TECNOLOGÍA DE LA INFORMACIÓN EN

LINEA
ALGEBRA LINEAL
3 créditos

Profesor creador de contenidos:

Ing. Ulbio Durán Pico Mg.

Titulaciones Semestre

 TECNOLOGÍA DE LA INFORMACIÓN
Primero

Tutorías: El profesor asignado se publicará en el entorno virtual de aprendizaje

online.utm.edu.ec), y sus horarios de conferencias se indicarán en la sección CAFETERÍA
VIRTUAL.

PERÍODO OCTUBRE 2022 / FEBRERO 2023

Índice
Tabla de contenido
Organización de la lectura para el estudiante por semana del compendio ................................................... 2
Resultado de aprendizaje de la asignatura .............................................................................................. 2
Unidad 1 Matrices y sistemas de ecuaciones lineales ........................................................................... 2
Tema 1: Matrices.......................................................................................................................................... 3
Subtema 1. Operaciones entre matrices .................................................................................................. 5
1.1 Tipos de Matrices .................................................................................................................................. 5
1.2 Operaciones entre matrices ............................................................................................................... 10
1.2.1 Suma o adición ........................................................................................................................... 10
1.2.2 Producto por un escalar........................................................................................................... 12
1.2.3 Producto de Matrices ................................................................................................................ 13
Ejercicios Resueltos de Operaciones con Matrices. .................................................................. 16
Subtema 2: Determinantes e inversa de una matriz ............................................................................ 18
1.3 Cálculo de determinante de una matriz ........................................................................................... 18
1.3.1 Cálculo de determinantes ........................................................................................................ 19
1.3.2 Propiedades de los Determinantes ....................................................................................... 20
1.3.3 Regla de Cramer ......................................................................................................................... 22
1.4 Inversa de una matriz ......................................................................................................................... 24
1.4.1 Operaciones Elementales por renglones ............................................................................ 24
1.4.2 Métodos de resolución: ............................................................................................................ 28
Tema 2: Sistemas de ecuaciones lineales ............................................................................................ 32
Subtema 3: Sistema de m ecuaciones con n incógnitas. .................................................................... 32
2.1 Ecuaciones lineales con dos incógnitas .......................................................................................... 35
Subtema 4: Notación matricial de un sistema de ecuaciones lineales .............................................. 38
2.2 Notación Matricial de un sistema de ecuaciones lineales ............................................................. 38
2.2.1 Sistemas No homogéneos....................................................................................................... 38
2.2.2 Sistemas Homogéneos............................................................................................................. 45
2.3 Ecuaciones Matriciales ....................................................................................................................... 46
Ejercicios de Aplicación..................................................................................................................... 48
Recursos complementarios: ............................................................................................................. 51
Herramientas & Software de la asignatura: .................................................................................. 51
Bibliografía .................................................................................................................................................. 52

1
 Organización de la lectura para el estudiante por semana del compendio

Semanas Páginas
Semana 1 Página 1 - 17
Semana 2 Página 18 - 23
Semana 3 Página 24 – 31
Semana 4 Página 32 - 52

Resultado de aprendizaje de la asignatura

Desarrollar el pensamiento lógico y las capacidades analíticas en el modelado

de soluciones de problemas en el área de computación, a través de la
aplicación de los fundamentos del álgebra lineal.

ALGEBRA
LINEAL

Unidad 1 Matrices y sistemas de ecuaciones lineales

Resultado de aprendizaje de la unidad: Calcular sistemas de ecuaciones

lineales usando matrices y determinantes para su aplicación a modelos
matemáticos.

Sabías que. - El sistema de posicionamiento global (GPS, por sus siglas en

inglés) se usa en muchas situaciones para determinar ubicaciones geográficas.
Militares, topógrafos, líneas aéreas, compañías de transporte y excursionistas
lo usan. La tecnología GPS se ha convertido en lugar común, a tal grado que algunos
automóviles, teléfonos celulares y varios dispositivos manuales ahora están equipados
con él. La idea básica del GPS es una variante de la triangulación tridimensional: un punto
sobre la superficie de la Tierra está determinado de manera exclusiva al conocer su
distancia desde otros tres puntos. Aquí el punto que se quiere determinar es la ubicación
del receptor GPS, los otros puntos son satélites y las distancias se calculan mediante los

2
tiempos de recorrido de señales de radio enviadas de los satélites al receptor, para ello
se utilizan Las matrices y Sistemas de ecuaciones lineales, resueltos a través de métodos
estudiados por el Algebra Lineal.

Tema 1: Matrices

Los conceptos de matriz y todos los relacionados fueron desarrollados

básicamente en el siglo XIX por matemáticos como los ingleses J.J. Sylvester
y Arthur Cayley y el irlandés William Hamilton. Las matrices se encuentran en
aquellos ámbitos en los que se trabaja con datos regularmente ordenados y aparecen en
situaciones propias de las Ciencias Sociales, Económicas, Informáticas, Biológicas entre
otras.

En esta unidad veremos los tipos de matrices, propiedades y operaciones entre matrices,
determinantes y sistemas de ecuaciones lineales esto conlleva a poder resolver y
desarrollar problemas de aplicación relacionados a la profesión.

Una matriz es una forma eficiente de ordenar información, el tamaño de la misma está
determinado por el número de filas y de columnas.

El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y

manipulación de datos como en el cálculo numérico y simbólico que se deriva de los
modelos matemáticos utilizados para resolver problemas en diferentes disciplinas.

En matemática, una matriz es un arreglo bidimensional de números. Dado que puede

definirse tanto la suma como el producto de matrices, en mayor generalidad se dice que
son elementos de un anillo. Notacionalmente una matriz A tiene la forma:

𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴=[ ⋮ ⋮ ⋱ ⋮ ]
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛

Las matrices se utilizan para múltiples aplicaciones y sirven, en particular, para

representar los coeficientes de los sistemas de ecuaciones lineales o para representar
transformaciones lineales dada una base. En este último caso, las matrices desempeñan
el mismo papel que los datos de un vector para las aplicaciones lineales.

3
Pueden sumarse, multiplicarse y descomponerse de varias formas, lo que también las
hace un concepto clave en el campo del álgebra lineal.

Una matriz es un arreglo bidimensional de (m por n) números (llamados entradas de la

matriz) ordenados en filas (o renglones) y columnas, donde una fila es cada una de las
líneas horizontales de la matriz y una columna es cada una de las líneas verticales. A una
matriz con m filas y n columnas se le denomina matriz m-por-n (escrito m x n) donde 𝑚, 𝑛 ∈
ℕ − {0}. El conjunto de las matrices de tamaño m x n se representa como 𝑀𝑚𝑥𝑛 (K), donde
K es el campo al cual pertenecen las entradas. El tamaño de una matriz siempre se da
con el número de filas primero y el número de columnas después.

A la entrada de una matriz que se encuentra en la fila i - ésima y la columna j - ésima se

le llama entrada i, j o entrada (i, j) - ésimo de la matriz. En estas expresiones también se
consideran primero las filas y después las columnas.

Se denota a las matrices con letra mayúscula, mientras que se utiliza la correspondiente
letra en minúsculas para denotar a las entradas de estas, con subíndices que refieren al
número de fila y columna del elemento. Por ejemplo, al elemento de una matriz A de
tamaño m x n que se encuentra en la fila i - ésima y la columna j - ésima se le denota
como 𝑎𝑖𝑗 , donde 1 ≤ 𝑖 ≤ 𝑚 y 1 ≤ 𝑗 ≤ 𝑛.

Dos matrices se dice que son iguales si tienen el mismo tamaño y los mismos elementos
en las mismas posiciones.

Cuando se va a representar explícitamente una entrada la cual está indexada con un i o

un j con dos cifras se introduce una coma entre el índice de filas y de columnas. Así por
ejemplo, la entrada que está en la primera fila y la segunda columna de la matriz A de
tamaño 50 x 100 se representa como 𝑎1,2 mientras que la entrada que está en la fila
número 23 y la columna 100 se representa como 𝑎23,100

Además de utilizar letras mayúsculas para representar matrices, numerosos autores

representan a las matrices con fuentes en negrita para distinguirlas de otros objetos
matemáticos.

Como caso particular de matriz, se definen los vectores fila y los vectores columna. Un
vector fila o vector renglón es cualquier matriz de tamaño 1 x n mientras que un vector
columna es cualquier matriz de tamaño m x 1.

4
A las matrices que tienen el mismo número de filas que de columnas, m = n, se les llama
matrices cuadradas y el conjunto se denota Mn (K), alternativamente a la notación usual
M m x n (K).

Ejemplos:

 Dada la matriz 𝐴 ∈ 𝑀4 𝑥 3 (𝑹)

1 2 3
1 2 7
𝐴= [ ]
4 9 2
6 0 5

A es una matriz de tamaño 4 x 3. La entrada 𝑎23 es 7.

 La matriz 𝑅 ∈ 𝑀1 𝑥 9 (𝑹)

𝑅 = [1 2 3 4 5 6 7 8 9]

R es una matriz de tamaño 1 x 9: un vector fila con 9 entradas.

Subtema 1. Operaciones entre matrices

1.1 Tipos de Matrices

a. Matriz Nula

Una matriz es nula si todos sus elementos son iguales a cero. En el siguiente
ejemplo se muestra la matriz nula de orden 3

0 0 0 0 0
𝐴 = [0 0 0] 𝐵 = [0 0]
0 0 0 0 0

La matriz nula, respecto a la adición y multiplicación de matrices, juega un papel similar

al número cero respecto a la adición y multiplicación de números reales.

b. Matriz Fila

Sólo tiene una fila. Ejemplo: A = [1 2 3 4]

5
 c. Matriz Columna

1
Sólo tiene una columna. Ejemplo: A = [5]
9

d. Matriz Triangular

Aquella en la que todos los elementos situados por encima o por debajo de la diagonal
principal son nulos.

1 2 3 1 0 0 1 2
[0 4 6] [2 4 0] [ 1 ] [ 1 ]
0 0 5 3 6 7 5 0

Triangular Triangular Diagonal Diagonal

Superior inferior principal secundaria

e. Matriz Escalar

Aquella matriz diagonal con todos los elementos de la diagonal principal iguales. Ejemplo:

5 0 0
[0 5 0]
0 0 5

f. Matriz unidad, canónica o identidad: I

Aquella matriz escalar con todos los elementos de la diagonal principal iguales a 1. Por
tanto, la matriz identidad de dimensión 3 x 3 es:

1 0 0
𝐼 = 𝐼3𝑥3 = [0 1 0 ]
0 0 1

g. Matriz Cuadrada

Una matriz n por m elementos, es una matriz cuadrada aquella que tiene igual número n
de filas que de columnas (n = m). En ese caso se dice que la matriz es de orden n. Por
ejemplo, la matriz

6
 1 3 −2
𝐴 = [0 −3 3 ]
4 2 1

Propiedades:

Toda matriz cuadrada se puede descomponer en la suma de una matriz simétrica

y una matriz antisimétrica. (observar los conceptos de matrices simétricas y
antisimétricas).

Si A y B son matrices del mismo orden, entonces se pueden sumar entre sí. Los productos
de matrices son válidos en ambos sentidos, AB y BA (si y sólo si las matrices son
cuadradas del mismo tamaño). Adema surgen los conceptos de determinantes y traza
solo a matrices cuadradas.

Una matriz cuadrada A de orden n es singular y su determinante es nulo, en tal caso se

dice que dicha matriz no tiene inversa. (revise previamente los conceptos de matrices
singulares, determinante y la inversa de una matriz)

h. Matriz diagonal

La diagonal principal de una matriz cuadrada es el conjunto de elementos cuya posición

corresponden a la misma fila y columna. En otras palabras, son los elementos que se
encuentran formando una “diagonal” entre la esquina superior izquierda y la esquina
inferior derecha de la matriz.

En algebra lineal una matriz diagonal es una matriz cuadrada en las entradas son todas
nulas salvo en la diagonal principal, y estas pueden ser nulas o no.

Toda matriz diagonal es también una matriz simétrica, triangular (superior e inferior) y así
las entradas provienen del cuerpo.

Una matriz cuadrada A = (ij) es diagonal si (ij)=0 para j≠i. Es decir, si todos los elementos
situados fuera de la diagonal principal son cero.

1 0 0
𝐷 = [0 −3 0]
0 0 1

7
 i. Matriz invertible

En matemáticas, en particular en álgebra lineal, una matriz cuadrada A de orden n se dice

que es invertible, no singular, no degenerada o regular si existe otra matriz cuadrada de
orden n, llamada matriz inversa de A y representada como A−1, tal que:

𝐴 ∙ 𝐴−1 = 𝐴−1 ∙ 𝐴 = 𝐼𝑛

Donde In es la matriz identidad de orden n y el producto utilizado es el producto de

matrices usual.

Una matriz no invertible se dice que es singular o degenerada. Una matriz es singular si y
solo si su determinante es nulo.

La inversión de matrices es el proceso de encontrar la matriz inversa de una matriz dada.

j. Matriz transpuesta

Sea A una matriz con m filas y n columnas. La matriz transpuesta, denotada con At.

Está dada por:

(𝐴𝑡 )𝑖𝑗 = 𝐴𝑗𝑖 , 1 ≤ 𝑖 ≤ 𝑛, 1 ≤ 𝑗 ≤ 𝑚

En donde el elemento aij de la matriz original A se convertirá en el elemento aij de la matriz

transpuesta

𝑎 𝑏 𝑎 𝑐
[ ]=[ ].
𝑐 𝑑 𝑏 𝑑

1 2 𝑇
1 3 5
[3 4 ] = [ ]
2 4 6
5 6

k. Matriz simétrica

Una matriz es simétrica si es una matriz cuadrada, la cual tiene la característica de ser
igual a su traspuesta.

Una matriz de n x m elementos:

8
 𝑎11 𝑎12 𝑎13 . . . 𝑎1𝑚
𝑎21 𝑎21 𝑎23 . . . 𝑎2𝑚
𝑎31 𝑎32 𝑎33 . . . 𝑎3𝑚
𝐴= . . . . . . .
. . . . . . .
. . . . . . .
(𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 . . . 𝑎𝑛𝑚 )

es simétrica, si es una matriz cuadrada (m = n) y aij = aji para todo i, j con i, j =1,2,3,4,...,n.
Nótese que la simetría es respecto a la diagonal principal.

Ejemplo: para n = 3:

−8 −1 3
(−1 7 4)
3 4 9

A es también la matriz traspuesta de sí misma: AT = A. Esta última igualdad es una

definición alternativa de matriz simétrica.

Propiedades:

Uno de los teoremas básicos que concierne este tipo de matrices es el teorema
espectral de dimensión finita, que dice que toda matriz simétrica cuyos elementos
sean reales es diagonalizable. En particular, es semejante a una matriz ortogonal.

l. Matriz antisimétrica

Una matriz antisimétrica es una matriz cuadrada A cuya traspuesta es igual a su negativa,
es decir vale la relacion AT = -A.

Una matriz de m × n elementos (m = filas, n = columnas):

𝑎11 𝑎12 𝑎13 . . . 𝑎1𝑛

𝑎21 𝑎21 𝑎23 . . . 𝑎2𝑛
𝑎31 𝑎32 𝑎33 . . . 𝑎3𝑛
𝐴= . . . . . . .
. . . . . . .
. . . . . . .
(𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 . . . 𝑎𝑚𝑛 )

9
es antisimétrica (o hemisimétrica), si es una matriz cuadrada (m = n) y aij = –aij para todo
i, j =1,2,3,...,n. En consecuencia, aii = 0 para todo i. Por lo tanto, la matriz A asume la
forma:

0 𝑎12 𝑎13 . . . 𝑎1𝑚

−𝑎12 0 𝑎23 . . . 𝑎2𝑚
−𝑎13 −𝑎23 0 . . . 𝑎3𝑚
𝐴= . . . . . . .
. . . . . . .
. . . . . . .
(−𝑎1𝑛 −𝑎2𝑛 −𝑎3𝑛 . . . 0 )

La matriz

0 −2 4
𝐴= (2 0 2)
−4 −2 0

es antisimétrica, ya que

0 2 −4
𝐴𝑇 = (−2 0 −2) = −𝐴
4 2 0

La diagonal principal se conserva y todos los otros números son cambiados de signo al
opuesto. Nótese que la matriz transpuesta de la matriz antisimétrica A es -A, y que la
antisimetría es respecto a la diagonal principal.

Si n = m es impar el determinante de la matriz siempre será 0.

1.2 Operaciones entre matrices

Las operaciones que se pueden hacer con matrices provienen de sus

aplicaciones, sobre todo de las aplicaciones en álgebra lineal. De ese modo
las operaciones, o su forma muy particular de ser implementadas, no son
únicas.

1.2.1 Suma o adición

Sean A, B ∈ 𝑀𝑛 𝑥 𝑚 ( 𝑲 ). Se define la operación de suma o adición de matrices como

una operación binaria.

10
A es la matriz (aij), B = (bij) y A + B = (cij); donde cij = aij + bij en el que la operación de
suma en la última expresión es la operación binaria correspondiente pero en el campo
Por ejemplo, la entrada C12 es igual a la suma de los elementos a12 y b12 lo cual es a12+
b12.

Veamos un ejemplo más explícito. Sea 𝐴, 𝐵 ∈ 𝑀3 ( 𝑅 )

1 3 2 1 0 5 1+1 3+0 2+5 2 3 7

[1 0 0 ] + [7 5 0] = [1 + 7 0 + 5 0 + 0] = [8 5 0]
1 2 2 2 1 1 1+2 2+1 2+1 3 3 3

No es necesario que las matrices sean cuadradas:

2 2 1 0 1 4 2 3 1
3 2 1 1 4 0 4 6 1
[ ]+ [ ]= [ ]
2 3 2 2 1 1 4 4 3
2 0 4 0 2 2 2 2 6

La suma de matrices, en el caso de que las entradas estén en un campo, poseen las
propiedades de asociatividad, conmutatividad, existencia de elemento neutro aditivo y
existencia de inverso aditivo. Esto es así ya que éstas son propiedades de los campos en
los que están las entradas de la matriz.

Propiedades de la suma de matrices:

Sean 𝐴, 𝐵, 𝐶 ∈ 𝑀𝑛𝑥𝑚 (𝐾), donde K es un campo entonces se cumplen las siguientes

propiedades para la operación binaria:

 Asociatividad:

(A + B) + C = A + (B + C)

 Conmutatividad:

(A + B) = (B + A)

 Existencia del elemento neutro aditivo

Existe 0 ∈ 𝑀𝑛𝑥𝑚 (K) tal que

A+0=0+A=A

11
  Existencia del inverso aditivo

Existe 𝐷 ∈ 𝑀𝑛𝑥𝑚 (𝑲) tal que

A+D=0 a esta matriz D se le denota por – A

En efecto, estas propiedades dependen el conjunto en el que estén las entradas, como
se ha dicho antes, aunque en las aplicaciones generalmente los campos usados son
(los números reales) y (los números complejos).

1.2.2 Producto por un escalar

Sean 𝐴 ∈ 𝑀𝑛𝑥𝑚 (𝑲) y λ ∈ 𝑲 . Se define la operación de producto por un escalar como una
función 𝐾 𝑥 𝑀 𝑛 𝑥 𝑚 (𝑲) → 𝑀 𝑛 𝑥 𝑚 (𝑲) tal que (λ, A)  B = λA y donde bij = λ aij en donde el
producto es la operación binaria correspondiente, pero en el campo K.

Por ejemplo, la entrada b12 es igual al producto λa12.

Veamos un ejemplo más explícito. Sea 𝐴 ∈ 𝑀2𝑥3 (𝑹) 𝑦 2 ∈ 𝑹

1 8 −3 2(1) 2(8) 2(−3) 2 16 −6

2[ ]= [ ]=[ ]
4 −2 6 2(4) 2(−2) 2(6) 8 −4 12

También es inmediato observar que el producto por un escalar da como resultado una
matriz del mismo tamaño que la original. También el producto por un escalar dependerá
de la estructura algebraica en la que las entradas están. En el caso de que estén en un
campo serán dos distributivas (una respecto de suma de matrices y otra respecto de suma
en el campo), asociativa y una propiedad concerniente al producto por el elemento neutro
multiplicativo del campo. A continuación, se presentan las propiedades.

Propiedades del producto por un escalar

Sean A, B ∈ 𝑀𝑛𝑥𝑚 (𝑲) y 𝜆, µ ∈ 𝑲 , donde K es un campo, entonces se cumplen las

siguientes propiedades para la operación producto por un escalar:

 Asociatividad: (𝜆µ)𝐴 = 𝜆(µ𝐴)

 Distributividad respecto de la suma de 2matrices:𝜆(𝐴 + 𝐵) = 𝜆𝐴 + 𝜆𝐵

12
  Distributividad respecto de la suma en el campo: (𝜆 + µ)𝐴 = 𝜆𝐴 + µ𝐴

 Producto por el neutro multiplicativo del campo: 1KA = A

Ahora, a partir de las propiedades básicas se puede demostrar inmediatamente que

𝜆0 = 0

Demostración:

0KA=0

𝜆𝐴 = 0 → 𝜆 = 0𝐾 𝑜 𝐴 = 0

1.2.3 Producto de Matrices

Además de las operaciones de suma de matrices y multiplicación por un

escalar, bajo ciertas circunstancias puede definirse el producto AB de las
matrices A y B, esta circunstancia es que el número de columnas de A sea
igual al número de renglones de B. Aunque la siguiente definición de multiplicación de
matrices no parece ser muy natural (parecería más natural sólo multiplicar las entradas
correspondientes), un estudio más minucioso de las matrices lo convencerán de que
nuestra definición es apropiada y extremadamente práctica para aplicaciones.

Definición
Sea A una matriz de m x n y B una matriz n x p. Entonces el producto AB es la matriz C
de m x p cuya entrada Cij en el renglón i y la columna j se obtiene como sigue: sume los
productos formados al multiplicar; en orden, cada entrada (esto es primera, segunda, etc.)
del renglón i de A por la "correspondiente" entrada (esto es, primera, segunda, etc.) de la
columna j de B.

Tres puntos concernientes a la definición anterior de AB deben ser completamente

comprendidos. Primero, la condición de que A sea de m x n y B sea de n x p es equivalente
a decir que el número de columnas de A debe ser igual al número de renglones de B.

13
Segundo, el producto será una matriz de orden m x p; tendrá tan renglones como A y
tantas columnas como B.

Tercero, la definición se refiere al producto AB, en ese orden; A es el factor izquierdo y B

el factor derecho. Para AB decimos que B está premultiplicado por A, o bien que A está
posmultiplicado por B.

El producto de matrices se define de una manera muy peculiar y hasta caprichosa cuando
no se conoce su origen. El origen proviene del papel de las matrices como
representaciones de aplicaciones lineales. Así el producto de matrices, como se define,
proviene de la composición de aplicaciones lineales. En este contexto, el tamaño de la
matriz corresponde con las dimensiones de los espacios vectoriales entre los cuales se
establece la aplicación lineal. De ese modo el producto de matrices representa la
composición de aplicaciones lineales.

En efecto, en ciertas bases tenemos que 𝒇: 𝑽 → 𝑾 se puede representar como 𝒇(𝒙) = 𝑨𝒙,
donde x es la representación de un vector de V en la base que se ha elegido para V en
forma de vector columna. Si tenemos dos aplicaciones lineales 𝒇: 𝑽 → 𝑾 y 𝒈: 𝑾 → 𝑼,
entonces 𝒇(𝒙) = 𝑩𝒙 y 𝒈(𝒙) = 𝑨𝒙, luego la aplicación 𝑔 𝑜 𝒇: 𝑽 → 𝑼 se representará como
𝒈 𝑜𝒇(𝒙) = 𝒈(𝒇(𝒙)) = 𝒈(𝑩𝒙) = 𝑨𝑩𝒙 donde AB es el producto de las representaciones
matriciales de f, g .Nótese que la composición no se puede dar entre cualquier aplicación
sino entre aplicaciones que vayan de 𝑽 → 𝑾 → 𝑼, en particular debe de haber una
relación entre las dimensiones de los espacios vectoriales. Una vez dicho esto podemos
definir el producto de la siguiente manera:

Sean 𝑨 ∈ 𝑴𝒏𝒙𝒎 (𝑲) 𝑦 𝑩 ∈ 𝑴𝒎𝒙𝒑 (𝑲). Se define el producto de matrices como una
función 𝑴𝒏𝒙𝒎 (𝑲)𝑥 𝑴𝒎𝒙𝒑 (𝑲) → 𝑴𝒏𝒙𝒑 (𝑲) tal que (𝑨, 𝑩) → 𝑪 = 𝑨𝑩 y donde

𝑐𝑖𝑗 = ∑𝑚
𝑘=1 𝑎𝑖𝑘 𝑏𝑘𝑗 para toda i, j, es decir:

14
𝑐𝑖𝑗 = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + 𝑎𝑖3 𝑏3𝑗 + ⋯ + 𝑎𝑖𝑚 𝑏𝑚𝑗 .

Por ejemplo, la entrada

𝑐12 = 𝑎11 𝑏12 + 𝑎12 𝑏22 + 𝑎13 𝑏32 + ⋯ + 𝑎1𝑚 𝑏𝑚2

Veamos un ejemplo más explícito. Sean 𝑨 ∈ 𝑴𝟐𝒙𝟑 (𝑹) 𝑦 𝑩 ∈ 𝑴𝟑𝒙𝟐 (𝑹)

3 1 1(3) + 0(2) + 2(1) 1(1) + 0(1) + 2(0)

1 0 2 5 1
[ ] [2 1] = [ ]= [ ]
−1 3 1 −1(3) + 3(2) + 1(1) −1(1) + 3(1) + 1(0) 4 2
1 0

Dónde la matriz producto es como habíamos establecido en la definición: una matriz 𝑪 ∈

𝑴𝟐𝒙𝟐 (𝑹).

Sin tomar en cuenta la motivación que viene desde las aplicaciones lineales, es evidente
ver que si ignoramos la definición de la función de producto de matrices y sólo se toma en
cuenta la definición de las entradas, el producto no estará bien definido, ya que si A no
tiene el mismo número de columnas que B de filas entonces no podremos establecer en
donde acaba la suma: si la acabamos en el mayor de éstos números habrá sumandos
que no están definidos ya que una de las matrices no tendrá más entradas, mientras que
si tomamos el menor habrá entradas de alguna de las matrices que no se tomen en
cuenta. Así es necesario que A tenga el mismo número de columnas que B de filas para
que AB exista.

Como se puede suponer también, las propiedades de esta operación serán más limitadas
en la generalidad ya que además de las limitaciones impuestas por la naturaleza de las
entradas está esta limitación respecto a tamaño. Es claro, además, que el producto de
matrices no siempre es una operación interna.

Propiedades del producto de matrices:

Sean A, B, C matrices con entradas en 𝕂, donde 𝕂 es un campo, entonces se

cumplen las siguientes propiedades para el producto de matrices (considerando
que los productos existan)

 Asociatividad: A(BC) = (AB)C

15
  Distributividad respecto de la suma de matrices por la derecha: (A + B)C=AC +
BC

 Distributividad respecto de la suma de matrices por la izquierda:

A(B+C) = AB + AC

El producto de matrices no es conmutativo, si lo fuera la composición de funciones lineales

sería conmutativa y eso en general no sucede. Obviamente existen casos particulares de
algunos tipos de matrices en los que sí hay conmutatividad.

Ejercicios Resueltos de Operaciones con Matrices.

2 1 3 3 2 1
1) 𝐴 = [4 2 0 ] 𝐵 = [ 2 1 6]
0 2 −1 −1 2 3

2+3 1+2 3+1 5 3 4

𝐴 + 𝐵 = [4 + 2 2 + 1 0 + 6 ] 𝐶 = [ 6 3 6 ]
0 − 1 2 + 2 −1 + 3 −1 4 +2

3 4 6 8 1 6 −2 3
2) 𝐴=[ ] 𝐵=[ ]
1 2 6 5 0 0 2 1

3+1 4+6 6−2 8+3 4 10 4 11

𝐴+𝐵 = [ ] 𝐶= [ ]
1+0 2+0 6+2 5+1 1 2 8 6

3 −1 0 2 3 −2
3) 𝐴 = [4 0 8] 𝐵 = [ 4 5 4 ]
1 2 6 −1 1 3

3−2 −1 − 3 0 + 2 1 −4 2
𝐴 − 𝐵 = [4 − 4 0 − 5 8 − 4] 𝐶 = [0 −5 4]
1+1 2−1 6−3 2 1 3

5 0 2 −1 −1 −1 5+1 0+1 2+1

4) 𝐴 = [ 4 6 2 ] 𝐵 = [ 2 2 2 ] 𝐴 − 𝐵 = [ 4−2 6−2 2−2 ]
−1 −1 −2 −3 3 −3 −1 + 3 −1 − 3 −2 + 3

16
 6 1 3
𝐶 = [2 4 0]
2 −4 1

1 2 0 2 1 1
5) 𝐴 = [2 −1 −1] 𝐵 = [−1 1 3]
3 2 3 1 2 4
𝐴𝑥𝐵 =
(1)(2) + (2)(−1) + (0)(1) (1)(1) + (2)(1) + (0)(2) (1)(1) + (2)(3) + (0)(4)
[(2)(2) + (−1)(−1) + (−1)(1) (2)(1) + (−1)(1) + (−1)(2) (2)(1) + (−1)(3) + (−1)(4)]
(3)(2) + (2)(−1) + (3)(1) (3)(1) + (2)(1) + (3)(2) (3)(1) + (2)(3) + (3)(4)
0 3 7
𝐶 = [4 −1 −5]
7 11 21

3 1
1 2 −3
6) 𝐴 = [ ] 𝐵 = [ 2 4]
4 0 −2
−1 5

(1)(3) + (2)(2) + (−3)(−1) (1)(1) + (2)(4) + (−3)(5)

𝐴𝑥𝐵 = [ ]
(4)(3) + (0)(2) + (−2)(−1) (4)(1) + (0)(4) + (−2)(5)

10 −6
𝐶=[ ]
14 −6

4 7 3 20 35 15
7) 𝐴 = [5 8 5] 5. 𝐴 = [25 40 25]
6 9 4 30 45 20

4 7 3 3 4 2
8) 𝐴 = [5 8 5] 𝐵 = [8 5 5]
6 9 4 6 3 6

4 + 3/4 7 + 4/4 3 + 2/4 19/4 32/4 7/2

1
𝐴 + 𝐵 = [5 + 8/4 8 + 5/4 5 + 5/4] = [ 7 37/4 25/4]
4
6 + 6/4 9 + 3/4 4 + 6/4 15/2 39/4 11/2

17
Subtema 2: Determinantes e inversa de una matriz

1.3 Cálculo de determinante de una matriz

El concepto de determinante de una matriz cuadrada tiene una gran relevancia

dentro de la teoría de matrices. Los determinantes resultan de gran utilidad a la
hora de resolver determinados sistemas de ecuaciones lineales (los llamados
sistemas de Cramer), discutir la existencia de solución de sistemas de ecuaciones
lineales generales (mediante el concepto de rango de una matriz y del Teorema de
Rouché Frobenious), y analizar la dependencia lineal de un conjunto de vectores (lo cual,
entre otras cosas, nos permitirá identificar posibles bases de un espacio vectorial).
Además, la interpretación geométrica de los determinantes nos permite calcular, de forma
sencilla, áreas y volúmenes de determinadas figuras geométricas, realizar productos
vectoriales, y hallar las ecuaciones de un plano en el espacio.

Los campos de aplicación de la teoría de los determinantes y, en general, de la teoría de

matrices son muy amplios, y abarcan desde las más clásicas aplicaciones en las áreas
de física, economía, e ingeniería hasta aplicaciones más recientes como la generación
de gráficos por ordenador, la teoría de la información [W1], y la criptografía.

Definición de determinante
Dados los números 1, 2, 3,....n existen n! formas distintas de ordenarlos. Cada una de
dichas ordenaciones se llama permutación. El conjunto de todas las permutaciones se
representa por Pn y la permutación (1, 2, 3,..., n) se llama permutación principal.

Por ejemplo, el conjunto {(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1)} contiene las 6
permutaciones diferentes de la terna (1 2 3).

Diremos que dos elementos de una permutación forman una sucesión si están colocados
en el mismo orden que en la permutación principal. En caso contrario, diremos que forman
una inversión.

Por ejemplo: (2 3 1 4 5 6) tiene dos inversiones (nº de pasos a realizar para obtener la
permutación principal).

Llamaremos signatura de una permutación al valor (-1) λ donde λ es el número de

inversiones de dicha permutación.

18
Se define el determinante de una matriz cuadrada A, denotado por |𝐴| o por det(A), como:

1.3.1 Cálculo de determinantes

Determinantes de Orden 2 (asociados a matrices de 2x2)

Cuando A es una matriz de 2x2 hay 2! = 2 permutaciones del par (1,2); estas
son:

{(1,2), (2,1)}. Entonces el determinante contendrá dos términos:

El determinante de orden 2 será:

𝑎11 𝑎12 𝑎11 𝑎12

|𝑎 𝑎22 | = 𝑎11 . 𝑎22 − 𝑎12 . 𝑎21 |𝑎 𝑎22 |
21 21

Ejemplo:

2 5
| | = 2(−4) − 5(3) = −8 − 15 = −23
3 −4

Determinantes de orden 3 (asociados a matrices 3x3)

Si A es una matriz de 3x3, su determinante (de orden 5) vendrá dado por:

𝑎11 𝑎12 𝑎13

|𝑎21 𝑎22 𝑎23 |
𝑎31 𝑎32 𝑎33

= 𝑎11 𝑎22 𝑎33 + 𝑎21 𝑎32 𝑎13 + 𝑎12 𝑎23 𝑎31 − 𝑎13 𝑎22 𝑎31 − 𝑎12 𝑎21 𝑎33 − 𝑎11 𝑎23 𝑎32

𝑎11 𝑎12 𝑎13 𝑎11 𝑎12 𝑎13

𝑎
| 21 𝑎22 𝑎23 | 𝑎
| 21 𝑎22 𝑎23 |
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32 𝑎33

Ejemplo:

1 4 −3
|3 −2 1 | = 1(−2)(5) + (3)(−1)(−3) + (4)(1)(4) − (−3)(−2)(4) − (3)(4)(5)
4 −1 5
− (1)(−1)(1) = −10 + 9 + 16 − 24 − 60 + 1 = −68

Determinantes de orden superior a 3 (asociados a matrices nxn con n> 3)

En el caso de determinantes de orden superior a 3 (es decir asociados a matrices de
tamaño n x n con n > 3, la expresión resultante tiende a complicarse por lo menos
recurriremos al método de desarrollo por adjuntos para su cálculo.

19
Primero de todo, fijémonos en la disposición de signos siguientes (similar a las casillas
blancas y negras en un tablero de ajedrez)

+ − + − …
− + − + …
|+ − + − …||
|
− + − + …
⋮ ⋮ ⋮ ⋮ ⋮

Para calcular el determinante de una matriz de 4 x 4 (o superior) se debe hacer:

Elegir aquella fila o columna que contenga el mayor número de ceros (si ninguna línea
tiene ceros, se escoge una línea cualquiera)

Cada uno de los elementos de la línea dará lugar a un sumando, el cual se obtendrá como
se explica en el paso siguiente.

Para cada elemento de la línea seleccionada, éste se multiplica por su correspondiente

determinante adjunto (aquel determinante resultante de eliminar la fila y la columna a las
que pertenece el elemento seleccionado). A dicho adjunto le precederá el signo que
corresponda a la posición ocupada por el elemento seleccionado (según la tabla de signos
arriba indicada).

Ejemplo:

1 1 3 −2
2 −4 7 2
| | Elegimos la 1a columna y la desarrollamos:
3 −2 9 −1
1 3 −1 −1

−4 7 2 1 3 −2 1 3 −2 1 3 −2
= (1) |−2 9 −1| + (−2) |−2 9 −1| + (3) |−4 7 2 | + (−1) |−4 7 2|
3 −1 −1 3 −1 −1 3 −1 −1 −2 9 −1
=⋯

= 15

1.3.2 Propiedades de los Determinantes

Para el cálculo de algunos determinantes, puede ser muy útil recurrir a algunos de las
siguientes propiedades:

El determinante de una matriz es igual al de su traspuesta.

Por ejemplo:

20
 1 2 3 1 1 0
|1 0 0| = |2 0 0| = −2
0 0 1 3 0 1

Si en un determinante se cambian entre sí dos líneas paralelas (filas o columnas), el signo

de su valor también cambiará.

Por ejemplo:

1 2 3 1 1 0
|0 0 1| = − |1 0 0| en efecto
1 0 0 0 0 1

1 2 3 1 2 3
|0 0 1| = 2 𝑦 |1 0 0| = −2
1 0 0 0 0 1

Un determinante que tiene dos líneas paralelas (filas o columnas) iguales vale cero.

Por ejemplo:

4 6 5
|4 6 5| = 0
4 0 0

Si un determinante tiene todos los elementos de una línea nulos, el determinante vale 0.

Por ejemplo:

4 5 6
|0 0 0| = 0
4 7 6

Multiplicar un determinante por un n° real es equivalente a multiplicar cualquier línea (fila

o columna) por dicho número.

Por ejemplo:

1 2 3 1 2 3∗2
2 ∗ |0 0 1| = |0 0 1 ∗ 2|
1 0 0 1 0 0∗2

Dada matriz A de tamaño n x n, y un n° real λ, esta propiedad implica que:

|𝜆 ∙ 𝐴| = 𝜆𝑛 ∙ |𝐴|

Si todos los elementos de una fila o columna están formados por dos sumandos, dicho
determinante se descompone en la suma de dos determinantes.

21
Por ejemplo:

2 4+5 3 2 4 3 2 5 3
|0 3 + 3 2| = |0 3 2| + |0 3 2|
0 1+2 5 0 1 5 0 2 5

Si los elementos de una línea son combinación lineal de las otras, entonces, el
determinante vale 0.

Por ejemplo,

1 3+2∙1 3
|2 0 + 2 ∙ 2 0| = 0 (la 2ª columna es combinación lineal de las otras, entonces, el
3 1+2∙3 1
determinante vale 0.

Si a los elementos de una línea se le suman los elementos de otra paralela multiplicados
previamente por un n° real el valor del determinante no varía.

Por ejemplo:

1 5+2∙1 3 1 5 3
|2 3 + 2 ∙ 2 0| = |2 3 0|
3 4+2∙3 1 3 4 1

El determinante de un producto de matrices es el producto de los determinantes de cada

una de ellas.

|𝐴 ∙ 𝐵 | = |𝐴| ∙ |𝐵|

1.3.3 Regla de Cramer

Para un S.E.L. de dos ecuaciones con dos incógnitas, cuya forma es:

𝑎11 𝑥 + 𝑎12 𝑦 = 𝑏1
{
𝑎21 𝑥 + 𝑎22 𝑦 = 𝑏2

Sus soluciones están dadas por:

𝑏 𝑎12 𝑎 𝑏1
| 1 | | 11 |
𝑏2 𝑎22 𝑎21 𝑏2
𝑥= 𝑎11 𝑎12 ; 𝑦= 𝑎11 𝑎12
|𝑎 | |𝑎 |
21 𝑎22 21 𝑎22

Siempre que: 𝑎11 𝑎22 − 𝑎21 𝑎12 ≠ 0

22
Para un S.E.L. de tres ecuaciones con tres incógnitas cuya forma es:

Te invito a revisar los siguientes videos para reforzar y ampliar los contenidos.
Ejemplo:

𝑥 + 2𝑦 − 𝑧 = −3
Resolver: 𝑝(𝑥, 𝑦, 𝑧): { 2𝑥 − 4𝑦 + 𝑧 = −7
−2𝑥 + 2𝑦 − 3𝑦 = 4

1 2 − 1 ⋮−3
La matriz aumentada del sistema sería: [ 2 − 4 1 ⋮−7]
−2 2 − 3⋮ 4

Aplicando la regla de Cramer:

−3 2 −1
|−7 −4 1 |
𝑥= 4 2 −3 = −3(12 − 2) − 2(21 − 4) − 1(−14 + 16) = −3
1 2 −1 1(12 − 2) − 2(−6 + 2) − 1(4 − 8)
| 2 −4 1 |
−2 2 −3

1 −3 −1
| 2 −7 1 |
1(21 − 4) + 3(−6 + 2) − 1(8 − 14) 1
𝑦 = −2 4 −3 = =
1 2 −1 22 2
| 2 −4 1 |
−2 2 −3

23
 1 2 −3
| 2 −4 −7|
𝑧 = −2 2 4 = 1(−16 + 14) − 2(8 − 14) − 3(4 − 8) = 1
1 2 −1 22
| 2 −4 1 |
−2 2 −3

𝟏
𝑨𝒑(𝒙, 𝒚, 𝒛) = {(−𝟑, , 𝟏)}
𝟐

1.4 Inversa de una matriz

1.4.1 Operaciones Elementales por renglones

Se llama operación elemental realizada en una matriz a cualquiera de las

transformaciones siguientes:

 Cambiar entre sí dos filas (columnas).

Se puede representar por Fi ↔ Fj, siendo Fi y Fj dos filas de la matriz (Ci↔Cj, siendo
Ci y Cj dos columnas de la matriz)

 Multiplicar una fila (columna) por un número real distinto de cero.

Se puede representar por Fi  t Fi (Ci  Ci)

 Sumar a una fila (columna) otra fila (columna) multiplicada por un número real.

Se puede representar por Fi  Fi+ t Fj (Ci  Ci + t Cj)

Dos matrices A y B son equivalentes si una de ellas se puede obtener a partir de la otra
mediante operaciones elementales. Se puede representar por A≈B.

Ejemplo:

2 1 4 −3 2 1 2 −3
(−1 2 ) 𝐹1 ↔ 𝐹3 (−1 2 ) (−1 2 ) 𝐶2 → −3 𝐶2 (−1 −6)
≈ ≈
4 −3 2 1 4 −3 4 9

2 1 0 5
𝐹
(−1 2 ) 𝐹1 → ≈1 + 2𝐹2 (−1 2 )
4 −3 4 −3

24
 Cualquier matriz mediante operaciones elementales, bien por filas o por columnas, se
puede convertir en una matriz escalonada equivalente.

Rango de una matriz

El rango de una matriz A es el número de filas (columnas) no nulas de cualquier matriz

escalonada por filas (columnas) equivalentes a A. Se representa por rg A.

El rango de una matriz es el mayor de los órdenes de los menores no nulos que podemos
encontrar en la matriz. Por tanto, el rango no puede ser mayor al número de filas o de
columnas. También se define el rango de una matriz como el número máximo de filas (o
columnas) linealmente independientes. Es decir, cuando depende de otra u otras cuando
se puede establecer una combinación lineal entre ellas.

Esta definición permite relacionar el concepto de rango con conceptos relativos a

espacios vectoriales. El cálculo del rango de una matriz es una cuestión importante a la
hora de estudiar sistemas de ecuaciones lineales. Además, en teoría de control, el rango
de una matriz se puede usar para determinar si un sistema lineal es controlable u
observable.

Ejemplo:

1 3
Determine el rango de 𝐴 = (−4 −6) mediante operaciones elementales por filas.
2 0

1 3 1 3 1 3 1 3
(−4 −6) 𝐹2 → 𝐹2 + 4𝐹1 (0 6) 𝐹3 → 𝐹3 − 2𝐹1 (0 6 ) 𝐹3 → 𝐹3 + 𝐹2 (0 6)
2 0 2 0 0 −6 0 0

Como la matriz escalonada por filas que se ha obtenido tiene dos filas no nulas, se tiene
que rg A = 2

Matriz escalonada:

Una matriz es una matriz escalonada si:

1. En el caso de tener cierto número de filas nulas estas se sitúan en la parte

inferior de la matriz.

25
 2. En las filas no nulas, el primer elemento diferente de cero de cada fila está
situado más a la derecha que el primer elemento no nulo de la fila inmediatamente
superior.

Ejemplos de matrices escalonadas

𝟏 −𝟒 𝟑
𝟐 𝟑 −𝟏
𝟒 −𝟏 𝟐 𝟎 𝟕 𝟐
𝑨=( ) 𝑩 = (𝟎 𝟓 𝟏) 𝑪= ( )
𝟎 𝟐 𝟏 𝟎 𝟎 𝟓
𝟎 𝟎 𝟑
𝟎 𝟎 𝟎

𝟑 𝟏 𝟔 𝟑 𝟐 −𝟑
𝟓 −𝟏 𝟒 𝟐
𝟎 𝟒 −𝟕 𝟒 𝟎 𝟎
𝑫= ( ) 𝑬= ( ) 𝑭 = (𝟎 𝟎 𝟐 −𝟑)
𝟎 𝟎 𝟏 −𝟐 𝟎 𝟎
𝟎 𝟎 𝟎 𝟎
𝟎 𝟎 𝟎 𝟕 𝟎 𝟎

𝟑 𝟏 −𝟓 𝟎 𝟐
𝑮 = (𝟎 𝟔 𝟏 −𝟐 𝟒)
𝟎 𝟎 𝟎 𝟎 −𝟏
Ejemplos de matrices no escalonadas:

3 2 −1 3
2 0 0 0 2 1 5
0 0 3 2
𝐴= ( ) 𝐵 = (0 0 −5 1 ) 𝐶 = (0 −3 0)
0 0 0 0
0 3 0 −2 0 6 0
0 0 0 3

El rango de una matriz escalonada A es el número de filas no nulas de la matriz. Se

denomina por rg(A).

Siempre es posible pasar de una matriz cualquiera A a una matriz escalonada. Para esto
se llevan a cabo transformaciones elementales, que son las siguientes:

 Cambiar el orden de las filas.

 Multiplicar una o más filas por un número real distinto de cero.
 Sumar a una fila otra multiplicada por un número real.

Las matrices que se obtienen mediante estas transformaciones elementales son

equivalentes.

El rango de una matriz A es el rango de una matriz escalonada equivalente a A.

26
Ejercicios de cálculo de rango de una matriz

Calcular el rango de la matriz siguiente:

2 −1 0 7
(1 0 1 3)
3 2 7 7

F1 − 2 F2

0 −1 −2 1
(1 0 1 3)
3 2 7 7

F3 − 3 F2

0 −1 2 1
(1 0 1 3 )
0 2 4 −2

F3 + 2 F1

0 −1 −2 1
(1 0 1 3)
0 0 0 0

Por tanto r(A) =2.

Calcular el rango de la siguiente matriz:

6 −1 3 → 𝐹1
𝐵 = (−6 9 0 ) → 𝐹2
2 −3 −5 → 𝐹3

6 −1 3 𝐹1 = 𝐹1 +𝐹2 0 8 3
(−6 9 0) → (−6 9 0)
2 −3 −5 2 −3 −5

0 8 3 𝐹3 = 𝐹2 +3𝐹3 0 8 3
(−6 9 0) → (−6 8 0 )
2 −3 −5 0 0 −15

0 7 3 𝐹1 ↔ 𝐹2 −6 9 0
(−6 8 0 )→ (0 7 3 ) = 𝐵´
0 0 −15 0 0 −15

27
Hallar el rango de la matriz siguiente:

1 −4 2 −1
3 −12 6 −3
𝐴= ( )
2 −1 0 1
0 1 3 −1

1 −4 2 −1
0 0 0 0
F2 = F2 − 3F1 ( )
0 7 −4 3
0 1 3 −1

F3= F3 − 2F1

Por tanto r(A) = 3.

Matriz inversa
Dada una matriz cualquiera A llamamos inversa de A a otra matriz que denominaremos

A-1 que cumpla que: A*A-1= A-1*A= I

Donde I es la matriz de identidad

Dos matrices distintas no pueden ser inversas de la matriz A. Es decir, la inversa de la

matriz A es única.

Una matriz cuadrada que posee inversa se dice que es invertible o regular; en caso
contrario recibe el nombre de singular.

1.4.2 Métodos de resolución:

Método de Gauss
Este método debe su nombre a Carl Friedich Gauss y a Wilhem Jordan. Se trata de una
serie de algoritmos de algebra lineal para determinar los resultados de un sistema de
ecuaciones lineales y así hallar matrices e inversas.

Este método consiste en colocar junto a la matriz de partida (A) la matriz identidad (I) y
hacer operaciones por filas, afectando esas operaciones tanto a A como a I, con el
objeto de transformar la matriz A en la matriz identidad, la matriz resultante de las
operaciones sobre I es la inversa de A (A-1).

Las operaciones que podemos hacer sobre las filas son:

28
a) Sustituir una fila por ella multiplicada por una constante.

b) Permutar dos filas.

c) Sustituir una fila por una combinación lineal de ella y otras.

La matriz inversa de A es
Para hallar la inversa de una matriz cuadrada por el método de Gauss - Jordan lo
1 3 3
haremos de la siguiente manera, con el siguiente ejemplo A= (1 4 3)
1 3 4

Colocamos la matriz identidad a continuación la que nos dan.

Hacemos las transformaciones necesarias para que el lado izquierdo de la solución me

quede la matriz identidad. La matriz que queda en el lado derecho es la inversa.

Ilustremos con un ejemplo práctico. Consideremos la matriz 3x3 siguiente y ejecutemos

los pasos:

2 1 3 2 1 3 ⋮ 1 0 0
[2 −1 2] escribimos la matriz auxiliar [2 −1 2 ⋮ 0 1 0]
1 2 2 1 2 2 ⋮ 0 0 1

intercambio de filas 1 y 3

1 2 2 ⋮ 0 0 1
[2 −1 2 ⋮ 0 1 0]
2 1 3 ⋮ 1 0 0

se toma como referencia el elemento a11:

F2-2.F1
1 2 2 0 0 1
0 −5 −2 0 1 −2
F3-2.F1 0 −3 −1 1 0 −2

29
Multiplicamos la segunda fila para (-5):

1 2 2 ⋮ 0 0 1
2 1 2
[0 1 ⋮ 0 − ]
5 5 5
0 −3 −1 ⋮ 1 0 −2

Trabajamos con el elemento a22:

-2F2+.F1
3F2+.F3

6 2 1
1 0 ⋮ 0
5 5 5
2 1 2
0 1 ⋮ 0 −
5 5 5
1 3 4
[0 0 5
⋮ 1 −
5
− ]
5

Multiplicamos la tercera fila para (5):

6 2 1
1 0 ⋮ 0
5 5 5
2 1 2
0 1 ⋮ 0 −
5 5 5
[0 0 1 ⋮ 5 −3 −4]

Trabajamos con el elemento a33:

-6/5 F3+.F1
-2/5 F2+.F2

1 0 0 ⋮ −6 4 5
[0 1 0 ⋮ −2 1 2]
0 0 1 ⋮ 5 −3 −4

La inversa de la matriz A es:

−6 4 5
𝐴−1 = [−2 1 2]
5 −3 −4

Podemos comprobar multiplicando la matriz A por su inversa y debe darnos la matriz

identidad:

30
 2 1 3 −6 4 5 (−12 − 2 + 15) (8 + 1 − 9) (10 + 2 − 12)
[2 −1 2] ∗ [−2 1 2 ] = [(−12 + 2 + 10) (8 − 1 − 6) (10 − 2 − 8) ]
1 2 2 5 −3 −4 (−6 − 4 + 10) (4 + 2 − 6) (5 + 4 − 8)
1 0 0
= [0 1 0]
0 0 1

Inversa de una matriz usando determinantes

Si A es invertible, entonces det(A) ≠ 0 y

1
A-1 = Adj (A)T
det(𝐴)

EJEMPLO:

2 3 −4
A=[0 −4 2 ]
1 −1 5

det(A) = – 40 + 0 +6 – 16 +4 + 0 = – 46

Matriz de cofactores:

−4 2 0 2 0 −4
+| | −| | +| |
−1 5 1 5 1 −1
3 −4 2 −4 2 3
A= − | | +| | −| |
−1 5 1 5 1 −1
3 −4 2 −4 2 3
[+ |−4 2
| −|
0 2
| +|
0
|
−4 ]

−18 2 4
A=[−11 14 5]
−10 −4 −8

La transpuesta de la matriz de cofactores es la adjunta

−18 −11 −10

adj (A) = [ 2 14 −4 ]
4 5 −8

1 −18 −11 −10

𝐴−1 = [ 2 14 −4 ]
−46
4 5 −8

31
 Tema 2: Sistemas de ecuaciones lineales

Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer grado,
es decir, las incógnitas no están elevadas a potencias, ni multiplicadas entre sí, ni en el
denominador.

Por ejemplo, 3x + 2y + 6z = 6 es una ecuación lineal con tres incógnitas. Como es bien
sabido, las ecuaciones lineales con 2 incógnitas representan una recta en el plano. Si la
ecuación lineal tiene 3 incógnitas, su representación gráfica es un plano en el espacio. Un
ejemplo de ambas representaciones puede observarse en la figura #1.

En esta unidad veremos los diferentes tipos de métodos de resolución de sistemas de

ecuaciones lineales, las notaciones y las ecuaciones matriciales, esto conlleva a poder
resolver y desarrollar problemas de aplicación relacionados a la profesión.

Figura #1: Representación gráfica de la recta –x+2y=3 en el plano y del plano x+y+z=1 en el espacio.

Subtema 3: Sistema de m ecuaciones con n incógnitas.

Perteneciente o relativo a la línea. Sin embargo, en matemáticas la palabra

“lineal” tiene un significado mucho más amplio. Una gran parte de la teoría de
algebra lineal elemental es, de hecho, una generalización de las propiedades
de la línea recta.

32
La pendiente m de una recta que pasa por los puntos (x1, y1) y (x2, y2) está dada por:

𝑦 −𝑦 Δ𝑦
𝑚 = 𝑥2−𝑥1 = Δ𝑥 si 𝑋1 ≠ 𝑋2
2 1

Si 𝑋2 – 𝑋1 = 0 y 𝑦2 ≠ 𝑦1 , entonces la recta es vertical y se dice que la pendiente es indefinida.

Cualquier recta (a excepción de aquella que tiene una pendiente indefinida) se puede describir
mediante su ecuación en la forma pendiente-ordenada y = mx + b, donde m es la pendiente de la
recta y b es la ordenada (el valor de y en el punto en el que la recta cruza con el eje y).

33
Dos rectas distintas son paralelas si y solo si tienen la misma pendiente.

Si la ecuación de la recta se escribe en la forma ax + by = c, (b ≠ 0), entonces se puede calcular

fácilmente, m = -a/b.

Si m1 es la pendiente de la recta L1, m2 es la pendiente de la recta L2 m1 ≠ 0 y L1 y L2 son

perpendiculares entonces m2 = – 1/m1.

34
 Las rectas paralelas al eje x tienen una pendiente 0.

2.1 Ecuaciones lineales con dos incógnitas

Ecuación lineal con incógnitas X y Y:

a11 𝑥 + a12 𝑦 = b1
{
a21 𝑥 + a22 𝑦 = b2

Donde a11, a12, a21, a22, b1 y b2 son números dados. Cada una de estas ecuaciones
corresponde a una línea recta. Una solución al sistema es un par de dos números
denotados por (x, y), que corresponde al punto en el que esas rectas se intersectan, si es
que son rectas no paralelas y el sistema tiene solución única. Si no tiene solución se trata
de rectas paralelas y un caso trivial: si tiene infinitas soluciones, si ambas ecuaciones
representan la misma recta.

Sistema con una solución única

x– 𝑦 = 7
Tomando en cuenta: {
x + 𝑦 = 5

Las ecuaciones representan rectas perpendiculares, una tiene pendiente 1 y la otra -1,
por lo tanto se cortan en un punto, la solución al sistema.

Podemos decir que un sistema tiene solución única, cuando las pendientes de ambas
rectas sean diferentes.

35
El sistema se puede resolver a través de un método de resolución aprendido en cursos
preuniversitarios como se detalla a continuación:

x–y=7

–x–y=–5

– 2y = 2

y = – 1; teniendo el valor de y determinamos x = 6

Así, el par (6; – 1) satisface el sistema y la forma en que se encontró la solución muestra
que es el único par de números que lo hace. Es decir que el sistema tiene solución única.

Sistema con un número infinito de soluciones.

Considere que:

x– 𝑦 = 7
{
2𝑥 – 2𝑦 = 14

Se puede ver que estas dos ecuaciones son equivalentes. Esto es, cualesquiera dos
números, x y y, que satisfactoriamente la primera ecuación también satisface la segunda,
y viceversa. Para comprobar esto se multiplica la primera ecuación por 2. Entonces x – y
= 7 o y = x – 7. Así, el par (x, x – 7) es una solución al sistema para cualquier número real
x. Es decir, el sistema tiene un número infinito de soluciones. Para este ejemplo, los

36
siguientes pares son soluciones: (7, 0), (0, - 7), (8, 1), (1, -6), (3, -4) y (-2, -9). Las dos
ecuaciones de este sistema representan la misma recta, por lo tanto, se intersectan en
todos sus puntos, que son infinitos.

Sistema sin solución

Considera:
x– 𝑦 = 7
{
2𝑥 – 2𝑦 = 13
Las dos ecuaciones representan rectas con igual pendiente: 1, pero no son la misma recta,
por lo tanto, son paralelas y no se intersectan.

Un sistema que no tiene solución se dice que es inconsistente.

Geométricamente es fácil explicar lo que sucede.

Ahora se procederá a resolver el sistema formalmente. Se tiene

37
 a11 x + a12 y = b1
{
a21 x + a22 y = b2

𝑏1
Si a12 = 0, entonces x =𝑎11 y se puede usar la segunda ecuación para despejar Y.

𝑏2
Si a22 = 0, entonces x= 𝑎21 y se puede usar la primera ecuación para despejar Y.

Si a12 = a22 = 0, entonces el sistema (1) contiene solo una incógnita, x

Así, se puede suponer que ni a12 ni a22 son cero.

Si se multiplica la primera ecuación por a22 y la segunda por a12 se tiene

a11 a22 x + a12 a22 y = a22 b1

a12 a21 x + a12 a22 y = a12 b2

Subtema 4: Notación matricial de un sistema de ecuaciones lineales

2.2 Notación Matricial de un sistema de ecuaciones lineales

Uno de los métodos usados para dar solución a un sistema de ecuaciones

lineales es el de Gauss - Jordan, el mismo que conlleva a emplear las
operaciones elementales por renglones y llevar a la notación matricial a una
matriz identidad.

2.2.1 Sistemas No homogéneos

Sistema con solución única

Resolver el siguiente sistema de ecuaciones lineales:

2x + 3y + z = 1

3x – 2y – 4z = – 1

5x – y – z = 4

38
Solución:

Escribimos la matriz aumentada del sistema

2 3 1 ⋮ 1
[3 −2 −4 ⋮ −3]
5 −1 −1 ⋮ 4

El sistema se lo puede obtener llevando la matriz aumentada en la forma escalonada

reducida:

3 1 1
2 3 1 1 1 1
[3 −2 −4 −3] 𝑅1 → [ 2 2 2]
2 3 −2 −4 −3
5 −1 −1 4
5 −1 −1 4

3 1 1
1 3 1 1
2 2 2 2 1
−3𝑅1 + 𝑅2 → 13 11 9 − 𝑅2 → 2 2 2
11 9 17𝑅2 + 𝑅3 →
−5𝑅1 + 𝑅3 → 0 − 2 −
2
− 13
2 2𝑅 → 0 1
17 7 3 3 13 13
0 − − [0 −17 −7 3 ]
[ 2 2 2 ]

3 1 1
1 3 1 1
2 2 2 1 11 3 1
11 9 13 2 2 2 − 13 𝑅3 + 𝑅2 → 1 0 −
0 1 𝑅3 → 11 9 [ 2 2]
13 13 96 0 1 1 0 1 0 −1
96 192 13 13 − 𝑅3 + 𝑅1 → 0 0 1 2
[0 0 1 2] 2
[0 0 13 13 ]

3 1 0 0 1 𝑥=1
− 𝑅2 + 𝑅1 → [0 1 0 −1] → 𝑦 = −1
2 0 0 1 2 𝑧=2

Interpretación del resultado, la última matriz escalonada reducida indica la solución del
sistema es:

x = 1, y = – 1, z = 2

39
Ejemplo:

Resolver el siguiente sistema de ecuaciones lineales:

3𝑥 + 2𝑦 + 4𝑧 = 1
{5𝑥 − 𝑦 − 3𝑧 = −7
4𝑥 + 3𝑦 + 𝑧 = 2

2 4 1
1 2 4 1
3 3 3 1
1 3 2 4 1 𝑅 (−5) + 𝑅 → 13 29 26 3 3 3 3
1 2
𝑅1 [5 −1 −3 −7]
𝑅1 (−4) + 𝑅3 → 0 − − − 𝑅 (− ) → 0 1 29/13 2
3
4 3 1 2 3 3 3 2 13 1 13 2
1 13 2
[0 −
3]
[0 3
−
3 3 ] 3 3

2
2 1 0 − −1 2
13 1 0 − −1
𝑅2 (− ) + 𝑅1 → 29 13
3
1 0 1 2 𝑅3(−66
13
) 29
13 0 1 2
𝑅2 (− ) + 𝑅3 → 66 13
3 [0 0 1 0]
[0 0 −
13
0]

2
𝑅3 ( ) + 𝑅1 1 0 −2/13 −1
3 [0
29 1 29/13 2]
𝑅3 (− ) + 𝑅1 0 0 1 0
13

1 0 0 −1 𝑥 = −1
[0 1 0 2 ]∴ 𝑦=2
0 0 1 0 𝑧=0

El resultado de la solución del sistema es:

x = – 1, y = 2, z = 0

Ejemplo:

Sistema con infinidad de soluciones

Resolver el siguiente sistema:

3x – 2y + 3z = 5
{
2x + 4y – z = 2

40
Solución:

3 −2 3 5 1 −6 4 3 1 −6 4 3
[ ] − 𝑅2 + 𝑅1 → [ ] − 2𝑅1 + 𝑅2 → [ ]
2 4 −1 2 2 4 −1 2 0 16 −9 −4

5 3
1 1 −6 4 3 1 0
𝑅2 → [ 9 1] 6𝑅2 + 𝑅1 → [ 8 2 ]
16 0 1 − − 9 1
16 4 0 1 − −
16 4

La última matriz esta reducida ya no se puede reducir más de donde obtenemos:

5 3
x +8𝑧 = 2

9 1
𝑦 − 16 𝑧 = − 4

Despejando x e y

3 5
𝑥 = 2 − 8𝑧

1 9
𝑦 = − 4 + 16 𝑧

Luego x, y dependen de z, si z = t, t Є R, tenemos

3 5
𝑥 = 2 + 8𝑡

1 9
𝑦 = − 4 + 16 𝑡; 𝑡 = Є R

z=t

Es decir el sistema de ecuaciones tiene una identidad de soluciones ya que para cada
valor de t habrá un valor para x, y, z

3 1
Por ejemplo si t = 0 entonces x = y, y = - 4, z = 0 es una solución para el sistema de
2

ecuaciones.

41
 7 5
Si t= 1 entonces x= 8 , y= 16 , z= 1, es otra solución para el sistema de ecuaciones.

5
Si t= -4 entonces x= 4, y = -2 , z= -4, también es solución para el sistema de ecuaciones.

Así una vez más, remarcamos, el sistema tiene una infinidad de soluciones.

Ejemplo:

Resolver el sistema de ecuaciones:

2x – y + 3z = 4
{ 3x + 2y – z = 3
x + 3y – 4z = – 1

Solución: Desde un principio podemos escribir la matriz aumentada del sistema con su
primera región de confecciones de la teoría ecuación, es decir, podemos reordenar las
ecuaciones.

1 3 −4 −1 −2𝑅 + 𝑅 → 1 3 −4 −1 1 3 −4 −1
1 2
[2 −1 3 4 ] −3𝑅 + 𝑅 → [0 −7 11 6 ] −𝑅2 + 𝑅3 → [0 −7 11 6 ]
1 3
3 2 −1 3 0 −7 11 6 0 0 0 0

5 11
1 3 −4 −1 1 0
1 11 6 7 7
− 𝑅2 → [0 1 − − ] − 3𝑅2 + 𝑅1 → 11 6
7 7 7 0 1 − −
0 0 0 0 7 7
[0 0 1 0 ]

5 11
𝑥+ 𝑧=
7 7
11 6
𝑦− 𝑧=−
7 7
0𝑧 = 0

El resultado de la solución del sistema es:

5 11
𝑥=− 𝑧+
7 7
11 6
𝑦= 𝑧−
7 7

42
Nuevamente pongamos z = 1, 1 ∈ R, entonces el conjunto solución queda expresado
como:

11 5
𝑥= − 𝑡
7 7
6 11
𝑦 = − + 𝑡; 𝑡 ∈ 𝑅
7 7

𝑧=𝑡

Por lo tanto el sistema tiene una identidad de soluciones.

Ejemplo:

Sistemas sin solución

Resolver los siguientes sistemas de ecuaciones.

x + 8y – 5z = 3
{ – 2y + 3z = 1
3x
2x + 3y – z = 4

Solución:

No hay necesidad de seguir reduciendo, del segunda renglón se tienen 0x + 0x + 0x = –

4 que de la igualdad

0 = – 4, por tanto, el sistema no tiene solución.

Ejemplo:

Resolver el siguiente sistema de ecuaciones:

a + b – 3c − 4d = −1
{2a + 2b − c − 2d = 1
a + b + 2c + 2d = 5

43
 Solución:

Del tercer renglón se tiene 0a + 0b +0c + 0d =3 queda la igualdad 0 =3, luego el sistema
no tiene solución.

Ejemplo:

Resolver el siguiente sistema de ecuaciones.

Solución:

Del cuarto renglón se tiene 0x + 0y + 0z + 0w = 5 que da la igualdad 0 = 5, por lo tanto, el

sistema no tiene solución.

44
2.2.2 Sistemas Homogéneos
Los sistemas en los que todos los términos independientes son nulos se llaman
sistemas homogéneos. Siempre tienen la solución (0, 0,….0) llamada trivial, por
lo tanto siempre son compatibles determinados.

Como la columna de los términos independientes no aporta nada al rango de la matriz

ampliada, se puede prescindir de esa columna y sólo estudiaríamos el rango de la matriz
A.

Ejemplo:

Resolver el sistema:

x– y + z = 0
x– y– z = 0
{
2x – y + z = 0
y + z = 0

Cogemos el primer pivote y hacemos ceros debajo de él

1 −1 1 0 1 −1 1 0
1 −1 −1 0 0 0 −2 0
[ ] → 𝐹2 − 1. 𝐹1 ; 𝐹3 − 2. 𝐹1 = [ ]
2 −1 1 0 0 1 −1 0
0 1 1 0 0 1 1 0

Cambiamos la 3ª ecuación por la 2ª

1 −1 1 0
0 1 −1 0
[ ]
0 0 −2 0
0 1 1 0

Hacemos ceros debajo del 2do pivote

1 −1 1 0
0 1 −1 0
𝐹4 − 1𝐹2 [ ]
0 0 −2 0
0 0 2 0

Hacemos ceros debajo del 3do pivote

45
 1 −1 1 0
0 1 −1 0
𝐹4 + 1𝐹3 [ ]
0 0 −2 0
0 0 0 0

x–y+z=0

y–z=0

– 2z = 0

rg (A) = 3

La sustitución hacia atrás nos da la solución (x, y, z) = (0, 0, 0) llamada solución trivial y
que tienen todos los sistemas homogéneos.

2.3 Ecuaciones Matriciales

Una ecuación matricial es una ecuación cuya incógnita es una matriz. Para
poder resolver una ecuación matricial, tendremos que sumar, restar y
multiplicar matrices y calcular matrices inversas.

Un ejemplo de una ecuación matricial es:

La incógnita de la ecuación es la matriz:

Y la solución de la ecuación es:

Si verificamos, podemos calcular el producto de la ecuación matricial obteniendo así un

sistema de ecuaciones lineales:

46
Pero, generalmente, no resolveremos la ecuación matricial resolviendo el sistema de
ecuaciones lineales asociado (frecuentemente tendríamos 9 ó más ecuaciones), sino
multiplicando por las matrices inversas que aparecen en la ecuación.

Por ejemplo, si definimos las matrices

Entonces, la ecuación matricial que tenemos es

La matriz A es regular (determinante distinto de 0) y, por tanto, tiene matriz inversa:

Multiplicamos toda la ecuación por la inversa de A (la matriz II es la identidad):

Por tanto, podemos resolver la ecuación calculando el producto de la matriz inversa

de A por la matriz B:

47
Sin embargo, no siempre es todo tan fácil. Por ejemplo, si las matrices de la ecuación no
son cuadradas, no podemos calcular su inversa. Entonces, tendremos que averiguar
cómo resolverla.

Ejercicios de Aplicación
Ejemplo 1

donde A, B y C son las matrices

Pasamos la matriz B restando al otro lado:

La matriz A tiene inversa y es

Multiplicamos la ecuación por la inversa de AA para calcular la matriz solución de la

ecuación:

Ejemplo #2

48
donde A y B son las matrices

Solución

Las matrices A y B tienen inversa y son

Multiplicamos la ecuación por la inversa de A:

Y por la inversa de BB:

Calculamos los productos matriciales:

Ejemplo #3

donde A, B y C son las matrices

49
Pasamos el sumando XB restando al otro lado:

Extraemos factor común de la matriz X en el lado izquierdo:

Por tanto, si la matriz A−BA−B es regular, multiplicamos por su inversa para hallar la
solución de la ecuación:

La resta de las matrices A y B es

La matriz tiene inversa y es

Observad que la matriz es igual a su inversa.

Calculamos la incógnita:

50
Recursos complementarios:

Los siguientes recursos complementarios son sugerencias para que Ud. pueda ampliar la
información sobre el tema trabajado, como parte de su proceso de aprendizaje autónomo:

 Operaciones con matrices: https://youtu.be/QOHguc4QvL8

 Producto entre matrices: https://youtu.be/S2FeN2drD-o
 Determinante de una matriz: https://www.youtube.com/watch?v=ZUDx_FC3Dro
 Regla de Cramer: https://www.youtube.com/watch?v=lLPcHVAqY80
 Matriz inversa.- Método de Gauss: https://www.youtube.com/watch?v=7VUzNRtBt2E
 Inversa de una matriz: https://www.youtube.com/watch?v=E1uCJ_btUr0
 Sistemas de ecuaciones: https://www.youtube.com/watch?v=ieiRIATCOUI
 Sistemas de ecuaciones: https://www.youtube.com/watch?v=p2AIFY1b9qk
 Sistemas de ecuaciones: https://youtu.be/XRcx8-2lLJI
 Ecuaciones matriciales: https://youtu.be/aoPod1HS46A
 Problemas de aplicación de S.E.L.:
https://matesanfulgencio.files.wordpress.com/2010/10/problemas-resueltos-sistemas-
ecuaciones.pdf
http://cb.mty.itesm.mx/ma1010/materiales/ma1010-03.pdf

Herramientas & Software de la asignatura:

Utilizaremos como principal herramienta y software matemático OCTAVE, para comprobar
resultados de ejercicio en esta Unidad.

Operaciones de matrices con Octave: https://octaveintro.readthedocs.io/en/latest/matrices.html

Resolución de Sistemas de Ecuaciones Lineales con el Software matemático OCTAVE:
https://marcelopardo.com/resolucion-sistemas-lineales-de-ecuaciones-octave-matlab/

51
Bibliografía

Kolman, Bernard, David R. Hill, Algebra Lineal, Pearson, 8 ed., 2018

Flores Godoy, Grossman, Stanley I., Álgebra lineal, McGraw-Hill Educación, 7 ed., 2012.
Mesa, Introducción al Álgebra lineal, Ecoe, 1 ed., 2012.
ESPOL, Fundamentos de matemáticas para bachillerato, ESPOL, 2 ed., 2006.

52
 TECNOLOGÍA DE LA INFORMACIÓN EN
LINEA
ALGEBRA LINEAL
3 créditos

Profesor creador de contenidos:

Ing. Ulbio Durán Pico Mg.

Titulaciones Semestre

 TECNOLOGÍA DE LA INFORMACIÓN
Primero

Tutorías: El profesor asignado se publicará en el entorno virtual de aprendizaje

online.utm.edu.ec), y sus horarios de conferencias se indicarán en la sección CAFETERÍA
VIRTUAL.

PERÍODO Octubre 2022 / Febrero 2023

Índice

Tabla de contenido

Resultado de aprendizaje de la asignatura .............................................................................................. 2

Unidad 2 Vectores en Rn ............................................................................................................................. 2
Tema 3: Vectores en el plano .................................................................................................................... 3
Subtema 5. Operaciones con Vectores .................................................................................................... 3
3.1 Operaciones con vectores en R2..................................................................................................... 3
Suma .......................................................................................................................................................... 3
Producto por un escalar .......................................................................................................................... 3
Subtema 6: Producto escalar o producto punto (𝑢. 𝑣) ........................................................................... 4
3.2 Producto escalar ................................................................................................................................ 4
3.2.1 Vectores Ortogonales .................................................................................................................... 5
Norma de un vector ................................................................................................................................. 5
3.2.2 Distancia entre dos vectores ........................................................................................................ 7
3.2.4 Proyección vectorial de un vector ................................................................................................ 8
Tema 4: Vectores en el espacio ............................................................................................................... 9
Subtema 7: Operaciones vectoriales. ..................................................................................................... 10
Vectores y ecuaciones lineales ............................................................................................................ 13
Subtema 8: Producto vectorial ................................................................................................................. 17
Recursos complementarios: ................................................................................................................. 20
Bibliografía .................................................................................................................................................. 21

1
 Organización de la lectura para el estudiante por semana del compendio

Semanas Páginas
Semana 6 Página 1 - 3
Semana 7 Página 4 - 6
Semana 8 Página 7 – 12
Semana 9 Página 13 - 21

Resultado de aprendizaje de la asignatura

Desarrollar el pensamiento lógico y las capacidades analíticas en el modelado

de soluciones de problemas en el área de computación, a través de la
aplicación de los fundamentos del álgebra lineal.

ALGEBRA
LINEAL

Unidad 2 Vectores en Rn

Resultado de aprendizaje de la unidad: Calcular problemas con vectores en

R^2 y R^3 mostrando diferentes aplicaciones.

Sabías que. – Los juegos de computadoras o de dispositivos móviles, las

películas de animación, softwares y aplicaciones de manejo de imágenes y
gráficas utilizan para su ejecución de gráficos vectoriales, pero no solo en estos
casos están presentes los vectores, sino que también son aplicados en las
telecomunicaciones, transporte aéreo, en la navegación de barcos y en el espacio, en lo
general en la Física y en los diferentes tipos de Ingeniería.
https://prezi.com/y3hze5cegnjk/los-vectores-en-la-vida-diaria-y-en-la-ingenieria/

2
Tema 3: Vectores en el plano

Los vectores tienen un rol muy importante y extenso y es muy aplicable a las
ciencias como en las matemáticas, física, informática, biología, genética,
terapia genética.

Estos pueden representarse por flechas que tienen longitudes y direcciones apropiadas y
parten de algún punto de referencia dado y se denominan vectores.

Los vectores necesitan dos puntos para ser determinados: su punto inicial y su punto final,
si tomamos el punto inicial fijo, y en general como el origen de coordenadas, basta con
mencionar el punto final para saber cuál es ese vector del que hablamos.

Sin embargo, para muchas aplicaciones físicas (incluyendo las nociones de fuerza,
velocidad, aceleración y momento) es importante pensar en un vector no como un punto

sino como una entidad que tiene “longitud” y “dirección”. (Flores Godoy, Grossman

Stanley, 2012).

Subtema 5. Operaciones con Vectores

3.1 Operaciones con vectores en R2

Suma
 La resultante 𝒖 + 𝒗 de dos vectores 𝒖 y 𝒗 se obtiene por la llamada ley del
paralelogramo; esto es, 𝒖 + 𝒗 es la diagonal del paralelogramo determinado por 𝒖
y 𝒗, como se muestra en la Figura 2.1 (a).
 Si (a, b) y (c, d) son los extremos de los vectores 𝒖 y 𝒗, entonces (𝑎 + 𝑐, 𝑏 + 𝑑) será
el extremo de 𝒖 + 𝒗, como se muestra en la Figura 2.2(a).

Producto por un escalar

 El producto 𝒌𝒖 de un número 𝒌 por un vector 𝒖 se obtiene multiplicando la

magnitud de 𝒖 por 𝒌 y manteniendo la misma dirección se 𝒌 ≥ 𝟎, o la dirección
opuesta si 𝒌 < 𝟎, tal y como se muestra en la Figura 2.1 (b)

Si se elige el origen de los ejes como el punto de referencia 0 en la representación de

coordenadas rectangulares, todo vector queda unívocamente determinado por las

3
coordenadas de su extremo. La relación entre las operaciones anteriores y los extremos
es la siguiente.

 Si (a, b) es el extremo del vector 𝒖, entonces (𝒌𝒂, 𝒌𝒃) será el vector 𝒌𝒖, como se
muestra en la Figura 2.2(b).

(a) (b)

Figura 2.1 Figura 2.2

Figura 2. Producto escalar

Fuente: (Flores Godoy, Grossman Stanley, 2012).

Matemáticamente, identificamos el vector 𝒖 con su extremo (a, b) y escribimos 𝒖 = (𝒂, 𝒃).

Además llamamos al par ordenado de números reales (a, b) punto o vector, dependiendo
de su interpretación, llamaremos vector a una n-pla (a1, a2,…, an) de números reales. En
cualquier caso, puede utilizarse una notación particular para los vectores espaciales en
R3

Subtema 6: Producto escalar o producto punto (𝒖. 𝒗)

3.2 Producto escalar

Sean u y v vectores de Rn:
𝑢 = 𝑢1 , 𝑢2 , … , 𝑢𝑛 y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 )
El producto escalar o punto de u y v, denotado por 𝑢 ∙ 𝑣, es el escalar obtenido
multiplicando las componentes correspondientes de los vectores y sumando los productos
resultantes:

𝒖 ∙ 𝒗 = 𝒖𝟏 𝒗𝟏 + 𝒖𝟐 𝒗𝟐 + ⋯ + 𝒖𝒏 𝒗𝒏

4
3.2.1 Vectores Ortogonales
Se dice que los vectores u y v son ortogonales o perpendiculares si su producto escalar
es cero, esto es, si

𝒖∙𝒗=𝟎

Ejemplo:
Sean 𝑢 = (4, −5, 3, −8), 𝑣 = (10, −5, 4, 3) y 𝑤 = (5, 4, 16, 6). Demostrar que pares de
dichos vectores son ortogonales

𝑢 ∙ 𝑣 = 4 ⋅ 10 + (−5) ⋅ (−5) + 3 ⋅ 4 + (−8) ⋅ (3) = 40 + 25 + 12 − 24 = 53

u ∙ w = 4 ⋅ 5 + (−5) ⋅ (4) + 3 ⋅ 16 + (−8) ⋅ 6 = 20 − 20 + 48 − 48 = 0

Entonces los vectores 𝑢 y 𝑤 son ortogonales, ya que dicho producto es = 0

Las propiedades básicas del producto escalar en Rn son las siguientes.

Teorema 2.1: Para vectores arbitrarios u, v, w ϵ Rn y cualquier escalar k ϵ R,

i) (𝑢 + 𝑣) ⋅ 𝑤 = 𝑢 ⋅ 𝑤 + 𝑣 ⋅ 𝑤
ii) (𝑘𝑢) ⋅ 𝑣 = 𝑘(𝑢 ⋅ 𝑣)
iii) 𝑢⋅𝑣 =𝑣⋅𝑢
iv) 𝑢 ⋅ 𝑢 ≥ 0, 𝑦 𝑢 ⋅ 𝑢 = 0 si y solo si u = 0

El espacio Rn, con las operaciones anteriores de suma vectorial, productor por un escalar
y producto punto, se suele llamar n- espacio euclídeo.

Norma de un vector
Sea (𝑢 = 𝑢1 , 𝑢2 , … , 𝑢𝑛) un vector Rn, la norma (o longitud) del vector u, escrito ||u||, se
define como la raíz cuadrada no negativa de 𝑢 ⋅ 𝑢:

Como 𝑢 ⋅ 𝑢 ≥ 0, la raíz cuadrada existe., si 𝑢 ≠ 0, entonces ||u|| > 0; ||0|| = 0.

La definición anterior de norma de un vector se ajusta a la de longitud de un vector (flecha)

en geometría (euclídea). Concretamente, supongamos que u es un vector (flecha) en el
plano R2 con extremo P(a,b), como se indica en la Figura 2.3. Entonces |a| y |b| son las
longitudes. Por el Teorema de Pitágoras, la longitud |u| de u es igual a la norma anterior

|𝒖| = √𝒂𝟐 + 𝒃𝟐

5
 Figura 2.3

Figura 2. Norma de un vector

Fuente: (Flores Godoy, Grossman Stanley, 2012).

Ejemplo:
Supongamos 𝑢 = (5, 7, −8). Para hallar ||u||, calculamos primero ||u||2 = 𝑢. 𝑢 elevando al
cuadrado las componentes de u y sumando sus valores obtenidos:

‖𝑢‖2 = 52 + 72 + (−8)2 = 25 + 49 + 64 = 138

Entonces ||u|| = √138

 Un vector u es unitario si ||u|| = 1 o, si 𝑢 ⋅ 𝑢 = 1

El proceso de NORMALIZAR v escrito 𝑣̂ de un vector unitario en la misma dirección de v

de un vector no nulo, es

𝟏 𝒗
̂≡
𝒗 𝒗=
‖𝒗‖ ‖𝒗‖

Normalizar el vector v = (5,-6, 9,-4)

||v|| = √25 + 36 + 81 + 16 = √158

𝑣 5 −6 9 −4
𝑣̂ = =( , , , )
‖𝑣‖ √158 √158 √158 √158
Es el vector unitario en la dirección del vector 𝑣 = (5, −6, 9, −4).

6
3.2.2 Distancia entre dos vectores
Sean 𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) vectores en Rn. La distancia entre u y v,
denotado por d(u, v), se define como:

𝒅(𝒖, 𝒗) = ‖𝒖 − 𝒗‖ = √(𝒖𝟏 − 𝒗𝟏 )𝟐 + (𝒖𝟐 − 𝒗𝟐 )𝟐 + ⋯ + (𝒖𝒏 − 𝒗𝒏 )𝟐

esta definición corresponde a la distancia euclídea en el plano R 2.

Consideremos 𝑢 = (𝑎, 𝑏)𝑦 𝑣 = (𝑐, 𝑑) en R2. Como se muestra en la Figura 2.4, la distancia
entre los puntos P(a, b) y Q(c, d) es

𝑑 = √(𝑎 − 𝑐 )2 + (𝑏 − 𝑑)2

Por otra parte, utilizando la definición anterior,

𝑑(𝑢, 𝑣) = ‖𝑢 − 𝑣‖ = (𝑎 − 𝑐, 𝑏 − 𝑑) = √(𝑎 − 𝑐)2 + (𝑏 − 𝑑)2

Ambas definiciones conducen al mismo valor.

Figura 2.4 Distancia entre dos vectores

Fuente: (Flores Godoy, Grossman Stanley, 2012).

3.2.3 Ángulo entre dos vectores

Podemos definir el ángulo 𝜽 entre dos vectores no

nulos, u, v en

𝒖⋅𝒗
𝐜𝐨𝐬 𝜽 =
‖𝒖‖‖𝒗‖

7
 𝜃
Si 𝑢 ∙ 𝑣 = 0, entonces 𝛳 = 90° = 2

3.2.4 Proyección vectorial de un vector

Sean 𝑢 y 𝑣 ≠ 0 vectores en Rn. la proyección vectorial de u sobre 𝑣 es el vector

𝒖⋅𝒗
𝒑𝒓𝒐𝒚 (𝒖, 𝒗) = 𝒗
‖𝒗‖𝟐

Probamos ahora que eta definición se ajusta a la noción de proyección vectorial utilizada
en física. Consideremos los vectores u y v de la Figura 2.5. La proyección (perpendicular)
de u sobre v es el vector u*, de magnitud

𝑢∙𝑣 𝑢∙𝑣
|𝑢 ∗| = |𝑢| cos 𝜃 = |𝑢| =
|𝑢||𝑣| |𝑣|

Para obtener u* multiplicamos su magnitud por el vector unitario en la dirección v.

𝑣 𝑢∙𝑣
𝑢 ∗= |𝑢 ∗| = 𝑣
|𝑣| |𝑣|2

Esto concuerda con la definición anterior de proy (u, v).

Figura 2.5 Proyección vectorial de un vector

Fuente: (Flores Godoy, Grossman Stanley, 2012).

Ejemplo

Hallar la distancia, el ángulo y la proyección de los siguientes vectores en R3

𝑢 = (4,-6,5) 𝑣 = (6, -8, -9)

Para hallar la distancia usamos la fórmula:

8
 𝒅(𝒖, 𝒗) = √(𝒖𝟏 − 𝒗𝟏 )𝟐 + (𝒖𝟐 − 𝒗𝟐 )𝟐 + ⋯ + (𝒖𝒏 − 𝒗𝒏 )𝟐

𝑑(𝑢, 𝑣) = √(4 − 6)2 + (−6 + 8)2 + (5 + 9)2 = √4 + 4 + 196 = √204

Para hallar el ángulo formado entre los dos vectores usamos:

𝒖⋅𝒗
𝐜𝐨𝐬 𝜽 =
‖𝒖‖‖𝒗‖

Para hallar el cos 𝜃, donde 𝜃 es el ángulo ente u y v, calculamos primero:

𝑢 ∙ 𝑣 = 24 − 48 + 45 = 21 ‖𝑢‖2 = 16 + 36 + 25 = 77 ‖𝜈‖2 = 36 + 64 + 81 = 181

Reemplazando tenemos

𝑢⋅𝑣 21
cos 𝜃 = =
‖𝑢‖‖𝑣‖ √77√181

Para hallar la proyección vectorial de ʋ ν, sabiendo que ʋ y ν ≠ 0, tenemos la fórmula:

𝒖⋅𝒗
𝒑𝒓𝒐𝒚 (𝒖, 𝒗) = 𝒗
‖𝒗‖𝟐

Entonces

𝑢∙𝑣 21 126 168 189

𝑝𝑟𝑜𝑦 (𝑢, 𝑣) = 2
𝑣= (6, 8, 9) = ( , , )
|𝑣| 181 181 181 181

Tema 4: Vectores en el espacio

Los vectores en R3, denominados vectores espaciales, aparecen en numerosas

aplicaciones, especialmente de física. De hecho, frecuentemente se utiliza una
notación especial para tales vectores, que es la que se da a continuación:

i = (1, 0, 0) denota el vector unitario en la dirección x

j = (0, 1, 0) denota el vector unitario en la dirección y

k = (0, 0, 1) denota el vector unitario en la dirección z

En consecuencia, cualquier vector u = (a, b, c) en R3 puede expresarse de forma única

como sigue:

9
 U = (a, b, c) = ai + bj + ck

Como i, j, k son vectores unitarios y son mutuamente ortogonales, tenemos

i ∙ i = 1, j ∙ j = 1, k∙k =1 e i ∙ j = 0, i ∙ k = 0, j∙k=0

Subtema 7: Operaciones vectoriales.

VECTORES EN Rn
El conjunto de todas las n-tuplas de números reales, denotado por Rn, recibe el
nombre de n-espacio. Una n-tupla particular en Rn, digamos

𝒖 = (𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒏 )

Se denomina punto o vector; a las componentes o coordenadas del vector 𝒖. Además, al

discutir el espacio Rn, utilizamos el término escalar para designar a los elementos de R.

Dos vectores 𝒖 y 𝒗 son iguales, escrito 𝒖 = 𝒗, si tienen el mismo número de componentes,

es decir, pertenecen al mismo espacio, y si las componentes correspondientes de 𝒖 son
iguales a los de ʋ.

Ejemplos:

a) Dado los siguientes vectores fila, identificar el grado de dichos vectores.

1
r = (2, -5,3) s = (3, -5,6) t = (4,7, 6 √5, 1) w = (3,-10, 2 2, 0, π/2)

Los dos primeros tienen tres componentes y por tanto son vectores en R3, los últimos
tienen cinco componentes y por tanto son puntos R5. Es decir, el valor de R depende del
número de coordenadas que tenga un vector.

b) Supóngase (𝑟 − 𝑠, 𝑟 + 𝑠, 𝑡 − 1) = (5, 4, −2). Entonces, por definición de igualdad de

vectores.

𝑟−𝑠 = 5

𝑟+𝑠 = 4

𝑡 − 1 = −2

𝑡 = −2 + 1

10
 𝑡 = −1

𝑟 = 5+𝑠

5+𝑠+𝑠 =4

2𝑠 = −1

1
𝑠=−
2

𝑟−𝑠 = 5

1
𝑟+ =5
2
1 9
𝑟 = 5 − 2; 𝑟 = 2

1 9
Resolviendo el sistema de ecuaciones se obtiene 𝑡 = −1, 𝑠 = − 2 𝑟=2

Los vectores se pueden escribir como columnas y se denominan vectores columna. Por
ejemplo,
2 6
3 8
( ) ( ) (0) (−3)
5 −7
−1 25
Son vectores columna con 2, 2, 3 y 3 componentes, respectivamente.

Las diversas operaciones vectoriales discutidas previamente pueden expresarse en la

presente notación como sigue. Supongamos 𝑢 = 𝑎𝑖 + 𝑎2𝑗 + 𝑎3𝑘 𝑦 𝑣 = 𝑏𝑖 + 𝑏2𝑗 + 𝑏3𝑘 .
Entonces

𝑢 + 𝑣 = (𝑎1 + 𝑏1 )𝑖(𝑎2 + 𝑏2 )𝑗 + (𝑎3 + 𝑏3 )𝑘

𝑢 ∙ 𝑣 = 𝑎1 𝑏1 + 𝑎2 𝑏2 + 𝑎3 𝑏3

𝓀𝑢 = 𝓀𝑎1 𝐢+𝓀𝑎2 𝒋+𝓀𝑎3 𝒌

‖𝑢‖ = √𝑢 ∙ 𝑢 = √𝑎12 + 𝑎22 + 𝑎32

11
Ejemplos:

Considérense los vectores 𝑢 = 5𝑖 + 6𝑗 − 3𝑘 𝑦 𝑣 = 8𝑖 − 7𝑗 + 2𝑘.

a) Para hallar u + v se sumará las componentes correspondientes obteniendo

𝑢 + 𝑣 = 13𝑖 − 𝑗 − 𝑘

b) Para hallar 3𝑢 − 2𝑣, primero multiplicamos los vectores por los escalares y después
los sumamos:

3𝑢 − 2𝑣 = (15𝑖 + 18𝑗 − 9𝑘) + (−16𝑖 + 6𝑗 − 4𝑘) = −𝑖 + 24𝑗 − 13𝑘

c) Para hallar u.v multiplicamos las componentes correspondientes sumándolas

después:

𝑢 ∙ 𝑣 = 40 − 42 − 6 = −8

d) Para hallar ||u|| elevamos al cuadrado cada componente y después las sumamos
obteniendo ‖𝑢‖2 . Esto es,

‖𝑢‖2 = 25 + 36 + 9 = 70 y por tanto ‖𝑢‖ = √70

Suma de vectores y producto por un escalar

Sean 𝒖 y 𝒗 vectores en Rn:

𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 )

Para obtener la suma de 𝒖 y 𝒗, escrito 𝒖 + 𝒗, se suman los componentes correspondientes

de cada vector:

𝑢 + 𝑣 = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 )

Para obtener el producto de un número real k por el vector u, escrito ku, se multiplica cada
componente de u por k:

𝑘𝑢 = (𝑘𝑢1 , 𝑘𝑢2 , … , 𝑘𝑢𝑛 )

u + v y ku también son vectores en Rn., debemos tener presente que:

−𝑢 = −1𝑢 y 𝑢 − 𝑣 = 𝑢 + (−𝑣)

12
Para sumar dos vectores 𝑢 𝑦 𝑣 el número de coordenadas de cada vector debe coincidir,
es decir no se puede realizar una suma de vectores, en la cual el vector 𝑢 tenga tres
coordenadas en IR3, con otro vector 𝑣 que contenga cinco coordenadas, en IR 5 Las
propiedades básicas de los vectores de IRn bajo las operaciones de suma vectorial y
producto por un escalar se enuncian en el siguiente teorema.

Supongamos que u y v son vectores en Rn y que v = ku para algún escalar no nulo k ϵ R.

entonces u se llama un múltiplo de v. se dice que u está en la misma dirección que v si k
> 0, y en la dirección opuesta si k < 0. En ambos casos se dice que, u y v son paralelos,
lo que se puede simbolizar como u || v

Vectores y ecuaciones lineales

Las combinaciones y la dependencia lineales están estrechamente relacionados con los

sistemas de ecuaciones lineales.

Combinaciones lineales

Consideremos un sistema homogéneo de m ecuaciones con n incógnitas:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2

………………………………………

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

Este sistema es equivalente a la siguiente ecuación vectorial:

𝑎11 𝑎21 𝑎1𝑛 𝑏1

𝑎21 𝑎21 𝑎2𝑛 𝑏
𝑥1 ( … ) + 𝑥2 ( … ) + ⋯ + 𝑥𝑛 ( … ) = ( 2 )
…
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑏𝑚

Esto es, la ecuación vectorial

𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 𝑣

Donde 𝑢1 , 𝑢2 , … , 𝑢𝑛 , 𝑣 son los vectores columna anteriores, respectivamente.

Si el sistema en cuestión tiene solución, se dice que v es una combinación lineal de los
vectores ui.

13
Definición: un vector v es una combinación lineal de vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛 si existen
escalares 𝑘1 , 𝑘2 , … , 𝑘𝑛 tales que

𝑣 = 𝑘1 𝑢1 + 𝑘2 𝑢2 + ⋯ + 𝑘𝑛 𝑢𝑛

Esto es, si la ecuación vectorial

𝑣 = 𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛

Tiene solución cuando xi son escalares que se deben determinar.

Esta definición se aplica tanto a vectores columna como a vectores fila.

Ejemplo:
Sean:
2 1 1 1
𝑣 = ( 3 ), 𝑢1 = (1), 𝑢2 = (1) , 𝑦 𝑢3 = (0)
−4 1 0 0
Entonces v es una combinación lineal de 𝑢1 , 𝑢2 , 𝑦 𝑢3 ya que la ecuación vectorial (o
sistema)
2 1 1 1 2=𝑥+𝑦+𝑧
( 3 ) = 𝑥 (1) + 𝑦 (1) + 𝑧 (0) o { 3=𝑥+𝑦 }
−4 1 0 0 −4 = 𝑥
Tiene una solución 𝑥 = −4, 𝑦 = 7, 𝑧 = −1. Es decir,
𝑣 = −4𝑢1 + 7𝑢2 − 𝑢3
Dependencia lineal
Consideremos un sistema homogéneo de m ecuaciones con n incógnitas:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 0

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 0

………………………………………

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 0

Este sistema es equivalente a la siguiente ecuación lineal vectorial:

𝑎11 𝑎21 𝑎1𝑛 0

𝑎21 𝑎21 𝑎2𝑛 0
𝑥1 ( … ) + 𝑥2 ( … ) + ⋯ + 𝑥𝑛 ( … ) = ( )
…
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 0

14
Esto es,

𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 0 Donde 𝑢1 , 𝑢2 , … , 𝑢𝑛 son los vectores

Si el sistema homogéneo tiene una solución no nula, se dice que los vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛
son linealmente dependientes. Por lo contario, si el sistema tiene sólo la solución nula, se
dice que los vectores son linealmente independientes.

Definición: los vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛 en Rn son linealmente dependientes si existen

escalares 𝑘1 , 𝑘2 , … , 𝑘𝑛 , no todos nulos tales que

𝑘1 𝑢1 + 𝑘2 𝑢2 + ⋯ + 𝑘𝑛 𝑢𝑛 = 0

Esto es, si la ecuación vectorial

𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 0

Tiene una solución no nula, donde los xi son escalares por determinar. En caso contrario,
se dice que los vectores son linealmente independientes.

La definición anterior se aplica tanto a vectores fila como a vectores columna.

Ejemplos:
a) Demostrar si los siguientes sistemas homogéneo son linealmente
Independientes o Dependientes
𝑢 = (1,3)

𝑣 = (1, −1)

ѡ = (4,10)

ʋ = (𝑥𝑢 + 𝑦𝑣 + 𝑧ѡ)

(0,0,0) = ( x(1, 3) + y(1, -1) + z(4, 10) )

(𝑥, 3𝑥) + (𝑦, −𝑦) + (4𝑧, 10𝑧)

𝑥 + 𝑦 + 4𝑧 = 0 𝑥 + 𝑦 + 4𝑧 = 0
[ = [
3𝑥 − 𝑦 + 10𝑧 = 0 −4𝑦 − 2𝑧 = 0

Variables Libres: z
𝑎
𝑧=𝑎 −4𝑦 = 2𝑎 𝑥 = −4𝑎 − 2

15
 𝑎 9𝑎
𝑦 = −2 𝑥= − 2

9𝑎 𝑎
Sol: (− , − 2 , 𝑎) Son linealmente Dependientes
2

b) Demostrar si los siguientes vectores homogéneos son linealmente Independientes o

Dependientes
 U = (1,0,1)
 𝑉 = (1,1,1)
 𝑊 = (0,1,1)

(0,0,0) = (𝑥, 0, 𝑥) + (𝑦, 𝑦, 𝑦) + (0, 𝑧, 𝑧)

−𝑙3 + 𝑙1 → 𝑙1

𝑥+𝑦 =0 𝑧=0
[ 𝑦+𝑧 =0 [ 𝑦+𝑧 =0 𝑧=0 𝑦=0 𝑥=0
𝑥+𝑦+𝑧 =0 𝑥+𝑦+𝑧 =0

Sol: nula, Los vectores son: linealmente Independientes

En el espacio tridimensional usual tenemos:

Figura 2.6

 u y j son dependientes por tener la misma dirección.

 u y v son independientes y definen el plano P.
 u, v y w son dependientes por estar los tres contenidos en el mismo plano.

16
  u, v y k son independientes por serlo u y v entre sí y no ser k una combinación
lineal de ellos o, lo que es lo mismo, por no pertenecer al plano P. Los tres vectores
definen el espacio tridimensional.

Subtema 8: Producto vectorial

Existe una operación especial para vectores u, v en R3, llamada producto

vectorial y denotada por 𝑢 × 𝑣. Específicamente, supongamos

𝑢 = 𝑎𝑖 + 𝑎2𝑗 + 𝑎3𝑘 𝑦 𝑣 = 𝑏𝑖 + 𝑏2𝑗 + 𝑏3𝑘

Entonces

𝑢 × 𝑣 = (𝑎2 𝑏3 − 𝑎3 𝑏2 )𝒊 + (𝑎3 𝑏1 − 𝑎1 𝑏3 )𝒋 + (𝑎1 𝑏2 − 𝑎2 𝑏1 )𝒌

Nótese que 𝑢 × 𝑣 es un vector de ahí su nombre. 𝑢 × 𝑣 También se denomina producto

externo de 𝑢 𝑦 𝑣.

𝑎 𝑏
Por determinantes, | | = 𝑎𝑑 − 𝑏𝑐, el producto vectorial puede expresarse también
𝑐 𝑑
como sigue:

𝑎2 𝑎3 𝑎1 𝑎3 𝑎1 𝑎2
𝑢 × 𝑣 = |𝑏 𝑏2 | 𝒊 − | 𝑏1 𝑏3 | 𝒋 + | 𝑏1 𝑏2 | 𝒌
2

O equivalentemente,

𝐢 𝐣 𝐤
𝑎
𝑢×𝑣 =| 1 𝑎2 𝑎3 |
𝑏1 𝑏2 𝑏3

Dos importantes propiedades del producto vectorial son las siguientes

TEOREMA 2.3: Sean 𝑢, 𝑣, 𝑦 𝑤 vectores en R3.

i) El vector 𝑤 = 𝑢 × 𝑣 es ortogonal a 𝑢 y a v.

17
 Figura 2.7 Producto vectorial
Fuente: (Flores Godoy, Grossman Stanley, 2012).

ii) El valor absoluto del “producto triple” 𝑢 ∙ 𝑣 × 𝑤 representa en volumen del

paralelepípedo determinado por los tres vectores (como se muestra en la Figura
2.7).

Ejemplos:

a) Hallar el producto vectorial 𝑢 × 𝑣 siendo: 𝑢 = 3𝑖 + 2𝑗 − 5𝑘 𝑦 𝑣 = 7𝑖 + 4𝑗 −

𝑘.

2 −5 3 −5 3 2
𝑢×𝑣 = | |𝑖 − | |𝑗 + | | 𝑘 = −18𝑖 + 32𝑗 − 2𝑘
4 −1 7 −1 7 4

b) Los productos vectoriales de i, j, k son los siguientes:

𝑖 × 𝑗 = 𝑘, 𝑖 × 𝑘 = 𝑖, 𝑘×𝑖 =𝑗 𝑦 𝑗 × 𝑖 = −𝑘, 𝑘 × 𝑗 = −𝑖, 𝑖 × 𝑘 = −𝑗

Es decir que el producto de dos de los vectores en el sentido dado es el tercero, pero el
producto de dos de ellos en el sentido contrario es el tercero con signo opuesto.

ј 𝚔

Figura 2.8 Producto vectorial

Fuente: (Flores Godoy, Grossman Stanley, 2012).

18
VECTORES EN Cn

El conjunto de todas las n-plas de números complejos, denotado Cn, se llama n- espacio
complejo. Tal en el caso real, los elementos de Cn vienen dados por

(𝑧1 , 𝑧2 , … . , 𝑧𝑛 ) + (𝑤1 , 𝑤2 , … . , 𝑤𝑛 ) = (𝑧1 + 𝑤1 , 𝑧2 +𝑤2 , … . , 𝑧𝑛 + 𝑤𝑛 )

𝑧(𝑧1 , 𝑧2 , … . , 𝑧𝑛 ) = (𝑧𝑧1 , 𝑧𝑧2 , … . , 𝑧𝑧𝑛 )

El número complejo tiene la importante propiedad de que

𝑖 2 = 𝑖𝑖 = (0, 1)(0,1) = (−1, 0) − 1 𝑖 = √−1

Donde 𝑧1, 𝑤1 𝑧 𝜖 𝐶.

Ejemplos:

 Dado los vectores ʋ = (5 + 4𝑖, 7 − 2𝑖, 5) , ѡ = (4 − 7𝑖, 5 − 𝑖, 4 − 6𝑖) ,

𝑢 = (6 + 5𝑖, 3 − 5𝑖, 10) k = 2i

Hallar: ʋ + ѡ, k 𝑢

a) ʋ+ѡ = (5 + 4𝑖, 7 − 2𝑖, 5) + (4 − 7𝑖, 5 − 𝑖, 4 − 6𝑖) = (9 − 3𝑖, 12 − 3𝑖, 9 − 6𝑖).

b) k𝑢 = 2𝑖(6 + 5𝑖, 3 − 5𝑖, 10) = (−10 + 12𝑖 , 10 + 6𝑖, 20𝑖)

Sean u y v vectores arbitrarios en Cn

𝑢 = (𝑧1 , 𝑧2 , … . , 𝑧𝑛 ) 𝑣 = (𝑤1, 𝑤2 , … . , 𝑤𝑛 ) 𝑧1, 𝑤1 𝜖 𝐶

El producto escalar o interno de u y v se define como sigue:

𝒖 ∙ 𝒗 = 𝒛 𝟏 𝒘𝟏 + 𝒛 𝟐 𝒘𝟐 + … + 𝒛 𝒏 𝒘𝒏

La norma se u se define:

‖𝑢‖ = √𝑢 ∙ 𝑢 = √𝑧1 𝑧1 + 𝑧2 𝑧2 + … + 𝑧𝑛 𝑧𝑛 = √|𝑧1 |2 + |𝑧2 |2 + ⋯ + |𝑧𝑛 |2

Obsérvese que 𝑢 ∙ 𝑢 y ||u|| son reales y positivos cuando 𝑢 ≠ 0 y 0 cuando u = 0

19
Ejemplo

Sean 𝑢 = (3 + 5𝑖, 3 − 7𝑖, 4𝑖) 𝑦 𝑣 = (4 + 3𝑖, 8, 3 + 2𝑖). Hallar

a) 𝑢 ∙ 𝑣
b) 𝑢 ∙ 𝑢
c) ‖𝑢‖

𝑢 ∙ 𝑣 = (3 + 5𝑖)(4 + 3𝑖) + (3 − 7𝑖)(8) + (4𝑖)(3 + 2𝑖)

= (3 + 5𝑖)(4 − 3𝑖) + (3 − 7𝑖)(8) + (4𝑖)(3 + 2𝑖)

= 12 + 15 + 24 + 8 − 9𝑖 + 20𝑖 − 56𝑖 + 12𝑖 = 59 − 33𝑖

𝑢 ∙ 𝑢 = (3 + 5𝑖)(3 + 5𝑖) + (3 − 7𝑖)(3 − 7𝑖) + (4𝑖)(4𝑖)

= (3 + 5𝑖)(3 − 5𝑖) + (3 − 7𝑖)(3 + 7𝑖) + (4𝑖)(−4𝑖)

= 9 + 25 + 9 + 49 + 16 = 108

‖𝑢‖ = √𝑢 ∙ 𝑢 = √108

El espacio Cn, con las operaciones anteriores de suma vectorial, producto por un escalar
producto escalar, se denomina n-espacio euclídeo complejo.

Recursos complementarios:

Los siguientes recursos complementarios son sugerencias para que Ud. pueda ampliar la
información sobre el tema trabajado, como parte de su proceso de aprendizaje autónomo:

 Operaciones con vectores en Rn: https://www.youtube.com/watch?v=oaDsepAHZ48

 Combinación lineal: https://www.youtube.com/watch?v=n6ZbDKquQoA

 http://cb.mty.itesm.mx/ma1010/materiales/ma1010-03.pdf

Herramientas & Software de la asignatura:

Utilizaremos como principal herramienta y software matemático OCTAVE, para
comprobar resultados de ejercicio en esta Unidad.

https://octaveintro.readthedocs.io/en/latest/vectores.html

20
Bibliografía

Kolman, Bernard, David R. Hill, Algebra Lineal, Pearson, 8 ed., 2018

Flores Godoy, Grossman, Stanley I., Álgebra lineal, McGraw-Hill Educación, 7 ed., 2012.
Mesa, Introducción al Álgebra lineal, Ecoe, 1 ed., 2012.
ESPOL, Fundamentos de matemáticas para bachillerato, ESPOL, 2 ed., 2006.

21
|

TECNOLOGÍA DE LA INFORMACIÓN EN
LINEA
ALGEBRA LINEAL
3 créditos

Profesor creador de contenidos:

Ing. Ulbio Durán Pico MgGE.

Titulaciones Semestre

 TECNOLOGÍA DE LA INFORMACIÓN
Primero

Tutorías: El profesor asignado se publicará en el entorno virtual de aprendizaje

online.utm.edu.ec), y sus horarios de conferencias se indicarán en la sección

PERÍODO Octubre 2022/ Febrero 2023

Índice

Tabla de contenido

Organización de la lectura para el estudiante por semanas del compendio.................................................. 2

Resultado de aprendizaje de la asignatura .............................................................................................. 2
Unidad 3 Espacios Vectoriales y Producto Interno ................................................................................. 5
Tema 5: Espacios Vectoriales .................................................................................................................... 5
5.1 Axiomas de un espacio vectorial......................................................................................................... 6
5.2 Subsespacios vectoriales ..................................................................................................................... 7
5.2.1 Teorema de subespacio vectorial .............................................................................................. 8
Subtema 9. Combinación lineal y espacio generado ............................................................................. 9
Espacio generado por un conjunto de vectores .................................................................................... 10
Subtema 10: Independencia lineal .......................................................................................................... 11
Tema 6: Producto interno......................................................................................................................... 14
Subtema 11: Bases Ortonormales. ......................................................................................................... 14
6.1 Conjunto ortonormal en Rn ..................................................................................................................... 14
Subtema 12: Aproximaciones por mínimos cuadrados........................................................................ 15
6.2 Aproximación por una recta ................................................................................................................... 15
6.3 Problema de mínimos cuadrados en el caso de una recta ..................................................................... 15
Recursos complementarios: ............................................................................................................. 16
Herramientas & Software de la asignatura: .................................................................................. 16

1
 Organización de la lectura para el estudiante por semanas del compendio

Semanas Páginas
Semana 9 Páginas 1 - 8
Semana 10 Páginas 9 - 11
Semana 11 Páginas 12 – 14
Semana 12 Páginas 15 - 16

Resultado de aprendizaje de la asignatura

Desarrollar el pensamiento lógico y las capacidades analíticas en el modelado de

soluciones de problemas en el área de computación, a través de la aplicación de los
fundamentos del álgebra lineal.

Sabías que. - Por lo general, al matemático alemán Hermann Grassmann

(1809-1877) se le acredita la introducción de la idea de un espacio vectorial
(aunque él no lo llamó de esa forma) en 1844. Por desgracia,su obra es muy
difícil de leer y no recibe la atención que merece. Una persona que lo estudió fue el
matemático italiano Giuseppe Peano (1858-1932). En su libro de 1888, Calcolo
Geometrico, Peano clarificó la obra temprana de Grassmann y tendió los axiomas para un
espacio vectorial como se le conoce en la actualidad. El libro de Peano también es notable
por introducir las operaciones con conjuntos. Sus notaciones ∪, ∩ y ∈ (para “unión”,
“intersección”y “es un elemento de”) son las que se utilizan hoy día, aunque otros
matemáticos no las aceptaron de inmediato. La definición axiomática de Peano de espacio
vectorial también tuvo poca influencia durante muchos años. La aceptación llegó en 1918,
después de que Hermann Weyl (1885-1955) lo repitiera en su libro Space, Time, Matter,
una introducción a la teoría de la relatividad general de Einstein.

Por lo general, el álgebra trata sobre números, matrices, vectores, sistemas de

ecuaciones, operaciones entre los elementos de dichos conjuntos y sus aplicaciones.
Desde una concepción algo anticuada, la matemática es la ciencia de los números y de
la cantidad. Desde este punto de vista se dividía en varias ramas que estudiaba diversos
ámbitos, tomando en cuenta que la aritmética es la ciencia que estudia los números, la
geometría las figuras en el espacio, entre otros. Sin embargo, a lo largo de los años se ha

2
demostrado que cada una de estas ramas de la matemática complementa otras,
ayudando así a crear un sistema universal para llegar a diversas soluciones a problemas
matemáticos cotidianos, conocido como álgebra.
Podría decirse que los números forman un conjunto de elementos que pertenecen a una
categoría bien definida, los cuales son conocidos como entidades dentro de los números
reales. Por ejemplo, dentro del reino animal, un león es un elemento del conjunto de
animales mamíferos; sin embargo, tomando otro ejemplo: un conjunto de ladrillos no
constituye una casa. Es decir, es necesario dotar a estos conjuntos con una estructura
definida para así crear grupos, cuerpos e incluso espacios vectoriales.
Estos espacios vectoriales permiten agrupar a conjuntos de elementos de
naturaleza muy distinta, pero que tienen propiedades comunes y relaciones entre sí,
tomando en cuenta que no son decisivos los elementos con los que se opera sino las
relaciones entre ellos.
En álgebra abstracta, un espacio vectorial es una estructura algebraica creada a partir de
un conjunto no vacío, una operación interna (llamada suma, definida para los elementos
del conjunto) y una operación externa (llamada producto por un escalar, definida entre
dicho conjunto y otro conjunto, con estructura de cuerpo), con 8 propiedades
fundamentales. A los elementos de un espacio vectorial se les llama vectores y a los
elementos del cuerpo, escalares.
Los espacios vectoriales se derivan de la geometría afín, a través de la introducción de
coordenadas en el plano o el espacio tridimensional. Alrededor de 1636, los matemáticos
franceses Descartes y Fermat fundaron las bases de la geometría analítica mediante la
vinculación de las soluciones de una ecuación con dos variables a la determinación de
una curva plana. Para lograr una solución geométrica sin usar coordenadas, Bernhard
Bolzano introdujo en 1804 ciertas operaciones sobre puntos, líneas y planos, que son
predecesores de los vectores. Este trabajo hizo uso del concepto de coordenadas
baricéntricas de August Ferdinand Möbius de 1827.
La primera formulación moderna y axiomática se debe a Giuseppe Peano, a finales del
siglo XIX. Los siguientes avances en la teoría de espacios vectoriales provienen del
análisis funcional, principalmente de espacios de funciones. Los problemas de Análisis
funcional requerían resolver problemas sobre la convergencia. Esto se hizo dotando a los
espacios vectoriales de una adecuada topología, permitiendo tener en cuenta cuestiones
de proximidad y continuidad.

3
Estos espacios vectoriales topológicos, en particular los espacios de Banach y los
espacios de Hilbert tienen una teoría más rica y elaborada. El origen de la definición de
los vectores es la definición de Giusto Bellavitis de bipoint, que es un segmento orientado,
uno de cuyos extremos es el origen y el otro un objetivo.
Los vectores se reconsideraron con la presentación de los números complejos de Argand
y Hamilton y la creación de los cuaterniones por este último (Hamilton fue además el que
inventó el nombre de vector). Son elementos de ℝ2 y ℝ4; el tratamiento mediante
combinaciones lineales se remonta a Laguerre en 1867, quien también definió los
sistemas de ecuaciones lineales.
En 1857, Cayley introdujo la notación matricial, que permite una armonización y
simplificación de las aplicaciones lineales. Casi al mismo tiempo, Grassmann estudió el
cálculo baricéntrico iniciado por Möbius. Previó conjuntos de objetos abstractos dotados
de operaciones. En su trabajo, los conceptos de independencia lineal y dimensión, así
como de producto escalar están presentes. En realidad, el trabajo de Grassmann de 1844
supera el marco de los espacios vectoriales, ya que teniendo en cuenta la multiplicación,
también, lo llevó a lo que hoy en día se llaman álgebras.
El matemático italiano Peano dio la primera definición moderna de espacios vectoriales y
aplicaciones lineales en 1888. Un desarrollo importante de los espacios vectoriales se
debe a la construcción de los espacios de funciones por Henri Lebesgue. Esto más tarde
fue formalizado por Banach en su tesis doctoral de 1920 y por Hilbert. En este momento,
el álgebra y el nuevo campo del análisis funcional empezaron a interactuar, en particular
con conceptos clave tales como los espacios de funciones p-integrables y los espacios de
Hilbert.
También en este tiempo, los primeros estudios sobre espacios vectoriales de infinitas
dimensiones se realizaron. Los espacios vectoriales tienen aplicaciones en otras ramas
de la matemática, la ciencia y la ingeniería. Se utilizan en métodos como las series de
Fourier, que se utiliza en las rutinas modernas de compresión de imágenes y sonido, o
proporcionan el marco para resolver ecuaciones en derivadas parciales.
Además, los espacios vectoriales proporcionan una forma abstracta libre de coordenadas
de tratar con objetos geométricos y físicos, tales como tensores, que a su vez permiten
estudiar las propiedades locales de variedades mediante técnicas de linealización.

4
 ALGEBRA
LINEAL

Unidad 3 Espacios Vectoriales y Producto Interno

Resultado de aprendizaje de la unidad: Aplicar el concepto de espacios vectoriales para

la definición de conjuntos y su dimensión, como espacios vectoriales. Ilustrar el producto
interno a través de ejemplos.

Tema 5: Espacios Vectoriales

Un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto con

dos operaciones binarias llamadas suma y multiplicación por un escalar, y que
satisfacen los diez axiomas enumerados en el siguiente recuadro. (Flores Godoy,
Grossman Stanley, 2012)

Notación.

Si 𝒙 y 𝒚 están en V y si a es un número real, entonces la suma se escribe como 𝒙 + 𝒚, y

el producto escalar de α y 𝒙 como 𝛼 𝒙.

Antes de presentar la lista de las propiedades que satisfacen los vectores en un espacio
vectorial deben mencionarse dos asuntos de importancia. En primer lugar, mientras que
puede ser útil pensar en R2 o R3 al manejar un espacio vectorial, con frecuencia ocurre
que el espacio vectorial parece ser muy diferente a estos cómodos espacios.

En segunda instancia, la definición ofrece una definición de un espacio vectorial real.

La palabra “real” significa que los escalares que se usan son números reales. Sería
igualmente sencillo definir un espacio vectorial complejo utilizando números complejos en
lugar de reales.

En esta unidad se basará principalmente a espacios vectoriales reales, pero las

generalizaciones a otros conjuntos de escalares presentan muy poca dificultad.

5
5.1 Axiomas de un espacio vectorial

Los escalares tienen una estructura denominada campo, la cual consiste en un conjunto
de elementos y dos operaciones binarias (por ejemplo, los numero reales y las
operaciones de adición y multiplicación). Los números reales con la operación de suma
cumplen con los axiomas del grupo abeliano. Además, la multiplicación es asociativa y
distributiva por la derecha e izquierda.

Existe un elemento neutro llamado unidad, y todo número real diferente de cero tiene un
elemento inverso.

6
En el siguiente ejemplo se detalla el espacio en Rn, (Flores Godoy, Grossman Stanley,
2012).

Ejemplo:
El espacio Rn
𝑥1
𝑥 2
𝑆𝑒𝑎 𝑉 = 𝑅 𝑛 = {( ⋮ ) : 𝑥𝑖 ∈ 𝑅 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑛}
𝑥𝑛
Cada vector en Rn es una matriz de nx1.
Según la definición de suma de matrices, x + y es una matriz de nx1 si x y y son
0 𝑥1
0 𝑥 2
matrices de nx1. Haciendo 0=( ) y - x=( ⋮ ), se observa que los axiomas de la
⋮
0 𝑥𝑛
suma, se obtiene la definición de la suma de vectores (matrices).

Ejemplo:
Espacio vectorial trivial
Sea 𝑉 = {0}. Es decir, V consiste sólo en el número 0. Como 0 + 0 = 1 ∗ 0 = 0 + (0 + 0) =
(0 + 0) + 0 = 0, se ve que 𝑉 es un espacio vectorial. Con frecuencia se le otorga el nombre
de espacio vectorial trivial.

5.2 Subsespacios vectoriales

Se dice que H es un subespacio vectorial de V si H es un subconjunto no vacío de V, y H

es un espacio vectorial, junto con las operaciones de suma entre vectores y multiplicación
por un escalar definidas para V, (Flores Godoy, Grossman Stanley, 2012).

Se puede decir que el subespacio H hereda las operaciones del espacio vectorial “padre”
𝑉.

Existen múltiples ejemplos de subespacios en este capítulo; sin embargo, en primer lugar,
se demostrará un resultado que hace relativamente sencillo determinar si un subconjunto
de V es en realidad un subespacio de V.

7
5.2.1 Teorema de subespacio vectorial

Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se

cumplen las dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vacío es un subconjunto

i) Si x ∈ 𝐻 𝑦 𝑦 ∈ 𝐻, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥 + 𝑦 ∈ 𝐻
ii) Si x ∈ 𝐻, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼𝑥 ∈ 𝐻 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝛼

Este teorema demuestra que para probar si H es o no un subespacio de V, es suficiente

verificar que

La prueba anterior contiene un hecho que por su importancia merece ser mencionado de
forma explícita:

Este hecho con frecuencia facilitara la averiguación de si un subconjunto de V en particular

no es un subespacio de V. Es decir, si un subconjunto no contiene al 0, entonces no es
un subespacio.

Note que el vector cero en H, un subespacio de V, es el mismo que el vector cero en V.

Ejemplo:
El subespacio trivial
Para cualquier espacio vectorial V, el subconjunto {𝟎} que consiste en el vector cero es
únicamente un subespacio ya que 𝟎 + 𝟎 = 𝟎 𝒚 𝜶𝟎 = 𝟎 para todo número real 𝛼. Esto se
denomina subespacio trivial.

8
Subtema 9. Combinación lineal y espacio generado

Las combinaciones y la dependencia lineales están estrechamente relacionados con los

sistemas de ecuaciones lineales.
Consideremos un sistema inhomogéneo de m ecuaciones con n incógnitas:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2

………………………………………

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

Este sistema es equivalente a la siguiente ecuación vectorial:

𝑎11 𝑎21 𝑎1𝑛 𝑏1
𝑎21 𝑎21 𝑎2𝑛 𝑏2
𝑥1 ( … ) + 𝑥2 ( … ) + ⋯ + 𝑥𝑛 ( … ) = ( )
…
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑏𝑚

Esto es, la ecuación vectorial

𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 𝑣

Donde 𝑢1 , 𝑢2 , … , 𝑢𝑛 , 𝑣 son los vectores columna anteriores, respectivamente.

Si el sistema en cuestión tiene solución, se dice que v es una combinación lineal de los
vectores ui.

Definición: un vector v es una combinación lineal de vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛 si existen

escalares 𝑘1 , 𝑘2 , … , 𝑘𝑛 tales que

𝑣 = 𝑘1 𝑢1 + 𝑘2 𝑢2 + ⋯ + 𝑘𝑛 𝑢𝑛
Esto es, si la ecuación vectorial

𝑣 = 𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛

Tiene solución cuando xi son escalares que se deben determinar

Esta definición se aplica tanto a vectores columna como a vectores fila.

9
Ejemplo:
Sean
2 1 1 1
𝑢 = ( 3 ), 𝑢1 = (1), 𝑢2 = (1) , 𝑦 𝑢3 = (0)
−4 1 0 0
Entonces u es una combinación lineal de 𝑢1 , 𝑢2 , 𝑦 𝑢3 ya que la ecuación vectorial (o
sistema)
2 1 1 1 2=𝑥+𝑦+𝑧
( 3 ) = 𝑥 (1) + 𝑦 (1) + 𝑧 (0) o { 3=𝑥+𝑦 }
−4 1 0 0 −4 = 𝑥

Tiene una solución x = -4, y = 7, z = -1. Es decir,

𝑢 = −4𝑢1 + 7𝑢2 − 𝑢3

Espacio generado por un conjunto de vectores

Sea 𝑣1 , 𝑣2 , … , 𝑣𝑘 , 𝑘 vectores de un espacio vectorial V. El espacio generado por

{𝑣1 , 𝑣2 , … , 𝑣𝑘 } es el conjunto de combinaciones lineales 𝑣1 , 𝑣2 , … , 𝑣𝑘 . Es decir:

donde 𝑎1 , 𝑎2 , … , 𝑎𝑘 son escalares arbitrarios.

En el siguiente ejemplo se explicará el espacio generado por dos vectores en R3, Flores
Godoy, Grossman Stanley, 2012).
Ejemplo:

10
Se observa que el sistema tiene una solución únicamente si:

La ecuación que se muestra es la de un plano en R3 que pasa por el origen.

El espacio generado por dos vectores diferentes de cero en R3 que no son paralelos es
un plano que pasa por el origen.

Subtema 10: Independencia lineal

Consideremos un sistema homogéneo de m ecuaciones con n incógnitas:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 0

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 0

………………………………………

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 0

Este sistema es equivalente a la siguiente ecuación lineal vectorial:

𝑎11 𝑎21 𝑎1𝑛 0

𝑎21 𝑎21 𝑎2𝑛 0
𝑥1 ( … ) + 𝑥2 ( … ) + ⋯ + 𝑥𝑛 ( … ) = ( )
…
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 0

Esto es,

11
𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 0 Donde 𝑢1 , 𝑢2 , … , 𝑢𝑛 son los vectores columnas anteriores,
respectivamente.

Si el sistema homogéneo tiene una solución no nula, se dice que los vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛
son linealmente dependientes. Por lo contario, si el sistema tiene sólo la solución nula, se
dice que los vectores son linealmente independientes.

Definición: los vectores 𝑢1 , 𝑢2 , … , 𝑢𝑛 en Rn son linealmente dependientes si existen

escalares 𝑘1 , 𝑘2 , … , 𝑘𝑛 , no todos nulos tales que

𝑘1 𝑢1 + 𝑘2 𝑢2 + ⋯ + 𝑘𝑛 𝑢𝑛 = 0

Esto es, si la ecuación vectorial

𝑥1 𝑢1 + 𝑥2 𝑢2 + ⋯ + 𝑥𝑛 𝑢𝑛 = 0

Tiene una solución no nula, donde la xi son escalares por determinar. En caso contrario,
se dice que los vectores son linealmente independientes.

La definición anterior se aplica tanto a vectores fila como a vectores columna.

Demostrar si los siguientes sistemas homogéneo son linealmente Independientes

o dependientes
𝑢 = (1,3) 𝑣 = (1, −1) ѡ = (4,10)
ʋ = (𝑥𝑢 + 𝑦𝑣 + 𝑧ѡ)

(0,0,0) = ( x(1, 3) + y(1, -1) + z(4, 10) )

(𝑥, 3𝑥) + (𝑦, −𝑦) + (4𝑧, 10𝑧)

−3𝑙1 + 𝑙2 → 𝑙2

𝑥 + 𝑦 + 4𝑧 = 0 𝑥 + 𝑦 + 4𝑧 = 0
[ = [
3𝑥 − 𝑦 + 10𝑧 = 0 −4𝑦 − 2𝑧 = 0

Variables Libres: z
𝑎
𝑧=𝑎 −4𝑦 = 2𝑎 𝑥 = −4𝑎 − 2

𝑎 9𝑎
𝑦 = −2 𝑥= − 2

9𝑎 𝑎
Sol: (− 2
, − 2 , 𝑎) Son linealmente Dependientes

12
Demostrar si los siguientes vectores homogéneos son linealmente Independientes
o dependientes

U = (1,0,1) 𝑉 = (1,1,1) 𝑊 = (0,1,1)

(0,0,0) = (𝑥, 0, 𝑥) + (𝑦, 𝑦, 𝑦) + (0, 𝑧, 𝑧)

−𝑙3 + 𝑙1 → 𝑙1

𝑥+𝑦 =0 𝑧=0
[ 𝑦+𝑧 =0 [ 𝑦+𝑧 =0 𝑧=0 𝑦=0 𝑥=0
𝑥+𝑦+𝑧 =0 𝑥+𝑦+𝑧 =0
Sol: nula, Los vectores son linealmente Independientes

En el espacio tridimensional usual tenemos:

Figura 5.3 Espacio tridimensional

Fuente: (Kolman, Bernard, David R. Hill, 2018)

 u y j son dependientes por tener la misma dirección.

 u y v son independientes y definen el plano P.
 u, v y w son dependientes por estar los tres contenidos en el mismo plano.
 u, v y k son independientes por serlo u y v entre sí y no ser k una combinación
lineal de ellos o, lo que es lo mismo, por no pertenecer al plano P. Los tres vectores
definen el espacio tridimensional.

13
 Tema 6: Producto interno

Subtema 11: Bases Ortonormales.

En Rn sabemos que n vectores linealmente independientes constituyen una base. La base

canónica 𝐸 = {𝑒1 , 𝑒2 , … , 𝑒𝑛 }es la de mayor uso. Estos vectores tienen dos propiedades:

i) 𝑒𝑖 ∙ 𝑒𝑗 = 0
ii) 𝑒𝑖 ∙ 𝑒𝑖 = 1 𝑠𝑖 𝑖 ≠ 𝑗

6.1 Conjunto ortonormal en Rn

Se dice que un conjunto de vectores 𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑘 } en Rn es un conjunto ortonormal

si

Solo si satisface 𝑢𝑖 ∙ 𝑢𝑖 = 1 se dice que el conjunto es ortogonal.

Longitud o norma de un vector
Si 𝒗 ∈ 𝑅 𝑛 , entonces la longitud o norma de v, denotada por |v|, está dada por:

|𝒗| = √𝒗 ∙ 𝒗
La norma de un vector en R2

Sea 𝑣 = (𝑥, 𝑦) ∈ 𝑅 2 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 |𝑣| = √𝑥 2 + 𝑦 2 cumple con la definición usual de longitud

de un vector en el plano.
La norma de un vector en R3

Sea 𝑣 = (𝑥, 𝑦, 𝑧) ∈ 𝑅 3 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 |𝑣| = √𝑥 2 + 𝑦 2 + 𝑧 2

La norma de un vector en R5

Sea 𝑣 = (2, −1,3,4, −6) ∈ 𝑅 5 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 |𝑣| = √42 + (−1)2 + 32 + 42 + 62 = √66

Un conjunto de vectores es ortonormal si cualquier par de ellos es ortogonal y cada uno
tiene longitud 1.

14
Subtema 12: Aproximaciones por mínimos cuadrados.

6.2 Aproximación por una recta

Figura 6.2 Los puntos sobre la recta tienen coordenadas (x,b+mx)

Fuente: (Flores Godoy, Grossman Stanley, 2012).

6.3 Problema de mínimos cuadrados en el caso de una recta

Encuentre números m y b tales que la suma:

sea mínima. Para estos valores de m y b, la recta y=b + mx se llama aproximación por
la recta de mínimos cuadrados a los datos (𝒙𝟏 , 𝒚𝟏 ), (𝒙𝟐 , 𝒚𝟐 ), … , (𝒙𝒏 , 𝒚𝒏 )

15
Ejemplo:

Recursos complementarios:

Los siguientes recursos complementarios son sugerencias para que Ud. pueda ampliar la
información sobre el tema trabajado, como parte de su proceso de aprendizaje autónomo:

 Espacios vectoriales: https://www.youtube.com/watch?v=q6IQJA8qvok

 Subespacios vectoriales: https://www.youtube.com/watch?v=RISEPC9Ao4M

Herramientas & Software de la asignatura:

Utilizaremos como principal herramienta y software matemático OCTAVE, para
comprobar resultados de ejercicio en esta Unidad.

https://octaveintro.readthedocs.io/en/latest/vectores.html

Bibliografía
Kolman, Bernard, David R. Hill, Algebra Lineal, Pearson, 8 ed., 2018
Flores Godoy, Grossman, Stanley I., Álgebra lineal, McGraw-Hill Educación, 7 ed., 2012.
Mesa, Introducción al Álgebra lineal, Ecoe, 1 ed., 2012.
ESPOL, Fundamentos de matemáticas para bachillerato, ESPOL, 2 ed., 2006.

16
 TECNOLOGÍA DE LA INFORMACIÓN EN
LINEA
ALGEBRA LINEAL
3 créditos

Profesor creador de contenidos:

Ing. Ulbio Durán Pico Mg.

Titulaciones Semestre

 TECNOLOGÍA DE LA INFORMACIÓN
Primero

Tutorías: El profesor asignado se publicará en el entorno virtual de aprendizaje

online.utm.edu.ec), y sus horarios de conferencias se indicarán en la sección CAFETERÍA
VIRTUAL.

PERÍODO : OCTUBRE 2022 / FEBRERO 2023

Índice

Tabla de contenido

Organización de la lectura para el estudiante por semana del compendio ................................................... 2

Resultado de aprendizaje de la asignatura .............................................................................................. 2
Unidad 4 Transformaciones lineales ......................................................................................................... 2
Tema 7: Transformaciones lineales .......................................................................................................... 3
7.1 Definición y ejemplos ..................................................................................................................... 3
Subtema 13. Ejemplos de transformaciones lineales ............................................................................ 4
Subtema 14: Propiedades de las transformaciones lineales ................................................................ 6
14.1 Propiedades.................................................................................................................................... 6
14.2 Núcleo e imagen de una transformación lineal..................................................................... 7
14.3 Nulidad y rango de una transformación lineal ...................................................................... 7
Tema 8: Representación matricial de una transformación lineal ......................................................... 7
Matriz de Transformación .................................................................................................................... 7
Subtema 15: Isomorfismos ......................................................................................................................... 9
Subtema 16: Isometrías .............................................................................................................................. 9
Recursos complementarios: ............................................................................................................. 10
 Herramientas & Software de la asignatura: .................................................................................... 10
Bibliografía............................................................................................................................................. 10

1
 Organización de la lectura para el estudiante por semana del compendio

Semanas Páginas
Semana 13 2–4
Semana 14 5–7
Semana 15 7–9
Semana 16 9 – 10

Resultado de aprendizaje de la asignatura

Desarrollar el pensamiento lógico y las capacidades analíticas en el

modelado de soluciones de problemas en el área de computación, a través de
la aplicación de los fundamentos del álgebra lineal.

Sabías que. – Una Transformación Lineal tiene propiedades que son

fácilmente de comprobar

ALGEBRA
LINEAL

Unidad 4 Transformaciones lineales

Resultado de aprendizaje de la unidad: Aplicar las transformaciones lineales

en la solución de ejercicios y en modelos matemáticos.

2
Tema 7: Transformaciones lineales

Las transformaciones lineales son las funciones con las que se trabaja en
Algebra Lineal, se trata de funciones entre K-espacios vectoriales que son
compatibles con la estructura (es decir, con la operación y la acción) de estos
espacios. (Flores Godoy, Grossman Stanley, 2012)

7.1 Definición y ejemplos

Sean V y W espacios vectoriales reales. Una transformación lineal T de V en

W es una función que asigna a cada vector v ∈ 𝑉 un vector único T𝐯 ∈ 𝑊 y que
satisface, para cada u y v en V y cada escalar α.

Observaciones sobre notación:

1. Se escribe T: V  W para indicar que T toma el espacio vectorial real V y lo lleva

al espacio real W; esto es, T es una función con V como su dominio y un
subconjunto de W como su imagen.
2. Se escriben indistintamente Tv y T(v). Denotan lo mismo; las dos se leen “T de v”.
Esto es análogo a la notación funcional 𝑓(𝑥), que se lee “f de x”.
3. Gran parte de las definiciones y teoremas se cumplen también para los espacios
vectoriales complejos (espacios vectoriales en donde los escalares son números
complejos).

3
 Ejemplo: Una transformación lineal de 𝑹𝟐 𝒆𝒏 𝑹𝟑

𝒙+𝒚
𝟐 𝟑
𝒙
Sea T: 𝑹 → 𝑹 definida por 𝑻 (𝒚) = (𝒙 − 𝒚)
𝟑𝒚

−𝟏
𝟐
Por ejemplo, 𝑻 ( ) = ( 𝟓 ) , 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔:
−𝟑
−𝟗

𝑥1 + 𝑥2 + 𝑦1 + 𝑦2
𝑥1 𝑥2 𝑥1 + 𝑥2
𝑻 [(𝑦 ) + (𝑦 )] = 𝑇 (𝑦 + 𝑦 ) = (𝑥1 + 𝑥2 − 𝑦1 − 𝑦2 )
1 2 1 2
3𝑦1 + 3𝑦2

𝑥1 + 𝑦1 𝑥2 + 𝑦2
= (𝑥1 − 𝑦1 ) + (𝑥2 − 𝑦2 )
3𝑦1 3𝑦2

𝑥1 + 𝑦1 𝑥2 + 𝑦2
𝑥1 𝑥2
𝑥
Pero ( 1 − 𝑦1 ) = 𝑇 (𝑦 ) 𝑦 (𝑥2 − 𝑦2 ) = 𝑇 (𝑦 )
1 2
3𝑦1 3𝑦2

𝑥1 𝑥2 𝑥1 𝑥2
Así, 𝑻 [(𝑦 ) + (𝑦 )] = 𝑇 (𝑦 ) + 𝑇 (𝑦 )
1 2 1 2

De manera similar,

𝛼𝑥 + 𝛼𝑦 𝑥+𝑦
𝑥 𝛼𝑥 𝑥
𝑻 [𝛼 (𝑦)] = 𝑇 (𝛼𝑦) = ( 𝛼𝑥 − 𝛼𝑦 ) = 𝛼 (𝑥 − 𝑦) = 𝛼𝑇 (𝑦)
3𝛼𝑦 3𝑦

Así, T es una transformación lineal.

Subtema 13. Ejemplos de transformaciones lineales

Ejemplo: Una transformación cero

Sean V y W espacios vectoriales y defina T: V  W por Tv = 0 para todo v en V.

Entonces 𝑇(𝑣1 + 𝑣2 ) = 0 = 0 + 0 = 𝑇𝑣1 + 𝑇𝑣2 y 𝑇(𝛼𝑣) = 0 = 𝛼0 = 𝛼𝑇𝑣 . En este caso, T se
denomina la transformación cero.

4
 Ejemplo: La transformación identidad

Sea V un espacio vectorial y defina I:V  por Iv=v para todo v en V. Aquí es obvio
que I es una transformación lineal, la cual se denomina transformación identidad u
operador identidad.

Ejemplo: Transformación de reflexión

𝑥 −𝑥
Sea T:R2  R2 definida por 𝑇 (𝑦) = ( 𝑦 ). Es fácil verificar que T es lineal. En

términos geométricos, T toma un vector en R2 y lo refleja respecto al eje y, como se

muestra la figura 13.1

Figura 13.1 El vector (-x,y) es la reflexión respecto al eje y del vector (x,y)

Fuente: (Flores Godoy, Grossman Stanley, 2012).

Ejemplo: Transformación de rotación

𝑥
Suponga que el vector 𝑣 = (𝑦) en el plano xy se rota un ángulo 𝝷 (medido en

grados o radianes) en sentido contrario al de las manecillas del reloj. Se denomina a este
𝑥′
nuevo vector rotado 𝑣′ = ( ). Entonces, si r se denota como la longitud de v (se puede
𝑦′
notar que no cambia por la rotación).

𝑥 = 𝑟 𝑐𝑜𝑠 ∝ 𝑦 = 𝑟 𝑠𝑖𝑛 ∝

𝑥′ = 𝑟 cos(𝜃+∝) 𝑦 = 𝑟 𝑠𝑖𝑛(𝜃+∝)

Pero 𝑟 cos(𝜃+∝) = 𝑟 cos 𝜃 𝑐𝑜𝑠 ∝ −𝑟 sin 𝜃 𝑠𝑖𝑛 ∝, 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑞𝑢𝑒

𝑥 ′ = 𝑥 cos 𝜃 − 𝑦 𝑠𝑖𝑛 𝜃
5
De manera similar, r sin (𝜃+∝) = 𝑟 sin 𝜃 𝑐𝑜𝑠 ∝ + 𝑟 cos 𝜃 𝑠𝑖𝑛 ∝, 𝑜 𝑠𝑒𝑎:

𝑦 ′ = 𝑥 sin 𝜃 + 𝑦 𝑐𝑜𝑠 𝜃

Sea

cos 𝜃 − sin 𝜃
𝐴𝜃 = ( )
sin 𝜃 cos 𝜃

Figura 13.2 El vector (x’, y’) se obtiene rotando (x,y) un ángulo de 𝜃

Fuente: (Flores Godoy, Grossman Stanley, 2012).

Subtema 14: Propiedades de las transformaciones lineales

14.1 Propiedades

Sea 𝑇: 𝑉 → 𝑊 una transformación lineal. Entonces para todos los vectores

𝑢, 𝑣, 𝑣1 , 𝑣2 , … , 𝑣𝑛 en V y todos los escalares ∝1 , ∝2 , … , ∝𝑛 ;

i. 𝑇(0) = 0
ii. 𝑇(𝑢 − 𝑣) = 𝑇𝑢 − 𝑇𝑣
iii. 𝑇(∝1 𝑣1 +∝2 𝑣2 + ⋯ +∝𝑛 𝑣𝑛 ) =∝1 𝑇𝑣1 +∝2 𝑇𝑣2 + ⋯ +∝𝑛 𝑇𝑣𝑛

En el inciso i) el 0 de la izquierda es el vector cero en V, mientras que el 0 de la derecha

es el vector cero en W

6
14.2 Núcleo e imagen de una transformación lineal

Sean V y W dos espacios vectoriales y sea T: V W una transformación lineal. Entonces:

i. El núcleo de T está dado por:

𝒏𝒖 𝑻 = {𝒗 ∈ 𝑽; 𝑻𝒗 = 𝟎}

ii. La imagen de T, denotado por im T, está dado por:

𝒊𝒎 𝑻 = {𝒘 ∈ 𝑾; 𝒘 = 𝑻𝒗 𝒑𝒂𝒓𝒂 𝒂𝒍𝒈𝒖𝒏𝒂 𝒗 ∈ 𝑽}

14.3 Nulidad y rango de una transformación lineal

Si T es una transformación lineal de V en W, entonces se define:

Tema 8: Representación matricial de una transformación lineal

Matriz de Transformación

La matriz 𝐴𝑇 se denomina matriz de transformación correspondiente a T o

representación matricial de T.
Sea 𝑇: 𝑅 𝑛 → 𝑅 𝑚 una transformación lineal. Existe entonces una matriz única de 𝑚 𝑥 𝑛, 𝐴𝑇
tal que
𝑇𝑇 = 𝐴𝑇 𝑥 para toda 𝑥 ∈ 𝑅 𝑛
Teorema:
Sea 𝐴𝑇 la matriz de transformación correspondiente a la transformación lineal T. Entonces:

7
 i.) 𝑖𝑚 𝑇 = 𝑖𝑚 𝐴 = 𝐶𝐴𝑇
ii.) 𝜌(𝑇) = 𝜌(𝐴𝑇 )
iii.) 𝑛𝑢 𝑇 = 𝑁𝐴𝑇
iv.) 𝑣(𝑇) = 𝑣(𝐴𝑇 )

Representación matricial de una transformación de proyección

𝑥 𝑥 1 1 0 0 0 0
Aquí 𝑇 (𝑦) = (𝑦). En particular, 𝑇 (0) = (0), 𝑇 (1) = (1) y 𝑇 (0) = (0)
𝑧 0 0 0 0 0 1 1
1 0 0 𝑥 1 0 0 𝑥 𝑥
Así, 𝐴𝑇 = (0 1 0), observe que 𝐴𝑇 (𝑦) = (0 1 0) (𝑦) = (𝑦)
0 0 0 𝑧 0 0 0 𝑧 0

Representación matricial de una transformación de 𝑹𝟑 en 𝑹𝟒

𝑥−𝑦
𝑥 𝑦+𝑧
Defina 𝑇: 𝑅 3 en 𝑹𝟒 por 𝑇 (𝑦) = ( 2𝑥 − 𝑦 − 𝑧 )
𝑧
−𝑥 + 𝑦 + 2𝑧

Encuentre 𝐴𝑇 , 𝑛𝑢 𝑇, 𝑖𝑚 𝑇, 𝑣(𝑇) 𝑦 𝜌(𝑇)

Solución
1 −1 0
1 0 0
0 1 1
𝑇 (0) = ( ) , 𝑇 (1) = ( ) 𝑦 𝑇 (0) = ( )
2 −1 −1
0 0 1
−1 1 2

1 −1 0
0 1 1
Así, 𝐴𝑇 = ( )
2 −1 −1
−1 1 2
Observe que:
1 −1 0 𝑥−𝑦
𝑥 𝑦+𝑧
0 1 1
( ) (𝑦) = ( 2𝑥 − 𝑦 − 𝑧 )
2 −1 −1 𝑧
−1 1 2 −𝑥 + 𝑦 + 2𝑧

Ahora se determina el núcleo y la imagen de A. La forma escalonada por renglones de

1 −1 0 1 −1 0
0 1 1 0 1 1
( ) 𝑒𝑠 ( )
2 −1 −1 0 0 1
−1 1 2 0 0 0

8
Como tiene tres pivotes, de manera que ya que 𝜌(𝐴) + 𝑣(𝐴) = 3

Siendo: 𝜌(𝐴) = 3 y 𝑣(𝐴) = 3 − 3 = 0

1 −1 0
0 1 1
Esto significa que 𝑛𝑢 𝑇 = {0}, 𝑖𝑚 𝑇 = 𝑔𝑒𝑛 {( ) , ( ) , ( )} , 𝑣(𝑇) = 0 𝑦 𝜌(𝐴) = 3
2 −1 −1
−1 1 2

Subtema 15: Isomorfismos

Sea 𝑇: 𝑉 → 𝑊 una transformación lineal. Entonces 𝑇 es un isomorfismo si 𝑇 es

1-1 y sobre.

Transformación uno a uno

Sea 𝑇: 𝑉 → 𝑊 una transformación lineal; entonces T es uno a uno si
𝑇𝑉1 = 𝑇𝑉2 𝑖𝑚𝑝𝑙𝑖𝑐𝑎 𝑞𝑢𝑒 𝑣1 = 𝑣2

Es decir, 𝑇 es 1-1 si y sólo si todo vector w en la imagen de T es la imagen de exactamente

un vector de V.
Transformación sobre
Sea 𝑇: 𝑉 → 𝑊 una transformación lineal; entonces T es sobre W o simplemente sobre si
para todo 𝑤 ∈ 𝑊 existe cuando menos una 𝑣 ∈ 𝑉 tal que 𝑇𝑣 = 𝑤. Es decir, T es sobre W
si y solo si 𝑖𝑚 𝑇 = 𝑊

Subtema 16: Isometrías

Una transformación lineal 𝑇: 𝑅 𝑛 → 𝑅 𝑛 se denomina isometría si para cada x en

𝑅𝑛
|𝑇𝑥| = |𝑥|
Se puede decir que una isometría en 𝑅 𝑛 es una transformación lineal que preserva la
longitud en 𝑅 𝑛 . Note que implica que:

9
Recursos complementarios:

Los siguientes recursos complementarios son sugerencias para que Ud.

pueda ampliar la información sobre el tema trabajado, como parte de su
proceso de aprendizaje autónomo:

 Transformación lineal: https://www.youtube.com/watch?v=BiBHEvYdqtw

 http://cb.mty.itesm.mx/ma1010/materiales/ma1010-03.pdf

 Herramientas & Software de la asignatura:

 Utilizaremos como principal herramienta y software matemático OCTAVE, para
comprobar resultados de ejercicio en esta Unidad.
 https://www.youtube.com/watch?v=ktgkfQITh_k

 Operaciones de matrices con Octave:

https://octaveintro.readthedocs.io/en/latest/matrices.html
 Resolución de Sistemas de Ecuaciones Lineales con el Software matemático OCTAVE:
https://marcelopardo.com/resolucion-sistemas-lineales-de-ecuaciones-octave-matlab/

Bibliografía

 Kolman, Bernard, David R. Hill, Algebra Lineal, Pearson, 8 ed., 2018

 Flores Godoy, Grossman, Stanley I., Álgebra lineal, McGraw-Hill Educación, 7 ed.,
2012.
 Mesa, Introducción al Álgebra lineal, Ecoe, 1 ed., 2012.
 ESPOL, Fundamentos de matemáticas para bachillerato, ESPOL, 2 ed., 2006.

10