Documente Academic
Documente Profesional
Documente Cultură
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
1 Email: jorggeeq@gmail.com
Unidad 1
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
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. primera fila tiene un cero en esta columna, intercam-
biarlo con otra que no lo tenga.
Para resolver sistemas de ecuaciones lineales se
3. Realizamos operaciones elementales con renglones
utilizaban métodos como sustitución, igualación y
para obtener un 1(pivote) en la primera fila.
reducción, en ellos las operaciones que se realizaban
eran, (i) multiplicar una ecuación por un número, (ii) 4. Obtener ceros debajo de este primer elemento, me-
tomar dos ecuaciones y sumarlas, (iii) intercambiar diante las operaciones con renglones.
ecuaciones. Estas tres operaciones, cuando se aplican
5. Se realiza los mismos pasos para obtener el pivote
a los renglones de la matriz aumentada se denominan
en la siguiente fila y volver los demás elementos 0 de
operaciones elementales con renglones.
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:
Definición 1.9 (Espacio vectorial). Un espacio vecto- α(x +y ) = αx +αy para todo x , y ∈ V y para todo α ∈ K
rial(EV) es un conjunto V junto con una adición en V
y una multiplicación por escalares en V de modo que se M5 La unidad del cuerpo es neutro para el producto.
mantienen las siguientes propiedades:
Existe 1 ∈ K para todo x ∈ V tal que 1x = x
S1 Ley de composición interna.
Los axiomas S1 al S5 caracterizan a (V, +) como grupo
+ : V 2 → V o sea x , y ∈ V entonces x + y ∈ V abeliano. Y M1 al M5 caracterizan a (K, ·)
S2 Conmutativa
1. El producto del escalar 0 por cualquier vector
x + y = y + x para todo x , y ∈ V es el vector nulo
S4 Inverso aditivo
+ 0 =
αx + 0x
αx
S5 Asociativa
2. El producto de cualquier escalar por el vector
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
decir, V consiste sólo en el número 0 ∈ R con la suma M5 La unidad del cuerpo es neutro para el producto.
y multiplicación habitual de los números reales, o sea
En este caso el neutro para el producto es cualquier
(V, +, R, ·)
α ∈ R dado que cualquier número real multiplicado
Demostración:
por cero es igual a cero, es decir α0 = 0
S1 Ley de composición interna.
Por lo tanto V es un EV
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. K = R, con la suma de matrices y multiplicación por un
escalar usual, o sea ([tij ], +, R, ·)
S2 Conmutativa
Como 0 ∈ R y es la suma habitual en R se verifica. S1 Ley de composición interna.
8
Tomamos dos elementos de V . Sea [aij ] y [bij ], por M4 Distributivo respecto de la suma en V
definición de suma de matrices se tiene que las ma- Sea α ∈ R y [aij ], [bij ] ∈ [tij ], haciendo uso de la de-
trices deben tener la misma dimensión y el resultado finición de suma, multiplicación por escalar de ma-
de la suma es una matriz de la misma dimensión, en- trices y propiedad distributiva en R se tiene
tonces [aij ] + [bij ] = [sij ], por lo tanto [sij ] ∈ V
α([aij ] + [bij ]) = α[(a + b)ij ] = [α(a + b)ij ] = [(αa +
S2 Conmutativa αb)ij ] = [(αa)ij ] + [(αb)ij ] = α[aij ] + α[bij ] por lo
tanto α([aij ] + [bij ]) = α[aij ] + α[bij ]
Se verifica que [aij ] + [bij ] = [bij ] + [aij ], dado que
la suma de matrices es conmutativa. M5 La unidad del cuerpo es neutro para el producto.
α(x + s) = α(xs) = (xs)α por otro lado Dados el espacio vectorial (V, +, K, ·) y el conjunto no
vacı́o S ∈ V , si S es un espacio vectorial sobre el mismo
αx + αs = xα + sα = xα sα = (xs)α por lo tanto
cuerpo K y con las mismas leyes de composición en V ,
α(x + s) = αx + αs
diremos que (S, +K, ·), es un subespacio de (V, +, K, ·) ,
M5 La unidad del cuerpo es neutro para el producto. o simplemente, que S es un subespacio de V . Podrı́amos
decir que que el subespacio S hereda las operaciones de
En este caso el neutro de R es 1, luego
espacio vectorial V
1x = x1 = x
Definición 1.10 (Subespacio). S es un subespacio de
Por lo tanto (R∗ , +, R, ·) es un EV
(V, +, K, ·) si y solo si (S, +K, ·) es un espacio vectorial.
Ahora se dará ejemplos de conjuntos que no son espa- Cualquiera que sea (V, +, K, ·) , tanto V como {0} son
cios vectoriales subespacio de V , llamados triviales.
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
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 .
−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
CL de los vectores de A.
Por lo tanto A es una base de R3
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:
f (x + y ) = f (x ) + f (y )
f (αx ) = αf (x )
αx
ii) f (−x ) = −f (x )
i) f es inyectiva ⇔ f es un monomorfismo. Ov
Ow
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
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
(III) x + y = a = d y 0=b=c
{ ( )}
a 0
Osea I(f ) = w ∈ R2×2 : w = 0 a
17