AL FC Portafolio Completo JBZB

SISTEMAS DE INFORMACIÓN
Misión y Visión
ICB:
Misión:
Ser una unidad académica que permita transformación e interpretación de la realidad del hombre,
con el fin de solucionar problemas, con pensamiento estratégico, crítico y creativo permitiendo
argumentación racional y humanamente por el mundo capacitándolo laboralmente y
profesionalmente.
Visión:
Proyectar a nuestro estudiante como un matematizador de la realidad, capacitándolo para resolver
problemas de la matemática, la ciencia y la cotidianidad, con excelencia académica, creativos,
dinámicos, responsables, espíritu crítico de liderazgo, con un alto nivel de competitividad en su
campo laboral y profesional.
FCI:
Misión:
Formar profesionales investigadores en el campo de las Ciencias Informáticas, al servicio de la
sociedad, que aporten con soluciones innovadoras al desarrollo tecnológico del país.
Visión:
Ser una facultad líder que con integridad, transparencia y equidad forme profesionales capaces de
desarrollar soluciones informáticas innovadoras, generadores de conocimientos e investigación
permanente.
UTM:
Misión:
Formar académicos, científicos y profesionales responsables, humanistas, éticos y solidarios,
comprometidos con los objetivos del desarrollo nacional, que contribuyan a la solución de los
problemas del país como universidad de docencia con investigación, capaces de generar y aplicar
nuevos conocimientos, fomentando la promoción y difusión de los saberes y las culturas, previstos
en la Constitución de la República del Ecuador.
Visión:
Tiene como visión el constituirse en una institución universitaria líder, referente de la educación
superior en el Ecuador, promoviendo la creación, desarrollo, transmisión y difusión de la ciencia, la
técnica y la cultura, con reconocimiento social, proyección regional y mundial.
Presentación con Autorretrato:
Mis nombres son Joseph Bryan Zambrano Basurto, y soy originario de la hermosa provincia de
Manabí, Ecuador. Actualmente, resido en la ciudad de Portoviejo junto a mis padres y hermanos.
Hoy me gustaría compartir un poco sobre mí y mi trayectoria hasta el momento.
En 2022, tuve el honor de graduarme del colegio, un logro que marcó el final de una etapa
importante en mi vida y el comienzo de un emocionante nuevo capítulo. Desde entonces, he estado
persiguiendo mi pasión por la tecnología y la informática.
Actualmente, me encuentro estudiando la carrera de Sistemas de Información en la Universidad

Técnica de Manabí. Esta carrera me ha brindado la oportunidad de explorar un mundo fascinante de
programación, análisis de datos, ciberseguridad y mucho más. Estoy emocionado por las
posibilidades que esta educación me ofrece y ansioso por aprender y crecer en este campo.
La informática es una disciplina que está en constante evolución, y estoy comprometido a

mantenerme al día con las últimas tendencias y tecnologías para contribuir de manera significativa
en el futuro. Mi objetivo es combinar mis conocimientos y habilidades en sistemas de información
para crear soluciones innovadoras que puedan impactar positivamente en nuestra sociedad y
mejorar la vida de las personas.
Estoy emocionado por lo que el futuro tiene reservado y ansío seguir aprendiendo y creciendo en
este emocionante viaje académico y profesional.
Hoja de vida:
HOJA DE VIDA
INFORMACIÓN PERSONAL
CEDULA: 1312448531
NACIONALIDAD: ECUATORIANA
APELLIDOS: ZAMBRANO BASURTO
NOMBRES: JOSEPH BRYAN
GENERO: MASCULINO
EST. CIVIL: SOLTERO (A)
FECHA NACIMIENTO: 01/06/2004
PAIS NACIMIENTO: ECUADOR
PROVINCIA NACIM.: MANABÍ EDAD: 19 AÑOS
CANTON NACIM.: PORTOVIEJO ETNIA: MESTIZO
PARROQUIA NACIM.: ANDRÉS DE VERA TIPO SANGRE: O-
DISCAPACIDAD: NO TIPO DISCAPACIDAD: NINGUNA
INFORMACIÓN DE TUTORÍAS
DATOS DEL TUTOR/A: -
ENTREVISTAS EFECTUADAS: -
AGENDAMIENTO PROGRAMADO: -
INFORMACIÓN DOMICILIARIA
PAIS: ECUADOR PROVINCIA: MANABÍ
CANTÓN: PORTOVIEJO PARROQUIA: ANDRÉS DE VERA
CALLE PRINCIPAL: AVENIDA DEL EJERCITO
CALLE SEC. 1: CIUDADELA SAN ALEJO
CALLE SEC. 2 URB. RIVERA COLONIAL MZE CASA 7
URBANIZACION RIVERA COLONIAL, SE PASA DOS VECES HACIA LA DERECHA DONDE ESTA UN
REFERENCIA: CALLEJON, VIVO CERCA DE DONDE SOLIA SER LA ESCUELA, PERO ACTUALMENTE ES UN
DEPARTAMENTO, VIVO EN LA MZE CASA 7.
TELEF. DOMICILIO: 2357552 TELEF. CELULAR: 0963368805
TELEF. TRABAJO: N/A TELEF. EXTENSION: N/A
CORREO INSTITUC.: [email protected] CORREO ALTERN.: [email protected]
INFORMACIÓN FAMILIAR
DATOS MADRE: BASURTO SOLóRZANO MARíA AUXILIADORA
DATOS PADRE: ZAMBRANO PINARGOTE EFRéN ANTONIO
INFORMACIÓN ACADÉMICA
NIVEL INSTRUCC.: SEGUNDO NIVEL
TITULO ACADEM.: BACHILLER EN CIENCIAS
COLEGIO: MILITAR GENERAL MIGUEL ITURRALDE
CANTON COLEGIO: PORTOVIEJO CALIFICAC: 9.41 FECHA TITULO: 28/01/2022
INFORMACIÓN SOCIO-ECONÓMICA
Sistema de Gestión Académica - UTM 1 de 2

Dispone de servicio de internet: SI
Dispone de internet en el teléfono celular: SI
Horas de uso de Internet por semana: 12
Horas de uso de Redes Sociales por semana: 6
SERVICIO DE FACEBOOK
COMUNICACIONES TWITTER
Redes sociales utilizadas: INSTAGRAM
WHATSAPP
YOUTUBE
COMPUTADORA/LAPTOP
Equipos tecnológicos utilizados: TABLED/IPAD
TELEFONO INTELIGENTE
Horas de traslado entre IES y casa: 1.00

MOVILIDAD POR Horas de permanencia en la IES: 1.00
ESTUDIOS
TRANSPORTE PUBLICO (BUS, TAXI,
Medios de transporte para traslado a la IES
ESCOLAR, OTRO)
PATERNIDAD / Total hijos nacidos vivos: 0

MATERNIDAD Edad en la que tuvo su primer hijo/a nacido vivo: 0
CARACTERIZACIÓN Tipo: APARTAMENTO / CASA

DE LA VIVIENDA Localización: URBANIZACIÓN
Es jefe/a de familia: NO
Nivel de instrucción del jefe de familia: UNIVERSITARIO COMPLETO
INFORMACIÓN Ocupacion laboral del jefe de familia: MAESTRO

FAMILIAR Ocupacion laboral del estudiante: ESTUDIANTE UNIVERSITARIO
Numero de ocupantes de la vivienda: 6
Ingreso mensual familiar: 1.095 A 1444 DÓLARES
GASTOS POR BECA

ESTUDIOS Beca: UTM
Sílabo:
UNIVERSIDAD TÉCNICA DE MANABÍ

FACULTAD DE CIENCIAS MATEMÁTICAS FÍSICAS Y QUÍMICAS
CARRERA DE INGENIERIA ELECTRICA
MAYO DEL 2023 HASTA SEPTIEMBRE DEL 2023
Syllabus
I. DATOS BÁSICOS DE LA ASIGNATURA
ALGEBRA LINEAL (ICIV16 - IE16 - IQ16 - IIND17 - ISI17 - TI18 - CRÉDITOS 3
ASIGNATURA ALIM20 - BIOTEC21 - TELECOM21 - SOFT21)
NIVEL PRIMERO PARALELOS "H", "I", "J", "M", "N"
TIPO DE ASIGNATURA COMPETENCIAS BÁSICAS DE CARRERA (INICIAL)
TIPO PERFIL OBLIGATORIA
PRE-REQUISITO NINGUNO
CO-REQUISITO NINGUNO
CARRERAS INVOLUCRADAS TODAS LAS CARRERAS
II. PERFIL DEL DOCENTE QUE IMPARTE LA ASIGNATURA

NOMBRES Y APELLIDOS GILER SARMIENTO JOSË ANTONIO
TÍTULO TERCER NIVEL INGENIERO ELECTRICO
MAGISTER EN GESTION AMBIENTAL
TÍTULO CUARTO NIVEL MAESTRANTE DEL PROGRAMA DE MAESTRÍA ACADÉMICA CON TRAYECTORIA DE
INVESTIGACIÓN EN MATEMÁTICA, COHORTE 1
CORREO INSTITUCIONAL [email protected]
CORREO PERSONAL [email protected]
CATEGORIA PERSONAL ACADEMICO OCASIONAL 1
DEDICACIÓN TIEMPO COMPLETO
III. RESULTADO DE APRENDIZAJE DE LA ASIGNATURA (PERFIL DE EGRESO)
Formar profesionales capaces de resolver problemas del área de influencia regional y nacional, con pensamiento crítico-propositivo, que
sirvan de manera competente, colaborativa y ética, mediante conocimientos científicos, teóricos y prácticos, vinculados en el medio laboral
y empleador, transformando la realidad mediante la planificación, diseño, construcción, control y mantenimiento de los diferentes proyectos
propios de su áreas de acciones.
Nº Nivel Taxonómico Resultados del Aprendizaje Formas de Evidenciar

Para cumplir este objetivo el estudiante debe
realizar: talleres, informes de ensayo e
Calcular sistemas de ecuaciones lineales usando matrices y
1 Aplicacion investigación, portafolios, trabajos, ejercicios y
determinantes para su aplicación a modelos matemáticos
tareas, todo en el aula de forma presencial y aula
virtual.
Calcular problemas con vectores en R^2 y R^3 mostrando
diferentes aplicaciones.
virtual.
Aplicar el concepto de espacios vectoriales para la definición realizar: talleres, informes de ensayo e
3 Aplicacion de conjuntos y su dimensión, como espacios vectoriales. investigación, portafolios, trabajos, ejercicios y
Ilustrar el producto interno a través de ejemplos. tareas, todo en el aula de forma presencial y aula
virtual.
Aplicar las transformaciones lineales en la solución de
ejercicios y en modelos matemáticos.
virtual.
Aplicar los valores y vectores característicos en la
diagonalización de matrices y en modelos matemáticos.
virtual.
SPCA - Sistema de Planificación y Control Académico Página 1 de 8

IV. ESCENARIOS DE APRENDIZAJE
AULA REAL. AULA VIRTUAL.
V. PROGRAMACIÓN
UNIDAD 1. UNIDAD 1: MATRICES Y SISTEMAS DE ECUACIONES LINEALES
Inicia al: 2023/05/08 Finaliza al: 2023/06/05 1. 1- Matrices. Operaciones con matrices. 2. Sistema de m ecuaciones con n
incógnitas. Operaciones elementales de fila. Matriz escalonada, escalonada
Docencia: 12 reducida. 3- Métodos de Gauss y Gauss Jordan. Sistema con una solución,
Prácticas: 0 con infinitas soluciones e inconsistentes. Sistemas homogéneos y no
Autónomo: 22 homogéneos. 4- Matriz identidad. Matriz invertible. Cálculo de la inversa de
una matriz. Matrices equivalentes por fila. Matriz transpuesta y simétrica. 5-
Resultado de Aprendizaje: Calcular sistemas de Determinantes. Propiedades. Determinante de A^(-1). Adjunta de una
ecuaciones lineales usando matrices y matriz. Cálculo de la inversa A^(-1), usando la adjunta.
determinantes para su aplicación a modelos
matemáticos
COMP. DOCENCIA
Actividad Estrategia
SON EJERCICIOS QUE SE RESUELVEN EN CLASES Y SERÁN
COMPLEMENTADOS CON LOS QUE SE ENVIARÁN EN TAREAS O DEBERES; SE
PODRÍA LLAMAR A LOS ESTUDIANTES AL AZAR PARA QUE RESUELVAN EN
PIZARRA VARIOS EJERCICIOS DE LAS TAREAS O TEMAS TRATADOS EN CLASES
RESOLUCIÓN DE EJERCICIOS
PRESENCIALES Y/O VIRTUALES CON REFUERZO O RETROALIMENTACIÓN DEL
DOCENTE; Y SE SUBIRÁN EN EL AULA VIRTUAL PARA LOS ESTUDIANTES QUE
DESEEN REVISAR LAS CLASES EN FORMA ASINCRÓNICA, CUANDO SEA EL
CASO.
LAS LECCIONES, CUANDO SEAN PRUEBAS CORTAS SERÁN EN LA PIZARRA
CON PREGUNTAS DE TEORÍA O/Y RESOLVER EJERCICIOS QUE PODRÍAN SER
DE LAS TAREAS O DEBERES; Y CUANDO SEAN PRUEBAS DE EVALUACIÓN TIPO
APORTE O EXAMEN ESTARÁN CONFORMADAS DE DOS FORMAS, EN EL AULA
VIRTUAL PARA CONCEPTOS Y DEFINICIONES Y PRESENCIALES PARA LOS
LECCIONES ORALES/ESCRITAS
EJERCICIOS Y PROBLEMAS DE APLICACIÓN CON LOS TEMAS EXPLICADOS EN
LAS CLASES PRESENCIALES O VIRTUALES. MÁXIMO SE CONSIDERARÁ DOS
EVALUACIONES POR PARCIAL; SIENDO ESTAS DE 6 A 10 PREGUNTAS TEÓRICAS
Y CON 1 A 5 EJERCICIOS Y/O PROBLEMAS DE APLICACIÓN CON UN TIEMPO
PRUDENCIAL PARA SU RESOLUCIÓN.
EL ANÁLISIS Y COMPRESIÓN DE LOS MATERIALES BIBLIOGRÁFICOS Y
DOCUMENTALES, TANTO ANALÓGICOS COMO DIGITALES, CLASES
PRESENCIALES Y VIRTUALES (QUE FORMARÁN EL PORTAFOLIO DIGITAL),
PORTAFOLIO DONDE DEBEN TRANSCRIBIR LAS CLASES SUBIDAS AL AULA VIRTUAL USANDO
EXCLUSIVAMENTE WORD Y SUS HERRAMIENTAS RESPECTIVAS COMO EL
EDITOR DE ECUACIONES; NO SE PERMITEN CAPTURAS DE PANTALLA NI
RECORTES DE IMÁGENES DE LAS CLASES Y/O INTERNET.
COMP. PRÁCTICA Y EXP. DE APRENDIZAJES
SE DESARROLLARÁN VARIOS TALLERES POR CICLO DE ACUERDO A LOS
TEMAS PROPUESTOS, LOS CUALES CONSISTEN EN EJERCICIOS A REALIZAR
POR LOS PROPIOS ESTUDIANTES EN LAS ACTIVIDADES QUE SE ENCUENTRAN
AL FINAL DE LAS CLASES QUE PUEDEN SER DEL AULA VIRTUAL O PRESENCIAL,
TALLERES
LOS MISMOS QUE SERÁN DE FORMA INDIVIDUAL, Y CADA ESTUDIANTE SERÁ
RESPONSABLE DE IR DESARROLLANDO LOS TALLERES PARA FINALMENTE
ESCANEAR Y COMPILAR EN UN SOLO ARCHIVO EN PDF Y LUEGO SUBIR EN EL
AULA VIRTUAL.
REALIZAR EL ANÁLISIS DE LAS CLASES PRESENCIALES/VIRTUALES DE TEMAS
OTRO TIPO DE ACTIVIDADES
RELACIONADOS A LA CÁTEDRA Y LA CARRERA PARA COMPLEMENTAR EL
(PRÁCTICAS)
PORTAFOLIO RESPECTIVO PARA EL CICLO.
COMP. APRENDIZAJE AUTÓNOMO
PARA LA RESOLUCIÓN DE EJERCICIOS DE TAREAS O DEBERES SE TOMARÁN
PRINCIPALMENTE DEL LIBRO BÁSICO FLORES GODOY, GROSSMAN, STANLEY I.,
ALGEBRA LINEAL, MCGRAW-HILL, O DE LOS OTROS DE LA RESPECTIVA
BIBLIOGRAFÍA. Y SE LLAMARÁ DE FORMA ALEATORIA A CADA ESTUDIANTE
RESOLUCIÓN DE EJERCICIOS PARA QUE SUSTENTEN LAS RESPECTIVAS TAREAS PARA VALIDAR SU
RESOLUCIÓN Y CALIFICACIÓN, ESTO SE HARÁ CON CUALQUIER TAREA AL AZAR
EN CADA CLASE. DEBERÁN SER SUBIDOS EN EL APARTADO DE TAREAS
RESPECTIVO, CUMPLIENDO CON LAS FECHAS DISPUESTAS SIN AMPLIACIÓN DE
PLAZO.
ELABORACIÓN INDIVIDUAL DE UN ENSAYO Y/O TRABAJO DE INVESTIGACIÓN
TIPO PROYECTO SENCILLO, CON ESQUEMA ELEMENTAL Y TOMANDO DE
NORMAS APA LO REFERENTE A FORMATOS, TIPOS Y TAMAÑOS DE FUENTE,
ENSAYO AUTÓNOMO
MANTENIENDO SIEMPRE LA SIMETRÍA EN LA PRESENTACIÓN COMO EL
JUSTIFICADO, PARA LUEGO SUBIR DE FORMA ASINCRÓNICA EN EL
CORRESPONDIENTE APARTADO DEL AULA VIRTUAL.
EL TOMAR APUNTES SE REFIERE AL PORTAFOLIO FÍSICO, YA QUE ES
TOMA DE APUNTES RESPONSABILIDAD DE CADA ESTUDIANTE EL TOMAR APUNTES DE LAS
CLASES PRESENCIALES/VIRTUALES, Y OBLIGATORIO PRESENTAR LOS
EJERCICIOS QUE SE REVISEN Y RESUELVAN EN LAS MISMAS CLASES
TOMA DE APUNTES
RESALTANDO LOS TÍTULOS DE LOS TEMAS DE CADA CLASE PARA
DIFERENCIARLAS UNA DE OTRA.
UNIDAD 2. UNIDAD II : VECTORES EN R^2 y R^3
Inicia al: 2023/06/12 Finaliza al: 2023/06/28 1. 1- Vectores en el plano. Producto escalar y proyecciones. 2- Vectores en el
espacio. Producto escalar. Producto Cruz. Rectas y planos en el espacio.
Docencia: 12
Prácticas: 0
Autónomo: 22
Resultado de Aprendizaje: Calcular problemas

con vectores en R^2 y R^3 mostrando diferentes
aplicaciones.
COMP. DOCENCIA
CASO.
TALLERES
AULA VIRTUAL.
(PRÁCTICAS)
PLAZO.
ENSAYO AUTÓNOMO
RESPONSABILIDAD DE CADA ESTUDIANTE EL TOMAR APUNTES DE LAS CLASES
TOMA DE APUNTES
PRESENCIALES/VIRTUALES, Y OBLIGATORIO PRESENTAR LOS EJERCICIOS
QUE SE REVISEN Y RESUELVAN EN LAS MISMAS CLASES
TOMA DE APUNTES
UNIDAD 3. UNIDAD III : ESPACIOS VECTORIALES Y PRODUCTO INTERNO
Inicia al: 2023/07/03 Finaliza al: 2023/07/26 1. "1- Espacios vectoriales. Subespacios. 2-Combinación lineal y espacio
generado. Independencia lineal. Base y dimensión. 3- Rango, nulidad,
Docencia: 12 espacio fila y espacio columna. 4- Producto interno. Ejemplos.
Prácticas: 0
Autónomo: 22
Resultado de Aprendizaje: Aplicar el concepto

de espacios vectoriales para la definición de
conjuntos y su dimensión, como espacios
vectoriales. Ilustrar el producto interno a través de
ejemplos.
COMP. DOCENCIA
CASO.
TALLERES
AULA VIRTUAL.
(PRÁCTICAS)
PLAZO.
ENSAYO AUTÓNOMO
TOMA DE APUNTES
QUE SE REVISEN Y RESUELVAN EN LAS MISMAS CLASES
TOMA DE APUNTES
UNIDAD 4. UNIDAD IV: TRANSFORMACIONES LINEALES.
Inicia al: 2023/07/31 Finaliza al: 2023/08/09 1. 1- Transformaciones lineales. 2- Representación matricial de una
transformación lineal. Núcleo e imagen de una transformación lineal.
Docencia: 6
Prácticas: 0
Autónomo: 15
Resultado de Aprendizaje: Aplicar las

transformaciones lineales en la solución de
ejercicios y en modelos matemáticos.
COMP. DOCENCIA
CASO.
TALLERES
AULA VIRTUAL.
(PRÁCTICAS)
PLAZO.
ENSAYO AUTÓNOMO
TOMA DE APUNTES
QUE SE REVISEN Y RESUELVAN EN LAS MISMAS CLASES RESALTANDO LOS
TÍTULOS DE LOS TEMAS DE CADA CLASE PARA DIFERENCIARLAS UNA DE
OTRA.
UNIDAD 5. UNIDAD V: DIAGONALIZACION . VALORES Y VECTORES PROPIOS.
Inicia al: 2023/08/14 Finaliza al: 2023/09/01 1. Polinomios característico Autovalores y autovectores. y autoespacios.
Docencia: 6
Prácticas: 0
Autónomo: 15
Resultado de Aprendizaje: Aplicar los valores y

vectores característicos en la diagonalización de
matrices y en modelos matemáticos.
COMP. DOCENCIA
CASO.
TALLERES
AULA VIRTUAL.
(PRÁCTICAS)
PLAZO.
ENSAYO AUTÓNOMO
TOMA DE APUNTES
QUE SE REVISEN Y RESUELVAN EN LAS MISMAS CLASES RESALTANDO LOS
TÍTULOS DE LOS TEMAS DE CADA CLASE PARA DIFERENCIARLAS UNA DE
OTRA.
VI. BIBLIOGRAFÍA
OBTENIDA DEL PROGRAMA ANÁLITICO
Básica
AUTOR TITULO EDICIÓN AÑO EDITORIAL PORTADA
Flores Godoy, McGraw-Hill

Álgebra lineal 7 ed. 2012
Grossman, Stanley I. Educación
Disponible en Biblioteca
Complementaria
Mesa Introducción al Álgebra lineal 1 2012 Ecoe 2012
Disponible en Biblioteca
COMPLEMENTARIA
ALGEBRA LINEAL Y SUS PEARSON

DAVID C. LAY 4TA 2012
APLICACIONES EDUCACION
Disponible en:
SEYMOUR
ALGEBRA LINEAL 7N 1992 McGRAW-HILL
LIPSCHUTZ
Disponible en:
VII. CRITERIOS DE EVALUACIÓN
COMPONENTE DE EVALUACIÓN ACTIVIDAD-COMPONENTE MEDIO CICLO FIN DE CICLO TOTAL
RESOLUCIÓN DE EJERCICIOS 4 4 8
COMP. DOCENCIA LECCIONES ORALES/ESCRITAS 4 4 8
PORTAFOLIO 7 7 14
TALLERES 8 8 16
COMP. PRÁCTICA Y EXP. DE
APRENDIZAJES OTRO TIPO DE ACTIVIDADES
2 2 4
(PRÁCTICAS)
RESOLUCIÓN DE EJERCICIOS 3 2 5
COMP. APRENDIZAJE AUTÓNOMO ENSAYO 7 7 14
TOMA DE APUNTES 0 1 1
Exámenes 15 15 30
TOTAL 50 50 100
Elaborado por: Revisado y Aprobado por:
GILER SARMIENTO JOSË ANTONIO GOROZABEL CHATA FRANCIS BENJAMIN
Centro de Evaluación y Aseguramiento de la Calidad

Sistema de Planificación y Control Académica
Generado por: [email protected]
Fecha de impresión: 18/05/2023 10:23
Código: SBM6061P167D54888H3C3
Diario Metacognitivo:
UNIDAD I:
MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
CLASE I: MATRICES
Matriz - Definiciones y Notaciones
Los números colocados en filas y columnas del ejemplo de la introducción
representan una matriz de orden (3,4) porque tiene tres filas y cuatro
25 79 16 columnas. Cada uno de los números es un elemento de la matriz y puede
(19 60 16)
ser identificado de manera inequívoca indicando la fila y la columna en la
12 42 8
que se encuentra. Así, por ejemplo, el 60 está en la segunda fila y en la
tercera columna. Si nos piden el elemento que está en la tercera fila y en la
segunda columna diremos que es el 12.
Pues bien, llamaremos matriz de orden (𝒎, 𝒏) al conjunto de 𝑚𝑥𝑛 números que
representaremos de manera genérica con la siguiente notación:
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴= ( ⋮ ⋮ ⋱ ⋮ )
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
Como puede observarse, cada elemento de la matriz tiene dos subíndices que representan la
fila (el primero) y la columna (el segundo) en que se encuentra. Por eso, al referirnos a un
elemento genérico de la matriz escribiremos 𝑎𝑖𝑗 e incluso, para referirnos a la matriz completa,
utilizaremos también la notación:
𝑨 = (𝒂𝒊𝒋 )
en la que se sobreentiende que los subíndices 𝑖 y 𝑗 pertenecen a estos subconjuntos de números

naturales: 𝑖 ∈ {1, 2, . . . , 𝑚} y 𝑗 ∈ {1, 2, . . . , 𝑛}.
Si 𝑚 = 𝑛 entonces se dice que la matriz es cuadrada. Si fuera así, hablaríamos de matriz

cuadrada de orden 𝒏. En los demás casos será rectangular y hay que especificar el número
de filas y de columnas que tiene, si bien, cuando 𝑚 = 1, entonces recibe el nombre de matriz
fila debiendo especificarse el número de columnas y si es 𝑛 = 1 será una matriz columna y,
en este caso, hay que especificar el número de filas. Por ejemplo:
1 0 −2 1 2
2 −3
𝐴= ( ) 𝐵 = −3)
( (
𝐶= 4 3 −1 0)
0 4
0.5 0.5 5 2 3
La matriz 𝐴 es cuadrada de orden 2. La 𝐵 es una matriz columna de 3 filas y la 𝐶 es rectangular
de orden (3,4).
Cuando una matriz tenga todos sus elementos iguales a cero, sea cual sea su orden, se llamará
matriz nula y se representará por 𝑂. La matriz 𝑂 de orden 3 seria:
0 0 0
𝑂 = (0 0 0 )
0 0 0
En una matriz cuadrada, llamaremos diagonal principal a los elementos colocados en la
diagonal que va del extremo superior izquierdo al extremo inferior derecho. La otra diagonal
se llama diagonal secundaria.
𝑎11 𝑎12 𝑎13
Principal
𝐴 = (𝑎21 𝑎22 𝑎23 )
𝑎31 𝑎32 𝑎33 Secundaria
En esta matriz cuadrada, la diagonal principal está formada por 𝑎11 , 𝑎22 , 𝑎33 y la secundaria
por 𝑎31 , 𝑎22 , 𝑎13 .
Tipos de matrices básicas

Si en una matriz cuadrada los elementos que están fuera de la diagonal principal son ceros se
la llama matriz diagonal. Ejemplo:
−1 0 0
La matriz 𝐴 = ( 0 2 0) es una matriz diagonal.
0 0 3
Cuando en una matriz cuadrada los elementos de la diagonal principal sean iguales a 1 y el
resto de los elementos sean nulos, entonces se llama matriz unidad o identidad de ese orden.
Ejemplo:
1 0 0
La matriz unidad o Identidad de orden 3 es: 𝐴 = (0 1 0)
0 0 1
Dada una matriz cualquiera 𝐴, se llama matriz traspuesta de 𝐴 a la que se obtiene pasando
las filas a columnas. La representaremos así: 𝐴𝑡 . Además, se cumple que (𝐴𝑡 )𝑡 = 𝐴.
Ejemplo:
−2 6 1 −2 0 1 2
Dada la matriz 𝐴 = ( 0 4 −5) es una matriz 𝐴𝑡 es: 𝐴𝑡 = ( 6 4 −3 1)
1 −3 1
1 −5 1 0
2 1 0
Una matriz cuadrada en la que los elementos simétricos respecto a la diagonal principal son
iguales se llama matriz simétrica, es decir los elementos 𝑎𝑖𝑗 = 𝑎𝑗𝑖 . Y por lo tanto se cumple
que 𝐴 = 𝐴𝑡 . Ejemplo:
2 −1 5
(
La matriz 𝐴 = −1 0 4) es una matriz simétrica.
5 4 3
Y si los elementos simétricos respecto a la diagonal principal son opuestos y los elementos de
la diagonal principal son 0, se llama matriz antisimétrica o hemisimétrica, es decir 𝑎𝑖𝑗 =
−𝑎𝑗𝑖 . Y se cumple que 𝐴 = −𝐴𝑡 . Ejemplo:
0 5 −3
La matriz 𝐵 = (−5 0 1 ) es una matriz antisimétrica.
03 −1 0
Si en una matriz cuadrada todos los elementos por encima de la diagonal principal son nulos,
se llama matriz triangular inferior. Si son nulos todos los elementos por debajo de la diagonal
principal se llama matriz triangular superior. Ejemplo:
1 5 −3
La matriz 𝐴 = (0 3 1 ) es una matriz triangular superior.
0 0 −1
2 0 0
La matriz 𝐵 = (−1 1 0) es una matriz triangular inferior.
3 1 5
Igualdad de matrices
En muchas situaciones problemáticas tendremos la necesidad de igualar matrices para llegar a
la solución. Se trata de una definición elemental, pero es necesario formularla y tenerla en
cuenta en los supuestos anunciados:
Dadas las matrices del mismo orden 𝐴 = (𝑎𝑖𝑗 ) y 𝐵 = (𝑏𝑖𝑗 ) diremos que 𝐴 = 𝐵 si se verifica
que 𝑎𝑖𝑗 = 𝑏𝑖𝑗 . Es decir, que han de ser iguales todos los respectivos elementos. Ejemplo:
Calcula cuanto deben valer "𝑥" e "𝑦" para que las dos matrices 𝐴 y 𝐵 sean iguales
𝑥−1 3 2 3
𝐴= ( ) 𝐵= ( )
0 5 0 4−𝑦
Si 𝐴 = 𝐵 es porque todos sus elementos son iguales, entonces
𝑥−1=2 ⇒ 𝑥 =3
5 = 4 − 𝑦 ⇒ 𝑦 = 4 − 5 = −1
Operaciones con matrices

En este apartado se van a definir las operaciones que se pueden realizar con matrices y a
enunciar las propiedades que verifica. Pero éstas no será necesario demostrarlas porque al
tratarse de números reales, se suponen conocidas y demostradas.
Las operaciones que se pueden realizar con marices son:
• Suma y Diferencia (Resta)

𝐸𝑠𝑐𝑎𝑙𝑎𝑟 𝑝𝑜𝑟 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧
• Producto: {
𝑀𝑎𝑡𝑟𝑖𝑧 𝑝𝑜𝑟 𝑀𝑎𝑡𝑟𝑖𝑧
Suma: Para poder definir la suma de dos o más matrices es necesario que tengan el mismo
orden y se suman término a término.
Por tanto, si notamos por 𝑀(𝑚, 𝑛) al conjunto de las matrices de orden (𝑚, 𝑛), la suma es una
ley de composición interna que se define de la siguiente forma:
𝑀(𝑚, 𝑛) × 𝑀(𝑚, 𝑛) → 𝑀 (𝑚, 𝑛)
(𝐴, 𝐵) → 𝐴 + 𝐵 = (𝑎𝑖𝑗 ) + (𝑏𝑖𝑗 ) = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 )

𝑎11 𝑎12 𝑎13 𝑏11 𝑏12 𝑏13
Ejemplo: Sean 𝐴 = (𝑎21 𝑎22 𝑎23 ) y 𝐵 = (𝑏21 𝑏22 𝑏23 ), entonces su suma será
𝑎31 𝑎32 𝑎33 𝑏31 𝑏32 𝑏33
𝑎11 + 𝑏11 𝑎12 + 𝑏12 𝑎13 + 𝑏13
𝐴 + 𝐵 = ( 21 + 𝑏21
𝑎 𝑎22 + 𝑏22 𝑎23 + 𝑏23 )
𝑎31 + 𝑏31 𝑎32 + 𝑏32 𝑎33 + 𝑏33
2 −1 3 −3 −4 1
Dadas las matrices 𝐴 = ( ); 𝐵 = ( ). Calculamos 𝐴 − 𝐵
0 −2 1 2 3 0
2 −1 3 −3 −4 1 5 3 2
𝐴−𝐵 =( )−( )=( )
0 −2 1 2 3 0 −2 −5 1
Producto de una Matriz por un Escalar: Para multiplicar un numero por una matriz, se
multiplica el numero por cada elemento de la matriz.
𝑎11 𝑎12 𝑎13 𝑘 ∗ 𝑎11 𝑘 ∗ 𝑎12 𝑘 ∗ 𝑎13
𝑎
𝑘 ∗ 𝐴 = 𝑘 ∗ ( 21 𝑎22 𝑎23 ) = (𝑘 ∗ 𝑎21 𝑘 ∗ 𝑎22 𝑘 ∗ 𝑎23 )
𝑎31 𝑎32 𝑎33 𝑘 ∗ 𝑎31 𝑘 ∗ 𝑎32 𝑘 ∗ 𝑎33
Si nuestro importador deseara duplicar las existencias que tiene en la tabla que figura en la
introducción tendrá que multiplicar por 2 esa matriz y lo hará así:
15 25 79 16 30 50 158 32
2 × (13 19 60 16) = (26 38 120 32)
9 12 42 8 18 24 84 16
Así que lo que ha hecho es multiplicar por 2 todos los elementos de la matriz de existencias.
CLASE II: PRODUCTO Y POTENCIA DE MATRICES
Producto de Matrices
Dos matrices 𝐴 y 𝐵 se dicen multiplicables si el número de columnas de A coincide con el
número de filas de 𝐵.
𝐴𝑚×𝑛 × 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝
El elemento 𝑐11 de la matriz producto se obtiene multiplicando cada elemento de la fila 𝑖 de la

matriz 𝐴 por cada elemento de la columna 𝑗 de la matriz 𝐵 y sumándolos.
Como consecuencia de esa forma de multiplicar las matrices, se deduce que el número de filas
de la matriz multiplicando 𝐴 tiene que ser igual al número de columnas de la matriz
multiplicador 𝐵, es decir, que si 𝐴 es de orden (𝑚, 𝑛), entonces 𝐵 ha de ser de orden (𝑛, 𝑝) y
entonces el producto es una matriz 𝐶 de orden (𝑚, 𝑝).
𝐴𝑚×𝑛 ∗ 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝
Producto de una matriz fila por una matriz columna: Para multiplicar una matriz fila por una
matriz columna tienen que tener el mismo número de elementos, por lo tanto, si 𝐴 es de
dimensión (1, 𝑛), entonces 𝐵 debes ser de dimensión (𝑛, 1). Ejemplo:
4
𝐴1∗3 × 𝐵3∗1 = (1 2 3) × (5) = 1 × 4 + 2 × 5 + 3 × 6 = 32
6
Ejemplo de producto de matrices:
2 0 1 1 0 1
𝐴 × 𝐵 = (3 0 0 ) × (1 2 1 )
5 1 1 1 1 0
2∗1+0∗1+1∗1 2∗0+0∗2+1∗1 2∗1+0∗1+1∗0 3 1 2
= (3 ∗ 1 + 0 ∗ 1 + 0 ∗ 1 3 ∗ 0 + 0 ∗ 2 + 0 ∗ 1 3 ∗ 1 + 0 ∗ 1 + 0 ∗ 0 ) = (3 0 3)
5∗1+1∗1+1∗1 5∗0+1∗2+1∗1 5∗1+1∗1+1∗0 7 3 6
Propiedades del Producto de Matrices

1. Asociativa:
𝐴 ∗ (𝐵 ∗ 𝐶) = (𝐴 ∗ 𝐵) ∗ 𝐶
2. Elemento neutro:
𝐴∗𝐼 =𝐴
Donde 𝐼 es la matriz identidad del mismo orden que la matriz A.

3. Distributiva del producto respecto de la suma:
𝐴 ∗ (𝐵 + 𝐶) = 𝐴 ∗ 𝐵 + 𝐴 ∗ 𝐶
4. No es Conmutativa:
𝐴∗𝐵 ≠𝐵∗𝐴
Ejemplo para comprobar que el producto de matrices no es conmutativo:

2 1 4 1
Sean 𝐴 = ( )y𝐵=( ). Realizamos los productos 𝐴 × 𝐵 y 𝐵 × 𝐴
−3 2 0 3
2 1 4 1 2∗4+1∗0 2∗1+1∗3 8 5
𝑨×𝑩=( )×( )=( )=( )
−3 2 0 3 −3 ∗ 4 + 2 ∗ 0 −3 ∗ 1 + 2 ∗ 3 −12 3
4 1 2 1 4 ∗ 2 + 1 ∗ (−3) 4 ∗ 1 + 1 ∗ 2 5 6
𝑩×𝑨=( )×( )=( )=( )
0 3 −3 2 0 ∗ 2 + 3 ∗ (−3) 0 ∗ 1 + 3 ∗ 2 −9 6
Otras Propiedades Del Producto De Matrices

También se pueden comprobar las siguientes propiedades que relacionan el producto de
matrices con la trasposición de matrices.
(𝛼 ∗ 𝐴)𝑡 = 𝛼 ∗ 𝐴𝑡
(𝐴 × 𝐵)𝑡 = 𝐵 𝑡 × 𝐴𝑡
Ejemplo:
−1 2 3 2 0 0
Dadas las matrices: 𝐴 = ( 3 1 4) ; 𝐵 = (−1 3 1)
1 −1 0 1 −4 1
−1 3 1 2 −1 1
𝑡 𝑡
Sus traspuestas son: 𝐴 = ( 2 1 −1); 𝐵 = (0 3 −4)
3 4 0 0 1 1
Su producto, 𝐴 ∗ 𝐵, es:
−1 2 3 2 0 0 −2 − 2 + 3 6 − 12 2+3 −1 −6 5
(3 1 4) ∗ (−1 3 1) = ( 6 − 1 + 4 3 − 16 1 + 4) = ( 9 −13 5 )
1 −1 0 1 −4 1 2+1 −3 −1 3 −3 −1
−1 −6 5 𝑡 −1 9 3
Su traspuesta es: ( 9 −13 5 ) = (−6 −13 −3) = (𝐴 ∗ 𝐵)𝑡
3 −3 −1 5 5 −1
El producto de las traspuestas, 𝐵 𝑡 ∗ 𝐴𝑡 , es:
2 −1 1 −1 3 1 −2 − 2 + 3 6 − 1 + 4 2+1 −1 9 3
(0 3 −4) ∗ ( 2 1 −1) = ( 6 − 12 3 − 16 −3 ) = (−6 −13 −3)
0 1 1 3 4 0 2+3 1+4 −1 5 5 −1
Luego (𝐴 ∗ 𝐵)𝑡 = 𝐵 𝑡 ∗ 𝐴𝑡
Nota: El producto de dos matrices no nulas puede ser la matriz nula. Por ejemplo:
5 1 1 −2 0 0
( )∗( )=( )
10 2 −5 10 0 0
Ejemplos de Productos de Matrices

2 0 −1 −1
Producto de 2 matrices cuadradas de dimensión 2: ( )( )
1 3 5 6
Las matrices son cuadradas de dimensión 2, así que podemos multiplicarlas obteniendo una
matriz de la misma dimensión
2 0 −1 −1 2 ∗ (−1) + 0 ∗ 5 2 ∗ (−1) + 0 ∗ 6 −2 −2
( )( )=( )=( )
1 3 5 6 1 ∗ (−1) + 3 ∗ 5 1 ∗ (−1) + 3 ∗ 6 14 17
1 1 0 1 2 5
Producto de 2 matrices cuadradas de dimensión 3: (2 −1 2) (3 −1 3)
0 3 0 5 2 1
El producto es
1 1 0 1 2 5 1+3+0 2−1+0 5+3+0 4 1 8
(2 −1 2) (3 −1 3) = (2 − 3 + 10 4 + 1 + 4 10 − 3 + 2) = (9 9 9)
0 3 0 5 2 1 0+9+0 0−3+0 0+9+0 9 −3 9
3 0 0 1 0 0
Producto de 2 matrices cuadradas de dimensión 3: (0 2 0 ) (0 −1 0 )
0 0 1 0 0 −7
Las matrices son cuadradas con la misma dimensión y diagonales y, por tanto, ya sabemos de
antemano que su producto es una matriz diagonal:
3 0 0 1 0 0 3∗1 0 0 3 0 0
(0 2 0) (0 −1 0 ) = ( 0 −2 ∗ (−1) 0 ) = (0 −2 0 )
0 0 1 0 0 −7 0 0 1 ∗ (−7) 0 0 −7
Nota: el resultado es una matriz diagonal:

Si el elemento de la fila 𝑖 y columna 𝑗 de la matriz 𝐴 es 𝑎𝑖𝑗 y el de 𝐵 es 𝑏𝑖𝑗 , entonces el
elemento de la fila 𝑖 y columna 𝑗 de la matriz 𝐴 ∗ 𝐵 es
𝑛
∑ 𝑎𝑖,𝑘 ∗ 𝑏𝑘,𝑗
𝑘=1
Los elementos con 𝑖 ≠ 𝑗 son 0:
𝑎𝑖𝑗 = 𝑏𝑖𝑗 = 0, ∀𝑖 ≠ 𝑗
Así, si 𝑖 ≠ 𝑗.
𝑛
∑ 𝑎𝑖,𝑘 ∗ 𝑏𝑘,𝑗 = 0
𝑘=1
Por tanto, el producto es una matriz diagonal.
Producto de dos matrices rectangulares de dimensiones 3∗2 y 2 ∗ 3:

1 2
2 0 1
(−1 0 ) ( )
−5 2 3
−3 −1
La matriz producto es una matriz de dimensión 3 × 3:
1 2 2 − 10 0 + 4 1 + 6 −8 4 7
2 0 1
(−1 0 ) ( ) = (−2 + 0 0 + 0 −1 + 0) = (−2 0 −2)
−5 2 3
−3 −1 −6 + 5 0 − 2 −3 − 3 −1 −2 −6
Potencia de Matrices Cuadradas

Para calcular potencias (de exponente natural) de matrices multiplicamos la matriz por si
misma el número de veces que indique el exponente.
𝐴0 = 𝐼
𝐴1 = 𝐴
𝐴2 = 𝐴 ∗ 𝐴
𝐴3 = 𝐴 ∗ 𝐴 ∗ 𝐴 = 𝐴2 ∗ 𝐴 = 𝐴 ∗ 𝐴2
Ejemplo: Potencia de una matriz cuadrada de dimensión 3:
1 0 0 2
(0 1 0)
0 0 1
¿Qué condición debe tener una matriz para poder calcular sus potencias?
Puesto que la potencia cuadrada de un elemento es multiplicarlo por sí mismo, calculamos la
potencia de la matriz multiplicándola por sí misma.
1 0 0 2 1 0 0 1 0 0 2 0 2
(0 1 0) = (0 1 0) (0 1 0) = (0 1 0)
0 0 1 0 0 1 0 0 1 2 0 2
Si una matriz no es cuadrada, no podemos calcular sus potencias.
Matriz Cíclica
Una matriz es cíclica si sus potencias se repiten con regularidad. Para calcular matrices cíclicas
realizamos el siguiente procedimiento:
1°) Se hallan las potencias sucesivas hasta obtener la matriz identidad
2°) El periodo será el exponente que obtiene la matriz identidad
3°) Se hace la división entera entre el exponente de la potencia que se quiere calcular entre el
periodo, y el resto que se obtiene es la potencia equivalente.
4 −3 −3
Ejemplo: Dada la matriz 𝐴 = ( 5 −4 −4) Calculamos 𝐴257
−1 1 0
4 −3 −3 4 −3 −3 4 −3 0
𝐴2 = ( 5 −4 −4) ( 5 −4 −4) = (4 −3 1)
−1 1 0 −1 1 0 1 −1 −1
4 −3 −3 4 −3 −3 1 0 0
𝐴3 = 𝐴2 ∗ 𝐴 = ( 5 −4 −4) ( 5 −4 −4) = (0 1 0)
−1 1 0 −1 1 0 0 0 1
Luego el periodo es 3
257 3 4 −3 0
17 85 ⇒ 𝐴257 = 𝐴2 = (4 −3 1 )
2 1 −1 −1
Matriz Recurrente
Para calcular potencias de matrices por recurrencia, calculamos las potencias sucesivas de la
matriz hasta encontrar una ley que nos permita definir la matriz recurrente
1 0
Dada la matriz 𝐴 = ( ) calcula 𝐴𝑘
−1 1
1 0 1 0 1 0
𝐴2 = ( )( )=( )
−1 1 −1 1 −2 1
1 0 1 0 1 0
𝐴3 = 𝐴2 ∗ 𝐴 = ( )( )=( )
−2 1 −1 1 −3 1
1 0
Por lo tanto 𝐴𝑘 = ( )
−𝑘 1
CLASE III: MATRICES ESCALONADAS Y ESCALONADAS REDUCIDAS POR
FILAS, OPERACIONES ELEMENTALES DE FILAS Y MATRICES INVERSAS
Matrices Escalonadas y Escalonadas Reducidas por filas
Una matriz rectangular está en forma escalonada (o en forma escalonada por filas) si tiene
las tres propiedades siguientes:
1. Todas las filas distintas de cero están arriba de cualquier fila
integrada sólo por ceros.
2 −3 2 1
2. Cada entrada principal de una fila está en una columna situada
(0 1 −4 8 )
a la derecha de la entrada principal de la fila que se encuentra 0 0 0 5/2
arriba de dicha entrada.
3. Todas las entradas que se localicen en una columna situada
debajo de una entrada principal son ceros.
Si una matriz en forma escalonada satisface las siguientes condiciones adicionales, entonces se
encuentra en forma escalonada reducida (o forma escalonada reducida por filas):
4. La entrada principal de cada fila distinta de cero es 1. 1 0 0 29
(0 1 0 16)
5. Cada 1 principal es la única entrada distinta de cero en su 0 0 1 3
columna.
Aplicaciones: Eliminación de Gauss, eliminación de Gauss-Jordan, solución de sistemas de
ecuaciones lineales, cálculo del rango de matrices, construcción de bases del núcleo e imagen
de transformaciones lineales.
Ejemplos de matrices escalonadas: En cada renglón diferente de cero la primera entrada
diferente de cero está marcada con el color verde.
3 −2 7 5 1 0 −3 1 5 −3 4 −2 6
0 0 −4 7 9
( ) (0 0 2 0) (0 1 0 7)
0 0 0 1 6
0 0 0 0 0 0 0 0 0 0 0 0 4
−7 0 0 0 0
0 0 0 (0 5 0
( ) −4) (0 0 0 0 0)
0 0 0
0 0 0 0 0
0 0 0 0 2/3 3 0 4 −7 5 0 0
(0 0 0 0 0 ) (0 2 0 5) (0 −2 0)
0 0 0 0 0 0 0 0 0 0 0 4
Ejemplos de matrices escalonadas reducidas por filas
1 3 0 8 1 0 7 3 1 0 3 0
(0 0 1 7) Si (0 1 1 7) Si (0 1 9 0) Si
0 0 0 0 0 0 0 0 0 0 0 1
1 0 3 4 0 1 3 0 2
1 0 0 5
(0 1 0 7) No (0 0 0 1 0) No (0 0 0 0) No
0 0 1 3 0 0 0 0 1
0 0 0 0 0 0 1 3
0 0 0 0 0
Operaciones Elementales
Se llama operación elemental realizada en una matriz a cualquiera de las transformaciones
siguientes:
a) Cambiar entre sí dos filas (columnas).
Se puede representar por 𝐹𝑖 ↔ 𝐹𝑗 , siendo 𝐹𝑖 y 𝐹𝑗 dos filas de la matriz (𝐶𝑖 ↔ 𝐶𝑗 , siendo 𝐶𝑖

y 𝐶𝑗 dos filas de la matriz).
b) Multiplicar una fila (columna) por un número real distinto de cero.
Se puede representar por 𝐹𝑖 → 𝑡 𝐹𝑖 , (𝐶𝑖 → 𝑡 𝐶𝑖 )
c) Sumar a una fila (columna) otra fila (columna) multiplicada por un número real.
Se puede representar por 𝐹𝑖 → 𝐹𝑖 + 𝑡 𝐹𝑖 , (𝐶𝑖 → 𝐶𝑖 + 𝑡 𝐶𝑖 )
Dos matrices 𝐴 y 𝐵 son equivalentes si una de ellas se puede obtener a partir de la otra
mediante operaciones elementales. Se puede representar por 𝑨 ≈ 𝑩. Ejemplo:
2 1 𝐹1 ↔ 𝐹3 4 −3
(−2 2 ) ≈ (−1 2 )
4 −3 2 1
2 1 𝐶1 → −3𝐶3
2 −3
(−1 2 ) ≈ (−1 −6)
4 −3 4 9
2 1 𝐹1 → 𝐹1 + 2𝐹2 2 −3
(−1 2) ≈ (−1 −6)
4 −3 4 9
Ejemplo: Realizar operaciones elementales de renglones (filas) a la siguiente matriz
aumentada hasta hallar a la matriz identidad.
2 4 6 18 1 2 3 9 1 2 3 9 1 2 3 9
(4 5 6 | 24) ≈ (4 5 6 | 24) ≈ (0 −3 −6 | −12) ≈ (0 1 2 | 4 )
3 1 −2 4 3 1 −2 4 0 −5 −11 −23 0 5 −11 −23
𝑅1 → 1/2 𝑅1 𝑅2 → 𝑅2 − 4 𝑅1 𝑅2 → 1/3 𝑅2 𝑅1 → 𝑅1 − 2 𝑅2
𝑅3 → 𝑅3 − 3 𝑅3 𝑅3 → 𝑅3 + 5 𝑅2
1 0 −1 1 1 0 −1 1 1 0 0 4
≈ (0 1 2 | 4 ) ≈ (0 1 2 | 4) ≈ (0 1 0 | −2)
0 0 −1 −3 0 0 1 3 0 0 1 3
𝑅3 → −𝑅3 𝑅1 → 𝑅1 + 𝑅3
𝑅2 → 𝑅2 − 2 𝑅3
Matriz Inversa
Sean 𝐴 y 𝐵 dos matrices de 𝑛 × 𝑛. Suponga que
𝐴𝐵 = 𝐵𝐴 = 𝐼
Entonces 𝐵 se llama la inversa de 𝐴 y se denota por 𝐴−1. Entonces se tiene
𝐴𝐴−1 = 𝐴−1 𝐴 = 𝐼
Si 𝐴 tiene inversa, entonces se dice que 𝐴 es invertible

2 5 3 −5
Supongamos 𝐴 = ( )y𝐵=( ) Entonces:
1 3 −1 2
2 5 3 −5 6 − 5 −10 + 10 1 0
𝐴𝐵 = ( )( )=( )=( )=𝐼
1 3 −1 2 3−3 −5 + 6 0 1
3 −5 2 5 6 − 5 15 − 15 1 0
𝐵𝐴 = ( )( )=( )=( )=𝐼
−1 2 1 3 −2 + 2 −5 + 6 0 1
Puesto que 𝐴𝐵 = 𝐵𝐴 = 𝐼, 𝐴 y 𝐵 son invertibles, siendo cada una la inversa de la otra.
Esquema resumen de matriz inversa
Definición Propiedades
MATRIZ
INVERSA
Cálculo Aplicaciones
Método de Por
Gauss determinantes y Resolución de
adjuntos ecuaciones
Resolución de
matriciales
sistemas de
ecuaciones
Con Mathcad lineales
Métodos de cálculo
Método de GAUSS –JORDAN
Sea 𝐴 una matriz de orden 𝑛 × 𝑛. Para hallar la inversa de 𝐴, en caso de que exista, se procede
de la siguiente manera:
1. Se adjunta a la matriz 𝐴 la matriz identidad de orden 𝑛 × 𝑛 y así formamos la matriz

ampliada (𝐴 | 𝐼𝑛 ).
2. Se calcula la forma escalonada reducida de la matriz (𝐴 | 𝐼𝑛 ). Si la forma escalonada

reducida es de la forma (𝐼𝑛 | 𝐵), entonces 𝐴 es equivalente por filas a la matriz identidad
𝐼𝑛 . y por tanto 𝐴 seria invertible.
En este caso, la inversa de la matriz 𝐴 es 𝐴−1 = 𝐵. Si la forma escalonada reducida no es

de la forma (𝐼𝑛 | 𝐵). 𝐴 no es equivalente por filas a la matriz 𝐼𝑛 , y por tanto, 𝐴 no es
invertible.
Inversa de una matriz usando el método de Gauss/Jordan
Vamos a calcular la inversa de una matriz de dimensiones 3 × 3 mediante el método Gauss-

Jordan, paso a paso.
Muchas veces, si no tienes claro cuál es el objetivo que quieres conseguir cuando realizas las
operaciones entre filas, calcular la matriz inversa se puede convertir en un laberinto del que no
sabremos salir.
Por eso, te voy a explicar también las operaciones elementales que debes realizar para que la
inversa se calcule casi directamente
Vamos a verlo muy despacio: Calcular la matriz inversa de la siguiente matriz:
1 0 0
𝐴 = (−1 2 3)
0 1 2
En primer lugar, colocamos en una misma matriz, la matriz 𝐴 en la parte izquierda y la matriz
inversa 𝐼 en la parte derecha:
(𝐴 | 𝐼)
Y nos queda:
1 0 0 1 0 0
(−1 2 3|0 1 0)
0 1 2 0 0 1
Ahora vamos a empezar con las operaciones elementales entre las filas. Recuerda que tenemos
que conseguir que en la parte izquierda se nos quede la matriz identidad.
¿Por dónde empezamos?
Lo primero que queremos conseguir es que en el primer elemento de la primera columna haya
un 1:
1 0 0 1 0 0
(−1 2 3|0 1 0)
0 1 2 0 0 1
En este caso ya lo tenemos, por lo que no tenemos que hacer nada. Si no lo tuvieras, entonces
tienes varias formas de conseguirlo: dividiendo la primera fila entre el número que tengamos,
intercambiándola por otra que tenga un uno, sumarle o restarle otra fila multiplicada por otro
número. Te lo explico más despacio en el Curso de Matrices.
Recuerda que los elementos de una matriz también pueden ser fracciones.
Una vez tenemos el 1 en el primer elemento de la primera columna, el siguiente paso es
conseguir, que los elementos que estén por debajo del 1 en esa primera columna sean 0:
1 0 0 1 0 0
(−1 2 3|0 1 0)
0 1 2 0 0 1
El tercer elemento ya es un 0, pero el segundo no. Para conseguirlo voy a sumarle la fila 1 a la
fila 2 y el resultado lo voy a dejar en la fila 2:
𝐹2 + 𝐹1 → 𝐹2
Las filas 1 y 3 se quedan igual. La matriz que nos queda es:

1 0 0 1 0 0
(0 2 3 | 1 1 0)
0 1 2 0 0 1
Ya tenemos la primera columna lista.
Seguimos con la segunda columna. Ahora, tenemos que conseguir que el segundo elemento de
la segunda columna sea un 1:
1 0 0 1 0 0
(0 2 3 | 1 1 0)
0 1 2 0 0 1
Podría dividir la segunda fila entre 2 y lo tendría, pero en la fila 3, tengo un 1, así que es más
fácil intercambiar la fila 2 por la fila 3:
𝐹2 ⇔ 𝐹3
Y nos queda:
1 0 0 1 0 0
(0 1 2 | 0 0 1)
0 2 3 1 1 0
Lo siguiente que tentemos que conseguir es que tanto el primer elemento como el tercer
elemento de la segunda columna sean 0:
1 0 0 1 0 0
(0 1 2 | 0 0 1)
0 2 3 1 1 0
El primer elemento ya es un 0, por lo que no tenemos que hacer nada. Para conseguir que el 2
sea un 0, a la fila 3 le voy a restar 2 veces la fila 2:
𝐹3 − 2𝐹2 → 𝐹3
Me aprovecho de que en la fila 2 tengo un 1. Al tener un 1, sólo tengo que multiplicar esa fila
por el número que me convenga, en este caso un 2. y restársela a la fila en la que quiero tener
el resultado (es otro de los objetivos de tener conseguir el 1 en el paso anterior).
Nos queda:
1 0 0 1 0 0
(0 1 2 |0 0 1)
0 0 −1 1 1 −2
Ya tenemos 2 columnas como las de la matriz identidad. Vamos a por la tercera columna:
Tenemos que conseguir que el tercer elemento de la tercera columna sea un 1:
1 0 0 1 0 0
(0 1 2 |0 0 1)
0 0 −1 1 1 −2
Tenemos un -1, por lo que para conseguir un 1. voy a multiplica la fila 3 por -1:
(−1)𝐹3 → 𝐹3
Y nos queda:
1 0 0 1 0 0
(0 1 2| 0 0 1)
0 0 1 −1 −1 2
El siguiente paso es conseguir que los elementos que quedan por encima del 1 sean 0:
1 0 0 1 0 0
(0 1 2| 0 0 1)
0 0 1 −1 −1 2
El primer elemento ya es un 0 y para conseguir que el segundo elemento sea un 0, a la fila 2 le
voy a restar 2 veces la fila 3 y el resultado lo voy a dejar en La fila 2:
𝐹2 − 2𝐹3 → 𝐹2
Otra vez me he aprovechado del 1.

Nos queda:
1 0 0 1 0 0
(0 1 0 | 2 2 −3)
0 0 1 −1 −1 2
Llegados a este punto, tenemos la matriz identidad en la parte izquierda, lo cual quiere decir
que en la parte derecha tenemos la matriz inversa:
(𝐼 | 𝐴−1 )
1 0 0 1 0 0
(0 1 0 | 2 2 −3)
0 0 1 −1 −1 2
Por tanto, la matriz inversa de A es:
1 0 0
𝐴−1 = ( 2 2 −3)
−1 −1 2
1 −1 −2
Ejemplo 1. Determine si la matriz 𝐴 = ( 2 −3 −5) es invertible. En caso afirmativo,
−1 3 5
encuentra su inversa.
Solución. Adjuntamos la matriz identidad de orden 3 × 3 a la matriz 𝐴 y aplicamos

operaciones elementales por filas a la matriz ampliada. Entonces.
1 −1 −2 1 0 0 1 −1 −2 1 0 0 1 −1 −2 1 0 0
(𝐴 | 𝐼3 ) = ( 2 −3 −5 | 0 1 0) ≈ ( 0 −1 −1 |−2 1 0) ≈ (0 1 1 |2 −1 0)
−1 3 5 0 0 1 0 2 3 1 0 1 0 2 3 1 0 1
𝐹2 → −2𝐹1 + 𝐹2 𝐹2 → −𝐹2 𝐹1 → 𝐹1 + 𝐹2
𝐹3 → 𝐹1 + 𝐹3 𝐹3 → 𝐹3 − 2𝐹2
1 0 −1 3 −1 0 1 0 0 0 1 1
≈ (0 1 1 | 2 −1 0) ≈ (0 1 0 | 5 −3 −1)
0 0 1 −3 2 1 0 0 1 −3 2 1
𝐹1 → 𝐹1 + 𝐹3
𝐹2 → 𝐹2 − 𝐹3
Observemos que la forma escalonada reducida de (𝐴 | 𝐼3 ) es de la forma (𝐼3 | 𝐵). Entonces 𝐴

es equivalente por filas a la matriz 𝐼3 , y por tanto, el Teorema 14 garantiza que 𝐴 es invertible.
0 1 1
−1
Además, la inversa es: 𝐴 = ( 5 −3 −1)
−3 2 1
1 1 5
Ejemplo 2. Determine si la matriz 𝑀 = (1 2 7) es invertible. En caso afirmativo,
2 −1 4
Solución. Adjuntamos la matriz identidad de orden 3 a la matriz 𝑀 y aplicamos operaciones

elementales por filas a la matriz ampliada. Esto es:
1 1 5 1 0 0 1 1 5 1 0 0 1 0 3 2 −1 0
(𝑀 | 𝐼3 ) = (1 2 7 | 0 1 0) ≈ (0 1 2 |−1 1 0) ≈ (0 1 2 | −1 1 0)
2 −1 4 0 0 1 0 −3 −6 −2 0 1 0 0 0 −5 3 1
𝐹2 → 𝐹2 − 𝐹1 𝐹1 → 𝐹1 − 𝐹2
𝐹3 → 𝐹3 − 2𝐹1 𝐹3 → 𝐹3 + 3𝐹2
Observemos que en esta última matriz no hace falta continuar el proceso ya que se anula una
fila del primer bloque de la última matriz. En consecuencia, la forma escalonada reducida de
(𝑀 | 𝐼3 ) no es de la forma (𝐼3 | 𝐵), donde 𝐵 es una matriz cuadrada de orden 3. Luego 𝑀 no es
equivalente por filas a la matriz 𝐼3 , y en consecuencia, el Teorema 13 garantiza que 𝑀 no es
invertible.
1 1 1
Ejemplo 3. Determine si la matriz 𝐻 = (0 2 3) es invertible. En caso afirmativo,
5 5 1
Solución.
1 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0 0
(𝐻 | 𝐼3 ) = (1 2 3 | 0 1 0) ≈ (0 2 3 | 0 1 0) ≈ (0 1 3 1
| 0 0)
2 2
5 5 1 0 0 1 0 0 −4 −5 0 1 0 0 −4 −5 0 1
𝐹3 → −5𝐹1 + 𝐹3 𝐹2 → 1/2𝐹2 𝐹3 → 1/4𝐹3
1 1
1 0 0 1 0 0 − 0
1 1 1 1 1 1 1 15 1 3 1 1 1| 4 4
2 |0 0 15 1 3
≈ 0 1 2 ≈ 0 1 0 ||− 8 2 8 ≈ 0 1 0 −
3 5 1 | 8 2 8
0 0 1 0 − 4) 0 0 1 5 1
0 − 4) 0 0 1 5 1
( 4 ( 4 0 − )
( 4 4
𝐹2 → 𝐹2 − 3/2𝐹3 𝐹3 → 𝐹1 − 𝐹3 𝐹1 → 𝐹1 + 𝐹2
13 1 1
8 −2 −8
1 0 1|
≈ 0 1 0 − 15 1 3
| 8 2 8
0 0 1 5 1
( 4 0 − 4)
Observemos que la forma escalonada reducida equivalente a (𝐻 | 𝐼3 ) es de la forma (𝐼3 | 𝐵)

Entonces el Teorema 13 garantiza que 𝐻 es equivalente por filas a la matriz 𝐼3 y por el Teorema
14 H es invertible. Además
13 1 1
− −
8 2 8
15 1 3
𝐻 −1 = −
8 2 8
5 1
( 4 0 − )
4
CLASE IV: DETERMINANTES: DEFINICIÓN, PROPIEDADES, CÁLCULO
Determinantes
El determinante de una matriz cuadrada 𝐴, el cual se denota por 𝑑𝑒𝑡(𝐴) o |𝐴|, es un valor
escalar que constituye una aplicación del concepto de funciones. Esto es:
𝑑𝑒𝑡: 𝑀𝑛𝑥𝑛 ℝ
𝐴 → 𝑑𝑒𝑡(𝐴)
𝑎11 𝑎12
Sea 𝐴 = (𝑎 𝑎22 ) una matriz de 2 × 2.
21
𝑑𝑒𝑡 𝐴 = 𝑎11 𝑎22 − 𝑎12 𝑎21

𝑎11 𝑎12
Con frecuencia se denotará 𝑑𝑒𝑡 𝐴 por |𝐴| o |𝑎 𝑎22 |.
21
El determinante puede ser obtenido de la siguiente manera:
𝑑𝑒𝑡(𝑎11 ) = 𝑎11
𝑎11 𝑎12
𝑑𝑒𝑡 (𝑎 𝑎22 ) = 𝑎11 𝑎22 − 𝑎21 𝑎12
21
𝑎11 𝑎12 𝑎13

𝑎 𝑎23 𝑎21 𝑎23 𝑎21 𝑎22
𝑎
𝑑𝑒𝑡 ( 21 𝑎22 𝑎23 ) = 𝑎11 | 22
𝑎32 𝑎33 | − 𝑎12 |𝑎31 𝑎33 | + 𝑎13 |𝑎31 𝑎32 |
𝑎31 𝑎32 𝑎33
= 𝑎11 𝐴11 − 𝑎12 𝐴12 + 𝑎13 𝐴13

Existen varias maneras de definir un determinante y ésta es una de ellas. Es importante darse
cuenta de que "𝑑𝑒𝑡" es una función que asigna un número a una matriz cuadrada.
Método De Cofactores
En esta última expresión, a los determinantes 𝐴11 , 𝐴12 y 𝐴13 se los denomina cofactores, los
cuales se obtienen eliminando los elementos de la fila y la columna que los superíndices
señalan. El signo que se asocia a cada cofactor se obtiene elevando el valor -1 a una potencia
cuyo valor es la suma de los respectivos superíndices.
En general, el determinante de una matriz de orden 𝑛 × 𝑛 es la suma de los productos entre los
elementos de una de sus filas (o una de sus columnas) por sus correspondientes cofactores.
La fila o la columna se elige arbitrariamente, y dado el procedimiento anterior, se prefiere
aquella fila o columna donde exista la mayor cantidad de ceros posibles, ya que esto ahorra el
cálculo del cofactor para ese elemento.
Así, si desea obtener el valor del determinante de una matriz 4 × 4, debe expresarse en función
de determinantes de submatrices 3 × 3 utilizando los respectivos cofactores, y así
sucesivamente por cada nuevo incremento en el orden de la matriz.
Ejemplo 1 - Cálculo de un determinante de 𝟑 × 𝟑.
4 7 −2
Sea 𝐴 = ( 3 −5 1 ) . Calcule |𝐴|.
−8 6 9
4 7 −2
−5 1 3 1 3 −5
Solución. |𝐴| = | 3 −5 1 | = 4 | | − 7| | + (−2) | |
6 9 −8 9 −8 6
−8 6 9
= 4((−5)(9) − (6)(1)) − 7((3)(9) − (−8)(1)) + (−2)((3)(6) − (−8)(−5))
= 4(−51) − 7(35) − 2(−22) = −405
Ejemplo 2 - Cálculo de un determinante de 𝟑 × 𝟑.

2 −3 5
Calcule |1 0 4|.
3 −3 9
2 −3 5
0 4 1 4 1 0
Solución. |1 0 4| = 2 | | − (−3) | | + 5| |
−3 9 3 9 3 −3
3 −3 9
= 4(12) + 3(−3) + 5(−3) = 0
Método de Sarrus
Hay otro método con el que se pueden calcular determinantes de 3 × 3.
𝑎11 𝑎12 𝑎13
𝑎
| 21 𝑎22 𝑎23 | = 𝑎11 (𝑎22 𝑎33 − 𝑎23 𝑎32 ) − 𝑎12 (𝑎21 𝑎33 − 𝑎23 𝑎31 ) + 𝑎13 (𝑎21 𝑎32 − 𝑎22 𝑎31 )
𝑎31 𝑎32 𝑎33
es decir
|𝐴| = 𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 − 𝑎13 𝑎22 𝑎31 − 𝑎12 𝑎21 𝑎33 − 𝑎11 𝑎32 𝑎33 (3.1.4)
Se escribe 𝐴 y se le adjuntan sus primeras dos columnas:
− − −
𝑎11 𝑎12 𝑎13 𝑎11 𝑎12
|𝑎21 𝑎22 𝑎23 | 𝑎21 𝑎22
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32
+ + +
A continuación, se calculan los seis productos, poniendo signo menos antes de los productos
con flechas hacia arriba, y se suman todos. Esto da la suma de la ecuación. (3.1.4)
Ejemplo 3 - Cálculo de un determinante de 𝟑 × 𝟑 usando el nuevo método.
3 5 2
Calcule | 4 2 3| usando el nuevo método.
−1 2 4
3 5 2 3 5
 Solución. Si se escribe | 4 2 3| 4 2 y se multiplica como lo indican las flechas se
−1 2 4 −1 2
obtiene:
|𝐴| = (3)(2)(4) + (5)(3)(−1) + (2)(4)(2) − (−1)(2)(2) − (2)(3)(3) − (4)(4)(5)
= 24 − 15 + 16 + 4 − 18 − 80 = −69
Nota: Este método no funciona para determinantes de 𝑛 × 𝑛 si 𝑛 > 3. Si intenta algo

similar para determinantes de 4 × 4 o de orden mayor, obtendrá una respuesta equivocada.
Cálculo de Determinantes 𝒏 × 𝒏 con 𝒏 > 𝟑

Antes de definir los determinantes de 𝑛 × 𝑛 debe observarse que la ecuación está formada por
𝑎22 𝑎23
tres determinantes de 2 × 2 si definimos las siguientes matrices: 𝑀11 = (𝑎 ), (es la
32 𝑎33
matriz formada al eliminar el primer renglón y la primera columna de la matriz 𝐴); 𝑀12 =
𝑎21 𝑎23
(𝑎 ) (es la matriz formada al eliminar el primer renglón y la segunda columna de la
31 𝑎33
𝑎21 𝑎22
matriz 𝐴) y 𝑀13 = (𝑎 ) (es la matriz formada al eliminar el primer renglón y la tercera
31 𝑎32
columna de la matriz 𝐴). Si ahora definimos a 𝐴11 = det 𝑀11 , 𝐴12 = −det 𝑀12 y 𝐴13 =
det 𝑀13 podemos escribir la ecuación como
det 𝐴 = |𝐴| = 𝑎11 𝐴11 + 𝑎12 𝐴12 + 𝑎13 𝐴13 (3.1.5)

Utilizando las observaciones del párrafo anterior podemos definir ahora el caso general de estas
matrices, resultado de eliminar algún renglón o columna de una matriz.
Menor
Sea 𝐴 una matriz de 𝑛 × 𝑛 y sea 𝑀𝑖𝑗 , la matriz de (𝑛 − 1) × (𝑛 − 1) que se obtiene de 𝐴

eliminando el renglón 𝑖 y la columna 𝑗. 𝑀𝑖𝑗 , se llama el menor 𝒊𝒋 de 𝐴.
Ejemplo 5 - Cálculo de dos menores de una matriz de 𝟑 × 𝟑

2 −1 4
Sea 𝐴 = (0 1 5 ). Encuentre 𝑀13 y 𝑀32 .
6 3 −4
0 1
Solución. Eliminando el primer renglón y la tercera columna de 𝐴 se obtiene 𝑀13 = ( ).
6 3
De manera similar, si se elimina el tercer renglón y la segunda columna se obtiene
2 4
𝑀32 = ( ).
0 5
Ejemplo 6 - Cálculo de dos menores de una matriz de 𝟒 × 𝟒

1 −3 5 6
Sea 𝐴 = (2 4 0 3 ). Encuentre 𝑀 y 𝑀 .
13 32
1 5 9 −2
4 0 2 7
Solución. Al quitar el tercer renglón y la segunda columna de 𝐴 se encuentra que
1 5 6 1 −3 5
𝑀32 = (2 0 3). De igual manera, 𝑀24 = (1 5 9).
4 2 7 4 0 2
Cofactor
Sea 𝐴 una matriz de 𝑛 × 𝑛. El cofactor 𝒊𝒋 de 𝐴, denotado por 𝐴, está dado por
𝐴𝑖𝑗 = (−1)𝑖+𝑗 |𝑀𝑖𝑗 |
Esto es, el cofactor 𝒊𝒋 de 𝐴 se obtiene tomando el determinante del menor 𝑖𝑗 y multiplicándolo

por (−1)𝑖+𝑗 . Observe que
1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑝𝑎𝑟
(−1)𝑖+𝑗 = {
−1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
Ejemplo 7 - Cálculo de dos cofactores de una matriz de 4×4

En el ejemplo 6 se tiene
1 5 6
𝐴32 = (−1)3+2 |𝑀32 | = − |2 0 3| = −8
4 2 7
1 −3 5
𝐴24 = (−1)2+4 |1 5 9| = −192
4 0 2
Determinante 𝑛 × 𝑛
Sea 𝐴 una matriz de 𝑛 × 𝑛. Entonces el determinante de A, denotado por 𝑑𝑒𝑡 𝐴 o |𝐴|, esta dado
por
𝑛
det 𝐴 = |𝐴| = 𝑎11 𝐴11 + 𝑎12 𝐴12 + 𝑎13 𝐴13 + ⋯ + 𝑎1𝑛 𝐴1𝑛 = ∑ 𝑎1𝑘 𝐴1𝑘 (3.1.8)
𝑘=1
La expresión en el lado derecho de (3.1.8) se llama expansión por cofactores.

Ejemplo 8 - Cálculo del determinante de una matriz de 4×4
1 3 5 2
Calcule 𝑑𝑒𝑡 𝐴, de donde 𝐴 = (0 −1 3 4)
2 1 9 6
3 2 4 8
1 3 5 2
Solución. |0 −1 3 4| = 𝑎 𝐴 + 𝑎 𝐴 + 𝑎 𝐴 + 𝑎 𝐴
11 11 12 12 13 13 14 14
2 1 9 6
3 2 4 8
−1 3 4 0 3 4 0 −1 4 0 −1 3
= 1 | 1 9 6| − 3 |2 9 6| + 5 |2 2 6| − 2 |2 1 9|
2 4 8 3 4 8 3 42 8 3 2 4
= 1(−92) − 3(−70) + 5(2) − 2(−16) = 160
Observación: Es obvio que el cálculo del determinante de una matriz de 𝑛 × 𝑛 puede ser
laborioso. Para calcular un determinante de 4 × 4 deben calcularse cuatro determinantes de
3 × 3 Para calcular un determinante de 5 × 5 deben calcularse cinco determinantes de 4 × 4
lo que equivale a calcular veinte determinantes de 3 × 3 Por fortuna existen técnicas que
simplifican estos cálcu- los. Algunos de estos métodos se presentan en la siguiente sección.
Sin embargo, existen algunas matrices para las cuales es muy sencillo calcular los
determinantes.
Teoremas
Teorema 3.1.1
Sea 𝐴 = (𝑎𝑖𝑗 ) una matriz de 𝑛 × 𝑛 triangular superior o inferior. Entonces
det 𝐴 = 𝑎11 𝑎22 𝑎33 … 𝑎𝑛𝑛 (3.1.9)
Esto es: el determinante de una matriz triangular es igual al producto de sus componentes en la
diagonal.
Teorema 3.2.1
Sean 𝐴 y 𝐵 dos matrices de 𝑛 × 𝑛. Entonces
det 𝐴𝐵 = det 𝐴 det 𝐵 (3.2.1)
Es decir, el determinante del producto es el producto de los determinantes.
Resumen De Definiciones
• El menor ij de la matriz 𝐴 de 𝑛 × 𝑛, denotado por 𝑀𝑔 es la matriz de (𝑛 − 1) × (𝑛 − 1)
obtenida al eliminar el renglón 𝑖 y la columna 𝑗 de 𝐴.
• El cofactor 𝒊𝒋 de 𝐴, denotado por 𝐴𝑖𝑗 , está dado por 𝐴𝑖𝑗 = (−𝑖)𝑖+𝑗 det 𝑀𝑖𝑗
• Determinante de 𝒏 × 𝒏.
Sea A una matriz de 𝑛 × 𝑛. Entonces

𝑛
det 𝐴 = 𝑎11 𝐴11 = 𝑎12 𝐴12 + ⋯ + 𝑎1𝑛 𝐴1𝑛 = ∑ 𝑎1𝑘 𝐴1𝑘

𝑘=1
La suma anterior se denomina la expansión de 𝐝𝐞𝐭 𝑨 por cofactores en el primer

renglón.
• Si 𝐴 es una matriz de 𝑛 × 𝑛 triangular superior, triangular inferior o diagonal, cuyas

componentes en la diagonal son 𝑎11 , 𝑎22 , … , 𝑎𝑚𝑛 entonces
det 𝐴 = 𝑎11 𝑎22 … 𝑎𝑚𝑛
Propiedades Básicas De Los Determinantes

• Si en un determinante, existe una línea cuyos elementos sean nulos, entonces el determinate
es nulo. Ejemplo:
Calculamos es siguiente determinante:
−2 0 −1
| 3 0 −3| = (−2) ∗ 0 ∗ 2 + 3 ∗ 0 ∗ (−1) + 0 ∗ (−3) ∗ (−1) = 0
−2 0 2
• El valor del determinante de una matriz coincide con el de la matriz traspuesta. |𝐴| = |𝐴𝑡 |
−1 3 2 −1 2 3
Comprobamos que | 2 −1 −3| = | 3 −1 2|
3 2 1 2 −3 1
−1 3 2
| 2 −1 −3| = 1 + 8 + (−27) + 6 − 6 − 6 = −24
3 2 1
−1 2 3
| 3 −1 2| = 1 + 8 + (−27) + 6 − 6 − 6 = −24
2 −3 1
• Si en un determinante se cambian entre si dos filas o dos columnas, entonces el valor del
determinante cambia de signo, es decir que mantiene el mismo valor absoluto pero esos
dos números son opuestos. Ejemplo:
Comprobamos la propiedad con los determinantes siguientes en los que hemos cambiado
la 1𝑎 fila por la 3𝑎 fila
3 −2 1
|𝐴| = |−2 3 3| = 18 + 0 − 6 − 3 − 0 − 8 = 1
1 0 2
1 0 2
|𝐴| = |−2 3 3| = 3 + 8 + 0 − 18 + 6 + 0 = −1
3 −2 1
• Si en un determinante existen dos líneas paralelas iguales, entonces el determinante es nulo.

Ejemplo:
2 2 −1
Calculamos el determinante de 𝐴 = (1 1 3)
0 0 5
2 2 −1
|𝐴| = |1 1 3 | = 10 + 0 + 0 − 0 − 0 − 10 = 0
0 0 5
• Si en un determinante existen dos líneas proporcionales, entonces su valor es nulo.

Ejemplo:
2 −3 1 2 −3 1 2 −3 1
|𝐴| = |6 −9 3| = |3 ∗ 2 3 ∗ (−3) 3 ∗ 1| = 3 |2 −3 1| = 0
1 5 2 1 5 2 1 5 2
• Si en un determinante se multiplican los elementos de una línea por un número, entonces

el valor del determinante queda multiplicando por ese número. Ejemplo:
−1 2
Si | | = −1 − 6 = −7.
3 1
−2 2
Entonces | | = −2 − 12 = −14
6 1
−2 2 2 ∗ (−1) 2 −1 2
| |=| | = 2| | = 2 ∗ (−7) = −14
6 1 2∗3 1 3 1
• Si en un determinante, los elementos de una línea están formados por dos o más sumandos,
entonces el determinante se pude descomponer en la suma de tantos determinantes como
sumandos haya.
Se trata de lo siguiente:
3 −2 2 3 −2 2 3 −2 2
|𝐴| = |𝑎 + 𝑏 𝑐+𝑑 𝑒+𝑓 | = |𝑎 𝑐 𝑒 | + |𝑏 𝑑 𝑓|
4 1 −3 4 1 −3 4 1 −3
• Multiplicar una fila o una columna por un numero 𝑘 implica multiplicar el det(𝐴) por el
inverso multiplicativo de 𝑘.
𝑓𝑖 → 𝑘𝑓𝑖 1
det(𝐴) = det(𝐴𝑓𝑖→𝑘𝑓𝑗 ), 𝑘 ≠ 0
𝑘
𝑐𝑖 → 𝑘𝑐𝑖
• Reemplazar la fila (columna) 𝑗 por 𝑘 veces la fila (columna) 𝑖 mas la fila (columna) 𝑗, no
implica cambio en el 𝑑𝑒𝑡(𝐴).
𝑓𝑖 → 𝑘𝑓𝑖
det(𝐴) = det(𝐴𝑓𝑗→𝑘𝑓𝑖+𝑓𝑗 ), 𝑘 ≠ 0
𝑐𝑖 → 𝑘𝑐𝑖
• Por eliminación de Gauss. El determinante de una matriz 𝐴 se puede calcular obteniendo

una matriz triangular inferior o superior de la matriz inicial.
Una matriz triangular inferior o superior se obtiene por el método de eliminación de Gauss
logrando tener ceros arriba o debajo de la diagonal principal.
El determinante de la matriz corresponde al producto de los elementos de la diagonal
principal de la matiz triangular obtenida.
CLASE V: DETERMINANTE DE LA INVERSA DE UNA MATRIZ, MATRIZ
INVERSA POR EL MÉTODO DE LA ADJUNTA
Determinante de la Inversa de una Matriz
Teorema 3.3.1
Si 𝐴 es invertible, entonces det 𝐴 ≠ 0 y

1 (3.3.1)
det 𝐴−1 =
det 𝐴
Demostración. Suponga que 𝐴 es invertible.
1 = det 𝐼 = det 𝐴 𝐴−1 = det 𝐴 det 𝐴−1 (3.3.2)

1
Lo que implica que det 𝐴−1 = det 𝐴
Matriz Cofactor
Sea 𝑨 = (𝒂𝒊𝒋 )𝒏×𝒏 una matriz cuadrada, la matriz cofactor de la matriz 𝐴 es la que está formada
por todos los cofactores correspondientes a cada entrada de la matriz 𝐴.
La matriz cofactor de 𝐴 se denota por 𝑪𝒐𝒇 (𝑨), siendo los cofactores de la matriz 𝐴 todos los
𝑨𝒊𝒋 .
𝐴11 𝐴12 ⋯ 𝐴1𝑛

𝐴21 𝐴22 ⋯ 𝐴2𝑛
𝐶𝑜𝑓(𝐴) = ( … … )
⋱ …
𝐴𝑚1 𝐴𝑚2 ⋯ 𝐴𝑚𝑛
Matriz Adjunta
La adjunta
Sea 𝐴 una matriz de 𝑛 × 𝑛 y 𝑪𝒐𝒇(𝑨), la matriz de sus cofactores. Entonces, la adjunta de A,

escrito 𝑎𝑑𝑗 𝐴, es la transpuesta de la matriz 𝑪𝒐𝒇(𝑨)𝑛×𝑛 ; es decir,
𝐴11 𝐴12 ⋯ 𝐴1𝑛
𝐴 𝐴22 ⋯ 𝐴2𝑛
𝑨𝒅𝒋(𝑨) = [𝑪𝒐𝒇(𝑨)]𝑻 = ( …21 … )
⋱ …
𝐴𝑚1 𝐴𝑚2 ⋯ 𝐴𝑚𝑛
Ejemplo 1 - Cálculo de la adjunta de una matriz de 𝟑 × 𝟑
2 4 3
Sea 𝐴 = (0 1 −1). Calcule 𝑎𝑑𝑗 𝐴.
3 5 7
1 −1 0 −1
Solución. Se tiene 𝐴11 = | | = 12, 𝐴12 = | | = −3, 𝐴13 = −3, 𝐴21 = −13.
5 7 3 7
12 −3 −3
𝐴22 = 5, 𝐴23 = 2, 𝐴31 = −7, 𝐴32 = 2 y 𝐴33 = 2. Así, 𝐵 = (−13 5 2 ) y 𝑎𝑑𝑗 𝐴 =
−7 2 2
12 −13 −7
𝐵 𝑇 = (−3 5 2 ).
−3 2 2
Teoremas
Teorema 3.3.2
Sea 𝐴 una matriz de 𝑛 × 𝑛. Entonces
det 𝐴 0 0 ⋯ 0
0 det 𝐴 0 ⋯ 0
(𝐴)(𝑎𝑑𝑗 𝐴) = 0 0 det 𝐴 ⋯ 0 = (det 𝐴)𝐼
⋮ ⋮ ⋮ ⋮
( 0 0 0 ⋯ det 𝐴)
Teorema 3.3.3
Sea 𝐴 una matriz de 𝑛 × 𝑛. Entonces 𝐴 es invertible si y solo si det 𝐴 ≠ 0. Si det 𝐴 ≠ 0,

entonces
1
𝐴−1 = 𝑎𝑑𝑗 𝐴 (3.3.8)
det 𝐴
Ejemplo 2 – Uso del determinante y la adjunta para calcular la inversa

2 4 3
(
Sea 𝐴 = 0 1 −1). Determine si 𝐴 es invertible y, de ser así, calcule 𝐴−1.
3 5 7
 Solución. Como 𝑑𝑒𝑡 𝐴 = 3 ≠ 0 se ve que 𝐴 es invertible. Del ejemplo 1.
1 12 −13 −7
−1 𝑎𝑑𝑗 𝐴 = (−3 5 2 ).
𝐴 = 𝑎𝑑𝑗 𝐴
det 𝐴 −3 2 2
12 −13 −7 2 −13/3 −7/3
1
Así 𝐴−1 = 3 (−3 5 2 ) = (−1 5/3 2/3 )
−3 2 2 −1 2/3 5/3
Verificación
1 12 −13 −7 2 4 3 1 3 0 0
𝐴−1 = (−3 5 2 ) (0 1 −1) = (0 3 0) = 𝐼
3 3
−3 2 2 3 5 7 0 0 3
Teorema 3.3.4
Sea 𝐴 una matriz de 𝑛 × 𝑛. Las siguientes siete afirmaciones son equivalentes. Es decir, cada
una implica a las otras seis (de manera que, si una es cierta, todas lo son).
i) 𝐴 es invertible.
ii) La única solución al sistema homogéneo 𝑨𝒙 = 𝟎 es la solución trivial (𝒙 = 𝟎).
iii) El sistema 𝑨𝒙 = 𝒃 tiene una solución única para cada vector de dimensión 𝑛 𝒃.
iv) 𝐴 es equivalente por renglones a la matriz identidad de 𝑛 × 𝑛, 𝐼𝑛 .
v) 𝐴 es el producto de matrices elementales.
vi) La forma escalonada por renglones de 𝐴 tiene 𝑛 pivotes.
vii) 𝑑𝑒𝑡 𝐴 ≠ 0.
CLASE VI: SISTEMAS DE ECUACIONES LINEALES, MÉTODO DE GAUSS –
JORDAN, MÉTODO DE LA MATRIZ INVERSA, MÉTODO DE CRAMER
Ecuaciones Lineales
Definición 1.
Una ecuación de primer grado o ecuación lineal es una igualdad que involucra una o más
variables de potencia uno y no contiene productos entre las variables, es decir, es una expresión
de la forma
𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏. (1.1)
• 𝐴 𝑎1 , 𝑎2 , 𝑎𝑛 ∈ 𝕂 se les conoce como coeficiente de la ecuación,
• Al escalar 𝑏 ∈ 𝕂 se le llama término independiente o constante de la ecuación.
• A 𝑥1 , 𝑥2 , 𝑥𝑛 se les llama incógnitas o variables.
En caso de que en la ecuación (1.1) 𝑏 = 0, la ecuación se llama homogénea y, en caso
contrario, se llama no homogénea.
Ejemplo 1. Como ejemplos de ecuaciones homogéneas, se tienen:

1
1. 5𝑥1 + 2 𝑥2 − 𝑥3 = 0, 2. −𝑥 + 4𝑦 − 5𝑥 + 2𝑣 = 0.
Ejemplo 2. Como ejemplos de ecuaciones no homogéneas, se tienen:

1
1. 2𝑥1 + 6𝑥2 − 𝑥3 + 𝑥4 = 0 2. 4𝑥 − 2𝑦 + 𝑧 − 5 𝑣 = 2
Definición 2.
Una solución de la ecuación (𝟏. 𝟏) es una secuencia ordenada finita 𝑠1 , 𝑠2 , … , 𝑠𝑛 de escalares

que al ser reemplazados, simultáneamente, en cada variable respectivamente, satisfacen tal
ecuación. El conjunto de todas las soluciones de una ecuación del tipo (𝟏. 𝟏) se denomina
conjunto solución.
Ejemplo 3. Determinar tres soluciones de la ecuación 𝑥1 + 3𝑥3 + 2𝑥4 − 𝑥5 = 0.
Solución.
• 𝑥1 = 𝑥2 = 𝑥3 = 𝑥4 = 𝑥5 = 0 es solución de dicha ecuación, ya que al sustituir estos

valores en la ecuación la verifican, esto es 0 + 3 ∗ 0 + 2 ∗ 0 − 0 = 0.
1 1 1
• La secuencia 𝑥1 = 𝑥5 = 0, 𝑥3 = 3, 𝑥4 = − 2 también es solución dado que 0 + 3 ∗ 3 +
1
2 ∗ (− 2) − 0 = 0.
Sistemas de ecuaciones
Como ya se ha dicho antes, muchos problemas de la vida real requieren ecuaciones lineales
para ser resueltos, pero puede ocurrir requerir que más de una ecuación se satisfagan
simultáneamente, en este caso se considera un sistema de ecuaciones.
Definición 3.
Un sistema lineal de 𝑚 ecuaciones con 𝑛 variables o incógnitas 𝑥1 , 𝑥2 , … , 𝑥𝑛 es un conjunto

de 𝑚 ecuaciones lineales de la forma
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎 𝑥 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
{ 21 1 (1.2)
⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
• 𝑎𝑖𝑗 ∈ ℝ (𝑖 = 1, . . . , 𝑚, 𝑗 = 1, . . . , 𝑛) son llamados coeficientes del sistema (1.2)
• Los 𝑏1 , 𝑏2 , … 𝑏𝑚 son los términos constantes o independientes.

En el caso en que 𝑏1 = 𝑏2 = ⋯ = 𝑏𝑚 = 0, es decir todos los términos independientes son
nulos, el sistema (1.2) es denominado homogéneo y si al menos uno de los términos constantes
es distinto de cero, el sistema se llama no homogéneo.
2𝑥1 + 3𝑥2 + 8𝑥3 = 0

Ejemplo 4. El sistema { −𝑥1 + 5𝑥3 − 𝑥4 = 0 , es un sistema homogéneo que tiene 3
−2𝑥1 + 𝑥2 − 𝑥3 + 5𝑥4 = 0
ecuaciones y 4 variables: 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 .
2𝑥1 + 3𝑖𝑥3 + 8𝑥4 = 0

Ejemplo 5. El sistema {−𝑥1 + 5𝑥3 − (𝑖 + 1)𝑥4 = 0 , tiene 3 ecuaciones y 4 variables:
−2𝑥1 + 𝑥2 − 𝑥3 + 5𝑥4 = 1
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 y es un sistema no homogéneo.
Representación matricial
Considere la matriz cuyos elementos o entradas son los coeficientes del sistema de ecuaciones
(1.2)
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴=( ⋮ ⋮ ⋱ ⋮ )
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑚×𝑛
Esta matriz A recibe el nombre de matriz de coeficientes del sistema o simplemente matriz
del sistema.
Además, se consideran las matrices columnas, una cuyas componentes sean los términos
𝑏1
𝑏
independientes del sistema (1.2), 𝐵 = ( 2 ) , y la otra la matriz columna cuyas
⋮
𝑏𝑚 𝑚×1
𝑥1
𝑥2
componentes sean las incógnitas del sistema (1.2) 𝑋 = ( ) .
⋮
𝑥𝑚 𝑛×1
A la matriz 𝐵, definida antes se le llama matriz de términos independientes y a la matriz 𝑋

se le llama matriz de incógnitas. Ahora, haciendo uso de la multiplicación de matrices y la
definición de igualdad de matrices se puede escribir el sistema (1.2) como
𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥2 𝑏2
( ⋮ ⋮ ⋱ ⋮ )∗( ⋮ )=( ⋮ )
(1.3)
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑥𝑚 𝑏𝑚
𝐴 𝑋 𝐵
Esta representación del sistema de ecuaciones lineales (1.2) dada por (1.3) se denomina
representación matricial del sistema y puede expresarse como 𝐴 − 𝑋 = 𝐵.
Ahora bien, se considera la matriz (𝐴 | 𝐵) ∈ 𝑀𝑚×(𝑛+1) (𝕂) la matriz que se obtiene

adicionando a la matriz 𝐴 el vector columna de términos independientes y se le llama matriz
ampliada del sistema:
𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1
𝑎 𝑎22 ⋯ 𝑎2𝑛 𝑏2
(𝐴 | 𝐵) ∶ ( ⋮21 ⋮ ⋱ ⋮ | ⋮ )
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑏𝑚
2𝑥 + 3𝑦 − 5𝑧 = 𝑖
Ejemplo 6. Hallar la representación matricial del sistema { + 5𝑦 + 𝑧 = −2
3𝑥
2𝑥 − 8𝑧 = 1
Solución. Se deben formar las matrices de:
2 3 −5
• Coeficientes 𝐴 = (3 5 1)
2 0 −8
𝑖
• Términos independientes 𝐵 = (−2)
1
𝑥
• Coeficientes 𝑋 = (𝑦)
𝑧
Entonces el sistema queda representado
2 3 −5 𝑥 𝑖
(3 5 1 ) ∗ (𝑦) = (−2)
2 0 −8 𝑧 1
𝑥
1+𝑖
Ejemplo 7. Escribir el sistema de ecuaciones correspondiente a: ( 4 −5 0
) ∗ (𝑦) = ( )
−1 0 −2 𝑧 1
Solución. Al efectuar las operaciones e igualar matrices se obtiene el sistema

4𝑥 − 5𝑦 + 0𝑧 = 1 + 𝑖 4𝑥 − 5𝑦 = 1 + 𝑖 4𝑥 − 5𝑦 = 1 + 𝑖
{ , es decir { , o bien { .
−𝑥 + 0𝑦 − 2𝑧 = −1 −𝑥 − 2𝑧 = −1 𝑥 + 2𝑧 = 1
Definición 4.
Una secuencia finita de escalares 𝑠1 , 𝑠2 , … , 𝑠𝑛 es una solución del sistema (1.2) si todas las
ecuaciones se satisfacen al sustituir 𝑥1 = 𝑠1 , 𝑥2 = 𝑠2 , … , 𝑥𝑛 = 8𝑛 . Al conjunto formado por
todas las soluciones de (1.2) se le llama conjunto solución del sistema.
Ejemplo 8. El lector puede fácilmente verificar que 𝑥 = 2, 𝑦 = 1 y 𝑧 = 2 es una solución del

𝑥 + 3𝑦 = 5
sistema {4𝑥 + 5𝑦 − 3𝑧 = 7
−𝑥 + 𝑧 = 0
Ahora bien, en el ejemplo anterior es válido preguntar si esta es la única solución o si se pueden
hallar otras soluciones. Más aún, dado un sistema de ecuaciones lineales ¿Siempre se puede
hallar al menos una solución?. La respuesta es negativa, por esta razón se necesita determinar
cuándo un sistema tiene solución y establecer formas de determinar esto.
Definición 5.
• Un sistema de ecuaciones lineales se dice consistente o compatible si tiene alguna

solución.
• Un sistema de ecuaciones lineales se dice determinado si tiene una única solución.
• Un sistema de ecuaciones lineales se dice indeterminado si existe más de una solución.
• Un sistema se dice inconsistente o incompatible si no tiene solución alguna.
Observación 1. En los sistemas homogéneos 𝐴 − 𝑋 = 0𝑚 1 , es decir, un sistema de la forma

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 0
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 0
{
⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 0
es fácil verificar que 𝑿 = 𝟎𝒏 (𝑒𝑠𝑡𝑜 𝑒𝑠 𝑥1 = 𝑥2 = ⋯ = 𝑥𝑛 = 0) es solución del sistema; por lo
tanto, un sistema homogéneo nunca es inconsistente. Entonces un sistema homogéneo no puede
sino tener la solución de ceros ( se llama también solución trivial ) o tener infinito número de
soluciones.
Es útil conocer métodos para determinar si un sistema tiene o no solución y en caso de tenerla,
determinar el conjunto solución.
0
0 = (0)
⋮
0 𝑚×1
Método de eliminación de Gauss-Jordan

La eliminación de Gauss-Jordan, llamada así debido a Carl Friedrich Gauss y Wilhelm Jordan,
es un algoritmo del álgebra lineal para determinar las soluciones de un sistema de ecuaciones
lineales. Un sistema de ecuaciones se resuelve por el método de Gauss cuando se obtienen sus
soluciones mediante la reducción del sistema dado, a otro equivalente en el que cada ecuación
tiene una incógnita menos que la anterior. El método de Gauss transforma la matriz de
coeficientes en una matriz triangular superior, mediante operaciones elementales de filas. El
método de Gauss-Jordan continúa el proceso de transformación hasta obtener una matriz
diagonal.
Definición 6.
Supongamos que 𝐴 ∗ 𝑋 = 𝐵 𝑦 𝐶 − 𝑋 = 𝐷 son dos sistemas de m ecuaciones y 𝑛 variables.

Diremos que éstos son sistemas equivalentes si (𝐴 | 𝐵) y (𝐶 | 𝐷) son equivalentes por filas.
Teorema 1. Si dos sistemas de ecuaciones son equivalentes, entonces tienen el mismo
conjunto solución.
Teorema 2. Sea 𝐴 una matriz de orden 𝑚 × 𝑛 y el sistema homogéneo 𝐴 ∗ 𝑋 = 0𝑚 , de 𝑚
ecuaciones y 𝑛 variables. Entonces:
• El sistema dado es consistente determinado si y sólo si 𝑟𝑎𝑛𝑔𝑜(𝐴) = 𝑛.

• El sistema dado es consistente indeterminado si y sólo si 𝑟𝑎𝑛𝑔𝑜(𝐴) = 𝑟 < 𝑛.
En este último caso existen 𝑛 − 𝑟 variables libres.
Ejemplo 9. Utilizar el método de Gauss-Jordan para resolver el sistema

2𝑥1 − 3𝑥2 + 𝑥3 + 2𝑥4 = −11
{ −3𝑥1 − 2𝑥2 + 2𝑥3 + 3𝑥4 = −4
−5𝑥1 − 12𝑥2 + 8𝑥3 + 13𝑥4 = −34
2 −3 1 2 −11
 Solución. La matriz ampliada del sistema es (−3 −2 2 3 | −4 )
−5 −12 8 13 −34
2 −3 1 2 −11 −1 −5 3 5 −15 −1 5 3 5 −15
(−3 −2 2 3 | −4 ) ≈ (−3 −2 2 3 | −4 ) ≈ ( 0 13 −7 −12 | 41 )
−5 −12 8 13 −34 −5 −12 8 13 −34 0 13 −7 −12 41
𝐹1 → 𝐹2 + 𝐹1 𝐹2 → −3𝐹1 − 𝐹2 𝐹3 → −𝐹2 + 𝐹3
𝐹3 → −5𝐹1 + 𝐹3
−1 5 3 5 −15 −13 65 39 65 −195
≈ ( 0 13 −7 −12 | 41 ) ≈ ( 0 −65 35 60 |−205)
0 0 0 0 0 0 0 0 0 0
𝐹1 → 13𝐹1 𝐹1 → 𝐹1 + 𝐹2
𝐹2 → −5𝐹2
74 125 400
−13 0 74 −125 −400 1 0 − 13 − 13
13
≈ ( 0 −65 35 60 |−205) ≈ 7 12 || 41
0 1 − − 13
0 0 0 0 0 13 13
1 (0 0 0 0 0 )
𝐹1 → − 𝐹
13 1
1
𝐹2 → − 𝐹2
65
Esta última matriz, que se ha obtenido, ya es la matriz escalonada reducida; cuyo sistema
asociado es:
74 125 400
𝑥1 − 13 𝑥3 − 13 𝑥4 = 13
{ 7 12 41 . Este sistema tiene infinitas soluciones.
𝑥2 − 13 𝑥3 − 13 𝑥4 = 13
Para escribir la solución general se hace 𝑥3 = 𝑡 y 𝑥4 = 𝑠 en cuyo caso el conjunto solución es

400 74 125 41 7 12
{( + 13 𝑡 + 𝑠, 13 + 13 𝑡 + 13 𝑠, 𝑡, 𝑠) ∶ 𝑠, 𝑡 ∈ ℝ}.
13 13
Observación 2. Si se obtiene una matriz donde todas las entradas de una fila, correspondientes
a los coeficientes de las variables es son iguales a cero y el término constante diferente de cero,
entonces el sistema no tiene solución o es inconsistente. Por ejemplo, si se obtiene una matriz
de la forma
∗ ∗ ∗ ∗
( ∗∗ ∗∗ ∗∗ | ∗∗ ) la última ecuación se lee 0𝑥1 + 0𝑥2 + 0𝑥3 = 3; la cual no tiene solución,
0 0 0 3
porque el sistema no tiene solución o es inconsistente.
Ejemplo 10. Determinar el conjunto solución del sistema de ecuaciones

𝑥1 + 𝑥4 = 0
{ 𝑥1 + 2𝑥2 + 2𝑥4 = 0
𝑥1 + 2𝑥2 + 𝑥3 + 3𝑥4 = 0
Solución. En principio se considera la matriz de los coeficientes el sistema y determinamos su
1 0 0 1
rango (1 2 0 2) . La forma escalonada reducida por filas equivalente, por filas, a la
1 2 3 3
0 1
1 0 1
matriz 𝐴 es, 𝐶 = (1 1 0 2 ).
1
1 0 1
3
Luego 𝑟𝑎𝑛𝑔(𝐴) = 3 < 4 (el incógnitas). Así, por Teorema 2 se tiene que el sistema es
consistente indeterminado, y además posee (4 — 3 =)1 variable libre.
1 1
Si se hace 𝑥4 = 𝑡, entonces el conjunto solución será: {(−𝑡, − 2 𝑡, − 3 𝑡, 𝑡) ∶ 𝑡 ∈ ℝ}.
Ejemplo 11. Determinar el conjunto solución del sistema de ecuaciones

𝑥 + 𝑦 + 2𝑧 − 2𝑣 − 𝑤 = 0
2𝑥 − 𝑦 − 𝑧 + 2𝑣 + 𝑤 = 0
{
−𝑥 + 5𝑦 + 8𝑧 − 10𝑣 − 5𝑤 = 0
3𝑥 − 3𝑦 − 4𝑧 + 6𝑣 + 3𝑤 = 0
1 1 2 −2 −1
2 −1 −1 2 1
Solución. Sea 𝐴 = ( ) la matriz de los coeficientes el sistema. Se
−1 5 8 −10 −5
3 −3 −4 6 3
deja como ejercicio para al lector verificar que la forma escalonada reducida por filas
1 0 1/3 0 0
0 1 5/3 −2 −1
equivalente por filas a la matriz 𝐴 es 𝐶 = ( ) . De aquí 𝑟𝑎𝑛𝑔(𝐴) =
0 0 0 0 0
0 0 0 0 0
2 < 5. Por el Teorema 2, el sistema es consistente indeterminado y tiene (5 — 2 =)3 variables
libres, a saber: 𝑧, 𝑣, 𝑤. Si se hace 𝑧 = 𝑡, 𝑣 = 𝑠 y 𝑤 = 𝑟 se tiene que, la solución general del
1 5
sistema está dada por {(− 3 𝑡, − 3 𝑡, +2𝑠, 𝑡, 𝑠, 𝑟) ∶ 𝑡, 𝑠, 𝑟 ∈ ℝ}.
𝑥 + 2𝑦 − 2𝑧 = 0
Ejemplo 12. Determinar el conjunto solución del sistema { .
3𝑥 − 3𝑦 + 6𝑧 = 0
1 2 −2
Solución. Sea 𝐴 = (2 −1 2 ) , la matriz de los coeficientes del sistema, y el lector puede
3 −3 6
verificar que la forma escalonada reducida por filas equivalente a la matriz 𝐴 es la matriz
1 0 0
(0 1 0) .
0 0 1
Note que 𝑟𝑎𝑛𝑔(𝐴) = 3; lhuego, por el Teorema 2, se tiene que el sistema es consistente
determinado, y haciendo uso de la observación 1, se obtiene que el conjunto solución está
0
formado sólo por el vector (0) .
0
Pero se requiere tener una forma de determinar si un sistema de ecuaciones no homogéneo
tiene solución y en caso de tenerla, cómo determinar su conjunto solución, por tal razón se
presenta el siguiente teorema.
Teorema 3 (Sistemas de ecuaciones lineales no homogéneos). Sea 𝐴 una matriz de orden

𝑚 × 𝑛 y consideremos el sistema 𝐴 ∗ 𝑋 = 𝐵 de 𝑚 ecuaciones con 𝑛 variables y sea (𝐴|𝐵) la
matriz ampliada del sistema. Entonces el sistema es:
1. Inconsistente si y sólo si 𝑟𝑎𝑛𝑔(𝐴) ≠ 𝑟𝑎𝑛𝑔((𝐴|𝐵)).
2. Consistente si y sólo si 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔((𝐴|𝐵)). Especificamente, el sistema es

consistente:
a) Determinado si y sólo si 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔((𝐴|𝐵)) = 𝑛.
b) Indeterminado si y sólo si 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔((𝐴|𝐵)) = 𝑟 < 𝑛. En este caso,

existen 𝑛 − 𝑟 variables libres.
2𝑥 − 4𝑦 + 16𝑧 − 14𝑣 = 10
−𝑥 + 5𝑦 − 17𝑧 + 19𝑣 = −2
Ejemplo 13. Determinar el conjunto solución del sistema { .
𝑥 − 3𝑦 + 11𝑧 − 11𝑣 =4
3𝑥 − 4𝑦 + 18𝑧 − 13𝑣 = 17
2 −4 16 −14 10
−1 5 −17 19 −2
 Solución. Sea 𝐴 = ( ) , y 𝐵 = ( ) . Entonces
1 −3 11 −11 4
3 −4 18 −13 17
2 −4 16 −14 10
−1 5 −17 19 −2
(𝐴|𝐵) = ( | )
1 −3 11 −11 4
3 −4 18 −13 17
Se aplican operaciones elementales de fila para obtener la forma escalonada reducida de la
1 0 2 1 7
0 1 −3 4 1
matriz (𝐴|𝐵) y se obtiene (𝐴|𝐵)~ ( | ).
0 0 0 0 0
0 0 0 0 0
Note que 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔((𝐴|𝐵)) = 2; entonces por teorema 3, el sistema es consistente
indeterminado y posee (4 — 2 =)2 variables libres las cuales son 𝑧 y 𝑤.
Haciendo 𝑧 = 𝑡; 𝑣 = 𝑟 con 𝑡, 𝑟 ∈ ℝ, se obtiene que el conjunto solución general del sistema

es {(7 − 2𝑡 − 𝑟, 1 + 3𝑡 − 4𝑟, 𝑡, 𝑟): 𝑡, 𝑟 ∈ ℝ}.
𝑥 + 2𝑧 − 2𝑣 = 1
Ejemplo 14. Estudiar el siguiente sistema de ecuaciones lineales {−𝑥 + 𝑦 + 𝑣 = −2
𝑦 + 2𝑧 − 𝑣 = 1
1 0 2 −2 1
Solución. La matriz ampliada del sistema está dada por (𝐴|𝐵) = (−1 1 0 1 | −2)
0 1 2 −1 1
1 0 2 −2 1
Y la forma escalonada equivalente por filas a dicha matriz es (0 1 2 −1 | −1)
0 0 0 0 2
Note que 𝑟𝑎𝑛𝑔(𝐴) = 2 y 𝑟𝑎𝑛𝑔((𝐴|𝐵)) = 3, por lo tanto, el Teorema 3 permite concluir que
el sistema es inconsistente, por lo tanto, su conjunto solución es ∅.
𝑥 + 2𝑦 − 3𝑧 = 4
Ejemplo 15. Determinar el conjunto solución del sistema { −𝑥 − 𝑦 + 𝑧 = −2
2𝑥 + 3𝑦 − 2𝑧 = 2
1 2 3 4
 Solución. La matriz ampliada del sistema es (𝐴|𝐵) = (−1 −1 1 −2) y la forma
|
2 3 −2 2
1 0 0 5
escalonada reducida equivalente es (0 1 0 |−2) , lo cual deja ver que 𝑟𝑎𝑛𝑔(𝐴) =
0 0 1 1
𝑟𝑎𝑛𝑔 ((𝐴|𝐵)) = 3, por lo tanto el Teorema 3 garantiza que el sistema es consistente
determinado y su única solución es 𝑥 = 5, 𝑦 = −2 y 𝑧 = 1 o de forma equivalente el conjunto
solución está formado por un único elemento {(5, — 2,1)}.
Método de la Inversa
Supongamos que tenemos un sistema de 𝑛 ecuaciones lineales con 𝑛 incógnitas. Podemos
representar el sistema de forma matricial como
𝐴𝑥 = 𝑏
donde
• La matriz 𝑨 es de dimensión 𝒏 × 𝒏 y contiene en cada fila los coeficientes de las

incógnitas de cada ecuación.
• La matriz 𝒙 es de dimensión 𝒏 × 𝟏 (una columna) y contiene las 𝑛 incógnitas del

sistema.
• La matriz 𝒃 es de dimensión 𝒏 × 𝟏 y contiene los términos independientes de las

ecuaciones.
Si el sistema tiene una única solución (es compatible determinado), entonces la matriz 𝐴 es
regular (determinante distinto de 0) y, por tanto, existe su matriz inversa 𝑨−𝟏 .
Entonces, podemos multiplicar toda la ecuación por la inversa de 𝑨−𝟏 .
𝐴−1 ∗ 𝐴𝑥 = 𝐴−1 ∗ 𝑏
𝑥 = 𝐴−1 ∗ 𝑏
Es decir, si la matriz 𝑨 es regular, entonces la matriz columna resultante del producto matricial
𝑨−𝟏 ∗ 𝒃 contiene la solución del sistema 𝑨𝒙 = 𝒃.
Ejemplo 16 – Sistema de 3 ecuaciones con 3 incógnitas (𝟑 × 𝟑)

−𝑥 + 𝑧 = 1
{2𝑥 + 2𝑦 = 0
−𝑥 − 𝑧 = 3
−1 0 1
La matriz de coeficientes del sistema es 𝐴 = ( 2 2 0 )
−1 0 −1
Es una matriz regular porque su determinante es 4. Su matriz inversa es
1 −1 0 −1
−1
𝐴 = ∗( 1 1 1)
2
1 0 −1
1
La matriz de términos independientes del sistema es 𝑏 = (0)
3
Calculamos la solución del sistema multiplicando las marices 𝐴−1 y 𝑏
1 −1 0 −1 1 1 −4 −2
𝑥 = 𝐴−1 ∗ 𝑏 = ∗ ( 1 1 1 ) (0) = ∗ ( 4 ) = ( 2 )
2 2
1 0 −1 3 −2 −1
𝑥 = −2
Por tanto, la solución del sistema es { 𝑦 = 2
𝑧 = −1
Ejemplo 17 – Sistema de 3 ecuaciones con 3 incógnitas (𝟑 × 𝟑)

𝑥 + 2𝑦 + 𝑧 = 1
{2𝑥 − 𝑦 + 𝑧 = 2
𝑥 + 𝑦 − 2𝑧 = 1
1 2 1
La matriz de coeficientes del sistema es 𝐴 = (2 −1 1 )
1 1 −2
Es una matriz regular porque su determinante es 14. Su matriz inversa es
1 1 5 3
𝐴−1 = ∗ (5 −3 1 )
14
3 1 −5
1
La matriz de términos independientes del sistema es 𝑏 = (2)
1
Calculamos la solución del sistema multiplicando las marices 𝐴−1 y 𝑏
1 1 5 3 1 1 14 1
−1
𝑥=𝐴 ∗𝑏 = ∗ (5 −3 1 ) (2) = ∗ ( 0 ) = (0)
14 14
3 1 −5 1 0 0
𝑥=1
Por tanto, la solución del sistema es {𝑦 = 0
𝑧=0
Método de Cramer
La regla de Cramer nos permite resolver sistemas de ecuaciones lineales (SEL) compatibles
determinados, es decir, con una única solución.
El sistema tiene que ser cuadrado (tantas ecuaciones como incógnitas) y la matriz de
coeficientes debe ser regular (determinante distinto de 0).
Recordad que podemos escribir el sistema de ecuaciones en forma matricial como:
𝐴∗𝑋 =𝑏
donde 𝑨 es la matriz de coeficientes, 𝑿 es la matriz columna con las incógnitas y b es la matriz

columna con los términos independientes.
Bajo estas condiciones, la regla de Cramer es la siguiente:
La incógnita 𝒙𝒊 del sistema 𝑨𝑿 = 𝒃 es

|𝑨𝒊 |
𝒙𝒊 =
|𝑨|
donde 𝑨𝒊 es la matriz 𝑨, pero cambiando la columna 𝒊 de 𝑨 por la columna de términos

independientes, 𝒃.
Ejemplo 18 – Sistema 𝟑 × 𝟑
3𝑥 + 2𝑦 + 𝑧 = 2
{−2𝑥 + 𝑦 − 7𝑧 = 0
3𝑥 − 𝑦 + 8𝑧 = 2
Calculamos el determinante de la matriz de coeficientes del sistema por la regla de Sarrus:
3 2 1
|−2 1 −7| =
3 −1 8
= 3 ∗ 1 ∗ 8 + 2 ∗ (−7) ∗ 3 + (−2) ∗ (−1) ∗ 1 − 1 ∗ 1 ∗ 3 − 2 ∗ (−2) ∗ 8 − 3 ∗ (−7) ∗ (−1)
= −8 ≠ 0
Como el determinante es distinto de 0, la matriz es regular y el sistema tiene una única solución
(sistema compatible determinado):
2 2 1
|0 1 −7|
𝑥= 2 −1 8 = − 28 = 7
−8 −8 2
3 2 1
|−2 0 −7|
28 7
𝑦= 3 2 8 =− =
−8 −8 2
3 2 2
|−2 1 0|
12 3
𝑧 = 3 −1 2 = − =
−8 −8 2
Nota: para calcular la incógnita asociada a la columna 𝒏, sustituimos la columna 𝒏 de la

matriz de coeficientes por la columna de términos independientes.
Ejemplo 19 – Sistema 𝟑 × 𝟑
−𝑥 + 2𝑦 − 2𝑧 = 1
{ −3𝑥 + 5𝑦 − 𝑧 = 2
−𝑥 + 𝑦 + 9𝑧 = −1
Calculamos el determinante de la matriz de coeficientes del sistema por la regla de Sarrus:

−1 2 −2
|−3 5 −1| = −45 + 2 + 6 − 10 + 54 − 1 = 6 ≠ 0
−1 1 9
Podemos aplicar la regla de Cramer:
1 2 −2
|2 5 −1|
𝑥 = −1 1 9 = −2 = − 1
6 6 3
−1 1 −2
|−3 2 −1|
𝑦 = −1 −1 9 = 1
6 6
−1 2 1
|−3 5 2|
𝑧 = −1 1 −1 = − 1
6 6
Ejemplo 20 – Sistema 𝟒 × 𝟒
−𝑥 + 2𝑧 + 2𝑡 = 1
2𝑥 − 3𝑧 − 3𝑡 = 0
{
−𝑥 − 3𝑧 + 2𝑡 = 0
−2𝑥 − 𝑦 + 2𝑧 + 𝑡 = 0
La matriz de coeficientes del sistema es:
−1 0 2 2
2 0 −3 −3
( )
−1 0 −3 2
−2 −1 2 1
Como la matriz es de dimensión 4, calculamos el determinate por el desarrollo de Laplace. Lo
haremos por la columna 2, ya que tiene muchos ceros.
−1 0 2 2 −1 2 2
2 0 −3 −3
| | = 0 + 0 + 0 + (−1)4+1 | 2 −3 −3|
−1 0 −3 2
−2 −1 2 1 −1 −3 2
= −(6 + 6 − 12 − 6 − 8 + 9) = 5 ≠ 0
Aplicamos Cramer para obtener la solución del sistema (usaremos Laplace por la columna 1,
2, 3 y 4, respectivamente, para calcular los determinantes):
1 0 2 2
0 0 −3 −3 0 −3 −3
| | | 0 −3 2 |
0 0 −3 2
𝑥= 0 −1 2 1 = −1 2 1 = 15 = 3
5 5 5
−1 1 2 2
2 0 −3 −3 2 −3 −3
| | − |−1 −3 2 |
−1 0 −3 2
𝑦 = −2 0 2 1 = −2 2 1 = − 19
5 5 5
−1 0 1 2
2 0 0 −3 2 0 −3
| | |−1 0 2|
−1 0 0 2
𝑧 = −2 −1 0 1 = −2 −1 −1 = 1
5 5 5
−1 0 2 1
2 0 −3 0 2 0 −3
| | − |−1 0 −3|
−1 0 −3 0
𝑡 = −2 −1 2 0 = −2 −1 2 = 9
5 5 5
UNIDAD II:
VECTORES EN 𝑹𝟐 Y 𝑹𝟑
CLASE I: VECTORES EN EL PLANO, PRODUCTO ESCALAR, PRODUCTO CRUZ,

PROYECCIONES
Vectores en el plano 𝑹𝟐
• ⃗⃗⃗⃗⃗
El que se segmento de recta dirigido que se extiende de 𝑃 a 𝑄 en ℝ2 denotado por 𝑃𝑄
es el segmento de 𝑃 a 𝑄.
• Dos segmentos de recta dirigidos en ℝ2 son equivalentes si tienen la misma magnitud
(longitud) y dirección.
• Definición geométrica de un vector
Un vector en ℝ2 es el conjunto de todos los segmentos de recta dirigidos en ℝ2
equivalentes a un segmento de recta dirigido dado. Una representación de un vector
⃗⃗⃗⃗⃗ .
tiene su punto inicial en el origen y se denota por 𝑂𝑅
• Definición algebraica de un vector
Un vector y en el plano 𝑥𝑦 (ℝ2 ) es un par ordenado de números reales (𝑎, 𝑏). Los
números 𝑎 y 𝑏 se llaman componentes del vector 𝒗. El vector cero es el vector (0, 0).
• Las definiciones geométrica y algebraica de un vector en ℝ2 se relacionan de la
siguiente manera:
⃗⃗⃗⃗⃗ , donde 𝑅 = (𝑎, 𝑏)
Si 𝒗 = (𝒂, 𝒃), entonces una representación de 𝒗 es 𝑂𝑅
Si 𝒗 = (𝒂, 𝒃), entonces la magnitud de v, denotada por |𝒗|, está dada por |𝑣| =
√𝑎2 + 𝑏 2 ,
Si 𝒗 es un vector en ℝ2 , entonces la dirección de v es el ángulo en [0,2𝜋] que forma
cualquier representación de 𝑣 con el lado positivo del eje 𝑥.
Vector Unitario
𝑣 𝑣1 𝑣2
=( , )
|𝑣| |𝑣| |𝑣|
Obtención de un vector unitario:
Consideremos el siguiente vector (no nulo)
𝑣 = (𝑣1 , 𝑣2 )
Si dividimos sus coordenadas por el módulo del vector, entonces el vector resultante es
unitario:
𝑣 𝑣1 𝑣2
=( , )
|𝑣| |𝑣| |𝑣|
Ejemplo: 𝑣 = (4, −3)

El módulo del vector es
⃗ | = √42 + (−3)2 = √16 + 9 = √25 = 5

|𝒗
𝑣 4 3
⃗ =
𝒖 = ( , − ) = (0.8, −0.6)
|𝑣| 5 5
0.5
0,5
0
0
-0,5 0 -0,5 0,5 0 10,5 1,5
1
2
1,5 2
2,5 2,5 33 3,5
3,5 4
4
-0.5 -0,5
𝑢
⃗
-1
-1
-1,5
-1.5
-2
-2
-2,5 |𝑣 |
-2.5 -3
-3
-3.5
Vectores
𝑣 = (𝑎, 𝑏) = 𝑎𝒊 + 𝑏𝒋 (4.1.6)
Con esta representación se dice que 𝒗 está expresado en sus componentes horizontal y vertical.
Los vectores 𝒊 y 𝒋 tienen dos propiedades:
i) Ninguno de ellos es múltiplo del otro. (En la terminología del capítulo 5, son
linealmente independientes.)
ii) Cualquier vector 𝑣 se puede escribir en términos de 𝒊 y 𝒋 como en la ecuación (4.1.6).
Ejemplo - Un vector unitario

1 √3
El vector 𝒖 = (2) 𝒊 + ( 2 ) 𝒋 es un vector unitario ya que
2
1 2 √3 1 3
|𝒖| = √( ) + ( ) = √ + = 1
2 2 4 4
𝑦
𝒖 = 𝑎𝒊 + 𝑏𝒋
𝑥 2 + 𝑦2 = 1
(𝑎, 𝑏)
𝑏𝒋 1
𝜃 𝑥
0 𝑎𝒊
Figura 4.10
El punto terminal de un vector unitario que tiene su punto inicial en el origen se
encuentra sobre el círculo unitario (círculo centrado en el origen con radio 1).
Sea 𝒖 = 𝑎𝒊 + 𝑏𝒋 un vector unitario. Entonces |𝒗⃗ | = √𝑎2 + 𝑏 2 , de manera que 𝑎2 + 𝑏 2 = 1 y

𝒖 se puede representar por un punto en el círculo unitario (vea la figura 4.10). Si 𝜃 es la
dirección de 𝒖, es claro que 𝑎 = cos 𝜃 y 𝑏 = sen 𝜃. De este modo, cualquier vector unitario 𝒖
se puede escribir en la forma
Representación de un vector unitario
(4.1.7)
𝒖 = (cos 𝜃)𝒊 + (sen 𝜃)𝒋
Suma de Vectores
Consideremos los vectores
𝑣 = (𝑣1 , 𝑣2 )
⃗⃗ = (𝑤1 , 𝑤2 )
𝑤
Se define la suma de los vectores 𝑣 y 𝑤

⃗⃗ como el vector cuyas coordenadas son la suma de las
coordenadas de 𝑣 y de 𝑤⃗⃗ , es decir.
𝑣+𝑤
⃗⃗ = (𝑣1 + 𝑤1 , 𝑣2 + 𝑤2 )
Geométricamente, la suma se realiza dibujando el vector 𝑣 en el punto donde termina el vector

𝑤
⃗⃗ y el vector 𝑤
⃗⃗ donde termina el vector 𝑣.
Ejemplo:
5
4
⃗
𝒗 𝑣+𝑤
⃗⃗
3
𝑤
⃗⃗
0
0 1 2 3 4 5 6 7
Los vectores de la imagen son:
⃗⃗ = (3,4) + (4,1) = (3 + 4, 4 + 1) = (7,5)

𝑣+𝑤
Resta de Vectores
Consideremos los vectores
𝑣 = (𝑣1 , 𝑣2 )
⃗⃗ = (𝑤1 , 𝑤2 )
𝑤
Se define la resta de los vectores 𝑣 y 𝑤

⃗⃗ como el vector cuyas coordenadas son la resta de las
coordenadas de 𝑣 y de 𝑤 ⃗⃗ , es decir.
𝑣−𝑤
⃗⃗ = (𝑣1 − 𝑤1 , 𝑣2 − 𝑤2 )
Geométricamente, el vector 𝑣 − 𝑤
⃗⃗ es vector que va desde el punto de las coordenadas de 𝑤
⃗⃗ al
punto de las coordenadas de 𝑣.
Ejemplo:
5
4
𝑣−𝑤
⃗⃗
⃗
𝒗
3
2
𝑣−𝑤
⃗⃗
1
𝑤
⃗⃗
0
-2 -1 0 1 2 3 4
Los vectores de la imagen son:
⃗⃗ = (3,4) − (4,1) = (3 − 4, 4 − 1) = (−1,3)

𝑣−𝑤
Si hacemos la resta 𝑤
⃗⃗ − 𝑣. tenemos el mismo vector, pero con sentido opuesto, es decir,
el vector que parte de 𝑣 y termina en 𝑤

⃗⃗ :
3
⃗
𝒗
2 𝑤
⃗⃗ − 𝑣
1 𝑤
⃗⃗
0
0 1 2 3 4
-1
𝑤
⃗⃗ − 𝑣
-2
-3
El vector de la imagen es:
⃗⃗ − 𝑣 = (4,1) − (3,4) = (4 − 3, 1 − 4) = (1, −3)

𝑤
Producto por un Escalar

Sea 𝛼 un número real (un escalar) y sea el vector
𝑣 = (𝑣1 , 𝑣2 )
Entonces, el producto del vector por el escalar es
𝛼 − 𝑣 = (𝛼𝑣1 , 𝛼𝑣2 )
Estos vectores tienen la misma dirección que 𝑣 pero módulo distinto (siempre que 𝛼 sea distinto
de 1). Además, si 𝛼 es positivo, tienen el mismo sentido; si es negativo, tienen sentido opuesto.
Es el producto del vector 𝑣 por el escalar 𝛼. Ejemplo:
𝑣 = (1,2)
2 ∗ 𝑣 = (2,4)
3 ∗ 𝑣 = (3,6)
6
3∗𝑣
5
3
2∗𝑣
2
⃗
𝒗
1
0 1 2 3
Notemos que el modulo del vector 2 ∗ 𝑣 es el doble del de 𝑣 y el modulo del vector 3 ∗ 𝑣 es el
triple que el de 𝑣.
Producto escalar y las proyecciones en ℝ𝟐

Si 𝒖 = (𝒂𝟏 , 𝒃𝟏 ) y 𝒗 = (𝒂𝟐 , 𝒃𝟐 ), entonces 𝑼 ∗ 𝑽 = 𝑎1 𝑎2 + 𝑏1 𝑏2
Sea 𝒖 y 𝒗 dos vectores diferentes de cero. Si 𝜑 es el ángulo entre ellos, entonces

𝑢∗𝑣
cos 𝜑 =
|𝑢||𝑣|
Ejemplo - Calculo del ángulo entre dos vectores
Encuentre el ángulo entre los vectores 𝒖 = 2𝒊 + 3𝒋 y 𝑣 = −7𝒊 + 𝒋.
Solución. 𝑢 ∗ 𝑣 = −14 + 3 = −11, |𝑢| = √22 + 32 = √13 y |𝑣| = √(−7)2 + 12 = √50.

Asi,
𝑢∗𝑣 −11 −11
cos 𝜑 = = = ≈ −0.431455497
|𝑢||𝑣| √13√50 √650
De manera que
𝜑 = cos −1(−0.431455497) ≈ 2.0169 (≈ 115.6°)
Nota. Como 0 ≤ 𝜑 ≤ 𝜋, cos−1 (cos 𝜑) = 𝜑.
Vectores paralelos
Dos vectores diferentes de cero 𝒖 y 𝒗 son paralelos si el ángulo entre ellos es cero o 𝜋. Observe
que los vectores paralelos tienen la misma dirección o direcciones opuestas.
Ejemplo – Dos vectores paralelos
Demuestre que los vectores 𝑢 = (2, −3) y 𝑣 = (−4, 6) son paralelos.

Solución.
𝑢 ∗ 𝑣 −8 − 18 −26 −26
cos 𝜑 = = = = = −1
|𝑢||𝑣| √13√52 √13(2√13) 2(13)
Por lo tanto, 𝜑 = 𝜋 (de manera que 𝒖 y 𝒗 tienen direcciones opuestas).
Vectores ortogonales
Los vectores 𝒖 y 𝒗 diferentes de cero son ortogonales (o perpendiculares) si el ángulo entre
𝜋
ellos es 2 .
Ejemplo – Dos vectores ortogonales
Demuestre que los vectores 𝒖 = 3𝒊 + 4𝒋 y 𝒗 = −4𝒊 + 3𝒋 son ortogonales.

(𝑢∗𝑣)
Solución. 𝑢 ∗ 𝑣 = 3 ∗ 4 − 4 ∗ 3 = 0. Esto implica que cos 𝜑 = (|𝑢||𝑣|) = 0, y como 𝜑 esta en
𝜋
el intervalo [0, 𝜋], 𝜑 = 2 .
Proyección
Sean 𝒖 y 𝒗 dos vectores diferentes de cero. Entonces la proyección de 𝒖 sobre 𝑣 es un vector
denotado por 𝑝𝑟𝑜𝑦𝑣 𝒖, que se define por
𝒖∗𝒗
𝑝𝑟𝑜𝑦𝑣 𝒖 = 𝒗
|𝒗|𝟐
La componente de 𝒖 en la dirección
𝑢∗𝑣
de 𝒗 es |𝑣| , y es un escalar.
𝑣
Observe que |𝑣| es un vector unitario en la dirección de 𝒗.
Ejemplo 1 – Cálculo de una proyección
Sean 𝒖 = 2𝒊 + 3𝒋 y 𝒗 = 𝒊 + 𝒋. Calcule 𝑝𝑟𝑜𝑦𝑣 𝒖.

(𝑢∗𝑣)𝑣 5 𝟓 𝟓
Solución. 𝑝𝑟𝑜𝑦𝑣 𝒖 = |𝑣|2
=[ 2 ] 𝒗 = (𝟐) 𝒊 + (𝟐) 𝒋 (vea la figura 4.16)
(√2)
y 1 1
− 𝒊+ 𝒋
2 2
(2,3)
5 5
( , )
2 2
𝒖
(1,1) 5 5
𝒗 𝒊+ 𝒋
2 2
x
0
Figura 4.16
5 5
La proyección de (2, 3) sobre (1, 1) es ( , )
2 2
Ejemplo 2 – Cálculo de una proyección
Sean 𝒖 = 2𝒊 − 3𝒋 y 𝒗 = 𝒊 + 𝒋. Calcule 𝑝𝑟𝑜𝑦𝑣 𝒖.

𝑢∗𝑣 1 𝟏 𝟏
Solución. En este caso |𝑣|2 = − 2; asi, 𝑝𝑟𝑜𝑦𝑣 𝒖 = − 𝟐 𝒊 − 𝟐 𝒋 (vea la figura 4.17).
𝑽=𝒊+𝒋
0 x
1 1
− 𝒊− 𝒋 𝒖 = 2𝒊 − 3𝒋
2 2
5 5
𝒊+ 𝒋
2 2
Figura 4.17
1 1
La proyección de 2𝑖 − 3𝑗 sobre 𝑖 + 𝑗 es − 2 𝑖 − 2 𝑗
Desigualdad del triangulo
En ℝ2
|𝒖 + 𝒗| ≤ |𝒖| + |𝒗|
En ℝ2 sean 𝒊 = (1,0) y 𝑗 = (0,1); entonces 𝑣 = (𝑎, 𝑏) se puede escribir como 𝑣 = 𝑎𝒊 + 𝑏𝒋.
Un vector unitario 𝒖 en ℝ2 es un vector que satisface |𝒖| = 𝟏. En ℝ2 un vector unitario se

puede escribir como
𝒖 = (cos 𝜃)𝒊 + (𝑠𝑒𝑛 𝜃)𝒋
donde 𝜃 es la dirección de 𝒖.
Vectores en 𝑹𝟑
4.3 vectores en el espacio
Se ha visto que cualquier punto en el plano se puede representar como un par ordenado de
números reales De manera análoga, cualquier punto en el espacio se puede representar por una
terna ordenada de números reales
(𝑎, 𝑏, 𝑐)
Los vectores de la forma (4.3. l) constituyen el espacio 𝑅 3. Para representar un punto en el espacio,
se comienza por elegir un punto en 𝑅 3. A este punto se le denomina el origen, denotado por 0.
Después se dibujan tres rectas perpendiculares entre sí, a las que se llama el eje x, el eje y el eje z.
Dichos ejes se pueden seleccionar de diferentes formas, pero la más común tiene los ejes x y y
horizontales y el eje z vertical. Sobre cada eje se elige una dirección positiva y la distancia a la largo
de cada eje se mide como el número de unidades en esta dirección positiva a partir del origen.
z z
0 y 0 y
x a) x b)
Figura 4.18 Figura 4.19
Ejemplo 4.3.2 Cálculo de la magnitud de un vector en 𝑅 3
sean v = (2,3,-2). Encuentre |v|.
Solución |v|=√12 + 32 + (−2)2 = √14.
Definición 4.3.1
Sean u =(𝑥1 , 𝑦1 , 𝑧1 ) y v =(𝑥2 , 𝑦2 , 𝑧2 ) dos vectores, y sea a un número real(escalar). entonces se define
Suma de vectores y multiplicación por un escalar en 𝑅 3
u + v =(𝑥1 , 𝑥2 , 𝑦1 + 𝑦2 , 𝑧1 , 𝑧2 )
∝ 𝑢 = (𝑎𝑥1 , 𝑎𝑦1 , 𝑎𝑧1 )

Un vector unitario u es un vector con magnitud l. Si v es un vector diferente de cero,
𝑣
u = |𝑣| es un vector unitario que tiene la misma dirección que v.
Ejemplo 4.3.3 Cálculo de un vector unitario en 𝑅 3
Encuentre un vector unitario que tenga la misma dirección que v= (2,4,-3)
Solución como v =√22 + 42 + (−3)2 = √29 se tiene

2 4 3
𝑢=( , ,− )
√29 √29 √29
Dirección en 𝑅 3
𝑣
La dirección de un vector v en 𝑅 3se define el vector unitario u= |𝑣| .
Figura 4.22
Es conveniente definir la dirección de un vector v en términos de algunos ángulos Sea el vector OP

descrito en la figura 4.2.2. Definimos a como el ángulo entre v y el eje x positivo B, el ángulo entre v y
el eje y positivo, el ángulo entre v y el eje z positivo. Los ángulos a, B y y se denominan ángulos
directores del vector v. Entonces, de la figura 4.22,
𝑥0 𝑌0 𝑧0
𝑐𝑜𝑠𝑎 = 𝑐𝑜𝑠𝐵 = cos 𝑦 =
|𝑣| |𝑣| |𝑣|
Si v es un vector unitario, entonces |v|=1y
𝑐𝑜𝑠𝑎 = 𝑥0 𝑐𝑜𝑠𝐵 = 𝑌0 cos 𝑦 = 𝑧0

Por definición, cada uno de estos tres ángulos cae en el intervalo de [0, π]. Los cosenos de estos
ángulos se denominan cosenos directores del vector v, Observe, de la ecuación (4.3.4), que
𝑥02 + 𝑦02 + 𝑧02 𝑥02 + 𝑦02 + 𝑧02

𝑐𝑜𝑠 2 𝑎 = 𝑥0 + 𝑐𝑜𝑠 2 𝐵 + 𝑐𝑜𝑠 2 𝑦 = = 2 =1
|𝑣|2 𝑥0 + 𝑦02 + 𝑧02
Si a, B y y son tres números cualesquiera entre [0, π]tales que satisfacen la condición (4.3.6), entonces
determinan de manera única un vector unitario dado por u = (cos a, cos B, cos y).
Observación. Si v = (a, b, c) y |v| ≠ l, entonces los números a, b y c se llaman números directores del
vector v.
Ejemplo 4.3.4 cálculo de los cosenos directores de un vector en 𝑅 3
Encuentre los cosenos directores del vector v =(4,-1,6)

𝑣 𝑣 4 1 6 4
Solución la dirección de v es |𝑣| = = ( − , ). entonces cos a=
√53 √53 √53 √53 √53
−1 6
≈ 0.5494, 𝑐𝑜𝑠𝐵 = ≈ −0.1374 𝑦 cos 𝑦 = ≈ 0.8242 con estos valores se usan tablas o una
√53 √53
calculadora para obtener a ≈ 56. 7° ≈ 0.989 𝑟𝑎𝑑 𝑦 𝑦 = 34. 5° ≈ 0.602 𝑟𝑎𝑛𝑑. En la figura 4.23 se
presenta un esbozo del vector, junto con los ángulos a B y Y.
Determina los cosenos directores del vector (1,2,-3).

1 1
𝑐𝑜𝑠 ∝= =
√12 + 22 + (−3)2 √14
2 2
𝑐𝑜𝑠 𝐵 = =
√12 + 22 + (−3)2 √14
−3 −3
𝑐𝑜𝑠 ∝= =
√12 + 22 + (−3)2 √14
2 2 2
1 2 −3 1 4 9
( ) +( ) +( ) = + + =1
√14 √14 √14 14 14 14
𝑖 = (1, 0, 0) 𝑗 = (0, 1, 0) 𝑘 = (0, 0, 1)
Aquí, i, j y k son vectores unitarios. El vector i está sobre el eje x, j sobre el eje y y k sobre el eje z. En
la figura 4.25 se puede ver un bosquejo. Si v = (x, y, z) es cualquier vector en 𝑅 3,entonces
V= (x, y, z) = (x, 0, 0) + (0, y, 0) + (0, 0, z) = Xi + yj+zk
Esto es, cualquier vector v en 𝑅 3 se puede escribir de manera única en términos de los vectores i, j y
k.
La definición de producto escalar en 𝑅 3 es la definición que se presentó en la sección 2.2. Observe que
i·i=1,j·j=1,k·k=1,i·j=0,j·k=0 e i·k=0.
Teorema 4.3.2
si 𝜑 denota el ángulo positivo más pequeño entre dos vectores u y v diferentes de cero, se tiene
𝑢·𝑣 𝑢 𝑣
cos 𝜑 = |𝑢|·|𝑣| = |𝑢| · |𝑣|
Expresiones analíticas del ángulo de dos vectores

𝑢1 ·𝑣1 +𝑢2 ·𝑣2 +𝑢3 ·𝑣1
cos a =
√𝑢1 2 +𝑢2 2 +𝑢3 2 ·√𝑣1 2 +𝑣2 2 +𝑣3 2
⃗ = (1, 2, −3)𝑦 𝑣
determinar el Angulo que forma los vectores 𝑢
−2+8−3 3 3
cos ∝ = = =7
√1+4+9√4+16+1 √14·√21 √6
3
∝= 𝑎𝑟𝑐 𝑐𝑜𝑠 ( ) = 79.92°
7√6
Ejemplo 4.3.6 cálculo del coseno del ángulo entre dos vectores en 𝑅 3
Calcule el coseno del ángulo entre 𝑢 = 3𝑖 − 𝑗 + 2𝑘 𝑦 𝑣 = 4𝑖 + 3𝑗 − 𝑘.

7 7
Solución 𝑢 · 𝑣 = 7, |𝑢| = √14 𝑦 |𝑣| = √26 , por lo que 𝑐𝑜𝑠 𝜑 = = 0.669 y 𝜑 ≈
√(14)(26) √364
68.5° ≈ 1.2 𝑟𝑎𝑑.
Definición 4.3.3
Vectores paralelos y ortogonales
Dos vectores u y v diferentes de cero son:
i) Paralelos si el ángulo entre ellos es cero 0 π.

π
ii) Ortogonales (o perpendiculares) si el ángulo entre ellos es 2 .
Teorema 4.3.3
i) Si u≠ 0, entonces u y v son paralelos si y sólo si v = ∝u para algún escalar a ≠0.
ii) Si uy v son diferentes de cero. entonces u y v son ortogonales si y sólo si u • v = 0.
Definición 4.3.4
Proyección
Sean u y v dos vectores diferentes de cero. Entonces la proyección de u sobre v, de notada por proy,
u, está definida por
𝑢·𝑣
𝑝𝑟𝑜𝑦, 𝑢 = 𝑣
|𝑣|2
𝑢·𝑣
La componente de u en la dirección de v está dada por |𝑣|2 .
Ejemplo 4.3.7 cálculo de una proyección en 𝑅 3
Sean 𝑢 = 2𝑖 + 3𝑗 + 𝑘 𝑦 𝑣 = 𝑖 + 2𝑗 − 6𝑘. Entonces pro𝑦𝑣 𝑢.

(𝑢·𝑣) 2 2 4
Solución en este caso |𝑣|2
= 41 𝑦 pro𝑦𝑣 𝑢 = 41 𝑖 + 41 𝑗 −
12 (𝑢·𝑣) 2
41
𝑘. la componente de u en la direcion v es |𝑣|2
= .
√41
Observe que, igual que en el plano, pro𝑦𝑣 𝑢 es un vector que tiene la misma dirección que v si u·v<0.
4.4 El producto cruz de dos vectores
Hasta el momento el único producto de vectores que se ha considerado ha sido el producto escalar o
producto punto. Ahora se define un nuevo producto, llamado producto cruz (o producto vectorial),
que está definido sólo en 𝑅 3.
Definición 4.4.1
Producto cruz
Sean u =𝑎1 𝑖 + 𝑏1 𝑗 + 𝑐1 𝑘 𝑦 𝑣 = 𝑎2 𝑖 + 𝑏2 𝑗 + 𝑐2 𝑘. Entonces el producto cruz(cruz vectorial) de u y

denotado por u x v, es un nuevo definido por
u X v = (𝑏1 𝑐2 - 𝑐1 𝑏2)i + (𝑐1 𝑎2 - 𝑐1 𝑎2 )j + (𝑎1 𝑏2 - 𝑏1 𝑎2)k
Ejemplo 4.4.1 cálculo del producto cruz de dos vectores
sean u = i-j+2k y v=2i+3j-4k. calcule w = u x v.
Solución
usando la formula (4.4.1) se obtiene
𝑤 = [(−1)(−4) − (2)(3)]𝑖 + [(2)(2) − (1)(−4)]𝑗 + [(1)(3) − (−1)(2)]𝑘

= −2𝑖 + 8𝑗 + 5𝑘
Nota. En este ejemplo, 𝑢 · 𝑤 = (𝑖 − 𝑗 + 2𝑘) · (−2𝑖 + 8𝑗 + 5𝑘) = −2 − 8 + 10 = 0.

De manera similar, v ·w = 0. Es decir, u X v es ortogonal tanto a u como a v. Como se verá en breve, el
producto cruz de u y v es siempre ortogonal a u y v.
Antes de continuar el estudio de las aplicaciones del producto cruz se observa que existe una forma
sencilla de calcular u X v usando determinantes.
Teorema4.4.1
𝑖 𝑗 𝑘
𝑢 𝑥 𝑣 = |𝑎1 𝑏1 𝑐1 |
𝑎2 𝑏2 𝑐2
Demostración
𝑖 𝑗 𝑘
𝑏 𝑐1 𝑎1 𝑐1 𝑎1 𝑏1
|𝑎1 𝑏1 𝑐1 | = 𝑖 | 1 | − 𝑗 |𝑎 𝑐2 | + 𝑘 |𝑎2 |
𝑏2 𝑐2 2 𝑏2
𝑎2 𝑏2 𝑐2
= (𝑏1 𝑐2 - 𝑐1 𝑏2 )i + (𝑐1 𝑎2 - 𝑐1 𝑎2 )j + (𝑎1 𝑏2 — 𝑏1 𝑎2)k
Que es igual a u x v según la definición 4.4.1.
Ejemplo 4.4.2 uso del teorema 4.4.1 para calcular un producto cruz
Calcular u x v, donde 𝑢 = 2𝑖 + 4𝑗 + 5𝑘 𝑦 𝑣 = −3𝑖 − 2𝑗 + 𝑘.

𝑖 𝑗 𝑘
Solución u x v =| 2 4 −5|=(4 − 10)𝑖 − (2 − 15)𝑗 + (−4 + 12)𝑘
−3 −2 1
= −6 + 13𝑗 + 8𝑘
El producto cruz u x v es ortogonal tanto a u como a v.
Se sabe que, u X v es un vector ortogonal a u y v, pero siempre habrá dos vectores unitarios
ortogonales a u y v (vea la figura 4.27). Los vectores n y -n (n por la letra inicial de normal) son ambos
ortogonales a u y v. ¿Cuál tiene la dirección de u x v? La respuesta está dada por la regla de la mano
derecha. Si se coloca la mano derecha de manera que el índice apunte en la dirección de u y el dedo
medio en la dirección de v, entonces el pulgar apuntará en la dirección de u X v (vea la figura 4.28).
Una vez que se ha estudiado la dirección del vector u X v, la atención se dirige a su magnitud.
z uxv
u
v
-n 0 y
n
0 y u
x
Figura 4.27 Figura 4.28
Existe exactamente dos vectores la dirección de u x v se
n y-n Ortogonales a puede determinar usando la regla

UNIDAD 3 – Espacios Vectoriales Y Producto Interno
-CLASE 3.1: Espacios Vectoriales
Introducción
Como se observó en el capítulo anterior, los conjuntos R2 (vectores en el plano) y R' (vectores (en el
espacio) cuentan con diversas propiedades peculiares Se puede sumar dos vectores en R2 y obtener
otro vector en R3. En la suma, los vectores en R2 obedecen las leyes conmutativa y asociativa. Si x e
R2, entonces x + 0 = xyx + (-x) = 0. Se puede multiplicar vectores en R2 por escalares y obtener las leyes
distributivas. En R' se cumplen las mismas propiedades.
Los conjuntos R2 y R' junto con las operaciones de suma de vectores y multiplicación por un escalar
se denominan espacios vectoriales. Se puede decir, de forma intuitiva, que un espacio vectorial es un
conjunto de objetos con dos operaciones que obedecen las reglas que acaban de escribirse.
Espacio vectorial real
Un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto con dos
operaciones binarias llamadas suma y multiplicación por un escalar, y que satisfacen los diez axiomas
enumerados en el siguiente recuadro.
Espacio Vectoriales
Un espacio vectorial es un conjunto no vacío V en el cual están definidas dos operaciones
1) +:V xV - V, (01,03) -> 0 + 0g
2) • : Kx V -+ V. (k,v) -+ kv
llamadas suma y producto por escalares (respectivamente) y las cuales satisfacen los siguientes
axiomas:
1) La suma es conmutativa, esto es u + v = v + u, para todo par u, v € V.
2) La suma es asociativa: u + (v + w) = (u + v) + w, para u. v. w E V
3) Existe un elemento 0 € V, llamado cero o vector nulo, con la propiedad u + 0 = u para cada u E V
4) Para cada e E V, existe un elemento (-v) e V, llamado "el inverso aditivo de v” con la propiedad
v+ (-v) = 0.
5) Se satisfacen propiedades distributivas como:
a) A (u + 0) = Au + Av, para A € K y cada u, o € V.
b) (A + ‚u)v = de + yo, para A, j € K y todo o € V.
6) El producto por un escalar es asociativo, es decir, (A p) e = A (u e), para todo A, j € K y todo v € V.
7) 1 • v = v para cada r € V.
Lema 1. En todo espacio vectorial, sólo un elemento neutro para la suma.
Demostración. Supóngase que existen dos ceros en V, dígase 0, y O. Entonces
01 = 01 + 02 = 02 + 01 = 02
LEMA 2. Cada elemento de un espacio vectorial posee sólo un elemento inverso aditivo.
Demostración. Sea V un espacio vectorial, sobre un campo K. Supongamos para e € V existen dos
inversos aditivos (-v), y (-0)2. Entonces
(-v)1 + 0
(-v)1 + (v + (-v)2)
((-v)1 + v) + (-v)2 =
(v + (- v)1) + (- v)2
0+ (- v)2
(- v)2 + 0
(- v)2
TEOREMA 20. Sea V un espacio vectorial. Entonces
1) 0•v = 0 para cada v E V
2) (-1)v = -v para cada v E V
3) A•0 = 0 para cada A E K
4) -(-v) = v para cada v E V
5) (-A)v = - (Av) = A(-v) para cada A E K y u E V
6) (-A)(-v) = Av para cada A E K y u E V
7) u + w = v + w implica que u = v, para todo u, v, w E V
8) Si A E K, y A =! 0, Au = Au entonces u = v, para todo u, v E V
9) Si Av = 0 implica que A = 0 ó v = 0.
Considérese el conjunto {c) formado por un solo elemento e. En este conjunto definanse las
operaciones de suma y producto por escalares de la siguiente manera:
v + v = v
Av = v, A E K
Es fácil ver que el conjunto (v) con estas operaciones forma un espacio vectorial. En particular, por el
axioma (3) de la definición de espacio vectorial, el elemento e debe ser el cero del espacio. Se escribirá
entonces este espacio como 30} con sus operaciones 0 ÷ 0 = 0, A0 = 0, A E K. Éste es un espacio vectorial
poco interesante. Se llamará espacio vectorial trivial. La importancia de este espacio es de carácter
teórico.
El Espacio Rn
Es usual que el algunos estudiantes asocien los vectores con nulas, ahora veremos que es el ejemplo
más importante de espacio vectorial, pues en cierto sentido muchos de los espacios vectoriales con
los que se trabajará, son "equivalentes" a este espacio.
El conjunto de vectores en este espacio es el conjunto de nadas ordenadas de números reales
x1,x2,………,xn, es decir
R' = {(x1. X2,......,xn) | xi E R, i = 1,……n}1
Al vector (x1. X2,......,xn) E Rn se le denotará simplemente como r. Es decir, se escribirá a: x =

(x1,x2,…….,xn). A los números x1,x2,…….,xn. se les llama coordenadas (o componentes) del vector x.
Similarmente se escribirá y = (y1,y2,…….,yn). z = (z1,z2,…….,zn) etc., para denotar a los vectores de este
espacio.
En R" se define la suma de los vectores z = (T1,22,...,5.) y y = (V1.½2. ....y.) coordenada a coordenada,
es decir, a + y es el vector R' cuvas coordenadas son las correspondientes sumas de coordenadas de a
y y. O sea,
𝑥 + 𝑦 = (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … … , 𝑥𝑛 + 𝑦𝑛 )
Similarmente, el producto del vector x = (x1,x2,…….,xn) E Rn por el escalar A E R se define coordenada a
coordenada, o sea.
Ax = (Ax1,Ax2,…….,Axn)
Verifíquese que R" con estas operaciones es efectivamente un espacio vectorial. Sean x = (x1,x2,…….,xn)
y = (y1,y2,…….,yn), z = (z1,z2,…….,zn) tres vectores cualesquiera de Rn y A, u dos escalares. Se tiene
(Propiedad de conmutatividad de la suma de números reales)
1) La suma es conmutativa
𝑥 + 𝑦 = (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … … , 𝑥𝑛 + 𝑦𝑛 )
= (𝑦 + 𝑥1 , 𝑦2 + 𝑥2 , … … , 𝑦𝑛 + 𝑥𝑛 )
=𝑦+𝑥
(Propiedad asociativa de la suma de números reales)
2) La suma es asociativa
𝑥 + (𝑦 + 𝑧) = (𝑥1 , 𝑥2 , … … , 𝑥𝑛 ) + (𝑦1 + 𝑧1 , 𝑦2 + 𝑧2 , … … , 𝑦𝑛 + 𝑧𝑛 )
= (𝑥1 + (𝑦1 + 𝑧1 ), 𝑥2 + (𝑦2 + 𝑧2 ), … … , 𝑥𝑛 + (𝑦𝑛 + 𝑧𝑛 ))
= ((𝑥1 + 𝑦1 ) + 𝑧1 , (𝑥2 + 𝑦2 ) + 𝑧2 , … … , (𝑥𝑛 + 𝑦𝑛 ) + 𝑧𝑛 )

= (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … … , 𝑥𝑛 + 𝑦𝑛 ) + (𝑧1 , +𝑧2 + 𝑧𝑛 )
= (𝑥 + 𝑦) + 𝑧
(propiedad neutra para la suma del cero en los números reales)
3) Existe el cero en R". Escríbase 0 E R" como 0 = (0,0, ..., 0). Entonces
𝑥 + 0 = (𝑥1 + 0, 𝑥2 + 0, … … , 𝑥𝑛 + 0)
= (𝑥1 , 𝑥2 , … … , 𝑥𝑛 ) = 𝑥
4) Para z E Rn, existe (-x) E Rn tal que x + (-x) = 0. Escríbase
−𝑥 = (−𝑥1 , −𝑥2 , … … , −𝑥𝑛 )𝐸 𝑅 𝑛

Por lo tanto
𝑥 + (−𝑥) = (𝑥1 − 𝑥1 , 𝑥2 − 𝑥2 , … … , 𝑥𝑛 − 𝑥𝑛 ) = (0,0, … … ,0) = 0

(Propiedad distributiva de los números reales)
5)
𝐴(𝑥 + 𝑦) = 𝐴(𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … … , 𝑥𝑛 + 𝑦𝑛 )
= (𝐴(𝑥1 + 𝑦1 ), 𝐴(𝑥2 + 𝑦2 ), … … , 𝐴(𝑥𝑛 + 𝑦𝑛 ))
= (𝐴𝑥1 + 𝐴𝑦1 , 𝐴𝑥2 + 𝐴𝑦2 , … … , 𝐴𝑥𝑛 + 𝐴𝑦𝑛 )
= (𝐴𝑥1 , 𝐴𝑥2 , … … , 𝐴𝑥𝑛 ) + (𝐴𝑦1 , 𝐴𝑦2 , … … , 𝐴𝑦𝑛 )
= 𝐴𝑥 + 𝐴𝑦
(Propiedad distributiva de los números reales)
6)
(𝐴 + 𝑢)𝑥 = ((𝐴 + 𝑢)𝑥1 , (𝐴 + 𝑢)𝑥2 , … … , (𝐴 + 𝑢)𝑥𝑛 )
= (𝐴𝑥1 + 𝑢𝑥1 , 𝐴𝑥2 + 𝑢𝑥2 , … … , 𝐴𝑥𝑛 + 𝑢𝑥𝑛 )

= (𝐴𝑥1 , 𝐴𝑥2 , … … , 𝐴𝑥𝑛 ) + (𝑢𝑥1 , 𝑢𝑥2 , … … , 𝑢𝑥𝑛 )
= 𝐴𝑥 + 𝑢𝑥
(Propiedad asociativa del producto de números reales)
7)
(𝐴𝑢)𝑥 = ((𝐴𝑢)𝑥1 , (𝐴𝑢)𝑥2 , … … , (𝐴𝑢)𝑥𝑛 )
= (𝐴(𝑢𝑥1 ), 𝐴(𝑢𝑥2 ), … … , 𝐴(𝑢𝑥𝑛 ))

= 𝐴(𝑢𝑥1 , 𝑢𝑥2 , … … , 𝑢𝑥𝑛 )
= 𝐴(𝑢𝑥)
(Propiedad neutra para el producto del uno en los números reales)
8)
1 . 𝑥 = (1 . 𝑥1 . 𝑥2 , … … ,1 . 𝑥𝑛 )
= (𝑥1 , 𝑥2 , … … , 𝑥𝑛 ) = 𝑥
Esto demuestra entonces que R" es un espacio vectorial. Debido a la importancia del carácter
geométrico de este espacio en los casos n=2 y n=3, se hará una discusión particular para cada uno de
estos dos casos.
EL Espacio Pn
Sea P. el conjunto de todos los polinomios con coeficientes reales de grado menor o igual que n. Es
decir
𝑃𝑛 = {𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛 | 𝑎0 , 𝑎1 , … … , 𝑎𝑛 𝐸 𝑅}2
En este conjunto, se define la suma de polinomios "coeficiente a coeficiente", o sea, si p1 = a0 + a1x
+…+anxn y p2 = b0+b1x+…+bnxn son dos polinomios de Pn su suma es el polinomio p1 + p2 definido por
p1 + p2 = (a0 + b0)+ (a1 + b1),… ….,(an + bn)xn
Obsérvese que p1 + p2 E Pn
Para el polinomio p = (a0 + a1x +… ….+anxn E Pn y el escalar A E R. se define el producto de p por A, como
siendo el polinomio
Ap = Aa0 + Aa1x +…+ Aanxn
Nuevamente obsérvese que Ap E P.
Se puede verificar fácilmente que Pn con estas operaciones es un espacio vectorial: el cero de este
espacio es el polinomio que tiene todos sus coeficientes iguales a cero, al que se denota simplemente
por 0: esto es, 0 = 0 + 0x +... + 0xn. Dado el polinomio p = a0 + a1x +…+ anxn E Pn, su inverso aditivo es el
polinomio -p = -a0 + -a1x +…+ -anxn E Pn, etc.
El Espacio mxn
Sea Mmxn el conjunto de todas las matrices de orden m x n. Es decir
𝑀𝑚𝑥𝑛 = {𝐴 = (𝑎𝑖𝑗 )𝑖=𝐼,…,𝑚 | 𝑎𝑖𝑗 𝐸 𝐾, 𝑖 = 1, … , 𝑚, 𝑗 = 1, … , 𝑛}

𝑗=𝐼,…,𝑛
En el capítulo 0 se ha definido la suma de elementos de Mmxn así como la multiplicación de un

elemento Mmxn por el escalar A e K (sección 3.1 del capítulo 1). El teorema 3.1 del capítulo 1 afirma
que el conjunto Mmxn con estas operaciones, es un espacio vectorial
El Espacio F(I)
Sea F(I) el conjunto de todas las funciones reales definidas en el subconjunto / de la recta real. Es decir
𝑓(𝐼) = { 𝑓 ∶ 𝐼 → 𝑅 }3
Sean f y g dos funciones de F(I). Defínase la suma de f y g como la función f + g : I → R tal que
(f + g)(x) = f(x) + g(x)
(el valor de la función f + g en el punto x € I, es la suma de los valores de las funciones f y g en ese
punto). Si f E F(I) y A E R, defínase el producto de f por el escalar A como la función Af : I → R tal que
(Af)(x)=Af(x)
(el valor de la función Af en el punto x E I, es el producto de A por el valor (el número real) de f en x).
Se verificará que el conjunto F(I) con estas operaciones de suma y producto por escalares es un espacio
vectorial. Sean f, g, h E F(I) y A, u E R.
1) suma es conmutativa
Sea x E I. Entonces
(f + g) (x) = f(x) + g(x) = g(x) + f(x) = (g+ f) (x)

como (f + g) (x) = (g + f) (x) Vx E I, concluimos que f + g = g + f (es decir, la función f + g es igual a la
función g + f).
2) La suma es asociativa.
Sea x E I. Entonces
(f + (g+ h)) (x) = f (x) + (g + h) (x) = f (x) + (g (x) + h (x))
= (f (x) + g (x)) + h (x) = (f + g) (x) + h (x)
= ((f + g) + h) (x)
Nuevamente, como x E I fue arbitrario, se concluye que
f + (g + h) = (f + g) + h
3) Considérese la función 0 : I → R, definida por 0(x) = 0 Vx E I.
Obsérvese que para x E I
(f + 0) (x) = f (x) + 0 (x) = f (x) + 0 = f (x)
Es decir, f + 0 = f. La función 0 es el cero de este espacio vectorial.
4) Dada f E F(I), defina la función (-f) : I → R como (-f) (x) = -f (x). Entonces, para x E I
(f + (-f)) (x) = f (x) + (-f) (x) = f (x) - f(x) = 0
O sea, f + (-f) = 0, y entonces (-f) es el inverso aditivo de f.
5) Para x E I se tiene
(A(f + g)) (x) = A (f + g) (x) = A(f (x) + g (x)) = Af (x) + Ag(x)
= (Af) (x) (Ag) (x) = ((Af) + (Ag)) (x)
Es decir A(f + g) = Af + Ag
6) Si x E I
((A + u) f) (x) = (A + u) f (x) = Af (x) + uf (x) = (Af) (x) + (uf) (x) = ((Af) + (uf)) (x)
O sea (A + u) f = Af + uf.
7) Si x E I,
((Au) f) (x) = (Au) f (x) = A (uf (x))
= A((uf) (x)) = (A(uf)) (x)
en donde (Au) f = A (uf).
8) Para x E I, (1 • f) (x) = 1 • f (x) = f (x), es decir, 1 • f = f.
Esto demuestra, entonces que F(I) es un espacio vectorial.

Axiomas de un espacio vectorial
Nota. Los primeros cinco axiomas se utilizan para definir a un grupo abeliano, y los axiomas vi) al x)
describen la interacción de los escalares y los vectores mediante la operación binaria de un escalar y
un vector.
I) Si x E V y y E V, entonces x + y E V (cerradura bajo la suma).
II) Para todo x, y y z en V, (x + y) + z = x + (y + z)
(ley asociativa de la suma de vectores).
III) Existe un vector 0 E V tal que para todo x E V, x + 0 = 0 + x = x
(el 0 se llama vector cero o idéntico aditivo).
IV) Si x E V, existe un vector -x en E V tal que x + (-x) = 0
(-x se llama inverso aditivo de x).
V) Si x y y están en V, entonces x + y = y + x
(Ley conmutativa de la suma de vectores).
VI) Si x E V y a es un escalar, entonces ax e V
(cerradura bajo la multiplicación por un escalar).
VII) Si x y y estan en V y a es un escalar, entonces a(x + y) = ax + ay
(primera ley distributiva).
VIII) Si x E V y a y B son escalares, entonces (a + B) x = ax + Bx
(segunda ley distributiva).
IX) Si x E V y a y B son escalares, entonces a (Bx) = (aB) x
(ley asociativa de la multiplicación por escalares).
X) Para cada vector x E V. Ix = x
CLASE 3.2:
Subespacios Vectoriales
• Un subespacio H de un espacio vectorial V es un subconjunto de V que es en sí un espacio vectorial.
• Un subespacio no vacío H de un espacio vectorial V es un subespacio de V si las dos siguientes reglas

se cumplen:
I) Si x E H y y E H, entonces x + y E H.
II) Si x E H, entonces ax E H para cada escalar a.
• Un subespacio propio de un espacio vectorial V es un subespacio de V diferente de (0) y de V.
Probaremos que S es un subespacio vectorial:

Sean a y b en S, entonces existen a y b números tales que a = a(-1,1,1) = (-a, a, a) y b = b (-1,1,1) = (-b,
b, b).
I) a + b = (-a, a, a) + (-b, b, b) = (-a-b, a+b, a+b) = (-(a+b), a+b, a+b) está en S.
II) αa = α(-a, a, a) = (α(-a), αa, αa) = (-αa, αa, αa) está en S.
Entonces, por el teorema 3.2, S es un subespacio vectorial de R3.
CLASE 3.3:
Definición 5.3.1
Combinación Lineal
Sean v1, v2,.., vn vectores en un espacio vectorial V. Entonces cualquier vector de la forma
a1v1, + a2v2 +...+ anvn (5.3.1)
donde, a1 a2,..., an son escalares se denomina una combinación lineal de v1,v2,…, vn
EJEMPLO 5.3.2
Una combinación lineal en M23
−3 2 8 −1 0 4 0 1 −2 −3 2 8
En 𝑀23 = ( ) = 3( ) + 2( ), lo que muestra que ( ) es
−1 9 3 1 1 5 −2 3 −6 −1 9 3
−1 0 4 0 1 −2
una combinación lineal de ( )𝑦( ).
1 1 5 −2 3 −6
EJEMPLO 5.3.3
Combinaciones lineales en P.
En P, todo polinomio se puede escribir como una combinación lineal de los "monomios" 1, x, x2,…,xn.
Definición 5.3.2
Conjunto generador
Se dice que los vectores v1 v2,..., vn, de un espacio vectorial V generan a V si todo vector en V se
puede escribir como una combinación lineal de los mismos. Es decir, para todo v E V existen
escalares a1, a2,..., an tales que
v= a1, + v1, +a2+ v2 +…+ anvn (5.3.2)
EJEMPLO 5.3.4
Conjunto de vectores que generan R2 y R3
1 0
En la sección 4.1 se vio que los vectores 𝑖 = ( ) 𝑦 𝑗 = ( ) generan R2. En la sección 4.3 se vio que
0 1
1 0 0
𝑖 = (0) , 𝑗 = (1) 𝑦 𝑘 = (0) generan R3.
0 0 1
Ahora se verá brevemente la generación de algunos otros espacios vectoriales.
EJEMPLO 5.3.5 n + 1 vectores que generan a P.
Del ejemplo 5.3.3 se deduce que los monomios 1, x, x2,…,xn generan a Pn.
EJEMPLO 5.3.6 Cuatro vectores que generan a M22
𝑎 𝑏 1 0 0 1 0 0 0 0 0 0 0 0
Como ( ) = 𝑎( )+𝑏( )+𝑐( )+𝑑( ), vemos que ( )𝑦( )
𝑐 𝑑 0 0 0 0 1 0 0 1 1 0 0 1
generan a M22
EJEMPLO 5.3.7 Ningún conjunto finito de polinomios generan a P

Sea P el espacio vectorial de polinomios. Entonces ningún conjunto finito de polinomios genera a P.
Para ver esto, suponga que P1, P2,...,Pm son polinomios. Sea pk el polinomio de mayor grado en este
conjunto y sea N = grado(pk). Entonces el polinomio p(x) = xn+1 no se puede escribir como una
combinación lineal de P1+ P2,. . .,Pm. Por ejemplo, si N = 3, entonces x4 ≠ C0 + c1x + c2x2 + c3x3 para
cuales quiera escalares c0, c1, c2, y c3. Ahora se analizará otra forma de encontrar subespacios de un
espacio vectorial V.
UNIDAD 3 – Espacio Vectoriales Y Producto Interno
-CLASE 3.4:
Definición 5.3.1
Independencia lineal, bases y dimensión

En esta sección se amplían las nociones de independencia lineal, base y dimensión a espacios
vectoriales en general, lo que generaliza los resultados de las secciones 2.3 y 3.5. En la mayoría de
los casos se realizan las demostraciones de los teoremas; simplemente se sustituye Rn por el espacio
vectorial V.
Independencia lineal
Definición
Un conjunto de vectores {v1, v2, ..., vk} en un espacio vectorial V es linealmente dependiente si
existen escalares c1, c2, ..., ck, al menos uno de los cuales no es cero, tales que
c1v1 + c2v2 + … + ckvk = 0
Un conjunto de vectores que no es linealmente dependiente se dice que es linealmente

independiente.
Base
Un conjunto de vectores v1, v2, … , vn es una base para un espacio vectorial V si
I) {v1, v2, … , vn} es linealmente independiente.
II) {v1, v2, … , vn} genera a V.
• Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn.
•La base canónica en Rn consiste en n vectores
1 0 0 0
0 1 0 0
𝑒1 = 0 , 𝑒2 = 0 , 𝑒3 = 1 , . . . . , 𝑒𝑛 = 0
⋮ ⋮ ⋮ ⋮
( 0) ( 0) (0) (1)
Teorema 5.5.1
Si { v1, v2, … , vn} es una base para V y si v E V, entonces existe un conjunto único de escalares c1, c2, ...,
cn tales que v = c1v1 + c2v2 + ... + cnvn.
Dimensión
Si el espacio vectorial V tiene una base finita, entonces la dimensión de V es el número de vectores
en cada base y V se denomina un espacio vectorial de dimensión finita. De otra manera, V se
denomina espacio vectorial de dimensión infinita. Si V = {0}, entonces se dice que V tiene
dimensión cero. La dimensión de V se denota por dim V.
* Si H es un subespacio del espacio de dimensión finita V, entonces dim H ≤ dim V.
* Los únicos subespacios propios de R3 son los conjuntos de vectores que están en una recta o en un
plano que pasa por el origen.
Bases ortonormales y proyecciones en Rn

En Rn se vio que n vectores linealmente independientes constituyen una base. La base canónica E =
{e1, e2, … , en } es la de mayor uso. Estos vectores tienen dos propiedades:
I) ei . ej = 0 si I ≠ j
II) ei . ei = 1
Definición 6.1.1
Conjunto ortonormal en Rn
Se dice que un conjunto de vectores S = (u1, U2. ..., uk) en Rn es un conjunto ortonormal si
ui . uj = 0 si i ≠ 1
ui . uj = 1 (6.1.1) (6.1.2)
Si sólo se satisface la ecuación (6.1.1) se dice que el conjunto es ortogonal.
Definición 6.1.2
Longitud o norma de un vector

Si v E Rn, entonces la longitud o norma de v, denotada por |v|, está dada por
|𝑣| = √𝑣 . 𝑣
Nota. Si v = (x1, x2, ..., xn), entonces v . v = 𝑥12 + 𝑥22 + . . . , + 𝑥𝑛2 . Esto significa que
v. v≥0yv.v=0 si y sólo si v = 0
De esta forma se puede obtener la raíz cuadrada en (6.1.8), y se tiene
|𝑣| = √𝑣 . 𝑣 ≥ 0 para toda v E Rn

|𝑣| = 0 si y sólo si v = 0
UNIDAD 4 – Transformaciones Lineales, Valores y Vectores Característicos
CLASE 4.1:
Transformación Lineal, Imagen Y Núcleo
Transformación lineal
Sean V y W espacios vectoriales reales. Una transformación lineal T de V en W es una función que
asigna a cada vector v E V un vector único Tv E W y que satisface, para cada u y v en V y cada escalar
α,
T(u + v) = Tu + Tv
T(α v) = a T v (7.1.1) (7.1.2)
Ejercicio
Determine si la transformación dada de V en W es lineal
T: R3 → R2
𝑥
1
𝑇 (𝑦 ) = ( )
𝑧 𝑧
Comprobamos la primera propiedad: T (u + v) = Tu + Tv
Sea el vector u = (u1, u2, u3) y v = (v1, v2, v3) → u + v = (u1 + V1, u2 + v2, u3 + v3)
T (u + v) = Tu + Tv
𝑢1 +𝑣1 𝑢1 𝑣1
𝑇 (𝑢2 +𝑣2 ) = 𝑇 (𝑢2 ) + 𝑇 (𝑣2 )
𝑢3 +𝑣3 𝑢3 𝑣3
1 1 1
(𝑢 𝑣3 ) = ( ) + ( )
3 𝑢3 𝑣3
1 2
(𝑢 +𝑣3 ) = (𝑢3 +𝑣3 )
3
→La Transformación no es lineal.
Ejercicio
Determine si la transformación dada de V en W es lineal
T: R2 → R
𝑥
𝑇 (𝑦) = 𝑥 𝑦
Comprobamos la primera propiedad: T (u + v) = Tu + Tv
Sea el vector u = (u1, u2) y v = (V1, v2) → u + v = (u1 + V1, u2 + v2)
T (u + w) = Tu + Tv
𝑢 +𝑣1 𝑢1 𝑣1
𝑇 (𝑢1 +𝑣2 ) = 𝑇 (𝑢2 ) + 𝑇 (𝑣2 )
2
(u1 + v1) (u2 + v2) = u1u2 + v1v2
Como
u2v1 + u1v2 + u1u2 + v1v2 ≠ u1u2 + v1v2
= La Transformación no es lineal.
Ejercicio
¿Sea T una transformación lineal de R2 → R3 tal que

1 −4
1 0
𝑇 ( ) = (2) y 𝑇( ) = ( 0 )
0 1
3 5
2 −3
Encuentre (𝑎) 𝑇 ( ) y (𝑏) 𝑇 ( )
4 7
Aplicamos las propiedades de transformación lineal
2 1 0 1 0
(a) 𝑇 ( ) = 𝑇 (2 ( ) + 4 ( )) = 𝑇 (2 ( )) + 𝑇 (4 ( ))
4 0 1 0 1
1 −4
1 0
= 2𝑇 ( ) + 4𝑇 ( ) = 2 (2) + 4 ( 0 )
0 1
3 5
−14
=( 4 )
26
−3 1 0 1 0
(b) 𝑇 ( ) = 𝑇 (−3 ( ) + 7 ( )) = 𝑇 (−3 ( )) + 𝑇 (7 ( ))
7 0 1 0 1
1 −4
1 0
= −3𝑇 ( ) + 7𝑇 ( ) = −3 (2) + 7 ( 0 )
0 1
3 5
−31
= ( −6 )
26
Propiedades básicas de las transformaciones lineales
Sea T: V → W una transformación lineal. Entonces, para todo vector u, v1, v2 ,.., vn en V y todo escalar
a1,a2 ,...,an
I) T(0) = 0
II) T (u - v) = Tu – Tv
III) T (α1v1, α2v2, ……, αnvn) = α1Tv1, α2Tv2, …., αnTvn
• Núcleo e imagen de una transformación lineal
Sean V y W dos espacios vectoriales y sea T: V → W una transformación lineal. Entonces el núcleo de
T, denotado por nu T, está dado por
nu T = {v E V : Tv = 0}
La imagen de T, denotada por im T está dada por
im T = {w E W : Tv para algún v E V}
nu T es un subespacio de V e im T es un subespacio de W
• Nulidad y rango de una transformación lineal
Si T es una transformación lineal de V en W, entonces
nulidad de T= v (T) = dim nu T
rango de T = p (T) = dim im T
-CLASE 4.1:
-Representación Matricial De Una Transformación Lineal
- Nulidad Y Rango De Una Transformación Lineal
Representación Matricial De la Transformación Lineal
Sea T: Rn → Rm una transformación lineal. Existe entonces una matriz única de m X n, AT tal que
T× = ATx para toda x E Rn (7.3.1)
Demostración
Sea w1, = Te1, w2, = Te2, ..., wn = Ten. Sea Ay la matriz cuyas columnas son w1, w2, . .. wn y hagamos
que AT denote también a la transformación de Rn → Rm, que multiplica un vector en Rn por AT. Si
𝑎1𝑖
𝑎21
𝑤𝑖 = ( ⋮ ) 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … , 𝑛
𝑎𝑚𝑖
• Núcleo e imagen de una transformación lineal
Sean V y W dos espacios vectoriales y sea T: V → W una transformación lineal. Entonces el núcleo de
T, denotado por nu T, está dado por
nu T= {v E V : Tv = 0}
La imagen de 7, denotada por im T está dada por
im T= {w E W : Tv para algún v E V}
nu T es un subespacio de V e im T es un subespacio de W.
• Nulidad y rango de una transformación lineal
Si T es una transformación lineal de V en W, entonces
nulidad de T= v (T) = dim nu T
rango de T = p (T) = dim im T
Representación Matricial De la transformación Lineal

Encuentre la matriz de transformación A correspondiente a la proyección de un vector en R3 sobre el
plano xy.
𝑥 𝑥 1 1 0 0 0 0
Solución Aquí 𝑇 (𝑦) = (𝑦). En particular, 𝑇 (0) = (0) , 𝑇 (1) = (1) 𝑦 𝑇 (0) = (0).
𝑧 0 0 0 0 0 1 1
1 0 0 𝑥 1 0 0 𝑥 𝑥
Asi, 𝐴 𝑇 = (0 1 0). Observe que 𝐴 𝑇 (𝑦) = (0 1 0) (𝑦) = (𝑦).
0 0 1 𝑧 0 0 1 𝑧 0
𝑥 −𝑦
𝑥 𝑦 +𝑧
Defina T: R3 en R4 por 𝑇 (𝑦) = ( 2𝑥 −𝑦 −𝑧 )
𝑧
−𝑥 +𝑦 +2𝑧
Encuentre AT, nu T, im T, v(T) y p(T).
1 1 0 −1 0 0
Solucion 𝑇 (0) = ( 0 ) , 𝑇 (1) = ( 1 ) , 𝑦 𝑇 (0) = ( 1 )
2 −1 −1
0 −1 0 1 1 2
1 −1 0
Así, 𝐴 𝑇 = ( 0 1 1)
2 −1 −1
−1 1 2
1 −1 0 𝑥 −𝑦
𝑥 𝑦 +𝑧
Observe (a manera de verificación) que ( 0 1 1 ) (𝑦) = (
2𝑥 −𝑦 −𝑧 )
2 −1 −1
𝑧
−1 1 2 −𝑥 +𝑦 +2𝑧
Ahora se calculan el núcleo y la imagen de A. La forma escalonada por renglones de

1 −1 0 1 −1 0
( 0 1 1 ) 𝑒𝑠 (0 1 1).
2 −1 −1 0 0 1
−1 1 2 0 0 0
Esta forma tiene tres pivotes, de manera que ya que p(A) + v(A) = 3
p (A) = 3 y v (A) = 3 – 3 = 0
1 −1 0
Esto significa que 𝑛𝑢 𝑇 = {0}, 𝑖𝑚 𝑇 = 𝑔𝑒𝑛 {( ) , ( ) , ( 1 )} , 𝑣(𝑇) = 0 𝑦 𝑝(𝑇) = 3
0 1
2 −1 −1
−1 1 2
Anexos:
1. Tareas Medio ciclo (2):
2. Tareas Fin de ciclo (2):
3. Talleres Medio ciclo:
4. Talleres Fin de ciclo:
5. Examen Medio ciclo:
6. Proyecto Fin de ciclo
Introducción:
El álgebra lineal es una rama fundamental de las matemáticas que encuentra
aplicaciones en diversas disciplinas, desde la física y la ingeniería hasta la economía
y la informática. Dos conceptos esenciales en esta área son el "Producto Interno" y la
"Diagonalización". Estos conceptos no solo poseen un gran valor teórico, sino que
también juegan un papel crucial en la resolución de problemas prácticos y en la
comprensión profunda de las propiedades de las estructuras matriciales y vectoriales.
El "Producto Interno" es una operación fundamental que permite medir la
relación entre vectores en un espacio vectorial. Esta operación no solo captura la
noción de longitud y ángulo entre vectores, sino que también establece las bases para
el estudio de conceptos más avanzados, como la ortogonalidad y los espacios
euclídeos. Por otro lado, la "Diagonalización" es un proceso mediante el cual una
matriz se descompone en una forma simplificada, donde sus auto vectores y
autovalores juegan un papel esencial.
El propósito de esta investigación es explorar en detalle los conceptos de
Producto Interno y Diagonalización en el contexto del álgebra lineal. A lo largo de esta
investigación, se examinarán sus definiciones, propiedades y aplicaciones prácticas
en diversas situaciones.
A medida que avancemos en esta investigación, descubriremos cómo el
Producto Interno nos permite medir relaciones geométricas entre vectores y cómo la
Diagonalización simplifica la representación y resolución de sistemas lineales
complejos.
Objetivo General:
Explorar en profundidad los conceptos de Producto Interno y Diagonalización
en el contexto del álgebra lineal, analizando sus definiciones, propiedades y
aplicaciones prácticas.
Objetivos Específicos:
• Comprender en detalle qué es el Producto Interno en un espacio vectorial y
cómo se calcula, así como su importancia en la geometría y en el estudio de
relaciones entre vectores.
• Analizar las propiedades fundamentales del Producto Interno, como la
linealidad, la simetría y la desigualdad de Cauchy-Schwarz, y cómo estas
propiedades influyen en el comportamiento de los vectores.
• Entender en qué consiste la Diagonalización de matrices y cómo se relaciona
con los autovectores y autovalores de una matriz.
• Investigar los pasos para diagonalizar una matriz, desde el cálculo de
autovectores hasta la obtención de la matriz diagonalizada, y cómo esta
técnica simplifica la resolución de sistemas lineales y ecuaciones diferenciales.
• Analizar ejemplos concretos de cómo la Diagonalización se aplica en campos
como la física y la ingeniería, donde esta técnica puede ser utilizada para
modelar y resolver problemas complejos.
• Sintetizar las contribuciones clave de la investigación en una conclusión que
destaque la importancia de estos conceptos en el álgebra lineal y cómo su
comprensión enriquece la resolución de problemas matemáticos y prácticos.
Marco Teórico:
Producto Interno en Álgebra Lineal

El Producto Interno, también conocido como producto escalar o producto
punto, es una operación fundamental en álgebra lineal que se utiliza para medir la
relación entre dos vectores en un espacio vectorial. A continuación, se describen los
aspectos clave del Producto Interno:
Definición del Producto Interno: En un espacio vectorial, el Producto Interno
entre dos vectores se define como una función que toma dos vectores y devuelve un
número real. Formalmente, si tenemos dos vectores u y v, su Producto Interno se
denota como ⟨u, v⟩ y se define como:
⟨u, v⟩ = u · v = ∑(uᵢ * vᵢ) desde i=1 hasta n, donde n es la dimensión del espacio
vectorial.
Aquí, uᵢ y vᵢ son las componentes de los vectores u y v, respectivamente.
Propiedades del Producto Interno: El Producto Interno posee propiedades
importantes, como la linealidad, la simetría y la positividad definida. Estas
propiedades incluyen:
Linealidad: ⟨au + bv, w⟩ = a⟨u, w⟩ + b⟨v, w⟩ para todos los escalares a y b, y vectores
u, v, y w en el espacio vectorial.
Simetría: ⟨**u, v⟩ = ⟨**v, u⟩ para todos los vectores u y v.
Positividad definida: ⟨**u, u⟩ ≥ 0 para todo vector u, y ⟨**u, u⟩ = 0 si y solo si u = 0 (el
vector nulo).
Geometría y Aplicaciones: El Producto Interno tiene una interpretación
geométrica significativa. Define la noción de longitud (norma) de un vector y el ángulo
entre dos vectores. También se utiliza en aplicaciones como la proyección de un

vector sobre otro, la determinación de ortogonalidad y la construcción de bases
ortogonales.
Diagonalización de Matrices
La Diagonalización es un proceso importante en álgebra lineal que implica
descomponer una matriz en una forma simplificada, donde las matrices diagonales
juegan un papel central. A continuación, se describen los aspectos clave de la
Diagonalización:
Concepto de Diagonalización: Dada una matriz cuadrada A, se dice que A es
diagonalizable si existe una matriz invertible P y una matriz diagonal D tal que A =
PDP^(-1), donde D contiene los autovalores de A en su diagonal y P contiene los
autovectores correspondientes.
Cálculo de Autovectores y Autovalores: El proceso de diagonalización implica
calcular los autovalores y autovectores de la matriz A. Un autovalor λ es una solución
de la ecuación característica det(A - λI) = 0, donde I es la matriz identidad. Los
autovectores corresponden a estos autovalores y son los vectores que satisfacen la
ecuación (A - λI)v = 0, donde v es un autovector.
Aplicaciones de la Diagonalización: La Diagonalización es una herramienta
valiosa en la resolución de sistemas de ecuaciones lineales, la exponenciación de
matrices y la resolución de ecuaciones diferenciales lineales. También se utiliza en la
diagonalización de operadores lineales en espacios vectoriales.
Ejemplos Prácticos: Se pueden proporcionar ejemplos concretos de cómo la
Diagonalización se aplica en campos como la física cuántica, la ingeniería de control
y el análisis de datos mediante técnicas como la descomposición en valores
singulares (SVD).
Ejemplos de Producto Interno:
Ejemplo 1: Producto Interno en R^2
Supongamos que tenemos dos vectores en el espacio euclidiano R^2:
u = (3, 4)
v = (1, -2)
Podemos calcular el Producto Interno entre estos dos vectores usando la fórmula:
⟨u, v⟩ = u · v = (3 * 1) + (4 * -2) = 3 - 8 = -5
Por lo tanto, el Producto Interno de u y v en R^2 es -5.
Ejemplo 2: Ortogonalidad
La noción de ortogonalidad es esencial en álgebra lineal. Dos vectores son
ortogonales si su Producto Interno es igual a cero. Considera los siguientes dos
vectores en R^3:
a = (1, 0, 2)
b = (0, -1, 1)
Para verificar si son ortogonales, calculamos su Producto Interno:
⟨a, b⟩ = a · b = (1 * 0) + (0 * -1) + (2 * 1) = 0 - 0 + 2 = 2
Dado que ⟨a, b⟩ ≠ 0, los vectores a y b no son ortogonales en R^3.
Ejemplos de Diagonalización:
Ejemplo 1: Diagonalización de una Matriz 2x2
Considera la matriz A:
A = [[3, 1],
[0, 2]]
Para diagonalizar A, primero calculamos sus autovalores. La ecuación característica
es det(A - λI) = 0:
|3-λ, 1 |
|0, 2-λ| = (3-λ)(2-λ) - (0*1) = (3-λ)(2-λ) = 0
Esto da como resultado dos autovalores λ₁ = 3 y λ₂ = 2.
Luego, calculamos los autovectores correspondientes a estos autovalores. Para λ₁ =
3:
(A - 3I)v₁ = 0, donde v₁ es un auto vector.
Resolviendo, obtenemos v₁ = [1, 0].
Para λ₂ = 2:
(A - 2I)v₂ = 0, donde v₂ es otro auto vector.
Resolviendo, obtenemos v₂ = [1, 1].
Ahora, podemos formar la matriz P con estos autovectores como columnas y la matriz
diagonal D con los autovalores en la diagonal:
P = [[1, 1],
[0, 1]]
D = [[3, 0],
[0, 2]]
Finalmente, calculamos P^-1 y verificamos que A = PDP^-1.
Ejemplo: Aplicación en Ingeniería de Control
Supongamos que estás diseñando un sistema de control para reducir las vibraciones
en una plataforma de perforación marina utilizada en la industria petrolera. Las
vibraciones no deseadas pueden afectar la precisión de la perforación y poner en
peligro la integridad de la plataforma. Uno de los pasos para abordar este tema seria
la diagonalización:
Para controlar eficazmente este sistema, puede ser beneficioso diagonalizar la matriz
de coeficientes [m,c,k]. La diagonalización implica encontrar una matriz P y una matriz
diagonal D de manera que:
P-1 AP = D
Donde A es la matriz de coeficientes [m,c,k]. La matriz diagonal D contendría los
autovalores del sistema, que son críticos para entender su comportamiento. Esta
representación diagonal simplifica el análisis y diseño del sistema de control.
Recomendaciones:
• Profundiza en la Teoría: Asegúrate de tener una comprensión sólida de los
fundamentos teóricos del Producto Interno y la Diagonalización. Esto incluye
comprender las definiciones, propiedades y teoremas clave relacionados con
estos conceptos.
• Genera Ejemplos Propios: Crea ejemplos adicionales que sean relevantes
para tu público objetivo. Estos ejemplos pueden ayudar a aclarar conceptos y
mostrar la versatilidad de las herramientas que estás investigando.

• Considera Casos de No-Diagonalización: Además de ejemplos de
diagonalización, explora situaciones en las que las matrices no son
diagonalizables y por qué ocurre esto. Esto enriquecerá tu comprensión de los
límites de la Diagonalización.
• Practica con Problemas Resueltos: Resuelve una variedad de problemas
relacionados con el Producto Interno y la Diagonalización para fortalecer tus
habilidades y comprensión. Los problemas pueden incluir la verificación de
ortogonalidad, el cálculo de autovalores y autovectores, y la diagonalización de
matrices.
• Visualiza Conceptos: Utiliza gráficos y visualizaciones para representar
conceptos geométricos relacionados con el Producto Interno, como
proyecciones de vectores en espacios euclídeos. Las visualizaciones pueden
hacer que los conceptos sean más accesibles.
• Colabora con Otros Estudiantes: Si es posible, trabaja en equipo con otros
estudiantes o colegas interesados en álgebra lineal. Discutir conceptos y
problemas con otras personas puede proporcionar diferentes perspectivas y
enfoques.
• Revise y Corrige: Asegúrate de revisar y corregir tu trabajo cuidadosamente
para evitar errores. Los errores pueden ser difíciles de detectar en
matemáticas, así que dedica tiempo a la revisión.
• Consulta a Tu Profesor o Tutor: Si tienes dudas o encuentras obstáculos en tu
investigación, no dudes en consultar a tu profesor, tutor o asesor. Están ahí
para ayudarte y proporcionarte orientación.

• Recuerda que la práctica constante y la exploración activa de ejemplos y
aplicaciones te ayudarán a desarrollar una comprensión profunda de estos
conceptos en álgebra lineal.
Conclusiones:
• Relación entre Producto Interno y Geometría: Hemos destacado cómo el
Producto Interno está intrínsecamente relacionado con la geometría y las
propiedades de los vectores en un espacio vectorial. Permite medir longitudes,
ángulos y definir conceptos como la ortogonalidad, lo que resulta crucial en la
física, la ingeniería y la estadística, entre otros campos.
• Comprensión Profunda de Estructuras Matriciales: La Diagonalización nos
permite descomponer una matriz en una forma más simple, revelando
información sobre sus autovalores y autovectores. Esto no solo facilita la
resolución de sistemas, sino que también proporciona una comprensión más
profunda de las propiedades de las matrices y su comportamiento.
• Aplicación en el Mundo Real: A lo largo de esta investigación, hemos
proporcionado ejemplos concretos de cómo el Producto Interno y la
Diagonalización se aplican en situaciones del mundo real. Estos ejemplos
demuestran cómo estas herramientas son valiosas en la resolución de
problemas prácticos y en la modelación de sistemas complejos.
• Ventajas Computacionales: La Diagonalización puede simplificar
drásticamente la resolución de sistemas de ecuaciones lineales en
comparación con otros métodos numéricos. En aplicaciones computacionales
y de simulación, esto puede llevar a soluciones más eficientes y precisas.
• Aplicaciones Futuras: Hemos identificado áreas emergentes donde el Producto
Interno y la Diagonalización están desempeñando un papel cada vez más

importante, como en el aprendizaje automático y la inteligencia artificial. Estas
herramientas son fundamentales en la reducción de dimensiones y el análisis
de datos.
• Desarrollo de Habilidades Analíticas: Al investigar y comprender
profundamente el Producto Interno y la Diagonalización, los estudiantes y
profesionales están desarrollando habilidades analíticas críticas que son
aplicables en una variedad de campos, fomentando el pensamiento lógico y la
resolución de problemas.
En resumen, esta investigación ha destacado la importancia del Producto Interno y la
Diagonalización en álgebra lineal. Estas herramientas proporcionan una base sólida
para comprender y abordar una amplia variedad de problemas en matemáticas y más
allá. Su versatilidad y aplicaciones prácticas los convierten en elementos clave en la
caja de herramientas de cualquier estudiante o profesional de las ciencias y la
ingeniería. Estas conclusiones adicionales ayudarán a resaltar la importancia y la
amplitud de los temas que has investigado, así como a sugerir posibles direcciones
futuras para la exploración y el desarrollo de estos conceptos en álgebra lineal.
Bibliografía:
Libros de Texto:
Strang, G. (2006). Linear Algebra and Its Applications (4th ed.). Cengage Learning.
Páginas web:
Khan Academy. (https://www.khanacademy.org/math/linear-algebra): Khan Academy
ofrece tutoriales en línea gratuitos sobre álgebra lineal, que incluyen lecciones sobre
Producto Interno, Diagonalización y una variedad de conceptos relacionados.

AL FC Portafolio Completo JBZB

Cargado por

Copyright:

Formatos disponibles

AL FC Portafolio Completo JBZB

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

AL FC Portafolio Completo JBZB

Cargado por

Copyright:

Formatos disponibles

SISTEMAS DE INFORMACIÓN

Actualmente, me encuentro estudiando la carrera de Sistemas de Información en la Universidad

La informática es una disciplina que está en constante evolución, y estoy comprometido a

Sistema de Gestión Académica - UTM 1 de 2

Horas de traslado entre IES y casa: 1.00

PATERNIDAD / Total hijos nacidos vivos: 0

CARACTERIZACIÓN Tipo: APARTAMENTO / CASA

INFORMACIÓN Ocupacion laboral del jefe de familia: MAESTRO

GASTOS POR BECA

UNIVERSIDAD TÉCNICA DE MANABÍ

II. PERFIL DEL DOCENTE QUE IMPARTE LA ASIGNATURA

III. RESULTADO DE APRENDIZAJE DE LA ASIGNATURA (PERFIL DE EGRESO)

Nº Nivel Taxonómico Resultados del Aprendizaje Formas de Evidenciar

SPCA - Sistema de Planificación y Control Académico Página 1 de 8

UNIDAD 1. UNIDAD 1: MATRICES Y SISTEMAS DE ECUACIONES LINEALES

UNIDAD 2. UNIDAD II : VECTORES EN R^2 y R^3

Resultado de Aprendizaje: Calcular problemas

UNIDAD 3. UNIDAD III : ESPACIOS VECTORIALES Y PRODUCTO INTERNO

Resultado de Aprendizaje: Aplicar el concepto

UNIDAD 4. UNIDAD IV: TRANSFORMACIONES LINEALES.

Resultado de Aprendizaje: Aplicar las

Resultado de Aprendizaje: Aplicar los valores y

AUTOR TITULO EDICIÓN AÑO EDITORIAL PORTADA

Flores Godoy, McGraw-Hill

AUTOR TITULO EDICIÓN AÑO EDITORIAL PORTADA

Mesa Introducción al Álgebra lineal 1 2012 Ecoe 2012

AUTOR TITULO EDICIÓN AÑO EDITORIAL PORTADA

ALGEBRA LINEAL Y SUS PEARSON

VII. CRITERIOS DE EVALUACIÓN

COMPONENTE DE EVALUACIÓN ACTIVIDAD-COMPONENTE MEDIO CICLO FIN DE CICLO TOTAL

COMP. DOCENCIA LECCIONES ORALES/ESCRITAS 4 4 8

COMP. APRENDIZAJE AUTÓNOMO ENSAYO 7 7 14

Centro de Evaluación y Aseguramiento de la Calidad

en la que se sobreentiende que los subíndices 𝑖 y 𝑗 pertenecen a estos subconjuntos de números

Si 𝑚 = 𝑛 entonces se dice que la matriz es cuadrada. Si fuera así, hablaríamos de matriz

Tipos de matrices básicas

Si 𝐴 = 𝐵 es porque todos sus elementos son iguales, entonces

Operaciones con matrices

• Suma y Diferencia (Resta)

𝑀(𝑚, 𝑛) × 𝑀(𝑚, 𝑛) → 𝑀 (𝑚, 𝑛)

(𝐴, 𝐵) → 𝐴 + 𝐵 = (𝑎𝑖𝑗 ) + (𝑏𝑖𝑗 ) = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 )

𝐴𝑚×𝑛 × 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝

El elemento 𝑐11 de la matriz producto se obtiene multiplicando cada elemento de la fila 𝑖 de la

𝐴𝑚×𝑛 ∗ 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝

Propiedades del Producto de Matrices

Donde 𝐼 es la matriz identidad del mismo orden que la matriz A.

Ejemplo para comprobar que el producto de matrices no es conmutativo:

Otras Propiedades Del Producto De Matrices

Ejemplos de Productos de Matrices

Nota: el resultado es una matriz diagonal:

Por tanto, el producto es una matriz diagonal.

Producto de dos matrices rectangulares de dimensiones 3∗2 y 2 ∗ 3:

Potencia de Matrices Cuadradas

Se puede representar por 𝐹𝑖 ↔ 𝐹𝑗 , siendo 𝐹𝑖 y 𝐹𝑗 dos filas de la matriz (𝐶𝑖 ↔ 𝐶𝑗 , siendo 𝐶𝑖

b) Multiplicar una fila (columna) por un número real distinto de cero.

Se puede representar por 𝐹𝑖 → 𝑡 𝐹𝑖 , (𝐶𝑖 → 𝑡 𝐶𝑖 )

Se puede representar por 𝐹𝑖 → 𝐹𝑖 + 𝑡 𝐹𝑖 , (𝐶𝑖 → 𝐶𝑖 + 𝑡 𝐶𝑖 )

Entonces 𝐵 se llama la inversa de 𝐴 y se denota por 𝐴−1. Entonces se tiene

Si 𝐴 tiene inversa, entonces se dice que 𝐴 es invertible