Álgebra Lineal

Dr. Félix Calderon Solorio

5 de abril de 2025
Índice general

Matrices y Eliminación Gaussiana 1

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Geometrı́a de las ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Sistemas lineales sin solución. Sistemas singulares . . . . . . . . . . . 2
1.2.2. Diagramas vectoriales de un sistema de ecuaciones . . . . . . . . . . 5
1.3. Eliminación Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Notación de Matrices y operaciones Matriciales . . . . . . . . . . . . . . . . 16
1.4.1. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5. Factores triangulares e intercambio de renglones . . . . . . . . . . . . . . . 19
1.5.1. Solución de un sistema de ecuaciones factorizado . . . . . . . . . . . 21
1.5.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5.4. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.5. Intercambio de renglones y matrices de permutación . . . . . . . . . 28
1.5.6. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6. Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.6.1. Cálculo de la matriz inversa: Método de Gauss-Jordan . . . . . . . . 33
1.6.2. La matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.6.3. Factorizacion LDLT . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Espacios Vectoriales 45
2.1. Espacios y subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . 45
2.1.1. Espacio Columna de A . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.1.2. Espacio Nulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2. Cómo resolver Ax = 0 y Ax = b . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
 ÍNDICE GENERAL

2.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3. Independencia lineal, base y dimensión . . . . . . . . . . . . . . . . . . . . . 62
2.3.1. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.4. Los cuatro espacios fundamentales . . . . . . . . . . . . . . . . . . . . . . . 72
2.5. Gráfos y redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.6. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.6.1. Transformación Afı́n . . . . . . . . . . . . . . . . . . . . . . . . . . 88

Ortogonalidad 93
3.1. Vectores y Subespacios Ortogonales . . . . . . . . . . . . . . . . . . . . . . . 93
3.1.1. Longitud de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.1.2. Vectores ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.1.3. Subespacios ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.2. Cosenos y Proyecciones sobre rectas . . . . . . . . . . . . . . . . . . . . . . 96
3.2.1. Proyección sobre una recta . . . . . . . . . . . . . . . . . . . . . . . 98
3.3. Proyecciones y mı́nimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . 99
3.3.1. Problemas de mı́nimos cuadrados con varias variables . . . . . . . . 100
3.3.2. Regresión lineal por el método de mı́nimos cuadrados . . . . . . . . 101
3.3.3. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.3.4. Regresión polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.3.5. Ejemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.4. Bases Ortogonales y Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . 106
3.4.1. Matrices Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.4.2. El proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . 109
3.4.3. La factorizacion A = QR . . . . . . . . . . . . . . . . . . . . . . . . 112

Determinantes 113
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2. Propiedades del Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.2.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.3. Fórmulas para el calculo de Determinantes . . . . . . . . . . . . . . . . . . 119
4.3.1. Primer forma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.3.2. Segunda Forma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.3.3. Tercer forma. Matriz de Cofactores . . . . . . . . . . . . . . . . . . . 121
4.3.4. Número de operaciones . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4. Aplicaciones de los Determinantes . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.1. Cálculo de la matriz inversa . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.2. Solución de un sistema de ecuaciones . . . . . . . . . . . . . . . . . . 124
ÍNDICE GENERAL

4.4.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

4.4.4. El volumen de una caja . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.5. Formula para los pivotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

Valores Propios 133

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.1.1. Procedimiento para calcular los valores propios y vectores propios . 136
5.2. Diagonalización de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.2.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.2.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.2.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.2.4. Potencias y productos Ak y AB . . . . . . . . . . . . . . . . . . . . . 141
5.2.5. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.3. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.3.1. Solución de recurrencias . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.3.2. Solución de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . 145
5.3.3. Matrices de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Matrices y Eliminación Gaussiana

1.1. Introducción
Para comenzar con este tema plateamos el siguiente acertijo.
Una pequeña bandada de pájaros esta repartida entre dos hilos de alta tensión. Si se pasa
una del hilo de la izquierda al de la derecha, en los dos cables habrá el mismo número de
pájaros. Pero sı́ ocurre al revés, si ahora se pasa un pájaro del hilo de la derecha al de
la izquierda habra el doble de pájaros en el hilo de la izquierda que en el de la derecha.
¿Cuántos pájaros hay inicialmente en cada hilo?
Para resolver el problema vamos a definir x como el número de pájaros en el hilo de la
izquierda y y el número de pájaros a la derecha.
Podemos plantear el siguiente sistema de ecuaciones
Para el primer parte del enunciado x − 1 = y + 1 y la segunda parte x + 1 = 2(y + 1). Lo
cual da lugar al siguiente sistema de ecuaciones:

x−y =2
x − 2y = −3

Una manera de resolver el sistema de ecuaciones es aplicando el método de sumas y restas.

Para este caso sumamos ambas ecuaciones y tenemos la solución para una de las ecuacio-
nes:

x−y =2
−
x − 2y = −3
(x − x) + (−y + 2y) = (2 + 3)
y=5

Para calcular el valor de x sustituimos en la primer ecuación:

1
2 MATRICES Y ELIMINACIÓN GAUSSIANA

x=2+y =2+5=7

Lo que significa que inicialmente en el hilo izquierdo habı́a 5 pájaros y en el derecho habı́a
7.

1.2. Geometrı́a de las ecuaciones lineales

Las ecuaciones lineales son aquellas que representan una lı́nea recta en el espació. En el
caso de dos dimensiones esta ecuación representa una linea recta, en dos dimensiones un
plano y en tres dimensiones o más un hiperplano.
Por ejemplo si tomamos las ecuaciones de la sección anterior y la gráficamos

x−y =2
x − 2y = −3

para ello hacemos la tabla

x+3
x y =x−2 y= 2
0 -2.0 1.5
1 -1.0 2.0
2 0 2.5
3 1.0 3.0
4 2.0 3.5
5 3.0 4.0
6 4.0 4.5
7 5.0 5.0
8 6.0 5.5
9 7.0 6.0
10 8.0 6.5
Note que para el valor de x = 7 ambas ecuaciones dan como resultado y = 5. En la Figura
1.1 se muestra la gráfica de las dos ecuaciones donde se puede ver que estas se cruzan en
los punto de coordenadas [7, 5].
En general diremos que un sistema de ecuaciones en dos dimensiones tiene solución si las
rectas se cruzan en algún punto. En tres dimensiones son tres planos los que se cruzan y
en N dimensiones son N los hyperplanos que se cruzan.

1.2.1. Sistemas lineales sin solución. Sistemas singulares

Consideremos el sistema de ecuaciones
1.2. GEOMETRÍA DE LAS ECUACIONES LINEALES 3

Figura 1.1: Ejemplo de solución gráfica para un sistema de ecuaciones

x + 2y = 2
3x + 6y = 12

La Figura 1.2 muestra las gráficas de estas lı́neas. Note en la Figura 1.2 que se muestran
dos lı́neas paralelas, lo cual significa que las lı́neas no se interceptan en ningún punto.
Para este sistema de ecuaciones podemos notar que la segunda ecuación es 3 veces la
ecuación 1

3(x + 2y) = 3(2)

3x + 6y = 3(2) + 6

En este caso el sistema de ecuaciones no tiene solución dado que las dos ecuaciones son
paralelas.
En general podemos ver para la primer ecuación x + 2y = b existe un número infinito de
rectas que son paralelas para valores de b = 1, 2, 3, 4, . . . . Para este caso vamos a dibujar
algunos ejemplos. La Figura 1.3 muestra las lineas rectas paralelas a la ecuación para
valores de b = 1, 2, 3 y 4
Esta condición puede ser detectada al momento de realizar el método de sumas y restas al
que denominaremos Eliminación Gaussiana. Ası́ por ejemplo:

α(x + 2y) = αb
4 MATRICES Y ELIMINACIÓN GAUSSIANA

Figura 1.2: Ejemplo de un sistema singular de ecuaciones

Figura 1.3: Lineas paralelas a la ecuación 2x + y = b correspondientes a un sistema singular

1.2. GEOMETRÍA DE LAS ECUACIONES LINEALES 5

Figura 1.4: Solución del sistema

−
αx + 2αy = b2
− − − − − − − − − − − − − − − − −−
0x + 0y = α − b2

1.2.2. Diagramas vectoriales de un sistema de ecuaciones

Consideremos un sistema de ecuaciones

2x − y = 1

x+y =5

Cuya solución gráfica es x = 2 y y = 3 de acuerdo como se muestra en la Figura 1.4.

Este sistema de ecuaciones lo podemos escribir como

     
2 −1 1
x +y =
1 1 5

Considerando lo valores de x y y podemos escribir

     
2 −1 1
x +y =
1 1 5
6 MATRICES Y ELIMINACIÓN GAUSSIANA

Figura 1.5: Diagrama vectorial de solución del sistema de ecuaciones

     
2 −1 1
2 +3 =
1 1 5
     
4 −3 1
+ =
2 3 5

La Figura 1.5 muestra el diagrama vectorial donde se grafican los vectores correspondientes
a la solución del sistema de ecuaciones. Note que se crea un paralelogramo cuya área es
diferente de cero.
En el caso de tener un sistema de ecuaciones linealmente dependiente

     
2 1 b1
x +y =
6 3 b2

Note que el vector que multiplica a x es dos veces el vector que multiplica a la y. El
diagrama vectorial se muestra en la Figura 1.6, note en esta figura que los vectores son
paralelos.

Ángulo entre vectores

Dados los vectores x = [x1 , x2 , x3 , ..., xN ] y y = [y1 , y2 , y3 , ..., yN ] ambos con N elementos,
podemos calcular el ángulo entre ellos utilizando la siguiente definición del producto escalar
de vectores.
1.2. GEOMETRÍA DE LAS ECUACIONES LINEALES 7

Figura 1.6: Diagrama vectorial de un sistema de ecuaciones singular (Sin solución)

xT y = |x||y|cos(θ)

x1 y1 + x2 y2 + x3 y3 + · · · + xN yN
cos(θ) = q q
x21 + x22 + x23 + . . . x2N y12 + y22 + y32 + . . . yN
2

Ejemplo
Consideremos x = [1, 2]T y y = [3, 5]T
Calcular el ángulo del vector x.
 
−1 2
α = tg = 1.107148 rad
1

Calcular el ángulo del vector y.

 
−1 5
β = tg = 1.030376 rad
3

Calcular el ángulo entre los vectores x y y.

θ = α − β = 1.107148 − 1.030376 = 0.076772 rad

8 MATRICES Y ELIMINACIÓN GAUSSIANA

Calcular el ángulo entre los vectores utilizando el producto escalar

1×3+2×5 13
cos(θ) = √ √ =√ √
2 2 2
1 +2 3 +5 2 5 34

 
−1 13
θ = cos √ √ = 0.076772 rad
5 34

Ejemplo
Determinar el angulo entre los vectores x = [1, 2, −1] y y = [2, 5, −3]

1 × 2 + 2 × 5 + (−1) × (−3) 15
cos(θ) = p p =√ √
2 2 2 2 2
1 + 2 + (−1) 2 + 5 + (−3) 2 6 38

cos(θ) = 0.993399

θ = 0.114960 rad

Ejemplo
Mostrar que dos vectores paralelos el ángulo entre ellos es cero

Demostración

Dado x = [x1 , x2 , x3 , . . . , xN ] un vector paralelo es el vector x multiplicado por un escalar

α es decir y = αx. El ángulo entre ellos es:

x1 × αx1 + x2 × αx2 + · · · + xN × αxN

cos(θ) = q q =
x21 + x22 + · · · + x2N α2 x21 + α2 x22 + · · · + α2 x2N

α(x21 + x22 + · · · + x2N )

cos(θ) = q q
x21 + x22 + · · · + x2N α x21 + x22 + · · · + x2N

α(x21 + x22 + · · · + x2N )

cos(θ) = =1
α(x21 + x22 + · · · + x2N )
1.3. ELIMINACIÓN GAUSSIANA 9

1.3. Eliminación Gaussiana

Comenzaremos planteando un sistema de ecuaciones

2u + v + w = 5 (1.1)
4u − 6v = −2 (1.2)
−2u + 7v + 2w = 9 (1.3)

Para este sistema vamos a multiplicar la ecuación (1.1) por -2 y sumarla a la ecuación (1.2)
para eliminar la variable u de ambas ecuaciones. El resultado de la operación es:

−2(2u + v + w) = (−2)(5)
4u − 6v = −2
−−−−−−− − −−−−
−8v − 2w = −12

Ahora multiplicamos la ecuación (1.1) por (1) y la sumamos a la ecuación (1.3)

(1)(2u + v + w) = (1)(5)
−2u + 7v + 2w = 9
−−−−−−− − −−−−
8v + 3w = 14

Si escribimos las ecuaciones calculadas notaremos que tenemos un sistema equivalente dado
como

2u + v + w = 5 (1.4)
−8v − 6w = −12 (1.5)
8v + 3w = 14 (1.6)

donde las ecuaciones (1.5) y (1.6) no depende de la variable u. Si sumamos las ecuaciones
(1.5) y (1.6) tendremos un sistema equivalente al que denominaremos sistema triangular
superior.
10 MATRICES Y ELIMINACIÓN GAUSSIANA

2u + v + w = 5
−8v − 6w = −12
w = 2 (1.7)

Para este sistema triangular superior la variable w queda libre y simplemente tomará el
valor de 2, las otras variables las podemos calcular aplicando un procedimiento al que
denominaremos sustitución hacia atrás.

   
2u + v + w 5
 −8v − 2w  =  −12 
w 2

Para solucionar aplicamos sustitución hacia atras:

w=2

−12 + 2w −12 + 2(2)

v= = =1
−8 −8
5−v−w 5 − (1) − (2)
u= = =1
2 2

Este procedimiento lo podemos hacer de una manera mas compacta si disponemos los
coeficientes de cada variable en un arreglo como el siguiente

   
−2 2 1 1 5 2 1 1 5
 4 −6 0 −2  =  0 −8 −2 −12 
−2 7 2 9 −2 7 2 9

   
1 2 1 1 5 2 1 1 5
 0 −8 −2 −12  =  0 −8 −2 −12 
−2 7 2 9 0 8 3 14

Para la segunda ecuación como pivote

   
2 1 1 5 2 1 1 5
 1 0 −8 −2 −12  =  0 −8 −2 −12 
0 8 3 14 0 0 1 2
1.3. ELIMINACIÓN GAUSSIANA 11

Ejemplo de un sistema singular

Cuando tenemos un sistema de ecuaciones en el cual los N hyperplanos no se interceptan
en un punto diremos que el sistema es singular. Una manera notar esto es utilizando la
Eliminación Gaussiana. Consideremos el sistema

u+v+w =1
2u + 2v + 5w = 4
4u + 4v + 8w = −2

Este sistema en forma matricial lo podemos representar como

 
1 1 1 1
 2 2 5 4 
4 4 8 −2

Para resolver hacemos

   
−2 1 1 1 1 1 1 1 1
 2 2 5 4 = 0 0 3 2 
4 4 8 −2 4 4 8 −2
   
−4 1 1 1 1 1 1 1 1
 0 0 3 2 = 0 0 3 2 
4 4 8 −2 0 0 4 −6

Note que el sistema no tendrá solución dado que hay dos ecuaciones antagónicas 3w = 2
y 4w = −6 lo que implica que no es posible cumplir con estas. Para que el sistema tenga
solución es requisito tener una matriz triangular superior con números diferentes de cero
en la diagonal.
Para este sistema de ecuaciones tenemos

      
1 1 1 1
u 2  + v 2  + w 5  =  4 
4 4 8 −2

Note que el primer vector es exactamente el segundo vector de la matriz, lo que implica
una dependencia lineal y como consecuencia el sistema de ecuaciones no tiene solución.
Gráficamente significa que dos de los planos del sistema son paralelos tal como se muestra
en la Figura 1.7 a).
12 MATRICES Y ELIMINACIÓN GAUSSIANA

Ejemplo de un sistema no-sigular

Consideremos el sistema de ecuaciones

    
1 1 1 u 1
 2 2 5  v  =  4 
4 6 8 w −2
 
1 1 1 1
 2 2 5 4 
4 6 8 −2

Para resolver hacemos

   
−2 1 1 1 1 1 1 1 1
 2 2 5 4 = 0 0 3 2 
4 6 8 −2 4 6 8 −2
   
−4 1 1 1 1 1 1 1 1
 0 0 3 2 = 0 0 3 2 
4 6 8 −2 0 2 4 −6

En este momento tenemos que el privote A2,2 = 0 y la Eliminación Gaussiana produce una
división por cero. Sin embargo el sistema tiene solución como se puede ver en la Figura 1.7
b). Para resolver hacemos un intercambio de renglones.

 
1 1 1 1
 0 2 4 −6 
0 0 3 2

Con la matriz triangular superior construida, tenemos la solución al sistema la cual se lleva
a cabo aplicando sustitución hacia atrás.

u+v+w =1
2v + 4w = −6
3w = 2

De la última ecuación tenemos

w = 2/3
1.3. ELIMINACIÓN GAUSSIANA 13

de la segunda ecuación

−6 − 4w −6 − 4(2/3)
v= = = −13/3
2 2
Para la primer ecuación

u=1−v−w
u = 1 − 2/3 − (−13/3) = 14/3

1.3.1. Ejemplo
Dado el sistema de ecuaciones

u + 3v + 4w = 10
3u + 9v + 12w = 20
6u + 18v + 24w = 15

Calculamos la solución utilizando el método de Eliminación Gaussiana.

Comenzamos tomando como pivote la ecuación 1
   
−3 1 3 4 10 1 3 4 10
 3 9 12 20  =  0 0 0 −10 
6 18 24 15 6 18 24 15
   
−6 1 3 4 10 1 3 4 10
 0 0 0 −10  =  0 0 0 −10 
6 18 24 15 0 0 0 −45

Como resultado de la Eliminación Gaussiana tenemos que el sistema no tiene solución.

Podemos ver que las tres columnas de la matriz A tienen cero lo que significa que tenemos
tres planos paralelos los cuales no se interceptan. La Figura 1.7 c) muestra una gráfica de
como se ven estos tres planos.

1.3.2. Ejemplo
Utilizando Eliminación Gaussiana calcular la solución del sistema de ecuaciones
4u + 2v + w − t = 10
2u + 6v + 2w + t = 21
u + 2v + 10w − 3t = 15
−u + v − 3w + 7t = 12
14 MATRICES Y ELIMINACIÓN GAUSSIANA

a) b) c)

Figura 1.7: Ejemplo de solución gráfica para un sistema de ecuaciones. a) dos planos para-
lelos, b) tres planos que se interceptan en un punto y c) tres planos paralelos

En forma matricial el sistema de ecuaciones puede escribirse como:

   
4 2 1 −1 u 10
 2 6 2 1  v
    21 
  
 1 2 10 −3   w   14 
−1 1 −3 7 t 12

Comenzamos tomando como pivote la ecuación 1

− 12
   
4 2 1 −1 10 4 2 1 −1 10
3 3
 2 6 2 1 21   0
  5 2 2 16 

 =
 1 2 10 −3 14   1 2 10 −3 14 
−1 1 −3 7 12 −1 1 −3 7 12

− 41
   
4 2 1 −1 10 4 2 −1 10
1
3 3 3 3

 0 5 2 2 16  = 
  0 5 2 2 16 

3 39 11 23 
 1 2 10 −3 14   0 2 4 −4 2
−1 1 −3 7 12 −1 1 −3 7 12

 1   
4 4 2 1−1 10 4 2 1 −1 10
3 3 3 3
 0 5 2 2 16   0 5 2 2 16 

23  = 
 3 39 11
  3 39 11 23 
 0 2 4 − 4 2 0 2 4 −4 2
3
−1 1 −3 7 12 0 2 − 11
4
27
4
29
2
1.3. ELIMINACIÓN GAUSSIANA 15

Tomando como pivote la ecuación 2

   
4 2 1 −1 10 4 2 1 −1 10
 −3 0 5 3 3 3 3
2 16  =  0 5 2 16 
  
 10 2 2
 0 32 39
4 − 11
4
23 
2
 0 0 93
10
16 67 
− 5 10
3 11 27 29 3
0 2 −4 4 2 0 2 − 11
4
27
4
29
2

   
0 4 2 1 −1 10 4 2 1 −1 10
 −3 0 5 3 3 3 3
2 16  =  0 5 2 16 
  
 10 2
93 16 67 
2
93 16 67
 0 0 0 10 − 5 10  0 0
10 − 5 10

3
0 0 2 − 11
4
27
4
29
2
16
0 0 −5 63
10
97
10

Finalmente tomamos como pivote la ecuación 3

   
4 2 1 −1 10 4 2 1 −1 10
3 3 3 3
 0 5 2 2 16   0 5 2 2 16 
67  = 
 32 93 16
  93 16

67 
0 0 10 − 5 0 0 −5

93 10 10 10
16 63 97 967 2233
0 0 −5 10 10 0 0 0 186 186

A partir del sistema triangular superior planteamos la sustitución hacia atras

4x1 + 2x2 + x3 − x4 = 10
5x2 + 3x23 + 3x24 = 16
93x3 16x4 67
10 − 5 = 10
967x4 2233
186 = 186

De la ecuación 4 tenemos
2233
x4 =
967
para la ecuación 3
67 16 67 16 2233
10 + 5 x4 10 + 5 ( 967 ) 1495
x3 = 93 = 93 =
10 10
967

para la ecuación 2
16 − 32 x3 − 23 x4 16 − 32 ( 1495 3 2233
967 ) − 2 ( 967 ) 1985
x2 = = =
5 5 967

para la ecuación 1

10 − 2x2 − x3 + x4 10 − 2 1985
967 −
1495
967 + 2233
967 1617
x1 = = =
4 4 967
16 MATRICES Y ELIMINACIÓN GAUSSIANA

El vector solución para el sistema de ecuaciones es:

 1617 
967
 1985 
x= 967 
 1465 
967
2233
967

1.4. Notación de Matrices y operaciones Matriciales

Dado un sistema de ecuaciones

2u + v + w = 5
4u − 6v = −2 (1.8)
−2u + 7v + 2w = 9

Una manera alterna de representarlo es mediante el uso de Matrices. Una matriz la defi-
nimos como un arreglo de números, ası́ por ejemplo diremos que un vector (matriz de una
columna) de incognitas x esta definido como

   
u 1
x= v = 1 
w 2

Los coeficientes de las ecuaciones lo colocamos en una matriz A dada por

   
2 1 1 a1,1 a1,2 a1,3
A =  4 −6 0  =  a2,1 a2,2 a2,3 
−2 7 2 a3,1 a3,2 a3,3

1.4.1. Operaciones con matrices

Suma y Resta
Dadas las matrices A de tamaño N × M y B de tamaño R × C

 
A1,1 A1,2 ··· A1,M
 A2,1 A2,2 ··· A2,M 
A=
 
.. .. .. .. 
 . . . . 
AN,1 AN,2 · · · AN,M
1.4. NOTACIÓN DE MATRICES Y OPERACIONES MATRICIALES 17

 
B1,1 B1,2 ··· B1,C
 B2,1 B2,2 ··· B2,C 
B=
 
.. .. .. .. 
 . . . . 
BR,1 BR,2 · · · BR,C

La suma existe si ambas matrices tienen el mismo tamaño. Esto quiere decir que debe tener
el mismos número de renglones N = R y el mismo número de columnas M = C. La suma
y/o resta de matrices produce una matriz C de tamaño N × M donde cada uno de los
elementos se calcula mediante

Ci,j = Ai,j ± Bi,j

1.4.2. Ejemplo
Calcular la suma de las matrices
       
1 2 4 −2 2 8 (1 − 2) (2 + 2) (4 + 8) −1 4 12
+ = =
−2 3 10 2×3 0 1 5 2×3 (−2 + 0) (3 + 1) (10 + 5) −2 4 15 2×3

       
1 2 −2 2 (1 − 2) (2 + 2) −1 4 12
− = =
−2 3 2×2
0 1 2×2
(−2 + 0) (3 + 1) −2 4 15 2×3

Multiplicación de una constante por un vector

Dada una constante α y un vector x la multiplicación se lleva a cabo como

   
x1 αx1
 x2   αx2 
αx = α  =
   
.. .. 
 .   . 
xN αxN

Multiplicación de un renglón por una columna

Dado el renglón x y el vector y la multiplicación se lleva a cabo haciendo


u
xy = [2, 1, 1]  v  = 2u + v + w
w
18 MATRICES Y ELIMINACIÓN GAUSSIANA

Multiplicación en General
Dado las matrices A y B el producto de matrices C = A × B se calcula como:

 
  B1,1 B1,2  
A1,1 A1,2 A1,3 A1,4  B2,1 C 1,1 C 1,2
B2,2 
AB =  A2,1 A2,2 A2,3 A2,4  
 B3,1
 =  C2,1 C2,2 
B3,2 
A3,1 A3,2 A3,3 A3,4 3×4
C3,1 C3,2 3×2
B4,1 B4,2 4×2

Note que el elemento C3,2 de la matriz resultante, se calcula como el producto del tercer
renglón de la matriz A por la segunda columna de la matriz B.

C3,2 = A3,1 B1,2 + A3,2 B2,2 + A3,3 B3,2 + A3,4 B4,2

Para que este producto exista el número de columnas de la matriz A debe ser igual al
número de renglones de la matriz B. En forma compacta cada elemento de la matriz C lo
calculamos como:

M
X
Ci,j = Ai,k Bk,j
k=1

Entonces el producto de matrices existe si y solo si el número de columna M de la matriz

A es igual al número de renglones R de la matriz C y el tamaño de la matriz resultante
es el número de renglones N de la matriz A por el número de columnas C de la matriz
B.

Ejemplo 1
Hacer la multiplicación de las matrices

       
1 1 6 2 1×2+1×5+6×0 7
 3 0 1  × 5  = 3×2+0×5+1×0  = 6 
1 1 4 3×3 0 3×1 1 × 2 + 1 × 5 + 4 × 0 3×1 7 3×1

Ejemplo 2
Calcular la multiplicación de la matrices

     
3 −4 1 2 4 −21 14 8
=
2 10 2×2
6 −2 1 2×3
62 −16 18 2×3
1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 19

1.5. Factores triangulares e intercambio de renglones

Consideremos el sistema de ecuaciones

2u + v + w = 5
4u − 6v = −2
−2u + 7v + 2w = 4

El cual tiene una matriz de coeficientes A igual a

 
2 1 1
A =  4 −6 0 
−2 7 2

Vamos a realizar el procedimiento de eliminación Gaussiana de una forma un poco diferente,

donde la podemos llevar a cabo utilizando multiplicación de matrices.
Para esto tenemos que multiplicar la ecuación 1 por (-2) y sumarla a la ecuación 2.

      
−2 2 1 1 1 0 0 2 1 1 2 1 1
 1 4 −6 0  =  −2 1 0   4 −6 0  =  0 −8 −2 
0 −2 7 2 0 0 1 −2 7 2 −2 7 2

Posteriormente multiplicamos la ecuación 1 por 1 y la sumamos a la ecuación 3

      
1 2 1 1 1 0 0 2 1 1 2 1 1
 0 0 −8 −2  =  0 1 0   0 −8 −2  =  0 −8 −2 
1 −2 7 2 1 0 1 −2 7 2 0 8 3

Finalmente multiplicamos la ecuación 2 por 1 y la sumamos a la ecuación 3

      
0 2 1 1 1 0 0 2 1 1 2 1 1
 1 0 −8 −2  =  0 1 0   0 −8 −2  =  0 −8 −2 
1 0 8 3 0 1 1 0 8 3 0 0 1

Note que podemos hacer todo el procedimiento haciendo la siguiente multiplicacion:

      
1 0 0 1 0 0 1 0 0 2 1 1 2 1 1
 0 1 0   0 1 0   −2 1 0   4 −6 0  =  0 −8 −2 
0 1 1 1 0 1 0 0 1 −2 7 2 0 0 1
20 MATRICES Y ELIMINACIÓN GAUSSIANA

G−1 F −1 E −1 A = U

Para este sistema podemos plantear una forma inversa de realizar el proceso, esto es dado
la matriz triangular superior U determinar la matriz A. Veamos la siguiente propiedad para
cada uno de los pasos que hicimos previamente para calcular la matriz triangular superior.
Comenzaremos por el último paso:

    
1 0 0 2 1 1 2 1 1
 0 1 0   0 −8 −2  =  0 −8 −2 
0 1 1 0 8 3 0 0 1

      
1 0 0 1 0 0 2 1 1 1 0 0 2 1 1
 0 1 0   0 1 0   0 −8 −2  =  0 1 0   0 −8 −2 
0 −1 1 0 1 1 0 8 3 0 −1 1 0 0 1

    
2 1 1 1 0 0 2 1 1
 0 −8 −2  =  0 1 0   0 −8 −2 
0 8 3 0 −1 1 0 0 1

Para el paso intermedio:

    
1 0 0 2 1 1 2 1 1
 0 1 0   0 −8 −2  =  0 −8 −2 
1 0 1 −2 7 2 0 8 3

      
1 0 0 1 0 0 2 1 1 1 0 0 2 1 1
 0 1 0   0 1 0   0 −8 −2  =  0 1 0   0 −8 −2 
−1 0 1 1 0 1 −2 7 2 −1 0 1 0 8 3

    
2 1 1 1 0 0 2 1 1
 0 −8 −2  =  0 1 0   0 −8 −2 
−2 7 2 −1 0 1 0 8 3

Para el primer paso tendemos

    
1 0 0 2 1 1 2 1 1
 −2 1 0   4 −6 0  =  0 −8 −2 
0 0 1 −2 7 2 −2 7 2
1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 21

      
1 0 0 1 0 0 2 1 1 1 0 0 2 1 1
 2 1 0   −2 1 0   4 −6 0  =  2 1 0   0 −8 −2 
0 0 1 0 0 1 −2 7 2 0 0 1 −2 7 2

    
2 1 1 1 0 0 2 1 1
 4 −6 0  =  2 1 0   0 −8 −2 
−2 7 2 0 0 1 −2 7 2

Con esto tenemos que podemos a partir de la matriz triangular U calcular la matriz A
haciendo:

      
1 0 0 1 0 0 1 0 0 2 1 1 2 1 1
 2 1 0  0 1 0  0 1 0   0 −8 −2  =  4 −6 0 
0 0 1 −1 0 1 0 −1 1 0 0 1 −2 7 2

EF GU = A

    
1 0 0 2 1 1 2 1 1
 2 1 0   0 −8 −2  =  4 −6 0 
−1 −1 1 0 0 1 −2 7 2
LU = A
Llevar a cabo este procedimiento es simplemente aplicar la Eliminación Gaussiana, tenien-
do cuidado de guardar los pesos por los cuales se multiplica cada ecuación en la matriz
triangular inferior L. La matriz triangular inferior L tendrá ceros arriba de la diagonal,
unos en la diagonal y los elementos bajo la diagonal será el peso w por el cual se multiplica
el j-ésimo renglo para sumarlo con el i-ésima renglón sin hacer cambio de signo, esto quiere
decir Li,j = w.

1.5.1. Solución de un sistema de ecuaciones factorizado

Si tenemos que una matriz A pudo ser factorizada en dos matrices L y U es posible llevar
a cabo la solución del sistema dada las matrices L y U . Ası́ tenemos que para resolver el
sistema de ecuaciones Ax = b tenemos que hacer

Ax = b

LU x = b
22 MATRICES Y ELIMINACIÓN GAUSSIANA

Para resolver definimos un sistema triangular superior U x = y

L(U x) = b

y un sistema triangular inferior.

Ly = b

Para resolver primero resolvemos el sistema triangular inferior Ly = b y con los valores
de y calculamos el sistema triangular superior U x = y. El sistema triangular inferior se
resuelve con sustitución hacia adelante y el sistema triangula superior con sustitución hacia
atrás.

1.5.2. Ejemplo
Dado el sistema de ecuaciones

2x1 − x2 = 1

x1 + x 2 = 5

a) Hacer la representación matricial del sistema de ecuaciones

    
2 −1 x1 1
=
1 1 x2 5

Ax = b

b) Calcular la descomposición triangular LU

− 12
   
2 −1 1 0 2 −1
= 1 3
1 1 2 1 0 2

Podemos reconocer la matriz triangular inferior

 
1 0
L= 1
2 1

y la matriz triangular superior

 
2 −1
U= 3
0 2
1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 23

c) Calcular la solución del sistema triangular inferior

Ly = b

y1 = 1

y1
+ y2 = 5
2

y1 1
y2 = 5 − =5−
2 2
El vector solución y es:

 
1
y= 9
2

d) Calcular la solución del sistema triangular superior

Ux = y

2x1 − x2 = 1

3x2 9
=
2 2
El valor de x2 es

9
2
x2 = 3 =3
2

1 + x2 1+3
x1 = = =2
2 2
Finalmente la solución del sistema Ax = b es:

 
2
x=
3
24 MATRICES Y ELIMINACIÓN GAUSSIANA

1.5.3. Ejemplo
Dado el sistema de ecuaciones

    
2 1 1 x1 5
 4 −6 0   x2  =  −2 
−2 7 2 x3 9

Comenzamos con la primer ecuación

   
−2 2 1 1 1 0 0 2 1 1
 4 −6 0  =  2 1 0 0 −8 −2 
−2 7 2 0 0 1 −2 7 2
   
1 2 1 1 1 0 0 2 1 1
 0 −8 −2  =  2 1 0 0 −8 −2 
−2 7 2 −1 0 1 0 8 3

Para la segunda ecuación

   
2 1 1 1 0 0 2 1 1
 1 0 −8 −2  =  2 1 0 0 −8 −2 
0 8 3 −1 −1 1 0 0 1

El sistema triangular inferior a resolver es

    
1 0 0 y1 5
 2 1 0   y2  =  −2 
−1 −1 1 y3 9

Para la primer ecuación

y1 = 5

Para la segunda ecuación

2y1 + y2 = −2

y2 = −2 − 2y1 = −2 − 2(5) = −12

1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 25

Para la última ecuación

−y1 − y2 + y3 = 9

y3 = 9 + y1 + y2 = 9 + (5) + (−12) = 2

La solución del sistema es:

 
5
y =  −12 
2

Como segundo paso resolvemos el sistema triangular superior U x = y

    
2 1 1 x1 5
 0 −8 −2   x2  =  −12 
0 0 1 x3 2

Para la última ecuación tenemos

x3 = 2

Para la segunda ecuación

−8x2 − 2x3 = −12

−12 + 2x3 −12 + 2(2)

x2 = = =1
−8 −8

Finalmente para la primer ecuación

2x1 + x2 + x3 = 5

5 − x 2 − x3 5 − (1) − (2)
x1 = = =1
2 2
26 MATRICES Y ELIMINACIÓN GAUSSIANA

La solución del sistema de ecuaciones es:


1
x= 1 
2

1.5.4. Ejemplo
Calcular la solución del sistema de ecuaciones

   
4 2 1 −1 x1 1
 2 6 2 1   x2   −2 
  = 
 1 2 10 −3   x3   4 
−1 1 −3 7 x4 3

Comenzamos por hacer la factorización LU tomando como pivote la primer ecuación

− 12
   
4 2 1 −1 1 0 0 0 4 2 1 −1
 2 6 2 1   1 1 0 0 0 5 3 3 
 = 2 2 2 
 1 2 10 −3   0 0 1 0 1 2 10 −3 
−1 1 −3 7 0 0 0 1 −1 1 −3 7

− 41
   
4 2 1 −1 1 0 0 0 4 2 1 −1
3 3   1 3 3

 0 5 2 2 = 2 1 0 0 0 5 2 2


 1 2 10 −3   41 0 1 0 0 3
2
39
4 − 11
4

−1 1 −3 7 0 0 0 1 −1 1 −3 7

 1   
44 2 1 −1 1 0 0 0 4 2 1 −1
 0 3 3   1 1 3 3
0 5 2 2   21 0 0 0 5 2 2

11  = 
 3 39 3 39 11

 0 0 2 4 − 4 4 0 1 0 0 2 4 −4 
0 −1 1 −3 7 − 14 0 0 1 0 3
2 − 11
4
27
4

Tomando como pivote la segunda ecuación tenemos

   
4 2 1 −1 1 0 0 0 4 2 1 −1
 −3 0 5 3 3   1
1 0 0 0 5 3 3 
 10 3
2
39
2 = 2 2 2 
 0 2 4 − 11
4
  1
4
3
10 1 0 0 0 93
10 − 16
5

3
0 2 − 11
4
27
4
1
−4 0 0 1 0 3
2 − 11
4
27
4
1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 27

   
4 2 1 −1 1 0 0 0 4 2 1 −1
 −3 0 5 3 3   1
1 0 0 0 5 3 3 
 10 2
93
2 = 2 2 2 
 0 0 10 − 16
5
 
4
1 3
10 1 0 0 0 93
10 − 16 
5
3 11 27
0 2 −4 4 − 41 3
10 0 1 0 0 − 16
5
63
10

Tomando como pivote la tercer ecuación

   
4 2 1 −1 1 0 0 0 4 2 1 −1
3 3   1 3 3
 0 5 2 2   21 1 0 0 0 5 2 2

16  = 
 32 93 3 93


93 0 0 10 − 5 4 10 1 0 0 0 10 − 16
5

0 0 − 16
5
63
10 − 14 3
10 − 32
93 1 0 0 0 967
186

Resolvemos el sistema triangular inferior Ly = b

y1 = 1
y1 1 −5
y2 = −2 − = −2 − =
2 2 2

y1 3y2 1 3( −5
2 ) 9
y3 = 4 − − =4− − =
4 10 4 10 2

   
y1 3y2 32y3 1 3 −5 32 9 172
y4 = 3 + − + =3+ − + =
4 10 93 4 10 2 93 2 31

Finalmente resolvemos el sistema triangular superior U x = y para los valores de y calcula-

dos previamente
Para la cuarta ecuación

967x4 172
=
186 31
1032
x4 =
963

Para la tercer ecuación

93x3 16x4 9
− =
10 5 2
28 MATRICES Y ELIMINACIÓN GAUSSIANA

9
2 + 16
5 x4
9
2 + 16 1032
5 ( 963 ) 823
x3 = 93 = 93 =
− 10 − 10 967

Para la segunda ecuación

3x3 3x4 5
5x2 + + =−
2 2 2

− 52 − 32 x3 − 32 x4 − 5 − 3 ( 823 ) − 32 ( 92 ) −1040
x2 = = 2 2 967 =
5 5 967
Finalmente para la primer ecuación

4x1 + 2x2 + x3 − x4 = 1

1 − 2x2 − x3 + x4 1 − 2( −1040 823 1032

967 ) − ( 967 ) + ( 967 ) 814
x1 = = =
4 4 967
Lo que da como resultado

 814 
967
1040
 − 967 
x=
 823


967
1032
967

1.5.5. Intercambio de renglones y matrices de permutación

Ahora es necesario enfrentar un problema que se ha evitado hasta el momento: el número
que se espera utilizar como pivote puede ser cero. Esto puede ocurrir en medio de un
calculo, ası́ por ejemplo si consideramos el sistema de ecuaciones:

    
0 2 u b1
=
3 4 v b2

La dificultad es evidente; ningún múltiplo de la primera ecuación elimina el coeficiente 3.

Podemos notar que esto se resuelve haciendo un intercambio de renglones

3u + 4v = b2
2v = b1
1.5. FACTORES TRIANGULARES E INTERCAMBIO DE RENGLONES 29

Para expresar esto en términos matriciales, se requiere de una matriz de permutación P

que produce el intercambio de renglones, la cual se obtiene al intercambiar los renglones
de la matriz indentidad:

 
0 1
P =
1 0

P (Ax) = P (b)

      
0 1 0 2 u 0 1 b1
=
1 0 4 3 v 1 0 b2

Dando lugar a un sistema

    
4 3 u b2
=
0 2 v b1

Una matriz de permutación P tiene los mismos renglones que la identidad (en algún orden).
En cada renglón y columna hay un simple 1. La matriz de permutación mas común en la
identidad P = I.
Hay n! = n×(n−1)×(n−2)×(n−3) · · ·×1 permutaciones en una matriz. Las permutaciones
posibles en una matriz de 3 × 3 son 6 y se muestran a continuación:

     
1 0 0 0 1 0 0 0 1
I =  0 1 0  P21 =  1 0 0  P31 =  0 1 0 
0 0 1 0 0 1 1 0 0
     
1 0 0 0 1 0 0 0 1
P32 =  0 0 1  P32 P21 =  0 0 1  P21 P32 =  1 0 0 
0 1 0 1 0 0 0 1 0

1.5.6. Ejemplo
Considere la matriz

 
1 1 1
A= 1 1 3 
2 5 8
30 MATRICES Y ELIMINACIÓN GAUSSIANA

Al tomar como pivote la primer ecuación tenemos como resultado

   
−1 1 1 1 1 0 0 1 1 1
 1 1 3 = 1 1 0 0 0 2 
2 5 8 0 0 1 2 5 8

   
−2 1 1 1 1 0 0 1 1 1
 0 0 2 = 1 1 0 0 0 2 
2 5 8 2 0 1 0 3 6

Para la segunda ecuación tomando como pivote A2,2 tenemos que este es cero y el factor
por qué debemos multiplicar es 3/0 lo implica una división entre cero. Para este caso lo
podemos resolver haciendo un cambio de renglones entre en la matriz triangular superior
U de la siguiente forma:

   
1 0 0 1 1 1
L =  2 0 1 U =  0 3 6 
1 1 0 0 0 2

 
1 1 1
LU =  2 2 4 
1 4 7

Note que el caso de la matriz triangular inferior el cambio de renglón trae como consecuencia
que esta pierda su estructura y el producto de LU ̸= A.
La matriz de permutación para este caso es:

 
1 0 0
P = 0 0 1 
0 1 0

La manera correcta de hacer la permutación de las matrices es:

L U = (P L′ P T )(P U ′ )

     
1 0 0 1 0 0 1 0 0 1 0 0
L = P L′ P =  0 0 1   1 1 0   0 0 1  =  2 1 0 
0 1 0 2 0 1 0 1 0 1 0 1
1.6. MATRIZ INVERSA 31

Para la matriz triangular superior

    
1 0 0 1 1 1 1 1 1
U = P U′ =  0 0 1   0 0 2  =  0 3 6 
0 1 0 0 3 6 0 0 2

Finalmente podemos verificar que:

    
1 0 0 1 1 1 1 1 1
L U =  2 1 0  0 3 6  =  2 5 8  = P A
1 0 1 0 0 2 1 1 3

1.6. Matriz Inversa

La inversa de una matriz de tamaño N × N es otra matriz del mismo tamaño. La inversa
de una matriz A se denota por A−1 a la cual se le denomina matriz inversa. La propiedad
fundamental es sencilla. Si se multiplica por A y luego se multiplica por A−1 regresamos
al princincio.
Si tenemos que

Ax = b

entonces

A−1 b = x

lo que significa que A−1 Ax = x. La matriz inversa A−1 multiplicada por la matriz A es
la matriz indentidad I. No todas la matrices tienen inversa, si un sistema de ecuaciones
no tiene solución entonces no existirá la matriz la matriz inversa de A. Una inversa en
imposible cuando Ax = 0 para un vector x ̸= 0.
La inversa de la matriz A es una matriz B tal que BA = I y AB = I. Hay cuando mucho
una B y ésta se denota por A−1 .

A−1 A = I
y
AA−1 = I
32 MATRICES Y ELIMINACIÓN GAUSSIANA

1. La inversa existe si y solo si la eliminación Gaussiana produce N pivotes (se permite

intercambiar los renglones)
2.- La matriz A no puede tener dos matrices inversas diferentes.
Prueba: Suponga BA = I y que AC = I

BAC = BAC
B(AC) = (BA)C
BI = IC

por lo tanto

B=C

3.- Si A es invertible la solución de Ax = b es x = A−1 b

4.- Supongamos que x es un vector diferente de cero tal que Ax = 0. Entonces A no tiene
inversa
5.- Una matriz de 2 × 2 es invertible si y solo si ad − bc es diferente de cero

 −1  −1
a b 1 d −b
=
c d ad − bc −c a

6.- Una matriz diagonal tiene una matriz inversa

   1 
d1 d1
1
 d2  
 −1  d2

A= A = 
 
.. .. 
 .   . 
1
dN dN

7.- El producto AB de matrices invertible es invertible por B −1 A−1 .

Prueba

(AB)(B −1 A−1 ) = A(BB −1 )A−1

AIA−1 = AA−1 = I
1.6. MATRIZ INVERSA 33

1.6.1. Cálculo de la matriz inversa: Método de Gauss-Jordan

Considere la ecuación AA−1 = I. Si tomamos una columna a la vez, tal que calculemos
cada columna de A−1 = [x1 , x2 , . . . , xN ]. La primer columna de la matriz inversa A−1 es
multiplicada por A para dar la primer columna de la identidad Ax1 = e1 . Similarmente
Ax2 = e2 y ası́ sucesivamente para la N columnas de la matriz inversa AxN = eN , donde
los vectores es son las cada una de las N columnas de la matriz identidad I.
Consideremos una matriz A de tamaño 3 × 3 podemos escribie

      
2 1 1 1
AA−1 =  4 −6 0   x1 x2 x3  =  e1 e2 e3  =  1 
−2 7 2 1

Esto es equivalente a resolver 3 sistema de ecuaciones. Para resolverlo utilizamos descom-

posición triangula LU

A = LU

    
2 1 1 1 0 0 2 1 1
 4 −6 0  =  2 1 0   0 −8 −2 
−2 7 2 −1 −1 1 0 0 1

Calculamos la solución del sistema LU x1 = e1 con e1 = [1, 0, 0]T aplicando sustitución

hacia adelante:

y1 = 1
y2 = 0 − 2y1 = 0 − 2(1) = −2
y3 = 0 + y1 + y2 = (1) + (−2) = −1

y posteriormente sustitución hacia atras:

x1,3 = y3 = −1
y2 + 2x1,3 −2 + 2(−1) 1
x1,2 = = =
−8 −8 2
y1 − x1,2 − x1,3 1 − (1/2) − (−1) 3
x1,1 = = =
2 2 4
34 MATRICES Y ELIMINACIÓN GAUSSIANA

Con esto tenemos la primer columna de la matriz inversa es x1 = [3/4, 1/2, −1].
Para la segunda columna de la matriz resolvemos el sistema LU x2 = b2 con b2 = [0, 1, 0]T
aplicando sustitución hacia adelante

y1 = 0
y2 = 1 − 2y1 = 0 − 2(0) = 1
y3 = 0 + y1 + y2 = 0 + (1) + (0) = 1

y sustitución hacia atrás:

x2,3 = y3 = 1
y2 + 2x2,3 1 + 2(1) 3
x2,2 = = =−
−8 −8 8
y1 − x2,2 − x2,3 1 − (−3/8) − (1) 5
x2,1 = = =−
2 2 16

La segunda columna de la matriz inversa es x2 = [−3/8, −1/4, 1]T .

Finalmente resolvemos el sistema de ecuaciones LU x3 = e3 aplicando sustitución hacia
adelante

y1 = 0
y2 = 0 − 2y1 = 0 − 2(0) = 0
y3 = 1 + y1 + y2 = 1 + (0) + (0) = 1

y sustitución hacia atrás:

x3,3 = y3 = 1
y2 + 2x3,3 −0 + 2(1) 1
x3,2 = = =−
−8 −8 4
y1 − x3,2 − x3,3 1 − (−1/4) − (1) 3
x3,1 = = =−
2 2 8

La tercer columna de la matriz inversa x3 = [−3/8, −1/4, 1]T .

1.6. MATRIZ INVERSA 35

Agrupando la soluciones tenemos que la matriz inversa es:

 
3/4 −5/16 −3/8
A−1 =  1/2 −3/8 −1/4 
−1 1 1

Método de Gauss-Jordan
Para realizar el Método de Gauss-Jordan considerando que tenemos un sistema de ecua-
ciones Ax = b vamos a suponer que :

Ax = Ib

     
A1,1 A1,2 ... A1,N x1 1 0 ... 0 b1
 A2,1 A2,2 ... A2,N  x2   0 1 ... 0    b2 
 
=
   
 .. .. .. ..  .. .. .. . . ..   .. 
 . . . .  .   . . . .  . 
AN,1 AN,2 . . . AN,N xN 0 0 ... 1 bN

La cual puede representarse como:

 
A1,1 A1,2 ... A1,N 1 0 . . . 0 b1
 A2,1 A2,2 ... A2,N 0 1 . . . 0 b2 
(1.9)
 
 .. .. .. .. .. .. . . .. .. 
 . . . . . . . . . 
AN,1 AN,2 . . . AN,N 0 0 . . . 1 bN

El objetivo del método de Gauss-Jordan es tener una representación

Ix = A−1 b

  −1
A1,1 A−1 −1
1,2 . . . A1,N
   
1 0 ... 0 x1 b1
  −1 −1 −1
0 1 ... 0    x2   A2,1 A2,2 . . . A2,N b2
   
.. .. . . ..   ..  =  ..
  
 .. .. ..  .. 
 . . . .  .   . . . .  . 
0 0 ... 1 xN A−1
N,1 A −1
N,2 . . . A−1
N,N
bN

la cual puede representarse como:

36 MATRICES Y ELIMINACIÓN GAUSSIANA

1 0 . . . 0 A−1 A−1 −1
1,2 . . . A1,N b1
 
1,1
 0 1 . . . 0 A2,1 A2,2 . . . A−1
−1 −1
2,N b2 
(1.10)
 
 .. .. . . .. .. .. .. .. .. 
 . . . . . . . . . 
−1 −1 −1
0 0 . . . 1 AN,1 AN,2 . . . AN,N bN

El método de Gauss-Jordan consiste en pasar de la formulación (1.9) a la formulación

(1.10) aplicando varios pasos de eliminación Gaussiana y dividiendo cada ecuación pivote
por su elemento pivote AN,N para tener siempre unos en la diagonal.

Ejemplo
Determinar la matriz inversa y la solución del sistema de ecuaciones dado como:
    
2 −1 x1 1
=
1 1 x2 5

La representación en forma de tabla del sistema de ecuaciones es:

 
2 −1 1 0 1
1 1 0 1 5

Comenzamos poniendo un 1 en el elemento pivote A1,1 , para esto dividimos multiplicamos

el primer renglón por 12 .
R1 = (1/2)R1

1
1 − 12 1 1
   
2 2 −1 1 0 1 2 0 2
=
1 1 0 1 5 1 1 0 1 5

Para el resto de los renglones aplicamos la eliminación Gaussiana, multiplicando el primer

renglón por −1 y lo sumamos al segundo renglón para obtener un cero en el elemento
A2,2 = 0
R2 ← R2 + (1/2)R1

−1 1 − 21 1 1
1 − 12 1 1
   
2 0 2 2 0 2
= 3
1 1 0 1 5 0 2 − 12 1 9
2

Para la segunda ecuación tenemos que hacer A2,2 = 1 multiplicando el segundo renglón
por 23
1.6. MATRIZ INVERSA 37

R2 ← (2/3)R2

1 − 12 1 1
1 − 12 1 1
   
2 0 2 2 0 2
2 3 =
3 0 2 − 21 1 9
2 0 1 − 13 2
3 3

1
hacemos el elemento A1,2 = 0 multiplicando el segundo renglón por 2 y lo sumamos la
primer renglón.
R1 ← R1 + (1/2)R2

1 − 21 1 1 1 1
   
2 0 2 1 0 3 3 2
1 =
2 0 1 − 31 2
3 3 0 1 − 13 2
3 3

Con esto obtenemos que

x1 = 2
x2 = 3

y la matriz inversa

1 1
 
−1 3 3
A =
− 31 2
3

Ejemplo
Dado el sistema de ecuaciones

    
2 1 1 x1 5
 4 −6 0   x2  =  −2 
−2 7 2 x3 9

Calcular la solución del sistema de ecuaciones y la matriz inversa del sistema utilizando el
método de Gauss-Jordan.
Hacemos 1 el elemento en el renglón 1 columna 1 multiplicando el primer renglón por
1/2

1 1 1 1 5
   
2 2 1 1 1 0 0 5 1 2 2 2 0 0 2
 4 −6 0 0 1 0 −2  =  4 −6 0 0 1 0 −2 
−2 7 2 0 0 1 9 −2 7 2 0 0 1 9
38 MATRICES Y ELIMINACIÓN GAUSSIANA

Ponemos un cero en el renglón 2 columna 1 multiplicado el primer renglón por (-4) y lo

sumamos al renglón 2
1 1 1 5 1 1 1 5
   
−4 1 2 2 2 0 0 2 1 2 2 2 0 0 2
 4 −6 0 0 1 0 −2  =  0 −8 −2 −2 1 0 −12 
−2 7 2 0 0 1 9 −2 7 2 0 0 1 9

1 1 1 5 1 1 1 5
   
2 1 2 2 2 0 0 2 1 2 2 2 0 0 2
 0 −8 −2 −2 1 0 −12  =  0 −8 −2 −2 1 0 −12 
−2 7 2 0 0 1 9 0 8 3 1 0 1 14

Ponemos un 1 en el renglón 2 columna 2 multiplicando el segundo renglón por −1/8

1 1 1 5 1 1 1
0 0 52
   
1 2 2 2 0 0 2 1 2 2 2
 −1 0 −8 −2 −2 1 0 −12  =  0 1 1 1
− 18 0 32 
8 4 4
0 8 3 1 0 1 14 0 8 3 1 0 1 14

Ponemos cero en el primer renglón segunda columna multiplicando por (−1/2) el segundo
renglón y lo sumamos al primer renglón

1 1 1
0 0 52 3 3 1
0 74
   
1 2 2 2 1 0 8 8 16
 −1 0 1 1 1
− 81 0 32  =  0 1 1 1
− 180 32 
2 4 4 4 4
0 8 3 1 0 1 14 0 8 3 1 0 1 14

Ponemos un cero en el tercer renglón segunda columna multiplicando el segundo renglón

por (-8) y sumando con el tercer renglón

3 3 1
0 74 3 3 1 7
   
1 0 8 8 16 1 0 8 8 16 0 4
1 1
 −8 0 1
4 4 − 180 32  =  0 1 1
4
1
4 − 81 0 3
2

0 8 3 1 0 1 14 0 0 1 −1 1 1 2

Ponemos 1 en el renglón 3 columna 3 multiplicando el tercer renglón por (1)

3 3 1 7 3 3 1 7
   
1 0 8 8 16 0 4 1 0 8 8 16 0 4
1 1
 0 1 4 4 − 81 0 3
2
= 0 1 1
4
1
4 − 81 0 3
2

1 0 0 1 −1 1 1 2 0 0 1 −1 1 1 2

Ponemos un cero en el primer renglón tercera columna multiplicando el tercer renglón por
(−3/8) y lo sumamos con el primer renglón
1.6. MATRIZ INVERSA 39

3 3 1 7 3 5
− 38
   
1 0 8 8 16 0 4 1 0 0 4− 16 1
1 1
 0 1 4 4 − 810 3
2
= 0 1 1
4
1
4−8 1
0 3
2

− 38 0 0 1 −1 1 1 2 0 0 1 −1 1 1 2

Ponemos un cero en el segundo renglón tercer columna multiplicando por (-1/4) el tercer
renglón y lo sumamos al segundo renglón

53
− 38 3 5 3
   
1 0 0 − 16
4 1 1 0 0 4 − 16 − 8 1
1 1
 0 1 4 − 18
4 0 3 
2 = 0 1 0 1
2 − 38 − 14 1 
− 14 0 0 1 −1 1 1 2 0 0 1 −1 1 1 2

La solución del sistema de ecuaciones es x1 = 1, x2 = 1 y x3 = 2 con una matriz inver-

sa

53
− 38
 
− 16
4
A−1 = − 38 − 14 
1
2
−1 1 1

Ejemplo
Dada la matrix A  
1 1 1
A= 1 1 3 
2 5 8

Determinar la matriz inversa A−1 .

Pivote n = 1
R1 = R1

   
1 1 1 1 1 0 0 1 1 1 1 0 0
 0 1 1 3 0 1 0 = 1 1 3 0 1 0 
0 2 5 8 0 0 1 2 5 8 0 0 1

R2 ← R2 + (−1)R1
   
−1 1 1 1 1 0 0 1 1 1 1 0 0
 1 1 3 0 1 0  =  0 0 2 −1 1 0 
2 5 8 0 0 1 2 5 8 0 0 1
40 MATRICES Y ELIMINACIÓN GAUSSIANA

R3 ← R3 + (−2)R1
   
−2 1 1 1 1 0 0 1 1 1 1 0 0
 0 0 2 −1 1 0  =  0 0 2 −1 1 0 
2 5 8 0 0 1 0 3 6 −2 0 1

Pivote en n = 2
R2 = (1/0)R2 No es posible

 
1 1 1 1 0 0
1

0 0 0 2 −1 1 0 
0 3 6 −2 0 1

hacemos un cambio de las ecuaciones en los renglones 2 y 3.

 
1 1 1 1 0 0
 0 3 6 −2 0 1 
0 0 2 −1 1 0

Pivote en n = 2
R2 ← 13 R2
   
1 1 1 1 0 0 1 1 1 1 0 0
1

3 0 3 6 −2 0 1  =  0 1 2 − 23 0 1
3

0 0 2 −1 1 0 0 0 2 −1 1 0

R1 ← R1 + (−1)R2
5 1
   
1 1 1 1 0 0 1 0 −1 3 0 −3
 −1 0 1 2 − 2 0 1 
= 0 1 2 − 23 0 1 
3 3 3
0 0 2 −1 1 0 0 0 2 −1 1 0

R3 ← R3 + (0)R2
5 1 5 1
   
1 0 −1 3 0 −3 1 0 −1 3 0 −3
 0 0 1 2 − 23 0 1 
3 = 0 1 2 − 23 0 1 
3
0 0 2 −1 1 0 0 0 2 −1 1 0

Pivote tercer renglón

R3 ← 12 R3
1.6. MATRIZ INVERSA 41

5 1 5
0 − 13
   
1 0 −1 3 0 −3 1 0 −1 3
2 1 
 0 1 2 −3 1 3 = 0 1
 2 − 23 0 1 
3
1
2 0 0 2 −1 1 0 0 0 1 − 12 1
2 0

R1 ← R1 + (1)R3
5
0 − 13 7 1
− 13
   
1 0 −1 3 1 0 0 6 2
 0 1 2 − 32 0 1 
3 =  0 1 2 −32
0 1
3

1 0 0 1 − 21 1
2 0 0 0 1 − 12 1
2 0

R2 ← R2 + (−2)R3
7 1
− 13 7 1
− 13
   
0 1 0 0 6 2 1 0 0 6 2
 0 0 1 2 −2 0 1 
= 0 1 0 1
−1 1 
3 3 3 3
−2 0 0 1 − 21 1
2 0 0 0 1 − 21 1
2 0

La matriz inversa con los renglones cambiados es

7 1
− 13
 
6 2
Ā−1 =  1
3 −1 1
3

− 12 1
2 0

y la matriz inversa es:

7 1
− 13
 
6 2
A−1 =  − 12 1
2 0 
1 1
3 −1 3

1.6.2. La matriz transpuesta

La matriz transpuesta de A, se denota como AT y se construye colocando los renglones de
la matriz A como columnas de la matriz AT . Por ejemplo si

 
2 1 4
A=
0 0 3

su matriz transpuesta es



2 0
AT =  1 0 
4 3
42 MATRICES Y ELIMINACIÓN GAUSSIANA

El general la matriz transpuesta de una matriz A de tamaño N × M es una matriz AT de

tamaño M × N y cada elemento se calcula como

ATc,r = Ar,c

Propiedades
La transpuesta del producto de matrices es

(AB)T = B T AT

Ejemplo
Dadas las matrices A y B mostrar que (AB)T = B T AT
La transpuesta de A−1 es

(A−1 )T = (AT )−1

Matrices Simétricas
Una matriz simétrica es una matriz que es igual a su propia transpuesta AT = A

1.6.3. Factorizacion LDLT

Suponga que la matriz A es una matriz cuadrada y simétrica (N × N y A = AT ) puede
factorizarse en A = LDU donde L es una matriz triangular inferior D es una matriz
diagonal y U = LT .
Dada la matriz A calcular su sus factores LDLT

 
10 −2 1
A =  −2 5 −4 
1 −4 6

Si resolvemos con descomposición triangular LU tenemos que hacer

Comenzamos tomando como pivote la ecuación 1
R2 ← R2 + (−1/10)R1
1.6. MATRIZ INVERSA 43

1
   
5 10 −2 1 1 0 0 10 −2 1
 −2 5 −4  =  − 15 1 0 0 23
5 − 19
5

1 −4 6 0 0 1 1 −4 6

R3 ← R3 + (19/23)R1

1
   
− 10 10 −2 1 1 0 0 10 −2 1
 0 23
5 − 19
5
 =  −1 1 0 0
5
23
5 − 19
5

1 19 59
1 −4 6 10 0 1 0 −5 10

Tomando como pivote la ecuación 2

R3 ← R3 + (19/23)R2

   
10 −2 1 1 0 0 10 −2 1
19 23

23 0 5 − 19
5
 =  −1
5 1 0 0 235 − 19
5

19 59 1 19 127
0 −5 10 10 − 23 1 0 0 46

La descomposición triangular queda

  
1 0 0 10 −2 1
LU =  − 51 1 0   0 23
5 − 19
5

1 19 127
10 − 23 1 0 0 46

y la descomposición triangular LDLT es:

1 − 15 1
   
1 0 0 10 0 0 10
LDLT =  − 15 1 0  0 23
5 0  0 1 − 19
23

1 19 127
10 − 23 1 0 0 46 0 0 1

Aplicando las propiedades de la matriz podemos hacer el mismo proceso aplicando sola-
mente eliminación Gaussiana
Comenzamos tomando como pivote la ecuación 1
R2 ← R2 + (−1/10)R1

1
   
5 10 −2 1 10 −2 1
 −2 5 −4  =  0 23
5 − 19
5

1 −4 6 1 −4 6
44 MATRICES Y ELIMINACIÓN GAUSSIANA

R3 ← R3 + (19/23)R1

1
   
− 10 10 −2 1 10 −2 1
 0 23
5 − 19
5
= 0 23
5 − 19
5

19 59
1 −4 6 0 −5 10

Tomando como pivote la ecuación 2

R3 ← R3 + (19/23)R2

   
10 −2 1 10 −2 1
19 23

23 0 5 − 19
5
 =  0 23 − 19 
5 5
19 59
0 −5 10 0 0 127
46

La matriz U la podemos de descomponer en DLT

−1 1
    
10 −2 1 10 0 0 1 5 10
23 19  23 19
U=  0 5 −5 =  0 5 0   0 1 − 23 
0 0 127
46 0 0 127
46 0 0 1

La factorización completa LDLT queda

1 − 15 1
   
1 0 0 10 0 0 10
LDLT =  − 15 1 0  0 23
5 0  0 1 − 19
23

1
10 − 19
23 1 0 0 127
46 0 0 1
Espacios Vectoriales

Comenzaremos por definir lo que significa la combinación lineal de vectores. Consideremos

que tenemos N vectores v1 , v2 , v3 , . . . , vn y cada uno de los vectores vi esta en un espacio
Rm , la combinación lineal se expresa como

v = c1 v1 + c2 v2 + c3 v3 + · · · + cn vn

donde ci son valores constantes constantes.

Si consideramos el sistema de m ecuaciones con n incógnitas

Ax = b

    
A1,1 A1,2 A1,3 ... A1,n x1 b1

 A1,1 A1,2 A1,3 ... A1,n 
 x2  
  b2 


 A1,1 A1,2 A1,3 ... A1,n 
 x3 =
  b3 

 .. .. .. .. ..  ..   .. 
 . . . . .  .   . 
Am,1 Am,2 Am,3 . . . Am,n xn bm

Si cada columna de la matriz A es un vector con m elementos entonces podemos decir que
el sistema de ecuaciones es una combinación lineal de las columna de la matriz A.

x1 v1 + x2 v2 + x3 v3 + · · · + xN vN = b

2.1. Espacios y subespacios vectoriales

Un espacio vectorial es un conjunto no vacı́o V de objetos, llamados vectores, en el que se
han definido dos operaciones: la suma y el producto por un escalar (número real) sujetas a

45
46 ESPACIOS VECTORIALES

los diez axiomas que se dan a continuación. Los axiomas deben ser válidos para todos los
vectores u, v y w en V y todos los escalares α y β reales.
Llamamos u + v a la suma de vectores en V , y αv al producto de un número real α por un
vector v ∈ V .
1. u + v ∈ V
2. u + v = v + u
3. (u + v) + w = u + (v + w)
4. Existe un vector nulo 0V ∈ V tal que v + 0V = v
5. Para cada v en V , existe un opuesto (–v) ∈ V tal que v + (–v) = 0
6. αv ∈ V
7. α(u + v) = αu + αv
8. (α + β)v = αv + βv
9. α(βv) = (αβ)v
10. 1v = v
Un subespacio de un espacio vectorial es un conjunto no vacı́o que satisface los requisitos
de un espacio vectorial: Las combinaciones lineales permanecen en el subespacio.
i) si se suman dos vectores cualesquiera en el subespacio, x + y está en el subespacio ii)
Si cualquier vector x en el subespacio se multiplica por cualquier escalar c, cx esta en el
subespacio.

2.1.1. Espacio Columna de A

El espacio column contiene a todas las combinaciones lineales de las columnas de A y es
un subespacio Rm . Denotamos al espacio columna de A como C(A).
Por ejemplo dado el sistema de ecuaciones

   
1 0   b1
 5 4  u =  b2 
v
2 4 b3

El espacio columna C(A) queda expresado por

     
1 0 b1
u  5  + v  4  =  b2 
4 4 b3
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 47

Esto significa que para un sistema de ecuaciones Ax = b el sistema tiene al menos una
solución si b puede ser expresado como una combinación lineal de los vectores del espacio
columna de la matriz A.

2.1.2. Espacio Nulo

El espacio nulo de una matriz consta de todos los vectores x tales que Ax = 0. Este espacio
se denota por N (A). El espacio nulo es un subespacio de Rn , justo como el espacio columna
era un subespacio de Rm .
Consideremos la matriz B

 
1 0 1
B= 5 4 9 
2 4 6

Para calcular el espacio nulo podemos ver que la tercer columna resulta ser la suma de las
columna 1 y 2.

       
1 0 1 0
u 5  + v 4  + w 9  =  0 
2 4 6 0

podemos ver que una solución es u = 1, v = 1 y w = −1, pero existen más de uno. En
general tenemos que cualquier solución es u = c, v = c y w = −c donde c es un valor
constante. Note que el espacio nulo N (B) de la matriz B es una linea recta dado que c
puede tomar cualquier valor en R

2.2. Cómo resolver Ax = 0 y Ax = b

Para una matriz invertible el espacio nulo sólo contiene a x = 0. El espacio columna es
todo el espacio donde Ax = b tiene solución para cualquier b. Las nuevas preguntas surgen
cuando el espacio nulo contiene más que al vector vero y/o el espacio columna contiene
menos que todos los vectores:
1. Cualquier vector xn es el espacio nulo puede sumarse a una solución particular xp . Las
soluciones de todas las ecuaciones lineales tienen esta forma x = xp + xn :
Solución completa de Axp = b y Ax = 0 producen A(xp + xn ) = b
2. Cuando el espacio columna no contiene a toda b en Rm , se requieren las condiciones b
para hacer soluble el sistema Ax = b.
48 ESPACIOS VECTORIALES

Figura 2.1: Espacio Vectorial

Como ejemplo tenemos

    
1 1 x1 b1
=
2 2 x2 b2

No hay solución a menos que b2 = 2b1

Cuando b2 = 2b1 , hay una infinidad de soluciones. Una solución particular de x1 + x2 = 2

y 2x1 + 2x2 = 4 es xp = [1, 1]T . El espacio nulo de A se muestra en la figura 2.1 y contiene
a [−1, 1] y todos los múltiplos de este c[−1, 1]T . La solución completa para el sistema

    
1 1 x1 2
=
2 2 x2 4

es

   
1 −1
x = xp + xn = +c
1 1

Forma escalonada U y forma reducida por renglones R

Haremos la reducción de una matriz A de tamaño 3
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 49

 
1 3 3 2
A= 2 6 9 7 
−1 −3 3 4

Tomamos como pivote el elemento a1,1 = 1

Hacemos R2 ← R2 + (−2)R1
   
−2 1 3 3 2 1 3 3 2
 2 6 9 7 = 0 0 3 3 
−1 −3 3 4 −1 −3 3 4

Hacemos R3 ← R3 + (1)R1
   
1 1 3 3 2 1 3 3 2
 0 0 3 3 = 0 0 3 3 
−1 −3 3 4 0 0 6 6

Considerando la ecuación dos con pivote en a2,3 = 2 y hacemos R3 ← R3 + (−2)R2

   
1 3 3 2 1 3 3 2
 −2 0 0 3 3  =  0 0 3 3 
0 0 6 6 0 0 0 0

Con esto obtenemos una matriz escalonada a la que denominamos U

 
1 3 3 2
U = 0 0 3 3 
0 0 0 0

Esta forma escalonada U , siempre puede obtenerse, con cero bajo de los pivotes:
1. Los pivotes son los primeros elementos diferentes de cero en los renglones.
2. Abajo de cada pivote hay una columna de ceros, obtenida por eliminación.
3. Cada pivote está a la derecha del privote en el renglón de arriba. Esto produce el patrón
escalonado y los renglones cero aparecen al último.

 
• ∗ ∗ ∗ ∗ ∗ ∗ ∗

 0 • ∗ ∗ ∗ ∗ ∗ ∗ 

U =
 0 0 0 • ∗ ∗ ∗ ∗ 

 0 0 0 0 0 0 0 • 
0 0 0 0 0 0 0 0
50 ESPACIOS VECTORIALES

Si tenemos una matriz triangular superior, también existe una matriz triangular inferior L
dada como

 
1 0 0
L= 2 1 0 
−1 2 1

tal que A = LU .

Para cualquier matriz A de tamaño m × n existe una matriz de permutación P , una matriz
triangular L con diagonal unitaria y una matriz U escalonada de tamaño m × n tales
que

P A = LU

Es posible simplificar la matriz U , con la finalidad de simplificar la matriz. Para esto

tomamos como referencia la ecuación 2 y ponemos en la columna pivote un 1 en el pivote
y cero en los demás elementos de la columna. Para realizar esto utilizamos el método de
Gauss-Jordan.

Hacemos R2 ← (1/3)R2

   
1 3 3 2 1 3 3 2
1

3 0 0 3 3 = 0 0 1 1 
0 0 0 0 0 0 0 0

Hacemos R1 ← R1 + (−3)R2

   
1 3 3 2 1 3 0 −1
 −3 0 0 1 1  =  0 0 1 1 
0 0 0 0 0 0 0 0

En general aplicando el método de Gauss-Jordan sobre los pivotes obtendremos una matriz
escalonada con una forma como la ecuación (2.11). Las variables pivotes quedarán identi-
ficadas por un vector de ceros con solo un 1 en el pivote. Las columnas que no cumplan
con esto serán llamadas variable libres.
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 51

 
1 0 ∗ 0 ∗ ∗ ∗ 0

 0 1 ∗ 0 ∗ ∗ ∗ 0 

R=
 0 0 0 1 ∗ ∗ ∗ 0 
 (2.11)
 0 0 0 0 0 0 0 1 
0 0 0 0 0 0 0 0

Para calcular el espacio nulo de nuestra matriz hacemos

   
 x1 0 
1 3 0 −1 
x2   0
  
Rx =  0 0 1 1 
 x3  =  0


0 0 0 0
x4 0

Para esta matriz las variable pivotes se muestran en negritas y corresponden a x1 y x3 y

las variables libres son x2 y x4 . Para encontrar el espacio nulo hacemos:

x2 = α x4 = β

x1 + 3x2 − x3 = 0 produce x1 = −3α + β

x3 + x4 = 0 produce x4 = −β

Con esto podemos escribir que el espacio nulo queda es

      
x1 −3α + β −3 1
 x2   α   1   0 
x=
 x3  = 
  =
  0  α +  −1
  β
−β 
x4 β 0 1

Note que tenemos un sub-espacio bidimensional dado que las variables libres son dos.
Suponga que la eliminación Gaussiana reduce Ax = b a U x = c y Rx = d con r renglones
pivotes y r columnas pivote. Definimos el rango de estas matrices como r . Los últimos
m − r renglones de U y R son cero, de modo que hay una solución si y solo si los últimos
m − r renglones de c y d también son cero.
La solución completa es x = xp + xn . Una solución particular xp tiene iguales a cero
las variables libres. Sus variables pivote son los primeros r elementos de d, por lo cual
Rxp = d
52 ESPACIOS VECTORIALES

Las soluciones del espacio nulo xn son combinaciones de n−r soluciones especiales, con una
variable libre igual a 1. Las variables pivote en esa solución especial, pueden encontrarse
en la columna correspondiente de R (con signo imvertido).

Como resolver Ax = b, U x = c y Rx = d
Para resolver Ax = b tenemos que calcular la forma U x = c utilizando EG. Ası́ par nuestro
ejemplo con b = [b1, b2 , b3 ]T al calcular el sistema triangulas superior U x = c tenemos

 
 x
1 3 0 −1  1 
  
b1
x2  
 0 0 1 1 
 x3  = b2 − 2b1 
0 0 0 0 b3 − 2b2 + 5b1
x4

En este caso el sistema será inconsistente si b3 − 2b2 + 5b1 ̸= 0, esto significa que tendremos
soluciones si y solo si b3 − 2b2 + 5b1 = 0.
Por ejemplo con el objetivo de cumplir b3 − 2b2 + 5b1 = 0 se escoge b = [1, 5, 5]T

 
 x1 
 
1 3 3 2  1
 2 x2 

6 9 7 
 x3  =  5 
−1 −3 3 4 5
x4

La eliminación Gaussiana produce un sistema U x = c


 x1
  
1 3 3 2  1
x
 0 0 3 3  2  =  3 

 x3 
0 0 0 0 0
x4

La última ecuación es 0 = 0 como era de esperarse.

Para las variables independientes hacemos

x2 = α x4 = β
La sustitución hacia atras proporciona:

3x3 + 3x4 = 3 o x3 = 1 − β
x1 + 3x2 + 3x3 + 2x4 = 1 o x1 = −2 − 3α + β
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 53

Existe una infinidad de soluciones donde v y y son libres y u y w no lo son. La solución

completa del sistema es

       
x1 −2 −3 1
 x2   0   1   0 
x = xp + xn = 
 x3  =  1  +  0  α +  −1
      β

x4 0 0 1

Si tenemos la forma reducida Rx = d resultado de aplicar Gauss-Jordan al sistema Ax = b

tenemos

 
 x1   
1 3 0 −1  −2
 0 0 1 x2  

1 
 x3  = 1 
0 0 0 0 0
x4

Para las variables libres o independientes

x2 = α x4 = β
Del primer renglón tenemos x − 1 = −2 − 3α + y y del segundo renglón x3 = 1 − β lo cual
nos da la solución

       
x1 −2 −3 1
 x2   0   1   0 
 x3  =  1  +  0  α +  −1
x = xp + xn =        β

x4 0 0 1

2.2.1. Ejemplo
Dada la matriz

 
1 1
A=
2 2
a) Calcular el espacio nulo de la matriz.
Para calcular el espacio nulo utilizamos Eliminación Gaussiana haciendo:
R2 ← R2 + (−2)R1

   
−2 1 1 1 1
=
2 2 0 0
54 ESPACIOS VECTORIALES

Resolvemos el sistema

    
1 1 x1 0
Rx = =
0 0 x2 0

Tenemos que la variable x2 es independiente por lo tanto x2 = α y la variable x1 es

dependiente por lo tanto

x1 + x 2 = 0 → x1 = −x2 = −α

En forma equivalente el espacio nulo queda como

   
x1 −1
xn = = α
x2 1
b) determinar las caracterı́sticas del vector b para que el sistema Ax = b tenga solu-
ción    
−2 1 1 b1 1 1 b1
=
2 2 b2 0 0 b2 − 2b1

Para que el sistema tenga solución y no existan inconsistencias tenemos que

b2 − 2b1 = 0 → b2 = 2b1

c) Dado el vector b = [2, 4]T cual es el espacio de soluciones

 
1 1 2
0 0 0

Aplicada la EG podemos ver que x2 es independiente por lo tanto x2 = α y x1 + x2 = 2 la

cual podemos de donde calculamos x1 = 2 − α

       
x1 2−α 2 −1
x= = = + α
x2 α 0 1

c) Cual es el rango de la matriz A

Después de aplicada la EG podemos ver que tenemos un solo pivote por lo cual el rango
de la Matriz es r = 1 y el espacio de soluciones es unidimensional de acuerdo al inciso
b)
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 55

2.2.2. Ejemplo
Dada la matriz A

 
5 1 3 4
A= 2 1 6 7 
1 4 5 10

a) determinar el espacio nulo utilizando el método de Gauss-Jordan.

Tomando como pivote la primer ecuación n = 1
Hacemos R1 ← (1/5)R1

1 1 3 4
   
5 5 1 3 4 1 5 5 5
 2 1 6 7 = 2 1 6 7 
1 4 5 10 1 4 5 10

Hacemos R2 ← R2 + (−2)R1

1 3 4 1 3 4
   
−2 1 5 5 1
5 5 5 5
3 24 27
 2 1 6 7 = 0
 
5 5 5

1 4 5 10 1 4 5 10

Hacemos R3 ← R3 + (−1)R1

1 3 4 1 3 4
   
−1 1 5 5 1
5 5 5 5
3 24 27 3 24 27
 0 5 5
= 0
5 5 5 5

19 22 46
1 4 5 10 0 5 5 5

Tomando como pivote la segunda ecuación n = 2

Hacemos R2 ← (5/3)R1

1 3 4 1 3 4
   
1 5 5 5 1 5 5 5
5 3 24 27

3 0 5 5 5
= 0 1 8 9 
19 22 46 19 22 46
0 5 5 5 0 5 5 5

Hacemos R1 ← R1 + (−1/5)R2
56 ESPACIOS VECTORIALES

1 3 4
   
1 5 5 5 1 0 −1 −1
 −1 0 1 8 9 = 0 1 8 9 
5
19 22 19 22 46
0 5 5 0 5 5 5

Hacemos R3 ← R3 + (−19/5)R1

   
0 1 0 −1 −1 1 0 −1 −1
 − 19 0 1 8 9 = 0 1 8 9 
5
19 22 46
0 0 5 5 5 0 0 −26 −25

Tomando como pivote el tercer renglón n = 3

Hacemos R3 ← (−1/26)R3

   
1 0 −1 −1 1 0 −1 −1
 0 1 8 9 = 0 1 8 9 
1 25
− 26 0 0 −26 −25 0 0 1 26

Hacemos R1 ← R1 + (1)R3

1
   
1 0 −1 −1 1 0 0 − 26
 0 1 8 9 = 0 1 8 9 
25 25
1 0 0 1 26 0 0 1 26

Hacemos R2 ← R2 + (−8)R3

1 1
   
1 0 0 − 26 1 0 0 − 26
17 
 0 1 8 9 = 0 1 0 13
25 25
−8 0 0 1 26 0 0 1 26

Dada la matriz R resolvemos el sistema Rx = 0

   
 1
 x1 0
1 0 0 − 26  x2   0
17

Rx =  0 1 0 13  x3  =  0
   
25

0 0 1 26 x4 0

La variable independiente es x4 por lo tanto x4 = α, las variables dependientes las calcu-

lamos con sustitución hacia atrás haciendo
1 1
x1 − x4 = 0 → x1 = α
26 26
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 57

17 17
x2 + x4 = 0 → x2 = − α
13 13

25 25
x3 + x4 = 0 → x3 = − α
26 26

La solución del espacio nulo xn esta dada como

  1 
x1 26
 x2   − 17 
xn =    13
 x3  =  − 25
α

26
x4 1

b) Utilizando Eliminación Gaussiana calcular el espacio de soluciones con b = [1, 1, 1]T .

Hacemos R2 ← R2 + (−2/5)R1

− 25
   
5 1 3 4 1 5 1 3 4 1
3 24 27 3
 2 1 6 7 1 = 0 5 5 5 5

1 4 5 10 1 1 4 5 10 1

Hacemos R3 ← R2 + (−1/5)R1

− 51
   
5 1 3 4 1 5 1 3 4 1
3 24 27 3  3 24 27 3
 0 5 5 5 5 = 0

5 5 5 5

19 22 46 4
1 4 5 10 1 0 5 5 5 5

   
5 1 3 4 1 5 1 3 4 1
 − 19 0 3 24 27 3 = 0 3 24 27 3 
3 5 5 5 5 5 5 5 5
19 22 46 4
0 5 5 5 5 0 0 −26 −25 −3
Podemos ver que las variable pivotes son x1 , x2 y x3 , por lo tanto la variable independiente
es x4 .
Aplicando sustitución hacia atras :
Para x4 por ser la variable independiente hacemos

x4 = α

Con sustitución hacia atrás, para x3

58 ESPACIOS VECTORIALES

3 25
−26x3 − 25x4 = −3 o x3 = − α
26 26

Para x2

3 24 27
3 24 27 3 5 − 5 x3 − 5 x4
x2 + x3 + x4 = o x2 = 3
5 5 5 5 5


3 25
x2 = 1 − 8x3 − 9x4 o x2 = 1 − 8 − x4 − 9x4
26 26
2 17
x2 = − α
26 13
y finalmente para x1

1 − x2 − 3x3 − 4x4
5x1 + x2 + 3x3 + 4x4 = 1 o x1 =
5

   
1 1 2 17 3 3 25 4
x1 = − − x4 − − x4 − x4
5 5 26 13 5 26 26 5

3 1
x1 = + α
26 26

El conjunto de soluciones es:

 3 1   3   1 
26 + 26 α 26 26
2

26 − 17   2
13 α  =  26
  17
− 13 
x= 3
+ α

26 − 25
26 α
  3
26
  − 25
26

α 0 1

Note que la solución de x es la suma de la solución particular xp y la solución del espacio

nulo xn .
c) Determinar la dimensión del subespacio de soluciones
Dado que solo tenemos un sola variable independiente la solución x esta en una dimensión.
El rango de la matriz A es por lo tanto r = 2.
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 59

2.2.3. Ejemplo
Dado el sistema de ecuaciones

 
 x1
  
2 6 1 1  5
 1 3 4 1/2   x2  =  3 

 x3 
1 3 6 1/2 −1
x4

a) Determinar el espacio nulo de la matriz utilizando el método de Gauss-Jordan

 
2 6 1 1 5
 1 3 4 1/2 3 
1 3 6 1/2 −1

Hacemos R1 ← (1/2)R1  
1 3 1/2 1/2 5/2
 1 3 4 1/2 3 
1 3 6 1/2 −1

Hacemos R2 ← R2 + (−1)R1
 
1 3 1/2 1/2 5/2
 0 0 7/2 0 1/2 
0 0 11/2 0 −7/2

Tomamos como pivote el elemento a2,3

Hacemos R2 ← (2/7)R2  
1 3 1/2 1/2 5/2
 0 0 1 0 1/7 
0 0 11/2 0 −7/2

Hacemos R1 ← R1 + (−1/2)R2
 
1 3 0 1/2 17/7
 0 0 1 0 1/7 
0 0 11/2 0 −7/2

Hacemos R3 ← R3 + (−11/2)R2
 
1 3 0 1/2 17/7
 0 0 1 0 1/7 
0 0 0 0 −30/7
60 ESPACIOS VECTORIALES

Note que existe una inconsistencia debido a que el valor b3 = −30/7 cuando deberı́a ser
cero. Esto significa que
0x1 + 0x2 + 0x3 + 0x4 = −30/7
condición imposible de cumplir.
Dado que las variables pivotes son x1 y x3 las variables independientes son x2 y x4 por lo
tanto para calcular el espacio nulo tenemos que hacer:
Las variables independientes x2 = α y x4 = β
utilizando sustitución hacia atras:

x1 + 3x2 + x4 /2 = 0 → x1 = −3α − β/2

x3 = 0

En forma vectorial tenemos

    
  
x1 −3α − β/2 −3 −1/2
 x2   α   1   0 
x=
 x3  = 
  =
  0 α + 
  β
0 0 
x4 β 0 1

b) Determinar la forma del vector b para que el sistema tenga solución.

Para calcular la forma del vector, lo haremos con EG.

 
2 6 1 1 b1
 1 3 4 1/2 b2 
1 3 6 1/2 b3

Tomamos como pivote el elemento a1,1 .

Hacemos R2 ← R2 + (−1/2)R1

 
2 6 1 1 b1
 0 0 7/2 0 b2 − b1 /2 
1 3 6 1/2 b3

Hacemos R3 ← R3 + (−1/2)R1
2.2. CÓMO RESOLVER Ax = 0 Y Ax = b 61

 
2 6 1 1 b1
 0 0 7/2 0 b2 − b1 /2 
0 0 11/2 0 b3 − b1 /2

Tomamos como pivote el elemento a2,3 .

Hacemos R3 ← R3 + (−11/7)R2

 
2 6 1 1 b1
 0 0 7/2 0 b2 − b1 /2 
0 0 0 0 b3 − (11/7)b2 + (2/7)b1

Para que el sistema tenga solución b3 ← b3 − (11/7)b2 + (2/7)b1 = 0, con los datos dados
tenemos b3 ← −30/7
c) Cual es el rango de la matriz A.
De acuerdo con la solución tenemos un renglón con ceros y dos pivotes, por lo tanto el
rango de la matriz es r = 2.
d) Si b = [5, 3, 23/7]T mostrar si el sistema es consistente y dar el vector solución del
sistema.

b3 − (11/7)b1 + (2/7)b1 = 0 → 23/7 − (11/7)(3) + (2/7)5 = 0

La solución por EG es:

 
2 6 1 1 5
 0 0 7/2 0 1/2 
0 0 0 0 0
Para las variables independientes x2 = α y x4 = β .
Aplicando sustitución hacia atras
Para x3 tenemos

7 1 1
x3 = → x3 =
2 2 7
Para x1 hacemos

5 − 6x2 − x3 − x4
2x1 + 6x2 + x3 + x4 = 5 → x1 =
2
62 ESPACIOS VECTORIALES

Sustituyendo el valor de x3

1 1
5 − 6x2 − 7 − x4 5 − 6x2 − 7 − x4 17 1
x1 = → x1 = = − 3α − β
2 2 7 2

         
x1 17/7 − 3x2 − x4 /2 17/7 −3 −1/2
 x2   x2   0   1   0 
x=
 x3  = 
  =
  1/7  +  0
  α +  β
1/7   0 
x4 x4 0 0 1

Note en esta solución que la parte correspondiente al espacio nulo es la misma que la
calculada en el inciso a)
e) Dado un valor de α = 11/3 y un valor de β = −8/11 verificar que Ax = [5, 3, 23/7]T

       
17/7 −3 −1/2 −632/77
 0   1   0   11/3 
x=
 1/7  + (11/3) 
   + (−8/11)  = 
0   0   1/7 
0 0 1 −8/11



 −632/77
  
2 6 1 1  5
 1 3 4 1/2   11/3  

= 3 
 1/7 
1 3 6 1/2 23/7
−8/11

2.3. Independencia lineal, base y dimensión

Un número importante que comienza a surgir es el rango de la matriz r el cual calculamos
como el número de pivotes de nuestro sistema.
Un conjunto de vectores vi son linealmente independientes si y solo si

c1 v1 + c2 v2 + · · · + cm vm = 0

con c1 = c2 = · · · = cm = 0.
Si algunas de las ci son diferentes de cero las vi son linealmente independientes.
Considere las columnas de la matriz
2.3. INDEPENDENCIA LINEAL, BASE Y DIMENSIÓN 63

 
1 3 3 2
A= 2 6 9 5 
−1 −3 3 0

Son linealmente dependientes, ya que la segunda columna es tres veces la primera. La

combinación de las columnas con pesos -3, 1, 0,0 proporciona una columna de ceros.
Los renglones también son linealmente dependientes; el renglón 3 es dos veces el renglón
2 menos cinco veces el renglón 1. Esto significa que el sistema es consistente a menos que
b3 − 2b2 + 5b1 = 0.
Si calculamos matriz triangular superior U de la matriz A tendremos:

 
1 3 3 2
U = 0 0 3 1 
0 0 0 0

Los renglones diferentes de cero de una matriz escalonada U deben ser independientes.
Además, si se eligen las columnas que contienen pivotes, también son linealmente indepen-
dientes.
Lo que significa que tenemos dos renglones independientes y dos columnas independien-
tes.

Ejemplo
Las columnas de una matriz triangular son linealmente independientes


3 4 2
A= 0 1 5 
0 0 2

Buscamos una combinación de columnas que produzca cero:

       
3 4 2 0
c1  0  + c2  1  + c3  5  =  0 
0 0 2 0

Haciendo sustitución hacia atras

2c3 = 0 c3 = 0
64 ESPACIOS VECTORIALES

c2 + 5c3 = 0 c2 = 0

3c1 + 4c2 + 2c3 c1 = 0

Las columna de A son independientes exactamente cuando N (A) = 0.

Un razonamiento semejante es válido para los renglones de A, que también son indepen-
diente. Suponga

c1 (3, 4, 2) + c2 (0, 1, 5) + c3 (0, 0, 2) = (0, 0, 0)

Podemos resolver haciendo

3c1 = 0 c1 = 0

4c1 + c2 = 0 c2 = 0

2c1 + 5c2 + 2c3 = 0 c3 = 0

Definición
Un conjunto de n vectores en Rm debe ser linealmente dependiente si n > m

Ejemplo
Las tres siguientes columnas en R2 no pueden ser independientes:

 
1 2 1
A=
1 3 2

Para encontrar la combinación de las columnas con la que se obtiene cero resolvemos el
sistema de ecuaciones Ac = 0

 
1 2 1
A→U =
0 1 1
2.3. INDEPENDENCIA LINEAL, BASE Y DIMENSIÓN 65

Vamos a considerar que c3 = 1 entonces podemos calcular

c2 = −c3 = −1

Haciendo sustitución hacia atras

c1 = −2c2 − c3 = −2(−1) − 1 = 1

con esto podemos ver que

             
1 2 1 1 2 1 0
c1 + c2 + c3 = (1) + (−1) + (1) =
1 3 2 1 3 2 0

Podemos concluir entonces que podemos calcular cualquiera de los vectores despejando de
la ecuación:
v1 − v 2 + v 3 = 0

Ejemplo
Calcular que las 4 columnas de la siguiente matriz no pueden ser independientes

 
1 3 3 2
A= 2 6 9 5 
−1 −3 3 0

Calculamos la matriz triangular superior


1 3 3 2
A→U = 0 0 3 1 
0 0 0 0

Con la matriz U resolvemos el sistema U c = 0 suponiendo que las variables libres valen 1.
Las variables libres son c2 = 1 y c4 = 1, por lo tanto

3c3 = −c4 = −1 o c3 = −1/3

c1 = −3c2 − 3c3 − 2c4

66 ESPACIOS VECTORIALES

c1 = −3(1) − 3(−1/3) − 2(1) = −4

Entonces tenemos que

 
 −4   
1 3 3 2  0
1   

Ac =  2 6 9 5 
  = 0
−1/3 
−1 −3 3 0 0
1

Podemos decir que los vectores cumple la regla

v3
−4v1 + v2 − + v4 = 0
3

Base de un espacio Vectorial

Una base V es una sucesión de vectores que cumplen con dos propiedades a la vez:
1. Los vectores son linealmente independientes
2. Los vectores generan el espacio V

Dimensión de un espacio vectorial

Un espacio tiene una infinidad de bases distintas aunque todas esta opciones tienen algo
en común. El número de vectores de una base es una propiedad del espacio en sı́:
Dos bases cualesquiera de un espacio vectorial V contienen el mismo número de vectores.
Este número de vectores que es compartido por todas las bases y expresa el número de
”grados de libertad”del espacio y es la dimensión de V
Si v1 , . . . vm y w1 , . . . , wm son dos bases del mismo espacio vectorial entonces m = n. El
número de vectores es el mismo.
Cualquier conjunto linealmente independiente en V puede extenderse a una base sumando
mas vectores si es necesario. Cualquier conjunto generado en V puede reducirse a una base,
eliminando vectores si es necesario.

2.3.1. Inversa de una matriz

Matrices de Rango Máximo por renglones
Decimos que una matriz tiene rango máximo por renglones si todos los renglones son
linealmente independientes, es decir, al aplicar EG por renglones no obtenemos ningún
renglón nulo.
2.3. INDEPENDENCIA LINEAL, BASE Y DIMENSIÓN 67

Matrices de Rango Máximo por columnas

Diremos que una matriz tiene rango máximo por columna, si todas las columna son lineal-
mente independientes, es decir, al hacer la reducción por columna no obtenemos nigula
columna nula.
Sea una matriz A entonces las siguiente afirmaciones son ciertas:
A tiene inversa por la izquierda si y solo si tiene rango máximo por columnas
A tiene inversa por la derecha si y solo si tiene rango máximo por renglones
A tiene inversa si y solo si tiene rango máximo por filas y columnas

Ejemplo 1
Dada la matriz

 
2 1 −1
A=
2 1 0

Por renglones tenemos

  
2 2
u1 =  1  y u2 =  1 
−1 0

Por columnas tenemos

     
2 1 −1
v1 = v2 = y v3 =
2 1 0

En este caso tenemos dos renglones u1 y u2 en R3 independientes pero tres columnas v1 ,

v2 y v3 en R2 que son dependientes. Ası́ que solo existe la matriz inversa derecha la cual
calculamos como:

A2×3 B3×2 = I2×2

Hacemos pivote el elemento en el primer renglón, primer columna

Ponemos un 1 en el renglón pivote.
68 ESPACIOS VECTORIALES

   
1/2 2 2 1 0 0 1 1 1/2 0 0
 1 1 0 1 0 = 1 1 0 1 0 
−1 0 0 0 1 −1 0 0 0 1

Hacemos cero los elementos en la columna pivote.

   
−1 1 1 1/2 0 0 1 1 1/2 0 0
 1 1 0 1 0  =  0 0 −1/2 1 0 
−1 0 0 0 1 −1 0 0 1 1
   
1 1 1 1/2 0 0 1 1 1/2 0 0
 0 0 −1/2 1 0  =  0 0 −1/2 1 0 
−1 0 0 0 1 0 1 1/2 0 1

Tomamos como pivote al elemento en el tercer renglón segunda columna

   
1 1 1/2 0 0 1 0 0 0 −1
 0 0 −1/2 1 0  =  0 0 −1/2 1 0 
−1 0 1 1/2 0 1 0 1 1/2 0 1

La matriz inversa derecha es:  

0 1/2
Bd =  0 0 
−1 1

y podemos comprobar que

 
  0 1/2  
2 1 −1  0 1 0
ABd = 0 =

2 1 0 0 1
−1 1

Para la matriz inversa izquierda tenemos que hacer:

 
2 2 1 1 0
[A|I] =
2 1 0 0 1

y la matriz reducida R después de aplicar GJ es:

 
1 1/2 0 0 1/2
R=
0 0 1 1 −1
2.3. INDEPENDENCIA LINEAL, BASE Y DIMENSIÓN 69

La inversa izquierda es :

 
0 1/2
Bi =
1 −1

y si multiplicamos Bi por A no tenemos la identidad esperada.

      
0 1/2 2 1 −1 0 1/2 0 1 0
Bi A = = ̸=
1 −1 2 1 0 0 0 1 0 1

Ejemplo 2
Dada la matriz

 
1 −1
A =  −3 6 
−2 5

Por renglones tenemos

     
1 −3 −2
u1 = u2 = y u3 =
−1 6 5

Por columnas tenemos

   
1 −1
v1 =  −3  y v2 =  6 
2 5

En este caso la matriz es dependiente por renglones por tener tres vectores u1 , u2 y u3 en
R2 pero independiente por columnas dado que tenemos v1 y v2 en R3 . Para esta matriz
solamente existe la matriz inversa izquierda.
Para la matriz inversa derecha hacemos:

 
T 1 −3 −2 1 0
[A |I] =
−1 6 5 0 1

La matriz reducida R es:

70 ESPACIOS VECTORIALES

 
1 0 1 2 1
R=
0 1 1 1/3 1/3

La matriz inversa derecha es  

2 1
Bd =
1/3 1/3

 
1 −1  
2 1
ABd =  −3 6 
1/3 1/3
−2 5

El producto no existe dado las matrices no tienen el tamaño adecuado

Para calcular la matriz inversa izquierda hacemos
Tomamos como pivote al elemento del primer renglón primer columna

   
3 1 −1 1 0 0 1 −1 1 0 0
 −3 6 0 1 0 = 0 3 3 1 0 
−2 5 0 0 1 −2 5 0 0 1
   
2 1 −1 1 0 0 1 −1 1 0 0
 0 3 3 1 0 = 0 3 3 1 0 
−2 5 0 0 1 0 3 2 0 1

Tomamos como pivote el elemento en el segundo renglón segunda columna

   
1 −1 1 0 0 1 −1 1 0 0
 1/3 0 3 3 1 0 = 0 1 1 1/3 0 
0 3 2 0 1 0 3 2 0 1
   
1 −1 1 0 0 1 0 2 1/3 0
 1 0 1 1 1/3 0  =  0 1 1 1/3 0 
0 3 2 0 1 0 3 2 0 1
   
1 0 2 1/3 0 1 0 2 1/3 0
 −3 0 1 1 1/3 0  =  0 1 1 1/3 0 
0 3 2 0 1 0 0 −1 −1 1

La matriz inversa izquierda es

2.3. INDEPENDENCIA LINEAL, BASE Y DIMENSIÓN 71

 
2 1/3 0
Bi =
1 1/3 0

y podemos mostrar que

 
  1 −1  
2 1/3 0  −3 1 0
Bi A = 6 =

1 1/3 0 0 1
−2 5

Ejemplo 3
Dada la matriz

 
1 3 3 2
A= 2 6 9 7 
−1 −3 3 4

Determinar
a) La matriz inversa izquierda
Comenzamos escribiendo la matriz aumentada

 
1 3 3 2 1 0 0
[A|I] =  2 6 9 7 0 1 0 
−1 −3 3 4 0 0 1

Aplicando el método de Gauss-Jordan tenemos

1
− 53
 
1 3 0 −1 0 5
 0 0 1 1 2
1 0 15 15

0 0 0 0 1 − 25 1
5

El resultado nos dice que tenemos una matriz de rango r = 2 para cuatro vectores. Esto
significa que dos de ellos son linealmente dependientes y la matriz inversa no existe.
b) la matriz inversa derecha
Escribimos la matriz transpuesta de AT aumentada
72 ESPACIOS VECTORIALES

 
1 2 −1 1 0 0 0
3 6 3 0 1 0 0 
[AT |I] = 


 3 9 3 0 0 1 0 
2 7 4 0 0 0 1

Aplicando Gauss-Jordan obtenemos la matriz Reducida R

 5 1 1 
1 0 0 0 6 −6 −2
 0 1 0 0 − 31 1
3 0 
R= 1 1

1 
 0 0 1 0 6 − 2 2
0 0 0 1 0 −1 1

Analizando la matriz reducida R, tenemos que el rango de la matriz AT con tres columnas
es r = 3 lo que significa que los tres vectores son linealmente independientes. La matriz
inversa por lo tanto será:

 
0 0 0
 5 − 13 1 
Bd =  6 6 
 −1 1
− 21 
6 3
− 12 0 1
2

Finalmente podemos comprobar que el producto de A × Bd = I haciendo

 
  0 0 0  
1 3 3 2  5 1 0 0
6 − 13 1
6

ABd =  2 6 9 7  
 −1 1
= 0 1 0 
6 3 − 12 
−1 3 3 4 0 0 1
− 21 0 1
2

2.4. Los cuatro espacios fundamentales

Los subespacios pueden describirse en dos formas. Primero, puede proporcionarse un sub-
conjunto de vectores que generan el espacio (Ejemplo: Las columnas generan el espacio
columna). Segundo, pueden especificarse las condiciones de deben cumplir en el espacio
(Ejemplo: El espacio nulo consta de todos los vectores que cumplen Ax = 0).
Cuando el rango es lo más grande posible r = n o r = m o r = m = n, la matriz tiene una
inversa izquierda B, o una inversa derecha C o una inversa A−1 por ambos lados.
Los cuatro espacios fundamentales de una matriz A con n renglones y m columnas son:
1. Espacio columna de A el cual se denota por C(A). Su dimensión es el rango r.
2.4. LOS CUATRO ESPACIOS FUNDAMENTALES 73

2. Es espacio nulo de A se denota por N (A). Su dimensión es n − r.

3. El espacio renglón de A es el espacio columna de AT y se denota por C(AT ). Este es

generado por los renglones de A. Su dimensión es también r

4. El espacio nulo izquierdo de A es el espacio nulo de AT . Contiene a todos los vectores y

tales que AT y = 0 y se escribe como N (AT ). Su dimensión es m − r

El espacio nulo N (A) y el espacio renglón C(AT ) son subespacios de Rn . El espacio nulo
izquierdo N (AT ) y el espacio columna C(A) son subespacios de Rm

El espacio renglón de A tiene la misma dimensión de r que el espacio renglón de U y tiene

las mismas bases, porque los espacios A, U y R son iguales.

Las dimensiones del espacio nulo N (A) es n − r. Las soluciones espaciales son una base:
a cada variable libre se les asigna el valor 1, mientras las otras variables libres son 0.
Ası́ Ax = 0 o U x = 0 o Rx = 0 proporcional las variables pivote por sustitución hacia
atrás.

La dimensión del espacio columna C(A) es igual al rango r que también es igual a la
dimensión del espacio renglón: El número de columnas independientes es igual al numero
de renglones independientes. Una base para C(A) se forma por la r columnas de A que
corresponden, en U , a las columnas que contienen a los pivotes.

Espacio nulo izquierdo

Si A es una matriz m por n, entonces AT es de n por m. Su espacio nulo es un subespacio
de Rm ; el vector y tienen m componentes. Si se escribe y T A = 0, estas componentes
multiplican los renglones de A para producir el renglón cero.

La dimensión del espacio nulo izquierdo N (AT ) es m − r.

Teorema fundamental del álgebra lineal, parte I

1. C(A) es el espacio columna de A de dimensión r.

2. N (A) es el espacio nulo de A de dimension m − r.

3. C(AT ) es el espacio renglón de A de dimensión r.

4. N (AT ) es el espacio nulo izquierdo de A de dimensión m − r

Ejemplo
Dada la matriz
74 ESPACIOS VECTORIALES

 
1 2
A= tiene m = n = 2 y rango r = 1
3 6

1. El espacio columna contiene a todos los múltiplos de [1, 3]T . La segunda columna está
en la misma dirección y no contribuye con nada nuevo.

2. El espacio nulo contiene todos los múltiplos de [−2, 1]T . Este vector satisface que Ax =
0

3. El espacio renglón contiene a todos los múltiplos de [1, 2]T

4. El espacio nulo izquierdo contiene a todos los multiplos de y = [−3, 1]T .

Ejemplo
Para una matriz sencilla como

 
1 0 0
A=U =R=
0 0 0

el espacio columna es la recta que pasa por [1, 0]T que esta en R2 . El espacio renglón es la
recta que pasa por [1, 0, 0]T que esta en R3 .

El espacio nulo de N (A) es un plano en R3

     
x1 0 0
x = x2 = 1 α + 0  β
    
x3 0 1

y el espacio nulo izquierdo N (AT ) es una recta en R2

   
y1 0
y= = α
y2 1

Ejemplo
Dada la matriz
2.4. LOS CUATRO ESPACIOS FUNDAMENTALES 75

 
3 4 0

 2 3 4 

A=
 2 2 2 

 4 1 3 
4 0 1

a) Calcular el espacio columna de la matriz A

La matriz reducida R de la matriz A es

 
1 0 0

 0 1 0 

R=
 0 0 1 

 0 0 0 
0 0 0

de esta podemos ver que los vectores que forman la matriz A son linealmente independientes
por lo que el espacio columna de la matriz A es

     

 3 4 0 

2 3 4

 


 
 
 
 


C(A) = 
 2 ,
  2 ,
  2 

4 1 3

     

 

4 0 1
 

b) Determinar el espacio nulo de la matriz A

x1 = 0, x2 = 0 y x3 = 0



0
x= 0 
0

por lo tanto

N (A) = {}

c) Calcular el espacio columna de AT

76 ESPACIOS VECTORIALES

La matriz reducida de AT es

 
1 0 0 −1 −1
 0 1 0 −2 −3 
0 0 1 11
2
13
2

El espacio columna es:

     
 3 2 2 
C(AT ) =  4  ,  3  ,  2 
0 4 2
 

d) Calcular el espacio nulo de N (AT )

Las variable independientes son y4 = α y y5 = β, las variables dependientes las calculamos
como:

y1 − y 4 − y 5 = 0 → y1 = α + β

y2 − 2y4 − 3y5 = 0 → y2 = 2α + 3β

11 13 11 13
y3 + y4 + y5 = 0 → y3 = − α− β
2 2 2 2
     
α+β 1 1
 2α + 3β   2   133
 
− 11 13 11 
    
yc =  2 α− 2 β − 2 α + 
 −2
= β
   
 α   1   0 
β 0 1

2.5. Gráfos y redes

Un Grafo consta de un conjunto de vértices o nodos y un conjunto de arista que unen a
los nodos. La figura 2.2 muestra un grafo con cuatro nodos y cinco arista.
Definimos la matriz de incidencia arista-nodo donde cada renglón representa el nodo donde
sale la arista y el nodo al cual entra. Ası́ por ejemplo si la arista va del nodo j al nodo k
entonces el renglón tiene −1 en la j-ésima columna y +1 en la k-ésima columna. La matriz
de incidencia para el ejemplo de la Figura 2.2 es:
2.5. GRÁFOS Y REDES 77

Figura 2.2: Grafo de un circuito eléctrico

 
−1 1 0 0

 −1 0 1 0 

A=
 0 −1 1 0 

 0 −1 0 1 
0 0 −1 1

Para los propósitos de esta sección el grafo representa un circuito eléctrico y los espacios
de A tendrán un significado.

Espacio Nulo
El espacio nulo de la matriz A lo podemos calcular a partir de la matriz reducida

 
1 0 0 −1

 0 1 0 −1 

R=
 0 0 1 −1 

 0 0 0 0 
0 0 0 0

donde el espacio nulo es

 
1
 1 
 1 c
x= 

Dado que la matriz de incidencia contiene solamente un +1 y un −1 por renglón, al multi-

plicar esta matriz por un vector constante x = [c, c, c, . . . , c]T la multiplicación de Ax = 0
siempre será cero.
78 ESPACIOS VECTORIALES

Espacio Columna
Para el espacio columna vamos a calcular cuales son los valores posibles de un vector
e = [e1 , e2 , e3 , e4 ] de la matriz A. Para ello calculamos por eliminación Gaussiana la matriz
triangular superior.

 
−1 0 1 0 e2

 0 −1 0 1 e4 

U =
 0 0 −1 1 e5 

 0 0 0 0 e3 − e4 + e5 
0 0 0 0 e1 − e 2 + e 4 − e 5

Para que el sistema sea consistente tenemos que se debe cumplir :

e3 − e 4 + e 5 = 0 y e1 − e 2 + e 4 − e 5 = 0

Lo que significa que se debe cumplir la Ley de Voltajes de Kirchoff si este grafo representa
un circuito eléctrico. Entonces el vector v vive en el espacio columna de la matriz A.
La prueba de que v esté en el espacio columna es la ley de voltaje de Kirchoff: La suma de
las diferencias de potencial alrededor de un circuito debe ser cero.

Espacio nulo izquierdo

Para resolver AT i = 0 podemos encontrar un significado en el grafo si consideramos que
el vector i son corrientes que circulan por cada elemento. Entonces tenemos que el espacio
nulo es una representación de la Ley de Corrientes de Kirchoff y que la suma de todas las
corrientes deberá ser igual a cero.

 
 i
0  1
    
−1 −1 0 0 −i 1 − i 2 0
 i2

 1 0 −1 −1 0 
  i3
  i1 − i3 − i4   0
=

  i2 + i3 − i5  =  0
   
 0 1 1 0 −1  
 i4 

0 0 0 1 1 i4 + i5 0
i5

Espacio renglón
El espacio renglón de A contiene vectores en R4 . La matriz es de rango r = 3. Con la
eliminación se encuentran tres renglones independientes los cuales es posible ver en el
grafo.
La matriz reducida es:
2.5. GRÁFOS Y REDES 79

 
1 0 −1 0 1
 0 1 1 0 −1 
R=
 0

0 0 1 1 
0 0 0 0 0

Podemos ver que tenemos tres renglones independientes y dos dependientes. Los renglones
dependientes responden a un circuito cerrado por lo cual su voltaje será cero. Ası́ tenemos
que el voltaje en el elemento 3 puede ser calculado como la suma de los voltajes en los
elementos 1 y 2; de igual forma el voltaje en el elemento 5 puede ser calculado como la
suma de los voltajes 1,2 y 4. Estas condiciones nos indican dependencia lineal debido a las
LVK.

Ejemplo
Dada la matriz de incidencia

0 −1
 
1 0

 −1 1 0 0 

 0 1 0 −1 
A= 

 0 −1 1 0 

 0 0 −1 1 
−1 0 1 0

que representa un circuito con 4 nodos y 6 elementos, calcular los 4 espacios correspon-
dientes.
a) Espacio Columna C(A)
En este caso la matriz reducida R es:

0 −1
 
1 0

 0 1 0 −1 

 0 0 1 −1 
R= 

 0 0 0 0 

 0 0 0 0 
0 0 0 0

De la cual concluimos que la matrix A de tamaño 6 × 4 tiene rango r = 3. Esto significa

que V4 es independiente y V1 , V2 y V3 son dependientes. Los valores de xc en el espacio
columna los podemos calcular como:
80 ESPACIOS VECTORIALES

       
1 0 0 V1

 −1 


 1 


 0 


 V2 − V 1 

 0   1   0   V2 
xc =   V1 +   V2 +   V3 =  

 0 


 −1 


 1 


 V3 − V 2 

 0   0   −1   −V3 
−1 0 1 V3 − V 1

Que diferencia hay si utilizamos las cuatro columnas de la matriz A para calcular el espacio
columna

0 −1  V1 − V 4
   
1 0 

 −1 1 0 0 
 V1

 V2 − V 1 

 0 1 0 −1 
  V2
   V2 − V 4 
e = AV =  = 

 0 −1 1 0   V3
  
 V3 − V 2 

 0 0 −1 1  V4  V4 − V 3 
−1 0 1 0 V3 − V 1

Si queremos que el vector e este en el espacio columna de A e ∈ C(A) y el sistema de

ecuaciones AV = e tenga solución hacemos:

0 −1 e1
 
1 0

 −1 1 0 0 e2 

 0 1 0 −1 e3 
[A|e] =  

 0 −1 1 0 e4 

 0 0 −1 1 e5 
−1 0 1 0 e6

Calculando la matriz Reducida con Gauss-Jordan tenemos:

0 −1
 
1 0 e1

 0 1 0 −1 e1 + e2 

 0 0 0 0 −e1 − e2 + e3 
[R|ê] =  

 0 0 1 −1 e1 + e 2 + e 4 

 0 0 0 0 e1 + e 2 + e 4 + e 5 
0 0 0 0 −e2 − e4 + e6

Para que el sistema tenga solución se debe cumplir:

−e1 − e2 + e3 = 0 e1 + e2 + e4 + e5 = 0 y − e2 − e4 + e6 = 0
2.5. GRÁFOS Y REDES 81

que corresponden a las Leyes de Voltage de Kirchoff LVK

b) Determinar el espacio Nulo de N (A)
Calculamos la matriz reducida

0 −1
 
1 0

 0 1 0 −1 

 0 0 0 0 
R= 

 0 0 1 −1 

 0 0 0 0 
0 0 0 0

La matriz A es de rango r = 3 y el espacio Nulo es:


1
 1 
VN =
 1  V4


c) Espacio renglón C(AT )

Calculamos la matriz reducida RT de la matriz AT

 
1 0 1 0 −1 0
0 1 1 0 −1 1 
RT = 


 0 0 0 1 −1 1 
0 0 0 0 0 0

La matriz tirene r = 3, los pivotes son 1, 2 y 4 lo que significa que dados e3 , e5 , y e6 pueden
ser calculados los valores de e1 , e2 y e4 utilizando la LVK calculadas en el espacio columna
de A del inciso a). Ası́ tenemos

e3 = e1 + e2

e5 = −e1 − e2 − e4

e6 = e2 + e4
82 ESPACIOS VECTORIALES

d) Espacio nulo izquierdo N (AT )

 
  i1   

1 1 0 0 0 −1   i2 
 i1 − i2 − i6 0
0 1 1 −1 0 0  i3   i2 + i3 − i4   0 
AT i = 
 
 = = 
 0 0 0 1 −1 1 

 i4   i4 − i5 + i6

  0 
−1 0 −1 0 1 1  i5  −i1 − i3 + i5 0
i6

Redes y matemáticas discretas aplicadas

Nuestra descripción y aplicación será sobre circuitos eléctricos. Vamos a considerar que
sobre la arista k la conductancia es ck y la resistencia es 1/ck . La Ley de Ohm establece
que la corriente ik que pasa por la resistencia es proporcional a la caida de tensión ek

1
Ley de Ohm ik = vr,k → vr,k = rk ik
rk

En forma matricial podemos escribir:

         
i1 1/r1 vr,1 vr,1 r1 i1
 i2   1/r2  vr,2   vr,2   r2  i2 
=  →  =
         
 .. ..  .. .. ..  .. 
 .   .  .   .   .  . 
in 1/rn vr,n vr,n rn in

I = R−1 vr → vr = RI

Vamos a considerar que nuestras incógnitas son un vector de voltajes en cada nodo V =
[V1 , V2 , . . . , Vn ]T . Si multiplicamos este vector por la matriz de incidencia A tenemos la
caida de tensión en cada elemento en función de los valores de voltaje en cada nodo AT V .
Vamos a suponer que cada arista del circuito esta compuesta por una fuente de voltaje vk
en serie con una conductancia ck o bien por una fuente de corriente fk en paralelo con una
conductancia.
Entonces tenemos un vector de fuentes de voltaje v = [v1 , v2 , . . . , vn ]T y/o una vector de
fuentes de corriente en cada elemento f = [f1 , f2 , . . . , fn ]T .
El vector diferencias de voltaje en cada elemento se puede representar como:
2.5. GRÁFOS Y REDES 83

   
vr,1 v1
 vr,2   v2 
vr =  =  − AV
   
.. ..
 .   . 
vr,n vn

vr = Ri = v − AV

Las leyes fundamentales de equilibrio combinan las leyes de ohm y Kirchhoff en un problema
central dado por

Ri + AV = v
AT i + A T f = 0

En forma matricial podemos escribir como

    
R A i v
=
AT 0 V T
−A f

Para resolver el sistema aplicamos eliminación Gaussiana

    
R A i v
=
0 −A R−1 A
T V −A f − AT R−1 v
T

La ecuación fundamental para resolver el circuito es:

AT R−1 AV = AT R−1 v + AT f (2.12)

o en forma compacta
GV = I (2.13)

Ejemplo
Resolver el circuito de la figura 2.3 aplicando la formulación
La matriz de incidencia para el circuito es

 
1 0 −1
A =  −1 1 0 
0 −1 1
84 ESPACIOS VECTORIALES

Figura 2.3: Ejemplo de un circuito eléctrico simple con dos nodos

Los valores del circuito da la matriz de conductancias

   
∞ 0 0 0 0 0
R= 0 1 0  R−1 = 0 1 0 
0 0 1 0 0 1

El vector de corrientes f y de voltajes v en cada elemento es:

  

2 0
f = 0  v= 0 
0 0

El sistema que tenemos que resolver es

AT R−1 A V = AT R−1 v + AT f

  
  0 0 0 1 0
1 −1 0
AT R−1 A =  0 1 0   −1 1 
0 1 −1
0 0 1 0 −1
 
1 −1
AT R−1 A =
−1 2

  
  0 0 0 0  
1 −1 0  0 1 0  0  = 0
AT R−1 v =
0 1 −1 0
0 0 1 0
2.5. GRÁFOS Y REDES 85

 
  2  
1 −1 0  0 = 2
AT f =
0 1 −1 0
0
 
T −1 T 2
A R v+A f =
0

El sistema de ecuaciones a resolver es:

    
1 −1 V1 2
=
−1 2 V2 0

Con este sistema calculamos el voltaje en cada uno de los nodos del circuito. Las soluciones
del sistema de ecuaciones es:

   
V1 4
V = =
V2 2

Los voltajes en cada una de las resistencias los calculamos con

    
0 1 0   −4
4
vr = v − AV =  0  −  −1 1  = 2 
2
0 0 −1 2

La corriente en cada elemento la calculamos como:

    
0 0 0 −4 0
i = R−1 vr =  0 1 0   2  =  2 
0 0 1 2 2

Ejemplo
Resolver el circuito de la figura 2.4 aplicando la formulación dada.
Los valores del circuito da la matriz de conductancias

   
1/2 0 0 0 0 2 0 0 0 0
 0 1/3 0 0 0   0 3 0 0 0 
−1
   
R=
 0 0 1/5 0 0 
 R =
 0 0 5 0 0 

 0 0 0 1 0   0 0 0 1 0 
0 0 0 0 1/2 0 0 0 0 2
86 ESPACIOS VECTORIALES

Figura 2.4: Ejemplo de un circuito electrico

El vector de corrientes f y de voltajes v en cada elemento es:

   
0 10

 0 


 0 

f =
 0 
 v=
 −5 

 0   0 
0 0

El sistema que tenemos que resolver es

AT R−1 A V = AT R−1 v + AT f

  
  2 0 0 0 0 −1 1 0
−1 −1 0 0 0  0 3 0 0 0  −1 0 1 
AT R−1 A =  1
  
0 −1 −1 0  0 0 5 0 0 
 0 −1 1 

0 1 1 0 −1  0 0 0 1 0  0 −1 0 
0 0 0 0 2 0 0 −1

 
5 −2 −3
AT R−1 A =  −2 8 −5 
−3 −5 10
2.5. GRÁFOS Y REDES 87

  
  2 0 0 0 0 10
−1 −1 0 0 0  0 3 0 0 0  0 
T −1
  
A R v= 1 0 −1 −1 0 
 0 0 5 0 0 
 −5 

0 1 1 0 −1  0 0 0 1 0  0 
0 0 0 0 2 0
 
  0
−1 −1 0 0 0  0 
T
 
A f = 1 0 −1 −1 0 
 0 

0 1 1 0 −1  0 
0
 
−20
AT R−1 v + AT f =  45 
−25
   
5 −2 −3 −20
 −2 8 −5  V =  45 
−3 −5 10 −25

Con este sistema calculamos el voltaje en cada uno de los nodos del circuito. Las soluciones
del sistema de ecuaciones es:

− 375
 
103
370
V = 103

− 185
103

Los voltajes en cada una de las resistencias las calculamos con:

   
10 −1 1 0
 − 375
 
 0   −1 0 1 103
  370 
   
vr = v − AV = 
 −5 −
  0 −1 1  103
 0   0 −1 0  − 185
103
0 0 0 −1
 285 
103
 − 190
103

40
 
vr = 
 103


 370 
103
− 185
103
88 ESPACIOS VECTORIALES

La corriente en cada elemento la calculamos como:

  285 
2 0 0 0 0 103
 0 3 0 0 0  − 190
103

i = R−1 vr =  40
  
 0 0 5 0 0 
 103


370
 0 0 0 1 0 
103

0 0 0 0 2 − 185
103
 570 
103
570
 − 103 
200
 
i=
 103


 370 
103
− 370
103

2.6. Transformaciones lineales

En esta sección básicamente analizaremos la transformación Afı́n .

2.6.1. Transformación Afı́n

Una transformación afı́n es una transformación geométrica que esta constituida por trans-
lación, escalamiento, rotación y cizallamiento. Cada una de esas transformaciones es una
transformación afı́n y se explican a continuación.

Traslación
Una translación la podemos hacer simplemente asumiendo que las nuevas coordenadas
x̂ = x + tx ŷ = y + ty les sumamos un valor tx o ty según corresponda. En coordenadas
homogéneas queda como

    
x̂ 1 0 tx x
 ŷ  =  0 1 ty   y 
1 0 0 1 1

La Figura 2.5 muestra un ejemplo de una translación de un cuadro de color azul y el

resultado del cuadro trasladado en color rojo. En este caso se aplico una translación dada
por la ecuación (2.12).

 
1 0 3
T = 0 1 2  (2.14)
0 0 1
2.6. TRANSFORMACIONES LINEALES 89

Figura 2.5: Aplicación de una translación a un cuadro

Figura 2.6: Aplicación de un escalamiento a un cuadro

Escalamiento
El escalamiento pude entenderse como hacer que una figura geométrica cambie su tamaño
o cambie su escala. Un escalamiento en x lo podemos representar por como x̂ = x sx y en
y como ŷ = y sy . En coordenadas homogéneas se pude expresar como

    
x̂ sx 0 0 x
 ŷ  =  0 sy 0   y 
1 0 0 1 1

La Figura 2.6 muestra un ejemplo de la aplicación de un escalamiento a un cuadro de color

azul y el resultado del cuadro escalado en color rojo. En este caso se aplicó un escalamiento
dada por la ecuación (2.13).

 
3 0 0
S= 0 2 0  (2.15)
0 0 1
90 ESPACIOS VECTORIALES

Figura 2.7: Coordenadas x, y girada un ángulo θ

Rotación
Consideremos el caso de un punto que rota respecto a un punto fijo tal como se muestra en la
Figura 2.7. Las coordenadas x y y, en forma polar las podemos obtener como x = r cos(α)
y y = r sin(α). Si consideramos que esta gira un ángulo θ entonces podemos representar
esta rotación en forma polar como

     
x̂ r cos(α + θ) r cos(α) cos(θ) − r sin(α) sin(θ)
= =
ŷ r sin(α + θ) r cos(α) sin(θ) + r sin(α) cos(θ)

   
x̂ x cos(θ) − y sin(θ)
=
ŷ x sin(θ) + y cos(θ)

Una transformación de rotación puede ser definida como

    
x̂ cos(θ) − sin(θ) x
=
ŷ sin(θ) cos(θ) y

y en coordenadas homogéneas puede representarse como

    
x̂ cos(θ) −sin(θ) 0 x
 ŷ  =  sin(θ) cos(θ) 0   y 
1 0 0 1 1

 
cos(θ) −sin(θ) 0
R(θ) =  sin(θ) cos(θ) 0 
0 0 1
2.6. TRANSFORMACIONES LINEALES 91

Figura 2.8: Aplicación de una rotación a un cuadro

La Figura 2.8 muestra un ejemplo de la aplicación de una rotación de 45 grados (π/4 rad)
a un cuadro de color azul y el resultado del cuadro rotado en color rojo. En este caso se
aplicó una matriz de rotación dada por la ecuación (2.14).

 
√1 − √12 0
2
R(π/4) =  √1 √1 0  (2.16)
 
2 2
0 0 1

Cizallamiento
El cizallamiento es una transformación dada por la matriz, donde cx es el ángulo de ciza-
llamiento respecto al eje x.

 
1 tg(cx ) 0
Cx =  0 1 0 
0 0 1

En caso de querer aplicar el cizallamiento en la dirección y, la matriz de transformación

será.

 
1 0 0
Cy =  tg(cy ) 1 0 
0 0 1

La Figura 2.9 muestra un ejemplo de la aplicación de un cizallamiento de 45 grados (π/4

rad.) en la dirección de x a un cuadro de color azul y el resultado del cuadro cizallado en
color rojo. En este caso se aplicó un cizallamiento dado por la ecuación (2.15).
92 ESPACIOS VECTORIALES

Figura 2.9: Aplicación de un cizallamiento a un cuadro

 
1 1 0
Cx =  0 1 0  (2.17)
0 0 1

Una vez que unimos todas las transformaciones tenemos una composición dada por una
Rotación R, un escalamiento S, un Cizallamiento C y una Translación T . Al conjunto de
estas operaciones se le conoce como transformación afı́n.

 
sx cos(θ) −sy sin(θ) + sx cos(θ) tan(cx ) tx
Taf in =  sx sin(θ) sy cos(θ) + sx sin(θ) tan(cx ) ty 
0 0 1
Ortogonalidad

3.1. Vectores y Subespacios Ortogonales

Para una base ortonormal (vectores unitarios ortogonales) se tiene que tomar en cuenta
los siguientes conceptos
1. La longitud ||x|| de un vector;
2. La prueba xT y = 0 para vectores perpendiculares; y
3. Como crear vectores perpendiculares a partir de vectores linealmente independien-
tes.

3.1.1. Longitud de un vector

Para calcular la longitud de un vector, vamos a utilizar el teorema de pitagoras en 2, 3 y
n dimensiones
En dos dimensiones tenemos que

q
||x|| = x21 + x22

En tres dimensiones

q
||x|| = x21 + x22 + x33

y en general en n dimensiones podemos escribir

n
X
||x||2 = x21 + x22 + x33 + · · · + x2n = x2k = xT x
k=1
√
||x|| = xT x

93
94 ORTOGONALIDAD

3.1.2. Vectores ortogonales

Consideremos nuevamente el teorema de Pitagoras, para un triángulo rectángulo se debe
cumplir que la suma de los catetos a y b sea igual a la hipotenusa c a2 + b2 = c2 . Note que
los catetos forman un triángulo de 90.
En general para cualquier triangulo rectangulo

||x||2 + ||y||2 = ||x − y||2

Al aplicar la formula de longitud tenemos

(x21 + x22 + · · · + x2n ) + (y12 + y22 + · · · + yn2 ) = (x1 − y1 )2 + (x2 − y2 )2 + · · · + (xn − yn )2

Desarrollando los cuadrados tenemos

(x21 +· · ·+x2n )+(y12 +· · ·+yn2 ) = (x21 +· · ·+x2n )−2(x1 y1 +x2 y2 +· · ·+xn yn )+(y12 +· · ·+yn2 )

Para que se cumpla la igualdad tenemos que

x1 y1 + x2 y2 + · · · + xn yn = 0

Entonces dos vectores serán ortogonales si y solo si

xT y = x1 y1 + x2 y2 + · · · + xn yn = 0

Definición
El producto interno xT y es cero si y solo si x y y son vectores ortogonales. Si xT y > 0 su
ángulo es menor que 90. Si xT y < 0 su ángulo es mayor que 90.

3.1.3. Subespacios ortogonales

Dos espacios V y W del mismo espacio Rn son ortogonales si cada vector v en V es ortogonal
a cada vector w en W : v T w = 0 para todo v y w.
Suponga que V es el plano generado por v1 = [1, 0, 0, 0]T y v2 = [1, 1, 0, 0]T . Si W es la
recta generada por w = [0, 0, 4, 5]T , entonces w es ortogonal a ambos vectores v. La recta
W es ortogonal a todo el plano V .
3.1. VECTORES Y SUBESPACIOS ORTOGONALES 95

v T w = (αv1 + βv2 )T w

v T w = αv1T w + βv2T w

Independientemente de los valores de α y β tenemos que

vT w = 0

Teorema fundamental de Ortogonalidad

El espacio nulo es el complemento ortogonal del espacio renglón en Rn

Ax = 0

    
renglón 1 x1 0
 renglón 2   x2   0 
  = 
    
renglón m xn 0

El espacio nulo izquierdo es el complemento ortogonal del espacio columna en Rm

AT y = y T A = 0

c c
 

 o o 

 l l   
  0

 u u 
  0 
[y1 , y2 , . . . , ym ] 
 m ... m 
= 
 
 n n 

 0

 a 1 

 
1 n
96 ORTOGONALIDAD

Figura 3.1: Cosenos del ángulo θ = β − α

Ejemplo
Suponga que la matriz A es de rango 1, de modo que su espacio columna y su espacio
renglón son rectas:

 
1 3
A= 2 6 
3 9

Los renglones son múltiplos de [1, 3]T . El espacio nulo contiene x = [−3, 1]T que es ortogonal
a todos los renglones.
En contraste, los otros dos subespacios estas en R3 . El espacio columna es la recta que
pasa por [1, 2, 3]T . El espacio nulo izquierdo es el plano y1 + 2y2 + 3y3 = 0. Esta ecuación
es exactamente el contenido de y T A = 0.

3.2. Cosenos y Proyecciones sobre rectas

Suponga que los vectores a y b forman ángulos α y β con el eje x (ver figura 3.1).
La longitud ||a|| es la hipotenusa del triángulo OaQ, ası́ que el seno y coseno de α son:

a2 a1
sen α = cos α =
||a|| ||a||

de forma similar para el ángulo β

b2 b1
sen β = cos β =
||b|| ||b||

El coseno de θ = β − α proviene de la identidad

3.2. COSENOS Y PROYECCIONES SOBRE RECTAS 97

cos(θ) = cos(β − α) = cos(β)cos(α) + sen(α)sen(β)

Sustituyendo en la formula anterior tenemos

b1 a1 a2 b2 a1 b1 + a2 b2
cos(θ) = + =
||b|| ||a|| ||a|| ||b|| ||a||||b||

Podemos concluir que el coseno del ángulo entre dos vectores a y b cualquiera diferentes
de cero es

aT b
cos(θ) =
||a|| ||b||

Otra forma de llegar a lo mismo es utilizando la ley de los cosenos

||b − a||2 = ||b||2 + ||a||2 − 2||a|| ||b||cos(θ)

Cuando θ es un ángulo recto, esta formula se transforma en el teorema de Pitagoras ||b −

a||2 = ||b||2 + ||a||2 . Para cualquier ángulo ||b − a||2 = (b − a)T (b − a) y la ecuación se
transforma

||b − a||2 = ||b||2 + ||a||2 − 2||a|| ||b||cos(θ)

(b − a)T (b − a) = ||b||2 + ||a||2 − 2||a|| ||b||cos(θ)

bT
 b − 2aT b + 
aT bT
a = aT
b + a − 2||a|| ||b||cos(θ)

y obtenemos

aT b
cos(θ) =
||a|| ||b||
98 ORTOGONALIDAD

Figura 3.2: Proyeccion sobre de b sobre la recta a

3.2.1. Proyección sobre una recta

El problema es calcular el coeficiente x̂ que multiplica al vector a tal que tenemos un nuevo
vector p = x̂a de acuerdo con la figura 4.1.
Para esto se requiere el hecho geométrico de que la recta desde b al punto más próximo
p = x̂a (b − x̂a) es perpendicular a a.

(b − x̂a) ⊥ a

o bien podemos escribir

aT (b − x̂a) = 0

de donde obtenemos

aT b
x̂ =
aT a

La proyección del vector b sobre la recta en la dirección a es p = x̂a y se calcula como

aT b
p = x̂a = a = Pa
aT a

donde P es la matriz de proyección dada como:

3.3. PROYECCIONES Y MÍNIMOS CUADRADOS 99

aaT
P =
aT a

Ejemplo
Calcular la matriz que proyecta sobre la linea recta que pasa por el vector a = [1, 1, 1]T



1
 1  [1, 1, 1]  
T 1 1/3 1/3 1/3
aa
P = T =   =  1/3 1/3 1/3 
a a 1 1/3 1/3 1/3
[1, 1, 1]  1 
1

3.3. Proyecciones y mı́nimos cuadrados

Consideremos el sistema de ecuaciones

2x = b1
3x = b2
4x = b3

Este sistema es resoluble cuando la razón entre b1 b2 y b3 es 2:3:4. La solución de x existe

si b esta sobre la misma recta que la columna a = [2, 3, 4]T .
A pesar de ser un problema sin solución, la aplicación de mı́nimos cuadrados en problemas
reales de ingenierı́a es muy utilizada. En lugar de resolver el problema vamos a plantear el
promedio de la suma de los errores:

E(x) = (a1 x − b1 )2 + (a2 x − b2 )+ (a3 x − b3 )2

Existe una solución exacta, el error mı́nimo es E(x) = 0. Para calcular el mı́nimo utilizamos
calculamos la derivada del error e igualamos a cero

dE 2
= 2[(a1 x − b1 )a1 + (a2 x − b2 )a2 + (a3 x − b3 )a3 ] = 0
dx

Al despejar la solución para x tenemos que la solución por mı́nimos cuadrados la denota-
remos por x̂ y es
100 ORTOGONALIDAD

a1 b1 + a2 b2 + b3 a3 aT b
x̂ = 2 2 3 = T
a1 + a2 + a3 a a

La solución por mı́nimos cuadrados de un problema ax = b en una incognita es

aT b
x̂ =
aT a

Puede darse cuenta de que seguimos regresando a la interpretación geométrica de un proble-

ma de mı́nimos cuadrados: minimizar una distancia. Al igualar a cero la derivad de E 2 (x),
el cálculo confirma la geometrı́a. El vector error e que una a b con p debe ser perpendicular
a a:

aT b T
Ortogonalidad aT (b − x̂a) = aT b − a a=0
aT a

3.3.1. Problemas de mı́nimos cuadrados con varias variables

Con n variables el problema es exactamente igual. El error que debemos minimizas es
E = ||Ax − b|| donde x es un vector en Rn . De nuevo el problema es buscar por mı́nimos
cuadrados el valor de x̂ que minimiza E, que es equivalente a calcular un punto p = Ax̂
que este lo más próximo a b que cualquier punto en el espacio columna. El vector error
e = b − Ax̂ debe ser perpendicular a ese espacio (ver figura 3.3). Para encontrar x̂ y la
proyección p = Ax̂ se tienen dos maneras:
1. Todos los vectores perpendiculares al espacio columna están en el espacio nulo izquierdo.
Ası́ el vector error e = b − Ax̂ debe estar en el espacio nulo de AT :

AT (b − Ax̂) = 0 o bien AT Ax̂ = AT b

2. El vector error debe ser perpendicular a cada columna de a1 , . . . , an de A

aT1 (b − Ax̂) = 0 aT1

  
aT2 (b − Ax̂) = 0  aT2   b − Ax̂ 

o bien =0

..  .. 
.  .  
aTn (b − Ax̂) = 0 aTn

Cuando Ax = b es inconsistente, su solución por mı́nimos cuadrados minimiza ||Ax − b||2

y la solución es
AT Ax̂ = AT b
3.3. PROYECCIONES Y MÍNIMOS CUADRADOS 101

Figura 3.3: Proyeccion sobre el espacio columna

AT A es invertible cuando las columnas de A son linealmente independientes y la solución

es

x̂ = [AT A]−1 AT b

La proyección de b sobre el espacio columna es el punto mas próximo a Ax̂:

p = Ax̂ = A[AT A]−1 AT b

3.3.2. Regresión lineal por el método de mı́nimos cuadrados

El ejemplo más simple de una aproximación por mı́nimos cuadrados es mediante el ajuste
de un conjunto de pares de observaciones: [a1 , b1 ], [a2 , b2 ], [a3 , b3 ],..., [an , bn ] a una lı́nea
recta. La expresión matemática de la lı́nea recta es:

bi = x0 + x1 ai + ei

donde x0 y x1 , son los coeficientes que representan el cruce con el eje y y la pendiente de
la lı́nea y e representa el error de nuestra aproximación. En la figura 3.4, se muestra un
ejemplo de puntos a los que se les desea ajustar a una linea recta.
Una estrategia, para ajustar a la mejor lı́nea, es minimizar la suma al cuadrado de los
errores para todos los datos disponibles

n
X n
X
E(x) = e2i = (bi − x0 − x1 ai )2
i=1 i=1
102 ORTOGONALIDAD

y
6

x
2 3 4 5 6

Figura 3.4: Un conjunto de puntos

Esta misma ecuación la podemos escribir en forma matricial como

E(x) = eT e

donde el vector e se calcula como

     
e1 b1 1 a1
 e2   b2   1 a2  
x0
    
 e3 =
  b3 −
  1 a3 
.. ..  x1
 
 ..   ..  
 .   .   . . 
en bn 1 an

El sistema de ecuaciones que debemos resolver es :

   
1 a1 b1
 1 a2    b2 

x

1 a3  0
=  b3 
   
x

.. .. 1 . 
 .. 
  
 . . 
1 an bn

Ax = b
3.3. PROYECCIONES Y MÍNIMOS CUADRADOS 103

Cuya solución es :

x̂ = [AT A]−1 AT b

3.3.3. Ejemplo 1
Hacer el ajuste a una lı́nea recta de los siguientes valores

a b
1.00 0.50
2.00 2.50
3.00 2.00
4.00 4.00
5.00 3.50
6.00 6.00
7.00 5.50

La matriz M queda como

 
1 1.00

 1 2.00 


 1 3.00 

A=
 1 4.00 


 1 5.00 

 1 6.00 
1 7.00

 
1 1.00

 1 2.00 

  1 3.00   
1 1 1 1 1 1 1 7.00 28.00
AT A =
 
 1 4.00 =
1.00 2.00 3.00 4.00 5.00 6.00 7.00   28.00 140.00

 1 5.00 

 1 6.00 
1 7.00
104 ORTOGONALIDAD

 
0.50

 2.50 

  2.00   
1 1 1 1 1 1 1 24.00
AT b =
 
 4.00 =
1.00 2.00 3.00 4.00 5.00 6.00 7.00   119.50

 3.50 

 6.00 
5.50

Aplicando las formulas anteriores, tenemos que el sistema de ecuaciones a resolver es

    
7.00 28.00 x0 24.00
=
28.00 140.00 x1 119.50
La solución es x = [0.07142, 0.8392] y en la figura 3.5 se muestra el ajuste encontrado
y
6

x
1 2 3 4 5 6 7

Figura 3.5: Un conjunto de puntos y la linea recta ajustada

Para ejecutar dar

AjustePolinomial([1,2,3,4,5,6,7]’, [0.5, 2.5, 2, 4, 3.5, 6, 5.5]’,1)

3.3.4. Regresión polinomial

Dado los vectores de puntos correspondientes ai , bi y que estos responden a un polinomio
cuyos coeficientes son un vector x dado por

bi = x0 + x1 ai + x2 a2i + · · · + xm am
i
3.3. PROYECCIONES Y MÍNIMOS CUADRADOS 105

Podemos generalizar el caso de la regresión lineal y extenderla a cualquier polinomio de

orden m, hacemos la siguiente representación.

 
x0
a21 a31 am
   
1 a1 ··· 1 b0
 x1 
 1 a2 a22 a32 ··· am
2
   b1 
  x2   
 1 a3 a23 a33 ··· am
3

=
  b2 

 .. .. .. .. ..

..   x3   ..


 . . . . . .  ..   . 
 . 
1 an an a3n
2 · · · amn bn
xm

La cual podemos escribir de manera compacta como

Ax = b

Si pre-multiplicamos ambos lados de la ecuación tenemos

[AT A]x = AT b (3.18)

El sistema se resuelve para x̂ o simplemente se calcula haciendo

x̂ = [AT A]−1 [AT y]

3.3.5. Ejemplo 2
Ajustar a un polinomio de segundo orden los datos en la siguiente tabla.
a b
0.00 2.10
1.00 7.70
2.00 13.60
3.00 27.20
4.00 40.90
5.00 61.10
En este caso por ser un polinomio de segundo grado tenemos una matriz A dada por
 
1 0 0
 1 1 1 
 
 1 2 4 
A=  
 1 3 9 

 1 4 16 
1 5 25
106 ORTOGONALIDAD

El sistema de ecuaciones que debemos resolver es:

    
6.00 15.00 55.00 x0 152.60
 15.00 55.00 225.00   x1  =  585.60 
55.00 225.00 979.00 x2 2488.80

La solución del sistema es x̂ = [2.4785, 2.3592, 1.8607] y el ajuste da como resultado el

polinomio p(a) = 2.4785 + 2.3592ai + 1.8607a2i . En la figura 3.6 se muestra la aproximación
a un polinomio de segundo orden.

60

50

40

30

20

x
1 2 3 4 5

Figura 3.6: Un conjunto de puntos y su aproximación cuadrática

3.4. Bases Ortogonales y Gram-Schmidt

Los vectores q1 , q2 , . . . , qn son ortogonales si:


0 siempre que i ̸= j,
qiT qj =
1 siempre que i = j

En tres dimensiones si tenemos los vectores e1 = [1, 0, 0]T , e2 = [0, 1, 0]T y e3 = [0, 0, 1] de
acuerdo a lo anterior podemos ver que los vectores son ortogonales dado que eT1 e2 = 0 y
eT2 e3 = 0 y eT1 e3 = 0
3.4. BASES ORTOGONALES Y GRAM-SCHMIDT 107

3.4.1. Matrices Ortogonales

Si Q es una matriz ortogonal cuyos renglones tengan magnitud unitaria entonces QT Q =
I

. . . q1T .. .. ..
    
... 1 0 0
 . . . q2T . . .  
... 
 
 0 1 0 
  q1 q2 qn  =
 
.. .. ..
 
. . . qnT ... . . . 0 0 1

Una matriz ortogonal es una matriz cuadrada con columnas ortonormales. Por lo tanto la
matriz transpuesta QT es igual a la matriz inversa Q−1 .
Como ejemplo una matriz de rotación R en dos dimensiones es ortogonal

 
cos(θ) −sen(θ)
R(θ) =
sin(θ) cos(θ)

 
cos(θ) sen(θ)
T
R(−θ) = R (θ) = = R−1 (θ)
−sin(θ) cos(θ)

Una matriz de permutación P es ortogonal

 
0 1 0
P = 0 0 1 
1 0 0
 
0 1 0
P −1 = P T = 0 0 1 
1 0 0

La multiplicación por cualquier Q preserva las longitudes:

Longitudes sin cambio ||Qx|| = ||x||

esta condición se puede mostrar haciendo

||Qx|| = (Qx)T (Qx) = xT (QT Q)x = xT x = ||x||

Si b se escribe como una combinación lineal de los vectores qi

108 ORTOGONALIDAD

b = x1 q1 + x2 q2 + · · · + xn qn

entonces dado b podemos calcular el valor de x1 multiplicado por q1T

q1T b = x1 q1T q1 + x2 q1T q2 + · · · + xn q1T qn

q1T b = x1 q1T q1 lo que es equivalente a x1 = q1T b

y en general

xi = qnT b

entonces todo vector b es igual a

b = q1T bq1 + q2T bq2 + · · · + qnT bqn

Entonces si tenemos un sistema de ecuaciones Qx = b la solución pude ser calculada

. . . q1T
    T 
... q1 b
 . . . q2T ...   b   q2T b
x = QT b = 

  =  
    
. . . qnT ... qnT b

Debido a que estas proyecciones son ortogonales, el teorema de Pitágoras sigue siendo
válido. El cuadrado de la hipotenusa sigue siendo igual a la suma de los cuadrados de las
componentes:

||b||2 = (q1T b)2 + (q2T b)2 + (q3T b)2 + · · · + (qnT b)2 = ||QT b||2

Ejemplo
Suponga que un punto b = (x, y, z) se proyecta sobre el plano x − y. Su proyección en
p = (x, y, 0) y esta es la suma de las proyecciones por separado sobre los ejes x y y.

   
1 x
q1 =  0  y (q1T b)q1 =  0 
0 0
3.4. BASES ORTOGONALES Y GRAM-SCHMIDT 109

  

0 0
q2 =  1  y (q2T b)q2 =  y 
0 0

La matriz de proyección global es

 
1 0 0
P = q1 q1T + q2 q2T =  0 1 0 
0 0 0

      
x 1 0 0 x x
P  y  =  0 1 0  y  =  y 
z 0 0 0 z 0

Mı́nimos cuadrados con matrices ortogonales

Si las comunas de Q son ortonormales, el problema de mı́nimos cuadrádos se facilida

Qx = b
QT Qx̂ = QT b

x̂ = QT b
p = Qx̂
p = QQT b

3.4.2. El proceso de Gram-Schmidt

Consideremos dos vectores a y b y queremos calcular dos vectores ortogonales que generen
el mismo espacio. Para el vector a calculamos un vector unitario q1 = a/||a||. Para el vector
b podemos calcular la componente en la dirección de a como:

(q1T b)q1
ba = = (q1T b)q1
q1T q1

si esta componente la restamos del vector b tenemos la componente en la dirección perpen-

dicular a a

B
B = b − (q1T b)q1 y q2 =
||B||
110 ORTOGONALIDAD

La figura muestra estos cálculos en dos dos dimensiones.

El proceso de Gram-Schmidt empieza con vectores independiente a1 , a2 , ..., an y termina
con vectores ortogonales q1 , q2 , ..., qn . En el paso j resta de aj sus componentes q1 , q2 , ...,
qj−1 que ya fueron calculados

Aj = aj − (q1T aj )q1 − (q2T aj )q2 − (q3T aj )q3 − · · · − (qj−1

T
aj )qj−1

Luego qj es el vector unitario Aj /||Aj ||.

Ejemplo
Dados los vectores

   
2 1
a1 = y a2 =
2 3

Determinar los vectores ortogonales correspondientes

 
2
A1 = a1 =
2

   √ 
A1 1 2 1/√2
q1 = = √ =
||A1 || 2 2 2 1/ 2

Para calcular q2 hacemos

  √  
√ √ i 1
  
1 h 1/√2 1/2
A2 = a2 − (q1T a2 )q1 = − 1/ 2, 1/ 2 =
3 3 1/ 2 3/2

r    √ 
5 1/2 1/√10
q2 = =
2 3/2 3/ 10

Ejemplo
Dados los vectores

    
1 1 2
a1 =  0  , a2 =  0  y a3 =  1 
1 0 0
3.4. BASES ORTOGONALES Y GRAM-SCHMIDT 111

Determinar los vectores ortogonales correspondientes



1
A1 = a1 =  0 
1
 
1
A1 1  
q1 = =√ 0
||A1 || 2 1

Para calcular q2 hacemos

    √   
1 h √ √ i 1 1/ 2 1/2
A2 = a2 − (q1T a2 )q1 =  0  − 1/ 2, 0, 1/ 2  0   √0  =  0 
0 0 1/ 2 −1/2
 √ 
1/ 2
A2
q2 = = √0

||A2 ||
−1/ 2

Finalmente para q3

A3 = a3 − (q1T a3 )q1 − (q2T a3 )q2

   √   √   
2 √ 1/ 2 √ 1/ 2 0
A3 =  1  − 2  √0  − 2  √ 0 = 1 
0 1/ 2 −1/ 2 0
 
0
A3
q3 = = 1 
||A3 ||
0

Con estos vectores podemos hacer una base ortonormal Q dada como:

 √ √ 
  1/ 2 1/ 2 0
 0 0√ 1 
Q =  q1 q2 q3  =  √ 
 1/ 2 −1/ 2 0 
112 ORTOGONALIDAD

Figura 3.7: Componentes q1 y q2 de un vector b en dos dimensiones

3.4.3. La factorizacion A = QR
Comenzamos con una matriz A cuyas columnas eran a1 , a2 y a3 y terminamos con una
matriz Q cuyas columnas son q1 , q2 y q3 , pero qué relación guardan las matrices A y
Q.
La idea es escribir las a’s como combinaciones de las q’s. El vector b = a2 de la figura es
una combinación de los vectores q1 y q2

a2 = (q1T a2 )q1 + (q2T a2 )q2

y el vector c = a3

a3 = (q1T a3 )q1 + (q2T a3 )q2 + (q3T a3 )q3

En forma matricial lo podemos expresar como

q1T a1 q1T a2 q1T a3

    

A =  a1 a2 a3  =  q1 q2 q3   q2T a2 q2T a3  = QR
q3T a3

Para el ejemplo tenemos

   √ √  √ √ √ 
1 1 2 1/ 2 1/ 2 0 2 1/√2 √2
A =  0 0 1  =  0√ 0√ 1   1/ 2 2  = QR
1 0 0 1/ 2 −1/ 2 0 1
Determinantes

4.1. Introducción
El determinante constituye una fórmula explicita para calcular A−1 y resolver Ax = b
Los usos mas importantes de los determinantes pueden enumerarse como :
1. Si el determinante de A es cero, entonces A es una matriz singular. Si detA ̸= 0, entonces
A es invertible y A−1 implica que su determinante es 1/det(A)
2. El determinante de A es igual al volumen de una caja en el espacio n-dimensional. Las
aristas de la caja provienen de los renglones de A.
3. El determinante proporciona una fórmula para cada pivote.
4. El determinante mide la dependencia de A−1 b respecto a cada elemento de b.

4.2. Propiedades del Determinante

En dos dimensiones el determinante se define como

   
a b a b a b
det = = = ad − bc
c d c d c d

La notación que manejaremos para los determinantes es det A o |A|.

1. El determinante de la matriz identidad es 1

1 0 0
1 0
det I = 1 =1 y 0 1 0 =1
0 1
0 0 1

2. El determinante cambia de signo cuando se intercambia dos renglones

113
114 DETERMINANTES

a b c d
= ad − bc = −
c d a b

El determinante de cualquier matriz de permutación es P = ±1. Mediante el intercambio de

renglones es posible transformar P en la matriz identidad I. Cada intercambio de renglones
cambia el signo del determinante.
3. El determinante depende linealmente del primer renglón. Suponga que A, B, C son
iguales a partir del segundo y que el renglón 1 de A es una combinación lineal de los
primeros renglones de B y C. Entonces la regla establece: det A es la misma combinación
lineal de el det B y el det C.

a′ b′
     
a b ta tb
A= B= C=
c d c d c d

Entonces sumar los vectores en el renglón 1

a + a ′ b + b′ a b a′ b′
= +
c d c d c d

Multiplicar por t el renglón 1

ta tb a b
=t
c d c d

Observe que la primera parte no es la afirmación falsa det (B + C) = det B + det C. Note
que ambos miembros dan ad + a′ d − bc − b′ c.
La segunda parte no es la afirmación falsa det(tA) = t det A
4. Si dos renglones de A son iguales, entonces det A = 0

a b
= ab − ab = 0
a b

Esto se concluye de la regla 2, ya que se intercambian los renglones iguales, se supone que
el determinante cambia de signo, pero también queda igual, porque la matriz no cambio.
Entonces el único capaz de hacer esto es el cerro, de modo que det A = 0
5. Restar un múltiplo de un renglón de otro renglón deja igual el determinante
4.2. PROPIEDADES DEL DETERMINANTE 115

a − αc b − αd
= (a − αc)d − (b − αd)c = ad − αcd − bc − αcd = ad − cb
c d
 
c d
La regla 3 indica que hay otro termino −α , pero por la regla 4 este término es
c d
cero. El paso de Eliminación no afecta el determinante.
6. Si A tiene un renglón de ceros entonces det A = 0

0 0
=0
c d

Una demostración consiste en sumar otro renglón al renglón cero. Por la regla 5 el deter-
minante permanece sin cambio. Debido a que ahora la matriz cuenta con dos renglones
idénticos, por la regla 4 tiene un determinante cero.
7. Si A es triangular superior entonces det A es el producto a1,1 a2,2 . . . an,n de los elementos
en la diagonal

a b a 0
Matriz triángular = ad = ad
0 d c d

Demostración.
Suponga que los elementos en la diagonal son diferentes de cero. Entonces la eliminación
es capaz de eliminar todos los elementos fuera de la diagonal sin modificar el determinante
(por la regla 5). Si A es triangular inferior, los pasos son hacia abajo y si A es triangular
superior, primero se trabaja con la última columna, utilizando múltiplos de an,n

a1,1
D= .. tiene det D = a1,1 a2,2 . . . an,n det I = a1,1 a2,2 . . . an,n
.
an,n

8. Si A es singular, entonces det A = 0. Si A es invertible, entonces det A ̸= 0

a b
Matriz Singular no es invertible su y solo si ad − bc = 0
c d

Si A es singular, la eliminación produce un renglón cero en U . Por la regla anterior una

matriz diagonal sun determinante es el producto de los elementos en la diagonal, con un
116 DETERMINANTES

cero que exista det U = det A = 0. Si A es no singular, la eliminación coloca los pivotes
d1, . . . dn en la diagonal principal. Se tiene una fórmula para el producto de pivotes de
det A. El signo depende si el número de intercambios es par o impar.

Producto de pivotes det A = ±det U = ±d1 d2 . . . dn

9. El determinante de AB es el producto de det A por det B

a b e f ae + bg af + bh
Regla del Producto =
c d g h ce + dg cf + dh

Un caso particular de esta regla es det A−1 = 1/det A

1
det A−1 = debido a que (det A)(det A−1 ) = det AA−1 = det I = 1
det A

10. La transpuesta de A tiene el mismo determinante que A

a b a c
Regla de la transpuesta |A| = = = |AT |
c d b d

4.2.1. Ejemplo
Si una matriz de 4 por 4 tiene det A = 1/2 encuentre el determinante de det(2A), det(−A)
y det(A−1 ) .

det(2A) = 2det(A) = 1

det(−A) = (−1)det(A) = −1/2

det(A−1 ) = 1/det(A) = 2

4.2.2. Ejemplo
Cuente los intercambios de renglones para encontrar los siguientes determinantes:
4.2. PROPIEDADES DEL DETERMINANTE 117

 
0 0 0 1
 0 0 1 0 
det 
 0

1 0 0 
1 0 0 0

     
0 0 0 1 1 0 0 0 1 0 0 0
 0 0 1 0   0 0 1 0   0 1 0 0 
det   = (−1)det   = (−1)2 det  =1
 0 1 0 0   0 1 0 0   0 0 1 0 
1 0 0 0 0 0 0 1 0 0 0 1

Considera ahora la matriz

 
0 1 0 0
 0 0 1 0 
det 
 0

0 0 1 
1 0 0 0

     
0 1 0 0 0 1 0 0 0 1 0 0
 0 0 1 0   0 0 1 0   1 0 0 0 
det   = (−1)det   = (−1)2 det  =
 0 0 0 1   1 0 0 0   0 0 1 0 
1 0 0 0 0 0 0 1 0 0 0 1
 
1 0 0 0
0 1 0 0 
(−1)3 det 

 = −1
 0 0 1 0 
0 0 0 1

4.2.3. Ejemplo
Encuentre el determinantes de :
a) Una matriz de rango 1



1
A =  4  [2 − 1 2]
2

Calculamos el valor de A
118 DETERMINANTES

 
2 −1 2
A =  8 −4 8 
4 −2 4

Si calculamos la matriz triangular superior tenemos

 
2 −1 2
U = 0 0 0 
0 0 0

Por la propiedad 5 det(A) = det(U ) y por la propiedad 7 det(U ) = 0

b) La matriz triangular superior

 
4 4 8 8
 0 1 2 2 
U =
 0

0 2 6 
0 0 0 2

Por la propiedad 7 det(U ) = u1,1 u2,2 u3,3 u4,4 = 4 × 1 × 2 × 2 = 16.

c) la matriz triangular inferior U T
De acuerdo con la propiedad 10 det(U T ) = det(U ) = 16
d) la matriz inversa U −1
Por la propiedad 9 det(U −1 ) = 1/det(U ) = 1/16
e) La matriz triangular invertida

 
0 0 0 2
 0 0 2 6 
M =
 0

1 2 2 
4 4 8 8

Haciendo intercambio de renglones

0 0 0 2 4 4 8 8 4 4 8 8
0 0 2 6 0 0 2 6 0 1 2 2
det(M ) = = (−1) = (−1)2
0 1 2 2 0 1 2 2 0 0 2 6
4 4 8 8 0 0 0 2 0 0 0 2
4.3. FÓRMULAS PARA EL CALCULO DE DETERMINANTES 119

det(M ) = det(U ) = 16

4.3. Fórmulas para el calculo de Determinantes

Para él calculo del determinante vamos a presentar tres maneras diferentes de hacerlo. To-
das ellas dan el mismo resultado, sin embargo la complejidad y/o el número de operaciones
es diferente.

4.3.1. Primer forma

La primer forma para calcular el determinante es:
Si A es invertible, entonces P A = LDU y det P = ±1. La regla del producto nos dice

det A = ±det L det D det U = ±d1,1 d2, 2d3, 3 . . . dn, n

4.3.2. Segunda Forma

Para empezar, cada renglón puede descomponerse en vectores en las direcciones de coor-
denadas:

[a b] = [a 0] + [0 b] y [c d] = [c 0] + [0 d]

Si aplicamos la propiedad de linealidad, primero al renglón 1 y luego al renglón 2 tene-

mos

     
a b a 0 0 b
det = det + det
c d c d c d

Aplicando al segundo renglón tenemos


a b
 
a :0
0 
  
a 0
 
0 b
 
0 :0

b 

det = det  + det + det + det 
c d 
 c 0 0 d c 0 
 0 d

     
a b a 0 c 0
det = det − det
c d 0 d 0 b

En tres dimensiones tenemos

120 DETERMINANTES

 
a1,1 a1,2 a1,3 a1,1 0 0 0 a1,2 0 0 0 a1,3
det  a2,1 a2,2 a2,3  = a2,1 a2,2 a2,3 + a2,1 a2,2 a2,3 + a2,1 a2,2 a2,3
a3,1 a3,2 a3,3 a3,1 a3,2 a3,3 a3,1 a3,2 a3,3 a3,1 a3,2 a3,3

Para el primer determinante (color rojo):

*0


a1,1 0 0 a1,1 0 0 a1,1 0 0 a1,1 0 0
a2,1 a2,2 a2,3 = a2,1 0 0 + 0 a2,2 0 + 0 0 a2,3
a3,1 a3,2 a3,3 a3,1
 a
3,2 a3,3 a3,1 a3,2 a3,3 a3,1 a3,2 a3,3


0

> *0 *0
a1,1 0 0 a1,1 0  0 a1,1 0 
0
a1,1 0 0


  
a2,1 0 0 = a2,1 0 0 + a2,1 0 0 + a2,1 0 0 = 0
  
a3,1 a3,2 a3,3 a3,1 0 0  0 a3,2 0

 0 0 a3,3



*0 *0
a1,1 0 0 a1,1 0 
0
a1,1 0 
0
a1,1 0 0
 
0 a2,2 0 = 0 a
2,2 0 + 0 a
2,2 0 + 0 a2,2 0
 
a3,1 a3,2 a3,3 a
3,1 0 0  0 a3,2 0 0 0 a3,3

*0 0
a1,1 0 0 a1,1 0  0
a1,1 0 0 a1,1 0  0*

 
0 0 a2,3 = 0 0 a2,3 + 0 0 a2,3 + 0 0 a2,3
 
a3,1 a3,2 a3,3 a
3,1 0 0 0 a3,2 0  0 0 a3,3

Sustituyendo tenemos

a1,1 0 0 a1,1 0 0 a1,1 0 0

a2,1 a2,2 a2,3 = 0 a2,2 0 + 0 0 a2,3 = a1,1 a2,2 a3,3 − a1,1 a3,2 a2,3
a3,1 a3,2 a3,3 0 0 a3,3 0 a3,2 0

En forma similar procedemos para el segundo término (azul)

0 a1,2 0 0 a1,2 0 0 a1,2 0

a2,1 a2,2 a2,3 = a2,1 0 0 + 0 0 a2,3 = −a2,1 a1,2 a3,3 +a3,1 a1,2 , a2,3
a3,1 a3,2 a3,3 0 0 a3,3 a3,1 0 0
4.3. FÓRMULAS PARA EL CALCULO DE DETERMINANTES 121

Para el tercer determinante (en verde)

0 0 a1,3 0 0 a1,3 0 0 a1,3

a2,1 a2,2 a2,3 = a2,1 0 0 + 0 a2,2 0 = a2,1 a3,2 a1,3 − a3,1 a2,2 a1,3
a3,1 a3,2 a3,3 0 a3,2 0 a3,1 0 0

Sustituyendo tenemos

 
a1,1 a1,2 a1,3 a1,1 a2,2 a3,3 − a1,1 a3,2 a2,3 +
det  a2,1 a2,2 a2,3  = a3,1 a1,2 a2,3 − a2,1 a1,2 a3,3 +
a3,1 a3,2 a3,3 a2,1 a3,2 a1,3 − a3,1 a2,2 a1,3

Si agrupamos términos los términos del primer renglón y reducimos tenemos:

a1,1 (a2,2 a3,3 − a3,2 a2,3 )+

det A = a1,2 (a3,1 a2,3 − a2,1 a3,3 )+ (4.19)
a1,3 (a2,1 a3,2 − a3,1 a2,2 )

4.3.3. Tercer forma. Matriz de Cofactores

Si la ecuación (4.17) la escribimos como:

a1,1 a1,2 a1,3

det(A) = a2,2 a2,3 + a2,1 a2,3 + a2,1 a2,2
a3,2 a3,3 a3,1 a3,3 a3,1 a3,2

a2,2 a2,3 a2,1 a2,3 a2,1 a2,2

det(A) = a1,1 − a1,2 + a1,3
a3,2 a3,3 a3,1 a3,3 a3,1 a3,2

El determinante de A es una combinación de cualquier renglón i multiplicado por sus

cofactores

det(A) = ai,1 Ci,1 + ai,2 Ci,2 + · · · + ai,n Ci,n

El cofactor Ci,j es el determinante de Mi,j con el signo correcto:

borrar el renglón i y la columna j Ci,j = (−1)i+j det(Mi,j ) (4.20)

122 DETERMINANTES

Ejemplo
Calcular el determinante de la matriz

 
2 −1 0 0
 −1 2 −1 0 
 
 0 −1 2 −1 
0 0 −1 2

Aplicando cofactores tenemos y tomando como referencia el renglón 1

2 −1 0 0
2 −1 0 −1 −1 0
−1 2 −1 0
= 2 −1 2 −1 − (−1) 0 2 −1
0 −1 2 −1
0 −1 2 0 −1 2
0 0 −1 2

Para los determinantes de 3 × 3

2 −1 0
2 −1 −1 −1
−1 2 −1 =2 − (−1) =6−2=4
−1 2 0 2
0 −1 2

−1 −1 0
2 −1
0 2 −1 = (−1) = −3
−1 2
0 −1 2

Sustituyendo términos tenemos

2 −1 0 0
−1 2 −1 0
= (2)(4) − (−1)(−3) = 8 − 3 = 5
0 −1 2 −1
0 0 −1 2

Si calculamos la matriz triangular superior U utilizando Eliminación Gaussiana

2 −1 0 0 2 −1 0 0
−1 2 −1 0 0 3/2 −1 0 3 4 5
= =2× × × =5
0 −1 2 −1 0 0 4/3 −1 2 3 4
0 0 −1 2 0 0 0 5/4
4.4. APLICACIONES DE LOS DETERMINANTES 123

4.3.4. Número de operaciones

3
Para la Eliminación Gaussiana tenemos que el número de operaciones es n 3−n y para él
cálculo del determinante es n!. Por esta razón será más eficiente calcular los determinantes
utilizando Eliminación Gaussiana para posteriormente calcular el determinante de la matriz
triangular superior.

U = EG(A) y el determinante det A = u1,1 u2,2 . . . un,n

4.4. Aplicaciones de los Determinantes

En esta sección analizaremos cuatro de las aplicaciones de los determinantes.

4.4.1. Cálculo de la matriz inversa

La matriz inversa A−1 puede ser calculada a partir de una matriz de cofactores C utilizando
la siguiente formula

CT
A−1 =
det(A)

Lo que significa que

CT


−1

i,j
A i,j
=
det(A)

donde el cofactor C T


i,j
se calcula aplicando (4.18)

Ejemplo
Dada la matriz

 
10 −1
A=
3 4

Calcular:
a) La matriz de Cofactores

  
(+1)(4) (−1)(3) 4 −3
C=
(−1)(−1) (+1)(10) 1 10
124 DETERMINANTES

b) Calcular el determinante de A

det(A) = 10 × 4 − (−1) × 3 = 43

c) Calcular la matriz inversa

CT
   
−1 1 4 1 4/43 1/43
A = = =
det(A) 43 −3 10 −3/43 10/43

Ejemplo
Calcular el determinante de la matriz

 
1 1 1
A= 0 1 1 
0 0 1

para calcular la solución hacemos

 T
1 1 0 1 0 1
 (+1) 0 1
(−1)
0 1
(+1)
0 1 
 
 
T
 
C 1 1 1 1 1 1
A−1
 
= = (−1) (+1) (−1) 
det(A) 
 0 1 0 1 0 0 

 
 
 1 1 1 1 1 1 
(+1) (−1) (+1)
1 1 0 1 0 1

 T  
1 0 0 1 −1 1
A−1 =  −1 1 0  = 0 1 −1 
1 −1 1 0 0 1

4.4.2. Solución de un sistema de ecuaciones

La solución de un sistema de ecuaciones Ax = b lo podemos realizar utilizando determinan-
tes mediante la regla de Cramer. La j-ésima componente de x = A−1 b es el cociente:

det Bj
xj =
det A
4.4. APLICACIONES DE LOS DETERMINANTES 125

donde

 
a1,1 a1,2 . . . b1 . . . a1,n

 a2,1 a2,2 . . . b2 . . . a2,n  
Bj = 
 a3,1 a3,2 . . . b3 . . . a3,n  
 .. .. .. .. .. 
 . . ... . . . 
a1,1 a1,2 . . . b1 . . . a1,n

tiene b en la j-ésima columna.

4.4.3. Ejemplo
Dado el sistema de ecuaciones Ax = b expresado por

    
10 1 4 x1 1
 2 5 1   x2  =  −2 
0 1 6 x3 2

a) Calcular el determinante de A
 
10 1 4
5 1 2 1 2 5
det(A) = det  2 5 1  = (10) − (1) + (4)
1 6 0 6 0 1
0 1 6

det(A) = (10)(29) − (1)(12) + (4)(2) = 286

b) Calcular los determinantes de las matrices B1 , B2 y B3

 
1 1 4
5 1 −2 1 −2 5
det(B1 ) = det  −2 5 1  = (1) − (1) + (4)
1 6 2 6 2 1
2 1 6

det(B1 ) = (1)(29) − (1)(−14) + (4)(−12) = −5

 
10 1 4
−2 1 2 1 2 −2
det(B2 ) = det  2 −2 1  = (10) − (1) + (4)
2 6 0 6 0 2
0 2 6

det(B2 ) = (10)(−14) − (1)(12) + (4)(4) = −136

126 DETERMINANTES

 
10 1 1
5 −2 2 −2 2 5
det(B3 ) = det  2 5 −2  = (10) − (1) + (1)
1 2 0 2 0 1
0 1 2

det(B3 ) = (10)(12) − (1)(4) + (1)(2) = 118

c) Calcular la solución del sistema de ecuaciones

det B1 −5
x1 = =
det A 286
det B2 −136 −68
x2 = = =
det A 286 143
det B3 118 59
x3 = = =
det A 286 143

4.4.4. El volumen de una caja

La relación entre el determinante y el volumen se vuelve más evidente cuando los ángulos
son rectos: las aristas son perpendiculares y la caja es rectangular. Ası́ el volumen es el
producto de las longitudes de las arista: volumen = l1 l2 . . . ln .
Considerando que las aristas son perpendiculares tendremos que

 
renglón 1   
l12

renglón 1
renglón 2
...
renglón n

 renglón 2  l22
AAT = 
   
=

.. 
...

 .    
renglón n ln2

√
volumen = det AAT = l1 l2 . . . ln

En n dimensiones se requiere mas trabajo para hacer rectangular cada caja, aunque la idea
es la misma. El volumen y el determinante permanecen sin cambio si de cada renglón se
resta su proyección sobre el espacio generado por los renglones precedentes, dejando un
vector longitud perpendicular como pb. Este proceso de Gram-Schmidt produce renglones
ortogonales, con volumen = determinante
En la figura 4.1 se muestra el Área del trapecio entre los vectores a = [a1,1 , a1,2 ]T y
b = [a2,1 , a2,2 ]T . El área la podemos calcular cómo el producto de la base l = |a| por la
altura h = b − p. Note que la altura h es la componente ortogonal del vector b con respecto
de a. Podemos calcular h como
4.4. APLICACIONES DE LOS DETERMINANTES 127

Figura 4.1: Área del trapecio entre los vectores a y b

aT b
h=b− a = [a2,1 − x̂a1,1 , a2,2 − x̂a1,2 ]T
aT a

El determinante de la matriz Â:


a a1,1 a1,2
det  = = = a1,1 (a2,2 − x̂a1,2 ) − a1,2 (a2,1 − x̂a1,1 )
h a2,1 − x̂a1,1 a2,2 − x̂a1,2

a1,1 a1,2
det  = a1,1 a2,2 − a1,2 a2,1 =
a2,1 a2,2

Ejemplo
Dados los vectores a1 = [3, −1, 4]T , a2 = [5, 2, 7]T y a3 = [−3, −2, 10]T calcular:
a) Calcular los vectores ortogonales q1 , q2 y q3


3
q1 = a1 =  −1 
4

 
0.269230
(q1T a2 )q1
q2 = a2 − =  3.576923 
q1T q1
0.692307
128 DETERMINANTES

 
−6.786743
(q1T a3 )q1 (q2T a3 )q2 
q3 = a3 − − = −0.452449 
q1T q1 q2T q2
4.976945

b) Calcular el determinante de una matriz A y Q dadas como

aT1 q1T
   

A =  aT2  Q =  q2T 
aT3 q3T
   
3 −1 4 3 −1 4
A= 5 2 7  Q =  0.269230 3.576923 0.692307 
−3 −2 10 −6.786743 −0.452449 4.976945

det A = 157 det Q = 157

c) Calcular el producto QQT y el det QQT

 
26 0 0
QQT =  0 13.346153 0 
0 0 71.034582

det QQT = 24649 = 1572

4.5. Formula para los pivotes

Utilizando determinantes es posible saber cuándo la Eliminación Gaussiana requiere inter-
cambio de renglones. La observación clave es que los k primeros pivotes están determinados
completamente por la submatriz Ak en la esquina superior izquierda de A. Los renglones
y columnas restantes de A no afectan esta esquina del problema.
La eliminación de A incluye la eliminación sobre A2

   
a b c a b c
 c d f  →  0 (ad − bc)/a (af − ec)/a 
g h i g h i

El primer pivote sólo depende del primer renglón y de la primera columna. El segundo
pivote (ad − bc)/a, sólo depende de la submatriz esquinada A2 de 2 × 2. El resto de A
4.5. FORMULA PARA LOS PIVOTES 129

no entra sino hasta el tercer pivote. En realidad, lo que determina la esquina superior
izquierda de L no sólo son los pivotes, sino todas las esquinas superiores izquierdas de L,
D y U:

   
1 a 1 b/a ∗
A = LDU =  c/a 1  (ad − bc)/a  0 1 ∗ 
∗ ∗ 1 ∗ 1

   
1 a 1 b/a
A2 = L2 D2 U2 =
c/a 1 (ad − bc)/a 1

Lo que se ve en los dos primeros renglones y columnas es exactamente la factorización de

las submatriz esquinada A2 . Esta es una regla general si no hay intercambios de renglo-
nes.

Si A se factoriza en LDU , las esquinas superiores izquierdas cumpleb Ak = Lk Dk Uk . Para

toda k, la submatriz Ak experimenta eliminación Gaussiana.

La demostración es ver que esta esquina puede establecerse primero, incluso antes de con-
siderar otras eliminaciones. O bien, se aplican las reglas para la multiplicación por blo-
ques:

     
Lk 0 Dk 0 Uk F Lk Dk Uk Lk DkF
LDU = =
B C 0 E 0 G BDk Uk BDk F + CEG

Al comparar la última matriz con A, la esquina Lk Dk Uk coincide con Ak . Ası́

det Ak = det Lk det Dk det Uk = det Dk = d1 d2 . . . dk

En consecuencia, el determinante de la matriz Ak−1 esta dada por d1 d2 . . . dk−1 con esto el
pivote dk puede ser representado por un cociente de determinantes:

det Ak d1 d2 . . . dk−1 dk
= = dk
det Ak−1 d1 d2 . . . dk−1

Ejemplo
Dada la matriz
130 DETERMINANTES

 
10 −2 3 0 0

 −2 15 −1 0 0 

A=
 0 1 11 −1 0 

 0 1 2 12 −3 
1 2 0 0 10

a) Determinar las matrices A1 , A2 , A3 y A4

 
A1 = 10

 
10 −2
A2 =
−2 15

 
10 −2 3
A3 =  −2 15 −1 
0 1 11
 
10 −2 3 0
 −2 15 −1 0 
A4 =  
 0 1 11 −1 
0 1 2 12

b) calcular los pasos de la factorización LDU de la matriz A.

Para el primer renglón de la matriz n = 1

   −1 3 
1 0 0 0 0 10 0 0 0 0 1 5 10 0 0

 − 15 1 0 0 0 
 0 73
5 0 0 0 
 0 1 2
− 73 0 0 


 0 0 1 0 0 
 0 0 1 0 0 
 0 1 11 −1 0 

 0 0 0 1 0  0 0 0 1 0  0 1 2 12 −3 
1 11 3
10 0 0 0 1 0 0 0 0 1 0 5 − 10 0 10

Para el segundo renglón n = 2

−1 3
10 −0
   
1 0 0 0 0 0 0 1 5 10 0 0
 − 15 1 0 0 0  0 73
5 0 0 0  0 1 − 732
0 0 
5 805 73
   

 0 73 1 0 0 
 0 0 73 0 0 
 0 0 1 − 805 0 

5 148
 0 73 0 1 0  0 0 0 1 0  0 0 73 12 −3 
1 11 35
10 73 0 0 1 0 0 0 0 1 0 0 − 146 0 10
4.5. FORMULA PARA LOS PIVOTES 131

Para el tercer renglón n = 3

   −1 3 
1 0 0 0 0 10 0 0 0 0 1 5 10 0 0
 − 15 1 0 0 0  0 73
5 0 0 0  0 1 2
− 73 0 0 
5 805 73
   

 0 73 1 0 0 
 0 0 73 0 0 
 0 0 1 − 805 0 

5 148 9808
 0 73 805 1 0  0 0 0 805 0  0 0 0 1 − 2415
9808

1 11 1 1
10 73 − 46 0 1 0 0 0 0 1 0 0 0 − 46 10

Para el tercer renglón n = 4

   −1 3 
1 0 0 0 0 10 0 0 0 0 1 5 10 0 0
 − 15 1 0 0 0  0 73
5 0 0 0  0 1 2
− 73 0 0 
5 805 73
   

 0 73 1 0 0 
 0 0 73 0 0 
 0 0 1 − 805 0 

5 148 9808
 0 73 805 1 0  0 0 0 805 0  0 0 0 1 − 2415
9808

1 11 1 35 196055
10 73 − 46 − 19616 1 0 0 0 0 19616 0 0 0 0 1

c) Calcular el determinante de la matrices A1 , A2 , A3 y A4

det(A1 ) = 10 det(A2 ) = 146 det(A3 ) = 1610 det(A4 ) = 19616

d) Calcular los pivotes

det(A2 ) 146 73
d2,2 = = =
det(A1 ) 10 5

det(A3 ) 1610 805

d3,3 = = =
det(A2 ) 146 73

det(A4 ) 19616 9808

d4,4 = = =
det(A3 ) 1610 805
132 DETERMINANTES
Valores Propios

5.1. Introducción
Vamos a plantear el problema de valores propios considerando que tenemos el siguiente
problema. Dada una matriz A queremos encontrar un vector x tal que

Ax = λx

donde λ es un escalar. Entonces para este problema debemos calcular el valor de λ ası́
cómo el vector x que soluciona el sistema de ecuaciones.
De manera equivalente el sistema lo podemos expresar como

(A − λI)x = 0

Dada la matriz

 
2 −12
A=
1 −5

el problema lo podemos plantear como

       
2 −12 1 0 x1 0
−λ =
1 −5 0 1 x2 0
    
2−λ −12 x1 0
=
1 −5 − λ x2 0

Aplicando Eliminación Gaussiana tenemos

133
134 VALORES PROPIOS

    
2−λ −12 x1 0
=
0 ((−5 − λ)(2 − λ) + 12)/(2 − λ) x2 0

Para que el sistema sea consistente, debemos calcula el valor de λ tal que

(−5 − λ)(2 − λ) + 12
=0
2−λ

para hacer cero este cociente con que el numerador sea cero es suficiente

(−5 − λ)(2 − λ) + 12 = 0

Note que esta expresión es equivalente a

det (A − λI) = 0

Para esta matriz tenemos

(−5 − λ)(2 − λ) + 12 = λ2 + 3λ + 2 = (λ + 2)(λ + 1) = 0

Para el polinómio al que denominaremos polinómio caracterı́stico tenemos dos raı́ces λ1 =

−1 y λ2 = −2. A estas raı́ces las denominaremos valores propios y para cada valor propio
tenemos que resolver:

  
3 −12 x1,1
λ1 = −1 A1 x1 = =0
1 −4 x1,2

  
4 −12 x2,1
λ2 = −2 A2 x2 = =0
1 −3 x2,2

Para lo sistemas de ecuaciones A1 x1 = 0 y A2 x2 = 0 calculamos el espacio nulo correspon-

diente. Los vectores x1 y x2 los denominaremos vectores propios.
Los vectores propios del sistema A1 y = 0 los calculamos como

     
3 −12 y1 3 −12 y1
→
1 −4 y2 0 0 y2
5.1. INTRODUCCIÓN 135

3y1 = 12y2 y1 = 4y2

El espacio nulo es

   
y1 4
y= = t
y2 1

El vector propio x1 es :

 
4
x1 =
1

Los vectores propios del sistema A2 y = 0 los calculamos como

     
4 −12 y1 4 −12 y1
→
1 −3 y2 0 0 y2

4y1 = 12y2 y1 = 3y2

El espacio nulo es

   
y1 3
y= = t
y2 1

y el vector propio es:

 
3
x2 =
1

En particular para el sistema (A−λI)x = 0 tenemos dos valores propios λ1 = −1 y λ2 = −2

con dos vectores propios correspondientes x1 = [4, 1]T y x2 = [3, 1]T . Para esta solución
podemos comprobar que
136 VALORES PROPIOS

λ1 = −1 λ2 = −2
   
4 3
x1 = x2 =
1 1

Ax1 = λ1 x1 Ax2 = λ2 x2
         
2 −12 4 4 2 −12 3 3
= −1 = −2
1 −5 1 1 1 −5 1 1
       
−4 −4 −6 −6
= =
−1 −1 −2 −2

5.1.1. Procedimiento para calcular los valores propios y vectores pro-

pios
Dada una matriz A de tamaño n × n :
1) Calcular los valores propios resolviendo

det(A − λI) = 0

La solución de este determinante da como resultado un polinomio de grado n con n rai-

ces.
2) Para cada una de los valores propios λ1 , λ2 , . . . , λn , calcular los vectores propios :

(A − λk I)xk = 0

para k = 1, 2, . . . , n. Note que los vectores propios son el espacio nulo de la matriz (A −
λk ).

5.2. Diagonalización de una matriz

Suponga que la matriz A de n por n tiene n vectores caracterı́sticos linealmente indepen-
dientes. Si estos vectores son las columnas de una matriz S, entonces S −1 AS es una matriz
diagonal Λ. La matriz diagonal Λ tiene en su diagonal los n valores propios de la matriz
A.
Demostración: Los vectores caracterı́sticos xi se escriben en las columnas de S y AS se
calcula por columnas
5.2. DIAGONALIZACIÓN DE UNA MATRIZ 137

Tenemos que
Ax1 = λ1 x1
Ax2 = λ2 x2
..
.
Axn = λn xn

Lo cual podemos escribir de forma equivalente como

.. .. .. . .. ..
   
 . . .   .. . . 
AS = A  x
 1 x 2 . . . x n 
 = λ
 1 1
 x λx 2 . . . λ n xn

.. .. .. .. .. ..

. . . . . .

 λ 
.. .. .. .. .. ..
  
1
 . . .   . . .  λ2 
A x x . . . x = x1 x2 . . . xn 
 
1 2 n  .. 

.. .. ..
 
.. .. ..
 . 
. . . . . . λn

En forma compacta

AS = SΛ

Si post-multiplicamos ambos lados de la ecuación por S −1 tenemos

ASS −1 = SΛS −1

A = SΛS −1

De forma similar si pre-multiplicamos AS = SΛ por S −1 tenemos

S −1 AS = S −1 SΛ

S −1 AS = Λ
138 VALORES PROPIOS

5.2.1. Ejemplo
Para la matriz

 
2 −12
A=
1 −5

Tenemos dos valores propios λ1 = −1 y λ2 = −2 con sus vectores propios x1 = [4, 1]T y
x2 = [3, 1]T entonces podemos escribir

 
4 3
S = [x1, x2] =
1 1

Con una matriz inversa

 
−1 1 −3
S =
−1 4

Entonces podemos comprobar que

     
−1 1 −3 2 −12 4 3 −1 0
Λ=S AS = =
−1 4 1 −5 1 1 0 −2

En caso contrario
     
−1 4 3 −1 0 1 −3 2 −12
A = SΛS = =
1 1 0 −2 −1 4 1 −5

5.2.2. Ejemplo
Dada la matriz

 
3 0
A=
8 −1

Determinar
a) Los valores propios de la matriz

 
3−λ 0
det = (3 − λ)(−1 − λ) = 0
8 −1 − λ
5.2. DIAGONALIZACIÓN DE UNA MATRIZ 139

Los valores propios son λ1 = 3 y λ2 = −1

b) Determinar los vectores propios relacionados con cada valor propio
Para λ1 = 3 tenemos     
0 0 y1 0
=
8 −4 y2 0

8y1 − 4y2 = 0 → y1 = 2y1

 
1
y= t
2

El vector propio para λ1 es x1 = [1, 2]T

Para λ1 = −1 tenemos     
4 0 y1 0
=
8 0 y2 0

El espacio nulo es:

 
0
y= t
−1

El vector propio para λ2 es x2 = [0, −1]T

c) Calcular la matriz S y S −1 que diagonaliza la matriz A

 
1 0
S = [x1 , x2 ] =
2 −1

 
−1 1 0
S =
2 −1

d) Comprobar que Λ = SAS −1 y A = S −1 ΛS.

     
1 0 3 0 1 0 3 0
A= =
2 −1 0 −1 2 −1 8 −1
140 VALORES PROPIOS

5.2.3. Ejemplo
Dada la matriz

 
5 4 2
A= 4 5 2 
2 2 2

Calcular
a) Los valores propios

 
5−λ 4 2
det  4 5−λ 2  = 10 − 21λ + 12λ2 − λ3 = (λ − 10)(λ − 1)(λ − 1)
2 2 2−λ

de donde tenemos
λ1 = 10 λ 2 = 1 y λ3 = 1

b) Calcular los vectores propios para cada uno de los valores propios
Para λ1 = 10

    
−5 4 2 y1 0
 4 −5 2   y2  =  0 
2 2 −3 y3 0
    
1 0 −2 y1 0
 0 1 −2   y2  =  0 
0 0 0 y3 0
 
2
y =  2 c
1
 
2
x1 =  2 
1

Para λ2 = 1 y λ3 = 1
5.2. DIAGONALIZACIÓN DE UNA MATRIZ 141

    
4 4 2 y1 0
 4 4 2   y2  =  0 
2 2 1 y3 0
    
1 1 1/2 y1 0
 0 0 0   y2  =  0 
0 0 0 y3 0
   
−1 1/2
y =  1  c1 +  0  c2
0 1
   
−1 1/2
x2 =  1  x3 =  0 
0 1

c) Determinar la matriz S y mostrar que SΛS −1 = A

   
2 −1 −1/2 2 2 1
1
S= 2 1 0  S −1 = −4 5 −2 
9
1 0 1 −2 −2 8
      
2 −1 −1/2 10 0 0 2 2 1 5 4 2
1
SΛS −1 = 2 1 0   0 1 0   −4 5 −2  =  4 5 2 
9
1 0 1 0 0 1 −2 −2 8 2 2 2

5.2.4. Potencias y productos Ak y AB

Elevar una matriz A a una potencia k es equivalente a hacer la multiplicación de k-veces
la matriz A

A2 = A × A
A3 = A × A × A

A4 = A × A × A × A

Ak = A × A × A × A × A . . . A
142 VALORES PROPIOS

Los valores caracterı́sticos (propios) de Ak son λk1 , . . . , λkn y cada vector caracterı́stico de
A sigue siendo un vector caracterı́stico de Ak . Una vez que S diagonaliza a A, también
diagonaliza a Ak .

Λk = (S −1 AS)(S −1 AS)(S −1 AS) . . . (S −1 AS) = S −1 Ak S

cada S −1 cancela un S, excepto por la primera S −1 y la última S.

Si A es invertible, esta regla también es válida para su inversa (la potencia k = −1). Los
valores caracterı́sticos de A−1 son 1/λ
Las matrices diagonalizadas comparten la misma matriz vector caracterı́stico S si y solo si
AB es igual a BA.

5.2.5. Ejemplo
Dada la matriz

     
−1 0 4 3 1 −3
Λ= S= y S −1 =
0 −2 1 1 −1 4

Que diagonalizan a la matriz A  

2 −12
A=
1 −5

a) Calcular A2

     
4 3 1 0 1 −3 −8 36
SΛ2 S −1 = =
1 1 0 4 −1 4 −3 13

b) Calcular A3 y

     
4 3 −1 0 1 −3 20 84
SΛ3 S −1 = =
1 1 0 −8 −1 4 7 −29

c) Calcular A−1

     
3 −1 4 3 −1 0 1 −3 −5/2 6
SΛ S = =
1 1 0 −1/2 −1 4 −1/2 1
5.3. APLICACIONES 143

5.3. Aplicaciones
En esta sección se muestran algunas de las muchas aplicaciones que tienen los valores y
vectores propios.

5.3.1. Solución de recurrencias

Los números de Fibonacci son una sucesión numérica dada como

0, 1, 2, 3, 5, 8, 13, 21, 34, 55, . . .

Si definimos Fk como el k-ésimo numero de Fibonacci podemos ver que

Fk+2 = Fk+1 + Fk

El problema es ¿cómo calcular el término 1000 de esta serie sin resolver los 999 valores
previos?.
Para resolver podemos plantear la recurrencia como

    
Fk+2 1 1 Fk+1
=
Fk+1 1 0 Fk

En forma compacta

Uk+2 = AUk+1

Con esta representación podemos calcular

         
F2 1 1 F1 1 1 1 1
= = =
F1 1 0 F0 1 0 0 1
         
F3 1 1 F2 1 1 1 2
= = =
F2 1 0 F1 1 0 1 1
         
F4 1 1 F3 1 1 2 3
= = =
F3 1 0 F2 1 0 1 2
         
F5 1 1 F4 1 1 3 5
= = =
F4 1 0 F3 1 0 2 3
144 VALORES PROPIOS

En forma compacta

U1 = AU0
U2 = AU1 = A × AU0 = A2 U0
U3 = AU2 = A × A2 U0 = A3 U0
U4 = AU3 = A × A3 U0 = A4 U0
..
.
Uk = AUk−1 = Ak U0

Dado lo anterior, para calcular el k-ésimo término de la serie de Fibonacci tenemos que
conocer el valor de Ak . Para resolver aplicamos la diagonalización de lamatriz A.
Comenzamos por calcular los valores propios

 
1−λ 1
det(A) = det = λ2 − λ − 1 = 0
1 −λ

Las raı́ces del polinomio caracterı́sticos son

√ √
1+ 5 1− 5
λ1 = y λ2 =
2 2

Para determinar los vectores propios tenemos que resolver

    
1 − λk 1 y1 0
=
1 −λk y2 0

El espacio nulo esta dado por

 
λk
y= t
1

de donde tenemos dos vectores propios dados como

   
λ1 λ2
x1 = y x2 =
1 1

Para diagonalizar necesitamos la matriz S y su inversa, las cuales están dadas como
5.3. APLICACIONES 145

   
λ1 λ2 −1 1 1 −λ2
S= S =
1 1 λ1 − λ 2 −1 λ1

Para calcular el k-ésimo termino de la serie de Fibonacci tenemos entonces

Uk+1 = Ak U0
Uk+1 = SΛk S −1 U0

λk1 0
       
Fk+1 λ1 λ2 1 1 −λ2 1
=
Fk 1 1 0 λk2 λ1 − λ 2 −1 λ1 0

Lo que es igual a

λk+1 − λk+1
   
Fk+1 1 1 2
=
Fk λ1 − λ 2 λ1 − λk2
k

Finalmente

λk1 − λk2
Fk =
λ1 − λ 2

 √ k  √ k
1+ 5
2 − 1−2 5
Fk = √
5

5.3.2. Solución de ecuaciones diferenciales

Consideremos el sistema de ecuaciones

dv
= 4v − 5w
dt
dw
= 2v − 3w
dt

Para este sistema lineal de ecuaciones diferenciales vamos a suponer que las soluciones
tienen la forma

v(t) = yeλ t y w(t) = zeλ t

146 VALORES PROPIOS

Haciendo esta suposición podemos escribir

dv
    
dt 4 −5 v
 =  
dw 2 −3 w
dt

    
λt y λt 4 −5 y
λe =e
z 2 −3 z

Lo que da como resultado el problema de

λx = Ax

Para resolver calculamos los valores propios

 
4−λ −5
det = (λ − 2)(λ − 1) = 0
2 −3 − λ

Los valores propios y vectores propios son:

λ1 = 2 y λ2 = −1
   
5/2 1
x1 = y x2 =
1 1

Para cada uno de los valores propios y vectores propios tenemos dos soluciones

5
v1 (t) = e2t v2 (t) = e−t
2

w1 (t) = e2t v2 (t) = e−t

5.3.3. Matrices de Markov

Las cadenas de Markov son muy utilizadas para resolver problemas probabilisticos don-
de existe una probabilidad dada de que ocurra un evento o no. Como ejemplo plantea-
mos:
Cada año 1/10 de las personas que vive fuere de California se cambia de estado y 2/10 de
las personas que vive en California sale del estado.
5.3. APLICACIONES 147

El problema lo podemos plantear definiendo :

y el número de personas fuera de California
z números de personas en California
Con esta definición podemos hacer una representación en forma matricial como la siguien-
te:

y (1) y (0)
    
0.9 0.1
=
z (1) 0.2 0.8 z (0)

u(1) = Au(0)

Con esto la pregunta es ¿Cuántas personas estarán viviendo en California en un tiempo

suficientemente graden?.
El problema lo podemos resolver calculando u(k) = Ak u(0) para una u(0) dada. Para resolver
calculamos los valores propios y vectores propios de la matriz A.

det(A − λI) = (0.9 − λ)(0.8 − λ) − 0.02 = (λ − 1)(λ − 0.7) = 0

Los valores propios son:

λ1 = 1.0 y λ2 = 0.7

Los vectores propios correspondientes a cada valor propio son:

   
1 −1/2
x1 = y x2 =
1 1

Con esto tenemos que

1.0k
   
k k K 1 1/2 2/3 1/3
A =S Λ S=
1 1 0.8k −2/3 2/3

Para calcular el valore u(k) para un valor u(0)

y (k) 1.0k y (0)

      
1 1/2 2/3 1/3
u(k) = =
z (k) 1 1 0.8k −2/3 2/3 z (0)
148 VALORES PROPIOS

y (k) (2y (0) + z (0) ) × 1k (−2y (0) + 2z (0) ) × 0.7k

     
(k) 1 −1/2
u = = +
z (k) 1 3 1 3

Cuando k → ∞ tenemos que

(2y (0) +z (0) )

y (∞) = 3

(2y (0) +z (0) )

z (∞) = 3