1 Espacios vectoriales

Sea K un cuerpo y V un conjunto no vacı́o. Definamos en ella 2 operaciones a las que llamaremos
adición y multiplicación por un escalar:

+ : V xV → V

(V, u) → v + u
• : KxV → V
λ, v) → λ.v

1.1 Coordenadas
Una de las caracterı́sticas útiles de una base B en un espacio n-dimensional V es que esencialmente
permite introducir coordenadas en V análogas a las coordenadas naturales Xi de un vector x =
(X1 , . . . , Xn ) en el espacio Fn . En este esquema, las coordenadas de un vector a en V con respecto
a la base B serán los escalares que sirven para expresar una como una combinación lineal de los
vectores en la base. Por lo tanto, nos gustarı́a considerar las coordenadas naturales de un vector
’a’ en Fn como definido por la base estándar para Fn ; sin embargo, al adoptar este punto de vista
debemos ejercitar una cierta cantidad de cuidado.

Definición Si V es un espacio vectorial de dimensión finita, una base ordenada para V es una
secuencia finita de vectores que es linealmente independiente y abarca V.

1.2 Restricción y extensión de escalares

Un C-espacio vectorial es automáticamente un R-espacio vectorial, con solo restringir el campo de
escalares a R, a este proceso se le llama restricción de escalares o en caso contrario transformar un
R-espacio vectorial en un C- espacio vectorial proceso llamado extensión de escalares o complejifi-
cacion.

Proposición 1 Si dimC V = n, entonces

dimR V = 2n

Demostración Si V1 ,. . . , Vn base de V como C-espacio vectorial, entonces V1 , V2 ,. . . , Vn ,

iV1 , iV2 ,. . . , iVn es base de V como R-espacio vectorial.

Probamos que estos son L.I.

Suponemos:

a1 V1 , a2 V2 , . . . , an Vn , ib1 V1 , ib2 V2 , . . . , ibn Vn = 0

(a1 + ib1 )V1 + · · · + (an + ibn )Vn = 0
Se sabe que los Vj son L.I.
a1 + ib1 = 0, . . . , an + ibn = 0

1
de ahı́
a1 = a2 = a3 = · · · = an = 0; b1 = b2 = · · · = bn = 0
por lo tanto si la dimC V = n y dimR V = 2n

Ahora

Dado un R-espacio vectorial V, para convertirlo en un C espacio vectorial procedemos de la

siguiente manera: Sobre V×V se define la estructura de C espacio vectorial mediante las opera-
ciones:

• Suma:
(u, v) + (u1 , v1 ) = (u + u1 , v + v1 )
• Producto por un escalar:

(a + ib).(u, v) = (au − bv, av + bu); (i2 = −1)

Se observa inmediatamente que V×V Es un C espacio vectorial al que notaremos con V se

denotan con (u, v) = u + iv, en analogı́a a los números complejos.

Proposición 2 Si V es un R-espacio vectorial de la dimensión finita, entonces DimR V =

DimC V

Ejercicio 1 Si V = R[ x], ÿEs V = C[ X]?

Resolución Si V = R entonces V = C, sin embargo, para V = R2 ,

V no es C 2 . Esto significa que la operación de C 2 como C-espacio vectorial

α(u, v) = (α.u, α.v), dondeα = a + ib, u = (x, y), v = (r, t)

no es igual a la operación
(α + ib)(u, v) = (α.u − bv, bu + av)
De R2 como C-espacio vectorial.

1.3 Producto Interno

Se mostrará que sobre espacio vectoriales generales se puede definir un producto interno y no solo
canónico que satisfacen las siguientes propiedades:

1.< u, v >=< v, u > para todo u, v ∈ V

2.< u + v, w >=< u, w > + < v, w >, para todo w ∈ V

3.< ku, v >= k < u, v >, para todo k ∈ R

4.< u, u > ≥ 0 ó < u, u >= 0 ⇐⇒ u = 0

2
 Definición Un C-espacio vectorial de dimensión finita con producto interno, se llama espacio
euclidiano complejo o espacio unitario.

1. < u, kv > = < kv, u > = k < u, v > = k < u, v > para todo k ∈ C

2. < u, u > = < u, u > luego < u, u > es real, por lo que tiene sentdo considerar:

< u, u >≥ 0
3. En Cn dados
X = (x1 , . . . , xn ), y = (y1 , . . . , yn )

Su producto interno canonico es:

n
X
x.y = xi y i
i=1

Ejercicio 2 Si V = R2 , u = (x1 , x2 ), v = (y1 , y2 ) probar que:

< u, v >= 2x1 y1 + 3(x1 y2 + x2 y1 ) + 5x2 y2
es un producto interno.
Demostramos la propiedad:
4. < u, v >≥ 0
u. < u, v >= 0 ←→ u = 0
Las demás son sencillas
u = (x, y)
< u, u >= 2x + 6xy + 5y 2 = 2(x2 + 3xy) + 5y 2
2

= 2(x2 + 4xy + 9/4y 2 ) + 5y 2 − 9/2y 2

= 2(x + 3/2y)2 + 1/2y 2
u = (x, y) ≥ 0

1.4 Independencia lineal

Una cuestión que surge al considerar un sistema de generadores de un K-espacio vectorial V es
la de hallar sistemas de generadores que sean minimales respecto de la inclusión, es decir, tal que
ningún subconjunto propio sea también un sistema de generadores de V. Los siguientes resultados
caracterizan a los conjuntos con esta propiedad.
Sean V un K-espacio vectorial, S un subespacio de V y v1 , . . . , vn ⊆ V .
Entonces < v1 , . . . , vn >⊆ S ←→ vi ∈ S∀1 ≤ i ≤ n.

Demostración
(−→) Para cada 1 ≤ i ≤ n
vi = 0.v1 + · · · + 0.vi−1 + 1.vi + 0.vi + 1 + · · · + 0.vn ∈< v1 , . . . , vn >⊆ S, de donde vi ∈ S.
(←−) Como v1 , . . . , vn ∈ S y S es un subespacio, entonces
n
X
αi vi ∈ S∀αi ∈ K
i=1

Luego: < v1 , . . . , vn >⊆ S.

Sea V un K-espacio vectorial, y sea v1 , . . . , vn , vn + 1 ⊆ V . Entonces
< v1 , . . . , vn , vn + 1 >=< v1 , . . . , vn >←→ vn + 1 ∈< v1 , . . . , vn >

3
 Demostración
(−→) Se tiene
< v1 , . . . , vn , vn + 1 >⊆< v1 , . . . , vn >
Entonces, por la proposición anterior,

vn + 1 ∈< v1 , . . . , vn >

(←−) Por hipótesis:

vn + 1 ∈< v1, . . . , vn >
Además,
vi ∈< v1 , . . . , vn > ∀1 ≤ i ≤ n
Entonces:
< v1 , . . . , vn , vn + 1 >⊆< v1 , . . . , vn >
Por otro lado,
vi ∈< v1 , . . . , vn + 1 > ∀1 ≤ i ≤ n
y entonces vale
< v1 , . . . , vn , vn + 1 >⊇< v1 , . . . , vn >
Luego
< v1 , . . . , vn , vn + 1 >=< v1 , . . . , vn >

1.5 Base de un espacio vectorial

Sea V un K-espacio vectorial sobre el cuerpo K, u, v, w ∈ V .
Diremos que w ∈ V es una combinación lineal de los vectores u y v si y solo si existen escales α, β
∈ K de modo que se cumpla:
w = α.u + β.v
Ahora como nuestro objetivo de esta parte del curso, es trabajar en el espacio cartesiano, particu-
larizaremos la definición general anterior, al espacio vectorial R2 .
Sean u, v ∈ R2 dos vectores y w ∈ R2 . Diremos que w es una combinación lineal de los vectores u
y v si y solo si existe α, β ∈ R de manera que se cumpla:

w = α.u + β.v

Sea w un vector en R2 y u1 , u2 , u3 ∈ R2 .
Diremos que w es una combinación lineal entre los vectores u1 , u2 , u3 si y solo si existen α, β, ϕ ∈
R de modo que:
w = α.u1 + β.u2 + ϕ.u3
Sea V un espacio vectorial y u, v ∈ V. Diremos que u y v son vectores linealmente independientes
(li) si y solo si:
α.u + β.v = 0 −→ α = β = 0
Sea V un espacio vectorial sobre un cuerpo K, y v1 , v2 , . . . , vn ∈ V para algún n ∈ N. Diremos que
v1 , v2 , . . . , vn son vectores l.i si y solo si:

λ1 .v1 + λ2 .v2 + · · · + λn .vn = 0

podemos implicar que:

λ1 = λ2 = · · · = λn = 0
Sea V un espacio vectorial y
v1 , v2 , . . . , vn ∈ V

4
donde n ∈ N. Diremos que v1 , v2 , . . . , vn son vectores linealmente dependientes (l.d) si y solo si:
v1 , v2 , . . . , vn no son l.i.
Sea V un espacio vectorial y L ⊂ V un subconjunto no vacı́o en dicho espacio. Denotaremos por:

ξ(L) = w ∈ V : ∃λ1 , λ2 , . . . , λn ∈ K, v1 , v2 , . . . , vn ∈ L, n ∈ N, w = λ1 .v1 + · · · + λn .vn

Sea V un K-espacio vectorial y L ⊂ V no vacı́o. Diremos que L es un generador del espacio V si y

solo si
ξ(L) = V
Esto nos está indicando que cualquier elemento del espacio vectorial V, se puede expresar no nece-
sariamente en forma única, como combinación lineal de los elementos de L. Sea V un K-espacio
vectorial y B ⊂ V. Diremos que B es una Base del espacio vectorial V si y solo si cumple con dos
axiomas:
1. B es l.i.
2. B genera al espacio V, es decir ξ(B)

1.6 Distancia entre 2 rectas

En un espacio vectorial V, consideremos dos rectas

L = α + θ.u, θ ∈ R, L0 = b + α.v/t ∈ R
~ = F E sea
Donde u ,v son no nulos y no paralelos. Busquemos E ∈ L y F ∈ L’ tales que w = EF
perpendicular a u y v Como
E = a + θ.v, F = B + λ.v
Donde λ, θ están por determinar
~ = a.b + (λ.v − θ.u)
EF

Las condiciones < u, w >=< v, w >= 0 , implican el sistema:

< ab, u > +λ < v, u > −θ||u||2 = 0

< ab, v > +λ||v||2 − θ < u, v >= 0

Que posee solución única para λ y θ, puesto que su matriz de coeficientes tiene por determinante:

(< u, v >)2 − ||u||2 .||v||2

que es distinto de cero por la desigualdad de Schwartz. Para estos valores de λ y θ, quedan
determinados los puntos E ∈ L y F ∈ L’ tales que

d(L, L0 ) = ||EF ||

Ejemplo: En V → R4, hallemos la distancia entre las rectas

L = (1, −1, 2, 1) + θ(1, 0, 1, 0)/θ ∈ R

L0 = (1, 2, 1, −1) + λ(0, 1, 1, 0)/λ ∈ R

Para adecuar el problema a lo anteriormente expuesto, tomemos:

a = (1, −1, 2, 1)

5
 u = (1, 0, 1, 0)
b = (1, 2, 1, −1)
v = (0, 1, 1, 0)
~ - a.b + (λv - θu) debe satisfacer EF
Si E = a + θ.u y F = b + λ.v, entonces EF ~ .u = 0, EF
~ . v=
0, lo que a su vez determina el sistema
~ + λ < v.u > .θ||u||2 = 0
ab.u

~ + λ||v||2 − θ < v.u >= 0

ab.v

Pero las relaciones

~ = (0, 3, −1, −2)
ab
~ = −1
ab.u
~ =2
ab.v
u.v = 1
||u||2 = ||v||2 = 2
transforman el sistema anterior en:
−1 + 1 − 2θ = 0
2 + 2λ 0 = 0
cuya solución es:
θ = −4/3, λ = −3/5
con lo que se obtiene:
E = (1/3).(−1, −3, 2, 3)
F = (1/3).(3, 1, −2, −3)
~ = (2/3)(2, 2, −2, −3)
EF
Finalmente: √
~ || = (2/3). 21
d(L, L0 ) = ||EF

1.7 Espacio Cociente

En esta sección definimos un nuevo tipo de espacio vectorial, el que proviene de los conjuntos co-
cientes, los mismos que son de gran utilidad en el estudio de la matemática. Definición (Relación
de Equivalencia). Dado un conjunto A / 0, una relación sobre A es de equivalencia si:

(i) es reflexiva, es decir x x, para cada x ∈ A

(ii) es simétrica, es decir: si x y, entonces y x

(iii) es transitiva, es decir: si x y e y z, entonces x z

La clase de equivalencia de x ∈ A, M = y A/ y/ x es un subconjunto de A.

6
 Proposicion Las clases de equivalencia tienen las siguientes propiedades:

1. Si z ∈ [x], entonces [z] → [x]

2. Si [x] 6= [y], entonces [x] ∩ [y] = φ
3. A = U[x] (unión disjunta)

Ejemplo:

Sea:
S = (x, y, 2) ∈ R3 /x + 2y − 3z = 0
Hallemos una base del espacio
R3
/3.
El mecanismo que emplearemos en este ejemplo se utiliza casi siempre en situaciones más generales,
por lo que se debe prestar atención.
Construyamos una base de S de la siguiente manera: sea w = (x, y, z) ∈ S, entonces:

w = (−2y + 3z, y, z) = y(−2, 1, 0) + Z(3, 0, 1)

Luego v1 = (-2, 1, 0), v2 = (3, 0, 1) conforman una base de S. Completamos v1 , v2 a una base de
R3 , por ejemplo adjuntando u3 = v3 = (0, 0, 1). Luego v1 , v2 , v3 es una base de R3 pasando al
cociente, tenemos:
[v1 ] = S = [0]
[v2 ] = S = [0]
de donde sólo nos queda [v3 ] 6= [0]. Además, este último genera el espacio cociente R3 /S
Ası́:
Dim(R3 )/S = 1

1.8 Aplicaciones
Mientras que los espacios vectoriales son algo desarrollado en las matemáticas, también tienen
otros usos en diferentes ramas de la ciencia, ası́ como la ingenierı́a y hasta en la vida cotidiana. A
continuación, listaremos algunas de las aplicaciones:

Sistemas de recomendación Particularmente, en el filtro basado en contenido, el cual se

basa en la descripción de un ı́tem y el perfil de preferencias del usuario. Estos elementos se usan
para determinar que le gusta al usuario, para lo cual el algoritmo recomienda ı́tem similares al
tomado de muestra. Un algoritmo ampliamente utilizado es la representación ”tf-idf” (también
llamado representación del espacio vectorial).

Acústica y música El análisis de Fourier o frecuencias de sonidos y notas musicales son

básicamente un análisis de un espacio vectorial. Materiales acústicos en auditorios pueden absorber
o reflejar ciertas frecuencias.

7
 Ciencia de Datos En la mayorı́a de problemas de Ciencia de Datos se tiene un conjunto de
datos en forma de ”m filas y ”n columnas, donde cada fila es un datum, punto o observación y cada
columna es una caracterı́stica o atributo. Lo anterior se representa por una matriz m x n la cual
puede tomar distintas formas, por lo que se puede aproximar cualquier punto en los datos como
una combinación lineal de algunos vectores, es decir, una base de un espacio vectorial, para esto se
usan distintos algoritmos, que pueden crear bases diferentes.

Fı́sica Gran parte de la fı́sica es trabajada mediante espacios vectoriales, por ejemplo, existen
magnitudes vectoriales, las cuales se representan por vectores dentro de un espacio vectorial, como
la fuerza, la velocidad o el campo eléctrico.

Ahora desarrollaremos un problema simple basado en la ultima aplicación mencionada:

Sea u0 = (4, 5), v0 = (8, 3), la posicion de 2 moviles U y V, respectivamente, en un plano cartesiano
R2 que se mueven con velocidades u1 = (1, 2)u/s y v1 = (3, −1)u/s respectivamente, hallar ab, ~ que
es la distancia que se separan los moviles luego de 4 segundos.

Resolución Con los datos dados por el problema, y las ecuaciones vectoriales de posición en
fı́sica, deducimos que:
x~u = [(4, 5) + t(1, 2)]u/s
x~v = [(8, 3) + t(3, −1)]u/s
Donde t = 4, con lo cual reemplazamos en las ecuaciones dadas para hallar la posición final de cada
móvil.
a~u = [(4, 5) + 4.(1, 2)] = [(4, 5) + (4, 8)] = (8, 13)
b~v = [(8, 3) + 4.(3, −1)] = [(8, 3) + (12, −4)] = (20, −1)
~
Ahora, con los vectores hallados, calculamos ab:
~ = ~b − ~a = (20, −1) − (8, 13)
ab

~ = (12, −14)u/s
ab
El resultado se obtuvo usando parte de la teorı́a desarrollada durante toda esta sección, aunque
simple, nos sirve para ilustrar el uso que tienen los espacios vectoriales dentro de una de las ramas de
la ciencias, que es la fı́sica, puesto que todos los elementos usados en el problema estan contenidos
dentro de un espacio vectorial R2 , el cual puede ser usado para distintos tipos de unidades de
distancia.

8
2 Transformaciones Lineales
Definición

Sean V y W dos K- espacios vectoriales, una Transformación Lineal de V en W , es una

aplicación T : V → W que verifique:

• T (u + v) = T (u) + T (v), para todo u, v ∈ V

• T (λu) = λT (u), para todo u ∈ V, λ ∈ K

Proposición Toda transformación lineal T : V → W satisface las siguientes propiedades:

• T (0) = 0
• T (−u) = −T (u), para todo u ∈ V
• T (u − v) = T (u) − T (v), para todo u, v ∈ V
• T ( nj=1 xj uj ) = nj=1 xj T (uj ), para todo xj ∈ K, uj ∈ V
P P

2.1 Núcleo e Imagen

Asociados a toda transformación lineal T : V → W , tenemos los subespacios.
N (T ) = {v ∈ V /T (v) = 0} (Núcleo de T )
Im(T ) = {w ∈ W/w = T (v)} = {T (v)/v ∈ V } (Imagen dee T )

Proposición N (T ) es un subespacio de V y Im(T ) es un subespacio de W .

Definición Dada una transcformacion lineal T : V → W , tenemos las siguientes denomina-

ciones :

• T es sobreyectiva o un epimorfismo si T es una función sobreyectiva. , esto es si T (V ) = W

• T es inyectiva o un monomorfismo si T es una función inyectiva.
• T es un isomorfismo si es inyectiva y sobreyectiva.

2.2 Espacios de Transformaciones Lineales

En esta sección , U , V , W denotan K- espacios vectoriales.
El conjunto

L(V, W ) = {T : V → W/T es una transformación lineal}

con las operaciones

(T + L)(v) = T (v) + L(v), v ∈ V

(λT )(v) = λT (v), v ∈ V, λ ∈ K
es un espacio vectorial de transformaciones lineales.
Cuando W = K, V ∗ = L(V, K) se llama espacio dual de V .

9
2.3 Base Dual
Para cada función lineal f ∈ V ∗ , existe un único v ∈ V tal que

f (u) =< u.v > para todo u ∈ V

2.3.1 Ejercicios

1. Proposición: Una transcformacion lineal T : V → W ⇔ N (T ) = {0}.

Demostración

⇒ Si T es inyectivo y v ∈ N (T ) → T (v) = 0 = T (0) implica v = 0 por inyectividad. Asi

N (T ) = {0}
⇐ Si N (T ) = {0} y T (u) = T (v). Entonces T (u) − T (v) = T (u − v) = 0, de donde
u = v ∈ N (T ) = {0} esto es u − v = 0.Asi u = v y por lo tanto T es inyectivo.

2. Ejercicio: Hallar una T.L T : R3 → R2 que lleve el plano P = {u ∈ R3 /u.(1, 2, −3)} sobre
la recta de ecuación 2x + 5y = 0, y el punto (1, 0, −1) sobre (1, 1).

Solución

En primer lugar busquemos una clase de P.

u = (−2, 1, 0), v = (3, 0, 1), w = (1, 0, −1)
Todo vector (x, y, z) ∈ R3 se escribe como
1 1
(x, y, z) = y(−2, −1, 0) + (x + 2y + z)(3, 0, 1) + (x + 2y − 3z)(1, 0, −1)
4 4
La transformación lineal T.L T : R3 → R2 deberá satisfacer
T (u) = T (v) = (5, −2), T (1, 0, −1) = (1, 1)
1 1
T (x, y, z) = y(5, −2) + (x + 2y + z)(5, −2) + (x + 2y − 3z)(1, 1)
4 4
1
T (x, y, z) = (6x + 32y + 2z, −x − 10y − 5z)
4
3. Ejercicio: Sea T ∈ L(V ; W ) una transformación lineal inyectiva y sean {v1 , . . . , vk } algunos
vectores linealmente independientes. Entonces los vectores {T v1 , . . . , T vn } son linealmente
independientes.

10
 Solución

Queremos probar que {T v1 ; . . . ; T vn }son linealmente independientes, para esto consideremos

la combinación lineal:
α1 T v1 + α2 T v2 + · · · + αn T vn = 0
desde que T ∈ L(V ; W ) se cumple que

T (α1 v1 + α2 v2 + · · · + αn vn ) = 0 = T (0)

Aprovechando ahora que T es inyectiva se tiene que:

α1 v1 + α2 v2 + · · · + αn vn = 0

y por hipótesis v1 , . . . , vn es linealmente independiente, entonces

α1 = α2 = · · · = αn = 0 :

Por tanto {T v1 , . . . , T vn } son linealmente independientes.

4. Ejercicio: Sea V = R2 B = {(1, 1), (1, −1)} base de V . Halle la base dual B ∗

Solución

Hallando la base dual B ∗ = {f1 , f2 } debe cumplirse :

• f1 (v1 ) = 1, f1 (v2 ) = 0 . . . (a)

• f2 (v1 ) = 0, f2 (v2 ) = 1 . . . (b)

Sea v = (x, y) ∈ R2 , ∃α, β ∈ R/

v = (x, y) = αv1 + βv2

(x, y) = α(1, 1) + β(1, −1)

(x + y) (x − y)
(x, y) = v1 + v2
2 2
Asi:

(x + y) (x − y)
• f1 (x, y) = f1 (v1 ) + f2 (v2 )
2 2
(x + y)
Por (a) : f1 (x, y) = , ∀v = (x, y) ∈ V = R2
2
(x + y) (x − y)
• f2 (x, y) = f2 (v1 ) + f2 (v2 )
2 2
(x − y)
Por (b) : f2 (x, y) = , ∀v = (x, y) ∈ V = R2
2
∴ B ∗ = {f1 , f2 } base dual de B

11
2.4 Aplicaciones
Lista de Aplicaciones

• Transformación de un vector de Producción a un vector de materia prima

• Al verse frente a un espejo

• Las gráficas de computadoras en 2 y 3 dimensiones .

12
3 Matrices
Los coeficientes de un sistema de ecuaciones lineales, tal como:

Ax + By = r
Cx + Dy = s
Revelan un ordenamiento rectangular de números, el cual es:

a b
[ ]
c d

Al que se llama matriz.

En general, una matriz m x n, o sea de m filas y n columnas, es un ordenamiento rectangular

de números, tal como:
a11 · · · a1n
[ ... ... ..
. ]
am1 · · · amn
donde la ubicación de los coeficientes aij es única. Por comodidad, las matrices se denotarán con
letras mayúsculas como A, B, C, etc y sus componentes con letras minúsculas. Ası́:
A = [aij ], B = [bij ], C = [cij ], etc.
Al conjunto total de matrices m × n con coeficientes en el cuerpo K, lo denotaremos con K mxn .
En particular K mx1 es el conjunto de vectores columna y K 1xn el conjunto de los vectores fila.
El conjunto K mxn está provisto de las operaciones de suma y producto por un escalar, en forma
análoga a K n , como mostramos a continuación.
Dadas A = [aij ] y B = [bij ] en K mxn , la suma y el producto por un escalar λ.K son:
A + B = [aij + bij ], λA = [λaij ]
Y la matriz cero es:

0 = [aij ], donde aij = 0∀i, j

Por otro lado, bajo ciertas restricciones, existe el producto de matrices, definido para:
A = [aij ] ∈ K mxn y B = [bij ] ∈ K nxp por AB = [cik ] ∈ K mxp , donde
cik = nj=1 aij bjk ,para i = 1, . . . , myk = 1, . . . , p
P

Propiedades del producto de matrices:

1. A(BC) = (AB)C
2. A(B + C) = AB + AC y (B + C)A = BA + CA
3. AB 6= BA en general

3.1 Matriz Identidad

Para cada entero n ≥ 1, existe una matriz cuadrada, llamada matriz identidad, definida por
I = [δij ], donde δij es el delta de Kronecker.
La matriz identidad tiene la propiedad
AI = IA = A, para toda matriz A ∈ K nxn
Definición
Una matriz A ∈ K nxn se llama inversible si existe una matriz B ∈ K nxn tal que AB = BA = I En
este caso se dice que B es la inversa de A y se denota por B = A−1 .

13
3.2 Matrices Elementales y Cálculo de la Matriz inversa
Existen algunas operaciones sobre las filas y las columnas de una matriz, llamadas operaciones
elementales fila y operaciones elementales columna, respectivamente. En cuando a las operaciones
elementales fila, son esencialmente tres y consisten en:

1. Multiplicar una fila (de una matriz) por un número distinto de cero.

2. Sumar a una fila (de una matriz) el múltiplo de otra fila.

3. Intercambiar dos filas (de una matriz).

Estas operaciones no son sino el efecto de haber multiplicado a izquierda la matriz dada por
cierto tipo de matrices, llamadas matrices elementales.
La multiplicación por la derecha de estas matrices elementales produce las operaciones elemen-
tales columna.
Los tres tipos de matrices elementales en K nxn son:

1. Ei (λ): matriz obtenida de la identidad I, multiplicando la i-ésima fila por λ.K, λ 6= 0(1 ≤
i ≤ n).

2. Eij (λ): matriz obtenida de la identidadI, sumando a la i-ésima fila, la j-ésima fila multiplicada
por λ, donde i 6= j.

3. Eij : matriz obtenida de la identidad I, intercambiando la i-ésima fila con la j-ésima, i 6= j.

3.3 Cálculo de la Inversa

La primera aplicación, y una de las más importantes de las técnicas de operaciones elementales, es
el cálculo de la inversa de una matriz.
Recordemos que un matriz A ∈ K nxn es inversible si existe una matriz B ∈ K nxn tal que
AB = I = BA.
Proposición
Sea A ∈ K nxn una matriz tal que LA : K nx1 → K nx1 es inyectiva, entonces existen matrices
elementales Ej , tales que

Ek Ek−1 . . . E1 A = I

Demostración
De la identidad

Ek Ek−1 . . . E1 A = I

obtenida de la proposición anterior, multiplicando por la izquierda sucesivamente por Ek−1 , . . . , E1−1 ,
se obtiene:

A = E1−1 E2−1 . . . Ek−1

Luego, multiplicando sucesivamente por Ek Ek−1 . . . E1 , se obtiene

AEk . . . E1 = I

Ası́, B = Ek Ek−1 . . . E1 es la inversa de A.

14
3.4 Cálculo de la inversa mediante operaciones elementales
Sea A ∈ K nxn una matriz cuya inversa deseamos hallar. Para tal efecto consideramos la matriz de
orden n × 2n.

[A|I]

Luego procedemos a multiplicar, por la izquierda, por matrices elementales E1 , . . . , Ek , de tal modo
que en la matriz

[Ek Ek−1 . . . E1 A|Ek Ek−1 . . . E1 ]

ocurra Ek Ek−1 . . . E1 A = I, y por lo tanto:

A−1 = Ek Ek−1 . . . E1

Tenemos ası́ un procedimiento práctico para calcular la inversa de una matriz.

3.5 Matriz Escalonada Reducida

Definición

Una matriz m × n es escalonada reducida (m.e.r.) si:

1. El primer elemento no nulo de una fila no nula es 1. Este se denomina 1-capital.

2. Toda fila cuyas componentes son todos ceros está por debajo de aquellas filas no nulas.

3. En cada columna donde aparece el 1-capital, sus demás componentes son ceros.

4. Si son r las filas no nulas, y si el 1-capital de la i-ésima fila está en la columna ki entoncesk1 <
k2 < . . . < kr

Ejemplos

1. La matriz cero (de cualquier orden) y la matriz identidad, son matrices escalonadas reducidas
por excelencia.

2. Son también matrices escalonadas reducidas:

   
  0 1 0 2 1 3 0 4
1 0 2
, 0 0 1
 −1  ,  0 0 1 7 
0 1 3
0 0 0 0 0 0 0 0

3. No son matrices escalonadas reducidas:

   
  0 1 0 2 1 3 0 4
1 4 2
,  1 0 1 −1  , 0 0 0 0 
0 1 3
0 0 0 0 0 1 0 0

15
3.6 Base Canónica
Todo subespacio V ∈ K n está determinado por una o más ecuaciones lineales homogéneas, o
simplemente está generado por un conjunto finito de vectores. En cualquier caso dimV = r ≤ n.
Si {v1 , v2 , . . . , vr } es una base de V, formemos la matriz cuyas filas sean v1 , v2 , . . . , vr
 
v1
 . 
 
A=  . 

 . 
vr
Como sabemos, las filas no nulas de la m.e.r A0 asociada a A, conforman la base canónica de
V.

3.7 Teorema de la Base Incompleta

Sea E un e. v./ dim(E) = n. Si b1 , b2 , . . . , bp es un conjunto libre de E, entonces se pueden encontrar
n-p vectores de E tales que con los anteriores forman una base de E.

Propiedades

1.-Sea F un subespacio vectorial de un e. v. E de dimensión finita y d1 , d2 , . . . , dp una base

de F. Entonces se puede encontrar una base de E que contiene al conjunto d1 , d2 , . . . , dp .

2.-Sea E un e. v. de dimensión finita. Si F es un subespacio vectorial de E, entonces:

dimF ≤ dimE

3.8 Matriz del cambio de base

En un espacio vectorial V, dadas dos bases B y B’, se llama matriz de cambio de base (o de cambio
de coordenadas) de B a B’ a la matriz que contiene en sus columnas las coordenadas de los vectores
de la base B expresados en función de la base B’.
Su utilidad es la siguiente: Conocidas las coordenadas de un vector en base B, nos permitirá
hallar las coordenadas de dicho vector en base B’.
En efecto, sean (a1 , a2 , . . . , an ) las coordenadas de un vector en base B, y sea P la matriz de
cambio de base de B a B’. Entonces:
   
a1 b1
 .   . 
   
P =  . = . 
  
 .   . 
an bn
o lo que es lo mismo:    
a1 b1
 .   . 
−1
   

 . =P 
  . 

 .   . 
an bn
obteniéndose ası́ (b1 , b2 , . . . , bn ) las coordenadas del vector en base B.

16
 Ejemplo

Consideremos en R2 las dos bases siguientes: B = {(2, 3), (1, −1)} y la base canónica B 0 =
{(1, 0), (0, 1)}

Vamos a construir la matriz de cambio de base de B a B’. Para ello debemos expresar los vec-
tores de la base B en función de la base canónica B’.

(2, 3) = 2.(1, 0) + 3.(0, 1) → (2, 3)

(−1, 1) = 1.(1, 0) − 1.(0, 1) → (1, −1)

Introduciendo estas coordenadas en las columnas de una matriz, tendremos la matriz de cambio
de base de B a B’:
 
2 3
P =
3 −1
Observación

Del mismo modo podemos construir la matriz de cambio de base de B’ a B. Para ello expresamos
los vectores de la base canónica B’ en función de la base B. Podemos hallarlo planteando dos sistemas
de ecuaciones, de los cuales se obtendrá
1 3 1 3
(1, 0) = (2, 3) + (1, −1) → ( , )
5 5 5 5
1 2 1 2
(0, 1) = (2, 3) − (1, −1) → ( , − )
5 5 5 5
Introduciendo estas coordenadas en las columnas de una matriz, tendremos la matriz de cambio
de base de B’ a B
 1 3 
Q = 51 5 2
5
−5
Vamos a aplicar estas matrices para hallar las coordenadas en base B del vector v = (1, 2).
Tenemos sus coordenadas en la base canónica B’ que son (1, 2). Utilizamos la matriz Q de cambio
de base de B’ a B:
 1 3    3 
5 5
1 5
1 2 =
5
− 5
2 − 51
Ası́ hemos obtenido ( 53 , − 15 ), las coordenadas de v en base B.
Podemos volver a las coordenadas en base B’ utilizando la matriz P de cambio de base de B a
B’:
3
    
2 1 5
1
=
3 −1 − 15 2

17
3.9 Sistema de Ecuaciones Lineales
Un sistema de m ecuaciones lineales con n incógnitas, es una colección de ecuaciones del tipo:
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2

.
.
.
ss
am1 x1 + am2 x2 + . . . + amn xn = bm
Este sistema también se puede escribir en la forma:

Ax = b

donde los números aij y bi son conocidos, mientras los números xj , desconocidos, son llamados
incógnitas.
La matriz A = [aij ] ∈ K mxn se llama matriz asociada al sistema. Con las notaciones matriciales
   
b1 x1
 .   . 
   
b= . ,x =  . 
  
 .   . 
br xr
Problema resuelto
Mediante operaciones elementales, calcular la inversa de la siguiente matriz:
 
0 5 −1
E= 6 1 6 
1 0 1
Solución:
 
0 5 −1 | 1 0 0
E|I =  6 1 6 | 0 1 0 
1 0 1 | 0 0 1
 
1 0 1 | 0 0 1
E13 .E =  6 1 6 | 0 1 0 
0 5 −1 | 1 0 0
 
1 0 1 | 0 0 1
E21 (−6).E =  0 1 0 | 0 1 −6 
0 5 −1 | 1 0 0
 
1 0 1 | 0 0 1
E32 (−5).E =  0 1 0 | 0 1 −6 
0 0 −1 | 1 5 −30
 
1 0 0 | 2 5 29
E13 (−1).E3 (−1).E = 0 1 0 | 0
 1 −6 
0 0 1 | −1 −5 −30

18
  
2 5 29
E −1 =  0 1 −6 
−1 −5 30
Problema Propuesto

Hallar la base canónica de

U = (x, y, z, t, r) ∈ R5 /x + z + r = 0, x − y − t = 0

Todo u ∈ U se puede escribir en la forma:

V
u = (x, y, z, t, r) pero r = −x − z t=x−y

u = (x, y, z, x − y, −x − z)

u = x(1, 0, 0, 1, −1) + y(0, 1, 0, −1, 0) + z(0, 0, 1, 0, −1)

De Aquı́ un conjunto de generadores de U es {(1, 0, 0, 1, −1), (0, 1, 0, −1, 0), (0, 0, 1, 0, −1)}

De la matriz:
 
1 0 0 1 −1
A =  0 1 0 −1 0 
0 0 1 0 −1

Se observa que la matriz A ya es una matriz escalonada reducida, por lo que los vectores fila
conforman la base canónica.

Aplicación

La Universidad de Ingenierı́a ha hecho un estudio de los gastos de personal mensuales que

tienen la facultad de ciencias, civil, arquitectura y fiis. Para calcular dicho cálculo se han utilizado
operaciones matriciales.
La siguiente tabla nos muestra el número de empleados de cada facultad respecto a los profesores,
las personas a cargo de la limpieza y los bedeles.

Ciencias Civil Arquitectura FIIS

Profesores 146 135 170 120
Limpieza 10 4 5 9
Bedeles 2 3 2 4

Los sueldos de los profesores es 2500 soles mensuales, el de las personas destinadas a la limpieza
es de 1200 y el de los bedeles es 1500.
La columna de la matriz va a representar las diferentes facultades mientras que las filas rep-
resentaran el número de empleados en cada sector. A dicha matriz, la denominaremos matriz
A.
 
35 25 18 27
A =  10 4 5 9 
2 3 2 4

19
 La matriz B será la que represente los gastos de dicho personal en las facultades:
 
B= 2500 1200 1500

Multiplicamos las matrices A y B para obtener los gastos mensuales del personal:
 
  35 25 18 27
AB = 2500 1200 1500  10 4 5 9 
2 3 2 4

 
AB = 89000 71800 54000 84300

3.10 Aplicaciones
A continuación listaremos algunas aplicaciones de las Matrices en diversos campos de la ciencia:

Fı́sica En la fı́sica, las matrices son aplicadas en el estudio de circuitos electricos, mecánica
cuántica y óptica.

Computación En aplicaciones computacionales, las matrices toman un papel vital en la

proyección de imagenes tridimensionales en una pantalla bidimensional, creando movimiento aparente.

Criptografia Se usan matrices para encriptar mensajes, un programador usa matrices y ma-
trices inversas para un código o encriptar un mensaje.

Geologia Se usan matrices para realizar estudios sı́smicos

Ahora daremos un peque?o ejemplo de como se usan las matrices en el campo de la criptografı́a:
Para facilitar el problema, usaremos una matriz clave 2x2 para la encriptación, el mensaje que
queremos encriptar es ”UTES”. Como nuestra matriz es 2x2, debemos dividir el mensaje en bloques
de 2 letras (Esto se cumple para todas las matrices, por ejemplo, en una matriz NxN, el mensaje
se divide en bloques de N letras).
A cada letra del mensaje le asignamos un valor numerico, desde 0 hasta la base modular. Para
nuestra encriptación, usaremos las letras A-Z (por lo que el módulo es 27). Entonces, A = 0, B =
1, C = 2, etc. hasta la Z = 26. A continuación vemos como al mensaje le asignamos los valores:
   
21 4
U T ES = 2120419 = ,
20 19
Nuestra matriz clave K para este ejemplo seria:
 
4 1
3 7
Ahora, para cada bloque de nuestro mensaje, multiplicamos por la matriz clave. Como veremos
a continuación, los valores resultantes estaran lejos del rango de los valores asinados a cada letra,
para arreglar esto, tomaremos los residuos de dividir por el módulo 27.

20
         
4 1 21 104 23 X
= M od27 = =
3 7 20 203 14 O
        
4 1 4 35 8 I
= M od27 = =
3 7 19 145 10 K
Con esto hemos encriptado nuestro mensaje original, empezando con el mensaje ”UTES”, para
que luego de multiplicar los bloques con la matriz clave, nuestro mensaje sea ”XOIK”

Podemos apreciar de el ejemplo anterior, que si bien es bastante simple, es una muestra de lo
importante que son las matrices para distintas disciplinas.

21