Pequeñas Ideas Sobre Álgebra Lineal

Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 1
Pequeñas ideas sobre
Álgebra Lineal
Martínez Rolando Ramón

ISFDyT “Víctor Manuel Almenara”
Mayor Villafañe – Formosa

Argentina
Este texto ha sido diseñado para uso exclusivo de la cátedra Álgebra II, del Profesorado de
Educación Secundaria en Matemática.
Profesor Rolando Ramón Martínez

rosomina@yahoo.com.ar
Mayor Villafañe 2010

Formosa, Argentina
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.
Muchos textos están escritos con la siguiente estructura:
Definición – Propiedades – Demostraciones – Teoremas – Demostraciones
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.
¡¡¡Nos vemos en la Unidad 0!!!!

Ilustración 1: Que cada uno interprete como quiera...
Unidad 0: Conjunto de números complejos.
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:
Definimos ℂ = {z = (a, b) ∈ ℝ2/ a ∈ ℝ, b ∈ ℝ}, al que llamaremos Conjunto de los Números

Complejos.
a se llamará parte real y se denotará como Re(z) = a.
b se llamará parte imaginaria y de denotará como Im(z) = b.
Número real1: es el número complejo z, cuya parte imaginaria es 0.
En otra palabras z ∈ ℝ ⇔ Im(z) = 0
Número imaginario: es el número complejo z, cuya parte real es 0.
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.
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.
Unidad imaginaria: es el complejo i = (0, 1)
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
2 i.e. en Matemática significa: es decir

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.
(a, b) = (a, 0) + (0, b) = a(1, 0) + b(0, 1) = a + b i
Así, tenemos las operaciones en forma binómica:
○ (a + bi) + (c + di) = (a + c) + (b + d)i

○ (a + bi) . (c + di) = (a.c – b.d) + (a.d + b.c)i
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=ab i =a−b i=a−−bi=ab i= z
b. z z=ab i a−b i =2 ab−bi=2 a
c. z. z=ab ia−b i =a 2 −a b ia b i−b 2 i 2 =a2 b2
d. w z=ab i cd i=acbd i=ac−bd i=a−b i c−d i =w z
e. w . z=ab icd i=a c−b d a db ci=a c−b d −a d b ci de donde obtenemos
que w . z=a c−b d −a d b ci (1)
Por otro lado tenemos que:
2
w . z=a−b i c−d i=a cb d i −a d b ci=a c−b d −a d b ci (2)
De (1) y (2) resulta que w . z=w . z
Módulo de un complejo
Sea z = a + b i, llamaremos módulo de z y lo denotaremos como |z| =  a 2 b 2 . Esta definición

no es casual, como lo podrás ver a continuación.
Recordando a nuestro viejo y querido amigo

b z = (a, b) Pitágoras, y teniendo en cuenta la representación
gráfica de un complejo, podemos ver que el
módulo no es nada más y nada menos que la
medida de la hipotenusa del triángulo que se puede
ver en la figura. En otras palabras, es la distancia
a que hay desde el centro de coordenadas hasta el
punto (a; b)
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=ab ia−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| .
Por último veamos que

|z + w|2 =  zw z w
|z + w|2 =  zw z w
|z + w|2 = z . zz . ww. z w. w
|z + w|2 = ∣z∣2z . ww. z ∣w∣2
Veamos ahora que z . w y w. z son complejos conjugados. En efecto: z . w=z w=w . z y por lo
tanto la suma es igual al doble de la parte real, es decir: z . ww. z=2 Re z . w  , de donde:
|z + w|2 = ∣z∣22 Re z . w∣w∣2
Recordando ahora que la parte real de un complejo es menor o igual que su módulo, tenemos que:
∣z w∣2∣z∣22∣z . w∣∣w∣2
∣z w∣2∣z∣22∣z∣.∣w∣∣w∣2
2 2 2
∣z w∣ ∣z∣ 2∣z∣.∣w∣∣w∣
∣z w∣2∣z∣∣w∣2
Y sacando raíz cuadrada en ambos miembros tenemos una desigualdad importante para los números
complejos, la desigualdad triangular: |z + w|  |z| + |w|
Resumimos estos resultados en el siguiente:
Teorema: (Propiedades del módulo de un número complejo)

Sean z y w dos números complejos, se tiene entonces que:
a. |Re(z)| ≤ |z|
b. |Im(z)| ≤ |z|
c. z . z=∣z∣²
d. |z| = ∣z∣
e. |z.w| = |z|.|w|
f. |z + w| ≤ |z| + |w|
g. |zn| = |z|n
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!!!
Unidad I: Sistema de Ecuaciones Lineales y Matrices.
¿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)
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
Ejemplo 1: los conjuntos numéricos ℚ, ℝ son ejemplos de campo.

Ejemplo 2: el conjunto de los enteros no es un campo. (Probar)
Ejemplo 3: el conjunto de los números complejos es un campo. (Probar)
(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.
Ejemplo 1: el campo ℚ es un campo ordenado. (Probarlo)

Ejemplo 2: el campo de los números reales es un campo ordenado.
Ejemplo 3: el campo de los números complejos no es un campo ordenado (Ya lo hemos probado
con anterioridad)
(¡¡¡Por favor, hacer los ejercicios!!!)

Lo hermoso de la Matemática es su poder para generalizar, y el par ordenado no podía escapar a

esta realidad.
Recordemos que un par ordenado es un elemento del producto cartesiano A x B, que se denota
como (a; b), y en particular si A = B, entonces (a; b) ∈ A2.
Si en vez de tener el conjunto A dos veces, tenemos n veces, podemos formar una serie ordenada de
n elementos, (a1; a2; a3; … , an) llamada n-upla.
Es decir una n-upla es un elemento de An que es el producto cartesiano de A, n veces.
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 }
Ejemplo 1: Sea la ecuación lineal x + 2y = 0 sobre el campo de los racionales.

1
La 2-upla (par ordenado) (1; − ) es una solución de la ecuación lineal anterior. Por otro lado el
2
par ordenado (-1; 0) no es una solución de dicha ecuación.
Se puede probar que el conjunto S de soluciones de la ecuación puede ser definido de la siguiente
manera:
S = {(a; – a/2) ∈ ℚ2 / a ∈ ℚ}
Ejemplo 2: Sea la ecuación lineal  2 x –  2 y + z = 1 sobre el campo de los reales.
El conjunto solución es S = {(a; b; 1 –  2 a +  2 b) ∈ ℝ3 / a, b ∈ ℝ}
Ejemplo 3: La ecuación (1 + i) z1 – z2 = i sobre el campo de los números complejos.

El conjunto solución es S = {(z1; (1 + i) z1 – i) ∈ ℂ2 / z1 ∈ ℂ}
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
donde los ai y bi son elementos de F.

n
Si c1; c2; …; cn es una solución de la ecuación, entonces ∑ ai c i=b . Los ci forman una n-upla de
i=1
Fn que soluciona la ecuación.
Y así como los conejos, las ecuaciones también se aumentan.
Un conjunto ordenado de ecuaciones lineales sobre un campo F se llamará sistema de ecuaciones
lineales. De ese modo,
a11 x1 + a12 x2 + … + a1n xn = b1
a21 x1 + a22 x2 + … + a2n xn = b2
a31 x1 + a32 x2 + … + a3n xn = b3
.
am1 x1 + am2 x2 + … + amn xn = bm
se llamará sistema de m ecuaciones lineales con n incógnitas.

Hemos usado subíndices dobles en los coeficientes, de tal manera que podamos distinguir el orden
de la ecuación (índice que va de 1 a m) y el orden de las incógnitas (índice que va de 1 a n). No es
un capricho mío, pero créame que cuando se acostumbre a los dobles sub índices, no tendrá
problemas, y eso espero porque desde ahora casi todo se escribirá así.
Si Si es el conjunto solución de la i-ésima ecuación ai1 x1 + ai2 x2 + … + ain xn = bi entonces el
conjunto solución S del sistema de m ecuaciones lineales estará dada por la intersección de todos
ellos.
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.
Ejemplo 1: Consideramos el sistema de ecuaciones lineales en ℝ:

2x – 3y = 0
–2 x – 3y = 1
Vemos que el par (1; –1) no es una solución del sistema pues (1; –1) ∈ S2 pero (1; –1) ∉ S1,
entonces (1; –1) ∉ S1 ∩ S2 = S.
1 1
Por otro lado vemos que el par ( − − ) es una solución del sistema de ecuaciones.
4 6
Gráficamente vemos que S1 es el gráfico de la función y = 2x / 3. Por otro lado S2 es el gráfico de la
1 2 1 1
función y = − − x . El conjunto solución S = S1 ∩ S2 = ( − − ), es decir, el punto
3 3 4 6
donde las rectas se cortan.
Ilustración 2: Intersección de dos funciones lineales
Ejemplo 2: El sistema de ecuaciones

x+y+z=–1
x – 2y – z = 0
Es un sistema de ecuaciones con infinitas soluciones.
Ejemplo 3: Consideramos el siguiente sistema de 3 ecuaciones lineales con 2 incógnitas sobre el

campo de los números complejos:
z1 + z2 = i
z1 – z2 = 0
z1 + 2 z2 = 1
Es un sistema que no tiene solución.
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?)
Eliminando lo que molesta.

El método que expondremos ahora es una forma apropiada para resolver un sistema de ecuaciones,
consiste nada más y nada menos que en deshacernos de todo aquello que nos molesta, para
convertir algo complicado en algo sencillo, y se basa en las propiedades vistas para una ecuación.
Este método de resolución se debe a Karl F. Gauss, uno de los matemáticos más geniales que ha
existido, tanto que se lo llama “el príncipe de las matemáticas” por lo que creo que inventar este
método le habrá llevado menos de 5 minutos, que es menos tiempo de lo que tardé en escribir este
párrafo en mi notebook. ¡Y eso que escribo rápido!
Dado un sistema de ecuación lineal, podemos encontrar su solución a partir de realizar una
cantidad finita de operaciones elementales sobre las m ecuaciones lineales, y así encontrar un
sistema de ecuaciones equivalente que se pueda resolver más fácilmente.
Por ejemplo: Sea el sistema de ecuaciones sobre el campo de los complejos:
z1 + z2 = i
2 z1 – z2 = 0
z1 + z2 = i (E1)
– 3 z2 = – 2 i (E2 – 2E1)
Podemos ver que z2 = i 2/3, reemplazando en E'1 resulta que:

z1 + i 2/3 = i, de donde z1 = i 1/3
Luego el conjunto solución del sistema de ecuaciones lineales es la 2-upla de complejos:
(i 1/3; i 2/3)
Ejemplo 2: Sea el sistema de ecuaciones sobre el campo de los racionales

2x+3y=7
4x– y = 5
2x+3y=7 (E1)
7y =9 (2E1 – E2)
La única solución es y = 9/7 y x = 11/7.
Ejemplo 3: Reducir el sistema de ecuaciones lineales y resolver:

3x – 5y + z = 2
2x + y – 3z = – 4
7x – 3y – 5z = 1
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.
Ejemplo 4: Consideremos ahora el sistema de ecuaciones lineales sobre el campo ℂ.

z1 + z2 + z3 = i
z1 + 2 z2 – z3 = 1
Resolvemos el sistema mediante la eliminación gaussiana, para hallar el conjunto S solución.
z1 + z2 + z3 = i
z2 – 2z3 = 1 – i
Se puede ver que z2 = (1 – i) + 2z3 y por consiguiente reemplazando en la primera ecuación resulta
que z1 = i – (1 – i) – 2 z3 – z3 = (–1 + 2i) – 3z3.
Es decir, el conjunto S solución del sistema tiene infinitos elementos, o equivalentemente, el
sistema de ecuaciones tiene infinitas soluciones, que dependen del complejo z3 elegido.
Es decir:
S = {( (–1 + 2i) – 3z3; (1 – i) + 2z3; z3) ∈ ℂ3/ z3 ∈ 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
otras palabras cuando S posee un sólo elemento. ( #(S) = 1 )

b) Sistema compatible indeterminado: es el sistema de ecuaciones que tiene infinitas soluciones.
Dichas soluciones pueden ser expresadas en función de una cierta cantidad de incógnitas. En otras
palabras, un sistema es indeterminado, cuando S posee infinitos elementos. ( #(S) = )
c) Sistema incompatible: es el sistema de ecuaciones que no tiene solución, o en otras palabras
cuando S = ∅. Un sistema de ecuaciones incompatible tiene ecuaciones que al aplicar la
eliminación gaussiana, conducen a una proposición que es falsa. (#(S) = 0)
Decir que un sistema de ecuaciones tiene conjunto solución S = ∅ no es lo mismo que decir que S
= 0, es un error común en alguien que está estudiando matemática, el confundir el 0 con el ∅. No
son la misma cosa, así como un hombre no es una mujer, bueno a veces. (Creo que no fue el mejor
ejemplo para esto, pero fue el primero que se me ocurrió)
Y para que a las palabras no las lleve el viento, ya que en estos días todo entra por los ojos, presento
un bello esquema para que no se le olvide la clasificación de los sistemas de ecuaciones.
Sistema de ecuaciones lineales
Compatible Incompatible
Determinado Indeterminado
(Un bello esquema sólo para rellenar páginas del texto)

Podemos agregar que en esta clasificación no están los sistemas homogéneos, que son aquellos en
que los bi = 0, ∀i. Estos sistemas siempre tienen solución, es decir, siempre son compatibles.
Antes de continuar veremos el poder que tiene la matemática para entralazar sus conceptos. Los
sistemas de dos ecuaciones con dos incógnitas tienen una interpretación geométrica bastante
interesante, que nos ayudará en nuestra futura profesión, cuando tengamos que inventar problemas
para sistemas de ecuaciones.
Dado un sistema de dos ecuaciones con dos incógnitas:
ax + by = c
a'x + b'y = c'
con a, b, a' y b' no ceros (¿por qué? El lector debe poder responder a esa pregunta.), cada ecuación
define una función lineal, y además una recta en el plano:
y = –a/b x + c/b
y = –a'/b' x + c'/b'
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.
Compatible determinado Incompatible Compatible indeterminado
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).
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
.
am1 x1 + am2 x2 + … + amn xn = bm

con los elementos aij podemos formar un arreglo rectangular al que llamaremos matriz m x n con
elementos en F.
a11 a12 ... a1n
a 21 a22 ... a 2n
... ... ... ...
a m1 a m2 ... a mn
En general, los elementos de una matriz se encierran con un paréntesis y la matriz se nombra con
letras mayúsculas:
 
a11 a12 ... a1n
A= a21 a 22 ... a 2n
... ... ... ...
am1 am2 ... amn
El elemento aij de la matriz A se encuentra en la fila i y en la columna j.

A menudo se abrevia una matriz de la siguiente forma: A = (aij)mxn y al conjunto de todas las
matrices que tienen m filas y n columnas se lo designa como F m x n que no es una potenciación que
hay que resolver, sino más bien una forma de anotar de dónde provienen los elementos de la matriz
y cuántas filas y columnas tiene.
El conjunto ai1 ai2 … ain se llama fila i de la matriz y el conjunto a1j a2j … amj se llama columna j de
la matriz. Por ejemplo, una fila en un almanaque está formada por las fechas que corresponden a
una misma semana y una columna está formada por las fechas que caen en un día en particular, por
ejemplo los lunes.
Dadas dos matrices A y B, se cumple que A = B si y sólo si aij = bij, i, j . Si bien dos meses pueden
coincidir en su distribución de las fechas, esto es que cada fecha caiga en el mismo día y en el
mismo número de semana, eso no significa que los meses sean iguales. Ejemplo de ello son los
meses de Enero y Octubre del año 2010, que tienen la misma distribución de fechas, pero no son los
mismos meses: en enero estaré veraneando por las playas... del río Bermejo, en El Colorado y en
octubre estaré disfrutando de las bellas flores de la primavera. Desde el punto de vista estrictamente
matemático, las matrices de esos meses son iguales.
Álgebra de matrices o qué hacer con estas cosas raras.

Siempre que definimos un objeto matemático, también debemos definir qué hacer con él. Así, en
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)
Las propiedades 6 y 7 se pueden generalizar de la siguiente manera:

6') ∑ i  A=∑ i A
7')  ∑ Ai=∑  Ai 
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
matrices tenemos que A – A + X = B – A, y por último, asociando y teniendo en cuenta que A y – A

son opuestos resulta que 0 + X = X = B – A. Esta sí es una demostración aceptable pues hace uso
de las propiedades enunciadas anteriormente.
Sin embargo, si el lector se observa con mayor detenimiento,hemos usado una propiedad que no la
mencionamos, a saber:
A = B entonces A + C = B + C
En otras palabras, nadie nos asegura que si tenemos dos matrices iguales y le sumamos otra matriz,
el resultado seguirá siendo igual. Esta y otras propiedades se dejarán como ejercicio para el lector.
Las matrices pueden clasificarse de acuerdo a las propiedades que cumplen sus elementos. Así
tenemos las siguientes matrices.
a) Matrices cuadradas: Si m = n, entonces una matriz tiene la misma cantidad de filas y columnas, o
en otras palabras, A ∈ F nxn. Las matrices cuadradas jugarán un papel importante en el álgebra lineal
y sobre todo en la unidad II donde hablaremos de un concepto fácil de definirlo pero de difícil
cálculo: el determinante de una matriz.
b) Matriz nula: es la matriz cuyos elementos son todos 0. Esta matriz es el elemento neutro para la
suma de matrices.
c) Matriz identidad: es la matriz cuadrada que tiene ceros en todos sus elementos, excepto en la
diagonal, donde sus elementos son 1. La definición exacta es:
I = (aij) donde aij = 1 si i = j y aij = 0 si i ≠ j.
La matriz identidad I, es el elemento neutro para la multiplicación de matrices cuadradas, operación
que se definirá más adelante
d) Matriz columna: es la matriz A, tal que A ∈ Fm x 1. Es decir, posee una columna y m filas. Más
adelante se verá que una matriz columna puede pensarse como un vector.
e) Matriz fila: es la matriz A, tal que A ∈ F 1 x n. Es decir, posee una fila y n columnas. Mas adelante,
al igual que una matriz columna, una matriz fila podrá pensarse como un vector.
f) Matriz diagonal: es una matriz cuadrada que tiene sus elementos todos ceros, excepto algunos de
los que están en su diagonal. La definición exacta es:
aij = 0 si i ≠j.
A = (aij)nxn =
aij ≠ 0 si i = j para algún i = 1, 2, …, n.
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:
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.
Ejemplo 1: Convertir la siguiente matriz en una matriz triangular superior:
 
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:
 
1 3 −3
A ' ' = 0 −6 5
7
0 0
6
Ejemplo 2: Dada la matriz


1 3 −3 2

A= 2 0 −1 1 verificar que una de sus filas se anula
6 0 −3 3
completamente al aplicar las operaciones elementales.
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.
Ejemplo 3: ¿Cuántas columnas independientes tiene la matriz anterior?
 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:
 
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)
Las matrices se multiplican...

Hasta ahora hemos definido y estudiado la adición de matrices y la multiplicación de una matriz por
un escalar del campo F. Veamos ahora como multiplicar dos matrices. Si bien en principio la
definición puede parecer un poco difícil de entender y bastante aparatosa, veremos que tendrá su
justificación en conceptos más abstractos.
Sea A una matriz m x n y B una matriz n x l. Entonces se define el producto entre A y B, como la
n
matriz C de dimensiones m x l, tal que cij = ∑ aik b kj=ai1 b1ja i2 b 2j...ai n b nj .
k =1
Por ejemplo, el producto de una matriz 2 x 3 y de una matriz 3 x 2 se da de la siguiente manera:
 
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)
Demostramos a continuación algunas propiedades de la multiplicación de matrices.

1) La multiplicación de matrices es asociativa: Sean las matrices A de m x n, B de n x l y C de l
x p. Lo que queremos ver es que (AB)C = A(BC).
En efecto: escribamos los dos lados de la igualdad anterior en términos de la definición de la
multiplicación entre matrices.
∑ 
n
(AB)C = [ (aij)m x n (bij)n x l ] (cij)l x p = aik b kj cij  lxp (1)
k =1 mxl
 
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
El elemento cij se distribuye en la sumatoria de adentro, pues sus subíndices son h y j y la

sumatoria tiene un índice k. Luego se tiene que:
∑  ∑  ∑ 
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
Olvidándonos por un momento de las sumatorias, vemos que aik b kh  chj =a ik b kh c hj  ya

que estamos trabajando en un campo F.
Luego tenemos que:
∑  ∑  ∑  ∑ 
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
∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj

h=1 k=1 k=1 h=1
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
∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj 

h=1 k=1 k=1 h=1 k =1 h=1
Se puede observar que el último miembro de esta cadena de igualdades, es la definición de

l
la multiplicación entre dos matrices: (aij) y ∑ b kh c hj  . Entonces tenemos que:
h=1
       
l n n l n l l
∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj  =aij  ∑ b kh c hj y como

h=1 k=1 k=1 h=1 k =1 h=1 h=1
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
∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj  =aij  ∑ bih c hj

h=1 k=1 k=1 h=1 k =1 h=1 h=1
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
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
Es decir, la multiplicación de matrices es asociativa, y por lo tanto cuando se multiplican

tres o más matrices se pueden sacar los paréntesis sin problemas.
2) La multiplicación de matrices es distributiva con respecto a la adición: es decir, dadas tres
matrices, se cumple que (A + B) C = A C + B C. Obviamente siempre y cuando las
multiplicaciones se puedan realizar.
En efecto: Sean A y B, matrices m x n y C una matriz n x l. Tenemos entonces que:
n n n n
(A + B) C = (aij + bij) (cij) = ∑ a ik b ik  c kj =∑ a ik c kj b ik c kj =∑ aik c kj ∑ bik c kj
k =1 k=1 k =1 k =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
De la misma manera se puede probar que A (B + C) = AB + AC

Por lo tanto, la multiplicación de matrices es distributiva con respecto a la adición.
3) Sólo para matrices cuadradas n x n, existe la matriz identidad I, que cumple que:
A I = I A = A.
Recordemos la definición de matriz identidad:
ij = 0 si i ≠ j
I = (ij) =
ij = 1 si i = j
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
∑ a1k  k1 ∑ a 1k  k2 ... ∑ a1k  kn

k =1 k=1 k=1
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
Ahora bien, analicemos cada sumatoria del producto:

∑ a1k k 1=a11 11a12 21...a1 n n1=a11 1a12 0...a 1n 0=a 11

k =1
n
∑ a1k k 2=a 11 12a12  22...a1n n2=a11 0a 12 1...a1n 0=a 12

k =1
…
n
∑ a1k k n=a 11 1na12 2n...a n1  nn=a11 0a12 0...a1n 1=a1 n

k =1
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
∑ aik k j =a 11 1ja i2 2j...aij  jj...a i1 nj=ai1 0a 12 0...aij 1...a1n 0=aij

k =1
Esto demuestra nada más y nada menos que A I = A.

Para terminar deberíamos ver que I A = A, ya que no lo podemos asegurar, puesto que la
multiplicación de matrices no es conmutativa. Pero como ya estoy cansado, le dejo la prueba
al lector.
Luego de que el lector ha probado que I A = A (que estoy seguro que lo hizo) podemos
asegurar entonces que para toda matriz cuadrada n x n, existe la matriz identidad I, que hace
que A I = I A = A. A tal matriz la llamaremos elemento neutro para la multiplicación de
matrices cuadradas.
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.
En el Álgebra Lineal, es de suma importancia en muchas ocasiones, la inversa de un

producto de matrices, esto es (A B) - 1 no tan así, la inversa de una suma de matrices. Algo
similar ocurre con los números, no es tan importante calcular el inverso multiplicativo de
(a + b), pero en muchas ocasiones sí lo es, calcular el inverso multiplicativo de ab. Y si
11
recordamos veremos que el inverso multiplicativo de ab es o en otras palabras, el
ab
inverso de a por el inverso de b. Esto nos sugiere adelantarnos y decir que el inverso del
producto de matrices, es el producto de sus inversos. Es decir: (AB) -1 = A-1 B-1, lo cual no es
del todo cierto y todo porque no se cumple la conmutatividad en la multiplicación de
matrices.
Si hacemos una ligera modificación en nuestra hipótesis, veremos que podemos calcular la
matriz inversa del producto entre dos matrices. El cambio que debemos hacer es el
siguiente: (AB) -1 = B-1 A-1.
En efecto: multipliquemos (AB) (B-1A-1) y por otro lado (B-1A-1)(AB) y si llegamos a la
identidad, es porque son inversos y así demostraremos nuestra hipótesis.
(AB) (B-1A-1) = ( (AB) B-1)A-1 = (A (BB-1)A-1 = (A I) A-1 = A A-1 = I.
El otro producto, se lo dejo al lector para que lo resuelva, confiando en que no tendrá
inconvenientes.
¡Qué interesante! ¿No?, llevo casi una hoja hablando de la matriz inversa y sus propiedades
y todavía no hemos visto cómo se la calcula. Esto es lo lindo de la matemática, a veces se
puede conocer las propiedades de un objeto matemático antes que al objeto mismo. Es algo
así como el fuego y el humo, desde lejos se ve el humo, y uno piensa que algo se está
quemando, que algo se está convirtiendo en cenizas y sin embargo no se ha visto el fuego.
Veamos una propiedad más, de las matrices inversas. Dada una matriz A, con una de sus
filas con todos ceros, entonces no existe la matriz inversa A-1. En efecto: como A tiene una
de sus filas llenas de ceros, entonces A A-1 tendrá una fila llena de ceros (¿Por qué se puede
afirmar eso?), luego A A-1 ≠ I y por otro lado A-1 A ≠ I. Luego no existe tal inversa.
Una matriz se llamará inversible, no singular o regular si existe su inversa. Una matriz se
llamará singular o no inversible si no existe su matriz inversa.
Todavía no estamos en condiciones de calcular una matriz inversa, por lo tanto deberemos
esperar un largo rato, que en el texto se traduce a esperar hasta el final de la unidad II.
Deberemos entonces contentarnos con sus propiedades.
La trasposición y simetría de una matriz

Necesitamos definir otra matriz y afortunadamente, es mucho más simple que la inversa. Se llama
traspuesta de A y se la denota por AT. Sus solumnas se toman directamente de las filas de A y sus
filas, de las columnas de A. Así, la i-ésima fila de A se transforma en la i-ésima columna de AT. Por
lo tanto, si la matriz A es m x n, entonces AT será n x m.
Entonces tenemos que si A = (aij), entonces AT = (aji)
Ejemplo 1: Si A =  i −i
−1 1  , entonces tenemos que AT =  i −1
−i 1  .
 
1 −i
Ejemplo 2: Si A = −1
1i
i
 2−i
, entonces tenemos que AT = 1 −1
−i i
1i
 2−i  .
   
1 1 2 1 1
1 5 0 2
4
1
2 2
1
0
2  21 −1
T 4
Ejemplo 3: Si A = 2 4 entonces A = .
1
−2 5 −3 0
1  21 −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
n n n
∑ b ' ik a ' kj =∑ bki a jk =∑ a jk b ki (2)

k =1 k=1 k=1
De (1) y (2) resulta que (AB)T = BT AT.

4) Como I = (ij), entonces IT = (ji) = (ij) = I. (Recordemos ahora la delta de Kronecker)
5) Calculemos AT (A-1)T y también (A-1)T AT y veamos que ambos productos nos da la matriz
identidad I, por lo que podremos asegurar que AT y (A-1)T son inversas.
Pues bien: AT (A-1)T = (A-1 A )T = IT = I.
La otra parte de lo dejamos al lector, pues es muy fácil.
Vamos por otra clase de matrices, las simétricas, que en pocas palabras son las que si las rotamos
dejando fija su diagonal, obtenemos la misma matriz, y eso de la rotación tiene que ver con la
traspuesta. ¡¡¡Qué mezcla!!! ¿No?.
Una matriz es simétrica si y sólo si es igual a su traspuesta. Es decir: A es simétrica ⇔ A = AT.
En una matriz simétrica, los elementos aij son iguales a los elementos aji, o en otras palabras, los
elementos que están arriba de la diagonal son iguales a los elementos que están por debajo.
Naturalmente las matrices simétricas deben ser cuadradas. (El lector debe asegurarse que esto es
cierto, sino no siga leyendo. Debe hacer la demostración necesaria, o por lo menos debe
convencerme a mí que soy el profesor que es así.)
Ejemplo 1: La siguiente matriz es simétrica:  1 −i

−i i 
 
1 −i 2i
2 1
−i i − i
Ejemplo 2: La siguiente matriz es simétrica: 3 2
2 1
2i − i 2
3 2
Ejemplo 3: ¿Cuándo la siguiente matriz es simétrica?  cos  sen 

cos  cos  
Ejemplo 4: Si z ∈ ℂ ¿Cuándo la siguiente matriz es simétrica?
 z
z⁴
z⁷
z²
z⁵
z⁸
z³
z⁶
z⁹ 
Para terminar esta unidad, hacemos una combinación de las matrices y los sistemas de ecuaciones,
para que el estudiante que está leyendo este texto vea que en matemática se pueden relacionar cosas
tan diferentes que aparentemente no tienen conexión.
Consideremos el siguiente sistema de ecuaciones:
2 x1 + 3 x2 – x3 = 2
- x1 – 2 x2 + x3 = - 1
Su matriz de coeficientes es A =  2 3 −1
−1 −2 3  .

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 13 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.
Consideramos un sistema de n ecuaciones lineales con n incógnitas. Sea A la matriz de los

coeficientes, X la matriz de las incógnitas y B la matriz de los coeficientes independientes.
Entonces como AX = B, premultiplicando por A-1 resulta que A-1 (AX) = A-1 B, luego se tiene que
(A-1 A) X = A-1 B, entonces IX = A-1 B por lo que se deduce que X = A-1 B. Obviamente esto sólo es
posible si existe la inversa de la matriz A, que en ocasiones no se puede encontrar. Pero además se
puede agregar que si el sistema de ecuaciones tiene una sola solución, entonces la reducción de las
ecuaciones no puede arrojar una linea de ceros, y por lo tanto, la matriz de los coeficientes no puede
reducirse a una matriz con una línea de ceros. En otras palabras, una matriz es inversible si luego de
aplicar una cantidad finita de operaciones elementales, la matriz resultante no contiene una línea de
ceros. (Otra forma de de saber si una matriz es inversible o no!!! y sin embargo no sabemos aún
cómo calcular la matriz inversa!!!)
Otra forma de decir lo mismo, es decir que A es inversible si el rango de la matriz es n. Es decir, el
rango de la matriz me proporciona un método de saber si un sistema de ecuaciones lineales es
compatible determinado y si A es inversible.
Terminamos por fin la unidad I, y espero que hayas aprehendido (sí con una h en el medio, no es un
error de escritura) todos los conceptos trabajados hasta acá, de lo contrario hay que volver sobre el
camino andado.
Unidad II: Determinantes.
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
La forma explícita de la función determinante es bastante compleja y requiere conceptos de

permutaciones de números naturales. Más adelante, veremos que esta fórmula tiene ventajas
teóricas sobre otras formas de encarar el tema, pero tiene pocas ventajas prácticas, para el cálculo
del determinante de una matriz. Y sí chicos, los matemáticos inventaron este concepto pero no se
fijaron que pobres estudiantes como ustedes tendrían que leer y estudiar mucho para entenderlo.
Si bien todavía no sabemos cómo calcular el determinante de una matriz, podemos ver qué
propiedades cumple, así como pasó con la inversa.
Algunos teoremas bonitos sobre determinantes.

Teorema: Si se permutan dos filas consecutivas de una matriz, entonces los correspondientes
determinantes son opuestos.
Demostración: Sea A = (A1 A2 … Aj Aj+1 … An) y A' = (A1 A2 … Aj + Aj+1 Aj+1 + Aj … An).
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.
Demostración: Lo que decimos acá no es lo mismo que el axioma de determinantes. En él se decía

si la matriz tiene dos filas consecutivas idénticas, entonces el determinante es cero. En este teorema,
no necesariamente deben ser consecutivas las filas.
Sea entonces A = (A1 A2 … Aj … Ak … An), con las filas Aj = Ak. Intercambiando las filas iguales
resulta que: (A1 A2 … Aj … Ak … An) = - (A1 A2 … Ak … Aj … An)
En otras palabras (A) = - (A), puesto que la matriz no cambio con el intercambio de filas, pues
estas son iguales. Luego (A) + (A) = 0, de donde 2 (A) = 0 por lo que necesariamente resulta
que (A) = 0.
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) =
= (A1 A2 … Ak ... Aj … An) + (A1 A2 … Ak ... Ak … An) =

= (A1 A2 … Ak ... Aj … An) +  (A1 A2 … Ak ... Ak … An) =
= (A1 A2 … Ak ... Aj … An) +  0 = (A)
Para bajar un poco a la realidad, y no estar navegando en un mar de abstracción de propiedades y

conceptos matemáticos, analizaremos el determinante de una matriz tan pequeña, pero útil; la
matriz cuadrada 2 x 2.
Dada una matriz 2 x 2, la función determinante depende de cuatro variables, que son los elementos
de la matriz. Definimos  (A) = a11 a22 – a12 a21 si la matriz A =

a 11 a 12
a 21 a 22
.  
Podremos probar que la definición anterior cumple todos los axiomas de la función determinante:
En efecto:
1) Si A =  a 11 a 12b 12
a 21 a 22b 22  , entonces tenemos que
∣
a11 a12b12
a 21 a 22b22 ∣
=a11 a 22b 22−a21 a 12b 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.
Ejemplo 1: Calcular el determinante de la matriz A =

1
3
− 2
2
3 
∣ ∣
1
 2 = 1 .3− 2 .− 2=12=3
3  
3
− 2 3
Ejemplo 2: Calcular el determinante de la matriz compleja A =  i 12 i

1− 2 i −3 
∣ i 12 i
1−  2 i −3 ∣
=−3i−1−  2 i 12i=−3i−12 i− 2 i−2  2 i² =−1−2  2−5 2 i
Ejemplo 3: ¿Para qué valor de k, el determinante de la matriz A es distinto de 0, siendo

A=  1 k
k 2
?
∣ ∣
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 =2z2i
−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
de los coeficientes debe tener determinante distinto de cero.

Veamos cómo se define ahora el determinante para una matriz 3 x 3.
Dada una matriz 3 x 3, la función determinante depende de nueve variables, que son los elementos
de la matriz.
Definimos  (A) = a11 a22 a33 + a21 a32 a13 + a12 a31 a23 – a31 a22 a13 – a11 a32 a23 – a33 a21 a12 si la matriz
 
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)

 1 1 −1
0 1 1
1 0 1  .
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

  i i i
i i i
i i i
.
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 1i 1
Aplicando la Regla de Sarrus, tenemos que
∣ i
2 i
1 −2i
∣
0 =−10−2 i  2 1i−6 i² 0− 2=5  2−i 2  2
−3 1i 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)
Por ejemplo, para I3, una permutación puede ser:  1 2 3

2 1 3 
o también:  1 2 3
1 3 2  o la permutación que deja fijos los elementos:  1 2 3
1 2 3 
Aclaramos que esta forma de escribir los elementos no está diciendo que vamos a tomarlos como
matrices, simplemente escribimos los elementos del intervalo natural inicial arriba y sus imágenes
abajo.
Una pregunta natural que uno se puede hacer es ¿cuántas permutaciones hay con 3 elementos? Bien,
esto ya está contestado desde el espacio de Cálculo Numérico y Trigonometría I, hay 3! = 6
permutaciones.
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.
Por ejemplo: la permutación

1 2 3
2 1 3  
es impar porque para ir de  1 2 3
1 2 3   a
1 2 3
2 1 3 
sólo necesito un cambio de orden de los elementos.
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
los siguientes cambios,

1 2 3
1 2 3  1 2 3
1 3 2
1
3     2
1
3
2.
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?
Los cambios son: 

1 2 3 4
1 2 3 4
1
1   2 3 4
4 3 2  
1 2 3 4
1 4 2 3 
, es decir realicé dos
cambios. Luego la permutación

1 2 3
1 4 2  4
3es par y por lo tanto su signo es (-1) = + 1.
Ejemplo 2: Exhibir una permutación de S5 que sea impar.
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
lleva de (i) a i.
En otras palabras si  hace esto  1 2 ... n

 1  2 ...  n  la permutación inversa  – 1 hace esto
 1  2 ...  n

1 2 ... n 
Se puede probar que tanto  como  – 1 tienen el mismo signo, es decir, si una es par, la otra lo es, y
si una es impar, la otra también lo es.
Bien, hasta ahora hemos estado hablando de las permutaciones del intervalo inicial y de su signo y
el lector se deberá estar preguntando, como lo haría yo si no supiera nada de determinantes, ¿qué
tienen que ver las permutaciones con el determinante de una matriz? La respuesta: mucho, este
concepto de permutación nos permitirá escribir una fórmula para el determinante de una matriz, que
en sí no presenta una ventaja para el cálculo, sino más bien para cuestiones teóricas de suma
importancia. Vamos por su definición:
Dada una matriz n x n, su determinante se calcula mediante la siguiente fórmula:
 A= ∑ −1 a 1  1 a2  2 ... a n  n
 ∈S n
¡¡¡Vamos por parte!!! Dijo Jack, el destripador.

Expliquemos esta fórmula: en primer lugar la suma se hace sobre todas las permutaciones de S n, por
eso colocamos como subíndice, debajo del signo de sumatoria   Sn. Entonces la sumatoria
tienen n! términos. En segundo lugar, (-1) es el signo de la permutación por lo que puede ser + 1 o
– 1. En tercer y último lugar, los factores de cada término son los elementos de la matriz A, nada
más que con los subíndices compuestos por, por ejemplo el 1 y su imagen (1), 2 y su imagen (2),
y así sucesivamente hasta n y su imagen (n). Luego cada término de la sumatoria tendrá n factores
que se multiplican.
Ejemplo 1: Aplicar la fórmula del determinante a la matriz A =  a 11 a 12

a 21 a 22  .
Pues bien, las permutaciones de I2 son dos:

1 2
1 2
y  1 2
2 1  
, luego tengo que para la primera
permutación, que es par, (-1) = + 1 y para la segunda (-1) = - 1.
Entonces se tiene que:
 A= ∑ −1 a 1 1  a 2  2 =1a 11 a 22−1a 12 a 21 =a 11 a 22−a 12 a 21
 ∈S 2
¡¡¡¡Eureka!!! (diría Arquímedes...) la fórmula de determinante que presentamos en esta sección,

coincide con la presentada para el determinante de una matriz 2 x 2.
El lector con mucha paciencia puede probar que la fórmula dada, coincide con el determinante para
una matriz de 3 x 3.
La fórmula de determinante nos dice que hay que sumar los productos de manera tal que en cada
uno de ellos hay un elemento y sólo uno de cada fila de la matriz, y al mismo tiempo hay uno y sólo
un elemento de cada columna.
Veamos ahora que la fórmula de determinante cumple con los axiomas exigidos anteriormente, de
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:
1)  (A1 A2 … Aj + A'j … An) = ∑ −1 a1  1 a 2  2 ... a j  ja ' j  j ... an  n 

∈ Sn
y esto es igual a ∑ −1 [a 1 1 a 2  2 ... a j   j  ... a n  na1  1 a 2  2 ... a ' j  j ... an  n ]
∈ Sn
y esto no es nada menos que

∑ −1 a1  1 a 2  2 ... a j  j  ... a n  n ∑ −1 a 1 1  a 2  2 ... a ' j  j  ... a n  n
∈ Sn  ∈S n
Lo que en definitiva es  ( A1 A2 … Ai … An) +  ( A1 A2 … A'i … An)

2) Sea la matriz A con las columnas como las siguientes A = (A 1 A2 … Aj … An), luego como
la fórmula de determinante exige que en cada producto aparezca una vez un elemento de una
fila y una vez un elemento de una columna, resulta que:
 A= ∑ −1 a 1 1 a2  2 ... a j   j  ... a n  n= ∑ −1 a 1 1 a 2  2 ... a j   j  ... a n  n
 ∈S n ∈ S n
con lo cual se prueba que (A) =  ( A1 A2 … Aj … An) =   ( A1 A2 … Aj … An), con

  F.
Con todo este cúmulo de conceptos teóricos, nos estamos acercando a una forma más fácil de
calcular el determinante para una matriz mayor a 3 x 3. En vista del objetivo que queremos
alcanzar, enunciamos el siguiente:
Lema: El determinante de una matriz triangular se obtiene multiplicando los elementos de la

diagonal.
Demostración: Supongamos que A es una matriz triangular superior (luego se puede hacer la misma
prueba para una matriz triangular inferior), luego sus elementos aij son ceros si i > j . Entonces en el
desarrollo de  A= ∑ −1 a 1 1 a2  2 ... a j  j ... an  n  nos quedamos con aquellos términos

 ∈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.
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.
Ejemplo 1: Calcular el siguiente determinante:

∣ i 2i 0
1 −1 2
1 1 i
∣
Bien primero efectuemos las operaciones elementales sobre las filas de la matriz y volvámosla una
matriz triangular:
∣ ∣
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
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
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
Más técnicas de cálculo.

Presentamos a continuación dos lemas muy importantes sobre determinantes, que nos permitirán
calcularlo de otras formas:
Lema: El determinante de una matriz es igual al de su traspuesta.
Demostración: Sea A = (aij) y AT = (bij) con bij = aji.
Ahora bien  A= ∑ −1 a 1 1 a2  2 ... a n  n

 ∈S n
mientras que  AT = ∑ −1 b 1 1 b 2  2 ... bn  n = ∑ −1 a 1 1 a 2  2 ... a  n n

∈ S n ∈S n
 
Pero el término −1 a  1 1 a 2 2 ... a  n n es igual a −1 a 1  −1
 1
a2  −1
2 
... a n −1
 n
Pero  y  -1 son de la misma paridad, es decir, si  es impar, entonces  -1

es impar y si  es par,
 -1 también lo es.
−1
Luego −1 a 1  −1
 1
a2  −1
2 
... a n 
−1
 n
=−1 a1  −1
 1
a2  −1
 2
... a n 
−1
 n
.
Finalmente, como  recorre Sn, -1 recorre también Sn.

−1
Luego  AT = ∑ −1 a 1  −1
 1
a2 
−1
2 
... a n −1 = ∑ −1 a 1 1 a 2  2 ... an  n = A
 n
 −1 ∈S n ∈ 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.
Lema: El determinante del producto de dos matrices es el producto de sus determinantes.

Demostración: Sea A = (A1 A2 … An) y B = (bij), entonces tenemos que si C = AB, resulta:
n n n
C=( ∑ b j1 A j ∑ b j2 A j ... ∑ b jn A j )
j=1 j =1 j=1
Luego:
n n n
C =  AB= ∑ b j1 A j ∑ b j2 A j ... ∑ b jn A j  =
j=1 j=1 j=1
= ∑ b  1 1 A 1  b  2 2 A 2 ... b  n n A n  =

∈ Sn
= ∑ b 1 1 b  2 2 ... b  n n  A1 A  2 ... A n  =

∈ Sn
= ∑ −1 b 1 1 b  2 2 ... b  n n  A1 A2 ... A n =

∈ Sn
=  B  A1 A2 ... An =  B  A =  A  B
Lema: El determinante de la inversa de una matriz es el inverso del determinante de la matriz.

Demostración: Se la dejamos para que el lector no se aburra leyendo y lo pruebe, con una pequeña
sugerencia: “considerar que  A A−1=  I  y aplicar el lema anterior”
Determinante desarrollando los elementos de una fila.

Dada una matriz A n x n, consideremos la matriz Mij que se obtiene al eliminar la fila i y la columna
j de la matriz A. Mij es una matriz (n - 1) x (n – 1).
Llamaremos cofactor del elemento aij de A, al escalar mij = (-1) i + j (Mij)
Con el concepto anterior podemos dar otra forma de calcular el determinante de una matriz, lo cual
haremos pero sin entrar en tantos detalles teóricos como lo hemos hecho hasta ahora.
Definimos entonces el determinante de la matriz A como:
n
 A=∑ aij mij =ai1 mi1 ai2 mi2 ...a i n mi n
j=1
llamado desarrollo del determinante por la i-ésima fila de A.

De la misma manera se puede definir para una columna j cualquiera de A.
fila.
 1 2 4
−1 0 −2
1 2 −1  desarrollándolo por la tercera
3
Bien tenemos que: (A) = ∑ a3j m3j=a31 m31a32 m32a 3 3 m3 3 =
j=1
31 2
= 1. −1 . ∣ ∣
4  2 .−132 . 1
0 −2 ∣ ∣
4 −1 .−133 . 1 2
−1 −2 −1 0 ∣ ∣ =
= 2 .−2−0−2−2402=−4−4−2=−10
 
1 2i 4−i  2−i
0 0 −2i i
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
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
= x1 (A1 A2 … A1 … An) + x2 (A1 A2 … A2 … An) + … xj (A1 A2 … Aj … An) + … xn (A1 A2

… An … An) = xj (A1 A2 … Aj … An)
De donde resulta que:
(A1 A2 … B … An) = xj (A1 A2 … Aj … An)
 A1 A2 ... B ... An 
y por lo tanto xj =
  A
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.
Ejemplo 1: Resolver el siguiente sistema de ecuaciones

3x – 5y + z = 2
2x + y – 3z = - 4
7x – 3y – 5z = 1
Primero veamos cuánto nos da el determinante de la matriz de los coeficientes.
∣ ∣ ∣ ∣
3 −5 1
13 11
∣ ∣
3 −5 1 13 11 −
0 − 11 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
Veamos primero cuánto nos da el determinante de la matriz de los coeficientes:

∣
1 1
2 −1
1
3 =
1 1
0 −3
∣∣
1
i 1 −1i 0 1−i −1 ∣
11 −3
1 =1 .−1 .
1 =3−1−i=2i≠0
1−i −1 ∣ ∣
Luego para las incógnitas se tienen:
z 1=
∣
i 1
1 −1
1
3
0 1 −1i
=
i 1
∣∣ 1
0 −1i 3i
0 1 −1i
=
∣
i .−111 . −1i 3i
1 ∣
−1i i .[−1i−1i−3i]
=
∣
2i 2i 2i 2i
i[1−2 ii² −3i] i2−i−3i1 3−3i 3−3i2−i 6−3 i−6 i−3
= = = = = =
2i 2i 2i 2i2−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.
El adjunto de un correo de matrices.

Sea A una matriz cuadrada n x n. Tomaremos ahora sus elementos aij y los cambiaremos por sus
cofactores mij. Luego la matriz resultante será A' = (mij), recordando mij = (-1) i + j (Mij). Por último
tomamos la traspuesta de esa matriz, y la matriz resultante la denominaremos adjunta de la matriz
A, y la denotamos así: Adj A.
Es decir:
 
T
m11 m12 ... m1n
m21 m22 ... m2n
Adj A =
... ... ... ...
mn1 mn2 ... mnn
Por ejemplo, la matriz adjunta de A =


−1 0
2 1
2
3
1 −2 −3
 es
  
3 9 −5 3 −4 −2
Adj A = −4 1 −2 = 9 1 7
−2 7 −1 −5 −2 −1
Ejemplo 2: Calcular la matriz adjunta de A =  i 2−i

1 −i 
T
Entonces tenemos que Adj A =  −i
 
−1 = −i −2i
−2i 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
−2i 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.
¡¡¡Ladies and gentleman: con ustedes la inversa!!!

(Creo que así se escribía)
Para terminar esta unidad, les presento a la matriz inversa. Si amigos, tuvimos que esperar a
desarrollar todo este aparato teórico para poder calcular la inversa de una matriz, con lo que el
lector se podrá imaginar lo difícil que es calcularla. Claro que a estas alturas, y con las
computadoras hay programas que se encargan de eso, ya nadie calcula la inversa de una matriz por
medio de cálculos manuales, a menos claro que esté estudiando para ser profesor de matemática.
Teorema:
Si (A) no es cero, entonces A-1 = Adj A / (A).
Demostración: En primer lugar veamos que A . Adj A = (A) . I
   
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
∑ a1j m1j ∑ a1j m2j ... ∑ a 1j mnj
  
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
∑ a nj m1j ∑ a nj m2j ... ∑ anj mnj

j=1 j=1 j =1
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
∑ a1j m2j=0 o también ∑ a2j mnj=0 .

j=1 j=1
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
Ejemplo 1: Calcular la inversa de A =

 −1 0
2 1
2
3
1 −2 −3
 .
Primero calculamos su determinante:
∣ −1 0
2 1
2
3
1 −2 −3 ∣ ∣ =
−1 0
0 1
2
7
0 −2 −1 ∣ =30−8−2−6−0=−13
Por otro lado Adj A =

 3 9 −5
−4 1 −2 = 9
−2 7 −1

3 −4 −2
1 7
−5 −2 −1

 
3 4 2
−
13 13 13
Entonces A-1 = −
1
13
9

3 −4 −2
1 7 =−
−5 −2 −1
9
13
5
−
1
13
2
−
7
13
1

13 13 13
Ejemplo 2: Calcular la inversa de A =  i 2−i

1 −i  .
Se tiene que ∣ ∣
i 2−i =−i² −2−i=−1i
1 −i
T
Por otro lado tenemos la adjunta −i −1 = −i −2i
−2i i −1 i   
Entonces A-1 =
−1i −1 
1 −i −2i
i 
Unidad III: Vectores.
El lector seguramente ya ha cursado el espacio de Cálculo Numérico y Trigonometría II, y en él ha

visto un objeto matemático llamado vector, que en otras palabras es un segmento dirigido al que
podemos asignarle una dirección, un sentido, un módulo o norma, un punto inicial y un punto final.
También ha podido realizar algunas operaciones con los vectores: la adición, sustracción y
multiplicación por un escalar. Y algunos productos especiales como el escalar, el vectorial y el
mixto.
Los vectores son usados ampliamente en Física, para representar las fuerzas, la velocidad y la
aceleración, entre otras cosas. Si bien, no entraremos en este terreno, sería interesante que el
estudiante pueda tener contacto con bibliografía que trate estos temas.
Con toda la experiencia adquirida en las unidades I y II (es decir con las matrices, los sistemas de
ecuaciones y los determinantes) y con lo visto ya en el espacio de Cálculo Numérico y
Trigonometría II, seguro te estarás preguntando qué relación puede existir entre los temas vistos
anteriormente y los vectores. Pues bien, la respuesta es: todo vector puede ser escrito como una
matriz columna. ¿Y eso es todo? Sí, es todo lo que necesitamos para abrir un sin fin relaciones y
propiedades entre las matrices, los determinantes y los vectores.
Si bien no es el punto de vista preferido por la mayoría para desarrollar este tema, he querido no
dejar de relacionarlo con lo visto en las unidades I y II. Y allí no termina la historia, en la unidad IV
veremos que este concepto, el de vector se generaliza y da lugar a una estructura algebraica más
compleja: el espacio vectorial.
Muy bien, empecemos entonces por lo que entenderemos por vector.

nx1
Dado un campo F, llamaremos vector de dimensión n a toda matriz de F . En otras palabras, un
vector es una matriz columna con n filas.
Por ello escribiremos un vector de la siguiente manera:

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
Esperamos que no haya confusión con la notación tomada.

Recuerde siempre, que en este texto un vector no es más que una matriz columna, sin embargo no
los denotaremos con letras mayúsculas, como lo hicimos en las unidades anteriores.
Es razonable entonces que la igualdad y las operaciones entre vectores se definan en términos de
matrices. Y así será en general, excepto la multiplicación entre vectores que se define de una
manera algo diferente.
 
a1 b1
a b
Dos vectores u= 2 y v= 2 son iguales si ak = bk ∀k = 1; 2; …; n
⋮ ⋮
an bn
 
a1b 1
a 2b 2
La adición u + v se definirá como la de matrices, elemento a elemento. Es decir u + v =
⋮
a nb 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
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
Ver para creer. (Parte 1)

Hasta acá hemos visto algunas cuestiones básicas de los vectores y cómo operar con ellos. Y para
que todo ello no quede en una nube de generalización, vamos a estudiar cómo se interpretan
geométricamente los vectores de 1, 2 y 3 dimensiones. Si bien cualquier objeto matemático puede
existir sin tener su representación, muchas veces los humanos, necesitamos “ver para creer”,
necesitamos ver de lo que estamos hablando y es en esa necesidad que surgen las representaciones
de por ejemplo, las funciones, los vectores, las rectas, entre otras cosas.
Sin embargo, esta necesidad de representación ha sido fructífera para la matemática, ya que pudo
“meterse” en otras ciencias ampliando su campo de acción y corroborando una vez más que “la
Matemática sirve para algo”.
Luego de este pequeño comentario veamos a los vectores unidimensionales, con componentes en el
campo ℝ.
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
su representación.
La adición y la multiplicación por un escalar se representa a continuación:
u u v = u
u+v
La conocida regla del paralelogramo La multiplicación por un escalar .

Como se puede apreciar (y también se puede demostrar) los vectores que son múltiplos pertenecen a
una misma recta.
Es decir, el conjunto R = {v  ℝ2/ v =  u, con   ℝ} es una recta del plano, donde nacen,
crecen y se reproducen (sí, se reproducen) los vectores v múltiplos de un vector u.
A los versores fundamentales de ℝ2, que los simbolizamos como i y j los representamos de
la siguiente manera:
De esa manera, podemos escribir al vector u=    

2
−3
1 0
=2 −3 =2 i −3 j .
0 1
Y ahora, necesitamos que pongas toda tu imaginación en juego, pues veremos cómo se representan
los vectores tridimensionales, es decir aquellos que tienen tres componentes. Para ello,
necesitaremos un tercer eje, y así tendremos tres ejes, el x, el y y el z. (o también los ejes x1, x2 y x3)
¿Por qué necesitamos de tu imaginación? Pues bien, porque vamos a representar en un papel (que es
algo bidimensional) objetos tridimensionales.
Entonces, al plano ℝ2, le vamos a sumar un tercer eje, perpendicular a éste, tal como lo muestra la
figura:
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
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.
(¿Representación gráfica del vector u= 

a1
a2
o del complejo u = a1 + i a2 ?)
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.
¿Cómo de largo es un vector?

Creo que ha sido una experiencia interesante esto de contarles cómo se interpretan geométricamente
los vectores con componentes reales y complejas, como así también sus limitaciones.
Los vectores, así como los verbos también se conjugan.
Dado un vector u, llamaremos vector conjugado de u, y lo denotaremos u , al siguiente vector:

a1
u= a 2
⋮
an
Obviamente, si el vector u tiene componentes reales, u=u .

2
1
Ejemplo 1: Si u= entonces u=u .
−1
0
    
1i 1i 1−i
−i −i i
Ejemplo 2: Si u= entonces tenemos que u= =
−1 −1 −1
 3−2 i  3−2 i  32 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.
Propiedades del vector conjugado.
 
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) uv =uv
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.
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= uT  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∥
Por último resulta que ∥ ∥

u
=
∥u∥ ∥u∥
1
∥u∥=1 . Es decir cualquier vector multiplicado por el inverso
multiplicativo de su norma, nos da un vector de norma 1.

Todo vector que tenga norma 1 se llamará versor.
Con todo lo probado anteriormente, estamos en condiciones de enunciar el siguiente:
Teorema: Dado un vector u resulta que:
a) || u || > 0
b) u = 0  || u || = 0 (Tener cuidado pues solo demostré una de las implicaciones, deberás demostrar
la otra implicación, es decir: || u || = 0  u = 0 )
c) ∥ u∥=∣∣∥u∥
u
d) es un versor
∥u∥
Hasta ahora hemos podido resolver operaciones con vectores y entre escalares y vectores, ahora
veamos cómo multiplicarlos.
La carrera de los productos.

No podemos definir la multiplicación de dos vectores así como lo hacíamos con las matrices, pues
no será posible. (Supongo que me crees. De lo contrario convéncete tratando de multiplicar dos
vectores cualquiera así como lo hacíamos con las matrices) Deberemos definir entonces una nueva
forma de multiplicar dos vectores, un nuevo producto. Y en realidad hay tres, sí, tres productos que
se pueden definir entre dos vectores.
Vamos por el primero.
Producto interior, escalar, punto o interno.
 
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 . wv.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 1a 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 a1b 2 a 2⋯bn a n y solo resta
⋮
an
decir que b 1 a 1b 2 a2 ⋯bn a n=b 1 a 1b 2 a 2⋯bn a n=a 1 b 1a 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
Distribuyendo y agrupando convenientemente, resulta que:

 u v . w= a1 c1 a2 c 2⋯ an c n b1 c 1 b2 c 2⋯ b n c n
Luego sacando factor común y expresando como un producto de matrices resulta que:
 
c1 c1
 u v . w=a 1 a 2 c
⋯ a n 2 b1 b2 ⋯ bn  c 2 =u T . wv T . w
⋮ ⋮
cn cn
De donde resulta que  u v . w=u . wv . 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!!!
Con lo desarrollado hasta aquí, podemos probar importantes proposiciones.

Lema: dados u, v vectores y ,  escalares del campo F, entonces
∥ u v∥²=∣∣²∥u∥² u.v  v.u ∣∣²∥v∥²
Demostración: Desarrollemos || u + v ||² y veamos qué se obtiene.

∥ u v∥²= u v . u v
∥ u v∥²= u . u v v. u v 
Eso teniendo en cuenta la definición de norma de un vector y aplicando la propiedad b) demostrada
con anterioridad. Ahora, aplicando la propiedad c) que con gusto lo demostraste (¿no es así?)
tenemos que:
∥ u v∥²= u.u  u.v  v.u  v.v 
∥ u v∥²=∣∣²∥u∥² u.v  v.u ∣∣²∥v∥²
Teorema: (Desigualdad de Cauchy-Schwarz)

∣u.v ∣≤∥u∥∥v∥
Demostración: Antes de dar la prueba de esta proposición veamos que tiene sentido lo que se quiere
demostrar. En primer lugar |(u.v)| designa el valor absoluto del producto escalar de los vectores u y
v. En segundo lugar || u || es la norma del vector u y || v || es la norma del vector v, luego son
números reales y su producto también. Por lo tanto podemos comparar ambos números.
Si u = 0, (el vector nulo), entonces u . v = 0 y además || u || = 0, por lo que la desigualdad es
verdadera (0 = 0)
Vamos a suponer entonces que u  0. Tomemos entonces convenientemente las siguientes
igualdades:
 = u . u = || u ||² =u.v y w= v − u
Por lo tanto tenemos que:
u.v=v.u ⇒ v.u=u.v =

=∥u∥² ⇒0
Entonces:
∥w∥²=w.w= v−u . v− u=∥ v − u∥²
Aplicando el lema anterior tenemos que:
∥w∥²=∣∣²∥v∥²−  v. u− u.v ∣∣²∥u∥²
∥w∥²=∣∣²∥v∥²−  −  ∣∣² 
∥w∥²= ∥v∥²−∣∣²−  ²∣∣² 
Sacando a  como factor común, tenemos que:
∥w∥²=∥v∥²− ²
Como ∥w∥²≥0 y  > 0, resulta que:
∥v∥²− ²≥0 ⇒  ²≤∥v∥²
Lo que implica que:
 u.v ²≤∥v∥²
u.v  ²≤∥u∥²∥v∥²
Y tomando raíz cuadrada en ambos miembros resulta la desigualdad:
∣u.v ∣≤∥u∥∥v∥
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.
Ejemplo 1: Calcular el ángulo entre los vectores u=

1
2
−1
  y v =
0
1
1
.
T
0
Tenemos entonces que u . v=u v=1 2 −1 1 =2−1=1
1

 
1
Por otro lado tenemos que ∥u∥= uT . u= 1 2 −1 2 = 1²2²−1 ²= 6 y
−1
 
0
∥v∥=  v . v= 0 1 1 1 = 0²1²1²= 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
Ejemplo 3: Los vectores u=

1
2  y v=
2
4  son múltiplos. Probar que el ángulo entre ellos es 0º.
4 
u . v=uT v=1 2 2 =28=10 y además
 2 
∥u∥= uT . u= 1 2 1 = 1²2²=5 y
 
∥v∥=  v T . v= 2 4 2 = 2²4²= 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
Con el último ejemplo como guía, damos la siguiente:

Definición: Dados dos vectores u y v, distintos del vector nulo, se dirán ortogonales si u.v = 0.
El concepto de ortogonalidad es una generalización del concepto de perpendicularidad, y como
pueden apreciar, para que dos vectores no nulos, sean ortogonales, basta que su producto interior
sea cero, o en otras palabras, el coseno del ángulo que forman sea 0.
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.
Veamos primeramente que:

∥uv∥²= uv .uv 
∥uv∥²=uv T uv 
T T
∥uv∥²=u v uv 
∥uv∥²=u T uv T uu T v v T v
Reemplazando en la última igualdad llegamos a que:
∥uv∥²=∥u∥²v.uu.v∥v∥²
Ahora bien u.v y v.u son conjugados, luego v.u + u.v = 2 Re(u.v) y recordando que para cualquier
complejo se cumple que Re(u.v) ≤ |u.v| tenemos que:
∥uv∥²=∥u∥²2∣u.v∣∥v∥²
Usando la desigualdad de Cauchy-Schwarz, tenemos que:
∥uv∥²≤∥u∥²2∥u∥∥v∥∥v∥²
∥uv∥²≤∥u∥∥v∥²
Y tomando raíz cuadrada en ambos miembros y considerando que son reales no negativos, resulta
que ∥uv∥≤∥u∥∥v∥ que no es otra cosa que la desigualdad triangular para vectores.
Hemos probado así, el importante y siempre bien recordado:
Teorema: (Desigualdad triangular) Dados dos vectores u y v, resulta que:
∥uv∥≤∥u∥∥v∥
Para que no te pierdas, lo representamos con un bonito dibujito de unos vectores en el espacio ℝ3.
∥v∥
∥uv∥ ∥u∥
Cerca, lejos y no tanto...

Ahora, ¿de qué manera podemos medir la distancia entre dos vectores u y v? Es decir, ¿cómo
hacemos para saber cuán separados están los vectores? (Ahora pensemos a los vectores como
puntos)
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).
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.
Un cambio en el guión de la película.

Hasta ahora hemos estado hablando de una multiplicación entre vectores, el producto interior, que
es el más tratado en los libros de álgebra pues es un producto general, para todo tipo de vector, ya
sea con componentes complejas, reales o racionales.
Pero la historia no puede seguir así, definiéndose productos para todos los vectores. Ahora
cambiaremos un poco el guión y los protagonistas de esta novela, y nos quedaremos con vectores en
el espacio ℝ3. Con estos nuevos actores, los vectores de tres componentes reales, definiremos dos
nuevos productos que tienen importancia en las aplicaciones en la Geometría, la Geometría
Analítica y la Física principalmente.
Definición: (Producto vectorial) Recordando que los versores fundamentales en ℝ3 son e1, e2 y e3
y dados dos vectores u y v del espacio, llamaremos producto vectorial y lo denotaremos de la
siguiente manera u ∧ v al siguiente determinante simbólico:
∣ ∣
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)
Veamos qué propiedades tiene este nuevo producto:
∣ ∣
e1 e 2 e3
a) Si u = 0 (el vector nulo), entonces u∧v = 0 0 0 =0 i 0 j0 
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 m11a2 m 12a3 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.
Gráficamente tendríamos los siguiente:
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 1a3 b 1 c 2−b2 c 1
Por lo tanto, teniendo en cuenta que el segundo miembro de la igualdad es el desarrollo de un

determinante por la primera fila, resulta que:
∣ ∣
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
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.
Unidad IV: Espacios vectoriales.
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:
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 1a 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.
) 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)
Por otro lado, si W1 y W2 son subespacios de V, su intersección también es un subespacio vectorial

de V.
Demostración a medias: considerar dos vectores w1, w2 que estén en la intersección, luego dados ,
∈F resulta que w1 + w2 ∈W1 y w1 + w2 ∈W2. De donde W1 ∩ W2 es un subespacio vectorial.
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)
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.
Para terminar con los subespacios, enunciaremos el siguiente:

Lema: todo subespacio W de V debe contener al vector 0.
Demostración: En efecto, si w ∈ W, entonces como W es un espacio vectorial, existe – w ∈ W, tal
que w + (– w) = 0 y como la adición de vectores es cerrada en W, resulta que 0 ∈ W.
En otras palabras, no puede haber un subespacio W de un espacio vectorial V que no contenga al

vector 0.
C.l., l.i., l.d. ¿qué es todo esto?

Sea ahora un conjunto de m vectores del espacio vectorial V, u1, u2, …, um y sean 1, 2, … m, m
m
escalares del campo F, llamaremos combinación lineal a la sumatoria ∑ k u k cuyo resultado es
k =1
un elemento de V.
Ejemplo 1: ¿Cuál es el elemento que se obtiene al hacer la combinación lineal entre los vectores
 
u 1=
1i
3
i   
, u 2=
1−i
2i
, u 3=
i
0
y los escalares 1=1 , 2=i y 3=1i ?
v = ∑ k u k =1
k =1
           
1i i 1−i 1i i = 1i  1i  −1i = 13i
i 2i 0 i −2 0 −2i
  
Ejemplo 2: ¿Cuánto deben valer los escalares  y  para que 
2
3
1
 =
0
0
0
?

3   
 2  1 = 2   1  = 2 1  = 0
0 3 0 3 0  0  de donde resulta que
tenemos el siguiente sistema de ecuaciones:
2+=0
3+0=0
De donde  = 0 y  = 0.
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.
Ejemplo 1: los vectores 

u 1= 2
3
y u 1= 
1
0
son linealmente independientes, tal como lo
mostramos anteriormente.
Ejemplo 2: ¿Son linealmente independientes los vectores 1 e i del espacio vectorial ℂ?

En primer lugar hacemos las combinaciones lineales 1 + i = 0 (recordar que es 0 + i0), entonces
tenemos que  = 0 y  = 0. Luego los vectores son linealmente independientes.
Sin embargo, si  = 1 + i y  = - 1 + i , resulta que 1 + i = (1 + i).1 + (- 1 + i).i = 1 + i – i – 1 = 0
Entonces los vectores no son linealmente independientes.
¿Pero esto no es una contradicción?
¡¡¡De ninguna manera!!! En primer lugar recordemos que tanto (ℂ, +, ℝ, .) y (ℂ, +, ℂ, .) son
espacios vectoriales, es decir, el conjunto ℂ es un espacio vectorial con los reales y con los
complejos. Pero ambos espacios vectoriales, como estructura algebraica son distintos. Prueba de
ello es que los vectores 1 e i son linealmente independientes en (ℂ, +, ℝ, .) y linealmente
dependientes en (ℂ, +, ℂ, .). Es decir la independencia lineal depende del campo sobre el cual se
define el espacio vectorial V.
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.
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.
(Tres vectores linealmente independientes en el espacio)
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)
Definición: Dado un conjunto de vectores S ={uk}, llamaremos subespacio generado por S, al

conjunto de los vectores de V que se puedan escribir como combinaciones lineales entre escalares
de F y vectores de S. A tal conjunto lo designaremos de la siguiente manera:
L(S) = {v ∈V / v = 1 u1 2 u 2⋯n un }
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 12 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 u12 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
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.
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 k1 u k1⋯ n un=1 u 12 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.
¡¡Base, base!! ¿Me copia?

Para terminar esta primera parte de los espacios vectoriales, daremos una última definición, la de
una base de un espacio vectorial.
Definición: un conjunto de vectores uk de un espacio vectorial V, se llama una base de V, si y solo
si los vectores son linealmente independiente y generan a V.
Que generan a V significa que cualquier vector de V puede ser escrito como combinación lineal de
los vectores uk.
Ejemplo 1: los vectores u 1=

2
3
y u 1= 
1
0
son linealmente independientes y generan a todo el
plano, luego forman una base para el espacio vectorial (ℝ2, +, ℝ, .).
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.
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.
Bases orto... ¿qué?

Las bases de un espacio vectorial, son los vectores a partir de los cuales podemos escribir cualquier
otro vector, por ello son como los cimientos del espacio vectorial. Nos quedamos ahora con los
espacios vectoriales reales y de todas las bases que podemos encontrar en ellos, nos interesan
aquellas que cumplen ciertas condiciones, que las daremos en breve.
Este tipo de bases, ya las hemos estado estudiando, y como verás hay algunas que son más fáciles
de construir que otras.
Damos a continuación la siguiente:
Definición: un conjunto {uk} que es una base del espacio vectorial real V, se llamará base
ortonormal si:
a) || uk || = 1, ∀k (todos los vectores tienen norma 1)
b) (uj . uk) = 0 ∀j, k y j ≠ k (los vectores son ortogonales, dos a dos)
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)
Ejemplo 1: Los vectores v 1=

−1
0   y v2 =
0
−1   forman una base ortonormal del espacio (ℝ2, +,
ℝ. .)
En efecto, los vectores v1 y v2 son l. i., ya que 1 v1 + 2 v2 = 0 entonces
       
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.
Veamos ahora sus normas:
  
∥v1∥= v T1 v 1= −1 0 −1 = −1−10.0= 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.00.−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
Ejemplo 3: Los vectores

2
0   
v 1= 0 , v 2 = 1
dicha base no es ortonormal, pues || v1 || = 2.

0
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?
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.
Unidad V: Transformaciones lineales.
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)
La definición anterior se puede escribir en dos partes, como sigue:

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:
a) f (u + v) = f(u) + f(v), ∀u, v ∈ V y
b) f (u) =  f(u), ∀u ∈ V y ∀ ∈F
El lector, puede demostrar por inducción completa que si f es un homomorfismo, entonces se

n n
verifica que f  ∑ k u k =∑  k f u k  cualquiera sea el natural n y esto nos permite afirmar que
k =1 k=1
los homomorfismos preservan las combinaciones lineales.
Ejemplo 1: Sean los espacios vectoriales (ℝ3, +, ℝ, .) y (ℝ2, +, ℝ, .).

La función f: ℝ3  ℝ2 definida por:

a1
a −a
f u= f a 2 = 1 3
a3
a 2−a3 
es un homomorfismo.
En efecto, en primer lugar:
 
a1 b1
a b −a −b

a −a b −b a −a b −b
  
f uv = f a2 b 2 = 1 1 3 3 = 1 3 1 3 = 1 3  1 3 = f u  f v 
a3 b3
a 2b2−a3−b3 a2 −a 3b 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−a31 
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!!!)
Propiedades de los homomorfismos (en realidad son simplemente dos propiedades)

a) Denotando a los vectores nulos de cada espacio como 0V y 0W, tenemos que:
f(0V) = 0W.
En otras palabras, la imagen del vector nulo de V debe ser el vector nulo de W.
Super demostración: f(0V) = f(0u) = 0 f(u) = 0W. (Realmente impresionante, ¿no?)
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).
Otra super demostración: f (- u) = f ( (- 1) u) = (- 1) f (u) = - f (u).

Es decir, que para probar que una función no es un homomorfismo, sólo debemos ver, por ejemplo
que la imagen de 0V no es 0W y ya está.

f u= f
 
a1
a2
a 1
= 1
a 21
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.
¡¡Cuántos homo... morfismos hay!!

Por lo que sabemos, f es una función, y por lo tanto podrá clasificarse, es decir, se podrá decir si es
inyectiva, suprayectiva o biyectiva. Los homomorfismos más interesantes, son los biyectivos, pues
nos muestran dos espacios vectoriales idénticos, desde casi todo aspecto. El lector, puede pensar
como ejemplo, en los pares ordenados de ℝ2 y en los números complejos. O en otras palabras, en el
plano real y en el plano complejo. Estos son tan idénticos, que muchos profesores de Matemática no
saben en qué radica su diferencia y con el tiempo llegan a confundirlos.
Analicemos un poco más el ejemplo anterior.
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.
c) f es un isomorfismo  f es un homomorfismo biyectivo.
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.
Por otro lado, ∀w  W, w= 

c1
c2
. Tenemos entonces que existe un vector u V, tal que
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.
Ejemplo 2: Sean los espacios vectoriales (ℝ2, +, ℝ, .) y (ℝ, +, ℝ, .).

La función f: ℝ2  ℝ definida por:
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.)
Es claro que f no es inyectivo pues   

f 1 =f
2
1
− 6
=1 , sin embargo, los vectores son distintos.
Luego f no es un isomorfismo.
Pregunta: ¿es f un epimorfismo?
Respuesta: Sí.
Pregunta: ¿Por qué?
Respuesta: (descúbrelo tú mismo)
Ejemplo 3: (Importantísimo)
Sean los espacios vectoriales (ℝ2, +, ℝ, .) y (ℂ, +, ℝ, .).
La función f: ℝ2  ℂ definida por:
f  u = f
 
a1
a2
= a 1i 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 2b 2 =a 1i a 2b 1i b 2
f  u v= f u  f v 

b) f es un homomorfismo inyectivo.
f u= f v ⇒ f
 
a1
a2
b a b

= f 1 ⇒ a1i a 2=b1 i b 2 ⇒ a1=a2∧b1=b2 ⇒ 1 = 1 ⇒ u=v
b2 a2 b2
c) f es un homomorfismo suprayectivo.
Sea z ∈ℂ, tal que z = a + i b. Luego existe en ℝ2, el vector u=

a
b  tal que f(u) = z.
Luego f es un homomorfismo biyectivo, es decir f es un isomorfismo.

Dos espacios vectoriales se llamarán isomorfos si existe un isomorfismo entre ellos. Así el plano
real ℝ2 y el plano complejo ℂ son isomorfos.
La palabra isomorfo proviene del griego isos = igual y morphe = forma. Es decir dos espacios
vectoriales que tienen la misma forma. O en términos más matemáticos, dos espacios vectoriales
isomorfos tiene las mismas propiedades relativas a la adición y a la multiplicación por escalares del
campo F, son tan parecidos que son casi indistinguibles desde el punto de vista algebraico. Sólo la
naturaleza de sus elementos es lo que los vuelve diferentes. Algo similar pasa con las cremas
dentales; cuando vamos a comprar le decimos al que nos atiende: - “deme un kolino, por favor” y
sin embargo, lo que estamos queriendo es una crema dental, que puede ser Colgate, Kolyno, Odol,
entre otros. Es decir, el uso común de la palabra hizo que las volvamos isomorfas a todas las clases
de cremas dentales que hay en el mercado.
¡¡¡Qué bueno sería tener una novia isomorfa a Angelina Jolie!!! ¿No les parece genial esta idea? Ok,
ya sé que las mujeres querrían tener un novio isomorfo a Brad Pitt.
En otro orden de cosas, llamaremos Núcleo del homomorfismo f, al siguiente conjunto:
Ker(f) = {u ∈ V / f(u) = 0}3
Es decir, el núcleo de un homomorfismo está compuesto por aquellos vectores del espacio vectorial
V, cuya imagen es el vector nulo del espacio W.
W
V
.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.
Afirmamos el siguiente:
Lema: Ker(f) ≠∅.
Demostración: como f es un homomorfismo, resulta que f(0) = 0, luego por lo menos 0 ∈Ker(f).
Ejemplo 1: Si f es el homomorfismo nulo, entonces Ker(f) = V.

Ejemplo 2: (Importantísimo)
Sean los espacios vectoriales (ℝ2, +, ℝ, .) y (ℂ, +, ℝ, .).
La función f: ℝ2  ℂ definida por:
f u= f

a1
a2
=a1i a2
es un isomorfismo y se tiene que Ker(f) = 

0
0
.
Ejemplo 3: El homomorfismo f  u = f
  a1
a2
= a 1 tiene Ker(f) =

0
a2
. En otras palabras,
la recta vertical de ordenadas del plano.
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.
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.
Teorema: Sea f un homomorfismo y u1, u2, …, um un conjunto de vectores de V. Si el conjunto f

(u1), f (u2), …, f (um) es l. i. entonces el conjunto u1, u2, …, um es l. i.
m
Demostración: Sea ∑  k u k =0V y queremos ver que todos los k son ceros para ver que los uk
k =1
son l. i.
m m
Tenemos entonces que, por ser f una función f  ∑  k u k = f 0V ⇒ ∑  k f u k =0W pues f es
k =1 k =1
un homomorfismo. Pero como los vectores f (u1), f (u2), …, f (um) son l. i. resulta que todos los k
son ceros y esto prueba que el conjunto u1, u2, …, um es l. i.
Enunciamos ahora el último teorema de los homomorfismo, pero no desarrollaremos su

demostración. Tenemos entonces el:
Teorema fundamental de las transformaciones lineales: Sean V y W dos espacios vectoriales sobre
el mismo campo F y sea el conjunto u1, u2, …, um una base del espacio V. Si v1, v2, …, vm son m
vectores de W, entonces existe una única transformación lineal f: V  W, tal que f(uk) = vk, ∀k = 1,
…, m
Este teorema afirma que hay una sola forma de enviar a los vectores de la base de V en un conjunto
de vectores de W.
Ver para creer. Parte 2.

Efectivamente chicos. Para que todo lo desarrollado anteriormente no quede en la nebulosa voluble
de lo abstracto, analizaremos algunas transformaciones lineales en espacios vectoriales reales y
complejos. Esto te permitirá entender (y espero que así sea) lo desarrollado sobre homomorfismos y
ver cómo estos actúan en un espacios particular.
Rotaciones del plano.
Sea el espacio (ℝ2, +, ℝ, .) y sea el automorfismo (recuerde: automorfismo es un homomorfismo
a
biyectivo de un espacio vectorial en sí mismo) f : ℝ2  ℝ2 / f 1 =
a2
−a 2
a1   
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.
Si queremos hacer rotar el plano en 180º, deberemos definir a f como f

  
a1
=
−a1
a 2 −a 2
(¿Sabés el mandamiento número 11 de la biblia? Dice así: deberás demostrar y/o resolver todo los
ejercicios que te deja tu profesor...)
Pregunta: ¿Cómo debería definirse f de tal manera que la rotación sea de -90º?
Respuesta: (Recuerda el mandamiento número 11...)
Todas estas rotaciones dejan un sólo punto fijo, el vector nulo 0 = 

0
0
. Pero hay otros
homomorfismos que dejan fijo otros vectores.
Analicemos el siguiente ejemplo:
Sea la función f definida del plano en sí mismo, tal que f

  
a1
a2
a
= 2
a1
.
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
Pregunta: ¿Tenés alguna idea de lo que le hace este homomorfismo al plano?

Respuesta: Todavía no sabemos, pero lo resolveremos enseguida.
¿Hay algún vector del plano que permanece inalterable?
Si lo hay debe ocurrir que f(u) = u, de donde f u= f


a1
a2
a
= 2
a1
. Luego debe ocurrir que

a1
a2
a
= 2
a1
y esto es posible solamente si a1 = a2. Es decir, los vectores que permanecen
inalterables son los de la forma u=


 , es decir los que están en la recta y = x.
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
Seguimos con las rotaciones. Si f se define de la siguiente manera f u= f

a1
 
a
= 1 entonces
a 2 −a 2
deja fijo el eje horizontal y todo lo que está debajo pasa para arriba y viceversa. Gráficamente sería
así:
Por último, ¿qué hace f al plano, si se define de la siguiente manera: f u= f

 
a 1 −a1
a2
=
a2
?
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
Tengamos en cuenta que vivimos en un mundo donde constantemente estamos sometidos a

homomorfismos, pues la rotación de la tierra alrededor de su eje es una transformación lineal en el
espacio.
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
Gráficamente se puede interpretar de la siguiente manera:
(Todo el plano se compacta a la recta horizontal)

Sin embargo, si definimos f u= f


a1
a2
=a2 todo el plano va a parar a la recta vertical.
Más interesante es esta transformación lineal. f(u) = 0.
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)
Veamos ahora qué efecto tiene el homomorfismo f u= f


a1
a2
=a1i a2 del plano real al plano
complejo.
a1 + i a2
a2
a1
Plano real Plano complejo

La transformación lineal f identifica a cada punto del plano con cada complejo z.
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 a1i a2 =u=a1i 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.
TRABAJOS PRÁCTICOS... o los números de la quiniela y los sueños.
1. (El Agua) Probar que:

(a) ℤ no es un campo
(b) ℂ es un campo y que no es un conjunto ordenado.
(c) ¿ℕ es un campo? Justificar.
(d) Demostrar que ℚ es un campo ordenado. ¿Cómo se define la relación < en este
conjunto?
(e) Sean a y b números racionales, y sea H = {x ∈ ℝ / x = a + b  2 } ¿Es H un campo?
Justificar.
2. (El Niño) Dar ejemplos de n-uplas en los siguientes conjuntos:

(a) dos 3-uplas en ℝ3.
(b) una 2-upla en ℚ2.
(c) Tres 2-uplas en ℂ2.
3. (San Cono) Probar que en un campo se cumple que:

(a) a(b – c) = ab – ac
(b) – a = (– 1) a = 1 (– a)
(c) 0a = 0
(d) a + c = b + c  a = b.
4. (La Cama) Encontrar el conjunto solución S en cada ecuación:

(a) x + 3y = 1 en ℚ2.
(b) (1 – i)z1 + i 2 z2 = i en ℂ2.
(c) x + y =  2 en ℝ2.
(d) 4 x + 1 = 2 en ℝ.
(e) z – i = (1 + i) ² en ℂ.
(f) (2 + i) : z = i en ℂ.
5. (El Gato) Resolver los siguientes sistemas de ecuaciones y clasificarlos:

(a) 3 x + y – z = 1
x+y =-2
(b) i2z1 + 3z2 = 1

(1 + i)z1 – (1 – i)z2 = 2
(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
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
9. (El Arroyo) Dadas las siguientes matrices:
 
4 3 2

A= 1 2
−3 4  
B= 1i 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
10. (La Leche) Dadas las matrices
 
i
−1i 2
   
i −1 −2i 1 0 0
1
A= 1i 0 1 B= i −3 −i C=  2 i i
2
−i i  2 2i 1i 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
12. (El Soldado) Probar que:

(a) si A es una matriz escalar, entonces A = I, con   F.
(b) la suma de dos matrices escalares es una matriz escalar.
(c) la suma de dos matrices triangulares superiores, es una matriz triangular superior.
(d) Probar que la suma de dos matrices diagonales es una matriz diagonal. Mostrar que la
recíproca es falsa.
(e) Probar que toda matriz puede descomponerse como la suma entre una matriz triangular
superior y una matriz triangular inferior.
(f) Dada una matriz z con entradas complejas, probar que existe una matriz w tal que
z =zw ¿Como son los elementos de la matriz w?
(g) Probar que para toda matriz A con elementos reales, pueden encontrarse dos matrices
con elementos complejos z y w, tal que A = z + w. ¿Cómo son los elementos de las
matrices z y w ?
13. (La Yeta) Convertir las siguientes matrices en triangular superior:
 
2 −3 1 i

1 −3 2
A= −1 0 1 B= −2
4 1 0  i
0 −3i 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 2i
−1 −12i 
B=
4 2
2
1
C= 0 1
1 −1 −2
0 D= 1 −3 i 1i
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.
16. (El Anillo) Con las siguientes matrices:

A= i 1i 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
17. (La Desgracia) Dada la matriz A= i  1

−1 1i  , hallar su inversa, resolviendo el sistema
de ecuaciones que resulta de A.A- 1 = I.
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
22. (El Loco) Calcular los siguientes determinantes
∣ ∣ ∣ ∣
1 −1
∣ ∣
i 2i 1 3 − 2 −i
2 C = 3
 A= 0 −1 3   B=
1 4 0 1
1 −i 1i 2 −
2 −1 i  2i
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.
24. (El Caballo) Calcular el valor de k que hace que  A≠0

 
1
3 k
A=  2 k
k −1   
B=
k
1
i
k
C= 2
2 k 0
1 −1 1
25. (La Gallina) ¿Qué valor de z debo poner en la matriz 

A= i z
−1 0  para que
(a)  A≠0 ?
(b) Re  A=0 ?
(c) Im  A=0 ?
(d)  A≠0 ?
(e) − A≠0 ?
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= 1i  2 −i
0 −1 0

C= 2 1−i
1i 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.
Multiplicar las filas elegidas y comprobar que el resultado es cero.
31. (La Luz) Dadas las matrices
 
1 3 0
A= 
1
−i  2
i
B= −1 − 1 2 C= −1
−1 0 1
2 
2i 1i 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
33. (El Cristo) Graficar los siguientes vectores en el plano o en el espacio.

(a)  
u 1= 1
−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
(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
36. (La Manteca) Calcular la norma de cada vector:

(a)  
u= −1
3
(b)  
u=  2
−i
(c)
1
u= 3
−2

(d)

i
u= −i
1

2
−1
(e) u= 0
3
−1
(f)  
u= 1i
2−i
(g)
 
1i
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
3i −i
−1
(a) u.v
(b) v.w
(c) (u.v).w
(d) (v + w).u
(e) [ (1 + i) u + w ] . v
(f) [i v + (1 – i) u] . u
(g) u.u
40. (El Cura) Probar que u. v  w=u.v u.w 
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.
46. (Los Tomates) Probar que si  > 0, entonces u y u forman un ángulo 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.
49. (La Carne) Si u y v son ortogonales, entonces u y v son ortogonales con , 0.
50. (El Pan) Probar que u y – u forman un ángulo de 180º.
51. (El Serrucho) Corroborar la desigualdad triangular con los vectores:
(a)
  
i
u= −3 y v = 1−i
2
1i
−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.
53. (El Barco) Demostrar que d(u, u) = | 1 – | || u ||.
54. (La Vaca) Demostrar que dados dos vectores u y v se cumple que d(u, v) = d(v, u)
55. (La Música) Dados los vectores
(a) Graficar
  
1
u= 2
0
y
−1
v= 1
0
(b) Hallar u ∧v y v ∧u.

(c) Graficar los resultados obtenidos.
56. (La Caída) Demostrar que dados los vectores del espacio u, v y w, se tiene que:
u ∧(v + w) = u ∧v + u ∧w
57. (El Jorobado) Mostrar con un ejemplo que u ∧v = – (v ∧u).
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.
59. (Las Plantas) Graficar los vectores u=

2
−3    
y v = 1 en el plano.
−1
(a) Completar el gráfico para dibujar el paralelogramo cuyos lados son u y v.
(b) Calcular u ∧v.
(c) Comprobar que || u ∧v || es igual a la superficie del paralelogramo.
Nota: superficie del paralelogramo se calcula multiplicando la base por la altura.
60. (La Virgen) Comprobar con un ejemplo en ℝ2 que si u y v son ortogonales, entonces
|| u ∧v || = || u || || v ||
61. (La Escopeta) ¿Es cierta esta igualdad?

(– u) ∧v = v ∧ u
62. (La Inundación) Demostrar que (– u) ∧(– v) ≠ – (u ∧ v)
63. (El Casamiento) Demostrar que u.(u) = u.u
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.
65. (El Cazador) Demostrar que (ℚ, +, ℚ, .) es un espacio vectorial y decidir si

(ℚ, + , ℝ, .) es un espacio vectorial.
66. (La Lombriz) Demostrar que (ℂ, +, ℂ, .) es un espacio vectorial y decidir si

(ℝ, + , ℂ, .) es un espacio vectorial.
67. (La Mordida) Probar que si V es el conjunto de las funciones cúbicas, entonces
(V, +, ℝ, .) es un espacio vectorial.
68. (Los Sobrinos) Probar que en todo espacio vectorial si u – v = w – v ⇒ u = w y que

0 = 0,   F.
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.
71. (El Excremento) Probar que si W1 y W2 son subespacios vectoriales de V, entonces

W1  W2 es un subespacio vectorial de V.
72. (La Sorpresa) En el espacio vectorial (ℝ3, + , ℝ, .) demostrar que ℝu es un

subespacio vectorial si u ≠ 0. ¿Es ℝu un subespacio vectorial si u = 0?
73. (El Hospital) Sean Fu y Fv dos subespacios vectoriales de un espacio vectorial

V. ¿Cuándo Fu ∪ Fv es un subespacio de V?
74. (La Gente Negra) Realizar la combinación lineal de los escalares 1 + i, i y – i y los
vectores u=  
i 1
1i ; 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.
76. (Las Llamas) ¿Son linealmente independientes los siguientes vectores?

(a) u = 1 + i v=1–i sobre el campo ℝ.
(b) u = i v=–1 sobre el campo ℝ.

(c) u = i v=–1 sobre el campo ℂ.
(d) u=  
1 0
0 1
v=  
0 1
1 0
sobre el campo ℝ.
(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, .)
78. (La Ramera)¿Cuál es la dimensión de los siguientes espacios vectoriales?

(a) (ℂ, + , ℝ, .)
(b) (ℂ, + , ℂ, .)
(c) (ℝ2x2, + , ℝ, .)
(d) (ℚ3x3, + , ℚ, .)
(e) (ℂ2x2, + , ℝ, .)
(f) (ℂ2x2, + , ℂ, .)
(g) (ℝ, + , ℝ, .)
(h) (ℚ, + , ℚ, .)
(i) Exponer una base para cada espacio vectorial.
79. (El Ladrón) Decidir si los siguientes conjuntos de vectores forman una base
ortonormal en los espacios vectoriales dados.

(a) u = – 1 en (ℝ, + , ℝ, .)
1

(b) u 1= ; u 2=
0
0
1 
en (ℝ2, + , ℝ, .)
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 
80. (La Bocha) Demostrar que si f es un homomorfismo entonces

n n
f  ∑ k u k =∑  k f u k 
k =1 k=1
  
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.
83. (El Mal Tiempo) Si f es un homomorfismo y f(w) = 0, entonces f(u – w) = f(u)
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 =Reu  de ℂ en ℝ.
(f) 
f u =u de ℂ2 en ℂ.
v
85. (La Linterna) Clasificar cada una de las transformaciones lineales del punto anterior.
86. (El Humo) ¿Es f


a1
a2
=a 1 de ℝ2 en ℝ un epimorfismo?
87. (Los Piojos) Demostrar que el espacio vectorial (ℝ2x2, + , ℝ, .) es isomorfo a

4
(ℝ , + , ℝ, .)
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.
91. (El Excusado) Si u ∈Ker(f), entonces u ∈Ker(f).
92. (El Médico) Sean las transformaciones lineales f y g del espacio V en W.

(a) ¿Ker(f) Ker(g) es un subespacio vectorial del espacio vectorial V?
(b) ¿El conjunto V – Ker(f) es un espacio vectorial?
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
.
(a) Graficar la imagen del rectángulo mediante la transformación lineal f.
94. (El Cementerio) Dibujar el círculo de radio 1 y centrado en 

u= 0
0
y sea
f
a1
a2
=a 2 .
(a) ¿En qué se transforma la figura?
95. (Los Anteojos) Dada la transformación lineal f

  
a1 −a 2
a2
=
a1
(a) Corroborar con un dibujo (una figura, un vector, etc) que f es una rotación del plano en sí
mismo con un ángulo de 90º.
(b) Demostrar además que f transforma vectores ortogonales en vectores ortogonales. En
otras palabras si u y v son ortogonales, entonces f(u) y f(v) son ortogonales.
(c) Probar que f transforma versores en versores.
(d) Probar que f preserva la distancia entre los vectores, es decir, d(u, v) = d( f(u), f(v) ).
96. (El Marido) Corroborar que dado el paralelepípedo recto rectángulo formado por los
     
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
99. (El Hermano) Sea la función f : ℝ2  ℝ / f (u) = || u ||. ¿Es f un homomorfismo?
00. (Los Huevos) ¿Es f(z) = z + 1 una transformación lineal de ℂ en ℂ?

TRABAJOS PRÁCTICOS... o algunos ejercicios para los parciales.
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
8. Encontrar el rango de cada una de las matrices dadas:
i
(a) A= −1 2i
2
−i −2i −1
1
i

(b)

i
A= −1
2
2i
1
i
−1i 22 i 1i 
 
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−bb−c c−a
1 c c²
Calcular los siguientes productos:
(a) i ∧k
(b) k ∧i
(c) j ∧i
(d) j ∧- k
13. Probar que:

(a) u ∧ (v + u) + v ∧ (v – u) = 2 (u∧v)
(b) u ∧ (v + u) + v ∧ (v + u) = 0
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
(c) genere un subespacio vectorial de dimensión dos

(d) genere un subespacio vectorial de dimensión tres
(e) genere un subespacio vectorial de dimensión cuatro
(f) ¿Por qué el conjunto u, 2u, no es un buen ejemplo para el punto c)?
21. En un espacio vectorial si u = u y u 0, entonces ¿ = ?
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 }
24. Probar que las matrices

2x3
 1 1 1  
0 1 1 
A= 0 1 −2 y B= 1 1 −2 son linealmente
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
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
Ante cualquier duda, crítica malvada, crítica constructiva, felicitaciones y/o sugerencias no dude en
comunicarse al correo rosomina@yahoo.com.ar . ¡¡¡¡¡¡¡Todo será bienvenido!!!!!!!
Mayor Villafañe, Formosa, Argentina.

Julio de 2010.

Pequeñas Ideas Sobre Álgebra Lineal

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Pequeñas Ideas Sobre Álgebra Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

Pequeñas ideas sobre Álgebra Lineal – Martínez Rolando Ramón 1

Pequeñas ideas sobre

Martínez Rolando Ramón

ISFDyT “Víctor Manuel Almenara”

Mayor Villafañe – Formosa

Profesor Rolando Ramón Martínez

Mayor Villafañe 2010

Muchos textos están escritos con la siguiente estructura:

Definición – Propiedades – Demostraciones – Teoremas – Demostraciones

¡¡¡Nos vemos en la Unidad 0!!!!

Ilustración 1: Que cada uno interprete como quiera...

Unidad 0: Conjunto de números complejos.

Definimos ℂ = {z = (a, b) ∈ ℝ2/ a ∈ ℝ, b ∈ ℝ}, al que llamaremos Conjunto de los Números

Unidad imaginaria: es el complejo i = (0, 1)

2 i.e. en Matemática significa: es decir

(a, b) = (a, 0) + (0, b) = a(1, 0) + b(0, 1) = a + b i

Así, tenemos las operaciones en forma binómica:

○ (a + bi) + (c + di) = (a + c) + (b + d)i

Sea z = a + b i, llamaremos módulo de z y lo denotaremos como |z| =  a 2 b 2 . Esta definición

Recordando a nuestro viejo y querido amigo

Por último veamos que

Resumimos estos resultados en el siguiente:

Teorema: (Propiedades del módulo de un número complejo)

Unidad I: Sistema de Ecuaciones Lineales y Matrices.

Ejemplo 1: los conjuntos numéricos ℚ, ℝ son ejemplos de campo.

Ejemplo 1: el campo ℚ es un campo ordenado. (Probarlo)

(¡¡¡Por favor, hacer los ejercicios!!!)

Lo hermoso de la Matemática es su poder para generalizar, y el par ordenado no podía escapar a

Ejemplo 1: Sea la ecuación lineal x + 2y = 0 sobre el campo de los racionales.

Ejemplo 3: La ecuación (1 + i) z1 – z2 = i sobre el campo de los números complejos.

donde los ai y bi son elementos de F.

am1 x1 + am2 x2 + … + amn xn = bm

se llamará sistema de m ecuaciones lineales con n incógnitas.

Ejemplo 1: Consideramos el sistema de ecuaciones lineales en ℝ:

Ilustración 2: Intersección de dos funciones lineales

Ejemplo 2: El sistema de ecuaciones

Ejemplo 3: Consideramos el siguiente sistema de 3 ecuaciones lineales con 2 incógnitas sobre el

Eliminando lo que molesta.

Podemos ver que z2 = i 2/3, reemplazando en E'1 resulta que:

Ejemplo 2: Sea el sistema de ecuaciones sobre el campo de los racionales

Ejemplo 3: Reducir el sistema de ecuaciones lineales y resolver:

Ejemplo 4: Consideremos ahora el sistema de ecuaciones lineales sobre el campo ℂ.

otras palabras cuando S posee un sólo elemento. ( #(S) = 1 )

Sistema de ecuaciones lineales

(Un bello esquema sólo para rellenar páginas del texto)

Compatible determinado Incompatible Compatible indeterminado

am1 x1 + am2 x2 + … + amn xn = bm

El elemento aij de la matriz A se encuentra en la fila i y en la columna j.

Álgebra de matrices o qué hacer con estas cosas raras.

Las propiedades 6 y 7 se pueden generalizar de la siguiente manera:

matrices tenemos que A – A + X = B – A, y por último, asociando y teniendo en cuenta que A y – A

Ejemplo 1: Convertir la siguiente matriz en una matriz triangular superior:

Ejemplo 2: Dada la matriz

Ejemplo 3: ¿Cuántas columnas independientes tiene la matriz anterior?

Las matrices se multiplican...

Por ejemplo, el producto de una matriz 2 x 3 y de una matriz 3 x 2 se da de la siguiente manera:

Demostramos a continuación algunas propiedades de la multiplicación de matrices.

El elemento cij se distribuye en la sumatoria de adentro, pues sus subíndices son h y j y la

Olvidándonos por un momento de las sumatorias, vemos que aik b kh  chj =a ik b kh c hj  ya

∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj

∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj 

Se puede observar que el último miembro de esta cadena de igualdades, es la definición de

∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj  =aij  ∑ b kh c hj y como

∑ ∑ aik b kh c hj  =∑ ∑ aik b kh c hj =∑ aik ∑ b kh c hj  =aij  ∑ bih c hj