Documente Academic
Documente Profesional
Documente Cultură
Álgebra Lineal
Este texto ha sido diseñado para uso exclusivo de la cátedra Álgebra II, del Profesorado de
Educación Secundaria en Matemática.
Prólogo
Preparar un espacio para su dictado demanda tiempo y para hacerlo se necesita mucha
responsabilidad, que uno no está dispuesto a invertir si es que no disfruta de la Matemática. Lo
mismo ocurre con cualquier trabajo, si disfrutas lo que haces, entonces estarás dispuesto a poner en
juego un sin fin de cosas que normalmente no lo harías: tiempo, ganas, atención, entre otras cosas.
Es por ello que con mucho gusto, he preparado este texto para el estudiante del Profesorado. Si bien
es un material básico, encontrarán aquí todo lo necesario para adentrarse a este fascinante mundo
que es el Álgebra Lineal. Sin embargo se recomienda complementar su lectura con los excelentes
libros que hay escritos sobre el tema y que la biblioteca de la institución los tiene.
Comenzaremos el estudio del Álgebra Lineal, a través de una de sus tantas aplicaciones: los
sistemas de ecuaciones. Y poco a poco iremos arribando a uno de los conceptos fundamentales de
esta rama de la matemática: el espacio vectorial. Pero para llegar a destino, abordaremos algunos
temas tales como matrices y vectores geométricos, en un camino largo pero ya estudiado en otros
espacios del Profesorado como Álgebra I y Cálculo Numérico y Trigonometría II.
En un texto básico como este, quedarán muchos temas fuera, pero lo propuesto aquí, alcanzará para
que en un futuro (espero que no muy lejano) el estudiante pueda leer, estudiar y comprender esos
temas por sí sólo, sin otra ayuda más que sus conocimientos previos y por sobre todo, sin otra ayuda
más que sus ganas de aprender Matemática.
No critico esta estructura, es más los mejores libros (recomiendo la lectura de Álgebra I de I. H.
Herstein) están escritos así, pero este texto pretende ser algo diferente. Intenté realizar un texto
ameno y gracioso a la vez incluyendo anécdotas, comparaciones y chistes, con el convencimiento
que será un buen compañero en las horas de estudio.
Espero que lo escrito en este texto sea del agrado del lector y sólo me resta invitarlo a que disfrute
de la lectura y la resolución de los ejercicios propuestos.
Comenzaremos este texto recordando algunas cuestiones acerca del conjunto de los números
complejos, pues es este conjunto la base de nuestro estudio de los contenidos que desarrollaremos
en Álgebra II.
Sin tanto protocolo definimos el conjunto de números complejos y damos algunas definiciones
básicas:
Lo que presentamos ahora es la estructura operatoria que tiene el conjunto de los números
complejos que nos permitirá poder operar con ellos. Sin embargo, luego de estos años de enseñar y
ver cómo se aprende a resolver las operaciones con complejos les recomiendo no aprenderse de
memoria estas fórmulas, pues pueden llegar a confundirse. Más bien, las presento por formalidad,
pero esperaremos hasta estudiar la forma binómica para poder entender cómo se realizan las
operaciones mencionadas.
1 En realidad, la identificación de números reales con complejos es más compleja de lo que uno se imagina. Exige
conceptos elevados tales como isomorfismos, estructuras algebraicas, compatibilidad con las operaciones, entre
otros. Sin embargo para el nivel al cual va dirigido este texto, es suficiente con las definiciones dadas.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 8
Igualdad y operaciones en ℂ.
○ (a, b) = (c, d) ⇔ a = c y b = d.
○ (a, b) + (c, d) = (a + c, b + d)
○ (a, b) . (c, d) = (a.c – b.d, a.d + b.c)
Para que a estos números complejos no los sintamos tan complejos, vamos a representarlos en el
plano ℝ2 de esta manera no queda tan en abstracto este conjunto. Es decir, vamos a identificar a los
puntos del plano, con los números complejos y eso permitirá tener una idea de lo que se habla.
b z = (a, b)
Representación gráfica de z = (a, b)
Ahora introduciremos la unidad imaginaria, que de alguna manera identifica la parte imaginaria de
un complejo z y que interviene en las operaciones antes mencionadas.
Se tiene además que si ∈ ℝ resulta que .i = (0, ). (haciendo los cálculos con las operaciones
definidas anteriormente) Esto quiere decir que dado un número real, al multiplicar por la unidad
imaginaria obtenemos un número imaginario y además se puede comprobar que si multiplicamos un
número imaginario por la unidad imaginaria, resulta que el resultado es un número real.
¡¡¡¡Qué bueno esto!!!! ¿no? Lástima que esto sólo se da en el mundo de la matemática. En el mundo
real, no tenemos ninguna unidad imaginaria que convierta a lo real en imaginario y a lo imaginario
en real, o sino, todos nuestros sueños se volverían realidad.
La unidad imaginaria i además de esta particularidad, tiene otra interesante, sus potencias se repiten
una y otra vez. En efecto:
○ i0 = 1
○ i1 = i
○ i2 = -1
○ i3 = - i
○ i4 = i2.i2 = (-1).(-1) = 1 = i0.
○ i5 = i4.i = 1.i = i
Es decir, si p es un número natural, entonces tendremos que: ip = i4.q + r = (i4)q . ir = 1q . ir= ir donde r
es el resto de dividir a p por 4, i.e.2, r = 0, 1, 2, 3.
Como dijimos anteriormente, operar con números complejos en su forma de par ordenado no es lo
conveniente(sino intente calcular por ejemplo (2; 3)5 ), y es por ello que necesitamos escribir a los
complejos de otra manera que nos pueda facilitar los cálculos. Esta forma es la forma binómica.
Nuevamente les recuerdo que no se deben aprender de memoria estas fórmulas, solo debemos
aplicar la propiedad distributiva y recordar que i2 = – 1.
A pesar de que al quedarnos con los números complejos ganamos mucho, pues podemos resolver
las raíces de radicando negativo e índice par, también perdemos algo y bastante diría yo. En el
conjunto de los complejos no puedo definir un orden que sea compatible con las operaciones
definidas. Es decir no puedo ordenar a los complejos de una manera más o menos aceptable.
En efecto, como 0 ≠ i, (debes estar seguro que esto es cierto pues en el final voy a preguntar!!!!!)
podemos suponer que 0 < i o que 0 > i. Supongamos que 0 < i, luego 0 < i2 = (– 1) y resulta que
0 < – 1, lo que es absurdo.
Suponiendo ahora que 0 > i, tenemos que 0 < i2 = (– 1) y resulta que 0 < – 1, lo que es absurdo
también. Es decir, no se puede definir un orden compatible con la estructura operatoria definida
para este conjunto. Por lo tanto, cuando tenemos dos complejos z y w no se puede pensar, ni
siquiera imaginar cuál de los dos es más grande.
Complejos conjugados
Dado z=a bi , llamaremos complejo conjugado y lo denotaremos como z=a −bi .
Propiedades:
a. z= z
b. z z=2 a
2 2
c. z. z=a b
d. w z=w z
e. w . z=w . z
Demostración:
a. z=ab i =a−b i=a−−bi=ab i= z
b. z z=ab i a−b i =2 ab−bi=2 a
c. z. z=ab ia−b i =a 2 −a b ia b i−b 2 i 2 =a2 b2
d. w z=ab i cd i=acbd i=ac−bd i=a−b i c−d i =w z
e. w . z=ab icd i=a c−b d a db ci=a c−b d −a d b ci de donde obtenemos
que w . z=a c−b d −a d b ci (1)
Por otro lado tenemos que:
2
w . z=a−b i c−d i=a cb d i −a d b ci=a c−b d −a d b ci (2)
De (1) y (2) resulta que w . z=w . z
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 10
Módulo de un complejo
Veamos en primer lugar que |a|2 ≤ |a|2 + |b|2 = a2 + b2 = |z|2. Luego tomando raíz cuadrada en ambos
miembros resulta que |a| ≤ |z|. De la misma manera resulta que |b| ≤ |z|. Por otro lado si
consideramos que z = a + b i, entonces z =a−b i de donde resulta que
2 2
z . z=ab ia−bi=a b =∣z∣ ²
Si seguimos mirando un poco más podemos ver que |z|2 = a2 + b2 = a2 + (- b)2 = ∣z∣2 de donde al
extraer raíz cuadrada en ambos miembros resulta que |z| = ∣z∣ .
Por otro lado veamos que dados dos complejos z y w, de al manera que z = a + b i y w = c + d i,
tenemos que |z . w|2 = |(a + b i) (c + d i)|2 = |(a.c – b.d) + (a.d + b.c) i| = (a.c – b.d)2 + (a.d + b.c)2 =
= a2c2 – 2acbd + b2d2 + a2d2 + 2adbc + b2c2 = a2c2 + b2d2 + a2d2 + b2 c2 = a2 (c2 + d2) + b2 (c2 + d2) =
= (a2 + b2) (c2 + d2) = |z |2. |w|2 En otras palabras |z . w|2 =|z |2. |w|2 y sacando raíz cuadrada en ambos
miembros resulta que |z . w| =|z |. |w| .
Si, ya sé que no demostré la última propiedad. Deberán hacerlo ustedes utilizando el Principio de
Inducción Completa sobre el exponente natural n. ¡¡¡Bien, no se queden leyendo lo que sigue,
tienen trabajo!!!
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 12
¿De qué trata esta parte? Pues bien, en primer lugar veremos lo que en Matemática se llaman
ecuaciones y luego nos adentraremos a estudiar las matrices. Estos primeros conceptos son una de
las tantas aplicaciones que se pueden encontrar en el Álgebra Lineal.
Las ecuaciones, ese concepto que muchos de nosotros lo hemos estudiado en la escuela secundaria
(o en el polimodal, o en la secundaria, o donde sea que nos haya encontrado el cambio de ley de
educación) y que pocos hemos aprendido a resolverlas.
Si bien es algo que no lo usamos a diario, la vida de todos los días, para comprar, para cocinar, para
comer … las ecuaciones ocupan un lugar importante en las ciencias.
Para lo demás, el ser humano puede vivir tranquilamente sin resolver ecuaciones a no ser que su
tranquilidad se vea perturbada por su deseo de conocer cómo funciona el mundo que lo rodea (o lo
que es equivalente: hacer ciencia)
Las matrices serán objeto de nuestro estudio en la segunda mitad de esta unidad.
Empecemos resolviendo una situación....
Empezaremos resolviendo una situación geométrica: Se tiene un rectángulo cuyo perímetro (suma
7 1
de sus lados) es igual a y la diferencia entre su base y su altura es de . ¿Cuánto mide
3 6
cada lado del rectángulo?
Como dicen los españoles: ¡A por ellos mis chavales!
Campo.
En otros libros se suele llamar cuerpo a lo que nosotros llamaremos campo. Este cambio de
palabras creo que es una buena elección, pues la palabra cuerpo, puede desviar la atención y
concentración del estudiante al leerlo muchas veces. Es lo mismo que la palabra cerveza, luego de
leerla en un texto muchas veces, puede que me entren ganas de ir hasta la heladera y tomar una bien
fresca.
Un conjunto numérico F donde se definen las operaciones + (adición) y * (multiplicación), se llama
campo si y sólo si se cumplen las siguientes condiciones:
1. a + b = b + a a*b = b*a (leyes conmutativas)
2. a + (b + c) = (a + b) + c a*(b*c) = (a*b)*c (leyes asociativas)
3. (a + b)*c = a*c + b*c c*(a + b) = c*a + c*b (leyes distributivas)
4. Existen el 0 y el 1 con la siguiente propiedad especial:
0+a=a+0=a 1*a = a*1 = a (elementos identidad)
5. Cada número a ∈ F tiene un elemento opuesto – a ∈ F, tal que:
a + (– a) = (– a) + a = 0 (inverso aditivo)
1
6. Cada número a ≠ 0, tiene un inverso multiplicativo que lo denotamos como a-1 o , tal
a
que:
a*a-1 = a-1*a = 1 (inverso multiplicativo)
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 13
Las estructuras algebraicas (como los campos, los anillos, los espacios vectoriales, entre otros)
juegan un papel importante en Álgebra, pero en mis años de profesor no he visto una estructura
algebraica más bella que la de grupo, lástima que no tendrás oportunidad de estudiarla, porque es un
concepto muy formativo
(No piense el lector que este texto es sólo para leerlo. Hay que masticarlo y digerirlo para entender.
Y eso se logra, como todo libro de Matemática, acompañando la lectura con un buen lápiz y
muchas, muchas hojas. Así que antes de seguir, ¡¡¡a buscar una hoja y un lápiz!!! Ah, y no te olvides
del borrador.)
En este texto sólo trabajaremos con los campos ℚ, ℝ y ℂ, aunque existen otros campos de
naturaleza distinta que no tendremos oportunidad de estudiar.
Campo ordenado.
¡¡¡A ordenar los juguetes!!! Es una frase que tanto como hijos o como padres lo hemos escuchado o
dicho alguna vez en la vida. Y es que a las personas no nos gusta vivir en el desorden, bueno no a
todas.
Es por ello que de alguna manera necesitamos que los elementos de un campo estén ordenados, y
este orden, que por cierto lo podemos hacer de muchas maneras, nos debe garantizar por lo menos
que sea compatible con las operaciones que están definidas. Que sea compatible significa que no
puedo obtener como resultado algo descabellado como por ejemplo que 1 es mayor que 4.
Un campo F al que se le asigna una relación de orden estricto < (relación arreflexiva, asimétrica y
transitiva, ¿se acuerda de Álgebra I? Este es un buen momento, Don Niembro.) se llamará un
campo ordenado. En él, se cumplen las siguientes propiedades:
1. Si a < b, entonces b > a
2. Dados dos elementos de F, resulta que a < b o b < a o a = b. (este o es excluyente) Esta ley
es conocida como Ley de tricotomía.
3. Si a < b, entonces a + c < b + c
4. Si a < b, entonces a*c < b*c si c > 0.
1
Ejemplo 1: (1;
2
; 3 ) es una 3-upla del producto cartesiano ℝ x ℝ x ℝ = ℝ3
Ejemplo 2: (-1; 0; 0; 1; 0) es una 5-upla
Ejemplo 3: (i; 1 + i; - i) es una 3-upla de ℂ3.
Ejemplo 4: ¿Cuándo la n-upla (a1; a2; … ; an) es igual a (b1; b2; … ; bn)? Obviamente, cuando ai = bi,
para todo i = 1; 2; …; n.
Ecuaciones y sistemas.
Una ecuación de la forma
a1 x1 + a2 x2 + … + an xn = b
donde a1, a2, …, an y b son elementos del campo F y x1, x2, … , xn son incógnitas (es decir,
elementos del campo F desconocidos), se llamará ecuación lineal con n incógnitas sobre el campo
F. Los elementos ai se llamarán coeficientes y el elemento b se llamará término independiente de la
ecuación.
Un subconjunto c1, c2, … , cn de elementos de F es una solución de la ecuación a1 x1 + a2 x2 + … + an
xn = b si y sólo si a1 c1 + a2 c2 + … + an cn = b. (1)
El conjunto solución S de la ecuación es el conjunto de todas las n-uplas que verifican la igualdad
(1).
S = {(c1; c2; …; cn) ∈ Fn / a1 x1 + a2 x2 + … + an xn = b }
Utilizando la notación sigma (la de sumatoria, ¿recuerda lo de Álgebra I? Este es otro buen
momento, Don Niembro) podemos escribir una ecuación lineal sobre F de la siguiente manera:
n
∑ ai x i=b
i=1
S = S1 ∩ S2 ∩ S3 ∩ … ∩ Sm = ∩S i
De modo que la n-upla es una solución del sistema de m ecuaciones lineales si y sólo si es una
solución de cada una de las ecuaciones.
Si la primera ecuación es la de belleza y la segunda es de peso, muchas personas tienen el conjunto
S = ∅, es decir, no tiene solución su problema de belleza y de peso (más adelante llamaremos a esto
un sistema de ecuaciones incompatible). Obviamente mi conjunto S es NO VACÍO.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 16
En efecto, de la segunda ecuación resulta que z1 = z2, luego la primera ecuación se transforma en
2z1 = i de donde podemos escribir que z1 = i / 2. Reemplazando todo esto en la tercera ecuación
i i i 3i
resulta que 2 = i= ≠1.
2 2 2 2
Si dados dos sistemas de ecuaciones lineales con n incógnitas sobre un campo F, resulta que el
conjunto S es solución de ambos, entonces los dos sistemas se dicen equivalentes.
Una manera de obtener un sistema equivalente de ecuaciones es reordenar las ecuaciones, sumar las
ecuaciones una con otra, o multiplicar una ecuación por algún elemento del campo F. Estas
operaciones sobre las ecuaciones lineales llamaremos operaciones elementales. Y es lo que nos
ayudará de ahora en más a resolver nuestros problemas, como las mujeres que mediante
operaciones elementales resuelven sus problemas de belleza (por estos comentarios no me tilden de
machista. Diría mi esposa, el único problema que no podemos solucionar por más operaciones
elementales que apliquemos son los hombres. Y no es que ella sea feminista. ¿Con qué operación
elemental resolvemos este problema?)
z1 + z2 = i (E1)
– 3 z2 = – 2 i (E2 – 2E1)
2x+3y=7 (E1)
7y =9 (2E1 – E2)
La única solución es y = 9/7 y x = 11/7.
3 x – 5y + z = 2
–13 y +11z = 16
– 26 y + 22z = 11
3x–5y + z =2
–13 y + 11 z = 16
0 = 21
Este sistema de ecuaciones, en vista de la última ecuación resulta que no tiene solución ni en ℚ, ni
en ℝ, ni en ℂ.
Teniendo en cuenta los sistemas analizados podemos observar que hay sistemas que tienen una
única solución, hay otros que poseen infinitas soluciones y por último están los sistemas que no
tienen solución. En virtud de los antes dicho, tenemos la siguiente clasificación:
a) Sistema compatible determinado: es el sistema de ecuaciones que tiene una sola solución. En
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 19
Compatible Incompatible
Determinado Indeterminado
Por lo tanto, si el sistema es compatible determinado, el sistema tendrá una única solución, y
geométricamente, las rectas definidas por las ecuaciones se cortan en un sólo punto (x0; y0) que es la
solución.
Si el sistema es compatible indeterminado, entonces tiene infinitas soluciones, y geométricamente,
las rectas definidas por las ecuaciones son las mismas.
Si el sistema es incompatible, entonces no tiene soluciones y geométricamente las rectas definidas
por las ecuaciones son paralelas.
Conclusión: cuando seas profesor, no pretendas pedir una solución a este sistema:
x+y=1
x+y=2
¿Está claro por qué?
Hasta acá hemos estado hablando de los sistemas de ecuaciones y una de las tantas formas de
resolverlos. Ahora cambiaremos un poco nuestra dirección y consideraremos un nuevo objeto
matemático: las matrices. Para el que tiene cierta experiencia en informática, una matriz es lo que
utilizamos en una planilla de cálculo: una serie de datos dispuestos en filas y columnas.
Y el que no ha usado una planilla de cálculo, también ha usado matrices sin darse cuenta: las fechas
de un mes del almanaque en general están puestos como una matriz, las fechas están dispuestas en
filas (número de semana) y en columnas (los día de la semana).
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 21
Matrices.
Dado un sistema de ecuaciones sobre un campo F
a11 x1 + a12 x2 + … + a1n xn = b1
a21 x1 + a22 x2 + … + a2n xn = b2
a31 x1 + a32 x2 + … + a3n xn = b3
.
a11 a12 ... a1n
A= a21 a 22 ... a 2n
... ... ... ...
am1 am2 ... amn
cualquier libro podrás ver que se definen operaciones entre los objetos matemáticos y las matrices
no son una excepción.
Dado un campo F, definimos las siguientes operaciones entre matrices en el conjunto F m x n:
1) Adición: A + B = (aij)mxn + (bij)mxn = (aij + bij)mxn
2) Multiplicación por un escalar ∈ F: A = (aij)mxn = (aij)mxn
Propiedades:
Con las definiciones anteriores podemos demostrar las siguientes propiedades:
1) A + B = B + A (ley conmutativa de la adición de matrices)
2) (A + B) + C = A + (B + C) (ley asociativa de la adición de matrices)
3) Existe la matriz 0 = (0), i, j llamada matriz nula, tal que A + 0 = 0 + A = A.
(elemento neutro)
4) Para toda matriz A, existe la matriz –A llamada matriz opuesta de A, tal que A + (–A)=
= (–A) + A = 0. Si A = (aij)mxn entonces – A = ( – aij)mxn (elemento opuesto)
5) (–1)A = – A.
6) ( + ) A = A + A (ley distributiva con respecto a la suma de escalares)
7) (A + B) = A + B (ley distributiva con respecto a la suma de matrices)
8) Si A = 0, entonces = 0 o A = 0.
9) ()A = (A) = (A)
Tranquilo amigo lector, estas propiedades son fácilmente demostrables y aunque no están en este
texto por razones de comodidad (sí, mi comodidad de no estar escribiendo todo) las demostraremos
en las clases teóricas ¡¡¡A no faltar entonces!!!.
Teniendo presente las propiedades anteriores, podemos demostrar el siguiente:
Lema: Si A + X = B, entonces X = B – A.
Demostración: El lector podrá pensar en la siguiente solución: como A está sumando, la paso al otro
lado restando y así despejo X.
Pues bien, no es una demostración aceptable, ya que no estamos trabajando con números, sino con
matrices y eso por el momento no podemos hacerlo.
Así que vamos por la demostración correcta: como A + X = B, entonces sumando miembro a
miembro la matriz – A, resulta que (A + X) + (- A) = B + (- A), luego por la asociatividad de la
adición de matrices, resulta que A + X – A = B – A. Usando la conmutatividad de la adición de
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 23
g) Matriz triangular superior: es una matriz cuadrada que tiene todos sus elementos por debajo de la
diagonal iguales a cero. La definición exacta es:
aij = 0 si i > j.
A = (aij)nxn =
aij ≠ 0 si i ≤ j para algún i = 1, 2, …, n.
h) Matriz triangular inferior: es la matriz cuadrada que tiene todos sus elementos por arriba de la
diagonal iguales a cero.
i) Matriz escalar: es la matriz cuadrada que tiene en su diagonal un escalar ∈ F, y todos los demás
elementos iguales a cero. La definición exacta es:
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 24
aij = 0 si i ≠j.
A = (aij)nxn =
aij = si i = j.
La clasificación presentada anteriormente, debe ser aprendida de memoria por ustedes mis queridos
estudiantes. No sólo para aprobar Álgebra II, sino también porque no volveré a repetir esto en todo
el texto.
También podemos preguntarnos las siguientes cuestiones:
¿La suma de dos matrices triangulares superiores, es de nuevo una matriz triangular superior?
¿La suma de dos matrices diagonales, es de nuevo una matriz diagonal?
Bueno, estas y otras preguntas podrás contestar resolviendo los ejercicios del práctico.
Dada una matriz A, podemos al igual que un sistema de ecuaciones realizar algunas operaciones
sobre las filas o las columnas de A, y de la misma forma que un sistema de ecuaciones las
operaciones, a las que llamaremos operaciones elementales, son las siguientes:
1) Multiplicación de una fila o columna por un escalar ∈ F.
2) Intercambio de filas o de columnas.
3) Suma de filas o de columnas.
Las operaciones elementales sobre una matriz, me permitirán convertir una matriz cuadrada no nula
a una matriz triangular superior, además permitirá calcular el rango de una matriz, concepto que se
verá más adelante.
1 3 −3
A= 2 0 −1
1
3 −1
2
Multiplicamos la primera fila por -2 y luego la sumamos con la segunda fila. El resultado lo
ubicamos en la segunda fila. Luego volvemos a multiplicar la primera fila por -3, y luego la
sumamos con la tercera fila. El resultado lo ubicamos en la tercera fila.
Tenemos entonces que:
1 3 −3
A '= 0 −6 5
19
0 −10
2
10
Para terminar, multiplicamos la segunda fila por − y sumamos con la tercera fila. El resultado
6
lo ubicamos en la tercera fila:
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 25
1 3 −3
A ' ' = 0 −6 5
7
0 0
6
En efecto:
1 3 −3 2
1 3 −3 2
2 0 −1 1 ~ 0 −6
6 0 −3 3
1 3 −3 2
5 −3 ~ 0 −6 5 −3
0 −18 15 −9 0 0 0 0
Si luego de haber aplicado las operaciones elementales a las filas de una matriz, encontramos que
algunas se anulan, diremos que esa fila es dependiente de las otras filas que no se anularon y
aquellas que no se anularon se llamarán independientes.
Por lo tanto la matriz anterior tiene dos filas independientes y una dependiente.
Y como soy un buen observador, pues tengo un buen ojo, como el de Gran Hermano, o como el de
Sauron en el Señor de los Anillos, les digo que la tercera fila se obtiene al multiplicar la segunda fila
por 3.
1 3 −3 2
2 0 −1 1
6 0 −3 3
~
1 0 0 0
6 −18 15 −9
1 0
0 0
2 −6 5 −3 ~ 2 −6 0 0
6 −18 0 0
La matriz tiene 2 columnas independientes y 2 dependientes.
Vemos que para la matriz analizada anteriormente, el número de filas independientes es igual al
número de columnas independientes. Y eso se cumple en general para todas las matrices. A este
número, se lo denomina rango de la matriz. No entraremos en detalle al respecto de este concepto,
pero si lees algún libro avanzado de álgebra lineal, verás que se le dedican unas buenas páginas.
Más adelante, veremos que si una matriz es n x n, y si el rango de la matriz es n entonces el sistema
de ecuaciones tiene solución única, es decir, es compatible determinado.
Ejemplo 4: La siguiente matriz sobre el campo de los complejos, ¿cuántas filas independientes
tiene? A=
i −i
−1 1
En principio se puede ver que la primera fila se puede obtener a partir de la segunda al multiplicarla
por i. Luego la matriz A tiene una sola fila independiente.
En efecto, primero intercambiamos las filas de la matriz, luego multiplicamos la primera fila por el
escalar i, y lo sumamos a la segunda fila. El resultado lo ubicamos en la segunda fila:
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 26
i −i ~ −1 1 ~ −1 1
−1 1 i −i 0 0
Ejemplo 5: Comprobar que la matriz anterior tiene una columna independiente. (hacerlo como
ejercicio)
3 3
b 11 b 12 ∑ a1k b k1 ∑ a1k b k2
a 11 a 12 a 13
a 21 a 22 a 23
. b 21 b 22 =
b 31 b 32
k =1
3
k =1
∑ a2k b k1 ∑ a2k b k2
3
k =1 k=1
En otras palabras, para calcular el elemento cij del producto, se multiplica la fila i de la primera
matriz por la columna j de la segunda matriz (Si hay algo que me quedó de mis años de estudiante
es la multiplicación de matrices, pero para ello me aprendí de memoria la frase “fila por columna,
fila por columna”. Y después dicen que lo memorístico no es parte del aprendizaje.)
Obviamente que para que este producto se pueda llevar a cabo, se debe cumplir que la cantidad de
columnas de la primera matriz, debe ser igual a la cantidad de filas de la segunda matriz y esto ya lo
debes saber por haber cursado Cálculo Numérico y Trigonometría II.
Esto nos muestra que el producto de dos matrices no es conmutativo, en general.
Un caso interesante es el producto entre una matriz 1 x n y otra n x 1. La matriz resultado será de 1
x 1, o sea un elemento del campo F. Más adelante se podrá ver que así también se puede definir el
producto interior entre dos vectores (recordar lo dado en Cálculo Numérico y Trigonometría II)
∑
n
(AB)C = [ (aij)m x n (bij)n x l ] (cij)l x p = aik b kj cij lxp (1)
k =1 mxl
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 27
l
A(BC) = (aij)m x n [(bij)n x l (cij) l x p ] = aij mxn ∑ bih c hj nxp (2)
h=1
Veamos ahora que podremos pasar de (1) a (2) y de esa manera probamos la asociatividad de
la multiplicación de matrices.
Pues bien:
∑ ∑
n l n
(AB)C = [(aij)m x n (bij)n x l ] (cij)l x p = aik b kj c ij =∑ aik b kh chj
k=1 h=1 k =1
∑ ∑ ∑
n l n l n
aik b kj c ij =∑ aik b kh chj =∑ aik b kh c hj
k=1 h=1 k =1 h=1 k=1
∑ ∑ ∑ ∑
n l n l n l n
aik b kj c ij =∑ aik b kh chj =∑ aik b kh c hj =∑ aik b kh c hj
k=1 h=1 k =1 h=1 k=1 h=1 k=1
Ahora bien, podemos invertir el orden de las sumatorias y entonces tenemos que:
l n n l
Como el escalar aik están dentro de una sumatoria cuyo índice es h, se puede sacar como
factor común y colocarlo fuera de la misma. Así se tiene que:
l n n l n l
l n n l n l l
bkh está dentro de una sumatoria donde el índice es h, puedo cambiar y poner bih.
Es decir
l n n l n l l
Detengámonos un momento en ver qué es lo que hemos hecho, de dónde salimos y a dónde
hemos llegado:
∑
l
(AB)C = aij bih c hj
h=1
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 28
Vemos que (aij) = A y lo que tenemos en la sumatoria no es nada más y nada menos que la
multiplicación entre las matrices B y C. O sea tenemos que:
∑
l
(AB)C = aij bih c hj = A(BC)
h=1
Si observamos con mayor detenimiento, las dos últimas sumatorias son la definición del
producto entre A y C y entre B y C. En otras palabras, resumiendo tenemos que:
n n
(A + B) C = ∑ aik c kj ∑ bik c kj =AC+ BC
k =1 k =1
Nota importante: Esta delta se llama delta de Kronecker, en recuerdo al matemático que lo
usó por primera vez.
Calculemos entonces cuánto es el producto A I.
n n n
∑
n
AI= aik kj = ∑
k =1
a2k k1 ∑ a 2k k2
k=1
... ∑
k =1
a 2k kn
k=1
... ... ... ...
n n n
∑ ank k1 ∑ a nk k2 ... ∑ a nk kn
k =1 k=1 k=1
…
n
Podemos ver que la primera fila del producto es la primera fila de la matriz A. Si seguimos
el procedimiento utilizado veremos que cada fila i del producto es la fila i de la matriz A.
En efecto, analizando la fila i-ésima y la columna j-ésima del producto, veremos que:
n
4) Existencia de la matriz inversa: dada una matriz y bajo ciertas condiciones, existe por lo
menos una matriz B, tal que A B = B A = I. A tal matriz la llamaremos inversa de A y la
denotaremos de la siguiente manera: A-1. Las condiciones para que una matriz tenga inversa,
las daremos más adelante y no todas la matrices tendrán su inversa. Sin embargo se pueden
sacar algunas conclusiones respecto de esta inversa.
En principio veamos que si A-1 es la matriz inversa de A, entonces A es la matriz inversa de
A-1.
Demostración: Sabemos que (A-1)-1 A-1 = I, entonces, posmultiplicando (o sea multiplicando
a la derecha de cada miembro de la igualdad) por la matriz A, resulta que:
( (A-1)-1 A-1 ) A = I A
entonces como la multiplicación es asociativa, resulta que:
(A-1)-1 (A-1 A) = I A, de donde (A-1)-1 I = I A, y por lo tanto (A-1)-1 = A.
Por otro lado, vemos que si A tiene una matriz inversa, ésta es única.
Demostración: En efecto, sean B y C matrices inversas de A, luego resulta que A B = I y
además A C = I, entonces tenemos que A B = A C. Ahora, premultiplicando (o sea
multiplicando a la izquierda de cada miembro de la igualdad) por B, y recordando que B es
una inversa de A, resulta que B (A B) = B (A C), asociando se tiene que (B A) B = (B A) C,
luego I B = I C, y como I es la identidad, resulta que B = C. Por lo tanto la inversa de una
matriz es única.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 30
Ejemplo 1: Si A = i −i
−1 1 , entonces tenemos que AT = i −1
−i 1 .
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 31
1 −i
Ejemplo 2: Si A = −1
1i
i
2−i
, entonces tenemos que AT = 1 −1
−i i
1i
2−i .
1 1 2 1 1
1 5 0 2
4
1
2 2
1
0
2 21 −1
T 4
Ejemplo 3: Si A = 2 4 entonces A = .
1
−2 5 −3 0
1 21 −3 4
5
−2
1 −1 0 2 0 0 2
5
Ejemplo 4: Si AT = 1 2
−1 1 entonces (AT)T = 1 −1
2 1
Propiedades.
1) Primero veamos que si quiero calcular la traspuesta de A T, obtendremos la matriz A.
Entonces tenemos que (AT)T = A.
2) La traspuesta de la suma de dos matrices es la suma de sus traspuestas.
3) La traspuesta del producto de matrices es el producto de las traspuestas pero en orden
cambiado. Es decir: (AB)T = BTAT.
4) Si I es la matriz identidad, entonces IT = I.
5) La traspuesta de la inversa de una matriz, es la inversa de la traspuesta.
Es decir: (A-1) T = (AT) -1.
Demostraciones:
1) ¡¡¡Leerlo rápido!!!: como las filas de A se convierten en columnas de A T y como las
columnas de A se convierten en filas de AT, resulta que las filas de AT se convertirán en
columnas de (AT)T o sea en columnas de A, y las columnas de AT se convierten en filas de
(AT)T o sea en filas de A. Luego (AT)T y A tienen las mismas filas y las mismas columnas,
luego son iguales. (Ufff!!! creo que me perdí con tanto trabalengua)
2) Como A + B = (cij) = (aij + bij), entonces tenemos que:
(A + B)T = (aij + bij)T = (cij)T = (cji) = (aji + bji) = AT + BT.
n
3) Supongamos que A = (aij) y B = (bij), entonces AB = (cij), donde cij = ∑ aik b kj . Por lo
k =1
n
tanto, por definición, (AB)T = (dij), donde dij = cji = ∑ a jk b ki (1).
k =1
Por otra parte, tenemos que AT = (a'ij), donde a'ij = aji y BT = (b'ij), donde b'ij = bji, de donde
el elemento de la fila i-ésima y la columna j-ésima de BTAT es
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 32
n n n
1 −i 2i
2 1
−i i − i
Ejemplo 2: La siguiente matriz es simétrica: 3 2
2 1
2i − i 2
3 2
Su matriz de coeficientes es A = 2 3 −1
−1 −2 3 .
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 33
x1
Consideremos ahora las matrices especiales X = x2
x3
yB= 2
−1
Ahora bien, si hacemos el producto entre A y X, resulta que obtendremos los elementos de B, es
decir AX = B, esta expresión se denomina expresión matricial del sistema de ecuaciones.
Es decir, tenemos que:
x1
AX = 2 3 −1
−1 −2 3 x2
x3
= 2 x 13 x 2− x 3
−x 1−2 x 2 3 x 3
=
2
−1
=B
Todos los sistemas de ecuaciones lineales pueden ser escritos en forma matricial de la forma
mostrada anteriormente.
Y esto tiene su ventaja pues nos permite escribir en términos de las matrices, una solución para el
sistema.
La definición de la función determinante es tan compleja que sólo merece su atención para
cuestiones teóricas, en la práctica utilizaremos otros métodos para su cálculo.
La función Determinante.
Antes de entrar en la definición de lleno de lo que es el determinante, cambiaremos un poco nuestra
notación sobre las matrices. Así si la matriz A es n x n, llamaremos A1 A2 … An a sus filas.
Sea una función tal que : Fn x n F que cumple los siguientes axiomas:
D1) (A1 A2 … Ai + A'i … An) = ( A1 A2 … Ai … An) + ( A1 A2 … A'i … An)
D2) ( A1 A2 … Ai … An) = ( A1 A2 … Ai … An), con F.
D3) Si Ai = Ai+1 entonces ( A1 A2 … Ai Ai+1 … An) = 0
D4) (I) = 1.
a 11 a12 ... a 1n
a 21 a22 ... a 2n
Si la matriz A =
... ... ... ...
a m1 a m2 ... a mn
∣ ∣
a11 a12 ... a 1n
a21 a22 ... a 2n
entonces el determinante de A se denotará como (A) =
... ... ... ...
a m1 am2 ... a mn
Demostración: Sea A = (A1 A2 … Aj Aj+1 … An) y A' = (A1 A2 … Aj + Aj+1 Aj+1 + Aj … An).
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 35
Entonces como A' tiene dos filas iguales, por D3 resulta que (A') = 0.
Luego tenemos que:
(A1 A2 … Aj + Aj+1 Aj+1 + Aj … An) =
= (A1 A2 … Aj Aj+1 + Aj … An) + (A1 A2 … Aj+1 Aj+1 + Aj … An) =
= (A1 A2 … Aj Aj+1 … An) + (A1 A2 … Aj Aj … An) + (A1 A2 … Aj+1 Aj+1 … An) + (A1 A2 …
Aj+1 Aj … An) =
= (A1 A2 … Aj Aj+1 … An) + 0 + 0 + (A1 A2 … Aj+1 Aj … An) =
= (A1 A2 … Aj Aj+1 … An) + (A1 A2 … Aj+1 Aj … An) = 0
De donde resulta que:
(A1 A2 … Aj Aj+1 … An) = - (A1 A2 … Aj+1 Aj … An)
En general, este teorema vale también si las filas no son consecutivas.
Teorema: Si una matriz tiene una fila de ceros, entonces el determinante es cero.
Demostración: Sea A = (A1 A2 … 0 … An), luego la fila de ceros se puede escribir como
A = (A1 A2 … 0 Aj … An).
Entonces (A1 A2 … 0 Aj … An) = 0 (A1 A2 … Aj … An) = 0.
Teorema: Si una matriz tiene dos filas iguales, entonces el determinante es cero.
Teorema: El determinante de una matriz no varía si a una fila se le suma otra fila multiplicada por
un escalar.
Demostración: Sea A = (A1 A2 … Ak ... Aj … An) y sea A' = (A1 A2 … Ak ... Aj + Ak … An)
entonces (A') = (A1 A2 … Ak ... Aj + Ak … An) =
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 36
1) Si A = a 11 a 12b 12
a 21 a 22b 22 , entonces tenemos que
∣
a11 a12b12
a 21 a 22b22 ∣
=a11 a 22b 22−a21 a 12b 12=a11 a 22−a 21 a12 a11 b22−a21 b12 =
= ∣ ∣∣ ∣
a11 a12 a11 b12
a 21 a 22 a 21 b 22
2) Si A = a 11 a12
a 21 a22
, entonces tenemos que
∣
a11 a 12
a 21 a 22 ∣ a
∣a
=a 11 a 22 −a 21 a 12= a11 a22−a21 a12 = 11 12
a 21 a 22 ∣
3) Si A = a 11 a12
a 11 a12
entonces ∣ ∣
a 11 a 12
a 11 a 12
=a11 a12 −a11 a12=0
4) Si A = 1 0
0 1
entonces ∣ ∣
1 0 =1.1−0.0=1
0 1
Vemos entonces que la definición de determinante para una matriz 2 x 2 es consistente con los
axiomas propuestos anteriormente.
∣ ∣
1 k ≠0⇒ 2−k² ≠0 ⇒ k² ≠2 ⇒ k ≠± 2
k 2
Ejemplo 4: ¿Para qué valor complejo z, el determinante de la matriz A tiene parte imaginaria cero,
si A =
2 i
−2 z
?
∣ 2 i =2z2i
−2 z ∣ ahora para que este determinante tenga parte imaginaria cero, el producto 2z,
debe tener parte imaginaria – 2i, para que se cancele con 2i. Y para que el producto 2z tenga parte
imaginaria – 2i, z debe tener parte imaginaria – i, debido que al multiplicar por el 2, se convierta en
– 2i. Luego z debe tener la forma z = - i siendo, ℝ.
Ejemplo 5: Sea el siguiente sistema de 2 ecuaciones con dos incógnitas:
a11 x1 + a12 x2 = b1
a21 x1 + a22x2 = b2
con b1 y b2 distintos de cero.
¿Cuándo este sistema de ecuaciones tiene solución? (La respuesta ya la sabemos, cuando el
determinante de la matriz de los coeficientes es distinto de cero, pero déjenmelo probar para esta
matriz, y así convencerlos de que lo que les dije antes no era un invento mío)
Intentaremos resolver el sistema de ecuaciones, utilizando la eliminación gaussiana. Entonces
efectuando las operaciones elementales reducimos la primera incógnita de la segunda ecuación:
a11 x1 + a12 x2 = b1
( a22 - (a12 a21) / a11 ) x2 = b2 - a21 b1/ a11
En primera instancia, para que podamos aplicar la eliminación gaussiana, a11 no debe ser cero. Por
otro lado, de la segunda ecuación resulta que:
a 21 b 1
b 2−
a11
x 2=
a a
a22− 12 21
a 11
Y para que exista x2, el denominador debe ser distinto de cero, luego:
a 22 −
a12 a 21
a11
a a −a a
a11
a
∣
a
≠0 ⇒ 11 22 12 21 ≠0 ⇒a 11 a 22−a 12 a 21≠0 ⇒ 11 12 ≠0
a 21 a 22 ∣
En otras palabras para que un sistema de dos ecuaciones con dos incógnitas sea resoluble, la matriz
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 38
a 11 a 12 a 13
A = a 21 a 22 a 23 .
a 31 a 32 a 33
Es fácil recordar el orden de los productos con el siguiente esquema:
∣ ∣
a11 a12 a13
Productos positivos: a 21 a 22 a23
a31 a32 a33
∣ ∣
a11 a12 a13
Productos negativos: a 21 a 22 a23
a31 a32 a33
Es fácil también, comprobar, aunque un poco tedioso y aburrido, que la definición de determinante
para la matriz 3 x 3, cumple con los axiomas de la función determinante.
(La regla de Sarrus es también una forma de calcular el determinante de una matriz 3 x 3, y sólo
sirve para eso, para una matriz de 3 x 3)
Como a21 y a32 son iguales a cero, hay tres productos que se anulan, aquellos que contienen algunos
de esos elementos, luego nuestro determinante será: 1 + 1 + 0 -(-1) – 0 – 0 = 3
La matriz tiene dos columnas que son idénticas (en realidad las tres son idénticas) y en virtud del
axioma D3 de determinantes, i
i
i ∣ ∣i i
i i = 0.
i i
i 1 −2i
Ejemplo 3: Calcular el determinante de la matriz A = 2 i 0 .
−3 1i 1
Aplicando la Regla de Sarrus, tenemos que
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 39
∣ i
2 i
1 −2i
∣
0 =−10−2 i 2 1i−6 i² 0− 2=5 2−i 2 2
−3 1i 1
Ejemplo 4: si A = (aij) ∈ ℚ 3 x 3, ¿significa que (A) ∈ ℚ ?
La respuesta es sí, pues para calcular el determinante sólo debemos multiplicar, sumar y/o restar, y
como estamos en los racionales, todas esas operaciones van a dar racionales. Por otro lado, la
misma definición de determinante me indica que tiene que ser así. (No sigas leyendo a menos que
hayas entendido lo dicho con anterioridad, de lo contrario te perseguirá una maldición por miles de
años... ñaca, ñaca)
Perdón, lo anterior fue un desliz de mi otro yo... volvamos a lo nuestro.
Calcular el determinante para matrices superiores a 3 x 3, se vuelve realmente complicado y más
complicado es dar una forma explícita de la función determinante. En la práctica, los cálculos de
estos determinantes se hacen en base a una propiedad que la enunciaremos dentro de poco y que nos
permite calcular más facilmente el determinante de una matriz más grande. La propiedad dice más o
menos así, si a una matriz, le aplicamos operaciones elementales sobre sus filas, el determinante no
cambia. Con ello, podemos reducir la matriz a una matriz triangular y calcular el determinante
simplemente multiplicando los elementos de la diagonal de dicha matriz.
Permutaciones en In
A continuación construiremos una fórmula que nos permita calcular el determinante de cualquier
matriz n x n para lo cual, empezaremos por el cimiento como toda construcción, los intervalos
naturales iniciales.
Dado un número natural n, diremos que el conjunto In = {1; 2; …; n} es un intervalo natural inicial.
Podemos realizar las permutaciones de ese intervalo colocando los elementos en un orden distinto,
si bien el conjunto no va a cambiar (siempre estará formado por los n números naturales) el orden
en que se presentarán será distinto. Para ello, recurriremos a las funciones biyectivas de In en In,
que representaremos escribiendo debajo de cada i ∈ In su imagen (i), es decir:
1 2 … n
(1) (2) … (n)
Sea Sn el conjunto de todas las permutaciones que se pueden realizar en el intervalo inicial I n, que
como ya lo dijimos es n!.
Ejemplo 1: Veamos todos los elementos de S2.
1 2
1 2
y
1 2
2 1
Ejemplo 2: Veamos todos los elementos de S3.
1 2 3
1 2 3 1 2 3
1 3 2 1 2 3
2 1 3 1 2 3
2 3 1 1 2 3
3 1 2 y
1 2 3
3 2 1
El signo de una permutación que se denotará como (-1) será + 1 si se permutan los elementos una
cantidad par de veces, y será – 1 si se permutan los elementos una cantidad impar de veces.
La permutación
1 2 3
3 1 2
es par porque para ir de 1
1
2 3
2 3 a
1 2 3
3 1 2 debemos hacer
La permutación 1 2 3
1 2 3 es par porque no debemos hacer ningún cambio. (recordar: “el cero es
par”)
La permutación
1
1 2 3
3 2
es impar porque debemos realizar un sólo cambio para ir de
1 2 3
1 2 3
a
1 2
1 3
3
2
.
Ejemplo 1: ¿Cuál es el signo de la permutación 1 2 3 4
1 4 2 3 de S4?
Empecemos con
1 2 3 4 5
1 2 3 4 5
y hagamos un número impar de cambios, digamos 3 y allí
obtendremos una permutación impar.
1 2 3 4 5
1 2 3 4 5 1 2 3 4 5
1 4 3 2 5 1 2 3 4 5
1 4 3 5 2 1 2 3 4 5
3 4 1 2 5
Dada una permutación , llamaremos permutación inversa y la denotaremos como – 1 a la que nos
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 41
lleva de (i) a i.
esta manera nos estaremos asegurando que la fórmula es realmente para calcular el determinante de
una matriz n x n y no para otra cosa. Sin embargo demostraremos los dos primeros axiomas, pues el
tercer axioma es tremendamente difícil y el cuarto es tremendamente fácil.
Para los olvidadizos como yo, recordemos la definición de la función determinante:
Sea una función tal que : Fn x n F que cumple los siguientes axiomas:
D1) (A1 A2 … Ai + A'i … An) = ( A1 A2 … Ai … An) + ( A1 A2 … A'i … An)
D2) ( A1 A2 … Ai … An) = ( A1 A2 … Ai … An), con F.
D3) Si Ai = Ai+1 entonces ( A1 A2 … Ai Ai+1 … An) = 0
D4) (I) = 1.
En efecto:
y esto es igual a ∑ −1 [a 1 1 a 2 2 ... a j j ... a n na1 1 a 2 2 ... a ' j j ... an n ]
∈ Sn
∈S n
donde (n) = n, pues en los otros casos resultará (n) < n y por lo tanto el elemento an (n) será 0.
Tengo entonces que los términos del desarrollo del determinante son de la forma
a 1 1 a 2 2 ... a j j ... a n n , luego de todos ellos, sólo nos quedamos con los términos donde
(n - 1) = n – 1, pues en los otros casos resultará (n - 1) < n – 1 y por lo tanto el elemento an-1 (n-1)
será 0.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 43
Si seguimos este proceso hasta el final nos encontraremos con que sólo nos quedamos con el
término a 11 a 22 ... a n n y es esto lo que queríamos demostrar.
Muy bien amigos, estamos llegando al final de esta unidad, y tenemos en nuestras manos una
técnica poderosa de calcular el determinante de una matriz. Primero la reducimos mediante
operaciones elementales a una matriz triangular y luego multiplicamos los elementos de su diagonal
y allí estará, frente a nuestros ojos, el determinante de la matriz.
∣ ∣
i 2i 0
∣i 2i 0
1 −1 2
1 1 i ∣ ∣=
i 2i 0
0 −3 2
0 −1 i ∣ =
0 −3
0 0
2
2
− i
3
= 3 + 2i
∣ ∣
1 1 1 1
1 −1 2 2
Ejemplo 2: Calcular el siguiente determinante:
1 2 1 −1
1 2 2 −1
Bien primero efectuemos las operaciones elementales sobre las filas de la matriz y volvámosla una
matriz triangular:
∣ ∣∣ ∣
1 1 1 1
1 1 1 1
∣ ∣ ∣ ∣
1 1 1 1 1 1 1 1 0 −2 1 1
0 −2 1 1
1 −1 2 2 0 −2 1 1 1 3
= = 0 0 − = 1 3 =-3
1 2 1 −1 0 1 0 −2 2 2 0 0 −
2 2
1 2 2 −1 0 1 1 −2 3 3
0 0 − 0 0 0 3
2 2
∣ ∣
1 1 3 1
1 −1 6 2
Ejemplo 3: Calcular el siguiente determinante:
1 2 3 −1
1 2 6 −1
Observando la tercera columna, el determinante lo puedo escribir como:
∣ ∣ ∣ ∣ ∣ ∣
1 1 3 1 1 1 3.1 1 1 1 1 1
1 −1 6 2 1 −1 3.2 2 1 −1 2 2
= = 3. = 3. (-3) = (- 9)
1 2 3 −1 1 2 3.1 −1 1 2 1 −1
1 2 6 −1 1 2 3.2 −1 1 2 2 −1
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 44
∈S n
Este lema es de suma importancia, pues asegura que las operaciones elementales que podemos
hacer sobre las filas de una matriz, también la podemos hacer sobre sus columnas, y el determinante
no cambia.
Luego:
n n n
C = AB= ∑ b j1 A j ∑ b j2 A j ... ∑ b jn A j =
j=1 j=1 j=1
fila.
1 2 4
−1 0 −2
1 2 −1 desarrollándolo por la tercera
3
Bien tenemos que: (A) = ∑ a3j m3j=a31 m31a32 m32a 3 3 m3 3 =
j=1
31 2
= 1. −1 . ∣ ∣
4 2 .−132 . 1
0 −2 ∣ ∣
4 −1 .−133 . 1 2
−1 −2 −1 0 ∣ ∣ =
= 2 .−2−0−2−2402=−4−4−2=−10
1 2i 4−i 2−i
0 0 −2i i
Ejemplo 2: Calcular el determinante de la matriz A =
0 0 i −1
0 0 1 i
Desarrollando por la primera columna, vemos que solo hay un factor distinto de cero que es el
a11 m11. Luego (A) = a11 m11.
Se tiene entonces que (A) = a11 (-1)1+1 ( M11) = 1 . 1 . ( M11) = ( M11)
Pero como M11 tiene una columna de ceros, resulta que ( M11) = 0. Entonces (A) = 0.
A continuación expondremos una técnica más para resolver un sistema de n ecuaciones con n
incógnitas, a parte de la eliminación gaussiana, y que hace uso de los determinantes.
Sea la matriz A de los coeficientes de un sistema de ecuaciones, expresado por sus columnas, o sea
A = (A1 A2 … An), tal que su determinante sea distinto de cero. Sea B la matriz columna de los
coeficientes independientes del sistema. Podemos expresar a B como la multiplicación entre las
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 46
n
columnas de A y las incógnitas xj. Es decir: B = ∑ x j Aj , luego como B es una matriz columna,
j=1
podemos reemplazar la columna j de A, y así tendremos la matriz A' = (A1 A2 … B … An). Luego se
n
tiene que: (A') = (A1 A2 … B … An) = (A1 A2 … ∑ x j Aj … An) =
j=1
En otras palabras para resolver un sistema de n ecuaciones lineales con n incógnitas, sólo debemos
dividir dos determinantes. El numerador es el determinante de la matriz que resulta de sustituir una
columna de la matriz de los coeficientes por la matriz columna de los términos independientes, y el
denominador es el determinante de la matriz de los coeficientes.
Una consecuencia es que el sistema sólo es resoluble si el determinante de la matriz de los
coeficientes es distinto de cero.
∣ ∣ ∣ ∣
3 −5 1
13 11
∣ ∣
3 −5 1 13 11 −
0 − 11 3 3 =3 .1 . 0=0
2 1 −3 = 3 3 =3 .−1 .
26 22
7 −3 −5 26 22 −
0 − 3 3
3 3
Luego el sistema no se puede resolver utilizando la Regla de Cramer.
Ejemplo 2: Resolver el siguiente sistema de ecuaciones.
z1 + z2 + z3 = i
2z1 – z2 + 3z3 = 1
i z1 + z2 – (1 – i) z3 = 0
∣
1 1
2 −1
1
3 =
1 1
0 −3
∣∣
1
i 1 −1i 0 1−i −1 ∣
11 −3
1 =1 .−1 .
1 =3−1−i=2i≠0
1−i −1 ∣ ∣
Luego para las incógnitas se tienen:
z 1=
∣
i 1
1 −1
1
3
0 1 −1i
=
i 1
∣∣ 1
0 −1i 3i
0 1 −1i
=
∣
i .−111 . −1i 3i
1 ∣
−1i i .[−1i−1i−3i]
=
∣
2i 2i 2i 2i
i[1−2 ii² −3i] i2−i−3i1 3−3i 3−3i2−i 6−3 i−6 i−3
= = = = = =
2i 2i 2i 2i2−i 2²−i²
3−9i
= = 3/5 - i 9/5
5
De la misma forma se calculan los otros valores.
A continuación y para terminar esta sección, daremos los detalles para el cálculo de la inversa de
una matriz A, algo que lo estábamos esperando desde hace mucho.
Antes de dar la forma explícita para el cálculo de la inversa de una matriz, veremos con
detenimiento un concepto más y algunas propiedades.
T
m11 m12 ... m1n
m21 m22 ... m2n
Adj A =
... ... ... ...
mn1 mn2 ... mnn
3 9 −5 3 −4 −2
Adj A = −4 1 −2 = 9 1 7
−2 7 −1 −5 −2 −1
T
Entonces tenemos que Adj A = −i
−1 = −i −2i
−2i i −1 i
Propiedad:
La suma de los productos de los elementos de una fila de una matriz cuadrada por los cofactores de
los elementos correspondientes a otra fila es cero.
En efecto, dada la matriz A y sus filas A1; A2; …; An, tenemos que el el determinante de la matriz A
no cambia si se suman dos filas. Sumando las filas h e i, resulta que (A) = (A1 A2 … Ai … Ah...
An) = (A1 A2 … Ai … A i + h... An). Ahora la fila h de la matriz A es de la forma ah1 + ai1.
Desarrollando esa matriz por los elementos de esa fila tenemos que:
(A) = (ah1 + ai1) mh1 + (ah2 + ai2) mh2 + … + (ahn + ain) mhn
(A) = ah1 mh1 + ai1 mh1 + ah2 mh2 + ai2 mh2 + … + ahn mhn + ain mhn
(A) = ah1 mh1 + ah2 mh2 + … + ahn mhn + ai1 mh1 + ai2 mh2 + … + ain mhn
(A) = (A) + ai1 mh1 + ai2 mh2 + … + ain mhn
n
0= ∑ aik mhk
k =1
n
Observemos que ∑ aik mhk es la suma de los productos de los elementos de una fila (la fila i-
k =1
ésima) por los cofactores de los elementos de otra fila (la fila h-ésima).
Ejemplo 1: A =
−1 0
2 1
2
3
1 −2 −3 entonces la matriz de los cofactores es
3 9 −5
−4 1 −2
−2 7 −1
Multiplicando los elementos de la primera fila de A por los de la segunda fila de la matriz de los
cofactores resulta que: (- 1)(- 4) + 0 . 1 + 2(- 2) = 4 + 0 – 4 = 0.
Ejemplo 2: Si A = i 2−i
1 −i entonces la matriz de los cofactores es −i −1
−2i i
Multiplicando los elementos de la primera fila de A por los de la segunda de la matriz de los
cofactores tenemos que i.(-2 + i) + (2 – i).i = i.[-2 + i + 2 – i] = i . 0 = 0
Multiplicando los elementos de la segunda fila de A por los de la primera fila de la matriz de los
cofactores tenemos que 1.(- i) + (- i)(- 1) = - i + i = 0.
Teorema:
Si (A) no es cero, entonces A-1 = Adj A / (A).
a 11 a 12 ... a1n m11 m21 ... mn1
a 21 a 22 ... a2n m12 m22 ... mn2
En efecto si A = la matriz adjunta es y
... ... ... ... ... ... ... ...
a n1 a n2 ... ann m1n m2n ... mnn
multiplicando ambas matrices resulta que:
n n n
j =1 j=1 j=1
a 11 a 12 ... a1n m11 m21 ... mn1 n n n
a 21 a 22 ... a2n m12 m22 ... mn2 = ∑
j=1
a2j m1j ∑ a2j m 2j
j=1
... ∑
j=1
a 2j mnj
... ... ... ... ... ... ... ...
... ... ... ...
a n1 a n2 ... a nn m1n m2n ... mnn n n n
Los elementos de la matriz resultante que no están en la diagonal son ceros, pues son la sumatoria
de los productos entre los elementos de una fila y los cofactores de otra fila. Así, por ejemplo
n n
Por otro lado cada elemento de la diagonal es el desarrollo del determinante de A por la fila i-ésima.
Resulta entonces que:
n
∑ a 1j m1j 0 ... 0
j=1
n A 0 ... 0
A.Adj A =
0 ∑ a2j m2j ...
j=1
0 = 0 A ... 0
= (A) . I
... ... ... ...
... ... ... ... 0 0 ... A
n
0 0 ... ∑ anj mnj
j=1
Por último como el determinante de la matriz A es distinto de cero, dividiendo en ambos miembros
Adj A
por (A), tenemos que: A . =I .
A
Adj A
Con el mismo razonamiento se puede probar que Adj A . A = (A) I y que . A= I .
A
En otras palabras, hemos encontrado una matriz que al multiplicar por la matriz A en ambos lados
−1 Adj A
nos da la matriz I identidad, con lo que se puede asegurar que A = .
A
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 50
∣ −1 0
2 1
2
3
1 −2 −3 ∣ ∣ =
−1 0
0 1
2
7
0 −2 −1 ∣ =30−8−2−6−0=−13
Se tiene que ∣ ∣
i 2−i =−i² −2−i=−1i
1 −i
T
Por otro lado tenemos la adjunta −i −1 = −i −2i
−2i i −1 i
Entonces A-1 =
−1i −1
1 −i −2i
i
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 51
a 11
u = a 21
⋮
a n1
En muchos textos el estudiante podrá ver que a los vectores se los simboliza con una pequeña flecha
arriba para diferenciar de un número cualquiera. Aquí no habrá tal distinción, a los vectores los
designaremos con letras u, v, w y a los elementos del campo F con a con subíndices. Es más,
simplifiquemos aún más la notación: como todos los vectores son columnas, no tiene sentido poner
el segundo subíndice, que siempre va a ser 1, por lo tanto los elementos del campo F que forman un
vector serán de la forma ak, donde k indica la fila a la cual pertenece y en otras ocasiones a los
elementos de F que no formen parte de un vector los simbolizaremos con letras griegas.
En virtud de lo antes dicho, escribiremos al vector anterior así:
a1
u= a 2
⋮
an
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 52
a1 b1
a b
Dos vectores u= 2 y v= 2 son iguales si ak = bk ∀k = 1; 2; …; n
⋮ ⋮
an bn
a1b 1
a 2b 2
La adición u + v se definirá como la de matrices, elemento a elemento. Es decir u + v =
⋮
a nb n
a1
a2
y la multiplicación de un vector por un escalar ∈ F se define como u = .
⋮
an
Ni qué decir que las propiedades de estas operaciones que se cumplen para matrices se cumplen
también para los vectores.
Repasémoslas:
1) u + v = v + u (ley conmutativa de la adición de vectores)
2) (u + v) + w = u + (v + w) (ley asociativa de la adición de vectores)
3) Existe el vector 0 = (ak = 0), k llamado vector nulo, tal que u + 0 = 0 + u = u.
(elemento neutro)
4) Para todo vector u, existe el vector - u llamado vector opuesto de u, tal que u + (– u) = (– u)
+ u = 0. Si u = (ak) entonces – u = ( - ak) (elemento opuesto)
5) (-1) u = – u.
6) ( + ) u = u + u (ley distributiva con respecto a la suma de escalares)
7) (u + v) = u + v (ley distributiva con respecto a la suma de matrices)
8) Si u = 0, entonces = 0 o u = 0.
9) () u = ( u) = ( u)
A los elementos ak del vector los llamaremos componentes y al número de filas lo llamaremos
dimensión.
Si dados dos vectores u y v, ocurre que v = u, con F entonces diremos que v y u son
múltiplos.
Por otro lado tenemos a vectores que serán como los más básicos en esta teoría, que son los
versores fundamentales, y que en breve daremos su definición. Los versores fundamentales son
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 53
como los vectores cimiento de los demás vectores, ya que todo vector puede expresarse en términos
de los versores fundamentales.
El versor fundamental ek es el vector que tiene todas sus componentes igual a cero, excepto en la
fila k que es 1. Así tenemos a los n versores fundamentales:
1 0 0
e 1= 0 1 0
; e 2= ; …; e n=
⋮ ⋮ ⋮
0 0 1
Recordarás que en Cálculo Numérico y Trigonometría II a los versores fundamentales del plano
e 1= 1 y e 2= 0 los denotabas con las letras i y j . Eran vectores de dimensión 2.
0 1
Para terminar esta pequeña introducción, probaremos el siguiente:
Lema: todo vector puede ser expresado como la suma de los productos de sus componentes por los
versores fundamentales correspondientes.
a1
Demostración: lo que queremos ver es que dado un vector u= a 2 , éste puede ser expresado de
⋮
an
n
la siguiente manera: u = ∑ ah e h .
h=1
En efecto, dado el vector u lo podemos expresar como suma de n vectores, de la siguiente manera:
a1 a1 0 0 1 0 0
n
a a 0 =a1 0 a 2 1 ⋯a 0 =a e a e ⋯a e = a e
u= 2 = 0 2 ⋯ n 1 1 2 2 n n ∑ h h
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ h=1
an 0 0 an 0 0 1
Sobre una recta, marcamos la ubicación del 0 y luego a una cierta distancia la del 1. A partir de allí,
se pueden representar los vectores u = a1 (1) tal como lo muestra la figura.
v = b1 u = a1
0 1 2
Como se puede apreciar en la figura anterior, vemos que tenemos una sola dirección, la horizontal,
y dos sentidos, a la derecha y a la izquierda.
La representación anterior sirve para explicar por qué una de las tribunas gana al tirar de la cuerda
en el programa “El último pasajero” (sí, ese donde se canta, bariló, bariló, no vamo a bariló). Y esto
no es más que la representación vectorial de fuerzas, en Física.
Se puede ver además que dado un vector u todos los demás son múltiplos de él, es decir existe un
número real , tal que v = u.
Si en vez de considerar el campo de los reales, hubiésemos considerado el campo de los racionales,
entonces no podríamos realizar la representación geométrica anterior. Pues los vectores serían como
flechas, con muchísimos agujeros en el medio, justo donde están los irracionales.
Es más, casi no se vería pues tendría más agujeros que puntitos (¿Recuerda el lector por qué?
Álgebra I muchachos, Álgebra I)
Si en vez de tomar a ℝ, hubiésemos tomado a ℝ2, entonces los vectores se llamarían vectores
a
bidimensionales y serían de la forma u= 1 donde a1 se denomina la abscisa y a2 la ordenada
a2
del vector u. Su representación gráfica sería la siguiente:
a2 u=
a1
a2
a1
¿Cómo se debe pensar un vector bidimensional? ¿Cómo una flechita o como un punto? No importa
y depende de la situación, depende de lo qué estés queriendo estudiar. Por ejemplo, en Física sería
conveniente pensar al vector como una flecha, en Matemática algunas veces como una flecha y
otras como un punto.
Solo para que el lector esté informado, le cuento que una aplicación de este sistema es el sistema de
coordenadas que se utiliza para ubicar los puntos en la tierra, es decir, el sistema que usa las
latitudes y las longitudes.
Al igual que antes, no podemos representar los vectores bidimensionales con componentes
racionales, pero debes tener en cuenta que esos objetos matemáticos existen independientemente de
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 55
su representación.
La adición y la multiplicación por un escalar se representa a continuación:
u u v = u
u+v
Eje z
Eje y
Eje x
El plano se puede ver como una hoja cuadriculada y el eje z que lo atraviesa en forma
perpendicular. Podrás ver que al eje z lo representamos con dos trazos distintos, uno continuo y el
otro discontinuo para indicar que es la parte del eje que queda tapada por el plano.
(La imagen anterior la saqué de un programa para hacer animaciones en 3D, por lo que podrás notar
tres vectores, una circunferencia en el centro y una manchita que es el puntero del mouse)
Con este sistema de ejes (llamado sistema de ejes cartesianos, en nombre de Descartes, gran
matemático y filósofo que inventó la geometría cartesiana y cuya frase célebre es: “pienso, luego
existo”) podemos representar un vector tridimensional tal como lo muestra la siguiente figura:
Eje z
a3
a2
a1 Eje y
Eje x
(Espero que estés usando tu imaginación para poder visualizar esta representación)
Nota: esta forma de disponer los ejes x e y, es decir a la izquierda el eje x y a la derecha el eje y se
llama dextrógira (o de la mano derecha). Y cuando los ejes x e y están intercambiados, la
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 57
disposición se llama levógira (o de la mano izquierda). Estas formas de disponer los ejes son
simplemente convenios entre los matemáticos. Nosotros usaremos la disposición dextrógira porque
es la más común en los textos y en los programas para computadoras (¡¡¡y además porque yo soy
derecho y porque así lo quiero y punto!!!)
La suma de vectores, se puede representar usando la regla del paralelogramo, pero en el espacio así
como la multiplicación de un vector por un escalar (pero ya estoy cansado de escribir y hacer
dibujitos, por lo tanto espero que te imagines cómo queda eso dibujado en el papel.)
2
Los versores fundamentales en el espacio son i , j y
k y así el vector u= −3 puede
5
escribirse como u=2 i −3 j 5
k .
Hasta ahora hemos considerado vectores con componentes reales, ya que las componentes
racionales no pueden representarse gráficamente. Sin embargo no tuvimos oportunidad de ver qué
pasa si las componentes son números complejos. Así, un vector en el campo complejo será de la
forma u= z donde z ∈ ℂ. Ahora bien, el complejo z puede ser representado en el plano ℝ2, por
lo que representar un vector de ℝ2 o de ℂ es lo mismo, desde el punto de vista geométrico, es decir,
son indistinguibles, o en términos más matemáticos, son isomorfos.
Como vivimos en un mundo tridimensional y por lo tanto nuestra manera de pensar se rige en torno
a este mundo, no podemos representar un vector de cuatro componentes, pues necesitaríamos un
cuarto eje que sea perpendicular a los tres ya dados, y eso es imposible. (Por eso, la película “Viaje
a la cuarta dimensión” no se pudo filmar, pues no había lugar donde hacerla.) Sin embargo
podemos trabajar tranquilamente con sus vectores. De la misma manera, un vector con dos
componentes complejas, tampoco se puede representar gráficamente.
a1
u= a 2
⋮
an
2
1
Ejemplo 1: Si u= entonces u=u .
−1
0
1i 1i 1−i
−i −i i
Ejemplo 2: Si u= entonces tenemos que u= =
−1 −1 −1
3−2 i 3−2 i 32 i
El vector conjugado cobrará sentido cuando estemos trabajando con vectores con componentes
complejas y como veremos enseguida, en la definición de norma de un vector.
a1 b1
a b
Sean los vectores u= 2 y v= 2 tenemos que se cumplen las siguientes propiedades:
⋮ ⋮
an bn
a) u=u
b) uv =uv
c) u= u
Empecemos por hablar de la longitud de un vector (o como se dice erróneamente, el largor). ¿Cómo
lo podemos definir matemáticamente? En principio debe ser un número positivo, pues no existe la
longitud negativa. Por otro lado, si el vector es 0 su longitud debe ser 0. Algo así debe hacer
corresponder a cada vector, un elemento ℝ, y qué mejor que utilizar una función.
Entonces, definimos la norma de un vector y lo denotaremos como || u || a la siguiente función:
|| || : Fn x 1 ℝ / || u || = uT u
Primero, ¿cómo debe interpretarse u T u ? Como una multiplicación de matrices. Recordemos que
tanto u como uT son matrices, así que tranquilamente las podemos multiplicar.
Segundo, ¿siempre se puede hacer esa multiplicación? Claro, porque como u es una matriz de n x 1
y uT es una matriz 1 x n, la multiplicación puede hacerse y resultará una matriz 1 x 1, o sea un
número real.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 59
Tercero, ¿cómo estamos seguro que la raíz siempre se va a poder resolver? Es decir, ¿cómo
podemos asegurar que u T u será siempre un número no negativo? Y la respuesta es: averígualo
por ti mismo. (o en otras palabras, hacer la demostración que u T u ≥ 0, cualquiera sea el vector
u)
Como estoy seguro que el lector NO ha probado la tercer pregunta, lo volveré a poner como
ejercicio, en el práctico (¡¡¡Qué malo que soy!!!)
a1
Supongamos tener ahora un vector u= a 2 , luego T
u u ≥ 0, entonces uT u ≥ 0, y por lo
⋮
an
tanto la norma de un vector es un número real, no negativo.
0
0
Por otro lado, si u=0= entonces tenemos que || u || = 0
⋮
0
Supongamos ahora que v = u, luego || v || = || u ||, entonces tendremos que:
a1
∥ u∥²= uT u= a1 a 2 ⋯ an a 2 =∣∣²∣a1∣²∣∣²∣a 2∣²⋯∣∣²∣an∣²=∣∣²∥u∥²
⋯
an
(Recordar que también estamos trabajando con complejos, por lo tanto al multiplicar un complejo
por su conjugado obtenemos el cuadrado de su módulo)
Tomando ahora, raíz cuadrada en ambos miembros resulta que ∥ u∥=∣∣∥u∥
Hasta ahora hemos podido resolver operaciones con vectores y entre escalares y vectores, ahora
veamos cómo multiplicarlos.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 60
a1 b1
Dados los vectores u= a 2 y v = b2 definimos el producto interior y lo denotamos u . v al
⋮ ⋮
an bn
siguiente elemento de F u . v = u T v
El lector puede comprobar que el producto interior entre u y v es un elemento del campo F.
¿Y qué propiedades tiene este nuevo producto?
Enumeremos algunas propiedades:
a) u . v=v . u
b) u v . w=u . wv.w
c) u. v w=u . v u.w
para cualesquiera vectores u, v y w y cualquier , del campo F.
Veamos entonces que son verdaderas estas propiedades.
b1
T b
Primero veamos que u . v = u . v=a 1 a 2 ⋯ an 2 =a1 b 1a 2 b2⋯a n bn
⋮
bn
a1
T a
Por otro lado veamos que v . u=v u=b 1 b 2 ⋯ b n 2 =b 1 a1b 2 a 2⋯bn a n y solo resta
⋮
an
decir que b 1 a 1b 2 a2 ⋯bn a n=b 1 a 1b 2 a 2⋯bn a n=a 1 b 1a 2 b2 ⋯an b n lo que nos dice
que u . v=v . u .
c1
Veamos además que u v . w= u v T . w= a 1 b1 a 2 b2 ⋯ an bn c 2
⋮
cn
y desarrollando el producto de matrices resulta que
u v . w= a1 b1 c 1 a2 b2 c 2⋯ an bn c n
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 61
c1 c1
u v . w=a 1 a 2 c
⋯ a n 2 b1 b2 ⋯ bn c 2 =u T . wv T . w
⋮ ⋮
cn cn
De donde resulta que u v . w=u . wv . w que es lo que queríamos demostrar.
La demostración de la última propiedad se la dejamos al lector, y pasará a ser parte del práctico de
esta parte del texto. A no desesperarse, sólo se debe seguir pasos similares a los realizados en la
prueba anterior. Sólo me resta desearles ¡¡¡Éxitos!!!
Luego de semejante teorema, bajemos nuestras pretensiones y hablemos solamente de los vectores
con componentes en el campo real. Y la justificación de esto es porque queremos que todo lo que
estamos desarrollando se pueda aplicar en algo y que no quede solamente en el mundo de las ideas.
De la desigualdad de Cauchy-Schwarz resulta que
∣u.v∣≤∥u∥∥v∥
∣u . v∣
≤1
∥u∥∥v∥
∣u.v
∥u∥∥v∥ ∣ ≤1
u.v
−1≤ ≤1
∥u∥∥v∥
u.v
Luego en el intervalo [0; ] hay un sólo ángulo tal que cos = . Al ángulo
∥u∥∥v∥
llamaremos ángulo entre los vectores u y v.
T
0
Tenemos entonces que u . v=u v=1 2 −1 1 =2−1=1
1
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 63
1
Por otro lado tenemos que ∥u∥= uT . u= 1 2 −1 2 = 1²2²−1 ²= 6 y
−1
0
∥v∥= v . v= 0 1 1 1 = 0²1²1²= 2 por lo que ∥u∥∥v∥= 6 2= 12=2 3
T
= de donde 73º.
u.v 1 3
Luego tenemos que cos = =
∥u∥∥v∥ 2 3 6
Ejemplo 2: Probar que el ángulo entre el vector u = -2 y el vector v = 3 es .
u . v = (- 2) . 3 = - 6.
Por otro lado tenemos que || u || = 2 y || v || = 3 de donde || u || || v || = 6.
u.v −6
Tenemos entonces que cos = = =−1 de donde = .
∥u∥∥v∥ 6
4
u . v=uT v=1 2 2 =28=10 y además
2
∥u∥= uT . u= 1 2 1 = 1²2²=5 y
∥v∥= v T . v= 2 4 2 = 2²4²= 20
4
De donde tenemos que ∥u∥∥v∥= 5 20= 100=10
u.v 10
Por último cos = = =1 de donde = 0.
∥u∥∥v∥ 10
Ejemplo 4: Los vectores e1 y e2 forman un ángulo recto.
e 1. e 2 0
Tenemos que cos = = =0⇒ =
∥e1∥∥e 2∥ 1 2
Despeguemos una vez más de estos casos particulares, cual avión va en busca del cielo (Esta es otra
de mis características, soy un poeta de raza ...) y probemos un resultado ya conocido por el lector: la
desigualdad triangular, y por otro lado nos interesaremos por definir de alguna manera un método
que nos indique cuán alejados están unos vectores de otros, en otras palabras, intentaremos buscar
una definición satisfactoria de distancia entre dos vectores. Todo esto lo haremos con la ayuda de la
noción de norma.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 64
∥v∥
∥uv∥ ∥u∥
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 65
Para poder definir correctamente, nos vamos a ayudar con un dibujo que nos permita tener una idea
de lo que queremos. Entonces dados los vectores u y v, del plano ℝ2, tenemos la siguiente
representación gráfica:
u + (- v) = u - v
-v
v
Distancia de u a v
Analicemos un poco este diagrama. En primer lugar tenemos los vectores u y v, y lo que se quiere
es determinar la distancia que hay entre ellos. Lo que consideramos es el vector opuesta a v, es decir
el vector – v. Hallamos la suma entre u y – v y nos da un vector al que llamamos u – v. La norma de
dicho vector es la distancia que estamos buscando.
Por lo tanto podemos dar la siguiente:
Definición: dados dos vectores u y v, definimos la distancia entre ellos y la denotamos como d(u, v)
a la norma del vector u – v. En otras palabras d(u, v) = || u – v ||
Veamos que de esta definición no nos puede salir algo raro como que la distancia de un vector a
otro sea un número negativo o por ejemplo que la distancia de un vector a sí mismo sea distinto de
cero.
En efecto, sabemos que la norma de un vector es un real no negativo, por lo que podemos afirmar
que d(u, v) ≥ 0. Además d(u, u) = || u – u || = || 0 || = 0 con lo que se puede decir que si u = v
entonces d(u, v) = 0. Veamos ahora la recíproca de esta afirmación, es decir si d(u, v) = 0 entonces
eso implica que u = v. Pues bien, supongamos que d(u, v) = 0 entonces tenemos que || u – v || = 0,
de donde ∥u−v∥=u−v T u−v = uT −v T u−v =0 de donde o u T −v T =0 lo que implica
que u T =v T y se tiene que u = v o u−v =0 lo que implica que u=v de donde u = v. Es
decir, si d(u, v) = 0 entonces u = v.
Además se puede probar (cosa que deberás hacerlo por tus propios medios) que d( u, v) = d( v, u).
Y por último veamos que dados tres vectores u, v y w, resulta que d( u, v) ≤ d( u, w) + d( w, v).
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 66
Pues bien, d( u, v) = || u – v || = || u – w + w – v || ≤ || u – w || + || w – v || = d( u, w) + d( w, v)
Por lo tanto hemos demostrado las propiedades básicas que esta noción de distancia debe tener, a
saber:
1) d(u, v) ≥ 0 (la distancia no puede ser un número negativo)
2) d(u, v) = 0 u = v (la distancia solamente es cero si los vectores son iguales, de otra forma
es imposible)
3) d(u, v) = d(v, u) (la distancia de un vector a otro es la misma que la distancia del segundo
vector al primero)
4) d( u, v) ≤ d( u, w) + d( w, v) (la distancia de un vector a otro es menor que la distancia del
primer vector a un tercero más la distancia de ese tercer vector al segundo vector)
Para hacer una interpretación gráfica de todo esto, observar los siguientes gráficos:
u. d(u, v) = 0 . u .u
v d(v, u) d(u, v) d(u, v)
. v d(u, w) .v
.w d(w, v)
Cuando observe el gráfico no piense en los segmentos entrecortados como vectores, sino más bien
como las distancias entre esos puntos.
∣ ∣
e1 e 2 e 3
u∧v = a 1 a 2 a 3
b1 b2 b3
El producto vectorial entre dos vectores es de nuevo un vector, no un número a pesar que en su
definición se utiliza la noción de determinante. Y ello a causa de que en la primera fila del
determinante están los versores fundamentales y no números como estábamos acostumbrados. (Eso
hay que tenerlo muy en claro y por ello es que lo llamamos determinante simbólico)
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 67
∣ ∣
e1 e 2 e3
a) Si u = 0 (el vector nulo), entonces u∧v = 0 0 0 =0 i 0 j0
k =0 . En otras palabras
b1 b2 b3
u ∧ v = 0 (el vector nulo) Lo mismo ocurre si v = 0.
∣ ∣∣ ∣
e1 e 2 e 3 e1 e 2 e 3
b) u∧v = a 1 a 2 a 3 =− b1 b 2 b3 =−v∧u Recordando que el intercambio de filas produce
b1 b2 b3 a1 a 2 a3
que el determinante cambie de signo. Es decir al intercambiar el orden de los vectores obtenemos el
opuesto del vector resultado.
∣ ∣ ∣ ∣
e1 e2 e3 e 1 e 2 e3
c) u∧ v= a1 a 2 a 3 = a1 a 2 a 3 = u∧v
b1 b2 b3 b1 b 2 b 3
Hay otras propiedades más que deberán demostrar en el práctico y que no tienen mayor
inconvenientes. Sólo hay que recordar las propiedades de los determinantes. Sin embargo hagamos
nos falta ver una de las propiedades más importantes del producto vectorial, y es que el vector
resultante del producto vectorial es ortogonal a los vectores que intervienen en dicho producto.
En efecto, sea u y v dos vectores del espacio. Veremos que el producto interior entre uno de ellos,
por ejemplo u y u ∧ v es cero, con lo que estaremos probando la propiedad antes mencionada.
Para esta demostración necesitaremos recordar cómo se calculaba el determinante de una matriz,
desarrollándolo por una fila (si no te acuerdas, volver a las unidades anteriores) y además
necesitaremos recordar que la suma de los productos de los elementos de una fila, por los cofactores
de los elementos de otra fila es cero. (Esta propiedad la usamos para calcular la inversa de una
matriz, ¿te acordás?)
Antes que nada veamos cuáles son las componentes del vector u ∧ v:
u ∧ v = (a2 b3 – b2 a3) e1 – (a1 b3 – a3 b1) e2 + (a1 b2 – b1 a2) e3
Escribiendo esas componentes como cofactores de la primera fila, resulta que:
m11
u ∧ v = m11 e1 + m12 e2 + m13 e3 = m12
m13
m 11
Entonces tenemos que u.( u ∧ v) = u T u∧v = a 1 a 2 a3 m 12 =a1 m11a2 m 12a3 m 13=0
m 13
puesto que hemos multiplicado los elementos de la segunda fila (componentes del vector u) por los
cofactores de la primera fila (los cofactores m1j)
Luego se puede decir que u y u ∧ v son ortogonales.
De la misma manera se muestra que u ∧ v es ortogonal al vector v.
En otras palabras, el vector u ∧ v es perpendicular al plano en el que están u y v.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 68
u ∧v
v
(Nota: en el gráfico hemos indicado con una flecha redonda el orden en que se multiplican los
vectores u y v)
Hay muchas cosas para decir del producto vectorial. Muchas las deberás probar en los prácticos,
otras no tendremos oportunidad de estudiarlas en la carrera y otras son aplicaciones a la Física y
otras ramas de la Matemática. Recuerda que esto sólo son los cimientos de una gran mansión
llamada Matemática, que para construirla se necesitaron miles y miles de años, donde cada
matemático aportó un poquito.
Para terminar esta unidad de vectores, definiremos un último producto, llamado producto mixto que
en otras palabras es la combinación entre los productos interior y vectorial.
Dados los vectores u, v y w, llamaremos producto mixto al número real u . (v ∧ w).
a1 b1 c1
Recordemos que si los vectores son u= a 2 , v = b2 y w= c 2 tenemos que el vector
a3 b3 c3
b2 c 3−c 2 b 3
v ∧w= −b1 c 3−b 3 c 1
b1 c 2−b 2 c 1
Luego tenemos que:
b 2 c3−c 2 b3
T
u. v∧w=u v∧w= a1 a2 a3 −b 1 c 3−b3 c1
b 1 c 2−b2 c 1
de donde:
u. v∧w=a 1 b2 c 3−c 2 b 3−a2 b1 c3−b3 c 1a3 b 1 c 2−b2 c 1
∣ ∣
a 1 a 2 a3
u. v∧w= b 1 b 2 b3
c1 c 2 c 3
Hasta acá hemos llegado con esta parte, la de los vectores, y como pudiste apreciar, fue bastante
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 69
densa. Y eso que lo que hemos estado estudiando sólo es la punta del iceberg llamado geometría
cartesiana.
Para terminar la unidad III, déjenme situarlos, para que puedan apreciar dónde estamos y hacia
dónde vamos. Hemos estado recorriendo el cuerpo de lo que llamamos Álgebra Lineal.
Comenzamos estudiando los sistemas de ecuaciones, que serían como los pies, y poco a poco
fuimos subiendo al hablar sobre matrices, determinantes y vectores. En la unidad que viene,
llegaremos al corazón, la parte que da sentido a esta rama de la matemática y de la cual, los
sistemas de ecuaciones, las matrices y los vectores son sólo casos particulares. Sí, mis queridos
alumnos, todavía queda lo más groso. Espero que para esta altura del año, no estén cansados.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 70
En las unidades anteriores hemos estudiado algunos objetos matemáticos de suma importancia, y ha
llegado la hora de entrar a uno de los conceptos que son el corazón del Álgebra Lineal, tal como lo
adelantamos en el final de la unidad anterior. Por otro lado en la unidad anterior hemos visto lo que
son los vectores, y sólo una clase especial de ellos tienen una interpretación geométrica, los
vectores uni, bi y tridimensionales con componentes reales y los bidimensionales con componentes
complejas. Ahora veremos que esta noción de vector se puede generalizar y de esa manera englobar
una gran cantidad de objetos matemáticos bajo una misma estructura: la de espacio vectorial. Así,
por ejemplo, las matrices, los vectores geométricos, los complejos, los reales, las funciones entre
otras cosas, serán elementos a los que llamaremos vectores.
Así es, la Matemática siempre busca generalizar sus nociones, abstrayendo las propiedades que son
más importantes, de manera tal que cuando particularizamos no perdamos esas nociones.
Empecemos entonces por la siguiente:
Definición: Un conjunto no vacío V se dice que es un espacio vectorial sobre el campo F, si
definidas dos operaciones denotadas por + y . (llamadas adición y multiplicación por un escalar) se
cumplen las siguientes propiedades:
1) u + v ∈ V y .u ∈V, ∀u, v ∈V y ∈F. (las operaciones son cerradas)
2) u + v = v + u (conmutativa en la adición en V)
3) (u + v) + w = u + (v + w) (asociatividad en la asición en V)
4) ∀u ∈V : 0 ∈V / 0 + u = u + 0 = u (neutro en la adición en V)
5) ∀u ∈V : - u ∈V / u + (- u) = (- u) + u = 0 (opuesto para la adición en V)
6) .(u + v) = .u + .v (distributiva con respecto a la adición en V)
7) ( + ).u = .u + .u (distributiva con respecto a la adición en F)
8) ( ).u = (.u) (pseudo asociatividad)
9) 1.v = v (identidad en la multiplicación escalar)
Estas nueve propiedades definen lo que vamos a llamar un espacio vectorial, y a sus elementos los
llamaremos vectores, mientras que a los elementos del campo F los llamaremos, como antes,
escalares. En realidad siempre que decimos el espacio vectorial V, debemos hacer mención a las
operaciones que se definen y al campo F de escalares. Esto se escribe así: (V, +, F, . ) es un espacio
vectorial.
Puede ser que dado un conjunto V, si defino otra forma de sumar sus elementos, éste deje de ser un
espacio vectorial, si no hay malos entendidos, siempre que se pueda omitiremos las operaciones
dándolas por entendidas.
De ahora en más, simplificaremos la notación sólo un poquito. Es muy molesto seguir escribiendo
el punto cuando multiplicamos un vector por un escalar de F, por lo que ahora en más .u = u, y
dejaremos el punto, sólo para denotar el producto interior como lo hicimos en la unidad anterior.
Veamos algunos ejemplos:
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 71
Ejemplo 1: Todas las matrices 2 x 2 con elementos en F, forman un espacio vectorial sobre el campo
F. Como podrás observar, todas las propiedades definidas con anterioridad son cumplidas por la
adición de matrices y por la multiplicación de un escalar por una matriz definidas de la misma
manera que lo hicimos en la unidad I. Luego, las matrices 2 x 2 forman el espacio vectorial de
matrices de dimensión 2 x 2 sobre el campo F.
Ejemplo 2: El conjunto de todas las matrices m x n, triangulares inferiores, forman un espacio
vectorial sobre el campo F. (Comprobar que lo que estoy diciendo es cierto)
Ejemplo 3: El conjunto de todas las matrices de F m x n forman un espacio vectorial sobre el campo F.
Todas las propiedades son cumplidas. Los ejemplos 1 y 2 anteriores son un caso particular de este
espacio vectorial.
Ejemplo 4: El conjunto ℝ, junto con las operaciones de adición entre reales y tomando como campo
al mismo ℝ, constituye un espacio vectorial. Es decir ( ℝ, + , ℝ, .) es un espacio vectorial llamado
espacio vectorial real de una dimensión.
Ejemplo 5: Los vectores estudiados en la unidad III, forman un espacio vectorial.
Ejemplo 6: Son espacios vectoriales ( ℝ, + , ℚ, .), ( ℚ, + , ℚ, .), ( ℂ, + , ℝ, .), ( ℂ, + , ℂ, .).
Ejemplo 7: Son espacios vectoriales ( ℝn, + , ℝ, .) con n >1.
Ejemplo 8: Sea V el conjunto de todas las funciones cuadráticas definidas del intervalo [0, 1] a ℝ,
con las operación + como la suma de funciones (recordar lo de Análisis I). V tiene estructura de
espacio vectorial.
Ejemplo 9: Sea V el conjunto de todos los polinomios de grado n y F = ℝ. V es un espacio vectorial.
Ejemplo 10: Sea V el conjunto de todas la funciones polinómicas (aquellas que se pueden expresar
de la forma f x =∑ a k x k =a n x n⋯a1 x 1a 0 ) con coeficientes ak reales. Se tiene entonces
que ( V, +, ℝ, .) es un espacio vectorial.
Creo que ya fueron muchos ejemplos, como para entender qué es un espacio vectorial. Si prestaron
atención, podrán ver que ahora, las funciones cuadráticas y polinómicas, los vectores geométricos,
los números racionales, los números reales, los números complejos, los polinomios, etc son
elementos de espacios vectoriales y por lo tanto se los llamará vectores.
Sin pretender aburrirlos con argumentos demasiado teóricos, expondré a continuación algunas
propiedades que se dan en los espacios vectoriales:
a) Si u + v = u + w, entonces v = w (Propiedad Cancelativa)
En efecto, sumando el opuesto de u en ambos miembros, utilizando las propiedades asociativa,
conmutativa, asociativa y neutro para la adición en V, resulta que;
u + v = u + w ⇒ u + v + (- u) = u + w + (- u) ⇒ 0 + v = 0 + w entonces v = w
b) u = 0 = 0 o u = 0.
Es una doble implicación por lo que deberemos hacerlo en dos partes:
) Como estamos en un campo (y no de flores...) 0 = 0 + 0, y por otro lado 0u = (0 + 0)u =
0u + 0u. (1)
Por otra parte, como estamos en un espacio vectorial, sabemos que 0 + 0u = 0u (2)
De (1) y (2) resulta que 0 + 0u = 0u + 0u, y cancelando resulta que 0 = 0u. Es decir = 0.
Con un argumento semejante se muestra que 0 = 0 con lo que queda demostrada la primera parte.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 72
) Supongamos que F, u V son tales que u = 0. Si 0, como estamos en el campo F, resulta
que existe – 1 y tendremos que:
u = 1u = (– 1)u = – 1 (u) = – 10 = 0
Si = 0, entonces 0u = (0 + 0)u = 0u + 0u de donde 0 = 0u.
Y esto completa la prueba de la propiedad.
c) – (u) = (– ) u = (– u)
En efecto, (u) + [– (u)] = 0 pues son vectores opuestos, por otro lado 0 = 0u = [ + (– ) ]u pues
estamos trabajando con elementos de un campo F. Luego 0 = u+ (– )u de donde resulta que:
(u) + [– (u)] = u+ (– )u
y por la ley de cancelación (propiedad a anterior) tenemos que:
– (u) = (– )u
Una prueba semejante muestra que – (u) = (– u).
Esto prueba la propiedad c.
Subespacios
En un espacio vectorial V, podemos encontrar también otros espacios vectoriales. Así el espacio
vectorial ( ℚ, + , ℝ, .) es un espacio que está incluido en el espacio vectorial ( ℝ, + , ℝ, .). Al primer
conjunto lo llamaremos subespacio vectorial.
En primer lugar veamos que cuando hablamos de un espacio vectorial y un subespacio, estamos
usando el mismo campo F para los dos. Entonces, definámoslo correctamente:
Definición: un conjunto W V es un subespacio vectorial sobre F si W mismo es un espacio
vectorial con las operaciones definidas en V. En otras palabras W es un subespacio vectorial de V si
w1, w2 W y , ∈F resulta que w1 + w2 ∈W.
Dado un espacio vectorial V sobre F, resulta que tanto {0} y V son subconjuntos de V. Como lo
probarás en el práctico, esos subconjuntos son subespacios vectoriales de V, llamados subespacios
triviales.
Ejemplo 1: Si el espacio vectorial es el conjunto de las matrices cuadradas de dimensión 2, un
subespacio es el conjunto de las matrices diagonales de dimensión 2.
Ejemplo 2: Si el espacio vectorial es ( ℂ, + , ℝ, .), entonces un subespacio es ( ℝ, + , ℝ, .).
Ejemplo 3: ( ℚ, + , ℚ, .) es un subespacio de ( ℝ, + , ℚ, .)
Ejemplo 4: ( ℂ, + , ℝ, .) no es subespacio de ( ℂ, + , ℂ, .) a pesar de que ℂ ⊂ ℂ. (Explicar el por
qué de esta última afirmación)
La unión de subespacios no es en general un subespacio vectorial, pero para ver esto, primero
interpretemos geométricamente el espacio vectorial ( ℝ2, + , ℝ, .) y sus subespacios.
Dado un vector u de ℝ2, llamaremos Fu al conjunto de todos los vectores múltiplos de u.
Es decir:
Fu = {v ∈ ℝ2/ v = u, con F}
Como lo vimos en la unidad anterior, el conjunto Fu es una recta en el plano ℝ2, una recta que pasa
por el origen del sistema de coordenadas.
Se puede probar que Fu es un subespacio vectorial de ℝ2. (Otro trabajo para ustedes, estudiantes)
Geométricamente podemos ver a Fu y a ℝ2 en el siguiente gráfico:
Fu
Dados dos vectores u y v, con u ≠ v, podemos formar los subespacios Fu y Fv, que los podemos ver
en el siguiente gráfico:
Fu
Fv u
Si hacemos la unión entre Fu y Fv tendremos un conjunto formado por dos rectas que pasan por el
(0, 0), si elegimos un vector w1 de Fu y otro w2 de Fv, su suma, no pertenecerá en general a Fu
Fv. (mirar el siguiente gráfico)
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 74
Fu
w1 + w2 ∉ Fu ∪ Fv
Fv
En otras palabras, todos los subespacios de ℝ2 son las rectas que pasan por el origen, y los
conjuntos {0} y ℝ2.
De la misma manera, en el espacio vectorial ℝ3 todos los subespacios son las rectas y los planos
que pasan por el origen y los conjuntos {0} y ℝ3.
Estos ejemplos muestran que la unión de subespacios vectoriales no es un subespacio vectorial.
u 1=
1i
3
i
, u 2=
1−i
2i
, u 3=
i
0
y los escalares 1=1 , 2=i y 3=1i ?
v = ∑ k u k =1
k =1
1i i 1−i 1i i = 1i 1i −1i = 13i
i 2i 0 i −2 0 −2i
Ejemplo 2: ¿Cuánto deben valer los escalares y para que
2
3
1
=
0
0
0
?
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 75
Seguimos con las definiciones en los espacios vectoriales, pero ahora relacionándolo con las
combinaciones lineales.
Definición: Un conjunto de vectores u1, u2, …, um del espacio vectorial V, se dicen linealmente
m
independientes si ∑ k u k =0 ⇒ k =0 ∀k = 1, 2, …, m.
k =1
Es decir, los vectores son linealmente independientes si la única forma en que la combinación lineal
sea cero es que los escalares sean todos nulos.
Si los vectores no son linealmente independientes se los llamarán linealmente dependientes. En
otras palabras si la combinación lineal da cero, algunos de los escalares debe ser distinto de cero.
independientes.
1
0
0
Ejemplo 3: Los vectores i = 0 , j= 1 y k = 0 del espacio (ℝ3, +, ℝ, .) son linealmente
0 0 1
Ejemplo 4: Es fácil probar que los versores fundamentales del espacio (F n, +, F, .), e1, e2, …, en son
linealmente independientes.
Antes de seguir, haremos una pequeña entrada a los espacios vectoriales reales, (ℝ, +, ℝ, .), (ℝ2, +,
ℝ, .) y (ℝ3, +, ℝ, .). Es decir, la recta, el plano y el espacio.
En el primer caso, dado dos vectores (que en realidad son números reales) resulta que siempre son
linealmente dependientes, puesto que uno se puede obtener como múltiplo del otro.
En el segundo caso, dos vectores serán linealmente dependientes, si uno es múltiplo del otro, sino
serán linealmente independientes. Si tenemos tres vectores, seguro que son linealmente
dependientes.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 76
En el tercer caso, dos vectores serán linealmente independientes. Si tengo tres vectores, resulta que
si uno de ellos está en el plano generado por los otros dos, serán linealmente dependientes, de lo
contrario serán linealmente independientes.
A partir de ahora, en vez de escribir “linealmente independientes” vamos a escribir l.i. y en vez de
“linealmente dependientes” escribiremos l.d. De esa manera no tengo que escribir mucho y es una
convención que lo podrán escuchar en muchas partes, si algún día vuelven a ver estos temas.
Veamos algunas de las propiedades de los vectores l.i. (o sea, los vectores que son linealmente
independientes, y esta es la última vez que lo escribo)
Lema: Si S = {uk} es un conjunto de vectores l. i. del espacio vectorial V, entonces todo elemento
del subespacio generado por ellos, tiene una representación única de la forma:
1 u1 2 u 2⋯n un
con los k F.
Demostración: Sea un vector v generado por los vectores uk, y supongamos además que este vector
tiene dos representaciones distintas, digamos:
v =1 u 12 u 2⋯ n un y v =1 u 1 2 u 2⋯n u n
con los k y k F.
Luego se tiene que:
1 u1 2 u 2⋯n un =1 u12 u 2⋯n u n
de donde resulta que:
1 u1 2 u 2⋯n un −1 u1−2 u 2−⋯−n u n=0
1−1 u 1 2−2 u2⋯n− n un =0
pero como los vectores uk son l. i., resulta que:
1−1=0 2−2=0 ⋯ n− n=0
Tenemos entonces que:
1=1 2=2 ⋯ n=n
por lo que podemos asegurar que el vector v tiene una única representación. Y eso era lo que
queríamos demostrar.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 77
Supongamos ahora que tenemos n vectores del espacio vectorial V, digamos u1, u2, …, un. Y
supongamos que l. d. Por ello resulta que si 1 u1 2 u 2⋯n un =0 entonces no todos los k
son cero. Sea k el mayor natural para el que k ≠0. Es decir, si j > k entonces j = 0. Tenemos
entonces que 1 u1 2 u 2⋯k u k k1 u k1⋯ n un=1 u 12 u2 ⋯ k uk 0=0
Es decir 1 u1 2 u 2⋯k u k =0 y esto implica que:
−1 −1 −1 −1
u k =k −1 u 1−2 u 2− ⋯ −k−1 u k−1=−1 k u1−2 k u 2 ⋯ − k−1 k u k−1
En otras palabras, el vector uk es combinación lineal de sus predecesores.
Hemos probado el siguiente:
Lema: En un conjunto l. d. de vectores u1, u2, …, un del espacio vectorial V, existe un vector uk que
es combinación lineal de los que le preceden, u1, u2, …, uk – 1.
Ejemplo 2: Cualquier vector u es una base del espacio vectorial (ℝ, +, ℝ, .). (Probarlo si no me
creen, y si me creen, probarlo también, porque no estoy seguro de este ejemplo)
Ejemplo 3: los vectores 1 e i, son una base del espacio vectorial (ℂ, +, ℝ, .) pero no del espacio
vectorial (ℂ, +, ℂ, .)
Ejemplo 4: tal como lo dijimos en la unidad anterior, los vectores e1, e2, …, en llamados versores
fundamentales son una base del espacio Fn, pues como se puede probar son linealmente
independientes y cualquier vector puede ser escrito como combinación lineal de esos versores.
3
1
Ejemplo 5: los vectores e1 y e2 no son una base de F , pues el vector u= 1 no se puede escribir
1
como combinación lineal de ellos. En otras palabras, no existen escalares 1 y 2, tales que 1 e1 +
e2 2 = u.
Enunciamos a continuación un último teorema sobre las bases de un espacio vectorial, pero no
daremos la demostración. El teorema nos acerca a un concepto que estuvimos mencionándolo en
varias oportunidades pero que no lo habíamos definido.
Teorema: Dadas dos bases del espacio vectorial V, digamos u1, u2, …, un y v1, v2, …, vm, entonces
n = m.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 78
En otras palabras, lo que nos dice el teorema anterior, es que todas las bases de un espacio vectorial
tienen la misma cantidad de elementos.
Este número de elementos de una base, que es igual a todas las bases de un espacio vectorial, se
llama dimensión.
Luego la dimensión nos dice cuántos elementos necesito para formar una base y a partir de allí,
generar el espacio vectorial. Por ello, el plano, es decir, el espacio vectorial (ℝ2, +, ℝ, .) tiene
dimensión 2, pues necesito de dos vectores para generarlo.
En cambio, una recta que pase por el origen del plano (que es un subespacio de él) tiene dimensión
1, pues sólo necesito un vector para generarla. (Recuerde que un vector y todos sus múltiplos
generan a dicha recta)
Por otro lado, el espacio vectorial (ℂ, +, ℝ, .) es de dimensión 2, pues necesito dos vectores para
generarlo completamente (por ejemplo los complejos 1 e i). Sin embargo el espacio vectorial (ℂ, +,
ℝ, .) es de dimensión 1, pues necesito de un vector solamente para generarlo completamente (por
ejemplo, el vector 1 + i)
Se conviene que la dimensión del espacio vectorial {0} es 0.
La dimensión, es un número natural para estos espacios vectoriales, y como lo decíamos
anteriormente, nuestra manera de pensar y de percibir los objetos del mundo está sosegada por un
espacio de tres dimensiones, por ello no podemos representar objetos de cuatro dimensiones ni
mayores. Pero además, déjenme contarles que los matemáticos no se contentaron con dimensiones
enteras, que crearon objetos que tienen como dimensión un número fraccionario: los fractales son
objetos matemáticos cuya dimensión convive en el conjunto de los números racionales. Estos
monstruos matemáticos, producto de nuestras ideas, son sólo alguna de las cosas locas que la
matemática puede crear.
Ya hemos estado trabajando con las bases ortonormales (por favor no separar la palabra
ortonormal, en ninguna forma posible. ¡¡¡Gracias!!!) pues por ejemplo los vectores e1 y e2 (los
versores fundamentales de ℝ2) son l. i., generan a ℝ2 y además son ortogonales y de norma 1.
(Probar todo esto como se debe, ya que yo no lo he hecho todavía)
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 79
1 −1 2 0 = 0 ⇒
0 −1 0
−1
− 2
= 0 ⇒ 1=0∧2=0
0
Cualquier vector se puede escribir como combinación lineal de los vectores v1 y v2.
En efecto:
a1
a2
a
0 a2 0 −1
= 1 0 =−a1 −1 −a 2 0 =−a1 v 1−a2 v 2 , es decir generan a ℝ2.
∥v1∥= v T1 v 1= −1 0 −1 = −1−10.0= 1=1
0
∥v 2∥= v T2 v 2= 0 −1 0 = 0. 0−1−1= 1=1
−1
Por último, los vectores son ortogonales, pues:
v 1 . v 2=v T1 v 2=−1 0 0 =−1.00.−1=0
−1
2 −
2
2 2
Ejemplo 2: Los vectores v 1= y v2 = forman una base ortonormal del plano.
2 2
2 2
0
v 1= 0 , v 2 = 1
0
y
0
v 3= 0
1
forman una base del espacio ℝ3. Pero
2
Ejemplo 4: Los vectores v 1= 2
2
y
v2 = 0
−1
no forman una base ortonormal del plano, pues
2
v 1 . v 2=v T1 v 2=
2
2
2
2 0 =− 2 . Luego no son ortogonales.
−1 2
Aunque queda mucho afuera, terminamos esta unidad con una especie de cuestionario que deberías
tener en cuenta a la hora del examen final. Este cuestionario, está inspirado en el libro de Alfredo
Novelli, Lecciones de Álgebra Lineal.
Pregunta: ¿Un conjunto cualquiera puede ser un espacio vectorial?
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 80
Respuesta: Un espacio vectorial no es sólo un conjunto de elementos, sino más bien, un conjunto
de elementos con los cuales se puede operar, y estas operaciones deben cumplir ciertos axiomas.
Pregunta: El conjunto vacío, ¿es un espacio vectorial?
Respuesta: No, pues todo espacio vectorial debe contener como mínimo al vector 0.
Pregunta: Un espacio vectorial, ¿puede tener un sólo elemento?
Respuesta: Sí, por ejemplo el espacio vectorial {0}
Pregunta: ¿Cualquier recta del plano es un subespacio de éste?
Respuesta: No, sólo las que pasan por el origen.
Pregunta: Si tengo un espacio vectorial de 3 dimensiones. ¿2 vectores cualquiera son l. i.?
Respuesta: No, pues si los vectores son múltiplos, entonces son l. d.
Pregunta: Si tengo un espacio vectorial de n dimensiones. ¿El conjunto formado por n + 1 vectores
es siempre l. d.?
Respuesta: Sí, porque es posible que n vectores formen una base, entonces el vector restante será
combinación lineal de ellos.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 81
En la unidad anterior, hemos estado viendo varios ejemplos de espacios vectoriales, y en particular
hemos visto que los espacios ℝ2 y ℂ sobre el campo ℝ, presentan una estructura bastante similar. Es
a
decir, si hablamos del vector u= 1 podemos pensarlo como un elemento de cualquiera de los
a2
dos espacios antes mencionados. Esta semejanza entre espacios vectoriales, será nuestro estudio en
esta última unidad, bajo el nombre de Transformaciones lineales.
Sean los espacios vectoriales V y W, ambos sobre el mismo campo de escalares F. Sea f una función
tal que f: V W. f se denominará homomorfismo o transformación lineal si:
f (u + v) = f(u) + f(v), ∀u, v ∈ V y ∀, ∈F
Un grafiquito para que lo entiendas:
V W
f (u)
u
v f(v)
u + v f(u) + f(v)
a1
a −a
f u= f a 2 = 1 3
a3
a 2−a3
es un homomorfismo.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 82
a1 b1
a b −a −b
a −a b −b a −a b −b
f uv = f a2 b 2 = 1 1 3 3 = 1 3 1 3 = 1 3 1 3 = f u f v
a3 b3
a 2b2−a3−b3 a2 −a 3b 2−b 3 a 2−a3 b2 −b3
Y en segundo lugar:
a1 a1
f u= f a 2 =
a3
a1− a 3
a2− a3
=
a1−a 3
a 2−a3
= f a 2 = f u
a3
a1
f u= f a 2 =
a3
a 1−a 3
a 2−a31
no es un homomorfismo. (Probarlo antes de seguir leyendo)
f u= f
a 1 −a 1
=
a 2 −a 2
es un homomorfismo.
En efecto:
f u v = f
a 1 b1
=
− a 1− b1
=
− a1
a 2 b 2 − a2 − b 2 − a2
− b1
−b 2
=
−a 1
−a 2
−b 1
−b 2
= f u f v
Ejemplo 4: Sean los espacios vectoriales V y W y sea 0W el vector nulo del espacio W. Entonces la
función f(u) = 0W es un homomorfismo. (Tú, estudiante de Matemática, debes hacer la prueba. Es
realmente tonta la demostración, así que no tendrás problema en mostrarme una buena prueba de
este ejemplo. ¡¡¡Buena suerte!!!)
b) La imagen del opuesto de todo vector del espacio V, es igual al opuesto de su imagen.
En otras palabras: f (- u) = - f(u).
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 83
f u= f
a1
a2
a 1
= 1
a 21
no es un homomorfismo.
En efecto: sea 0 ∈ ℝ2, entonces 0 =
0
0
, luego se tiene que f(0) ≠ 0.
Ejemplo 2: Como en un ejemplo anterior, sean los espacios vectoriales V y W y sea 0W el vector
nulo del espacio W. Entonces la función f(u) = 0W es un homomorfismo. Para esto habíamos pedido
una demostración, que debe ser distinta a la que damos ahora.
Como f(u) = 0W u ∈V, resulta que f (0) = 0. Por lo que se puede decir que f es un homomorfismo.
Si V ≠{0} pero W = {0}, entonces tenemos que f es suprayectiva, pues todo W es imagen de la
función f.
Si V ≠{0} y W ≠ {0}, entonces tenemos que f no es suprayectiva, pues todo W - {0} no es imagen
de ningún vector de V por la función f.
En ambos casos, el homomorfismo no es inyectivo, pues para dos vectores diferentes de V, digamos
u y v, resulta que sus imágenes son iguales. Es decir f(u) = f(v) = 0.
Si V = {0} pero W ≠ {0}, entonces tenemos que f no es suprayectiva, pues W - {0} no es imagen de
ningún vector de V por la función f. Pero sí es inyectiva, pues V consta de un sólo elemento.
Si V = {0} y W = {0}, entonces tenemos que f es suprayectiva, pues todo W es imagen por la
función f y además f es inyectiva, pues V tiene un sólo elemento. En otras palabras, f es un
homomorfismo biyectivo.
En particular diremos que:
a) f es un monomorfismo f es un homomorfismo inyectivo.
b) f es un epimorfismo f es un homomorfismo suprayectivo.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 84
Por otro lado si los espacios V = W entonces el homomorfismo se llamará endomorfismo. Y si éste
es biyectivo, lo denominaremos automorfismo.
Es decir, un automorfismo es toda transformación lineal biyectiva de un espacio vectorial en sí
mismo.
Ejemplo 1: Probar que la función f : ℝ2 ℝ2 definida por:
f u= f
a1 a
= 1
a 2 −a 2
es un automorfismo.
(Dejamos al lector la prueba de que f es un homomorfismo y nosotros vamos por la otra parte)
f u = f v ⇒ f
a1
a2
=f
b1
b2
⇒
a1
−a 2
=
b1
− b2
⇒ a1= b 1∧− a 2=− b 2⇒ a1= b1∧a2= b 2⇒ u= v
luego f es un homomorfismo inyectivo.
u=
c1
−c2
y también f (u) = w. Luego todo W es imagen por la función f por lo que f es
suprayectiva.
En conclusión, f es biyectiva y por lo tanto un automorfismo del plano en sí mismo.
f u= f
a1
a2
=a1
no es un isomorfismo.
(Nuevamente, dejamos al lector la prueba de que f es un homomorfismo. A tal homomorfismo lo
llamamos proyección sobre la primera componente.)
Ejemplo 3: (Importantísimo)
Sean los espacios vectoriales (ℝ2, +, ℝ, .) y (ℂ, +, ℝ, .).
La función f: ℝ2 ℂ definida por:
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 85
f u = f
a1
a2
= a 1i a 2
es un isomorfismo.
a) f es un homomorfismo pues
f u v = f
a 1 b1
a 2 b 2
= a1 b1 i a 2b 2 =a 1i a 2b 1i b 2
f u= f v ⇒ f
a1
a2
b a b
= f 1 ⇒ a1i a 2=b1 i b 2 ⇒ a1=a2∧b1=b2 ⇒ 1 = 1 ⇒ u=v
b2 a2 b2
c) f es un homomorfismo suprayectivo.
.0
Ker(f)
3 Se usa Ker para indicar el núcleo de un homomorfismo, pues en inglés núcleo se dice kernel. Obviamente, I don't
speak english.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 86
Afirmamos el siguiente:
Lema: Ker(f) ≠∅.
Demostración: como f es un homomorfismo, resulta que f(0) = 0, luego por lo menos 0 ∈Ker(f).
f u= f
a1
a2
=a1i a2
Ejemplo 3: El homomorfismo f u = f
a1
a2
= a 1 tiene Ker(f) =
0
a2
. En otras palabras,
Y para que esta parte de homomorfismo sea matemáticamente atrayente, enunciamos los siguientes:
Teorema: Ker(f) es un subespacio de V.
Demostración: Veamos que dados los vectores u y v de Ker(f), resulta que u + v está en Ker(f).
En efecto, como u Ker(f) resulta que f(u) = 0, por otro lado f(u) = f(u) = 0 = 0. De igual
manera tenemos que f(v) = 0.
Por último, resulta que f(u + v) = f(u) + f(v) = 0 + 0 = 0. De donde u + v Ker(f). Y esto
era lo que queríamos demostrar.
Teorema: Una transformación lineal f es inyectiva si y sólo si el único elemento del núcleo es el
vector nulo del dominio.
Demostración:
⇒) Sea f un monomorfismo. Y lo que debemos probar es que Ker(f) = {0}.
En primer lugar, sabemos que {0} ⊂ Ker(f). Lo que debemos probar es la otra inclusión.
En efecto, sea u Ker(f). Se tiene que f(u) = 0W = f(0), de donde u = 0 pues f es inyectiva, de donde
resulta que u {0}, por lo que se puede asegurar que Ker(f) ⊂ {0} y esto completa la primera parte
de la demostración.
) Para demostrar que f es inyectiva, consideremos dos vectores u y v en V, tales que f(u) = f(v).
Ahora bien, tenemos que: f(u) = f(v) f(u) – f(v) = 0W y como f es una transformación lineal, resulta
que f(u – v) = 0W, por lo que u – v ∈ Ker(f ) y como el único elemento del núcleo es el vector nulo,
resulta que u – v = 0, de donde u = v. Y esto muestra que f es inyectiva.
Teorema: Si el conjunto de vectores u1, u2, …, um es l. i. y f es un homomorfismo inyectivo de V en
W, entonces el conjunto f (u1), f (u2), …, f (um) es l. i.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 87
m
Demostración: Sea ∑ k f u k =0W y queremos ver que todos los k son ceros para ver que los
k =1
f(uk) son l. i.
m m m
Tenemos entonces que ∑ k f u k = f ∑ k uk =0 W luego ∑ k u k ∈ Ker(f ). Como f es
k =1 k=1 k =1
m
inyectiva, el núcleo se reduce al vector nulo de V, o sea ∑ k u k =0V . Pero como los vectores uk
k =1
son l. i. resulta que todos los k son ceros y esto prueba que el conjunto f (u1), f (u2), …, f (um) es l.
i.
Podemos ver qué efecto tiene este homomorfismo sobre un vector cualquiera del plano:
a1
f
a2
a1 - a2
Vemos que el automorfismo definido por la función f es una rotación del plano en 90º.
En primer lugar deberemos ver que es un automorfismo y créanme que lo es. Veremos qué efecto
surge al aplicarlo a un vector cualquiera u, pero lo haremos gráficamente:
a1
f
a2
a1 a2
a1
a2
a
= 2
a1
y esto es posible solamente si a1 = a2. Es decir, los vectores que permanecen
y=x
¿Qué le hace f al plano entonces? Lo rota por la recta y = x. Entonces todo lo que está por debajo de
esa recta pasa a estar arriba y viceversa. (¿No los mareé, con tantas rotaciones?)
y=x
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 90
En el espacio, también podemos hacer rotaciones, dejando fijos los ejes, o alguna recta que pase por
el origen. Por ejemplo, sea la transformación lineal f definida en el espacio real, tal que:
a1 a2
f u= f a 2 = a3
a3 a1
Geométricamente f rota el espacio dejando fija la recta formada por los múltiplos del vector
1
1
1
Podemos compactar todo el plano en la recta horizontal, de esa manera todo va a para a la abscisa.
Este homomorfismo se llama proyección. Por ejemplo, si definimos el homomorfismo f como sigue:
f u= f
a1
a2
=a1
Todo vector del plano o del espacio, va a parar al origen. Este punto funciona como un “agujero
negro”, que atrae todo lo que está a su alrededor.
(Gráficamente, todos los vectores del espacio, se comprimen en uno sólo, el vector 0)
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 93
complejo.
a1 + i a2
a2
a1
Por otro lado, la transformación lineal llamada conjugación, hace rotar el plano complejo dejando
fijo el eje real. Definimos entonces el homomorfismo f del plano complejo en sí mismo de la
siguiente manera f u= f a1i a2 =u=a1i a2 =a1−i a 2 .
Gráficamente tenemos que:
a1 + i a2
Espero que estos ejemplos nos ayuden a entender en qué consisten los homomorfismos entre
espacios vectoriales.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 94
(c) z1 + z2 = i
z1 + z3 = - i
(d) 3 x + y – z = 1
x–y =2
z=1
(e) 3 x + 2 y = 0
x - 2 y = 1
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 95
1 1
(f) x+3y= −
2 2
x+ y= 2
(g) - 3 x – 2 y = - 1
-6x–4y=-2
(h) z1 + z2 = 1
z1 – z2 = i
6. (El Perro) Demostrar que si el conjunto {a1; a2; …; an} es solución de la ecuación
b1 x1 + b2 x2 + … + bn xn = c
Entonces resulta que:
(a) el conjunto {2a1; 2a2; …; 2an} es solución de la ecuación b1 x1 + b2 x2 + … + bn xn = 2c
(b) el conjunto {a1; a2; …; an} es solución de la ecuación b1 x1 + b2 x2 + … + bn xn = c,
con 0.
7. (El Revólver) Demostrar que si los conjuntos {a1; a2; …; an} y {b1; b2; …; bn} son
soluciones de la ecuación 1 x1 + 2 x2 + … + n xn = c entonces:
(a) el conjunto {a1 + b1; a2 + b2; …; an + bn} es solución de la ecuación
1 x1 + 2 x2 + … + n xn = 2c
(b) el conjunto {a1 - b1; a2 - b2; …; an - bn} es solución de la ecuación
1 x1 + 2 x2 + … + n xn = 0.
8. (El Incendio) Resolver los siguientes sistemas de ecuaciones y graficar en un sistema de ejes
cartesianos.
(a) 3 x + 2 y = - 6
x– y=-3
(b) x+2y=-1
-2x–4y=2
(c) x + y = 1
x+y=3
4 3 2
A= 1 2
−3 4
B= 1i i 3
1−i 2 0
C= i −1
1 −i D= 1
0
2 −1
1
1
2
(a) Calcular:
i. A + C
ii. 3 A – C
iii. (- i) B
iv. 2 D
v. (1 – i) C + i A
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 96
i
−1i 2
i −1 −2i 1 0 0
1
A= 1i 0 1 B= i −3 −i C= 2 i i
2
−i i 2 2i 1i 2i −3
0 1 −1
(a) Calcular:
i. (A + B) + C
ii. [3 + (2 + i)] A
iii. i A + i C
iv. (1 + i) B – i 3A
11. (El Minero) Dadas las matrices X, A y B tal que X + 3 A – B = A, probar que X = B – 2 A
2 −3 1 i
1 −3 2
A= −1 0 1 B= −2
4 1 0 i
0 −3i 2−i 0
i 2i
1−i −i C= 2 −1
1 −1
3 2
14. (El Borracho) Calcular el rango de las siguientes matrices:
1
3 2 2 3 −1 i i 0 2i
A=
i 2i
−1 −12i
B=
4 2
2
1
C= 0 1
1 −1 −2
0 D= 1 −3 i 1i
1−i −i 1 1
3
15. (La Niña Bonita) Resolver los siguientes ejercicios con las matrices anteriores:
(a) A²
(b) AB
(c) AB + B
(d) BC
(e) ¿Existe la matriz H tal que B.H = C? Justificar.
(f) ¿Existe la matriz J tal que C + J = D? Justificar.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 97
A= i 1i B=
−3 −1 0 2i
2 −1
(a) Resolver los siguientes ejercicios:
i. (1 + i) A + B
ii. A B – i A
iii. AT + BT
iv. (A2)T + (B2)T
v. A2 – B2
vi. (A + B)(A – B)
vii. (A B)T
viii. A + A
18. (La Sangre) Probar que si A tiene una fila de ceros, entonces A.A- 1 I y por lo tanto no
tiene inversa.
cos sen
A= 2
19. (El Pescado) ¿Cuándo la matriz es simétrica?
sen sen−
2
20. (La Fiesta) Probar que si A es simétrica entonces A es una matriz cuadrada. Probar que la
recíproca es falsa. Si A es simétrica, ¿ A es simétrica también? ¿Y qué se puede decir
de – A?
21. (La Mujer) Con la inversa calculada en el ejercicio 17, resolver el siguiente sistema de
ecuaciones
i z1 + z2 = 1
- z1 + (1 + i) z2 = i
∣ ∣ ∣ ∣
1 −1
∣ ∣
i 2i 1 3 − 2 −i
2 C = 3
A= 0 −1 3 B=
1 4 0 1
1 −i 1i 2 −
2 −1 i 2i
23. (El Cocinero) Sea A una matriz n x n. Probar que si el rango de la matriz A es menor
que n, entonces su determinante es cero.
1
3 k
A= 2 k
k −1
B=
k
1
i
k
C= 2
2 k 0
1 −1 1
26. (La Misa) Dar tres ejemplos de S4. ¿Cuántos elementos tiene S4? ¿Cuántos elementos
tiene S6?
27. (El Peine) Determinar el signo de cada una de las siguientes permutaciones:
(a)
1 2 3 4 5
1 3 5 2 4
(b) 1 2
2 1
(c) 1 2 3
1 3 2
(d)
1 2 3 4
4 1 2 3
(e)
1 2 3 4 5 6
1 3 2 5 4 6
28. (El Cerro) Calcular los determinantes de las matrices reduciéndola a una matriz
triangular:
13 4 2
1 3 −1 i 4 i −1 −10 −1 1
A= 0 2 1
1 −1 1
B= 1i 2 −i
0 −1 0
C= 2 1−i
1i i D=
−2
1
2
2 0
1 −1 0 0
29. (San Pedro) Para cada matriz del punto anterior, hallar la matriz de cofactores.
1 3 −2 1
1
−1 0 1
2
30. (Santa Rosa) Dada la matriz D=
3
0 0 2
2
1 4 −1 0
(a) Hallar la matriz de cofactores
(b) Hallar su determinante desarrollándolo por una fila
(c) Elegir una fila de la matriz de cofactores y una fila de la matriz D, distinta a la anterior.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 99
1 3 0
A=
1
−i 2
i
B= −1 − 1 2 C= −1
−1 0 1
2
2i 1i i
i
0 −i
1 −1
(a) Hallar la matriz adjunta de cada una de ellas
(b) Calcular el determinante de cada una de ellas
(c) Hallar la inversa de cada matriz, dividiendo la matriz adjunta por el determinante.
32. (El Dinero) Resolver los siguientes sistemas de ecuaciones utilizando la Regla de
Cramer:
(a) x + y = 1
-2x + y = -1
(b) z1 + z2 = i
(-1 + i) z1 – 3z2 = 1 – i
(c) x + y + z = 0
2x – y + z = 1
1
x + 3y – z = −
2
(b)
u 2= − 2
1
(c)
1
u 3= 0
1
(d)
u 4= 3
0
−1
(e)
u 5= 0
1
1
(f) u 6= 2
1
2
34. (La Cabeza) Calcular y graficar en el plano (los vectores son del punto 33):
(a) - u1
(b) u1 + u2
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 100
(c) u1 + u2 + u5
(d) u2 – u5
(e) u1 + u2 – u5
(f) – (u1 – u2)
35. (El Pajarito) Calcular y graficar en el espacio (los vectores son del punto 33):
(a) u3 + u4
(b) – u4
(c) u6 – u4
(b)
u= 2
−i
(c)
1
u= 3
−2
(d)
i
u= −i
1
2
−1
(e) u= 0
3
−1
(f)
u= 1i
2−i
(g)
1i
u= 2i
−1
T
37. (El Dentista) Probar que para todo vector resulta que u u≥0 y sólo se da la
igualdad si u = 0.
∥ u∥
38. (Las Piedras) Sea el vector v = u. Probar que =∣∣
∥u∥
1
1 0
39. (La Lluvia) Dados los vectores u= i v= 2 w= 0 , calcular:
− 2
3i −i
−1
(a) u.v
(b) v.w
(c) (u.v).w
(d) (v + w).u
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 101
(e) [ (1 + i) u + w ] . v
(f) [i v + (1 – i) u] . u
(g) u.u
41. (El Cuchillo) Comprobar que se cumple la desigualdad de Cauchy-Schwarz con los
vectores:
0
u= 3
1
−1
y v= 1
−
2
3
42. (Las Zapatillas) Calcular los ángulos que forman los vectores:
(a) en ℝ2: u=
1
0 y v=
−
1
1
2
1
2
(b) en ℝ3: u= − 2 y v= 1
2
1
0
(c) en ℝ2: u=
−3
−2 y
v= −1
2
43. (El Balcón) ¿Cuánto debe valer k en cada caso para que los vectores sean
ortogonales?
(a) u=
1
k y v= −2
3
(b) u=
k
k y v= 0
1
(c) u= k
−2
k
y v= −2
1
44. (La Cárcel) Probar que si u y v son múltiplos, entonces el ángulo que forman es 0 o
.
2
45. (El Vino) Probar que el ángulo formado por un vector consigo mismo es 0.
47. (El Muerto) Probar que si < 0, entonces u y u forman un ángulo .
2
48. (El Muerto que habla) Probar que si u y v son ortogonales, entonces u y v son
ortogonales con 0.
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 102
49. (La Carne) Si u y v son ortogonales, entonces u y v son ortogonales con , 0.
(a)
i
u= −3 y v = 1−i
2
1i
−i
(b)
u= 2
1 y
1
v= 2
−1
52. (Madre e Hijo) Con los vectores del ejercicio anterior, calcular la distancia entre
u y v.
54. (La Vaca) Demostrar que dados dos vectores u y v se cumple que d(u, v) = d(v, u)
(a) Graficar
1
u= 2
0
y
−1
v= 1
0
56. (La Caída) Demostrar que dados los vectores del espacio u, v y w, se tiene que:
u ∧(v + w) = u ∧v + u ∧w
58. (El Ahogado) Graficar el paralelepípedo recto rectángulo que tiene como lados a los
vectores 0
2
0
0
3
0
0
0
1
(a) Comprobar que || u ∧v || = superficie de la base.
(b) Calcular w.(u v) = volumen del paralelepípedo.
60. (La Virgen) Comprobar con un ejemplo en ℝ2 que si u y v son ortogonales, entonces
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 103
|| u ∧v || = || u || || v ||
64. (El Llanto) Probar que V = {A ℝ2x2} es un espacio vectorial sobre el campo ℝ y
decidir si W = {A ℂ2x2} es un espacio vectorial sobre el campo ℂ.
67. (La Mordida) Probar que si V es el conjunto de las funciones cúbicas, entonces
(V, +, ℝ, .) es un espacio vectorial.
69. (Los Vicios) Demostrar que en todo espacio vectorial se cumple – (u) = (– u).
70. (El Muerto Sueño) Sea el espacio vectorial (ℝ2, + , ℝ, .) y sea el vector
u= 1
1
.
¿Cuál es el subespacio vectorial generado por u? Graficarlo.
74. (La Gente Negra) Realizar la combinación lineal de los escalares 1 + i, i y – i y los
vectores u=
i 1
1i ; v = 2 y w= i
−1
.
75. (Los Besos) Sean los vectores u, v y w, con v y w múltiplos de u. Demostrar que toda
combinación linea entre ellos es nuevamente un múltiplo de u.
(e)
1
u= 0
3
1
v= 0
1
0
w= 0
1
sobre el campo ℝ.
2 1 0
(f) u= 2 v= 1 w= 0 sobre el campo ℝ.
2 1 0
2 0 1
77. (La Pierna de Mujer) Decidir si los siguientes conjuntos de vectores forman una base
para los espacios vectoriales dados.
1
(a) u 1= ; u 2=
0
0
1
en (ℝ2, + , ℝ, .)
1 1 1
(b) u 1= 0 ; u 2= 1 ; u 3= 1 en (ℝ3, + , ℝ, .)
0 0
(c) u = 1 + i en (ℂ, + , ℝ, .)
1
(d) u = 1; v = i en (ℂ, + , ℝ, .)
(e) u = 1 + i en (ℂ, + , ℂ, .)
1 1
(f) u= i en (ℂ, + , ℂ, .)
2 2
(g) u=
1 0
0 1
v= 0 1
0 0
en (ℝ2x2, + , ℝ, .)
(h)
u 1= 1 0 ; u 2 = i 0 ; u 3 = 0 1 ; u 4= 0 i ;
0 0 0 0 0 0 0 0
en (ℂ2x2, + , ℝ, .)
u 5= 0
1 0
0
; u 6= 0 0
i 0
; u 7= 0
0 1
0 ; u 8= 0
0 i
0
(i) u 1=
0 0
1 0 ; u=0 1 ; u=0 0 ; u=0 0
2
0 0 3
1 0 4
0 1
en (ℝ2x2, + , ℝ, .)
79. (El Ladrón) Decidir si los siguientes conjuntos de vectores forman una base
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 105
1
(c) u 1= ; u2=
1 −1
−1
en (ℝ2, + , ℝ, .)
1 1
−
u 1= ; u 2=
2 2
(d) en (ℝ2, + , ℝ, .)
1 1
2 2
3
(e) e1; e2 en (ℝ , + , ℝ, .)
(f)
0
e1; e1 + 0 en (ℝ3, + , ℝ, .)
1
(g)
cos
u 1= sen ; u2 = sen en (ℝ2, + , ℝ, .) y con ≠
cos
a1
a −a
81. (Las Flores) Probar que f a2 = 1 3 no es una transformación lineal de ℝ3 en
a2 −a 3
a3
ℝ2.
82. (La Pelea) Sea 0W ∈W y f : V W tal que f(u) = 0W, ∀u ∈V. Entonces f es un
homomorfismo.
84. (La Iglesia) Decidir si las siguientes funciones son transformaciones lineales en los
espacios vectoriales dados:
a
a
(a) f 1 = 1 de ℝ2 en ℝ2.
a 2 −a 2
(b) f
a1
a2
a 1
= 1
a2 1
de ℝ2 en ℝ2.
(c) f
a1
a2
=−a1 de ℝ2 en ℝ.
(d) f u =−u de ℂ en ℂ.
(e) f u =Reu de ℂ en ℝ.
(f)
f u =u de ℂ2 en ℂ.
v
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 106
85. (La Linterna) Clasificar cada una de las transformaciones lineales del punto anterior.
88. (El Papa) Demostrar que el conjunto V de las matrices triangulares superiores de
dimensión 2 es isomorfo a (ℝ3, + , ℝ, .) y que el conjunto W de las matrices diagonales de
dimensión 2 es isomorfo a (ℝ2, + , ℝ, .). ¿Qué relación hay entre los espacios vectoriales V y
W.
89. (La Rata) Probar que el conjunto f1 = 1; f2 = x y f3 = x2 forman una base para el
espacio vectorial de las funciones cuadráticas.
90. (El Miedo) Describir el núcleo de cada transformación lineal del ejercicio 89.
93. (El Enamorado) Dibujar en el plano el rectángulo formado por los vectores
u= 1 y v= 0 y sea f la transformación lineal tal que f 1 =
0 2
a
a2
−3 a 2
3 a1
.
f
a1
a2
=a 2 .
96. (El Marido) Corroborar que dado el paralelepípedo recto rectángulo formado por los
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 107
1 0 0 a1
a
vectores u= 0 ; v = 2 y w= 0 , la transformación lineal f a2 = 1 lo transforma
a2
0 0 2 a3
en un rectángulo.
a1
97. (La Mesa) Probar que la proyección f a 2 =a 3 es suprayectiva, pero no inyectiva.
a3
98. (La Lavandera)¿Qué vectores del espacio deja fijo la transformación lineal
a1 a2
f a 2 = −a 1 ?
a3 a3
1. Describir un espacio vectorial de dimensión 1, que sea distinto a (ℝ, +, ℝ, .) y a (ℂ, +, ℂ, .).
2. Establecer y probar una ley de cancelación para la multiplicación escalar en un espacio
vectorial cualquiera.
3. Probar que en todo espacio vectorial, – (u – v) = (– u) + v, ∀u, v ∈ V.
4. Decidir si los vectores u1, u2 y u3 generan a ℝ3.
(a) u 1 =
1
0
0
; u 2
=
1
1
0
; u 3
=
1
1
1
(b)
1
−1
−1
1
u 1= 0 ; u 2= 1 ; u3= 1
0 −2
(c)
0
2
2
1
1
u 1= 1 ; u 2= 0 ; u3= 2
0
(d)
1
0
u 1= 0 ; u 2= 1 ; u 3= −1
0 0
1
0
5. Sea f un homomorfismo de un espacio V en un espacio W. Demostrar que f transforma cada
subespacio de V en un subespacio de W.
6. En cada ejercicio, encontrar el vector unitario que es perpendicular a los dos vectores dados
en ℝ3.
(a) i – j; i + j
(b) i + 2j – k; 3i – j
(c) i + j + k; i – j – k
(d) 3i – j; j – 2k
7. Resolver cada uno de los siguientes sistemas de ecuaciones:
(a) 2x – 4y = 7
(b) x = 2
y=3
(c) x + y = 5
y=1
(d) 2x – y = 4
4x – 2y = 2
(e) 3x – 4y + 5z = 17
(f) x + y – z= 7
- x + 2y + 3z = -2
2x – y – 2z = - 1
(g) x1 + 3x3 = 1
2x2 + x4 = 1
3x3 + x4 = -2
x2 + 2x3 = 5
2x1 – x4 = 1
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 109
i
(a) A= −1 2i
2
−i −2i −1
1
i
(b)
i
A= −1
2
2i
1
i
−1i 22 i 1i
1
1 −1
2
(c) A= 0 2 −1
5
0 −2
2
9. Probar que (A)T = AT
10. Probar que (A + B)T = AT + BT
11.Probar que
12.
∣
1 a a²
∣
1 b b² =a−bb−c c−a
1 c c²
Calcular los siguientes productos:
(a) i ∧k
(b) k ∧i
(c) j ∧i
(d) j ∧- k
14. Calcular:
(a) i.(j ∧k)
(b) j.(k ∧i)
(c) k.(j ∧i)
15. Probar que la suma entre una matriz y su traspuesta es una matriz simétrica.
16. Mostrar con un ejemplo que (A + B) (A) + (B)
17. Dada una matriz A, de dimensión n y un número real k, entonces (k A) = kn (A)
18. Probar que en un espacio vectorial se tiene que:
(a) - ( - u) = u
(b) x + u = v entonces x = v – u
19.
1
Sea W = {v ℝ3/ 1 .v = 0 }
1
(a) Probar que W es un subespacio vectorial de (ℝ3, +, ℝ, .)
(b) Encontrar una base y la dimensión de W.
20. Sea el espacio vectorial (ℝ3, +, ℝ, .), proponer, si es posible, un conjunto de vectores
que:
(a) genere un subespacio vectorial de dimensión cero
(b) genere un subespacio vectorial de dimensión uno
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 110
22. z
Decidir si V = { u= 1 ∈ ℂ2 / z1 = i z2 } es un subespacio
z2
vectorial
de ( ℂ2, +, ℂ, .)
23. Sea el espacio vectorial ( ℂ2, +, ℝ, .). Decidir si los siguientes subconjuntos son
subespacios vectoriales:
z
(a) V = { u= 1 ∈ ℂ2 / z1 +2 z2 ∈ ℝ}
z2
(b) V = { u=
z1
z2
∈ ℂ2 / Re(z1) = Re(z2)}
(c) V = { u=
z1
z2
∈ ℂ2 / z1 = z2 }
independientes en el espacio (ℝ , +, ℝ, .)
25. Estudiar la dependencia lineal de los vectores u= 2 y v = 3 en los espacios
vectoriales (ℝ, +, ℝ, .) y (ℝ, +, ℚ, .)
26.
3
(ℝ , +, ℝ, .)
1
1
1
0 −1
0
Determinar si u 1= 1 ; u2= 1 y u3= 1 son linealmente independientes en
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 111
Bibliografía.
1. BURGOS, Juan de; (2006). “Álgebra Lineal y Geometría Cartesiana”. 3º Edición. Mc Graw
Hill. Madrid. España.
2. HERSTEIN, I. (1995) “Álgebra I”.
3. JOHNSON, Richard E.; (1969). “Álgebra Lineal”. 1º Edición. Compañía Editorial
Continental. Buenos Aires.
4. KOZAK, Ana M.; PASTORELLI, Sonia P. y VARDANEGA, Pedro E. (2007) “Nociones de
Geometría Analítica y Álgebra Lineal” Mc Graw Hill. Buenos Aires.
5. NAKOS, George y JOYNER, David. (2002). “Álgebra Lineal con aplicaciones.” México.
6. NOVELLI, Alfredo. (2007). “Lecciones de Álgebra Lineal”. 3º Edición. Buenos Aires.
7. ROJO, Armando O.; (1981). “Álgebra II”. 7º Edición. Librería El Ateneo. Buenos Aires.
8. STRANG, Gilbert. (1980) “Álgebra Lineal y sus aplicaciones” 2º Edición. Addison-Wesley.
México
Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 112
Ante cualquier duda, crítica malvada, crítica constructiva, felicitaciones y/o sugerencias no dude en
comunicarse al correo rosomina@yahoo.com.ar . ¡¡¡¡¡¡¡Todo será bienvenido!!!!!!!