Libro NotasdeClase

Notas de Clase
Álgebra Lineal
Diego D UAR TE VOGEL

Camilo R ENGIFO G UTIÉRREZ
Índice general
1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Vectores en R2 y R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Definición de vector: álgebra y geometría 8
2.2 Álgebra de vectores 14
2.2.1 Representación geométrica de suma, resta y multiplicación por escalar . . . . . 18
2.2.2 Álgebra de vectores en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Proyección ortogonal entre vectores 25
2.4 Combinación lineal 27
2.5 Vectores en Rn 29
3 Matrices y su álgebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.0.1 Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.0.2 Operaciones entre matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.0.3 Reducción de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.0.4 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.0.5 El determinante de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.0.6 La inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.0.7 Álgebra matricial y Microsoft Excel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.0.8 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4 Área, volumen, rectas y planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.0.1 Área en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4
4.0.2 El producto cruz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.0.3 Rectas en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.0.4 Planos en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5 Espacios y subespaciones vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 79

5.0.1 Definición de espacio vectorial y de subespacio vectorial . . . . . . . . . . . . . . . . 79
5.0.2 Espacio generado por un conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.0.3 Conjuntos linealmente independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.0.4 Base y dimensión de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.0.1 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7 Mínimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

7.0.1 El problema a trabajar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.0.2 Ajuste lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.0.3 Ajuste cuadrático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.0.4 Ajuste cúbico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.0.5 Ajuste exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.0.6 Ajuste logarítmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8 Números complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

8.0.1 Números complejos y su álgebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9 Diagonalización de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

9.0.1 Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.0.2 Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
10 Sistemas de ecuaciones diferenciales lineales: introducción . . . . 127

10.0.1 Sistemas de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
10.0.2 Representación matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
10.0.3 Solución analítica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
10.0.4 Solución cualitativa: diagrama de fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
11 Modelo de insumo-producto abierto de Leontief . . . . . . . . . . . . . . . 137
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
1. Introducción
A partir de estas notas de guía, el estudiante tendrá a la mano material para preparar y seguir el
hilo conductor del curso Álgebra Lineal en la Universidad de La Sabana. Aclarar la notación que se
usará a lo largo del texto.
2. Vectores en R2 y R3
Los vectores tienen diversas aplicaciones en diferentes campos, interconectando a menudo

disciplinas. Por ejemplo, en los gráficos por computadora y la animación, la posición y orientación
precisa de los objetos en el espacio tridimensional se representan mediante vectores. Esto permite la
renderización realista y la animación de efectos visuales complejos. Además, la manipulación de
vectores en gráficos y animación involucra operaciones entre vectores. Estas operaciones también
se emplean en física para describir el movimiento de los objetos, ya que los vectores permiten
representar de manera concisa el desplazamiento, la velocidad y la aceleración. Por lo tanto, los
conceptos de matemáticas y física se entrelazan en el ámbito de los gráficos por computadora.
Los vectores son una herramienta fundamental en la robótica y los sistemas de control. En
robótica, los vectores se utilizan para representar la posición y orientación de los brazos robóticos,
facilitando su movimiento y manipulación. Los sistemas de control se basan en vectores para
modelar y analizar el comportamiento de los sistemas dinámicos, permitiendo un control preciso y la
automatización. Además, la robótica a menudo se cruza con los gráficos por computadora al simular
y visualizar los movimientos de los robots. Al combinar simulaciones basadas en vectores con
gráficos sofisticados, los ingenieros pueden estudiar y optimizar los sistemas robóticos, mejorando
su rendimiento y eficiencia.
Además, los vectores desempeñan un papel importante en los sistemas de información geográfica
(SIG) y la navegación. En las aplicaciones de SIG, los vectores representan datos espaciales, permi-
tiendo una representación precisa de la ubicación, cálculos de distancias y proyecciones de mapas.
Estos vectores se utilizan en conjunto con coordenadas geográficas del mundo real, lo que facilita el
análisis espacial y la cartografía. Los sistemas de navegación también dependen de vectores para
determinar posiciones, calcular direcciones y planificar rutas. Al integrar datos SIG y algoritmos de
navegación, las representaciones basadas en vectores ayudan a guiar vehículos, optimizar rutas de
viaje y permitir servicios basados en la ubicación.
En resumen, los vectores sirven como un hilo común que conecta diversas disciplinas. Sus aplica-
ciones en gráficos por computadora, física, matemáticas, robótica, SIG y navegación demuestran su
versatilidad e importancia para analizar y resolver problemas complejos. Ya sea para representar can-
tidades físicas, modelar conceptos geométricos o guiar sistemas automatizados, los vectores brindan
8 Capítulo 2. Vectores en R2 y R3
un marco poderoso para comprender y manipular información en un mundo multidimensional.

Esta sección de las notas de clase está organizada de la siguiente forma. Para comenzar con el
desarrollo de la teoría del álgebra lineal, se introduce el concepto de vector en el plano Cartesiano
y en el espacio. En segundo lugar, se introducen las operaciones básica entre vectores en el plano
Cartesiano, a saber, suma, resta, multiplicación por números reales, producto punto, magnitudes y
ángulos. Con las operaciones algebraicas a la mano, se abre el panorama, introduciendo la represen-
tación geométrica de las operaciones entre vectores. En este punto, se da una extensión del álgebra
de vectores al contexto de tres dimensiones y se discuten algunas construcciones vectoriales que son
consecuencia de la proyección ortogonal. Finalmente, esta sección cierra introduciendo un concepto
que aparecerá más adelante en las notas del curso que se denomina combinación lineal y la escritura
de un vector en general.
Cabe mencionar que los vectores son objetos matemáticos que sistematizan varias ideas de la
mecánica clásica y de la teoría econométrica. Adicionalmente, los vectores son la abstracción
matemática de la idea de las flechas en el sentido amplio de la palabra.
2.1 Definición de vector: álgebra y geometría

Los vectores que se estudian en esta sección, son objetos definidos en los espacios euclideanos
R2 y R3 . Antes de presentar la definición de vector, es preciso aclarar que los espacios R2 y R3 están
definidos como los conjuntos de tuplas ordenadas,
R2 = {(a1 , a2 ) : ai ∈ R} ,
R3 = {(a1 , a2 , a3 ) : ai ∈ R} .
El espacio R2 corresponde al plano Cartesiano, mientras que el espacio R3 se denomina el espacio
de tres dimensiones.
Ejemplo 2.1 Un punto (a1 , a2 ) de R2 se representa gráficamente así
El número a1 se llama la primera coordenada de (a1 , a2 ). Similarmente a2 se denomina la

segunda coordenada del punto en cuestión. Note que a1 representa el movimiento horizontal,
mientra que a2 representa el movimiento vertical.
√
Ejemplo 2.2 La siguiente es una lista de puntos de R2 , (1, 1), (−3, 5), 23 , −4 , ( 3, 0) y (b, 2b)
donde b ∈ R.
Ejemplo 2.3 Un punto A = (a1 , a2 , a3 ) de R3 se representa gráficamente así
El número a1 se llama la primera coordenada de A. Similarmente a2 y a3 se denominan la

segunda y tercera coordenada de A. El número a3 representa la altura del punto A.
7 2
Ejemplo 2.4 La siguiente es una lista de puntos de R3 , (1, 1, 2), (11, −3, 5), − 17

, 3 , −4 ,
√
(0, 3, 0) y (1, b, 2b) donde b ∈ R.
Ejemplo 2.5 Los espacios R2 y R3 tienen un punto marcado que se denomina el origen, el cual
está formado por la tupla ordenada que solo tiene ceros. Es decir, 0 = (0, 0) ∈ R2 y 0 = (0, 0, 0) ∈
R3 .
Con los espacios R2 y R3 a la mano, se procede a dar la definición de vectores.
Definición 2.1.1 Vector - Álgebra

Algebraicamente, un vector, ⃗v, es una tupla ordenada que se escribe de la siguiente manera
según sea el caso:
⃗v = [v1 , v2 ] ∈ R2 , con vi ∈ R,
⃗v = [v1 , v2 , v3 ] ∈ R3 , con vi ∈ R.
En R2 , el vector ⃗v = [v1 , v2 ] está determinado por las coordenadas del punto (v1 , v2 ) y el origen
0. Así que, v1 es la primera coordenada de ⃗v y v2 es la segunda coordenada de ⃗v. Gráficamente, la
situación es la siguiente,
Como se ve en la figura anterior, el vector ⃗v es el segmento de recta dirigido cuyo punto inicial es 0
y punto final es (v1 , v2 ). Esto no quiere decir que, en general, los vectores tienen únicamente como
punto inicial 0, ya que en R2 existen segmentos de recta dirigidos que no pasan por el origen. Por
ejemplo, en la siguiente figura se presentan dos vectores cuyo punto inicial es diferente del origen
0. Adicionalmente, como los vectores de la figura son segmentos de recta dirigidos paralelos con
la misma dirección y del mismo tamaño, tenemos que estos dos segmentos de recta representan el
mismo vector ⃗v cuya primera coordena es 1 y su segunda coordenada es 1.
La dirección de un vector ⃗v está determinada por su punto inicial y su punto final.

Ejemplo 2.6 Los vectores representados en la figura no tienen la misma dirección pero tienen el
mismo tamaño.
En R3 , la situación es completamente análoga a la descrita en R2 . Gráficamente, un vector ⃗v =

[v1 , v2 , v3 ] en R3 , determinado por el segmento de recta dirigido desde el punto inicial 0 hasta el
punto final (v1 , v2 , v3 ), se representa de la siguiente forma:
Al igual que en R2 , en R3 el punto inicial de un vector no tiene que ser siempre el origen 0.
Ejemplo 2.7 La siguiente figura muestra dos vectores en R3 cuyo punto inicial no es el origen
0 = (0, 0, 0). Adicionalmente, los vectores presentados están definidos por segmentos de recta
dirigidos paralelos que tienen la misma dirección y el mismo tamaño.
Definición 2.1.2 Vector - Geometría

Geométricamente, un vector ⃗v se define como el conjunto de todos los segmentos de recta
dirigidos paralelos que tienen la misma dirección y de igual tamaño.
En este punto se introduce una notación adicional para los vectores, que se utilizará a lo largo de
estas notas. Un vector columna ⃗v se representa de la siguiente forma, (según sea el caso),

v
⃗v = 1 ∈ R2 , vi ∈ R,
v2
 
v1
⃗v = v2  ∈ R3 , vi ∈ R.

v3
Ejemplo 2.8 Los siguientes son vectores columna de R2 ,

2 √
1 −11 2
√ , a
, , 73 , , con a, b ∈ R.
3 5 −8 −3 5 a+b
Ejemplo 2.9 La siguiente lista de vectores columna,

     4     
1 −11 9
27√ a
 3  ,  5  , − 13  , 1 + 2 , a + b , con a, b ∈ R.
8 √
−2 7 0 −3 5 3a
pertenecen a R3 .
Recapitulando, en R2 un vector ⃗v tiene dos presentaciones equivalentes, algebraica y geométrica

respectivamente,

v
⃗v = [v1 , v2 ] = 1 ,
v2
de igual forma, un vector ⃗v ∈ R3 tiene dos representaciones equivalentes, algebraica y geométrica

respectivamente,  
v1
⃗v = [v1 , v2 , v3 ] = v2  .

v3
 
0
2 1 1 
Ejemplo 2.10 Siguiendo la notación introducida se tiene que, [2, 4] = y [0, 4 , −3] = 
4 ,
4
−3
representan el mismo vector en R2 y R3 respectivamente.
Ahora bien, el contexto de trabajo es el que permite diferenciar si el vector en cuestión tiene como
punto inicial el origen 0, o no. Explícitamente, las dos situaciones que se necesitan diferenciar son
las siguientes. Primero, dado un vector ⃗v su representación gráfica es:
⃗ es:
Segundo, dados dos puntos P y Q, el vector que va de P a Q, denotado por PQ,
En este punto surgen dos preguntas. ¿Cómo calcular el vector PQ ⃗ con P, Q dos puntos dados en
2 3
R o R ? y ¿cómo calcular el tamaño de un vector? Para responder a estas preguntas es necesario
definir las operaciones algebraicas entre vectores. Antes de seguir, el lector puede reconocer que
la representación gráfica de un vector corresponde a una fecha con la cual queda determinada la
dirección del vector.
Ejercicios 2.1.1
(1) Dibujar en R2 el vector ⃗v = [1, 3] cuyo punto inicial es 0.
(2) Dibujar en R2 el vector que va desde el punto (−1, −2) al punto (2, 1).
(3) Dibujar el vector ⃗v que sale del punto (4, 1) hacia el punto (2, 3). Dibujar el vector ⃗w que
es equivalente a ⃗v cuyo punto inicial es el origen (0, 0). ¿Cuál es el punto final de ⃗w?
(4) Dibujar el vector ⃗h determinado por el segmento de recta dirigido desde A = (2, 1) hasta
B = (3, 3). Además, dibujar el vector ⃗m cuyo punto inicial es 0 y tiene dirección contraria
a ⃗h.
2.2 Álgebra de vectores

En esta sección se presentan las operaciones algebraicas entre vectores. Primeramente, se definirá
el álgebra de vectores en R2 , y en un segundo lugar, dicha álgebra vectorial, se extenderá de forma
natural a R3 .

v1 w1
Sean ⃗v = , ⃗w = dos vectores en R2 y α ∈ R un escalar, es decir un número
v2 w2
real.
Definición 2.2.1 Suma de Vectores

La suma de vectores está definida así,

v1 + w 1
⃗v + ⃗w = ,
v2 + w 2
es decir, sumar componente a componente.
Definición 2.2.2 Multiplicación por Escalar

La multiplicación por escalar está definida por la fórmula,

v1 αv1
α⃗v = α = ,
v2 αv2
es decir, multiplicar el escalar en cada componente.
1
2 ⃗ −4
Ejemplo 2.11 Sean ⃗a = ,b= , ⃗t = 24 , α = 3 y β = −1. Entonces
−3 7
3
⃗ 2 −4 2 + (−4) −2
• ⃗a + b = + = = ,
−3 7 −3 + 7 4
1 1 3
3· 2
• α⃗t = 3 24 = 4 =
2 ,
3 3 · 4
3 1 15
⃗ 2 −4
• ⃗a + β b + α⃗t = − + 3 24 = 2 .
−3 7 3 −6
Obs: La resta de vectores se obtiene al combinar la suma de vectores y la multiplicación por −1, es
decir,

v1 w1 v −w1 v − w1
⃗v + (−1)⃗w = + (−1) = 1 + = 1 =⃗v − ⃗w.
v2 w2 v2 −w2 v2 − w2

v1 w1
Ejercicio 2.1 Sean ⃗v = ,⃗w = . Verifique que ⃗w −⃗v = −(⃗v − ⃗w). ■
v2 w2
Para medir el ángulo determinado entre dos vectores y el tamaño (o magnitud) de un vector en
R2 se usará el producto punto entre vectores.
Definición2.2.3
Producto Punto
v1 w1
Sean ⃗v = y ⃗w = dos vectores dados. El producto punto de ⃗v y ⃗w, denotado por
v2 w2
⃗v · ⃗w, está definido como sigue

v w1
⃗v · ⃗w = 1 · = v1 w1 + v2 w2 .
v2 w2

2 ⃗ −4
Ejemplo 2.12 Sean ⃗a = yb= . Entonces
−3 7

2 −4
⃗a ·⃗b = · = 2 · (−4) + (−3) · 7 = −8 − 21 = −29.
−3 7

v1 w1
Ejercicio 2.2 Sean ⃗v = ,⃗w = . Verifique que el producto punto es conmutativo, es
v2 w2
decir,
⃗v · ⃗w = ⃗w ·⃗v.
■

v1
Ejercicio 2.3 Sea ⃗v = , verifique que
v2
⃗v ·⃗v > 0.
Además, muestre que ⃗v ·⃗v = 0 si y solo si ⃗v = 0. ■
Dado que el producto punto entre vectores es un escalar, este nos permitirá calcular el tamaño de un
vector.
Definición 2.2.4 Magnitud (Norma)

v1
La magnutid o norma de un vector, ⃗v = , está definida por la distancia entre los puntos
v2
que conecta y se puede calcular por la raíz cuadrada del producto punto del vector consigo
mismo, es decir,
√ q
||⃗v|| = ⃗v ·⃗v = v21 + v22 .
Obs: Antes de seguir, note que para ⃗v ∈ R2 se tiene la siguiente fórmula vectorial
||⃗v||2 =⃗v ·⃗v.
Definición
2.2.5 Ángulo entre Vectores
v1 w1
Si ⃗v = y ⃗w = son vectores no nulos entonces el ángulo, θ ∈ [0, π], entre ⃗v y ⃗w es
v2 w2
el ángulo no negativo más pequeño entre ellos y se puede calcular vía el coseno de θ a través de
la fórmula:
⃗v · ⃗w
cos(θ ) = .
||⃗v||||⃗w||

2 ⃗ −4
Ejemplo 2.13 Sean ⃗a = yb= . Entonces,
−3 7
s
√ √ √

2 2
||⃗a|| = ⃗a ·⃗a = · = 4 + 9 = 13.
−3 −3
√
De forma similar, se tiene que ||⃗b|| = 65. Así que, si θ es el ángulo entre ⃗a y ⃗b, entonces
⃗a ·⃗b −29
cos(θ ) = =√ √ .
⃗
||⃗a||||b|| 13 65

v1 w1
Ejercicio 2.4 Sean ⃗v = y ⃗w = . Verifique que ||(⃗v − ⃗w)||2 = ||⃗v||2 + ||⃗w||2 − 2⃗v · ⃗w. ■
v2 w2

v1 w1
Ejemplo 2.14 Para cualquier par de vectores ⃗v = y ⃗w = dados y un escalar α ∈ R,
v2 w2
se tiene que
||⃗v + ⃗w|| ≤ ||⃗v|| + ||⃗w|| y ||α⃗v|| = |α|||⃗v||,
Note que,
||⃗v + ⃗w|| ≤ ||⃗v|| + ||⃗w|| ⇐⇒ ||⃗v + ⃗w||2 ≤ (||⃗v|| + ||⃗w||)2 .
Ahora bien, el lado izquierdo de la desigualdad se reescribe así
||⃗v + ⃗w||2 = (⃗v + ⃗w) · (⃗v + ⃗w) =⃗v ·⃗v + 2⃗v · ⃗w + ⃗w · ⃗w = ||⃗v||2 + 2⃗v · ⃗w + ||⃗w||2 .
A su vez, el lado derecho de la desigualdad se reescribe como sigue,
(||⃗v|| + ||⃗w||)2 = ||⃗v||2 + 2||⃗v||||⃗w|| + ||⃗w||2 .
Comparando el lado izquierdo con el lado derecho, se sigue que la desigualdad es verdadera si y
sólo si se cumple lo siguiente
⃗v · ⃗w
2⃗v · ⃗w ≤ 2||⃗v||||⃗w|| ⇐⇒ ⃗v · ⃗w ≤ ||⃗v||||⃗w|| ⇐⇒ ≤ 1 ⇐⇒ cos(θ ) ≤ 1
||⃗v||||⃗w||
donde θ es el ángulo formado entre ⃗v y ⃗w.
Definición 2.2.6 Vector Unitario

Un vector ⃗u se llama vector unitario si ⃗u tiene norma uno, es decir, ||⃗u|| = 1.
!
√1
Ejemplo 2.15 El vector ⃗u = 2 es un vector unitario.
− √12

3
Ejercicio 2.5 Dado ⃗a = . Verifique que el vector
4
⃗b = 1 ⃗a
||⃗a||
es un vector unitario. ■
Para justificar las definiciones de magnitud y ángulo entre vectores es útil apoyarse en la representa-
ción geométrica de los vectores y en la representación geométrica de las operaciones de suma, resta
y multiplicación por escalar en R2 .
2.2.1 Representación geométrica de suma, resta y multiplicación

por escalar
Las operaciones algebraicas que se acaban de definir tienen una representación geométrica que
se presenta a continuación. La suma de vectores ⃗v + ⃗w está representada por

1 4 5
Note que ⃗v + ⃗w = + = . Gráficamente la resta de vectores ⃗v − ⃗w viene dada por
3 2 5
Cabe anotar que, el vector ⃗v − ⃗w también está representado por un segmento de recta paralelo, con la
misma dirección e igual tamaño, cuyo punto inicial es el origen y su representación geométrica se
deja al lector.
Sean P = (p1 , p (q1 ,q2 ) dos puntos en R2 . Cada punto determina un vector que se
2 ) y Q =
p1 ⃗ = q1 . Para estos vectores el punto inicial es 0 y el punto final es P y
denota por ⃗P = yQ
p2 q2
Q respectivamente. Así que, el vector que sale del punto P hacia el punto Q está dado por

⃗ − ⃗P = q1 − p1 .
⃗ =Q
PQ
q2 − p2

⃗ =Q
⃗ − ⃗P = 3
Ejemplo 2.16 En particular, si P = (2, 3) y Q = (5, 1) entonces el vector PQ .
−2

1
Ejemplo 2.17 Los vectores de la siguiente figura son numéricamente el mismo, a saber, ⃗v = .
1
La multiplicación por escalar α⃗v se representa en la siguiente figura para el caso α = 3, 13 , −2,

v
Dado un vector ⃗v = 1 , ⃗v determina un triángulo rectángulo en R2 . Gráficamente, la situación se
v2
puede representar así
Luego, la magnitud de ⃗v resulta ser la hipotenusa del triángulo en la figura anterior. Por el teorema
de Pitágoras se tiene que,
q √
||⃗v|| = v21 + v22 = ⃗v ·⃗v.

u
Suponga que ⃗u = 1 es un vector unitario. Como ||⃗u|| = 1, el siguiente cálculo
u2

u u
||⃗u|| = ⃗u ·⃗u = 1 · 1 = u21 + u22 = 1
2
u2 u2
implica que el punto (u1 , u2 ) pertenece a la circunferencia x2 + y2 = 1 con centro 0 = (0, 0) y radio
1. Gráficamente,
Ejemplo 2.18 El vector ⃗θ = [cos(θ ), sin(θ )] define una familia de vectores unitarios donde
θ ∈ [0, 2π)
Para justificar la fórmula que determina el coseno del ángulo θ entre dos vectores ⃗v y ⃗w, note que
esos dos vectores determinan un triángulo escaleno, cuyo tercer lado es ⃗v − ⃗w. Gráficamente la
situación es la siguiente,
La ley del coseno sobre el triángulo con lados, ||⃗v||, ||⃗w||, ||⃗v − ⃗w|| expresa que,
||⃗v||2 + ||⃗w||2 − 2 cos(θ )||⃗v||||⃗w|| = ||⃗v − ⃗w||2 ,
de lo cual se obtiene que

⃗v · ⃗w
cos(θ ) = .
||⃗v||||⃗w||
Recuerde que el ángulo θ determinado por los vectores ⃗v y ⃗w está definido en el intervalo [0, π].
Proposición 2.2.1 Vectores Ortogonales

Dos vectores no nulos ⃗v y ⃗w son ortogonales (perpendiculares) si y sólo si ⃗v · ⃗w = 0.
Proposición 2.2.2 Vectores Paralelos

Dos vectores no nulos ⃗v y ⃗w son paralelos si existe un escalar α ∈ R tal que ⃗w = α⃗v.

2 ⃗ −3
Ejemplo 2.19 Los vectores ⃗a = yb= son ortogonales ya que
−6 −1

2 −3
⃗a ·⃗b = · = −6 + 6 = 0.
−6 −1
Se deja al lector hacer la representación gráfica.

2 ⃗ 3 3
Ejemplo 2.20 Los vectores ⃗a = yb= son paralelos, ya que si α = 2 se tiene que
−6 −9

⃗b = 3 3 2
= = α⃗a.
−9 2 −6
Se deja al lector hacer la representación gráfica.
Hasta este punto, se han definido operaciones algebraicas entre vectores en R2 , las cuales permite
construir vectores a partir de vectores dados y permiten definir las nociones geométricas de magnitud
y ángulo.
2.2.2 Álgebra de vectores en el espacio
Con el objetivo definir las operaciones algebraicas en R3 , es suficiente

  extender las
 operaciones
v1 w1
teniendo en cuenta la tercera coordenada. Explícitamente, sean⃗v = v2  y ⃗w = w2  dos vectores
v3 w3
3
en R ,
Definición 2.2.7 Suma de Vectores

La suma de vectores está definida por,
     
v1 w1 v1 + w1
⃗v + ⃗w = v2  + w2  = v2 + w2  .
v3 w3 v3 + w3
Definición 2.2.8 Multiplicación por Escalar

La multiplicación por escalar está definida por,
   
v1 αv1
α⃗v = α v2  = αv2  ,
v3 αv3
donde α ∈ R es un escalar.
Obs: La resta de vectores está definida por

     
v1 w1 v1 − w1
⃗v − ⃗w = v2  − w2  = v2 − w2  .
v3 w3 v3 − w3
Definición 2.2.9 Producto Punto

El producto punto de ⃗v y ⃗w está definido por la siguiente fórmula,
   
v1 w1
⃗v · ⃗w = v2 · w2  = v1 w1 + v2 w2 + v3 w3 .
  
v3 w3
Definición 2.2.10 Magnitud (Norma)

La magnutid o norma de un vector, ⃗v, está definida por la distancia entre los puntos que conecta
y se puede calcular de forma análoga al caso de R2 por la raíz cuadrada del producto punto del
vector consigo mismo, es decir,
√ q
||⃗v|| = ⃗v ·⃗v = v21 + v22 + v23 .
Definición 2.2.11 Ángulo entre Vectores

Al igual que en el plano cartesiano, el ángulo, θ ∈ [0, π], entre ⃗v y ⃗w es el ángulo no negativo
más pequeño entre ellos y se puede calcular por medio de la siguiente fórmula:

⃗v · ⃗w ⃗v · ⃗w
cos(θ ) = ⇐⇒ θ = arc cos .
||⃗v||||⃗w|| ||⃗v||||⃗w||

    
1 0 3
Ejemplo 2.21 Sean −1,  2  y  43  tres vectores en R3 . Sea α = 3. Entonces
3 −4 3
     
1 0 3
α −1 +  2  = −1 ,
3 −4 5
  v   
3 u 3 3
u r r
  = t  ·   = 9 + + 9 = 297 .
3 u 3 3 9
4 4 4 16 16
3 3 3
   
1 0
El coseno del ángulo θ determinado por los vectores −1,  2  es,
3 −4
  

1 0
−1 ·  2 
3 −4 −14
cos(θ ) =     = √ √ .
1 0 11 20
−1  2 
3 −4
Obs: Note que

• si ⃗v · ⃗w > 0 entonces el ángulo θ entre los vectores cumple que θ ∈ 0, π2 .
• si ⃗v · ⃗w < 0 entonces el ángulo θ entre los vectores cumple que θ ∈ π2 , π .
2 Ejercicios 2.2.1

1 ⃗ −7
(1) Sean ⃗a = ,b= y ⃗c = 51 , α = 2, β = −3. Calcular
−2 4 3
a) (α − β )(⃗a +⃗b −⃗c).
⃗⃗
b) (||⃗a|| + αβ )b·b −⃗a ·⃗c.
c) un vector unitario que tenga dirección contraria a ⃗c.
d) el ángulo determinado por ⃗a y ⃗b.
e) ||⃗a + ⃗ ⃗ Comparar ||⃗a +⃗b|| con la suma de las magnitudes ||⃗a|| + ||⃗b||.
b||, ||⃗a||
y||b||.

x1 + 4 2
(2) Calcular · .
x2 − 2 3
 
1
(3) Calcular un vector que sea ortogonal a ⃗v = − 21 .
5
2.3 Proyección ortogonal entre vectores 25
   
1 2
(4) Calcular un vector que sea ortogonal tanto a ⃗v1 =  1  como a ⃗v2 = 3.
−5 0
(5) Sea ⃗w un vector que está en el primer cuadrante de R2 . Suponga que ||⃗w|| = 4 y que el
ángulo determinado por ⃗w y el vector [1, 0] es 45◦ . Calcular las coordenadas del vector ⃗w y
hacer un dibujo en R2 que represente la situación del ejercicio.
(6) Sea ⃗w un vector que está en el cuarto cuadrante de R2 . Suponga que ||⃗w|| = 2 y que el
ángulo determinado por ⃗w y el vector [0, 1] es 30◦ . Calcular las coordenadas del vector ⃗w y
hacer un dibujo en R2 que represente la situación del ejercicio.
(7) Sean A = (0, 3) y B = (2, 0) dos puntos en R2 . Determinar dos puntos C y D en R2 tal que
el cuadrilátero con vértices A, B, C y D sea un cuadrado.
(8) Sean A = (2, 0, 0) y B = (0, 0, 4) dos puntos en R3 . Determinar las coordenadas de un
punto C en R3 tal que el triángulo con vértices A, B y C sea un triángulo rectángulo.

v1 w1
(9) Dibujar el triángulo determinado por los vectores (no paralelos) ⃗v = y ⃗w =
v2 w2
2
en R . Plantear una estrategia para calcular el baricentro del triángulo en cuestión.
2.3 Proyección ortogonal entre vectores

Sean ⃗v y ⃗w dos vectores en R2 (o en R3 respectivamente). En esta sección se quiere calcular cuál
es la componente de ⃗v que es paralela a ⃗w y viceversa. Gráficamente, la situación viene representada
de la siguiente forma:
El vector proy⃗w⃗v se denomina la proyección ortogonal de ⃗v a lo largo de ⃗w y está definido por la

siguiente expresión,
⃗v · ⃗w
proy⃗w⃗v = ⃗w.
⃗w · ⃗w
De la misma forma, la proyección ortogonal de ⃗w a lo largo de ⃗v está dada por

⃗w ·⃗v
proy⃗v⃗w = ⃗v.
⃗v ·⃗v
Antes de seguir, por definición de proyección ortogonal de ⃗v a lo largo de ⃗w y viceversa, es necesario

que el punto inicial de los vectores en cuestión sea el mismo. En caso de no especificarse el punto
inicial de los vectores, se asumirá que 0 es el punto de inicial de ambos vectores.

1 2
Ejemplo 2.22 Sean ⃗a = y ⃗b = dos vectores en R2 . La proyección ortogonal de ⃗a a
−3 6
lo largo de ⃗b es,
 
1 2
⃗
! ·
−3
4
⃗a · b ⃗   6  2 16 2 −5 4 12
proy⃗b⃗a = b=  = − = = − , − .
⃗b ·⃗b 2 2  6 40 6 − 12
5 5 5
·
6 6
Se deja al lector calcular la proyección de ⃗b a lo largo de ⃗a, proy⃗a⃗b.
Ejercicio 2.6 Sea ⃗t un vector de dos o tres coordenadas, complete la siguiente igualdad,
proy⃗t⃗t = . . .

  
1 3
Ejemplo 2.23 Sean ⃗v1 = −1 y ⃗v2 = 2. La proyección ortogonal de ⃗v2 a lo largo de ⃗v1 es
3 0
     
3 1
 2 · −1       1 
1 1
 
⃗v2 ·⃗v1  0 3    1    111  1 1 3
 
proy⃗v1⃗v2 = v⃗1 =       −1 = −1 = − 11 = ,− , .
v⃗1 · v⃗1  1 1  11 3 11 11 11
  3 3 11
 −1 · −1 
3 3
Si ⃗u es ortogonal a ⃗w entonces ⃗v · ⃗w = 0, por lo tanto proy⃗w⃗v = 0. Note que por definición de la

proyección ortogonal entre vectores, el vector proy⃗w⃗v es paralelo a ⃗w. Adicionalmente, el cálculo

⃗v · ⃗w ⃗v · ⃗w
(⃗v − proy⃗w⃗v) · ⃗w = ⃗v − ⃗w · ⃗w =⃗v · ⃗w − ⃗w · ⃗w =⃗v · ⃗w −⃗v · ⃗w = 0,
⃗w · ⃗w ⃗w · ⃗w
muestra que el vector (⃗v − proy⃗w⃗v) es ortogonal a ⃗w.
      Ejercicios 2.3.1
3 1 x
Sean ⃗a = −2, ⃗b = 2 y ⃗c =  2x .
1 1 −x
⃗
(1) Calcular proy⃗b⃗a + proy⃗b 2b y presentar una representación gráfica.
(2) Calcular, si existen, valores para x ∈ R tal que

||proy⃗c ⃗a +⃗b || = 1.
2.4 Combinación lineal 27
2.4 Combinación lineal

¿Cómo respresentar un número infinito de vectores a partir de un número finito de ellos? La
respuesta a esta pregunta viene dada por el concepto de combinación lineal. Antes de dar la
1 0
definición, considere los siguientes casos. En R considere los vectores ⃗i =
2 y ⃗j = . Nótese
0 1

v
que ⃗i y ⃗j son vectores unitarios y ortogonales entre sí. Adicionalmente, dado un vector ⃗v = 1 se
v2
tiene que !
⃗v ·⃗i ⃗

v
proy⃗i⃗v = i = v1 i = 1 ,
⃗
⃗i ·⃗i 0
!
⃗v · ⃗j ⃗

⃗ 0
proy⃗j⃗v = j = v2 j = .
⃗j · ⃗j v2
Así pues,
v1 v 0
= 1 + , es decir⃗v = proy⃗i⃗v + proy⃗j⃗v.
v2 0 v2
   
1 0
⃗ ⃗ 3 ⃗ ⃗
En otras palabras, ⃗v = v1 i + v2 j. Similarmente en R considere los vectores i = 0 , j = 1 y
  
0 0
 
0
⃗k = 0. Note que ⃗i, ⃗j y ⃗k son vectores unitarios y vectores ortogonales entre sí. Adicionalmente,
1
 
v1
para cualquier vector ⃗v = v2  se tiene que
v3
 
⃗
! v1
⃗v · i ⃗ ⃗
proy⃗i⃗v = i = v1 i = 0  ,

⃗i ·⃗i
0
 
⃗
! 0
⃗v · j ⃗ ⃗
proy⃗j⃗v = j = v2 j = v2  ,

⃗j · ⃗j
0
 
! 0
⃗v ·⃗k ⃗
proy⃗k⃗v = k = v3⃗k =  0  .
⃗k ·⃗k
v3
Luego,        
v1 v1 0 0
v2  =  0  + v2  +  0  , es decir,⃗v = proy⃗⃗v + proy⃗⃗v + proy⃗ ⃗v.
i j k
v3 0 0 v3
Así pues, ⃗v = v1⃗i + v2⃗j + v3⃗k. Si se piensa por un momento, las expresiones
⃗v = v1⃗i + v2⃗j, en R2
y
⃗v = v1⃗i + v2⃗j + v3⃗k, en R3 ,
representan infinitos vectores que se escriben utilizando los conjuntos {⃗i, ⃗j} ⊂ R2 o {⃗i, ⃗j,⃗k} ⊂ R3
según sea el caso. Así las cosas,
Definición 2.4.1 Combinación Lineal

Si {⃗v1 ,⃗v2 , . . . ,⃗vr } es un conjunto de vectores dado en R2 o en R3 ,
un combinación lineal de los
vectores ⃗v1 ,⃗v2 , . . . ,⃗vr está definida como la siguiente expresión
α1⃗v1 + α2⃗v2 + . . . + αr⃗vr ,
donde α1 , α2 , . . . , αr son escalares.
Obs: Es claro que la expresión que define a la combinación lineal α1⃗v1 + α2⃗v2 + . . . + αr⃗vr produce
un vector. Si ⃗v = α1⃗v1 + α2⃗v2 + . . . + αr⃗vr , se dice que ⃗v es una combinación lineal de los
vectores ⃗v1 ,⃗v2 , . . .⃗vr .
Ejemplo 2.24 En R2 , los siguientes vectores se expresan como combinación lineal de {⃗i, ⃗j},

2 −8 7
• = 2⃗i + 5⃗j • = −8⃗i + 10⃗j • = 7⃗i − 9⃗j
5 10 −9
En R3 , los siguientes vectores se expresan como combinación lineal de {⃗i, ⃗j,⃗k}

     
2 −1 2
• 3 = 2⃗i + 3⃗j + 8⃗k •  4  = −⃗i + 4⃗j − 18⃗k •  0  = 2⃗i − 5⃗k
8 −18 −5
Ejemplo 2.25 Las siguientes son ejemplos de combinaciones lineales con respecto a un subcon-
junto devectores dado 2 en R3 respectivamente,
en R
y
2 6 0 2 6 0
• 2 − +7 , con respecto a , ,
−5 1 −1 −5 1 −1

−4 −7 −4 −7
• 13 +3 , con respecto a ,
9 2 9 2
               
5 −8 1 6  5 −8 1 6 
• 3 −5 + −6 + 2 0 − 4 0 , con respecto a −5 , −6 , 0 , 0
5 0 1 0 5 0 1 0
 
           
1 1 3  1 1 3 
• 5 −3 + 5 4 − 9 3 , con respecto a −3 , 4 , 3
0 7 1 0 7 1
 
Cabe mencionar que tanto en R2 como en R3 existen infintas combinaciones lineales. Por otro lado,
una combinación lineal es una expresión que involucra suma y multiplicación por escalar que permite
reescribir un vector en términos de un conjunto de vectores dados.
2.5 Vectores en Rn 29
2.5 Vectores en Rn
Los espacios R2 y R3 son ejemplos de los espacios euclidianos Rn donde n = 2, 3, 4, . . ., n ∈ N.
Los espacios Rn son los conjuntos definidos por n-tuplas ordenadas de números reales.
Rn = {(a1 , a2 , . . . , an ) : ai ∈ R} .
Los puntos suspensivos en la notación de las n-tuplas (a1 , a2 , . . . , an ) quiere decir que un punto en
Rn está definido por n números reales. El valor que toma n determina la longitud de la tupla en
cuestión.
Ejemplo 2.26 R4 = {(a1 , a2 , a3 , a4 ) : ai ∈ R}, R6 = {(a1 , a2 , a3 , a4 , a5 , a6 ) : ai ∈ R},
R11 = {(a1 , a2 , . . . , a11 ) : ai ∈ R}. Luego un punto en R4 está determinado por 4 números reales;
en particular P = (1, −3, 5, 10). En R6 y en R11 los puntos se denotan de forma análoga, es decir
que están determinados por 6 u 11 números reales, respectivamente.
Al igual que para R2 y R3 , en Rn el origen se denota por la n-tupla ordenada de sólo ceros,
0 = (0, 0, . . . , 0). Un vector corresponde a una n-tupla ordenada que se denota por cualquiera de las
siguientes dos formas,  
v1
v2 
v =  .  = [v1 , v2 , . . . , vn ],
 
 .. 
vn
donde v1 , v2 , . . . , vn son números reales. Dado el vector ⃗v el punto inicial es 0 y el punto final es
(v1 , v2 , . . . , vn ). El álgebra de vectores introducida previamente se puede extender a Rn , sin embargo
para n > 3 no tenemos una representación geométrica.
3. Matrices y su álgebra
Una matriz permitirá organizar información de forma sistemática.

Las matrices tienen aplicaciones importantes y fundamentales en diversos campos. En primer
lugar, se utilizan para representar y manipular transformaciones lineales en áreas como gráficos por
computadora, robótica y física. También son clave para resolver sistemas de ecuaciones lineales
en ingeniería, física y economía, permitiendo el análisis de relaciones entre variables. En análisis
de datos y estadística, las matrices desempeñan un papel importante al representar conjuntos de
datos multivariables y aplicar operaciones como descomposición espectral y descomposición en
valores singulares. Además, en teoría de grafos, las matrices representan las relaciones entre objetos
y permiten el análisis de estructuras de redes y conexiones entre nodos. Las matrices también se
utilizan en cadenas de Markov para modelar y analizar procesos estocásticos, y en mecánica cuántica,
donde representan operadores que describen observables y transformaciones de estados cuánticos.
En resumen, las matrices son herramientas poderosas que permiten la representación, el análisis
y la manipulación de datos, transformaciones y relaciones entre variables en una amplia gama de
contextos.
3.0.1 Definición
Un arreglo rectangular de números reales se denomina una matriz con entradas reales.
Ejemplo 3.1 A continuación se presentan algunas matrices con entradas reales.
√
1 1 2 1 −4
A= , B= , C= 1 1 10 −4 −3
0 −2 7 3 −5
     
4 −2 1 −1 −2 1 1 1 1
X = 1 −1 , Y = 37
 −2 − 54  , Z= 0
 0 2 −2
7
3 0 0 2 25 3 4 −7 −8
Ahora bien, la forma de etiquetar las entradas que determinan una matriz viene dada por sus filas y
columnas.
32 Capítulo 3. Matrices y su álgebra
√
2 1 −4
Ejemplo 3.2 La matriz B = es un arreglo rectangular de 6 números organizados
7 3 −5
en 2 filas y 3 columnas que se etiquetan de la siguiente manera
√
2 1 −4 f1
7 3 −5 f2

c1 c2 c3
Es decir, las filas de la matriz B son

√
f1 = 2 1 −4 y f2 = 7 3 −5 ,
y las columnas de B son

√
2 1 −4
c1 = , c2 = , y c3 =
7 3 −5
Se usará la notación B2×3 para indicar que la matriz B tiene 2 filas y 3 columnas. Adicionalmente,√
cada entrada de la matriz B está ubicada en una única fila y columna. Por ejemplo, la entrada 2
está ubicada en la fila 1 y en la columna 1. La entrada −5 está en la fila 2 y en la columna 3. La
notación que se usará para nombrar la entrada de la matriz B que está en la fila i y en la columna j
será bi j , note que el primer subíndice denota la fila y el segundo subíndice denota la columna, por
lo tanto se tiene que √
b11 = 2 b12 = 1 b13 = −4
b21 = 7 b22 = 3 b23 = −5
Ejercicio 3.1 Determinar las filas y las columnas para las matrices,
 
1 1 1 1
1 1
A= , y Z = 0 0 2 −2 .
0 −2
3 4 −7 −8
Además, identificar las siguientes entradas de las matrices A y Z,
a12 , a21 ,
z13 , z22 , z34

■
En general, una matriz, A, de tamaño n × p es un arreglo de np números organizados en n filas y

p columnas y se denota de las siguientes dos formas,
 
a11 a12 . . . a1p
a21 a22 . . . a2p 
An×p =  . ..  = (ai j )1≤i≤n, 1≤ j≤p
 
.. . .
 .. . . . 
an1 an2 . . . anp
33
Las entradas a11 , a22 , a33 , . . . aii , . . . de la matriz A se encuentran en las posiciones donde la fila y la
columna de A coinciden. Estas entradas aii determinan la diagonal de la matriz A.
Explícitamente, las filas, fi , y las columnas, c j , de An×p se indican como sigue,
 
a11 a12 ... a1 j . . . a1p f1

 a21 a22 ... a2 j . . . a2p 
 f2
 .. .. .. .. .. ..  ..
 . . . . . . 
.
A =
 
ai1 ai2 ... ai j . . . aip fi

 

.. .. .. .. .. ..
 ..
. . .
 
 . . . . 
an1 an2 ... an j . . . anp fn

c1 c2 ... cj ... cp
La i-ésima fila de An×p es

fi = ai1 ai2 . . . aip
La j-ésima columna de An×p es

 
a1 j
a2 j 
cj =  . 
 
 .. 
an j
Note que las columnas de una matriz de tamaño n × p corresponden a vectores columna de Rn .
3.0.2 Operaciones entre matrices

Suma, resta y multiplicación por escalar
Sean An×p y Bn×p dos matrices dadas. Note que el número de filas de A es igual al número de
filas de B y que el número de columnas de A es igual al número de columnas de B. Luego, la suma
A + B de las matrices A y B está definida por
   
a11 a12 . . . a1p b11 b12 . . . b1p
a21 a22 . . . a2p  b21 b22 . . . b2p 
An×p + Bn×p =  . +
   
.. .. .  .. .. . . .. 
 .. .. 

. .  . . . . 
an1 an2 . . . anp bn1 bn2 . . . bnp
 
a11 + b11 a12 + b12 . . . a1p + b1p
a21 + b21 a22 + b22 . . . a2p + b2p 
= .
 
.. .. .. ..
 . . . . 
an1 + bn1 an2 + bn2 . . . anp + bnp
De forma análoga, al utilizar la notación A = (ai j )1≤i≤n, 1≤ j≤p y B = (bi j )1≤i≤n, 1≤ j≤p la suma de matrices
está definida por
A + B = (ai j )1≤i≤n, 1≤ j≤p + (bi j )1≤i≤n, 1≤ j≤p

= (ai j + bi j )1≤i≤n, 1≤ j≤p
Es decir, la suma de dos matrices está definida por la suma de las respectivas entradas. Similarmente
la resta de dos matrices An×p y Bn×p está definida por la resta de las respectivas entradas de las
matrices en cuestión. Es decir,
   
a11 a12 . . . a1p b11 b12 . . . b1p
a21 a22 . . . a2p  b21 b22 . . . b2p 
An×p − Bn×p =  . ..  −  ..
   
.. .. .. . . .. 
 .. . . .   . . . . 
 
a11 − b11 a12 − b12 . . . a1p − b1p
a21 − b21 a22 − b22 . . . a2p − b2p 
= .
 
.. .. .. ..
 . . . . 
an1 − bn1 an2 − bn2 . . . anp + bnp
Al utilizar la notación A = (ai j )1≤i≤n, 1≤ j≤p y B = (bi j )1≤i≤n, 1≤ j≤p la resta de matrices está definida por
A − B = (ai j )1≤i≤n, 1≤ j≤p − (bi j )1≤i≤n, 1≤ j≤p

= (ai j − bi j )1≤i≤n, 1≤ j≤p
Ahora bien, si α es un escalar, la multiplicación por escalar está definida por

   
a11 a12 . . . a1p αa11 αa12 . . . αa1p
a21 a22 . . . a2p  αa21 αa22 . . . αa2p 
αAn×p = α  . ..  =  ..
   
.. . . .. .. .. 
 .. . . .   . . . . 
an1 an2 . . . anp αan1 αan2 . . . αanp
es decir que la multiplicación por escalar α · A resulta ser la multiplicación de las entradas de la
matriz A por el respectivo escalar α.

3 5 −1 4 −2 −5 −4 2 8
Ejemplo 3.3 Sean A = ,B= ,C= ,α=2y
2 −6 6 0 7 −6 −4 −3 3
β = −3.
3 5 −1 4 −2 −5 3 + 4 5 − 2 −1 − 5 7 3 −6
A+B = + = =
2 −6 6 0 7 −6 2 + 0 −6 + 7 6 − 6 2 1 0

−4 2 8 2 · (−4) 2·2 2·8 −8 4 16
αC = 2 = =
−4 −3 3 2 · (−4) 2 · (−3) 2 · 3 −8 −6 6

4 −2 −5 −4 2 8
β B − αC = −3 −2
0 7 −6 −4 −3 3

−12 + 8 6−4 15 − 16 −4 2 −1
= =
8 −21 + 6 18 − 6 8 −15 12
35
 
1 −1 −2
Ejercicio 3.2 Sea Y =  37 −2 − 45 . Verifique las siguientes igualdades de matrices.
0 72 25
Y +Y = 2Y, Y +Y +Y = 3Y, Y −Y = 03 ,
 
0 0 0
donde 03 = 0 0 0. ■
0 0 0
Antes de seguir, cabe mencionar que existe otra manera para denotar la suma, la resta y la multiplica-
ción por escalar. Suponga que An×p = (ai j )1≤i≤n, 1≤ j≤p , Bn×p = (bi j )1≤i≤n, 1≤ j≤p son dos matrices
y α ∈ R. La suma de A y B se puede denotar especificando las entradas i j de la matriz A + B de la
siguiente forma,
(A + B)i j = ai j + bi j ,
de forma análoga para las matrices A − B y αA se tiene,
(A − B)i j = ai j − bi j ,
(αA)i j = αai j .
Esta notación será útil para definir la multiplicación entre matrices, la cual se definirá a continuación.
Multiplicación de matrices
Sean An×p = (ai j )1≤i≤n, 1≤ j≤p y B p×m = (bi j )1≤i≤p, 1≤ j≤m dos matrices. La multiplicación de A por
B, denotada por AB, es una matriz de tamaño n × m y sus entradas están determinadas por,
(AB)i j = ai1 b1 j + ai2 b2 j + . . . + aip b p j .
a11 a12 . . . a1p

 
 a21 a22 . . . a2p 
b11 b12 ... b1 j . . . b1m

.. .. .. ..
 
. b21 b22 ... b2 j . . . b2m
 
 . . .  
An×p Bp×m = 

ai1 ai2 . . . aip
 .. .. .. .. .. .. 



 . . . . . . 
 .. .. .. .. 
b p1 b p2 . . . bp j . . . b pm
 . . . . 
an1 an2 . . . anp
Es importante notar que el número de columnas de A es igual al número de filas de B y sólo en este
caso tiene sentido definir la multiplicación AB. Adicionalmente, la entrada (AB)i j de la matriz AB se
obtiene al realizar el producto punto de la i-ésima fila de A, fi , y la j-ésima columna de B, b j .

3 −2 1 4
Ejemplo 3.4 Sean A = yB= . La segunda fila f2 de A es −4 4 y la
−4 4 5 −6

1
primera columna de B c1 es , entonces la entrada (AB)21 que está en la fila 2 y columna 1 de
5
la matriz AB, se obtiene a través del siguiente cálculo
(AB)21 = a21 b11 + a22 b21 = (−4) · 1 + 4 · 5 = 16.

Para obtener todas las entradas de la matriz resultante AB se presenta el cálculo

3 −2 1 4 3 · 1 + (−2) · 5 3 · 4 + (−2) · (−6)
AB = =
−4 4 5 −6 (−4) · 1 + 4 · 5 (−4) · 4 + 4 · (−6)

−7 30
= .
16 −40
 
2 5
2 2 −1 −1
Ejemplo 3.5 Sean A = −6 4 y B = . Como el número de columnas de
3 1 5 −4
2 3
A es igual número de filas de B, la multiplicación AB está bien definida. Note que la multiplicación
BA no tiene sentido.
   
2 5 4 + 15 4+5 −2 + 25 −2 − 20
2 2 −1 −1
AB = −6 4 = −12 + 12 −12 + 4 6 + 20 6 − 16 
3 1 5 −4
2 3 4+9 4+3 −2 + 15 −2 − 12
 
19 9 23 −22
=  0 −12 + 4 26 −10 .
13 7 13 −14
Note que A3×2 B2×4 = AB3×4 .
En general, dadas dos matrices An×p y B p×m , donde n ̸= m, la matriz que se obtiene al multiplicar A
y B es de la forma (AB)n×m , es decir AB tiene el mismo número de filas de A y el mismo número de
columnas de B,
An×p B p×m = (AB)n×m .
Sin embargo, por la definición de la multiplicación de matrices, la multiplicación B p×m An×p no es
posible de calcular ya que el número de columnas de la matriz B no es igual al número de filas de la
matriz A. Este fenómeno, sin necesidad de realizar ningún cálculo, muestra que la multiplicación de
matrices no es una operación conmutativa, es decir
AB ̸= BA.
Ejemplo 3.6 La matriz identidad está definida para cada n = 2, 3, 4 . . . y se denota por In . Esta
matriz está dada por,
 
  1 0 0 ... 0
  1 0 0 0 0 1 0 ... 0
1 0 0
1 0 0 1 0 0
 
I2 = , I3 = 0 1 0 , I4 =  0
 , In =  0 1 ... 0 .
0 1 0 0 1 0  .. .. .. . . .. 
0 0 1 . . . . .
0 0 0 1
0 0 0 ... 1
37

1 2 3 4
Ejercicio 3.3 Sea A = una matriz. Verifique que,
5 6 7 8
I2 A = A = AI4 .
Matriz Transpuesta
Dada una matriz A, su matriz transpuesta AT se obtiene al intercambiar las filas con las columnas
de A.
 
1 −7
1 4 −5 7 4 8 
Ejemplo 3.7 Si A = entonces la transpuesta es AT =   . Como
−7 8 −11 0  −5 −11
7 0
T
A2×4 entonces A4×2 .
En general, si A = (ai j )1≤i≤n, 1≤ j≤p entonces las entradas de la matriz transpuesta de A son AT =
(a ji )1≤ j≤p, 1≤i≤n . Adicionalmente, como An×p entonces ATp×n . Por definición de la transpueta se
sigue que
(AT )T = A.
 
−2 1 2
0 −2 −5 3  3 −3 1  T T
Ejercicio 3.4 Sean A = yB=
 1 −1 1 . Calular AB, A y B .

−1 6 −1 3
2 0 −5
Además, verfique que
(AB)T = BT AT .
■
Sean An×p = (ai j )1≤i≤n, 1≤ j≤p y Bn×p = (bi j )1≤i≤n, 1≤ j≤p dos matrices. Se tiene que AT = (a ji )1≤ j≤p, 1≤i≤n
y BT = (b ji )1≤ j≤p, 1≤i≤n . Además A + B = (ai j + bi j )1≤i≤n, 1≤ j≤p . Luego
(A + B)T = (a ji + b ji )1≤ j≤p, 1≤i≤n = AT + BT .
Por último, una matriz An×n se llama matriz simétrica si cumple que A = AT .
 
0 −2 −5
Ejemplo 3.8 La matriz A = −2 6 −1 es una matriz simétrica, ya que AT = A.
−5 −1 0

0 −2 3
Ejercicio 3.5 Sea A = . Muestre que las matrices AT A y AAT son matrices
−1 0 3
simétricas. ■
3.0.3 Reducción de Gauss-Jordan

El método de Gauss-Jordan será una de las herramientas involucrada en la solución de problemas
que se escriben en términos de matrices.
Forma escalonada y forma escalonada reducida

En el estudio de las matrices existen matrices que tienen una forma particular en su presentación.
Tales matrices se denominan matrices escalonadas. A continuación se presentan algunos ejemplos
de tales matrices.
Ejemplo 3.9
 
5
 
 −3 2 4 5
3
 
6 −1 
 
−2 2 3
0 3 
  
   0 2 1 0
A=
 
2  , B= 0
 1 
, X =

.

0 0 0   0 
 
 -2 
   0 0 −3 0
0 0 0 0 2  
0 0  
-5
0 0 0 1
Al observar las características que comparten las matrices del ejemplo anterior, tiene sentido definir
la siguiente noción. Una matriz está en forma escalonada si cumple
Las filas de solo ceros están en la parte inferior de la matriz.
El primer elemento diferente de cero de cada fila está a la derecha del primer elemento
diferente de cero de la fila anterior. Dicho elemento se llama pivote de la matriz.
Note que las siguientes matrices no están en forma escalonada,
   
2 3 5 4 0 0
0 0 1 2
Y= 0 2 ,Z= 0 1 3 0 ,W=
    .
0 0 2 3
0 1 0 1 2 1
Adicionalmente, una matriz está en forma escalonada reducida si la matriz está en forma escalonada
y además cumple que:
Todos los pivotes son 1.
Arriba y abajo de los pivotes todas las entradas son cero.
Ejemplo 3.10 Lista de matrices que están en forma escalonada reducida:
   
1 0 0 1 0 0 8
1 0  1 0 0 2 
, 0 1 0 , , 0 0 1 −3 .
0 0 0 0 1 0
0 0 1 0 0 0 0
Operaciones entre filas

A partir de cada matriz se puede encontrar una matriz en forma escalonada. Es más, a cada matriz
le corresponde una única matriz escalonada reducida. Para lograr encontrar una forma escalonada y
la forma escalonada reducida de una matriz es necesario utilizar las operaciones entre filas. Las
operaciones entre filas son las siguientes,
1. Intercambio de filas: fi ←→ f j .
2. Multiplicar una fila por un escalar no nulo: fi α fi
39
3. Multiplicar una fila por un escalar no nulo y sumarlo a otra fila: fi fi + α f j
Ejemplo 3.11 Para la matriz dada, se presenta una forma escalonada usando las operaciones
entre filas.

6 5 8 f1 → f2 −1 3 2 f1 →(−1) f1 1 −3 −2 f2 → f2 +(−6) f1
A= −−−→ −−−−−−→ −−−−−−−−→
−1 3 2 6 5 8 6 5 8

1 −3 −2
es una forma escalonada deA.
0 23 20
Ejemplo 3.12 Para la matriz B, dada a continuación, encuentre una forma escalonada.
     
−3 2 1 −1 8 9 1 −8 −9
f1 → f1 + f3 f1 →(−1) f1 f2 → f2 +(−5) f1
B = 5 4 0 −−−−−−→  5 4 0 −−−−−−→ 5 4 0  −−−−−−−−→
2 6 8 2 6 8 2 6 8
     
1 −8 −9 1 −8 −9 1 −8 −9
f3 → f3 +(−2) f1 f2 ↔ f3 f3 → f3 +(−2) f2
0 44 45  −−−−−−−−→ 0 44 45  −−−→ 0 22 26  −−−−−−−−→
2 6 8 0 22 26 0 44 45
     
1 −8 −9 1 −8 −9 1 1 −8 −9
f2 → 21 f2 f3 →− 7 f3
0 22 26 −−−−→ 0 11
  13  −−−−− → 0 11 13 
0 0 −7 0 0 −7 0 0 1
es una forma escalonada de B.
Nótese que una matriz tiene varias formas escalonadas, que dependen del orden en que se utilizan las
operaciones entre filas. No obstante, toda matriz tiene una única forma escalonada reducida.
 
−3 2 1
Ejemplo 3.13 Calcular la forma escalonada reducida de la matriz B =  5 4 0. Del
2 6 8
 
1 −8 −9
ejemplo 3.12 se tiene que una forma escalonada de B es 0 11 13 . Así que, para encontrar
0 0 1
la forma escalonada reducida de B se continua utilizando las operaciones entre filas a la forma
escalonada en cuestión,
     
1 −8 −9 1 −8 −9 1 −8 0 1
2 → f 2 +(−13) f 3 f1 → f1 +9 f3 f2 → 11 f2
0 11 13  −f− −−−−−−−→ 0 11 0  −−−−−−→ 0 11 0 −−−− −→
0 0 1 0 0 1 0 0 1
   
1 −8 0 1 0 0
1 → f 1 +8 f 2
0 1 0 −f− −−−−→ 0 1 0 es la forma escalonada reducida de B.

0 0 1 0 0 1
 
2 4 6 18
Ejemplo 3.14 Calcular la forma escalonada reducida para la matriz E = 4 5 6 24.
3 1 −2 4
     
2 4 6 18 1 2 3 9 1 2 3 9
f1 → 12 f1 f2 → f2 +(−4) f1 f3 → f3 +(−3) f1
E = 4 5 6 24 −−−−→ 4 5 6 24 −−−−−−−−→ 0 −3 −6 −12 −−−−−−−−→
3 1 −2 4 3 1 −2 4 3 1 −2 4
     
1 2 3 9 1 2 3 9 1 2 3 9
f2 →− 31 f2 f3 → f3 +5 f2 f3 →− f3
0 −3 −6 −12 −−−−−→ 0 1 2 4  −−−−−−→ 0 1 2 4  −−−−→
0 −5 −11 −23 0 −5 −11 −23 0 0 −1 −3
     
1 2 3 9 1 2 3 9 1 2 0 0
f2 → f2 +(−2) f3 f1 → f1 +(−3) f3 f1 → f1 +(−2) f2
0 1 2 4 −−−−−−−−→ 0 1 0 −2 −−−−−−−−→ 0 1 0 −2 −−−−−−−−→
0 0 1 3 0 0 1 3 0 0 1 3
 
1 0 0 4
0 1 0 −2 .
0 0 1 3
Ejercicio
 3.6 Calcularuna forma escalonada y la forma escalonada reducida para la matriz
1 2 3 4
C = −2 6 −3 0. ■
8 5 0 2
Dada una matriz An×p . El método de reducción de Gauss-Jordan corresponde al algortimo empleado
para encontrar una forma escalonada y la forma escalonada reducida de A.
3.0.4 Sistemas de ecuaciones lineales
Los sistemas de ecuaciones lineales permiten expresar situaciones en varios contextos. Los
sistemas lineales se reescriben en términos de matrices y para encontrar, si existe, la solución se
utiliza el proceso de reducción de Gauss-Jordan.
Ejemplo 3.15 La siguiente expresión algebraica es un sistema de ecuaciones lineales.


 x + 2y + z = 9
y + 4z = 10

−2x + 5y + 7z = 0

Los ingredientes que conforman un sistema lineal son los siguientes

Número de incógnitas o variables: x, y, z, w, x1 , x2 , x3 , x4 , a, b, c, d, . . ..
Número de ecuaciones lineales.
Note que por ecuación lineal se entiende que las variables presentes en dicha ecuación están elevadas
a la potencia de 1 o 0. En general, un sistema de ecuaciones lineales con n ecuaciones y p incógnitas
41
se escribe de la siguiente forma,



 a11 x1 + a12 x2 + . . . + a1p x p = b1

a21 x1 + a22 x2 + . . . + a2p x p = b2

. . . . .
 .. + .. + .. + .. = ..



an1 x1 + an2 x2 + . . . + anp x p = bn ,

este sistema de ecuaciones lineales se reescribe así

    
a11 a12 . . . a1p x1 b1
a21 a22 . . . a2p  x2  b2 
..   ..  =  ..  .
    
 .. ..
 . . ... .  .   . 
an1 an2 . . . anp xp bn
Por otro lado, el sistema de ecuaciones lineales en cuestión se puede reescribir como una combinación
lineal de los vectores columna de la matriz (ai j )1≤i≤n,1≤ j≤p ,
       
a11 a12 a1p b1
a21  a22  a2p  b2 
x1  .  + x2  .  + . . . + x p  .  =  .  .
       
.
 .  .
 .   ..   .. 
an1 an2 anp bn
Ejemplo 3.16 El sistema de ecuaciones lineales con 2 ecuaciones y 2 incógnitas

(
2x + 3y = 6
−5x + 6y = 22,
se reescribe en forma matricial así:

2 3 x 6
= .
−5 6 y 22
Ejemplo 3.17 El sistema de ecuaciones lineales con 3 ecuaciones y 4 incógnitas


a + 4b − 4c + 5d = 16

2a + b − c + 4d = 8

a+ c = 0,

se reescribe en forma matricial así

 
 a 
 
1 4 −4 5   16
2 1 −1 4 b =  8  .
c
1 0 1 0 0
d
Ahora bien, dado un sistema de ecuaciones lineales la pregunta que surge es cómo calcular, si existen,
los valores de las incógnitas que satisfacen simultáneamente las ecuaciones del sistema. La respuesta
se ejemplifica a continuación y será abordada en lo que sigue.
Ejemplo 3.18 Calcular la ecuación de la parábola y = ax2 + bx + c que pasa por los puntos (2, 2),
(3, 0) y (4, 2) en R2 . Es claro que la parábola queda determinada al encontrar los valores de los
coeficientes a, b y c. Así que, se reemplan los puntos dados en la ecuación de la parábola y se
obtienen las siguientes ecuaciones lineales:
(2, 2) ⇝ 4a + 2b + c = 2
(3, 0) ⇝ 9a + 3b + c = 0
(4, 2) ⇝ 16a + 4b + c = 2.
Con lo cual se tiene un sistema de ecuaciones lineales de 3 incógnitas y 3 variabales. La represen-

tación matricial del sistema en cuestión es

4a + 2b + c = 2
    
 4 2 1 a 2
9a + 3b + c = 0 ⇔ 9 3 1
   b = 0 .
 
16 4 1 c 2

16a + 4b + c = 2

Ahora, considere la matriz aumentada asociada al sistema

 
4 2 1 2
 9 3 1 0 .
16 4 1 2
Para calcular los valores de a, b, c se reduce la matriz aumentada hasta encontrar su forma
escalonada reducida; es decir el método de Gauss-Jordan permite hallar la solución al problema
dado.
     
4 2 1 2 1 −1 −1 −4 1 −1 −1 −4
1 → f 2 −2 f 1 f2 → f2 −9 f1
 9 3 1 0  −f− −−−−→  9 3 1 0  −−−−−−→  0 12 10 36 
16 4 1 2 16 4 1 2 16 4 1 2
   
1 −1 −1 −4 1 1 −1 −1 −4
f3 → f3 −16 f1 f2 → 12 f2 5 f3 → f3 −20 f2
−−−−−−−→  0 12 10 36  −−−− −→  0 1 6 3  −−−−−−−→
0 20 17 66 0 20 17 66
     
1 −1 −1 −4 1 −1 −1 −4 5 1 −1 −1 −4
5 f3 →3 f3 5 f 2 → f −
2 6 3f
 0 1
6 3  −−−−→  0 1 6 3  −−−−−− → 0 1 0 −12 
1
0 0 6 0 0 1 18 0 0 1 18
3   
1 −1 0 14 1 0 0 2
f1 → f1 + f3 f1 → f1 + f2
−−−−−−→  0 1 0 −12  −−−−−−→  0 1 0 −12  .
0 0 1 18 0 0 1 18
Reescribiendo la forma escalonada reducida de la matriz aumentada se tiene que,

      
1 0 0 2 1 0 0 a 2
 0 1 0 −12  ⇔ 0 1 0 b = −12 .
0 0 1 18 0 0 1 c 18
43
Al multiplicar las matrices, se obtiene la solución buscada:

    
1 0 0 a 2
0 1 0 b = −12 ⇒ a = 2, b = −12, c = 18.
0 0 1 c 18
Por lo tanto, se concluye que la ecuación de la parábola es y = 2x2 − 12x + 18.
Recapitulando, un sistema de ecuaciones lineales



 a11 x1 + a12 x2 + . . . + a1p x p = b1

a21 x1 + a22 x2 + . . . + a2p x p = b2

.. . . . .


 . + .. + .. + .. = ..

an1 x1 + an2 x2 + . . . + anp x p = bn ,

se reescribe en forma matricial

    
a11 a12 . . . a1p x1 b1
a21 a22 . . . a2p  x2  b2 
..   ..  =  ..  , A⃗x = ⃗b
    
 .. ..
 . . ... .  .   . 
an1 an2 . . . anp xp bn
a partir del cual se obtiene la matriz aumentada asociada al sistema de ecuaciones,
 
a11 a12 . . . a1p b1
 a21 a22 . . . a2p b2 
..  .
 
 .. .. ..
 . . ... . . 
an1 an2 . . . anp bn
El método de reducción de matrices de Gauss-Jordan, aplicado a la matriz aumentada, determina si
el sistema de ecuaciones lineales dado, tiene o no solución.
Ejercicio 3.7 Para los dos sistemas de ecuaciones lineales dados, escribir la forma matricial
A⃗x = ⃗b y determinar (si existe) la solución.

x + 3y − z = 6

2x + 2y + 4z = 10

y − 3z = −1




x1 + x2 + x3 − x4 = 2

x + 2x + x = 5
2 3 4


x1 + 2x3 − 2x4 = 6

x − x − 2x + 3x = −1.
1 2 3 4
■
3.0.5 El determinante de una matriz

En esta sección se considerarán únicamente matrices cuadradas, es decir matrices cuyo número
de filas es igual al número de columnas . El determinante de una matriz cuadrada An×n es un número
real que se define recursivamente y se denota det(A).
Matrices de
2×2
a11 a12
Sea A = una matriz. El determinante de A se define por la fórmula,
a21 a22
det(A) = a11 a22 − a12 a21 .

3 4 2 6 10 −1
Ejemplo 3.19 Sean B = ,E= yR= . Entonces,
6 −9 4 12 4 4
det(B) = 3 · (−9) − 6 · 4 = −51, det(C) = 2 · 12 − 6 · 4 = 0, det(R) = 10 · 4 − 4 · (−1) = 44.

3 4
Ejercicio 3.8 Calcular el determinante de BT , det(BT ), si B = . Es correcto afirmar
6 −9
que det(B) = det(BT )? ■
Matrices de
 3×3 
a11 a12 a13
Sea A = a21 a22 a23  una matriz. La matriz A define 9 submatrices que se denotan A
ei j las
a31 a32 a33
cuales se obtiene al eliminar la fila i y la columna j de A. Explícitamente,

a22 a23 e a21 a23 e a21 a22
A11 =
e , A12 = , A13 = ,
a32 a33 a31 a33 a31 a32

a12 a13 e a11 a13 e a11 a12
A21 =
e , A22 = , A23 = ,
a32 a33 a31 a33 a31 a32
45

e31 = a12 a13 , A
A e32 = a11 a13 , A
e33 = a11 a12 .
a22 a23 a21 a23 a21 a22
Note que las submatrices A ei j de la matriz A son matrices de 2 × 2. Así que, el determinate de la
matriz A se define por las siguientes fórmulas equivalentes,
det(A) = a11 · det(A

e11 ) − a12 · det(A
e12 ) + a13 · det(A
e13 ),
det(A) = −a21 · det(Ae21 ) + a22 · det(A
e22 ) − a23 · det(A
e23 ),
e31 ) − a32 · det(A
e32 ) + a33 · det(A
e33 ),
e11 ) − a21 · det(A
e21 ) + a31 · det(A
e31 ),
e22 ) − a32 · det(A
e32 ),
e13 ) − a23 · det(A
e23 ) + a33 · det(A
e33 ).
Por definición del determinante, el cálculo de este número no depende de la fila o la columna que se
escoja, el resultado siempre es el mismo.
 
1 2 1
Ejemplo 3.20 Sea A = 0 2 −2. Las submatrices de A son
8 −7 1

e11 = 2 −2 0 −2 0 2
A ,A
e12 = ,A
e13 = ,
−7 1 8 1 8 −7

e21 = 2 1 e 1 1 e 1 2
A , A22 = , A23 = ,
−7 1 8 1 8 −7

2 1 1 1 1 2
A31 =
e , A32 =
e , A33 =
e .
2 −2 0 −2 0 2
El determinante de A al recorrer la fila 1 es igual a

e11 ) − a12 · det(A
e12 ) + a13 · det(A
e13 )

2 −2 0 −2 0 2
= 1 · det − 2 · det + 1 · det
−7 1 8 1 8 −7
= (2 − 14) − 2 · (0 + 16) + (0 − 16) = −12 − 32 − 16 = −60.
El determinante de A recorriendo la columna 2 es igual a

e22 ) − a32 · det(A
e32 )

0 −2 1 1 1 1
= (−2) · det +2· − (−7) ·
8 1 8 1 0 −2
= (−2) · (0 − (−16)) + 2 · (1 − 8) + 7 · (−2 − 0)
= −32 − 14 − 14 = −60.
Como se mencionó anteriormente, no importa la fila o la columna de A que se utilice para calcular
el det(A).
 
3 3 1
Ejercicio 3.9 Calcular el determinante de la matriz R = 5 0 −2 utilizando la fila 2 y la
4 2 −3
columna 3 de A respectivamente. ■
Es importante resaltar que el cálculo del determinante de una matriz de 3 × 3 está definido en
términos de los determinantes de las submatrices de 2 × 2.
Matrices de n × n  
a11 a12 . . . a1n
a21 a22 . . . a2n 
Suponga que n ∈ N y n > 2. Sea A =  . .  una matriz de n filas y n colum-
 
.. . .
 .. . . .. 
an1 an2 . . . ann
nas.
Ejercicio 3.10 Escriba la fila i y la columna j de A. ■
Al igual que en el caso de matrices de 3 × 3, la matriz A determina n2 submatrices A

ei j que se obtienen
al eliminar la fila i y la columna j de A respectivamente. Por ejemplo, al eliminar la fila 2 y la
columna n de A, se obtiene la submatirz A e2n
 
a11 a12 . . . a1n−1
a31 a32 . . . a3n−1 
A2n =  . ..  ,
 
e .. . .
 .. . . . 
an1 an2 . . . ann−1
que tiene n − 1 filas y n − 1 columnas. Ahora bien, suponga que los determinantes de las submatrices
ei j ), son conocidos. Entonces el determinante de A se calcula, recursivamente, utilizando la
ei j , det(A
A
fila i, 1 ≤ i ≤ n, de A de la siguiente forma
det(A) = (−1)i+1 ai1 · det(A

ei1 ) + (−1)i+2 ai2 · det(A
ei2 ) + . . . + (−1)i+n ain · det(A
ein ).
Como quedará evidenciado experimentalmente, el determinante de A se puede calcular de igual

manera utilizando la columna j, 1 ≤ j ≤ n, por medio de la siguiente fórmula
det(A) = (−1)1+ j a1 j · det(A

e1 j ) + (−1)2+ j a2 j · det(A
e2 j ) + . . . + (−1)n+ j an j · det(A
en j ).
 
1 1 0 2
3 1 −1 2
Ejemplo 3.21 Sea B4×4 =   0 −2 −2 3. Se presenta el cálculo del determinante de B

−1 1 −3 0
utilizando la fila 3 y la columna 4 respectivamente, con la intención de ilustrar que el cálculo del
determinante es independiente de la escogencia de la fila o la columna de la matriz en cuestión.
El primer paso es escribir las submatrices de B que se obtienen al fijar la fila 3 y recorrer las
47
columnas,
       
1 0 2 1 0 2 1 1 2 1 1 0
Be31 = 1 −1 2 , Be32 =  3 −1 2 , Be33 =  3 1 2 , Be34 =  3 1 −1 .
1 −3 0 −1 −3 0 −1 1 0 −1 1 −3
Similarmente se escriben las submatrices de B que se obtienen al fijar la columna 4 y recorrer las
filas,
       
3 1 −1 1 1 0 1 1 0 1 1 0
Be14 =  0 −2 −2 , Be24 =  0 −2 −2 , Be34 =  3 1 −1 , Be44 = 3 1 −1 .
−1 1 −3 −1 1 −3 −1 1 −3 0 −2 −2
El segundo paso es calcular los determinantes de las submatrices en cuestrión. Note que al ser
matrices de 3 × 3, tales determinantes se saben calcular. El lector puede calcular los determinantes
que se reportan a continuación:
det(Be31 ) = 2, det(Be32 ) = −14, det(Be33 ) = 4, det(Be34 ) = 8,
det(Be14 ) = 28, det(Be24 ) = 10, det(Be34 ) = 8, det(Be44 ) = 2.

Al utilizar la fila 3, el determinante de B está dado por,
det(B) =
= (−1)3+1 b31 · det(Be31 ) + (−1)3+2 b32 · det(Be32 ) + (−1)3+3 b33 · det(Be33 ) + (−1)3+4 b34 · det(Be34 )
= (−1)3+1 0 · 2 + (−1)3+2 (−2) · (−14) + (−1)3+3 (−2) · 4 + (−1)3+4 3 · 8
= −60.
Al utilizar la columna 4 de B se tiene que el determinante de B es:
det(B) =
= (−1)1+4 b14 · det(Be14 ) + (−1)2+4 b24 · det(Be24 ) + (−1)3+4 b34 · det(Be34 ) + (−1)4+4 b44 · det(Be44 )
= −(2) · 28 + 2 · 10 − (3) · 8 + 0 · 2
= −60.
 
1 −1 1 −1
2 2 2 2 
Ejercicio 3.11 Sea P = 5 0 1 −2. Escoger una fila y una columna de P y calcular el

3 2 1 0
determinante de P, det(P), recorriendo la fila y la columna seleccionada. ■
Propiedades del determinante

A continuación se enuncian las propiedades del determinante. Suponga que An×n y Bn×n son dos
matrices dadas.
1. Si A tiene una fila o columna de solo ceros, entonces det(A) = 0.
2. El determinante es multiplicativo, det(A · B) = det(A) · det(B).
3. Sea α ∈ R. det(α · A) = α n · det(A).

4. det(AT ) = det(A).
   
1 2 2 3 3 −3
Ejercicio 3.12 Sean A = 3 −4 −1 y B = 2 1 −4. Verificar que
0 2 −3 0 5 −1
det(A · B) = det(A) · det(B),
det(AT ) = det(A),
det(A · B)T = det(BT ) · det(AT ),
det(2 · A · B) = 8 · det(A · B).
■
3.0.6 La inversa de una matriz

Una matriz An×n es invertible si existe una matriz denotada por A−1
n×n tal que
A · A−1 = In , A−1 · A = In
donde In es la matriz identidad de n × n, ver ejemplo 3.6. El determinante de A detecta si la matriz

inversa A−1 existe.
A−1 existe ⇐⇒ det(A) ̸= 0.
 
1 1 0
3 6
Ejemplo 3.22 Sean E = y R = 2 −3 0. Como det(E) = 3 · 4 − 6 · 2 = 0, entonces
2 4
1 −2 3

−1 1 1
E no existe. Por otro lado, como det(R) = 3 · det = −15 ̸= 0, entonces la matriz
2 −3
inversa R−1 si existe.
Con el criterio que determina si la inversa de una matriz dada existe o no, la pregunta que sigue sería
cómo calcular dicha matriz. Para calcular la inversa de una matriz se tienen a la mano dos métodos
que se exponen a continuación.
Matriz inversa vía Gauss-Jordan

Suponga que An×n es una matriz con det(A) ̸= 0. Es decir la matriz inversa A−1 de A existe. Para
calcular A−1 se procede así:
1. Se extiende la matriz A con la matriz identidad In ,

A In .
2. Por medio de las operaciones entre filas se reduce la matriz extendida. Es decir, se utiliza la
reducción de Gauss-Jordan.
3. Como det(A) ̸= 0, la forma escalonada reducida de A es la matriz identidad In . Luego, la
matriz inversa A−1 corresponde a la matriz que aparece a la derecha en la reducción de la
matriz extendida
A In ⇝ In A−1 .

49

1 3 1 3
Ejemplo 3.23 Calcular la matriz inversa de . Primero note que det = 4−3 =
1 4 1 4
1 ̸= 0, luego la matriz en cuestión es invertible.
Como la matriz dada es una matriz de 2 × 2 la
1 0
matriz identidad que se necesita es I2 = . Siguiendo los pasos del algortimo anterior se
0 1
tiene que:
1 3 1 0
1. Matriz extendida:
1 4 0 1

1 3
2. Operaciones entre filas y forma escalonada reducida de la matriz .
1 4

1 3 1 0 f2 → f2 − f1 1 3 1 0 f1 → f1 −3 f2 1 0 4 −3
I2 A−1

−−−−−−→ −−−−−−→ =
1 4 0 1 0 1 −1 1 0 1 −1 1

4 −3
3. Por lo tanto, A−1 = .
−1 1

−1 1 3 4 −3 4 − 3 −3 + 3 1 0
Note que A · A = · = = = I2 . Queda al lector
1 4 −1 1 4 − 4 −3 + 4 0 1
verificar que
A−1 · A = I2 .
Ejercicio 3.13 Verifique que las matrices dadas son matrices invertibles y calcule la matriz inversa
en cada caso.  
1 2 3
4 4
R= , C = −1 0 3 .
4 5
2 4 8
■
Es importante recalcar que si el determinante de la matriz es cero, entonces la matriz no admite

inversa.
Matriz de cofactores, matriz adjunta y matriz inversa

Sea An×n una matriz dada. La matriz A determina dos matrices que se construyen a continuación.
Para cada 1 ≤ i, j ≤ n, el menor de A, Mi j , correspondiente a i, j está definido por
Mi j = (−1)i+ j det(A
ei j ).
Adicionalmente, la matriz de cofactores de A, Cof(A) está definida por
Cof(A)i j = (Mi j )n×n ,
es decir las entradas de la matriz de cofactores de A corresponden a los menores de A. La matriz

transpuesta de la matriz de cofactores se denomina la matriz adjunta de A, Adj(A). Explícitamente:
Adj(A) = (Cof(A))T
A continuación, se enuncia una propiedad que satisface la matriz adjunta de A en la que se da una
fórmula matricial para calcular la matriz inversa de A, (si existe).
Suponga que det(A) ̸= 0. Luego se tiene que
1
A−1 = Adj(A).
det(A)
 
1 −1 3
Ejemplo 3.24 Sea A = 4 1 6 .
2 0 −2
1. Muestre que A es una matriz invertible.
2. Calcular la matriz de cofactores de A, Cof(A) y la matriz adjunta de A, Adj(A).
3. Calcular la matriz inversa de A, A−1 .
Solución:
1. Es suficiente mostrar que det(A) ̸= 0. Se recorre la fila 3 de A y se obtiene lo siguiente,

3+1 −1 3 3+2 1 3 3+3 1 −1
det(A) = (−1) 2 · det + (−1) 0 · det + (−1) (−2) · det
1 6 4 6 4 1
= 2 · (−6 − 3) − 2 · (1 + 4) = −28.
Como det(A) ̸= 0, se tiene que A es una matriz invertible.

2. Para calcular la matriz Cof(A) se calculan los menores de A ya que éstos son las entradas
de Cof(A).

1+1 1 6 1+2 4 6
Cof(A)11 = (−1) M11 = det , Cof(A)12 = (−1) M12 = −det ,
0 −2 2 −2

4 1 −1 3
Cof(A)13 = (−1)1+3 M13 = det , Cof(A)21 = (−1)2+1 M21 = −det ,
2 0 0 −2

2+2 1 3 2+3 1 −1
2 −2 2 0

3+1 −1 3 3+2 1 3
1 6 4 6

3+3 1 −1
Cof(A)33 = (−1) M33 = det .
4 1
Por lo tanto, la matriz de cofactores de A es

 
−2 20 −2
Cof(A) = −2 −8 −2 ,
−9 6 5
y la matriz adjunta de A es
 
−2 −2 −9
Adj(A) = (Cof(A))T =  20 −8 6  .
−2 −2 5
51
3. La matriz inversa de A viene dada por la siguiente fórmula matricial.

   1 1 9 
−2 −2 −9 14 14 28
−1 1 1
A = Adj(A) = − ·  20 −8 6  = − 7 72 5 3
− 14 .
det(A) 28 1 1 5
−2 −2 5 14 14 − 28
 
1 1 −2
Ejercicio 3.14 Sea B =  2 0 −3.
−1 1 −2
1. Muestre que A es una matriz invertible.
2. Calcular la matriz de cofactores de A, Cof(A) y la matriz adjunta de A, Adj(A).
3. Calcular la matriz inversa de A, A−1 .
■
Matriz inversa y sistema de ecuaciones lineales
Todo sistema de ecuaciones lineales se puede escribir en forma matricial. Para ilustrar la relación
de la matriz inversa con la solución de un sistema de ecuaciones lineales, es preciso suponer que la
matriz asociada al sistema es una matriz cuadrada; es decir se tiene el mismo número de ecuaciones
que de variables. Explícitamente, el sistema de ecuaciones lineales es de la forma:

a11 x1 + a12 x2 + . . . + a1n xn = b1
    


 a11 a12 . . . a1n x1 b1
a21 x1 + a22 x2 + . . . + a2n xn = b2 a21 a22 . . . a2n  x2  b2 
    
⇐⇒  . ..   ..  =  .. 
 
. . . . . ..
 .. + .. + .. + .. = ..
  .. . ... .  .   . 

an1 an2 . . . ann xn bn

an1 x1 + an2 x2 + . . . + ann xn = bn ,

⇐⇒ A⃗x = ⃗b.
Si det(A) ̸= 0, entonces la solución de A ·⃗x = ⃗b está dada por
⃗x = A−1⃗b.
3.0.7 Álgebra matricial y Microsoft Excel
Las operaciones entre matrices que se han presentado hasta el momento se pueden implementar
en cualquier hoja de cálculo de un ordenador. En estas notas seleccionamos la hoja de cálculo de
Microsoft Excel para implementar las operaciones entre matrices. La versión de Microsoft Excel
que se utiliza en esta sección es la versión que viene con Microsoft Office 365.
Declaración de una matriz en Excel
Para declarar una matriz en Excel basta rellenar con números un rectángulo de la hoja de cálculo.
A continuación se presentan tres matrices A3×4 , B2×2 y E3×2 .
Suma y resta de matrices
Para obtener la suma y la resta de dos matrices dadas en Excel, éstas se deben sombrear y
especificar + o − según sea el caso. Note que en la barra de comando de Excel antes de escribir la
fórmula, se utiliza el símbolo de igualdad = para que el software entienda que se usará una función
predeterminada. A continuación se presenta la suma y la resta de dos matrices.
53
Multiplicación por escalar

Para calcular la multiplicación por escalar se resalta el escalar y la matriz en cuestión y se utiliza
el ∗ para que Excel ejecute la multiplicación. No olvidar que para implementar la operación se
necesita escribir en la barra de comando el símbolo = antes de escribir la fórmula, ver figura a
continuación.
Multiplicación matricial
El comando que se utiliza en Excel para multiplicar dos matrices es el siguiente
Para utilizar el comando en cuestión, se debe escribir en la barra de comandos "= MMULT se
2
deben resaltar las dos matrices que se van a multiplicar.
La matriz transpuesta
El comando que se utiliza para transponer una matriz dada es el siguiente
Para utilizar el comando en cuestión, se debe escribir en la barra de comandos "= TRANSPONER 2
se debe resaltar la matriz que se va a transponer.

55
El determinante de una matriz

El comando que se utiliza para calcular el determinante de una matriz dada es el siguiente
Para utilizar el comando en cuestión, se debe escribir en la barra de comandos "= MDETERM se 2
debe resaltar la matriz a la que se le va a calcular el determinante.
La matriz inversa
El comando que se utiliza para invertir una matriz dada es el siguiente
Para utilizar el comando en cuestión, se debe escribir en la barra de comandos "= MINVERSA se 2
debe resaltar la matriz que se va a invertirr.

Sistemas de ecuaciones lineales en Excel

Un sistema de ecuaciones lineales A⃗x = ⃗b se puede representar en Excel. A manera de ejemplo,
considere el sistema de ecuaciones lineales

2x + 3y + 4z = 0
    
 2 3 4 x 0
10x − 7z = 3 ⇐⇒  10 0 −7  y  =  3  ⇐⇒ A⃗x = ⃗b.
0 3 8 z −4

3y + 8z = −4

Una representación de este sistema de ecuaciones lineales en Excel viene dada por
Observación sobre sistemas de ecuaciones lineales y Excel

El algoritmo que se utiliza en Excel para obtener la solución a un sistema de ecuaciones lineales
tiene dos restricciones que se deben cumplir para obtener el resultado deseado. Suponga que se
quiere solucionar el sistema de ecuaciones lienales dado por A⃗x = ⃗b. Las dos restricciones necesarias
para implementar Excel son las siguientes.
1. La matriz asociada al sistema A debe ser una matriz cuadrada.
2. La matriz A debe ser una matriz invertible.
Si estas dos condiciones se cumplen, entonces la solución ⃗x al sistema de ecuaciones A⃗x = ⃗b se
obtiene al multiplicar A−1 y ⃗b,
⃗x = A−1⃗b.
3.0.8 Aplicaciones
En esta sección se presentarán algunas situaciones en contexto cuya solución se obtiene al
reescribir el problema en términos de sistemas de ecuaciones lineales. Adicionalmente, se mostrará
cómo el método de reducción de Gauss-Jordan determina el número de soluciones que admite el
problema en cuestión.
Ejemplo en finanzas
Una empresa pidió un préstamo de 775000 dólares para ampliar su línea de ropa. Una parte del
dinero se prestó al 8 %, otra al 9 % y otra al 10 %. ¿Cuánto dinero pidió prestado la empresa a cada
tasa de interés, si el interés anual adeudado fue de 67500 dólares y la cantidad prestada al 8 % era
cuatro veces la cantidad prestada al 10 %?
Solución: Las variables del problema son
x = Cantidad de dinero prestada al 8 %,

57
y = Cantidad de dinero prestada al 9 %,

z = Cantidad de dinero prestada al 10 %.
Ahora bien, las ecuaciones que representan la información dada en este problema son las siguientes,

x + y + z = 775000, cantidad de dinero total,

0, 08x + 0, 09y + 0, 1z = 67500, interés anual total generado,

x = 4z ⇒ x − 4z = 0, relación entre las cantidades de dinero.

Así, la representación matricial del sistema de ecuaciones lineales es la siguiente,

    
1 1 1 x 775000
0, 08 0, 09 0, 1 y =  67500  ⇐⇒ A⃗x = ⃗b.
1 0 −4 z 0
Para encontrar el valor de x, y y z es necesario reducir la matriz aumentada

 
1 1 1 775000
 0, 08 0, 09 0, 1 67500 
1 0 4 0
   
1 1 1 775000 1 1 1 775000
2 →100 f 2 f2 → f2 −8 f1
 0, 08 0, 09 0, 1 67500  −f− −−−→  8 9 10 6750000  −−−−−−→
f3 → f3 − f1
1 0 4 0 1 0 4 0
   
1 1 1 775000 1 1 1 775000
f3 → f3 + f2 f3 →− 31 f3
 0 1 2 550000  −−−−−−→  0 1 2 550000  −−−−− →
0 −1 −5 −775000 0 0 −3 −225000
     
1 1 1 775000 1 1 0 700000 1 0 0 300000
2 → f 2 −2 f 3 f1 → f1 − f2
 0 1 2 550000  −f− −−−−→  0 1 0 400000  −−−−−−→  0 1 0 400000 
f1 → f1 − f3
0 0 1 75000 0 0 1 75000 0 0 1 75000
reescribiendo la forma escalonada reducida se tiene que,

       
1 0 0 300000 1 0 0 x 300000
 0 1 0 400000  ⇐⇒ 0 1 0 · y = 400000
0 0 1 75000 0 0 1 z 75000
de lo cual se tiene que
x = 300000
y = 400000
z = 75000.
Por lo tanto, a la empresa le prestaron 300000 al 8 %, 400000 al 9 % y 75000 al 10 %.

Paralelamente, el sistema de ecuaciones en cuestión se puede resolver en Excel, ya que la matriz
asosciada al sistema es una matriz invertible. Recuerde de la sección 3.0.7 que si la matriz A asociada
al sistema de ecuaciones A⃗x = ⃗b es tal que det(A) ̸= 0 entonces la solución es ⃗x = A−1⃗b. En este
caso, una representación en Excel del sistema de ecuaciones en cuestión es
A continuación se verifica que la matriz A tiene inversa y se calcula la solución.
Ejemplo de organización de gastos

Un viajero que acaba de regresar de Europa gastó 30 dólares diarios en Inglaterra, 20 dólares
diarios en Francia y 20 dólares diarios en España por concepto de hospedaje. En comida gastó 20
dólares diarios en Inglaterra, 30 dólares diarios en Francia y 20 dólares diarios en España. Sus gastos
adicionales fueron 10 dólares diarios en cada país. Durante la visita a Inglaterra, Francia y España, el
viajero invirtió un total de 340 dólares en hospedaje, 320 dólares en comida y 140 dólares en gastos
adicionales. ¿Cuántos días trascurrió en cada país?
Solución: Las variables del problema son
I = Días en Inglaterra,
F = Días en Francia,
E = Días en España.
El sistema de ecuaciones que representa la información del problema es el siguiente,

30I + 20F + 20E = 340, Hospedaje

20I + 30F + 20E = 320, Comida

10I + 10F + 10E = 140, Adicionales.

59
La forma matricial del sistema en cuestión es
    
30 20 20 I 340
20 30 20 F  = 320 ⇐⇒ A⃗x = ⃗b.
10 10 10 E 140
Para obtener la solución se reduce la matriz aumentada,
     
30 20 20 340 1 1 3 2 2 34 1 1 1 14
f1 → 10 f1 , f3 → 10 f3 f1 ←→ f3 f2 → f2 −2 f1
 20 30 20 320  −−−−−−−−−−→  2 3 2 32  −−−−→  2 3 2 32  −−−−−−→
f2 → 10 1
f2 f3 → f3 −3 f1
10 10 10 140 1 1 1 14 3 2 2 34
     
1 1 1 14 1 1 1 14 1 1 1 14
f3 → f3 + f2 f3 →− f3 f1 → f1 − f3
 0 1 0 4  −−−−−−→  0 1 0 4  −−−−→  0 1 0 4  −−−−−−→
0 −1 −1 −8 0 0 −1 −4 0 0 1 4
   
1 1 0 10 1 0 0 6
f1 → f1 − f2
 0 1 0 4  −− −−−−→  0 1 0 4  ,
0 0 1 4 0 0 1 4
reescribiendo la forma escalonada reducida se tiene que
      
1 0 0 6 1 0 0 I 6
 0 1 0 4  ⇐⇒ 0 1 0 F  = 4
0 0 1 4 0 0 1 E 4
luego, I = 6, F = 4 y E = 5. Por lo tanto, el viajero estuvo visitando Inglaterra durante 6 días,

Francia por 4 días y España por 4 días. A continuación se presenta la solución en Excel. Una posible
representación del sistema de ecuaciones es
Adicionalmente, se verifica que la matriz asociada al sistema es invertible y se calcula la solución.
Deportes
En el partido de la Final Four Femenina de la NCAA de 2008, las Lady Volunteers de la
Universidad de Tennessee derrotaron a las Cardinal de la Universidad de Standford por un resultado
de 64 a 49. Las Lady Volunteers ganaron al anotar una combinación de canastas de dos puntos,
canastas de tres puntos y tiros libres de un punto que se desea calcular. El número de canastas de dos
puntos fue dos más que el número de tiros libres. El número de tiros libres fue dos más que cinco
veces el número de canastas de tres puntos. ¿Qué combinación de anotaciones representan los 64
puntos de las Lady Volunteers?
Solución: las variables del problema son
x = número de canastas de 2-puntos

y = número de canastas de 3-puntos
z = número de canastas de tiro libre.
Las ecuaciones que representan la información del problema son la siguientes


2x + 3y + z = 64, puntaje anotado por las Lady Volunteers

x = 2 + z ⇒ x − z = 2, relación entre canastas de 2-puntos y tiros libres

z = 2 + 5y ⇒ −5y + z = 2, relación entre canastas de 3-puntos y tiros libres

El sistema se reescribe en forma matricial

    
2 3 1 x 64
1 0 −1 y =  2  ⇐⇒ A⃗x = ⃗b.
0 −5 1 z 2
61
Ejercicio 3.15 Se deja al lector resolver el sistema utilizando el método de Gauss-Jordan y

utilizando Excel. La solución que debe obtener es
   
x 19
y =  3  .
z 17
■
Así pues, las Lady Volunteers ganaron la final anotando 19 canastas de 2-puntos, 3 canastas de
3-puntos y 17 canastas de tiro libre.
Inversiones en la bolsa de valores

Una inversionista le informa a su corredor de bolsa que todas sus acciones pertenecen a tres
compañias: Delta Airlines, Hilton Hotels y McDonald’s, y que hace dos días su valor bajó 350
dólares pero que ayer aumentó en 600 dólares. El corredor recuerda que hace dos días el precio de
las acciones de Delta Airlines bajó 1 dólar mientras que las acciones de Hilton Hotel cayeron 1,50
dólares y que el precio de las acciones de McDonald’s subió 0,5 dólares. También recuerda que ayer
el precio de la acciones de Delta Airlines subió 1,5 dólares y que el precio de la acciones de Hilton
Hotels bajó 0,5 dólares mientra que el precio de las acciones de McDonald’s subió 1 dólar. Muestre
que la infomración del corredor de bolsa no es suficiente para calcular el número de acciones que
tiene la inversionita en su portafolio. Sin embargo, si se sabe que la inversionista tiene 200 acciones
de McDonald’s, el corredor puede calcular el número de acciones en Delta Airlines y en Hilton
Hotels.
Solución: las variables del problema son
D = número de acciones de Delta Airlines

H = número de acciones de Hilto Hotles
M = número de acciones de McDonald’s,
luego las ecuaciones que representan la información del problema son las siguientes
(
−D − 1, 5H + 0, 5M = −350, información del precio hace dos días
1, 5D − 0, 5H + M = 600, información del precio ayer.
La representación matricial del sistema de ecuaciones lineales es
 
D
−1 −1, 5 0, 5   −350
H = ⇐⇒ A⃗x = ⃗b.
1, 5 −0, 5 1 600
M
Como la matriz asociada al sistema de ecuaciones linelas no es una matriz cuadrada, se debe proceder
por reducción de Gauss-Jordan para determinar las soluciones.

−1 −1, 5 0, 5 −350 f1 →− f1 1 1, 5 −0, 5 350 f2 → f2 −1,5 f1
−−−−→ −−−−−−−→
1, 5 −0, 5 1 600 1, 5 −0, 5 1 600
1

1 1, 5 −0, 5 350 f2 →− 2,75 f2 1 1, 5 −0, 5 350 f1 → f1 −1,5 f2
−−−−−−−→ −−−−−−−→
0 −2, 75 1, 75 75 0 1 −0, 6363 −27, 2727

1 0 0, 4545 390, 9090
0 1 −0, 6363 −27, 2727
Reesccribiendo la forma escalonada reducida se tiene que

 
D
1 0 0, 4545 390, 9090 1 0 0, 4545   390, 9090
⇐⇒ H = ,
0 1 −0, 6363 −27, 2727 0 1 −0, 6363 −27, 2727
M
de lo cual se obtienen dos ecuaciones con incógnita libre


D + 0, 4545M = 390, 9090 ⇐⇒ D = 390, 9090 − 0, 4545M

H − 0, 6363M = −27, 2727 ⇐⇒ H = −27, 2727 + 0, 6363M

M ∈ R, variable libre: toma infintos valores

Por lo tanto, la solución es igual a

       
D 390, 9090 − 0, 4545M 390, 9090 −0, 4545M
 H  = −27, 2727 + 0, 6363M  = −27, 2727 +  0, 6363M 
M M 0 M
   
390, 9090 −0, 4545
= −27, 2727 + M 0, 6363 
  
0 1
Es decir el sistema admite un número infinito de soluciones, por lo cual el corredor de bolsa no tiene
la información suficiente para saber cuantas acciones tiene la inversionista.
Sin embargo, si M = 200 entonces al reemplazar en la solución anterior se tiene que
D = 300
H = 100
Entonces el portafolio de la inversionista tiene 300 acciones de Delta Airlines y 100 acciones de
Hilton Hotels. ¿Cómo cambia el portafolio de la inversionista si M=10? ¿Cuál es el mínimo valor de
M para que el portafolio de la inversionista contenga acciones de las tres empresas? En este ejercicio
no se implementa la solución en Excel debido a que, (como se mencionó anteriormente), la matriz
que representa el sistema de ecuaciones no es una matriz cuadrada y por lo tanto no tiene sentido
calcular el determinante ni la matriz inversa.
63
Número de soluciones de un sistema de ecuaciones lineales
Suponga que A⃗x = ⃗b es un sistema de ecuaciones lineales dado. Como se presentó en la sección
de Aplicaciones, el sistema en cuestión puede tener única o infinitas soluciones. Adicionalmente
el sistema de ecuaciones puede no admitir solución. En esta sección se muestra cómo detectar el
número de soluciones a A⃗x = ⃗b a través de la reducción de Gauss-Jordan y del determinante de A,
cuando éste tenga sentido.
El sistema de ecuaciones lineales A⃗x = ⃗b es un sistema consistente si el sistema tiene única solución
o un número infinito de soluciones. Por otro lado, A⃗x = ⃗b es un sistema inconsistente si el sistema
no tiene solución.
Ejemplo 3.25 Sistemas consistentes: recuerde que al usar la reducción de Gauss-Jordan siempre
se obtiene la forma escalonada reducida la matriz aumentada ( A ⃗b )
Solución única:
     
1 0 −3 1 0 −3
 0 1 2  ⇐⇒ 0 1 x x −3
=  2  ⇐⇒ = ⇐⇒ x = −3, y = 2.
y y 2
0 0 0 0 0 0
Infinitas soluciones:
 
x
1 0 −2 5 1 0 −2   5 x − 2z 5
⇐⇒ y = ⇐⇒ =
0 1 −5 0 0 1 −5 0 y − 5z 0
z
es decir,
x − 2z = 5 ⇒ x = 5 + 2z
y − 5z = 0 ⇒ y = 5z
z es una variable libre, es decir toma infinitos valores.
La solución es        
x 5 + 2z 5 2
y =  5z  = 0 + z 5 .
z z 0 1
Note que por cada valor que toma la variable z se tiene un valor para la variable x e y respectiva-
mente.
Ejemplo 3.26 Se presenta un sistema incosistente.

x − 11z = 3
       
1 0 −11 3 1 0 −11 x 3 
 0 1 7 20  ⇐⇒ 0 1 7  · y = 20 ⇐⇒ y + 7z = 20
0 0 0 3 0 0 0 z 3

0=3

Dado que 0 ̸= 3 el sistema no tiene solución.

Ejercicio 3.16 Determine y escriba las soluciones al sistema de ecuaciones lineales cuya forma
escalonada reducida de la matriz aumentada es la siguiente
 
1 −2 7 8
 0 0 1 −4 
0 0 0 0
 
1 1 0 0
 0 0 1 0 
 
 0 0 0 0 
0 0 0 50
■
Ahora bien, si en el sistema de ecuaciones lineales A⃗x = ⃗b la matriz A es una matriz cuadrada, se
tienen dos estrategias para determinar el número de soluciones del mismo.
Si det(A) ̸= 0 el sistema es consistente y tiene una única solución dada por ⃗x = A−1⃗b.
Si det(A) = 0 se debe proceder con la reducción de Gauss-Jordan y determinar si el sistema
tiene infinitas soluciones o no tiene solución.
4. Área, volumen, rectas y planos
En esta sección se presenta una introducción a la geometría plana utilizando vectores de R2 y R3 .

Cabe mencionar que los cálculos necesarios en la modelación de los objetos de estudio se expresan
en términos del álgebra matricial y las operaciones vectoriales.
4.0.1 Área en R2
Sean⃗v = [v1 , v2 ] y ⃗w = [w1 , w2 ] dos vectores en R2 . A partir de la suma vectorial⃗v +⃗w se obtiene
el paralelogramo determinado por ⃗v y ⃗w, como se muestra en la siguiente figura.
El área, A(⃗v,⃗w), del paralelogramo en cuestión es A(⃗v,⃗w) = b · h, donde la base es b = ||⃗v|| y

la altura es h = ||⃗w||sen(θ ). Por lo tanto, el área del paralelogramo en cuestión está dada por,
A(⃗v,⃗w) = ||⃗v||||⃗w||sen(θ ). Note que, A(⃗v,⃗w) se puede reescribir como se muestra en el siguiente
66 Capítulo 4. Área, volumen, rectas y planos
cálculo:
q √ √ q
A(⃗v,⃗w) = ||⃗v||||⃗w|| 1 − (cos(θ ))2 = ⃗v ·⃗v ⃗w · ⃗w 1 − (cos(θ ))2
q q
= (⃗v ·⃗v)(⃗w · ⃗w)(1 − (cos(θ ))2 ) = (⃗v ·⃗v)(⃗w · ⃗w) − (⃗v ·⃗v)(⃗w · ⃗w)(cos(θ ))2 )
q q
= ||⃗v||2 ||⃗w||2 − ||⃗v||2 ||⃗w||2 (cos(θ ))2 ) = ||⃗v||2 ||⃗w||2 − (⃗v · ⃗w)2
q q
= (v21 + v22 )(w21 + w22 ) − (v1 w1 + v2 w2 )2 = v21 w22 − 2v1 w1 v2 w2 + v22 w21
q
= (v1 w2 − v2 w1 )2 = |(v1 w2 − v2 w1 )|.
Así pues, el área del paralelogramo en cuestión está determinada por la expresión matricial:

v1 v2
A(⃗v,⃗w) = det .
w1 w2
Ejemplo 4.1 Sean ⃗a = [2, 4] y ⃗b = [−3, 3]. El área del paralelogramo determinado por ⃗a y ⃗b es
igual a
2 4
A(⃗a,⃗b) = det = |6 − (−12)| = 18.
−3 3
Adicionalmente, el área del triángulo Atr (⃗v,⃗w) determinado por los vectores ⃗v y ⃗w corresponde a la
mitad del área del paralelogramo determinado por ⃗v y ⃗w. Por lo tanto,

1 1 v1 v2
Atr (⃗v,⃗w) = A(⃗v,⃗w) = det .
2 2 w1 w2
Ejercicio 4.1 Realizar una gráfica del área del triángulo determinado por los vectores ⃗v = [v1 , v2 ]
y ⃗w = [w1 , w2 ] en el primer cuadrante de R2 . ■
Ejemplo 4.2 El área del triángulo determinado por los vectores ⃗a = [2, 4] y ⃗b = [−3, 3] se obtiene
al realizar el siguiente cálculo:

1 1 2 4 1
Atr (⃗a,⃗b) = A(⃗a,⃗b) = det = (18) = 9.
2 2 −3 3 2
4.0.2 El producto cruz

En R3 tiene sentido calcular el área de un paralelogramo y el volumen de un paralelepípedo.
Para calcular el área y el volumen en R3 la herramienta necesaria es el producto cruz de vectores.
Sean ⃗v = [v1 , v2 , v3 ] y ⃗w = [w1 , w2 , w3 ] dos vectores en R3 . El producto cruz de ⃗v y ⃗w, denotado por
⃗v × ⃗w, es un vector que está definido por el siguiente cálculo:
⃗i ⃗j ⃗k
 
⃗v × ⃗w = det  v1 v2 v3  .
w1 w2 w3
67
w = [w1 , w2 , w3 ] dos vectores de R3 . Entonces,

Ejemplo 4.3 Sean ⃗v = [v1 , v2 , v3 ] y ⃗
⃗i ⃗j ⃗k
 

v2 v 3 ⃗i − det v1 v3 ⃗j + det v 1 v 2 ⃗k
⃗v × ⃗w = det  v1 v2 v3  = det
w2 w3 w1 w3 w1 w2
w1 w2 w3
= (v2 w3 − v3 w2 )⃗i − (v1 w3 − v3 w1 )⃗j + (v1 w2 − v2 w1 )⃗k
= [v2 w3 − v3 w2 , v3 w1 − v1 w3 , v1 w2 − v2 w1 ].
Adicionalmente, el siguiente cálculo
⃗v · (⃗v × ⃗w) = [v1 , v2 , v3 ] · [v2 w3 − v3 w2 , v3 w1 − v1 w3 , v1 w2 − v2 w1 ]

= v1 v2 w3 − v1 v3 w2 + v2 v3 w1 − v2 v1 w3 + v3 v1 w2 − v3 v2 w1
= 0,
muestra que los vectores ⃗v y ⃗v × ⃗w son ortogonales. Además, se tiene que:
⃗v × 0 = 0 = 0 ×⃗v.
w y ⃗v × ⃗w son ortogonales. Además muestre que

Ejercicio 4.2 Muestre que los vectores ⃗
⃗w ×⃗v = −(⃗v × ⃗w). (4.1)
Por lo tanto, de (4.1), se tiene que ||⃗w ×⃗v|| = ||⃗v × ⃗w||. ■
Así, dados dos vectores ⃗v y ⃗w en R3 , el producto cruz ⃗v × ⃗w es un vector que es ortogonal tanto a ⃗v
como a ⃗w, ver la siguiente figura.
Ejemplo 4.4 La regla de la mano derecha:
⃗i × ⃗j =⃗k.
Ejercicio 4.3 Calcular ⃗j ×⃗k y ⃗k ×⃗i. ■
Ejemplo 4.5 Sean ⃗v = [1, −2, 3] y ⃗

w = [3, 1, 5]. El producto cruz viene dado por
⃗i ⃗j ⃗k
 

−2 3 ⃗i − det 1 3 ⃗j + det 1 −2 ⃗k
⃗v × ⃗w = det 1 −2 3 = det
1 5 3 5 3 1
3 1 5
= (−13)⃗i − (−4)⃗j + 7⃗k = −13⃗i + 4⃗j + 7⃗k
= [−13, 4, 7].
Ahora bien, sean⃗v = [v1 , v2 , v3 ], ⃗w = [w1 , w2 , w3 ] y ⃗u = [u1 , u2 , u3 ] tres vectores en R3 . Los siguientes
dos cálculos,
(⃗v × ⃗w) ·⃗u = [v2 w3 − v3 w2 , v3 w1 − v1 w3 , v1 w2 − v2 w1 ] · [u1 , u2 , u3 ]
= (v2 w3 − v3 w2 )u1 + (v3 w1 − v1 w3 )u2 + (v1 w2 − v2 w1 )u3 ,
y, (recorriendo la fila tres),
 
v1 v2 v3
v v3 v v3 v v2
det w1 w2 w3  = u1 det 2 − u2 det 1 + u3 det 1
w2 w3 w1 w3 w1 w2
u1 u2 u3
= u1 (v2 w3 − v3 w2 ) − u2 (v1 w3 − v3 w1 ) + u3 (v1 w2 − v2 w1 ),
muestran que  
v1 v2 v3
(⃗v × ⃗w) ·⃗u = det w1 w2 w3  .
u1 u2 u3
Ejercicio 4.4 Muestre que para cualquier vector ⃗v ∈ R3 , se tiene que
⃗v ×⃗v = 0.
El producto cruz⃗v ×⃗w está relacionado con el ángulo θ ∈ [0, π] determinado por⃗v y ⃗w de la siguiente
forma:
||⃗v × ⃗w|| = ||⃗v||||⃗w||sen(θ ) ⇐⇒ ||⃗v × ⃗w||2 = ||⃗v||2 ||⃗w||2 (sen(θ ))2 .
Una prueba de la igualdad ||⃗v × ⃗w||2 = ||⃗v||2 ||⃗w||2 (sen(θ ))2 se da a continuación. El lado izquierdo
de la igualdad se reescribe así
||⃗v × ⃗w||2 = ||[v2 w3 − v3 w2 , v3 w1 − v1 w3 , v1 w2 − v2 w1 ]||2
= (v2 w3 − v3 w2 )2 + (v3 w1 − v1 w3 )2 + (v1 w2 − v2 w1 )2 .
El lado derecho de la igualdad se reescribe de la siguiente forma:
||⃗v||2 ||⃗w||2 (sen(θ ))2 = ||⃗v||2 ||⃗w||2 (1 − (cos(θ ))2 ) = ||⃗v||2 ||⃗w||2 − ||⃗v||2 ||⃗w||2 (cos(θ ))2
= ||⃗v||2 ||⃗w||2 − (⃗v · ⃗w)2
= (v21 + v22 + v23 )(w21 + w22 + w23 ) − (v1 w1 + v2 w2 + v3 w3 )2 .
69
Al expandir, respectivamente, las expresiones del lado derecho e izquierdo, el lector puede verificar
que se obtiene el mismo resultado. Por lo tanto, se tiene la igualdad deseada.
w = [w1 , w2 , w3 ] y ⃗u = [u1 , u2 , u3 ] vectores en R3 . Demuestre

Ejercicio 4.5 Sean ⃗v = [v1 , v2 , v3 ], ⃗
la siguiente igualdad:
⃗v × (⃗w ×⃗u) = (⃗u ·⃗v)⃗w − (⃗v · ⃗w)⃗u.
En otras palabras el producto cruz × no es una operación asociativa. ■
Área en R3
De forma similar que en el caso del plano cartesiano, la suma de dos vectores⃗v,⃗w ∈ R3 determina
un paralelogramo cuya área es A(⃗v,⃗w) = b · h, donde la base es b = ||⃗v|| y la altura es h = ||⃗w||sen(θ ).
Gráficamente
Por lo tanto, el área del paralelogramo determinado por ⃗v = [v1 , v2 , v3 ] y ⃗w = [w1 , w2 , w3 ] está dada
por,
A(⃗v,⃗w) = ||⃗v||||⃗w||sen(θ ) = ||⃗v × ⃗w||.
Análogamente al caso visto en R2 , el área del triángulo Atr (⃗v,⃗w), determinado por los vectores
⃗v = [v1 , v2 , v3 ] y ⃗w = [w1 , w2 , w3 ] está dada por la fórmula:
A(⃗v,⃗w) 1
Atr (⃗v,⃗w) = = ||⃗v × ⃗w||.
2 2
Ejemplo 4.6 Sean ⃗a = [2, 2, 0] y ⃗b = [1, −2, 0]. El área del paralelogramo determinado por ⃗a y ⃗b
es
A(⃗a,⃗b) = ||⃗a ×⃗b|| = ||[0, 0, 6]|| = 36.
Además, el área del triángulo determinado por ⃗a y ⃗b es igual a

1
Atr (⃗a,⃗b) = ||⃗a ×⃗b|| = 18.
2
Volumen en R3
Sean ⃗v = [v1 , v2 , v3 ], ⃗v = [w1 , w2 , w3 ] y ⃗u = [u1 , u2 , u3 ] tres vectores en R3 . Considere la siguiente
situación geométrica,
Como se muestra en la figura, los vectores dados⃗v, ⃗w y ⃗u determinan un paralelepípedo, (es decir una
caja alabeada). El volumen del paralelepípedo en cuestión es Vol(⃗v,⃗w,⃗u) = A(⃗v,⃗w) · h, donde A(⃗v,⃗w)
es el área de la base y h es la altura relativa. Como la base del paralelepípedo es un paralelogramo
determinado por los vectores ⃗v y ⃗w, se tiene que A(⃗v,⃗w) = ||⃗v × ⃗w||. Ahora bien, es preciso reescribir
la altura h en términos de operaciones entre ⃗v, ⃗w y ⃗u. A partir de la figura dada, se tiene que
h = ||⃗u|||cos(θ )|, donde θ es el ángulo entre los vectores (⃗v × ⃗w) y ⃗u. Es decir
(⃗v × ⃗w) ·⃗u

cos(θ ) =
||⃗v × ⃗w||||⃗u||
Por lo tanto, el volumen del paralelepípedo determinado por ⃗v, ⃗w y ⃗u es igual a:
|(⃗v × ⃗w) ·⃗u|

Vol(⃗v,⃗w,⃗u) = A(⃗v,⃗w) · h = ||⃗v × ⃗w||||⃗u||
||⃗v × ⃗w||||⃗u||
 
v1 v2 v3
= |(⃗v × ⃗w) ·⃗u| = det w1 w2 w3  .
u1 u2 u3
Note que el orden de los tres vectores en la fórmula del volumen del paralelepípedo no importa, el
resultado siempre será el mismo número real.
Ejemplo 4.7 El volumen del paralelepípedo determinado por los vectores ⃗a = [1, 2, 3], ⃗b =
71
[2, −2, 4] y ⃗c = [0, 4, 5] es

 
1 2 3
Vol(⃗a,⃗b,⃗c) = det 2 −2 4 = |(−10 − 16) − 2(10 − 12)| = |−22| = 22.
0 4 5
Ejercicio 4.6 Calcular el volumen y el área superficial del paralelepípedo determinado por los vec-
tores ⃗v = [2, 2, −4], ⃗w = [3, −6, 6] y ⃗u = [8, 0, 10]. Adicionalmente, presentar una representación
gráfica de la situación en cuestión. ■
w,⃗u ∈ R3 y presentar
Ejercicio 4.7 Dar la definición del tetrahedro generado por tres vectores ⃗v,⃗
una representación gráfica del mismo. ¿Cuántos tetrahedros caben en el paralelepípedo generado
por los vectores ⃗v,⃗w,⃗u? Muestre que el volumen de paralelepípedo, Vol(⃗v,⃗w,⃗u), y el volumen del
tetrahedro, Voltetra (⃗v,⃗w,⃗u), generado por ⃗v,⃗w,⃗u cumplen la siguiente ecuación,
1
Vol(⃗v,⃗w,⃗u) = Voltetra (⃗v,⃗w,⃗u).
6
Profesor Lagrange. ■
Ejercicios

1 −2
1. Calcular el área del paralelogramo determinado por los vectores ⃗v1 = y ⃗v2 = .
−1 −3
√
2 4
2. Calcular el área del triángulo determinado por los vectores ⃗a = y ⃗b = √ .
1 2
3. Sean ⃗v,⃗w ∈ R2 . ¿En qué caso se tiene que el área del paralelogramo determinado por los
vectores ⃗v,⃗w es igual a cero?
4. Dibujar en R2 , por separado, un hexágono regular y un dodecágono regular inscritos en
un círculo de radio 2. Calcular el perímetro y el área de los polígonos en cuestión. (Prof.
Arquímedes)       
1 0 7 3
5. Sean ⃗a = −3, ⃗b = −4, ⃗c = 7 y d⃗ =  1  vectores de R3 . Calcular
2 −4 0 −2
⃗ a ×⃗c) − (⃗b ·⃗b)(⃗a ×⃗b).

||d||(⃗
   
a b
6. Sean ⃗v = a y ⃗w = −b. Calcular ⃗v × ⃗w y ||⃗v × ⃗w||.
a b
7. Sean ⃗p = px⃗i + py⃗j + pz⃗k y ⃗v = vx⃗i + vy⃗j + vz⃗k dos vectores en R3 . Calcular ⃗p ×⃗v.
8. Dibujar un dado de cuatro caras. ¿Cuántos vectores son necesarios para calcular el área
superficial y el volumen del dado en cuestión? Calcular el volumen del dado de cuatro caras.
4.0.3 Rectas en el espacio

Intuitivamente una recta en el espacio es un rayo de luz infinito. La situación geométrica es la
siguiente,
Así pues, la recta l está determinada por el punto (x0 , y0 , z0 ) y el vector director ⃗v = [v1 , v2 , v3 ].
Cualquier otro punto en la recta l, representado por (x, y, z), determina el vector [x − x0 , y − y0 , z − z0 ]
el cual es un vector paralelo a ⃗v. Es decir, existe un escalar t ∈ R tal que
[x − x0 , y − y0 , z − z0 ] = t⃗v.
Al reescribir esta ecuación se tiene lo siguiente:
[x − x0 , y − y0 , z − z0 ] = t⃗v ⇐⇒ [x, y, z] − [x0 , y0 , z0 ] = t⃗v
[x, y, z] = [x0 , y0 , z0 ] + t⃗v.
Por lo tanto, la ecuación vectorial de la recta l que pasa por el punto (x0 , y0 , z0 ) y que está dirigida
por el vector ⃗v es      
x x0 v1
l : y = y0  + t v2  , t ∈ R.
z z0 v3
La variable t ∈ R recibe el nombre de parámetro de l debido a que cada valor de t determina un
único punto en la recta en cuestión.
Ejemplo 4.8 Determine tres puntos que cumplan la ecuación vectorial de la recta l,
     
x 2 0
l : y = −2 + t −3 .
z 4 8
Además determine dos puntos que no cumplan la ecuación vectorial de l.

Reemplazando t = 0, 1, 2 en la ecuación vectorial de l, se obtienen los siguientes tres puntos
     
2 2 2
−2 , −5 , −8 .
4 12 20
73
   
2 0
Los puntos 0 y 0 no pertencen a l, ya que no exiten dos valores de t que correspondan a
4 4
los puntos dados.
Ejercicio 4.8 Determine tres puntos que cumplan la ecuación vectorial de la recta l,
     
x −1 2
l : y = −3 + t −1 .
z −6 7
Además, determine dos puntos que no cumplan la ecuación vectorial de l. Presentar una represen-
tación gráfica de la situación. ■
Ejemplo 4.9 La ecuación vectorial de la recta l que pasa por los puntos P = (1, 1, 1) y Q =
(4, 2, −1) se calcula de la siguiente forma. Como punto de referencia se toma alguno de los puntos
dados, por ejemplo P. Un vector director de la recta es
⃗ − ⃗P = [4, 2, −1] − [1, 1, 1] = [3, 1, −2].

⃗v = Q
Por lo tanto, la ecuación vectorial de l es

     
x 1 3
l : y = ⃗P + t⃗v = 1 + t  1  .
z 1 −2
Ejercicio 4.9 Determinar si los puntos A = (−1, 20, 14) y B = (1, 11, 6) pertenecen a la recta l
con ecuación vectorial dada por
     
x 3 −1
l : y =  0  + t  5  .
z −2 4
■
Ejercicio 4.10 Calcular, si existe, la intersección de las rectas dadas por

           
x 1 1 x 3 2
l1 : y = 2 + t1 −1 , l2 : y =  0  + t2 2
z 3 −1 z −3 2
■
Si la ecuación vectorial de la recta l es

     
x x0 v1
y = y0  + t v2 
z z0 v3
entonces las ecuaciones paramétricas de la recta l son
x = x0 + tv1
y = y0 + tv2
z = z0 + tv3 ,
adicionalmente, si v1 ̸= 0, v2 ̸= 0, v3 ̸= 0 las ecuaciones simétricas de la recta l están dadas por la

siguiente expresión
x − x0 y − y0 z − z0
= = .
v1 v2 v3
Las ecuaciones simétricas de la recta l se obtiene despejando el parámetro t en las ecuaciones

paramétricas e igualándolas.
Ejercicio 4.11 Determinar la ecuación vectorial y paramétrica de la recta l que pasa por el punto
x+7 4−y
(3, 0, 3) y es paralela a la recta cuyas ecuaciones simétricas son 2 = 5 = z + 5. ■
Ejercicios
1. Calcular la ecuación vectorial de la recta que pasa por los puntos (1, 1, −2) y (2, 3, 3).
2. Calcular
 las  ecuaciones paramétricas de la recta que pasa por el punto (3, 0, 2) en dirección de
2
⃗v =  0 .
−4
3. Calcular la ecuación vectorial de la recta que pasa por el punto (1, 1, 1) y que está dirigida
hacia el punto (0, −2, −1).
4. Determinar las ecuaciones de dos rectas l1 y l2 que no tengan punto de intersección y cuyos
vectores directores sean ortogonales.
5. Determinar las ecuaciones de dos rectas l1 y l2 que no tengan punto de intersección y cuyos
vectores directores sean paralelas.
75
4.0.4 Planos en el espacio

Es razonable pensar que un plano es una lámina infinita de algún material con densidad constante
y grosor despreciable. Geométricamente la situación se presenta a continuación.
Dado un punto (x0 , y0 , z0 ) y un vector ⃗n = [a, b, c], el conjunto de puntos (x, y, z) que cumplen
⃗n · [x − x0 , y − y0 , z − z0 ] = 0,
definen un plano en R3 . La ecuación cartesiana de un plano π se obtiene al expandir la ecuación
anterior; es decir:
π : ⃗n · [x − x0 , y − y0 , z − z0 ] = 0 ⇐⇒ [a, b, c] · [x − x0 , y − y0 , z − z0 ] = 0
a(x − x0 ) + b(y − y0 ) + c(z − z0 ) = 0.
El vector ⃗n se denomina vector normal al plano π.
Ejemplo 4.10 La ecuación cartesiana del plano π que contiene a los puntos P = (0, −3, 2),
Q = (−1, 4, 0) y R = (1, 1, 1) se puede calcular de la siguiente forma. Por definición de plano,
se necesitan un punto en el plano y el vector normal ⃗n. De los tres puntos dados se selecciona
el punto P, (se puede seleccionar cualquiera de los otros dos puntos y la ecuación resultante es
la misma). Ahora bien, se construyen los vectores PQ = [1, 4, −1] y PR = [−1, 7, −2]. El vector
normal ⃗n se obtiene de la siguiente forma,
⃗i ⃗j ⃗k
 
⃗n = PQ × PR = det  1 4 −1 = [−1, 3, 11].

−1 7 −2
Así que, la ecuación del plano está dada por el siguiente cálculo:
⃗n · [x − x0 , y − y0 , z − z0 ] = 0 ⇐⇒ [−1, 3, 11] · [x − 0, y − (−3), z − 2] = 0

⇐⇒ −x + 3y + 9 + 11z − 22 = 0
⇐⇒ −x + 3y + 11z = 13.
Note que los coeficientes que acompañan a las variables x, y, z corresponden a las entradas del
vector normal ⃗n. Gráficamente el cálculo que se realizó se representa en la siguiente figura.
Ejemplo 4.11 El vector normal ⃗n al plano dado por la ecuación 3x − 4y + 7z = 44 son los
coeficientes que acompañan a las variables x, y y z. Es decir, ⃗n = [3, −4, 7].
Ejercicio 4.12 Calcular la ecuación del plano que contiene al punto (3, 2, −6) y es paralelo al
plano −x + 5y − 6z = 0. ■
Ejercicio 4.13 Calcular la ecuación del plano que pasa por el punto (−11, 13, 1) y que contiene a
la recta l dada por    
x −8 + 15t
l : y = −13 + 27t  .
z 6 − 11t
Adicionalmente, presentar una respresentación geométrica de la situación en cuestión. ■
Ejemplo 4.12 La intersección del plano 70x + 47y − 6z + 55 = 0 y la recta l cuya ecuación
vectorial es l : [x, y, z] = [−144 − 150t, −91 − 80t, −2 + 5t] se obtiene al reemplazar las ecuaciones
paramétricas de l en la ecuación del plano. En otras palabras, se reemplaza x = −144 − 150t,
y = −91 − 80t y z = −2 + 5t en la ecuación 70x + 47y − 6z + 55 = 0.
70(−144 − 150t) + 47(−91 − 80t) − 6(−2 + 5t) + 55 = 0 ⇐⇒ −14290t = 14290

⇐⇒ t = −1.
Por lo tanto, el punto de intersección se obtiene al reemplazar el valor t = −1 en la ecuación

vectorial de l,
(x, y, z) = (−144 + 150, −91 + 80, −2 − 5) = (6, −11, −7).
Ejemplo 4.13 La intersección de los planos π1 : x + y − 2z = 1 y π2 : 2x − 3y + z = 0 se calcula

77
a través de un sistema de ecuaciones lineales.

 
( x
x + y − 2z = 1 1 1 −2   1
⇐⇒ y = .
2x − 3y + z = 0 2 −3 1 0
z
Reducción de Gauss-Jordan,

1 1 −2 1 f2 → f2 −2 f1 1 1 −2 1 f2 →− 15 f2 1 1 −2 1 f1 → f1 − f2
−−−−−−→ −−−−− → −−−−−−→
2 −3 1 0 0 −5 5 −2 0 1 −1 25
 
x (
3
(
3 x = 35 + z
3
1 0 −1 5 1 0 −1   x − z = 5
2 ⇐⇒ y = 52 ⇐⇒ ⇐⇒
0 1 −1 5 0 1 −1 5 y − z = 25 y = 25 + z
z
La solución al sistema lineal es igual a

  3    3  
x 5 +z x 5 1
y =  2 + z ⇐⇒ y =  2  + z 1
5 5
z z z 0 1
que corresponde a la ecuación vectorial de una recta.

Ejercicios
1. Calcular la ecuación delplano que  por el punto (3, 3, 3) y su vector normal es ortogonal
pasa
2 1
a los vectores ⃗a = −2 y ⃗b = 0.
2 3
2. Calcular la intersección de los planos π1 : x + 2y + z = 0 y π2 : 2x + 5y + 8z = 4. Presentar una
representación gráfica de la situación.
3. Calcular un punto que no pertenezca al plano π : 2x + 2y + 2z = 5 y un punto que pertenezca.
4. Sea π : x + 2y + 2z = 0 un plano. Determinar un punto A que no pertenezca al plano π.
Determinar dos puntos B y C que no estén en el plano π. Calcular el área del triángulo con
vértices A, B y C. Calcular la ecuación simétrica de la recta que pasa por B y C. Muestre
que el vector director de tal recta es ortogonal al vector normal del plano π. Presentar una
representación gráfica de la situación.
5. Espacios y subespaciones vectoriales
A lo largo de estas notas de clase han sido estudiados el conjunto de vectores Rn y el conjunto
de matrices Mn×p (R). Estos conjuntos tiene una estructura algebraica común la cuál se definirá a
continuación. Adicionalmente se presentarán ejemplos de conjuntos que también poseen la estructura
algebraica que se presentará. Cabe mencionar que, la estructura algebraica que se estudiará en esta
sección es una pieza central en el desarrollo del álgebra lineal. Por otro lado, se definirán las nociones
fundamentales que dan los cimientos de la teoría del álgebra lineal elemental.
5.0.1 Definición de espacio vectorial y de subespacio vectorial

Un espacio vectorial V es un conjunto no vacío dotado con dos operaciones denominadas suma
y multiplicación por escalar que satisfacen las siguientes condiciones:
(I) Si x y y son elementos de V , entonces x + y es un elemento de V
(cerrado bajo la suma)
(II) Si x, y y z son elementos de V , entonces (x + y) + z = x + (y + z)
(propiedad asociativa de la suma)
(III) Existe un elemento 0 en V tal que para todo x ∈ V , x + 0 = 0 = 0 + x
(el 0 se denomina vector cero o elemento neutro)
(IV) Para todo elemento x en V existe un elemento −x ∈ V tal que x + (−x) = 0
(el elemento −x se denomina inverso aditivo de x)
(V) Si x y y son elementos de V , entonces x + y = y + x
(propiedad conmutativa de la suma)
(VI) Si x es un elemento de V y α es un escalar, entonces αx es un elemento de V
(cerrado bajo la multiplicación por escalar)
(VII) Si x y y son elementos de V y α es un escalar, entonces α(x + y) = αx+αy
(primera propiedad distributiva)
(VIII) Si x es elementos de V y α y β son escalares, entonces (α + β )x = αx + β x
(segunda propiedad distributiva)
(IX) Si x es elementos de V y α y β son escalares, entonces α(β x) = (αβ )x
80 Capítulo 5. Espacios y subespaciones vectoriales
(propiedad asociativa de la multiplicación por escalar)

(X) Para todo elemento x en V , se satisface 1x = x
Ejemplo 5.1 El conjunto de números reales R con la suma y multiplicación usual es un espacio
vectorial.
Ejemplo 5.2 El conjunto de vectores en R3 con la suma y multiplicación por escalar definidas
previamente,
         
v1 w1 v1 + w1 v1 αv1
⃗v + ⃗w = v2  + w2  = v2 + w2  , α⃗v = α v2  = αv2  α ∈ R,
v3 w3 v3 + w3 v3 αv3
dotan a R3 con una estructura de espacio vectorial.
Ejemplo 5.3 El conjunto de todas las matrices n × p con entradas reales, denotado por Mn×p (R),
con la suma y multiplicación por escalar definidas previamente,
   
a11 a12 . . . a1p b11 b12 . . . b1p
a21 a22 . . . a2p  b21 b22 . . . b2p 
   
An×p + Bn×p = a31 a32 . . . a3p  + b31 b32 . . . b3p 
  

 .. .. . . ..   .. .. . . .. 
 . . . .   . . . . 
 
a11 + b11 a12 + b12 . . . a1p + b1p
a21 + b21 a22 + b22 . . . a2p + b2p 
 
= a31 + b31 a32 + b32 . . . a3p + b3p 
,

 .. .. .. .. 
 . . . . 
an1 + bn1 an2 + bn2 . . . anp + bnp
   
a11 a12 . . . a1p αa11 αa12 . . . αa1p
a21 a22
 . . . a2p  αa21
  αa22 . . . αa2p 

αAn×p = α a31 a32
 . . . a3p 
 = αa31
 αa32 . . . αa3p 
 α ∈ R,
 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
an1 an2 . . . anp αan1 αan2 . . . αanp
dotan a Mn×p (R) con una estructura de espacio vectorial.
Ejemplo 5.4 Sea P≤2 [x] = {ax2 + bx + c | a, b, c ∈ R} el conjunto de polinomios de grado menor
o igual a 2. Sean p(x) = a1 x2 + b1 x + c1 y q(x) = a2 x2 + b2 x + c2 dos polinomios en P≤2 [x]. La
suma de polinomios,
p(x) + q(x) = a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2 = (a1 + a2 )x2 + (b1 + b2 )x + c1 + c2
y la multiplicación por escalar,
α p(x) = α(a1 x2 + b1 x + c1 ) = (αa1 )x2 + (αb1 )x + αc1 α ∈ R.

81
dotan a P≤2 [x] con una estructura de espacio vectorial. En general, el conjunto de todos los
polinomios de grado menor o igual a n,
P≤n [x] = {an xn + an−1 xn−1 + · · · + a1 x + a0 | ai ∈ R, 0 ≤ i ≤ n}
es un espacio vectorial. Las operaciones de suma y multiplicación por escalar están definidas de
forma análoga al caso de P≤2 [x].
Note que los ejemplos de espacios vectoriales que se han presentado hasta el momento son
estructuras conocidas que aparecen en varios contextos de las matemáticas. Ahora bien, dado un
espacio vectorial V la pregunta que surge es cuáles subconjuntos H ⊂ V heredan la estructura de
espacio vectorial de V . Dichos subconjuntos se denominan subespacios vectoriales de V . Para
verificar si un subconjunto H ⊆ V es un subespacio vectorial de V no es necesario verificar las diez
condiciones que definen a un espacio vectorial, es suficiente verificar las siguientes dos condiciones:
(I) Si x y y son elementos de H, entonces x + y es un elemento de H.
(cerrado bajo la suma)
(II) Si x es un elemento de H y α es un escalar, entonces αx es un elemento de H.
(cerrado bajo multiplicación por escalar)
En otras palabras, lo que se tiene que verificar es que las operaciones suma y multiplicación por
escalar definidas en V sean cerradas en H.
Ejemplo 5.5 Sea V = R2 y H el subconjunto de R2 definido por:

2 1
H = [x, y] ∈ R | y = x .
2
H es una recta que pasa por el origen:
De la gráfica anterior observe que:

0 ∈ H.
[−4, −2] + [6, 3] = [2, 1] ∈ H.
−2[2, 1] = [−4, −2] ∈ H.
El subconjunto H es un subespacio vectorial de R2 , ya que
(I) La suma
es cerrada
en H:
Sean a1 , 21 a1 y a2 , 21 a2 dos elementos de H, entonces

1 1 1
a1 , a1 + a2 , a2 = a1 + a2 , (a1 + a2 )
2 2 2
es un elemento de H.
(II) La multiplicación por escalar es cerrada en H:
Sean α un escalar y a1 , 21 a1 un elemento de H, entonces

1 1
α a1 , a1 = αa1 , (αa1 )
2 2
es un elemento de H.
Ejemplo 5.6 El subconjunto H ⊂ R2 definido por

a 2
H= ∈ R |a ∈ R
a+2

a1 a2
no es un subespacio vectorial de R2 , ya que, si ∈H y ∈ H entonces la suma
a1 + 2 a2 + 2
de estos dos elementos

a1 a2 a1 + a2 a1 + a2 a3 a3
+ = = = ̸= ,
a1 + 2 a2 + 2 a1 + a2 + 2 + 2 a1 + a2 + 4 a3 + 4 a3 + 2
donde a3 = a1 + a2 , no pertenece a H, pues no tiene la forma de los elementos que caracterizan al

subconjunto H. Además, 0 ∈ / H.
Ejemplo 5.7 Sea V = P≤2 [x]. El subconjunto H ⊂ P≤2 [x] dado por:
H = {p(x) ∈ P≤2 [x]| p(0) = 0}
es un subespacio vectorial de P≤2 [x], ya que

(I) La suma es cerrada en H:
Sean p(x) ∈ H y q(x) ∈ H, luego p(0) = 0 y q(0) = 0. Así, la suma de p(x) y q(x) evaluada
en x = 0 es igual a,
(p + q)(0) = p(0) + q(0) = 0 + 0 = 0.
Por lo tanto (p + q)(x) ∈ H.
(II) La multiplicación por escalar es cerrada en H:
Sean p(x) ∈ H y α ∈ R. Note que (α p)(x) = α p(x) . El siguiente cálculo
(α p)(0) = α p(0) = α0 = 0,
muestra que (α p)(x) ∈ H

Adicionalmente, los siguientes polinomios de P≤2 [x] pertenecen al subespacio H.
El polinomio constante p(x) = 0, pues p(0) = 0.
83
q(x) = x pues q(0) = 0.

r(x) = x2 ya que r(0) = 02 = 0.
s(x) = ax(x − b) dado que s(0) = a0(0 − b) = 0.
Ejemplo 5.8 En el espacio vectorial V = R2 el subconjuto H definido por
H = [x, y] ∈ R2 : x2 + y2 ≤ 1 ,

no es un subespacio vectorial. En efecto, tome ⃗u = [0, 1] ∈ H y ⃗v = [0,8, 0] ∈ H. Luego, se tiene

que
⃗u +⃗v = [0, 1] + [0,8, 0] = [0,8, 1] ∈
/H
ya que (0,8)2 + 12 > 1; es decir, ⃗u +⃗v no cumple con la propiedad que caracteriza a los elementos
de H.
Una matriz An×p es una matriz triangular superior si debajo de la diagonal de A todas las entradas
son cero. Las siguientes matrices son matrices triangulares superiores
 
1 3 2  
0 2 3  1 2
0 0 −1 , 0 3
   
0 0
0 0 0
Ejercicio 5.1 Escribir dos matrices triangulares superiores en el espacio vectorial M3×3 . ■
Ejemplo 5.9 Sea V = M3×3 . El subconjunto H ⊂ M3×3 definido por
H = {A ∈ M3×3 | A es una matriz superior} ,
es un subespacio vectorial de M3×3 .

(I) La suma 
es cerrada en H:  
a11 a12 a13 b11 b12 b13
Sea A = 0 a22 a23 ∈ H y B = 0 b22
   b23  ∈ H. Luego la suma de A y B es
0 0 a33 0 0 b33
igual a  
a11 + b11 a12 + b12 a13 + b13
A+B =  0 a22 + b22 a23 + b23  ∈ H,
0 0 a33 + b33
entonces A + B ∈ H.
(II) La multiplicación
 por escalar
 es cerrada en H:
a11 a12 a13
Sea A =  0 a22 a23  ∈ H y α ∈ R. Entonces,
0 0 a33
   
a11 a12 a13 αa11 αa12 αa13
αA = α  0 a22 a23  =  0 αa22 αa23  ,
0 0 a33 0 0 αa33
entonces αA ∈ H.
Ejemplo 5.10 Sea An×p una matriz. La solución al sistema de ecuaciones A⃗x = 0 es un espacio
vectorial en R p que se denomina el espacio nulo de A. Explícitamente, el conjunto
Nu(A) = {⃗x ∈ R p : A⃗x = 0} ⊂ R p ,
corresponde al espacio nulo de A. En efecto, si ⃗x1 ,⃗x2 ∈ Nu(A), entonces
A(⃗x1 +⃗x2 ) = A⃗x1 + A⃗x2 = 0 + 0 = 0
por lo tanto ⃗x1 +⃗x2 ∈ Nu(A). Además, si α ∈ R y ⃗x ∈ Nu(A), entonces
A(α⃗x) = α(A⃗x) = α0 = 0.
Así que, α⃗x ∈ Nu(A).
Ejemplo 5.11 Una recta en R3 que contenga al origen 0 es un subespacio vectorial de R3 . En

efecto, sea l la recta en R3 cuya ecuación vectorial está dada por
   
x v1
l : y = t⃗v, donde⃗v = v2  .
  
z v3
A continuación se verifica que l es un subespacio vectorial de R3 .

(I) La suma
 es cerrada
 en l:
x1 x2
Sean y1  y y2  dos vectores de l. Por definición de l, se tiene que
z1 z2
       
x1 v1 x2 v1
y1  = t1⃗v = t1 v2  ,t1 ∈ R, y2  = t2⃗v = t2 v2  ,t2 ∈ R.
z1 v3 z2 v3
Al suma estos dos vectores

         
x1 x2 v1 v1 v1
y1  + y2  = t1 v2  + t2 v2  = (t1 + t2 ) v2 
z1 z2 v3 v3 v3
 
v1
= t3 v2  , t3 = t1 + t2

v3
   
x1 x2
se sigue que y1 + y2  ∈ l.
  
z1 z2
85
(II) La multiplicación
  por escalar es cerrada en l:
x1
Sean y1  ∈ l y α ∈ R. Por definición de l se tiene que
z1
 
x1
y1  = t1⃗v,t1 ∈ R.
z1
Por lo tanto,  
x1
α y1  = αt1⃗v = (t1 α)⃗v = t2⃗v, t2 = t1 α.
z1
 
x1
Así que, α y1  ∈ l.
z1
Ejemplo 5.12 Un plano que contiene el origen 0 es un subespacio vectorial. En efecto, sea π un
plano definido por   
 x 
π = y ∈ R3 : 3x − y + z = 0 .
z
 
Se verifica que π es un espacio vectorial de R3 .

(I) La suma
 es cerrada
 en π:
x1 x2
Sean y1 y y2  dos puntos en el plano π, luego que 3x1 − y1 + z1 = 0 y 3x2 − y2 + z2 =
  
z1 z2
 
x1 + x2
0. Para mostrar que el elemento que se obtiene al sumar, y1 + y2 , pertenece al plano π,
z1 + z2
se verifica que éste cumple la ecuación del plano. Es decir, al reemplazar en la ecuación
cartesiana de π se tiene que
3(x1 + x2 ) − (y1 + y2 ) + (z1 + z2 ) = (3x1 − y1 + z1 ) + (3x2 − y2 + z2 ) = 0 + 0 = 0.

 
x1 + x2
Por lo tanto, y1 + y2  ∈ π.
z1 + z2
(II) La multiplicación es cerrada en π:
Se deja como ejercicio al lector.
Adicionalmente, los puntos (1, 3, 0) y (0, 1, 1) pertencen al plano, ya que estos puntos cumplen la
ecuación del plano π. Por otro lado, el punto (4, 4, 4) no pertenece al plano π ya que este punto
no cumple la ecuación cartesiana de π.
5.0.2 Espacio generado por un conjunto

El concepto de espacio generado está basado con el concepto de combinación lineal que se
introdujo en 2.4. En general, si V es un espacio vectorial y {v1 , v2 . . . , vk } un conjunto de elementos
de V , una combinación lineal de los elementos v1 , v2 . . . , vk es un elemento v ∈ V que tiene la
siguiente forma:
v = α1 v1 + α2 v2 + . . . + αk vk ,
donde αi ∈ R. Note que existen infinitas combinaciones lineales que se pueden formar a partir de los
elementos v1 , v2 . . . , vk .

1 1 3 2 −2 1
Ejemplo 5.13 Sean V = M2×3 (R) y , . Una combinación lineal
0 −1 2 0 4 −1

1 1 3 2 −2 1
de las matrices , está dada por,
0 −1 2 0 4 −1

8 −4 9 1 1 3 2 −2 1
=2 +3 .
0 10 1 0 −1 2 0 4 −1
Ejemplo 5.14 Sean V = P≤2 [x] y {2 + x, 3 − x + 2x2 , x − 4x2 }. Una combinación lineal de los
polinomios 2 + x, 3 − x + 2x2 , x − 4x2 está dada por
−2 + 7x − 16x2 = 2(2 + x) − 2(3 − x + 2x2 ) + 3(x − 4x2 ).

1 2 0 2
Ejemplo 5.15 Sean V = M2×2 (R) y , . Para cualquier par de escalares
−3 0 2 2

1 2 0 2
α1 , α2 ∈ R, una combinación lineal de las matrices , está dada por la siguiente
−3 0 2 2
expresión:
α1 2α2 + 2α2 1 2 0 2
= α1 + α2 .
−3α1 + 2α2 2α2 −3 0 2 2
Ahora bien, dado un espacio vectorial V y un conjunto de elementos en V , {v1 , v2 . . . , vk }, el espacio

generado por {v1 , v2 . . . , vk }, gen{v1 , v2 . . . , vk }, es el conjunto de todas las combinaciones lineales
de {v1 , v2 . . . , vk }, que se denotará gen{v1 , v2 . . . , vk }. Explícitamente,
gen{v1 , v2 . . . , vk } = {α1 v1 + α2 v2 + . . . + αk vk : αi ∈ R}.
En otras palabras, el espacio gen{v1 , v2 . . . , vk } consta de infinitos elementos de V que se escriben

a partir del conjunto finito {v1 , v2 . . . , vk } utilizando las operaciones de suma y multiplicación por
escalar definidas en V .
Ejemplo 3
 5.16
 Un plano que pasapor el origen está generado por dos vectores en R . Sea
 x 
π=   3
y ∈ R : x − 2y + 3z = 0 . La ecuación cartesiana que determina al plano π es, en
z
 
particular, un sistema de ecuaciones lineales que admite infinitas soluciones. Así que, al despejar
una varible y reescribir los puntos que pertencen al plano π se obtine el resultado deseado. El
87
siguiente cálculo,
   
x 2y − 3z
x − 2y + 3z = 0 ⇐⇒ x = 2y − 3z, y = y, z = z ⇐⇒ y =  y 
z z
             
x 2y −3z 2 −3  2 −3 
⇐⇒ y =  y  +  0  = y 1 + z  0  = gen 1 ,  0 
z 0 z 0 1 0 1
 
   
 2 −3 
muestra que π = gen  1 , 0 .
 
0 1
 
Ejercicio 5.2 Una recta que pasa por el origen es el generado de un vector en R3 . Muestre que la
recta l definida por la ecuación vectorial
  
 x t
l = y ∈ R3 : x = 2t, y = −t, z =
4
z

se reescribe como el espacio generado por un vector. ■

a11 a12
Ejemplo 5.17 Sean V = M2×2 (R) y H = : a11 + a22 = 0 .
a21 a22
H es subespacio vectorial de H. Se debe verificar
que Hes cerrado bajo suma
y multiplica-
a11 a12 b11 b12
ción por escalar de V = M2×2 (R). Sean A = yB= dos matrices
a21 a22 b21 b22
en H, luego se tiene que a11 + a22 = 0 y b11 + b22 = 0. La suma

a11 a12 b11 b12 a11 + b11 a12 + b12
A+B = + = ,
a21 a22 b21 b22 a21 + b21 a22 + b22
pertenece a H ya que a11 + b11 + a22 + b22 = (a11 + a22 ) + (b11 + b22 ) = 0 + 0 = 0. Por lo
tanto H es cerrado bajo suma. Queda al lector verificar que H es cerrado bajo multiplicación
por escalar.
Note que el subespacio H está determinado por la ecuación a11 + a22 = 0, o dicho de otra
forma a22 = −a11 . Así que, al reemplazar esta última ecuación en un elemento arbitrario
de H se tiene lo siguiente:

a11 a12 a11 a12 a11 0 0 a12 0 0
= = + +
a21 a22 a21 −a11 0 −a11 0 0 a21 0

1 0 0 1 0 0
= a11 + a12 + a21
0 −1 0 0 1 0

1 0 0 1 0 0
= gen , , .
0 −1 0 0 1 0
Ejercicio 5.3 Sean V = P≤2 [x] y H = {p(x) ∈ P≤2 [x] : p′ (0) = 0}.
Encuentre un polinomio r(x) que pertenezca a H.
Muestre que H es subespacio vectorial de V .
Encuentre dos polinomios q1 (x) y q2 (x) tales que
H = gen{q1 (x), q2 (x)}.
Ayuda: escribir explícitamente la condición que define a los elementos de H.

■
Ejemplo 5.18 Verificar si
16x3 + 8x2 − 16x − 14 ∈ gen{−5x2 + 4x + 1, 2x3 + x2 + 2x − 4, −5x3 + x + 5}.
Por definición de espacio generado, el polinomio 16x3 + 8x2 − 16x − 14 pertenece al espacio
generado gen{−5x2 + 4x + 1, 2x3 + x2 + 2x − 4, −5x3 + x + 5}, si 16x3 + 8x2 − 16x − 14 se escribe
como una combinación lineal de los polinomios −5x2 + 4x + 1, 2x3 + x2 + 2x − 4, −5x3 + x + 5.
Es decir, se debe determinar si existen escalares α1 , α2 , α3 ∈ R tales que
16x3 + 8x2 − 16x − 14 = α1 (−5x2 + 4x + 1) + α2 (2x3 + x2 + 2x − 4) + α3 (−5x3 + x + 5).
El lado derecho de la igualdad se reescribe utilizando la ley distributiva y factorizando los

polinomios x3 , x2 , x y 1. Así, se llega a la siguiente igualdad de polinomios
16x3 +8x2 −16x−14 = (2α2 −5α3 )x3 +(−5α1 +α2 )x2 +(4α1 +2α2 +α3 )x+(α1 −4α2 +5α3 )1.
Al igualar término a término, se obtiene el sistema de ecuaciones lineales




 2α2 − 5α3 = 16 
0

2 −5  

16


−5α + α = 8 −5 1 α1
1 2 0 α2  =  8  .
 
⇐⇒ 
 4α1 + 2α2 + α3 = −16  4 2 1   −16
 α3
1 −4 5 −14


α − 4α + 5α = −14
1 2 3
89
Para calcular α1 , α2 , α3 se usa el método de reducción de Gauss-Jordan de la matriz aumentada.

     
0 2 −5 16 1 −4 5 −14 1 −4 5 −14
 −5 1 0 8  f1 ←→ f4  −5 1 0 8  f2 → f2 +5 f1  0 −19 25 −62 
  −−−−→   −−−−−−→  
 4 2 1 −16   4 2 1 −16  f3 → f3 −4 f1  0 18 −19 40 
1 −4 5 −14 0 2 −5 16 0 2 −5 16
   
1 −4 5 −14 1 −4 5 −14
f2 → f2 + f3  0 −1 6 −22  f2 →− f2  0 1
  −6 22   f4− → f4 −2 f2
−−−−−−→   0 18 −19 40  −−−−→  0 18 −19 40  −f− −−−−→
3 → f3 −18 f2
0 2 −5 16 0 2 −5 16
     
1 −4 5 −14 1 −4 5 −14 1 −4 5 −14
 0 1 −6 1
22  3 → 89 f 3  0
 −f− 1 −6 22  4 → f 4 −7 f 3  0
 −f−
 1 −6 22 

 0 0 89 −356  −− −→  −−−−→  
 0 0 1 −4  0 0 1 −4 
0 0 7 −28 0 0 7 −28 0 0 0 0
   
1 −4 0 6 1 0 0 −2
f2 → f2 +6 f3  0 1 0 −2  f1 → f1 +4 f2  0 1 0 −2 
 
−−−−−−→  −−−−−−→  
f1 → f1 −5 f3  0 0 1 −4  0 0 1 −4 
0 0 0 0 0 0 0 0
   
1 0 0   −2    
0 1 0 α1 −2 α1 −2
⇐⇒   α2  =   ⇐⇒ α2  = −2 .
0 0 1  −4
α3 α3 −4
0 0 0 0
Por lo tanto, el polinomio 16x3 + 8x2 − 16x − 14 pertenece al espacio generado gen{−5x2 + 4x +
1, 2x3 + x2 + 2x − 4, −5x3 + x + 5}.
Ejercicio 5.4 Sea V = M3×2 (R). Considere el subconjunto de V

  
 a 2a 
S =  0 3b : a, b, c ∈ R .
−a c
 
Muestre que S es subespacio vectorial de V .

Escribir a S como el espacio
 generado
 de tres matrices en V .
3 −6
Determinar si la matriz 0 2  pertenece a S.
2 1
■
 
1 1 −2 4
Ejercicio 5.5 Sea A =  2 3 −4 0 . Calcular el espacio nulo de A, Nu(A). Ayuda: ver
−7 2 1 −1
ejemplo 5.10. ■
5.0.3 Conjuntos linealmente independientes

Sean V un espacio vectorial y {v1 , v2 , . . . , vk } un conjunto de elementos en V . El conjunto
{v1 , v2 , . . . , vk } se dice conjunto linealmente independiente si se cumple que
α1 v1 + α2 v2 + . . . + αk vk = 0 ⇐⇒ α1 = α2 = . . . = αk = 0.
En otras palabras, el conjunto {v1 , v2 , . . . , vk } es linealmente independiente si la única combinación

lineal que genera al elemento 0 se obtiene al multiplicar por 0; es decir, si α1 = 0, α2 = 0, . . . , αk = 0.
Si el conjunto {v1 , v2 , . . . , vk } no es linealmente independiente, entonces {v1 , v2 , . . . , vk } se denomina

conjunto linealmente dependiente.
Ejemplo 5.19 El conjunto {v} ⊂ V es linealmente independiente si y sólo si v ̸= 0.
Ejemplo 5.20 En R2 el conjunto {⃗i, ⃗j} es un conjunto linealmente independiente.
Ejemplo 5.21 En R3 el conjunto {⃗i, ⃗j,⃗k} es un conjunto linealmente independiente.

−5 2 2 6 3 3
Ejemplo 5.22 El subconjunto S = , , ⊂ M2×2 (R) es un con-
−3 3 1 5 −3 −3
junto linealmente independiente. En efecto, de la siguiente expresión:

−5 2 2 6 3 3 0 0
α1 + α2 + α3 =
−3 3 1 5 −3 −3 0 0
se obtiene un sistema de ecuaciones lineales. Al realizar la operaciones matriciales,

−5 2 2 6 3 3 −5α1 2α1 2α2 6α2 3α3 3α3
α1 + α2 + α3 = + +
−3 3 1 5 −3 −3 −3α1 3α1 α2 5α2 −3α3 −3α3

−5α1 + 2α2 + 3α3 2α1 + 6α2 + 3α3 0 0
= = ,
−3α1 + α2 − 3α3 3α1 + 5α2 − 3α3 0 0
se tienen cuatro ecuaciones lineales,




 −5α1 + 2α2 + 3α3 = 0 
−5

2 3  
 
0

−5 2 3 0


2α + 6α + 3α = 0 α1
1 2 3  2 6 3    0
    2 6 3 0 
⇐⇒  α2 =   ⇐⇒  .
 −3α1 + α2 − 3α3 = 0  −3 1 −3 0  −3 1 −3 0 
 α3
3 5 −3 0 3 5 −3 0


3α + 5α − 3α = 0
1 2 3
91
     
−5 2 3 0 3 5 −3 0 1 −1 −6 0
 2 6 3 0  4 ←→ f 1 
 2 6 3 0  f1 → f1 − f2  2 6 3 0 
  −f− −−→   −−−−−−→  
 −3 1 −3 0  −3 1 −3 0   −3 1 −3 0 
3 5 −3 0 −5 2 3 0 −5 2 3 0
   
1 −1 −6 0 1 −1 −6 0
1
f2 → f2 −2 f1 , f3 → f3 +3 f1  0 8 15 0  f2 ←→ f4  0 −3 −27 0 
  2 →− 3 f 2
 −f−
−−−−−−−−−−−−−→  −−−−→  −−−→
f4 → f4 +5 f1  0 −2 −21 0  0 −2 −21 0 
0 −3 −27 0 0 8 15 0
     
1 −1 −6 0 1 −1 −6 0 1 −1 −6 0
 0 1 9 0  3 → f 3 +2 f 2  0 1 9 0  f3 →− 13 f3  0 1 9 0 
 −f−


 0 −2 −21 0  f4 → f4 −8 f2  0 0 −− − −→  −− −−−−→  
−3 0  1
f4 →− 57 f4
 0 0 1 0 
0 8 15 0 0 0 −57 0 0 0 1 0
   
1 −1 0 0 1 0 0 0    
α1 0
f2 → f2 −9 f3 , f1 → f1 +6 f3  0 1 0 0  f1 → f1 + f2  0 1 0 0 
  
−−−−−−−−−−−−−→   0 0 1 0  −
− −−−−→  0 0 1 0  ⇐⇒ α2  = 0 .
f4 → f4 − f3
α3 0
0 0 0 0 0 0 0 0

−2 2
Ejercicio 5.6 Muestre que el subconjunto , es un conjunto linealmente indepen-
3 5
diente. ■

1 0 0 1 0 0 0 0
Ejercicio 5.7 Muestre que el subconjunto , , , es un con-
0 0 0 0 1 0 0 1
junto linealmente independiente. ■
Ejemplo 5.23 El subconjunto {−x, x2 − 2x, 3x + 5x2 } ⊂ P≤2 [x] es un conjunto linealmente de-
pendiente. Se procede por definición. La siguiente igualdad de polinomios
α1 (−x) + α2 (x2 − 2x) + α3 (3x + 5x2 ) = 0
da pie a un sistema de ecuaciones lineales; factorizar los términos x2 y x en la ecuación anterior e

igualar a cero cada coeficiente:
(α2 + 5α3 )x2 + (−α1 − 2α2 + 3α3 )x = 0,

(  
α1
α2 + 5α3 = 0 0 1 5   0 0 1 5 0
⇐⇒ α2 = ⇐⇒ .
−α1 − 2α2 + 3α3 = 0 −1 −2 3 0 −1 −2 3 0
α3
La reducción de la matriz aumentada

0 1 5 0 f2 ←→ f1 −1 −2 3 0 f1 →(−1) f1 1 2 −3 0 f1 → f1 −2 f2
−−−−→ −−−−−−→ −−−−−−→
−1 −2 3 0 0 1 5 0 0 1 5 0
  (
α
1 0 −13  1 

1 0 −13 0 0 α1 − 13α3 = 0
⇐⇒ α2 = ⇐⇒
0 1 5 0 0 1 5 0 α2 + α3 = 0,
α3
muestra que el sistema de ecuaciones lineales en cuestión tiene infinitas soluciones parametrizadas
así: α1 = 13α3 , α2 = −5α3 y α3 = α3 variable libre. Por lo tanto {−x, x2 − 2x, 3x + 5x2 } es
linealmente dependiente. El lector puede verificar que al reemplazar α1 = 13α3 y α2 = −5α3 en
la igualdad de polinomios inicial, se obtiene que
13α3 (−x) − 5α3 (x2 − 2x) + α3 (3x + 5x2 ) = 0.
Ejemplo 5.24 Sea An×p una matriz. El espacio columna de An×p , denotado por Col(A), es el
espacio generado por la columnas de A que son linealmente independientes. Para calcular el
espacio Col(A), es suficiente tomar las columnas de A que tienen pivotes al obtener la forma
escalonada reducida de A.

1 2 −2 3
Ejercicio 5.8 Calcular el espacio columna para la matriz A =  2 4 5 −2 ■
−3 4 −3 −1
5.0.4 Base y dimensión de un espacio vectorial

Sea V un espacio vectorial. El conjunto {v1 , v2 , . . . , vk } se denomina una base para V si se
cumple que:
El conjunto {v1 , v2 , . . . , vk } es linealmente independiente.
El espacio generado de {v1 , v2 , . . . , vk } es V , es decir,
gen{v1 , v2 , . . . , vk } = V.
La dimensión de V corresponde al número de elementos en una base para V .
Bases canónicas: ejemplos

En esta sección se presentan las bases canónicas de los espacios vectoriales con los que se
trabajará más adelante. Concretamente, los espacios vectoriales que se consideran son los espacios
euclidianos Rn , los espacios de matrices Mn×p (R) y los espacios de polinomios P≤n [x]. No sobra
decir que, la palabra canónica en este contexto hace referencia a las bases que se obtienen al reescribir
un vector, matriz o polinomio, utilizando la suma y multiplicación por escalar definidas en cada
espacio vectorial en cuestión.
Ejemplo 5.25 Los espacios Rn .
93

v1
En R2 , note que todo vector ⃗v = se escribe de la siguiente forma:
v2

v1 1 0 1 0
⃗v = = v1 + v2 =⇒⃗v ∈ gen , ,
v2 0 1 0 1
es decir
1 0
gen , = R2 .
0 1

1 0
Además, el conjunto , = {⃗i, ⃗j} es linealmente indendiente. Dicho esto, la base
0 1

1 0
canónica para R es Bc =
2 , .
0 1
 
v1
En R3 , note que todo vector ⃗v = v2  se escribe así:
v3
             
v1 1 0 0  1 0 0 
⃗v = v2 = v1 0 + v2 1 + v3 0 =⇒⃗v ∈ gen
         0 , 1 , 0 ,
   
v3 0 0 1 0 0 1
 
es decir,      
 1 0 0 
gen 0 , 1 , 0 = R3 .
0 0 1
 
     
 1 0 0 
Además, el conjunto 0 , 1 , 0 = {⃗i, ⃗j,⃗k} es linealmente indendiente. Dicho esto,
0 0 1
 
     
 1 0 0 
la base canónica para R es Bc =
3  0 , 1 , 0 .
   
0 0 1
 
Un argumento análogo, que se deja al lector, muestra que el conjunto
       

 1 0 0 0 
       
0 1 0 0

Bc =  , ,
0 0 1 0 ,

 
0 0 0 1
 
es la base canónica para R4 .
Ejercicio 5.9 Determinar la base canónica para R5 . ■
Ahora bien, con el objetivo de escribir la base canónica para Rn se utiliza la siguiente notación.
Sea ei el vector en Rn cuya i-ésima entrada es igual a 1 y el resto son cero. Entonces, el conjunto
Bc = {e1 , e2 , . . . , en } es la base canónica para Rn .
Ejemplo 5.26 Los espacios Mn×p (R).

a b
En M2×2 (R), una matriz se escribe de la siguiente forma,
c d

a b 1 0 0 1 0 0 0 0
=a +b +c +d ,
c d 0 0 0 0 1 0 0 1

a b 1 0 0 1 0 0 0 0
=⇒ ∈ gen , , ,
c d 0 0 0 0 1 0 0 1
es decir,
1 0 0 1 0 0 0 0
gen , , , = M2×2 (R).
0 0 0 0 1 0 0 1

1 0 0 1 0 0 0 0
Además el conjunto , , , es un conjunto linealmente inde-
0 0 0 0 1 0 0 1

1 0 0 1 0 0 0 0
pendiente. Así que, el conjunto , , , es la base canónica
0 0 0 0 1 0 0 1
para M2×2 (R).
El lector puede verificar, por medio de un argumento análogo, que el conjunto

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
Bc = , , , , ,
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
es la base canónica para M2×3 (R). Adicionalmente, se puede mostrar que la base canónica para
M3×3 (R) está dada por el siguiente conjunto:
           
 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
Bc = 0 0 0 , 0 0 0 , 0 0 0 , 1 0 0 , 0 1 0 , 0 0 1 ,
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

     
0 0 0 0 0 0 0 0 0 
0 0 0 , 0 0 0 , 0 0 0 .
1 0 0 0 1 0 0 0 1

En general, para escribir la base canónica de Mn×p (R) se denota Ei j la matriz de n × p cuya
entrada i j es 1 y el resto son cero. Entonces, el conjunto Bc = {E11 , E12 , E13 , . . . , Ei j , . . . , Enp } es
la case canónica de Mn×p (R).
Ejemplo 5.27 Los espacios P≤n [x].

En el espacio de polinomios de grado menor o igual a 1, P≤1 [x], un polinomio p(x) = a1 x + a0 se
reescribe así:
p(x) = a1 (x) + a0 (1) =⇒ p(x) ∈ gen{x, 1},
es decir
P≤1 [x] = gen{x, 1}.
Además, el conjunto Bc = {x, 1} es linealmente independiente. Luego el conjunto Bc = {x, 1}
es la base canónica para P≤1 [x].
95
En el espacio P≤2 [x], un polinomio p(x) = a2 x2 + a1 x + a0 se reescribe
p(x) = a2 x2 + a1 x + a0 = a2 (x2 ) + a1 (x) + a0 (1) =⇒ p(x) ∈ gen{x2 , x, 1},
es decir
P≤2 [x] = gen{x2 , x, 1}.
Adicionalmente, el conjunto {x2 , x, 1} es linealmente independiente. Por lo tanto, la base canónica
para P≤2 [x] está dada por Bc = {x2 , x, 1}. Un argumento análogo muestra que el conjunto Bc =
{x3 , x2 , x, 1} es la base canónica para el espacio P≤3 [x]. En general la base canónica para el
espacio P≤n [x] está dada por el conjunto de polinomios Bc = {xn , xn−1 , . . . , x2 , x, 1}.
6. Transformaciones lineales
En esta sección se estudian las funciones que son compatibles con la estructura algebraica de los
espacios vectoriales.
6.0.1 Transformaciones lineales

Sean V y W dos espacios vectoriales. Una transformación lineal entre V y W es una función
T : V → W que satisface las siguientes condiciones
T (v1 + v2 ) = T (v1 ) + T (v2 ), donde v1 , v2 ∈ V.
T (αv) = αT (v), donde α ∈ R, v ∈ V.
Ejemplo 6.1 Sea T : R2 → R2 definida por la regla

x x−y
T = .
y 2x + y
La imagen bajo T de un vector en R2 se obtiene al evaluar las coordenadas del vector en la regla
que define a T . Por ejemplo,

−1 −1 − 1 −2 2 2−2 0 3 4
T = = ,T = = ,T =
1 2(−1) + 1 −1 2 2(2) + 2 6 −1 5

x
Para verificar que T es una transformación lineal se procede por definición. Sean⃗v1 = 1 ,⃗v2 =
y1

x2
∈ R2 . Los cálculos,
y2

x1 x2 x1 + x2 x1 + x2 − (y1 + y2 )
T (⃗v1 +⃗v2 ) = T + =T =
y1 y2 y1 + y2 2(x1 + x2 ) + (y1 + y2 )
98 Capítulo 6. Transformaciones lineales

x x x1 − y1 x2 − y2 x1 − y1 + x2 − y2
T 1 +T 2 = + =
y1 y2 2x1 + y1 2x2 + y2 2x1 + y1 + 2x2 + y2

x
muestran que T (⃗v1 +⃗v2 ) = T (⃗v1 ) + T (⃗v2 ). Por otro lado, si α ∈ R y ⃗v ∈ R2 , entonces
y

x αx αx − αy
T (α⃗v) = T α =T =
y αy 2(αx) + αy
y
x x−y α(x − y)
αT (⃗v) = αT =α = .
y 2x + y α(2x + y)
De lo cual, se sigue que T (α⃗v) = αT (⃗v). Por lo tanto, T : R2 → R2 es una transformación lineal.
Ejemplo 6.2 Sea A3×2 una matriz. Sea T : R2 → R3 definida por la regla T (⃗v) = A⃗v, donde
⃗v ∈ R2 . Note que, si ⃗v,⃗w ∈ R2 , entonces
T (⃗v + ⃗w) = A(⃗v + ⃗w) = A⃗v + A⃗w = T (⃗w) + T (⃗w).
Adicionalmente, si α ∈ R y ⃗v ∈ R2 , entonces
T (α⃗v) = A(α⃗v) = αA⃗v = αT (⃗v).
Por lo tanto, T : R2 → R3 es una transformación lineal.
Ejercicio 6.1 Sea T : R3 → R definida por la regla:

 
x
T y = x + 2y − z.

z
     
1 −2 a
1. Calcular T 2, T  2  y T a.
3 2 a
       
x1 x2 x1 x2
2. Muestre que T y1  + y2  = T y1  + T y2 .
z1 z z1 z
 2     2
x x
3. Sea α ∈ R. Muestre que T α y = αT y.
z z
■
Ejemplo 6.3 Sea T : P≤2 [x] → M2×2 (R) definida por la regla:

2 2a0 − a2 a2 − 3a1
T (a2 x + a1 x + a0 ) = .
a2 + a1 a2 + a1 + a0
99
Se calcula la imagen bajo T de algunos polinomios.

2 2−0 0−0 2 0
T (1) = T (0x + 0x + 1) = = , (a0 = 1, a1 = 0, a2 = 0).
0+0 0+0+1 0 1

2 0 − (−3) −3 − 6 3 −9
T (2x − 3x ) = = , (a0 = 0, a1 = 2, a2 = −3).
−3 + 2 0 + 2 − 3 −1 −1

2 2−1 1−3 1 −2
T (1 + x + x ) = = , (a0 = 1, a1 = 1, a2 = 1).
1+1 1+1+1 2 3
Ahora, se verifica que T : P≤2 [x] → M2×2 (R) es una transformación lineal. Sean p(x) = a2 x2 +
a1 x + a0 y q(x) = b2 x2 + b1 x + b0 dos polinomios en P≤2 [x]. El cálculo,
T (p(x) + q(x)) = T (a2 x2 + a1 x + a0 + b2 x2 + b1 x + b0 ) = T ((a2 + b2 )x2 + (a1 + b1 )x + (a0 + b0 ))

2(a0 + b0 ) − (a2 + b2 ) (a2 + b2 ) − 3(a1 + b1 )
=
(a2 + b2 ) + (a1 + b1 ) (a2 + b2 ) + (a1 + b1 ) + (a0 + b0 )
y
T (p(x)) + T (q(x)) = T (a2 x2 + a1 x + a0 ) + T (b2 x2 + b1 x + b0 )

2a0 − a2 a2 − 3a1 2b0 − b2 b2 − 3b1
= +
a2 + a1 a2 + a1 + a0 b2 + b1 b2 + b1 + b0

2a0 + 2b0 − a2 − b2 a2 + b2 − 3a1 − 3b1
= ,
a2 + b2 + a1 + b1 a2 + b2 + a1 + b1 + a0 + b0
muestra que T (p(x)+q(x)) = T (p(x))+T (q(x)). Por otro lado, si α ∈ R y p(x) = a2 x2 +a1 x+a0
entonces, por definición de T , se tiene que

2αa0 − αa2 αa2 − 3αa1
T (α p(x)) = T (α(a2 x2 +a1 x+a0 )) = T αa2 x2 +αa1 x+αa0 ) =
αa2 + αa1 αa2 + αa1 + αa0
y

2 2a0 − a2 a2 − 3a1 α(2a0 − a2 ) α(a2 − 3a1 )
αT (p(x)) = αT (a2 x +a1 x+a0 ) = α = ,
a2 + a1 a2 + a1 + a0 α(a2 + a1 ) α(a2 + a1 + a0 )
luego T (α p(x)) = αT (p(x)). Por lo tanto, T : P≤2 [x] → M2×2 (R) es una transformación lineal.
Ejercicio 6.2 Verificar que la función T : R3 → P≤3 [x] definida por la regla
 
a
T b = (5a − 3b + c)x3 − (4b + c)x2 − 5a + b,
c
     
1 0 0
es una transformación lineal. Adicionalmente, calcular T 0, T 1 y T 0. ■
0 0 1
Ejercicio 6.3 Sea T una transformación lineal tal que

   
1 1
1 −2
T = 0 ,T
  = 1 .

−1 3
0 −1
Calcular la regla que define a T : R2 → R3 . ■
Representación matricial. Espacio nulo y espacio imagen

En esta sección se consideran únicamente las bases canónicas de los espacios vectoriales que se
han estudiado hasta el momento, es decir espacios euclideanos Rn , espacios de matrices Mn×p (R), y
espacios de polinomios P≤n [x].
Sea T : V → W una transformación lineal entre dos espacios vectoriales. Asociada a T , existe una
matriz, [AT ], que cumple la siguiente ecuación
[T (v)]W = [AT ][v]V ,
donde [v]V son las coordenadas de v ∈ V con respecto a la base canónica de V y [T (v)W ] son las
coordenadas de T (v) ∈ W con respecto a la base canónica de W . La matriz [AT ] se denomina la
matriz que representa a T en bases canónicas. En otras palabras, estudiar una T : V → W se traduce
en identificar las propiedades de la matriz [AT ] con respecto a las bases canónicas.
Ejemplo 6.4 Sea V = P≤2 [x]. Las coordenadas del polinomio p(x) = 3x2 − 5x + 7 con respecto a
la base canónica de P≤2 [x] son los coeficientes que acompañan a los elementos de la base canónica,
Bc = {x2 , x, 1} , es decir:
 
3
p(x) = 3x2 − 5x + 7 = 3(x2 ) + (−5)x + 7(1) =⇒ [p(x)]P≤2 [x] = −5 .
7
Adicionalmente, para el polinomio q(x) = −4x2 + 3, las coordenadas [q(x)]P≤2 [x] con respecto a la
base canónica están dadas por:
 
−4
q(x) = −4x2 + 3 = −4(x2 ) + (0)x + 3(1) =⇒ [q(x)]P≤2 [x] =  0  .
3
En general las coordenadas de un polinomio r(x) = a2 x2 +a1 x +a0 con respecto a la base canónica
están dadas por  
a2
[r(x)]P≤2 [x] = a1  .
a0
Ejercicio 6.4 Calcular las coordenadas con respecto a la base canónica de los siguientes polino-
101
mios en P≤3 [x].

p(x) = 3x3 + 2x2 − 5x + 9, h(x) = x3 + x − 1.
■

2 −4
Ejemplo 6.5 Sea V = M2×2 (R). Las coordenadas de la matriz A = con respecto a la
6 8
base canónica de M2×2
(R) corresponden
a los coeficientes
que
acompañana a los elementos de la
1 0 0 1 0 0 0 0
base canónica Bc = , , , , es decir
0 0 0 0 1 0 0 1
 
2
2 −4 1 0 0 1 0 0 0 0 −4
A= =2 + (−4) +6 +8 =⇒ [A]M2×2 (R) =  .
6 8 0 0 0 0 1 0 0 1  6
8

3 0
De forma análoga, las coordenadas de la matriz B = con respecto a la base canónica
2 −5
están dadas por:
 
3
3 0 1 0 0 1 0 0 0 0  0
B= =3 +0 +2 + (−5) =⇒ [B]M2×2 (R) =  .
2 −5 0 0 0 0 1 0 0 1  2
−5

a11 a12
En general, las coordenadas de una matriz E = con respecto a la base canónica están
a21 a22
dadas por:  
a11
a12 
[E]M2×2 (R) = 
a21  .

a22
Ejercicio 6.5 Calcular las coordenadas con respecto a la base canónica de las siguientes matrices
en el respectivo espacio de matrices.

3 5 2 3 −8
A= ,C= .
−1 0 2 0 1
■
Ejemplo 6.6 En los espacios euclideanos las coordenadas de un vector con respecto a la base
canónica corresponde al mismo vector.
Ahora bien, para calcular la matriz de representación de T : V → W , [AT ], con respecto a las bases
canónicas se sigue el algoritmo a continuación:
1. Evaluar los elementos de la base canónica de V en la regla que define a la transformación.
2. Calcular los vectores coordenada con respecto a la base canónica de W .
3. La matriz [AT ] se ensambla por columnas.

Ejemplo 6.7 Sea T : R2 → R2 la transformación lineal definida por la regla:

x x−y
T = .
y 2x + y

1 0
En este caso, V= R2 = W . La base canónica es , . Al implementar el algoritmo para
0 1
calcualr
AT se obtine
que
1 1 0 −1
1. T = ,T = .
0 2 1 1

1 1 1 0 −1 −1
2. T = = y T = = .
0 R2 2 R2 2 1 R2 1 R2
1

1 −1
3. [AT ] = .
2 1
Note que
x 1 −1 x x−y x
[AT ] = = = T .
y R2 2 1 y 2x + y y R2
Ejemplo 6.8 Sea T : R3 → M2×2 (R) la transformación lineal definida por la regla:
 
a
2a b+c
T b =
  .
a − b + c 2a + 2b
c
En este caso, V = R3 y W = M2×2 (R). Para calcular la matriz que representa

a T
enbases
  canóni-

 1 0 0 
cas se implementa el algoritmo. Las bases canónicas son, respectivamente, 0 , 1 , 0
0 0 1
 

1 0 0 1 0 0 0 0
y , , , .
0 0 0 0 1 0 0 1
     
1 0 0
2 0 0 1 0 1
1. T 0 =
  ,T 1 =
  yT 0 =
  .
1 2 −1 2 1 0
0 0 1
 
   2
1
2 0 0
2. T 0 = =  ,
1 2 M (R) 1
0 M2×2 (R)
2×2
2
 
   0
0
0 1  1
T 1 = = y
−1 2 M (R) −1
0 M2×2 (R)
2×2
2
103
 
   0
0
0 1 1
T 0 = =  .
1 0 M (R) 1
1 M2×2 (R)
2×2
0
 
2 0 0
0 1 1 
3. [AT ] = 1 −1 1

2 2 0
Note que,
    
  2 0 0   2a   
a 0 1 1 a   b + c  a
[AT ] b =  
1 −1 1
 b
 =  
a − b + c = T b
  .
c R3
c c
2 2 0 2a + 2b M 2×2 (R)
M (R)
2×2 M 2×2 (R)
Ejercicio 6.6 Sea T : R4 → P≤2 [x] definida por la regla:

 
a
b 2
 c  = (a + b)x + (2b − c)x + (a + b + c + d).
T 
Calcular la matriz que representa a T en bases canónicas. ■
Cualquier transformación lineal T : V → W induce dos subespacios vectoriales. El primero inmerso

en V y el segundo inmerso en W . Explícitamente, el conjunto
N(T ) = Ker(T ) = {v ∈ V : T (v) = 0} ⊂ V,
se denomina el espacio nulo o kernel de T . A su vez, el conjunto
Im(T ) = {T (v) : v ∈ V } ⊂ W,
se denomina la imagen de T .
Ejercicio 6.7 Muestre que para toda T : V → W transformación lineal. Los conjuntos Ker(T ) ⊂ V
y Im(T ) ⊂ W tienen estructura de subespacio vectorial. ■
La nulidad de T , ν(T ), es la dimensión del kernel de T , Ker(T ). El rango de T , ρ(T ), es la dimen-

sión de la imagen de T , Im(T ).
Es importante notar que, para calcular los dos espacios asociados a una transformación lineal
T : V → W , es suficiente calcular la matriz [AT ], ya que [T (v)]W = [AT ][v]V . Así,
Ker(T ) = Nu([AT ]), Im(T ) = Col([AT ]).

Ejemplo 6.9 Sea T : R3 → R2 la transformación lineal definida por la regla:

 
x
y − 3x
T y =
  .
y
z
Para calcular Ker(T ), Im(T ), rango y nulidad de T es suficiente calcular la matriz que representa
 canónicas, [AT
a T en bases ].   
1 0 0
−3 1 0
1. T 0 =
  ,T 1 =
  yT 0 =
  .
0 1 0
0 0 1
  
1
−3 −3
2. T 0
    = = ,
0 R2
0
0
  R2
0
T 1 = 1 =
1
,
1 R2 1
0
  R2
0
T 0 = 0 =
0
.
0 R2 0
1
R2
−3 1 0
3. [AT ] = .
0 1 0
Como Ker(T ) = Nu([AT ]), se soluciona el sistema de ecuaciones lineales [AT ]⃗x = 0; es decir
x
−3 1 0   0
y = . Al reducir la matriz aumentada [AT |0] se tiene que
0 1 0 0
z
1 − 13 0 0

−3 1 0 0 f1 →− 13 f1 f1 → f1 + 31 f2 1 0 0 0
−−−−−→ −−−−−−→
0 1 0 0 0 1 0 0 0 1 0 0
 
x
1 0 0 0   0
⇐⇒ y = ⇐⇒ x = 0, y = 0, z = z variable libre.
0 1 0 0 0
z
       
x 0 0  0 
⇐⇒ y = 0 = z 0 = gen 0 = Ker(T ).
     
z z 1 1
 
Para determinar el espacio imagen de T , basta identificar las columnas de [AT ] que son linealmente
independientes; es decir se necesita identificar cuáles son las columnas que tiene pivote al reducir
la matriz [AT ].

−3 1 0 f1 → f1 − f2 −3 0 0 f1 →− 13 f1 1 0 0 −3 1
−−−−−−→ −−−−−→ =⇒ Im(T ) = gen , .
0 1 0 0 1 0 0 1 0 0 1
Note que ν(T ) = 1 y ρ(T ) = 2.

105
Ejercicio 6.8 Calcular el espacio nulo, el espacio imagen, el rango y la nulidad para la transfor-
mación lineal T : R3 → R2 definida por la regla:
 
a
a + b + c
T b = .
2a − 2c
c
■
Ejemplo 6.10 Sea T : M2×2 (R) → R3 la transformación lineal definida por la regla:
 
a+b
a b
T = a − c + 2d  .
c d
2b − 3d
La matriz que representa a T en bases canónicas, [AT ], se obtiene de la siguiente forma:

1.
   
1 1
1 0 0 1
T = 1 ,T
  = 0 ,

0 0 0 0
0 2
   
0 0
0 0 0 0
T = −1 , T
  =  2 .
1 0 0 1
0 −3
2.
       
1 1 1 1
1 0 0 1
T = 1 = 1 , T = 0 = 0 ,
0 0 R3 0 0 R3
0 R3
0 2 3 2
     R   
0 0 0 0
0 0 0 0
T = −1 = −1 , T =  2  =  2  .
1 0 R3 0 1 R3
0 R3
0 −3 R3
−3
 
1 1 0 0
3. [AT ] = 1 0 −1 2 .
0 2 0 −3
Ahora bien, para calcular el espacio nulo Ker(T ) y el espacio imagen Im(T ) se procede por
definición. El espacio nulo de T , Ker(T ), está determinado por la solución al sistema [AT ]⃗x = 0;
es decir,
     
1 1 0 0 0 1 1 0 0 0 1 1 0 0 0
f2 → f2 − f1 f2 →− f2
 1 0 −1 2 0  −−−−−−→  0 −1 −1 2 0  −−−−→  0 1 1 −2 0 
0 2 0 −3 0 0 2 0 −3 0 0 2 0 −3 0
   
1 1 0 0 0 1 1 0 0 0
f3 → f3 −2 f2 f3 →− 21 f3 f2 → f2 − f3
−−−−−−→  0 1 1 −2 0  −−−−− → 0 1 1 −2 0  −−−−−−→
0 0 −2 1 0 0 0 1 − 21 0
 
 x
1 0 0 32 3
      
1 1 0 0 0 0 1 0 0 2   0
 0 1 0 − 3 0  −− f 1 → f 1 − f 2 y
2 −−−−→  0 1 0 − 32 0  ⇐⇒ 0 1 0 − 32   z
 = 0
1
0 0 1 −2 0 0 0 1 − 12 0 0 0 1 − 12 0
w


3
 x = − 23 w    3 
x −2w
 3
−2
x + w = 0



 2 y = 3 w

y  3w   3 
⇐⇒ y − 32 w = 0 ⇐⇒ 2 ⇐⇒   =  21  = w  21 
1 z  w 
 1
 z = 2w 2
 
2
z− 2w = 0
 
w 1


w = w, libre w
 3 
− 
 32 

 
⇐⇒ Ker(T ) = gen  2  .
 1 
 2 


1

La imagen de T , Im(T ), se puede calcular a partir de la reducción previamente realizada, es decir
1 0 0 32
   
1 1 0 0
Reducción Gauss-Jordan
[AT ] = 1 0 −1 2  −−−−−−−−−−−−−→ 0 1 0 − 32  ,
0 2 0 −3 0 0 1 − 12
     
 1 1 0 
por lo tanto, Im(T ) = gen 1 , 0 , −1 .
0 2 0
 
Por último, se tiene que la nulidad de T , ν(T ) = 1 y que el rango de T , ρ(T ) = 3.
Ejemplo 6.11 Sea T : R4 → P≤2 [x] la transformación lineal definida por la regla:
 
a
b 2
 c  = (a + b)x + (b − c)x + a + 2d.
T 
En este ejemplo, se calcula la matriz que representa a T en las bases canónicas y se deja al lector
determinar los espacios Ker(T ) y Im(T ) y sus respectivas dimensiones. La matriz [AT ] se obtiene
mediante los cálculos reportados a continuación:
107
1.
       
1 0 0 0
0 2 1 2 0 0
     
0 = x + 1, T 0 = x + x, T 1 = −x, T 0 = 2.
T 
0 0 0 1
2.
     
1   0  
 0 1 1
2   1
  2
T  
 0 = x + 1 P [x] = 0 , T  
    = x + x P [x] = 1 , 
≤2 0 ≤2
1 0
0 P≤2 [x]
0 P≤2 [x]
     
0   0  
 0 0  0 0
T  
 1 = [−x]P≤2 [x] =  −1  , T  
 0 = [2]P≤2 [x] =  0 .
0 2
0 P [x]
1 P [x]
≤2 ≤2
 
1 1 0 0
3. [AT ] = 0 1 −1 0.
1 0 0 2
Como se puede ver en los ejemplos anteriores:
El número de columnas que no tienen pivotes al reducir la matriz que representa a una
transformación lineal en bases canónicas corresponde a la nulidad de dicha transformación.
El rango de una transformación lineal corresponde al número de pivotes de la matriz que
representa a la transformación en bases canónicas.
Ejercicio 6.9 Sea T : P≤2 [x] → M2×2 (R) la transformación lineal definida por la regla:

2 c − b 2c − 2b + a
T (ax + bx + c) =
3a b − c + 2a
1.Calcular la matriz que representa a T en bases canónicas.

2.Calcular Ker(T ).
3.Calcular Im(T ).
4.Calcular la nulidad de T, ν(T ) y el  ).
rango de T , ρ(T
0 −1 1
1 −2 2 
Ayuda: el lector debe obtener que [AT ] = 
3 0
. ■
0
2 1 −1
7. Mínimos cuadrados
En esta sección se presenta el método de mínimos cuadrados el cual permite describir el

comportamiento de un conjunto de datos por medio de una función polinomial, exponencial o
logarítmica. Cabe aclarar que en estas notas únicamente se discutirá el método de mínimos cuadrados
para conjuntos de datos de la forma {(xi , yi )}, donde xi representa la variable independiente x, la
cual describe el comportamiento de la variable dependiente y, en particular, de los valores yi dados,
i = 1, . . . , N.
7.0.1 El problema a trabajar

Dado un sistema de ecuaciones lineales A⃗x = ⃗b de m ecuaciones y n incógnitas, se requiere
encontrar un vector x̂ que minimice la norma ||⃗b − A⃗x||. Si el vector x̂ existe, x̂ se denomina la
solución de mínimos cuadrados del sistema. El vector ⃗b − Ax̂ se denomina el vector de error de
mínimos cuadrados y la norma ||⃗b − Ax̂|| es llamada error de mínimos cuadrados. Gráficamente,
110 Capítulo 7. Mínimos cuadrados
El método de mínimos cuadrados está fundamentado por el siguiente resultado cuya demostración
se omite.
Sea Am×n una matriz cuyas columnas son linealmente independientes. Entonces el sistema de
ecuaciones lineales A⃗x = ⃗b admite una única solución x̂ de mínimos cuadrados dada por:
x̂ = (AT A)−1 AT⃗b.
Cabe mencionar que, dado el sistema de ecuaciones lineales A⃗x = ⃗b, el sistema normal asociado
AT A⃗x = AT⃗b es consistente y la solución corresponde a la solución de mínimos cuadrados x̂.
7.0.2 Ajuste lineal

Sea {(xi , yi )}i=1,...,N un conjunto de puntos en el plano cartesiano. A partir de {(xi , yi )}i=1,...,N
se quiere encontrar la recta y = mx + b que mejor se ajusta a los datos dados. Es decir, es necesario
calcular el valor de la pendiente, m, y del punto de corte con el eje y, b. Ver la figura a continuación:
Si se reemplazan los puntos {(xi , yi )}i=1,...,N en la ecuación de la recta, se obtiene un sistema de

ecuaciones lineales

y1 = mx1 + b
   


 y 1 x 1 1
y2 = mx2 + b
  y2  x2 1
 m m
⇐⇒  .  =  . .  ⇐⇒ ⃗y = A .
  
.. .. .. . . . b b


 . = . + .  .   . . 
yN xn 1

yN = mxN + b

Así que, la solución por el método de mínimos cuadrados es la siguiente:

m
= (AT A)−1 AT⃗y,
b
   
x1 1 y1
x2 1  y2 
donde A =  . .  e ⃗y =  . . Cabe resaltar que el método de mínimos cuadrados, calcula los
   
 .. ..   .. 
xn 1 yN
coeficientes de la recta que mejor se ajusta a los datos dados.
111
Ejemplo 7.1 Determinar la ecuación de la recta que mejor se ajusta al conjunto de puntos
{(0, 1), (2, 3), (2, 4), (3, 4)}.
Al reemplazar los puntos dados en la ecuación y = mx + b se obtiene el sistema de ecuaciones
lineales:



 1 = 0m + b   
1

0 1
 
1

0 1


3 = m + b 3 1 1 m 3
 , A = 1 1 .
 
⇐⇒  =  ⇐⇒ ⃗y = 

 4 = 2m + b 4   2 1  b  4 2 1
4 3 1 4 3 1


4 = 3m + b
 
0 1
0 1 2 3  1 1 14 6
Luego, AT A = = , La solución de mínimos cuadrados viene
1 1 1 1 2 1 6 4
3 1
dada por el siguiente cálculo:
 
−1 1
m
= (AT A)−1 AT⃗y =
14 6 3 = 13 .
0 1 2 3  
b 6 4 1 1 1 1 4 2
4
Por lo tanto, la recta que mejor se ajusta al conjunto de datos dados es y = x + 32 .
7.0.3 Ajuste cuadrático
Sea {(xi , yi )}i=1,...,N un conjunto de puntos en el plano cartesiano. A partir de {(xi , yi )}i=1,...,N se
quiere encontrar la ecuación de la parábola y = ax2 + bx + c que mejor se ajusta a los datos dados.
Es decir, es necesario calcular el valor de los coeficientes, a, b y c. Ver figura a continuación:
Si se reemplazan los puntos {(xi , yi )}i=1,...,N en la ecuación de la parábola se obtiene un sistema de

ecuaciones lineales

y1 = ax12 + bx1 + c
   2 

 y1 x1 x1 1  
 y2   x2 x2 1 a

y2 = ax2 + bx2 + c

2    2
⇐⇒  .  =  . .. ..  b .

.. .. .. . .


 . = . +.  .   . . . c

yN 2
xN xN 1
yN = axN2 + bxN + c

Entonces, la solución de mínimos cuadrados está dada por

 
a
b = (AT A)−1 AT⃗y,
c
 2   
x1 x1 1 y1
 x 2 x2 1  y2 
 2
donde A =  . .. ..  e ⃗y =  .. .
  
 .. . .  .
xN2 xN 1 yN
7.0.4 Ajuste cúbico

se quiere encontrar la ecuación de la cúbica y = ax3 + bx2 + cx + d que mejor se ajusta a los datos
dados. Es decir, es necesario calcular el valor de los coeficientes, a, b, c y d. Ver la figura:
Si se reemplazan los puntos {(xi , yi )}i=1,...,N en la ecuación de la cúbica se obtiene un sistema de

ecuaciones lineales

y1 = ax13 + bx12 + cx1 + d
   3 2
 


 y 1 x 1 x 1 x 1 1 a
y2 = ax3 + bx2 + cx2 + d
  y2   x3 x2 x2 1  
2 2    2 2  b
.. .. .. ⇐⇒  .  =  . .. ..  .

 . = . + .  .
.   .
. . .  c
d


yN 3 2
xN xN xN 1
yN = axN3 + bxN2 + cxN + d

113
Así pues, la solución de mínimos cuadrados está dada por

 
a
b
  = (AT A)−1 AT⃗y,
c
d
 3
x1 x12 x1 1
  
y1
 x3 x2 x2 1  y2 
 2 2
donde A =  . e ⃗
y =  .. .
  
.. .. .. 
 .. . . .  .
xN3 xN2 xN 1 yN
7.0.5 Ajuste exponencial

Sea {(xi , yi )}i=1,...,N un conjunto de puntos en el plano cartesiano. A partir de {(xi , yi )}i=1,...,N se
quiere encontrar la función exponencial y = Kemx que mejor se ajusta a los datos dados. Es decir, es
necesario calcular el valor de m, y el valor de K. Ver la siguiente figura:
Para determinar los valores de K y m se procede de la siguiente forma:
y = Kemx ⇐⇒ ln(y) = ln(Kemx ) ⇐⇒ ln(y) = ln(K) + mx = mx + ln(K).
Así que, la relación entre las variables x y ln(y) es una función lineal. Entonces, al aplicar el ajuste
lineal para los datos {(xi , ln(yi ))}, i = 1, . . . , N, se tiene que:

ln(y1 ) = mx1 + ln(K)
   

 ln(y1 ) x1 1
ln(y2 ) = mx2 + ln(K)
  ln(y2 )  x2 1
m
⇐⇒  .  =  . .  .
   
.. .. ..  ..   .. ..  ln(K)


 . = . + .
ln(yN ) xn 1

ln(yN ) = mxN + ln(K)

Por lo tanto, la solución por el método de mínimos cuadrados es la siguiente:

m ⃗
= (AT A)−1 AT ln(y),
ln(K)
   
x1 1 ln(y1 )
x2 1  ln(y2 ) 
 ⃗
donde A =  . .  e ln(y) =  . .
  
 .. ..   .. 
xn 1 ln(yN )
7.0.6 Ajuste logarítmico

se quiere encontrar la función y = a ln(x) + b que mejor se ajusta a los datos dados. Es decir, es
necesario calcular el valor de a, y el valor de b. Ver la siguiente figura:
Si se reemplazan los puntos {(xi , yi )}i=1,...,N en la función y = a ln(x) + b se obtiene un sistema de

ecuaciones lineales

y1 = a ln(x1 ) + b
   


 y1 ln(x1 ) 1
y2 = a ln(x2 ) + b
  y2   ln(x2 ) 1
 a
⇐⇒  .  =  . ..  b ,
  
.. .. .. . .


 . = . +.  .   . .
yN ln(xN ) 1

yN = a ln(xN ) + b

   
ln(x1 ) 1 y1
 ln(x2 ) 1  y2 
donde A =  . ..  e ⃗y =  .. . Entonces, la solución por el método de mínimos cuadrados
   
 .. .  .
ln(xN ) 1 yN
es la siguiente
a
= (AT A)−1 AT⃗y.
b
8. Números complejos
¿Cuál es la solución de la ecuación x2 + 1 = 0? Es claro que si tal solución o soluciones existen,

no son números reales, ya que todo número real elevado al cuadrado es positivo. √Así las cosas, se
introuduce un nuevo número cuyo cuadrado es −1. Tal número se denota por i = −1 =⇒ i = −1. 2
Así que:
√
x2 + 1 = 0 ⇐⇒ x2 = −1 ⇐⇒ x = ± −1 ⇐⇒ x = ±i.
8.0.1 Números complejos y su álgebra

Se presentan sistemáticamente los números complejos y las operaciones básicas que se necesita-
rán en la próxima sección de estas notas.
Definiciones
Un número complejo z es una pareja ordenada de números reales que se escribe de la siguiente
forma
z = a + bi,
√
donde i = −1, a, b ∈ R. El conjunto de los números complejos se denota así
C = {a + bi| a, b ∈ R}.
Si z = a + bi entonces la parte real de z es Re(z) = a y la parte imaginaria de z es Im(z) = b. Note

que los números reales son los números complejos cuya parte imaginaria es cero, es decir R ⊂ C.
Gráficamente, los números complejos se representan por vectores en el plano cartesiano por medio
de la siguiente asignación,

a
z = a + bi 7→ ⃗z = .
b
Sea z = a + bi en C, el conjugado
√ complejo de z está dado por z̄ = a − bi. Adicionalmente, el módulo
de z se define por |z| = a + b y el argumento de z es el ángulo θ que satisafce que tan(θ ) = ba .
2 2
116 Capítulo 8. Números complejos
Ver figura a continuación:
Operaciones entre números complejos

Sean z1 = a1 + b1 i y z2 = a2 + b2 i dos números complejos. La suma en C está definida por la
fórmula
z1 + z2 = (a1 + a2 ) + (b1 + b2 )i.
La resta en C viene dada por la siguiente fórmula,
z1 − z2 = (a1 − a2 ) + (b1 − b2 )i.
La multiplicación en C se define por medio de la ley distributiva, es decir
z1 z2 = (a1 + b1 i)(a2 + b2 i) = a1 a2 + a1 b2 i + b1 a2 i + b1 b2 i2 = (a1 a2 − b1 b2 ) + (a1 b2 + a2 b1 )i.
Si z2 ̸= 0, la división en C está definida por la fórmula:
z1 z1 z¯2
= .
z2 z2 z¯2
Forma polar y fórmula de Euler
Sea z = a + bi, entonces z se puede escribir utilizando el módulo, |z|, y el argumento, θ , que z
define. Explícitamente, la forma polar de z está dada por
z = |z|(cos(θ ) + sen(θ )i).
Por otro lado, en C se tiene la fórmula de Euler que viene expresada por la siguiente ecuación:
eiθ = cos(θ ) + sen(θ )i.
Raíces de polinomios
En C se pueden obtener todas las raíces de un polinomio p(x) dado. Se presentan algunos casos
en polinomios de grado 2 y de grado 3.
Las raíces del polinomio p(x) = x2 + x + 1 se obtiene por medio del siguiente cálculo,
√ √ √ √
2 −1 ± 1 − 4 −1 ± −3 1 −1 3
x + x + 1 = 0 ⇐⇒ x1,2 = = =− ±
2√ 2 2 2
1 i 3
x1,2 = − ± .
2 2
117
√ √
Por lo tanto, las raíces son x1 = − 21 + i 2 3 y x2 = − 12 − i 2 3 . Note que x2 = x¯1 . Además, p(x) admite
la siguiente factorización en C,
√ !! √ !!
1 i 3 1 i 3
p(x) = x2 + x + 1 = (x − x1 )(x − x2 ) = x − − + x− − − .
2 2 2 2
Sea q(x) = x3 + x2 + x + 1 un polinomio de grado 3. En este caso, nótese que x = −1 es una

raíz del polinomio, luego por división de polinomios o por factorización de q(x) se tiene que
q(x) = (x + 1)(x2 + 1). Adicionalmente, las raíces del polinomio x2 + 1 son x1,2 = ±i. Por lo tanto,
q(x) admite la siguiente factorización:
q(x) = (x + 1)(x + i)(x − i).

9. Diagonalización de matrices
9.0.1 Valores y vectores propios

Sea An×n una matriz cuadrada. Un vector ⃗v ̸= 0 ∈ Rn se denomina vector propio de A con valor
propio λ ∈ R si:
A⃗v = λ⃗v.
Los valores y vectores propios de A determinan el sistema honogéneo (A − λ I)⃗v = 0, ya que
A⃗v = λ⃗v ⇐⇒ A⃗v − λ⃗v = 0 ⇐⇒ (A − λ I)⃗v = 0,
donde I denota la matriz identidad. Como todo sistema homogéneo, o bien, tiene única solución,
o bien, tiene infinitas soluciones, para este caso, se requiere que el sistema (A − λ I)⃗v = 0 admita
infintas soluciones, dado que los vectores propios son diferentes del vector nulo. Es decir,
det(A − λ I) = 0.
Con esta ecuación se calculan los valores propios λ de A.

El polinomio p(λ ) = det(A − λ I) se llama el polinomio caracterítico de A y sus raíces corresponden
a los valores propios de A.

2 3
Ejemplo 9.1 Sea A = . A partir del cálculo
0 −1

1 2 3 1 2 1
A = = =2 ,
0 0 −1 0 0 0

1
se concluye que: λ = 2 es un valor propios de A con vector propio ⃗v = .
0
120 Capítulo 9. Diagonalización de matrices
Proceso para calcular los valores y los vectores propios de una matriz
cuadrada
Sea An×n una matriz. Para calcular los valores propios y los vectores propios de A se implementa
el siguiente esquema.
1. Calcular la matriz A − λ I, donde I denota la matriz identidad.
2. Calcular el polinomio característico de A, p(λ ) = det(A − λ I).
3. Determinar las raíces del polinomio característico, p(λ ) = 0. Estos valores son los valores
propios λ de A.
4. Los vectores propios de A se obtienen al reemplazar cada valor propio λ de A en la matriz
A − λ I y resolver el sistema homogéneo asociado:
(A − λ I)⃗v = 0.
Note que siempre se obtendrán infinitas soluciones.

 
3 2 4
Ejemplo 9.2 Calcular los valores y vectores propios de la matriz A = 2 0 2. Se procede
4 2 3
siguiendo los pasos del esquema propuesto.
1. Calcular A − λ I:
     
3 2 4 1 0 0 3−λ 2 4
A − λ I = 2 0 2 − λ 0 1 0 =  2 −λ 2 
4 2 3 0 0 1 4 2 3−λ
2. Polinomio característico de A, p(λ ) = det(A − λ I):
p(λ ) = −2(2(3 − λ ) − 8) − λ ((3 − λ )2 − 16) − 2(2(3 − λ ) − 8)

= −4(2(3 − λ ) − 8) − λ ((3 − λ )2 − 16) = −4(−2λ − 2) − λ (9 − 6λ + λ 2 − 16)
= 8(λ + 1) − λ (λ 2 − 6λ − 7) = 8(λ + 1) − λ (λ − 7)(λ + 1)
= (λ + 1)(8 − λ (λ − 7)) = (λ + 1)(8 − λ 2 + 7λ ) = −(λ + 1)(λ 2 − 7λ − 8)
= −(λ + 1)(λ + 1)(λ − 8)
= −(λ + 1)2 (λ − 8).
p(λ ) = −(λ + 1)2 (λ − 8).

3. Valores propios de A: p(λ ) = 0 (raíces del polinomio).
p(λ ) = −(λ + 1)2 (λ − 8) = 0 ⇐⇒ λ1 = −1, λ2 = 8.

4. Vectores propios de A: solución de sistemas homogénos con infinitas soluciones.
Para λ1 = −1:
   
3 − (−1) 2 4 4 2 4
A − (−1)I =  2 −(−1) 2  = 2 1 2 .
4 2 3 − (−1) 4 2 4
121
    
4 2 4 a 0
Se resuelve el sistema homogéneo, 2 1 2 b = 0 .
4 2 4 c 0
1 21 1 0
     
4 2 4 0 4 2 4 0
f2 → f2 − 21 f1 f1 → 14 f1
 2 1 2 0  −−−−−−→  0 0 0 0  −−−−→  0 0 0 0 
f3 → f3 − f1
4 2 4 0 0 0 0 0 0 0 0 0
1 1
a + b + c = 0 ⇐⇒ a = − b − c.
2 2
Luego, la solución al sistema homogéneo es
   1   1  
a −2b−c −2 −1
b =  b  = b  1  + c  0  .
c c 0 1
 1  
−2 −1
Por lo tanto, los vectores propios de A son ⃗v1 =  1  y ⃗v2 = 0 . Nótese que,

0 1
  1  1   1
3 2 4 −2 2 −2
v1 = 2 0 2
A⃗    1  = −1 = (−1) 1  = λ1⃗v1 ,
  
4 2 3 0 0 0
      
3 2 4 −1 1 −1
A⃗v2 = 2 0 2  0  =  0  = (−1)  0  = λ1⃗v2 .
4 2 3 1 −1 1
Para λ2 = 8:
   
3−8 2 4 −5 2 4
A − 8I =  2 −8 2  =  2 −8 2  .
4 2 3−8 4 2 −5
    
−5 2 4 a 0
Se resuelve el sistema homogéneo,  2 −8 2  b = 0.
4 2 −5 c 0
     
−5 2 4 0 2 −8 2 0 1 −4 1 0
1 ←→ f 2 f1 → 12 f1
 2 −8 2 0  −f− −−→  −5 2 4 0  −−−−→  −5 2 4 0 
4 2 −5 0 4 2 −5 0 4 2 −5 0
   
1 −4 1 0 1 −4 1 0 1
f2 → f2 +5 f1 f3 → f3 + f2 f2 →− 18 f2
−−−−−−→  0 −18 9 0  −−−−−−→  0 −18 9 0  −−−−− −→
f3 → f3 −4 f1
0 18 −9 0 0 0 0 0
   
1 −4 1 0 1 0 −1 0 (
 0 1 − 1 0  −f− 1 → f 1 +4 f 2
−−−−→  0 1 − 12 0  ⇐⇒ a − c = 0
2
0 0 0 0 0 0 0 0 b − 12 c = 0
(
a=c
.
b = 12 c
Luego, la solución del sistema homogéneo es

     
a c 1
b =  1 c = c  1  .
2 2
c c 1
 
1
Por lo tanto, ⃗v3 = 12  es un vector propio de A con valor propio λ2 = 8. Note que,

1
      
3 2 4 1 8 1
1
A⃗v3 = 2 0 2
  
2 = 4 = 8 21  = λ2⃗v3 .
  
4 2 3 1 8 1
9.0.2 Diagonalización
Sean An×n una matriz cuadrada y λ un valor propio de A. El conjunto de todos los vectores
propios de A con valor propio λ ,
Eλ = {⃗v ∈ Rn : A⃗v = λ⃗v},
se denomina subespacio propio con valor propio asociado λ . El lector puede verificar que el
subconjunto Eλ es subespacio vectorial de Rn . Asimismo, si λk es un valor propio de A, la cantidad
de veces que λk es raíz de p(λ ) corresponde a la multiplicidad algebraica de λk que se denotará
mult.alg.(λk ). La dimensión del subespacio propio Eλk se denomina la multiplicidad geométrica de
λk y se denota por mult.geo.(λk ).
Si p(λ ) = (λ − λ1 )r1 . . . (λ − λk )rk . . . (λ − λm )rm , entonces

mult.alg.(λk ) = rk ,
mult.geo.(λk ) = dim(Ek ) = número de vectores propios para λk .
123
Una matriz An×n es diagonalizable si existen una matriz diagonal D y una matriz invertible C, tales
que:
AC = CD ⇐⇒ A = CDC−1 ⇐⇒ C−1 AC = D.
Si para cada valor propio λ de A se tiene que
mult.alg.(λ ) = mult.geo.(λ ),
entonces A es una matriz diagonalizable. En efecto, la matriz diagonal D es la matriz de valores

propios, (contando multiplicidades), y C es la matriz invertible formada por vectores propios.
Ejemplo 9.3 En el ejemplo (9.2) los valores propios λ1 = −1 y λ2 = 8 cumplen que
mult.alg.(λ1 ) = 2 = mult.geo.(λ1 ),
mult.alg.(λ2 ) = 1 = mult.geo.(λ2 ).
 
3 2 4
Por lo tanto, la matriz A = 2 0 2 es diagonalizable. En efecto, las matrices D y C son:
4 2 3
   1 
−1 0 0 −2 −1 1
D = 0 −1 0 , C =
   1 0 12  .
0 0 8 0 1 1
A su vez, la igualdad AC = CD:

  1   1  
3 2 4 −2 −1 1 −2 −1 1 −1 0 0
1
AC = 2 0 2
   1 0 2 =  1 0 12   0 −1 0 = CD.
4 2 3 0 1 1 0 1 1 0 0 8
se cumple.
 
1 0 1
Ejemplo 9.4 La matriz B = 0 0 0 es una matriz diagonalizable. En efecto, el polinomio
1 0 1
característico p(λ ) = det(B − λ I) = λ 2 (2 − λ ). Así que, los valores propios de B son λ1 = 0 y
λ2 = 2. Adicionalmente, el lector puede verificar que los vectores propios son:
   
−1 0
λ1 = 0 =⇒⃗v1 =  0  ,⃗v2 = 1 ,
1 0
 
1
λ2 = 2 =⇒⃗v3 = 0 .
1
De manera que, para i = 1, 2:
mult.alg.(λi ) = mult.geo.(λi ).
La matriz diagonal D y la matriz C invertible están dadas por

   
0 0 0 −1 0 1
D = 0 0 0 , C =  0 1 0 .
0 0 2 1 0 1
El lector puede verificar que AC = CD.

 
0 1 0
Ejemplo 9.5 La matriz A = 1 1 1 es una matriz diagonalizable. En efecto, el polinomio
0 1 0
característico p(λ ) = det(A − λ I) = −λ (λ − 2)(λ + 1). Luego, los valores propios de A son
λ1 = 0, λ2 = 2 y λ3 = −1. Además, los vectores propios son
 
−1
λ1 = 0 =⇒⃗v1 = 0  ,

1
 
1
λ2 = 2 =⇒⃗v2 = 2 ,

1
 
1
λ3 = −1 =⇒⃗v3 = −1 .
1
Por consiguiente, para i = 1, 2, 3 la igualdad,
mult.alg.(λi ) = mult.geo.(λi )
se cumple. Por lo tanto, la matriz diagonal D y la matriz C invertible son

   
0 0 0 −1 1 1
D = 0 2 0  , C =  0 2 −1 .
0 0 −1 1 1 1
 
3 0 3
Ejercicio 9.1 Determinar si la matriz A = 2 5 −3 es diagonalizable. En el caso afirmativo,
1 0 5
determinar las matrices C y D tales que AC = CD. ■
 
−3 0 4
Ejercicio 9.2 Determinar si la matriz A =  0 4 1 es diagonalizable y en dado caso
0 −3 0
determinar las matrices C y D tales que AC = CD. ■
Valores y vectores propios complejos

125

2 5
Ejemplo 9.6 Calcular los valores y vectores propios de la matriz A = . El polinomio
−2 4

2−λ 5
característico de A es p(λ ) = det(A − λ I) = det = λ 2 − 6λ + 18. Los valores
−2 4 − λ
propios de A se obtienen al utilizar la fórmula cuadrática:
√
6 ± −36
p(λ ) = 0 ⇐⇒ λ1,2 = = 3 ± 3i.
2
Los siguientes cálculos:
−1 − 3i 5
λ1 = 3 + 3i =⇒ A − (3 + 3i)I = . Se reduce esta matriz:
−2 1 − 3i
− 21 + 32 i 0

−1 − 3i 5 0 f1 ←→ f2 −2 1 − 3i 0 f1 →− 12 f1 1
−−−−→ −−−−−→
−2 1 − 3i 0 −1 − 3i 5 0 −1 − 3i 5 0
1 − 21 + 32 i 0

f2 → f2 −(−1−3i) f1 1 3 1 3
−−−−−−−−−−→ ⇐⇒ a + − + i b = 0 ⇐⇒ a = − i b
0 0 0 2 2 2 2
1 3 1 3 1 3 1 3
a 2 − 2i b 2 − 2i 2 − 2i −2
=⇒ = =b =⇒⃗v1 = = 2 +i .
b b 1 1 1 0

−1 + 3i 5
λ2 = 3 − 3i =⇒ A − (3 − 3i)I = y se reduce esta matriz:
−2 1 + 3i
− 21 − 32 i 0

−1 + 3i 5 0 f1 ←→ f2 −2 1 + 3i 0 f1 →− 12 f1 1
−−−−→ −−−−−→
−2 1 + 3i 0 −1 + 3i 5 0 −1 + 3i 5 0
1 − 21 − 23 i 0

f2 →(1−3i) f1 1 3 1 3
−−−−−−−→ ⇐⇒ a + − − i b = 0 =⇒ a = + i b
0 0 0 2 2 2 2
1 3 1 3 1 3 1 3
a 2 + 2 i b + i 2 + 2i
= =b 2 2 =⇒⃗v2 = = 2 +i 2 ,
b b 1 1 1 0
arrojan como resultado los vectores propios asociados a cada valor propio. Como se puede ver,
cada vector propio se escribe de la siguiente forma:
⃗vλ = ⃗uλ + i⃗wλ .
Se deja al lector que verifique las dos igualdades a continuación:
A⃗v1 = (3 + 3i)⃗v1 , A⃗v2 = (3 − 3i)⃗v2 .
Diagonalización y transformaciones lineales

Suponga que T : V → W es una transformación lineal entre dos espacios vectoriales. Si la matriz,
[AT ], que representa a la transformación T en bases canónicas es una matriz cuadrada, es razonable
preguntar si [AT ] es diagonalizable. La transformación T se dice que es diagonalizable si la matriz
de representación en bases canónicas, [AT ], lo es.
Ejemplo 9.7 Sea T : R3 → R3 definida por la regla:

   
a −a
T b =  −b .
c 4a − 6b − 3c
 
−1 0 0
La matriz que representa a T en bases canónicas es, [AT ] =  0 −1 0 . Los valores
4 −6 −3
propios asociados a [AT ] son las raíces del polinomio característico de [AT ]:
 
−1 − λ 0 0
p(λ ) = det(A − λ I) = det  0 −1 − λ 0  = (−1 − λ )2 (−3 − λ ).
4 −6 −3 − λ
Por lo tanto, hay dos valores propios λ1 = −3 y λ2 = −1. Además, setiene

 que mult.alg.(λ1 ) = 1
0
y mult.alg.(λ2 ) = 2. Un vector propio asociado a λ1 = −3 es ⃗v1 = 0. Los vectores propios
1
3 1
2 2
para λ2 = −1 son ⃗v2 =  1  y ⃗v3 =  0 . Así pues, mult.geo(λ1 ) = 1 y mult.geo(λ2 ) = 2. Por
0 1
consiguiente, la matriz [AT ] admite diagonalización. Las matrices D y C son:
0 32 12
   
−3 0 0
D =  0 −1 0  , C = 0 1 0  .
0 0 −1 0 0 1
Se concluye que la transformación lineal en cuestión es diagonalizable.

10. Sistemas de ecuaciones diferenciales linea
Esta sección es una breve introducción a los sistemas de ecuaciones diferenciales ordinarias
de primer orden lineales. Para empezar, una ecuación diferencial ordinaria es una ecuación que
involucra una función de una variable y su derivada de primer orden.
Ejemplo 10.1 Considere la siguiente ecuación diferencial:
dy
= y ⇐⇒ y′ = y ⇐⇒ y′ − y = 0.
dt
La solución de la ecuación está dada por la familia de funciones y(t) = kex , k ∈ R. Profesor L.
Euler.
10.0.1 Sistemas de ecuaciones diferenciales

Un sistema de ecuaciones diferenciales ordinarias de primer orden es un conjunto de ecuaciones
diferenciales ordinarias de primer orden. Adicionalmente el sistema de ecuaciones diferenciales es
lineal si las funciones involucradas y sus derivadas son variables lineales.
Ejemplo 10.2 Considere el siguiente sistema de ecuaciones diferenciales ordinarias de primer
orden lineales: (
x′ (t) = x(t) + y(t)
y′ (t) = 4x(t) + y(t).
La solución está dada por dos funciones x(t) y y(t) cuyas derivadas cumplan las dos ecuaciones
en cuestión.
128 Capítulo 10. Sistemas de ecuaciones diferenciales lineales: introducción
orden lineales: 
′
x (t) = x(t) + y(t) − z(t)

y′ (t) = 3x(t) − 5y(t)

′
z (t) = x(t) − 2y(t) + 3z(t)
La solución consta de tres funciones x(t), y(t) y z(t) cuyas derivadas cumplan las ecuaciones del
sistema en cuestión.
orden lineales: (
x′ (t) = x(t) − 2y(t) + e2t
y′ (t) = x(t) + 4y(t) − e−t .
La solución es conformada por dos funciones x(t) y y(t) cuyas derivadas cumplan las dos
ecuaciones en cuestión.
De ahora en adelante, todos los sistemas de ecuaciones diferenciales ordinarios de primer orden
lineales estarán dados por dos ecuaciones y dos incógnitas.
10.0.2 Representación matricial

Dado un sistema de ecuaciones diferenciales ordinarias de primer orden lineal, (con coeficientes
constantes), (
x′ (t) = ax(t) + by(t) + g(t)
y′ (t) = cx(t) + dy(t) + h(t),
donde a, b, c, d ∈ R y g(t), h(t) son dos funciones conocidas. La representación matricial del sistema
en cuestión es: ′
x (t) a b x(t) g(t)
= + .
y′ (t) c d y(t) h(t)

a b
La matriz A = se llama la matriz asociada al sistema dado. En todos los casos considerados
c d
en esta sección, la matriz A será una matriz diagonalizable. Antes de calcular la solución de un
sistema de ecuaciones diferenciales ordinarias de primer orden lineales, es preciso mencionar algunas
características de la solución.
La solución del sistema, denotada por (x(t), y(t)), está caracterizada por los valores y vectores
propios de la matriz A.
Se entiende por punto de equilibrio del sistema todos los puntos en R2 para los cuales,
x′ (t) = 0 = y′ (t).
Una solución del sistema (x(t), y(t)) es una solución estable si cuando t → ∞, la solución
(x(t), y(t)) converge al punto de equilibrio.
La solución del sistema se presenta en la forma de la solución analítica del sistema o en forma
de la solución cualitativa.
Ejemplo 10.5 Dado el siguiente sistema de ecuaciones diferenciales ordinarias de primer orden
129
lineales: (
x′ (t) = x(t) − 2y(t) + e2t
,
y′ (t) = x(t) + 4y(t) − e−t .
la representación matricial es
′ 2t
x (t) 1 −2 x(t) e
= + −t
y′ (t) 1 4 y(t) e
10.0.3 Solución analítica

Dado un sistema de ecuaciones diferenciales ordinarias de primer orden lineales de la forma:
′
x (t) a b x(t)
= ,
y′ (t) c d y(t)

a b
donde A = es la matriz asociada al sistema. La solución analítica del sistema en cuestión
c d
depende de la naturaleza de los valores propios λ1 , λ2 de A.
1. Si λ1 ̸= λ2 son valores propios reales, entonces la solución analítica es:

x(t)
= c1⃗v1 eλ1t + c2⃗v2 eλ2t ,
y(t)
donde ⃗v1 ,⃗v2 son los vectores propios asociados a λ1 y λ2 respectivamente.
Si λ1 > 0, λ2 > 0 la solución se llama nudo inestable.
Si λ1 < 0, λ2 < 0 la solución se llama nudo estable.
Si λ1 < 0 < λ2 la solución se llama punto de ensilladura.
2. Si los valores propios de A son repetidos, λ1 = λ2 = λ , la solución analítica es:

x(t)
= c1⃗v1 eλt + c2⃗v2 eλt ,
y(t)
donde ⃗v1 ,⃗v2 son los vectores propios asociados a λ ; (A es una matriz diagonalizable).
3. Si λ1,2 = α ± iβ son números complejos, la solución analítica es:

x(t)
= eαt (c1 cos(βt)⃗v1 + c2 sen(βt)⃗v2 ) ,
y(t)
donde ⃗v1 + i⃗v2 es un vector propio asociado a λ1 = α + iβ .
Si α < 0 la solución se llama foco estable.
Si α > 0 la solución se llama foco inestable.
Si α = 0 la solución se llama vértice.
Ejemplo 10.6 Para el sistema de ecuaciones diferenciales ordinarias dado por
(
x′ (t) = x(t) + y(t)
y′ (t) = 4x(t) + y(t),

1 1
la matriz asociada es A = . Los valores propios de A son λ1 = −1 y λ2 = 3. Un vector
4 1
1 1
−2
propio para λ1 es ⃗v1 = , mientras que, un vector propio asociado a λ2 es ⃗v2 = 2 . Así
1 1
que, la solución analítica es:
1 1
x(t) −t − 2 3t 2
= c1 e + c2 e .
y(t) 1 1
Note que el punto de equilibrio corresponde al origen (0, 0). Adicionalmente, la solución del
sistema es un punto de ensilladura, ya que λ1 < 0 < λ2 .
10.0.4 Solución cualitativa: diagrama de fase

La solución cualitativa de un sistema de ecuaciones diferenciales ordinarias de primer orden
lineales representa el comportamiento de la solución (x(t), y(t)) en R2 . Específicamente, para el
sistema de ecuaciones diferenciales ordinarias de primer orden lineales:
(
x′ (t) = ax(t) + by(t)
y′ (t) = cx(t) + dy(t),
donde a, b, c, d ∈ R, las líneas de fase corresponden a las rectas x′ (t) = 0 e y′ (t) = 0. Es decir, son
los puntos donde no hay movimiento en dirección de los ejes coordenados de R2 . El diagrama de
fase es la representación gráfica del comportamiento de la solución del sistema en cuestión, en el
cual, se muestran las trayectorias que convergen al punto de equilibrio y las que no. Es importante
resaltar que, para construir el diagrama de fase del sistema en cuestión, es necesario conocer los
espacios propios de la matriz asociada al sistema. Con el objetivo de construir el diagrama de fase se
propone el siguiente esquema de solución:
Hallar las ecuaciones de las líneas de fase.
Analizar el movimiento de la solución (x(t), y(t)).
Determinar los espacios propios de la matriz asociada al sistema.
Clasificar la solución (x(t), y(t)).
Sintetizar toda la información recopilada en los pasos anteriores en una gráfica en R2 .
Ejemplo 10.7 Considere el sistema dado por:
(
x′ (t) = x(t) + y(t)
y′ (t) = 4x(t) + y(t).
Las líneas de fase para el sistema se obtiene por medio del siguiente cálculo:
x′ (t) = 0 ⇐⇒ x + y = 0 ⇐⇒ y = −x.
y′ (t) = 0 ⇐⇒ 4x + y = 0 ⇐⇒ y = −4x.
Análisis del movimiento de la solución:
x′ (t) > 0 ⇐⇒ y > −x ⇐⇒ La coordenada x aumenta.
y′ (t) > 0 ⇐⇒ y > −4x ⇐⇒ La coordenada y aumenta.

131

1 1
La matriz asociada al sistema es A = . Los valores propios de A son λ1 = −1 y
4 1
1
−2
λ2 = 3. Un vector propio para λ1 es ⃗v1 = , mientras que, un vector propio asociado
1
1
a λ2 es ⃗v2 = 2 . Los espacios propios (rectas en R2 ) son E1 = gen{⃗v1 } y E2 = gen{⃗v2 }
1
respectivamente.
Las líneas de fase se presentan gráficamente de la siguiente forma:
Con lo cual, el diagrama de fase viene dado por la siguiente gráfica:
Como λ1 < 0, el espacio propio E1 es una trayectoria dinámicamente estable. A su vez,

λ2 > 0 implica que E2 es una trayectoria dinámicamente inestable.
La clasifiacación, cualitativamente hablando, de la solución de un sistema de ecuaciones diferenciales

ordinarias de primer orden lineales, se presenta a continuación, según sea el caso.
Nudo inestable:
Las trayectorias determinadas por los espacio propios E1 y E2 son dinámicamente inestables.
Valores propios positivos.
Nudo estable:
Las trayectorias determinadas por los espacio propios E1 y E2 son dinámicamente estables.
Valores propios negativos.
Punto de ensilladura:
La trayectoria dada por E1 es dinámicamente inestable y la trayectoria determinada por E2 es

dinámicamente estable. Valores propios con signos opuestos.
133
Foco estable:
Foco inestable:
Vértice:
Ejemplo 10.8 Los modelos de compartimientos acoplados desempeñan un papel importante en

diferentes partes de la biología de las poblaciones, la farmacología y la bioquímica. Estos modelos
describen la interacción entre varios procesos, como por ejemplo interacciones de poblaciones,
reacciones químicas, entre otras. En la figura siguiente se muestra esquemáticamente un modelo
de dos compartimentos acoplados. El modelo en cuestión representa dos especies que interactúan,
denotadas por x e y. La concentración de la especie x puede cambiar debido a una transición a la
especie y, con una tasa de cambio instantánea de ax. Además, la especie x puede morir con una
razón de cambio de cx. También existen transiciones similares para la especie y. Las tasas de estos
procesos se especifican en la figura:
Por consiguiente, el modelo de interacción entre las especies x e y está descrito a continuación.
”Variación infinitesimal de x- .Entra "Sale".
x′ (t) = by(t) − (ax(t) + cx(t)).
”Variación infinitesimal de y- .Entra "Sale".
y′ (t) = ax(t) − (by(t) + ey(t)).
El sistema de ecuaciones diferenciales ordinarias de primer orden lineales que describe el compor-
tamiento del sistema acomplado de x e y es el siguiente:
(
x′ (t) = by(t) − (ax(t) + cx(t))
y′ (t) = ax(t) − (by(t) + ey(t)).
La forma matricial del sistema es:

′
x (t) −a − c b x(t)
=
y′ (t) a −b − e y(t)
Se deja al lector que calcule la solución analítica y el diagrama de fase si se tiene que
1 9
a = , b = 2, c = , e = 3.
2 2
El punto de equilibrio es el origen (0, 0), y la solución analítica es una solución estable.
Ejemplo 10.9 El sistema dado por

(
x′ = 2x + 3y
y′ = −x − 2y
135
tiene la siguiente representación matricial:

′
x 2 3 x
= .
y′ −1 −2 y

2 3
Denote por A = la matriz asociada al sistema.
−1 −2
Los valores propios de A son λ1 = −1 y λ2 = 1. A su vez, un vector propio asociado a λ1
es ⃗v1 = [−1, 1] y para λ2 un vector propio es ⃗v2 = [−3, 1].
Los espacios propios correspondientes a λ1 y λ2 son respectivamente:
E1 = gen{⃗v1 }, E2 = gen{⃗v2 }.
En otras palabras, los espacios propios E1 y E2 son rectas en R2 dirigidas por los vectores
⃗v1 y ⃗v2 , respectivamente.
Las líneas de fase son las siguientes:
2
x′ = 0 ⇐⇒ 2x + 3y = 0 ⇐⇒ y = − x,
3
1
y′ = 0 ⇐⇒ −x − 2y = 0 ⇐⇒ y = − x.
2
Análisis del movimiento.
2
x′ > 0 ⇐⇒ y > − x ⇐⇒ La coordenada x aumenta,
3
y
1
y′ > 0 ⇐⇒ y < − x ⇐⇒ La coordenada y aumenta.
2
El punto de equilibro está dado por la solución de x′ = 0 e y′ = 0. Es decir,
(
2x + 3y = 0 2 3 x 0
⇐⇒ = ⇐⇒ x = 0, y = 0.
−x − 2y = 0 −1 −2 y 0
Por lo tanto, (0, 0) es un punto de equilibrio.

La solución analítica está dada por

x −1 −t −3 t
= c1 e + c2 e.
y 1 1
La solución (x(t), y(t)) corresponde a un punto de ensilladura, ya que λ1 < 0 < λ2 .

Se deja al lector construir el diagrama de fase.
11. Modelo de insumo-producto abierto de Le
El modelo de insumo-producto abierto de Leontief describe la interacción entre industrias en un

determinado país junto con la interacción que se ejerce desde el extranjero sobre tales industrias.
Para plantear el modelo es necesario representar las siguientes piezas que ensamblan el modelo
económico de Leontief.
El sistema de producción conformado por n industrias.
La demanda interna: requerimiento de una industria sobre otra.
La demanda externa: cantidad de producción que se requiere en el extranjero de cada una de
las n industrias.
El supuesto del modelo de Leontief es que la producción de cada industria es igual a la demanda
que se ejerce sobre la misma. Matemáticamente, los ingredientes son:
1. Las variables x1 , x2 , . . . , xn denotan la producción de cada industria.
2. El número real ai j , representa la cantidad de unidades de la industria i que necesita la industria
j para producir una unidad, bien sea en cantidad o en dólares.
3. Los escalares e1 , e2 , . . . , en denotan la demanda externa ejercida sobre cada una de las indus-
trias.
Así, el modelo de Leontief se escribe como un sistema de ecuaciones lineales:


 a11 x1 + a12 x2 + . . . + a1n xn + e1 = x1

a21 x1 + a22 x2 + . . . + a2n xn + e2 = x2

. . . . .
 .. + .. + . . . + .. + .. = ..



an1 x1 + an2 x2 + . . . + ann xn + en = xn

que se reescribe de la siguiente forma:



 (1 − a11 )x1 − a12 x2 − . . . − a1n xn = e1

−a21 x1 − (1 − a22 )x2 − . . . − a2n xn = e2

.. .. .. . ⇐⇒ (I −C)⃗x =⃗e,


 . . ... . = ..

−an1 x1 − an2 x2 − . . . + (1 − ann )xn = en

138 Capítulo 11. Modelo de insumo-producto abierto de Leontief
donde ⃗x = [x1 , x2 , . . . , xn ] es el vector de producción, ⃗e = [e1 , e2 , . . . , en ] es el vector de demanda

externa, e I es la matriz identidad.
La matriz C = (ai j ) se denomina matriz de tecnología.
La matriz I −C se llama matriz de Leontief .
Si la matriz de Leontief es una matriz invertible, entonces el sistema de ecuaciones lineales
(I −C)⃗x =⃗e
tiene única solución y, por lo tanto, se dice que la economía es productiva.

Ejemplo 11.1 La siguiente tabla contiene los registros de las demandas internas, (en millones de
dólares), de la economía de los Estados Unidos para 1958 de los sectores industriales: Metales
No Terminados (MNT), Metales Terminados (MT), Metales Básicos (MB), Metales no Básicos
(MNB), Energía (E) y Servicio (S).
MNT MT MB MNB E S
MNT 0.17 0.004 0 0.029 0 0.008
MT 0.003 0.295 0.018 0.002 0.004 0.016
MB 0.025 0.173 0.46 0.007 0.011 0.007
MNB 0.348 0.037 0.021 0.403 0.011 0.048
E 0.007 0.001 0.029 0.025 0.358 0.025
S 0.12 0.074 0.104 0.123 0.173 0.234
Adicionalmente, las demandas externas ejercidas sobre cada sector de la economía de Estados
Unidos se reportan a continuación:
MNT 99640
MT 75548
MB 14444
MNB 33501
E 23527
S 263985
Luego, las entradas de la matriz de tecnología C corresponden a las entradas dadas en la tabla de
demandas internas.
 
0,17 0,004 0 0,029 0 0,008
0,003 0,295 0,018 0,002 0,004 0,016
 
0,025 0,173 0,46 0,007 0,011 0,007
C= 0,348 0,037 0,021 0,403 0,011 0,048 .

 
0,007 0,001 0,029 0,025 0,358 0,025
0,12 0,074 0,104 0,123 0,173 0,234
139
El vector de demandas externas es:

 
99640
 75548 
 
 14444 
⃗e = 
 .
 33501 

 23527 
263985
La matriz de Leontief (I −C) es la siguiente:
−0,004 −0,029 −0,008

 
0,83 0 0
−0,003 0,705 −0,018 −0,002 −0,004 −0,016
 
−0,025 −0,173 0,54 −0,007 −0,011 −0,007
I −C = 
−0,348
.
 −0,037 −0,021 0,597 −0,011 −0,048
−0,007 −0,001 −0,029 −0,025 0,642 −0,025
−0,12 −0,074 −0,104 −0,123 −0,173 0,766
Por lo tanto, el nivel de producción de cada sector industrial están dados por:
   
x1 131028,369
x2  120443,727
   
x3  −1
80644,9444
⃗x =   = (I −C) ⃗e = 
   .
x4  178679,232

x5  65657,0183
x6 431259,17
Como la matriz de Leontief es una matriz invertible, la economía de Estados Unidos en 1958 es
una economía productiva.
Ejemplo 11.2 Una compañía ofrece tres servicios, a saber, diseño Web, software y networking.
Al considerar a la compañía como una economía abierta cuyas demanda interna (en dólares) viene
dada en la siguiente tabla:
Insumos requeridos por cada dólar producido
Diseño Web Software Networking

Diseño Web 0.4 0.2 0.45
Proveedor
Software 0.3 0.35 0.3
Networking 0.15 0.1 0.2
Adicionalmente, la demanda externa para diseño Web es de 5400 dólares, para software de 2700
dólares y para networking de 900 dólares. Se denota por x1 , la cantidad de dólares que produce
el servicio de Diseño Web. Por x2 , se denota la cantidad de dólares que produce el servicio de
software, y por x3 , se denota la cantidad de dólares producidos por el servicio de networking. La
140 Capítulo 11. Modelo de insumo-producto abierto de Leontief
matriz de tecnología C viene dada por

 
0,4 0,2 0,45
C =  0,3 0,35 0,3  ,
0,15 0,1 0,2
y el vector de demanda externa es el siguiente

 
5400
⃗e = 2700 .
900
El modelo de Leontief para este sistema de producción es


0,6x1 − 0,2x2 − 0,45x3 = 5400
 
 x1
−0,3x1 + 0,65x2 − 0,3x3 = 2700 ⇐⇒ (I −C)⃗
x =⃗
e,⃗
x = x2  .
x3

−0,15x1 − 0,1x2 + 0,8x3 = 900

Por lo tanto el nivel de producción de cada servicio de la compañía es:

   
x1 19578,2881
⃗x = x2  = (I −C)−1⃗e = 16346,55532 .
x3 6839,248434
Ejemplo 11.3 Considere una economía abierta cuyas demanadas internas vienen dadas en la
siguiente tabla:
Vivienda Alimentos Servicios públicos

Vivienda 0.1 0.6 0.4
Proveedor
Alimentos 0.3 0.2 0.3
Servicios públicos 0.4 0.1 0.2
Adicionalmente, la demanda externa ejercida sobre el sector de vivienda es de 1930 dólares, el

sector de alimentos tiene una demanda externa es 3860 dólares, y sobre el sector de servicios
públicos existe una demanda externa de 5790 dólares. Se denota por x1 , la cantidad de dólares que
produce el sector de vivienda. Por x2 , se denota, la cantidad de dólares que produce el sector de
alimentos, y por x3 , se denota la cantidad de dólares producidos por el sector de servicios públicos.
La matriz de tecnología C es  
0,1 0,6 0,4
C = 0,3 0,2 0,3 .
0,4 0,1 0,2
El lector puede concluir que los niveles de producción para alcanzar una economía productiva son
141
los siguientes:    
x1 31500
⃗x = x2  = 26500 .
x3 26300
Ejercicio 11.1 La siguiente tabla describe una economía abierta compuesta por 3 sectores:
producción de energía eléctrica, extracción de carbón y procesos de manufactura.
Electricidad Carbón Manufactura

Electricidad 0.1 0.25 0.2
Proveedor
Carbón 0.3 0.4 0.5
Manufactura 0.1 0.15 0.1
Adicionalmente, la demanda externa sobre el sector de electricidad es de 50000 dólares, sobre el

sector del carbón es de 75000 dólares y sobre el sector de manufatura es de 1250000 dólares.
1. Explicar brevemente el significado de las variables x1 , x2 , x3 en el contexto del ejercicio.
2. Calcular la matriz de tecnología C y el vector de demanda externa. ⃗e.
3. Escribir el modelo de Leontief para la economía en cuestión.
4. Argumentar por qué la economía en cuestión, es una economía productiva.
5. Calcular los niveles de producción que se deben alcanzar para tener una economía producti-
va.
■
Bibliografía

Libro NotasdeClase

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro NotasdeClase

Uploaded by

Copyright:

Available Formats

Notas de Clase

Diego D UAR TE VOGEL

4 Área, volumen, rectas y planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.0.2 El producto cruz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

5 Espacios y subespaciones vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 79

7 Mínimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

8 Números complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

9 Diagonalización de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

10 Sistemas de ecuaciones diferenciales lineales: introducción . . . . 127

11 Modelo de insumo-producto abierto de Leontief . . . . . . . . . . . . . . . 137

Los vectores tienen diversas aplicaciones en diferentes campos, interconectando a menudo

un marco poderoso para comprender y manipular información en un mundo multidimensional.

2.1 Definición de vector: álgebra y geometría

El número a1 se llama la primera coordenada de (a1 , a2 ). Similarmente a2 se denomina la

Ejemplo 2.3 Un punto A = (a1 , a2 , a3 ) de R3 se representa gráficamente así

El número a1 se llama la primera coordenada de A. Similarmente a2 y a3 se denominan la

Con los espacios R2 y R3 a la mano, se procede a dar la definición de vectores.

Definición 2.1.1 Vector - Álgebra

La dirección de un vector ⃗v está determinada por su punto inicial y su punto final.

En R3 , la situación es completamente análoga a la descrita en R2 . Gráficamente, un vector ⃗v =

dirigidos paralelos que tienen la misma dirección y el mismo tamaño.

Definición 2.1.2 Vector - Geometría

Ejemplo 2.8 Los siguientes son vectores columna de R2 ,

Ejemplo 2.9 La siguiente lista de vectores columna,

Recapitulando, en R2 un vector ⃗v tiene dos presentaciones equivalentes, algebraica y geométrica

de igual forma, un vector ⃗v ∈ R3 tiene dos representaciones equivalentes, algebraica y geométrica

2.2 Álgebra de vectores

Definición 2.2.1 Suma de Vectores

es decir, sumar componente a componente.

Definición 2.2.2 Multiplicación por Escalar

es decir, multiplicar el escalar en cada componente.

Además, muestre que ⃗v ·⃗v = 0 si y solo si ⃗v = 0. ■

Definición 2.2.4   Magnitud (Norma)

||⃗v||2 =⃗v ·⃗v.

Ahora bien, el lado izquierdo de la desigualdad se reescribe así

A su vez, el lado derecho de la desigualdad se reescribe como sigue,

(||⃗v|| + ||⃗w||)2 = ||⃗v||2 + 2||⃗v||||⃗w|| + ||⃗w||2 .

donde θ es el ángulo formado entre ⃗v y ⃗w.

Definición 2.2.6 Vector Unitario

2.2.1 Representación geométrica de suma, resta y multiplicación

||⃗v||2 + ||⃗w||2 − 2 cos(θ )||⃗v||||⃗w|| = ||⃗v − ⃗w||2 ,

de lo cual se obtiene que

Proposición 2.2.1 Vectores Ortogonales

Proposición 2.2.2 Vectores Paralelos

Se deja al lector hacer la representación gráfica.

Se deja al lector hacer la representación gráfica.

2.2.2 Álgebra de vectores en el espacio

Con el objetivo definir las operaciones algebraicas en R3 , es suficiente

Definición 2.2.7 Suma de Vectores

Definición 2.2.8 Multiplicación por Escalar

Obs: La resta de vectores está definida por

Definición 2.2.9 Producto Punto

Definición 2.2.10 Magnitud (Norma)

Definición 2.2.11 Ángulo entre Vectores

Obs: Note que

    2 Ejercicios 2.2.1

2.3 Proyección ortogonal entre vectores

El vector proy⃗w⃗v se denomina la proyección ortogonal de ⃗v a lo largo de ⃗w y está definido por la

Antes de seguir, por definición de proyección ortogonal de ⃗v a lo largo de ⃗w y viceversa, es necesario

Se deja al lector calcular la proyección de ⃗b a lo largo de ⃗a, proy⃗a⃗b.

Si ⃗u es ortogonal a ⃗w entonces ⃗v · ⃗w = 0, por lo tanto proy⃗w⃗v = 0. Note que por definición de la

2.4 Combinación lineal

Definición 2.4.1 Combinación Lineal

α1⃗v1 + α2⃗v2 + . . . + αr⃗vr ,

Definición 2.2.4 Magnitud (Norma)

2 Ejercicios 2.2.1