ÍNDICE 19 de octubre de 2022

Índice
1. Números complejos. 1

2. Vectores en R2 y R3 . 7

3. Sistemas de ecuaciones lineales. 36

4. Algebra de matrices. 62

5. Determinantes. 90

6. Autovalores y autovectores. 107

7. Espacios vectoriales. 113

8. Transformaciones lineales. 151

9. Matriz de una transformacion lineal. 171

[Link] 185

[Link] lineales. 190

1. Números complejos.
En este archivo introduciremos el conjunto C de numeros complejos junto a sus
operaciones de suma y multiplicacion. Ademas,

• Definiremos los conceptos de “conjugado”, “argumento” y “modulo” de un

numero complejo;
• Aprenderemos a calcular el inverso de un numero complejo;
• Veremos como representar graficamente los numeros complejos.

¿La ecuacion x2 + 1 = 0 tiene solucion?

En R no: x2 ≥ 0 y por lo tanto x2 + 1 > 0.

Podemos extender R a otro cuerpo, de tal forma que toda ecuacion polinomica
con coeficientes en R tenga solucion.

Definición 1. Los numeros complejos es el conjunto C de los pares orde-

nados (a, b) denotados a + ib, con a, b en R, con las operaciones ‘ + ‘ y ‘ − ‘,
definidas

1 NÚMEROS COMPLEJOS. 1
 19 de octubre de 2022

(a + ib) + (c + id) := (a + c) + i(b + d), (1)

(a + ib) · (c + id) := (ac − bd) + i(ad + bc). (2)

• La definicion de la suma de los numeros complejos es “coordenada a coorde-

nada”.
• Por la definicion de producto:

i2 = (0 + i · 1)(0 + i · 1) = (0 · 0 − 1 · 1) + i(0 · 1 + 1 · 0) = −1.

Luego, i2 = −1 e i es la solucion de la ecuacion polinomica x2 + 1 = 0.

• Sabiendo que i2 = −1 y la propiedad distributiva, no necesitamos memo-

rizar la formula del producto:

(a + ib)(c + id) = ac + iad + ibc + i2 bd

= ac + iad + ibc − bd
= (ac − bc) + i(ad + bc).

• Al numero complejo i = 0 + 1 · i lo llamamos el imaginario puro.

• Si z = a + ib es un numero complejo, diremos que a es la parte real de z

y la denotamos a = Rez. Por otro lado, b es la parte imaginaria de z que es
denotada b = Imz.

• Es claro que
a + bi = c + di ⇔ a = c ∧ b = d.
• R ∈ C, con la correspondencia a → a + i · 0 y observamos que si nos restringi-
mos a R, tenemos las reglas de adicion y multiplicacion usuales.

Con la definicion de suma y producto los numeros complejos forman un ani-

llo conmutativo con 1.

Es decir, cumplen todas las propiedades de los numeros enteros, salvo las de
orden.

En paraticular la suma y el producto son conmutativos, asociativos, se cum-

plen las propiedades distributivas, etc.

Mas aun, como veremos mas delante, C es un cuerpo (como lo es R): es de-
cir todo numero complejo no nulo tiene un inverso multiplicativo.

Simbolicamente
z ̸= 0 ⇒ ∃w tal que zw = 1.
(w se denota z −1 ).

1 NÚMEROS COMPLEJOS. 2
 19 de octubre de 2022

• La definicion de la suma de dos numeros complejos es “coordenada a coor-

denada”.

• 0 = 0 + i · 0 ∈ C, es el elemento neutro de la suma.

(a + ib) + (0 + i · 0) = (a + 0) + i · (b + 0) = a + i · b.

• Si z = a + ib, entonces −z = −a − ib es el opuesto aditivo de z.

(a + ib) + (−a − i · b) = (a − a) + i · (b − b) = 0 + i · 0.

• 1 = 1 + i · 0 ∈ C, es el elemento neutro del producto.

(1 + i · 0)(a + ib) = (1 · a − 0 · b) + i(0 · a + 1 · b) = a + ib.

1 NÚMEROS COMPLEJOS. 3
 19 de octubre de 2022

Representacion grafica de los numeros complejos.

Hemos definido los numeros complejos como pares ordenados y como tales es
posible representarlos en el plano R × R:

b a + ib

Representemos graficamente los numeros 2 + i1, −1 + i2.5 y −2.5 − i2.5:

(−1, 2.5)

(2, 1)

(−2.5, −2.5)

Con esta representacion grafica la definicion de la suma de dos numeros com-

plejos es la suma “coordenada a coordenada”.

1 NÚMEROS COMPLEJOS. 4
 19 de octubre de 2022

Ejemplificamos la suma de numeros complejos en el plano:

(1 + i2) + (3 + i) = 4 + i3

Modulo y conjugado de un numero complejo.

Definición 2. Sea z = a + ib ∈ C.
p
• El modulo de z es |z| = a2 + b2 .
• El conjugado de z es z̄ = a − ib.

Graficamente:

1 |z| z = 3.3 + i

z̄ = 3.3 − i

Proposición 1. Sean z y w numeros complejos. Entonces

1. |z| = 0 ⇔ z = 0.
2. z z̄ = |z|2 .
3. z + w = z̄ + w̄.
4. zw = z̄ w̄.
Demostración.
1. Si z = a + ib,
p
|z| = 0 ⇔ a2 + b2 ⇔ a2 + b2 ⇔ a2 = 0 ∧ b2 = 0
⇔ a = 0 ∧ b = 0 ⇔ z = 0.

1 NÚMEROS COMPLEJOS. 5
 19 de octubre de 2022

2. Si z = a + ib, entonces z̄ = a − ib, y

z z̄ = (a + ib)(a − ib) = a2 + iab − iba − i2 b2 = a2 − (−1)b2 = a2 + b2 .
3. Si z = a + ib y w = c + id, entonces

z + w = (a + c) + i(b + d) = (a + c) − i(b + d),

z̄ + w̄ = a − ib + c − id = (a + c) − i(b + d).

Por lo tanto z + w = z̄ + w̄.

4. Si z = a + ib y w = c + id, entonces

zw = (a + ib)(c + id) = (ac − bd) + i(ad + bc) = (ac − bd) − i(ad + bc),
z̄ w̄ = (a − ib)(c − id) = (ac − bd) − i(ad + bc).
Por lo tanto zw = z̄ w̄.
Inverso de un numero complejo.
z̄
Proposición 2. Sea z un numero complejo no nulo. Entonces, z −1 = .
|z|2
Demostración. Ya vimos que z z̄ = |z|2 . Como z ̸= 0, tenemos que |z| =
̸ 0, luego
z̄ z z̄ |z|2
z 2
= 2 = 2 = 1.
|z| |z| |z|

Observación. Multiplicar por un numero real es “coordenada a coordenada”,

1
luego si z = a + ib, tenemos que z −1 = 2 z̄, es decir
|z|
a b
(a + ib)−1 = −i 2 .
a2 +b2 a + b2
Por ejemplo. Escribir el inverso de −1 + 2i en la forma a + bi.
Primero averiguamos el modulo al cuadrado:
| − 1 + 2i|2 = (−1)2 + 22 = 1 + 4 + 5.
Como −1 + 2i = −1 − 2i,
2 2
(−1 + 2i)−1 = − − i .
5 5
Nunca esta de mas comprobar el resultado:
 
1 2 1 2 2 4 1 4
(−1 + 2i) − − i = + i− i+ = + =1
5 5 5 5 5 5 5 5

1 NÚMEROS COMPLEJOS. 6
 19 de octubre de 2022

Soluciones de ecuaciones polinomiales a coeficientes en C.

Extendiendo los numeros reales a los complejos, encontramos un coinjunto de
numeros en donde la ecuacion x2 + 1 = 0 tiene solucion.

¿Tendremos que extender R aun mas para encontrar soluciones a ecuaciones

polinomiales mas complejas?

La respuesta es:

Teorema 3 (Teorema fundamental del algebra).

La ecuacion polinomica

xn + an−1 xn−1 + · · · + a2 x2 + a1 x + a0 = 0,

con ai ∈ C (0 ≤ i ≤ n − 1) tiene solucion en C.

2. Vectores en R2 y R3 .
Algebra lineal en R2 y R3 .

Sabemos que se puede usar un numero para presentar un punto en una linea,
una vez que se selecciona la longitud de una unidad:

x
−3−2 −1 0 1 2 3

Se puede usar un par de numeros (x, y) para representar un punto en el plano.

(−1, 2.5)

(2, 1)

(−2.5, −2.5)

2 VECTORES EN R2 Y R3 . 7
 19 de octubre de 2022

Ahora observamos que un triple de numeros (x, y, z) se puede usar para arepre-
sentar un punto en el espacio.
z

(2, 3, 3)

En lugar de usar (x, y, z), tambien suele usarse la notacion (x1 , x2 , x3 ).

Definición 3. Sea R el cuerpo de los numeros reales, entonces

Rn := (x1 , x2 , . . . , xn ) : xi ∈ R, 1 ≤ i ≤ n .


Todo v en Rn sera llamado punto. Alternativamente, tambien podemos

decir que v es un vector en el origen o simplemente un vector.

La mayoria de nuestros ejemplos tendran lugar cuando n = 2 o n = 3.

Para ello usaremos el sistema de coordenadas cartesianas para representar los

elementos de R2 y R3 .
Por ejemplo. El ministerio de economia quiere representar la inversion anual
en 6 ramas de la industria: 1. acero, 2. automotriz, 3. productos agricolas, 4.
productos quimicos, 5. indumentaria y 6. transporte.
Se puede representar esta situacion por una 6-upla donde caada coordenada
representa la inversion anual de las industrias correspondientes.

Por ejemplo, si la 6-upla correspondiente al año 2019 es

(1200, 700, 600, 300, 900, 250),

significa que la industria del acero invirtio 1200 en ese año, la automotriz 700,
etc.

Recordemos que a los numeros complejos se los puede representar en el plano y

que la suma es coordenada a coordenada.

En el ejemplo anterior veamos que tambien es natural definir la suma coor-

denada a coordenada.

2 VECTORES EN R2 Y R3 . 8
 19 de octubre de 2022

Por ejemplo si las inversiones en los años 2018 y 2019 fueron

2018 → (1000, 800, 550, 300, 700, 200)

2019 → (1200, 700, 600, 300, 900, 250)

Las inversiones totales, por rubro, en los dos años fueron:

(1000, 800, 550, 300, 700, 200) + (1200, 700, 600, 300, 900, 250)

= (1000 + 1200, 800 + 700, 550 + 600, 300 + 300, 700 + 900, 200 + 250)
= (2200, 1500, 1350, 600, 1600, 450).
Suma en Rn .

Definición 4. Si (x1 , . . . , xn ), (y1 , . . . , yn ) ∈ Rn , definimos

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 , +y1 , . . . , xn + yn ),

es decir sumamos “coordenada a coordenada”.

Por ejemplo. En R5 tenemos que

(1, 2, 3, 4, 5) + (6, 7, 8, 9, 0) = (1 + 6, 2 + 7, 3 + 8, 4 + 9, 5 + 0)
= (7, 9, 11, 13, 5).

Propiedades:

La suma de vectores en Rn satisface que

1. Es asociativa:

u + (v + w) = (u + v) + w ∀u, v, w, ∈ Rn

2. Es conmutativa:
v+w =w+v ∀v, w ∈ Rn
3. El vector 0 := (0, . . . , 0), es el elemento neutro:

v+0=0+v =v ∀v ∈ Rn

4. El vector −v := (−x1 , . . . , −xn ) es el opuesto de v = (x1 , . . . , xn ):

v + (−v) = (−v + v) = 0.

Estas propiedades son consecuencias de las propiedades analogas de la suma

de numeros reales. Pues la suma de vectores es coordenada a coordenada y las
coordenadas son numeros reales.

2 VECTORES EN R2 Y R3 . 9
 19 de octubre de 2022

Por ejemplo, si u = (u1 , . . . , un ), v = (v1 , . . . , vn ), w = (w1 , . . . , wn )

u + (v + w) = (u1 , . . . , un ) + (v1 , . . . , vn ) + (w1 , . . . , wn )
= (u1 , . . . , un ) + (v1 , +w1 , . . . , vn + wn )
 
= u1 + (v1 + w1 ), . . . , un + (vn + wn )
 
= (u1 + v1 ) + w1 , . . . , (un + vn ) + wn
= (u1 + v1 , . . . , un + vn ) + (w1 , . . . , wn )
 
= (u1 , . . . , un ) + (v1 , . . . , vn ) + (w1 , . . . , wn )
= (u + v) + w

Ley del paralelogramo.

Sea v = (2, 3) y w = (−1, 1). Entonces v + w = (1, 4). En el dibujo de los puntos
involucrados aparece un paralelogrmo.

(1, 4)

(2, 1)

(−1, −1)

2 VECTORES EN R2 Y R3 . 10
 19 de octubre de 2022

En general, la suma de dos vectores se puede representar geometricamente con

la ley del paralelogramo:

v+w

El opuesto de un vector.
El opuesto de un vector v en el plano es −v y geometricamente es el vectore
reflejado respecto al centro.

−v

2 VECTORES EN R2 Y R3 . 11
 19 de octubre de 2022

La resta de vectores.
Dados dos vectores v, w en el plano, podemos representar la resta como la suma
v + (−w) = v − w.

Como (v − w) + w = v, la ley del paralelogramo tambien nos sirve para vi-

sualizar la resta.

v
v−w w

Producto de un vector por un escalar.

Por ejemplo. Sea v = (1, 2), podemos representar los “multiplos” de v en forma
natural:

2v

1
v
2 v

Definición 5. Sea v = (x1 , . . . , xn ) ∈ Rn y λ ∈ R, entonces

λ · v := (λx1 , . . . , λxn ).

Tambien denotmos a esta multiplicacion λv.

Por ejemplo. Si v = (2, −1.5) y λ = 7, entonces λv = (14, −10.5).

2 VECTORES EN R2 Y R3 . 12
 19 de octubre de 2022

Propiedades:

La multiplicacion por escalares satisface que

1. Es asociativa
(λµ)v = λ(µv) ∀v ∈ Rn , ∀λ, µ ∈ R.
2. Es distributiva
λ(v + w) = λv + λw ∀v, w ∈ Rn , λ ∈ R
(λ + µ)v = λv + µv ∀v ∈ Rn , λ, µ ∈ R.

Al igual que las propiedades de la suma, estas tambien se deducen de las pro-
piedades de los numeros.
Similarmente, multiplicando por (−1) obtenemos el opuesto:

(−1)v = −v ∀v ∈ Rn .

Definición 6. Dado i ∈ {1, . . . , n}, se denota ei ∈ Rn al vector cuyas

coordenadas son todas 0 excepto la coordenada i que es un 1.

ei = (0, . . . , 1, . . . , 0)

El Conjunto {e1 , . . . , en } se llama base canonica de Rn .

Por ejemplo. En R3 los vectores son e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1).

Estos vectores jugaran un rol central en la materia.

Principalmente por la siguiente propiedad.

Propiedad:

Todo vector de Rn se escribe como combinacion lineal de la base canonica.

Explicitmente, si (x1 , . . . , xn ) ∈ Rn entonces

(x1 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en

Por ejemplo.

(1, 2, 3) = (1, 0, 0) + (0, 2, 0) + (0, 0, 3)

= 1(1, 0, 0) + 2(0, 1, 0) + 3(0, 0, 1)
= 1e1 + 2e2 + 3e3

2 VECTORES EN R2 Y R3 . 13
 19 de octubre de 2022

Problema: Sea B = {e1 , e2 , e3 } la base canonica de R3 , entonces (x1 , x2 , x3 ) = x1 e1 + x2 e2 + x3 e3 .

Demostración. e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)

x1 e1 + x2 e2 + x3 e3 = x1 · (1, 0, 0) + x2 · (0, 1, 0) + x3 · (0, 0, 1)

= (x1 · 1, x1 · 0, x1 · 0) + (x2 · 0, x2 · 1, x3 · 0) + (x3 · 0, x3 · 0, x3 · 1)
= (x1 , 0, 0) + (0, x2 , 0) + (0, 0, x3 )
= (x1 , x2 , x3 ).

Producto escalar.

En 2-espacios, daados dos vectores v = (x1 , x2 ) y w = (y1 , y2 ), definimos su

producto escalar como
⟨v, w⟩ := x1 y1 + x2 y2 .
Para el caso de 3-espacios, sean v = (x1 , x2 , x3 ) y w = (y1 , y2 , y3 ), entonces el
producto escalar de v y w es

⟨v, w⟩ := x1 y1 + x2 y2 + x3 y3 .

Finalmente, en los n-espacios, generalizamos la definicion de la manera obvia:

sean v = (x1 , . . . , xn ) y w = (y1 , . . . , yn ), definimos el producto escalar de v y
w por
⟨v, w⟩ := x1 y1 + x2 y2 + · · · + xn yn .
Es importante notar que este “producto” es un numero real.

Por ejemplo. Si

v = (1, 3, −2) y w = (−1, 4, −3),

entonces

⟨v, w⟩ = 1 · (−1) + 3 · 4 + (−2) · (−3) = −1 + 12 + 6 = 17.

En algunos libros de texto se denota al producto escalar como v · w.

Por el momento, no le damos una interpretacion geometrica al producto escalar

y veremos esto cuando veamos la norma de un vector.

2 VECTORES EN R2 Y R3 . 14
 19 de octubre de 2022

Propiedades basicas del producto escalar.

Las siguientes propiedades son basicas y muy importantes.

Sean v, w, u tres vectores, entonces

P1. ⟨v, w⟩ = ⟨w, v⟩.

P2. ⟨v, w + u⟩ = ⟨v, w⟩ + ⟨v, u⟩ y

⟨v + w, u⟩ = ⟨v, u⟩ + ⟨w, u⟩.

P3. Si λ es un numero, entonces

⟨λv, w⟩ = λ⟨v, w⟩ y ⟨v, λw⟩ = λ⟨v, w⟩.

P4. Si v = 0, entonces ⟨v, v⟩ = 0, de lo contrario

⟨v, v⟩ > 0.

Demostración. P1.

Sean v = (x1 , x2 , . . . , xn ) y w = (y1 , y2 , . . . , yn ). Tenemos que

⟨v, w⟩ = x1 y1 + x2 y2 + · · · + xn yn .
⟨w, v⟩ = y1 x1 + y2 x2 + · · · + yn xn .

Como en R vale que para cualquier par de numeros x, y, se cumple que xy = yx,
obviamente ambas expresiones son iguales.
Demostración. P2.

Sea u = (z1 , . . . , zn ). Entonces

w + u = (y1 , +z1 , . . . , yn + zn )

y

⟨v, w + u⟩ = (x1 , . . . , xn ), (y1 + z1 , . . . , yn + zn )
= x1 (y1 + z1 ) + · · · + xn (yn + zn )
= x1 y1 + x1 z1 + · · · + xn yn + xn zn .
Reordenando los teminos obtenemos

⟨v, w + u⟩ = x1 , y1 + · · · + xn yn + x1 z1 + · · · + xn zn ,

que no es otra cosa que ⟨v, w⟩ + ⟨v, u⟩.

Demostración. P3. Como ejercicio.

2 VECTORES EN R2 Y R3 . 15
 19 de octubre de 2022

Demostración. P4.

Observemos que
⟨v, v⟩ = x21 + x22 + · · · + x2n . (1)
Como x2i ≥ 0 para todo i, entonces ⟨v, v⟩ ≥ 0.

Ademas, es claro que si v tiene todas las coordenadas iguales a 0, entonces

⟨v, v⟩ = 0.

En el caso que v ̸= 0, entonces, existe algun i tal que xi ̸= 0, por lo tanto

x2i > 0 y por la ecuacion (1), tenemos que ⟨v, v⟩ > 0.

La norma de un vector.

Definición 7. Si v ∈ Rn , la norma de v o longitud de v es

p
||v|| = ⟨v, v⟩.
p
Si (x, y) ∈ R2 , entonces ||(x, y)|| = x2 + y 2 (teorema de Pitagoras).

(x, y)

2 VECTORES EN R2 Y R3 . 16
 19 de octubre de 2022

Si n = 3, por la aplicacion reiterada

p del teorema de Pitagoras obtenemos que la
longitud de v = (x, y, z) es x2 + y 2 + z 2 .

y
w
(x, y)
x
q
En general, si v = (x1 , x2 , . . . , xn ) ∈ Rn ⇒ ||v|| = x21 + x22 + · · · + x2n .

Proposición 4. Sea v ∈ Rn y λ ∈ R, entonces

||λv|| = |λ| ||v||.

Demostración.

||λv||2 = ⟨λv, λv⟩ por P3,

⟨λv, λv⟩ = λ⟨v, λv⟩ = λ2 ⟨v, v⟩.

Es decir ||λv||2 = λ2 ||v||2 , por lo tanto, ||λv|| = |λ| ||v||.

Distancia en Rn .

Definición 8. Sea v, w ∈ Rn , entonces las distancia entre v y w es ||v −w||.

Observación. La norma del vector v − w es la longitud del segmento que une

w con v.

v
v−w
w

2 VECTORES EN R2 Y R3 . 17
 19 de octubre de 2022

Interpretacion geometrica del producto escalar.

Sean v1 = (x1 , y1 ) y v2 = (x2 , y2 ) en R2 ; veremos a continuacion que

⟨v1 , v2 ⟩ = ||v1 || ||v2 || cos(θ),

donde θ es el angulo comprendido entre v1 y v2 .

Sea α1 el angulo comprendido entre v1 y el eje horizontal y a2 el angulo com-

prendido entre v2 y el eje horizontal. Entonces



v1 = ||v1 || cos(α1 ), sen(α1 ) , v2 = ||v2 || cos(α2 ), sen(α2 ) ,

por lo tanto


⟨v1 , v2 ⟩ = ||v1 || ||v2 || cos(α1 )cos(α2 ) + sen(α1 )sen(α2 ) .

Por otro lado, por la propiedad de la suma de los cosenos tenemos que

cos(α1 )cos(α2 ) + sen(α1 )sen(α2 ) = cos(α1 − α2 ).

Es decir,
⟨v1 , v2 ⟩ = ||v1 || ||v2 || cos(α1 − α2 ),
y precisamente, θ = α1 − α2 es el angulo comprendido entre v1 y v2 .

Esto se puede generalizar a Rn : el angulo comprendido entre v1 y v2 es

 
⟨v1 , v2 ⟩
θ = arcos .
||v1 || ||v2 ||

Vectores perpendiculares.
El producto escalar ⟨v, w⟩ puede ser igual a 0 para determinados vectores, in-
cluso ambos distintos de 0.
4
Por ejemplo, si v = (1, 2, 3) y w = (2, 1, − ), entonces
3
⟨v, w⟩ = 2 + 2 − 4 = 0.

Definición 9. Decimos que dos vectores v y w en Rn sonm perpendiculares

u ortogonales si ⟨v, w⟩ = 0. Cuando v y w son orgogonales denotamos
v ⊥ w.

2 VECTORES EN R2 Y R3 . 18
 19 de octubre de 2022

Por ejemplo. En R2 consideremos los vectores

v = (3, 1), w = (−1, 3),

representados en la siguiente figura:

Luego, vemos que ⟨v, w⟩ = 0, y por lo tanto v es perpendicular a w, lo cual

concuerda con nuestra intuicion.

Es claro que esta definicion algebraica de perpendicularidad esta de acuerdo

con la interpretacion geoemetrica del producto escalar:

v y w perpendiculares (geometricamente)
⇓
el angulo comprendido entre v y w es θ = 90◦
⇓
cos(θ) = 0
⇓
⟨v, w⟩ = ||v|| ||w|| cos(θ) = 0.

2 VECTORES EN R2 Y R3 . 19
 19 de octubre de 2022

Rectas en R2 .

Definición 10. Una recta esta formada por el conjunto de puntos (x, y)
en R2 que satisface la ecuacion

ax + by = c,

con a, b, c ∈ R y tal que a, b no pueden ser simultaneamente 0. Tambien

suele decirse que esta ecuacion es la ecuacion implicita de la recta.

Mas formalmente, la recta es el conjunto

(x, y) ∈ R2 : ax + by = c .


Observación.
a c
• Si b ̸= 0, entonces la recta es y = − x + = a′ x + b′ ,
b b
c
• Si b = 0, entonces a ̸= 0 y la recta es x = .
a

1
La recta − x + y = 1. La recta x = 2.5.
2
Si consideramos el vector (a, b) en R2 , c ∈ R y L la recta definida por los puntos
(x, y) tal que ax + by = c, entonces
L = (x, y) ∈ R2 : ax + by = c


= (x, y) ∈ R2 : ⟨(x, y), (a, b)⟩ = c .



Ahora bien, consideremos  0 , y0 ) un punto de la recta, entonces, obviamente

(x
tenemos que (x0 , y0 ), (a, b) = c.

Por lo tanto
c
 2


z }| {
L = (x, y) ∈ R : (x, y), (a, b) = (x0 , y0 ), (a, b) .
Por la propiedad P2 del producto escalar, llegamos a la conclusion que
L = (x, y) ∈ R2 : ⟨(x, y) − (x0 , y0 ), (a, b) = 0 .
 

2 VECTORES EN R2 Y R3 . 20
 19 de octubre de 2022

Sea v0 = (x0 , y0 ) y v = (x, y), representemos graficamente la situacion:

v0

(a, b)
v

v − v0

La recta L es, entonces, la recta perpendicular a (a, b) y que pasa por (v0 ).

Conclusion.

La ecuacion implicita de la recta L perpendicular a (a, b) y que pasa por (x0 , y0 )

es

ax + by = (x0 , y0 ), (a, b) .
| {z }
c

Definicion parametrica de la recta.

Definición 11. Sean v, w ∈ R2 tal que w ̸= 0. Sea

L = {v + tw : t ∈ R}.

Diremos entonces que L es la recta que pasa por v paralela a w.

Observemos que la recta L esta dada por todos los puntos que se obtienen
de la funcion
X(t) = v + tw, para t ∈ R.
En el espacio R2 , diremos que esta es la ecuacion parametrica o la representa-
cion parametrica de la recta L que pasa por el punto v y es paralela a w ̸= 0.

2 VECTORES EN R2 Y R3 . 21
 19 de octubre de 2022

Podemos representar una recta dada en forma parametrica: Esta representacion

v + tw

tw v+w
w

parametrica tambien es util para describir el conjunto de los puntos que se en-
cuentran en el segmento de linea entre dos puntos dados.

Sean v, w dos puntos, entonces el segmento entre v y u consiste en todos los

puntos
S(t) = v + t(u − v) con 0 ≤ t ≤ 1.
Observar que

• en tiempo 0, S(0) = v, y

• en tiempo 1, S(1) = v + (u − v) = u.

Como t “va” de 0 a 1, el movil va de v a u en linea recta.

Extendiendo a ambos lados el segmento, podemos describir la recta que pasa

por v y u por la ecuacion parametrica
S(t) = v + t(u − v) con t ∈ R.

La recta que pasa por v y w.

2 VECTORES EN R2 Y R3 . 22
 19 de octubre de 2022

Por ejemplo. Encontrar una representacion parametrica para la recta que

contiene los puntos (1, −3, 1) y (−2, 4, 5).
Solucion

Llamemos v = (1, −3, 1) y u = (−2, 4, 5).

Entonces u − v = (−2, 4, 5) − (1, −3, 1) = (−3, 7, 4) y la representacion pa-

rametrica de la recta que pasa por u y v es
X(t) = v + t(u − v) = (1, −3, 1) + t(−3, 7, 4), t ∈ R.
Ecuacion implicita y ecuacion parametrica de la recta.
Ahora discutiremos la relacion entre una representacion parametrica y la ecua-
cion implicita de una recta en el plano.

Sean v, w ∈ R2 con w ̸= 0 y la recta descrita en forma parametrica:

X(t) = v + tw.
Sea v = (x1 , y1 ), w = (x2 , y2 ). Todo punto de la recta es de la forma
(x, y) = (x1 , y1 ) + t(x2 , y2 ) = (x1 + tx2 , y1 + ty2 ),
equivalentemente
x = x1 + tx2 , y = y1 + ty2 ,
para t ∈ R

Dado que (x2 , y2 ) ̸= 0, podemos despejar t de alguna de las ecuaciones y usando

la otra ecuacion eliminamos t.
Por ejemplo.
Sea L la recta conformada por el conjunto de puntos
(x, y) : x = x1 + tx2 y = y1 + ty2 .
Si x2 ̸= 0,  
x − x1 x − x1
t= ⇒ y = y1 + y2 .
x2 x2
Es decir,
x x1
y = y1 + y2 − y2
x2 x2
Multiplicando todo por x2 queda
x2 y = x2 y1 + xy2 − x1 y2 ,
que tiene la forma de una ecuacion implicita, es decir
(−y2 ) x + x2 y = x2 y1 − x1 y2 .
| {z } |{z} | {z }
a b c

2 VECTORES EN R2 Y R3 . 23
 19 de octubre de 2022

Por ejemplo. Sean v = (2, 1) y w = (−1, 5) y sea X la recta que pasa por v
en la direccion w. Encontrar la ecuacion implicita de X.
La representacion parametrica de la recta que pasa por v en la direccion de w
es
X(t) = (2, 1) + t(−1, 5) = (2 − t, 1 + 5t).
Es decir, si miramos cada coordenada

x = 2 − t, y = 1 + 5t.

Despejando t de la primera ecuacion obtenemos t = 2 − x.

Reemplazando este valor de t en la segunda ecuacion obtenemos

y = 1 + 5t = 1 + 5(2 − x) = y = 11 − 5x,

luego
5x + y = 11,
que es la ecuacion implicita de la recta.

Reciprocamente, de la ecuacion implicita podemos obtener la representacion

parametrica.

Por ejemplo. Encontrar la representacion parametrica de la recta definida por

5x + 2y = 11.

5 11
5x + 2y = 11 ⇒ 2y + 11 − 5x ⇒ y =− x+ .
2 2

Reemplazando x por t (solo por notacion) obtenemos que

 
5 11
Y (t) = t, − t +
2 2

es la representacion parametrica de la recta.

2 VECTORES EN R2 Y R3 . 24
 19 de octubre de 2022

Planos en R3 .

Comenzaremos, debido a que es mas simple, con planos que pasan por el origen,
como el de la siguiente figura.

x
El plano P y u, un vector perpendicular al plano.

En este caso, es claro que el plano esta determinado por un vector perpendicular
al mismo.

Si P es un plano que pasa por el origen y u es un punto de R3 , no nulo, tal que

u ⊥ P , entonces
P = v ∈ R3 : ⟨v, u⟩ = 0 .


Sea ahora un plano P que no pasa por el origen y v0 ∈ P .

P0 = {v − v0 : v ∈ P }

es un plano que pasa por el origen.

Luego, si u ⊥ P0 , 
P0 = w : ⟨w, u⟩ .
De las ultimas dos ecuaciones deducimos que

v∈P ⇔ v − v 0 ∈ P0 ⇔ ⟨v − v0 , u⟩ = 0.

Es decir
P = v ∈ R3 : ⟨v − v0 , u⟩ = 0 .


Si d = ⟨v0 , u⟩,
P = v ∈ R3 : ⟨vu⟩ = d .


2 VECTORES EN R2 Y R3 . 25
 19 de octubre de 2022

Definición 12. Sean a, b, c, d ∈ R tal que (a, b, c) ̸= (0, 0, 0) y sea


P = (x, y, z) : ax + by + cz = d .

Entonces diremos que P es un plano con ecuacion implicita ax+by +cz = d

y que (a, b, c) es un vector normal al plano P .

A esta forma de describir el plano tambien suele llamarsela la ecuacion

normal del plano.

Observar

que la ecuacion ax + by + cz = d no es mas que la ecuacion
(x, y, z), (a, b, c) = d.

Por ejemplo. El plano determinado por la ecuacion

2x − y + 3z = 5

es perpendicular al vector (2, −1, 3).

¿Puntos del plano? Fijamos dos coordenadas y despejamos la tercera.

Por ejemplo, sea x = 1, y = 1 y despejamos z:

3z = 5 − 2 + 1 = 4,
4
luego z = y entonces
3  
4
1, 1,
3
es un punto en el plano.
Se dice que dos planos son paralelos (en el 3-espacio) si sus vectores normales
son paralelos, es decir son proporcionales.

Se dice que son perpendiculares si sus vectores normales son perpendiculares.

El angulo entre dos planos se define como el angulo entre sus vectores normales.

2 VECTORES EN R2 Y R3 . 26
 19 de octubre de 2022

Ecuacion parametrica del plano en R3 .

Definición 13. Sean v, w1 , w2 ∈ R3 tal que w1 , w2 no nulos y tal que w2

no sea un multiplo de w1 . Sea

P = {v + sw1 + tw2 : s, t ∈ R}.

Diremos entonces que P es el plano a traves de v paralelo a los vectores w1

y w2 .

Si
P = {v + sw1 + tw2 : s, t ∈ R},
entonces el vector v pertenece al plano y el plano

P0 = {sw1 + tw2 : s, t ∈ R}

es el plano que pasa por el origen y paralelo a P .

Si P = (x, y, z) : ax + by + cz = d con a ̸= 0.


Podemos poner x en funcion de y, z y los datos. Asi obtenemos una ecuacion

paramtetrica de P .

Se puede hacer de forma analoga cuando b ̸= 0 o c ̸= 0.

Por ejemplo. Sea el plano

y a ̸= 0.

P = (x, y, z) : ax + by + cz = d

Entonces
−by − cz + d
x= ,
a
luego
  
−by − cz + d
P = , y, z : y, z ∈ R
a
    
d b c
P = , 0, 0 + − y − z, y, z : y, z ∈ R
a a a
 

    

 d b  c  
P = , 0, 0 + − , 1, 0 y + − , 0, 1 z : y, z ∈ R .

 a a | a{z } 

| {z } | {z } 
v w1 w2

2 VECTORES EN R2 Y R3 . 27
 19 de octubre de 2022

Por ejemplo. Sea P = (x, y, z) : x − 2y + z = 1 .



Como x − 2y + z = 1 ⇒ x = 2y − z + 1, tenemos que


P = (2y − z + 1, y, z) : y, z ∈ R ,

o, escrito de una forma mas estandar,


P = (2s − t + 1, s, t) : s, t ∈ R .

Tambien podemos escribir

P = {(1, 0, 0) + s(2, 1, 0) + t(−1, 0, 1) : s, t ∈ R}.

¿Como obtenemos la ecuacion normal del plano?

Si encontramos u ̸= 0 tal que ⟨u, w1 ⟩ = y ⟨u, w2 ⟩ = 0, entonces ⟨sw1 +tw2 , u⟩ = 0

para s, t arbitrarios y


P0 = (x, y, z) : (x, y, z), u = 0 .

Sea d = ⟨v, u⟩, entonces ⟨v + sw1 + tw2 , u⟩ = ⟨v, u⟩ = d, para s, t arbitrarios. Es

decir 

P = (x, y, z) : (x, y, z), u = d .

Por ejemplo. Sea P = (1, 1, 0) + s(−1, 0, −1) + t(0, 1, −2) : s, t ∈ R . Encon-



trar la ecuacion implicita de P .

Sea u = (a, b, c), entonces

⟨u, (−1, 0, −1)⟩ = 0 ⇔ −a−c=0 ⇔ a = −c,

⟨u, ( 0, 1, −2)⟩ = 0 ⇔ b − 2c = 0 ⇔ b = 2c.

Luego u = (−c, 2c, c). Si, por ejemplo, c = 1, ⇒ u = (−1, 2, 1), luego:

P0 = (x, y, z) : −x + 2y + z = 0 .

Como (1, 1, 0), (−1, 2, 1) = 1, obtenemos





P = (x, y, z) : (x, y, z), (−1, 2, 1) = 1

= (x, y, z) : −x + 2y + z = 1 .

2 VECTORES EN R2 Y R3 . 28
 19 de octubre de 2022

Definicion implicita de la recta en R2 .

Definición 14.
Una recta esta formada por el conjunto de puntos (x, y) ∈ R2 que satisfacen
la ecuacion
ax + by = c,
con a, b, c ∈ R y tal que a, b no pueden ser simultaneamente 0.

Mas formalmente, la recta es el conjunto

L = (x, y) ∈ R2 : ax + by + c


Observación.
a c
• Si b ̸= 0, entonces la recta es y = − x + ,
b b
c
• Si b = 0, entonces a ̸= 0 y la recta es x = .
a
Observación. La ecuacion implicita de la recta L perpendicular a (a, b) y que
pasa por p = (x0 , y0 ) es


ax + by = (x0 , y0 ), (a, b) .

p
(a, b)

2 VECTORES EN R2 Y R3 . 29
 19 de octubre de 2022

Definicion parametrica de la recta.

Definición 15. Sean v, w ∈ R2 tal que w ̸= 0. Sea

L = {v + tw : t ∈ R}.

Diremos entonces que L es la recta que pasa por v paralela a w.

Observemos que la recta L esta dada por todos los puntos que se obtienen de
la funcion
X(t) = v + tw, para t ∈ R.
En el espacio R2 , diremos que esta es la ecuacion parametrica o la representacion
parametrica de la recta L que pasa por el punto v y es paralela a w ̸= 0.

v + tw

tw v+w
w

De ecuacion implicita a parametrica.

Por ejemplo. Encontrar la parametrica de la recta

5x + y = 11.

Solucion. Observar que y = −5x + 11, luego la recta es


L = (x, y) : y = −5x + 11, x ∈ R

= (x, −5x + 11) : x ∈ R

= (t, −5t + 11) : t ∈ R

= (0, 11) + t(1, −5) : t ∈ R .

2 VECTORES EN R2 Y R3 . 30
 19 de octubre de 2022

De ecuacion parametrica a ecuacion implicita.

Por ejemplo. Encontrar la representacion implicita de la recta

X(t) = (2, 1) + t(−1, 5) = (2 − t, 1 + 5t).

Solucion. Coordenada a coordenada:

x = 2 − t, y = 1 + 5t.

Despejando t de la primera ecuacion obtenemos t = 2 − x.

Reemplazando el valor de t en la segunda ecuacion obtenemos

y = 1 + 5t = 1 + 5(2 − x) = 11 − 5x,

luego
5x + y = 11,
que es la ecuacion implicita de la recta.
Recta que pasa por un punto perpendicular a un vector.
Por ejemplo. Sean (a, b), (x0 , y0 ) ∈ R2 .

¿Cual es la forma parametrica de la recta L perpendicular a (a, b) y que pa-

sa por p = (x0 , y0 )?

Solucion. Para responder a la pregunta, comencemos por recordar que dos

vectores en R2 son perpendiculares si el producto escalar entre ellos es nulo.

Elijamos w ∈ R2 no nulo tal que w, (a, b) = 0. (¿Existe?)



Entonces la recta que buscamos es la recta que pasa por p con direccion w.

p
(a, b)

En este caso es sencillo buscar un vector ortogonal w = (b, −a).

Observemos que por la ley del paralelogramo si p en la recta, entonces p+t(−b, a)

tambien esta en la recta.

2 VECTORES EN R2 Y R3 . 31
 19 de octubre de 2022

Proposición 5. Sean (a, b), (x0 , y0 ) ∈ R2 con (a, b) ̸= 0. La recta perpendicular

a (a, b) que pasa por (x0 , y0 ) es

L = (x0 , y0 ) + t(b, −a) : t ∈ R

Por ejemplo. Encontrar una representacion parametrica para la recta que

contiene los puntos (2, 2) y es perpendicular a (2, 1).
Solucion. El vector ortogonal a (2, 1) es (1, −2). Luego

L = (2, 2) + t(1, −2) : t ∈ R

= (2 + t, 2 − 2t) : t ∈ R .

Recta entre dos puntos.

Bien es sabido que solo hay una recta que pasa por dos puntos dados p, q ∈ R2 .
Graficamente esta es:

p
(a, b) q

w =q−p

La manera mas facil de describir dicha recta es usando la forma parametrica.

En efecto, del grafico vemos que L es la recta que pasa por p con direccion
w = p − q.

Lo anterior se resume en lo siguiente:

Afirmacion. Sean p, q ∈ R2 y w = p − q. Entonces la unica recta que pasa

por ambos puntos es
L = {p + tw : t ∈ R}.

2 VECTORES EN R2 Y R3 . 32
 19 de octubre de 2022

Segmento entre dos puntos.

La representacion parametrica tambien es util para describir el conjunto de los

puntos que se encuentran en el segmento de linea entre dos puntos dados.

Mas precisamente, el segmento entre p y q consiste en todos los puntos de la

forma
p + t(q − p) con 0 ≤ t ≤ 1.
Como t “va” de 0 a 1, podemos pensar que recorremos el segmento desde

• p, esto es cuando t = 0, a

• q, esto es cuando t = 1.
Planos en R3 .
Comenzaremos, con la ecuacion normal del plano

z
P

El plano P y u, un vector perpendicular al plano.

2 VECTORES EN R2 Y R3 . 33
 19 de octubre de 2022

Planos en R3 . Definicion implicita.

Definición 16. Sean a, b, c, d ∈ R tal que (a, b, c) ̸= (0, 0, 0) y sea


P = (x, y, z) : ax + by + cz = d .

Entonces diremos que P es un plano con ecuacion implcita ax + by + cz = d

y que (a, b, c) es un vector normal al plano P .

A esta forma de describir el plano tambien suele llamarsela la ecuacion

normal del plano.

Observar que la ecuacion ax+by+cz = d no es mas que la ecuacion (x, y, z), (a, b, c) = d.



Por ejemplo. El plano determinado por la ecuacion

2x − y + 3z = 5

es perpendicular al vector (2, −1, 3).

¿Puntos del plano? Fijamos dos coordenadas y despejamos la tercera.

Por ejemplo, sea x = 1, y = 1 y despejamos z:

3x = 5 − 2 + 1 = 4,
4
luego z = y entonces
3  
4
1, 1,
3
es un punto en el plano.

Se dice que dos planos son paralelos (en el 3-espacio) si sus vectores norma-
les son paralelos, es decir son proporcionales.

Se dice que son perpendiculares si sus vectores normales son perpendiculares.

El angulo entre dos plano se define como el angulo entre sus vectores normales.

2 VECTORES EN R2 Y R3 . 34
 19 de octubre de 2022

Ecuacion parametrica del plano en R3 .

Definición 17. Sean v, w1 , w2 ∈ R3 tal que w1 , w2 no nulos y tal que w2

no sea un multiplo de w1 . Sea

P = {v + sw1 + tw2 : s, t ∈ R}.

Diremos entonces que P es el plano a traves de v paralelo a los vectores w1

y w2

Si
P = {v + sw1 + tw2 : s, t ∈ R},
entonces el vector v pertenece al plano y el plano
P0 = {sw1 + tw2 : s, t ∈ R}
es el plano que pasa por el origen y paralelo a P .

Si P = (x, y, z) : ax + by + cz = d con a ̸= 0.


Podemos poner x en funcion de y, z y los datos. Asi obtenemos una ecua-

cion parametrica de P .

Se puede hacer de forma analoga cuando b ̸= 0 o c ̸= 0.

Por ejemplo. Sea P = (x, y, z) : x − 2y + z = 1 .


Como x − 2y + z = 1 ⇔ x = 2y − z + 1, tenemos que


P = (2y − z + 1, y, z) : y, z ∈ R ,
o, escrito de forma mas estandar,

P = (2s − t + 1, s, t) : s, t ∈ R .
Tambien podemos escribir

P = (1, 0, 0) + s(2, 1, 0) + t(−1, 0, 1) : s, t ∈ R .
¿Como obtenemos la ecuacion normal del plano?

Si encontramos u ̸= 0 tal que ⟨u, w1 ⟩ = 0 y ⟨u, w2 ⟩ = 0, entonces ⟨sw1 + tw2 , u⟩ = 0

para s, t arbitrarios y


P0 = (x, y, z) : (x, y, z), u = 0 .
Sea d = ⟨v, u⟩, entonces ⟨v + sw1 + tw2 , u⟩ = ⟨v, u⟩ = d, para s, t arbitrarios. Es
decir 

P = (x, y, z) : (x, y, z), u = d .

2 VECTORES EN R2 Y R3 . 35
 19 de octubre de 2022

Observación.
Por ejemplo. Sea P = (1, 0, 0) + s(−1, 0, −1) + t(0, 1, −2) . Encontrar la


ecuacion implicita de P .
Solucion. Sea u = (a, b, c), entonces
⟨u, (−1, 0, −1)⟩ = 0 ⇔ −a−c=0 ⇔ a = −c,
⟨u, ( 0, 1, −2)⟩ = 0 ⇔ b − 2c = 0 ⇔ b = 2c.
Luego u = (−c, 2c, c). Si, por ejemplo, c = 1, ⇒ u = (−1, 2, 1), luego:

P0 = (x, y, z) : −x + 2y + z = 0 .

Como (1, 1, 0), (−1, 2, 1) = 1, obtenemos





P = (x, y, z) : (x, y, z), (−1, 2, 1) = 1

= (x, y, z) : −x + 2y + z = 1 .

3. Sistemas de ecuaciones lineales.

El problema general.
El problema a resolver sera el siguiente: buscamos numeros x1 , . . . , xn en el
cuerpo K (= R o C) que satisfagan las siguientes condiciones
a11 x1 + a12 x2 + ··· + a1n xn = y1
.. .. .. (⋆)
. . .
am1 x1 + am2 x2 + ··· + amn xn = ym
donde y1 , . . . , ym y aij (1 ≤ i ≤ m, 1 ≤ j ≤ n) son numeros en K.

Se dice que las ecuaciones (⋆) forman un sistema de ecuaciones lineales de m

ecuaciones con n incognitas.

• El sistema es homogeneo si yi = 0 para todo i.

• El sistema es no homogeneo si yi ̸= 0 para algun i.

Los siguientes son sistemas de (2) ecuaciones lineales con 2 incognitas:

2x1 + x2 = 0
(1)
2x1 + x2 = 1

2x1 + x2 = 0
(2)
2x1 − x2 = 1
2x + y = 1
(3)
4x + 2y = 2

3 SISTEMAS DE ECUACIONES LINEALES. 36

 19 de octubre de 2022

Problema 1.

Encontrar las soluciones (x, y, z) del sistema de ecuaciones:

x + 2z = 1
x − y + 3z = 2
2x − y + 5z = 3
Es decir, queremos encontrar los numeros reales x, y y z que satisfagan las ecua-
ciones anteriores.

Solucion.

Veremos que la unica solucion es (x, y, z) = (−1, 0, 1).

Supongamos que (x, y, z) es una solucion de nuestro sistema. Entonces tam-

bien vale que
x − 3y + 3z = 2
(−1) · (x + 2z) = (−1) · 1
− 3y + z = 1
Por lo tanto (x, y, z) tambien es solucion del sistema
x + 2z = 1
− 3y + z = 1
2x − y + 5z = 3
Entonces tambien vale que:
2x − y + 5z = 3
(−2) · (x + 2z) = (−2) · 1
− y + z = 1
Por lo tanto (x, y, z) tambien es solucion del sistema
x + 2z = 1 x + 2z = 1
− 3y + z = 1 equivalentemente − y + z = 1
− y + z = 1 − 3y + z = 1
Entonces vale que:
− 3y + z = 1
(−3) · (− y + z) = (−3) · 1
− 2z = −2
Por lo tanto (x, y, z) tambien es solucion del sistema
x + 2z = 1 x + 2z = 1
− y + z = 1 equivalentemente − y + z = 1
− 2z = −2 z = 1

3 SISTEMAS DE ECUACIONES LINEALES. 37

 19 de octubre de 2022

Entonces tambien vale que:

x + 2z = 1 − y + z = 1
(−2) · ( z) = (−2) · 1 y (−1) · ( z) = (−21) · 1
x = −1 − y = 0

Por lo tanto (x, y, z) tambien es solucion del sistema

x = −1 x = −1
− y = 0 equivalentemente y = 0
z = 1 z = 1

En resumen, supusimos que (x, y, z) es una solucion del sistema

x + 2z = 1
x − 3y + 3z = 2
2x − y + 3z = 1

y probamos que
x = −1, y = 0, z = 1.
Comprobemos. Si reemplazamos en el sistema x, y y z por estos valores

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

vemos que se verifican las igualdades del sistema.

Podria usceder que el sistema no tenga solucion como en el siguiente caso.

Problema 2.

Encontrar las soluciones (x, y, z) del sistema de ecuaciones:

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

Supongamos que (x, y, z) es una solucion de nuestro sistema

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

Entonces tambien vale que:

x − 3y + 3z = 2
(−1) · (x + 2z) = (−1) · 1
− 3y + z = 1

3 SISTEMAS DE ECUACIONES LINEALES. 38

 19 de octubre de 2022

Por lo tanto (x, y, z) tambien es solucion del sistema

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

Entonces tambien vale que:

2x − 3y + 5z = 4
(−2) · (x + 2z) = (−2) · 1
− 3y + z = 2

Por lo tanto (x, y, z) tambien es solucion del sistema

x + 2z = 1
− 3y + z = 1
− 3y + z = 2

Entonces tambien vale que:

− 3y + z = 2
(−1) · (− 3y + z) = (−1) · 1
0 = 1

Absurdo, es decir el sistema no posee solucion.

Poblema 3.

Encontrar las soluciones (x, y, z) del sistema de ecuaciones:

x + 2z = 1
x − 3y + 3z = 2
2x − 3y + 5z = 3

Solucion. Veremos que el conjunto de soluciones del sistema es

  
z−1
−2z + 1, ,z : z ∈ R .
3

Es decir, todas las soluciones son de la forma

z−1
x = −2z + 1 e y = donde z ∈ R.
3
Supongamos que (x, y, z) es una solucion de nuestro sistema

x + 2z = 1
x − 3y + 3z = 2
2x − 3y + 5z = 3

3 SISTEMAS DE ECUACIONES LINEALES. 39

 19 de octubre de 2022

Entonces tambien vale que:

x − 3y + 3z = 2
(−1) · (x + 2z) = (−1) · 1
− 3y + z = 1
Por lo tanto (x, y, z) tambien es solucion del sistema
x + 2z = 1
x − 3y + z = 1
2x − 3y + 5z = 3
Entonces tambien vale que:
2x − 3y + 5z = 3
(−2) · (x + 2z) = (−2) · 1
− 3y + z = 1
Por lo tanto (x, y, z) tambien es solucion del sistema
x + 2z = 1
x + 2z = 1
− 3y + z = 1 equivalentemente
− 3y + z = 1
x − 3y + z = 1
Dado que (x, y, z) es solucion del sistema
x + 2z = 1
− 3y + z = 1
podemos despejar x e y en funcion de z. Esto es,
x = −2z + 1
z−1
y=
3
y no tenemos ninguna condicion sobre z.

En resumen, supusimos que (x, y, z) es una solucion del sistema

x + 2z = 1
x − 3y + 3z = 2
2x − 3y + 5z = 3
y probamos que
z−1
x = −2z + 1 e y =.
3
Comprobemos. Si reemplazamos x, y y z por estos valores
(−2z + 1) + 2z = 1
z−1
(−2z + 1) − 3·( ) + 3z = 2
3
z−1
2 · (−2z + 1) − 3·( ) + 5z = 3
3

3 SISTEMAS DE ECUACIONES LINEALES. 40

 19 de octubre de 2022

vemos que verifican las igualdades del sistema.

Justificacion del metodo de eliminacion de incognitas.

Proposición 6.

Sean c1 , . . . , cm en K. Si (x1 , . . . , xn ) ∈ Kn es solucion del sistema de ecua-

ciones
a11 x1 + a12 x2 + · · · + a1n xn = y1
.. .. ..
. . .
am1 x1 + am2 x2 + · · · + amn xn = ym .
entonces (x1 , . . . , xn ) tambien es solucion de la ecuacion
m
X X
ci (ai1 x1 + ai2 x2 + · · · + ain xn ) = ci yi .
i=1 i

(se usara mas adelante, llamemosla proposicion (△)

Demostración.

Por hipotesis

a11 x1 + a12 x2 + ··· + a1n xn = y1

Luego,
m
X X
ci (ai1 x1 + ai2 x2 + · · · + ain xn ) = ci yi .
i=1 i

Observación. La ecuacion anterior se puede reescribir:

m
! m
! m
X X X
ci ai1 x1 + · · · + ci ain xn = ci yi .
i=1 i=1 i=1

Es decir es una nueva ecuacion lineal con n incognitas.

La idea de hacer combinaciones lineales de ecuaciones es fundamental en el
proceso de eliminacion de incognitas.

Definición 18. Decimos que dos sistemas de ecuacones lineales son equi-
valentes si cada ecuacion de un sistema es combinacion lineal del otro.

3 SISTEMAS DE ECUACIONES LINEALES. 41

 19 de octubre de 2022

Teorema 7. Dos sistemas de ecuaciones lineales equivalentes tienen las

mismas soluciones.

Demostración.

Sea
a11 x1 + a12 x2 + ··· + a1n xn = y1
.. .. ..
. . . (⋆)
am1 x1 + am2 x2 + ··· + amn xn = ym .
equivalente a

b11 x1 + b12 x2 + ··· + b1n xn = z1

.. .. ..
. . . (⋆⋆)
bk1 x1 + bk2 x2 + ··· + bkn xn = zk .

Esto quiere decir que

1. las ecuaciones de (⋆⋆) se obtienen a partir de combinaciones lineales de las

ecuaciones del sistema (⋆), y

2. las ecuaciones de (⋆) se obtienen a partir de combinaciones lineales de las

ecuaciones del sistema (⋆⋆).

Luego, por la primera proposicion (proposicion △):

1. si (x1 , . . . , xn ) es solucion de (⋆), tambien sera solucion de cada una de las

ecuaciones de (⋆⋆) y por lo tanto solucion del sistema (⋆⋆), y

2. si (x1 , . . . , xn ) es solucion de (⋆⋆), tambien sera solucion de cada una de

las ecuaciones de (⋆) y por lo tanto solucion del sistema (⋆).
Observación. Las combinaciones lineales que hemos utilizado en los tres sis-
temas que hemos trabajado son
◦ sumar a una ecuacion una constante por otra,

◦ multiplicar una ecuacion por una constante no nula, y

◦ permutar ecuaciones.
Veremos que estas operaciones son “reversibles”, es decir, asi como haciendo
estas operaciones en la ecuacion llegamos de

x + 2z = 1 x = −1
x − 3y + 3z = 2 a y=0
2x − y + 5z = 3 z = 1.

3 SISTEMAS DE ECUACIONES LINEALES. 42

 19 de octubre de 2022

Haciendo las “operaciones inversas” (que son del mismo tipo) podemos llegar de

x = −1 x + 2z = 1
y=0 a x − 3y + 3z = 2
z = 1. 2x − y + 5z = 3

Luego, ambos sistemas son equivalentes y, por lo tanto, tiene las mismas solu-
ciones.

Conclusiones.
◦ Un sistema de ecuaciones puede tener una, ninguna o infinitas soluciones.

◦ Hemos cambiado nuestro sistema inicial haciendo combinaciones lineales

de las ecuaciones.
◦ El nuevo sistema es mas sencillo en el sentido que:
• Cada ecuacion tiene menos incognitas.
• Las soluciones quedan descriptas explicitamente.
◦ Las soluciones del nuevo sistema son las soluciones de nuestro sistema
original.
Por ejemplo (Resolver el sistema de ecuaciones).

x − 2y − 2z + t = 4
x + y + z − t = 5
x − y − z + t = 6
6x − 3y − 3z + 2t = 32.

(1°) Este sistema es no homogeneo pues esta igualado a constantes no nulas.

(2°) Resolvamos el sistema por eliminacion de variables.

Reemplazo la segunda ecuacion por ella misma menos la primera ecuacion.

x − y + z − t = 5
(−1) · (x − 2y − 2z + t) = (−1) · 4
3y + 3z − 2t = 1

Obtenemos el sistema
(1) x − 2y − 2z + t = 4
(2′ ) 3y + 3z − 2t = 1
.
(3) x − y − z + t = 6
(4) 6x − 3y − 3z + 2t = 32

3 SISTEMAS DE ECUACIONES LINEALES. 43

 19 de octubre de 2022

Analogamente, eliminamos x en otras ecuaciones haciendo (3) − (1), (4) − 6 · (1)

y obtenemos
(1) x − 2y − 2z + t = 4
(2′ ) 3y + 3z − 2t = 1
.
(3′ ) y + z = 2
(4′ ) 9y + 9z − 4t = 8
La x fue eliminada de las ecuaciones 2°, 3° y 4°.

Ahora eliminamos la y de las ecuaciones 1°,2° y 4°. Hacemos (1) + 2 · (3′ ),

(2′ ) − 3 · (3′ ), (4′ ) − 9 · (3′ ) y obtenemos
(1′ ) x + t = 8
(2′′ ) − 2t = −5
.
(3′ ) y + z = 2
(4′′ ) − 4t = −10

(2′′ )
Hacemos y tenemos
−2
(1′ ) x + t = 8
(2′′′ ) t = 5/2
.
(3′ ) y + z = 2
(4′′ ) − 4t = −10

Haciendo (4′′ ) + 4 · (2′′′ ) obtenemos

(1′ ) x − 4z + t = 8
(2′′′ ) t = 5/2
.
(3′ ) y + z = 2
(4′′′ ) 0 = 0

Ahora hacemos (1′ ) − (2′′′ ) y obtenemos

(1′′ ) x = 11/2

(2′′′ ) t = 5/2
.
(3′ ) y + z = 2
(4′′′ ) 0 = 0
Que es equivalente al sistema
(1′′ ) x = 11/2

(2′′′ ) t = 5/2.

(3′ ) y + z = 2
Ahora es muy facil despejar
11
x=
2
5
t=
2
y = −z + 2

3 SISTEMAS DE ECUACIONES LINEALES. 44

 19 de octubre de 2022

Las soluciones de este sistema son

 
11 5
, −z + 2, z, : z ∈ R .
2 2

Recordemos que si de un 1° sistema pasamos a un 2° sistema por combinacio-

nes lineales las solucion del 1° sistema son iguales a las soluciones del 2° sistema.

Ejercicio. Pasar del segundo sistema al primero.

Luego, las soluciones del 2° son iguales a las soluciones del 1°.

Como soluciones del 1° ⇒ soluciones del 2° y soluciones del 2° ⇒ soluciones

del 1° tenemos que

soluciones del 1° ⇔ soluciones del 2°.

A continuacon se presentaran las nociones de:

• Matriz.

• Matriz ampliada.

• Operaciones elementales por fila.

• Matriz escalon reducida por fila (MERF).

Se relacionaran todos estos conceptos con los sistemas de ecuaciones lineales.

• Matriz: representara un sistema de ecuaciones homogeneo.

• Matriz ampliada: representara un sistema de ecuaciones lineales no homo-

geneo.

• Operaciones elementales por fila: representaran ciertas operaciones entre las

diferentes ecuaciones del sistema.

• Matriz escalon reducida por fila (MERF): representaran sistemas de ecua-

ciones lineales que se resuelven en forma trivial.

3 SISTEMAS DE ECUACIONES LINEALES. 45

 19 de octubre de 2022

Definición 19. Una matriz m × n es un arreglo de numeros reales de m

filas y n columnas.

Rm×n y Mm×n (R) denotan el conjunto de matrices m × n.

Por ejemplo.

C
C1 C2 C3 C1 C2 C3  1
  h√ 1 F1 10
F1 2 1 2 i
F1 2 9 F2  −1 
F2 3 0 π 2
F3 1

Convenciones. La notacion A = [aij ] ∈ Rm×n quiere decir que A es una matriz

m × n de la siguiente forma
 
a11 a12 · · · a1j · · · a1n
 a21 a22 · · · a2j · · · a2n 
 .. .. .. .. 
 
 . . . . 
 
 ai1 ai2 · · · aij · · · ain 
 . .. .. .. 
 
 .. . . . 
am1 am2 · · · amj · · · amn

◦ Sea A = [aij ] ∈ Rm×n una matriz. Escribiremos [A]ij para denotar la

entrada aij de A.

◦ Dos matrices del mismo tamaño A = [aij ] ∈ Rm×n y B = [bij ] ∈ Rm×n

son iguales si cada una de sus entradas lo son:

A=B ⇐⇒ aij = bij ∀i, j.

Notacion. Usaremos matrices para representar los sistemas de ecuaciones.

Definición 20. Si A = [aij ] ∈ Rm×n e Y = [yj ] ∈ Rm entonces

AX = Y

representa al sistema de ecuaciones

a11 x1 + a12 x2 + ··· + a1n xn = y1

a21 x1 + a22 x2 + ··· + a2n xn = y1
.. .. ..
. . .
am1 x1 + am2 x2 + ··· + amn xn = ym .

3 SISTEMAS DE ECUACIONES LINEALES. 46

 19 de octubre de 2022

Tambien lo podemos denotar

    
a11 a12 ··· a1n x1 y1
 a21 a22 ···   x2   y2 
a2n     
 .. .. .. ..   ..  =  .. 

 . . . .  .   . 
am1 am2 ··· amn xn ym

Por ejemplo. El sistema de ecuaciones

x1 + 2x3 = 1
x1 − 3x2 + 3x3 = 2
2x1 − 3x2 + 5x3 = 3

es representado de la forma AX = Y :
    
1 0 2 x1 1
1 −3 3 x2  = 2
2 −3 5 x3 3

Observación.

◦ Si una incognita no aparece en una ecuacion, el correspondiente coeficiente

de la matriz es 0.
◦ La cantidad de incognitas queda determinada por la cantidad de columnas
de la matriz A.

Operaciones elementales por fila: motivacion.

Las operaciones elementales por fila son:

◦ transformaciones con las cuelaes podemos modificar una matriz de manera
tal que los correspondientes sistemas de ecuaciones tengna las mismas
soluciones.

◦ la version "matricial"de las combinaciones lineales de ecuaaciones que hi-

cimos en la clase anterior para encontrar las soluciones de los sistemas.

3 SISTEMAS DE ECUACIONES LINEALES. 47

 19 de octubre de 2022

Observación. Hay tres tipos de operaciones las cuales definiremos a continua-

cion.
En una matriz A de m × n, cada fila puede ser considerada un vector en Rn .

Si la fila i de A es  
ai1 ai2 ··· ain ,
y la denotamos Fi (A) o simplemente Fi si A. Si c ∈ K, entonces
 
◦ cFi = cai1 cai2 · · · cain .

◦ Fr + Fs = ar1 + as1 ar2 + as2 · · · arn + asn .

 

◦ Fi = 0 0 · · · 0 , la fila nula.
 

Operaciones elementales por fila: definicion.

Definición 21. Sea A = [aij ] una matriz m × n, diremos que e es una

operacion elemental por fila si aplicada a la matriz A se obtiene e(A) de la
siguiente manera:

E1. multiplicando la fila r por una constante c ̸= 0, o

E2. cambiando la fila Fr por Fr + tFs con r ̸= s, para algun t ∈ K, o

E3. permutando la fila r por la fila s.

E1, E2, y E3 son tres tipos de operaciones elementales.

E1: multiplicar la fila i por un numero real c ̸= 0.

   
a11 a12 · · · a1n a11 a12 ··· a1n
 a21 a22 · · · a2n   a21 a22 ··· a2n 
 .. .. ..  .. .. ..
   
 . . .  . . .
 
 cF i

  −−→  
 ai1 ai2 · · · ain  cai1 cai2 ··· cain 
 . .. ..  . .. ..
   
 .. . .  .. . .
 
 
am1 am2 · · · amn am1 am2 ··· amn

Por ejemplo. Multiplicar la primera fila por −2:

   
1 2 −2 −4
(−2)·F1
3 4 −−−−−→  3 4
5 6 5 6

3 SISTEMAS DE ECUACIONES LINEALES. 48

 19 de octubre de 2022

E2: sumar a la fila r un multiplo de la fila s.

· · · a1n ···
   
a11 a12 a11 a12 a1n
 a21 a22 · · · a2n   a21 a22 ··· a2n 
 .. .. .. .. .. ..
   
 . . . . . .
  
  
   
 as1 as2 · · · asn  F +tFs
 as1 as2 ··· asn 
 .. .. .. −−r−−−→ .. .. ..
   
 . . . . . .
  
  
   
 ar1 ar2 · · · arn  ar1 + tas1 ar2 + tas2 ··· arn + tasn 
 . .. .. .. .. ..
   
 ..
  
. .   . . . 
am1 am2 ··· amn am1 am2 ··· amn

Por ejemplo. Sumar a la segunda fila la primer fila multiplicada por 3:

     
1 2 1 2 1 2
F +3F1
3 4 −−2−−−→ 3 + 3 · 1 4 + 3 · 2 = 6 10
5 6 5 6 5 6

E3: intercambiar las filas r y s.

a11 a12 · · · a1n ···

   
a11 a12 a1n
 a21 a22 · · · a2n   a21 a22 ··· a2n 
 .. .. ..  .. .. ..
   
 . . .  . . .
 
 
   
 as1 as2 · · · asn   ar1 ar2 ··· arn 
F ↔F
 .. .. .. −−r−−−→  .. .. ..
  s  
 . . .  . . .
 
 
   
 ar1 ar2 · · · arn   as1 as2 ··· asn 
 . .. ..  . .. ..
   
 ..  ..
 
. .  . . 
am1 am2 · · · amn am1 am2 ··· amn

Por ejemplo. Intercambiar la segunda y tercera fila:

   
1 2 1 2
F ↔F3
3 4 −−2−−−→ 5 6
5 6 3 4

3 SISTEMAS DE ECUACIONES LINEALES. 49

 19 de octubre de 2022

Convenciones.

◦ Si A es una matriz, e(A) denotara la matriz que obtenemos despues de

modificar a A por cierta operacion elemental e.

Por ejemplo.  
1 2
Si e es la operacion elemental intercambiar la segunda y tercer fila y A = 3 4,
  5 6
1 2
entonces e(A) = 5 6
3 4

◦ Como hicimos en los ejemplos, cuando le apliquemos una operacion ele-

mental a una matriz especificaremos arriba de una flecha que operacion
aplicamos:
e
A −→ e(A).
Esta notacion es obligatoria para la correcion de examenes.

Teorema 8. A cada operacion elemental por fila e le corresponde otra

operacion elemental e′ (del mismo tipo que e) tal que e′ (e(A)) = A y
e(e′ (A)) = A. En otras palabras, la operacion inversa de una operacion
elemental, es otra operacion elemental del mismo tipo.

Demostración.

E1. La operacion inversa de multiplicar la fila r por c ̸= 0 es multiplicar la

1
misma fila por .
c
E2. La operacion inversa de multiplicar la fila s por t ∈ K y sumarla a la
fila r es multiplicar la fila s por −t ∈ K y sumarla a la fila r.

E3. La operacion inversa de permutar la fila r por la fila s es la misma operacion.

3 SISTEMAS DE ECUACIONES LINEALES. 50

 19 de octubre de 2022

Definición 22. Consideremos el siguiente sistema de ecuaciones

a11 x1 + a12 x2 + ··· + a1n xn = y1

a21 x1 + a22 x2 + ··· + a2n xn = y1
.. .. ..
. . .
am1 x1 + am2 x2 + ··· + amn xn = ym

y sea A la matriz correspondiente al sistema. La matriz ampliada del sis-

tema es  
a11 · · · a1n y1
 a21 · · · a2n y2 
A′ =  . .. .. 
 
 .. . . 
am1 · · · amn ym
que tambien podemos denotar

A′ = A
 
Y .

Observación. Hay una correspondencia biunivoca entre

sistemas de ecuaciones lineales ←→ matrices ampliadas.

Por ejemplo. Dado el sistema

    
1 0 2 x1 1
1 −3 3 x2  = 2 ,
2 −3 5 x3 3

la matriz ampliada es  
1 0 2 1
1 −3 3 2
2 −3 5 3

3 SISTEMAS DE ECUACIONES LINEALES. 51

 19 de octubre de 2022

Operaciones elementales −→ operaciones entre ecuaciones.

Sea AX = Y un sistema de ecuaciones lineales y A Y su matriz ampliada.

 

Multiplicar fila r por c ̸= 0

←→ (E1)
multiplicar ecuacion r-esima por c ̸= 0.

Cambiar fila Fr por Fr + tFs con r ̸= s, para algun t ∈ K

←→ (E2)
sumar a la ecuacion r-esima t veces la ecuacion s-esima.

Permutar fila r por fila s

←→ (E3)
permutar la ecuacion r-esima por la ecuacion s-esima.

Teorema 9. Sea [A|Y ] la matriz ampliada de un sistema de ecuaciones

lineales y sea [B|Z] una matriz que se obtiene a partir de [A|Y ] por medio
de operaciones elementales. Entonces, los sistemas correspondientes a [A|Y ]
y [B|Y ] tienen las mismas soluciones.

Demostración.

◦ [A|Y ] ⇝ [B|Z] ⇒ filas[B|Z] = combinaciones linealaes de filas[A|Y ].

◦ Luego, Soluciones[A|Y ] ⇒ Soluciones[B|Z].
Como toda operacion elemental tiene inversa ⇒
◦ [B|Z] ⇝ [A|Y ] [A|Y ] = combinaciones lineales de filas [B|Z].

◦ Luego, Soluciones[B|Z] ⇒ Soluciones[A|Y ].

Por lo tanto Soluciones[A|Y ] = Soluciones[B|Z].

Por ejemplo. Resolvamos el siguiente sistema:

2x1 − x2 + x3 = 2
x1 − 4x2 = 1
2x1 + 6x2 − x3 = 0,

para xi ∈ R(1 ≤ i ≤ 4).

3 SISTEMAS DE ECUACIONES LINEALES. 52

 19 de octubre de 2022

Encontraremos una matriz que nos dara un sistema de ecuaciones equivalente,

pero con soluciones mucho mas evidentes:
     
2 −1 1 2 1 −4 0 1 1 −4 0 1
F1 ↔F2 F2 −2F1
1 −4 0 1 −−−−−→ 2 −1 1 2 −−−−−→ 0 7 1 0
2 6 −1 0 2 6 −1 0 2 6 −1 0
     
1 −4 0 1 1 −4 0 1 1 −4 0 1
F −2F1 F −2F2
0 7 1 0 −−3−−−→ 0 7 1 0 −−3−−−→ 0 7 1 0
2 6 −1 0 0 14 −1 −2 0 0 −3 −2
     
1 −4 0 1 1 −4 0 1 1 −4 0 1
F3 /(−3) F −F3
0 7 1 0 −−−−−→ 0 7 1 0 −−2−−→ 0 7 0 −2/3
0 0 −3 −2 0 0 1 2/3 0 0 1 2/3
     
1 −4 0 1 1 −4 0 1 1 0 0 13/21
F2 /7 F +4F2
0 7 0 −2/3 −−−→ 0 1 0 −2/21 −−1−−−→ 0 1 0 −2/21 .
0 0 1 2/3 0 0 1 2/3 0 0 1 2/3

Volvamos a las ecuaciones: el nuevo sistema de ecuaciones, equivalente al origi-

nal, es
13
x1 =
21
2
x2 = −
21
2
x3 = ,
3
por lo tanto, el sistema tiene una sola solucion:
 
13 2 2
,− , .
21 21 3

Sistemas homogeneos.
Si el sistema de ecuaciones lineales es homogeneo, es decir del tipo AX = 0,
entonces la matriz ampliada es
[A|0].
Haciendo operaciones elementales sucesivas llegamos a otra matriz

[B|0].

Luego, en este caso (sistema homogeneo) la convencion es no escribir la matriz

ampliada para resolver el sistema, sino trabajar directamente sobre la matriz A.

3 SISTEMAS DE ECUACIONES LINEALES. 53

 19 de octubre de 2022

Definición 23. Una matriz A de m × n se llama reducida por filas o M RF

si
(a) la primera entrada no nula de una fila de A es 1. Este 1 es llamado 1
principal.
(b) Cada columna de A que contiene un 1 principal tiene todos los otros
elementos iguales a 0.

Por ejemplo. Las siguientes matrices son M RF :

   
1 0 −1 0 1 3
0 1 3 1 0 −1 ;
0 0 0 0 0 0

Por ejemplo. Las siguientes matrices, no son M RF :

   
1 0 1 1 0 −1
0 2 3 no cumple (a), 0 1 3 no cumple (b).
0 0 0 0 0 1

Definición 24. Una matriz A de m × n es escalon reducida por fila o

M ERF si, es M RF y
(c) todas las filas cuyas entradas son todas iguales a cero estan al final
de la matriz, y

(d) en dos filas consecutivas no nulas el 1 principal de la fila inferior esta

mas a la derecha que el 1 principal de la fila superior.

Observación. Es muy facil obtener la solucion de un sistema AX = Y donde

A es una M ERF .
Por ejemplo. La solucion del sistema AX = Y con
   
1 0 0 −1
A = 0 1 0 e Y =  0
0 0 1 1

es (x1 , x2 , x3 ) = (−1, 0, 1).

En efecto, si escribimos explicitamente el sistema la solucion queda determinada

automaticamente: 
 x1 = −1
x2 = 0 .
x3 = 1


3 SISTEMAS DE ECUACIONES LINEALES. 54

 19 de octubre de 2022

Por ejemplo. El conjunto de soluciones del sistema AX = Y con

   
1 0 2 1
A= e Y =
0 1 −1/3 −1/3
es   
1 1
−2x3 + 1, x3 − , x3 : x3 ∈ R .
3 3
En efecto, si escribimos explicitamente el sistema:

= −2x3 + 1
(
x1 + 2x3 = 1 x1
1 1 =⇒ 1 1 .
x2 − = − x2 = x3 −
3 3 3 3

Teorema 10. Toda matrix m × n sobre K es equivalente por fila a una

matriz escalon reducida por fila.

Idea de la demostracion.
P1. Nos ubicamos en la primera fila.
P2. Si la fila es 0 y no es la ultima, pasar a la fila siguiente y de nuevo P2.

P3. Si la fila no es 0,
P3.1 si la primera entrada no nula esta en la columna k y su valor es c,
dividir la fila por c (ahora la primera entrada no nula vale 1),
P3.2 con operaciones elementales del tipo Fr + tFs hacer 0 todas las en-
tradas en la columna k (menos la de la columna actual).
P4. Si la fila no es la ultima, pasar a la fila siguiente e ir a P2.
P5. Intercambiando las filas, ponemos los 1 principal de forma escalonada y
las filas nulas al final.

Observación. La demostracion del teorema anterior nos da un algoritmo para

encontrar M ERF .

3 SISTEMAS DE ECUACIONES LINEALES. 55

 19 de octubre de 2022

Metodo de Gauss.

Sea AX = Y el sistema de ecuaciones lineales. El metodo de Gauss consiste en

llevar a cabo los siguientes pasos:
◦ Escribir [A|Y ] la matriz ampliada del sistema.
◦ Reducimos la matriz [A|Y ] ⇝ [R|Z] de tal forma que R sea M ERF (para
ello utilizamos el algoritmo P1· · · P5).

◦ El sistema RX = Z tiene soluciones faciles de encontrar.

Claramente la parte mas importante del metodo de Gauss es utilizar el algoritmo
P1· · · P5, que llamaremos el algoritmo de Gauss-Jordan o eliminacion de Gauss-
Jordan.

Algoritmo de Gauss-Jordan.
Sea A una matriz m × n. Repitamos el algoritmo:
P1. Nos ubicamos en la primera fila.
P2. Si la fila es 0 y no es la ultima, pasar a la fila siguiente y de nuevo P2.

P3. Si la fila no es 0,
P3.1 si la primera entrada no nula esta en la columna k ysu valor es c,
dividir la fila por c (ahora la primera entrada no nula vale 1),
P3.2 con operaciones elementales del tipo Fr + tFs hacer 0 todas las en-
tradas en la columna k (menos la de la columna actual).
P4. Si la fila no es la ultima, pasar a la fila siguiente e ir a P2.
P5. Intercambiando las filas, ponemos los 1 principal de forma escalonada y
las filas nulas al final.

La matriz que se obtiene es una M ERF .

Por ejemplo. Aplicaremos el algoritmo de Gauss-Jordan a la siguiente matriz:
 
1 0 2 1
A = 1 −3 3 2
2 −3 5 3

Como la primera fila es no nula, pasamos a P3:

   
1 0 2 1 1 0 2 1
F −F1 F3 −2F1
A −−2−−→ 0 −3 1 1 − −−−−→ 0 −3 1 1
2 −3 5 3 0 −3 1 1

3 SISTEMAS DE ECUACIONES LINEALES. 56

 19 de octubre de 2022

Por P4 pasamos a trabajar con la fila 2 y pasamos a P 2. Como al fija no es nula

hacemos P 3.1  
F
F2 − 33
1 0 2 1
−−−−−→ 0 1 −1/3 −1/3
0 −3 1 1
Ahora P3.2:  
1 0 2 1
F3 +3F2
−−−−−→ 0 1 −1/3 −1/3
0 0 0 0
Esta ultima matriz es una M ERF . En este caso, no hizo falta usar P5, es decir
permutar filas.
Por ejemplo (Metodo de Gauss). A continuacion explicaremos en 3 pasos el
metodo de Gauss para resolver el sistema de ecuacioens
AX = Y.
Ejemplificaremos los pasos con el sistema
    
1 0 2 x1 1
1 −3 3 x2  = 2 (E)
2 −3 5 x3 3
Primer paso: Matriz ampliada
◦ Armar la matriz ampliada:
A′ = [A|Y ],
es decir, le agregamos a A una columna igual a Y .
En nuestro caso, la matriz ampliada del sistema (E) es
 
1 0 2 1
1 −3 3 2 Observarqueestamatrizesigualaladelejemploanterior.
2 −3 5 3
Segundo paso: reducir la matriz ampliada (Gauss-Jordan)
◦ Usar operaciones elementales por filas para transformar la matriz ampliada
A′ en una matriz B ′ de la forma
B ′ = [B|Z]
donde B es una M ERF y Z es una columna.
En el ejemplo:
     
1 0 2 1 1 0 2 1 1 0 2 1
F −F1 F3 −2F1
A′ = 1 −3 3 2 −−2−−→ 0 −3 1 1 − −−−−→ 0 −3 1 1
2 −3 5 3 2 −3 5 3 0 −3 1 1
   
F
F2 − 33
1 0 2 1 1 0 2 1
F +3F
−−−−−→ 0 1 −1/3 −1/3 −−3−−−→ 2
0 1 −1/3 −1/3 = B ′
0 −3 1 1 0 0 0 0

3 SISTEMAS DE ECUACIONES LINEALES. 57

 19 de octubre de 2022

Tercer paso: despejar y describir el conjunto de soluciones

◦ Escribir explicitamente el sistema BX = Z.
◦ Despejar en cada ecuacion la incognita correspondiente al 1 principal.
◦ Describir el conjunto de soluciones. Hay tres opciones: tener solo una so-
lucion; infinitas, parametrizadas por las incognitas que no corresponden a
1’s principales; no tener solucion.
En el ejemplo:

x1 = −2x3 + 1
(
x1 + 2x3 = 1
BX = Z ⇝ 1 1 ⇝ 1 1
x2 − x3 = − x3 x2 = x3 − x3
3 3 3 3
Por ejemplo. Resolver el sistema de ecuaciones:


 x2 − x3 + x4 = 1
2x3 + x4 =3

(E)

 x 1 + x 2 − x 4 =1
x1 + 2x2 −3 =2


Solucion. El conjunto de soluciones es

  
5 3 3 5 1 3
Sol(E) = x4 − , − x4 + , − x4 + , x4 : x4 ∈ R .
2 2 2 2 2 2

Reducimos la matriz ampliada siguiendo al pie de la letra el algoritmo:

   
0 1 −1 1 1 0 1 −1 1 1
0 0 2 1 3 F −F 1 0 0 2 1 3
A′ = 
 
 −−3−−→ 
1 1 0 −1 1 F4 −2F1 1 0 1 −2 0
1 2 −1 0 2 1 0 1 −2 0
   
0 1 −1 1 1 0 1 0 3/2 5/2
1
2 F2 0
 0 1 1/2 3/2 F +F
1 2
0 0 1 1/2 3/2
−−−→   −−−−→  
1 0 1 −2 0 F3 −F2 1 0 0 −5/2 −3/2
1 0 1 −2 0 F4 −F2 1 0 − /2 −3/2
5
 
0 1 0 3/2 5/2
F4 −F3 3/2 = B ′
−−−−→ 0 0 1 1/2

1 0 0 −5/2

3 SISTEMAS DE ECUACIONES LINEALES. 58

 19 de octubre de 2022

Si reescribimos las ecuaciones a partir de B ′ , obtenemos

3 5


 x2 + x4 =


 2 2
1 3

′
(E ) x3 + x4 =

 2 2
5
x1 − x4 = − 3



2 2
Si despejamos respecto a x4 , obtenemos
5 3 3 5 1 3
x1 = x4 − , x 2 = − x4 + , x 3 = − x4 + ,
2 2 2 2 2 2
que es la solucion del sistema.

Soluciones de los sistemas de ecuaciones lineales.

¿Como saber si el sistema tiene o no tiene solucion? ¿Una o infinitas?

Las respuestas a estas preguntas dependen de la forma de B y Z.

Asumamos que B ∈ Rm×n y Z ∈ Rm×1 donde

   
0 ··· 1 ∗ 0 ∗ ∗ 0 ∗ ∗ z1
0 · · · 0 · · · 1 ∗ ∗ 0 ∗ ∗  z2
 .. .. .. .. ..  ..
   
. . . . . .
 
 
y
   
B = 0 · · · 0 · · · 0 · · · · · · 1 ∗ ∗

 Z =  zr 


0 · · · 0 · · · 0 · · · · · · 0 · · · 0 zr+1 
. .. .. .. ..   . 
   
 .. . . . .  .. 
0 ··· 0 ··· 0 ··· ··· 0 ··· 0 zm

Si k1 , . . . , kr son las columnas que contienen 1 principales, el sistema BX = Z

tiene la siguiente forma
 X

 xk1 + b1j xj = z1



 j̸ =k1
X ,...,k r

xk2 + b2j xj = z2






 j̸ =k1 ,...,k r

 .. ..


. .

X
 xk r +
 b x
rj j = zr



 j̸=k1 ,...,kr


 0 = zr+1
.. ..



. .





0 = zm

3 SISTEMAS DE ECUACIONES LINEALES. 59

 19 de octubre de 2022

Teorema 11. El sistema BX = Z tiene solucion si y solo si

Zr+1 = zr+2 = · · · = zm = 0.

Demostración (⇒).
El sistema BX = Z tiene solucion ⇒ Zr+1 = zr+2 = · · · = zm = 0.

Si el sistema tiene solucion entonces Zr+1 = zr+2 = · · · = zm = 0, pues si

alguno de estos z’s fuera no nulo tendriamos un absurdo.
 X

 xk 1 + b1j xj = z1


 j̸=kX1 ,...,kr

xk 2 + b2j xj = z2






 j̸ =k1 ,...,k r
. ..

 ..

.


X

 xkr + brj xj = zr

 j̸=k1 ,...,kr
.. ..



. .




̸


 0 zi = 0
.. ..



. .


Demostración (⇐).
Si zr+1 = zr+2 = · · · = zm = 0 ⇒ el sistema BX = Z tiene solucion.

Si zr+1 = zr+2 = · · · = zm = 0, obtenemos

 X

 xk1 = − b1j xj + z1



 j̸ =k1
X ,...,kr

 xk2 = −


 b2j xj + z2
j̸=k1 ,...,kr .
 .. ..
. X.





x = − brj xj + zr

 kr


j̸=k1 ,...,kr

Entonces xk1 = z1 , xk2 = z2 , . . . , xkr = zr y todos los otros xj = 0 es una

solucion al sistema.

En la demostracion de (⇐) encontramos una solucon haciendo cero todas las

incognitas que no corresponden con 1 principales.

Pero le podriamos haber dado cualquier otro valor y asi encontrar otras so-
luciones, siempre y cuando hubiera incognitas que no se corresponden con 1
principales.

3 SISTEMAS DE ECUACIONES LINEALES. 60

 19 de octubre de 2022

Teorema 12. Supongamos que el sistema tiene solucion y la cantidad

de 1 principales es igual a la cantidad de incognitas. Entonces el sistema
BX = Z tiene una unica solucion, la cual es X = Z.

Demostración. En este caso, el sistema BX = Z tiene la siguiente forma



 x1 = z1


 x 2 = z2
.. ..


 . .



xn = zn
0 = zn+1



.. ..


. .





0 = zm


y la solucion queda determinada explicitamente.

Teorema 13. Supongamos que el sistema tiene solucion y hay mas in-
cognitas que 1 principales. Entonces el sistema BX = Z tiene infinitas
soluciones de la forma
X
xk1 = z1 − b1j xj
j̸=kX
1 ,...,kr

xk2 = z2 − b2j xj
j̸=k1 ,...,kr
.. ..
. X.
xk r = zr − brj xj
j̸=k1 ,...,kr

y los xj con j ̸= k1 , . . . , kr , pueden tomar cualquier valor real.

Demostración. Como existe al menos un j ̸= k1 , . . . , kr variando los xj donde

j ̸= k1 , . . . , kr obtenemos infinitas soluciones.

Conclusion. Para saber si el sistema AX = Y tiene o no soucion, una o in-

finitas, lo transformamos a uno de la forma BX = Z con B M ERF usando
operaciones elementales por filas y aplicamos los teoremas anteriores.

Caso particular. Un sistema AX = Y se dice homogeneo si Y = 0.

Estos sistemas siempre tienen solucion pues X = 0 es una solucion.

3 SISTEMAS DE ECUACIONES LINEALES. 61

 19 de octubre de 2022

4. Algebra de matrices.
Matrices.

Recordemos: sea K cuerpo.

◦ Una matriz A es un elemento de (Kn )m que se escribe con m-filas y n-
columnas  
a11 a12 · · · a1n 
A =  ... .. ..  m-filas.

. . 


am1 am2 · · · amn


| {z }
n-columnas.

◦ A cada elemento de la matriz la llamamos entrada o coeficiente.

◦ Si A es una matriz m × n, denotamos [A]ij la entrada que se ubica en la
fila i y la columna j. En la matriz de arriba [A]ij = aij .
◦ El conjunto de matrices de orden m × n con entradas en K lo denotamos
Km×n , o Mm×n (K), o simplemente Mm×n .

Matriz cuadrada.

Una matriz A ∈ Kn×n se dice cuadrada de orden n porque tiene igual cantidad
de filas que de columnas.
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A= . .. .. .. 
 
 .. . . . 
an1 an2 ··· ann

Los elementos de la diagonal principal son aii con 1 ≤ i ≤ n.

Matriz cuadrada: ejemplos.

 
5 −1 3 4
 0 0 1 0
A=  1 −2

7 5
−1 2 128 −20
 
5 3 4
B = 0 0 0
1 7 5
 
C= 1

4 ALGEBRA DE MATRICES. 62
 19 de octubre de 2022

Matriz diagonal.

Una matriz cuadrada D ∈ Kn×n se dice diagonal de orden n si todas las entradas
fuera de la diagonal son nulas.
 
d1 0 0 · · · 0
 0 d2 0 · · · 0 
 
D =  0 0 d3 · · · 0 
 
 .. .. .. . . .
. . . . .. 
0 0 0 ··· dn

Las entradas de D se pueden describir como sigue

(
  di si i = j
D ij =
0 si i ̸= j

Matriz diagonal: ejemplos

 
5 0 0 0
0 1 0 0 
A= 
0 0 −5 0 
0 0 0 −20
 
5 0 0
B = 0 0 0
0 0 7
 
C= 1

Matriz escalar.
Una matriz cuadrada E ∈ Kn×n se dice escalar de orden n si es diagonal y
todos los elementos de la diagonal son iguales, por ejemplo, en el caso 4 × 4 las
matrices escalares son  
c 0 0 0
0 c 0 0
E= 0 0 c 0


0 0 0 c
con c ∈ K.

Las entradas de E se pueden describir como sigue

(
  c si i = j
E ij =
0 si i ̸= j

4 ALGEBRA DE MATRICES. 63
 19 de octubre de 2022

Matriz escalar: ejemplos

 
2 0 0 0
0 2 0 0
A=  
0 0 2 0
0 0 0 2
 
5 0 0
B = 0 5 0
0 0 5
 
C= 1

Matriz identidad.

La matriz diagonal de orden n con todos unos en la diagonal se llama matriz

identidad de orden n y se denota Idn .
 
1 0 0 ··· 0
0 1 0 · · · 0
 
Idn = 0 0 1 · · · 0
 
 .. .. .. . . .. 
. . . . .
0 0 0 ··· 1

Las entradas de Idn se pueden describir como sigue

(
  1 si i = j
Idn ij =
0 si i ̸= j

A veces escribiremos simplemente Id, omitiendo el subindice n.

Matriz nula.
La matriz nula de orden m × n es la matriz cuyas entradas son todas ceros. Se
la denota 0.  
0 0 0 ··· 0
0 0 0 · · · 0
 
0 := 0 0 0 · · · 0
 
 .. .. .. . . .. 
. . . . .
0 0 0 ··· 0
Las entradas de 0 se pueden describir como sigue
 
0 ij = 0 ∀i, j

4 ALGEBRA DE MATRICES. 64
 19 de octubre de 2022

Matriz triangular superior.

Una matriz cuadrada cuyas entradas por debajo de la diagonal principal son
cero se llama matriz triangular superior.
 
a11 a12 a13 · · · a1n
 0 a22 a23 · · · a2n 
 
A= 0
 0 a33 · · · a3n 
 .. .. .. .. .. 

 . . . . . 
0 0 0 ··· ann

En formula, A es triangular superior si aij = 0 para todo i < j.

Matriz triangular superior: ejemplos.

 
2 1 0 7
0 −1 −4 5
A= 0 0

5 3
0 0 0 3
 
5 3 2
B = 0 1 1 
0 0 −1
 
C= 1

Matriz triangular inferior.

Una matriz cuadrada cuyas entradas por encima de la diagonal principal son
cero se llama matriz triangular inferior.
 
a11 0 0 ··· 0
 a21 a22
 0 ··· 0 
 a31 a32 a33 · · · 0 
A=
 .. .. .. .. .. 

 . . . . . 
an1 an2 an3 · · · ann

En formula, A es triangular inferior si aij = 0 para todo i > j.

4 ALGEBRA DE MATRICES. 65
 19 de octubre de 2022

Suma de matrices.

Definición 25. Sean A, B ∈ Km×n , la suma A+B es la matriz que resulta

de sumar “coordenada a coordenada” las matrices A y B.

En simbolos,

A + B ∈ Km×n con A + B ij = A ij + B ij .
     

   
1 2 3 10 20 30
Por ejemplo. Si A = yB= entonces
4 5 6 40 50 60
   
1 + 10 2 + 20 3 + 30 11 22 33
A+B = =
4 + 40 5 + 50 6 + 60 44 55 66

Podemos visualizar la suma de matrices asi:

   
a11 a12 · · · a1n b11 b12 · · · b1n
 a21 a22 · · · a2n   b21 b22 · · · b2n 
 .. .. ..  +  .. .. .. 
   
 . . .   . . . 
am1 am2 · · · amn bm1 bm2 · · · bmn
 
a11 + b11 a12 + b12 · · · a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
= .. .. ..
 
. . .

 
am1 + bm1 am2 + bm2 ··· amn + bmn

Propiedades de la suma de matrices.

La suma de matrices satisface las mismas propiedades que la suma de numeros
reales y complejos (y enteros).

Proposicion.

Si A, B, C son matrices m × n, entonces

S1. A+B =B+A (conmutatividad de la suma)

S2. A + (B + C) = (A + B) + C (asociatividad de la suma)
S3. A+0=A (elemento neutro)
S4. A + (−A) = 0 (existencia de opuesto)
donde  
−a11 ··· −a1n
 .. .. .. 
−A =  . . . 
−am1 ··· −amn

4 ALGEBRA DE MATRICES. 66
 19 de octubre de 2022

Notacion.
◦ Debido a la propiedad asociativa podemos eliminar los parentesis en una
suma, es decir, denotaremos

A + B + C := A + (B + C) = (A + B) + C.

◦ Usualmente denotaremos
A − B := A + (−B),
−A + B := (−A) + B.

La demostracion de las propiedades anteriores se deduce de que las mismas pro-

piedades valen coordenada a coordenada en K.

Demostraremos la asociatividad y las otras propiedades se dejan a cargo del

lector.

Demostracion de la asociatividad.

Queremos ver que las matrices A + (B + C) y (A + B) + C son iguales. O sea,

que cada una de sus coordenadas son iguales. Esto es cierto por lo siguiente:
            
A + (B + C) ij = A ij + B + C ij = A ij + B ij + C ij
            
= A ij + B ij + C ij = A + B ij + C ij = (A + B) + C) ij

Producto de matrices.

Definición 26. Sean A ∈ Km×n y B ∈ Kn×p .

El producto A·B es una matriz de orden m×p cuyas entradas son definidas
por la siguiente formula
n
X
     
A·B ij
= A ik · B kj .
k=1

Podemos visualizar la multiplicacion asi:

..
 
.. .. .. .
  · · · bij ···


 . . .  · · · n
 
b2j · · ·  X 
..
 · · · aik · bkj · · ·
ai1 ai2 ··· ain · =

.

.. .. ..
   
k=1

. . . ..
 
··· bnj ···
.

4 ALGEBRA DE MATRICES. 67
 19 de octubre de 2022

Es muy importante recalcar que por la definicion, se puede multiplicar una

matriz m × n por una matriz r × p, solo si n = r y en ese caso, la multiplicacion
resulta ser una matriz m × p.
Observación. Para multiplicar (m × n) · (n × p) el numero de columnas de la
primera matriz debe coincidir con el numero de filas de la segunda matriz (las
n internas deben coincidir) y queda como resultado una matriz m × p (la parte
externa).
Por ejemplo. Si
   
1 0 5 −1 2
A= , B= ,
−3 1 15 4 8

como A es 2 × 2 y B es 2 × 3, la matriz AB sera 2 × 3. Obtenemos:

   
1 · 5 + 0 · 15 1 · (−1) + 0 · 4 1·2+0·8 5 −1 2
A·B = = .
−3 · 5 + 1 · 15 −3 · (−1) + 1 · 4 −3 · 2 + 1 · 8 0 7 2

Observemos que, debido a nuestra definicion, no es posible multiplicar B por A,

pues no esta definido multiplicar una matriz 2 × 3 por una 2 × 2.
Por ejemplo. Si  
  1 2
1 2 3
A= y B = 3 4 ,
4 5 6
5 6
como A es 2 × 3 y B es 3 × 2, la matriz AB sera 2 × 2. Obtenemos:
   
1·1+2·3+3·5 1·2+2·4+3·6 22 28
A·B = =
4·1+5·3+6·5 4·2+5·4+6·6 49 64

En este caso:
n
X
     
A·B 12
= A 1k · B k2
k=1
           
= A 11 · B 12 + A 12 · B 22 + A 13 · B 32
=1·2+2·4+3·6
= 28

Observación. Sean A = aij matriz m × n y B = bij matriz n × p, entonces

   

si multiplicamos la matriz que se forma con la fila i de A por la matriz que

determina la columna j de B, obtenemos el coeficiente ij de AB. Esquematica-
mente  
b1j
n
   b2j 

 X
ai1 ai2 · · · ain ·  .  = aik bkj = cij .
 .. 
k=1
bnj

4 ALGEBRA DE MATRICES. 68
 19 de octubre de 2022

Por lo tanto diremos a veces, que el coeficiente ij de la matriz AB es la fila i de

A por la columna j de B. O, con abuso de notacion,

Fi (A) · Cj (B) = ⟨Fi (A), Cj (B)⟩

(producto escalar).
Propiedades del producto de matrices.
Las propiedades mas basicas del producto de matrices son las siguientes.

Proposicion.
1. Si A ∈ Km×n , entonces

A · Idn = Idm · A = A. (elemento neutro)

2. Si A ∈ Km×n , B ∈ Kn×p y C ∈ Kp×q , entonces

A · (B · C) = (A · B) · C. (asociativa)

3. Si A ∈ Km×n y B, C ∈ Kn×p entonces

A · (B + C) = A · B + A · C. (distributiva)

4. Si A, B ∈ Km×n y C ∈ Kn×p , entonces

(A + B) · C = A · C + B · C. (distributiva)

Las demostraciones de estas propiedades son rutinarias. Probaremos la ley aso-

ciativa y la propiedad de existencia del elemento neutro. Las leyes distributivas
las dejamos a cargo del lector.

Demostracion: 1 - Id es el elemento neutro del producto.

Notemos que las entradas de la matriz Idk son determinadas de la siguiente

manera (
  1 si i = j
Idk ij =
0 si i ̸= j
porque son todas ceros salvo en la diagonal (donde el numero de fila y columna
coinciden). Entonces
n
X
         
A · Idn ij
= A ik · Idn kj = A ij · 1= A ij
k=1
m
X
         
Idm · A ij = Idm ik · A kj = 1 · A ij = A ij
k=1

4 ALGEBRA DE MATRICES. 69
 19 de octubre de 2022

Demostracion: 2 - ley asociativa.

Para probar la asociatividad tenemos que verificar que todas las entradas de
A · (B · C) y (A · B) · C son iguales.
n
X
     
A · (B · C) ij = A ik · B · C kj
k=1
p
n
!
X   X    
= A ik · B kl · C lj
k=1 l=1
Xn Xp
     
= A ik · B kl · C lj
k=1 l=1
Xp X n
     
= A ik · B kl · C lj
l=1 k=1
p n
!
X X      
= A ik · B kl · C lj
l=1 k=1
n
X      
= A · B il · C lj = (A · B) · C ij
l=1

Propiedades que no valen en general.

Veamos ahora algunas propiedades que no valen en general cuando multiplica-
mos matrices. Es decir, daremos contraejemplos.

El producto no es conmutativo.
       
1 2 5 6 5 6 1 2
· ̸= ·
3 4 7 8 7 8 3 4
Multiplicar matrices no nulas puede dar cero.
     
1 1 −1 −1 0 0
· =
1 1 1 1 0 0
Observación. Cuando las matrices son cuadradas podemos multiplicarlas por
si mismas y definimos, de forma analoga a lo que ocurre en los productos de
numeros, la potencia de una matriz: sea A matriz m × m, y sea k ∈ N entonces
A0 = Idm , Ak = Ak−1 A,
es decir Ak es multiplicar A consigo mismo k − veces.

Elevar al cuadrado u otra potencia puede dar cero.

 2      
0 1 0 1 0 1 0 0
= · =
0 0 0 0 0 0 0 0

4 ALGEBRA DE MATRICES. 70
 19 de octubre de 2022

No se cumple la propiedad cancelativa.

Si A ̸= 0 y AB = AC no necesariamente se cumple que B = C. Por ejem-

plo,          
2 0 1 0 2 0 1 0 2 0
= · = ·
4 0 2 0 8 1 2 0 5 3
No se cumple la formula del binomio.

Sean A, B matrices m × m, entonces

(A + B)2 = (A + B)(A + B)
= A(A + B) + B(A + B)
= AA + AB + BA + BB
= A2 + AB + BA + B 2

y esta ultima expresion puede no ser igual a A2 + 2AB + B 2 ya que el producto

de matrices no es conmutativo (en general).
Multiplicacion por la matriz 0.
La multiplicacion por la matriz nula resulta en otra matriz nula.

Es decir, 0 · A = A · 0 = 0 para toda matriz A:

  X    X  
0 · A ij = 0 ik · A kj = 0 · A kj = 0
k k
  X    X 
A · 0 ij = A ik · 0 kj = A ik · 0 = 0
k k

Multiplicacion por matrices diagonales.

 
d1 0 ··· 0
0 d2 · · · 0 
Sea D =  . ..  y A = aij ∈ K
m×n
 
.. . .
 
 .. . . . 
0 0 · · · dm
m
X
         
DA ij = D ik · A kj = D ii A ij = di aij
k=1

y por lo tanto DA = di aij ij ∈ Km×n , ⇒

 

 
d1 F1
 d2 F2

DA =  ..
 
.

 
dm Fm

4 ALGEBRA DE MATRICES. 71
 19 de octubre de 2022

La anterior es la multiplicacion a izquierda por una matriz diagonal.

La multiplicacion a derecha viene dada por: si A = aij ∈ Kn×m , entonces

 

m
X
         
AD ij = A ik · D kj = A ij · D jj = dj aij
k=1

y por lo tanto AD = dj aij ∈ Kn×m , ⇒

 

 
AD = d1 C1 d2 C2 ··· dm Cm

Multiplicacion de una matriz por un escalar.

Sea A ∈ Km×n y c ∈ K. La matriz cA es la matriz que se obtiene multiplicando

toda las entradas de A por c. En simbolos,

cA ∈ Km×n con
   
cA ij = c A ij
 
1 2 3
Por ejemplo. Si A = y c = 10 entoncs
4 5 6
 
10 20 30
10A =
40 50 60

En este caso: cA 12 = 10 A 12 = 20.

   

Observación. Observar que multiplicar por c una matriz m × n, es lo mismo

que multiplicar por la matriz escalar m × m con los coeficientes de la diagonal
iguales a c.

Observación. Debido a la observacion anterior y a las propiedades del producto

d matrices, se cumple: si A, B ∈ Km×n , C ∈ Kn×p y c, d ∈ K, entonces
P1. 1 · A = A.
P2. (cd)A = c(dA),

D1. c(A + B) = cA + cB, (propiedad distributiva)

D2. (c + d)A = cA + dA. (propiedad distributiva)

4 ALGEBRA DE MATRICES. 72
 19 de octubre de 2022

◦ El hecho de que Km×n satisfaga las propiedades S1, S2, S3, S4, P 1, P 2,
D1 y D2, nos dice que Km×n es un espacio vectorial. Observar que no
difiere mucho de Kn (que cumplia las mismas propiedades).
◦ Observar que K n×n (las matrices cuadradas n × n) satisface las siguientes
propiedades: si A, B, C ∈ Kn×n y c ∈ K, entonces

P 3. Id · A = A = A · Id, (elemento neutro)

P 4. c(AB) = (cA)B = A(cB), (conmutatividad × escalares)
P 5. A(BC) = (AB)C, (asociatividad)
D3. C(A + B) = CA + CB, (distributividad)
D4. (A + B)C = AB + AC. (distributividad)
Estas propiedades nos dicen que Kn×n es una K-algebra asociativa con
unidad.

[¡Solo para matrices cuadradas!]

Sistemas de ecuaciones y multiplicacion de matrices.

Sistema de m ecuaciones lineales con n incognitas:

a11 x1 + a12 x2 + ··· + a1n xn = y1

.. .. .. (⋆)
. . .
am1 x1 + am2 x2 + ··· + amn xn = ym

donde y1 , . . . , ym y aij (1 ≤ i ≤ m, 1 ≤ j ≤ n) son numeros en K.

Si denotamos
     
a11 a12 ··· a1n x1 y1
 .. .. ..  ,
A= . . .  X =  ...  , Y =  ...  ,
   

am1 am2 ··· amn xn ym

y hacemos el producto de matrices

  
a11 a12 ··· a1n x1
 .. .. ..   .. 
A·X = . . .  . 
am1 am2 ··· amn xn

obtenemos    
a11 x1 a12 x2 ··· a1n xn y1
 .. .. ..  =  ..  .
 . . .   . 
am1 x1 am2 x2 ··· amn xn ym
Como dos matrices son iguales si y solo si sus coeficientes son iguales, la igual-
dad anterior signific que recuperamos el sistema de ecuaciones original.

4 ALGEBRA DE MATRICES. 73
 19 de octubre de 2022

Esto nos dice que la notacion matricial antes utilizada para expresar un sis-
tema de ecuaciones
AX = Y
es consistente con el, ahora definido, producto de matrices
A · X = Y.
Pregunta
◦ ¿Cual es la relacion entre las operaciones elementales que nos llevan A a
una M ERF y las matrices?
Respuesta
◦ Veremos que hacer una operacion elemental en la matriz A es lo mismo
que multiplicar A por una matriz elemental (a definir mas abajo), y que
◦ reducir por filas a A se obtiene multiplicando repetidas veces a A por
matrices elementales.
Observación.
◦ En el lenguaje matricial, al vector v = (t1 , t2 , . . . , tn ) ∈ Rn , lo represen-
tamos como el vector columna
 
t1
 t2 
 ..  .
 
.
tn

◦ Para saber si v es solucion del sistema AX = Y debemos verificar que

vale la igualdad Av = Y .
◦ v ∈ Rn es solucion de AX = Y ⇐⇒ Av = Y .
◦ Sol(⋆) = {v ∈ Rn |Av = Y } .
Esta observacion es util como herramienta para demostrar ciertas propiedades
de los sistemas.
Proposición 14. Sean v y w soluciones del sistema homogeneo AX = 0. En-
tonces v + tw tambien es solucion del sistema AX = 0 para todo t ∈ R.
Demostración.
A(v + tw) = Av + A(tw) (distributividad)
= 0 + (At)w (AV = 0 + asociatividad)
= (tA)w (conmutatividad × escalares)
= t(Aw) (conmutatividad × escalares)
= t0 (Aw = 0)
= 0.

4 ALGEBRA DE MATRICES. 74
 19 de octubre de 2022

Matrices elementales.

Definición 27. Una matriz m × m se dice elemental si fue obtenida por

medio de una unica operacion elemental a partir de la matriz identidada
Idm .

Por ejemplo. Las siguientes matrices son elementales:

   
    1 0 0 0 0 0 0 1
1 0 0 1 0 0 0 1 0 0 F1 ↔F4 0
F2 +2F1
0 1 0 −−−−−→ 2 1 0 , 1 0 0
0 0 1 0 −−−−−→ 0
   ,
0 1 0
0 0 1 0 0 1
0 0 0 1 1 0 0 0
   
1 0 0 1 0 0
3F2
0 1 0 − −→ 0 3 0 .
0 0 1 0 0 1

Matrices elementales 2 × 2.

E1. Si c ̸= 0, multiplicar por c la primera fila y multiplicar c por la segunda

fila son, respectivamente,
   
c 0 1 0
y ,
0 1 0 c

E2. si c ∈ K, sumar a la fila 2 la fila 1 multiplicada por c o sumar a la fila 1 la

fila 2 multiplicada por c son, respectivamente,
   
1 0 1 c
y .
c 1 0 1

E3. Finalmente, intercambiando la fila 1 por la fila 2 obtenemos la matriz

 
0 1
.
1 0

4 ALGEBRA DE MATRICES. 75
 19 de octubre de 2022

Matrices elementales m × m.

E1. Si c ̸= 0, multiplicar por c la fila k de la matriz identidad, resulta en la

matriz elemental que tiene todos 1’s en ladiagonal, excepto en la posicion
k, donde vale c, es decir si e(Idm ) = aij , entonces

1 si i = j e i ̸= k,


aij = c si i = j = k,
0 si i ̸= j.



Graficamente,
k
 ↓ 
 1. · · · ··· 0
.. 
 . ..
. . .
k 
−
→ 0 · · · c ··· 0
 (E1)
. .. .. 
 .. . .
0 ··· ··· 1

E2. si c ∈ K, sumar a la fila r la fila s multiplicada por c.

1 si i = j,


c si i = r, j = s,
0 otro caso.



Graficamente
r s
 ↓ ↓ 
 1. ··· ··· ··· 0
. .. .. 
. . .
r 
−
→ 0 ··· 1 ··· c ··· 0

. .. .. 
 .. . . (E2)

s 

−
→ 0 ··· 0 ··· 1 ··· 0
 .. .. .. 

. . .
0 ··· ··· ··· 1

4 ALGEBRA DE MATRICES. 76
 19 de octubre de 2022

E3. Finalmente, intercambiar la fila r por la fila s resulta ser

(
1 si (i = j, i ̸= r, i ̸= s) o (i = r, j = s) o (i = s, j = r)
aij =
0 otro caso.

Graficamente,
r s
 ↓ ↓ 
 1. ··· ··· ··· 0
. .. .. 
. . .
r 
−
→ 0 ··· 0 ··· 1 ··· 0

. .. .. 
 .. . . (E3)

s 

−
→ 0 ··· 1 ··· 0 ··· 0
 .. .. .. 

. . .
0 ··· ··· ··· 1

Teorema 15. Sea A matriz n × n, sea e una operacion elemental por fila
y sea E la matriz elemental E = e(Idn ). Entonces e(A) = e(Idn )A = EA.

Hagamos la demostracion de la prueba para matrices 2 × 2.

La prueba en general es similar.

Demostración.

E1. Si c ̸= 0, y sea e la operacion elemental de multiplicar por c la primera

fila. Entonces, E = e(Id2 ) resulta en la matriz elemental
 
c 0
E= .
0 1

Ahora bien,
  
c 0 a11 a12
EA =
0 1 a21 a22
   
c · a11 + 0 · a21 c · a12 + 0 · a22 c · a11 c · a12
= = = e(A).
0 · a11 + 1 · a21 0 · a12 + 1 · a22 a21 a22

De forma analoga se demuestra en el caso que la operacion elemental sea

multiplicar la segunda fila por c.

4 ALGEBRA DE MATRICES. 77
 19 de octubre de 2022

E2. Sea c ∈ K, y sea e la operacion elemental de a la fila 2 sumarle la fila 1

multiplicada por c. Entonces E = e(Id2 ) resulta en la matriz elemental:
 
1 0
E= .
c 1

Ahora bien,
    
1 0 a11 a12 a11 a12
EA = = = e(A).
c 1 a21 a22 c · a11 + a21 c · a12 + a22

La demostracion es analoga si la operacion elemental es sumar a la fila 1

la fila 2 multiplicada por c.
E3. Finalmente, sea e intercambiar la fila 1 por la fila 2. Entonces, E = e(Id2 )
es la matriz elemental  
0 1
E= .
1 0
Ahora bien,
    
0 1 a11 a12 a a22
EA = = 21 = e(A).
1 0 a21 a22 a11 a12

Corolario 1. Sean A y B matrices m × n. Entonces

◦ B equivalente por filas a A si y solo si B = P A donde P es producto
de matrices elementales.
Mas aun,

◦ si e1 , e2 , . . . , ek son operaciones elementales de fila y Ei = ei (Id),

entonces

B = ek (ek−1 (· · · (e1 (A)) · · · )) ⇒ B = Ek Ek−1 · · · E1 A.

4 ALGEBRA DE MATRICES. 78
 19 de octubre de 2022

Demostración (⇒). Si B equivalente por filas a A existen operaciones elemen-

tales e1 , . . . , ek tal que

B = ek (ek−1 (· · · (e1 (A)) · · · )).

Mas formalmente, si

◦ A1 = e1 (A),
◦ Ai = ei (Ai−1 ) para i = 2, . . . , k, y
◦ ek (Ak−1 ) = B.

Entonces, si Ei = ei (Idm ), por el teorema anterior

◦ A1 = E1 A.
◦ Ai = Ei Ai−1 para i = 2, . . . , k, y
◦ Ek Ak−1 = B.

En otras palabras

B = PA con P = Ek Ek−1 · · · E1 .

Demostración (⇐). Si B = P A, con P = Ek Ek−1 · · · E1 donde Ei = ei (Idm ) es

una matriz elemental, entonces (razonamiento similar al anterior)

B = P A = Ek Ek−1 · · · E1 A.

Mas formalmente, si
◦ A1 = E1 A,

◦ Ai = Ei Ai−1 para i = 2, . . . , k, y
◦ Ek Ak−1 = B.
Luego, por el teorema anterior,

◦ A1 = e1 (A),
◦ Ai = ei (Ai−1 ) para i = 2, . . . , k, y
◦ ek (Ak−1 ) = B.
Por lo tanto, B es equivalente por filas a A.

4 ALGEBRA DE MATRICES. 79
 19 de octubre de 2022

Matrices invertibles.

Definición 28. Sea A una matriz n × n con coeficientes en K.

Una matriz B ∈ Mn×n (K) es inversa de A Si BA = AB = Idn .

En ese caso, diremos que A es invertible.

  1 1
2 −1
Por ejemplo. La matriz tiene inversa 2 2 pues es facil comprobar
0 1 0 1
que   1 1   1 1    
2 −1 2 2 1 0 2 −1 1 0
= y 2 2 = .
0 1 0 1 0 1 0 1 0 1 0 1

Preguntas (y respuestas).

◦ ¿Toda matriz no nula tiene inversa?

Respuesta: no, por ejemplo  
0 1
0 0

◦ Si la matriz tiene una inversa ¿es unica?

Respuesta: si. Se vera a continuacion.
◦ Si BA = Idn ¿es cierto que AB = Idn ? Es decir, ¿si A tiene inversa a
izquierda, entonces tiene inversa a derecha y es la misma matriz?
Respuesta: si. Se vera mas adelante.

Proposición 16. Sea A ∈ Mn×n (K),

(1) sean B, C ∈ Mn×n (K) tales que BA = Idn y AC = Idn , entonces B = C;

(2) si A invertible la inversa es unica.

Demostración.
1.
B = BIdn = B(AC) = (BA))C = Idn C = C.

2. Sean B y C inversas de A, es decir BA = AB = Idn y CA = AC = Idn .

En particular, BA = Idn y AC = Idn , luego, por 1., B = C.

4 ALGEBRA DE MATRICES. 80
 19 de octubre de 2022

Definición 29. Sea A ∈ Mn×n (K) invertible. A la unica matriz inversa de

A la llamamos la matriz inversa de A y la denotamos A−1 .

Por ejemplo. Sea A la matriz

 
2 1 −2
1 1 −2 .
−1 0 1

Entonces, A es invertible y su inversa es

 
1 −1 0
A−1 = 1 0 2 .
1 −1 1

Esto se resuelve comprobando que AA−1 = Id3 y A−1 A = Id3 .

Teorema 17. Sean A y B matrices n × n con coeficientes en K. Entonces

◦ si A invertible, entonces A−1 es invertible y su inversa es A, es decir

(A−1 )−1 = A;

Demostración.
AA−1 = Idn ⇒ la inversa a izquierda de A−1 es A,
A−1 A = Idn ⇒ la inversa a derecha de A−1 es A,

Concluyendo: A es la inversa de A−1 .

Teorema 18. Sean A y B matrices n × n con coeficientes en K. Entonces

◦ si A y B son invertibles, entonces AB es invertible y

(AB)−1 = B −1 A−1 .

Demostración. Simplemente debemos comprobar que B −1 A−1 es inversa a iz-

quieda y derecha de AB:

(B −1 A−1 )AB = B −1 (A−1 A)B = B −1 Idn B = B −1 B = Idn .

Analogamente,

AB(B −1 A−1 ) = A(BB −1 )A−1 = AIdn A−1 = AA−1 = Idn .

4 ALGEBRA DE MATRICES. 81
 19 de octubre de 2022

Observación. Si A1 , . . . , Ak son invertibles, entonces A1 . . . Ak es invertible y

su inversa es
(A1 . . . Ak )−1 = A−1 −1
k . . . A1 .

El resultado es una generalizacion del teorema anterior y su demostracion se

hace por induccion en k (usando el teorema anterior). Se deja como ejercicio al
lector.
Observación. La suma de matrices invertibles no necesariamente es invertible,
por ejemplo A + (−A) = 0 que no es invertible.

Teorema 19. Una matriz elemental es invertible.

Demostración.

Sea E la matriz elemental que se obtiene a patir de Idn por la operacion ele-
mental e. Sea e′ la operacion elemental inversa y E ′ = e′ (Idn ). Entonces

EE ′ = e(e′ (Idn )) = Idn ,

E ′ E = e′ (e(Idn )) = Idn .

Luego E ′ = E −1 .

Es facil encontrar explicitamente la matriz inversa de una matriz elemental, por

ejemplo, en el caso 2 × 2 tenemos:
1. Si c ̸= 0,
 −1    −1  
c 0 1/c 0 1 0 1 0
= y = 1/c
,
0 1 0 1 0 c 0

2. si c ∈ K,
 −1    −1  
1 0 1 0 1 c 1 −c
= y = .
c 1 −c 1 0 1 0 1

3. Finalmente,
 −1  
0 1 0 1
= .
1 0 1 0

Lema 1. Sea R ∈ Kn×n . Entonces

R es M ERF ∧ R es invertible ⇒ R = Idn .

4 ALGEBRA DE MATRICES. 82
 19 de octubre de 2022

Demostración. Supongamos que la r11 = 0. Como R es M ERF ⇒ C1 = 0.

Sea t ̸= 0 en K. Como C1 = 0,
      
t 0 ∗ ··· ∗ t 0
0 0 ∗ · · · ∗ 0 0
R . = .   ..  =  ..  .
      
.
. . .  . .
0 0 ∗ ··· ∗ 0 0

Luego, como R tiene inversa:

         
t t t 0 0
0 0 0 0 0
 ..  = Id  ..  = R−1 R  ..  = R−1  ..  =  ..  .
         
. . . . .
0 0 0 0 0

Esto nos dice que t = 0, lo cual es absurdo pues habiamos partido de t ̸= 0. Por
lo tanto  
1 ∗ ··· ∗
0 ∗ · · · ∗
R = . .
 
 .. 
0 ∗ ··· ∗
Por induccion podemos probar que R = Idn .

4 ALGEBRA DE MATRICES. 83
 19 de octubre de 2022

Teorema 20. Sea A matriz n × n con coeficiences en K. Las siguientes

afirmaciones son equivalentes
i A es invertible,

ii A es quivalente por filas a Idn ,

iii A es producto de matrices elementales.

Demostración.
i) ⇒ ii) Sea R una M ERF que se obtiene de A.

◦ Existen E1 , . . . , Ek matrices elementales tal que E1 · · · Ek A = R.

◦ Como E1 , . . . , Ek , A invertibles ⇒ E1 · · · Ek A invertible.
◦ R es M ERF e invertible ⇒ R = Idn .
◦ A es equivalente por filas a R = Idn .

ii) ⇒ iii)
◦ A es equivalente por filas a Idn ⇒ existen E1 , · · · , Ek matrices ele-
mentales tal que E1 · · · Ek A = Idn .
◦ Sean F1 , . . . , Fk las inversas de E1 , . . . , Ek , respectivamente ⇒

Fk · · · F1 E1 · · · Ek A = A.

◦ Como E1 · · · Ek A = Idn ⇒ Fk · · · F1 Idn = A.

◦ Como multiplicar por Idn deja igual la matriz,

Fk · · · F1 = A.

iii) ⇒ i) Sea A = E1 E2 · · · Ek donde Ei es una matriz elemental (i = 1, . . . , k).

Como cada Ei es invertible, el producto de ellos es invertible, por lo tanto
A es invertible.

4 ALGEBRA DE MATRICES. 84
 19 de octubre de 2022

Corolario 2. Sean A y B matrices m × n. Entonces, B es equivalente por

filas a A si y solo si existe matriz invertible P de orden m × m tal que
B = P A.

Demostración.
(⇒)
◦ B es equivalente por filas a A ⇒ ∃E1 , . . . , Ek matrices elementales tal
que B = E1 · · · Ek A.
◦ Sea P = E1 · · · Ek , luego B = P A.

◦ Cada Ei es invertible ⇒ P = E1 · · · Ek es invertible.

(⇐)
◦ Sea P matriz invertible tal que B = P A.

◦ Como P es invertible ⇒ P = E1 · · · Ek , producto de matrices elementales.

◦ Por lo tanto, B = P A = E1 · · · Ek A es equivalente por filas a A.

Corolario 3. Sea A matriz n × n. Sean e1 , . . . , ek operaciones elementales

por filas tal que
e1 (e2 (· · · (ek (A)) · · · )) = Idn . (*)
Entonces, A invertible y

e1 (e2 (· · · (ek (Idn )) · · · )) = A−1 . (**)

Demostración.
◦ (*) ⇒ A es equivalente por filas a Idn ⇒ A es invertible.

◦ Sean las matrices elementales Ei = ei (Idn ) para i = 1, . . . , k, entonces

E1 E2 · · · Ek A = Idn , por lo tanto,

E1 E2 · · · Ek AA−1 = Idn A−1

⇕
E1 E2 · · · Ek Idn = A−1
⇕
e1 (e2 (· · · (ek (Idn )) · · · )) = A−1 .

4 ALGEBRA DE MATRICES. 85
 19 de octubre de 2022

Este ultimo corolario nos provee un metodo sencillo para calcular la inversa de
una matriz cuadrada A invertible.
1 Aplicando operaciones elementales e1 , . . . , ek encontraremos R = Idn la
M ERF de A.

2 Aplicando las operaciones elementales e1 , . . . , ek a Idn , obtenemos A−1 la

inversa de A.
Para facilitar el calculo es conveniente comenzar con A e Idn e ir aplicando
paralelamente las operaciones elementales por fila.
Por ejemplo. Calculemos la inversa (si tiene) de
 
2 −1
A= .
1 3

Solucion. Trataremos de reducir por filas a A y todas las operaciones elemen-

tales las haremos en paralelo partiendo de la matriz identidad:
   
  2 −1 1 0 F1 ↔F2 1 3 0 1
A Id = −−−−−→
1 3 0 1 2 −1 1 0
   
F2 −2F1 1 3 0 1 F2 /(−7) 1 3 0 1
−−−−−→ −−−−−→
0 −7 1 −2 0 1 − 17 27 ]
3 1
 
F −3F2 1 0
−−1−−−→ 7
1
7 .
2
0 1 −7 7

Luego, A es invertible y su inversa es

3 1
 
A−1 = 7 7 .
− 17 2
7

◦ El lector desconfiado podra comprobar, haciendo el producto de matrices,

que AA−1 = A−1 A = Id2 .

4 ALGEBRA DE MATRICES. 86
 19 de octubre de 2022

Teorema 21. Sea A matriz n × n con coeficientes en K. Entonces, las

siguientes afirmaciones son equivalentes.
i) A es invertible.

ii) El sistema AX = Y tiene una unica solucion para toda matriz Y de

orden n × 1.
iii) El sistema homogeneo AX = 0 tiene una unica solucion trivial.

i) ⇒ ii) Sea X0 solucion del sistema AX = Y , luego

AX0 = Y ⇒ A−1 AX0 = A−1 Y ⇒ X0 = A−1 Y.
Es decir, X0 es unico (siempre igual a A−1 Y ).

ii) ⇒ iii) Es trivial, tomando Y = 0.

iii) ⇒ i)
◦ Sea R la M ERF equivalente a A.
◦ Si R tiene una fila nula, entonces el sistema AX = 0 tiene mas de una
solucion, contradiciendo la hipotesis.
◦ Por lo tanto, R no tiene filas nulas.
◦ Como R es una matriz cuadrada y es M ERF , tenemos que R = Idn .

Corolario 4. Sea A una matriz n × n con coeficientes en K.

1. Si existis B matriz n × n tal que BA = Idn , entonces AB = Idn .
(A tiene inversa a izquierda ⇒ es invertible).

2. Si existe C matriz n × n tal que AC = Idn , entonces CA = Idn .

(A tiene inversa a derecha ⇒ es invertible).

Demostración.
1. Sea B tal que BA = Idn . El sistema AX = 0 tiene una unica solucion,
pues
AX0 = 0 ⇒ BAX0 = B0 = 0 ⇒ Idn X0 = 0 ⇒ X0 = 0.
Luego, A es invertible (y su inversa es B).
2. Sea C tal que AC = Idn . Luego A es la inversa a izquierda de C. Por lo
que demostramos mas arriba, C es invertible y su inversa es A, es decir
AC = Idn y CA = Idn , luego C es invertible.

El siguiente teorema reune algunos resultados ya demostrados.

4 ALGEBRA DE MATRICES. 87
 19 de octubre de 2022

Teorema 22. Sea A ∈ Kn×n . Las siguientes afirmaciones son equivalentes

1. A es invertible,
2. A es equivalente por fila a Idn ,
3. el sistema AX = 0 tiene solucion unica (la trivial),
4. el sistema AX = Y tiene slucion unica para todo Y ∈ Kn (la solucion
es A−1 Y ),
5. A es el producto de matrices elementales,
6. existe B matriz n × n tal que BA = Id,
7. existe C matriz n × n tal que AC = Id,

8. det(A) ̸= 0 (esto lo veremos mas adelante).

Matrices invertibles 2 × 2.
 
a b
Dados a, b, c, d, ∈ R, determinaremos cuando la matriz A = es invertible
c d
y en ese caso, cual es su inversa.

Solucion.

Para poder aplicar el metodo de Gauss-Jordan debemos analizar dos casos:

a ̸= 0 y a = 0.
Caso 1 a ≠= 0.
Como a ̸= 0, entonces
   
"
b
# b b

a

b F1 /a 1 F2 −cF1 
1 1
−−−→ a −−−−−→  a  = a 
c d b   ad − bc 
c d 0 d−c 0
c a
Caso 1.1 a ̸= 0 y ad − bc = 0.
Si ad − bc = 0, entonces la matriz se encuentra reducida por filas y la
ultima fila es 0, luego en ese caso no es invertible.
Caso 1.2 a ̸= 0 y ad − bc ̸= 0.
Entonces
 
b "
b
#
1 a/(ad−bc)F2 1 F1 −b/aF2

1 0

a
ad − bc  −−−−−−−−→ −−− −−− → .
 
 a 0 1
0 0 1
a
Luego, en este caso a ̸= 0, ad − bc ̸= 0 hemos reducido por filas la matriz
A a la identidad y por lo tanto A es invertible.

4 ALGEBRA DE MATRICES. 88
 19 de octubre de 2022

Ademas, podemos encontrar A−1 aplicando a Id2 las mismas operaciones ele-
mentales que reducian a A a la identidad:
"
1
# 
1
  1 
0 0
 
1 0 F1 /a 0 F −cF
 ac a/(a−bc)F 2
ac F1 −b/aF2
−−−→ a −−2−−−→ 1
 −−−−−−−→  a  −−−−−−→
0 1 0 1 − 1 −
a ad − bc ad − bc
   
1 bc b d b
F1 −b/aF2  + − −
−−−−−−→  a a(ad − bc) ad − bc 
 =  ad −c bc
 ad − bc 
.
c a a
− −
ad − bc ad − bc ad − bc ad − bc
Concluyendo, en el caso a ̸= 0, ad − bc ̸= 0, A es invertible y
 
1 d −b
A =−1
. (1)
ad − bc −c a
Caso 2. a = 0.

Si c = 0 o b = 0, entonces la matriz no es invertible, pues en ambos casos

nos quedan matrices que no pueden ser reducidas por fila a la identidad.

Luego la matriz puede ser invertible si bc ̸= 0 y en este caso la reduccion por

filas es:
d d
    " # " #  
0 b F1 ↔F2 c d F1 /c 1 F2 /b 1 F1 −d/cF2 1 0
−−−−−→ −−−→ c −−−→ c −−− −−− → .
c d 0 b 0 b 0 1 0 1

Luego, A es invertible y aplicando estas mismas operaciones elementales a la

identidad obtenemos la inversa:
   
"
1
# 1 d 1
F2 /b  0 F1 −d/cF2 −
   
1 0 F1 ↔F2 0 1 F1 /c 0 c
−−−−−→ −−−→ c −−−→  1  −−−−−−→  1bc c  .

0 1 1 0 1 0 0 0
b b
Es decir, en el caso que a = 0, entonces A invertible si bc ̸= 0 y su inversa es
 d 1
−  
 bc c  1 d −b
−1
A = = . (2)
1 −bc −c 0
0
b
Es decir, la expresion de la inversa es igual a (1) (considernado que a = 0).

Reuniendo los dos casos: de (1) y (2) se deduce:

 
a b
es invertible ⇔ ad − bc ̸= 0,
c d
y en ese caso, su inversa viene dada por
 −1  
a b 1 d −b
= .
c d ad − bc −c a

4 ALGEBRA DE MATRICES. 89
 19 de octubre de 2022

Observación. Definiremos det(A) := ad − bc. Luego,

◦ A invertible si y solo si det(A) ̸= 0.
◦ Veremos mas adelante que el uso de determinantes permitira establecer
la generalizacion de este resultado para matrices n × n con n ≥ 1.

5. Determinantes.
El determinante es una funcion que a cada matriz cuadrada n×n con coeficientes
en K, le asocia un elemento de K.

det : Kn × Kn −−−−−−−−−−−→ K

 

aij −−−−−−−−−−−→ det aij

Formas de definir determinante.

◦ Una forma de definir determinante es con una formula cerrada que usa
el grupo de permutaciones. Esta forma de definir determinante esta fuera
del alcance de este curso.

◦ La forma que usaremos nosotros para definir determinante es mediante

una definicion recursiva.
◦ Es decir para calcular el determinante de una matriz n × n, usaremos el
calculo del determinante para matrices n − 1 × n − 1,

◦ que a su vez se calcula usando el determinante de matrices n−2×n−2

◦ y asi sucesivamente hasta llegar al caso base, que es el caso de
matrices 1 × 1.

Del determinante, permite, entre otras cosas

◦ determinar si una matriz cuadrada es invertible,
◦ dar una formula cerrada para la inversa de una matriz invertible.

Para dar la definicion del determinante de una matriz cuadrada A usaremos

submatrices de la matriz A.

5 DETERMINANTES. 90
 19 de octubre de 2022

Definición 30. Sea A ∈ Kn×n y sean i, j tales que 1 ≤ i, j ≤ n. Entonces

A(i|j) ∈ Kn−1×n−1

es la matriz que se obtiene eliminando la fila i y la columna j de A.

··· ··· ···

 
a11 a1j a1n
 .. .. .. 
 . . . 
 
 ai1 ··· ··· aij ··· ain 
A(i|j) =  .. .. .. 
 
 . . . 
 .. .. .. 
 
 . . . 
am1 ··· ··· amj ··· amn
(tacho la fila i y la columna j.)

Mas precisamente,

··· ··· ···

 
a11 a1j−1 a1j+1 a1n
 .. .. .. .. 
 . . . . 
 
ai−11
 · · · · · · ai−1j−1 ai−1j+1 ··· ai−1n 
A(i|j) = ai+11
 · · · · · · ai+1j−1 ai−1j+1 ··· ai+1n 
 .. .. .. .. 

 . . . . 
 . .. .. .. 
 
 .. . . . 
am1 · · · · · · amj−1 amj+1 ··· amn

Por ejemplo.
 
1 2 3    
4 6 5 6
Si A = 4 5 6 , entonces A(1|2) =
  , A(1|1) = .
7 9 8 9
7 8 9
 
−1 3 2 5  
−2 7 2 6  −1 2 5
Si A = 
−3 2 1 11 , entonces A(3|2) = −2 2 6
  
−4 5 −3
−4 5 3 −3

5 DETERMINANTES. 91
 19 de octubre de 2022

Definición 31. Sea n ∈ N y A = aij ∈ Kn×n , entonces el determinante

 

de A, denotado det(A) o |A|, se define como

1. Si n = 1, detA = a11

2. Si n > 1,

detA = a11 detA(1|1)) − a21 detA(2|1) + · · · + (−1)1+n an1 detA(n|1),

o
n
X
detA = (−1)1+i ai1 detA(i|1).
i=1

Si 1 ≤ i, j ≤ n,
◦ detA(i|j) : menor i, j de A.
◦ Cij := (−1)i+j detA(i|j) : cofactor i, j de A.
Luego
X n
detA = Ai1 Ci1 .
i=1

Este es el calculo del determinante por desarrollo de la primera columna pues

para calcular el determinante estamos usando los coeficientes de la primera
columna:
a11 , a21 , · · · , an1 .
Determinante 2 × 2.
Calculemos el determinante de las matrices 2 × 2. Sea
 
a b
A= ,
c d
entonces    
detA = a det d − c det b
= ad − bc.
 
a11 a12
Observación. Si A = , entonces det(A) = a11 a22 − a12 a21
a21 a22
(solo es notacion).
 
1 2
Por ejemplo. Si A = , entonces det(A) = 1 · 4 − 3 · 2 = −2.
3 4
Por ejemplo. Si  
cosθ −senθ
A= ,
senθ cosθ
entonces
det(A) = cos2 θ + sen2 θ = 1.

5 DETERMINANTES. 92
 19 de octubre de 2022

Hemos visto en la clase anterior que A es invertible si y solo si ad − bc ̸= 0, es

decir
A es invertible si y solo si detA ̸= 0.
Mas aun, la formula de la inversa de A es
 
1 d c
A−1 = .
det(A) b a

Se puede reescribir como

 
1 C11 C12
A−1 = .
det(A) C21 C22

Esta formula se puede generalizar a matrices n × n.

Determinantes 3 × 3.

Sea  
a11 a12 a13
A = a21 a22 a23  ,
a31 a32 a33
entonces
     
a a23  a a13  a a13 
detA = a11  22 − a21  12 + a31  12
a32 a33  a32 a33  a22 a23 

= a11 (a22 a33 − a23 a32 ) − a21 (a12 a33 − a13 a32 ) + a31 (a12 a23 − a13 a22 )
= a11 a22 a33 − a11 a22 a32 − a12 a21 a33 + a13 a21 a32 + a12 a23 a31 − a13 a22 a31 .
Observación. Observar que el determinante de una matriz 3 × 3 es una su-
matoria de seis terminos cada uno de los cuales es de la forma ±a1i1 a2i2 a3i3 e
i1 i2 i3 puede ser cualquier permutacion de 123.

Es decir X
|A| = ±a1σ(1) a2σ(2) a3σ(3) ,
σ∈S3

donde S3 son las permutaciones de 3 elementos.

La formula

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

no es facil de recordar, pero existe un procedimiento sencillo que nos permite

obtenerla.

5 DETERMINANTES. 93
 19 de octubre de 2022

Calculo de |A|:
1. a la matriz original le agregamos las dos primeras filas al final,
2. sumamos cada “producto” de las diagonales descendentes y
3. restamos cada “producto de las diagonales ascendentes.”

+
a11 a12 a13
+
a21 a22 a23
+
a31 a32 a33
− a a12 a13
11

− a a22 a23
21

Es decir,
(a) se suman a11 a22 a33 , a21 a32 a13 , a31 a12 a23 , y

(b) se restan a31 a22 a13 , a11 a32 a23 , a21 a12 a33
obteniendose nuevamente

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

Por ejemplo. Si  
1 2 3
A = 4 5 6 .
6 8 9
Calculamos:
+
+ 1 2 3
+ 4 5 6
7 8 9
− 1 2 3
− 4 5 6
−

Entonces det(A) = 45 + 96 + 84 − 105 − 48 − 72 = 0.

5 DETERMINANTES. 94
 19 de octubre de 2022

Por ejemplo. Calculemos el determinante de una matriz 4 × 4

 
1 1 1 1        
 2 3 0 1 1 1 1 1 1 1 1 1
1 2 3 0    

0 1 2 = 1 1 2 3 − 1 1
 2 3 + 0 2
 3 0 − 2 2
 3 0
3 2 1

2 2 1 1 2 1 1 2 1 1 1 2 3
1
= 13 − 3 + 0 − 8
= 2.

Por ejemplo. Las formulas para n = 2 y n = 3 son un caso particular de la

formula X
det(A) = sgn(σ)a1σ(1) a2σ(2) · · · anσ(n)
σ∈Sn

valida para todo n, la cual tiene n! terminos.

(Sn es el conjunto de permutaciones de {1, . . . , n} y sgn : Sn → {1, −1} es

una funcion, llamada funcion signo.)
Observación.
◦ Del modo que lo presentamos, el determinante no es mas que una formula
que le aplicamos a una matriz. Pero aqui solo estamos viendo el producto
final de años y años de estudio.
◦ De hecho, el determinante existio antes que las matrices y se lo utilizaba
para “determinar” cuando un sistema de n ecuaciones con n incognitas
tiene solucion unica (si y solo si el determinante es no nulo).

◦ Tambien tiene otras aplicaciones.

◦ Se puede googlear “determinante” (o “determinant” en ingles) o leer la
pagina de Wikipedia para saber mas.
Viendo la formula del determinante

det(A) = a11 detA(1|1) − a21 detA(2|1) + · · · + (−1)1+n an1 detA(n|1)

notamos que mientras mas ceros tenga la primera columna (o sea, mas ai1 ’s
iguales a 0), menos cuentas deberemos hacer.

Por ejemplo, si A es triangular superior o una M ERF .

5 DETERMINANTES. 95
 19 de octubre de 2022

Determinante de una matriz triangular superior.

Proposición 23. El determinante de una matriz triangualr superior es el pro-

ducto de los elementos de la diagonal
 
a11 a12 a13 · · · a1n 
 
 0 a22 a23 · · · a2n 
 
 0 0 a33 · · · a3n  = a11 · a22 · a33 · · · aa
 .. .. .. .. ..  nn

 .
 . . . . 

 0 0 0 · · · ann 

(esto aplica tambien a las matrices diagonal).

Demostración. Podemos demostrar el resultado por induccion sobre n.

Si n = 1, es decir si A = d1 , el determinante vale d1 .

 

Si n > 1, observemos que A(1|1) es tambien triangular superior con valores

d2 , . . . , dn en la diagonal principal.

Por definicion de determinante observamos que el desarrollo por la primera

columna solo tiene un termino (d1 ) en la primera posicion.

Por lo tanto,
(HI)
det(A) = d1 detA(1|1) = d1 · (d2 · · · dn ).

Casos particulares.

Corolario 1.
det(Idn ) = 1

Corolario 2. Si R ∈ Kn×n es una M ERF , entonces

(
1 si R no tiene filas nulas
det(R) =
0 si R tiene filas nulas

5 DETERMINANTES. 96
 19 de octubre de 2022

Volvamos a la formula del determinante

det(A) = a11 detA(1|1) − a21 detA(2|1) + · · · + (−1)1+nan1 detA(n|1)

y a la observacion de que con mas ceros en la primera columna menos cuentas

deberemos hacer.

Con las operaciones elementales por filas podemos anular las entradas no nulas
como lo haciamos para transformar una matriz en M ERF .

Entonces deberiamos analizar como estas operaciones afectan en el calculo del

determinante.

Teorema 24 (E1). Sea A ∈ Kn×n y c ∈ K no nulo. Sea

cF
i
A −−→ B,

entonces,
det(B) = c det(A).

Por ejemplo (verificar cuentas).

   
1 2 10F1 10 20
A= −−−→ B = ,
3 4 3 4
y    
10 20 1 2
det = −2 = 10det .
3 4 3 4

Teorema 25 (E2). Sean A ∈ Kn×n y 1 ≤ s, t ≤ n con s ̸= t. Sea t ∈ K y

F +tF
A −−r−−−→
s
B,

entonces
det(B) = det(A).

Por ejemplo (verificar cuentas).

   
1 2 F2 +10F1 1 2
A= −−−−−−→ B = ,
3 4 13 24
y    
1 2 1 2
det = −2 = det .
13 14 3 4

5 DETERMINANTES. 97
 19 de octubre de 2022

Teorema 26 (E3). Sean A ∈ Kn×n . Sea

F ↔F
A −−r−−−→
s
B,

entonces
det(B) = −det(A)

Por ejemplo (verificar cuentas).

   
1 2 F2 ↔F1 3 4
A= −−−−−→ B = ,
3 4 1 2
y    
3 4 1 2
det = 2 = −det .
1 2 3 4
Observación.
◦ En todos los casos det(B) = k det(A) para algun k ∈ K no nulo.

◦ A partir de lo anterior podemos plantear una estrategia general para

calcular el determinante.
Proposición 27. Sea A matriz n × n y C matriz que se obtiene de A a partir
de operaciones elementales de fila. Luego det(C) = k det(A), para k ̸= 0 en K.

Estrategia para calcular el determinante de A ∈ Kn×n .

1. Realizando l operaciones elementales de fila obtenemos a partir de A una

matriz triangular superior C.
2. Luego,
det(C) = kl · · · k1 det(A)

3. Como C es triangular superior, el determinante de C es el producto de la

diagonal.

4. Entonces, podemos despejar

1
det(A) = det(C)
kl · · · k1

5 DETERMINANTES. 98
 19 de octubre de 2022

 
0 2 3
Por ejemplo. Calcular el determinante de A = 2 −1 7
1 3 0
Solucion.

Primero, le aplicamos operaciones elementales a A hasta obtener una matriz

triangular superior.
     
0 2 3 1 3 0 1 3 0
F1 ↔F2 F2 −2F1
A = 2 −1 7 −−−−−→ 2 −1 7 −−−−−→ 0 −7 7
1 3 0 0 2 3 0 2 3
   
− 17 F2
1 3 0 1 3 0
F −2F2
−−− −→ 0 1 −1 −−3−−−→ 0 1 −1 = C
0 2 3 0 0 5

Entonces
C = e4 (e3 (e2 (e1 (A))))
donde e1 , e2 , e3 y e4 denotan las operaciones elementales aplicadas en cada paso.
Ahora calculemos e determinante de C usando Teoremas Ei:
 
1 3 0
5 = det 0 1 −1 = det(e4 (e3 (e2 (e1 (A))))).
0 0 5

1
Donde e4 = F3 − 2F2 , e3 = − F2 , e2 = F2 − 2F1 , e1 = F1 ↔ F3 .
7
Luego,
5= det(e4 (e3 (e2 (e1 (A)))))
Teorema E2
= det(e3 (e2 (e1 (A))))
Teorema E1 1
= − det(e2 (e1 (A)))
7
Teorema E2 1
= − det(e1 (A))
7
Teorema E3 1
= − · (−1) · det(A)
7
De esta igualdad podemos despejar det(A)

detA = 7 · 5 = 35.

5 DETERMINANTES. 99
 19 de octubre de 2022

Mas adelante veremos resultados de suma utilidad:

Teorema 28. Sean A y B matrices n × n. Entonces

1. det(AB) = det(A)det(B),
2. A es invertible si y solo si det(A) ̸= 0,
1
3. Si A invertible, det(A−1 ) = .
det(A)

Recordemos

Teorema 29. Sea A ∈ Kn×n .

E1. Si c ∈ K no nulo,
icF
A −−→ B ⇒ det(B) = c det(A).

E2. Si 1 ≤ s, t, ≤ n con s ̸= t y t ∈ K:
F +tF
A −−r−−−→
s
B ⇒ det(B) = det(A).

E3.
F ↔F
A −−r−−−→
s
B ⇒ det(B) = −det(A).

Corolario 5. A ∈ Kn×n .
1. Si A tiene dos filas iguales, entonces det(A) = 0.
2. Si A tiene una fila nula, entonces det(A) = 0.

Demostración.
1. Si Fr = Fs con r ̸= s. Entonces
F ↔F
A −−r−−−→
s
A T. E3 det(A) = −det(A).

Luego det(A) = 0.
2. Si Fr = 0,
2F
r
A −−→ A T. E1 det(A) = 2det(A).

Luego det(A) = 0.

5 DETERMINANTES. 100
 19 de octubre de 2022

Corolario 6. Sea E = e(Idn ), matriz elemental en Kn×n .

E1. Si c ∈ K no nulo,
cF
i
Idn −−→ E ⇒ det(E) = c.

E2. Si 1 ≤ s, t ≤ n con s ̸= t y t ∈ K:
F +tF
Idn −−r−−−→
s
E ⇒ det(E) = 1.

E3.
F ↔F
Idn −−r−−−→
s
E ⇒ det(E) = −1.

Demostración. Se demuestra trivialmente considerando que en todos los casos

E = e(Idn ) donde e es una operacion elemental por fila, considerando que
det(Idn ) = 1 y aplicando los teoremas E1, E2, y E3.

Teorema 30. Sea A ∈ Kn×n y E una matriz elemental n × n. Entonces

det(EA) = detE detA. (1)

Demostración. En todos los casos EA = e(A) donde e es una operacion elemen-

tal por fila.
cF
(E1) Si c ̸= 0 y Idn −−→
r
E, tenemos det(E) = c y
det(EA) = det(e(A)) = c · det(A) = det(E)det(A).
F +c s
(E2) Si Idn −−r−−−
F
→ E, luego det(E) = 1 y
det(EA) = det(e(A)) = det(A) = det(E) = det(A).

(E3) Ejercicio.

Corolario 7. Sea A = E1 E2 · · · Ek B donde E1 , E2 , · · · , Ek son matrices

elementales. Entonces,

det(A) = det(E1 )det(E2 ) · · · det(Ek )det(B).

Demostración.
det(A) = det(E1 (E2 · · · Ek B)) = det(E1 )det(E2 · · · Ek B),
y asi sucesivamente (induccion).

5 DETERMINANTES. 101
 19 de octubre de 2022

Corolario 8. Sea A = E1 E2 · · · Ek producto de matrices elementales en

Kn×n . Entonces

det(A) = det(E1 )det(E2 ) · · · det(Ek ).

(B = Idn .)

Teorema 31. A ∈ Kn×n es invertible si y solo si det(A) ̸= 0.

Demostración (⇒).

A invertible A = E1 E2 · · · Ek ⇒ det(A) = det(E1 )det(E2 ) · · · det(Ek ). Como

el determinante de matrices elementales es no nulo, det(A) ̸= 0.

Demostración (⇐).

Sean E1 , E2 , . . . , Ek matrices elementales tales que R = E1 E2 · · · Ek A y R es

M ERF . Luego,

det(R) = det(E1 )det(E2 ) · · · det(Ek )det(A).

Como los determinantes de matrices elementales son no nulos

det(R)
= det(A). (*)
det(E1 )det(E2 ) · · · det(Ek )

Supongamos que R no es la identidad.

(∗)
Entonces det(R) = 0 (ver enunciados anteriores) ⇒ det(A) = 0, absurdo.

Luego, R = Idn ⇒ A es equivalente por filas a Idn ⇒ A invertible.

5 DETERMINANTES. 102
 19 de octubre de 2022

Teorema 32. Sean A, B ∈ Kn×n , entonces

det(AB) = det(A)det(B)

Demostración.

- Si A invertible ⇒ A = E1 · · · Ek y AB = E1 · · · Ek B, luego por el Corolario

8 det(AB) = det(E1 ) · · · det(Ek )det(B) = det(A)det(B).
- Si A no invertible ⇒ A = E1 · · · Ek R y R M ERF con la ultima fila nula.
Luego,
◦ RB tiene la ultima fila nula ⇒ det(RB) = 0 (corolario 5),
◦ det(AB) = det(E1 · · · Ek RB) = det(E1 · · · Ek )det(RB) = 0.
◦ Como A no invertible ⇒ det(A) = 0 ⇒ det(A)det(B) = 0.

Corolario 9. Sean A, B matrices n × n, entonces

◦ det(Am ) = det(A)m para m ∈ N.
◦ det(AB) = det(BA).

Demostración.
◦ det(Am ) = det(A · Am−1 ) = det(A) · det(Am−1 ) y se demuestra por
induccion.
◦ det(AB) = det(A)det(B) = det(B)det(A) = det(BA).

Definición 32. Sea A ∈ Rm×n . La transpuesta de A es la matriz At ∈

Rn×m cuyas entradas son definidas por
 t  
A ij = A ji

Por ejemplo. Sea

   
1 2 3 1 4 7
A = 4 5 6 ⇒ At = 2 5 8
7 8 9 3 6 9

At = 4, At 13
       

12
= A 21 = A 31 = 3, etc.

5 DETERMINANTES. 103
 19 de octubre de 2022

Para matrices cuadradas, en general:

 
a11 · · · ai1 ··· a1n
 .. .. .. 
 . . . 
 
A=  ai1 · · · aii ··· ain 
 . .. .. 

 .. . . 
an1 · · · ani ··· ann
Entonces  
a11 ··· ai1 ··· an1
 .. .. .. 
 . . . 
t
 
 a1i
A = ··· aii ··· ani 
 . .. .. 

 .. . . 
a1n ··· ain ··· ann

Teorema 33. El determinante de una matriz cuadrada es igual al deter-

minante de su transpuesta.

Es decir, si A matriz n × n,

det(A) = det(At ).

La demostracion esta en las notas del curso.

Idea de la demostracion. No es dificil ver que
◦ para E matriz elemental det(E t ) = det(E),
◦ (A1 · A2 · · · Ak )t = Atk · · · At2 · At1 .
Sea  
a11 ··· 0 ··· 0
 .. .. .. 
 . . . 
 
 ai1
A= ··· aii ··· 0 
 . .. .. 

 .. . . 
an1 ··· ani ··· ann
triangular inferior. Entonces,
 
a11 ··· ai1 ··· an1
 .. .. .. 
 . . . 
At = 
 
 0 ··· aii ··· ani 
 . .. .. 

 .. . . 
0 ··· 0 ··· ann
es triangular superior.

5 DETERMINANTES. 104
 19 de octubre de 2022

Proposición 34. El determinante de una matriz triangular inferior es igual al

producto de los elementos de la diagonal.
Demostración. La transpuesta de una matriz triangular inferior es una matriz
triangular superior.

Entonces la proposicion es una consecuencia del teorema anterior y la proposi-

cion referida al determinante de una triangular superior.

Observación. La transpuesta transforma filas en columnas y columnas en filas.

Gracias a esta observacion podemos deducir como cambia el determinante de

una matriz al aplicarle “operaciones elementales por columna”.
Por ejemplo. Si una matriz tiene una columna con muchos ceros, podemos
intercambiarla con la primera columna.
   
1 5 7 1 5 1 6 1
2 0 7 1 0 2 7 1
A= 3 0 8 1 −→ B = 0
  
3 8 1
4 0 1 1 0 4 1 1

Entonces
det(A) = −det(B) = −5 detB(1|1)

Por ejemplo. Si una matriz tiene una fila con muchos ceros, entonces inter-
cambio esta con la primera fila, luego transpongo y calculo el determinante.
     
1 2 3 4 5 0 0 0 5 1 6 1
5 0 0 0 1 2 3 4 t
0 2 7 1
A= 6 7 8 9 −→ B = 6 7 8 9 −→ B = 0 3 8 1
    

1 1 1 1 1 1 1 1 0 4 1 1

Entonces
det(A) = −det(B) = −det(B t ) = −5 detB t (1|1)

5 DETERMINANTES. 105
 19 de octubre de 2022

El determinante se puede calcular desarrollando por cualquier columna o fila.

Teorema 35. Sea A matriz n × n, entonces el determinante

◦ se puede calcular el determinante por la columna j asi:

n
X
det(A) = (−1)i+j aij detA(i|j),
i=1

◦ se puede calcular el determinante por la fila i asi:

n
X
det(A) = (−1)i+j aij detA(i|j)
j=1

(la diferencia entre ambas formulas es la variable de la sumatoria)

La demostracion de este teorema (que no la haremos), se basa en dos resultados

que ya mencionamos.

(A) Teorema E3:

F ↔F
A −−r−−−→
s
B ⇒ det(B) = −det(A).

(B)
det(At ) = det(A),

y un resultado que no es dificil demostrar:

(C)
C ↔C F ↔F
A −−r−−−→
s
B ⇔ At −−r−−−→
s
Bt.

Luego,
(D)
(B) (A) (B)
det(B) = det(B t ) = −det(At ) = − det(A).

Usando estos resultados, y un poco de manipulacion de indices, se obtiene una

demostracion del teorema.

5 DETERMINANTES. 106
 19 de octubre de 2022

6. Autovalores y autovectores.

Definición 33. Sea A ∈ Kn×n . Se dice que λ ∈ K es una autovalor de A

si existe v ∈ Kn no nulo tal que

Av = λv.

En ese caso decimos que v es un autovector asociado a λ.

Por ejemplo. 1 es un autovalor de Idn y todo v ∈ Kn es un autovector asociado

a 1 pues
Idn v = 1 · v = v
Observación. El autovalor puede ser 0 pero el autovector nunca puede ser 0.
   
0 1 1
Observación. 0 es un autovalor de y es un autovector asociado a
0 0 0
0 pues       
0 1 1 0 1
= =0
0 0 0 0 0
Observación. La existencia de autovalores dependen del cuerpo donde estamos
trabajando.
Por ejemplo. Sea A ∈ R2×2
 
0 −1
A= .
1 0
Entonces, A no tiene autovalores reales.

Veremos que si permitimos autovalores complejos entonces A si tiene autovalo-

res.

Definición 34. Dado i ∈ {1, . . . , n}, se denota ei al vector de Kn cuyas

coordenadas son todas ceros excepto la coordenada i que es un 1.
 
0
 .. 
.
 
ei = 1

.
 .. 
0

El conjunto {e1 , . . . , en } se llama base canonica de Kn .

     
1 0 0
Por ejemplo. En K3 la base canonica es e1 = 0 , e2 = 1 , e3 = 0.
0 0 1

6 AUTOVALORES Y AUTOVECTORES. 107

 19 de octubre de 2022

Por ejemplo (Matriz diagonal.).

Sea D ∈ Kn×n una matriz diagonal con entradas λ1 , λ2 , . . . , λn . Entonces ei es
un autovector con autovalor λi ∀i ∈ {1, . . . , n}
Demostración. Recordar que la multiplicacion Dei se corresponde con multipli-
car cada fila de e1 por el elemento correspondiente de la diagonal.

Como las filas (en este caso entradas) de ei son todas nulas excepto un 1 en
la entrada i queda  
0
 .. 
.
 
λi  = λi ei
Dei =  
.
 .. 
0

Observación. Puede haber varios autovectores con el mismo autovalor.

Vimos esto en el ejemplo con Id y en el caso de la diagonal si tiene entra-

das iguales sucede lo mismo.

Mas aun el conjunto de todos los autovectores con un mismo autovalor es inva-
riante por la suma y la multiplicacion por escalares.

En particular los multiplos de un autovector son autovectores con el mismo

autovalor.

Definición 35. Sea A ∈ Kn×n y λ ∈ K un autovalor de A. El autoespacio

asociado a λ es
Vλ = {v ∈ Kn |Av = λv}.
Es decir, Vλ es el conjunto formado por todos los autovectores asociados a
λ y el vector nulo.

Teorema 36. Si v y w pertenecen al autoespacio de A asociado a λ,

entonces v + tw tambien pertenece a Vλ .

Demostración.

A(v + tw) = Av + tAw = λv + tλw = λ(v + tw).

6 AUTOVALORES Y AUTOVECTORES. 108

 19 de octubre de 2022

Proposición 37. Un autovector no puede tener dos autovalores distintos.

Por lo tanto autovectores con autovalores distintos son distintos.

Demostración. Supongamos que Av = λv y Av = µv. Entonces λv = µv y por
lo tanto    
(λ − µ)v1 0
.
.. .
(λ − µ)v =   =  .. 
  

(λ − µ)vn 0
Como v ̸= 0 por ser autovector, alguna de sus coordenadas es no nula. Entonces
λ − µ tiene que ser 0 (para anular esa coordenada) o dicho de otro modo λ = µ.

Problema. Hallar los autovalores de A ∈ Kn×n y para cada autovalor, des-

cribir explicitamente o parametricamente el autoespacio asociado.
◦ En otras palabras nos preguntamos que λ ∈ K y que v ∈ Kn satisfacen

Av = λv ⇐⇒ Av − λv = 0 ⇐⇒ (A − λ Id)v = 0.

◦ La ultima igualdad es un sistema de ecuaciones lineales. Queremos ver en-

tonces si existe un v ∈ Kn no nulo que sea solucion del sistema homogeneo

(A − λ Id)X = 0. (*)

◦ Un sistema BX = 0 tiene solucion no trivial si y solo si det(B) = 0. Por

lo tanto (*) tiene solucion no trivial si y solo si

det(A − λ Id) = 0.

Conclusion. λ ∈ K es un autovalor de A y v ∈ Kn es un autovector asociado

a λ si y solo si
◦ det(A − λ Id) = 0.
◦ v es solucion del sistema homogeneo (A − λ Id)X = 0

Esta es casi la respuesta a nuestro problema. Para dar una respuesta mas ope-
rativa introduciremos el siguiente polinomio.

6 AUTOVALORES Y AUTOVECTORES. 109

 19 de octubre de 2022

Definición 36. Sea A ∈ Kn×n . El polinomio caracteristico de A es

χA (x) = det(A − x Id)

Por ejemplo. El polinomio caracteristico de Idn es

χIdn (x) = (1 − x)n

Demostración. Id − x Id = (1 − x)Id es una matriz diagonal con (1 − x) en

todas las entradas de la diagonal. Entonces el determinante es el producto de la
diagonal.

En genera, si A = aij matriz n × n, tenemos que

 

 
a11 − x a12 ··· a1n
 a21 a22 − x ··· a2n 
χA (x) = det(A − x Id) = det  . .. .. ..
 
 .. . . .


an1 an2 ··· ann − x

y el polinomio caracteristico de A es un polinomio de grado n, mas precisamente

χA (x) = (−1)n xn + an−1 xn−1 + · · · + a1 x + a0 .

Esto se puede demostrar por induccion.

 
0 1
Por ejemplo. El polinomio caracteristico de A = es χA (x) = x2 .
0 0
 
−x 1
Demostración. A − x Id = es triangular superior. Entonces el de-
0 −x
terminante es el producto de la diagonal.

 
a b
Por ejemplo. Si A = , entonces χA (x) = (a − x)(d − x) − bc.
c d
 
a−x b
Demostración. A−x Id = y usamos la formula del determinante
c d−x
de una 2 × 2.

6 AUTOVALORES Y AUTOVECTORES. 110

 19 de octubre de 2022

Proposición 38. Sea A ∈ Kn×n . Entonces λ ∈ K es autovalor si y solo si λ es

raiz del polinomio caracteristico. (χA (λ) = 0)
Demostración.
λ es autovalor ⇔ existe v ̸= 0 tal que Av = λv
⇔ 0 = Av − λv = Av − λ Id v = (A − λ Id)v
⇔ (A − λ Id)X = 0 tiene solucion no trivial
⇔ χA (λ) = det(A − λ Id) = 0
⇔ λ es raiz del polinomio caracteristico.
Metodo para encontrar autovalores y autovectores de A.
1. Calcular χA (x) = det(A − x Id),
2. Encontrar las raices λ1 , . . . , λk de χA (x).
(no siempre se puede. No hay una formula o metodo general para encontrar
las raices de polinomios de grado 5 o superior)
3. Para cada i con i ≤ i ≤ k resolver el sistema de ecuaciones lineales:
(A − λi Id)X = 0.
Las soluciones no triviales de este sistema so nlos autovectores con auto-
valor λi .
Por ejemplo. Encontrar autovalores y autovectores de la matriz
 
3 −2
A= .
1 0
Solucion.
 
3 − x −2
1. χA (x) = det = x2 − 3x + 2 = (x − 1)(x − 2).
1 −x
2. Los autovalores de A son las raices de χA (x): 1 y 2.
3. Debemos resolver los sistemas de ecuaciones
(A − Id)X = 0, (A − 2 Id)X = 0.
Es decir, debemos resolver los sistemas
       
3 − 1 −2 x1 2 −2 x1 0
(S1)
 
= 0 ⇒ =
1 −1 x2 1 −1 x2 0
       
3 − 2 −2 x1 1 −2 x1 0
(S2)
 
= 0 ⇒ =
1 −2 x2 1 −2 x2 0
   
2 −2 F1 −2F2 0 0
(S1) −−−−−→ ⇒ x1 − x2 = 0 ⇒ (t, t) es solucion.
1 −1 1 −1
   
1 −2 F2 −F1 1 −2
(S2) −−−−→ ⇒ x1 − 2x2 = 0 ⇒ (2t, t) es solucion.
1 −2 0 0

6 AUTOVALORES Y AUTOVECTORES. 111

 19 de octubre de 2022

Respuesta final.
◦ Los autovalores de A son 1 y 2.
◦ El auto espacio correspondiente al autovalor 1 es

V1 = {t(1, 1, ) : t ∈ R}.

◦ El auto espacio correspondiente al autovalor 2 es

V2 = {t(2, 1) : t ∈ R}.


0 −1
Por ejemplo. Sea A = ∈ R2 . Encontrar los autovalores reales de A.
1 0
 
−x −1
Solucion.A − x Id = , luego
1 −x

χA (x) = x2 + 1.

El polinomio no tiene raices reales, por lo tanto no existen autovalores reales

(obviamente no hay autovectores).

Sin embargo si nos dicen

 
0 −1
encontrar autovalores y autovectores scomplejos de la matriz A = ,
1 0
la respuesta va a ser diferente.

Lo que ocurre es que

χA (x) = x2 + 1 = (x + i)(x − i),

y este polinomio si tiene raices (complejas): i y −i.

En este caso, entonces, i y −i son los autovalores y es facil ver que

Vi = {ω(i, 1) : ω ∈ C}, V−i = {ω(−i, 1) : ω ∈ C}.

Nunca esta de mas comprobar los resultados:

      
0 −1 i −1 i
= =i .
1 0 1 i 1
      
0 −1 −i −1 −i
= = (−i) .
1 0 1 −i 1

6 AUTOVALORES Y AUTOVECTORES. 112

 19 de octubre de 2022

7. Espacios vectoriales.
A continuacion
◦ definiremos espacios vectoriales,

◦ daremos ejemplos de espacios vectoriales,

◦ veremos cuando un vector se puede escribir como combinacion lineal de
otros.
La materia en general gira alrededor del problema

◦ Resolver sistemas de ecuaciones

◦ Los conjuntos de soluciones son subconjunto de Rn
Al comienzo de la materia introdujimos dos operaciones en R

◦ Los vectores de Rn se pueden sumar y multiplicar por escalares

Ademas vimos que los conjuntos de soluciones son invariantes por estas opera-
ciones. Dicho de otro modo
◦ Las soluciones de un sistema homogeneo se pueden sumar y multiplicar
por escalares

Estas son algunas de las preguntas que se responderan en esta parte de la materia

Preguntas.
1. ¿Podremos generar todas las soluciones de un sistema sumando y multi-
plicando por escalares algunas pocas soluciones?
2. ¿Cual es la minima cantidad de soluciones que generan todas las solucio-
nes?
3. ¿Como podemos representar cada solucion usando el conjunto generador?

Por otro lado, hay otras estructuras matematicas que tienen suma y producto
por escalar
◦ Matrices
◦ Polinomios

◦ Funciones

7 ESPACIOS VECTORIALES. 113

 19 de octubre de 2022

Las operaciones satisfacen las mismas propiedades que las operaciones en Rn

◦ asociatividad
◦ conmutatividad
◦ distributividad

◦ neutro y opuesto
Entonces estudiaremos todas estas estructuras en abstracto, sin distinguir si son
vectores, matrices, polinomios, funciones o lo que fuere.

Lo importante son las operaciones y las propiedades que satisfacen.

Definición 37. Un espacio vectorial (sobre K) o un K-espacio vectorial

es un conjunto V que tiene dos operaciones que satisfacen ciertos axiomas.
Llamaremos a los elementos de V vectores.

Operaciones
◦ Suma de vectores: Dados v, w ∈ V podemos formar el vector v + w ∈ V .
◦ Producto por escalres: Dado v ∈ V y λ ∈ K podemos formar el vector
λ·v ∈V.

Axiomas
◦ + es conmutativa, asociativa, existe neutro y opuesto
◦ · es asociativa, distributiva y tiene neutro.

Sean u, v, w ∈ V y λ, µ ∈ K. Los axiomas son

S1. v+w =w+v (+ conmutativa)

S2. (v + w) + u = v + (w + u) (+ asociativa)

S3. ∃! vector , tal que 0 + v = v (neutro de la +)

S4. ∃! − v tal que v + (−v) = 0 (opuesto)

P1. 1 · v = v para todo v ∈ V (neutro de ·)

P2. λ · (µ · v) = (λµ) · v (· asociativo)

D1. λ · (v + w) = λ · v + λ · w (propiedad distributiva 1)

D2. (λ + µ) · v = λ · v + µ · v (propiedad distributiva 2)

7 ESPACIOS VECTORIALES. 114

 19 de octubre de 2022

Convenciones
◦ λv = λ · v
◦ −v se llama el opuesto de v
◦ Gracias a la asociatividad de + y · podemos obviar los parentesis

◦ w − v = w + (−v), en palabras “w menos v” significa “w mas el opuesto

de v”
Por ejemplo. El conjunto de los numeros reales es un R-espacio vectorial con
la suma y la multiplicacion

Como dijimos antes son los mismos axiomas.

Mas aun C tiene los mismos axiomas y podemos multiplicar reales por com-
plejos. Entonces

Por ejemplo. El conjunto de los numeros complejos es un R-espacio vectorial

con la suma y la multiplicacion.
Por ejemplo. El conjunto de matrices Km×n es un espacio vectorial con las
operaciones que definimos anteriormente.

Si A, B ∈ Km×n y λ ∈ K entonces
◦ A + B es la matriz con entradas A + B ij = A ij + B ij
     

◦ λ · A es la matriz con entradas λA ij = λ A ij

   

Ya hemos visto que estas operaciones satisfacen los axiomas de la definicion. En

particular
◦ El elemento neutro 0 es la matriz con todas las coordenadas iguales a
cero,

◦ El opuesto de A es la matriz (−1) · A

Por ejemplo. El conjunto de vectores filas K1×n (o columnas Kn×1 ) es un
espacio vectorial con las operaciones que hemos definido anteriormente en estos
apuntes.
◦ La suma coordenada a coordenada

◦ La multiplicacion coordenada a coordenada

Es un caso particular de las matrices.

7 ESPACIOS VECTORIALES. 115

 19 de octubre de 2022

Por ejemplo. El conjunto de polinomios sobre K

K[x] = {an xn + · · · + a1 x + a0 | n ∈ N, an , . . . , a0 ∈ R}

con la suma y multiplicacion que ya conocemos:

◦ Suma coeficiente a coeficiente

(an xn + · · · + a1 x + a0 ) + (bn xn + · · · + b1 x + b0 ) =
=(an + bn )xn + · · · + (a1 + b1 )x + (a0 + b0 )

◦ Multiplicacion coeficiente a coeficiente

λ · (an xn + · · · + a1 x + a0 ) = (λan )xn + · · · + (λa1 )x + (λa0 )

◦ El neutro es el polinomio 0.
◦ El opuesto del polinomio an xn + · · · + a1 x + a0 es el polinomio

(−an )xn + · · · + (−a1 )x + (−a0 )

Observación.
◦ Si xi no aparece en la expresion de un polinomio quiere decir que respec-
tivo coeficiente ai es cero. Por ejemplo:

x2 + 1 = x2 + 0x + 1

◦ Para sumar polinomios no es necesario que tengan el mismo grado.

Por ejemplo:

(x2 + 1) + (x2 + 2x2 + 5x + 2) = x2 + 3x2 + 5x + 3

7 ESPACIOS VECTORIALES. 116

 19 de octubre de 2022

Por ejemplo. Sea X un conjunto. El espacio vectorial de funciones de X a R

es el conjunto

F (R) = RX = {las funciones f : X −→ R}

con la suma y producto por escalar “punto a punto”.

Es decir, si f, g ∈ RX y λ ∈ R,
◦ f + g : X −→ R es la funcion definida por

(f + g)(x) = f (x) + g(x)

◦ λ · f : X −→ R es la funcion definida por

(λ · f )(x) = λf (x)

Si f, g : X −→ R y λ ∈ R entonces
◦ el opuesto de f es −f : X −→ R, la funcion definida por

(−f )(x) = −f (x)

◦ el elemento neutro es la funcion constante igual a cero, es decir f (x) = 0

para todo x ∈ X, la cual denotamos 0.
Observación. Si X = R entonces la suma y el producto por escalar es la misma
definicion que se usa en Analisis Matematico I.

En este caso se suele denotar F (R) = RR

Por ejemplo. El conjunto de los numeros reales positivos R>0 = (0, ∞) es un
espacio vectorial con las siguientes operaciones:
◦ x ⊕ y = x · y (la “suma” es la multiplicacion)
◦ λ ⊙ x = xλ (la “multiplicacion” es la potenciacion)
◦ El “neutro” es el 1: 1 ⊕ x = 1 · x = x
◦ El “opuesto” es el inverso: x−1 ⊕ x = x−1 · x = 1
Observación.
◦ Definicion de xλ := eλ ln(x)
◦ Probemos D2:

(λ + µ) ⊙ x = xλ+µ = xλ xµ = xλ ⊕ xµ = λ ⊙ x ⊕ µ ⊙ x.

7 ESPACIOS VECTORIALES. 117

 19 de octubre de 2022

Proposición 39. Sea V un espacio vectorial sobre K. Entonces

1. λ · 0 = 0 para todo λ ∈ K
2. 0 · v = 0 para todo v ∈ V
3. Si λ · v = 0 entonces λ = 0 ó v = 0
4. (−1) · v = −v, en palabras, −1 por v es igual al opuesto de v
Observación. La demostracion es identica a las propiedades analogas de los
numeros reales o los numeros enteros dado que lo unico que usamos son los
axiomas.
Demostración (1.).
◦ λ · 0 = 0 para todo λ ∈ R
λ · 0 = λ · (0 + 0) (axioma elemento neutro)
λ·0=λ·0+λ·0 (axioma distributividad)
⇒0=λ·0 (sumando el opuesto de λ · 0)

Demostración (2.).
◦ 0 · v = 0 para todo v ∈ V
es similar a la anterior.
Demostración (3.).
◦ Si λ · v = 0 entonces λ = 0 ó v = 0
Si λ = 0 no hay nada que demostrar.

Supongamos que λ ̸= 0. Sea λ−1 ∈ R su inverso multiplicativo.

λ−1 · 0 = λ−1 · (λ · v) (por hipotesis)
0 = (λ −1
λ) · v (asociatividad)
0=1·v
0=v (axioma neutro)
Demostración (4.).
◦ (−1) · v = −v, en palabras, −1 por v es igual al opuesto de v
0=0·v (por 2.)
0 = (1 + (−1)) · v
0 = 1 · v + (−1) · v (distributividad)
0 = v + (−1) · v (elemento neutro ·)
−v + 0 = −v + v + (−1) · v
−v = 0 + (−1) · v (elemento neutro + y opuesto)
−v = (−1) · v (elemento neutro +)

7 ESPACIOS VECTORIALES. 118

 19 de octubre de 2022

Subespacios vectoriales.

Definición 38. Sea V un espacio vectorial sobre K. Diremos que W ⊂ V

es un subespacio de V si W ̸= ∅ y
(a) si para cualesquiera w1 , w2 ∈ W , se cumple que w1 + w2 ∈ W y

(b) si λ ∈ K y w ∈ W , entonces λw ∈ W .

Observación. Si W subespacio de V .
◦ 0 ∈ W.

◦ Si w ∈ W , entonces −w ∈ W .
Demostración (0 ∈ W ).

Como W ̸= ∅, existe w ∈ W . Por la condicion (b), 0 · w ∈ W . Ahora bien,

hemos visto que 0 · w = 0, por lo tanto 0 ∈ W .

Demostración (−w ∈ W ).

Por la condicion (b), (−1) · w ∈ W . Ahora bien, hemos visto que (−1) · w = −w,
por lo tanto −w ∈ W .

Observación. Sea w ⊂ V, W ̸= ∅. Entonces

W subespacio de V ⇔ u + λw ∈ W, ∀u, w ∈ W, λ ∈ K.

Demostración (⇒).

◦ Por (b) de la definicion, λw ∈ W .

◦ Como u ∈ W y λw ∈ W , por (a) de la definicion u + λw ∈ W .
Demostración (⇐).
(a) Sean w1 + w2 ∈ W , luego w1 + 1 · w2 = w1 + w2 ∈ W .

(b) Sea λ ∈ K y w ∈ W , entonces 0 + λw = λw ∈ W .

7 ESPACIOS VECTORIALES. 119

 19 de octubre de 2022

Teorema 40. Sea V un espacio vectorial sobre K y W subespacio de V .

Entonces W con las operaciones suma y producto por escalares de V es un
espacio vectorial.

Demostración. Para que W sea espacio vectorial sus operaciones deben satisfa-
cer los axiomas de la definicion de espacio vectorial.

0 ∈ W y si w ∈ W ⇒ −w ∈ W.

Teniendo en cuenta estos dos hechos, y que las operaciones en V satisfacen los
axiomas de la definicion (y por lo tanto en W tambien), queda demostrado que
W , con las operaciones heredadas de V , es espacio vectorial.

Por ejemplo (Ejemplos de subespacios vectoriales).

1. Sea V un K-espacio vectorial, entonces {0} := 0 y V son subespacios
vectoriales de V . Suelen ser llamados los subespacios triviales de V .

2. Sea V un K-espacio vectorial y sea v ∈ V , entonces

W = {µv : µ ∈ K}

es un subespacio vectorial.

En efecto, si µ1 v, µ2 v ∈ W , con µ1 , µ2 ∈ K, entonces

µ1 v + λµ2 v = (µ1 + λµ2 )v ∈ W,

para todo λ ∈ K.

El subespacio W suele ser denotado Kv.

3. Sea A ∈ Mm×n (K). Si x = (x1 , . . . , xn ) ∈ Kn , entonces Ax denota
 
x1
Ax := A  ...  .
 

xn

Sea
W = {x ∈ Kn : Ax = 0}.
Es decir, W es el subconjunto de las soluciones del sistema Ax = 0.

Entonces, W es un subespacio de Kn : sean x, y ∈ W y λ ∈ K, es de-

cir Ax = 0, Ay = 0 y λ ∈ K, entonces

A(x + λy) = Ax + A(λy) = Ax + λAy = 0 + λ · 0 = 0.

7 ESPACIOS VECTORIALES. 120

 19 de octubre de 2022

Es decir

El conjunto de soluciones de un sistema de ecuaciones homogeneo es un subes-

pacio vectorial de Km ,

En particular,
◦ Las rectas en el plano que pasan por el origen son subespacios de R2 .
◦ Los planos en el espacio que pasan por el origen son subespacios de R3 .

4. Sean V = Kn y 1 ≤ j ≤ n. Definimos

W = {(x1 , x2 , . . . , xn ) : xi ∈ K (1 ≤ i ≤ n), xj = 0}.

Es decir, W es el subconjunto de V de todas las n-tuplas con la coordenada

j igual a 0. Por ejemplo si j = 1

W = {(0, x2 , . . . , xn ) : xi ∈ K (2 ≤ i ≤ n)}.

Veamos que este ultimo es un subespacio.

Si (0, x2 , . . . , xn ), (0, y2 , . . . , yn ) ∈ W y λ ∈ K, entonces

(0, x2 , . . . , xn ) + λ(0, y2 , . . . , yn ) = (0, x2 + λy2 , . . . , xn + λyn ) ∈ W.

La demostracion para j > 1 es completamente analoga.

5. Sea Simn (K) = {A ∈ Mn×n (K) : At = A}.

Es claro que : A ∈ Simn (K) ⇔ A ij = A ji ∀i, j.

   

Proposición 41. A ∈ Simn (K) es subespacio de Mn (K)

Demostración. Sean A = aij , B = bij tales que A = At y B = B t y
   

sea λ ∈ K, entonces debemos verificar que: A + λB ∈ Simn (K).

(A + λB)t ij = (A + λB) ji (definicion de transpuesta)

   

= A ji + λ B ji (def. de suma y prod. por escalar)

   

= A ij + λ B ij (A y B simetricas)
   

(def. de suma y prod. por escalar)

 
= A + λB ij

Luego A + λB ∈ Simn (K).

6. El conjunto R[x] = {P (x) : P (x) es polinomio en R}, es subespacio de

F (R), pues R[x] ⊂ F (R) y las operaciones de suma y producto por un
escalar son cerradas en R[x].

7 ESPACIOS VECTORIALES. 121

 19 de octubre de 2022

7. Sea C(R) las funciones continuas de R en R. Entonces, C(R) es subespacio

de F (R).
Demostración. Sean f, g funciones continuas, es decir lı́m f (x) = f (a) y
x→a
lı́m g(x) = g(a), ∀a ∈ R. Sea λ ∈ R. Por las propiedades de los limites
x→a

lı́m (f + λg)(x) = lı́m f (x) + λ lı́m g(x) = f (a) + λg(a) = (f + λg)(a)

x→a x→a x→a

De forma analoga, el conjunto R[x] es subespacio de C(R).

Combinaciones lineales.

Definición 39. Sea V espacio vectorial sobre K y v1 , . . . , vn vectores en

V . Dado v ∈ V , diremos que v es combinacion lineal de los v1 , . . . , vn si
existen escalares λ1 , . . . , λn en K, tal que

v = λ1 v1 + · · · + λn vn .

Por ejemplo. Sean v1 = (1, 0), v2 = (0, 1) en C2 ¿es v = (i, 2) combinacion

lineal de v1 , v2 ? La respuesta es si, pues

v = iv1 + 2v2 .

Observar ademas que es la unica combinacion lineal posible, pues si

v = λ 1 v1 + λ 2 v2 ,

entonces
(i, 2) = (λ1 , 0) + (0, λ2 ) = (λ1 , λ2 ),
luego λ1 = i y λ2 = 2.
Por ejemplo. Puede ocurrir que un vector sea combinacion lineal de otros
vectores de varias formas diferentes. Por ejemplo, si v = (i, 2) y v1 = (1, 0),
v2 = (0, 1), v3 = (1, 1), tenemos que

v = iv1 + 2v2 + 0v3 , y tambien

v = (i − 1)v1 + v2 + v3 .

Por ejemplo. Sean (0, 1, 0), (0, 1, 1) en C3 ¿es (1, 1, 0) combinacion lineal de
(0, 1, 0), (0, 1, 1)? La respuesta es no, pues si

(1, 1, 0) = λ1 (0, 1, 0) + λ2 (0, 1, 1) = (0, λ1 , 0) + (0, λ2 , λ2 ) = (0, λ1 + λ2 , λ2 ),

luego, la primera coordenada nos dice que 1 = 0, lo cual es absurdo.

7 ESPACIOS VECTORIALES. 122

 19 de octubre de 2022

Observación (muy importante).

¿Es v = (b1 , . . . , bm ) ∈ Km combinacion lineal de vectores v1 , . . . , vn ∈ Km ?

Sea vi = (a1i , . . . , ami ) (1 ≤ i ≤ n) entonces, v = λ1 v1 + · · · + λn vn ⇒

(b1 , . . . , bm ) = λ1 (a11 , . . . , am1 ) + · · · + λn (a1n , . . . , amn )

= (λ1 a11 + · · · + λn a1n , . . . , λ1 am1 + · · · + λn amn ).

Luego,

v es combinacion lineal de los vectores v1 , . . . , vn ∈ Km

si y solo si tiene solucion el siguiente sistema de ecuaciones:

a11 λ1 + a12 λ2 + ··· + a1n λn = b1

.. .. ..
. . .
am1 λ1 + am2 λ2 + ··· + amn λn = bm .

Por ejemplo. Demostrar que (5, 12, 5) es combinacion lineal de los vectores
(1, −5, 2), (0, 1, −1), (1, 2, −1).
Solucion

Planteamos la ecuacion:
(5, 12, 5) = λ1 (1, −5, 2) + λ2 (0, 1, −1) + λ3 (1, 2, −1)
= (λ1 , −5λ1 , 2λ1 ) + (0, λ2 , −λ2 ) + (λ3 , 2λ3 , −λ3 )
= (λ1 + λ3 , −5λ1 + λ2 + 2λ3 , 2λ1 − λ2 − λ3 ).

Por consiguiente, esta ecuacion se resuelve con el siguiente sistema de ecuaciones

λ1 + λ3 = 5
−5λ1 + λ2 + 2λ3 = 12
2λ1 − λ2 − λ3 = 5.

7 ESPACIOS VECTORIALES. 123

 19 de octubre de 2022

Ahora bien, usando el metodo de Gauss

     
1 0 1 5 1 0 1 5 1 0 1 5
F2 +5F1 F3 +F2
−5 1 2 12 −−−−−→ 0 1 7 37 −−−−→ 0 1 7 37
F3 −2F1
2 −1 −1 5 0 −1 −3 −5 0 0 4 32
   
1 0 1 5 1 0 0 −3
F3 /4 F −F3
−−−→ 0 1 7 37 −−1−−→ 0 1 0 −19 .
F2 −7F3
0 0 1 8 0 0 1 8

Luego, λ1 = −3, λ2 = 19 y λ3 = 8, es decir

(5, 12, 5) = −3(1, −5, 2) − 19(0, 1, −1) + 8(1, 2, −1).

Proposición 42. Sea W subespacio de V y w1 , . . . , wk ∈ W , entonces cualquier

combinacion lineal de los w1 , . . . , wk pertenece a W .

Demostración. Debemos probar que, para cualesquiera λ1 , . . . , λk ∈ K, se cum-

ple que λ1 w1 + · · · + λk wk ∈ W .

Ahora bien, como W es subespacio, λi wi ∈ W para 1 ≤ i ≤ k.

Por un argumento inductivo, como W es subespacio, no es dificil probar que

la suma de k terminos en W es un elemento de W , por lo tanto
λ1 w1 + · · · + λk wk ∈ W .

Teorema 43. Sea V un espacio vectorial sobre K y sean v1 , . . . , vk ∈ V .

Entonces
W = {λ1 v1 + · · · + λk vk : λ1 , . . . , λk ∈ K}
es un subespacio vectorial. Es decir, el conjunto de las combinaciones li-
neales de v1 , . . . , vk es un subespacio vectorial.

Demostración. Sean λ1 v1 + · · · + λk vk , µ1 v1 + · · · + µk vk dos combinaciones

lineales de v1 , . . . , vk y λ ∈ K, entonces

(λ1 v1 + · · · + λk vk ) + λ(µ1 v1 + · · · + µk vk )
= λ1 v1 + λµ1 v1 + · · · + λk vk + λµk vk
= (λ1 + λµ1 )v1 + · · · + (λk + λµk )vk ,

que es una combinacion lineal de v1 , . . . , vk y por lo tanto pertence a W .

7 ESPACIOS VECTORIALES. 124

 19 de octubre de 2022

Definición 40. Sea V un espacio vectorial sobre K y sean v1 , . . . , vk ∈ V .

Al subespacio vectorial W = {λ1 v1 + · · · + λk vk : λ1 , . . . , λk ∈ K} de las
combinaciones lineales de v1 , . . . , vk se lo denomina subespacio generado
por v1 , . . . , vk y se lo denota

W = ⟨v1 , . . . , vk ⟩ = gen{v1 , . . . , vk } = span{v1 , . . . , vk }.

Ademas, en este caso, diremos que el conjunto S = {v1 , . . . , vk } general al

subespacio W o que los vectores v1 , . . . , vk generan W .

Observación. Un caso especial, que sera de suma importancia, es el caso en

que consideramos todo V .

Estudiaremos mas adelante conjuntos de generadores de V llamados bases.

Determinacion “implicita” de un subespacio de Kn .

Nos interesa tener una manera de decidir rapidamente si un vector esta en el

subespacio generado o no.

Una forma de lograr esto es tener el subespacio descripto por escuaciones que
solo tienen como solucion a los vectores pertenecientes a este.

Ejemplificaremos con los siguientes vectores en R4 :

v1 = (3, 1, 2, −1), v2 = (6, 2, 4, −2),

v3 = (3, 0, 1, 1), v4 = (15, 3, 8, −1)

Problema. Caracterizar mediante ecuaciones el subespacio ⟨v1 , v2 , v3 , v4 ⟩.

En otras palabras, queremos describir implicitamente el conjunto de los

b = (b1 , b2 , b3 , b4 ) ∈ R4 tales que b ∈ ⟨v1 , v2 , v3 , v4 ⟩.

O sea, los b = (b1 , b2 , b3 , b4 ) ∈ R4 tales que

b = λ1 v1 + λ2 v2 + λ3 v3 + λ4 v4 (*)

con λ1 , λ2 , λ3 , λ4 ∈ R.

7 ESPACIOS VECTORIALES. 125

 19 de octubre de 2022

Planteamos la formula (∗) en coordenadas, pero es conveniente hacerlo con

vectores columna:
         
3 6 3 15 b1
 1  2 0  3 b2 
λ1 
 2 + λ2  4 + λ3 1 + λ4  8 = b3 
        

−1 −2 1 −1 b4

Luego    
3λ1 + 6λ2 + 3λ3 + 15λ4 b1
 λ 1 + 2λ 2 + 3λ4

b2 
 
 2λ1 + 4λ2 + λ3 + 8λ4  = b3 


−λ1 − 2λ2 + λ3 − λ4 b4
En forma de producto de matrices podemos reescribirla asi:
    
3 7 3 15 λ1 b1
 1 2 0 3 λ2  b2 
   =  
 2 4 1 8 λ3  b3 
−1 −2 1 −1 λ4 b4

En forma de sistema de ecuaciones esto es:


 3λ1 + 6λ2 + 3λ3 + 15λ4 = b1


λ + 2λ + 3λ = b
1 2 4 2
(**)

 2λ 1 + 4λ 2 + λ3 + 8λ 4 = b3

−λ1 − 2λ2 + λ3 − λ4 = b4


Conclusion. b ∈ ⟨v1 , v2 , v3 , v4 ⟩ si y solo si el sistema anterior tiene solucion.

El sistema (∗∗) tiene solucion si el siguiente sistema la tiene (es cambio de

notacion solamente) 
 3x + 6y + 3z + 15w = b1


x + 2y + 3w = b
2

2x + 4y + z + 8w = b3

−x − 2y + z − w = b4


Este es exactamente el ejercicio 2 de la Tarea 2. Entonces la respuesta a nuestro

problema es

Respuesta

⟨v1 , v2 , v3 , v4 ⟩ = {(b1 , b2 , b3 , b4 ) ∈ R4 | b1 + 3b2 − 3b3 = 0, b1 − 6b2 − 3b4 = 0}.

7 ESPACIOS VECTORIALES. 126

 19 de octubre de 2022

Notemos que podemos repetir todo el razonamiento anterior para cualesquiera

vectores v1 , . . . , vk en cualquier Rn y cualquier b ∈ Rn .

Solo hay que tener presente que multiplicar una matriz por un vector columna
es lo mismo que hacer una combinacion lineal de las columnas de la matriz:

Es decir, si  
| | |
A = v1 v2 ··· vk  ,
| | |
entonces  
λ1
A  ...  = λ1 v1 + · · · + λk vk
 

λk
Conclusion Sean v1 , . . . , vk ∈ Kn y A ∈ Kn×k la matriz cuyas columnas son
los vectores v1 , . . . , vk es decir
 
| | |
A = v1 v2 ··· vk  .
| | |

Entonces
◦ El subespacio vectorial ⟨v1 , . . . , vk ⟩ es igual al conjunto de los b ∈ Kn para
los cuales el sistema AX = b tiene solucion. En particular, el ultimo punto
nos dice cuando los vectores generan todo el espacio.

◦ Las ecuaciones vienen dadas por las filas nulas de la M ERF equivalente a
A. En particular, si no tiene filas nulas entonces ⟨v1 , . . . , vk ⟩ = Kn porque
el sistema AX = b siempre tiene solucion.

7 ESPACIOS VECTORIALES. 127

 19 de octubre de 2022

Interseccion y suma de subespacios vectoriales.

Teorema 44. Sea V un espacio vectorial sobre K. Entonces la interseccion

de subespacios vectoriales es un subespacio vectorial.

Demostración. Veamos el caso de la interseccion de dos subespacios.

Debemos probar que si W1 , W2 subespacios ⇒ W1 ∩ W2 es subespacio.

Observemos: w ∈ W1 ∩ W2 ⇔ w ∈ W1 ∧ W ∈ W2 .
Sea λ ∈ K. u, v ∈ W1 ∩ W2 ⇒ u, v ∈ W1 ∧ u, v ∈ W2
⇒ u + λv ∈ W1 ∧ u + λv ∈ W2
⇒ u + λv ∈ W1 ∩ W2 .
Luego W1 ∩ W2 es subespacio.

Por ejemplo. Sean

W1 = {(x, y, z) : −3x + y + 2z = 0}
y
W2 = {(x, y, z) : x − y + 2z = 0}.
Encontrar generadores de W1 ∩ W2 .

Solucion

Es claro que
W1 ∩ W2 = {(x, y, z) : −3x + y + 2z = 0 ∧ x − y + 2z = 0}.
Por lo tanto debemos resolver el sistema de ecuaciones
(
−3x + y + 2z = 0
x − y + 2z = 0

Reduzcamos la matriz del sistema a una MRF:

       
−3 1 2 F1 +3F2 0 −2 8 F1 /(−2) 0 1 −4 F2 +F1 0 1 −4
−−−−−→ −−−−−→ −−−−→
1 −1 2 1 −1 2 1 −1 2 1 0 −2
por lo tanto, x2 − 4x3 = 0 y x1 − 2x3 = 0, es decir x2 = 4x3 y x1 = 2x3 .

Luego,
W1 ∩ W2 = {(2t, 4t, t) : t ∈ R} = {t(2, 4, 1) : t ∈ R}.
La respuesta es entonces: (2, 4, 1) es generador de W1 ∩ W2 .

7 ESPACIOS VECTORIALES. 128

 19 de octubre de 2022

Observación. Si V es un K-espacio vectorial, S y T subespacios de V .

Entonces S ∪ T no es necesariamente un subespacio de V .

En efecto, consideremos en R2 los subespacios

S = R(1, 0) y T = R(0, 1).

◦ (1, 0) ∈ S y (0, 1) ∈ T ⇒ (1, 0), (0, 1) ∈ S ∪ T .

◦ Ahora bien (1, 0) + (0, 1) = (1, 1, ) ∈
/ S ∪ T , puesto que (1, 1) ∈ S y
/ T.
(1, 1) ∈

Teorema 45. Sea V un espacio vectorial sobre K y sean v1 , . . . , vk ∈ V .

Entonces, la interseccion de todos los subespacios vectoriales que contienen
a v1 , . . . , vk es igual a ⟨v1 , . . . , vk ⟩.

Demostración. Denotemos
\
◦ U= de todos los subespacios vectoriales ⊇ {v1 , . . . , vk }.

Probaremos que U = ⟨v1 , . . . , vk ⟩ con la doble inclusion, es decir probando que

U ⊆ ⟨v1 , . . . , vk ⟩ y ⟨v1 , . . . , vk ⟩ ⊆ U.

(U ⊆ ⟨v, . . . , vk ⟩)

Primero, U ⊆ ⟨v1 , . . . , vk ⟩ vale puesto que ⟨v1 , . . . , vk ⟩ es un subespacio que

contiene a {v1 , . . . , vk }.

(⟨v1 , . . . , vk ⟩ ⊆ U )

U es interseccion de subespacios ⇒ (teor. 44) U es un subespacio.

Luego, {v1 , . . . , vk } ⊂ U ⇒ λ1 v1 + · · · + λk vk ∈ U , ∀λ1 , . . . , λk ∈ K.

7 ESPACIOS VECTORIALES. 129

 19 de octubre de 2022

Definición 41. Sea V un espacio vectorial sobre K y sean S1 , . . . , Sk sub-

conjuntos de V . Definimos

S1 + · · · + Sk := {s1 + · · · + sk : si ∈ Si , 1 ≤ i ≤ k}.

el conjunto suma de los S1 , . . . , Sk .

Teorema 46. Sea V un espacio vectorial sobre K y sean W1 , . . . , Wk subes-

pacios de V . Entonces W = W1 + · · · + Wk es un subespacio de V .

Demostración. Sean v = v1 + · · · + vk y w = w1 + · · · + wk en W y λ ∈ K.
Entonces
(a) v + w = (v1 + w1 ) + · · · + (vk + wk ) ∈ W1 + · · · + Wk , pues como Wi es
subespacio de V , tenemos que vi + wi ∈ Wi .

(b) λv = λ(v1 + · · · + vk ) = λv1 + · · · + λvk ∈ W1 + · · · + Wk , pues como Wi

es subespacio de V , tenemos que λvi ∈ Wi .

Proposición 47. Sea V un espacio vectorial sobre K y sean v1 , . . . , vr elementos

de V . Entonces
⟨v1 , . . . , vr ⟩ = ⟨v1 ⟩ + · · · + ⟨vr ⟩.
Demostración. Probemos el resultado viendo que los dos conjuntos se incluyen
mutuamente.

(⊆) Sea w ∈ ⟨v1 , . . . , vr ⟩, luego w = λ1 v1 + · · · + λr vr . Como λi vi ∈ ⟨vi ⟩,

1 ≤ i ≤ r, tenemos que w ∈ ⟨v1 ⟩ + · · · + ⟨vr ⟩.

En consecuencia, ⟨v1 , . . . , vr ⟩ ⊆ ⟨v1 ⟩ + · · · + ⟨vr ⟩.

(⊇) Si w ∈ ⟨v1 ⟩+· · ·+⟨vr ⟩, entonces w = w1 +· · ·+wr con wi ∈ ⟨vi ⟩ para todo i.
Por lo tanto, wi = λi vi para algun λi ∈ K y w = λ1 v1 + · · · + λr vr ∈ ⟨v1 , . . . , vr ⟩.

En consecuencia, ⟨v1 ⟩ + · · · + ⟨vr ⟩ ⊆ ⟨v1 , . . . , vr ⟩.

7 ESPACIOS VECTORIALES. 130

 19 de octubre de 2022

Dependencia lineal.

Definición 42. Sea V un espacio vectorial sobre K. Un subconjunto S

de V se dice linealmente dependiente o simplemente, LD o dependiente,
si existen vectores distintos v1 , . . . , vn ∈ S y escalares λ1 , . . . , λn de K, no
todos nulos, tales que

λ1 v1 + · · · + λn vn = 0.

Observación. Si el conjunto S tiene solo un numero finito de vectores v1 , . . . , vn ,

se dice, a veces, que los v1 , . . . , vn son dependientes o LD, en vez de decir que
S es dependiente.

◦ Anteriormente vimos el concepto de que las combinaciones lineales de un

conjunto de vectores generan un subespacio vectorial.
◦ Dado un subespacio vectorial: ¿Cual es el numero minimo de vectores que
generan el subespacio?
◦ En general, dado un espacio vectorial ¿Cual es el numero minimo de vec-
tores que generan el espacio y que propiedades tienen esos generadores?

Estas preguntas seran respondidas mas adelante, pero ahora veremos algunas
herramientas que nos permitiran prepararnos para estos resultados.
Proposición 48. Sea V un espacio vectorial y v1 , . . . , vn ∈ V . Entonces v1 , . . . , vn
son LD si y solo si alguno de ellos es combinacion lineal de los otros.
Demostración.

(⇒) Supongamos que son LD.

Entonces λ1 v1 + · · · + λn vn = 0 donde algun escalar es no nulo. Digamos que tal

escalar es λi . Podemos entonces despejar vi , es decir escribirlo como combinacion
lineal de los otros:
λ1 λn
vi = − v1 − · · · − vn
λi λi
(⇐) Supongamos que vi es combinacion lineal de los otros, es decir

vi = λ1 v1 + · · · + λn vn
⇒ 0 = λ1 v1 + · · · − vi + · · · + λn vn

como −1 ̸= 0 esta multiplicando a vi , la ultima igualdad dice que los vectores

son LD.

7 ESPACIOS VECTORIALES. 131

 19 de octubre de 2022

A continuacion veremos que todo espacio vectorial tiene una base, que es un
conjunto de generadores minimo. En el caso que este conjunto sea finito, todo
otro conjunto de generadores como minimo tendra el mismo numero de elemen-
tos, y este numero sera llamado dimension.

Los temas a continuacion se ordenan de la siguiente forma:

◦ Definicion de independencia lineal.
◦ Definicion de base (un conjunto linealmente independiente que genera el
espacio).

◦ Ejemplos de bases de espacios vectoriales.

◦ Propiedades de las bases y dimension.

Independencia lineal.

Definición 43. Sea V un espacio vectorial sobre K. Un subconjunto S de

V se dice linealmente independiente (o simplemente, LI o independiente)
si no es linealmente dependiente.

Observación. Si el conjunto S tiene solo un numero finito de vectores v1 , . . . , vn ,

se dice, a veces, que los v1 , . . . , vn son independientes o LI, en vez de decir que
S es independiente.
Observación. Sea V un espacio vectorial sobre K y v1 , . . . , vn ∈ V .

v1 , . . . , vn son LD ⇔ ∃λi ’s ∈ K, alguno no nulo, tal que λ1 v1 + · · · + λn vn = 0.

Observación. Por definicion, un conjunto v1 , . . . , vn es LI si se cumple cual-
quiera de las dos afirmaciones siguientes:
(a) ∀λ1 , . . . , λn en K tal que λi ̸= 0 para algun i, entonces
λ1 v1 + · · · + λn vn ̸= 0, o
(b) si λ1 , . . . , λn en K tal que λ1 v1 + · · · + λn vn = 0, entonces
0 = λ1 = · · · = λn .

El enunciado (a) se deduce negando la definicion de linealmente dependiente.

El enunciado (b) es el contrarreciproco de (a).

7 ESPACIOS VECTORIALES. 132

 19 de octubre de 2022

Por ejemplo. En R3 los vectores (1, −1, 1) y (−1, 1, 1) son LI, pues si
λ1 (1, −1, 1) + λ2 (−1, 1, 1) = 0, entonces
0 = (λ1 , −λ1 , λ1 ) + (−λ2 , λ2 , λ2 ) = (λ1 − λ2 , −λ1 + λ2 , λ1 + λ2 ), y esto es cierto
si
λ1 − λ2 = 0
−λ1 + λ2 = 0.
λ1 + λ2 = 0
Luego λ1 = λ2 y λ1 = −λ2 , por lo tanto λ1 = λ2 = 0. Es decir, hemos visto que

λ1 (1, −1, 1) + λ2 (−1, 1, 1) = 0 ⇒ λ1 = λ2 = 0,

y, por lo tanto, (1, −1, 1) y (−1, 1, 1) son LI.

Por ejemplo. Sea K cuerpo. En K3 los vectores

v1 = ( 3, 0, −3)
v2 = (−1, 1, 2)
v3 = ( 4, 2, −2)
v4 = ( 2, 1, 1)

son linealmente dependientes, pues

2v1 + 2v2 − v3 + 0 · v4 = 0.

Por otro lado, los vectores

e1 = (1, 0, 0)
e2 = (0, 1, 0)
e3 = (0, 0, 1)
son linealmente independientes.

Las siguientes afirmaciones son consecuencias casi inmediatas de la definicion.

1. Todo conjunto que contiene un conjunto linealmente dependiente es lineal-
mente dependiente. (S ′ ⊂ S ∧ S ′ es LD ⇒ S es LD)
Dem. En el conjunto “mas chico” hay una combinacion lineal no trivial
que lo anula, luego, en el “mas grande” tambien.
2. Todo subconjunto de un conjunto linealmente independiente es linealmen-
te independiente. (S ′ ⊂ S ∧ S es LI ⇒ S ′ es LI)
Dem. Si el subconjunto tiene una combinacion lineal no trivial que lo
anula, el conjunto tambien.
3. Todo conjunto que contiene el vector 0 es linealmente dependiente.
Dem. En efecto, 1 · 0 = 0.

7 ESPACIOS VECTORIALES. 133

 19 de octubre de 2022

Observación (muy importante). En general, en Km , si queremos determinar

si v1 , . . . , vn es LI, planteamos la ecuacion

λ1 v1 + · · · + λn vn = (0, . . . , 0).

Viendo esta ecuacion coordenada a coordenada, es equivalente a un sistema de

m ecuaciones lineales con n incognitas (que son λ1 , . . . , λn ).

Si la unica solucion es la trivial entonces v1 , . . . , vn es LI.

Si la hay alguna solucion no trivial, entonces v1 , . . . , vn es LD.

Definición 44. Sea V un espacio vectorial. Una base de V es un conjunto

B ⊆ V tal que
1. B genera a V , y
2. B es LI.

El espacio V es de dimension finita si tiene una base finita, es decir con un

numero finito de elementos.

Por ejemplo. Base canonica de Kn .

Sea el espacio vectorial Kn y sean

e1 = (1,0, 0, . . . , 0)
e2 = (0,1, 0, . . . , 0)
......
en = (0,0, 0, . . . , 1)

(ei es el vector con todas su coordenadas iguales a cero, excepto la coordenada

i que vale 1). Entonces veamos que e1 , . . . , en es una base de Kn .
1. Si (x1 , . . . , xn ) ∈ Kn , entonces

(x1 , . . . , xn ) = x1 e1 + · · · + xn en .

Por lo tanto, e1 , . . . , en genera a Kn .

2. Si
x1 e1 + · · · + xn en = 0,
entonces
(0, · · · , 0) = x1 (1, 0, . . . , 0) + x2 (0, 1, . . . , 0) + · · · + xn (0, 0, . . . , 1)
= (x1 , 0, . . . , 0) + (0, x2 , . . . , 0) + · · · + +(0, 0, . . . , xn )
= (x1 , x2 , . . . , xn ).

7 ESPACIOS VECTORIALES. 134

 19 de octubre de 2022

Luego, x1 = x2 = · · · = xn = 0.

Por lo tanto e1 , . . . , en es LI.

Para 1 ≤ i ≤ n, al vector ei se lo denomina el i-esimo vector canonico

y a la base Bn = {en , . . . , en } se la denomina la base canonica de Kn .
Por ejemplo. Vectores columna de una matriz invertible.

Sea P una matriz n×n invertible con elementos en el cuerpo K. Sean C1 , . . . , Cn

los vectores columna de P .

Entonces, B = {C1 , . . . , Cn }, es una base de Kn .

Demostración. Si X = (x1 , . . . , xn ) ∈ Kn , lo podemos ver como vector columna
y
P X = x1 C1 + · · · + xn Cn .
P X = 0 tiene solo solucion x = 0 ⇒ B = {C1 , . . . , Cn } es LI.

¿Por que generan Kn ? Sea Y ∈ Kn , si X = P −1 Y , entonces Y = P X, esto

es
Y = x1 C 1 + · · · + xn C n .
Asi, {C1 , . . . , Cn } es una base de Kn .

Por ejemplo. Polinomios de grado < n.

Sea Kn [x] el conjunto de polinomios de grado menor que n con coeficientes

en K:

Kn [x] = a0 + a1 x + a2 x2 + · · · + an−1 xn−1 : a0 , . . . , an−1 ∈ K .



Entonces, 1, x,2 , . . . , xn−1 es una base de Kn [x].

Es claro que los 1, x, x2 , . . . , xn−1 generan Kn [x].

Por otro lado, si λ0 + λ1 x + λ2 x2 + · · · + λn−1 xn−1 = 0, tenemos que

λ0 = λ1 = λ2 = · · · = λn−1 = 0.

7 ESPACIOS VECTORIALES. 135

 19 de octubre de 2022

Por ejemplo. Polinomios (base infinita).

Sea K[x] el conjunto de polinomios con coeficientes en K:

K[x] = a0 + a1 x + a2 x2 + · · · + an xn : n ∈ N, a0 , . . . , an ∈ K .


Entonces B = {1, x, x2 , . . . , xi , . . . } = {xi : i ∈ N0 } es una base de K[x].

Es claro que los xi generan K[x].

Por otro lado, supongamos B sea LD, luego existe un subconjunto finito S
de B con el cual puedo hacer una combinacion lineal no trivial que de 0.

Sea n tal que S ⊂ {1, x, x2 , . . . , xn }. Entonces existen λi no todos nulos tal

que λ0 + λ1 x + λ2 x2 + · · · + λn xn = 0. Absurdo.

Por lo tanto B es base.

Por ejemplo. Base canonica de Mm×n (K).

Sean 1 ≤ i ≤ m, i ≤ j ≤ n y Eij ∈ Mm×n (K) definida por

(
  1 si i = k y j = l,
Eij kl =
0 otro caso.

Es decir Eij es la matriz cuyas entradas son todas iguales a 0, excepto la entrada
ij que vale 1. En el caso 2 × 2 tenemos las matrices
       
1 0 0 1 0 0 0 0
E11 = , E12 = , E21 = , E22 = .
0 0 0 0 1 0 0 1

Volviendo al caso general,

B = {Eij : 1 ≤ i ≤ m, 1 ≤ j ≤ n}

(son mn vectores) es una base de Mm×n (K) y se la denomina la base canonica

de Mm×n (K).

La demostracion es analoga al caso Kn .

7 ESPACIOS VECTORIALES. 136

 19 de octubre de 2022

Si S es un conjunto finito denotemos |S| al cardinal de S es decir, la cantidad

de elementos de S.

Preguntas
◦ Dado V espacio vectorial ¿Existe una base de V ?
Respuesta: si. La respuesta la da la teoria de conjuntos (Lema de Zorn).
◦ Sea V espacio vectorial y B, B ′ bases finitas de V ¿Es |B| = |B ′ |?
Respuesta: si. Es lo que veremos mas adelante.

¿Todo espacio vectorial tiene una base “explicita”?

◦ Vimos en los ejemplos de las paginas anteriores bases de distintos espacios

vectoriales.
◦ Vimos que hay bases finitas y bases infinitas, pero todas las bases que
consideramos eran explicitas.

◦ Por el Lema de Zorn existe una base B de F (R) = {f : R → R}.

◦ ¿Se puede dar en forma relativamente explicita una base de F (R)?
◦ Respuesta: NO.

Teorema 49. Sea V un espacio vectorial generado por un conjunto finito

de vectores w1 , . . . , wm . Entonces

S ⊂ V es LI ⇒ |S| ≤ m.

Demostración. Para demostrar este teorema es suficiente probar el contrarreci-

proco del enunciado, es decir:

si |S| > m ⇒ S es LD,

Sea S = {v1 , . . . , vn } con n > m.

Como w1 , . . . , wm generan V , existen escalares aij en K tales que

m
X
vj = aij wi , (1 ≤ j ≤ n).
i=1

Probaremos ahora que existen x1 , . . . , xn ∈ K no todos nulos, tal que

x1 v1 + · · · + xn vn = 0 (S es LD).

7 ESPACIOS VECTORIALES. 137

 19 de octubre de 2022

Ahora bien, para cualesquiera x1 , . . . , xn ∈ K tenemos

n
X
x1 v1 + · · · + xn vn = x j vj
j=1
Xn m
X
= xj aij wi
j=1 j=1
Xn Xm
= (xj aij )wi
j=1 i=1
 
m
X Xn
=  xj aij  wi . (*)
i=1 j=1
| {z }
ci

Si cada coeficiente ci es nulo ⇒ x1 v1 + · · · + xn vn = 0.

Vamos a ver ahora que ∃x1 , . . . , xn no todos nulos tal que ci = 0, ∀i.

Esto se debe a que el sistema de ecuaciones

n
X
xj aij = 0, (1 ≤ i ≤ m)
j=1

tiene m ecuaciones y n incognitas con n > m ⇒ existen soluciones no triviales

(quedan variables libres).

Es decir, existen escalares x1 , . . . , xn ∈ K no todos nulos, tal que

n
X
xj aij = 0, (1 ≤ i ≤ m)
j=1

y, por (*), tenemos que

x1 v1 + · · · + xn vn = 0.
Esto quiere decir que los v1 , . . . , vn son LD.

7 ESPACIOS VECTORIALES. 138

 19 de octubre de 2022

Dado V espacio vectorial de dimension finita, veremos

◦ la definicion de dimension,
◦ todo subconjunto LI puede ser completado a una base,
◦ de todo subconjunto de generadores se puede extraer una base.

Veremos tambien como en forma practica podemos encontrar a partir de un

conjunto S de generadores de un subespacio W de Kn
◦ una base de W .

◦ un subconjunto S de generadores de W .
Recordemos este importante resultado de la pagina anterior:

Sea V un espacio vectorial y T ⊂ V , finito tal que ⟨T ⟩ = V . Sea S ⊂ V .

Entonces
⟨T ⟩ = V, S es LI ⇒ |S| ≤ |T |. (P1)
El contrarreciproco tambien nos resultara de utilidad

⟨T ⟩ = V, |S| > |T | ⇒ S es LD. (P2)

Corolario 10. Si V es un espacio vectorial de dimension finita, entonces

dos bases cualesquiera de V tienen el mismo numero de elementos.

Demostración.

V es de dimension finita ⇒ ∃ B base con |B| < ∞.

Sea B ′ otra base de V .

(P1)
Como B es base ⇒ ⟨B⟩ = V y B ′ es LI ⇒ |B ′ | ≤ |B|.
(P1)
Como B ′ es base ⇒ ⟨B ′ ⟩ = V y B es LI ⇒ |B| ≤ |B ′ |.

En consecuencia |B| = |B ′ |.

7 ESPACIOS VECTORIALES. 139

 19 de octubre de 2022

Hemos demostrado: si V es un espacio vectorial de dimension finita y B, B ′ dos

bases de V , entonces |B| = |B ′ |.

Esto nos permite hacer la siguiente definicion.

Definición 45. Sea V espacio vectorial de dimension finita.

Diremos que n es la dimension de V y denotaremos dim V = n, si existe

una base de V de n vectores.

Si V = {0}, entonces definimos dim V = 0.

Por ejemplo. Sean m, n ∈ N.

(1) dim Kn = n, pues la base canonica tiene n elementos.
(2) dim Mm×n (K) = mn, pues la base canonica de Mm×n (K) tiene mn ele-
mentos.

(3) dim Kn [x] = n, pues 1, x, x2 , . . . , xn−1 es una base.

Corolario 11.
Sea V un espacio vectorial de dimension finita y sea n = dim V . Entonces
(1) S ⊂ V y |S| > n ⇒ S es LD.
(2) S ⊂ V y |S| < n ⇒ ⟨S⟩ ⊊ V .

Demostración.
(P2)
(1) Como B es base ⇒ ⟨B⟩ = V y |S| > |B| ⇒ S es LD.
(2) Supongamos que ⟨S⟩ = V .

Como B es base ⇒ B es LI.

(P 1)
⟨S⟩ = V y B es LI ⇒ n = |B| ≤ |S|. Absurdo.

7 ESPACIOS VECTORIALES. 140

 19 de octubre de 2022

Lema 2. Sea S un subconjunto linealmente independiente de un espacio

vectorial V .

Sea W tal que w ∈

/ ⟨S⟩.

Entonces S ∪ {w} es LI.

Demostración. Suponga que v1 , . . . , vn son vectores distintos de S y λi , λ ∈ K

tales que
λ1 v1 + · · · + λn vn + λw = 0. (1)
Debemos probar que λi = 0, 1 ≤ i ≤ n, y λ = 0.

Supongamos que λ ̸= 0, entonces podemos dividir la ecuacion por λ y haciendo

pasaje de termino obtenemos
   
λ1 λn
w= − v1 + · · · + − vn .
λ λ

Luego w estaria en el subespacio generado por S, lo cual contradice la hipotesis.

Por lo tanto λ = 0 y, en consecuencia

λ1 v1 + · · · + λn vn = 0.

Como S es un conjunto linealmente independiente, todo λi = 0.

Entonces {v1 , . . . , vn , w} es LI.

Teorema 50. Sea V espacio vectorial de dimension finita n y S0 un sub-

conjunto LI de V . Entonces S0 es finito y existen w1 , . . . , wm vectores en
V tal que S0 ∪ {w1 , . . . , wm } es una base de V .

Corolario 12. Sea W un subespacio de un espacio vectorial con dimension

finita n y S0 un subconjunto LI de W . Entonces, S0 se puede completar a
una base de W .

Corolario 13. Sea V espacio vectorial de dimension finita y V ̸= {0},

entonces dim V > 0.

7 ESPACIOS VECTORIALES. 141

 19 de octubre de 2022

Corolario 14. Si W es un subespacio propio de un espacio vectorial de

dimension finita V , entonces W es de dimension finita y dim W < dim V .

Observación. W subespacio propio de V implica W ⊂ V ∧ W ̸= V .

Demostración.

Si W = {0}, entonces dim W = 0, como W ⊊ V , tenemos que V es no nu-

lo y por lo tanto dim W = 0 < dim V .

Si W ̸= {0}, sea B ′ base de W . B ′ es LI en W y tambien en V .

Sea B base de V , luego ⟨B⟩ = V .

(P1)
⟨B⟩ = V, B ′ es LI ⇒ |B ′ | ≤ |B|. Es decir dim W < dim V .

(Como se completa B ′ a base de V ⇒ |B ′ | < |B|)

Hemos visto que si V es un espacio de dimension finita, entonces todo conjunto

LI se puede extender a una base. Tambien vale:

Teorema 51. Sea V ̸= 0 espacio vectorial y S un conjunto finito de gene-

radores de V entonces existe un subconjunto B de S que es una base.

⟨S⟩ = V ⇒ ∃B ⊆ S tal que B es base.

El siguiente resultado relaciona dimension con suma e interseccion de subespa-

cios.

Teorema 52. Si W1 , y W2 son subespacios de dimension finita de un

espacio vectorial, entonces W1 + W2 es de dimension finita y

dim W1 + dim W2 = dim(W1 ∩ W2 ) + dim(W1 + W2 )

dim (W1 + W2 ) = dim(W1 ) + dim(W2 ) − dim(W1 ∩ W2 ).

7 ESPACIOS VECTORIALES. 142

 19 de octubre de 2022

Definición 46. Si V es un espacio vectorial de dimension finita, una base

ordenada de V es una sucesion finita de vectores linealmente independiente
y que genera V .

La diferencia entre la definicion de “base” y “base ordenada”, es que en

la ultima es importante el orden de los vectores de la base.

Se incurrira en un pequeño abuso de notacion y se escribira

B = {v1 , . . . , vn }

diciendo que B es una base ordenada de V .

Proposición 53. Sea V espacio vectorial de dimension finita y sea B = {v1 , . . . , vn }

una base ordenada de V . Entonces, para cada v ∈ V , existen unicos x1 , . . . , xn ∈ K
tales que
v = x 1 v1 + · · · + x n vn .
Demostración. Como v1 , . . . , vn generan V , es claro que existen x1 , . . . , xn ∈ K
tales que
v = x 1 v1 + · · · + x n vn .
Sean y1 , . . . , yn ∈ K tales que

v = y1 v1 + · · · + yn vn .

Veremos que xi = yi para 1 ≤ i ≤ n.

n
X n
X
Como v = x i vi y v = yi vi , restando miembro a miembro obtenemos
i=1 i=1

n
X
0= (xi − yi )vi .
i=1

Ahora bien, v1 , . . . , vn son LI, por lo tanto todos los coeficientes de la ecuacion
anterior son nulos.

Es decir xi − yi = 0 para 1 ≤ i ≤ n.

Entonces xi = yi para 1 ≤ i ≤ n.

7 ESPACIOS VECTORIALES. 143

 19 de octubre de 2022

Dimension de subespacios.

◦ Si A matriz m × n, en donde W = {x : Ax = 0} es un subespacio.

◦ ¿Cual es la dimension de W? ¿Que relacion tiene con R, la M RF equiva-

lente a A?
◦ Veremos que si r es la cantidad de filas no nulas de R, entonces
dim(W ) = n − r.

Por ejemplo. Encontrar una base del subespacio

 
x − y − 3z + w = 0
W = (x, y, z, w) ∈ R : .
y + 5z + 3w = 0

Solucion

W esta definido implicitamente y usando el metodo de Gauss podemos des-

cribirlo parametricamente, pues:
   
1 −1 −3 1 F1 +F2 1 0 2 4
−−−−→ .
0 1 5 3 0 1 5 3

Por lo tanto, el sistema de ecuaciones que define W es equivalente a

x + 2z + 4w = 0
y + 5z + 3w = 0,

es decir
x = −2z − 4w
y = −5z − 3w,
y entonces

W = {(−2z − 4w, −5z − 3w, z, w) : z, w ∈ R}

= {(−2, −5, 1, 0)z + (−4, −3, 0, 1)w : z, w ∈ R}
= ⟨(−2, −5, 1, 0), (−4, −3, 0, 1)⟩.

Concluimos entonces que (−2, −5, 1, 0), (−4, −3, 0, 1) es una base de W y, por
lo tanto, su dimension es 2.

7 ESPACIOS VECTORIALES. 144

 19 de octubre de 2022

Definición 47.

Sea A = aij ∈ Mm×n (K).

 

◦ El vector fila i es el vector (ai1 , . . . , ain ) ∈ Kn .

◦ El espacio fila de A es el subespacio de Kn generado por los m
vectores fila de A.
◦ El vector columna j es el vector (a1j , . . . , amj ) ∈ Km .

◦ El espacio columna de A es el subespacio de Km generado por los n

vectores columna de A.

Por ejemplo. Sea  

1 2 0 3 0
A = 0 0 1 4 0 .
0 0 0 0 1
El vector fila 1 es (1, 2, 0, 3, 0), el vector columna 4 es (3, 4, 0), etc.

Sea W el espacio fila de A. Entonces

W = ⟨(1, 2, 0, 3, 0), (0, 0, 1, 4, 0), (0, 0, 0, 0, 1)⟩.

Sea U el espacio columna de A. Entonces:

U = ⟨(1, 0, 0), (2, 0, 0), (0, 1, 0), (3, 4, 0), (0, 0, 1)⟩ = R3 .

7 ESPACIOS VECTORIALES. 145

 19 de octubre de 2022

Teorema 54. Sean A matriz m × n con coeficientes en K, P matriz m × m

invertible y B = P A. Entonces el espacio fila de A es igual al espacio fila
de B.
Demostración. Sea W1 espacio fila de A y W2 espacio fila de B.

Sea A = aij , P = pij y B = bij . Como B = P A, tenemos que la fila

     

i de B es
(bi1 , . . . , bin ) = (Fi (P ) · C1 (A), . . . , Fi (P ) · Cn (A))
 
Xm m
X
= pij aj1 , . . . , pij ajn 
j=1 j=1
m
X
= pij (aj1 , . . . , ajn ). (*)
j=1

◦ por (*) cada vector fila de B se puede obtener como combinacion lineal
de los vectores fila de A.
◦ Por lo tanto el espacio fila de B esta incluido en el espacio fila de A:
W2 ⊂ W1 .
◦ P invertible ⇒ ∃P −1 .
◦ P −1 B = P −1 P A = A.
◦ Un razonamiento analogo al (*) anterior ⇒ espacio fila de A esta incluido
en el espacio fila de B: W1 ⊂ W2 .
W 2 ⊂ w1 ∧ W1 ⊂ W2 ⇒ W1 = W2 .

Corolario 15. Sean A matriz m × n y R la M RF equivalente por filas a

A. Entonces,
(1) el espacio fila de A es igual al espacio fila de R,
(2) las filas no nulas de R forman una base del espacio fila de A.

Demostración.
Teo. ant.
(1) R la M RF equivalente por filas a A ⇒ R = P A con P invertible ⇒
espacio fila de A = espacio fila de R.
(2) R es M RF ⇒ cada fila no nula comienza con un 1 y en esa coordenada
todas las demas filas tienen un 0 ⇒ las filas no nulas de R son LI ⇒ las
filas no nulas de R son base.

7 ESPACIOS VECTORIALES. 146

 19 de octubre de 2022

Corolario 16. Sean A matriz n × n. Entonces, A es invertible si y solo si

las filas de A son una base de Kn .

Demostración. Si A es invertible entonces la M ERF de A es la identidad, por

lo tanto el espacio fila de A genera Kn .

Por otro lado, si el espacio fila de A genera Kn , el espacio fila de la M ERF

es Kn y por lo tanto la M ERF de A es la identidad y en consecuencia A es
invertible.

Hemos probado que A es invertible si y solo si las n filas de A generan Kn .

Como dim Kn = n, todo conjunto de n generadores es una base.

7 ESPACIOS VECTORIALES. 147

 19 de octubre de 2022

Bases de subespacios.

El corolario 15 nos permite encontrar facilmente la dimension de un subespacio

de Kn generado explicitamente por m vectores.
◦ Sea v1 , . . . , vm ∈ Kn y W = ⟨v1 , . . . , vm ⟩,
◦ Consideramos la matriz 
v1
 v2 
A= . 
 
 .. 
vm

◦ Calculamos R, una M RF equivalente por filas a A.

◦ W = espacio fila de R.

◦ Si R tiene r filas no nulas, las r filas no nulas son una base de W .

◦ Por consiguiente, dim W = r.
Por ejemplo. Encontrar una base de W = ⟨(1, 0, 1), (1, −1, 0), (5, −3, 2)⟩.

Solucion

Formemos la matriz cuyas filas son los vectores que generan W , es decir
 
1 0 1
A = 1 −1 0 .
5 −3 2

Entonces
       
1 0 1 1 0 1 1 0 1 1 0 1
F2 −F1 −F2 F −3F2
1 −1 0 − −−−→ 0 −1 −1 −−−→ 0 1 1  −−3−−−→ 0 1 1 .
F3 −5F1
5 −3 2 0 −3 −3 0 −3 −3 0 0 0

Por lo tanto, dim W = 2 y (1, 0, 1), (0, 1, 1) es una base de W .

7 ESPACIOS VECTORIALES. 148

 19 de octubre de 2022

Subconjuntos LI de un sistema de generadores.

◦ Dado un conjunto de generadores de un subespacio W “sabemos” encontrar

una base de W .
◦ Esa base de W , en general, utiliza otros vectores (no necesariamente los
generadores).
◦ Veremos a continuacion que dado S = {v1 , . . . , vm } y W = ⟨S⟩, podemos
encontrar facilmente un subconjunto de S base de W .

Teorema 55. Sea v1 , . . . , vr vectores en Kn y W = ⟨v1 , . . . , vr ⟩.

Sea A la matriz formada por las filas v1 , . . . , vr y R una M RF equiva-

lente por filas a A que se obtiene sin el uso de permutaciones de filas.

Si i1 , i2 , . . . , is filas no nulas de R ⇒ vi1 , vi2 , . . . , vis base de W .

Demostración. Se hara por induccion sobre r.

Si r = 1 es trivial ver que vale la afirmacion.

Supongamos que tenemos el resultado probado para r − 1 (hipotesis inducti-

va).

Sea W ′ = ⟨v1 , . . . , vr−1 ⟩ y sea A′ la matriz formada por las r−1 filas v1 , . . . , vr−1 .
Sea R′ la M RF equivalente por filas a A′ que se obtiene sin usar permutacio-
nes de filas. Por hipotesis inductiva, si i1 , i2 , . . . , is son las filas no nulas de R′ ,
entonces vi1 , vi2 , . . . , vis es una base de W ′ .

Sea  ′
R
R0 = .
vr
Si vr ∈ W ′ , entonces vi1 , vi2 , . . . , vis es una base de W y
 ′
R
R=
0

es la M RF de A.

Si vr ∈/ W ′ , entonces vi1 , vi2 , . . . , vis , vr es una base de W y la M RF de A

tiene la ultima fila no nula.

7 ESPACIOS VECTORIALES. 149

 19 de octubre de 2022

Finalmente, terminaremos con un teorema que resume algunas equivalencias

respecto a matrices invertibles.

Teorema 56. Sea A matriz n × n con coeficientes en K. Entonces son

equivalentes
(1) A es invertible.
(2) A es equivalente por filas a Idn .

(3) A es producto de matrices elementales.

(4) El sistema AX = Y tiene una unica solucion para toda matriz Y de
orden n × 1.
(5) El sistema homogeneo AX = 0 tiene una unica solucion trivial.

(6) det A ̸= 0.
(7) Las filas de A son LI.
(8) Las columnas de A son LI.

7 ESPACIOS VECTORIALES. 150

 19 de octubre de 2022

8. Transformaciones lineales.

Definición 48. Una transformacion lineal entre dos espacios vectoriales

V y W es una funcion T : V → W tal que
(1) Preserva la suma:

T (v + v ′ ) = T (v) + T (v ′ ) ∀v, v ′ ∈ V

(2) Preserva el producto por escalares

T (λv) = λT (v) ∀v ∈ V, λ ∈ R

Observación. T : V → W es transformacion lineal ⇔

T (v + λv ′ ) = T (v) + λT (v ′ ) ∀v, v ′ ∈ V, λ ∈ K.

Ya conocemos algunas transformaciones lineales. Por ejemplo:

◦ La derivada:
(f + cg)′ = f ′ + cg ′

◦ La integral:
Z b Z b Z b
(f + cg)dx = f dx + c g dx
a a a

◦ La multiplicacion por matrices:

A(v + λv ′ ) = Av + λAv ′

Un isomorfismo lineal es una transformacion lineal que es biyectiva. Por ejemplo,

si definimos
T : R< n[x] → Rn
T (an−1 xn−1 + · · · + a0 ) = (an−1 , . . . , a0 )
Esta identificacion es un isomorfismo.

Otro isomorfismo que hemos mencionado repetidas veces es

S :  K2×2  → K4
a11 a12
7→ (a11 , a12 , a21 , a22 )
a21 a22

Teorema 57. Sean V y W dos espacios vectoriales de dimension finita tal

que dim(V ) = dim(W ) entonces V y W son isomorfos.

8 TRANSFORMACIONES LINEALES. 151

 19 de octubre de 2022

Ejemplos de transformaciones lineales.

Por ejemplo. Sea T : K3 → K2 definida por
T (x1 , x2 , x3 ) = (2x1 − x3 , −x1 + 3x2 + x3 ).
Entonces, T es una transformacion lineal.

La demostracion es rutinaria y parte de un resultado mas general.

Observar que si  
2 0 −1
A= ,
−1 3 1
entonces  
  x1  
2 0 −1   2x1 − x3
x2 = .
−1 3 1 −x1 + 3x2 + x3
x3
Observación. Sea T : Kn → Km . En general si T (x1 , . . . , xn ) en cada coorde-
nada tiene una combinacion lineal de los x1 , . . . , xn entonces T es una transfor-
macion lineal. Mas precisamente, si T esta definida por
T (x1 , . . . , xn ) = (a11 x1 + · · · + a1n xn , . . . , am1 x1 + · · · + amn xn )
 
Xn n
X
= a1j xj , . . . , amj xj  ,
j=1 j=1

con aij ∈ K, entonces T es lineal.

Demostración. Ejercicio (se vera mas adelante).
Por ejemplo. Sea C 1 el espacio de funciones derivables. Entonces la derivada
es una transformacion lineal pues:
(f + g)′ = f ′ + g ′ y (λf )′ = λf ′
Por ejemplo. Sea V un espacio vectorial. La funcion identidad Id : V → V ,
Id(v) = v ∀v ∈ V,
es una transformacion lineal.
Por ejemplo. No todas las funciones son transformaciones lineales. La funcion
f (x) = x2 de R en R no es lineal. Probamos esto dando un ejemplo concreto
donde no se verifique algunas de las propiedades. Por ejemplo:
(1 + 1)2 = 4 ̸= 2 = 12 + 12 .
Podemos dar una definicion equivalente de transformacion lineal que reuna las
dos condiciones en solo una.

Algo similar a la definicion de subespacio.

8 TRANSFORMACIONES LINEALES. 152

 19 de octubre de 2022

Definición 49. Una transformacion lineal entre dos espacios vectoriales

V y W es una funcion T : V → W tal que
◦ T (λv + v ′ ) = λT (v) + T (v ′ ) ∀v, v ′ ∈ V, λ ∈ R

Podemos usar cualquiera de las dos definiciones para decidir si una funcion
es transformacion lineal o no.
Observación. Sea T : V → W una transformacion lineal. Entonces T (0v ) = 0w
donde 0v es el elemento neutro para la suma de V y 0w es el elemento neutro
para la suma de W .
Demostración.
T (0) = T (0 + 0) (0 es elemento neutro)
= T (0) + T (0) (T es lineal)
−T (0) + T (0) = −T (0) + T (0) + T (0) (logica)
0 = 0 + T (0) (opuesto de la suma)
0 = T (0) (neutro de la suma)

Entre otras cosas esta propiedad, es util como “test” para verificar si una funcion
no es transformacion lineal.
Por ejemplo. Sea V un espacio vectorial y v0 ∈ V un vector no nulo. Entonces
la funcion f : V → V dada por
f (v) = v + v0 ∀v ∈ V
no es lineal dado que
f (0) = 0 + v0 = v0 ̸= 0.
Observación. Las transformaciones lineales preservan combinaciones linea-
les, es decir si T : V → W es una transformacion lineal, v1 , . . . , vk ∈ V y
λ1 , . . . , λk ∈ R, entonces
T (λ1 v1 + · · · + λk vk ) = λ1 T (v1 ) + · · · + λk T (vk )
Demostración. (Esquiema de la demostracion)

La demostracion sigue por induccion y aplicando la definicion de transformacion

lineal.
◦ Caso base. T (λ1 v1 ) = λ1 T (v1 ). Lo cual es cierto porque es una de las
condiciones de la definicion de transformacion lineal.
◦ Paso inductivo.
T (λ1 v1 + · · · + λk vk ) = T (λ1 v1 ) + T (λ2 v2 + · · · + λk vk ) (T es t.l.)
= λ1 T (v1 ) + · · · + λk T (vk ) (C. base e HI)

8 TRANSFORMACIONES LINEALES. 153

 19 de octubre de 2022

Definición 50. Sea T : V → W una transformacion lineal.

◦ La imagen de T es el subconjunto de W

Im(T ) = {T (v) | v ∈ V } = {w ∈ W | T (v) = w}

◦ El nucleo de T es el subconjunto de V

N u(T ) = {v ∈ V | T (v) = 0}

Observación.
◦ Im(T ) se define como la imagen de cualquier funcion.
◦ N u(T ) serian las raices de la transformacion.
◦ N u(T ) es definido de forma implicita al igual que la segunda expresion
de Im(T ).
◦ La primera expresion de Im(T ) es de forma explicita o parametrica,
donde el parametro es un vector.
Notacion. Si T : V → W transformacion lineal denotamos
T (V ) := {T (v) : v ∈ V } = Im(V ).
El nucleo y la imagen son importantes entre otras cosas por lo siguiente

Teorema 58. Sea T : V → W una transformacion lineal. Entonces

◦ Im(T ) es un subespacio vectorial de W .

◦ N u(T ) es un subespacio vectorial de V .

A continuacion haremos la demostracion.

Demostración. N u(T ) es subespacio.
◦ N u(T ) ̸= ∅ pues T (0) = 0 y por lo tanto 0 ∈ N u(T ).
◦ Si v, w, ∈ V tales que T (v) = 0 y T (w) = 0, entonces
• T (v + w) = T (v) + T (w) = 0 + 0 = 0 ⇒ v + w ∈ N u(T ).
• Si λ ∈ K, entonces T (λv) = λT (v) = λ · 0 = 0 ⇒ λv ∈ N u(T ).
Demostración. Im(T ) es subespacio.
◦ Im(T ) ̸= ∅, pues 0 = T (0) ∈ Im(T ).
◦ Si T (v1 ), T (v2 ) ∈ Im(T ) y λ ∈ K, entonces
• T (v1 ) + T (v2 ) = T (v1 + v2 ) ∈ Im(T ).
• λT (v1 ) = T (λv1 ) ∈ Im(T ).

8 TRANSFORMACIONES LINEALES. 154

 19 de octubre de 2022

Lema 3. Sea T : V → W una transformacion lineal con V de dimension

finita. Sea {v1 , . . . , vk } una base de V . Entonces {T (v1 ), . . . , T (vk )} genera
a Im(T ) y por lo tanto Im(T ) es de dimension finita.

Demostración. Por hipotesis: V = ⟨v1 , . . . , vk ⟩ = {λ1 v1 +· · ·+λk vk | λ1 , . . . , λk ∈

K}.
Luego, Im(T ) = {T (v) | v ∈ V }
= {T (λ1 v1 + · · · + λk vk ) | λ1 , . . . , λk ∈ K}
= {λ1 T (v1 ) + · · · + λk T (vk ) | λ1 , . . . , λk ∈ K}
= ⟨T (v1 ), . . . T (vk )⟩.
Entonces Im(T ) es generado por S = {T (v1 ), . . . , T (vk )}. Por Teorema 51,
existe un subconjunto B de S que es base de Im(T ). En particular, Im(T ) es
de dimension finita.

Sea T : V → W una transformacion lineal y supongamos que V es de dimension

finita.

Como N u(T ) es un subespacio de un espacio dimension < ∞ ⇒

dim(N u T ) < ∞.

Definición 51. Sea T : V → W una transformacion lineal y supongamos

que V es de dimension finita. Entonces
◦ El rango de T es la dimension de Im(T ).

◦ La nulidad de T es la dimension de N u(T ).

Todas las transformaciones lineales entre Rn y Rm son de la forma “multiplicar

por una matriz”.

Mas aun, toda transformacion lineal entre espacios vectoriales de dimension

finita se puede epresar de esta forma.

Asi que analicemos un poco mas en detalle este tipo de transformaciones.

8 TRANSFORMACIONES LINEALES. 155

 19 de octubre de 2022

Observación. Sea A ∈ Rm×n y consideramos la funcion

T : Rn → Rm
v 7 → Av.

Entonces T es una transformacion lineal.

Demostración. Debemos ver que T respeta suma y producto por escalares.

Sean v1 , v2 ∈ Rn y λ ∈ R entonces

T (v1 + λv2 ) = A(v1 + λv2 ) = Av1 + λAv2 = T (v1 ) + λT (v2 ).

Definición 52. Sea A ∈ Rm×n y sea T la transformacion lineal

T : Rn → Rm
v 7 → Av.

Diremos que T es la transformacion lineal asociada a A o la transformacion

lineal inducida por A.

Muchas veces denotaremos a esta transformacion lineal con el mismo sim-

bolo que la matriz, es decir, en este caso con A.
 
1 1 1
Por ejemplo. Consideremos la matriz A = .
2 2 2
Entonces si v = (x, y, z),
 
  x  
1 1 1   x+y+z
A(v) = y =
2 2 2 2x + 2y + 2z
z

En particular, (1, −1, 0) ∈ N u(A) pues A(1, −1, 0) = 0 y

A(1, 0, 0) = (1, 2) ∈ Im(A)

A(0, 1, π) = (1 + π, 2 + 2π) ∈ Im(A)

Observación. Sea T : Kn → Km definida por

T (x1 , . . . , xn ) = (a11 x1 + · · · + a1n xn , . . . , am1 x1 + · · · + amn xn )

con aij ∈ K,   
a11 a12 ··· a1n x1
 a21 a22 ··· a2n   x2 
T (x) =  . .. .. ..   .. 
  
 .. . . .  . 
am1 am2 ··· amn xn

8 TRANSFORMACIONES LINEALES. 156

 19 de octubre de 2022

Es decir, T es la transformacion lineal inducida por la matriz A = aij .

 

Esto demuestra la observacion de la pagina 151.

Proposición 59. Sea A ∈ Rm×n y T : Rn → Rm la transformacion lineal
asociada. Entonces
◦ El nucleo de T es el conjunto de soluciones del sistema homogeneo
AX = 0
◦ La imagen de T es el conjunto de los b ∈ Rm para los cuales el sistema
A = b tiene solucion
Demostración. Se demuestra facilmente escribiendo las definiciones de los res-
pectivos subconjuntos.
v ∈ N u(T ) ⇔ Av = 0 ⇔ v es solucion de AX = 0.
b ∈ Im(T ) ⇔ ∃v ∈ Rn tal que Av = b ⇔ AX = b tiene solucion.

Por ejemplo. Sea T : R3 → R4 , definida

T (x, y, z) = (x + y, x + 2y + z, 3y + 3z, 2x + 4y + 2z).
(1) Describir N u(T ) en forma parametrica y dar una base.
(2) Describir Im(T ) en forma parametrica y dar una base.
Solucion. La matriz asociada a esta transformacion lineal es
 
1 1 0
1 2 1
A= 0 3 3


2 4 2
Debemos encontrar la descripcion parametrica de
N u(T ) = {v = (x, y, z) : A · v = 0}
Im(T ) = {y = (y1 , y2 , y3 , y4 ) : tal que ∃v ∈ R3 , A · v = y}
En ambos casos, la solucion depende de resolver el sistema de ecuaciones cuya
matriz asociada es A:
   
1 1 0 y1 1 1 0 y1
1 2 1 y2  F2 −F1 0 1 1 −y1 + y2 
0 3 3 y3  −
  −−−→  
F4 −2F1 0 3 3 y3 
2 4 2 y4 0 2 2 −2y1 + y4
 
1 0 −1 2y1 − y2
F1 −F2 0 1 1 −y1 + y2 
−−−−→  ,
F3 −3F2 0 0 0 3y1 − 3y2 + y3 
F4 −2F2
0 0 0 −2y2 + y4

8 TRANSFORMACIONES LINEALES. 157

 19 de octubre de 2022

x − z = 2y1 − y2
y + z = −y1 + y2
T (x, y, z) = (y1 , y2 , y3 , y4 ) ⇔
0 = 3y1 − 3y2 + y3
0 = −2y2 + y4
Si hacemos y1 =2 = y3 = y4 = 0, entonces las soluciones del sistema describen
el nucleo de T , es decir

N u(T ) = {(x, y, z) : x − z = 0, y + z = 0} = {(s, −s, s) : s ∈ R}

= {s(1, −1, 1) : s ∈ R}

que es la forma parametrica.

Una base del nucleo de T es {(1, −1, 1)}.

Seguimos usando lo mismo que calculamos antes

x − z = 2y1 − y2
y + z = −y1 + y2
T (x, y, z) = (y1 , y2 , y3 , y4 ) ⇔
0 = 3y1 − 3y2 + y3
0 = −2y2 + y4

Luego,

Im(T ) = {(y1 , y2 , y3 , y4 ) : tal que 0 = 3y1 − 3y2 + y3 y 0 = −2y2 + y4 }

Resolviendo este sistema, obtenemos

  
1 1 1
Im(T ) = − s + t, t, s, t : s, t ∈ R
3 2 2
     
1 1 1
= s − , 0, 1, 0 + t , , 0, 1 : s, t ∈ R
3 2 2
   
1 1 1
Luego − , 0, 1, 0 , , , 0, 1 es una base de Im(T ).
3 2 2

8 TRANSFORMACIONES LINEALES. 158

 19 de octubre de 2022

Los dos teoremas que vamos a ver a continuacion son muy fuertes, en el sentido
que dan mucha informacion por si solos y que ademas seran de utilidad para
estudiar transformaciones inyectivas, suryectivas y biyectivas.

Las demostraciones son elegantes, en el sentido que solo requieren que razo-
nemos pegando algunas ideas y resultados pero sin trabajar en cuentas largas y
tediosas.

Las demostraciones no son dificiles, pero requieren concentracion y madura-

cion de ideas y conceptos; hacer ejercicios ayuda a asimilarlos.

El siguiente resultado relaciona las dimensiones del nucleo y la imagen.

Teorema 60. Sea T : V → W una transformacion lineal. Si V es de

dimension finita entonces

dim V = dim N u(T ) + dim Im(T )

Resultados como este muestran la potencia de estudiar estructuras abstractas

que despues se pueden aplicar a casos concretos.
Demostración. Sea {v1 , . . . , vk } una base de N u(T ).

Sea {v1 , . . . , vk , w1 , . . . , wm } una base de V obtenida completando la base de

N u(T ).

Si probamos que {T (w1 ), . . . , T (wm )} es una base de Im(T ) el teorema que-

da demostrado. Pues, de ser asi, deducimos que

dim V = |{v1 , . . . , vk , w1 , . . . , wm }|
= |{v1 , . . . , vk }| + |{w1 , . . . , wm }|
= dim N u(T ) + |{T (w1 ), . . . , T (wm )}|
= dim N u(T ) + dim Im(T )

Esto se probara a continuacion.

Queremos ver que {T (w1 ), . . . , T (wm )} genera Im(T ) y es LI.

Demostración. {T (w1 ), . . . , T (wm )} genera Im(T ).

Im(T ) = ⟨T (v1 ), . . . , T (vk ), T (w1 ), . . . , T (wm )⟩

= ⟨T (w1 ), . . . , T (wm )⟩.

La primera igualdad la vimos anteriormente y la segunda vale porque

vi ∈ N u(T ).

8 TRANSFORMACIONES LINEALES. 159

 19 de octubre de 2022

Demostración. {T (w1 ), . . . , T (wm )} es LI:

Sea λ1 , . . . , λm tales que

λ1 T (w1 ) + · · · + λm T (wm ) = 0

debemos ver que λ1 = · · · = λm = 0

Ahora bien

T (λ1 w1 + · · · + λm wm ) = λ1 T (w1 ) + · · · + λm T (wm ) = 0.

Es decir λ1 w1 + · · · + λm wm ∈ N u(T ).

⇒
λ1 w1 + · · · + λm wm = µ1 v1 + · · · + µk vk .
Luego,
0 = −µ1 v1 − · · · − µk vk + λ1 w1 + · · · + λm wm = 0
Dado que {v1 , . . . , vk , w1 , . . . , wm } es LI, la igualdad

−µv1 − · · · − µk vk + λ1 w1 + · · · + λm wm = 0

implica que
µ1 = · · · = µk = λ1 = · · · = λm = 0
implica que
µ1 = · · · = µk = λ1 = · · · = λm = 0
como queriamos ver.

El siguiente lema es importante por si mismo y ademas sera necesario mas

adelante.

8 TRANSFORMACIONES LINEALES. 160

 19 de octubre de 2022

Lema 4. Sea A ∈ Rm×n y R la M ERF equivalente a A. Entonces la

dimension del conjunto de soluciones del sistema homogeneo AX = 0 es
igual a la cantidad de variables libres de RX = 0.

Idea de la demostracion. Sea r el numero de filas no nulas de R y k1 , . . . , kr

las columnas donde aparecen los 1’s principales.

Entonces, k1 < k2 < · · · < kr y el sistema de ecuaciones asociado a R es:

X
xk1 + b1j xj = 0
j̸=kX
1 ,...,kr

xk2 + b2j xj = 0
j̸=k1 ,...,kr
.. ..
. X .
xk r + brj xj = 0
j̸=k1 ,...,kr

Sean xj1 , xj2 , . . . , xjn−r las n − r variables libres

(es decir los xj con j ̸= k1 , . . . , kr )

Luego,
n−r
X
xk1 = − b1ji xji
j̸=k1 ,...,kr
n−r
X
xk2 = − b2ji xji
j̸=k1 ,...,kr
.. ..
. .
n−r
X
xkr = − brji xji
j̸=k1 ,...,kr

Es decir, el subespacio formado por las soluciones de AX = 0, consta de n-uplas

(x1 , . . . , x2 , . . . , xn ), donde
◦ xk = xji para algun i = 1, . . . , n − r, o
◦ xk = c.l. de los xji .
Por lo tanto, (n−r )
X
W = xji wi : xj1 , . . . , xjn−r ∈ K
i=1

para algunos w1 , . . . , wn−r que son LI.

Luego dim(W ) = n − r.

8 TRANSFORMACIONES LINEALES. 161

 19 de octubre de 2022

Definición 53. Sea A ∈ Rm×n .

◦ El rango fila de A es la dimension del subespacio de Rn generado

por las filas de A.
◦ El rango columna de A es la dimension del subespacio de Rm gene-
rado por las columnas de A.

Teorema 61. Sea A ∈ Rm×n . El rango fila de A es igual al rango columna

de A.

Notar que si n ̸= m, estamos comparando subespacios de distintos espacios

vectoriales.

Demostración.

Consideremos la transformacion lineal T : Rn → Rm dada por la multiplica-

cion por A.

Es decir, T (v) = Av para todo v ∈ Rn

La demostracion consiste en comparar el nucleo y la imagen de T con los espa-

cios fila y columna de A.

Primero, el espacio columna de A es gual a la imagen de T .

Esto es por la forma en que multiplicamos matrices:

 
0
 .. 
.
 
| | |  
A = v1 v2 ··· vn  ⇒ 1 = vi
T (ei ) = A  
| | | .
 .. 
0

Luego X 
T ((λ1 , . . . , λn )) = T λi ei = λ1 v1 + · · · + λn vn
⇒
Im(T ) = ⟨v1 , . . . , vn ⟩.
Entonces, rango columna de A = dim Im(T ).

8 TRANSFORMACIONES LINEALES. 162

 19 de octubre de 2022

Segundo, por el Corolario 15 las filas no nulas de la M ERF equivalente a A

forman una base del espacio fila de A.

Por lo tanto, el rango fila de A es igual a la cantidad de 1’s principales de

la M ERF . O dicho de otro modo,

◦ Rango fila de A es igual a n menos la cantidad de variables libres.

(n es la cantidad de columnas de A.)
Por otro lado, el N u(T ) es igual al conjunto de soluciones de AX = 0.

Entonces, por el lema anterior,

◦ dim N u(T ) es igual a la cantidad de variables libres

En resumen: sea r la cantidad de variables libres:
(1) Rango columna de A es igual a dim Im(T )

(2) Rango fila de A es igual a n menos la cantidad de variables libres: n − r.

(3) dim N u(T ) es igual a la cantidad de variables libres: r.
(4) dim Rn = n.
Por lo tanto, por el teorema de la dimension,

dim(Kn ) = dim N u(T ) + dim Im(T )

n = r + rgcol(A) (por (4), (3) y (1))
n = n − rgf il(A) + rgcol(A) (por (2))
0 = −rgf il(A) + rgcol(A).

8 TRANSFORMACIONES LINEALES. 163

 19 de octubre de 2022

A continuacion estudiaremos transformaciones lineales inyectivas, sobreyectivas

y biyectivas.

Este tipo de transformaciones nos dan informacion acerca de dimensiones, ge-

neradores y conjuntos LI.

Sea T : V → W lineal. Se veran, entre otros resultados:

◦ T es inyectiva ⇔ N u(T ) = 0 ⇔ dim N u(T ) = 0.
◦ T es inyectiva ⇔ T de LI es LI.

◦ T es sobreyectiva ⇔ T de generadores de V es generadores de W .

◦ T biyectiva ⇔ T de base es base.

Definición 54. Sean V , W espacios vectoriales sobre un cuerpo K y sea

T : V → W una transformacion lineal.
◦ T es epimorfismo si T es suryectiva.
Es decir si Im(T ) = W .

◦ T es monomorfismo si T es inyectiva (o 1 − 1).

Es decir, T (v1 ) = T (v2 ) ⇒ v1 = v2 .
◦ T es un isomorfismo si es un monomorfismo y epimorfismo (es decir
si es inyectiva y suryectiva).

Observación.

◦ T es epimorfismo si y solo si

T es lineal y ∀w ∈ W, ∃v ∈ V tal que T (v) = w.

Esto se deduce inmediatamente de la definicion de funcion suryectiva y de

Im(T ).

◦ T es monomorfismo si y solo si

T es lineal y ∀v1 , v2 ∈ V : v1 ̸= v2 ⇒ T (v1 ) ̸= T (v2 ).

Esto se obtiene aplicando el contrarreciproco a la definicion de funcion

inyectiva.

8 TRANSFORMACIONES LINEALES. 164

 19 de octubre de 2022

Proposición 62. Sea T : V → W una transformacion lineal. Entonces T es

monomorfismo si y solo si N u(T ) = 0.
Demostración.

(⇒) Debemos ver que T (v) = 0 ⇒ v = 0.

T mono
T (v) = 0 ∧ T (0) = 0 =⇒ v = 0.

(⇐) Sean v1 , v2 ∈ V tal que T (v1 ) = T (v2 ). Entonces

T lineal
0 = T (v1 ) − T (v2 ) = T (v1 − v2 ) ⇒ v1 − v2 ∈ N u(T ) = {0}.

Luego, v1 − v2 = 0, es decir v1 = v2 .

Observación. Sea T : V → W transformacion lineal,

(1) T es epimorfismo ⇔ Im(T ) = W ⇔ dim Im(T ) = dim W .

(2) T es monomorfismo ⇔ N u(T ) = 0 ⇔ dim N u(T ) = 0.

8 TRANSFORMACIONES LINEALES. 165

 19 de octubre de 2022

Proposición 63. Sea T : V → W transformacion lineal. Entonces,

(1) T es monomorfismo si y solo si T de un conjunto LI es LI.
(2) T es epimorfismo si y solo si T de un conjunto de generadores de V es un
conjunto de generadores de W .

Demostración.

(1) (⇒) Sea {v1 , . . . , vn } LI en V y λ1 , . . . , λn ∈ K tales que

λ1 T (v1 ) + · · · + λn T (vn ) = 0.

Debemos probar que λ1 = λ2 = · · · = λn = 0.

0 = λ1 T (v1 ) + · · · + λn T (vn ) (hipotesis)

= T (λ1 v1 + · · · + λn vn ) (linealidad de T )
⇒ λ 1 v1 + · · · + λ n vn = 0 (T mono)
⇒ λ1 = λ2 = · · · = λn = 0 ({v1 , . . . , vn } LI)

Por lo tanto, T (v1 ), . . . , T (vn ) son LI.

Demostración.

(1) (⇐) Si N u(T ) = 0 ⇒ T es mono (Proposicion 62.)

Veamos, entonces, que N u(T ) = 0, es decir : T (v) = 0 ⇒ v = 0.

Probemos el contrearreciproco: v ̸= 0 ⇒ T (v) ̸= 0

v ̸= 0 ⇒ v es LI
⇒ T (v) es LI (hipotesis)
⇒ T (v) ̸= 0

Luego,

(v ̸= 0 ⇒ T (v) ̸= 0) ⇒ (T (v) = 0 ⇒ v = 0)
⇒ N u(T ) = 0
⇒ T es mono.

8 TRANSFORMACIONES LINEALES. 166

 19 de octubre de 2022

Demostración.

(2) (⇒) Sea V = ⟨v1 , . . . , vn ⟩ y w ∈ W .

Debemos ver que w ∈ ⟨T (v1 ), . . . , T (vn )⟩.

Como T es epimorfismo, existe v ∈ V tal que T (v) = W .

v = λ1 v1 + · · · + λn vn (v1 , . . . , vn genera V )
⇓
T (v) = T (λ1 v1 + · · · + λn vn ) (aplicamos T )
= λ1 T (v1 ) + · · · + λn T (vn ) (T lineal)
⇓
w = λ1 T (v1 ) + · · · + λn T (vn ) (w = T (v))
⇓
w ∈ ⟨T (v1 ), . . . , T (vn )⟩.

Demostración.

(2) (⇐) Debemos ver que: w ∈ W ⇒ existe v ∈ V tal que w = T (v).

Sea {v1 , . . . , vn } una base de V .

Por hipotesis T (v1 ), . . . , T (vn ) generan W .

Es decir dado cualquier w ∈ W , existen λ1 , . . . , λn ∈ K tales que

w = λ1 T (v1 ) + · · · + λn T (vn ),

y por lo tanto

w = λ1 T (v1 ) + · · · + λn T (vn )
= T (λ1 v1 + · · · + λn vn ) (T lineal)
= T (v),

con
v = λ 1 v1 + · · · + λ n vn .

8 TRANSFORMACIONES LINEALES. 167

 19 de octubre de 2022

Corolario 17. Sea T : V → W transformacion lineal. Entonces T es un

isomorfismo si y solo si T de una base de V es una base de W .

Demostración.

(⇒) Sea B base de V . Como T es isomorfismo, T es mono y epi, luego por

Proposicion 63, T (B) es LI y genera W , es decir, es base de W .

(⇐) Sea B base de V y T : V → W transformacion lineal tal que T (B) es

base. Por lo tanto, manda un conjunto LI a un conjunto LI y un conjunto de
generadores de V a un conjunto de generadores de W . Por Proposicion 63, T es
mono y epi, por lo tanto T es un isomorfismo.

Corolario 18. Sean V y W dos K-espacios vectoriales de dimension finita

tal que V es isomorfo a W . Entonces dim(V ) = dim(W ).

Recordar que si una funcion es biyectiva entonces se puede definir la funcion

inversa.

Teorema 64. Sea T : V → W un isomorfismo. Entonces la funcion inversa

T −1 : W → V

es tambien un isomorfismo.

Es decir, T −1 es una transformacion lineal biyectiva.

Demostración. Sean w1 , w2 ∈ W, λ ∈ K probemos que

T −1 (w1 + λw2 ) = T −1 (w1 ) + λT −1 (w2 ).

Sean vi = T −1 (wi ) ⇒ T (vi ) = wi .

T −1 (w1 + λw2 ) = T −1 (T (v1 ) + λT (v2 )) (wi = T (vi ))

=T −1
(T (v1 + λv2 )) (T lineal)
= (T −1
◦ T )(v1 + λv2 ) (def de ◦)
= v1 + λv2 (T −1 ◦ T = Id)
= T −1 (w1 ) + λT −1 (w2 ). vi = T −1 (wi ))

8 TRANSFORMACIONES LINEALES. 168

 19 de octubre de 2022

Teorema 65. Sea T : V → W una transformacion lineal con dim V =

dim W . Entonces las siguientes afirmaciones son equivalentes

(1) T es un isomorfismo.
(2) T es monomorfismo.
(3) T es epimorfismo.
(4) {v1 , . . . , vn } base de V ⇒ {T (v1 ), . . . , T (vn )} base de W .

Vamos a probar

◦ (1) ⇒ (2) ⇒ (3) ⇒ (1),

◦ (1) ⇒ (4) ∧ (4) ⇒ (1).
Del primer item obtenemos (1) ⇔ (2) ⇔ (3).

Del segundo item obtenemos (1) ⇔ (4).

Demostración.

(1) ⇒ (2). Obvio, de la definicion de iso.

(2) ⇒ (3). Usaremos el teorema de la dimension del nucleo y la imagen:

T mono ⇒ dim N u(T ) = 0 (proposicion 62)

⇒ dim Im(T ) = dim V = dim W (teorema de la dimension)
⇒ Im(T ) = W
⇒ T epi (3)

(3) ⇒ (1).

T epi ⇒ dim Im(T ) = dim V = dim W

⇒ dim N u(T ) = 0 (teorema de la dimension)
⇒ N u(T ) = 0
⇒ T mono (proposicion 62) (4)

T epi y T mono ⇒ T iso.

8 TRANSFORMACIONES LINEALES. 169

 19 de octubre de 2022

(1) ⇒ (4). Sea {v1 , . . . , vn } una base de V .

Entonces {v1 , . . . , vn } es LI y genera V .

Proposicion 63 ⇒ {T (v1 , . . . , T (vn )} es LI
{T (v1 ), . . . , T (vn )} genera W.
Por lo tanto {T (v1 ), . . . , T (vn )} es una base de W .

(4) ⇒ (1). Como T de una base es una base, entonces

◦ T de un conjunto LI es un conjunto LI.
◦ T de un conjunto de generadores de V es un conjunto de generadores de
W.
Por lo tanto, por proposicion 63, T es isomorfismo y epimorfismo.

Luego T es un isomorfismo.

Definición 55. Dos espacios vectoriales V y W se dicen isomorfos, en

simbolos V ∼
= W , si existe un isomorfismo T : V → W .

Corolario 19 (Teorema 65). Sean V y W espacios vectoriales de dimension

finita. Entonces
dim V = dim W ⇒ V ∼ = W.
Demostración (Idea). Si B = {v1 , . . . , vn } una base de V y B ′ = {w1 , . . . , wm }
una base de W
T : B → B ′ definida por T (vi ) = wi ,
se puede extender a un ismorfismo T : V → W .
Por ejemplo. Recordemos:
Kn [x] = {a0 + a1 x + · · · + an−1 xn−1 : a0 , a1 , . . . , an−1 ∈ K}.
Entonces,
Kn [x] ∼
= Kn .
Demostración. Es consecuencia inmediata del corolario anterior, pues ambos
tienen dimension n.

Explicitamente, 1, x, . . . , xn−1 es base de Kn [x] y sea e1 , . . . , en la base cano-

nica de Rn , entonces un isomorfismo de Kn [x] a Kn viene dado por la unica
transformacion lineal T : Kn [x] → Kn tal que
T (xi ) = ei+1 , i = 0, . . . , n − 1.

8 TRANSFORMACIONES LINEALES. 170

 19 de octubre de 2022

Resultados muy importantes (a tener en cuenta).

Sea T : V → W una transformacion lineal con V, W de dimension finita.

◦ {v1 , . . . , vk } genera V ⇒ {T (v1 ), . . . , T (vk )} genera Im(T ).

◦ dim V = dim N u(T ) + dim Im(T ).
◦ T mono ⇔ N u(T ) = 0.

◦ T mono ⇔ T de LI es LI.
◦ T epi ⇔ T de generadores de V = generadores de W .
◦ T iso ⇔ T de base de V = base de W .
Si T : Rn → Rm , sea A la matriz m × n asociada a A y R una M RF de A.

◦ N u(T ) = {x : Ax = 0}, Im(T ) = {b : Ax = b, para algun x}.

◦ rango fila de A = rango columna de A.
◦ | filas no nulas de R | = rg-f il A = rg-col A = dim Im(A).

◦ dim N u(A) = | variables libres de RX = 0 | = n − rg-f il A.

9. Matriz de una transformacion lineal.

A continuacion introduciremos coordenadas respecto a una base ordenada y la
matriz de una transformacion lineal respecto a dos bases ordenadas.

Hasta aqui hemos estudiado espacios vectoriales de manera general, abstrayendo

las propiedades de Rn .

Esto nos facilito deducir propiedades validas, no solo para Rn , sino tambien
para polinomios, matrices, funciones, etc. sin tener que probar las propiedades
en cada caso.

Sin embargo, cada vez que queremos operar en ejercicios particulares, si re-
currimos al auxilio de numeros concretos. Por ejemplo, hacemos esto cada vez
que en lugar de usar un polinomio nos quedamos con sus coeficientes.

Estos numeros concretos que determinan de manera precisa a un vector es lo

que llamaremos coordenadas. En el caso de Rn , obtendremos las coordenadas
usuales.

Las coordenadas nos permiten hacer mas tangibles los vectores de un espacio
vectorial abstracto.

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 171

 19 de octubre de 2022

Definición 56. Sea V un espacio vectorial de dimension finita y B una

base de V . Se dice que B es una base ordenada si los vectores que la forman
estan ordenados.

Por ejemplo. La base canonica de Rn : C = {e1 , e2 , . . . , en } es una base orde-

nada.

Si cambiamos el orden tenemos otra base ordenada. Por ejemplo,

C ′ = {en , en−1 , . . . , e2 , e1 }

es otra base ordenada distinta a C.

El orden es importante para luego definir las coordenadas.

Proposición 66.

Sea V un espacio vectorial de dimension finita y B = {v1 , . . . , vn } una base or-

denada de V . Entonces para cada v ∈ V , existen unicos escalares x1 , . . . , xn ∈ R
tales que
v = x 1 v1 + · · · + x n vn
Demostración. Dichos escalares existen porque B genera a V .

Veamos que son unicos.

Sean y1 , . . . , yn ∈ R otros escalares que satisfacen el enunciado.

Entonces tenemos que

x1 v1 + · · · + xn vn = v = y1 v1 + · · · + yn vn

Restando la sumatoria de la derecha a la de la izquierda obtenemos:

(x1 − y1 )v1 + · · · + (xn − yn )vn = 0.

Dado que B es LI, xi − yi = 0 (1 ≤ i ≤ n), o dicho de otro modo

xi = yi (1 ≤ i ≤ n).

La proposicion 66. permite, dada una base ordenada, asociar a cada vector una
n-tupla que seran las coordenadas del vector en esa base.

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 172

 19 de octubre de 2022

Definición 57.
Sea V espacio vectorial de dimension finita y sea B = {v1 , . . . , vn } una base
ordenada de V , si v ∈ V y

v = x1 v1 + · · · + xn vn ,

entonces xi es la coordenada i-esima de v y denotamos

[v]B = (x1 , . . . , xn ).

El vector [v]B es el vector de la coordenadas de v respecto a la base B.

Tambien nos sera util describir a v como una matriz n × 1 y en ese ca-
so hablaremos de la matriz de v en la base B:
 
x1
 .. 
[v]B =  .  .
xn

(Usamos la misma notacion.)

Observación. Recordemos siempre:

v = x 1 v1 + · · · + x n vn ⇐⇒ [v]B = (x1 , . . . , xn ).

Por ejemplo. Las coordenadas de v ∈ Rn con respecto a la base canonica C

son las coordenadas usuales de Rn .

En efecto, si v = (x1 , . . . , xn ) ∈ Rn entonces

[v]C = (x1 , . . . , xn ) ⇐⇒ v = x1 e1 + · · · + xn en .

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 173

 19 de octubre de 2022

Por ejemplo. Sea B = {(1, −1), (2, 3)} una base ordenada de R2 . Encontrar
las coordenadas de (1, 0) ∈ R2 en la base B.
Solucion

Debemos encontrar escalares x1 , x2 ∈ R tales que

(1, 0) = x1 (1, −1) + x2 (2, 3)

Entonces tenemos que resolver el sistema

(
x1 + 2x2 =1
−x1 + 3x2 =0

3 1
La solucion es x1 = y x2 = . Es decir
5 5
 
3 1
[(1, 0)]B = ,
5 5

Observación. Las coordenadas determinan un unico valor.

Por ejemplo. ¿Que vector de R2 tiene coordenadas 1 y 2 en la base ordenada
B = {(1, −1), (2, 3)}? Dicho de otro modo,

¿Que v ∈ R2 tiene coordenadas [v]B = (1, 2)?

Respuesta

v = (5, 5) ∈ R2 .

En efecto, si 1 y 2 s onlas coordenadas de v en la base B quiere decir que

v = 1(1, −1) + 2(2, 3) = (5, 5)

La siguiente simple observacion suele ser muy util y la usaremos mas adelante.

Observación. Sea V un espacio vectorial de dimension finita y B = {v1 , . . . , vn }

una base ordenada de V .

Las coordenadas de vi ∈ B son

[vi ]B = (0, . . . , 1, . . . , 0),

es decir, todas 0 salvo un 1 en la i-esima coordenada.

Pues, vi = 0v1 + · · · + 1vi + · · · + 0vn .

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 174

 19 de octubre de 2022

Sea V un espacio vectorial de dimension finita y B = {v1 , . . . , vn } una base

ordenada de V .

El vector de coordenadas [v]B es un vector en Rn entonces lo podemos sumar y

multiplicar por escalares.

A continuacion veremos como se relacionan estas operaciones con las opera-

ciones propias del espacio vectorial V .
Proposición 67. Sea B = {v1 , . . . , vn } una base ordenada de V un K-espacio
vectorial.

Entonces
(1) Las coordenadas de la suma es la suma de las coordenadas:

[v + w]B = [v]B + [w]B ∀v, w ∈ V.

(2) Las coordenadas del producto por un escalar es igual a multiplicar las
coordenadas por el escalar:

[λv]B ∀v ∈ V, λ ∈ K.

A continuacion la demostracion

Demostración.
(1) Si v = x1 v1 + · · · + xn vn y w = y1 v1 + · · · + yn vn , entonces

v + w = (x1 + y1 )v1 + · · · + (xn + yn )vn ,

luego      
x1 + y1 x1 y1
[v + w]B =  .
.   ..   .. 
.  =  .  +  .  = [v]B + [w]B .


xn + yn xn yn

(2) Si v = x1 v1 + · · · + xn vn y λ ∈ K, entonces

λv = (λx1 )v1 + · · · + (λxn )vn ,

luego    
λx1 x1
[λv]B =  ...  = λ  ...  = λ[v]B .
   

λxn xn

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 175

 19 de octubre de 2022

Existe una forma general de pasar de las coordenadas de un vector en una ba-
se ordenada B a las coordenadas de otra base ordenada B ′ (teorema 3.5.3 del
apunte).

La teoria que vamos a comenzar a desarrollar, que esencialmente es poner en

coordenadas una transformacion lineal, nos servira para mirar las transforma-
ciones lineales como matrices.

Esta teoria, la matriz de una transformacion lineal, permite obtener resulta-

dos muy interesantes y nos indica que nuestra intuicion de transformaciones
lineales como matrices es la correcta.

Veremos mas adelante, entre otros resultados, que la formula general para cam-
bio de coordenadas se deduce de un resultado mas general (teorema 4.5.5 del
apunte).

Definición 58. Sean V y W espacios vectoriales de dimension finita con

bases ordenadas B = {v1 , . . . , vn } y B ′ = {w1 , . . . , wn }, respectivamente.
Sea T : V → W una transformacion lineal tal que
m
X
T vj = aij wi .
i=1

A A la matriz m × n definida por A ij = aij se la denomina la matriz de

 

T respecto a las bases ordenadas B y B ′ ; y se la denota

 
T BB′ = A.

Notar que T BB′ ∈ Rm×n con n = dim V y m = dim W .

 

Por ejemplo. Sea T : K3 → K2 definida por

T (x, y, z) = (2x − z, −x + 3y + z)

y B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} base ordenada de K3 .

Calculemos la matriz de T en la base B y la base canonica C2 de K2

T (1, 1, 1) = (1, 3) = 1e1 + 3e2

T (0, 1, 1) = (−1, 4) = (−1)e1 + 4e2
T (0, 0, 1) = (−1, 1) = (−1)e1 + 1e2 .

Luego  
  1 −1 −1
T BC = .
2 3 4 1

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 176

 19 de octubre de 2022

Observación.
 
a1j
m
X  a2j 
 
T vj = aij wi ⇔ T vj B′ = . 
 
i=1
 .. 
anj

Luego,  
   |  |  |
T BB′ =  T v1 B′ T v2 B′ ··· T vn B′ 
| | |
es decir, las columnas son los vectores de coordenadas de T vi ∈ W con respecto
a la base B ′ .

Por ejemplo. Sean C = {e1 , e2 , e3 } y C = {e1 , e2 } las bases canonicas de R3 y

R2 , respectivamente.

(Por abuso de notacion, denotamos C la base canonica de R2 y R3 )

Sea T : R3 → R2 una transformacion lineal tal que

T (e1 ) = (1, 1), T (e2 ) = (1, 2), T (e3 ) = (1, 3).

La matriz de T con respecto a las bases canonicas de R3 y R2 .

     
  1   1   1
T (e1 ) C = , T (e2 ) C = , T (e3 ) C = .
1 2 3

Entonces,  
  1 1 1
T CC = .
1 2 3

Por ejemplo. Sea T : K3 → K2 definida por

T (x, y, z) = (2x − z, −x + 3y + z).

Entonces la matriz en las bases canonicas de K3 y K2 es

 
   |   |   | 
T C C =  T (e1 ) C2 T (e2 ) C
2
T (e3 ) C 
2
3 2
| | |
 
2 0 −1
=
−1 3 1

Esta es la transformacion lineal que hemos considerado en paginas anteriores

donde
 vimos que era igual a la transformacion lineal “multiplicar por la matriz
A = T C ,C ”.

3 2

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 177

 19 de octubre de 2022

Por ejemplo. Sea T : K3 → K2 definida por

T (x, y, z) = (2x − z, −x + 3y + z)

y B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} base ordenada de K3 .

La matriz de T en la base B y la base canonica C2 de K2 es

 
   |   |   | 
T C C =  T (1, 1, 1) C2 T (0, 1, 1) C
2
T (0, 0, 1) C 
2
3 2
| | |
 
1 −1 −1
=
3 4 1

Proposición 68. Sean V y W espacios vectoriales de dimension finita con ba-

ses ordenadas B = {v1 , . . . , vn } y B ′ = {w1 , . . . , wm }, respectivamente.

Si T : V : V → W es una transformacion lineal, entonces

     
T (v) B′ = T BB′ v B

para todo v ∈ V .

En palabras, el vector de coordenadas de T (v) en la base B ′ es igual a multiplicar

la matriz de T en las bases B y B ′ por el vector de coordenadas de v en la base B.

La demostracion sigue los mismos pasos del siguiente ejemplo pero escribien-
do todo en forma mas abstracta: con letras y subindices en lugar de numeros
concretos.

Por ejemplo. Sean las bases ordenadas de R3

B = {(1, 0, −1), (0, 1, −1), (1, 1, 0)} y B ′ = {e1 , e2 , e3 }.

Sea T : R3 → R2 definida

T (x, y, z) = (x − 2y + z, x + y, −x − y + z),

y sea v = (−4, 4, 6). Veamos que

     
T (v) B′ = T BB′ v B

Solucion

Primero debemos calcular (1) T (v) B′ , (2) v B y (3) T BB′ .

     

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 178

 19 de octubre de 2022

Aplicando la definicion de T , calculamos

T (−4, 4, 6) = (−6, 0, 6) = −6(1, 0, 0) + 0(0, 1, 0) + 6(0, 0, 1).

Es decir  
−6
(1)
 
T (v) B′ =  0  .
6
Por otro lado

(−4, 4, 6) = −6(1, 0, −1) + 1(0, 1, −1) + 3(1, 1, 0),

Luego  
−7
(2)
 
v B =  1 .
3
Finalmente
T (1, 0, −1) = (0, 1, −2)
T (0, 1, −1) = (−3, 1, −2)
T (1, 1, 0) = (−1, 2, −2)
Luego  
0 −3 1
(3)
 
T BB′ =  1 1 2 .
−2 −2 −2
⇒     
    0 −3 1 −7 −6  
T BB′ v B =  1 1 2  1  =  0  = T (v) B′ .
−2 −2 −2 3 6

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 179

 19 de octubre de 2022

¿Por que se cumple esta “magica” igualdad?

Escribiendo v como combinacion lineal de la base B ′ y luego calculando T (v) se

desvela el “misterio”. En nuestro caso

v = (−4, −4, 6) = −7(1, 0, −1) + 1(0, 1, −1) + 3(1, 1, 0),

⇒  
v B = (−7, 1, 3)
Luego

T (−4, 4, 6) = T (−7(1, 0, −1)) + 1(0, 1, −1) + 3(1, 1, 0))

= −7T (1, 0, −1) + 1T (0, 1, −1) + 3T (1, 1, 0)
= −7(0, 1, 2) + 1(−3, 1, −2) + 3(−1, 2, −2)
 
−7 · 0 + 1 · (−3) + 3 · (−1)  
= −7 · 1 + 1 · 1 + 3·2  = T (v) ′
B
−7 · 2 + 1 · (−2) + 3 · (−2)

Repasando  
  0 −3 1
T BB′ =  1 1 2 ,
−2 −2 −2
 
  −7
v B= 1 
3
 
  −7 · 0 + 1 · (−3) + 3 · (−1)
T (v) B′ = −7 · 1 + 1 · 1 + 3·2 
−7 · 2 + 1 · (−2) + 3 · (−2)
Es decir
    
0 −3 1 −7 −7 · 0 + 1 · (−3) + 3 · (−1)
1 1 2   1  = −7 · 1 + 1 · 1 + 3·2 
−2 −2 −2 3 −7 · 2 + 1 · (−2) + 3 · (−2)
| {z
h i
} |h {zi } | h
{z i }
T BB′ v B T (v) B′

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 180

 19 de octubre de 2022

Observación.
Con solo conocer cuanto vale la transformacion en una base conocemos cuanto
vale en todo el espacio.

En efecto, la matriz de la transformacionj la armamos calculando la transfor-

macion en los vectores de una base. Y la proposicion anterior nos dice que para
calcular la transformacion en un vector cualquiera debemos multiplicar por esa
matriz.

Tambien vale lo siguiente.

Teorema 69. Sean V un espacio vectorial de dimension finita sobre el

cuerpo K y {v1 , . . . , vn } una base ordenada de V . Sean W un espacio vec-
torial sobre el mismo cuerpo y {w1 , . . . , wn }, vectores cualesquiera de W .
Entonces existe una unica transformacion lineal T de V en W tal que

T (vj ) = wj , j = 1, . . . , n.

Corolario 20 (Prop. 68.). Sea V un espacio vectorial de dimension finita

sobre el cuerpo K, sean B, B bases ordenadas de V . Entonces
     
v B = Id B′ B v B′ , ∀v ∈ V.

Demostración. Por la Proposicion 68 tenemos que

       
Id B′ B v B′ = Id(v) B = v B .

Definición 59. Se V un espacio vectorial de dimension finita  sobre el

cuerpo K y sean B y B ′ bases ordenadas de V . La matriz P = Id B′ B es


llamada la matriz de cambio de base de la base B ′ a la base B.

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 181

 19 de octubre de 2022

Teorema 70. Sean V, W y Z espacios vectoriales de dimension finita con

bases B, B ′ y B ′′ , respectivamente.

Sean T : V → W y U : W → Z transformaciones lineales.

Entonces la matriz de la transformacion lineal

T U
U T : V → Z, V → W′ → Z′′
B B B

es decir la composicion de T con U , satisface

     
U T BB′′ = U B′ B′′ T BB′

(multiplicacion de matrices)

Corolario 21. Sea V un espacio vectorial de dimension finita sobre el

cuerpo K y sean B y B ′ bases ordenadas de V . La matriz
  de cambio de
base P = Id B′ B es invertible y su inversa es P −1 = Id BB′ .


Demostración.
       
Id BB′
P = Id BB′ · Id B′ B = Id B′ B′ = Id

Notacion

Una transformacion lineal que va de un espacio en si mismo, es decir T : V → V ,

se llama operador lineal.

Si B es una base de V , T B denota la matriz de T en la base B y B, o sea

 

la base de salida y llegada es la misma, entonces usamos un solo subindice.

Corolario 22. Sea V un espacio vectorial de dimension finita con bases B

y U, T : V → V dos transformaciones lineales. Entonces
(1) U T B = U B T B
     

(2) T es un ismorfismo si y solo si T B es una matriz invertible. En tal

 

caso  −1   −1
T B
= T B

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 182

 19 de octubre de 2022

Los espacios vectoriales no tienen una base “natural” es decir una que es mas
importante que otras. Cuando trabajamos con bases estamos haciendo una elec-
cion y hay infinitas elecciones posibles.

El siguiente teorema nos dice como se relacionan las matrices de una trans-
formacion lineal respecto a distintas bases.

Sea V un espacio vectorial de dimension finita sobre el cuerpo K y saean

B = {v1 , . . . , vn }, B ′ = {w1 , . . . , wn }

bases ordenadas de V . Sea T un operador lineal sobre V . Entonces, si P es la

matriz de cambio de base de B ′ a B, se cumple que

T B′ = P −1 T B P.
   

Es decir        
T B′ = Id BB′ T B Id B′ B .

Demostración. Tenemos que T = Id T y T = T Id, luego

   
T B′ B′ = Id T B′ B′
(teorema 70)
   
= Id BB′ T B′ B
   
= Id BB′ T Id B′ B
(teorema 70)
     
= Id BB′ T BB Id B′ B .

Por lo tanto T B′ = Id BB′ T B Id B′ B = P −1 T BB P .

         

Las formulas

(0)
     
U T BB′′ = U B′ B′′ T BB′
(*)
       
T B′ = Id BB′ T B Id B′ B
(**)
   
Id BB′ Id B′ B = Id
(***)
     
v B = Id B′ B v B′

son importantes por si mismas y debemos recordarlas.

Como ya dijimos, la matriz P = Id B′ B es llamada la matriz de cambio de

 

base de la base B ′ a la base B.

La matriz de cambio de base nos permite calcular los cambios de coordena-

das de los vectores y los cambios de base de las transformaciones lineales.

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 183

 19 de octubre de 2022

Observación. Sea T : Kn → Kn operador lineal, B = {v1 , . . . , vn } base orde-

nada y C la base canonica, entonces
   
T BC = T (v1 ) T (v2 ) · · · T (vn ) .

Observación. Pudimos probar el teorema de cambio de base usando adecua-

damente el Teorema 70, es decir la formula
     
U T BB′′ = U B′ B′′ T BB′

Con igual argumento podemos deducir otras igualdades que son utiles para
armar todas las matrices a partir de matrices asociadas a bases canonicas, que,
como dijimos en la observacion anterior, es facil calcularlas.
Observación. Sea T : Rn → Rn una transformacion lineal.

Sean B y B ′ bases de Rn .

Entonces
         −1    
T B′ B = Id CB T CC Id B′ C = Id BC T CC Id B′ C

En palabras, “para ir de B ′ a B con T , primero vamos de B ′ a C, despues de C

a C con T y finalmente vamos de C a B ′′ ”.

Las matrices Id BC y Id B′ C son faciles de calcular, ponemos los vectores

   

de B y B ′ como columnas. Similarmente, la matriz de T en la base canonica

tambien es facil de calcular.

Observación. Sean B y B ′ dos bases de Rn .

Entonces la matriz de cambio de base de B ′ a B es

       −1  
Id B′ B = Id CB Id B′ C = Id BC Id B′ C

En palabras, “para ir de B ′ a B, primero vamos de B ′ a C y despues vamos de C

a B”

Las matrices Id BC y Id B ′ C son faciles de calcular, ponemos los vectores

   

de B y B ′ como columnas.

9 MATRIZ DE UNA TRANSFORMACION LINEAL. 184

 19 de octubre de 2022

10. Diagonalizacion
◦ A continuacion veremos los autovalores y autovectores desde una perspec-
tiva de las transformaciones lineales.

◦ Muchos conceptos y demostraciones se repiten o son similares al caso de

las matrices.
◦ Sea V espacio vectorial de dimension finita. Un operador lineal en V
es diagonalizable si existe una base ordenada B = {v1 , . . . , vn } de V y
λ1 , . . . , λn ∈ K tal que

T (vi ) = λi vi , 1 ≤ i ≤ n.

(T diagonalizable ⇔ ∃ base de autovectores)

◦ En general, los operadores diagonalizables permiten hacer calculos sobre
ellos en forma sencilla, por ejemplo el nucleo del operador anterior es
N u(T ) = ⟨vi : λi = 0⟩ y su imagen es Im(T ) = ⟨vi : λi ̸= 0⟩.
◦ Otra propiedad importante de los operadores diagonalizables es que la
matriz de la transformacion lineal en una base adecuada es diagonal (de
alli viene el nombre de diagonalizable).
 
λ1 0 0 ··· 0
 0 λ2 0 · · · 0 
 
T B=0
   0 λ3 · · · 0 .

 .. .. .. ..
. . . .


0 0 0 ··· λn

Definición 60. Sea T : V → V una transformacion lineal. Un autovalor

de T es un escalar λ ∈ R tal que existe un vector no nulo v ∈ V con

T (v) = λv

En tal caso, se dice que v es un autovector (asociado a λ).

El autoespacio asociado a λ es

Vλ = {v ∈ V | T (v) = λv} = {autovectores asociados a λ} ∪ {0}

10 DIAGONALIZACION 185
 19 de octubre de 2022

Lema 5. Sea T : V → V una transformacion lineal y B una base de V .

Las siguientes afirmaciones son equivalentes
◦ λ ∈ R y v ∈ V son autovalor y autovector de T

◦ v ∈ N u(T − λ Id)
◦ λ ∈ R y v B son autovalor y autovector de T B
   

Demostración.
T (v) = λv ⇔ (T v) − λv = (T − λ Id)v = 0

         
T (v) = λv ⇔ λ v B = λv B = T (v) B = T B v B

Consecuencia
◦ Para calcular los autovalores y autovectores de una transformacion T ,
elegimos una base B y calculamos los autovalores y autovectores de T B .

◦ No importa que base elijamos porque T B′ = P −1 T B P y en el Ejercicio

   

8 del 1er TP vimos que estas matrices tienen igual autovalores.

10 DIAGONALIZACION 186
 19 de octubre de 2022

Teorema 71. Sea T : V → V una transformacion lineal. Entonces Vλ es

un subespacio vectorial.
La demostracion es como en el caso de matrices.

Notar que podemos definir Vλ para cualquier λ ∈ R. Asi, λ es autovalor si

y solo si Vλ =
̸ 0

Teorema 72. Sea T : V → V una transformacion lineal.

Sean v1 , . . . , vm autovectores de T con autovalores λ1 , . . . , λm , respecti-

vamente.

Si todos los autovalores son distintos, entonces los vectores v1 , . . . , vm son

LI.
Demostración. La demostracion es por induccion.

Caso base. Si m = 1, entonces vale porque los autovectores son no nulos por
definicion y en tal caso el conjunto {v1 } es LI.

Paso inductivo. Para m + 1 procedemos como sigue.

Sean c1 , . . . , cm+1 escalares tales que

c1 v1 + · · · + cm vm + cm+1 vm+1 = 0 (*)
Si aplicamos T y multiplicamos por λm+1 esta igualdad obtenemos
T (∗) ⇝ c1 λ1 v1 + · · · + cm λm vm + cm+1 λm+1 vm+1 = 0

λm+1 · (∗) ⇝ c1 λm+1 v1 + · · · + cm λm+1 vm + cm+1 λm+1 vm+1 = 0

Restando miembro a miembro obtenemos
c1 (λ1 − λm+1 )v1 + · · · + cm (λm − λm+1 )vm = 0
Por (HI), ci (λi − λm+1 ) = 0 para todo 1 ≤ i ≤ m.

dado que los autovalores son distintos, ci = 0 para todo 1 ≤ i ≤ m. Por lo

tanto cm+1 = 0 y los vectores son LI.

Se preguntaran como saber si una transformacion lineal es diagonalizable.

La primera respueta es: calcular todos los autovalores y autovectores.

A continuacion veremos algunos criterios a tener en cuenta.

10 DIAGONALIZACION 187
 19 de octubre de 2022

Corolario 23.

Si V es un espacio vectorial de dimension n y T : V → V es una transfor-

macion lineal con n autovalores distintos entonces T es diagonalizable.

Demostración. En efecto, cada autovalor tiene al menos un autovector.

Elijamos un autovector v1 , . . . , vn para cada autovalor.

Por el Teorema 72 estos vectores son LI.

Dado que son tantos como la dimension de V forman una base.

Corolario 24. Si V es un espacio vectorial de dimension n y T : V → V

es una transformacion lineal con autovalores λ1 , . . . , λm . Si

dim V = dim Vλ1 + · · · + dim Vλm

Demostración. La demostracion es similar a la anterior.

Primero elegimos una base para cada autoespacio.

Despues vemos que la union de estas bases es un conjunto LI gracias al Teorema

72.

Finalmentel a union es una base de V por lo que forman una base del espa-
cio total.

Proposición 73. Se T : V → V con B = {v1 , . . . , vn } una base de autovectores

con autovalores λ1 , . . . , λn .

Entonces N u(T ) = ⟨vi : λi = 0⟩ e Im(T ) = ⟨vi : λi ̸= 0⟩.

Demostración. Recordemos: tal que |lambdai = 0 para 1 ≤ i ≤ k y λi ̸= 0 para
k < 1 ≤ n.

v∈V ⇒ v = x1 v1 + · · · + xk vk + xk+1 vk+1 + · · · + xn vn ,

y entonces
T (v) = λk+1 xk+1 vk+1 + · · · + λn xn vn . (1)
Luego

T (v) = 0 ⇔ xk+1 = · · · = xn = 0 ⇔ v = x1 v1 + · · · + xk vk
⇔ v ∈ ⟨vi : λi = 0⟩.

10 DIAGONALIZACION 188
 19 de octubre de 2022

Tambien es claro por la ecuacion (1) que

Im(T ) = {λk+1 xk+1 vk+1 + · · · + λn xn vn : xi ∈ K}

= {µk+1 vk+1 + · · · + µn vn : µi ∈ K}
= ⟨vi : λi ̸= 0⟩.

Definición 61. Sea V un espacio vectorial de dimension finita y T : V → V

una transformacion lineal. El
 polinomio caracteristico de T es el polinomio
caracteristico de la matriz T B donde B es una base de V . Es decir,
 

χT (x) = det T B − x Id

Observación. Notar que no importa que base

 usemos para calcular el polino-
mio caracteristico dado que T B ′ = P −1 T B P .


Proposición 74. Sea T : V → V una transformacion lineal. Entonces λv es

autovalor de T si y solo si λ es raiz del polinomio caracteristico.

Corolario 25. Sea T : V → V una transformacion lineal. Supongamos

que
χT (x) = (−1)n (x − λ1 )d1 · · · (x − λm )dm
Entonces

(1) 1 ≤ dim Vλi ≤ di para todo i.

(2) T es diagonalizable si y solo si Dim Vλi = di para todo i.

El punto de partida de esta seccion es la siguiente simple observacion.

Observación. Sea T : V → W una transformacion lineal. Si conocemos cuanto
vale T (vi ) para todos los vectores de una base B = {v1 , . . . , vn } de V , entonces
podemos calcular T (v) para todo v ∈ V .

Pues al ser B una base, si v ∈ V entonces v = x1 v1 + · · · + xn vn y por lo

tanto
T (v) = x1 T (v1 ) + · · · + xn T (vn )
Mas aun, una transformacion queda determinada por cuanto vale en una base.

10 DIAGONALIZACION 189
 19 de octubre de 2022

Teorema 75. Sea V un espacio vectorial con base B = {v1 , . . . , vn }.

Sea W un espacio vectorial y {w1 , . . . , wn } vectores de W .

Entonces existe una unica transformacion lineal T : V → W tal que

T (vi ) = wi para todo i.

Notar que los wi ’s pueden ser cualesquiera vectores y se pueden repetir.

Este teorema nos permite construir transformaciones lineales con propie-

dades especificas (ver los ejercicios del Practico 8)

“Se extiende T por linearidad.”

Observación. Lo que nos dice el teorema es que para definir una transforma-
cion lineal es suficiente que definamos cuanto vale en una base.

Si bien estamos acostumbrados a definir funfiones usando formulas en el ca-

so de las transformaciones lineales no es necesario.

Si quisieramos dar una formula podemos usar las coordenadas en la base.

Y si estamos en Rn podemos usar las coordenadas usuales usando la matriz

de la transformacion y el teorema que nos dice como se relacionan las matrices
en distintas bases.

Teorema 76. Sea A matriz n×n en R simetrica. Sea A : Rn → Rn definida

A(v) = Av. Entonces A es diagonalizable.

(Se usa el teorema fundamental del Algebra: Si p(x) polinomio a coeficientes en

C, p(x) tiene al menos una raiz.)

11. Extensiones lineales.

El punto de partida de esta seccion es la siguiente simple observacion que ya
hemos notado anteriormente.
Observación. Sea T : V → W una transformacion lineal. Si conocemos cuanto
vale T (vi ) para todos los vectores de una base B = {v1 , . . . , vn } de V , entonces
podemos calcular T (v) para todo v ∈ V .
Pues al ser B una base, si v ∈ V entonces v = x1 v1 + · · · + xn vn y por lo tanto
T (v) = x1 T (v1 ) + · · · + xn T (vn ).
¿De cuantas maneras puedo escribir a v como combinacion lineal de los vectores
de la base B?

11 EXTENSIONES LINEALES. 190

 19 de octubre de 2022

Mas aun, una transformacion queda univocamente determinada por cuanto vale
en una base.

Teorema 77. Sea V u nespacio vectorial con base B = {v1 , . . . , vn }.

Sea W un espacio vectorial y {w1 , . . . , wn } vectores de W .

Entonces existe una unica transformacion lineal T : V → W tal que

T (vi ) = wi para todo i.

Notar que los wi ’s pueden ser cualesquiera vectores y se pueden repetir. (No es
necesario que sean una base. Pueden ser todos el vector cero.)

Este teorema nos permite construir transformaciones lineales con propiedades

especificas (ver los ejercicios del Practico 8)
Demostración. Si v ∈ V , entonces existen unicos excalares x1 , . . . , xn (las coor-
denadas) tal que
v = x 1 v1 + · · · + x n vn
pues B = {v1 , . . . , vn } es una base de V . Entonces podemos definir la funcion
T : V → W asi
T (v) = x1 w1 + · · · + xn wn .
Esta funcion resulta ser una transformacion lineal porque las coordenadas res-
petan las operaciones de suma y producto por escalares.

Claramente, T (v1 ) = w1 , T (v2 ) = w2 , . . . , T (vn ) = wn .

Por ejemplo. Si tomamos V = K3 con la base canonica C = {e1 , e2 , e3 },

W = K3 y {(1, 2, 3), (−1, 0, 5), (−2, 3, 1)} entonces existe una unica transfor-
macion lineal T : K3 → K3 tal que
T (e1 ) = (1, 2, 3), T (e2 ) = (−1, 0, 5), T (e3 ) = (−2, 3, 1)
Dado (x, y, z) ∈ K3 ¿Cuanto vale T (x, y, z)?

Para responder a esta pregunta usar las coordenadas como en la demostracion

del teorema. En este caso
(x, y, z) = xe1 + ye2 + ze3 .
Entonces
T (x, y, z) = T (xe1 + ye2 + ze3 )
= xT (e1 ) + yT (e2 ) + zT (e3 )
= x(1, 2, 3) + y(−1, 0, 5) + z(−2, 3, 1)
= x(1, 2, 3) + y(−1, 0, 5) + z(−2, 3, 1)
= (x − y − 2z, 2x + 3z, 3x + 5y + z).

11 EXTENSIONES LINEALES. 191

 19 de octubre de 2022

Por ejemplo. Si tomamos V = K3 con la base canonica C = {e1 , e2 , e3 },

W = K3 y {(1, 2, 3), (−1, 5, 5), (−2, 3, 1)} entonces existe una unica transforma-
cion lineal T : K3 → K3 tal que
T (e1 ) = (1, 2, 3), T (e2 ) = (−1, 0, 5), T (e3 ) = (−2, 3, 1).
Explicitamente esta transformacion lineal es dada por la formula:
T (x, y, z) = (x − y − 2z, 2x + 3z, 3x + 5y + z).
Tambien podriamos definirla como la multiplicacion por
 
  1 −1 −2
A = T C = 2 0 3
3 5 1

Por ejemplo. Si tomamos V = K3 con la base B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)},
W = K3 y {(1, 2, 3), (−1, 0, 5), (−2, 3, 1)} entonces existe una unica transforma-
cion lineal T : K3 → K3 tal que
T (1, 1, 1) = (1, 2, 3), T (0, 1, 1) = (−1, 0, 5), T (0, 0, 1) = (−2, 3, 1).
Dado (x, y, z) ∈ K3 ¿Cuanto vale T (x, y, z)?

Para responder a esta pregunta usar las coordenadas como en la demostra-

cion del teorema. Lo que queremos es la matriz de T en la base canonica.

Por la teoria sabemos que

           −1
T C,C = Id B,C T B,B Id C,B = T B,C Id B,C
 
  1 −1 −2
T B,C = 2 0 3
3 5 1
 −1  
  1 0 0 1 0 0
Id C,B = 1 1 0 = −1 1 0
1 1 1 0 −1 1
Entonces  
     −1 2 1 −2
T C,C = T B,C Id B,C =  2 −3 3
−2 4 1
Por lo tanto
    
2 1 −2 x 2x + y − 2z
T (x, y, z) =  2 −3 3 y  =  2x − 3y + 3y 
−2 4 1 z −2x + 4y + z
Podemos verificar que esta transformacion satisface que
T (1, 1, 1) = (1, 2, 3), T (0, 1, 1) = (−1, 0, 5), T (0, 0, 1) = (−2, 3, 1).

11 EXTENSIONES LINEALES. 192

 19 de octubre de 2022

Por ejemplo. Dar una transformacion lineal T : K2 → K2 tal que

(1, 1) ∈ N u(T ) y (1, 2) ∈ Im(T ).

Para resolver este tipo de problemas podemos recurrir al Teorema 75 para ello
debemos verificar la hipotesis del mismo.

Primero, necesitamos elegir una base del espacio de salida. Como una de las
condiciones es que (1, 1) ∈ N u(T ) elegimos una base que contenga a este vector.
Por ejemplo, B = {(1, 1), (0, 1)} es una base de K2 .

Luego elegimos los vectores del espacio de llegada. Como la otra condicion es
que (1, 2) ∈ Im(T ) eegimos {(0, 0), (1, 2)}.

Entonces el Teorema 75 nos dice que existe una unica transformacion lineal
T : K2 → K2 tal que

T (1, 2) = (0, 0), T (0, 1) = (1, 2).

Esta transformacion satisface lo que queriamos.

Si queremos una formula mas explicita de esta transformacion calculamos la

matriz de T e nla base canonica como lo hicimos en el ejemplo anterior.

Explicitamente,
  −1  
     −1 0 1 1 0 −1 1
T C,C = T B,C Id B,C = =
0 2 1 1 −2 2

Entonces la transformacion T (x, y) = (−x + y, −2x + 2y) satisface que

(1, 1) ∈ N u(T ), (1, 2) ∈ Im(T )

Problema

Dar una transformacion lineal T : K2 → K2 tal que (1, 1) ∈ N u(T ) y (1, 2) ∈

Im(T ).

Una respuesta es

T (x, y) = (−x + y, −2x + 2y)

Observación. Existen infinitas transformaciones con la propiedad solicitada.
Esto es asi porque en el transcurso de la construccion hemos hecho varias elec-
ciones. Si cambiamos nuestra eleccion construiremos otra transformacion lineal.

11 EXTENSIONES LINEALES. 193

 19 de octubre de 2022

Por ejemplo, podriamos elegir la base B = {(1, 1), (1, −1)} y como conjunto de
llegada {(0, 0), (2, 4)}. Luego, por el Teorema 75, existiria una unica transfor-
macion lineal tal que

T (1, 1) = (0, 0), T (1, −1) = (2, 4).

1
Entonces (1, 1) ∈ N u(T ) y (1, 2) = T (1, −1) ∈ Im(T ).
2
La otra transformacion que construimos es la unica que satisface T (1, 1) = (0, 0)
y T (0, 1) = (1, 2).
Observación. Lo que nos dice el teorema es que para definir una transforma-
cion lineal es suficiente que definamos cuanto vale en una base.

Si bien estamos acostumbrados a definir funciones usando formulas en el ca-

so de las transformaciones lineales no es necesario.

Si quisieramos dar una formula podemos usar las coordenadas en la base.

Y si estamos en Kn podemos usar las coordenadas usuales usando la matriz

de la transformacion y el teorema que nos dice como se relacionan las matrices
en distintas bases.

11 EXTENSIONES LINEALES. 194