Documente Academic
Documente Profesional
Documente Cultură
Un primer curso
Luis Pinedo S.
2018
Matrices
Definición
Una matriz A de orden m × n; es un conjunto de m × n elementos de un conjunto
numérico K dispuestos en m filas y n columnas.
a11 a12 · · · a1j · · · a1n
a21
a 22 · · · a2j · · · a2n
. . . ..
. . .
. . ··· . ··· .
A= = (aij )
ai1 ai2 · · · aij · · · ain
.. .. .. ..
. . ··· . ··· .
am1 am2 · · · amj · · · amn
Donde a11 es el elemento que esta en la fila 1 columna 1, a12 es el elemento que esta
en la fila 1 columna 2 y en general aij estará en la fila i y columna j de la matriz A.
El conjunto de todas las matrices de tamaño m × n se representa como Mm×n (K)
Donde K es el conjunto numérico al cual pertenecen los elementos de la matriz.
A ∈ Mm×n (K).
Matrices
Ejemplo
La matriz
5 −8 3
A= ∈ M2×3 (R)
7 −7 4
Es una matriz de 2 filas y 3 columnas. Los elementos de A en este caso pertenecen a
los números reales. El elemento a12 = −8.
Ejemplo
La matriz
11 i 2i 2
B = −4 5 9 72 ∈ M3×4 (C)
i −i 4 3
Es una matriz de 3 filas y 4 columnas. Los elementos de B perteneces al conjunto C
de los complejos.
Matrices
Igualdad entre matrices
Definición
Sean A, B ∈ Mm×n (K). A = B si tienen igual orden y si sus elementos ubicados en
la misma posición son iguales. Es decir, A = B ⇐⇒ aij = bij ∀ i, j. con aij ∈ A y
bij ∈ B.
Ejemplo
3 3
2
2 3 2
2 3
1 2 1 3
4 5 6 = 4 5 6 , 6=
3 4 2 4
7 8 9 7 8 9
Operaciones entre Matrices
Suma
Definición
Sean A, B ∈ Mm×n (K), con m y n fijos1 la suma de estas matrices será igual a una
matriz C de igual orden. Es decir, A + B = C, donde C ∈ Mm×n (K).
los elementos cij de C son el resultado de sumar los elementos aij de A y bij de B.
1
El hecho de que n y m permanezcan fijos no es más que querer decir que A y B deben tener el mismo
tamaño u orden. Si esto no se cumple las matrices no pueden sumarse.
Operaciones entre Matrices
Suma
Ejemplo
1 2 3 3
Sean A = 1 −3 y B = 1
4 , hallar A + B
5 −1 5 −2
1 2 3 3
A+B = 1 −3 + 1 4
5 −1 5 −2
1+3 2+3
= 1 + 1 −3 + 4
5+5 −1 + (−2)
4 5
A+B = 2 1
10 −3
Operaciones entre Matrices
Propiedades de la Suma
A + (−A) = (−A) + A = 0
Operaciones entre Matrices
Ejercicios
Ejercicio 1
Sean las matrices
12
13
47 5
6 5
8 −1 9 0 0
A=7 1 3 , B = 4 −3 2 , C = 3 4 5
4 3 2 1 0 1 6 7 1
Hallar.
(a) A + B
(b) C + B
(c) A + B + C
Operaciones entre Matrices
Ejercicios
Ejercicio 2
2. Calcular
(a)
8 −4 3 1 −8 4 −3 −1
2 5 −4 −2 + − 27 −5 4 2
7
6 −7 11 16 −6 7 −11 −16
(b)
−4 15 20 25 0 0 0 0
2 6 4 0 + 0 0 0 0
23 2 −1 91 0 0 0 0
17 27 39 51 0 0 0 0
Operaciones entre Matrices
Resta
De forma análoga a la suma de matrices se define la resta. Si A, B ∈ Mm×n (K), m y
n fijos, entonces, A − B = C, con C ∈ Mm×n (K), donde los elementos cij de C
serán:
Ejemplo
−4 2 8 5 9 11
Sean A = −1 −5 4 y B = −2 10 2 , hallar A − B
8 17 15 5 1 3
−4 2 8 5 9 11
A−B = −1 −5 4 − −2 10 2
8 17 15 5 1 3
−4 − 5 2−9 8 − 11
= −1 − (−2) −5 − 10 4−2
8−5 17 − 1 15 − 3
−9 −7 −3
A−B = 1 −15 2
3 16 12
Operaciones entre Matrices
Ejercicios
Ejercicio 1
Hallar la matriz A, que cumple con la condición
1 4 10 3 −4 −5
0 − 1 1 + A = 0 4 2
2
4 6 −4 0 1 1
Ejercicio 2
Hallar los valores de a, b, c, y d si
a b 2 16 1 0
− =
c d −4 7 −4 −2
Operaciones entre Matrices
Multiplicación de una matriz por un número
αA = α(aij ) = (αaij )
Ejemplo
−3 4
Sea A = y α = −3, hallar αA.
6 2
−3 4 −3 · (−3) −3 · 4 9 −12
αA = −3 · = =
6 2 −3 · 6 −3 · 2 −18 −6
A − B = A + (−1)B
Operaciones entre Matrices
Propiedades de la multiplicación de una matriz por un número
• α(A + B) = αA + αB (Distributividad)
• (α + β)A = αA + βA (Distributividad mixta)
• (αβ)A = α(βA) (Asociatividad)
• 1·A=A·1=A (Elemento neutro)
Operaciones entre Matrices
Ejercicios
Ejercicio 1
Sean las matrices
1
−1
A= , B = −1 9
, C=
7 17
.
2 3 8 21 41
0
Calcular.
(a) 4A + (−1A)
(b) − 14 B + 0C
(c) 2(B + C)
(d) ( 72 − 2)A
Operaciones entre Matrices
Multiplicación de matrices
Sean A ∈ Mm×n (K) y B ∈ Mn×p (K). el producto de A por B será igual a una
matriz C que tendrá el número de filas de A y el número de columnas de B, es decir,
A · B = C, donde C ∈ Mm×p (K).
Los elementos (cij ) de C se obtienen de la sumatoria del producto de los elementos
de la fila i de la matriz A por los elementos de la columna j de la matriz B. Es decir,
b1j
b2j n
X
cij = (ai1 ai2 ...ain ) · . = ai1 b1j + ai2 b2j + ...ain bnj = aik bkj .
.
.
k=1
bnj
De la definición tenemos que, para multiplicar una matriz A por una matriz B es
necesario que el número de columnas de la matriz A sea igual al número de filas de la
matriz B.
Operaciones entre Matrices
Multiplicación de matrices
Ejemplo
1 −1
2 −3 4
Realizar el siguiente producto, · 3 1
1 3 2
4 −2
(2)(1) + (−3)(3) + (4)(4) (2)(−1) + (−3)(1) + (4)(−2)
A·B =
(1)(1) + (3)(3) + (2)(4) (1)(−1) + (3)(1) + (2)(−2)
9 −13
A·B = =C
18 −2
Ejercicio 1
Dadas las matrices
1 0 2 4 5 7
A = 3 1 0 , B = −7 8 0 .
0 4 −1 1 1 1
Hallar
Matriz nula
Una matriz A ∈ Mm×n (K) se dice que es nula si todos sus elementos son ceros. Es
decir, ∀ aij ∈ A, aij = 0. Normalmente se denota simplemente por 0.
Ejemplo
Las matrices
0 0 0 0
0 0 0 0 0 0 0
A = 0 0 0, B =
0
0 0 0
0 0 0
0 0 0 0
Son matrices nulas.
Matrices
Algunos tipos de Matrices
Matriz Cuadrada
Una matriz A se dice que es cuadrada de orden n, si el número de filas es igual al
número de columnas. El conjunto formado por todas las matrices cuadradas lo
denotamos por Mn (K) con n ∈ Z+ . Para decir que A es una matriz cuadrada o que
A pertenece al conjunto de las matrices cuadradas lo escriberemos como A ∈ Mn (K).
Ejemplo
1 0
La matriz A = ∈ M2 (R)
0 1
es una matriz cuadrada de orden 2
Ejemplo
1 1 0 0
0 1 0 0
La matriz B = ∈ M4 (R), es una matriz cuadrada de orden 4.
0 0 1 1
0 0 1 1
Matrices
Diagonal principal de un matriz cuadrada
Dada una matriz A ∈ Mn (K) los elementos aij para los que i = j (a11 , a22 , ...ann )
conforman la Diagonal principal de A.
Matriz Idéntica
Denotamos la matriz identidad por I, con I ∈ Mn (K). Esta es una matriz cuyos
elementos en la diagonal principal son unos y, fuera de la diagonal principal son ceros.
Esto es,
(
1 si i = j
aij = , ∀ aij ∈ I.
0 si i 6= j
Ejemplo
La matriz A es una matriz idéntica, puesto que en las posiciones donde i = j
(diagonal principal) hay unos y en las posiciones donde i 6= j hay ceros.
a11 a12 a13 a14 1 0 0 0
a21 a22 a23 a24 0 1 0 0
A= a31 a32 a33 a34 = 0 0 1 0 = I
Matriz Diagonal
Es una matriz cuadrada en la que los elementos que no están dentro de la diagonal
principal son ceros.
Ejemplo
3 0 0 0
1 0 0 5 0 0
0 −11 0 0, B = 0
A=
0 1 0, C = 0 5 0
0 4 0
0 0 1 0 0 5
0 0 0 7
Las anteriores son matrices diagonales. La matriz idéntica es una matriz diagonal, pero
no toda matriz diagonal es una matriz identidad.
Matrices
Algunos tipos de Matrices
Ejemplo
17 19 23
B = 29 5 73 −→ T r(B) = 17 + 5 + 2 = 24
−67 45 2
Matrices
Ejercicios
Ejercicio 1
Calcular la traza de las siguientes matrices.
−5 4 300 8
k 0 1
− 12
4 51 7 cos ψ sin ψ
A= , B = , C = 0 1 0
10 9 11 24 − sin ψ cos ψ
0 0 k
36 21 40 −8
Matrices
Algunos tipos de Matrices
Matriz Escalar
Una matriz escalar es una matriz diagonal en la que los elementos de la diagonal
principal son iguales y, fuera de su diagonal son ceros. Es decir,
(
k si i = j
aij =
0 si i 6= j
Ejemplo
0 0 0 5 0 0 k 0 0
A = 0 0 0, B = 0 5 0, C = 0 k 0
0 0 0 0 0 5 0 0 k
Matriz Transpuesta
Sea A ∈ Mm×n (K), la matriz transpuesta de A denotada por At es una matriz
A ∈ Mn×m (K) obtenida al intercambiar las filas por las columnas de A o viceversa.
Ejemplo
4 1
4 3 2 t
A= −→ A = 3 −1
1 −1 0
2 0
−1 11 2 −1 7 17
B= 7 13 5 −→ B t = 11 13 47
17 47 31 2 45 31
Nótese que en este caso la traza de la matriz B permanece invariante. Esto se cumple
siempre que la matriz a transponer sea una matriz cuadrada.
Matrices
Algunos tipos de Matrices
Ejercicio 1
Sean las matrices
6 17
11 1 −2
A= , B = 72 1 .
9 5 6
1 0
Calcular.
Matriz Simétrica
Sea A ∈ Mn (K), se dice que A es simétrica si se cumple que A = At , esto implica
que ∀ aij , aji ∈ A, aij = aji .
Ejemplo
La matriz
2 0 1
A = 0 2 0
1 0 2
Es una matriz simétrica puesto que,
2 0 1
t
A = 0 2 0
1 0 2
Por lo tanto A = At
Matrices
Algunos tipos de matrices
A + At
será una matriz simétrica.
Ejemplo
2 10
En el ejemplo anterior se decı́a que la matriz A = 0 2
0 era una matriz
1 20
1 0 1
simétrica, esta matriz se obtuvo de sumar a la matriz B = 0 1 0 su respectiva
0 0 1
matriz transpuesta. (comprobarlo)
Matrices
Algunos tipos de Matrices
Matriz Antisimétrica
Sea A ∈ Mn (K), se dice que A es Antisimétrica si A = −At . Donde −At = (−1)At .
Es decir, ∀ aij , aji ∈ A, aij = −aji .
Ejemplo
La matriz
0 −7
A=
7 0
Es una matriz antisimétrica puesto que A = −At .
La matriz
0 1 −3
B = −1 0 3
3 −3 0
Es una matriz antisimétrica puesto que A = −At
Matrices
Algunos tipos de Matrices
Ejemplo
0 1 −3
En el ejemplo anterior se decı́a que la matriz B = −1 0 3 era una matriz
3 −3 0
2 1 0
antisimétrica, esta se obtuvo de restar a la matriz A = 0 4 1 su respectiva
3 −2 1
matriz transpuesta. (Comprobarlo).
Matrices
Potencias de una matriz
Ap = A · A...A
| {z }
p f actores
Matriz Involutiva
Una matriz A ∈ Mn (K) se dice que es involutiva si al multiplicarse por si misma su
producto es la matriz identidad. Es decir, A es involutiva si A2 = A · A = I.
Ejemplo
La matriz
0 1 −1
A = 4 −3 4
3 −3 4
es una matriz involutiva ya que,
0 1 −1 0 1 −1 1 0 0
A2 = 4 −3 4 · 4 −3 4 = 0 1 0
3 −3 4 3 −3 4 0 0 1
Matrices
Algunos tipos de Matrices
Matriz Idempotente
Sea A ∈ Mn (K). Se dice que A es idempotente si, A2 = A · A = A. Ademas si A es
idempotente At también lo es.
Ejemplo
La matriz
2 −3 −5
A = −1 4 5
1 −3 −4
es idempotente ya que,
2 −3 −5 2 −3 −5 2 −3 −5
2
A = −1 4 5 · −1 4 5 = −1 4 5
1 −3 −4 1 −3 −4 1 −3 −4
Matriz Ortogonal
Sea A ∈ Mn (K), A es ortogonal si el producto de si misma por su matriz transpuesta
es la matriz identidad. Es decir, Si A · At = At · A = I entonces A es ortogonal.
Ejemplo
Las matrices
0 −1 cos α − sin α
A= , B=
1 0 sin α cos α
Son matrices ortogonales pues,
0 −1 0 1 1 0
A · At = · =
1 0 −1 0 0 1
cos α − sin α cos α sin α 1 0
B · Bt · =
sin α cos α − sin α cos α 0 1
Matrices
Algunos tipos de Matrices
Matriz Triangular
Una matriz triangular es una matriz A ∈ Mn (K) cuyos elementos por encima o por
debajo de la diagonal principal son ceros. En general tienen la forma.
Ejemplo
Las siguientes son matrices triangulares
1
3 3
4 4
1 3 −2 1 0 0 0 −3 5 5
A = 0 5 6 , B = 0 5 0 , C =
0 1
0 5
0 0 7 10 11 5 2
0 0 0 3
Sistema de Ecuaciones Lineales
Ecuación Lineal
Una ecuación lineal en las variables x1 , x2 , ..., xn se puede escribir de la forma,
a1 x1 + a2 x2 + ... + an xn = b
Las ecuaciones √
4x1 − 5x2 + 2 = x1 , x2 = 2( 6 − x1 ) + x3
Son ecuaciones lineales ya que, reescribiendo obtenemos,
√
3x1 − 5x2 = −2, 2x1 + x2 − x3 = 2 6
Sistema de Ecuaciones Lineales
Definición
Un sistema de ecuaciones lineales (o sistema lineal) es un conjunto de tamaño
m × n, con m ecuaciones lineales que poseen las mismas n variables x1 , x2 , ..., xn . En
general, un S.L es de la forma,
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x2 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bn
Ejemplo
El siguiente
4x1 + 3x2 = 18
5x1 − 6x2 = 3
Se dice que un sistema es consistente cuando existe una única o infinitas soluciones y
un sistema es inconsistente cuando no tiene solución.
Sistema de Ecuaciones Lineales
Ejemplo
El sistema
4x1 + 3x2 = 18
5x1 − 6x2 = 3
4(3) + 3(2) = 18
18 = 18
5(3) − 6(2) = 3
3=3
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Notación Matricial
Todo sistema lineal de ecuaciones se puede escribir de formal matricial como
AX = B. Es decir, dado un sistema de ecuaciones
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x2 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bn
Clasificación de un sistema AX = B
Un sistema AX = B se clasifica en:
• Homogéneo si B = 0, es decir, AX = 0. La solución de este sistema lineal es
única o de infinitas soluciones.
• Heterogéneo si B 6= 0, es decir, AX = B. En este caso la solución del sistema
puede ser única, de infinitas soluciones o puede no tener solución.
Ejemplo
El sistema
x + y + z = 12
2x − y + z = 7
x + 2y − z = 6
1 1 1 x 12
2 −1 1 y = 7
1 2 −1 z 6
además es un sistema heterogéneo.
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Ejemplo
La matriz ampliada del sistema anterior
x + y + z = 12
2x − y + z = 7
x + 2y − z = 6
serı́a
1 1 1 12
2 −1 1 7
1 2 −1 6
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Aplicar cualquiera de estas operaciones a una matriz dará como resultado una matriz
equivalente. Para decir que dos matrices A, B son equivalentes, escribimos A ∼ B.
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Ejemplo
Escalamiento
4 8 12 12 1 2 3 3
2 −1 1 7 ∼ 2 −1 1 7
1 2 −1 6 1 (f 1 2 −1 6
4 1 )→f1
Intercambio
− 13
0 4 8 7 −1 0 6
1 2 −3 5 ∼ 1 2 −3 5
7 −1 0 6 0 4 − 13 8
f 1 ↔f3
Remplazo
1 1 1 12 1 1 1 12
2 −1 1 7 ∼ 2 −1 1 7
1 2 −1 6 −2(f
0 −5 3 −5
3 )+f2 →f3
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
1. Si hay filas cuyos elementos son todos ceros, estas aparecen en la parte inferior de
la matriz.
2. Si en una fila no todos los elementos son cero, el primer numero diferente de cero
(empezando por la izquierda) es 1.
3. Si dos filas sucesivas tienen elementos distintos de cero, entonces el primer 1 en
la fila de abajo esta más hacia la derecha que el primer 1 en la fila de arriba.
4. Cualquier columna que contiene el primer 1 en una fila tiene cero en el resto de
sus elementos.
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Ejemplo
Las siguientes matrices están en la forma escalonada reducida
0 1 0
1 0 1 0 1 0 0 0
0 1 0 0 0 0 1
0 1 0 0
0 0 0
0 0 0 1 0 0 0 1
0 0 0
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Ejemplo
1 2 3
0 1 2 1 0 2 5
1 5
0 1 0 0 1 2
0 0 1
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Ejercicio
Solucionar aplicando eliminación Gaussiana el sistema
x + 2y = 3
4x + 2y = 0
12
Luego y = 7
y aplicando la sustitución regresiva obtenemos que x = − 73 .
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
x − 3y + 2z = −3
5x + 6y − z = 13
4x − y + 3z = 8
Solución:
1 −3 2 −3 1 −3 2 −3
5 6 −1 13 ∼ 5 6 −1 13
4 −1 3 8 −4f
0 11 −5 20
1 +f3 →f3 −5f 1 +f2 →f2
1 −3 2 −3 1 −3 2 −3
∼ 0 21 −11 28 ∼ 0 1 − 11
21
4
3
0 11 −5 20 1 f →f 0 11 −5 20 −11f2 +f3 →f3
21 2 2
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
−3 −3
1 2
1 −3 2 −3
∼ 0
1 − 11
21
4
3
∼ 0 1 − 11 4
21 3
0 0 16 16 0 0 1 7
21 3 21 f →f
16 3 3
−2x + 2y = 1
2x − y + z = 3
x + 3y + z = 2
Solución:
−2 2 0 1 −2 2 0 1
2 −1 1 3 ∼ 0 1 1 4
1 3 4 2 f1 + f2 → f2 0 8 8 5 − 1 f1 → f1
2
2f3 + f1 → f1 1f → f
8 3 3
− 12 − 12
1 −1 0 1 −1 0
∼ 0 1 1 4 ∼ 0 1 1 4
5
0 1 1 8 −f2 +f3 →f3
0 0 0 − 27
8
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
27
Pero de la ultima fila obtenemos que 0 = − (Contradicción), por lo tanto el
8
sistema no tiene solución.
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Método de Gauss-Jordan
El método de Gauss transforma la matriz de coeficientes en una matriz escalonada. El
método de Gauss-Jordan continúa el proceso de transformación hasta obtener una
matriz diagonal (escalonada reducida). Es decir, dada una matriz (A|b) obtenemos
(C|d) donde C es escalonada. Luego, obtenemos (E|f ), donde E es una matriz
escalonada reducida y f serán las soluciones del sistema (si las hay).
x+y =4
x−y =4
2 0 8 1 0 4
∼ 1 (f ) → f ∼
0 −2 0 2 1 1 0 1 0
− 1 (f2 ) → f2
2
1 −2 1 0 1 −2 1 0
∼ 0 1 −4 4 ∼ 0 1 0 16
0 0 1 3 0 0 1 3
4f 3 +f2 →f2 −f 3 +f1 →f1
1 −2 0 −3 1 0 0 29
∼ 0 1 0 16 ∼ 0 1 0 16
0 0 1 3 0 0 1 3
2f 2 +f1 →f1
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
Solución:
1 3 −4 −1 1 3 −4 −1
2 −1 3 4 ∼ 0 −7 11 6
3 2 −1 3 −2f1 + f2 → f2 0 −7 11 6 −f
−3f1 + f3 → f3 2 +f3 →f3
1 3 −4 −1 1 3 −4 −1
∼ 0 −7 11 6 ∼ 0 1 − 11
7
−76
0 0 0 0 −1f →f2
0 0 0 0 −3f
7 2 2 +f1 →f1
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
5 11 5 11
1 0 7 7 x + 0 + 7 z = 7
− 11 − 67 ⇒ 0 + y − 7 z = − 67
11
0 1 7
0 0 0 0
0+0+0=0
Despejando x, y en el sistema resultante obtenemos.
11
x= 7
− 57 z
y= − 76 + 11
7
z
3x − 2y + 3z = 5
2x + 4y − z = 2
Solución:
3 −2 3 5 3 −2 3 5
∼ 9 1f
2 4 −1 2 −3 f +f1 →f2
20 −8 2
2 3 1→f1
2 2
− 1 f2 → f2
8
! !
1 − 23 1 5
3
1 0 5
8
3
2
∼ 9
∼
0 1 − 16 − 41 2 f +f →f 0 1 9
− 16 − 14
3 2 1 1
Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales
(
x + 58 z = 32
De la matriz escalonada anterior obtenemos el sistema 9 , del cual
y − 16 z = − 14
despejamos x, y. Entonces,
3 5 1 9
x= − z y=− + z
2 8 4 16
Es decir, el sistema tiene infinitas soluciones ya que, para cada valor de t habrá un
valor para x, y y z.
Solución de un sistema de ecuaciones lineales
Ejercicios
Ejercicio 1
Resolver los siguientes sistemas lineales usando el método Gauss-Jordan
a−b = −6
2x + 3y + z =1 3x + 2y + 4z =1
b+c =3
3x − 2y − 4z = 3 , 5x − y − 3z = −7 ,
c + 2d =4
5x − y − z =4 4x + 3y + z =4
2a − 3d =5
Ejercicio 2
Determine el valor de λ para el cual el sistema lineal tiene
2x + y = 6
x + λy = 4
Determinantes
Matrices de orden inferior
Ejemplo
Sea
5 −1
A=
4 7
Entonces,
= 35 + 4
|A| = 39
Determinantes
Matrices de orden inferior
Sea
a11 a12 a13
A = a21 a22 a23
a31 a32 a33
entonces
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a13 a22 a31 − a23 a32 a11 − a33 a12 a21
Determinantes
Matrices de orden inferior
Ejemplo
1 −4 3
Calcular el determinante de la matriz A = 5 6 −2 .
4 1 −1
Entonces
1 −4 3
|A| = 5 6 −2
4 1 −1
|A| = −6 + 15 + 32 − 72 + 2 − 20
|A| = −49
Determinantes
Singularidad de una matriz
Ejercicio 1
Calcular el determinante de las matrices
−1 2 6 8 1 0
−3 −1
A= , B= 3 4 5 , C = 3 −1 −1
5 −2
3 1 −2 1 3 −4
Determinantes
Menor, cofactor y adjunta de una matriz
Ejemplo
1 −3 0
Sea la matriz A = 4 2 1, calcular M11 y M32 .
−1 0 4
Solución:
2 1
M11 = = (2)(4) − (0)(1) = 8
0 4
1 0
M32 = = (1)(1) − (4)(0) = 1
4 1
Determinantes
Menor, cofactor y adjunta de una matriz
Cofactor
Sea A ∈ Mn (K) , el cofactor ij del elemento aij denotado por Aij será
Ejemplo
1 4 −1
Dada la matriz A = −1 3 2 , calcular los cofactores A12 , A22 .
2 2 0
Entonces:
−1 2
A12 = (−1)1+2 · = (−1)3 · (−4) = 4
2 0
1 −1
A22 = (−1)2+2 · = (−1)4 · (2) = 2
2 0
Nota: A partir de los cofactores obtenidos de una matriz A se puede obtener una
matriz cof (A) = (Aij ) a la que llamamos matriz de cofactores.
Determinantes
Menor, cofactor y adjunta de una matriz
Ejemplo
5 −1 1
Sea A = 2 −3 1, calcular adj(A).
0 0 4
−12 −8 0
Solución: Primero hallamos cof (A). Puesto que, cof (A) = 4 20 0
2 −3 −13
−12 4 2
Entonces adj(A) = (cof (A))t , por lo tanto. adj(A) = −8 20 −3 .
0 0 −13
Determinantes
Menor, cofactor y adjunta de una matriz
Ejemplo !
5
− 27
2 4 14
Si A = entonces A−1 = puesto que,
−1 5 1 1
14 7
5
! !
− 27 5
+ 27 − 74 + 4
−1 2 4 14 7 7 1 0
A·A = · = =
−1 5 1 1 5
− 14 + 145 2
+ 5 0 1
14 7 7 7
5 2 10 10
!
5
− 27 + −
2 4 1 0
A−1 · A = 14
1 1 · = 7 7 7 7
=
14 7
−1 5 1
− 1 2
+ 5 0 1
7 7 7 7
Matrices
Algunos tipos de matrices
1. A · B también es invertible
2. (A · B)−1 = A−1 · B −1
3. (A−1 )−1 = A
1
5. k · A es invertible, (k · A)−1 = · A−1 . con k ∈ K un número distinto de cero.
k
Algunos tipos de matrices
Ejercicios
Ejercicio 1
Sean
0 −2 1 1
A= , B=
1 5 1 2
y 5
1 2 −1
A−1 = 2 , B −1 =
− 21 0 −1 1
sus respectivas matrices inversas, calcular:
• (A · B)−1
• (B 2 )−1
• (5A)−1
• (B −1 )−1 · A
Matrices
Inversa de una matriz
Inversa de
una Matriz
de 2 × 2
a11 a12
Sea A = ∈ M2 (K). Si a11 a22 − a12 a21 6= 0 entonces:
a21 a22
1 a22 −a12
A−1 =
a11 a22 − a12 a21 −a21 a11
Ejemplo
3 1
CalcularA−1 de A = .
5 2
Matrices
Inversa de una matriz
Ejemplo
2 1
Hallar A−1 si A = .
4 3
Matrices
Inversa de una matriz
Solución
Escribimos la matriz ampliada (A|I) para obtener (I|A−1 ).
2 1 1 0 2 1 1 0
∼
4 3 0 1 −2f +f →f 0 1 −2 1 −f
1 2 2 1 +f2 →f1
3
− 12
−2 0 −3 1 1 0
∼ ∼ 2
0 1 −2 1 −1 f →f1
0 1 −2 1
2 1
Por lo tanto
3
− 21
A−1 = 2
−2 1
Ejemplo
2 3 4
Calcular A−1 , si A = 4 3 2.
0 1 0
Solución:
2 3 4 1 0 0 2 3 4 1 0 0
4 3 2 0 1 0 ∼ 0 1 0 0 0 1
0 1 0 0 0 1 4 3 2 0 1 0
f 2 ↔f3 −2f 1 +f3 →f3
2 3 4 1 0 0 2 3 4 1 0 0
0 1 0 0 0 1 ∼ 0 1 0 0 0 1
1f → f
0 −3 −6 −2 1 0 0 0 −6 −2 1 3 2 2 2
3f 2 +f3 →f3
− 1 f3 → f3
6
Matrices
Inversa de una matriz
3 1 3
− 16 1
1 2
2 2
0 0 1 2
0 3
1
0 1 0 0 0 1 ∼ 0 1 0 0 0 1
1
0 0 1 3
− 16 − 21 −2f
0 0 1 1
3
− 16 − 12
3 +f1 →f1
− 16 1
− 21
1 0 0 3
−3 f +f1 ∼ 0 1 0 0 0 1
2 2 1
0 0 1 3
− 61 − 21
− 61 1
− 21
3
Por lo tanto A−1 = 0 0 1
1
3
− 16 − 21
Matrices
Inversa de una matriz
Método directo
Para este método utilizamos la definición de matriz inversa. La cual nos dice que
A · A−1 = A−1 · A = I. Es decir debe existir una matriz A−1 la cual desconocemos y
que se halla haciendo A−1 una matriz de incógnitas, Este método se ilustra en el
siguiente ejemplo.
Ejemplo
1 2
Calcular A−1 de A =
−1 5
Matrices
Inversa de una matriz
Solución
a b
A−1 = entonces,
c d
1 2 a b 1 0
· =
−1 5 c d 0 1
a + 2c b + 2d 1 0
=
−a + 5c −b + 5d 0 1
a + 2c = 1, b + 2d = 0
−a + 5c = 0, −b + 5d = 1
Método de la adjunta
Para hallar la inversa de una matriz cuadrada A por el método de la adjunta se debe
multiplicar el inverso de su determinante por la adjunta de A. Es decir,
1
A−1 = · adj(A); |A| 6= 0
|A|
Ejemplo
9 0 0
Calcular A−1 , si A = 3 4 5
6 7 1
−31 0 0
Puesto que |A| = −279 y, adj(A) = 27 9 −45, entonces
−3 −63 36
1
0 0
−31 0 0 9
1
A−1
3 1 5
=− · 27 9 −45 =
− 31 − 31 31
279 −3 −63 36 1 7 4
93 31
− 31
Inversa de una matriz
Ejercicios
Ejercicio 1
Calcular la inversa de las siguientes matrices
−4 0 −6
5 4
A= , B= 0 3 0 .
6 5
−1 0 5
Ejercicio 2
Verificar si son invertibles o no las siguientes matrices
1 2 −3 3 5 4
A = 2 3 5 , B = 2 −1 6
3 5 2 3 5 3
Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales
ax + by = e
cx + dy = f
Se representa matricialmente
a b x e
=
c d y f
Luego
e b a e
f d ed − bf c f af − ec a b
x= = ; y= = ,
c 6= 0.
a b ad − bc a b ad − bc d
c d c d
Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales
Ejemplo
Resuelva utilizando la regla de cramer.
3x + y = 9
2x + 3y = 13
Solución:
3 1 x 9
=
2 3 y 13
9 1 3 9
13 3 14 2 13 21
x= = = 2; y= = =3
3 1
7 3 1
7
2 3 2 3
Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales
ax + by + cz = j
dx + ey + f z = k
gx + hy + iz = l
Represente matricialmente:
a b c x j
d e f y = k
g h i z l
Luego:
j b c a j c a b j
k e f d k f d e k
l
a b c
h i g l i g h l
x= ; y= ; z= , d e f 6= 0
a b c a b c a b c
g
h i
d e f d e f d e f
g h i g h i g h i
Vectores
Definición
Dados dos puntos A, B en Rn , el segmento de recta dirigido, que tiene como punto
#
inicial A y punto final B denotado por AB se entenderá como el vector que va de A
hacia B. Además el vector
#
AB = B − A = u
Un vector u es una n-upla ordenada u = (a1 , a2 , ..., an ) ∈ Rn , donde los números
a1 , a2 , ..., an son las componentes del vector.
Vectores
Igualdad entre vectores
u = v ⇔ a1 = b1 , a2 = b2 , ..., an = bn
Es decir, dos vectores serán iguales si cada una de sus componentes respectivamente
son iguales.
Ejemplo
Sean los vectores
u = (2, 3, 4), v = (2, 3, 4);
u=v
Dados los vectores
u = (2, 1), v = (1, 2)
u 6= v
Vectores
Operaciones con vectores
Suma
Sean los vectores u = (a1 , a2 , ..., an ), v = (b1 , b2 , ..., bn ).
u + v = (a1 + b1 , a2 + b2 , ..., an + bn )
Ejemplo
Calcular u + v, si u = (−3, 0, 2, 5) y v = (1, −1, 4, −2).
Ejemplo
Calcular λ · u, si λ = −2 y u = (5, −3, 4, 0, 1, 1).
• Suma:
• u + v ∈ Rn
• u+v=v+u
• u + (v + w) = (u + v) + w
• Existe un único elemento 0 ∈ Rn (vector nulo). Tal que,
u+0=0+u=u
• Para todo u ∈ Rn existe un único elemento −u. Tal que,
u + (−u) = (−u) + u = 0
• Producto por escalares:
• α1 · u ∈ Rn .
• 1 · u = u.
• (α1 · α2 ) · u = α1 · (α2 · u)
• α1 · (u + v) = (α1 · u) + (α1 · v)
• (α1 + α2 ) · u = (α1 · u) + (α2 · u)
Vectores
Operaciones con vectores
Producto punto
Sean u = (a1 , a2 , ..., an ), v = (b1 , b2 , ..., bn ) ∈ Rn . El producto punto (·) es un
número real el cual corresponde a la sumatoria del producto componente a
componente.
= (a1 b1 + a2 b2 + ... + an bn )
Ejemplo
(1, 1, 1) · (2, 1, 0) = 2 + 1 + 0 = 3
Vectores
Norma de un vector
Sea u = (a1 , a2 , ..., an) ∈ Rn . La norma de u denotada por ||u||, se define como:
v
q u n
uX
||u|| = a21 + a22 , ..., a2n =t a2 i
i=1
Propiedades
• || u || = 0 ⇔ u = 0
• ||u + v || ≤ ||u|| + ||v||; Desigualdad triangular.
Ejemplo
Sea u = 3, 12 , 1 .
s 2
1
||u|| = (3)2 + + (1)2
2
√
41
=
2
Vectores
Vectores Paralelos
Sean los vectores u, v ∈ Rn no nulos, los vectores son paralelos ukv si existe λ ∈ R tal
que
u=λ·v
Vectores
Ejemplo
Los vectores v1 = (3, 4) y v2 = (4, −3) son ortogonales pues, v1 · v2 = 0
Vectores
Vector Unitario
Sea v ∈ Rn , dicho vector se dice que es unitario si ||v|| = 1 . Si v 6= 0 y no es un
vector unitario, podemos encontrar un vector unitario u para v, el cual esta dado por:
v
u=
||v||
Vectores
Proyección de un vector
Proyección de un vector
Puede entenderse la proyección de un vector v sobre u como la longitud de la sombra
debida a v sobre la recta que contiene a u.
Ejemplo
Dados los vectores u = (2, 5, 1) y v = (3, −1, 1) encontrar la proyección de v sobre u.
u·v
Solución: puesto que p = ||u|| , entonces,
6−5+1
= p
(2)2 + (5)2 + (1)2
2
p = √
30
Vectores
Ejemplo
Sean u = (−1, 4, −2) y v = (−3, 1, −5); calcular u × v
i j k
u × v = −1 4 −2 = (−20 + 2)i − (5 − 6)j + (−1 + 12)k
−3 1 −5
= −18i + j + 11k
Ecuaciones de rectas y planos
Ecuaciones de la recta
R = P + t(v1 , v2 , v3 )
De aquı́ que,
x = x0 + tv1
y = y0 + tv2
z = z0 + tv3
Ecuaciones de rectas y planos
Ejemplo
Encuentre las ecuaciones vectorial, paramétrica y simétrica de la recta que pasa por
los puntos P = (1, 2, −3) y Q = (3, 4, −1).
#
Solución: sea P Q el vector que va de P a Q, entonces;
#
PQ = Q−P
Entonces
#
R = P + tP Q
De aquı́ que
x = 1 + 2t
y = 2 + 2t : Ec. param. de la recta
z = −3 + 2t
Luego, despejando t;
x−1 y−2 z+3
= = : Ec. sim. de la recta.
2 2 2
Ecuaciones de rectas y planos
Ejemplo
Determine las ecuaciones de la recta en el plano que pasa por el punto P = (2, −4),
en dirección (7i, πj).
Solución:
R = (2, 4) + t(7, π) : Ec. V ect. de la recta.
Luego, R = (x, y), entonces;
= (2 + 7t, 4 + πt)
Por lo tanto
x = 2 + 7t
: Ec. param. de la recta.
y = 4 + πt
Despejando t;
x−2 y−4
= : Ec. sim. de la recta.
7 π
Ecuaciones de rectas y planos
Planos
Sea M un plano en R3 , suponga que dicho plano pasa por un punto P0 (x0 , y0 , z0 ) y
es normal al vertor no nulo n = Ai + Bj + Ck. Además sea P (x, y, z) un punto en
#
R3 , P está en el plano si y solo si, P P0 = A(x − x0 )i + B(y − y0 )j + C(z − z0 )k es
perpendicular a n, es decir;
#
P P0 · n = 0
Luego, la ecuación del plano (Ecuación cartesiana) que pasa por P0 (x0 , y0 , z0 ) y es
perperdicular a n es
Ax + By + Cz + D = 0
Ejemplo
Hallar la ecuación del plano que pasa por los puntos P (1, 1, 1), Q(2, 0, 0) y R(1, 1, 0).
# # #
Solución: Hacemos n = QP × RP , donde QP = P − Q = (−1, 1, 1) y
#
RP = P − R = (0, 0, 1). Luego,
i j k
n = −1 1 1
0 0 1
= i + j + 0k
(x − 1) + (y − 1) = 0
x+y−2 = 0
Ecuaciones de rectas y planos
Ejemplo
x = 1 + 2t
Hallar dos planos cuya intersección es la recta y = 2 + 2t , −∞ < t < ∞
z = −3 + 2t
Subespacio
Sea W un subconjunto no vacio de un espacio vectorial real V, si para todo x, y ∈ W
y para todo α ∈ R se cumple:
1. 0 ∈ W
2. x + y ∈ W
3. α · x ∈ W
entonces W es un subespacio de V, lo cual denotamos por W ≤ V.
Ejemplo
Sea (R2 , +, ·) un espacio vectorial y W ⊂ R, donde W = {(x, x) : x ∈ R}, W ≤ R2 ,
ya que si x, y ∈ W ⇒ x + y = (a, a) + (b, b) = (a + b, a + b) ∈ W y si α ∈ R,
entonces, αx = α(a, a) = (αa, αa) ∈ W .
Espacios Vectoriales
Combinación Lineal
Decimos que x un elemento en un espacio vectorial real V es combinación lineal de un
subconjunto W = {x1 , x2 , ...xn } de V, si existen números a1 , a2 , ..., an ∈ R, tales que
n
X
x = a1 x1 + a2 x2 + ... + an xn = ai xi
i=1
Ejemplo
Sean v1 = (1, 1, 0), v2 = (0, 1, 1) y v3 = 12 , 1, −1 , el vector v = 21 , 2, 3 es una
combinación lineal de v1 , v2 y v3 .
Prueba: Para que v sea una combinación lineal de v1 , v2 y v3 deben existir escalares
a1 , a2 , a3 tal que v = a1 v1 + a2 v2 + a3 v3 , Luego;
1 1
a1 (1, 1, 0) + a2 (0, 1, 1) + a3 , 1, −1 = , 2, 3
2 2
1 1
(a1 , a1 , 0) + (0, a2 , a2 ) + a3 , a3 , −a3 = , 2, 3
2 2
1 1 1 1
1 0 2 2 1 0 2 2
1 3 1 3
∼ 0 1 ∼ 0 1
2 2 2 2
− 1 f3 + f1 → f1
0 0 − 32 3
2 −3 f →f3
0 1 1 −1 2
2 3 − 1 f3 + f 2 → f2
2
1 0 0 1
∼ 0 1 0 2 , entonces a1 = 1, a2 = 2 y a3 = −1, Luego,
0 0 1 −1
1 1
1(1, 1, 0) + 2(0, 1, 1) + (−1) , 1, −1 = , 2, 3
2 2
1 1
(1, 1, 0) + (0, 2, 2) + − , −1, 1 = , 2, 3
2 2
∴ v es combinación lineal de v1 , v2 , v3 .
Espacios Vectoriales
Ejemplo
Determinar si W = {(1, 1, 0), (0, 1, 1), (1, 1, 1)} es linealmente dependiente o
linealmente independiente.
Espacios Vectoriales
Generado de un Conjunto
Sea W = {x1 , x2 , ..., xn } un subconjunto de un espacio vectorial V. El conjunto
(Gen(W)) formado por todas las posibles combinaciones lineales de elementos en W
se denomina como el conjunto generado por W.
Ejemplo
Para S = {(1, 1, 0), (0, 1, 1), ( 12 , 1, −1)} el vector #
v = ( 21 , 2, 3) es un elemento de
Gen(S). #
v ∈ Gen(S) pues # v es una combinacion lineal de S.
Espacios Vectoriales
Conjunto Generador
Sean V un espacio vectorial sobre un cuerpo F y W ⊆ V , con W = {x1 , x2 , ..., xn },
W será un conjunto generador de V si todo elemento de V se puede escribir como
combinación lineal de W, es decir; Gen(W) = V.
Espacios Vectoriales
Base
Sean V un espacio vectorial sobre un cuerpo F y W = {x1 , x2 , ..., xn } un subconjunto
de V, W será una base para V si se cumple que:
• W es linealmente independiente.
• W genera a V.
Ejemplo
S1 = {1}, S2 = {3} y S3 = {7}, son bases de R, pues son lineamente independientes
y generan a R.
Espacios Vectoriales
Dimensión
Sea W = {x1 , x2 , ..., xn } una base de un espacio vectorial V, la dimensión de V
denotada por Dim(V) es el número de elementos de dicha base, es decir; si una base
tiene n elementos, entonces, Dim(V) = n.
Ejemplo
En R2 , Dim(R2 ) = 2, en R3 , Dim(R3 ) = 3, en general, la dimensión de Rn es igual
a n, es decir, Dim(Rn ) = n
Aplicación Lineal
Aplicación Lineal
Sean V, W espacios vectoriales sobre un cuerpo F, una aplicación T es una función
T : V → W que asocia a cada x1 ∈ V un único elemento x2 ∈ W, entonces x2 será la
imágen de x1 bajo T lo que escribimos como T(x1 ) = x2 .
Además T debe cumplir las siguientes propiedades:
• ∀ x, y ∈ V, T(x + y) = T(x) + T(y).
• ∀ x ∈ V y ∀ α ∈ F. T(α · x) = α · T(x).
Una aplicación lineal también es llamada a menudo transformación u operador lineal.
Ejemplo
Sea T : R2 → R3 , definida por
x+y
x
T = x − y
y
3y
Solución
x1 x2
Sean u = , v= ∈ R2 .
y1 y2
Primero debemos probar que T(u + v) = T(u) + T(v), entonces,
x1 x2
T(u + v) = T +
y1 y2
x1 + x1 + y1 + y2
x1 + x2
= T = x1 + x1 − y1 − y2
y1 + y2
3y1 + 3y2
x1 + y1 x2 + y2
= x1 + y1 + x2 + y2
3y1 3y2
x1 x2
= T +T
y1 y2
Por lo tanto T es una aplicación lineal, ya que se cumplen las dos propiedades que
queriamos.
Aplicación Lineal
Ker(T) := {x ∈ V : T(x) = 0}
Esto quiere decir que encontrar el Kenel o nucleo de una aplicación lineal es encontrar
los elementos en V cuyas imágenes bajo T son iguales a 0.
Ejemplo
Dada la aplicación lineal T : R2 → R3 definida por
x+y
x
T = x − y
y
3y
encontrar su Kernel.
Aplicación Lineal
Solución
0
x 0
T =
y
0
x+y 0
x − y = 0
3y 0
Autovalores y Autovectores
Sea A ∈ Mn (K). Diremos que un número λ es un autovalor o valor propio de A si
existe un vector:
u1 0
u2 0
u = . ∈ Mn×1 , u 6= .
.. ..
un 0
tal que Au = λu.
Ejemplo
1 1
Sea la matriz A = , se verifica que
0 2
1 1 1 1
=2
0 2 1 1
1
Por lo tanto 2 es un autovalor de A y es un autovector o Eigenvector asociado al
1
autovalor 2.
Valores y vectores propios
Cálculo de autovalores
Polinomio caracterı́stico
Para verificar que λ es un autovalor de una matriz A tenemos que |A − λI| = 0, donde
I es la matriz identidad de tamaño n. Para probar esto se siguen los siguiente pasos:
Au = λu
Au − λIu = 0
(A − λI)u = 0
Ejemplo
9 0 0
Hallar los autovalores y autovectores de la matriz A = 3 4 5
6 0 1
Valores y vectores propios
Cálculo de autovectores o Eigenvectores
Solución
Primero calculamos A − λI
9 0 0 1 0 0
A − λI = 3 4 5 − λ 0 1 0
6 0 1 0 0 1
9 0 0 λ 0 0
= 3 4 5 − 0 λ 0
6 0 1 0 0 λ
9−λ 0 0
A − λI = 3 4−λ 5
6 0 1−λ
Valores y vectores propios
Autovalores y Autovectores
De esa forma el polinomio caracterı́stico será p(λ) = −x3 + 14x2 − 49x + 36, por lo
tanto los autovalores de la matriz A son λ1 = 1, λ2 = 4 y λ3 = 9.
x
Ahora para cada autovalor hallamos los autovectores correspondientes. Sea u = y
z
Para λ = 1 tenemos,
8 0 0
A − λI = 3 3 5
6 0 0
Valores y vectores propios
Autovalores y Autovectores
Entonces
8 0 0 x 0
(A − λI)u = 3 3 5 y = 0
6 0 0 z 0
8 0 0 0
= 3 3 5 0
6 0 0 0
x 0
5
Por lo tanto y = − 3 t , t ∈ R son los vectores asociados a λ = 1.
z t
Valores y vectores propios
Autovalores y Autovectores
Para λ = 4
5 0 0
A − λI = 3 0 5
6 0 −3
Luego,
5 0 0 x 0
(A − λI)u = 3 0 5 y = 0
6 0 −3 z 0
Solucionando el sitema obtenemos el nuevo sistema
x = 0
y=t , t∈R
z=0
x 0
Por lo tanto los autovectores asociados al autovalor λ = 4 son, y = t , t ∈ R.
z 0
Valores y vectores propios
Autovalores y Autovectores
Para λ = 9
0 0 0
A − λI = 3 −5 5
6 0 −8
Luego,
0 0 0 x 0
(A − λI)u = 3 −5 5 y = 0
6 0 −8 z 0
Solucionando el sitema obtenemos el nuevo sistema
x = t
y = 35 t , t ∈ R
z=0
Por
lo tanto
los autovectores asociados al autovalor λ = 9 son,
x t
y = 3 t , t ∈ R.
5
z 0
Friedberg, Insel, Spence. Álgebra Lineal, primera edición. Illinois State University,
México.
David C. Lay. Linear Algebra and Applications 4a Edtion. Pearson Education,
México,2012.
Lucı́a Contreras Caballero. Curso de Álgebra Lineal (séptima versión).
Universidad Autónoma de Madrid. 2012.
Bernardo acevedo. Álgebra Lineal. Universidad Nacional de Colombia. 2014.
2
Editing by Olaya Polo Heriberto, olayapolo07@gmail.com.