇨ {1, 2, 3} (el 2 por el 3) (2 trasposiciones)

3.3. MÉTODO DE CÁLCULO

3.3.1. Determinante de una matriz de orden 1

Si A = [a11] es una matriz de orden uno, entonces. det(A) = a11

Ejemplo: Dada la matriz A = [3], su determinante es 3

Dada la matriz B = [–3], su determinantes es – 3

3.3.2. Determinante de una matriz de orden 2

En matrices de orden 2, para calcular el determinante se realiza la sumatoria del

producto de sus diagonales, es decir:

Ejemplo. Dada la matriz

Su determinante es: |A|= (a11 a22) + (– a12 a21)

Dada la matriz , encontrar su determinante.

|B| = [(3) (– 4)] + [– (2) (– 5)]

|B| = – 12 + 10
|B| = – 2

78
Determinar el valor de “a” para que el determinante de la siguiente matriz sea 35

Si A es una matriz de orden n > 2, se puede calcular su determinante aplicando el

método de Sarrus.

3.3.3. Método de Sarrus

La regla de Sarrus es un método fácil para memorizar y calcular el determinante

de una matriz de orden 3×3, pero no es recomendable para matrices de orden
mayor a 3×3. Recibe su nombre del matemático francés Pierre Frédéreic Sarrus,
que la introdujo en el artículo «Nouvelles méthodes pour la résolution des
équations», publicado en Estrasburgo en 1833.

Considérese la matriz A ∈ ℝ3×3 Calcular su determinante:

En primer lugar, repetir las dos primeras filas de la matriz debajo de la misma de
manera que queden cinco filas. Después sumar los productos de las diagonales
descendentes (en línea continua) y sustraer los productos de las diagonales
ascendentes (en trazos). Esto resulta en:

|A| = (x1+ x2 + x3) – (y1 + y2 + y3)

79
Ejemplo: Dada la matriz Calcular su determinante.

|A| = [0 + 18 + (– 4)] – [60 + 4 + 0]

|A| = – 50
Propiedades:

1. El determinante de un producto de matrices cuadradas es igual al producto de

sus determinantes. Si A, B ∈ Mn×n , entonces:
|A B| = |A| |B|

2. Observación importante: el determinante de la suma de matrices no es igual a la

suma de sus determinantes.
|A + B| ≠ |A| + |B|

3. El determinante de la matriz A es igual al determinante de su transpuesta.

|A| = |At|

4. El determinante del producto de un escalar por una matriz, es igual al escalar

elevado al tamaño de la matriz multiplicado por el determinante de la matriz.
Si A ∈ Mnxn y k ∈ ℝ, entonces: |kA| = kn |A|

5. Si k ∈ ℕ, teniendo en cuenta la propiedad anterior se deduce que:

∀ ∈ ℕ

80
6. Si A tiene una columna o una fila llena de ceros, entonces su determinante es
cero:

7. Si A tiene dos columnas o dos filas iguales, entonces su determinante es cero:

8. El determinante de la inversa de una matriz.

9. Si se permutan dos columnas o dos filas de A, el determinante cambia de

signo:
|A| = – |B|

10. Si B es la matriz que se obtiene al multiplicar a una columna o una fila de la

matriz A, por un escalar k ∈ ℝ, entonces:

11. Si a fila, o a una columna se le suma con el múltiplo de otra, el determinante

no varía. La demostración se basa en algunas de las propiedades anteriores:
|A| = |B|

12. Si una columna de la matriz A está compuesta por la suma de dos elementos,
es decir.

su determinante es

Si una matriz cuadrada cualquiera es inversible (posee inversa), entonces su

determinante es diferente de cero.

81
3.3.4. Método de Laplace

El teorema de Laplace (también conocido como regla de Laplace o desarrollo

de Laplace), así llamado en honor del matemático francés Peter Simon Laplace
(1749 – 1827), es un teorema matemático que permite simplificar el cálculo de
determinantes en matrices de elevadas dimensiones a base de descomponerlo en
la suma de determinantes menores.

El teorema afirma que el determinante de una matriz es igual a la suma de los

productos de cada elemento (de un renglón o columna) por la determinante de su
matriz adjunta, lo que reduce un determinante de dimensión n a n determinantes
de dimensión n-1. Aplicado de forma sucesiva, permite llegar a matrices 3x3 (con
lo que se puede aplicar la regla de Sarrus) o 2x2 (en el que el determinante es el
producto de la diagonal principal menos el de la secundaria).

Se puede optimizar los cálculos aplicando la regla de Chio y haciendo ceros lo que
reduce el número de determinantes de rango inferior a calcular.

El método de Laplace es muy útil para la evaluación de determinantes

manualmente (pero para matrices de orden superiores a 4 se vuelve muy
engorroso), y además nos permite hacer otras aplicaciones como la obtención de
una forma para encontrar la inversa de una matriz y la solución de ciertos sistemas
de ecuaciones lineales. Para desarrollar el método es necesario definir antes los
menores y los cofactores de un elemento genérico. aij ∈ An

Para encontrar un determinante de una matriz por el teorema de Laplace, se

siguen los siguientes pasos:

a) Seleccionar cualquier fila o columna de la matriz dada.

b) Encuentre el menor de cada elemento en la fila o la columna seleccionada.
c) El determinante se calcula a través de la siguiente fórmula.

82
 ⇨

Donde: aij es un elemento de la matriz dada.

Cij es el cofactor del elemento aij de la matriz dada.

Dada la siguiente matriz A ∈ M4x4. Calcular se determinante.

Cálculo del determinante de la matriz A (por fila), esto es:

a) Seleccionar cualquier fila de la matriz dada. Supongamos que seleccionamos la

fila 3 ⇨

b) Encuentre el menor de cada elemento en la fila seleccionada, calculando el

determinante de la submatriz (Sarrus).

⇨ ⇨

⇨ ⇨

c) El determinante se calcula a través de la siguiente fórmula.

|A| = (-1)3+1 a31 M31 + (-1)3+2 a32 M32 + (-1)3+3 a33 M33 + (-1)3+4 a34 M34

83
Cálculo del determinante de la matriz A (por columna), esto es:

a) Seleccionar cualquier columna de la matriz dada. Supongamos que

seleccionamos la columna 2. ⇨

b) Encuentre el menor de cada elemento en la fila seleccionada, calculando el

determinante de la submatriz (Sarrus).

⇨ ⇨

⇨ ⇨

c) El determinante se calcula a través de la siguiente fórmula.

|A| = (-1)1+2 a12 M12 + (-1)2+2 a22 M22 + (-1)3+2 a32 M32 + (-1)4+2 a42 M42

Nota: Haciendo el cálculo el determinante de la matriz, ya sea por fila o por

columna, el resultado no debe variar (deben ser iguales).

Ejemplo: Dada la matrices A y B, Calcular su determinante por el método de

Laplace (cofactores).

84
El teorema de Laplace se utiliza para calcular los determinantes, que pueden tener
muchas aplicaciones. Sin embargo para matrices de orden superiores (n≥ 5) no es
práctico usarlo ya que su grado de complejidad es elevado. Resulta más práctico
convertir la matriz a triangular, con el método de Gauss por ejemplo y multiplicar la
diagonal, ya que en ese caso la complejidad se reduce bastante.

3.3.5. Método de Gauss

Para aplicar el método de Gauss, llevamos la matriz dada a la matriz escalonada,

utilizando las propiedades mencionadas anteriormente, principalmente las
propiedades 9, 10 y 11.

Cálculo del determinante de una matriz A ∈ Mnxn.

Ejemplo. Dada la matriz , Calcular su determinante.

Queda para el lector verificar el resultado. R: |A| = – 26

3.4. MATRIZ INVERSA MEDIANTE ADJUNCIÓN

Las matrices son una herramienta valiosa en todas las ramas de las matemáticas,
pero, sobre todo, lo son cuando son matrices inversibles (es decir, con inversa).
Existen muchos y diversos métodos para la obtención de la matriz inversa, cada
uno de ellos con sus ventajas y desventajas.

Entre los métodos más básicos, destacan el de Gauss y el que vamos a explicar
en esta sección inversa mediante adjunción. En el primero se realizan
operaciones elementales por fila y en el segundo se calculan determinantes.

85
Recordemos:

 Sólo tienen inversa algunas matrices cuadradas.

 Una matriz tiene inversa si su determinante es distinto de 0.
 Si una matriz tiene inversa, se dice que es inversible o regular. En caso
contrario, se dice que es irregular o singular.
 La inversa de la matriz A se denota por A−1 y debe cumplir con:
A A−1 = A−1 A = I

Sea A una matriz cuadrada y regular de dimensión n, entonces la matriz inversa

de A, es A-1, viene dada por:

Donde:

 |I| es el determinante de la matriz identidad, donde |I| = 1

 |A| es el determinante de la matriz dada A
 Adj(A) es la matriz adjunta o de adjuntos de la matriz A

La matriz transpuesta de la matriz de cofactores de A, se llama matriz adjunta

Adj(A), será de la siguiente manera:

Dada la siguiente matriz A ∈ M4x4. Calcular su inversa.

Paso 1. Se calcula el determinante de la matriz A.

86
Paso 2. Se obtiene la matriz de cofactores como ya vimos en el ponto 3.3.4.

Paso 3. Se determina la matriz adjunta, a través de la transpuesta de la matriz de

cofactores.

Paso 4. La matriz inversa se determina con la siguiente ecuación:

Ejemplo: Dada la matriz . Calcular su inversa mediante la

adjunción.

Paso 1. Calculamos el determinante de la matriz A, método de Laplace en la fila 3:

|A| = 2

87
Paso 2. Se construye la matriz de cofactores:

Paso 3. Se obtiene la matriz adjunta de A, a través de la transpuesta de la matriz

de cofactores.

Paso 4. Se obtiene la matriz inversa de A, por medio de la siguiente ecuación:

Paso 5. Verificación a través de A A-1 = A-1 A = I

Queda para el lector hacer la verificación.

3.5. REGLA DE CRAMER PARA SISTEMA DE ECUACIONES LINEALES

La regla de Cramer es un teorema del álgebra lineal que da la solución de un

sistema lineal de ecuaciones en términos de determinantes. Recibe este nombre
en honor a Gabriel Cramer (1704-1752), quien publicó la regla en su Introduction à
l'analyse des lignes courbes algébriques de 1750, aunque Colin Maclaurin también
publicó el método en su Treatise of Geometry de 1748 (y probablemente sabía del
método desde 1729).

88
La regla de Cramer es de importancia teórica porque da una expresión explícita
para la solución del sistema. Sin embargo, para sistemas de ecuaciones lineales
de más de tres ecuaciones su aplicación para la resolución del mismo resulta
excesivamente costosa: computacionalmente, es ineficiente para grandes matrices
y por ello no es usado en aplicaciones prácticas que pueden implicar muchas
ecuaciones. Sin embargo, como no es necesario pivotar matrices, es más eficiente
que la eliminación gaussiana para matrices pequeñas.

Si AX = B es un sistema de ecuaciones no homogénea, A es la matriz de

coeficientes del sistema, X es el vector columna de las incógnitas, y B es el vector
columna de los términos independientes, entonces la solución al sistema se
presenta así:

Donde Ai es la matriz resultante de reemplazar la i-ésima columna de A por el

vector columna B. Hagase notar que para que el sistema sea compatible
determinado, el determinante de la matriz A ha de ser no nulo.

Dado el siguiente sistema de ecuaciones lineales, resolver aplicando la regla de

Cramer.

Representadas en forma matricial es:

AX=B

Por tanto para encontrar el valor de las incognitas x, y, z es:

89
 ; ;

Ejemplo: Resolver el siguiente sistema de ecuaciones lineales, por el método de

Cramer.

3.6. MÉTODO MATRICIAL PARA SISTEMA DE ECUACIONES LINEALES

Método matricial para resolver sistema de ecuaciones lineales.

Un sistema de ecuaciones lineales puede expresarse en forma matricial de la

manera siguiente:

AX=B

donde A es la matriz de los coeficientes, X la matriz de las incógnitas y B la matriz

de los términos independientes.

Un procedimiento rápido para la resolución de sistemas de ecuaciones lineales

mediante matrices es el llamado método de la matriz inversa. Esta técnica
consiste en multiplicar por la izquierda los dos miembros de la expresión matricial
del sistema de ecuaciones por la matriz inversa de la de los coeficientes (si
existe).

El método de la matriz inversa consiste en hallar la inversa de matriz A para

obtener la matriz de las incógnitas, efectuando la operación.

90
 X = A-1 B

Cuando la matriz de los coeficientes no es inversible, el sistema no tiene solución

(es incompatible).

Ejemplo: Resolver el siguiente sistema de ecuaciones lineales, aplicando el

método de la matriz inversa.

A X = B Despejando X tenemos X = A-1 B

La inversa de la matriz de coeficientes es la siguiente:

Queda para el lector verificar la matriz inversa.

X = A-1 B

Por tanto la solución del sistema es:

Queda para el lector la verificación del resultado.

91
Para el lector resolver el siguiente sistema de ecuaciones lineales aplicando el
método matricial.

92
3.7. PRÁCTICO

1. Encontrar el número de inversiones de cada una de las siguientes

permutaciones del conjunto {1, 2, 3, 4, 5}
a) (3, 5, 4, 1, 2) b) (1, 4, 2, 5, 3) c) (2, 1, 5, 4, 3) d) (1, 2, 3, 4, 5)

2. Clasificar cada una de las permutaciones del ejercicio 1, como par o impar.

3. Calcular el determinante de las siguientes matrices:

4. Aplicando el método de cofactores (método de La Place) a lo largo de la

segunda fila, calcular el determinante de las matrices F y G del ejercicio 3.

5. Aplicando el método de cofactores (método de La Place) a lo largo de la tercera

columna, calcular el determinante de las matrices F y G del ejercicio 3.

6. Hallar el valor de k para los cuales el det(A) = 0.

a) b)

7. Llevando a la forma triangular por medio de operaciones elementales por fila,

demostrar que:

93
8. Calcular por cofactores los determinantes de las siguientes matrices:

9. En el ejercicio 8 en la matriz, verificar:

a) Si det(A) ≠ 0, hallar la matriz inversa de A por el método de la adjunta.
b) Hallar el valor de k, para que la matriz B sea invertible.

10. Para matrices de 2×2, determinar en forma general que:

det(A+B) ≠ det(A) + det(B)

11. Resolver los siguientes sistemas, aplicando la regla de Cramer

a) b)

12. Si el determinante de 2A = 5, donde . Calcular el determinante

de B donde:

a) b) c)

d) e) f)

13. a) Demostrar que si una matriz es ortogonal (A-1 = At), entonces su

determinante es igual a ± 1
b) Demostrar que el

94
14. Si los elementos de la tercera fila de una matriz de (5×5) son 1, -1, 1, 3, -2 y
sus menores respectivos son -1, 2, 4, -1, 6. Calcular:

a) b) det(2AAt) c) det(A-1 At) d)

15. Sea la matriz A ∈ ℝ4x4, si su det(2A-1) = 8, determinar el valor de det(-4AAt).

16. Si la matriz de cofactores de A es y los elementos de su

tercera fila son 2, -4, 5, -8. Calcular la inversa de la matriz A.

17. Dado el siguiente sistema si el determinante de la

matriz de cofactores es igual a 25, calcular el valor de la variable y.

18. ¿Qué limitaciones tiene a su juicio la regla de Cramer en la resolución de

sistemas de ecuaciones lineales?

19. Sean A y B dos matrices de orden 6. Se sabe que la matriz B se obtiene a

partir de la matriz A por la aplicación de las siguientes operaciones elementales:
Se adiciona a la tercera fila la primera multiplicada por 3.
Se permutan la cuarta y quinta fila.
Se multiplica la tercera fila por – 3 y la sexta por – ½.
Sabiendo que el det(A) = 5, calcule razonadamente el determinante de B.
Si el det(B) valiese – ¼ y no conociésemos el det(A), calcularlo a partir de
los datos del problema.

20. Responda y justifique su respuesta:

a) El producto elemental a13 · a24 · a32 · a41, ¿Qué signo tiene?

95
b) En la siguiente matriz calcular los cofactores de los elementos de

la tercera fila.
c) Con los resultados del ejercicio anterior evaluar el determinante de A.
d) Demuestre que

21. Aplicando la regla de Cramer, hallar el valor de z del siguiente sistema de

ecuaciones, sabiendo que el determinante de la matriz de coeficientes del sistema
es igual a – 424.

22. Si el determinante de 3A = 27, donde . Calcular el determinante

de B donde:

a) b) c)

23. Da la matriz A ∈ ℝ4x4 Calcular el det(⅔ A4)

R: det(⅔ A4) = 8

24. Dada la matriz , si el det(A) ≠ 0. Calcular su inversa aplicando

operaciones elementales y a través de la matriz adjunta.

R:

25. Dada la matriz . Hallar la Matriz Triangular Inferior B / BBt = A

96
 R:

26. Si la matriz A ∈ ℝ3x3 ˄ A2 = A, si la matriz A es inversible. Calcular el det(3A).

R: |3A| = 27

97
UNIDAD IV

4. VECTRORES

4.1. HISTORIA

En este capítulo daremos el concepto de vector, el cual es una herramienta

fundamental tanto para la física como para la matemática.

La historia de los vectores se remonta al año 1843, cuando el matemático William

Hamilton descubrió un nuevo sistema de números que venía a extender el sistema
de los números complejos. Eran los cuaternios. Así como todo número complejo
es de la forma a + bi, un cuaternio es una expresión de la forma:

a + bi + cj + dk

Dónde. a, b, c, d son números reales

I, j, k son objetos que satisfacen ciertas reglas bien definidas.

Los cuaternios encontraron pronto aplicaciones físicas interesantes, pero no

resultaban fáciles de manejar. Los físicos Gibbs y Heaviside a fines de siglo XIX
decidieron facilitar la aplicación de los cuaternios de Hamilton tomando de ellos
solamente la parte no real, bi + cj + dk. Resultaba así un objeto matemático que
Gibbs lo llamó vector. Comenzaremos el estudio de los vectores en forma
geométrica, el cual es un segmento caracterizado por su longitud (o módulo),
dirección y sentido (u orientación). Posteriormente, estudiaremos los vectores en
forma algebraica, es decir, hablaremos de vectores del plano R2 , espacio R3; y en
general de Rn : Si bien sólo podemos visualizar vectores en dos y tres
dimensiones los vectores de un espacio n-dimensional son útiles para representar
y manipular información escientemente.

98
4.2. DEFINICIÓN

Llamamos magnitud física a toda aquella propiedad de un cuerpo que puede ser
medida. La masa, el volumen, la velocidad o la temperatura son magnitudes
físicas. El aroma o la simpatía, puesto que no pueden medirse, no son magnitudes
físicas. Para muchas magnitudes físicas, basta con indicar su valor para que estén
perfectamente definidas. Así, por ejemplo, si decimos que José tiene una
temperatura de 38 °C, sabemos perfectamente que tiene fiebre y si Rosa mide 165
cm de altura y su masa es de 45 kg, está claro que es delgada. Cuando una
magnitud queda definida por su valor, un número acompañado de una unidad,
recibe el nombre de magnitud escalar.

Otras magnitudes, con su valor numérico, no nos suministran toda la información.

Así si nos dicen que Daniel corre a 20 km/h apenas sabemos algo más que al
principio. Deberían informarnos también desde dónde corre y hacia qué lugar se
dirige. Estas magnitudes que, además de un valor numérico, se describen
señalando también una dirección y un sentido se llaman magnitudes vectoriales y
se representan mediante vectores. Podemos visualizar un vector (en el plano o en
el espacio tridimensional) como un segmento de recta dirigido o una flecha.

En Física, un vector es una magnitud física definida en un sistema de

referencia que se caracteriza por tener módulo (o longitud), dirección y sentido
(orientación).

En matemáticas se define un vector como un elemento de un espacio vectorial.

Esta noción es más abstracta y para muchos espacios vectoriales no es posible
representar sus vectores mediante el módulo y la dirección. En particular los
espacios de dimensión infinita sin producto escalar no son representables de ese
modo. Los vectores en un espacio euclidiano se pueden representar
geométricamente como segmentos de recta R, en el plano R2 (bidimensional), o
en el espacio R3 (tridimensional).

99
Así cada vector queda identificado por tres características fundamentales: módulo
o longitud, dirección y sentido.

Representación gráfica de un Esquema de un vector como un Partes de un vector

vector como un segmento segmento de recta entre dos
orientado sobre una recta. pontos inicial A y final B.

Donde:
Módulo: es la longitud del segmento que lo representa.
Dirección: es la recta a la cual pertenece o cualquier recta paralela a ésta.
Sentido: está dado por la orientación del segmento que lo representa.

Cuando lo representamos por una flecha, el sentido está dado por donde apunta la
punta de la flecha.

Notación: A los vectores los denotamos con las letras minúsculas de nuestro
alfabeto, con una línea o una flecha encima.

Ejemplo: ó

4.2.1. Clasificación de vectores

Según los criterios que se utilicen para determinar la igualdad o equivalencia de

dos vectores, pueden distinguirse distintos tipos de los mismos:

 Vectores libres: no están aplicados en ningún punto en particular.

 Vectores deslizantes: su punto de aplicación puede deslizar a lo largo de su
recta de acción.
 Vectores fijos o ligados: están aplicados en un punto en particular.

100
Podemos referirnos también a:

 Vectores unitarios: vectores de módulo unidad.

 Vectores concurrentes o angulares: son aquellas cuyas direcciones o líneas de
acción pasan por un mismo punto. También se les suele llamar angulares
porque forman un ángulo entre ellas.
 Vectores opuestos: vectores de igual magnitud y dirección, pero sentidos
contrarios. En inglés se dice que son de igual magnitud pero direcciones
contrarias, ya que la dirección también indica el sentido.
 Vectores colineales: los vectores que comparten una misma recta de acción.
 Vectores paralelos: si sobre un cuerpo rígido actúan dos o más fuerzas cuyas
líneas de acción son paralelas.
 Vectores coplanarios: los vectores cuyas rectas de acción son coplanarias
(situadas en un mismo plano).

4.2.2. Representación gráfica de un vector

El estudio de vectores puede simplificarse introduciendo un sistema de

coordenadas rectangulares (ortogonales); en el espacio bidimensional (el plano)
se tendrán los vectores en R2, en el espacio tridimensional se tendrán los vectores
en R3, y en el espacio n-dimensional (hiper-espacio) se tendrán los vectores en
Rn.

Los vectores fijos del plano se denotan con dos letras mayúsculas (y una flecha o
una línea encima hacia la derecha), por ejemplo o que indican su origen y
extremo respectivamente. Es decir, el punto A es el origen o punto de aplicación y
el punto B es el extremo o final del vector .

Los vectores se denotan con letras minúsculas (y una flecha o línea encima), por
ejemplo o , cuyas componentes se las denota con un subíndice o .

101
Vectores en R2 (plano bidimensional)

Dado los puntos y , las componentes del vector que va del

punto A al punto B ( ), podemos encontrarlas de la siguiente manera:

Vectores en R3 (plano tridimensional)

Dado los puntos y , las componentes del vector que va

del punto A al punto B ( ), podemos encontrarlas de la siguiente manera:

La idea de usar parejas de números para localizar puntos en el plano y ternas de

números para localizar puntos en el espacio tridimensional fue aplicada con
claridad por vez primera a mediados del siglo XVII. A finales del siglo XIX los
matemáticos y físicos comenzaron a darse cuenta que no era necesario detenerse
en ternas.

Se reconoció que las cuádruplas de números (a1 , a2 , a3 , a4) podían considerarse

como puntos en el espacio terradimensional (R4). Un punto en el espacio de 4
dimensiones queda definido de la siguiente manera: A(a1, a2, a3, a4).

102
Las quíntuplas (a1 , a2 , a3 , a4 , a5) como puntos en el espacio pentadimensional.
Es en este sentido que un punto en el espacio de 5 dimensiones (R 5)queda
definido de la siguiente manera: A(a1, a2, a3, a4, a5).

Así sucesivamente hasta las n-uplas (a1 , a2 , a3 , …………….. , an) como puntos
en el espacio n-dimensional. Es así que un punto en el espacio de n dimensiones
(Rn) queda definido de la siguiente manera: A(a1, a2, a3,………,an).

A pesar que la representación geométrica se limita al espacio tridimensional,

matemáticamente se puede hablar de vectores en R4 , R5 , R6 ,…………, Rn

De esta manera se puede generalizar de la siguiente manera:

Vectores en Rn (hiper-espacio o plano n-dimensional)

Dado los puntos y , las componentes

del vector que va del punto A al punto B ( ), podemos encontrarlas de la
siguiente manera:

4.3. ADICIÓN DE VECTORES

Las operaciones con vectores se pueden realizar de forma gráfica (si es posible
graficar) y analítica.

4.3.1. Método gráfico

103
Suma de vectores.

Método del paralelogramo.

Método del triángulo.

Método del polígono.

Multiplicación de un vector por un escalar.

Si ū es un vector y k es un escalar que pertenece al conjunto de los números

reales (k ∈ ℝ), entonces kū es el vector cuya longitud es k veces la magnitud del
vector ū.

104
4.3.2. Método analítico

Ley de los Cosenos para encontrar la resultante:

Ley de los Senos para encontrar la dirección de la resultante:

Método de las componentes.

Suma de vectores en R2.

Dado el vector y el vector , con sus respectivas

componentes.

El vector suma se obtiene sumando las componentes de y de

respectivamente:

105
Multiplicación de un escalar k ∈ ℝ, con un vector en R2.

Suma de vectores en R3.

Dado el vector y el vector , con sus respectivas

componentes.

El vector suma se obtiene sumando las componentes de con las

componentes de respectivamente:

Multiplicación de un escalar k ∈ ℝ, con un vector en R3.

Suma de vectores en Rn.

Dado el vector y el vector , con

sus respectivas componentes.

El vector suma se obtiene sumando las

componentes de con las componentes de
respectivamente:

106
Multiplicación de un escalar k ∈ ℝ, con un vector en Rn.

Propiedades de las operaciones con vectores en R2, R3, R4, ………, Rn.

Si , y son vectores en cualquiera de los espacios mencionados, k y l ∈ ℝ, son

escalares, entonces se cumplen las siguientes propiedades:

1. Conmutativa
2. Asociativa
3. Elemento neutro
4. Elemento opuesto
5.
6.
7.
8.

4.3.3. Norma o módulo de un vector

Si es un vector, su longitud se denomina norma o módulo de y se denota .

De acuerdo al teorema de Pitágoras se puede observar lo siguiente:

Si ∈ R2, entonces su módulo es:

Si ∈ R3, entonces su módulo es:

Si ∈ Rn, entonces su módulo es:

107
En forma general, el módulo de un vector se define como la longitud del
segmento orientado (vector) en el espacio métrico considerado.

Se calcula a través del producto interno del vector consigo mismo.

Efectuando el producto escalar tenemos.

De modo que:

4.3.4. Distancia entre dos puntos

La distancia entre dos puntos A y B es igual a la norma del vector que une estos
dos puntos, por lo tanto:

Dados los puntos A y B ∈ R2 con sus respectivas coordenadas:

A(x1, y1)
B(x2, y2)

La distancia entre los puntos A y B en el espacio bidimensional, está definido de la

siguiente manera:

108
Dados los puntos A y B ∈ R3 con sus respectivas coordenadas:

A(x1, y1, z1) y, B(x2, y2, z2)

La distancia entre los puntos A y B en el espacio tridimensional, está definido de la

siguiente manera:

Dados los puntos A y B ∈ Rn con sus respectivas coordenadas:

A(a1, a2, a3, ………, an) y, B(b1, b2, b3, ………, bn)

La distancia entre los puntos A y B en el espacio n-dimensional, está definido de la

siguiente manera:

4.4. MULTIPLICACIÓN DE VECTORES

Se analizará dos métodos para multiplicar vectores y sus aplicaciones a la

geometría.

Si y son dos vectores diferentes de cero en el espacio bidimensional o en el

espacio tridimensional, al colocar estos vectores con sus puntos iníciales
coincidiendo forman un ángulo θ, entre ellos de tal manera que.

⇨
⇨
⇨

109
4.4.1. Producto escalar o producto punto

En matemáticas, el producto escalar, también conocido como producto

interno, producto interior o producto punto, es una operación algebraica que
toma dos secuencias de números de igual longitud (usualmente en la forma de
vectores) y retorna un único número.

Algebraicamente, el producto punto es la suma de los productos de las

correspondientes entradas en dos secuencias de número. Geométricamente, es el
producto de dos magnitudes euclidianas de los dos vectores y el coseno del
ángulo entre ellos. El nombre del producto punto se deriva del símbolo que se
utiliza para denotar esta operación (·). El nombre alternativo de producto escalar
enfatiza el hecho de que el resultado es un escalar en lugar de un vector (en el
caso de espacios de tres dimensiones).

Si y son dos vectores en el espacio bidimensional o el espacio tridimensional y

θ es un ángulo entre y , entonces el producto punto o producto interior
euclidiano o producto escalar ( ) se define de la siguiente manera:

⇨ ˄
⇨

Expresión analítica del producto escalar. Si los vectores y se expresan en

función de sus componentes cartesianas rectangulares, tomando la base
canónica en R3 formada por los vectores unitarios i, j, k tenemos:

110
Así, generalizando para un espacio de n–dimensional, tenemos.

Si y son vectores o puntos en un espacio Rn entonces. El producto escalar se

realizaría como un producto matricial de la siguiente forma:

Vectores ortogonales: los vectores perpendiculares, también se denominan

ortogonales y de acuerdo al teorema anterior; dos vectores diferentes de cero son
ortogonales si y solo si su producto interno es igual a cero. Para indicar que y
son ortogonales se escribe ┴ .

Ejemplo: Demostrar que en el espacio bidimensional, el vector , diferente

de cero es perpendicular a la recta ax + by + c = 0.
y

111
PROPIEDADES DEL PRODUCTO PUNTO:
Sí pertenecen a R2, R3,…………, Rn, y k es cualquier escalar, entonces
tenemos lo siguiente:

Conmutativa
Distributiva
Asociativa
Producto escalar de un vector por si mismo

4.4.2. Proyección de un vector sobre otro

Puesto que representa el módulo de la proyección del vector sobre la

dirección del vector , esto es , será

De modo que el producto escalar de dos vectores también puede definirse como el
producto del módulo de uno de ellos por la proyección del otro sobre él.

Ejemplo:
Hallar la proyección del vector sobre el vector .

112
4.4.3. Producto vectorial o producto cruz

En matemáticas, el producto vectorial de Gibbs o producto cruz ( x ) es una

operación binaria entre dos vectores en un espacio tridimensional. El resultado es
un vector perpendicular a los vectores que se multiplican, y por lo tanto normal al
plano que los contiene. Debido a su capacidad de obtener un vector perpendicular
a otros dos vectores, cuyo sentido varía de acuerdo al ángulo formado entre estos
dos vectores, esta operación es aplicada con frecuencia para resolver problemas
matemáticos, físicos o de ingeniería.

Sean dos vectores en el espacio

tridimensional (R3). El producto vectorial
entre da como resultado un nuevo vector
. El producto vectorial entre se denota
mediante , por ello se lo llama
también producto cruz.

El producto vectorial puede definirse de una manera más compacta de la siguiente

manera:

Sean los vectores y ,

encontrar el vector que resulta de
realizar el producto vectorial entre .

113
El sentido del vector resultante se lo determina de la siguiente manera

Propiedades del producto vectorial. Cualesquiera que sean los vectores, ,

y el escalar k ∈ ℝ.

1. El producto vectorial no es asociativo

2. Anticonmutatividad
3. Cancelación por ortogonalidad.
4. Si con y La anulación del producto vectorial
proporciona la condición de paralelismo entre dos direcciones.
5. Distributividad por la derecha

114
 6.
7. Conocida como regla de expulsión.
8. Conocida como identidad de
Jacobi.
9. Conocido como gualdad de Lagrange

Interpretación geométrica del producto vectorial: El módulo del producto

vectorial entre dos vectores es igual al área del paralelogramo formado por
los vectores y .

4.4.4. Producto Mixto

El producto mixto (o también conocido como triple producto escalar) es una

operación entre tres vectores que combina el producto escalar con el producto
vectorial para obtener como resultado un escalar.

Los triples productos aparecen cuando se desea definir multiplicaciones entre tres
vectores. Una expresión de la forma , no tiene mucho sentido porque el
resultado del primer producto es un escalar, y no es posible calcular el producto
punto entre un número (escalar) y un vector.

Sin embargo, cuando los vectores son elementos de R3, podemos combinar el
producto punto con el producto cruz para definir una nueva operación entre tres
vectores, que se denomina producto mixto pues el resultado será una cantidad
escalar.

115
El producto mixto de los vectores se denota por y está definido
como

Cálculo del producto mixto

Para hallar una fórmula que permita calcular el valor del producto mixto a partir de
las coordenadas de los vectores procedemos a realizar la sustitución del producto
cruz:

Interpretación geométrica. La similitud que existe entre las fórmulas de

determinantes para calcular el producto cruz y el producto mixto tienen su paralelo
en el siguiente teorema:

Si son vectores tridimensionales (R3), entonces el módulo del producto

mixto , es igual al volumen del paralelepípedo formado por los vectores
.

Demostración. sí, la norma de un producto cruz representa el valor de un área,

mientras que la norma de un producto mixto representa un volumen.

La demostración procede observando que

Donde es el ángulo entre los dos vectores y .

116
Por otro lado corresponde al área del paralelogramo que
forman los vectores ,y es el ángulo entre ellos.

Así, reordenando los factores el producto tenemos:

Donde ”h” es la altura del paralelogramo, como indica la figura, ”A” es el área del
paralelogramo de la base y ”V” es el volumen del paralelepípedo.

La interpretación geométrica anterior proporciona un tercer criterio geométrico de

estilo similar a los señalados para los otros productos.

Tres vectores son coplanares si y sólo si . Es decir, que el

volumen del paralelepípedo tendrá volumen cero si y sólo si los vectores que los
definen están en un mismo plano.

Ejemplo: Queda para el lector encontrar los resultados.

Calcular el producto mixto de los vectores = (0, 1, 1), = (0, 1, 0) y = (2, 0, 1).
R=-2
Hallar el volumen del paralelepípedo que determinan los vectores:
= (1, 2, 3), = (-3, 1, 4) y = (1, 2, 1). R=14

Determinar el valor de “a” para que los siguientes vectores:

= (0, 1, 1), = (a, 3, 0) y = (a, a, 1) sean coplanares. R.

117
4.4.5. Rectas y Planos en R3

La geometría tridimensional se basa en formas algebraicas que involucran, directa

o indirectamente, tres variables llamadas por convención x, y, z. Las figuras que
describen las ecuaciones algebraicas se ubican en el espacio tridimensional, que
representa la idea inmediata de tridimensionalidad a partir de plano cartesiano.

El plano “xy” es simplemente el plano cartesiano, que se observa acostado. El eje

z sobre sale perpendicularmente de dicho plano y ofrece la idea de profundidad. Al
graficar una figura tridimensional, se encuentran puntos en el espacio con
coordenadas de tres componentes P (x, y, z). Lo ideal es ubicar al punto p(x ,y)
sobre el plano “xy” y luego su profundidad z correspondiente.

Existen dos primeras formas de geometría en el espacio; las rectas y los planos.
Las rectas y los planos son figuras tridimensionales lineales, pues las variables
“x, y, z” no se elevan a ningún exponente sino 1. El aspecto de estas figuras nunca
será curvo.

El estudio de la geometría vectorial será realizado en un espacio tridimensional

euclidiano (con producto interno definido). Utilizando las propiedades de los
vectores se determinarán las ecuaciones del plano y de la recta que se utilizará
para resolver algunos problemas de geometría básica.

Rectas: Las rectas en el espacio se componen igual que cualquier otra recta; es
una sucesión infinita y consecutiva de puntos. Pero ahora, los puntos son
tridimensionales, así que las rectas pueden la dirección z realacionada con la
profundidad. Para encontrar la ecuación de una recta en el espacio, se necesitan
dos puntos o bien un punto y un vector que se sepa que es paralelo a la recta en
cuestión.

118
Se tiene entonces lo siguiente:

P(x0, y0, z0)

Q(x, y, z)

Se desea encontrar a la recta que contiene a los dos puntos anteriores. Para ello
es necesario un vector paralelo a la recta. Todo vector es paralelo a sí mismo, de
hecho, un vector es paralelo a ello y es múltiplo escalar del primero. Entonces, el
vector que une ambos puntos es paralelo al vector de la recta, pues son lo mismo.
Para obtener el vector paralelo, se restan las componentes correspondientes de
los puntos:

Donde las componentes “i, j, k” significan que el resultado es un vector.

i corresponde al eje x
j corresponde al eje y
k corresponde al eje z

Una vez encontrado el vector paralelo de la recta, se utiliza la siguiente igualdad:

Es decir, el vector entre los puntos P y Q es igual al vector paralelo V = a i + bj + ck

multiplicado por un parámetro t. V puede ser cualquier vector paralelo al vector de
la recta. Entonces, siguiendo la igualdad:

(x – x0)i + (y – y0)j + (z – z0)k = t(ai + bj + ck)

(x – x0)i + (y – y0)j + (z – z0)k = (ta)i + (tb)j + (tc)k

119
Por correspondencia se dice que:
x – x0 = at
y – y0 = bt
z – z0 = ct

Despejando las variables x, y, z. tenemos:

x = x0 + at
y = y0 + bt
z = z0 + ct

Las tres ecuaciones anteriores se conocen como ecuaciones paramétricas de la

recta, pues las variables principales dependen del parámetro t. La recta pasa por
el punto P y es paralela al vector V. El punto Q fue solo necesario para encontrar
V.

Si se despeja el parámetro t en las tres ecuaciones paramétricas y se igualan los

resultados:

Todo el procedimiento anterior es genérico y aplica para cualquier punto o par de

ellos. Para demostrarlo, se resolverá el ejercicio siguiente.

Se tienen los puntos P(3,1,4) y el punto Q(1,2,2). El primer paso es hallar el vector
que une a los dos puntos y que a su vez es paralelo a la recta:

PQ = (3-1)i + (1-2)j + (4-2)k

PQ = 2i - j + 2k

Considerando que el punto inicial es Q, con coordenadas xo, yo y zo, se escriben

las ecuaciones paramétricas;

120
 x = 1 + 2t
y=2-t
z = 2 + 2t

Despejando el parámetro t e igualando resultados se encuentran las ecuaciones

simétricas:

Planos. Los planos o superficies rectas en el

espacio. Poseen ecuaciones que involucran
generalmente a las tres variables “x, y, z”. La
ecuación de los planos se encuentra siguiendo
también un método específico.

Para encontrar la ecuación de un plano en el espacio se necesitan dos vectores

que estén en el plano o bien tres puntos que estén en el plano. Los tres puntos
sirven para encontrar dos vectores. La idea general es encontrar un vector
perpendicular al plano. Se tiene un punto P(xo , yo , zo) y Q(x, y, z). Ambos puntos
pertenecen a un plano cualquiera. También se conoce un vector perpendicular a
dicho plano: n = ai + bj + ck. La ecuación del plano se obtiene por la siguiente
operación:

La operación anterior es un axioma de perpendicularidad. Un vector es

perpendicular a otro si el producto punto entre ellos es igual a 0. Siguiendo la
operación, se encuentra la ecuación del plano que se estudia:

[(x - xo)i + (y - yo)j + (z - zo)k] [ai + bj + ck] = 0

a(x - xo) + b(y - yo) + c(z - zo) = 0

121
La anterior es la ecuación general de un plano que contiene al punto P(xo , yo , zo)
y es perpendicular al vector . Para encontrar la ecuación
reducida:

ax - axo + by - byo + cz - czo = 0

ax + by + cz = axo + byo + czo

Como axo, byo y czo son constantes:

ax + by + cz = d

El procedimiento anterior es aplicable para cualquier plano.

Por ejemplo, el plano que contiene al punto P(1,1,1) y es perpendicular al vector

= -2i + j - k:

-2 (x - 1) + y - 1 - (z - 1) = 0
-2x + y - z = -2 +1 - 1
-2x + y - z = -2

Por tanto la ecuación del plano queda de la siguiente manera:

2x -y + z – 2 = 0

https://www.youtube.com/watch?time_continue=28&v=cRTNSnIW9gY

Las aplicaciones de las rectas en el espacio tiene que ver con el comportamiento
lineal de fenómenos que dependen de dos variables. Aunque es raro que en la
naturaleza los eventos ocurran de forma lineal, es posible encontrar caso así.

122
Los planos tienen una aplicación un poco más limitada. En anatomía humana, el
cuerpo se separa por planos y el movimiento o direcciones motrices de varios
miembros puede describirse sobre planos.

Distancia de un punto a un plano

En forma similar a la obtención de la fórmula de la distancia de un punto a una

recta, y como una aplicación de proyecciones se puede decir que la distancia de
un punto P0 = (x0, y0, z0) al plano cuya ecuación general es la siguiente:
ax + by + cz + d = 0

Ejemplo: Encontrar la distancia entre el punto P0(1, – 4, – 3) y el plano

2x – 3y + 6z +1 = 0
D = 3/7

Ejemplo: Hallar la distancia entre las rectas paralelas.

L1 = 3x – 4y + 8 = 0, L2 = 6x – 8y + 9 = 0
R: Tomando un punto cualquiera que pertenezca a una de las rectas
(x0 , y0) = (0 , 2) ∈ L1
D = 7/10

Distancia entre planos paralelos

Para calcular la distancia entre dos planos paralelos , se halla la

distancia de un punto cualquiera de uno de ellos al otro.
También se puede calcular de esta otra forma:
Dado los planos y

123
Ejemplo
Calcular la distancia entre los planos
π1 = 2x – y – 2z + 5 = 0
π2 = 4x – 2y – 4z + 15 = 0

Transformamos la ecuación del segundo plano (π2) para que los dos planos
tengan el mismo vector normal. (divido por 2 el segundo plano)
π2 = 2x – y – 2z + 15/2 = 0

124
4.5. PRÁCTICO

1. Localizar los puntos en el plano (x, y), cuyas coordenadas son las siguientes:
a) (-2, 3) b) (1, 4) c) (3, 4) d) (-2, -3) e) (0, -5) f) (4, 0)

2. Localizar los puntos, en el plano tridimensional (x, y, z), cuyas coordenadas son:
a) (1, 2, 5) b) (-3, 2, 4) c) (2, -5, 6) d) (-3, -4, 5)
e) (-2, -3, -5) f) (0, -3, 2) g) (0, -3, 0) h) (2, 0, 2)

3. Trazar los siguientes vectores con los puntos iniciales en el origen:

a) b) c) d)

4. Encontrar las componentes del vector cuyo punto inicial es A y punto final es B:
a) A (3, 4), B (2, -6) b) A (-2, 3), B (-3, 0)
c) A (-1, -4), B (4, 0) d) A (4, -3), B (1, -3)
d) A (3, 4, -2), B (2, -6, 0) e) A (-2, 3, 5), B (-3, 0, -2)
f) A (-1, -4, 0), B (4, 0, 5) g) A (4, -2, 1), B (-1, 4, -5)

5. Dibuje el vector ū de componentes (3, 2) cuyo punto inicial es A (1, -3)

6. Si B (1, 0) es el punto final de ū = (4, 3), encontrar las coordenadas del punto
inicial, A.

7. Trazar los siguientes vectores con los puntos iniciales en el origen:

a) = (2, 3, 4) b) = (2, -1, 3) c) = (0, 1, -2) d) = (3, -2, 0)

8. Dibujar el vector de componentes (0, 1, -2) cuyo punto inicial es A (1, 0, 0)

9. Si B (3, -2, 1) es el punto extremo de = (0, -3, 4). Encontrar el punto inicial A.

125
10. Sean los vectores = (-3, 1, 2), = (4, 0, -8) y = (6, -1, -4). Encontrar las
componentes de las siguientes operaciones:
a) b) c) d)
e) f)

11. Calcular la longitud (norma, módulo) de las siguientes operaciones:

a) De b) De
c) De d) entre los puntos D (2, 3) y E (4, 5)

12. Encontrar un vector unitario con la misma dirección que:

a) b) c) d)

13. Calcular el producto punto o escalar de y si:

a) y
b) y

14. Sean , y . Determinar:

a) b) c)

15. Sean los vectores , y . Determinar:

a) b) c)
d) e) f) y

16. Sean los vectores y . Determinar α tal que:

a) sean ortogonales
b) sean paralelos
c) El ángulo entre los vectores sea

17. Calcular las proyecciones:

a) De sobre con y
b) y con P(-1, 3), Q(2, 4), A(-6, -2) y B(3, 0)

126
c) de sobre con y
d) de sobre , con los datos del inciso anterior.

18. Demostrar que los puntos A(3, 0, 2), B(4, 3, 0) y C(8, 1, -1), Verifique:
a) Si son vértices de un triángulo rectángulo
b) Calcule los ángulos internos del triángulo
c) Calcule el área del triángulo

19. Sean los vectores y

a) Calcular
b) Demostrar analíticamente que es perpendicular a ya
c) Encontrar el área del paralelogramo determinado por y

20. Calcular el área del triángulo de vértices A(1, 5, -2), B(0, 0, 0) y C(3, 5, 1)

21. Calcular el volumen del paralelepípedo determinado por los vectores , y

, donde P(2, 1, -1), Q(-3, 1, 4), R(-1, 0, 2) y S(-3, -1, 5)

22. Determinar la ecuación del plano que pasa por los puntos A(-2, 1, 1), B(0, 2, 3)
y C(1, 0, -1)

23. Hallar la ecuación del plano que pasa por el punto P(2, 1, -1) y cuyo vector
normal es

24. Hallar la ecuación del plano que pasa por el punto Q(3, 4, -5) y es paralelo a
los vectores y .

25. Determinar la ecuación de la recta que está en la intersección de los planos

y .

127
26. Encontrar el punto de intersección entre la recta y el plano

27. Determinar el plano que pasa por el punto A(2, -7, 6) y que es paralelo al plano

28. Determinar la distancia entre las rectas L1 y L2, donde L1 es la recta que pasa
por el punto P(1, 2, -1) y es paralela al vector ū = (1, -3, 2).
L2 ⇨ {P / P(3, 2, -1) + s(3, -1, -1), s ∈ ℝ}

29. Dado los planos π1 = 2x – 3y + z +1 = 0 y π2 = 4x – 6y + 2z + 5 = 0. Calcular

la distancia entre los planos.

30. Determinar la ecuación del plano que pasa por el punto Q(2, -7, 6) y que es
paralelo al plano π = 5x – 2y + z – 9 = 0

31. Sean , y . Encontrar las

componentes de:
a) b) c) d)

32. Calcular La longitud o norma:

a) de si A(2, -1, 4) y B(5, 3, -2)
b) de
c) de con y
d) entres los puntos A(2, 3) y B(4, 5)

33. Encontrar la ecuación del plano que pasa por el punto (3, -6, 7) y es paralelo al
plano 7x + 4y – 2z + 3 = 0

128
34. Dados los planos π1 = 2x – 3y + z + 1 = 0 y π2 = 4x – 6y + 2z + 5 = 0. Calcular
la distancia entre los planos.
R: Dist. = = 0.4

35. Dados los puntos A(1, 3, 1), B(2, -3, 5) y C(0, 2, 1).
a) Verificar si es un triángulo rectángulo.
b) Calcular el área del triángulo formado por los puntos dados.
c) Calcular los ángulos internos del triángulo.
R: (a) Si es un T. R. (b) Área = 4,5
36. Determinar la ecuación del plano que pasa por el punto P(2, -7, 6) y que es
paralelo al siguiente plano π = 5x – 2y + z – 9 = 0
R: 5x – 2y + z – 30 = 0

129
UNIDAD V

5. ESPACIOS VECTORIALES

5.1. HISTORRIA

Históricamente, las primeras ideas que condujeron a los espacios vectoriales

modernos se remontan al siglo XVII: geometría analítica, matrices y sistemas de
ecuaciones lineales.

Los espacios vectoriales se derivan de la geometría afín, a través de la

introducción de coordenadas en el plano o el espacio tridimensional. Alrededor de
1636, los matemáticos franceses Descartes y Fermat fundaron las bases de la
geometría analítica mediante la vinculación de las soluciones de una ecuación con
dos variables a la determinación de una curva plana. Para lograr una solución
geométrica sin usar coordenadas, Bernhard Bolzano introdujo en 1804 ciertas
operaciones sobre puntos, líneas y planos, que son predecesores de los vectores.
Este trabajo hizo uso del concepto de coordenadas Bari céntricas de August
Ferdinand Möbius de 1827.

La primera formulación moderna y axiomática se debe a Giuseppe Peano, a

finales del siglo XIX. Los siguientes avances en la teoría de espacios vectoriales
provienen del análisis funcional, principalmente de espacios de funciones. Los
problemas de Análisis funcional requerían resolver problemas sobre la
convergencia. Esto se hizo dotando a los espacios vectoriales de una adecuada
topología, permitiendo tener en cuenta cuestiones de proximidad y continuidad.
Estos espacios vectoriales topológicos, en particular los espacios de Banach y los
espacios de Hilbert tienen una teoría más rica y elaborada.

El origen de la definición de los vectores es la definición de Giusto Bellavitis de

bipoint, que es un segmento orientado, uno de cuyos extremos es el origen y el

130
otro un objetivo. Los vectores se reconsideraron con la presentación de los
números complejos de Argand y Hamilton y la creación de los cuaterniones por
este último (Hamilton fue además el que inventó el nombre de vector). Son
elementos de R2 y R4; el tratamiento mediante combinaciones lineales se remonta
a Laguerre en 1867, quien también definió los sistemas de ecuaciones lineales.

En 1857, Cayley introdujo la notación matricial, que permite una armonización y

simplificación de las aplicaciones lineales. Casi al mismo tiempo, Grassmann
estudió el cálculo baricéntrico iniciado por Möbius. Previó conjuntos de objetos
abstractos dotados de operaciones. En su trabajo, los conceptos de
independencia lineal y dimensión, así como de producto escalar están presentes.
En realidad el trabajo de Grassmann de 1844 supera el marco de los espacios
vectoriales, ya que teniendo en cuenta la multiplicación, también, lo llevó a lo que
hoy en día se llaman álgebras. El matemático italiano Peano dio la primera
definición moderna de espacios vectoriales y aplicaciones lineales en 1888.

Un desarrollo importante de los espacios vectoriales se debe a la construcción de

los espacios de funciones por Henri Lebesgue. Esto más tarde fue formalizado por
Banach en su tesis doctoral de 1920 y por Hilbert. En este momento, el álgebra y
el nuevo campo del análisis funcional empezaron a interactuar, en particular con
conceptos clave tales como los espacios de funciones p-integrables y los espacios
de Hilbert. También en este tiempo, los primeros estudios sobre espacios
vectoriales de infinitas dimensiones se realizaron.

Los espacios vectoriales tienen aplicaciones en otras ramas de la matemática, la

ciencia y la ingeniería. Se utilizan en métodos como las series de Fourier, que se
utiliza en las rutinas modernas de compresión de imágenes y sonido, o
proporcionan el marco para resolver ecuaciones en derivadas parciales. Además,
los espacios vectoriales proporcionan una forma abstracta libre de coordenadas
de tratar con objetos geométricos y físicos, tales como tensores, que a su vez

131
permiten estudiar las propiedades locales de variedades mediante técnicas de
linealización.

5.2. DEFINICIÓN

En álgebra abstracta, un espacio vectorial es una estructura algebraica creada a

partir de un conjunto no vacío “V” de objetos llamados vectores, en el que se han
definido dos operaciones; una operación interna (llamada suma, definida para los
elementos del conjunto) y una operación externa (llamada producto por un escalar,
definida entre dicho conjunto y otro conjunto, con estructura de cuerpo), con 10
propiedades fundamentales (axiomas).

A los elementos de un espacio vectorial se les llama vectores y a los elementos

del cuerpo, escalares.

5.2.1. Notación

A los espacios vectoriales se los denota con la letra V mayúscula de nuestro

alfabeto.

Dado un espacio vectorial “V” sobre un cuerpo “k”, se distinguen, los elementos
de “V” como:

∈V se llaman vectores.

Los elementos de “k” como:

a, b, c, ………∈ k se llaman escalares.

Si satisfacen los siguientes axiomas, entonces “V” se denomina espacio vectorial

y sus objetos se denominan vectores.

132
Operaciones internas tal que:

Llamamos a la suma de vectores en V, y al producto de un número real

k por un vector ∈ .

1) La suma de vectores pertenece al espacio vectorial V, es decir:

∈ ∀ ∈

2) tenga la propiedad conmutativa, es decir:

∀ ∈

3) tenga la propiedad asociativa, es decir:

∀ ∈

4) Tenga elemento neutro ”e” para la suma, (ejemplo 0 en los reales) es decir:
∀ ∈ ∃ ∈ℝ

5) Tenga elemento opuesto, es decir:

∀ ∈ ∃ ∈

Operación externa tal que:

6) El producto de un escalar por un vector pertenece al espacio vectorial, es decir:

∈ ∀ ∈ℝ˄∀ ∈

7) Tenga la propiedad distributiva del producto respecto la suma de vectores:

∀ ∈ℝ˄∀ ∈

8) Tenga la propiedad distributiva del producto respecto La suma de escalares:

∀ ∈ℝ˄∀ ∈

133
9) Tenga propiedad asociativa:
∀ ∈ℝ˄∀ ∈ d

10) Tenga elemento neutro “e” multiplicativo, es decir:

∀ ∈ ∃ ∈ℝ

Observación: En la definición anterior, cuando decimos “escalares” nos estamos

refiriendo a números reales. En este caso, se dice que V es un espacio vectorial
real.

Ejemplo. Sea V = Rn con las operaciones estándar (ordinarias) de suma y de

multiplicación por escalar, definidas anteriormente, este conjunto forma un espacio
vectorial ya que se cumplen todos los axiomas.

Los tres casos especiales más importantes de Rn son (ℝ números reales), R2

(vectores en el plano bidimensional) y R3 (vectores en el plano tridimensional).

Sean y ∈ Rn

Para la suma de vectores: ∈ Rn

Para el producto de un escalar con un vector: ∈ Rn

Puede comprobarse que las operaciones definidas verifican los axiomas de

espacio vectorial.

Ejemplo. Sea V = Mmxn con las reglas de suma y multiplicación por escalar
definidas en la primera unidad, este conjunto cumple también con todos los
axiomas que definen a un espacio vectorial.

134
Ejemplo. El conjunto de polinomios en x de grado menor o igual a n, con las
reglas corrientes de suma y de multiplicación por escalar definidas para
polinomios, es un espacio vectorial ya que se cumplen todos los axiomas.

Dados los polinomios ∈ P2 y ∈ P2

Definimos las operaciones:

∈ P2

∈ P2

Puede demostrarse que estas operaciones verifican todos los axiomas de espacio
vectorial.

En particular, el vector nulo en este espacio es el polinomio nulo, es decir el

polinomio cuyos coeficientes son todos iguales a cero.

Generalizando, para cualquier n ≥ 0 , el conjunto Pn de todos los polinomios de

grado menor o igual que n (incluyendo el polinomio nulo) es un espacio vectorial.

Observación:

¿Por qué no definimos Pn como el conjunto de polinomios de grado exactamente

igual a n? Si lo definiéramos así, no sería un espacio vectorial como se muestra en
el siguiente ejemplo:

Dados los polinomios p(x) = x2 y q(x) = – x2+1 son polinomios de grado 2, pero la
suma es un polinomio de grado cero. Entonces no se verificaría el primer axioma
de espacio vectorial (la suma de vectores de un espacio vectorial V debe estar
en V).

135
5.3. SUBESPACIOS VECTORIALES

5.3.1. Definición

Sea V un espacio vectorial y W un subconjunto no vacío de V.

W es un subespacio de V si W es en sí mismo un espacio vectorial con las

mismas operaciones (suma de vectores y producto por un escalar) definidas en V.

Identificación: Una forma rápida y sencilla de identificar un subespacio es

aplicando el siguiente teorema.

Criterio de subespacio: Si W es un conjunto formado por uno o más vectores de

un espacio vectorial V, entonces W es un subespacio de V si y solo si se cumplen
las siguientes condiciones.

a) El subespacio W debe ser cerrado para la suma de vectores, es decir,

Si y ∈ W, entonces también ∈ W.

b) El subespacio W debe ser cerrado par la multiplicación por escalar, es decir,

Si k es un escalar y ∈ W, entonces k también ∈ W.

Ejemplo: Consideremos el conjunto W = {(x,y) ∈ R2 / x y = 0}. Verificar si es un

subespacio de R2.
Para el punto (0, 0) ∈ R2
Se cumple (a) Pues (0,0) ∈ W
No se cumple (b) porque la suma de dos
vectores de W puede no estar en W.
Para los puntos (1, 0) y (0, 1) ∈ R2
a) para la suma (1, 0) + (0, 1) = (1, 1) ∉ W
Por tanto W no es un Subespacio de R2

136
Ejemplo: Determinar que W = {(a, b, c) / a = 0 y b, c ∈ ℝ} es un subespacio ∈ R3.

Sol: Aplicando el criterio de subespacio y tomando en cuenta que un vector ∈ W si

su primera componente es igual a cero.

a) Si = (a, b, c) y = (x, y, z) ∈ W, entonces a = 0 y x = 0

Por lo tanto u + v = (a + x, b + y, c + z) también ∈ W ya que a + x = 0 + 0 = 0

Es decir la primera componente de u y v es nula. Por lo tanto W es cerrado para la

suma de vectores.

b) ku = (ka, kb, kc) también W ya que ka = k0 = 0

La primera componente nula, luego W es cerrado para la multiplicación por
escalar.

Como se cumplen las dos condiciones, podemos afirmar que W es un subespacio

de R3

Dado el siguiente conjunto W = {(x, y) ∈ R2 / x = 0}. Es decir, la recta de

ecuación x = 0. Verificar si es un subespacio de R2.

Para el punto (0, 0) ∈ R2,

Se cumple (a) pues (0, 0) ∈ W
Se cumple (b) pues la suma de dos vectores de W, está en W:
(0, y1) + (0, y2) = (0, y1 + y2).
Se cumple (c) pues el producto de un vector de W por un número real está en W:
k(0, y) = (0, ky)

Por tanto W es subespacio de R2.

137
Consideremos el conjunto W = {(x,y) ∈ R2 / x2 – y2 = 0}. Verificar si es un
subespacio de R2.

x2 – y2 = 0 ⇔ y = x ∨ x = –y

El punto (0, 0) ∈ R2
Se cumple (a) pues (0,0) ∈ W
No se cumple (b) porque la suma de dos vectores de W puede no estar en W,
Para el punto (1, 1) ∈ R2
(1,1) + (1,–1) = (2, 0) ∉ W
Entonces W no es un subespacio de R2.

Resumen de los subespacios de R2 y R3.

Después de estos ejemplos podemos resumir cuales son los diferentes tipos de
subespacios de R2 y R3 :

No hay ninguna otra clase de subespacios en R2 y R3.

https://aga.frba.utn.edu.ar/

5.4. COMBINACIONES LINEALES

En matemática, particularmente en álgebra lineal, una combinación lineal es una

expresión matemática que consiste en la suma entre pares de elementos, de
determinados conjuntos, multiplicados entre sí.

138
En particular, la combinación lineal de un sistema de vectores se trata de un vector
de la forma

Con los ki elementos de un cuerpo. La definición, provista de esta manera, da

lugar a otras definiciones y herramientas importantes, como son los conceptos de
independencia lineal y base de un espacio vectorial.

5.4.1. Definición

Se dice que un vector es una combinación lineal de un conjunto de vectores

si es posible expresarlo de la siguiente manera:

Donde las ai ∈ ℝ.

Ejemplo: Sean los vectores:

= (1, 2, 0), = (1, -1, 3) y = (5, 1, 9)

Determinar si el vector , es una combinación lineal de los vectores y :

Solución: Para es C. L. de y

Por tanto se puede expresar de la siguiente forma:

139
Si el conjunto de vectores son vectores de un espacio vectorial
V, entonces:

a) El conjunto W de todas las combinaciones lineales de , es un

subespacio del espacio vectorial V.

b) El conjunto W es el menor subespacio del espacio vectorial V que contiene a

en el sentido de cualquier otro subespacio de V que contenga a
debe contener a W.

Ejemplo de subespacio: Determinar el valor de x para que el vector (1, x, 5) ∈ R3

pertenezca al subespacio [(1, 2, 3); (1, 1, 1)].

Solucion.
El vector (1, x, 5) pertenece al subespacio [(1, 2, 3); (1, 1, 1)] si y solo si el vector
(1, x, 5) es combinación lineal de los vectores (1, 2, 3) y (1, 1, 1), o sea, si existen;
a, b ∈ ℝ / a(1, 2, 3) + b(1, 1, 1) = (1, x, 5).

Por tanto se construye el siguiente sistema, resolviendo el sistema

tenemos la solución:

5.5. ESPACIO GENERADO

En álgebra lineal, dado un espacio vectorial V, se llama sistema

generador de V a un conjunto de vectores, pertenecientes a V, a partir del cual se
puede generar el espacio vectorial V completo. En este caso, el espacio
vectorial V se denomina conjunto generado o espacio generado.

140
Esto también es válido para subconjuntos de V, en esos casos se habla
de subconjuntos generados, o más específicamente, subespacios
generados por el sistema generador en cuestión.

No confundir este concepto con el de base, ya que si bien toda base es un sistema
generador, la implicación inversa no siempre es cierta. Mientras que una base ha
de ser obligatoriamente un sistema libre, es decir, todos sus elementos han de ser
linealmente independientes, un sistema generador puede ser ligado, es decir,
linealmente dependiente.

Para cualquier sistema generador A formado por n elementos, siempre podremos

hallar una base B comprendida en A con un número de elementos menor o igual
que n.

5.5.1. Definición

Si es un conjunto de vectores en un espacio vectorial V,

entonces el subespacio W del espacio vectorial V, que consta de todas las
combinaciones lineales de los vectores se denomina espacio generado por ,y
se dice que los vectores , generan al subespacio W y se representa de la
siguiente manera.

⇨ Espacio generado por los

NOTA: Para determinar si un conjunto de vectores de un determinado espacio

vectorial V, genera a V, se hace lo siguiente:

Se toma un vector genérico del espacio en cuestión y se analiza si es combinación

lineal del conjunto de vectores, al hacer esto surge un sistema no homogéneo, si
el sistema es consistente los vectores generan al espacio vectorial V, caso
contrario no generan.

141
Ejemplo: Determinar si los vectores = (1, 2) y = ( 0, -1) generan a R2.

Solución: Basta probar que un vector cualquiera (genérico) ∈ R2.

Si el vector genérico = (a, b), es una CL. De y . Entonces surge un sistema no

homogéneo, si el sistema es consistente, osea, tiene solución única o infinitas
soluciones, implica que los vectores y generan a R2

x(1, 2) + y(0, -1) = (a, b)

El sistema es consistente donde

Por lo tanto para cualquier valor de a y b los vectores y generan a R2.

⇨(a, b) = a(1, 2) + (2a - b)(0, -1)

5.6. DEPENDENCIA E INDEPENDENCIA LINEAL

En álgebra lineal, un conjunto de vectores es linealmente independiente si

ninguno de ellos puede ser escrito con una combinación lineal de los restantes.
Por ejemplo, en R3, el conjunto de vectores (1, 0, 0), (0, 1, 0) y (0, 0, 1) es
linealmente independiente, mientras que (2, −1, 1), (1, 0, 1) y (3, −1, 2) no lo es, ya
que el tercero es la suma de los dos primeros.

3 2
Vectores linealmente independientes en R Vectores linealmente dependientes en R
(en el espacio tridimensional). (en el plano).

142
5.6.1. Definición

Dado un conjunto finito de vectores , se dice que estos vectores

son linealmente independientes si existen la ecuación:

Se satisface únicamente cuando son todos cero. En caso

contrario, se dice que son linealmente dependientes.

En otras palabras si existe al menos un escalar ai ≠ 0 el conjunto de vectores será

L. D. Caso contrario se dice que el conjunto de vectores S es L. I.

Si el sistema es determinado (sol. única) (n = m), el conjunto de vectores S es LI.

Si el sistema es indeterminado (además de la solución trivial existen infinitas
soluciones (n > m), el conjunto de vectores S es LD.

Nótese que el símbolo a la derecha del signo igual no es cero, sino que simboliza
al vector nulo . El conjunto de vectores nulos forma la matriz nula. Si tales
números no existen, entonces los vectores son linealmente independientes. La
definición anterior también puede extenderse a un conjunto infinito de vectores,
concretamente un conjunto cualquiera de vectores es linealmente dependiente si
contiene un conjunto finito que sea linealmente dependiente.

Dado el siguiente conjunto de vectores en el espacio tridimensional usual:

 y son dependientes por tener la misma dirección.

143
 y son independientes y definen el plano P.
 , y son dependientes por estar los tres contenidos en el mismo plano.
 , y son independientes por serlo y entre sí y no ser una combinación
lineal de ellos o, lo que es lo mismo, por no pertenecer al plano P. Los tres
vectores definen el espacio tridimensional.
 Los vectores (vector nulo, cuyas componentes son iguales a cero) y son
dependientes ya que .

Ejemplo: Dado los vectores , verificar si los tres vectores son linealmente
independientes?

Buscamos tres valores a, b y c que satisfagan la ecuación:

Lo que equivale al sistema equivalente de ecuaciones siguiente:

Dado que la única solución es la trivial (a = b = c = 0), los tres vectores son LI.

Queda para el lector la solución de los siguientes ejemplos:

Ejemplo: Determinar si el conjunto de vectores S es LD. o LI.
S = { = (1, 2, 3), = (-1, 1, -2), = (0, 3, 1)}

Ejemplo: Dado el siguiente conjunto de vectores

S = {(1, 0, 0, 1) , (2,−2, 2,−4), (8,−6, 6,−10)} ∈ R4. Verificar si son LD. o LI.

144
Ejemplo: Dado el siguiente conjunto de vectores:
S = {(1, 2, 3, -1) , (0, 1, -1, 2), (1, 4, 1, 3)} ∈ R4. Verificar si son LD. ˅ LI.

Ejemplo: Dado el conjunto de vectores S = {(1, -1, 2), (2, 1, 3), (-1, 0, 2)},
verificar si:
a) Generan un espacio en R3
b) Si son L.I.

Conclusión: El término linealmente dependiente sugiere que los vectores

dependen unos a otros de alguna manera. En forma equivalente se puede decir
que el conjunto de vectores S son dependientes si y solo si uno de ellos es una
combinación lineal de los otros. Como consecuencia de esto se puede afirmar lo
siguiente:

Si uno de los vectores es combinación lineal de los demás vectores, el conjunto es

L. D.
Las filas distintas de cero de una matriz en la forma escalonada son L. I.
Si en un conjunto de vectores esta el vector cero, entonces el conjunto es L. D.

Ésta última observación permite simplificar el análisis de la dependencia e

independencia lineal de vectores en Rn.

5.7. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL

5.7.1. Definición de base

Se llama base de un espacio (o subespacio) vectorial a un sistema generador de

dicho espacio o subespacio, que sea a la vez linealmente independiente.

Dado un conjunto de vectores en un espacio vectorial V

se denomina base de V si se cumplen las siguientes condiciones.

145
a) S genera a V.
b) S es linealmente independiente

Ejemplo: Demostrar que el conjunto de vectores S es una base de R3.

S = { = (1, -1, 0), = (1, 2, -1), = 1, 0, -1)}

Se tienen que demostrar los dos casos siguientes:

a) Para demostrar que el conjunto de vectores S genera a R3 basta demostrar que
un vector genérico = (a, b, c) de R3 es una combinación lineal de los vectores

b) Para demostrar que el conjunto de vectores S es L. I. Se puede aplicar la

definición o la simplificación matricial, utilizando la segunda opción:

5.7.2. Definición de dimensión

Todas las bases de un mismo espacio o subespacio tienen el mismo número de

vectores. Se llama dimensión de dicho espacio o subespacio.

Por tanto, la dimensión es el máximo número de vectores independientes que

podemos tener en el espacio o subespacio. En otras palabras, es el máximo rango
que puede tener un conjunto de vectores de dicho espacio. Es también el rango de
cualquier sistema generador de dicho espacio.

La dimensión de un espacio vectorial (también llamada dimensión de Hamel de

un espacio vectorial, para distinguirla de la dimensión de Hilbert en el caso de los
espacios de Hilbert) es el número de vectores que forman una base [de Hamel] del
espacio vectorial.

Se llama dimensión de un espacio vectorial V al número de vectores que hay en

cualquiera de sus bases. Se denota dim (V).

La dimensión de Rn con las operaciones normales es n.

146
La dimensión de Pn con las operaciones normales es n+1.
La dimensión de Mmxn con las operaciones normales al producto mxn.

Un espacio vectorial V se dice que tiene dimensión finita “n” o n-dimensional,

escrito dimV = n, si existen n vectores linealmente independientes que generan al
espacio vectorial V. O simplemente se dice que la dimensión de un espacio
vectorial es el número de vectores que tiene una base. Por definición el espacio
vectorial W = {0} tiene dimensión cero.

Teorema: Si V es un espacio vectorial de dimensión finita. Entonces toda base del

espacio vectorial V tiene el mismo número de vectores.

Base estándar, usual o canónica: Para cualquier espacio vectorial V es fácil

determinar su base estándar a través del siguiente proceso:

Se toma un vector genérico del espacio en cuestión; el primer vector de la base se

lo obtiene haciendo la primera componente, elemento o coeficiente, igual a uno y
todas las demás iguales a cero, el segundo vector se obtiene en forma similar
haciendo la segunda componente, elemento o coeficiente, igual a uno y las demás
iguales a cero; así sucesivamente hasta terminar con todas las componentes,
elementos o coeficientes.

Ejemplo:

a) Para V = R3 ⇨

b) Para el espacio vectorial V = M3x3 ⇨

∈ ⇨

c) Para el espacio vectorial formado por los polinomios en x de grado ≤ 3. (V = P 3)

∈ ⇨

147
Generalizando podemos decir lo siguiente:

Vectores ⇨ dimRn = n
Matrices ⇨ dimMmxn = m x n
Polinomios ⇨ dimPn = n + 1

Teorema: Si V es un espacio vectorial de dimensión finita “n” entonces:

Cualquier conjunto con n+1 o más vectores es linealmente dependiente.
Un conjunto con n vectores linealmente independiente es una base del espacio
vectorial V.
Un conjunto con n vectores que generan al espacio vectorial V es una base de V

Observación: El anterior teorema nos permite verificar solo una de las condiciones
que definen una base, si de antemano se conoce la dimensión del espacio
vectorial y el número de vectores del conjunto en cuestión es igual a la dimensión.

Coordenadas – Vector de coordenadas:

Sea V un espacio vectorial n–dimensional y que {e1, e2, e3,……………….en} sea
una base de V, entonces cualquier vector V puede ser escrito de una sola manera
como combinación lineal de los ei;

v = a1e1, + a2e2, + a3e3 +……………. + anen

Los ai R serán únicos para el vector v y se denominan coordenadas de v con

relación a la base {e1, e2, e3,……………….en}.

La n–upla de coordenadas (a1, a2, a3,……….an) se denomina vector de

coordenadas de v con relación a la base {e1, e2, e3,……………….en} y se denota
de la siguiente manera:

148
A cada vector de V le corresponde en forma biunívoca un vector de coordenadas
pertenecientes a Rn (dimV = n), ésta correspondencia determina que los espacios
vectoriales V y Rn sean ISOMORFOS pues las operaciones de suma y de
multiplicación por escalar se preservan. Esto permite analizar los problemas de un
espacio vectorial V en el correspondiente a sus vectores de coordenadas R n y
luego trasladar los resultados y conclusiones al espacio vectorial V.

El problema se simplifica enormemente si se obtienen los vectores de

coordenadas con relación a la base estándar o usual de V.

149
5.8. PRÁCTICO

1. Determinar si el conjunto de todas las ternar (x, y, z) con las siguientes reglas:
a) Suma: (x, y, z) + (a, b, c) = (x + a, y – b, z + 2c)
b) Multiplicación por escalar: k (x, y, z) = (ky, z, x)
c) ¿Es un espacio vectorial?. Si no lo es, ¿Qué axiomas no cumple?

2. Recordando la definición de combinaciones lineales, determine si:

a) El vector es combinación lineal de y

b) La matriz es combinación lineal de , y

c) El vector es combinación lineal de , y

3. Defina cuando un subconjunto de un Espacio Vectorial (EV) es un sebespacio y

como puede determinar, en forma simplificada, si un subconjunto es un
subespacio.

4. Demuestre que cualquier conjunto no vacío de un Espacio Vectorial genera un

subespacio del mismo.

5. Determine si el vector pertenece al subespacio generado por los

siguientes vectores y

6. ¿Los vectores del ejercicio anterior , y generan a R3? Justifique su

respuesta.
7. Determinar cuáles de los siguientes conjuntos son subespacio de R2
a) W = {(a, b) / a – 2b = 0}
b) W = {(a, b) / b = 2}

150
c) W = {(a, b) / a = 0}

8. Determine cuáles de los siguientes conjuntos son subespacios de R3

a) W = {(a, b, c) / a – 2b, c = 0}
b) W = {(a, b, c) / a = b, c = 1}
c) W = {(a, b, c) / b = a + c}

9. Determine cuales de los siguientes conjuntos son subconjuntos de M2x2

a)

b)

c)

10. En cada inciso determine se los vectores generan a R3

a) ū1 = (1, -2, 1), ū2 = (2, -1, 1)
b) ū1 = (2, -1, 1), ū2 = (3, -2, 1), ū3 = (1, -1, 0)
c) ū1 = (2, -1, 1), ū2 = (3, -2, 1), ū3 = (1, -1, 0), ū4 = (-1, 1, 1)

11. Determine si la matriz pertenece al subconjunto generado por

, y

12. Determine cuál de los siguientes conjuntos son Linealmente Independiente ó

Linealmente Dependiente.

a)

b) { ū1 = (1, 0, -1), ū2 = (-1, 3, 2), ū3 = (0, 3, 1) }

c) { ū1 = (1, -2), ū2 = (1, 2), ū3 = (1, -3) }
13. Sea el conjunto de vectores S = { ū1, ū2, ū3, ū4 }, de un Espacio Vectorial.
Demostrar que:
a) Si uno de los vectores es cero, entonces S es L. D.

151
b) Si uno de los vectores es combinación lineal de los demás, entonces S es L. D.

14. Sea S un conjunto finito de vectores pertenecientes a un espacio vectorial V.

Defina cuando S es una base de V. ¿Qué es la dimensión de un espacio vectorial?

15. Sea S = { ū1 = (2, -1, 0), ū2 = (-1, -1, 2), ū3 = (0, -1, 0) }, determine que S es
una base de R3 ¿Cual es La dimensión?.

16. Determine la base canónica de los siguientes espacios vectoriales:

a) R4
b) M2x2
c) P3

17. Si la dimensión de V es igual a 3, analice y justifique si las siguientes

afirmaciones son correctas:
a) { ū1, ū2, ū3, ū4 } puede ser uma base de V.
b) { ū1, ū2, ū3, ū4 } puede generar a V.
c) { ū1, ū2, ū3, ū4 } puede ser L. I.

18. Determine una base y la dimensión de los subespacios generados por:

a) { ū1 = (1, 2, 3, -2), ū2 = (0, -1, -2, 0), ū3 = (1, 1, 1, -2), ū4 = (1, 2, 0, 0) }

b)

c) { ū1 = (1, -2), ū2 = (1, 2), ū3 = (1, -3) }

19. Determine uma base y La dimension para cada uno de lós siguientes
subespacios:
a) V = { (a, b, c) / b = 2a }
b) W = { (a, b, c) / a + b = 0 ˄ 2a + c = 0 }
c) U = { (a, b, c) / -2a + b = 0 }
d) U ⋂ W
e) V ⋂ U

152
20. Determine una base y la dimensión para cada uno de los siguientes
subespacios:

a)

b)

c) U ⋂ W

21. Dado el siguiente conjunto de polinomio S = { 1 + x + x2, 3 – x, 2 + kx2 } ∈ P2.

Determinar todos los valores de k ∈ ℝ para que el conjunto sea una base de P2.
a) S genere a V. R: dim(P2) = 3
b) S es L. I. P/ cualquier k ≠ ½ S es LI.

22. Dado el siguiente conjunto de vectores S = { (x, y, z) ∈ R3 / x + y + 2z = 0 }.

Verificar si es un subespacio de R3.
R: S es un subespacio de R3
23. Para que valores de k el vector (1, 2, 3) es C. L. con el siguiente conjunto de
vectores: S = { (1, 0, 0), (0, 1, 0), (0, 2, k) }
R: Para que sea CL el sistema debe ser determinado ⇨K ≠ 0

153
UNUDAD IV

6. TRANSFORMACIONES LINEALES

6.1. PRÁCTICO

1. Defina lo que es una transformación lineal (interprete gráficamente).

2. Determine si la transformación de V en W dada, es lineal.

a) T: R2 → R; T (x, y) = xy
b) T: R3 → R; T (x, y, z) = (0, y)

3. Sea F: M2x2 → R, determine si la siguiente transformación es o no lineal.

4. Determine si la siguiente transformación de R3 en R2 es o no lineal.

T(a, b, c) = (0, 0)

5. Demuestre formalmente que las transformaciones lineales preservan las

combinaciones lineales.

6. Defina el concepto de Núcleo o Kernel de una transformación lineal (ilustre

gráficamente)

7. Defina el concepto de Imagen o Recorrido de una transformación lineal (ilustre

gráficamente)

8. Sea la transformación lineal F: R3 → R2 definida por:

F(x1, x2, x3) = (x1 – x3, x2 – x3)
a) Hallar una base y la dimensión del núcleo o Kernel de F.
b) Hallar una base y la dimensión de la imagen de F.

154
9. Sea F: R2 → M2x2 la transformación lineal definida por:

Determine una base y la dimensión del Núcleo y de la Imagen de la

transformación lineal F.

10. Sea F: R2 → R2 una transformación lineal tal que F(a,b) = (a – 2b, -2a + b).
Determine;
a) Hallar una base y la dimensión del núcleo de F.
b) Hallar una base y la dimensión del al imagen de F.

11. Sea F: R2 → R3 una transformación, tal que F(x,y) = (x – y, 2y). Determinar si F

es lineal.

12. Determinar si la siguiente transformación de R3 en R2 es o no lineal.

T(a,b,c) = (0,0)

13. Sea una base de R3 y que

sea una transformación lineal F: R3 → R2 definido por:
, determinar F.

14. Si es la matriz de F: R3 → R2 con relación a las bases

{ e1 = (1, 2, 3), e2 = (1, 1, -1), e3 = (-1, 0, -1)} y { f1 = (1, -1), f2 = (-1, 3)}, determinar
la fórmula de F.

15. sea F: R2 → R2 un conjunto lineal tal que F(a,b) = (a – 2b, – 2a + b),

determinar si es invertible y si lo fuera, hallar El operador inverso.

BIBLIOGRAFIA

155