Universidad Nacional Experimental del Táchira

Vicerrectorado Académico
Dpto. de Matemática y Fı́sica
Asignatura: Matemática III (Código 0826301)
Lapso Académico 2018-2

UNIDAD I
INTRODUCCIÓN AL ÁLGEBRA LINEAL
Prof. jorge López Rojas1

Material didáctico en revisión [1–3]

San Cristóbal, Marzo 2019

1 Email: jorggeeq@gmail.com
Unidad 1

Introducción al álgebra lineal

1.1. Vectores de la matriz lo indica m × n. Si cada aij de la matriz es

igual a cero se denomina matriz cero.
Definición 1.1 (Vector renglón). Un vector renglón o
fila de n componentes se define como un conjunto orde- Definición 1.4 (Igualdad de matrices). Dos matrices
nado de n números escritos de la siguiente manera: A = a(ij) y B = b(kl) son iguales si tiene el mismo
tamaño y las componentes correspondientes son iguales.
x = (x1 , x2 , . . . , xn )
Esto es i = k, j = l, aij = bkl .
Definición 1.2 (Vector columna). Un vector columna
de m componentes se define como un conjunto ordenado 1.2.1. Operaciones con matrices
de m números escritos de la siguiente manera: Definición 1.5 (Suma). Sea A = a(ij) y B = b(ij) dos
matrices m × n . Entonces la suma de A y B es la matriz
  m × n , A + B dada por:
x1
   a +b a12 +b12 ... a1j +b1j ... a1n +b1n 
 x2  11 11
   a21 +b21 a22 +b22 ... a2j +b2j ... a2n +b2n 
x= .  



 ..  
.
.
.
.
.
. 
  
(A + B) =  a +b.
a
.
+b ... a +b ... a
.
+b

in 
 i1 i1 i2 i2 ij ij in

xm  . . . 
 . . . 
. . .
am1 +bm1 am2 +bm2 ... amj +bmj ... amn +bmn

1.2. Matrices La suma de matrices solo se define si poseen el mismo

tamaño.
Definición 1.3 (Matriz). Una matriz A=aij de m×n es
un arreglo rectangular de mn números dispuestos en m Ejemplo 1. Hallar la suma de A + B, si:
renglones y n columnas.    
1 4 7 1 11 5
   
   
A = 0 1 8  , B = 0 1  −8
a11 a12 . . . a1j . . . a1n
  0 10 1 9 0 12
 a21 a22 . . . a2j . . . a2n 
 
 . .. .. 
 .. . 
Solución:
 .   
Am×n =  
 ai1 ai2 . . . aij . . . ain  ( (1+1) (4+11) (7+5) )
  
2 15 13

 .   0
 .. .
.. .
..  A + B = (0+0) (1+1) (8−8) = 0 2 
  (0+9) (10+0) (1+12)
am1 am2 . . . amj . . . amn 9 10 13

El elemento aij de la matriz A aparece en la fila i y en Definición 1.6 (Multiplicación de una matriz por un
la columna j de A. El sı́mbolo m × n se lee “m por n”. Si escalar). Si A = a(ij) es una matriz de m × n y si α es
m = n se dice que la matriz es cuadrada. El tamaño un escalar, entonces la matriz m × n , αA, está dada por:

2
Unidad I ÁLGEBRA LINEAL Jorge López Rojas 3

Los números encerrados en el recuadro rojos son los pi-

 
αa11 αa12 ... αa1j ... αa1n votes.
 
 αa21 αa22 ... αa2j ... αa2n 
  Definición 1.8 (Rango de una matriz). El rango de
 .. .. .. 
 
 . . .  una matriz es el número máximo de filas(renglones) que
αAm×n = 
 αai1 αai2 ... αaij ... αain  son linealmente independientes, este número es llamado
 
 .. .. .. 
 . . .  simplemente rango de A. Comúnmente se expresa como
 
αam1 αam2 ... αamj ... αamn ρ(A)(se lee ro de a).
( 2 15 13 )
Ejemplo 2. Hallar αA, si α = 5 y A = 0 2 0

Solución:
9 10 13 1.3. Sistema de ecuaciones
   
2 15 13 5 ∗ 2 5 ∗ 15 5 ∗ 13 lineales
   
5A = 5 
0 2 0 
 = 5 ∗ 0 5 ∗ 2 5∗0  Un sistema de ecuaciones lineales esta dado por la for-
9 10 13 5 ∗ 9 5 ∗ 10 5 ∗ 13
ma: 
  
 a11 x1 + a12 x2 + · · · + an xn = b1


10 75 65 
 a21 x1 + a22 x2 + · · · + a2n xn
  = b2
5A = 
0 10 0
 .. .. ..


45 50 65 

. . .

 a x + a x + ··· + a x
m1 1 m2 2 mn n = bm
Definición 1.7 (Forma escalonada reducida por renglo-
nes de una matriz y pivote). Una matriz se encuentra en En cualquier sistema de ecuaciones las preguntas que
la forma escalonada reducida por renglones si se cumplen surgen de forma natural son: ¿El sistema tiene solución
las siguientes condiciones: y, de ser ası́, cuántas?. Para dar respuesta a esas pregun-
tas daremos unas definiciones previas. Habitualmente al
i. Todos los renglones cuyos elementos son todos cero sistema de ecuaciones lineales que tiene infinitas solucio-
aparecen en la parte inferior de la matriz nes se le llama compatible indeterminado, una úni-
ii. El primer número diferente de cero (comenzando por ca solución compatible determinado y al sistema de
la izquierda) en cualquier renglón cuyos elementos ecuaciones lineales que no tiene solución incompatible.
no todos son cero es 1. A dicho sistema se le asocian dos matrices:

iii. Si dos renglones sucesivos tienen elementos distintos i Matriz de los coeficientes:
 
de cero, entonces el primer 1 en el renglón de aba- a11 a12 ... a1n
 
jo esta más hacia la derecha que el primer 1 en el  a21 a22 ... a2n 
 
renglón de arriba. Ac =  . .. .. 
 .. 
 . . 
iv. Cualquier columna que contiene el primer 1 en un am1 am2 ... amn
renglón tiene ceros en el resto de sus elementos. El
primer número diferente de cero en un renglón se ii Matriz ampliada:
llama pivote para ese renglón.  
a11 a12 ... a1n b1
 
 a21 a22 ... a2n b2 
Ejemplos: Matrices en forma escalonada reducida por  
Aa =  . .. .. .. 
renglones:  .. 
 . . . 
     
1 0 0
am1 am2 ... amn bm
  1 0 5 1 0 0
i.  0 1 0  ii.   iii.  
0 1 0 0 1 3
0 0 1 0 0 1 0 0 0
4

Teorema 1.1 (Rouché - Frobenius). La condición A continuación introduciremos un método para resol-
necesaria y suficiente para que un sistema de ecuaciones ver sistemas de ecuaciones lineales utilizando estos con-
lineales de m ecuaciones y n incógnitas sea compatible ceptos.
es que la matriz formada por los coeficientes junto con la
ampliada posean el mismo rango. 1.3.1. Método Gauss-Jordan
Sea ρ(Ac ) el rango de la matriz coeficiente, ρ(Aa ), el Se reduce la matriz ampliada (utilizando las operacio-
rango de la matriz ampliada y n el número de columnas nes básicas con renglones) a la forma escalonada reducida
de Ac entonces: por renglones y pivote usando el siguiente procedimien-
tos:
ρ(Ac ) ̸= ρ(Aa ) el sistema es incompatible.
1. Escribimos la matriz aumentada correspondiente al
ρ(Ac ) = ρ(Aa ) el sistema es compatible. sistema.
ρ(Ac ) = ρ(Aa ) ̸= n compatible indeterminado. 2. Ir a la columna no cero de extrema izquierda. Si la

ρ(Ac ) = ρ(Aa ) = n compatible determinado.
Para resolver sistemas de ecuaciones lineales se
utilizaban métodos como sustitución, igualación y
reducción, en ellos las operaciones que se realizaban
eran, (i) multiplicar una ecuación por un número, (ii)
tomar dos ecuaciones y sumarlas, (iii) intercambiar
ecuaciones. Estas tres operaciones, cuando se aplican
a los renglones de la matriz aumentada se denominan
operaciones elementales con renglones.
primera fila tiene un cero en esta columna, intercam-
biarlo con otra que no lo tenga.
3. Realizamos operaciones elementales con renglones
para obtener un 1(pivote) en la primera fila.
4. Obtener ceros debajo de este primer elemento, me-
diante las operaciones con renglones.
5. Se realiza los mismos pasos para obtener el pivote
en la siguiente fila y volver los demás elementos 0 de
la columna donde esta el pivote.

Operaciones elementales con renglones: Ejemplo 3 (Sistema con infinitas soluciones). Determi-
nar si el siguiente sistema tiene solución, de ser afirmativo
i. Multiplicar o dividir un renglón por un número di-
indique cuantas tiene y exprese el resultado.
ferente de cero. Notación: 


Ri → cRi quiere decir reemplazar el i-ésimo renglón  2x + 4y + 6z = 18
4x + 5y + 6z = 24
por el mismo renglón multiplicado por un c. 

 2x + 7y + 12z = 30
ii. Sumar un múltiplo de un renglón a otro renglón.
Solución:
Notación:
Rj → Rj + cRi quiere decir reemplazar el j-ésimo Escribimos la matriz ampliada:
renglón por la suma del renglón j más el renglón  
R1 → 2 4 6 18
i-ésimo multiplicado por un c..  

R2 →  4 5 6 24 

iii. Intercambiar renglones. Notación: R3 → 2 7 12 30
Rj  Ri quiere decir intercambiar renglones i yj.
Para hallar el primer pivote tomamos R1 y lo divi-
El proceso de aplicar las operaciones elementales con dimos por 2, esto quiere decir que tomaremos cada
los renglones para simplificar una matriz aumentada se elemento de renglón uno y lo dividiremos por 2 ( no
llama reducción por renglones. es el único orden que se puede tomar para solucionar
el sistema)
Unidad I ÁLGEBRA LINEAL Jorge López Rojas 5
  {
R1 → 12 R1 1 2 3 9 x−z = 1
 
R2 →  4 5 6 24  y + 2z = 4
 
R3 → 2 7 12 30 o si despejamos z de la primera ecuación sustituyéndola
en la segunda y simplificando
Luego haremos cero debajo del pivote
( ) 2x + y = 6
R1 → 1 2 3 | 9
R2 →R2 −4R1 (4−4∗1) (5−4∗2) (6−4∗3) | (24−4∗9)
R3 →R3 −2R1
(2−2∗1) (7−2∗2) (12−2∗3) | (30−2∗9)
Ejemplo 4 (Sistema sin solución). Determinar si el si-
guiente sistema tiene solución, de ser afirmativo indique
 
R1 → 1 2 3 9 cuantas tiene y exprese el resultado.
  

R2 →  0 −3 −6 −12  
 
 2y + 3z = 4
R3 → 0 3 6 12 2x − 6y + 7z = 15


 x − 2y + 5z = 10
Luego hallaremos el segundo pivote
Solución:
 
R1 → 1 2 3 9
Escribimos la matriz ampliada:
   
R2 → − 13 R2  0 1 2 4 
 R1 →  0 2 3 4
R3 → 3 6 0 12  

R2 →  2 −6 7 15 

Luego haremos cero los demás lugares de la columna R3 → 1 −2 5 10
donde esta el pivote Intercambiamos R1  R3
 
  R1 → 1 −2 5 10
R1 → R1 − 2R2 1 0 −1 1  
  
R2 →  2 −6 7 15 
R2 →  0 1 2 4  
 
R3 → 0 2 3 4
R3 → R3 − 3R2 0 0 0 0
 
R1 → 1 −2 5 10
Observamos que el ultimo renglón se elimina dado que  

R2 → R2 − 2R1  0 −2 −3 −5 
todos son cero, entonces 
( ) R3 → 0 2 3 4
1 0 −1 1  
R1 → 1 −2 5 10
0 1 2 4  
1 
R2 → − 2 R2  0 1 3 5 
2 2 
Al usar el teorema de Rouché - Frobenius tenemos:
R3 → 0 2 3 4
( )  
1 0 −1 R1 → R1 + 2R2 1 0 8 15
Ac = , ρ(Ac ) = 2  
0 1 2 R2 →  3/2 5/2 
 0 1 
( ) R3 → R3 − 2R2 0 0 0 −1
1 0 −1 1
Aa = , ρ(Aa ) = 2
0 1 2 4 Al usar el teorema de Rouché - Frobenius tenemos:

la cantidad de variables es n = 3, por lo tanto:  

ρ(Ac ) = ρ(Aa ) ̸= n consistente con infinitas solucio- ( ) 1 0 8 15
1 0 8  
nes. Ac = , Aa = 
 0 1 3/2 5/2 

0 1 3/2
la solución se puede escribir de la siguiente manera, 0 0 0 −1
teniendo en cuenta que la primera columna es para la ρ(Ac ) = 2, ρ(Aa ) = 3
variable x, la segunda para y, la tercera para z y la ultima
Como ρ(Ac ) ̸= ρ(Aa ) el sistema es inconsistente.
para el término independiente, se tiene
 6

1.4. Espacio vectorial M4 Distributivo respecto de la suma en V

Definición 1.9 (Espacio vectorial). Un espacio vecto-
rial(EV) es un conjunto V junto con una adición en V
y una multiplicación por escalares en V de modo que se
mantienen las siguientes propiedades:
S1 Ley de composición interna.
+ : V 2 → V o sea x , y ∈ V entonces x + y ∈ V
α(x +y ) = αx +αy para todo x , y ∈ V y para todo α ∈ K
M5 La unidad del cuerpo es neutro para el producto.
Existe 1 ∈ K para todo x ∈ V tal que 1x = x
Los axiomas S1 al S5 caracterizan a (V, +) como grupo
abeliano. Y M1 al M5 caracterizan a (K, ·)

Esto significa que la suma de dos elementos cuales- Propiedades

quiera de V es un único elemento de V . Sea (V, +, K, ·) un espacio vectorial.

S2 Conmutativa
1. El producto del escalar 0 por cualquier vector
x + y = y + x para todo x , y ∈ V es el vector nulo

En efecto, por neutro para la suma en K y M3 es:

S3 Elemento neutro de la suma
αx = (α + 0)x = αx + 0x
Existe un elemento 0 ∈V tal que x + 0 = x para
todo x ∈V Por S3 se tiene

S4 Inverso aditivo
+ 0 = 
αx  + 0x
αx

Para todo x ∈ V existe y ∈ V tal que x + y = 0 Y por ley cancelativa resulta

Al opuesto de x lo denotamos con −x = y . 0x = 0

S5 Asociativa
2. El producto de cualquier escalar por el vector

(x + y ) + z = x + (y + z ) para todo x , y , z ∈ V nulo es el vector nulo

Por A3 y M4 es
M1 Ley de composición externa en V con escalares en
K. αx = α(x + 0 ) = αx + α0

·:K ×V →V Entonces
O sea αx + α0 = αx

Y por regularidad en (V, +, K, ·) , resulta

α ∈ K y x ∈ V entonces αx ∈ V
α0 = 0
M2 Asociativa
3. Si el producto de un escalar por un vector es
α(βx ) = (αβ)x para todo x ∈ V y para todo α, β ∈ K
el vector nulo, entonces el escalar es 0 o el vector
nulo
M3 Distributivo respecto de la suma en K

(α + β)x = αx + βx para todo x ∈ V y para todo α, β ∈ K αx = 0 ⇒ α = 0 ∨ x = 0

Unidad I ÁLGEBRA LINEAL
Se presentan dos posibilidades: α = 0, o bien α ̸= 0
En el primer caso es verdadera la primera proposición de
la disyunción que figura en la tesis, y por consiguiente
esta es verdadera. En el segundo caso es necesario pro-
bar que x = 0 . En efecto, siendo α ̸= 0, existe el inverso
multiplicativo en K, α−1 . Partiendo de la hipótesis, pre-
multiplicando por α−1 , usando M2 y la propiedad 2, el
producto de inversos en K y M5 se tiene:
αx = 0 ⇒ α−1 (αx ) = α−1 0 ⇒ (α−1 α)x = 0 ⇒
1x = 0 ⇒ x = 0
4. El opuesto de cualquier escalar por un vector
es igual al opuesto de su producto
(−α)x = −(αx )
Teniendo en cuenta A4 , y la primera propiedad, la suma
de opuestos en K y M3 , es:
−(αx ) + αx = 0 = 0x = (−α + α)x = (−α)x + αx
De
−(αx ) +  = (−α)x + 
αx 
αx
después de cancelar, resulta
−(αx ) = (−α)x
En particular se tine
(−1)x = −(1x ) = −x
Ejemplo 5 (Espacio vectorial trivial). Sea V = {0}. Es
decir, V consiste sólo en el número 0 ∈ R con la suma
y multiplicación habitual de los números reales, o sea
(V, +, R, ·)
Demostración:
S1 Ley de composición interna.
Debemos tomar dos elementos de V pero como solo
consta de un elemento entonces, 0 + 0 = 0 como Ejemplo 6. (EV de matrices) Sea V = [tij ](las matrices
observamos el resultado es un elemento de V , osea de dimensión m × n, 1 ≤ i ≤ m, 1 ≤ j ≤ n y tij ∈ R),
0.
S2 Conmutativa
Como 0 ∈ R y es la suma habitual en R se verifica.
Jorge López Rojas 7
S3 Elemento neutro de la suma
En este caso el elemento neutro es el mismo 0. Dado
que 0+0=0.
S4 Inverso aditivo
En este caso el inverso aditivo es el mismo 0. Dado
que 0 = −0. Por lo tanto 0 + (−0) = 0
S5 Asociativa
Debemos tomar tres elementos de V pero como solo
consta de un elemento entonces, (0 + 0) + 0 = 0 +
(0 + 0)
M1 Ley de composición externa en V con escalares en
R.
Sea un α ∈ R y 0, se tiene que α0 = 0(propiedad de
los números reales) como observamos el resultado es
un elemento de V , osea 0.
M2 Asociativa
α(β0) = α0 = 0 y (αβ)0 = 0
por lo tanto α(β0) = (αβ)0
M3 Distributivo respecto de la suma en R
(α + β)0 = 0 y α0 + β0 = 0 + 0 = 0
por lo tanto (α + β)0 = α0 + β0
M4 Distributivo respecto de la suma en V
α(0 + 0) = α0 = 0 y α0 + α0 = 0
por lo tanto α(0 + 0) = α0 + α0
M5 La unidad del cuerpo es neutro para el producto.
En este caso el neutro para el producto es cualquier
α ∈ R dado que cualquier número real multiplicado
por cero es igual a cero, es decir α0 = 0
Por lo tanto V es un EV
K = R, con la suma de matrices y multiplicación por un
escalar usual, o sea ([tij ], +, R, ·)
S1 Ley de composición interna.
8
Tomamos dos elementos de V . Sea [aij ] y [bij ], por
definición de suma de matrices se tiene que las ma-
trices deben tener la misma dimensión y el resultado
de la suma es una matriz de la misma dimensión, en-
tonces [aij ] + [bij ] = [sij ], por lo tanto [sij ] ∈ V
S2 Conmutativa
Se verifica que [aij ] + [bij ] = [bij ] + [aij ], dado que
la suma de matrices es conmutativa.
S3 Elemento neutro de la suma
En este caso el elemento neutro es la matriz nula de
tamaño m × n, es decir la matriz [0ij ]. Por lo tanto
[aij ] + [0ij ] = [(a + 0)ij ] = [aij ]
S4 Inverso aditivo
Sea [aij ], el inverso aditivo de [aij ] es la matriz
−[aij ] = [−aij ] por lo tanto
[aij ] + [−aij ] = [(a − a)ij ] = [0ij ].
S5 Asociativa
La suma de matrices es asociativa por lo tanto
([aij ] + [bij ]) + [cij ] = [aij ] + ([bij ] + [cij ])
M1 Ley de composición externa en [tij ] con escalares en
R.
Sea α ∈ R y [aij ], haciendo uso de la multiplicación
por escalar se tiene que α[aij ] = [(αa)ij ], por lo tanto
[(αa)ij ] ∈ [tij ]
M2 Asociativa
Sea α, β ∈ R y [aij ]
α(β[aij ]) = α[(βa)ij ] = [(αβa)ij ] por otro la-
do (αβ)[aij ] = [(αβa)ij ] por lo tanto α(β[a]ij ) =
(αβ)[a]ij
M3 Distributivo respecto de la suma en R
Sea α, β ∈ R y [aij ], haciendo uso de la definición
de suma, multiplicación por escalar de matrices y
propiedad distributiva en R se tiene
(α+β)[aij ] = [(α+β)aij ] = [(αa+βa)ij ] = [(αa)ij ]+
[(βa)ij ] = α[aij ] + β[aij ] por lo tanto
(α + β)[aij ] = α[aij ] + β[aij ]
M4 Distributivo respecto de la suma en V
Sea α ∈ R y [aij ], [bij ] ∈ [tij ], haciendo uso de la de-
finición de suma, multiplicación por escalar de ma-
trices y propiedad distributiva en R se tiene
α([aij ] + [bij ]) = α[(a + b)ij ] = [α(a + b)ij ] = [(αa +
αb)ij ] = [(αa)ij ] + [(αb)ij ] = α[aij ] + α[bij ] por lo
tanto α([aij ] + [bij ]) = α[aij ] + α[bij ]
M5 La unidad del cuerpo es neutro para el producto.
En este caso el neutro de R es 1, luego
1[aij ] = [(1a)ij ] = [aij ]
Por lo tanto ([tij ], +, R, ·) es un EV
Ejemplo 7. El conjunto de los números reales positivos
distintos de cero denotados por R∗ , con la suma definida
como x + y = xy y la multiplicación escalar como
αx = xα , α ∈ R.
S1 Ley de composición interna.
Sean x, y ∈ R∗ . Por definición de suma x + y = xy
por propiedad de numeros reales xy ∈ R
S2 Conmutativa
Sean x, y ∈ R∗ . Por definición de suma y propiedad
conmutativa de la multiplicación de números reales
se tiene x + y = xy = yx = y + x. Por lo tanto
x+y =y+x
S3 Elemento neutro de la suma
Sean x ∈ R∗ y sea z ∈ R∗ el neutro. Por definición
de suma se tiene x+z = xz, por definición de neutro
xz = x, por lo tanto el neutro es (z = 1) ∈ R∗
S4 Inverso aditivo
Sean x ∈ R∗ y sea w ∈ R∗ el inverso aditivo. Por de-
finición de suma se tiene x + w = xw, por definición
de inverso aditivo xw = 1 por lo tanto el inverso
aditivo es (w = x1 ) ∈ R∗
S5 Asociativa
Sean x, y, s ∈ R∗ , aplicando la definición de suma
se tiene (x + y) + s = xy + s = xys, por otro lados
x + (y + s) = x + ys = xys.
Por lo tanto (x + y) + s = x + (y + s)
Unidad I ÁLGEBRA LINEAL Jorge López Rojas 9
√
M1 Ley de composición externa en R∗ y escalares en R. racional) no siempre es racional dado que si α = 2 el re-

Sea α ∈ R y x ∈ R∗ , aplicando la definición de sultado es un número irracional. Por lo tanto (Q, +, R, ·)

multiplicación tenemos αx = xα , por propiedades no es EV
de los números reales sabemos que xα > 0 por lo Ejemplo 9. El conjunto de puntos en R2 que están en
∗
tanto x ∈ R
α
una recta que no pasa por el origen. Con la suma y mul-
tiplicación usual en R2 , y K = R.
M2 Asociativa
Se puede expresar como el conjuntos F = {(x, y) ∈
Sean α, β ∈ R y sea x ∈ R∗ , aplicando la defini- R2 /y = mx+b},b ̸= 0 o como el par ordenado (x, mx+b)
ción de multiplicación, por propiedad de potencia y
conmutatividad en R, α(βx) = α(xβ ) = (xβ )α = S1 Ley de composición interna.
xβα = xαβ . Por otro lado (αβ)x = xαβ , por lo tanto Tomamos dos elementos de F . Sea (x1 , mx1 + b) y
α(βx) = (αβ)x (x2 , mx2 + b), por definición de suma de pares orde-
nados:
M3 Distributivo respecto de la suma en R
(x1 +x2 , mx1 +b+mx2 +b) = (x1 +x2 , (x1 +x2 )m+ 2b )
Sea α, β ∈ R y x ∈ R∗ , aplicando la definición de
multiplicación y propiedades de potencia en Si este par ordenado perteneciera a la recta deberı́a
R tenemos, (α + β)x = x (α+β) α β α
= x x = x +x β tener la forma (x1 +x2 , (x1 +x2 )m+ b ) (recordemos
por otro lado que el termino independiente es el corte con el eje
y y como en ambos pares es diferente no estamos
αx + βx = xα + xβ por lo tanto (α + β)x = αx + βx
hablando de la misma recta) por lo tanto (F, +, R, ·)
∗
M4 Distributivo respecto de la suma en R no es EV

Sea α ∈ R y x, s ∈ R∗ , aplicando la definición de

suma y multiplicación, 1.4.1. Subespacios vectoriales

α(x + s) = α(xs) = (xs)α por otro lado
αx + αs = xα + sα = xα sα = (xs)α por lo tanto
α(x + s) = αx + αs
M5 La unidad del cuerpo es neutro para el producto.
En este caso el neutro de R es 1, luego
1x = x1 = x
Por lo tanto (R∗ , +, R, ·) es un EV
Ahora se dará ejemplos de conjuntos que no son espa- Cualquiera que sea (V, +, K, ·) , tanto V como {0} son
cios vectoriales
Dados el espacio vectorial (V, +, K, ·) y el conjunto no
vacı́o S ∈ V , si S es un espacio vectorial sobre el mismo
cuerpo K y con las mismas leyes de composición en V ,
diremos que (S, +K, ·), es un subespacio de (V, +, K, ·) ,
o simplemente, que S es un subespacio de V . Podrı́amos
decir que que el subespacio S hereda las operaciones de
espacio vectorial V
Definición 1.10 (Subespacio). S es un subespacio de
(V, +, K, ·) si y solo si (S, +K, ·) es un espacio vectorial.
subespacio de V , llamados triviales.

Ejemplo 8. la cuaterna (Q, +, R, ·). con la suma y mul- Condición suficiente

tiplicación usual en R. Se puede verificar fácilmente que
Si el conjunto no vacı́o S ∈ V es cerrado para la suma
satisfacen S1 , S2 , S3 , S4 , S5 pero M1 no se satisface, vea-
y para el producto por escalares, entonces (S, +K, ·) es
mos M1 en Q con escalares en R.
un subespacio de (V, +, K, ·) . En otras palabras. Si:
Sea α ∈ R y x ∈ Q, se tiene αx (tengamos presente
que el resultado de la multiplicación debe ser un número I) S ̸= ϕ
10

II) S ∈ V IV α ∈ R y (x, y, z) ∈ H. Luego aplicando multi-

plicación de un escalar por una ternas ordenadas
III) x ∈ S ∧ y ∈ S ⇒ x + y ∈ S y definición de H tenemos Se tiene α(x, y, z) =
(αx, αy, αz) = (αx, αy, α(x+y)) = (αx, αy, αx+αy)
IV) α ∈ K ∧ x ∈ S ⇒ αx ∈ S
por lo tanto α(x, y, z) ∈ H
Entonces (S, +K, ·) es un subespacio de (V, +, K, ·) . Se concluye que H es subespacio de R3
Las condiciones de la hipótesis además son necesarias.
Es decir, sabiendo que S es un subespacio, son proposi- 1.4.2. Combinación lineal
ciones verdaderas.
Sea A = {v1 , v2 , . . . , vn } una familia o conjunto de
Ejemplo 10. Determine si H = {(x, y)/x2 + y 2 ≤ 1} es vectores del espacio (V, +, K, ·) . Entenderemos por com-
un subespacio de R 2 binación lineal(CL) de la familia de A toda suma de pro-
Solución ductos de escalares arbitrarios de K por los vectores A.
Sea (0, 1) ∈ H (dado que 1 + 0 ≤ 1) y α = 2 usando Definición 1.11 (Combinación lineal). CL de la familia
2 2

la propiedad IV 2(1, 0) = (2, 0) y usando la definición de A ⊂ V es todo vector del tipo

H tenemos 22 + 02  1 por lo tanto H no es subespacio
∑
n
de R2 αi v i tal que αi ∈ K y v ∈ A
i=1
Ejemplo 11. Determine si H = {(x, y, z)/|x| = |z|} es En particular si todos los escalares son nulos, la CL se
un subespacio de R3 llama trivial y se obtiene el vector nulo.
se verifica que:
Definición 1.12 (Vector CL). El vector v ∈ V es
I Sea (−1, 0, 1) ∈ H. Dado que |−1| = |1| por lo tanto CL de la familia A ⊂ V , si y solo si existen escalares
H ̸= ∅ α1 , α2 , . . . , αn tales que
∑
n
II H ⊆ R3 por definición v = αi v i
i=1
III Sea (4, 1, −4), (1, 3, 1) ∈ H.(| − 4| = |4|, |1| = |1|), √
Ejemplo 13. Determinar si el vector v = ( 2, −1) es
sumando (4, 1, −4) + (1, 3, 1) = (5, 4, −3) como |5| ̸= √ √
CL de v 1 = ( 3, 2), v 2 = (− 6, 2)
| − 3| por lo tanto (4, 1, −4) + (1, 3, 1) ̸∈ H. H no es
Si v es CL de v 1 , v 2 entonces existen α, β ∈ R tal que
subespacio de R3
v = αv 1 + βv 2
√ √ √
Ejemplo 12. Determine si H = {(x, y, z)/z = x + y} es ( 2, −1) = α( 3, 2) + β(− 6, 2)
√ √
un subespacio de R3 = ( 3α, 2α) + (− 6β, 2β)
√ √
se verifica que: = ( 3α − 6β, 2α + 2β)
Si los pares ordenados son iguales entonces
I Sea (1, 2, 3) ∈ H. Dado que 3 = 1 + 2 por lo tanto
√ √ √
H ̸= ∅ 3α − 6β = 2 (I)
2α + 2β = −1 (II)
II H ⊆ R por definición
3
Solucionando el sistema de ecuaciones, despejo α de II

III Sea (x, y, z), (p, q, r) ∈ H. Luego aplicando suma α = − 12 − β

de ternas ordenadas y definición de H tenemos y sustituyendo en I,

( )
(x, y, z) + (p, q, r) = (x + p, y + q, z + r) = (x + p, y + √ 1 √ √
q, x + y + p + q) por lo tanto (x, y, z) + (p, q, r) ∈ H. 3 − − β − 6β = 2
2
Unidad I ÁLGEBRA LINEAL Jorge López Rojas 11
√
3 √ √ √ (x, y, z) = α(2, 1, 2) + β(1, 2, 1)
− − 3β − 6β = 2
2 = (2α, α, 2α) + (β, 2β, β)
√
√ √ √ 3 = (2α + β, α + 2β, 2α + β)
−β( 3 + 6) = 2 +
2
√ √ Si se considera (x, y, z) fijo, entonces se pueden expresar
√ √ 2 2+ 3
−β( 3 + 6) = en un sistema de ecuaciones con dos variable α, β
2
√ √
2 2+ 3



β= √ √ 2  x = 2α + β (I)
−( 3 + 6) y = α + 2β (II)
√ √ 

2 2+ 3  z = 2α + β (III)
β= √ √
−2( 3 + 6) De I y III se deduce que x = z y y es cualquier número
Calculando α real. En consecuencia A = {(x, y, x)/(x, y, x) ∈ R)}, en
√ √ otras palabras A es el subespacio generado por la ecua-
1 2 2+ 3
α=− + √ √ ción del plano x = z o x − z = 0
2 2( 3 + 6)
Como el sistema tiene solución entonces v es CL de
1.4.4. Espacio generado
v 1, v 2.
Si un sistema no vacı́o de vectores de un espacio

1.4.3. Subespacio generado (V, +, K, ·) es tal que todo vector V puede expresarse co-
mo CL de dicho conjunto, entonces se dice que éste es un
Conjunto de combinaciones lineales sistema de generadores(SG) de V . Esto equivale a decir
Sea A un conjunto no vacı́o de vectores del espacio V . que el subespacio de V generado por tal conjunto es el
A expensas de A podemos formar el subconjunto de V mismo V .
cuyos elementos sea todas las combinaciones lineales de
Definición 1.14 (Sistema generador). la familia A =
los vectores de A. A este conjunto lo denotaremos por el
{v 1 , v 2 , . . . , v n } es un SG de V si y solo si todo vector
sı́mbolo A , que se lee A raya. Si A = {v 1 , v 2 , . . . , v n },
de V puede expresarse como CL de los vectores de A.
entonces escribiremos:
O bien, A es un sistema generador de V si y solo si el
{ } subespacio generado por A es V . Osea:
∑
n
A= αi v i /αi ∈ K ∧ v ∈ A
i=1
∑
n
A es un SG de V ⇔ v ∈ V ⇒ v = αi v i
Subespacio generado por una familia de vectores i=1

Teorema 1.2 (A es un subespacio vectorial). Si V es O bien

un (V, +, K, ·) y A = {v 1 , v 2 , . . . , v n } ⊂ V entonces
(A, +, K, ·) es un subespacio vectorial de V . A es un SG de V ⇔ A = V

Definición 1.13 (Subespacio generado). El subespacio Ejemplo 15. Determine si A = {(1, 2), (3, 4)} genera al
de la combinaciones lineales de la familia no vacı́a A ⊂ V EV R2
se llama subespacio generado por A. Si (x, y) es cualquier vector en R2 , deben existir esca-
lares α, β tales que
Ejemplo 14. Determinar el subespacio de R3 , generado
por la familia A = {(2, 1, 2), (1, 2, 1)} (x, y) = α(1, 2) + β(3, 4)
Por definición, el subespacio A es el conjunto de las = (α, 2α) + (3β, 4β)
ternas (x, y, z) ∈ R tales que
3
= (α + 3β, 2α + 4β)
12

Si se considera (x, y) fijo, entonces se pueden expresar en Este ultimo sistema indica que α = 0, β = 0, ω = 0, como
un sistema de ecuaciones con dos variable α, β la única solución es la trivial por lo tanto los vectores son
{ LI.
x = α + 3β (I)
y = 2α + 4β (II) Definición 1.16 ( linealmente independiente 2). El con-
junto A ⊂ V el LI si y solo si todo subconjunto finito de
Al solucionar el sistema de ecuaciones, tenemos
A es LI
α = 32 y + −2x y β = x − 12 y
Esta definición extiende el concepto de independencia
Este resultado nos dice que, A es un SG de R2 .
lineal a toda familia de vectores de un espacio V .

1.4.5. Dependencia e independencia li- Definición 1.17 ( Conjunto linealmente dependiente).

neal El conjunto A ⊂ V es linealmente dependiente (LD) si y
solo si no es LI.
Definición 1.15 ( Conjunto linealmente independiente).
En otras palabras:
El conjunto A ⊂ V es linealmente independiente (LI) si
∑
n
y solo si la única combinación lineal de dicho conjunto, A es LD ⇔ ∃i : αi v i = 0 ∧ αi ̸= 0
i=1
cuyo resultado sea el vector nulo, es la trivial
La dependencia lineal de un conjunto finito de vectores
En otras palabras:
significa que debe existir, al menos, una CL de estos que
∑
n
A es LI ⇔ ∀i : αi v i = 0 ⇒ αi = 0 dé el vector nulo y que no sea el trivial.
i=1

La independencia lineal de un conjunto finito no vacı́o 1.4.6. Base de un espacio vectorial

de vectores significa que no puede darse una combinación Definición 1.18 (Base). La familia A ⊂ V es una base
lineal de dicho conjunto que dé el vector nulo, con algún de (V, +, K, ·) si y solo si es LI y un sistema generador
escalar distinto de cero. de V .
Ejemplo 16. Determine si A ⊂ V es una base de V ⇔ A es LI y A = V
A = {(1, −2, 3), (2, −2, 0), (0, 1, 7)} son LI.
Ejemplo 17. Tomando el ejemplo 12 determine si es
Por definición deben existir escalares tal que:
una base para R3 :
α(1, −2, 3) + β(2, −2, 0) + ω(0, 1, 7) = (0, 0, 0) A = {(1, −2, 3), (2, −2, 0), (0, 1, 7)}
(α, −2α, 3α) + (2β, −2β, 0) + (0, ω, 7ω) = (0, 0, 0)
LI) En el ejemplo 12 se comprobó que son LI
(α + 2β, −2α − 2β + ω, 3α + 7ω) = (0, 0, 0)
A) Si A genera aR3 por definición deben existir escala-
Por igualdad de ternas ordenadas se obtiene el sistema res tal que:
de ecuaciones:


 α + 2β = 0 (I)
 α(1, −2, 3) + β(2, −2, 0) + ω(0, 1, 7) = (x, y, z)
−2α − 2β + ω = 0 (II) (α, −2α, 3α) + (2β, −2β, 0) + (0, ω, 7ω) = (x, y, z)


 3α + 7ω = 0 (II) (α + 2β, −2α − 2β + ω, 3α + 7ω) = (x, y, z)
Lo resolvemos mediante Gauss-Jordan Por igualdad de ternas ordenadas se obtiene el sis-
tema de ecuaciones:

    
1 2 0 0 1 0 0 0 
 α + 2β = x (I)
    −2α − 2β + ω = y (II)
 −2 −2 1  
0  la solución es  0 1 0 0  
  

3 0 7 0 0 0 1 0 3α + 7ω = z (II)
Unidad I ÁLGEBRA LINEAL Jorge López Rojas 13

Si tomamos x, y, z fijos y se resuelve el sistema mediante

Gauss-Jordan

   
−20x+6y+z
1 2 0 x 1 0 0
   10 
 −2 −2 1 y   x+2y 
  es  0 1 0 2 
10x+14y−z
3 0 7 z 0 0 1 20

Este ultimo indica que el sistema tiene única solución,

−20x+6y+z x+2y 10x+14y−z
donde α = 10 , β = 2 , ω = 20 , en
consecuencia, todo vector de R puede expresarse como
3

CL de los vectores de A.
Por lo tanto A es una base de R3

1.4.7. Dimensión de un espacio vectorial

Definición 1.19 (Dimensión). Dimension de un espacio
vectorial V es el número cardinal de cualquiera de sus ba-
ses. Si A = {v1 , v2 , . . . , vn } es una base de (V, +, K, ·) ,
escribiremos dimk V = n. Si V consiste únicamente en el
vector nulo, diremos que tiene dimension es 0.

Ejemplo 18. Tomando el ejemplo 13 determine la

dimR R3 :
Como A es una base de R3 (A posee tres vectores) y
usando la definición de de dimensión tenemos dimR R3 : 3
14

1.5. Transformaciones lineales 1.5.1. Kernel de una TL

Sean (V, +, K, ·) y (W, +, K, ·) dos espacios vectoriales Definición 1.21 (Kernel). El kernel K(f ) de una TL,
sobre un mismo cuerpo escalar K. es el conjunto de los vectores del dominio cuya imágenes
Definición 1.20 (Transformación lineal). La función por f son el vector nulo del codominio. Osea
f : V → W es una transformación lineal (TL) u ho-
K(f ) = {x ∈ V : f (x ) = 0w }
momorfismo si y solo si:

i) La imagen de la suma de dos vectores cualesquiera V W

de V es igual a la suma de sus imágenes en W .

f (x + y ) = f (x ) + f (y )

ii) La imagen del producto de cualquier escalar por to-

Ow
do vector de V es igual al producto del escalar por
K(f )
la imagen de dicho vector.

f (αx ) = αf (x )

V W Figura 1.2: Ker de TL

f (x)
x
Propiedades

y f (y) i) Si f : V ⇒ W es una TL entonces (K(f ), +, K, ·) es

f (x+y)=f (x)+f (y)
un subespacio de (V, +, K, ·)
x+y
ii) K(f ) es cerrado para el producto por escalares.
f (αx)=αf (x)

αx

1.6. Imagen de una TL

Figura 1.1: TL
Propiedades Definición 1.22 (Imagen). La imagen I(f ) de una TL,
es el conjunto imagen del dominio, o sea, es la totalidad
Sea f : V ⇒ W una TL. Denotaremos mediante 0v y de las imágenes de los vectores del primer espacio.
0w a los dos vectores nulos en V y W , respectivamente.
V W
i) f (0v ) = 0w

ii) f (−x ) = −f (x )

Clasificación de las transformaciones lineales

i) f es inyectiva ⇔ f es un monomorfismo. Ov
Ow

ii) f es sobreyectiva ⇔ f es un epimorfismo.

iii) f es biyectiva ⇔ f es un isomorfismo. I(f)

iv) Si V = W ⇔ f es un endomorfismo.
Figura 1.3: Im de TL
v) Si V = W ∧ f biyectivo ⇔ f es un automorfismo.
 Unidad I ÁLGEBRA LINEAL Jorge López Rojas 15

Propiedades Procedemos a hallar K(f ), por definición tenemos

f (s) = 0R2 :
i) Si f : V ⇒ W es una TL entonces (I(f ), +, K, ·) es
un subespacio de (V, +, K, ·) f (s) = (0, 0)
(I)f ((x, y, z)) = (0, 0)

Ejemplos (II)(x − z, y − z) = (0, 0)

(III)x − z = 0 y y−z =0

Determine si f es una TL, de ser positiva la respuesta x=z y y=z

halle el K(f ) y I(f ). Osea K(f ) = {s ∈ R3 : s = (z, z, z)}

Nota: El los recuadros se indicaran las propiedades usa- (I) Definición de s, (II) definición de f , (III) igualdad
das. de pares ordenados.
Procedemos a hallar I(f ), por definición tenemos
Ejemplo 19. Sea f : R3 → R2 ,K = R definida por I(f ) = {w ∈ R2 : f (s) = w}:
f (x, y, z) = (x − z, y − z).
f (s) = (a, b)
Tomamos dos elementos del EV de partida, s =
(I)f ((x, y, z)) = (a, b)
(x, y, z) y w = (u, v, t), y verificamos las condiciones:
(II)(x − z, y − z) = (a, b)
(III)x − z = a y y−z =b
f (s + w) = f (s) + f (w)
Osea I(f ) = {w ∈ R2 : w = (a, b)}
f (s+w) | f (s)+f (w)
(I)f [(x,y,z)+(u,v,t)] | (I)f (x,y,z)+f (u,v,t)
(I) Definición de s, (II) definición de f , (III) igualdad
(II)f [(x+u,y+v,z+t)] | (III)(x−z,y−z)+(u−t,v−t) de pares ordenados.
(III)(x+u−(z+t),y+v−(z+t)) | (IV )(x−z+u−t,y−z+v−t)
(V )(x−z+u−t,y−z+v−t) | (x−z+u−t,y−z+v−t)
Ejemplo 20. Sea f : R2 → R2×2 ,K = R definida por:
( )
Como observamos las ultimas filas son iguales por lo x+y 0
f (x, y) =
tanto se cumple. 0 x+y
(I) Definición de s, w, (II) suma de ternas ordenadas, Tomamos dos elementos del EV de partida, s = (x, y) y
(III) definición de f ,(IV) suma de pares ordenados,(V) w = (u, v), y verificamos las condiciones:
propiedad distributivas y conmutativa de R. f (s + w) = f (s) + f (w)
f (s+w) | f (s)+f (w)
f (αs) = αf (s) (I)f [(x,y)+(u,v)] | (I)f (x,y)+f (u,v)
( ) ( )
x+y 0 u+v 0
(II)f [(x+u,y+v)] | +
0 x+y 0 u+v
( ) ( )
f (αs) αf (s) x+u+y+v 0+0 x+y+u+v 0+0
|
(I)f (α(x, y, z)) (I)αf ((x, y, z)) 0+0 x+u+y+v 0+0 x+y+u+v
( ) ( )
x+y+u+v 0 x+y+u+v 0
(II)f ((αx, αy, αz)) (III)α(x − z, y − z) 0 x+y+u+v
|
0 x+y+u+v
(III)(αx − αz, αy − αz) (IV )(α(x − z), α(y − z)) Como observamos las ultimas filas son iguales por lo
(αx − αz, αy − αz) (V )(αx − αz, αy − αz) tanto se cumple.
(I) Definición de s, w, (II) suma de pares ordenadas, (III)
Como observamos las ultimas filas son iguales por lo
definición de f ,(IV) propiedad conmutativa de R.
tanto se cumple.
f (αs) = αf (s)
(I) Definición de s, (II) multiplicación de ternas ordena-
f (αs) | αf (s)
( )
das por un escalar, (III) definición de f ,(IV) multipli- x+y 0
(I)f [α(x,y)] | (II)α
0 x+y
cación de pares ordenados por un escalar,(V) propiedad ( )
α(x + y) 0
distributivas de R. (III)f [(αx,αy)] | (IV )
0 α(x + y)
( ) ( )
αx + αy 0 αx + αy 0
(II) | (V )
Por lo tanto f es una TL. 0 αx + αy 0 αx + αy
16

Como observamos las ultimas filas son iguales por lo Aplicamos f y sus propiedades:
tanto se cumple.
f [(3, 4, 5)] = f [3(1, 0, 0) + 4(0, 1, 0) + 5(0, 0, 1)]
(I) Definición de s, (II)definición de f , (III) multipli- = f [3(1, 0, 0)] + f [4(0, 1, 0)] + f [5(0, 0, 1)]
cación de un escalar por un par ordenado,(IV) multi- = 3f [(1, 0, 0)] + 4f [(0, 1, 0)] + 5f [(0, 0, 1)]
plicación de un escalar por una matriz,(V) propiedad = 3(2, 3) + 4(−1, 4) + 5(5, 3)
distributivas de R. = (6, 9) + (−4, 16) + (25, 15)
f [(3, 4, 5)] = (27, 40)
Por lo tanto f es una TL.
Procedemos a hallar K(f ), por definición tenemos
f (s) = 0R2×2 :
( )
0 0
f (s) = 0 0
( )
0 0
(I)f ((x, y)) = 0 0
( ) ( )
x+y 0 0 0
(II) 0 x+y
= 0 0

(III) x + y = 0 ⇒ y = −x

Osea K(f ) = {s ∈ R2 : s = (x, −x)}

(I) Definición de s, (II) definición de f , (III) igualdad
de matrices.
Procedemos a hallar I(f ), por definición tenemos
I(f ) = {w ∈ R2×2 : f (s) = w}:
( )
a b
f (s) = c d
( )
a b
(I)f ((x, y)) = c d
( ) ( )
x+y 0 a b
(II) 0 x+y
= c d

(III) x + y = a = d y 0=b=c

{ ( )}
a 0
Osea I(f ) = w ∈ R2×2 : w = 0 a

(I) Definición de s, (II) definición de f , (III) igualdad

de matrices.

Ejemplo 21. Sea f : R3 → R2 y suponga f [(1, 0, 0)] =

(2, 3), f [(0, 1, 0)] = (−1, 4) y f [(0, 0, 1)] = (5, 3). Calcular
f [(3, 4, 5)]
Escribimos (3, 4, 5) como combinación lineal de
(1, 0, 0), (0, 1, 0) y (0, 0, 1)

(3, 4, 5) = (3, 0, 0) + (0, 4, 0) + (0, 0, 5)

= 3(1, 0, 0) + 4(0, 1, 0) + 5(0, 0, 1)
Bibliografı́a

[1] Stanley Grossman. Algebra lineal. Mc Graw Hill, 2008.

[2] Armando Rojo. Algebra II. El ateneo, 1995.

[3] Sheldon Axler. Lineal algebra done rigth. Springer, 1995.

17