Diapositiva Algebra Lineal Segundo Semestre

Álgebra Lineal
Un primer curso
Luis Pinedo S.
Universidad del Magdalena
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.
Normalmente para hacer referencia a que A es una matriz o que A pertenece al

conjunto de matrices, se escribe de la siguiente forma.
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.
cij = (aij ) + (bij ) = (aij + bij )
En otras palabras los elementos de la matriz C se obtiene de sumar los elementos de

A y de B que ocupan la misma posición.
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.
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
Propiedades de la Suma
Sean A, B y C ∈ Mm×n (K). Entonces.
• Propiedad de clausura o cierre: A + B ∈ Mm×n (K).

• Propiedad conmutativa: A + B = B + A.
• Propiedad asociativa: A + (B + C) = (A + B) + C
• Elemento neutro: Existe un único elemento 0 ∈ Mm×n (K) (matriz nula). Tal
que,
A+0=0+A=A
• Inverso aditivo: Para toda A ∈ Mm×n (K) existe un único elemento
−A ∈ Mm×n (K). Tal que,
A + (−A) = (−A) + A = 0
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
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
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:
cij = (aij ) − (bij ) = (aij − bij ), aij ∈ A, bij ∈ B.
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
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
Multiplicación de una matriz por un número
Sea A ∈ Mm×n (K) y α un número en K. El producto α · A corresponde a multiplicar

cada elemento aij de A por dicho número α. Es decir.
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
Nota: Puede verse la resta de matrices también de la forma
A − B = A + (−1)B
Propiedades de la multiplicación de una matriz por un número
Sean α y β ∈ K y A, B ∈ Mm×n (K). Entonces,
• 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)
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
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.
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
Nótese que el elemento c11 de la matriz C es el resultado de la sumatoria del producto

de los elementos de la fila 1 de A por los elementos de la columna 1 de B. De esta
forma se procede para obtener cada uno de los elementos cij de la nueva matriz C
Algunas propiedades de la Multiplicación de matrices
Sean A, B, C ∈ Mm×n (K). Entonces,
• A(BC) = (AB)C. Si es posible realizar la multiplicación (Asociatividad )

• A·I =I ·A=A (Elemento neutro)
• A(B + C) = AB + AC (Distributividad)
• A·0=0·A=0 (Anulatividad)
Ejercicios
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
(a) A · B (d) (A + B)2

(b) B · A (e) A2 − B
(c) (A − B)2 (f) B 2 − A
Matrices
Algunos tipos de Matrices
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
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.
a11 a12 a13 ··· a1n

 
 a21 a22 a23 ··· a2n 
A= .. .. .. ..
 

 . . . ··· . 
am1 am2 am3 ··· ann
Matrices
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
  
a41 a42 a43 a44 0 0 0 1

Matrices
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
Traza de una matriz

Sea A ∈ Mn (K), la traza de A denotada por T r(A) estará dada por la sumatoria de
los elementos ubicados en la diagonal principal de A. Es decir,
a11 a12 ··· a1n

 
 a21 a22 ··· a2n  Xn
A= . .. .. , Entonces, T r(A) = a11 + a22 + ... + ann = aii .
 
 .. ..
. . .  i=1
an1 an2 ··· ann
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
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
Son matrices escalares.

Matrices
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
Propiedades de la matriz transpuesta

Sean A, B ∈ Mm×n (K) y, α un número en K.
• (At )t = A
• (A + B)t = At + B t
• (A · B)t = At · B t
• (α · A)t = α · At .
Matrices
Ejercicios
Ejercicio 1
Sean las matrices  
6 17
11 1 −2
A= , B =  72 1 .
9 5 6
1 0
Calcular.
(a) (B t )t − At (c) A · At (e) −1(B t )
(b) (A + B t )t (d) (A · B)t

Matrices
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
¿Cómo obtener matrices simétricas?

Esta es una propiedad interesante de la matrices. Para obtener matrices simétricas
basta con sumar a una matriz cuadrada su respectiva matriz transpuesta. Es decir,
Sea A ∈ Mn (K),
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
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
¿Cómo obtener matrices Antisimétricas?

Si se tiene una matriz A ∈ Mn (K) al restar a esta su respectiva matriz transpuesta,
se obtiene una matriz antisimétrica. Es decir, A − At es una matriz antisimétrica.
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
Dada una matriz A ∈ Mn (K), Ap , con p ∈ N corresponde a multiplicar p veces la

matriz A.
Ap = A · A...A
| {z }
p f actores
Definimos A0 = I, y además se cumple que

• Ap · Aq = Ap+q
• (Ap )q = Ap·q
Puede verse también que
(AB)p 6= Ap B p
Matrices
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
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
Se deja como ejercicio probar que At también es una matriz idempotente.

Matrices
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
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.
a11 a12 ··· a1n a11 0 ··· 0

   
 0 a22 ··· a2n  a21 a22 ··· 0 
..  ..
   
  
 0 0 ··· .  a
31 a32 ··· . 
0 0 ··· ann a41 a42 ··· ann
Triangular superior Triangular Inferior
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
Donde b y los coeficientes a1 , a2 , ..., an son números reales o complejos.
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
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
es un sistema de ecuaciones lineales de 2 × 2 (dos ecuaciones, dos variables).

Solución de un sistema de ecuaciones lineales

Una solución de un sistema es una lista de números (s1 , s2 , ..., sn ) que da validez a
cada ecuación cuando reemplazamos dicha lista por las variables x1 , x2 , .., xn
respectivamente.
Se pueden presentar 3 casos diferentes en la solución de un sistema. Los cuales son:

• El sistema tiene una única solución.
• El sistema posee infinitas soluciones
• El sistema no tiene solución.
Se dice que un sistema es consistente cuando existe una única o infinitas soluciones y
un sistema es inconsistente cuando no tiene solución.
Ejemplo
El sistema
4x1 + 3x2 = 18
5x1 − 6x2 = 3
es un sistema consistente y tiene por solución el par ordenado (3, 2) es decir x1 = 3 y

x2 = 2 ya que,
4(3) + 3(2) = 18
18 = 18
5(3) − 6(2) = 3
3=3
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
este puede escribir se de la forma matricial como
a11 a12 ··· a1n x1 b1

     
 a21 a22 ··· a2n   x2   b2 
A= . .. ..  , X =  ..  , B =  .. 
     
 .. ..
. . .   .   . 
am1 am2 ··· amn xn bm
Donde A es la matriz de coeficientes, X es la matriz que contiene las variables del

sistema y B es la matriz de términos constantes.
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.
a11 ··· a1n x1 b1 a11 ··· a1n x1 0

         
 a21 ··· a2n   x2   b2   a21 ··· a2n   x2  0
 . ..   ..  =  ..   . ..   ..  =  .. 
         
 .. ..  .. ..
. .  .   .  . .   .  .
am1 ··· amn xn bm am1 ··· amn xn 0
Sistema Heterogéneo Sistema Homogéneo
Ejemplo
El sistema
x + y + z = 12
2x − y + z = 7
x + 2y − z = 6
puede escribirse como
    
1 1 1 x 12
2 −1 1  y  =  7 
1 2 −1 z 6
además es un sistema heterogéneo.
Matriz ampliada o aumentada

Para la solución de un sistema lineal de ecuaciones podemos escribir dicho sistema en
una matriz ampliada, una matriz ampliada es una matriz de coeficientes a la cual
añadimos la columna de términos constantes, esto es, (A|b). En general dado un
sistema 
 a11 x1 + a12 x2 + ... + a1n xn = b1
 a21 x2 + a22 x2 + ... + a2n xn = b2


..



 .
am1 x1 + am2 x2 + ... + amn xn = bn
la matriz ampliada será
a11 a12 ··· a1n b1

 
 a21 a22 ··· a2n b2 
.. .. .. ..
 
 .. 
 . . . . . 
am1 am2 ··· amn bn
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
Operaciones elementales de fila

Dada una matriz ampliada de un sistema AX = B podemos realizar las siguientes
operaciones:
• Escalamiento: Multiplicar todos los elementos de una fila por un numero

diferente de cero.
• Intercambio: Intercambiar dos filas.
• Remplazo: Sustituir una fila por el producto de una fila por un numero diferente
de cero mas otra fila.
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.
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
Forma escalonada reducida de una matriz

Sea A ∈ Mm×n (K) se dice que A esta en la forma escalonada reducida por filas si
cumple que:
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.
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
Forma escalonada de una matriz

Una matriz se dice que esta en la forma escalonada si cumple con las propiedades 1,2
y 3 de la forma escalonada reducida de una matriz.
Nótese que en lo único que difiere la forma escalonada de la forma escalonada
reducida, es que en la forma escalonada en una columna donde esta el primer 1 de una
fila donde no todos los elementos son cero, puede tener por encima números distintos
de cero.
Ejemplo
 
1 2 3
0 1 2 1 0 2 5
1 5
0 1 0 0 1 2
0 0 1
Solución de un sistema AX = B por el método de eliminación Gaussiana

Dado un sistema AX = B la eliminación Gaussiana consiste en transformar la matriz
(A|b) por medio de operaciones elementales de fila en una matriz (C|d) donde C es
una matriz escalonada por filas. luego, se realiza una sustitución regresiva (de abajo
hacia arriba) despejando las incógnitas de cada fila.
(A|b) ∼∼∼ ... ∼ (C|d)

Ejercicio
Solucionar aplicando eliminación Gaussiana el sistema
x + 2y = 3
4x + 2y = 0
Primero escribimos la matriz ampliada del sistema y procedemos a aplicar operaciones

elementales de fila para obtener la matriz de forma escalonada.

1 2 3 1 2 3 1 2 3
∼ ∼ 12
4 1 0 −4f +f →f 0 −7 −12 − 1 f →f 0 1 7
1 2 2 7 2 2
De esta matriz escalonada nos queda que

x + 2y = 3
0 + y = 12
7
12
Luego y = 7
y aplicando la sustitución regresiva obtenemos que x = − 73 .
Ejemplo (sistema con única solución) H

Solucionar aplicando eliminación Gaussiana el sistema lineal
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
−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
De la matriz escalonada tenemos el sistema


 x − 3y + 2z = −3
11
0 + y − 21 z = 43
0+0+z =7

luego z = 7. Aplicando la sustitución regresiva obtenemos que y = 5 y x = −2.

Ejemplo (Sistema inconsistente)H

Resolver aplicando eliminación Gaussiana el sistema lineal
−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
De la matriz escalonada obtenemos el sistema


1
x − y + 0 = − 2

0+y+z =4
0 + 0 + 0 = − 27


8
27
Pero de la ultima fila obtenemos que 0 = − (Contradicción), por lo tanto el
8
sistema no tiene solución.
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).
(A|b) ∼∼ ... ∼ (C|d) ∼∼ ... ∼ (E|f )

Ejemplo (Sistema con única solución)

Solucionar el sistema
x+y =4
x−y =4
Aplicando operaciones elementales de filas a la matriz ampliada obtenemos

1 1 4 1 1 4
∼
1 −1 4 −f +f →f 0 −2 0 2f +f →f
1 2 2 1 2 1

2 0 8 1 0 4
∼ 1 (f ) → f ∼
0 −2 0 2 1 1 0 1 0
− 1 (f2 ) → f2
2
Por lo tanto la solución del sistema es (4, 0) es decir, x = 4 y y = 0.

Ejemplo (Sistema con única solución)  

1 −2 1 0
Comprobar que la solución del sistema lineal  0 1 −4 4  es la tripla
−4 5 9 −9
(29, 16, 3).
   
1 −2 1 0 1 −2 1 0
 0 1 −4 4  ∼ 0 1 −4 4 
−4 5 9 −9 0 −3 13 −9
4f 1 +f3 →f3 3f 2 +f3 →f3
   
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
Ejemplo (Sistema con infinitas soluciones)H

Resolver aplicando el método de Gauss-Jordan el sistema lineal

x + 3y − 4z = 1

2x − y + 3z = 4

3x + 2y − z = 3

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
  
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
Como x, y dependen de z nuevamente hacemos z = t, t ∈ R, entonces el sistema tiene

infinitas soluciones y el conjunto solución será
11
x= 7
− 57 t
, t∈R
y = − 76 + 11
7
t
Ejemplo (sistema con infinitas soluciones) H

Resolver aplicando la eliminación Gaussiana el sistema
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
(
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
Como puede observarse x, y dependen de z, Si z = t donde t ∈ R, tenemos que


3 5
x = 2 − 8 t

1 9
y = − 4 + 16 t

z=t

Es decir, el sistema tiene infinitas soluciones ya que, para cada valor de t habrá un
valor para x, y y z.
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
• Solución única • No tiene solución

• Infinitas soluciones
2x + y = 6
x + λy = 4
Determinantes
Matrices de orden inferior
Determinantes (matrices de orden inferior)

Sea A ∈ Mn (K) podemos asignar a esta un k ∈ R, que llamaremos determinante de
A denotado por |A|.
Una matriz A ∈ Mn (K) de orden inferior es aquella para la que n = 1, 2 o 3. El

cálculo de su determinante se muestra a continuación.
Determinante de una matriz cuadrada de orden uno

En el caso de una matriz de orden 1 tenemos que esta matriz tiene solo un elemento
a11 por lo tanto |A| = a11
Por ejemplo: Siendo la matriz A = (8), entonces |A| = 8.

Determinantes
Determinante de una matriz cuadrada de orden 2

Para el cálculo del determinante de A ∈ M2 (K) se sigue la siguiente regla.
Si
a11 a12 a a12
A= , |A| = 11 = a11 a22 − a12 a21
a21 a22 a21 a22
Ejemplo
Sea
5 −1
A=
4 7
Entonces,
|A| = ((5) · (7)) − ((−1) · (4))
= 35 + 4
|A| = 39
Determinantes
Determinante de una matriz cuadrada de tamaño 3

Para calcular este determinante usamos la regla de Sarrus:
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
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
Sea A ∈ Mn (K), si |A| = 0, A se denomina matriz singular. En caso de que |A| 6= 0,

esta será una matriz no singular.
Determinantes
Ejercicios
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
Menor de una matriz

Dada una matriz A ∈ Mn (K) el menor ij denotado por Mij esta definido por el
determinante de la submatriz (n − 1) × (n − 1) obtenida al eliminar la i-ésima fila y la
j-ésima columna de A.
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
Cofactor
Sea A ∈ Mn (K) , el cofactor ij del elemento aij denotado por Aij será
Aij = (−1)i+j · Mij

De acuerdo con lo antrior obtener un cofactor corresponde simplemente a multiplicar
cada Mij por 1 si i + j es par y multiplicar por −1 a Mij si i + j es impar.
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
Adjunta de una matriz

Sea A ∈ Mn (K), la matriz adjunta de A denotada por adj(A) se define como la
transpuesta de la matriz de cofactores de A. Es decir,
adj(A) = (cof (A))t
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
Determinante de una matriz por el método de expansión de cofactores

Sea A ∈ Mn (K) con
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A= . .. .. 
 
 .. ..
. . . 
an1 an2 ··· ann
el determinante |A| de A se puede hallar empleando una fila o columna de la matriz A
y sumando el producto de cada término de dicha fila por su respectivo cofactor.
n
X
|A| = apk Apk
k=1
Supóngase que se toma la fila 1 de A, entonces:
|A| = a11 A11 + a12 A12 + ... + a1n A1n

Matrices
Matriz invertible o matriz no singular

Dada una matriz A ∈ Mn (K) se dice que A es invertible si es no singular, entonces
existe una matriz A−1 ∈ Mn (K) tal que A · A−1 = A−1 · A = I.
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
Propiedades de una matriz invertible

Sean A, B ∈ Mn (K) matrices invertibles, entonces,
1. A · B también es invertible
2. (A · B)−1 = A−1 · B −1
3. (A−1 )−1 = A
4. An es invertible y además (An )−1 = (A−1 )n Para n = 0, 1, 2...
1
5. k · A es invertible, (k · A)−1 = · A−1 . con k ∈ K un número distinto de cero.
k
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
Algunos métodos para hallar la inversa de una matriz (método de Gauss)

Sea A una matriz, para hallar su inversa se escribe la matriz ampliada (A|I) es decir,
a la matriz de coeficiente agregamos la matriz idéntica, de forma que, aplicando
operaciones elementales de fila la matriz A se transforma en la idéntica e I será A−1 .
(A|I) ∼∼ ... ∼∼ (I|A−1 )
Ejemplo
2 1
Hallar A−1 si A = .
4 3
Matrices
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
Comprobar que se cumple que A · A−1 = A−1 · A = I.

Matrices
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
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
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
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
Luego solucionamos el sistema
a + 2c = 1, b + 2d = 0
−a + 5c = 0, −b + 5d = 1
del cual obtenemos que a = 75 , b = − 72 , c = 1

7
yd= 1
7
, por lo tanto
5
!
− 27

a b
A−1 = = 71 1
.
c d
7 7
Matrices
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
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
Regla de Cramer para la Solución de sistemas de ecuaciones lineales
Regla de Cramer S.L. 2 × 2

Dado el sistema de ecuaciones:
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
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
Regla de Cramer S.L. 3 × 3

Dado el sistema de ecuaciones
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
Igualdad entre vectores

Sean los vectores u = (a1 , a2 , ..., an ) y v = (b1 , b2 , ..., bn ).
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).
u+v = (−3, 0, 2, 5) + (1, −1, 4, −2)
= ((−3) + 1, 0 + (−1), 2 + 4, 5 + (−2))
u+v = (−2, −1, 6, 3)

Vectores
Producto de un vector por un escalar

Sea el vector u = (a1 , a2 , ..., an ) y λ un número en R.
λ·u = λ · (a1 , a2 , ..., an )

= (λa1 , λa2 , ..., λan )
Ejemplo
Calcular λ · u, si λ = −2 y u = (5, −3, 4, 0, 1, 1).
λ·u = −3(5, −3, 4, 0, 1),
= (−15, 9, −12, 0, −3)

Vectores
Algunas propiedades
• 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
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.
u· v = (a1 , a2 , ..., an ) · (b1 , b2 , ..., bn )
= (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
Ángulo entre dos vectores
Sean u, v ∈ R2 con u, v 6= 0 y θ el ángulo entre dichos vectores, con 0 ≤ θ ≤ π.

u·v
θ = cos−1
||u|| · ||v||
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
Vectores Ortogonales o perpendiculares

Sean los vectores u, v ∈ Rn no nulos, dichos vectores son ortogonales u ⊥ v si se
cumple que:
u·v=0
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
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.
Sean u y v ∈ Rn , u, v6= 0. La proyección p de v sobre u esta dada por

u·v
p=
||u||
Vectores
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,
(2, 5, 1) · (3, −1, 1)

p =
||(2, 5, 1)||
6−5+1
= p
(2)2 + (5)2 + (1)2
2
p = √
30
Vectores
Producto Cruz o producto Vectorial
Sean los vectores u = (a1 , a2 , a3 ) y v = (b1 , b2 , b3 ) , el producto cruz o producto

vectorial denotado por u × v, será:

i j k

u × v = a1 a2 a3 = (a2 b3 − a3 b2 )i − (a1 b3 − a3 b1 )j + (a1 b2 − a2 b1 )k
b1 b2 b3
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
Sea L es una recta en R3 , sean P = (x0 , y0 , z0 ) y Q = (a, b, c) puntos sobre L, si

#
además el punto R = (x, y, z) están en la recta que contiene al vector P Q, entonces
# #
el vector P R es paralelo al vector director P Q; luego,
# #
PR = t · P Q; t∈R
#
R−P = t · PQ
#
Ec. vectorial de la recta : R = P + tP Q
Ecuaciones Paramétricas de la Recta #

Partiendo de la ecuación vectorial de la recta, donde P Q = (v1 , v2 , v3 ); Tenemos que:
R = P + t(v1 , v2 , v3 )
R = P + (tv1 , tv2 , tv3 )
(x, y, z) = (x0 , y0 , z0 ) + (tv1 , tv2 , tv3 )
(x, y, z) = (x0 + tv1 , y0 + tv2 , z0 + tv3 )
De aquı́ que, 
x = x0 + tv1 
y = y0 + tv2
z = z0 + tv3

Ecuación simétrica de la recta


x = x0 + tv1 
y = y0 + tv2
z = z0 + tv3

Si se cumple que para todo vi con i = 1, 2, 3, vi 6= 0. Entonces se procede a despejar t

en las ecuaciones paramétricas y de esa forma se obtiene la ecueción simetrica de la
recta.
x − x0 y − y0 z − z0
t= , t= , t=
v1 v2 v3
Entonces
x − x0 y − y0 z − z0
= =
v1 v2 v3
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
= (3, 4, −1) − (1, 2, −3)

#
PQ = (2, 2, 2)
Entonces
#
R = P + tP Q
R = (1, 2, −3) + t(2, 2, 2) : Ec. V ectorial de la recta

Ahora, si R = (x, y, z), entonces;
(x, y, z) = (1, 2, −3) + t(2, 2, 2)
= (1, 2, −3) + (2t, 2t, 2t)
(x, y, z) = (1 + 2t, 2 + 2t, −3 + 2t)
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
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;
(x, y) = (2, 4) + t(7, π)
= (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
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
A(x − x0 ) + B(y − y0 ) + C(z − z0 ) = 0
Y la ecuación cartesiana del plano simplificada es;
Ax + By + Cz + D = 0
Donde D = Ax0 + By0 + Cz0 .

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
Por definición n = Ai + Bj + Ck, de aqui que A = 1, B = 1 y C = 0. Por lo tanto la

ecuación que pasa por el punto P (1, 1, 1) es,
(x − 1) + (y − 1) = 0
x+y−2 = 0
Ejemplo 
x = 1 + 2t 
Hallar dos planos cuya intersección es la recta y = 2 + 2t , −∞ < t < ∞
z = −3 + 2t

Solución: Hallamos primeramente la ecuación simétrica de la recta.

x−1 y−2 z+3
= =
2 2 2
Luego
x−1 y−2 x−1 z+3
= ; =
2 2 2 2
Por lo tanto las ecuaciones de los planos son x − y + 1 = 0 y x − z − 4 = 0.
Espacios Vectoriales Reales
Un espacio vectorial real (o espacio lineal real) está conformado por:

1. El conjunto R de los reales.
2. Un conjunto V no vacio
3. Una operación interna llamada suma. tal que para cada x, y, z ∈ V se cumple:
• EV1. x + y ∈ V
• EV2. x + y = y + x
• EV3. (x + y) + z = x + (y + z)
• EV4. ∃ 0 ∈ V tal que, x + 0 = 0 + x = x
• EV5. ∀ x ∈ V, ∃ − x tal que, x + (−x) = (−x) + x = 0
4. Y una operación externa llamada multiplicación por escalares que asocia a cada
x en V un número α de R. Y se cumple que para cada x, y ∈ V y para cada
α1 , α2 en R:
• EV6. α1 · x ∈ V
• EV7. 1 · x = x
• EV8. (α1 · α2 ) · x = α1 · (α2 · x)
• EV9. α1 · (x + y) = (α1 · x) + (α1 · y)
• EV10. (α1 + α2 ) · x = (α1 · x) + (α2 · x)
Ejemplos
• El espacio de n−uplas Rn : El espacio n−dimensional Rn es un espacio vectorial
sobre R, si definimos la suma por componentes y el producto por escalares
habituales.
• El conjunto de matrices: El conjunto Mm×n (R) de todas las matrices de orden

m × n es un espacio vectorial sobre R con las operaciones de suma y producto
por un escalar habituales.
• Funciones sobre los reales: Sean S un conjunto no vacio y el conjunto R de los

reales. El conjunto F (S, R) de todas las funciones cuyo dominio es S y codominio
es R es un espacio lineal. Definiendo las operaciones interna y externa de la
siguiente manera. Sean f (x), g(x), h(x) ∈ F (S, R) y α, β escalares en R,
entonces:
f (x) + g(x) := (f + g)(x) = f (x) + g(x)

α · f (x) := (αf )(x) = α[f (x)]
Espacios Vectoriales
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 .
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
De donde ontenemos el sistema:

 1 1   1 1 
a1 0 c
2 3 2
1 0 2 2
 a
1 a2 a 3 2 → 1 1 1 2 
0 a2 −a3 3 0 1 −1 3
Procedemos ahora a encontrar la solución del sistema lineal resultante, entonces;
1 1 
 1 1 

1 0 1 0 2 2
2 2
 1 1 ∼ 0 1
 1 3 
1 2  2 2 
0 1 −1 3 −f1 +f2 →f2 0 1 −1 3 −f +f →f 2 3 3
 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 .
Dependencia e Independencia Lineal

Sea W = {x1 , x2 , ..., xn } un subconjunto de u espacio vectorial V. Si existen
escalares a1 , a2 , ..., an ∈ R no todos cero, tales que,
n
X
ai xi = a1 x1 + a2 x2 + ... + an xn = 0
i=1
se dice que W es linealmente dependiente.
En caso contrario, es decir si a1 , a2 , ..., an son todos cero y

n
X
ai xi = a1 x1 + a2 x2 + ... + an xn = 0
i=1
decimos que W es linealmente independiente.
Ejemplo
Determinar si W = {(1, 1, 0), (0, 1, 1), (1, 1, 1)} es linealmente dependiente o
linealmente independiente.
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.
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.
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.
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
demostrar que T es una transformación lineal.

Aplicación Lineal
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
T(u + v) = T(u) + T(v)

Aplicación Lineal
Ahora debe probarse que T(αu) = αT(u). Sea α ∈ R, entonces,

x αx
T α = T
y αy
 
αx + αy
= αx − αy 
3αy
 
x+y
= α x − y

3y

x x
T α = αT
y y
Por lo tanto T es una aplicación lineal, ya que se cumplen las dos propiedades que
queriamos.
Aplicación Lineal
Kernel o Nucleo de una aplicación lineal

Sean V, W espacios vectoriales sobre un cuerpo F y T : V → W una 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
de lo cual obtenemos el sistema 

x + y = 0
x−y =0
3y = 0

cuya solución es x = 0 y y = 0. por lo tanto,

x
Ker(T) = : x = 0, y = 0, x, y ∈ R
y
Valores y vectores propios
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.
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
luego se calcula el determiante de A − λI es decir, calculamos |A − λI|. De aquı́

hacemos p(λ) = |A − λI|, el cual será el polinomio caracterı́stico de la matriz A. Por
último se calculan los valores de λ para los cuales p(λ) = 0, estas raices serán los
autovalores de la matriz A.
Cálculo de autovectores o Eigenvectores
Cálculo de Autovectores o Eigenvectores

Los autovectores de una matriz A ∈ Mn se obtienen de reemplazar los valores de λ
para los cuales (A − λI)u = 0. Es decir; el conjunto S(λ), el cual es el conjunto
solución del sistema homogéneo anterior es el autovector asociado a λ.
Observación
Por ser λ autovalor de A el sistema homogéneo va a tener soluciones distintas a la
trivial. Cada una de las soluciones es un autovector asociado a λ.
Ejemplo  
9 0 0
Hallar los autovalores y autovectores de la matriz A = 3 4 5
6 0 1
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
Ahora claculamos |A − λI| para obtener p(λ). Entonces,

9 − λ 0 0

|A − λI| = 3 4−λ 5
6 0 1 − λ
= (9 − λ)(4 − λ)(1 − λ)
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
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
solucionando el sistema obtenemos el nuevo sistema


x = 0

y + 53 t = 0 , t ∈ R

z=t

   
x 0
5
Por lo tanto y  = − 3 t , t ∈ R son los vectores asociados a λ = 1.
z t
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
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.
Thomas, George B. Cálculo en varias variables, decimosegunda edición. Pearson

Education, México,2010.
2
2
Editing by Olaya Polo Heriberto, olayapolo07@gmail.com.

Diapositiva Algebra Lineal Segundo Semestre

Încărcat de

Informații document

Descriere originală:

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

Diapositiva Algebra Lineal Segundo Semestre

Încărcat de

Drepturi de autor:

Formate disponibile

Álgebra Lineal

Universidad del Magdalena

Normalmente para hacer referencia a que A es una matriz o que A pertenece al

cij = (aij ) + (bij ) = (aij + bij )

En otras palabras los elementos de la matriz C se obtiene de sumar los elementos de

Sean A, B y C ∈ Mm×n (K). Entonces.

• Propiedad de clausura o cierre: A + B ∈ Mm×n (K).

cij = (aij ) − (bij ) = (aij − bij ), aij ∈ A, bij ∈ B.

Sea A ∈ Mm×n (K) y α un número en K. El producto α · A corresponde a multiplicar

Nota: Puede verse la resta de matrices también de la forma

Sean α y β ∈ K y A, B ∈ Mm×n (K). Entonces,

Nótese que el elemento c11 de la matriz C es el resultado de la sumatoria del producto

Sean A, B, C ∈ Mm×n (K). Entonces,

• A(BC) = (AB)C. Si es posible realizar la multiplicación (Asociatividad )

(a) A · B (d) (A + B)2

a11 a12 a13 ··· a1n

a41 a42 a43 a44 0 0 0 1

Traza de una matriz

a11 a12 ··· a1n

Son matrices escalares.

Propiedades de la matriz transpuesta

(a) (B t )t − At (c) A · At (e) −1(B t )

(b) (A + B t )t (d) (A · B)t

¿Cómo obtener matrices simétricas?

¿Cómo obtener matrices Antisimétricas?

Dada una matriz A ∈ Mn (K), Ap , con p ∈ N corresponde a multiplicar p veces la

Definimos A0 = I, y además se cumple que

Se deja como ejercicio probar que At también es una matriz idempotente.

a11 a12 ··· a1n a11 0 ··· 0

Donde b y los coeficientes a1 , a2 , ..., an son números reales o complejos.

es un sistema de ecuaciones lineales de 2 × 2 (dos ecuaciones, dos variables).

Solución de un sistema de ecuaciones lineales

Se pueden presentar 3 casos diferentes en la solución de un sistema. Los cuales son:

es un sistema consistente y tiene por solución el par ordenado (3, 2) es decir x1 = 3 y

este puede escribir se de la forma matricial como

a11 a12 ··· a1n x1 b1

Donde A es la matriz de coeficientes, X es la matriz que contiene las variables del

a11 ··· a1n x1 b1 a11 ··· a1n x1 0

puede escribirse como

Matriz ampliada o aumentada

a11 a12 ··· a1n b1

Operaciones elementales de fila

• Escalamiento: Multiplicar todos los elementos de una fila por un numero

Forma escalonada reducida de una matriz

Forma escalonada de una matriz

Solución de un sistema AX = B por el método de eliminación Gaussiana

(A|b) ∼∼∼ ... ∼ (C|d)

Primero escribimos la matriz ampliada del sistema y procedemos a aplicar operaciones

De esta matriz escalonada nos queda que

Ejemplo (sistema con única solución) H

De la matriz escalonada tenemos el sistema

luego z = 7. Aplicando la sustitución regresiva obtenemos que y = 5 y x = −2.

Ejemplo (Sistema inconsistente)H

De la matriz escalonada obtenemos el sistema

(A|b) ∼∼ ... ∼ (C|d) ∼∼ ... ∼ (E|f )

Ejemplo (Sistema con única solución)

Aplicando operaciones elementales de filas a la matriz ampliada obtenemos

Por lo tanto la solución del sistema es (4, 0) es decir, x = 4 y y = 0.

Ejemplo (Sistema con única solución)  

Ejemplo (Sistema con infinitas soluciones)H

Como x, y dependen de z nuevamente hacemos z = t, t ∈ R, entonces el sistema tiene

Ejemplo (sistema con infinitas soluciones) H

Como puede observarse x, y dependen de z, Si z = t donde t ∈ R, tenemos que

Ecuaciones Paramétricas de la Recta #