Geometría y Algebra Lineal I

Geometrı́a y Algebra Lineal I
Instituto de Matemática y Estadı́stica
“Prof. Rafael Laguardia”
Facultad de Ingenierı́a Universidad de la República

Índice general
PREFACIO vii
Capı́tulo 0. RELACIONES Y FUNCIONES 1

0.1. Relaciones 1
0.2. Relaciones de equivalencia 2
0.3. Conjunto Cociente 6
0.4. Funciones 9
0.5. Composición de funciones 15
Capı́tulo 1. SISTEMAS LINEALES DE ECUACIONES Y MATRICES

19
1.1. Introducción 19
1.2. Matrices 24
1.3. El método de escalerización 27
1.4. Teorema de Rouche-Frobenius 38
1.5. Sistemas homogéneos 43
1.6. Una interpretación geométrica 44
Capı́tulo 2. ÁLGEBRA DE MATRICES 49

2.1. Operaciones con matrices 49
2.2. Producto de matrices 51
2.3. Ecuaciones matriciales. Matriz inversa. 57
2.4. El espacio de n-uplas 66
2.5. Dependencia lineal 71
2.6. El rango de una matriz 82
2.7. Matrices invertibles y rango 85
iii
iv ÍNDICE GENERAL
2.8. Matrices elementales 87
Capı́tulo 3. DETERMINANTES 95
3.1. Definición 95
3.2. Propiedades de los determinantes 97
3.3. Matrices elementales y determinantes 114
3.4. Matrices invertibles y determinantes 116
3.5. Determinante de un producto de matrices 117
3.6. Cálculo de la matriz inversa por determinantes 119
3.7. Regla de Cramer 123
Capı́tulo 4. RECTAS Y PLANOS EN EL ESPACIO 127

4.1. Introducción 127
4.2. Vectores 129
4.3. Operaciones con vectores. 131
4.4. Ecuaciones vectoriales de rectas y planos. Paralelismo 134
4.5. Sistemas de coordenadas 135
4.6. Ecuaciones paramétricas de rectas y planos 138
4.7. Ecuaciones implı́citas de rectas y planos 139
4.8. Posiciones relativas de rectas y planos. 142
Capı́tulo 5. PRODUCTO ESCALAR Y VECTORIAL 145

5.1. Producto escalar 145
5.2. Aplicaciones a la geometrı́a: ángulos y distancias 148
5.3. Aplicaciones: ecuaciones de algunas superficies 151
5.4. Producto vectorial. 157
5.5. Aplicaciones geométricas. 161
5.6. Producto mixto 165
Capı́tulo 6. ESPACIOS VECTORIALES 167

6.1. Espacios vectoriales 168
6.2. Ejemplos de espacios vectoriales 170
6.3. Subespacios 174
6.4. Subespacio generado e independencia lineal 180
ÍNDICE GENERAL v
6.5. Base de un espacio vectorial y dimensión 187

6.6. Suma de subespacios y suma directa 201
Capı́tulo 7. TRANSFORMACIONES LINEALES. 205

7.1. Transformaciones lineales 205
7.2. Operaciones con transformaciones lineales. 208
7.3. Imagen y núcleo de una transformación lineal. 211
7.4. Transformaciones lineales inyectivas y sobreyectivas. 219
7.5. Isomorfismos entre espacios vectoriales 222
7.6. Matriz asociada a una transformación lineal. 225
7.7. Núcleo e imagen de una matriz. 234
7.8. Relación entre núcleo e imagen de una transformación lineal y
de una matriz. 237
7.9. Cambio de base. 245
7.10. Operadores y matrices semejantes. 246
7.11. El espacio vectorial L (V, W ) 249
vi ÍNDICE GENERAL
PREFACIO
Estas notas son una reelaboración, corregida y muy modificada de las

correspondientes partes de las notas de 1991, en cuya redacción participa-
ron un gran número de docentes del Instituto de Matemática y Estadı́stica
“Prof. Ing. Rafael Laguardia”(IMERL) de la Facultad de Ingenierı́a de la
Universidad de la República.
Varios capı́tulos fueron redactados nuevamente, teniendo en mente trans-
formarlos a la brevedad en partes de un libro sobre el tema.
Los principales defectos de las notas derivan de la impericia de los fir-
mantes y de la celeridad con que fue armada esta versión (no) final.
El Algebra Lineal constituye hoy una rama básica de la matemática con
aplicaciones dentro y fuera de esta. No se han incluido en esta edición, so-
bre todo por razones de tiempo ejemplos de tales aplicaciones. Sin embargo
algunas serán abordadas en clase, además en la bibliografı́a se indican algu-
nas referencias donde el lector interesado puede encontrar varios ejemplos
interesantes.
La carencia de ejercicios no debe extrañar dado que éstos son editados
en fascı́culos aparte.
La estructura general del libro -que no será necesariamente la del curso-

es la siguiente. Se incluye un Capı́tulo Cero, en que se desarrollan los con-
ceptos de Relaciones, Funciones, etc., con diversos ejemplos. Su lectura fa-
cilitará la comprensión del lenguaje del curso, y dará una referencia general
sobre definiciones y resultados básicos. Fue extraı́do de Notas de Álgebra,
de Alfredo Jones, editadas por el IME de la Universidad de San Pablo.
vii
viii PREFACIO
En el Capı́tulo Uno se estudian los Sistemas de Ecuaciones Lineales, se

desarrolla su presentación matricial y se describe el algoritmo de Gauss o de
escalerización como herramienta principal para su resolución.
En el Capı́tulo Dos se estudian las principales propiedades de las matrices
y sus operaciones. Se presenta un ejemplo clave del curso: el espacio de
n-uplas, Rn y culmina con el estudio del rango de una matriz, concepto
directamente relacionado con las soluciones de los sistemas lineales y con la
invertibilidad de las matrices cuadradas.
El Capı́tulo Tres estudia el Determinante de una matriz cuadrada se
prueban algunos resultados clásicos como el teorema de Cramer y el teorema
de Binet-Cauchy sobre el determinante de un producto de matrices.
Los Capı́tulos Cuatro y Cinco (que podrı́an ser los primeros de las notas)
están dedicados a la introducción de un segundo ejemplo básico: el de los
vectores libres del espacio. Estos se utilizan para dar una exposición de los
primeros elementos de la Geometrı́a Analı́tica del Espacio.
El Capitulo Seis está dedicado a los Espacios Vectoriales. Es el capı́tulo
decididamente nuevo para todos los estudiantes, y el centro conceptual del
curso, en el se introduce de manera axiomática una estructura abstracta
que se inspira y generaliza varios de los ejemplos tratados en los capı́tulos
previos.
El Capı́tulo Seis está dedicado a un tipo particular de funciones entre
espacios vectoriales: las Transformaciones Lineales. Estas se caracterizan por
preservar la estructura de los espacios vectoriales y son en cierto sentido el
modelo mas sencillo de una función. Se estudia aquı́ con detalle su relación
con las matrices y se pone de manifiesto el contenido geométrico de muchas
propiedades algebraicas de estas últimas.
Un comentario final es pertinente para preparar al estudiante a apro-
vechar tanto el curso como estas notas. Aquı́ cada capı́tulo interviene de
manera fundamental en los siguientes. La gran mayorı́a de los tópicos abor-
dados en los primeras clases tiene un rol fundamental en el resto del curso.
Difı́cilmente será posible avanzar de un capı́tulo al siguiente sin haber com-
prendido el primero.
PREFACIO ix
En la presente edición colaboró particularmente José Dı́az.
Lecturas complementarias recomendadas. De cualquiera de los li-

bros que se indican a continuación, hay diversas otras ediciones; en particular
en sus lenguas originales:
A.G. Kurosch: Curso de Álgebra Superior, Mir-Nimusa.
E. Lages Lima: Álgebra Linear, IMPA.
Un libro excelente, escrito por un experimentado matemáti-
co autor de numerosos textos, cubre un amplio tópico de te-
mas con rigor y profundidad pero no incluye los capı́tulos de
geometrı́a. Además sigue un orden algo distinto del de nues-
tras notas, los capı́tulos de matrices y sistemas de ecuaciones
aparecen luego de tratar espacios vectoriales. Es ampliamen-
te recomendado para ampliar los dos últimos capı́tulos de
nuestro curso.
P.R. Halmos: Espacios Vectoriales de dimensión finita, CECSA.
Una obra clásica sobre el tema, realizada por un destacado
matemático, tampoco aborda los temas iniciales de nuestro
curso. Su enfoque sobre la teorı́a de espacios vectoriales esta
pensada para quien desea luego profundizar en el estudio de
espacios de dimensión infinita.
E. Hernández Álgebra y Geometrı́a , Adisson–Wesley.
Este libro cubre todos los temas de nuestro curso incluyendo
los capı́tulos de geometrı́a, en un orden similar. Es escueto
en explicaciones y las pruebas a veces resultan oscuras. No
contiene aplicaciones.
R. HillÁlgebra Lineal Elemental con Aplicaciones, Prentice Hall.
Este libro es como su nombre lo indica, tal vez más elemental
que los otros sin embargo es claro abarca casi todos los temas
del curso y sobre todo tiene un número grande de aplicacio-
nes interesantes a la ingenierı́a y otras disciplinas. Incluye
0 PREFACIO
una introducción al Matlab y tiene numerosos ejercicios, in-

cluyendo algunos proyectos para trabajar en computadora.
K. Koﬀman & R. Kunze: Álgebra Lineal, Prentice-Hall.
Otro excelente libro, que no cubre los capı́tulos de geometrı́a,
es muy claro y riguroso, en algunos momentos aborda temas
(determinantes)con mucha generalidad lo cual puede dificul-
tar la comprensión en una lectura inicial
G. Nakos & D. Joyner Algebra Lineal con Aplicaciones, Thomson.
De nivel similar al libro de Hill tiene también un gran número
de ejemplos y aplicaciones y algunas notas históricas intere-
santes. Tal vez su mayor virtud es el gran número de ejemplos
para trabajar con computadora. Se incluyen proyectos para
trabajar con Matlab, Maple y Mathematica
G. Strang: Algebra linel y sus aplicaciones, Addison–Wesley.
Este libro tiene un enfoque algo diferente de los otros libros
recomendados. Su objeto de estudio son los sistemas lineales
y las matrices, los espacios vectoriales y las transformaciones
lineales solo aparecen secundariamente. No obstante tiene un
punto de vista interesante y claro que puede ayudar a ver
desde otra óptica los problemas analizados en el curso, es
especialmente recomendado para los primeros capı́tulos del
curso. Cuenta con un gran número de aplicaciones interesan-
tes incluyendo códigos de computadora en Fortran.
Marzo del 2000

Marcelo Cerminara
Roberto Markarian
Responsables de esta edición
CAPı́TULO 0
RELACIONES Y FUNCIONES
0.1. Relaciones
En este capı́tulo introduciremos algunas definiciones y notaciones básicas

para el desarrollo de estas notas. Supondremos que el lector tiene cierta
familiaridad con las nociones de relación y de función, de modo que no nos
detendremos en la explicación del significado de estos conceptos, sino que
partiremos de sus definiciones estudiando luego sólo aquellas propiedades
que serán aplicadas en los capı́tulos que siguen.
Comenzaremos introduciendo la noción de relación mediante una defi-

nición que esta motivada por la idea usual de una relación entre pares de
objetos. Observamos que dar una relación entre pares de elementos de un
conjunto, en la acepción corriente del término, equivale a dar una lista for-
mada por los elementos que verifican dicha relación, esto es, a especificar un
conjunto de pares.
Dados dos conjuntos, A y B, indicaremos con A × B el conjunto consti-

tuido por los pares ordenados (a,b) tales que a pertenece al conjunto A y b
pertenece al conjunto B. Con las notaciones usuales de la teorı́a de conjuntos
esto se traduce en la igualdad:
Presuponiendo solo los conceptos de conjunto, subconjunto, elemento y

par ordenado de elementos de un conjunto, podemos definir una relación
como sigue;
1
2 0. RELACIONES Y FUNCIONES
DEFINICIÓN 0.1. Una relación en un conjunto A, es un subconjunto R

de A × A.
Si (a,b) ∈ R diremos que a esta en relación R con b y escribiremos aRb.
EJEMPLO 0.1. En todo conjunto A la relación de igualdad esta dada por

el conjunto R = {(a, a) /a ∈ A}, según esta relación, cada elemento de A
solo esta en relación consigo mismo; luego en este caso aRb significa a = b.
!
EJEMPLO 0.2. Sea Z el conjunto de los números enteros, consideremos:

R = {(a,b) / a , b ∈ Z, a - b es múltiplo entero de 2}.
En este caso, el entero a esta en relación R con el entero b, cuando son
ambos pares o bien son ambos impares. !
0.2. Relaciones de equivalencia
DEFINICIÓN 0.2. Una relación R en A se dice reflexiva si aRa para todo

a ∈ A; simétrica si aRb implica bRa y transitiva si aRb y bRc implica aRc.
Una relación de equivalencia en un conjunto A es una relación reflexiva,
simétrica y transitiva.
Cuando R es una relación de equivalencia, si aRb diremos que a es

equivalente a b y usaremos la notación a ∼ b.
Las propiedades que definen una relación de equivalencia en un conjunto

A, son entonces:
a) a ∼ a ∀ a ∈ A.
b) a ∼ b ⇒ b ∼ a.
c) a ∼ b y b ∼ c ⇒ a ∼ c.
0.2. RELACIONES DE EQUIVALENCIA 3
Mencionaremos algunos ejemplos de relaciones de equivalencia que son

útiles, pues permiten definir ciertos conceptos importantes. En cada caso el
lector verificará que valen a), b) y c).
EJEMPLO 0.3. En todo conjunto A se tiene una relación de equivalencia

trivial: R = {(a,a) / a ∈ A}, es decir a ∼ b ⇔ a = b. !
EJEMPLO 0.4. Sea N el conjunto de los números naturales. A fin de

obtener los números enteros Z a partir de los naturales, se definen en N
× N la relación (a,b) ∼ (a’,b’) ⇔ a + b’ = a’ + b. Observar que cada
par representará al entero que surge de restar a la primera componente la
segunda. !
EJEMPLO 0.5. Sea Z el conjunto de los enteros. A fin de obtener los

racionales, se define en el conjunto Z × Z − {0, 0}, la relación: (a,b) ∼
(a’,b’) ⇔ a.b’ = a’.b . !
EJEMPLO 0.6. Dado un entero fijo m, se define una relación de equiva-

lencia en Z, poniendo a ∼ a’ cuando a - a’ es múltiplo de m. En este caso
se escribe a = a’ (mod. m) para indicar que a ∼ a’ y se dice que a y a’
son congruentes módulo m. Observamos que m y -m definen la misma
relación, de modo que se puede suponer m " 0. !
EJEMPLO 0.7. En el conjunto de los reales R, se tiene una relación de

equivalencia tomando r ∼ r’ cuando r - r’ entero. !
EJEMPLO 0.8. Se puede definir un ángulo como una figura plana que es
la intersección de dos semiplanos del mismo plano. Esta noción de ángulo
tiene la limitación de que para estos ángulos no es posible definir una suma
con todas las propiedades deseables para las aplicaciones de este concepto,
las que se pueden resumir diciendo que los ángulos con la suma deben formar
un grupo abeliano. Para esto es necesario dar otra definición de ángulo. Uno
de los caminos posibles para llegar a esa definición, consiste en introducir en
el conjunto de los pares ordenados de semirrectas del plano con origen en un
punto O, la siguiente relación de equivalencia. Suponemos sabido que: para
cada par ordenado de semirrectas de origen O, (a,b), existe una única si-
metrı́a axial del plano que transforma a en b, la indicaremos con la notación
s(a,b). Dados dos pares ordenados de semirrectas de origen O, (a,b) y (a’,b’),
definimos (a,b) ∼ (a’,b’) si la simetrı́a axial que transforma a en b’, también
transforma b en a’, es decir si s(a,b) = s(b,a). Las propiedades reflexiva y
simétrica se verifican trivialmente. Para demostrar que la relación es transi-
tiva, debemos probar que si s(a,b’) = s(b,a’) y s(a’,b”) = s(b’,a”) entonces
s(a,b”) = s(b,a”). .El resultado de aplicar sucesivamente tres simetrı́as cuyos
ejes pasan por un punto fijo O, es una simetrı́a”. De lo anterior surge que
al aplicar sucesivamente s(a,b’), s(b’,a”) y s(a”,b”), se lleva a a en b”, por
lo que esta composición es, efectivamente, s(a,b”). Análogamente, aplicando
s(b,a’), s(a’,b”) y s(a”,b”), se obtiene s(b,a”). De lo anterior y observando
que: s(a,b’) = s(b’,a)
s(a”,b’) = s(b’,a”)
s(a”,b”) = s(b”,a”)
tenemos que: s(a,b”) = s(b”,a). !
FIGURA 2.1
Anotamos para usarlo mas adelante, que, de la definición de esta relación

(a,b) ∼ (a’,b’) si y solo si (a,a’) ∼ (b,b’).
0.2. RELACIONES DE EQUIVALENCIA 5
EJEMPLO 0.9. Llamaremos figura del plano a todo conjunto de puntos

del plano. La relación de congruencia de figuras en el plano, se puede
definir como sigue; Dadas dos figuras planas F1 y F2 definimos F1 ∼ F2
cuando hay alguna sucesión finita de simetrı́as axiales del plano que trans-
forma F1 en F2. Para mostrar que esta es una relación de equivalencia en
el conjunto de las figuras planas, es suficiente verificar lo que sigue: a) Para
toda figura plana F se tiene F ∼ F, porque la sucesión de dos simetrı́as
iguales transforma todo punto del plano en si mismo.- b) Si la sucesión de
simetrı́as s1, . . . , sn, transforma F1 en F2 y s′ 1, . . . , s′ m transforma F2 en
F3, entonces la sucesión s1, . . . , sn, s′ 1, . . . , s′ m transforma F1 en F3.- !
DEFINICIÓN 0.3. Dada una relación de equivalencia en un conjunto A y

un elemento a ∈ A. Llamaremos ”clase de equivalencia de a”, al conjunto
de todos los elementos x ∈ A que son equivalentes con a, y que notaremos:
cl(a), a.
De las condiciones b) y c) de la definición de relación de equivalencia

se deduce que si a ∼ b , entonces x ∼ a si y solo si x ∼ b . Luego a ∼ b
implica cl(b) = cl(a) . Es claro que vale el recı́proco, esto es: Si cl(b) = cl(a)
entonces a ∼ b .
Todo elemento b ∈ cl(a) se dice que es un representante de esa clase.
Es decir que b es un representante de cl(a) si y solo si b ∼ a.
El siguiente resultado muestra que el conjunto de las clases de equiva-

lencia determina la relación.
PROPOSICIÓN 0.1. Dadas dos clases de equivalencia cl(a) y cl(b) en

un conjunto A se tiene que, o bien cl(a) ≡ cl(b), o bien son disjuntas (sin
elementos comunes). Además, una relación de equivalencia clasifica los ele-
mentos de un conjunto A en clases de equivalencia, disjuntas dos a dos.
Todo elemento de A pertenece a alguna clase.
PROPOSICIÓN 0.2. Recı́procamente, dada una clase cualquiera C de

subconjuntos de A, no vacı́os y sin elementos comunes dos a dos, tales que
todo elemento de A pertenezca a alguno de ellos, existe una única relación
de equivalencia en A cuyas clases son dichos subconjuntos.
Demostración de 0.1. En efecto, supongamos que c ∈ cl(a) y c ∈ cl(b),

entonces c ∼ a y c ∼ b, de donde a ∼ b, por lo tanto cl(a) = cl(b). Por otra
parte, para todo a ∈ A se tiene que a ∈ cl(a).
Demostración de 0.2. Se puede demostrar, que definiendo a ∼ b cuando

a y b pertenecen a un mismo subconjunto de la clase C se obtiene una relación
de equivalencia.
0.3. Conjunto Cociente
DEFINICIÓN 0.4. Llamaremos ”conjunto cociente de A por R”, a

aquel cuyos elementos son las clases de equivalencia de A definidas por la
relación de equivalencia R en A, que notaremos:
A/R, A.
Según esta definición, cada elemento de A junto con todos sus equiva-
lentes, constituyen un elemento de A/R. Es por esto que a veces se dice que
A/R se obtiene identificando cada elemento de A con todos sus equiva-
lentes. La utilidad de las relaciones de equivalencia proviene precisamente
de que permiten en esta forma construir un conjunto de objetos nuevos, las
clases de equivalencia, a partir de ciertos objetos dados, los elementos de A.
Para individualizar un elemento de A/R, es decir una clase de A, se pue-
de tomar un representante cualquiera de esa clase. Usualmente se trata de
elegir un representante que facilite la notación o el cálculo.-
0.3. CONJUNTO COCIENTE 7
- Veamos cuales son los conjuntos cociente que se obtienen de algunas

de las relaciones de la sección 2.
EJEMPLO 0.10. En este caso cada a ∈ A solo es equivalente a sı́ mismo

por lo tanto la clase de equivalencia de a es el conjunto {a}. Quiere decir
que cada elemento de A/R es un conjunto formado únicamente por algún
elemento de A; luego en este ejemplo al formar el conjunto cociente no
tenemos nada escencialmente nuevo. !
EJEMPLO 0.11. En este caso la cl(a,b) = {(a’,b’) ∈ N × N / a + b’

= a’ + b}, por lo tanto, en cada clase de equivalencia hay infinitos pares.
Observando que (a,b) ∼ (a + 1, b + 1), se puede demostrar que si a = b,
en la cl(a,b) hay: o bien un único representante de la forma (c,0) o bien un
único representante de la forma (0,c) con c ̸= 0. Las clases correspondientes
denotan c y -c. Si a = b, (a,b) ∼ (0,0). La clase de (0,0) se denota 0.
Se definen los números enteros como los elementos del conjunto cociente
obtenido. !
EJEMPLO 0.12. En este ejemplo las clases de equivalencia son de la forma:
!" ′ ′ # ′ ′ $
cl (a, b) = a , b /a , b ∈ Z, b′ ̸= 0, a.b′ = a′ .b .
Usaremos la notación a / b para la clase de (a,b). La igualdad de clase a
/ b = a’ / b’ significa la equivalencia de los representantes, (a,b) ∼ (a’,b’), o
sea, según la definición de la relación, a.b’ = a’.b. Se demuestra fácilmente
que para todo natural k ̸= 0 es (a.k,b.k) ∼ (a,b) , de aquı́ se deduce que se
puede tomar para cada clase un representante (a,b) con a y b relativamente
primos, es decir, que toda clase se puede escribir en la forma a / b con a y b
primos entre sı́. Se definen los números racionales como los elementos del
conjunto cociente. De acuerdo con esta definición, cada racional, es una clase
de equivalencia a / b, es decir un conjunto de pares enteros.- Designaremos
al conjunto de los números racionales con la letra Q. !
EJEMPLO 0.13. En este caso cl(a) = {a , a ± m , a ± 2.m , . . .}.

Sabemos que todo elemento a se puede escribir en la forma a = r ± q.m
con 0 # r # m , por lo tanto a ∼ r y cl(a) ∼ cl(r). Quiere decir que para
cada clase de equivalencia se puede tomar como representante uno de los
números 0,1, . . . . , m-1. Por otra parte, si 0 # r < r’ < m , es facil ver que
r no es equivalente a r’, en consecuencia hay exactamente m clases distintas.
Usaremos la notación a para indicar la clase de a e indicaremos con Zm el
! $
conjunto cociente, luego Zm = 0, 1, ..., m − 1 . Los elementos de Zm , se
llaman enteros módulo m. Vamos a introducir la siguiente notación: Si X
es un conjunto finito cualquiera, indicaremos el número de elementos de X
con — X —. En este ejemplo tenemos |Zm | = m. !
EJEMPLO 0.14. En este ejemplo cl(r) = { r + n / n ∈ Z }. Como todo

número real se puede escribir en la forma r + n con 0 # r < 1 y n entero,
para cada clase de equivalencia hay un representante tal que 0 # r < 1.
Además es claro que dos reales r y r’, con 0 # r < r ′ < 1 no pueden tener
por diferencia un entero, luego pertenecen a clases distintas. Por lo tanto el
conjunto de los reales r, tales que 0 # r < 1, contiene un solo representante
de cada clase de equivalencia. El conjunto cociente que resulta se llama el
de los números reales de modulo 1. !
EJEMPLO 0.15. Llamaremos ángulo de vértice O, a toda la clase de equi-

valencia de los pares de semirrectas de origen O según esta relación. Cada
par de semirrectas de origen O es entonces un representante de un ángulo.
Usaremos la notación aob para designar el ángulo que tiene como represen-
tante el par (a,b). Dada una semirrecta cualquiera a de origen O, para cada
ángulo xoy existe una única semirrecta de origen O tal que aob = xoy. Para
demostrarlo basta observar que para que b tenga esa propiedad tiene que
ser (a,b) ∼ (x,y), o sea s(x,b) = s(y,a), luego la semirrecta b buscada es la
imagen de x según s(y,a). En consecuencia si tomamos una semirrecta fija
a, el conjunto de todos los pares de la forma (a,b) contiene uno y solo uno
de los representantes de cada ángulo. !
0.4. FUNCIONES 9
0.4. Funciones
Una función se determina dando dos conjuntos y asociando a cada ele-

mento del primero un único elemento del segundo. Este concepto de función
incluye mucho más que la idea de ser un procedimiento en el cual dados cier-
tos números permite calcular otros. Dándole al término el significado más
amplio, una función puede no estar definida por ninguna expresión numérica
o analı́tica. Además, puede asociar a elementos de un conjunto cualquiera,
no necesariamente de números, elementos de otro conjunto cualquiera. La
consideración de funciones en este sentido, sin restricciones sobre los conjun-
tos ni sobre la forma de asociar elementos del primer conjunto a elementos
del segundo, se justifica por su utilidad en todas las ramas de la matemática.
Veamos como se puede dar una definición formal del concepto de función que
hemos esbozado, presuponiendo solo las nociones de conjuntos, subconjun-
to, elemento, par ordenado y terna ordenada. Esta definición esta motivada
por la idea de ”gráfico de una función”. Observamos que una función que a
cada número real x le asocia un real y, está determinada dando todos los
pares de números (x,y) que constituyen una función de esa forma siempre
que para cada número x ∈ R, haya uno y un solo y ∈ R tal que (x,y) ∈ G.
Teniendo esto en cuenta, hacemos la siguiente definición:
DEFINICIÓN 0.5. Una función es una terna ordenada F = (A,B,G),

donde A y B son conjuntos cualquiera y G es un subconjunto de A × B, tal
que para cada x ∈ A hay un y ∈ B y uno solo para el cual (x,y) ∈ G.
A se llama el dominio o conjunto de partida, B el codominio o con-

junto de llegada y G el gráfico de f . Para abreviar diremos que que f es
una función de A en B y escribiremos f : A → B.
Usaremos las palabras transformación y aplicación como sinónimo

de función.
Una función f = (A,B,G) puede tener dominio o codominio vacio, aun-

que estos casos tienen poco interés. Si A = ∅, entonces para todo B, A × B
= ∅, de donde G = ∅ y f es de la forma f = (∅,B,∅).
Luego para cada conjunto B hay una única función con dominio vacı́o y
codominio B. Si una función f = (A, B, G) tiene codominio B = ∅ es G =
A × B = ∅, y como para cada x ∈ A existe un y ∈ B, debe ser A = ∅. En
consecuencia f = (∅,∅,∅) es la única función con codominio vacı́o.
DEFINICIÓN 0.6. Si (x,y) ∈ G diremos que y es la imágen de x por f o

el valor de f en x.
Indicaremos con f(x) la imagen de x por f , luego G = { (x , f(x)); x ∈

A }. Dar el gráfico de f equivale entonces a dar , para cada x del dominio,
su imagen f(x).
Nótese que dos elementos diferentes del dominio pueden tener la misma
imagen. Por ejemplo, sea
!" # $
A=B=R y G = x, x2 ; x ∈ R
entonces para todo x ̸= 0 esx ̸= −xpero f (x) = f (−x) = x2 .
DEFINICIÓN 0.7. Dado un subconjunto del dominio, X ⊂ A, llamaremos

imagen de x por f al subconjunto de B formado por las imágenes de todos
los elementos de X.
La imagen de X se denotará f (X), luego f (X) = {f (x) ; x ∈ X}. A

veces se llama recorrido de f a la imagen del dominio, f (A).
Nótese que f (A) ⊂ B pero f (A) puede no coincidir con B. Ası́ en el

último ejemplo el recorrido está formado por los reales positivos y no coincide
con el codominio R.
0.4. FUNCIONES 11
DEFINICIÓN 0.8. Llamaremos imagen inversa o preimagen por f de un

conjunto Y ⊂ B al subconjunto, de A formado por todos los x que tienen
imagen en Y, es decir:
{x ∈ A; f (x) ∈ Y } . Se llama imagen inversa de un elemento y ∈ B a la
imagen inversa del conjunto {y}.
Por ejemplo, si f : R → R es la función tal que f (x) = x2 para todo

x ∈ R , entonces la imagen inversa de 0 por f es {0}, la de 1 es {−1, 1} y
la de -1 es el conjunto vacı́o.
DEFINICIÓN 0.9. Una función f : A → B se dice sobreyectiva si

f (A) = B es decir, si para todo y ∈ B existe por lo menos un x ∈ A tal que
f (x) = y.
EJEMPLO 0.16. La función p : R × R → R definida por p (x, x′ ) = x

es sobreyectiva. !
EJEMPLO 0.17. La función f : N → N dado por f (x) = 2x no

es sobreyectiva, pues la imagen f ( N ) está formada sólo por los números
pares. En cambio, es sobreyectiva la función g de N en el conjunto de los
naturales pares, dada por g (x) = 2x. !
El ejemplo 0.17 es un caso particular del siguiente. Dada una función

cualquiera f : A → B la función g : A → f (A) definida por g (x) = f (x)
para todo x ∈ A, es sobreyectiva.
DEFINICIÓN 0.10. Una función f : A → B se dice inyectiva si para

todo y ∈ B hay al lo sumo un x ∈ A tal que f (x) = y. Dicho de otra
manera, f es inyectiva cuando x ̸= x′ implica f (x) ̸= f (x′ ).
EJEMPLO 0.18. La función f : N → N dada por f (n) = n + 1 es

inyctiva, pues si n ̸= n′ entonces n + 1 ̸= n′ + 1. No es sobreyectiva, porque
no existe ningún natural n que verifique f (n) = 0. !
EJEMPLO 0.19. Indicaremos con la letra C al conjunto de los números

complejos, y con C o los complejos diferentes de 0. Para todo real x está defi-
nido ex ; suponemos sabido que para cada real p¿0 existe un x tal que ex = p.
Se puede definir la función exponencial, exp : C → C 0 , tomando como valor
en x + iy el complejo:
exp (x + iy) = ex (cosy + iseny)

Denotaremos este número con ex+iy . Esta función no es inyectiva porque
para todo real x y todo entero k vale:
ex+2kπi = ex (cos2kπ + isen2kπ) = ex

Mostraremos que es sobreyectiva. Para esto observamos que todo com-
plejo u + iv ̸= 0 se puede expresar en la forma
u + iv = ρ (cosφ + isenφ)
donde
% u v
ρ= u2 + v 2 > 0, cosφ = √ , senφ = √
2
u +v 2 u + v2
2
Por otra parte, como ρ > 0, existe un real x tal que ρ = ex , luego:
u + iv = ρ (cosφ + isenφ) = ex+iφ .

!
EJEMPLO 0.20. Sean A ⊂ B conjuntos cualquiera. La función inclusión

i : A → B, definida por i (x) = x para todo x ∈ A, es inyectiva. Si A ̸= B,
i no es sobreyectiva. !
0.4. FUNCIONES 13
Dada una función f : A → B, consideremos en A la relación x x′ si

f (x) = f (x′ ). Es claro, que esta es una relación de equivalencia; sea A el
conjunto cociente de A por esa relación. Todos los x ∈ A que están en una
clase de equivalencia α ∈ A tienen la misma imagen según f, luego se puede
definir una función f : A → B eligiendo para cada α ∈ A un representante
cualquiera x ∈ A y tomando f (α) = f (x). La función f es inyectiva porque
si β ∈ A verifica f (β) = f (α), entonces para cada representante y ∈ B se
tiene:
f (y) = f (β) = f (α) = f (x)

luego y x, por lo tanto β = α.
DEFINICIÓN 0.11. Una función se dice biyectiva si es sobreyectiva e

inyectiva.
Se usa correspondencia biunı́voca como sinónimo de función biyec-

tiva.
EJEMPLO 0.21. La función f : Z → Z definida por f (n) = n + 1 es

biyectiva. !
EJEMPLO 0.22. Es biyectiva la función f : R → R dada por f (x) =

x3 ? !
EJEMPLO 0.23. La función logaritmo definida de los reales positivos en

R es biyectiva. !
EJEMPLO 0.24. Dado un conjunto cualquiera A definimos la función

identidad en A, IdA , como la función de A en A tal que para todo x ∈ A,
IdA (x) = x. Esta función es biyectiva. A veces escribiremos simplemente Id
en vez de IdA . !
Sea f : A → B una función cualquiera y sea A el conjunto cociente de

A por la relación x x′ si f (x) = f (x′ ); de consideraciones anteriores resulta
que la función f : A → f (A) definida por f (α) = f (x) donde x es un
representante de α, es biyectiva.
DEFINICIÓN 0.12. Dada f : A → B y un conjunto C ⊂ A, se llama

restricción de f a C a la función g : C → B definida por g (x) = f (x)
para todo x ∈ C. Se dice que f es una prolongación de g en A. La
restricción g se notará: q/c.
DEFINICIÓN 0.13. Una función f : N → A se llama sucesión de

elementos de A. Un elemento de la sucesión es una imagen f (i) de un
i ∈ N.
Lo usual es denotar la imagen i como ai , e indicar la sucesión en alguna

de la siguientes formas:
(a1 , a2 , ...) ; (ai )i∈N ; (ai )

Una n-upla de elementos de A es una función f : {1, ..., n} → A. Se
escribe {a1 , ..., an }, donde a1 = f (1) , ..., an = f (n). En general, dado un
conjunto I, una función f : I → A se llama también una familia de elemen-
tos de A indizada por I.
De acuerdo a la definición una función es una terna, por lo tanto dos

funciones, f = (A, B, G) y g = (A′ , B ′ , G′ ), son iguales sólo cuando A=A’,
B=B’ y G=G’, es decir cuando tienen igual dominio, igual codominio y el
mismo valor, f (x) = g (x), para cada x del dominio. De modo que, por
ejemplo, la función f : Z → Z tal que f (x) = −x para todo x ∈ R,
es diferente a la función f : Z → R definida por f (x) = −x para todo
x ∈ R, pues los codominios no coinciden. (Observar que la primera es
sobreyectiva y la segunda no lo es).
0.5. COMPOSICIÓN DE FUNCIONES 15
0.5. Composición de funciones
DEFINICIÓN 0.14. Dadas dos funciones f : A → B y g : B → C,

llamaremos composición de f y g a la función h : A → C tal que para todo
x ∈ A h (x) = g (f (x)). La función compuesta se notará g f o g ◦ f .
Tres funciones de la forma f : A → B, g : B → C, h : A → C, se pueden

indicar en un mismo diagrama del modo siguiente:
Figura 5.1
Cuando h=gf se dice que el diagrama es conmutativo. Obsérvese que

esto significa que para todo a ∈ A se tiene el mismo resultado si ”se sigue
la flecha”de A a C y se halla h (a), o si se ”siguen las flechas”de A a B y de
B a C para llegar a gf (a).
Para que esté definida gf es necesario que el codominio de f esté incluido
en el dominio de g. En particular, puede estar definida gf y no estarlo fg. Si se
consideran funciones f : A → A y g : A → A entonces fg y gf están definidas
y ambas son funciones de A en A, pero no tienen por qué ser iguales. Por
ejemplo, si f : R → R está dada por f (x) = x2 y g : R → R por
g (x) = −x entonces gf (x) = −x2 y f g (x) = x2 .
Dadas tres funciones, f : A → B, g : B → C y h : C → D, de la

definición de composición de funciones resulta que
h (gf ) y (hg) f están definidas y son iguales pues ambas son funciones
de A en D y para todo x ∈ A:
(hg) (f (x)) = h (g (f (x))) = h ((gf ) (x)) = (h (gf )) (x)
Observemos finalmente que para toda función f : A → B se verifica

idB f = f idA = f .
En los teoremas que siguen veremos algunas propiedades de las funciones

ineyectivas y sobreyectivas que podrı́an utilizarse para definir inyectividad
y sobreyectividad.
TEOREMA 0.3. Una función f : A → B con dominio A no vacı́o es

inyectiva si y sólo si existe una función g : B → A tal que gf = idA .
Demostración. Supongamos que f es inyectiva. Definimos una función

g : B → A como sigue.
a)Si y ∈ f (A), por ser f inyectiva la imagen inversa de y se reduce a un
elemento x ∈ A, entonces tomamos g (y) = x.
b) Si y ∈ B pero y ∈/ f (A), como A es no vacı́o, podemos tomar un x ∈ A
cualquiera y definir g (y) = x. Entonces gf = idA pues para todo x ∈ A,
según a):
(gf ) (x) = (g (f (x))) = g (y) = x.

Recı́procamente, supongamos que gf = idA . De f (x) = f (x′ ) sigue
x = gf (x) = gf (x′ ) = x′ , luego f es inyectiva.
Si gf = idA diremos que g es la inversa a la izquerda de f. Según

este teorema, cuando A es no vacı́o, f es inyectiva si y sólo si tiene inversa
a la izquerda. Obsérvese que para todo B la función f : φ → B es inyectiva
pero si B ̸= φ, f no tiene inverso izquerdo pues no existe funciones con
dominio B ̸= φ y con codominio φ. Por esta razón el teorema 0.3 no vale sin
la hipótesis de que el dominio A no sea vacı́o.
De la demostración del teorema 0.3 resulta que si f es inyectiva pero no

sobreyectiva y si A tiene más de un elemento entonces el inverso izquierdo de
f no es único. En efecto, en este caso existe ciertamente algún y pertene-
ciente a B, y ∈
/ f (A), al cual puede asignarse por imagen según g diferentes
elementos de A, resultando en cada caso un inverso izquierdo g diferente.
0.5. COMPOSICIÓN DE FUNCIONES 17
Dadas dos funciones h, h’ de C en A, si f : A → B es inyectiva fh=fh’

implica h=h’, porque si A no es vacı́o se tiene:
" #
g (f h) = idA h = h = g f h′ = idA h′ = h′
Si A = φ, de h : C → A sigue C = φ luego, también en este caso
h = h′ = (φ, φ, φ).
Mostraremos que esta propiedad caracteriza las funciones inyectivas, es
decir que toda f para la cual fh=fh’ implica h=h’ es inyectiva. Supongamos
que f : A → B no sea inyectiva y sean x, x′ ∈ A , x ̸= x′ , tales que f (x) =
f (x′ ). Sea C un conjunto formado por un único elemento c, definimos h :
C → A con h (c) = x y h′ : C → A con h′ (c) = x′ . Entonces (f h) (c) =
(f h′ ) (c) = f (c), es decir fh=fh’, pero h ̸= h′ , contrario a la hipótesis. Luego
f es inyectiva.
TEOREMA 0.4. Una función f : A → B es sobreyectiva si y sólo si existe

g : B → A tal que f ◦ g = idB .
Demostración. Supongamos que f es sobreyectiva; entonces para todo y ∈

B la imagen inversa por f es un conjunto no vacı́o del cual podemos elegirun
elemento x. (Esto requiere usar el axioma de elección). Definimos g : B → A
tomando g (y) = x. Con esto tenemos para todo y ∈ B: (f g) (y) = f (x) = y
pues x fue elegido en la imagen inversa de y.
Recı́procamente, sea g : B → A tal que f g = idB . De aquı́ sigue para

todo y ∈ B, y = idB (y) = f (g (y)), quere decir que la imagen por f del
ekemento g (y) ∈ A es y. Kuego f es sobreyectiva.
Una función g : B → A tal que f g = idB se llama inversa a la derecha

de f. Según el teorema 0.4, f es sobreyectiva si y sólo si tiene inverso derecho.
De la demostración de este teorema puede deducirse que si f es sobreyectiva
pero no inyectiva entonces tiene más de un inverso derecho.
También se caracterizan las funciones sobreyectivas f : A → B, por la

propiedad de que para todo par de funciones h, h’ de B en C, hf=h’f implica
h=h’. La demostración es similar a la que hicimos para la propiedad análoga
de las funciones inyectivas. Si gf = idA y f g′ = idB , entonces:
" #
g = g idB = f f g′ = (gf ) g′ = idA g′ = g′
Esto demuestra que si f tiene inversa a la izquierda e inversa a la derecha
entonces cualquier inversa a la izquierda es igual a cualquier inversa a la
derecha, por lo tanto hay un único inversa a la izquierda, un único inversa
a la derecha y son iguales. En tal caso decimos que este es la inversa de f
y lo denotaremos f −1 .
La definición de inversa de f : A → B muestra que f −1 asocia a cada y ∈

B el único x ∈ A tal que f (x) = y. Por ejemplo si A=R, B = {r ∈ R; r > 0}
y f : A → B es la función exponencial de base a¿0, entonces f −1 : B → A
es la función que cada real positivo le asocia su logaritmo de base a.
Si f tiene inversa, según los teoremas 0.3 y 0.4, f es biyectiva, por los
mismos teoremas tiene inversa a la izquierda e inversa a la derecha que, como
acabamos de observar, son iguales entre sı́. Si f es biyectiva con dominio
vacı́o, debe ser de codominio vacı́o, entonces f = (φ, φ, φ). Esta función
tiene inverso f −1 = f , por lo tanto también en este caso vale el enunciado
recı́proco. Ası́ queda demostrado el corolario siguiente.
COROLARIO 0.5. Una función f : A → B es biyectiva si y sólo si existe

g : B → A tal que gf = idA y f g = idB .
Es claro que si f −1 es el inverso de f entonces f es el inverso de f −1 . De

aquı́ y del corolario, resulta que si f es biyectiva, también lo es f −1 . Esto
también se puede deducir directamente de la definición de función inversa.
CAPı́TULO 1
SISTEMAS LINEALES DE ECUACIONES Y

MATRICES
1.1. Introducción
Gran parte de lo que estudiaremos en este curso y en su continuación

en el segundo semestre se vincula con los sistemas de ecuaciones lineales
por lo tanto vale la pena dedicar algún tiempo a presentarlos, discutir sus
propiedades y ciertas estrategias para resolverlos. Quienes ya conozcan estos
temas tendrán en todo caso una oportunidad para repasarlos.
Un sistema lineal de m ecuaciones con n incógnitas x1 , x2 , . . . , xn
es un problema del tipo:
⎧
⎪
⎪ a11 x1 + a12 x2 + . . . + a1n xn = b1
⎪
⎪
⎨ a21 x1 + a22 x2 + . . . + a2n xn = b2
(S) = . ..
⎪ ..
⎪
⎪ .
⎪
⎩
am1 x1 + am2 x2 + . . . + amn xn = bm
donde aij con i = 1, . . . , m y j = 1, . . . , n (los coeficientes del sistema) y
bj con j = 1, . . . , m (los términos independientes) son números1 Diremos
que el sistema es m × n indicando siempre el primer número la cantidad de
ecuaciones y el segundo la de incógnitas.
Una solución del sistema (S) es una sucesión de n números (α1 , α2 , . . . , αn )
tales que si se sustituye x1 = α1 , x2 = α2 , . . . , xn = αn se verifican si-
multáneamente las m ecuaciones.
1
En nuestro cursos los números que consideraremos pertenecen al cuerpo de los reales
o de los complejos
19
20 1. ECUACIONES LINEALES Y MATRICES
Llamaremos conjunto solución del sistema (S) y lo notaremos Sol(S)

al conjunto de todas las soluciones de (S). Resolver un sistema es determinar
su conjunto solución.2
Clasificaremos los sistemas de acuerdo a número de soluciones que tenga.
Si A es un conjunto escribiremos card(A) para representa su cardinal.
Si el conjunto es finito card(A) indica el número de elementos e infinito en
otro caso. Diremos entonces que un sistema es compatible determinado
si card(Sol(S)) = 1 (tiene solución única), compatible indeterminado
si card(Sol(S)) > 1 (tiene solución pero no es única)3 e incompatible si
card(Sol(S)) = 0 (no tiene ninguna solución).
EJEMPLO 1.1. El ejemplo más sencillo de un sistema lineal es el 1 × 1
ax = b
en pocos renglones podemos discutir completamente como es el conjunto

solución. Si a ̸= 0 entonces el sistema es compatible determinado y su única
solución es x = ab = a−1 b. Si en cambio a = 0 hay dos posibilidades: si b ̸= 0
el sistema es incompatible y si b = 0 trivialmente el sistema es compatible
indeterminado y cualquier número es solución del mismo.
Naturalmente este problema es extremadamente sencillo pero como acon-
tece muchas veces las ideas que aquı́ se utilizan convenientemente adaptadas
resultaran útiles en casos más generales y complicados. !
EJEMPLO 1.2. ⎧
⎪
⎨ x=1
(S) y = 3
⎪
⎩
z=2
es un sistema 3 × 3. Trivialmente se observa que Sol(S) = {(1, 2, 3)}.
!
2
En general, salvo que se indique lo contrario, las soluciones se consideraran en el
mismo conjunto de números que los coeficientes
3
Veremos más adelante que si un sistema lineal admite más de una solución entonces
necesariamente debe admitir infinitas
1.1. INTRODUCCIÓN 21
EJEMPLO 1.3. ⎧
⎪
⎨ x + y + 2z = 8
(S) 2y + z = 8
⎪
⎩
z=2
es también un sistema 3 × 3. Aquı́ con algo más de trabajo también se puede
deducir fácilmente el conjunto solución. Para esto basta observar que de
abajo hacia arriba cada ecuación tiene exactamente una incógnita más que
la siguiente, por este motivo se dice que el sistema esta “escalerizado”. De
la última ecuación se despeja
z=2
Con este valor de z sustituimos en al segunda ecuación y tenemos
2y + 2 = 8 =⇒ 2y = 6 =⇒ y=3
Finalmente con los valores de y y z hallados “subimos” a la primera ecuación

y sustituyendo se tiene que
x + 3 + 2(2) = 8 =⇒ x=1
En consecuencia Sol(S) = {(1, 3, 2)}.

Este procedimiento de despejar una incógnita en una ecuación y sustituirla
en otra de arriba se denomina sustitución hacia atrás !
Observemos que en los ejemplos 1.2 y 1.3 los conjuntos solución son
iguales, cuando esto ocurra diremos que los respectivos sistemas son equi-
valentes.
EJEMPLO 1.4. ⎧
⎪
⎨ x + y + 2z = 8
(S) x−y+z =0
⎪
⎩
x+y+z =6
Las cosas aquı́ no son tan claras. Una estrategia para resolverlo, inspirada
en los ejemplos anteriores podrı́a ser, la de sustituir el sistema (S) por otro,
(S ′ ) equivalente y “escalerizado” de modo de poder resolver (S ′ ) (y por
ende (S) ya que al ser equivalentes los conjuntos solución de ambos sistemas
coinciden) con el procedimiento utilizado en el ejemplo 1.3. Analicemos un

poco estas ideas antes de retomar la resolución concreta del ejemplo. !
La pregunta que naturalmente surge es ¿cómo hacer para sustituir un

sistema por otro que resulte equivalente?. Para responderla introducimos la
siguiente
DEFINICIÓN 1.1. Llamaremos transformaciones elementales a cual-

quiera de las siguientes operaciones efectuadas a las ecuaciones de un sistema
lineal:
1. Intercambiar de lugar dos ecuaciones. (Fi ↔ Fj )
2. Multiplicar una ecuación por un número α ̸= 0. (αFi )
3. Sumar a una ecuación un múltiplo de otra. (Fi + αFj )
Entre paréntesis se indica la notación que utilizaremos para especificar cada
operación en los ejemplos. La ecuación i-esima será notada con Fi .
La siguiente proposición responde la pregunta formulada arriba.
PROPOSICIÓN 1.1. Si en un sistema lineal de ecuaciones se efectúan

una transformación elemental el sistema resultante es equivalente al ori-
ginal.
Demostración. La demostración es muy sencilla y la haremos sólo en el

caso que la transformación elemental sea del tipo 3. El resto queda a cargo
del lector.
Supongamos que el sistema original sea
⎧
⎪
⎪ a11 x1 + a12 x2 + · · · + a1n xn = b1
⎪
⎪ ..
⎪
⎪
⎪
⎪ .
⎪
⎪
⎪
⎨ ai1 x1 + ai2 x2 + · · · + ain xn = bi
⎪
..
(S) .
⎪
⎪
⎪
⎪ aj1 x1 + aj2 x2 + · · · + ajn xn = bj
⎪
⎪
⎪
⎪ ..
⎪
⎪ .
⎪
⎪
⎩
am1 x1 + am2 x2 + · · · + amn xn = bm
1.1. INTRODUCCIÓN 23
Supongamos que sumamos a la ecuación i un múltiplo de la ecuación j. El

sistema resultante es
⎧
⎪
⎪ a11 x1 + a12 x2 + · · · + a1n xn = b1
⎪
⎪ ..
⎪
⎪
⎪
⎪ .
⎪
⎪
⎪
⎨ (ai1 x1 + ai2 x2 + · · · + ain xn ) + β(aj1 x1 + aj2 x2 + · · · + ajn xn ) = bi + βbj
⎪
′ ..
(S ) .
⎪
⎪
⎪
⎪ aj1 x1 + aj2 x2 + · · · + ajn xn = bj
⎪
⎪
⎪
⎪ ..
⎪
⎪ .
⎪
⎪
⎩
am1 x1 + am2 x2 + · · · + amn xn = bm
Para probar que ambos son equivalentes deberemos ver que Sol(S) = Sol(S ′ ).
Como se trata de mostrar la igualdad de dos conjuntos tendremos que de-
mostrar que están mutuamente incluidos.
Veamos primero que Sol(S) ⊂ Sol(S ′ ). Sea (α1 , α2 , · · · , αn ) ∈ Sol(S) es
claro que (α1 , α2 , · · · , αn ) satisface todas las ecuaciones de (S ′ ) (pues son
las mismas que las de (S)) salvo tal vez la i-esima. Como (α1 , α2 , · · · , αn )
debe verificar la i-esima y j-esima ecuación de (S) se tiene que
ai1 α1 + ai2 α2 + · · · + αin xn = bi y aj1 α1 + aj2 α2 + · · · + ajn αn = bj
por lo tanto
(ai1 α1 + ai2 α2 + · · · + ain αn ) + β(aj1 α1 + aj2 α2 + · · · + ajn αn ) = bi + βbj
de donde (α1 , α2 , . . . , αn ) ∈ Sol(S ′ ).

Finalmente probemos que Sol(S ′ ) ⊂ Sol(S). Consideremos ahora
(α1 , α2 , . . . , αn ) ∈ Sol(S ′ ).
Igual que antes es claro (α1 , α2 , . . . , αn ) debe verificar todas las ecuaciones
de (S) salvo tal vez la i-esima pero como
(ai1 α1 + ai2 α2 + · · · + ain αn ) + β(aj1 α1 + aj2 α2 + · · · + ajn αn ) = bi + βbj
y
aj1 α1 + aj2 α2 + · · · + ajn αn = bj
se deduce que
ai1 α1 + ai2 α2 + · · · + ain αn = bi
con lo cual (α1 , α2 , . . . , αn ) ∈ Sol(S) y la prueba esta concluida.
Naturalmente las cuestiones que se imponen ahora son las de saber si cual-
quier sistema puede ser “escalerizado” mediante transformaciones elemen-
tales y en caso afirmativo determinar un método o algoritmo que permita
hacerlo. Volvamos a analizar el ejemplo 1.4.
EJEMPLO 1.4 (continuación). Para que el sistema quede “escalerizado

en la segunda y tercera ecuación no debe aparecer la incógnita x entonces
dejemos la primera ecuación igual y realicemos transformaciones elementales
en la segunda y tercera. La idea es combinar ambas con la primera de modo
que los coeficientes de la incógnita x se anulen. Como el coeficiente de x en
las tres ecuaciones es 1 basta en ambos casos restar la primera.
⎧ ⎧
⎪
⎨ x + y + 2z = 8 ⎪
⎨ x + y + 2z = 8
x−y+z =0 ∼ −2y − z = −8 ←− F2 − F1
⎪
⎩ ⎪
⎩
x+y+z =6 −z = −2 ←− F3 − F1
El sistema esta ya “escalerizado”, si multiplicamos las dos últimas ecuaciones

por −1 se obtiene el sistema del ejemplo 1.3 por lo cual Sol(S) = {(1, 3, 2)}
!
1.2. Matrices
Al trabajar con un sistema de ecuaciones la representación de las in-

cógnitas (x, y, z o x1 , . . . , xn , etc.) no juega ningún papel y puede usarse
cualquiera; de hecho para determinar un sistema es suficiente con conocer los
coeficientes y el término independiente del mismo. Naturalmente no alcanza
con conocer los valores de estos números sino que es necesario mantener el
orden que ocupan (a qué ecuación pertenecen y a qué incógnita multiplican).
Por esto resulta conveniente dar la siguiente
1.2. MATRICES 25
DEFINICIÓN 1.2. Llamaremos matriz A de m filas por n columnas

(m × n) de entradas aij a un ordenamiento rectangular de números
⎛ ⎞
a11 a12 ... a1n
⎜ ⎟
⎜ a21 a22 ... a2n ⎟
A=⎜
⎜ .. .. .. .. ⎟
⎟
⎝ . . . . ⎠
am1 am2 . . . amn
Notación: En general la matriz A con entradas aij la indicaremos por

A = ((aij ))i=1,...,m
j=1,...,n o más brevemente A = ((aij )) cuando las dimensiones
estén claras. El primer ı́ndice i indica la fila y el segundo j la columna a la
que pertenece la entrada.
El conjunto de todas las matrices m × n lo indicaremos como Mm×n .
Llamaremos matriz columna (fila) a una matriz X ∈ Mm×1 (M1×n ).
Diremos que dos matrices son iguales si tienen el mismo tamaño y los
mismas entradas en las mismas posiciones. Dicho de otro mondo si A y B son
dos matrices m × n entonces A = B ⇔ aij = bij ∀i = 1, . . . , m, j = 1, . . . , n
EJEMPLO 1.5. Sea

0 1 0 1
1 2 2 1
A= √ yB= √
2 1 2 1
Entonces A ̸= B pues a11 = 1 ̸= b11 = 2 !
OBSERVACIÓN 1.2. El lector atento notará que nuestra definición de

matriz si bien es clara no es del todo formal. La frase “ordenamiento rectangular.es
intuitiva pero no está definida con precisión, una definición formal serı́a:
Una matriz A de m filas por n columnas es una función A : {1, . . . , m}×
{1, . . . , n} → R.
El lector verificará que esta definición es coherente, chequeando por ejemplo,
el criterio de igualdad de matrices.
DEFINICIÓN 1.3. Dado un sistema lineal de ecuaciones

⎧
⎪
⎪ a11 x1 + a12 x2 + . . . + a1n xn = b1
⎪
⎪
⎨ a21 x1 + a22 x2 + . . . + a2n xn = b2
⎪ .
.. ..
⎪
⎪ .
⎪
⎩
am1 x1 + am2 x2 + . . . + amn xn = bm
llamaremos matriz del sistema a la matriz m × n A de coeficientes del
mismo, esto es: ⎛ ⎞
a11 a12 . . . a1n
⎜ ⎟
⎜ a21 a22 . . . a2n ⎟
A=⎜ .⎜ .. .. ⎟
.. ⎟
⎝ .. . . . ⎠
am1 am2 . . . amn
Llamaremos, matriz ampliada del sistema a la matriz m × (n + 1)
⎛ ⎞
a11 a12 . . . a1n b1
⎜ ⎟
⎜ a21 a22 . . . a2n b2 ⎟
(A|b) = ⎜
⎜ .. .. .. .. .. ⎟
⎟
⎝ . . . . . ⎠
am1 am2 . . . amn bm
Diremos que dos matrices son equivalente si los respectivos sistemas lo son
La definición anterior introduce una notación más compacta (matricial)

para un sistema de ecuaciones. Veamos algunos ejemplos.
EJEMPLO 1.6. Consideremos el sistema

⎧
⎪
⎨ x + y + 2z = 9
(S) 3x + 6y − 5z = 0
⎪
⎩
2x + 4y − 3z = 1
entonces la matriz del sistema y la matriz ampliada son:
⎛ ⎞ ⎛ ⎞
1 1 2 1 1 2 9
⎜ ⎟ ⎜ ⎟
A = ⎝3 6 −5⎠ y A|b = ⎝ 3 6 −5 0 ⎠
2 4 −3 2 4 −3 1
!
1.3. EL MÉTODO DE ESCALERIZACIÓN 27
1.3. El método de escalerización
Resulta natural ahora analizar , cómo se aplica el procedimiento de “es-

calerización” del ejemplo 1.4 a la matriz ampliada de un sistema. Las trans-
formaciones elementales deben aplicarse sobre las filas de la matriz.
EJEMPLO 1.7. Intentemos “escalerizar.el sistema del ejemplo 1.6

⎛ ⎞ ⎛ ⎞
1 1 2 9 1 1 2 9
⎜ ⎟ ⎜ ⎟
⎝ 3 6 −5 0 ⎠ ∼ ⎝ 0 3 −11 −27 ⎠ ←− F2 − 3F1 ∼
2 4 −3 1 0 2 −7 −17 ←− F3 − 2F1
⎛ ⎞
1 1 2 9
⎜ ⎟
⎝ 0 3 −11 −27 ⎠ ∼
1 2
0 0 3 1 ←− F3 − 3 F2
⎛ ⎞
1 1 2 9
⎜ ⎟
⎝ 0 3 −11 −27 ⎠
0 0 1 3 ←− 3F3
Por lo tanto el sistema (S) es equivalente al sistema
⎧
⎪
⎨ x + y + 2z = 9
3y − 11z = −27
⎪
⎩
z=3
Ahora podemos proceder a realizar sustitución hacia atrás. De la última
ecuación se tiene
z=3
Con este valor sustituimos en la segunda y tenemos
3y − 33 = −27 =⇒ 3y = 6 =⇒ y=2
y finalmente sustituyendo en la primera
x + 2 + 6 = 9 =⇒ x=1
En consecuencia el sistema es compatible determinado y su única solución

es la 3-upla (1, 2, 3). !
Hasta ahora no hemos sido precisos para definir a que le llamamos un

sistema o matriz escalerizada
DEFINICIÓN 1.4. Llamaremos matriz escalerizada a una matriz que

cumpla las siguientes condiciones
1. Todas las filas, salvo quizás la primera comienzan con una sucesión
de ceros.
2. Cada fila tiene al principio por lo menos un cero más que la fila
inmediata superior.
Llamaremos matriz escalerizada reducida a una matriz escalerizada que
además cumple las siguientes condiciones:
1. La primera entrada no nula de una fila es 1.
2. La columna correspondiente a la primera entrada no nula de una fila
tiene el resto de las entradas todas nulas.
Diremos que un sistema está escalerizado si su matriz ampliada lo está.
Escalerizar un sistema (o matriz) es encontrar un sistema (matriz)
escalerizado equivalente. Si A es una matriz y E es una matriz escalerizada
equivalente a A diremos que E es una forma escalerizada de A
EJEMPLO 1.8.
⎛ ⎞ ⎛ ⎞
2 1 0 1 2 1 0 1
⎜ 0 3 2 1 ⎟ ⎜ 0 0 3 1 ⎟
⎜ ⎟ ⎜ ⎟
(1.8.a) ⎜ ⎟ (1.8.b) ⎜ ⎟
⎝ 0 0 2 1 ⎠ ⎝ 0 0 0 2 ⎠
0 0 0 4 0 0 0 0
⎛ ⎞ ⎛ ⎞
1 0 4 0 1 1 0 1 0
⎜ 0 1 2 0 ⎟ ⎜ 0 0 1 2 0 ⎟
⎜ ⎟ ⎜ ⎟
(1.8.c) ⎜ ⎟ (1.8.d) ⎜ ⎟
⎝ 0 0 0 1 ⎠ ⎝ 0 0 0 0 1 ⎠
0 0 0 0 0 0 0 0 0
Los ejemplos a y b son matrices escalerizadas y los ejemplos c y d son

escalerizadas reducidas. !
En el ejemplo 1.6 se aprecia que una vez obtenida la forma escalerizada el

método de sustitución hacia atrás permite resolver el sistema. Cabe entonces
preguntarse el motivo para introducir la definición de matriz escalerizada
reducida. En el siguiente ejemplo se aclara en parte esto.
EJEMPLO 1.9. Resolver el sistema:

⎧
⎪
⎨ 2x + 4y + 2z = −2
(S) x + y + 2z = 0
⎪
⎩
−x + y − 2z = 2
La matriz ampliada del sistema es:
⎛ ⎞
2 4 2 −2
⎜ ⎟
⎝ 1 1 2 0 ⎠
−1 1 −2 2
Procedamos a escalerizarla, para esto en primer lugar obtengamos una ma-
triz equivalente pero con ceros en la segunda y tercera posición de la primera
columna. Dejamos la primera fila fija y la utilizamos como “pivot” para com-
binar con las otras dos.
⎛ ⎞ ⎛ ⎞
2 4 2 −2 2 4 2 −2
⎜ ⎟ ⎜ ⎟
⎝ 1 1 2 0 ⎠ ∼ ⎝ 0 −1 1 1 ⎠ ←− F2 − 12 F1
−1 1 −2 2 0 3 −1 1 ←− F3 + 12 F1
Ahora la primera y segunda fila tiene el aspecto adecuado. El segundo paso
consiste en sustituir la tercera fila por otra con dos ceros en los primeros
lugares. Para esto combinamos convenientemente tercera con la segunda fila.
⎛ ⎞ ⎛ ⎞
2 4 2 −2 2 4 2 −2
⎜ ⎟ ⎜ ⎟
(1.1) ⎝ 0 −1 1 1 ⎠ ∼ ⎝ 0 −1 1 1 ⎠
0 3 −1 1 0 0 2 4 ←− F3 + 3F2
Nótese que al dar el segundo paso la primera fila ya no interviene y se procede
de manera análoga al primer paso pero utilizado la segunda fila como fila
“pivot”.
Ahora que obtuvimos una forma escalerizada de la matriz original podrı́-
amos proceder con la sustitución hacia atrás pero en lugar de esto intentemos
obtener la forma reducida para esto fijamos la tercera fila como “pivot” y
la combinamos con la primera y segunda de modo que las entradas en las
posiciones 1, 3 y 2, 3 se anulen
⎛ ⎞ ⎛ ⎞
2 4 2 −2 2 4 0 −6 ←− F1 − F3
⎜ ⎟ ⎜ ⎟
⎝ 0 −1 1 1 ⎠ ∼ ⎝ 0 −1 0 −1 ⎠ ←− F2 − 12 F3
0 0 2 4 0 0 2 4
Combinando la segunda fila con la primera obtenemos un cero en la posición
1, 2
⎛ ⎞ ⎛ ⎞
2 4 0 −6 2 0 0 −10 ←− F1 + 4F2
⎜ ⎟ ⎜ ⎟
⎝ 0 −1 0 −1 ⎠ ∼ ⎝ 0 −1 0 −1 ⎠
0 0 2 4 0 0 2 4
Para obtener la forma reducida solo resta obtener unos en las entradas no
nulas de cada fila
⎛ ⎞ ⎛ ⎞
2 0 0 −10 1 0 0 −5 ←− 12 F1
⎜ ⎟ ⎜ ⎟
⎝ 0 −1 0 −1 ⎠ ∼ ⎝ 0 1 0 1 ⎠ ←− −F2
0 0 2 4 0 0 1 2 ←− 12 F3
El sistema resultante, equivalente a (S) es
⎧
⎪
⎨ x = −5
′
(S ) y=1
⎪
⎩
z=2
y por lo tanto el sistema es compatible determinado con Sol(S) = {(−5, 1, 2)}.
Obsérvese que en 1.1 la escalera que se obtuvo tiene todos sus “escalones”
de ancho una columna. Esto implica que en el correspondiente sistema cada
ecuación tenga exactamente una incógnita más que la inmediata inferior. !
El proceso de obtener la forma reducida sustituye entonces al algoritmo

de sustitución hacia atrás, además el lector puede observar que la forma
escalerizada de una matriz no es única (para obtener otra basta sustituir
una fila por una combinación de ella con una fila inferior) pero la reducida
si lo es.

⎧
⎪
⎨ 2x + 4y + 2z = −2
(S) x + y + 2z = 0
⎪
⎩
−x + y − 4z = 2
La matriz ampliada del sistema es:

⎛ ⎞
2 4 2 −2
⎜ ⎟
⎝ 1 1 2 0 ⎠
−1 1 −4 2
Procedamos como en el ejemplo anterior

⎛ ⎞ ⎛ ⎞
2 4 2 −2 2 4 2 −2
⎜ ⎟ ⎜ ⎟
⎝ 1 1 2 0 ⎠ ∼ ⎝ 0 −1 1 1 ⎠ ←− F2 − 12 F1 ∼
−1 1 −4 2 0 3 −3 1 ←− F3 + 12 F1
⎛ ⎞
2 4 2 −2
⎜ ⎟
⎝ 0 −1 1 1 ⎠
0 0 0 4 ←− F3 + 3F2
A diferencia del ejemplo precedente la forma escalerizada de la matriz am-

pliada tiene un escalón más que la de la matriz del sistema, por lo tanto la
última ecuación del sistema escalerizado es
0=4
y consecuentemente el sistema resulta incompatible pues ningún valor de x,

y y z la satisface. !

⎧
⎪
⎪ x1 + 2x2 + x3 + x5 + x6 = 1
⎪
⎪
⎪
⎪
⎨ −x1 − 2x2 + x3 + x4 − x6 = 0
(S) x1 + 2x2 + x3 + 2x4 + 5x5 + 3x6 = 1
⎪
⎪
⎪
⎪ x1 + 2x2 + x3 + x5 + 3x6 = 3
⎪
⎪
⎩ x + 2x + x + 4x + 9x + 3x = 1
1 2 3 4 5 6
La matriz del sistema ampliada es:
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ −1 −2 1 1 0 −1 0 ⎟
⎜ ⎟
⎜ 1 2 1 2 5 3 1 ⎟
⎜ ⎟
⎜ ⎟
⎝ 1 2 1 0 1 3 3 ⎠
1 2 1 4 9 3 −1
Como antes el proceso comienza fijando la primera fila como pivot y utili-
zando su primera entrada para lograr anular el resto de la primera columna.
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ −1 −2 1 1 0 −1 0 ⎟
⎜ ⎟
⎜ 1 ⎟
⎜ 1 2 1 2 5 3 ⎟∼
⎜ ⎟
⎝ 1 2 1 0 1 3 3 ⎠
1 2 1 4 9 3 −1
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟ ←− F2 + F1
⎜ ⎟
∼⎜⎜ 0 0 2 −1 −3 −2 1 ⎟
⎟ ←− F3 + 2F1
⎜ ⎟
⎝ 0 0 2 1 1 −2 −1 ⎠ ←− F4 − F1
0 0 0 4 8 2 0 ←− F5 − F1
En los ejemplos anteriores en el segundo paso, se utilizaba la entrada 2, 2

para conseguir ceros en el resto de la columna, aquı́ esto no es posible pues
la segunda columna ya tiene todas sus entradas (salvo la primera) nulas en
consecuencia el segundo escalón deberá estar en la tercera columna. Utiliza-
mos entonces la entrada de la posición 2, 3 para generar ceros en el resto de
la columna tres.
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
(1.2) ⎜ 0 0 2 −1 −3 −2 1 ⎟∼
⎜ ⎟
⎜ ⎟
⎝ 0 0 2 1 1 −2 −1 ⎠
0 0 0 4 8 2 0
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
∼⎜
⎜ 0 0 0 −2 −4 −2 0 ⎟ ←− F3 − F2
⎟
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠ ←− F4 − F2
0 0 0 4 8 2 0 ←− F5
En el tercer paso escalerizaremos la columna siguiente (la cuarta)
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
⎜ 0 0 0 −2 −4 −2 0 ⎟∼
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 4 8 2 0
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
∼⎜⎜ 0 0 0 −2 −4 −2 0 ⎟
⎟
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 0 0 0 0 ←− F5 + 2F3
Ya tenemos la forma escalerizada, pero como en el ejemplo 1.9 continuemos

hasta obtener la forma reducida
⎛ ⎞
1 2 1 0 1 1 1
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
⎜ 0 ⎟
⎜ 0 0 0 −2 −4 −2 ⎟∼
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 0 0 0 0
⎛ ⎞
1 2 1 0 1 0 0 ←− F1 − 12 F4
⎜ ⎟
⎜ 0 0 2 1 1 0 1 ⎟
⎜ ⎟
∼⎜⎜ 0 0 0 −2 −4 0 2 ⎟ ←− F3 − 2F4 ∼
⎟
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 0 0 0 0
⎛ ⎞
1 2 1 0 1 0 0
⎜ ⎟
⎜ 0 0 2 0 −1 0 2 ⎟ ←− F2 + 12 F3
⎜ ⎟
∼⎜
⎜ 0 0 0 −2 −4 0 2 ⎟
⎟ ∼
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 0 0 0 0
⎛ ⎞
3
1 2 0 0 2 0 −1 ←− F1 − 12 F2
⎜ ⎟
⎜ 0 0 2 0 −1 0 2 ⎟
⎜ ⎟
(1.3) ∼⎜
⎜ 0 0 0 −2 −4 0 2 ⎟
⎟ ∼
⎜ ⎟
⎝ 0 0 0 0 0 −2 −2 ⎠
0 0 0 0 0 0 0
⎛ ⎞
3
1 2 0 0 2 0 −1
⎜ ⎟
⎜ 0 0 1 0 − 12 0 1 ⎟ ←− 12 F2
⎜ ⎟
∼⎜⎜ 0 0 0 1 2 0 −1 ⎟ 1
⎟ ←− − 2 F3
⎜ ⎟
⎝ 0 0 0 0 0 1 1 ⎠ ←− − 12 F4
0 0 0 0 0 0 0
El sistema de ecuaciones asociado queda entonces

⎧
⎪
⎪ x1 + 2x2 + 32 x5 = −1
⎪
⎨ x3 − 12 x5 = 1
(S ′ )
⎪
⎪ x4 + 2x5 = −1
⎪
⎩
x6 = 1
Despejando se tiene
⎧
⎪
⎪ x1 = −2x2 − 32 x5 − 1
⎪
⎨ x
3 = − 12 x5 + 1
⎪
⎪ x4 = −2x5 − 1
⎪
⎩
x6 =1
Las incógnitas x2 y x5 no pueden determinarse, las otras se obtienen como
función de ellas. Cada valor real elegido libremente de x2 y x5 determina una
solución del sistema (S) Por ejemplo si x2 = 1 y x5 = 0 se obtiene la solución
" #
(−3, 1, 1, −1, 0, 1). Si x2 = 0 y x5 = 1 se tiene la solución − 52 , 0, 12 , −3, 1, 1 .
El sistema es entonces compatible indeterminado y en virtud de que dos de
sus incógnitas pueden elegirse libremente diremos que tiene dos grados de
libertad. El conjunto solución es
23 4 5
3 1
−2x2 − x5 − 1, x2 , − x5 + 1, −2x5 − 1, x5 , 1 , x2 ∈ R, x5 ∈ R
2 2
Vale la pena observar que al igual que en el ejemplo 1.9 el número de esca-
lones de la matriz ampliada y el de la matriz del sistema coinciden. Por esta
razón el sistema resulta compatible. Sin embargo, aquı́ la “escalera” pre-
senta “descansos” o escalones largos (el primero y el tercero). Esto implica
que en el sistema escalerizado algunas ecuaciones tienen por lo menos dos
incógnitas más que la ecuación inmediata inferior, por esto resulta imposible
determinar todas las incógnitas. !
Los ejemplos anteriores parecen indicar que cualquier matriz y por ende
cualquier sistema puede ser escalerizado. Establezcamos este hecho en el
siguiente resultado
PROPOSICIÓN 1.3. Toda matriz puede ser transformada en una ma-

triz escalerizada (o escalerizada reducida) mediante una cantidad finita de
transformaciones elementales
Demostración. La prueba es algorı́tmica4 . Indicaremos esquemáticamen-

te el procedimiento, los detalles quedan a cargo del lector.
Sea A = ((aij )) una matriz m×n cualquiera. Indiquemos por Ai = (ai1 , ai2 , . . . , ain )
su fila i-esima.
El objetivo del primer paso es obtener una matriz con una primera columna
que tenga nulas todas sus entradas excepto la primera. Si toda la primera
columna es nula se pasa a la segunda y ası́ sucesivamente hasta tener una
primera columna con alguna entrada distinta de cero. La idea para anular
el resto de las entradas de la columna es ubicar la entrada no nula (a la que
llamremos pivot) en la primera fila y utilizar esta para combinar convenien-
temente con cada fila a los efectos de lograr ceros en todas las posiciones.
Para simplificar la notación aquı́ supondremos que ya la primera columna
tiene alguna entrada no nula. Con la suposición indicada comenzamos re-
conociendo si a11 ̸= 0. Si a11 = 0 cambiamos la primera fila por otra cuya
primera entrada sea no nula.5 Una vez que el pivot esta ubicado realizamos
4
Un algoritmo es, groseramente hablando, un conjunto de acciones expresadas en un
lenguaje formal y sin ambigüedades que pueden ser comprendidos y ejecutados por una
persona o una máquina.
Este algoritmo es conocido con el nombre de Método de Gauss.
5
Por razones numéricas y para evitar errores de redondeo al resolver sistemas con
ayuda de la computadora resulta muchas veces importante, aún cuando a11 ̸= 0 cambiar
la primera fila por la fila que tenga la primera entrada mayor, este procedimiento se conoce
como pivoteo.
el primer paso de la escalerización:
⎛ ⎞ ⎛ ⎞
A1 A1
⎜ A2 ⎟ ⎜ A′2 ⎟ ←− A − a21 A
⎜ ⎟ ⎜ ⎟ 2 a11 1
⎜ .. .. ⎟ ⎜ .. .. ⎟ ..
⎜ . . ⎟ ⎜ . . ⎟ .
⎜ ⎟ ⎜ ⎟
⎜ ⎟∼⎜ ⎟
⎜ Ai ⎟ ⎜ A′i ⎟ ←− Ai − aai1 A1
⎜ ⎟ ⎜ ⎟ 11
⎜ .. .. ⎟ ⎜ .. .. ⎟ ..
⎝ . . ⎠ ⎝ . . ⎠ .
Am A′m ←− Am − aam111
A1
La matriz que obtuvimos tiene el siguiente aspecto:
⎛ ⎞
a11 a12 ... a1n
⎜ ⎟
⎜ 0 a′22 ... a′2n ⎟
⎜ .. .. .. ⎟
⎜ .. ⎟
⎝ . . . . ⎠
0 a′m2 . . . a′mn
En el segundo paso el objetivo es obtener una nueva matriz que tenga las
entradas de la segunda columna todas nulas salvo tal vez las dos primeras.
Para eso repetimos el procedimiento del paso uno a la sub-matriz que apa-
rece recuadrada.
De nuevo el primer paso es determinar el segundo pivot para esto chequea-
mos que a′22 ̸= 0 de lo contrario cambiamos la segunda fila por otra (de
abajo) con segunda entrada no nula. Podrı́a ocurrir que todas las entradas
de la segunda fila fuesen nulas en ese caso la segunda columna ya tiene el
aspecto adecuado por lo cual el procedimiento se continúa ubicando un pi-
vot en al posición 2, 3 (ver (1.2)en el ejemplo 1.11). Supongamos, para fijar
ideas, que a′22 ̸= 0 entonces el segundo paso de la escalerización es:

⎛ ⎞ ⎛ ⎞
A1 A1
⎜ ′ ⎟ ⎜ ′ ⎟
⎜ A2 ⎟ ⎜ A2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ A ′ ⎟ ⎜ A ′′ ⎟ ←− A′ − a32 A′
⎜ 3 ⎟ ⎜ 3 ⎟ 3 a22 2
⎜ . .. ⎟ ⎜ . .. ⎟ ..
⎜ .. ⎟ ⎜ . ⎟
⎜ . ⎟∼⎜ . . ⎟ .
⎜ ′ ⎟ ⎜ ′′ ⎟ ′ ai2 ′
⎜ Ai ⎟ ⎜ Ai ⎟ ←− Ai − a22 A2
⎜ . . ⎟ ⎜ . . ⎟ .
⎜ . .. ⎟ ⎜ . .. ⎟ ..
⎝ . ⎠ ⎝ . ⎠
A′m A′′m ←− A′m − aam2 22
A′2
La matriz obtenida en el paso dos tiene entonces el aspecto:

⎛ ⎞
a11 a12 a13 . . . a1n
⎜ 0 a′22 a′23 . . . a′2n ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 a′′33 . . . a′′3n ⎟
⎜ ⎟
⎜ . . .
.. .. . . .. ⎟
⎝ . . . . ⎠
0 0 ′′
am3 . . . amn′′
Repetimos nuevamente los pasos previos aplicados a la sub-matriz del re-

cuadro. El procedimiento culmina cuando se llega a la última fila o columna.
Para obtener la matriz escalerizada reducida a partir de la escalerizada,
basta con repetir el procedimiento pero tomando como pivots la entrada que
ocupa el lugar inferior derecho de la matriz y yendo hacia arriba.
COROLARIO 1.4. Todo sistema lineal es equivalente a uno escalerizado.
1.4. Teorema de Rouche-Frobenius
En las discusiones que realizamos de los ejemplos 1.9, 1.10 y 1.11 se apre-
ciaba cierta relación entre el número de escalones de la forma escalerizada
y la cantidad de soluciones del sistema, en esta sección establecemos con
precisión esta relación describiendo completamente el conjunto solución de
un sistema lineal de ecuaciones en termino de la cantidad de “escalones” del
mismo.
1.4. TEOREMA DE ROUCHE-FROBENIUS 39
DEFINICIÓN 1.5. Si E es una matriz escalerizada el número de esca-

lones de E es la cantidad de filas no nulas.
OBSERVACIÓN 1.5. Si E es una matriz escalerizada y E ′ es una matriz

reducida equivalente el número de escalones de ambas es el mismo.
OBSERVACIÓN 1.6. Ya hemos observado que la forma escalonada de

una matriz no es única sin embargo (aunque no lo hemos probado todavı́a)
la forma reducida si lo es. De este hecho y de la observación precedente se
deduce que la cantidad de escalones de todas las formas escalerizadas de una
misma matriz coinciden.
TEOREMA 1.7 (Rouche-Frobenius). Sea (S) un sistema lineal de m

ecuaciones con n incógnitas con matriz ampliada A|b. Sea p el número de
escalones de A y p′ el número de escalones de A|b entonces
1. (S) es compatible si y solo si p = p′

2. Si (S) es compatible entonces
a) (S) es determinado si y solo si p = n.
b) (S) es indeterminado si y solo si p < n.
Demostración. Comencemos probando los recı́procos de las tres afirma-

ciones. Observemos en primer lugar que como A tiene n columnas y cada
escalón ocupa por lo menos una columna deducimos que para cualquier sis-
temas se cumple que
(1.4) p≤n
Supongamos que p = p′ . De (1.4) se deduce que hay dos posibilidades p′ =

p = n o p′ = p < n. Analicemos el primer caso. La forma reducida debe
tener tantos escalones como columnas por lo tanto debe ser:
⎛ ⎞
1 0 0 ... ... 0 c1
⎜ 0 1 0 ... ... 0 c2 ⎟
⎜ ⎟
⎜ .. .. .. ⎟
⎜ 0 0 1 . . . ⎟
⎜ ⎟
⎜ . . . .. . . .. .. ⎟
⎜ .. .. .. . . . . ⎟
⎜ ⎟
⎜ . . .. . ⎟
⎜ .. .. . 1 0 .. ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 ... ... 0 1 cn ⎠
0 0 ... ... 0 0 0
Donde la columna de entradas ci representa el termino independiente luego

de efectuado el proceso de escalerización. El sistema correspondiente es
⎧
⎪
⎪ x1 = c1
⎪
⎪
⎨ x2 = c2
⎪ .. ..
⎪
⎪ . .
⎪
⎩
xn = cn
el cual es compatible determinado.
Veamos ahora el segundo caso, p′ = p < n. Como la forma escalerizada

tiene más columnas que escalones necesariamente algún escalón debe tener
“descanso” y por lo tanto la forma reducida debe ser
1.4. TEOREMA DE ROUCHE-FROBENIUS 41
⎛ ⎞
1 0 ⋆ ... ⋆ 0 ... 0 0⋆ ... ⋆ 0 . . . 0 c1
⎜ ⎟
⎜ 0 1 ⋆ ... ⋆ 0 ... 0 0⋆ ... ⋆ 0 . . . 0 c2 ⎟
⎜ ⎟
⎜ .. . .. .. . . . . ⎟
⎜ . 0
... ... 0 1 . . . .. . . . . . .. ... . . .. .. ⎟
⎜ ⎟
⎜ .. .. . .. .. .. .. . . . . ⎟
⎜ . . . . . . . ..
. . . 0 . . . . . .. ... . . .. .. ⎟
⎜ ⎟
⎜ .. .. . .. . . . . . ⎟
⎜ . . . . . . . ..
. ... . 1 0 .. . . . .. ... . . .. .. ⎟
⎜ ⎟
⎜ .. .. . . ⎟
⎜ . . . . . . . ..
. ... ... 0 1 ⋆ . . . ⋆ 0 . . . .. cs ⎟
⎜ ⎟
⎜ . . . ⎟
⎜ 0 0 . . . . . . .. ... . . . .. 0 0 . . . 0 1 . . . .. cs+1 ⎟
⎜ ⎟
⎜ .. .. . . .. .. . . .. . ⎟
⎜
⎜ . . . . . . . . .. ... . . . .. . . . . . .. .. . 0 .. ⎟
⎟
⎜ . ⎟
⎜
⎜ 0 0 ... ... 0 ... . . . . . . .. 0 . . . 0 0 . . . 1 cp ⎟
⎟
⎜ . ⎟
⎜
⎜ 0 0 ... ... 0 ... . . . . . . .. 0 . . . 0 0 . . . 0 0 ⎟
⎟
⎜ .. .. .. .. .. . .. .. . . . . ⎟
⎜
⎝ . . . . . ... . . . .. . . . . . .. .. . . . .. .. ⎟
⎠
.
0 0 ... ... 0 ... . . . . . . .. 0 . . . 0 0 . . . 0 0
donde las zonas de estrellas representan submatrices con entradas arbitra-
rias.
Para analizar la solución de este sistema intentemos aplicar el algoritmo de
sustitución hacia atrás. Supongamos que s es la primera fila (comenzando
desde abajo) con descanso (escalón de ancho mayor que una columna). Las
ecuaciones s + 1, s + 2, . . . , p son entonces
xs+1 = cs+1
xs+2 = cs+2
..
.
xp = cp
la ecuación s es
xh + as h+1 xh+1 + . . . + ass xs = cs
despejando se tiene
xh = cs − (as h+1 xh+1 + . . . + ass xs )
La incógnita xh no puede entonces determinarse sino en función de los va-

lores de xh+1 , . . . , xs . Fijemos valores arbitrarios para estas últimas s − h
incógnitas, xh quedará determinado y con estos valores podemos ahora sus-
tituir en las ecuación s − 1, . . . , 1 y continuar el proceso de sustitución hacia
atrás. Esto demuestra que el sistema es compatible, pues hay soluciones pero
si cambiamos la elección hecha para los valores de xh+1 , . . . , xs se obtiene
otro valor para xh y consecuentemente otra solución con lo cual el sistema
resulta compatible indeterminado. De hecho como las variables xh+1 , . . . , xs
se pueden elegir arbitrariamente se obtienen infinitas soluciones. Obsérvese
que estas elecciones arbitrarias se pueden hacer sólo en los descansos y que
el número de variables que pueden elegirse libremente es n − p (la suma
de los anchos de los descansos es igual al número de columnas menos el de
escalones).
Demostremos ahora que si (S) compatible entonces p′ = p. Para probarlo
demostraremos su contra recı́proco6 y para esto basta con ver que p < p′
implica (S) incompatible pues en cualquier sistema A|b tiene una columna
más que A y por lo tanto se cumple que p ≤ p′
Si p < p′ , la última columna de la forma reducida de la matriz ampliada
debe tener un escalón por lo tanto la forma es:
⎛ ⎞
1 0 ⋆ ... ⋆ 0 ... 0 ⋆ ⋆ 0
⎜ ⎟
⎜ 0 1 ⋆ ... ⋆ 0 ... 0 ⋆ ⋆ 0 ⎟
⎜ ⎟
⎜ 0 0 0 ... 0 1 ... 0 ⋆ ⋆ 0 ⎟
⎜ ⎟
⎜ .. .. .. . . . .. .. .. .. ⎟
⎜ . . . . . . .. . . . . . ⎟
⎜ ⎟
⎜ 0 0 0 ... 0 0 ... 1 ⋆ ⋆ 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 . . . 0 0 . . . 0 0 0 1 ⎠
0 0 0 ... 0 0 ... 0 0 0 0
En consecuencia la ultima ecuación del sistema es
0=1
6
Recordemos que un resultado de lógica elemental establece que A ⇒ B si y solo si
negación de B ⇒ negación de A
1.5. SISTEMAS HOMOGÉNEOS 43
de donde resulta que (S) debe ser incompatible.

Si S es compatible determinado debe ser p = n pues si p < n ya hemos visto
que (S) resultarı́a indeterminado.
De manera análoga se razona para probar que S compatible indeterminado
implica p < n
En el transcurso de la demostración se observo que si p = p′ < n el sistema

es indeterminado y se pueden elegir n − p variables libremente quedando
las otras determinadas por estas. Por este motivo diremos que el sistema es
indeterminado con n − p grados de libertad.
1.5. Sistemas homogéneos
Un sistema con todas las entradas del término independiente nulas se

denomina sistema homogéneo. En virtud del importante rol que estos
sistemas desempeñan vale la pena discutir alguna de sus propiedades.
PROPOSICIÓN 1.8. Un sistema lineal homogéneo es siempre compatible.
Demostración. En efecto como el término independiente de un sistema

homogéneo tiene todas sus entradas nulas debe ser p = p′ y por lo tanto el
teorema de Rouche-Frobenius asegura la compatibilidad.
Otra manera más directa de probar la afirmación anterior es observar que

la solución x1 = 0, . . . , xn = 0 a la que llamaremos solución trivial verifica
cualquier sistema homogéneo. Naturalmente los sistemas homogéneos deter-
minados únicamente admiten solución trivial. Veamos con un ejemplo que
ocurre en el caso de un sistema homogéneo indeterminado
EJEMPLO 1.12. Resolver el sistema

⎧
⎪
⎨ x+y−z =0
x + y − 2z = 0
⎪
⎩
2x + 2y − 3z = 0
La matriz ampliada es:

⎛ ⎞
1 1 −1 0
⎜ ⎟
⎝ 1 1 −2 0 ⎠
2 2 −3 0
Al escalerizarla se obtiene la matriz
⎛ ⎞
1 1 −1 0
⎜ ⎟
(S) ⎝ 0 1 −1 0 ⎠ ,
0 0 0 0
en consecuencia el sistema asociado es
6
x+y−z =0
y−z =0
La solución es entonces
Sol(S) = {(0, z, z) con z ∈ R} = {z(0, 1, 1) con z ∈ R}.
Se puede observar que todas las soluciones se pueden obtener como combi-
nación lineal de ciertas soluciones fijas. !
OBSERVACIÓN 1.9. Sea A una matriz m × n con n > m, el sistema

homogéneo asociado tiene más incógnitas que ecuaciones y resulta indeter-
minado. En efecto, si E es una forma escalerizada asociada a A, es evidente
que a lo sumo puede tener m escalones y por lo tanto el teorema de Rouche-
Frobenius implica la afirmación.
1.6. Una interpretación geométrica
El lector ha estudiado en el curso de Geometrı́a Analı́tica la ecuación
ax + by = c.
Si a y b no se anulan simultáneamente los puntos del plano de coordenadas

x, y que la verifican pertenecen a una recta. Por lo tanto en el sistema
6
ax + by = c
(S)
a′ x + b′ y = c
1.6. UNA INTERPRETACIÓN GEOMÉTRICA 45
cada ecuación representa una recta y su solución no es otra cosa que las
coordenadas de los puntos que pertenecen a la intersección de ambas. De
ese modo un sistema 2 × 2 compatible determinado (una única solución)
se corresponde con dos rectas que se cortan en un único punto (ver figura
1.13), un sistema indeterminado (infinitas soluciones) se corresponde con
dos rectas coincidentes y un sistema incompatible con dos rectas paralelas
distintas (ver figuras 1.14 y 1.15 respectivamente).
EJEMPLO 1.13. El sistema

6
2x + y = 2
x+y =2
es compatible determinado con única solución (0, 2) !
2
x+y =2
1
2x + y = 2
1 2
Figura 1

6
2x + 2y = 4
x+y = 2
es compatible indeterminado con solución {(x, 2 − x) x ∈ R} !

2
x+y =2
1 2x + 2y = 4
1 2
Figura 2

6
x+y =1
x+y =2
es incompatible !
2
x+y =1 x+y =2
1
1 2
Figura 3
Esta interpretación geométrica de los sistemas 2 × 2 puede también ex-

tenderse a los sistemas de tres incógnitas salvo que, como veremos en el
próximo capı́tulo, las ecuaciones representan planos en el espacio y la solu-
ción sus intersecciones.
1.6. UNA INTERPRETACIÓN GEOMÉTRICA 47
En cierta medida la teorı́a que desarrollaremos en capı́tulos posteriores

nos permitirá extender también la interpretación geométrica para sistemas
de mayor tamaño.
CAPı́TULO 2
ÁLGEBRA DE MATRICES
2.1. Operaciones con matrices
Ya hemos visto que en un sistema lineal de ecuaciones los coeficientes

del mismo forman un “ordenamiento rectangular de números” al que deno-
minamos matriz. Hasta el momento las matrices no son otra cosa que una
nueva manera de representar al sistema de ecuaciones, simplemente se omite
escribir las incógnitas, lo cual resulta más cómodo y compacto. Sin embargo
las matrices son objetos matemáticos con “vida propia”. Como veremos más
adelante, las matrices comparten con los números muchas de sus propieda-
des aunque claro esta, son más “complicados” que estos. No olvidemos que
guardan más información que una simple lista de números: son números
ordenados en un damero.
Comencemos definiendo algunas operaciones con matrices.
DEFINICIÓN 2.1 (Suma de matrices). Sea A = ((aij )) y B = ((bij )) dos

matrices m × n, definimos la suma + : Mm×n × Mm×n → Mm×n de modo
que A + B = C siendo C = ((cij )), donde cij = aij + bij ,
49
50 2. ÁLGEBRA DE MATRICES
⎛ ⎞ ⎛ ⎞
1 1
1 2 0 0 2 −1
⎜ ⎟ ⎜ ⎟
EJEMPLO 2.1. Sean A = ⎝ 1 2 −1 ⎠ y B = ⎝ 2 2 0 ⎠,
√
0 −1 2 1 −2 2
entonces
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 1 1
1 2 0 0 2 −1 1 + 0 2 + 2 0 − 1
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 1 2 −1 ⎠ + ⎝ 2 2 0 ⎠ = ⎝ 1+2 2 + 2 −1 + 0 ⎠
√ √
0 −1 2 1 −2 2 0 + 1 −1 − 2 2+2
⎛ ⎞
1 1 −1
⎜ ⎟
= ⎝ 3 4 −1 ⎠
√
1 −3 2+2
!
DEFINICIÓN 2.2 (Producto de números por matrices). Sea λ ∈ R un

número y A ∈ Mm×n una matriz definimos el producto de λ por A como
λ·A = B donde B = ((bij )) con bij = λaij
0 √ 1
√ 2 1
EJEMPLO 2.2. Sea λ = 2 y A = √ entonces
0 − 2
0 √ 1 0 √ √ √ 1 0 √ 1
√ 2 1 2( 2) 2(1) 2 2
2· √ = √ √ √ =
0 − 2 2(0) 2(− 2) 0 −2
!
Resulta útil destacar alguna de las propiedades que tienen estas opera-
ciones.
Propiedades:
[S1] [Conmutativa] A + B = B + A, ∀ A, B ∈ Mm×n .
" # " #
[S2] [Asociativa] A + B + Z = A + B + Z , ∀ A, B, Z ∈ Mm×n .
[S3] [Neutro de la suma] Existe O ∈ Mm×n tal que A + O = O + A = A,
∀ A ∈ Mm×n .
[S4] [Existencia de opuesto] Para cada A ∈ Mm×n existe B ∈ Mm×n tal
que A + B = O (Notación: B = −A).
" #
[P1] [Asociativa del producto] αβ A = α(βA), ∀ α, β ∈ R y A ∈ Mm×n .
2.2. PRODUCTO DE MATRICES 51
[P2] [Neutro del producto] 1.A = A ∀ A ∈ Mm×n

[P3] [Distributiva] (α + β)A = αA + βA y ∀ α, β ∈ R y A, B ∈ Mm×n .
[P4] [Distributiva] α(A + B) = αA + αB, ∀ α ∈ R y A, B ∈ Mm×n .
Las pruebas quedarán a cargo del lector. Observemos no obstante que la

matriz O de la propiedad [S3] se denomina matriz nula y tiene todas sus
entradas cero.
2.2. Producto de matrices
A las operaciones de suma y multiplicación por escalares, en el caso de las

matrices, vamos a agregar un producto entre ellas. En una primera mirada
y por analogı́a con las operaciones ya definidas parece razonable definir el
producto de matrices como producto entrada a entrada. No será sin embargo,
ese el camino que seguiremos. Nuestro producto es algo más complicado pero
como veremos más adelante extremadamente útil.
DEFINICIÓN 2.3. Sea A ∈ Mm×p y B ∈ Mp×n definimos el producto

entre matrices como, · : Mm×p × Mp×n → Mm×n de modo que A·B = C
donde C = ((cij )), con
p
7
cij = aih bhj
h=1
El siguiente esquema ayuda a recordar la forma de realizar la operación:

⎛ ⎞
b11 . . . b1j . . . b1n
⎜ ⎟
⎜ b21 . . . b2j . . . b2n ⎟
⎜ . . ⎟
⎜ . ⎟
⎝ . . . . .. . . . . . . ⎠
bp1 . . . bpj . . . bpn
⎛ ⎞ ⎛ ⎞
a11 a12 . . . a1p
⎜ . .. .. ⎟ ⎜ ⎟
⎜ .. . ... . ⎟ ⎜ ⎟
⎜ ⎟ ⎜ .. .. .. .. ⎟
⎜ . .. .. ⎟ ⎜ . . ↓ . . ⎟
⎜ .. . ... . ⎟ ⎜ ⎟
⎜ ⎟ ⎜ .. .. ⎟
⎜ ⎟ ⎜ −→ cij . . ⎟
⎜ ai1 ai2 . . . aip ⎟ ⎜ ⎟
⎜ ⎟ ⎜ .. .. .. .. .. ⎟
⎜ .. .. .. ⎟ ⎜ . . . . . ⎟
⎝ . . ... . ⎠ ⎝ ⎠
.. .. .. .. ..
a
m1 am2 ... a
mp . . . . .
0 1 0 1
2 −1 1 2
EJEMPLO 2.3. Sea A = y B = calculemos su
0 2 −1 3
producto
0 10 1 0 1
2 −1 1 2 2·1 + (−1)(−1) 2(2) + (−1)3
= =
0 2 −1 3 0·1 + 2(−1) 0·2 + 2·3
0 1
3 1
=
−2 6
!
⎛ ⎞
0 1 1 2
2 1 −1 0 ⎜ 2 1 ⎟
⎜ ⎟
EJEMPLO 2.4. Sean A = yB=⎜ ⎟. El pro-
2 1 2 −1 ⎝ 1 1 ⎠
1 0
ducto de A por B es:
⎛ ⎞
0 1 1 2 0 1
2 1 −1 0 ⎜ ⎟
⎜ 2 1 ⎟ 3 4
⎜ ⎟=
2 1 2 −1 ⎝ 1 1 ⎠ 5 7
1 0
pues
3 = 2·1 + 1·2 + (−1)1 + 0·1

4 = 2·2 + 1·1 + (−1)1 + 0·0
5 = 2·1 + 1·2 + 2·1 + (−1)1
7 = 2·2 + 1·1 + 2·1 + (−1)0
Vale la pena observar que las matrices no deben ser necesariamente del
mismo tamaño para poder multiplicarlas. De hecho si se mira con cuidado
la definición se observa que para poder hacerlo la cantidad de filas de la
primera debe coincidir con la cantidad de columnas de la segunda. Cuando
esto ocurra se dice que las matrices son conformables. !
⎛ ⎞ ⎛ ⎞
1 2 1 x
⎜ ⎟ ⎜ ⎟
EJEMPLO 2.5. Sea A = ⎝ 2 1 1 ⎠ y X = ⎝ y ⎠ entonces
1 1 2 z
⎛ ⎞⎛ ⎞ ⎛ ⎞
1 2 1 x x + 2y + z
⎜ ⎟⎜ ⎟ ⎜ ⎟
A.X = ⎝ 2 1 1 ⎠⎝ y ⎠ = ⎝ 2x + y + z ⎠
1 1 2 z x + y + 2z
!
⎛ ⎞
1 2 1 8 9
⎜ ⎟
EJEMPLO 2.6. Sea A = ⎝ 2 1 1 ⎠ y X ′ = x y z entonces
1 1 2
⎛ ⎞
8 9 1 2 1 8 9
⎜ ⎟
X ′ A = x y z ⎝ 2 1 1 ⎠ = x + 2y + z 2x + y + z x + y + 2z
1 1 2
OBSERVACIÓN 2.1. Sean A = ((aij )) una matriz m × n y B = ((bjk ))

una matriz n × p notaremos por Ai = (ai1 , . . . , ain ) a la fila i-esima de A y
⎛ ⎞
b1k
⎜ . ⎟
con B j = ⎜ ⎝ .
. ⎟ la columna k-esima de B. Si A·B = C designemos como
⎠
ank
Ci la fila i-esima y por C k la columna k- esima de C. Entonces C k = A·B k
y Ci = Ai B, es decir que
⎛ ⎞
A·B 1 A·B 2 . . . A·B n
⎜ ⎟
⎜ ⎟
A·B = ⎜ ⎟
⎝ ⎠
...
y
⎛ ⎞
A1 ·B
⎜ ⎟
⎜ A2 ·B ⎟
A·B = ⎜
⎜ .. .. .. ⎟
⎟
⎝ . . . ⎠
Am ·B
La prueba queda como ejercicio a cargo del lector pero el ejemplo siguiente
ilustra las afirmaciones.
⎛ ⎞
0 1 1 1
2 1 0 ⎜ ⎟
EJEMPLO 2.7. Sea A = y B = ⎝ 2 1 ⎠ entonces
1 2 1
1 1
⎛ ⎞
0 1 1 1 0 1
2 1 0 ⎜ ⎟ 4 3
A·B = ⎝ 2 1 ⎠=
1 2 1 6 4
1 1
Las columnas de la matriz producto son

⎛ ⎞ ⎛ ⎞
0 1 1 0 1 0 1 1 0 1
2 1 0 ⎜ ⎟ 4 2 1 0 ⎜ ⎟ 3
⎝ 2 ⎠= y ⎝ 1 ⎠=
1 2 1 6 1 2 1 4
1 1
y las filas son

⎛ ⎞ ⎛ ⎞
8 9 1 1 8 9 8 9 1 1 8 9
⎜ ⎟ ⎜ ⎟
2 1 0 ⎝ 2 1 ⎠ = 4 3 y 1 2 1 ⎝ 2 1 ⎠ = 6 4
1 1 1 1
!
Propiedades del producto de matrices
Analicemos ahora las propiedades del producto de matrices. Comence-

mos observando que no es conmutativo. En el ejemplo 2.5 se observa que
dos matrices pueden ser conformables en un orden y no en otro. De hecho en
ese ejemplo AX tiene sentido pero XA no. Pero el producto de matrices no
es conmutativo ni siquiera
0 cuando
1 las0matrices
1 a multiplicar son cuadradas.
2 1 1 0
En efecto sea A = yB= entonces
1 1 0 0
0 10 1 0 1
2 1 1 0 2 0
A.B = = , pero
1 1 0 0 1 0
0 10 1 0 1
1 0 2 1 2 1
B.A = =
0 0 1 1 0 0
Naturalmente el contraejemplo solo indica que en general A·B ̸= B·A lo
cual no significa que no existan matrices que conmuten.
[Asociativa] Si A = ((aij )), B = ((bij )) y C = ((cij )) son tres matri-

" # " #
ces conformables entonces A·B C = A B·C .
" # " #
En efecto pongamos A·B C = D = ((dij )) y A B·C = D′ = ((d′ij ))
debemos probar que dij = d′ij ∀ i, j.
0 0 11 00 1 1
7 7 7 7
dij = aih bhs csj = aih bhs csj = d′ij
h s s h
!
[Distributiva] Si A = ((aij )), B = ((bij )) son matrices de igual di-

mensión y C = ((cij )) es una matriz conformable con A y B entonces
C(A + B) = C·A + C·B y (A + B)C = A·C + B·C 1
Probemos sólo la primera, la otra queda como ejercicio. Pongamos
C(A + B) = D = ((dij )),

C·A = E = ((eij )) y C·B = F = ((fij )).
Debemos probar entonces que dij = eij + fij ∀ i, j

7 " # 7
dij = cih ahj + bhj = cih ahj + cih bhj =
h h
7 7
= cih ahj + cih bhj = eij + fij
h h
DEFINICIÓN 2.4. Sea A = ((aij )) una matriz n×m, definimos la matriz

traspuesta de A como la matriz m × n At = ((atij )), donde atij = aji .
⎞ ⎛
0 1 1 2
1 2 3 ⎜ ⎟
EJEMPLO 2.8. Sea A = entonces At = ⎝ 2 1 ⎠
2 1 1
3 1
0 1 0 1
1 2 1 2
Sea B = entonces B t = , entonces B = B t , cuando esto
2 3 2 3
ocurra diremos
⎛ que la matriz
⎞ es simétrica ⎛ ⎞
0 2 −1 0 −2 1
⎜ ⎟ ⎜ ⎟
Sea C = ⎝ −2 0 1 ⎠ entonces C t = ⎝ 2 0 −1 ⎠ por lo tanto
1 −1 0 −1 1 0
C t = −C, cuando esto ocurra diremos que la matriz es antisimétrica.
1
Observe el lector que la no conmutatividad del producto de matrices obliga a probar
ambas identidades independientemente, pues en general C(A + B) ̸= (A + B)C.
2.3. ECUACIONES MATRICIALES. MATRIZ INVERSA. 57
⎛ ⎞
1
⎜ −2 ⎟ 8 9
⎜ ⎟
Sea D = ⎜ ⎟ entonces Dt = 1 −2 2 0 . Obsérvese que la tras-
⎝ 2 ⎠
0
puesta de una matriz columna resulta ser un matriz fila. !
PROPOSICIÓN 2.2 (Propiedades de la matriz traspuesta). Sean A y B

dos matrices y λ un número se cumplen las siguientes propiedades
" #t
1. A + B = At + B t .
2. (λA)t = λAt .
3. (A·B)t = B t ·At .
4. (At )t = A
Demostración. Ejercicio.
2.3. Ecuaciones matriciales. Matriz inversa.
Si A es una matriz m × n y b es una matriz m × 1 entonces AX = b es

una ecuación matricial. Resolverla es encontrar todas las matrices X n × 1
que la verifiquen.
El ejemplo 2.5 nos motiva a pensar que, identificando de manera natural
matrices columna con sucesiones finitas de números, resolver la ecuación
matricial AX = b es equivalente a resolver el sistema A|b.
PROPOSICIÓN 2.3. Sea
⎧
⎪
⎪ a11 x1 + a12 x2 + . . . + a1n xn = b1
⎪
⎪
⎨ a21 x1 + a22 x2 + . . . + a2n xn = b2
(S) = . ..
⎪
⎪ .. .
⎪
⎪
⎩
am1 x1 + am2 x2 + . . . + amn xn = bm
un sistema
⎛ lineal
⎞ de m ecuaciones con n incógnitas, A la matriz del sistema
b1
⎜ ⎟
⎜ b2 ⎟
y b = ⎜ . ⎟
⎜
⎟ entonces (:
x1 , x
:2 , . . . , x
:n ) es solución de (S) si y solo si
⎝ .. ⎠
bm
⎛ ⎞
x:1
⎜ ⎟
⎜ x:2 ⎟
;
X=⎜ .. ; =b
⎟ cumple que A·X
⎜ ⎟
⎝ . ⎠
x
:n
Demostración. Observemos en primer lugar que

⎛ ⎞⎛ ⎞ ⎛ ⎞
a11 a12 . . . a1n x1
: a11 : :2 + · · · + a1n x
x1 + a12 x :n
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ a21 a22 . . . a2n ⎟⎜ : x ⎟ ⎜ a : x + a22 x:2 + · · · + a2n x
:n ⎟
⎜ . . . ⎟⎜ . 2 ⎟ = ⎜ . 21 1 . .. ⎟
⎜
⎝ .. .. . . . .. ⎟⎜ ⎟ ⎜
⎠⎝ .. ⎠ ⎝ .. .. .
⎟
⎠
am1 am2 . . . amn x
:n am1 x:1 + am2 :x2 + · · · + amn x:n
Entonces (:
x1 , x :n ) ∈ Sol(S) ⇐⇒
:2 , . . . , x
ai1 : x2 + · · · + ain x
x1 + ai2 : :n = bi , ∀ i = 1, 2, . . . , m ⇐⇒
⎛ ⎞ ⎛ ⎞
a11 : x2 + · · · + a1n x
x1 + a12 : :n b1
⎜ ⎟ ⎜ ⎟
⎜ a21 : x2 + · · · + a2n x
x1 + a22 : :n ⎟ ⎜ b2 ⎟
⎜ .. .. .. ⎟=⎜ .. ⎟ ⇐⇒ AX
; =b
⎜ ⎟ ⎜ ⎟
⎝ . . . ⎠ ⎝ . ⎠
am1 : :2 + · · · + amn x
x1 + am2 x :n bm
El resultado anterior permite pensar el sistema de ecuaciones lineal con

matriz ampliada A|b como la ecuación matricial
(2.5) AX = b.
Este hecho, en primer lugar, puede considerarse como la primera aplicación
importante del producto de matrices y en cierta forma justifica su definición,
a priori no muy natural. Más adelante veremos otras aplicaciones que per-
mitirán comprender más profundamente las motivaciones de la definición.
Por otra parte la ecuación 2.5 recuerda fuertemente la situación que ana-
lizamos en nuestro primer ejemplo 1.1. Al ver el sistema escrito en forma
matricial nos vemos tentados a “pasar dividiendo” A para “despejar” X.
Naturalmente, por el momento, esto carece de sentido pero, si analizamos
con más cuidado el procedimiento utilizado para resolver la ecuación ax = b
observamos que la clave reside en que todo número no nulo tiene inverso,
esto es dado a ∈ R existe a−1 ∈ R tal que a.a−1 = 1. Podrı́amos analizar
la posibilidad de que una matriz tuviese una propiedad análoga pero para
esto necesitarı́amos saber qué puede representar el “1” en nuestro contexto.
De nuevo la clave está en analizar que propiedad abstracta caracteriza a la
unidad real. Rápidamente se observa que el 1 no es otra cosa que el neutro
multiplicativo de R es decir 1 es el único número real que verifica a,1 = a
∀a ∈ R. Veamos que el producto de matrices tiene también un neutro mul-
tiplicativo.
DEFINICIÓN 2.5. Llamaremos matriz identidad de tamaño n a la ma-

triz n × n
⎛ ⎞
1 0 ... 0
⎜ ⎟
⎜ 0 1 ... 0 ⎟
⎜
In = ⎜ . . . ⎟
⎝ .. .. . . ... ⎟
⎠
0 0 ... 1
6
0 si i ̸= j
Esto es In = ((eij )) con eij = .
1 si i = j
PROPOSICIÓN 2.4. In ·A = A·In = A, ∀ A ∈ Mn×n .
Demostración. La prueba es una verificación inmediata y queda a cargo

del lector.
OBSERVACI
⎛ ⎞ ÓN 2.5. El lector puede verificar directamente que si X =
x1
⎜ ⎟
⎜ x2 ⎟
⎜ . ⎟ es una matriz columna cualquiera entonces In ·X = X.
⎜ . ⎟
⎝ . ⎠
xn
Ahora que tenemos nuestro neutro podemos dar la siguiente
DEFINICIÓN 2.6 (Matriz invertible). Sea A una matriz n × n. Diremos

que la matriz A es invertible si y solo si existe B matriz n × n tal que
(2.6) A.B = In y B.A = In
donde In es la matriz identidad n × n
OBSERVACIÓN 2.6. Nuevamente como consecuencia de la no conmuta-

tividad del producto de matrices debemos, en la definición anterior, exigir
que A.B y B.A sean ambos iguales a la identidad. A priori podrı́a ocurrir
que A.B = In ̸= B.A. Veremos más adelante que esto realmente no es posi-
ble, de hecho si existe B tal que AB = In entonces BA = In (ver lema 2.9).
Observemos además, que las matrices invertibles son por definición matrices
cuadradas.
A continuación veremos que la matriz B que cumple (2.6), cuando existe,

es única. Por tal motivo se le llama la inversa de A y se utiliza la notación
B = A−1
PROPOSICIÓN 2.7. Sean B1 y B2 matrices n × n que cumplen (2.6)

entonces B1 = B2
Demostración. En efecto
B1 = B1 I = B1 (A.B2 ) = B1 A.B2 = (B1 A) .B2 = IB2 = B2 .

0 1
2 1
EJEMPLO 2.9. La matriz A = es invertible, pues existe B =
1 1
0 1
1 −1
tal que A.B = I y B.A = I (verificarlo) !
−1 2
⎛ ⎞
1 1 0
⎜ ⎟
EJEMPLO 2.10. La matriz A = ⎝ 1 0 −1 ⎠ no es invertible, pues
0 0 0
⎛ ⎞
a b c
⎜ ⎟
para cualquier matriz B = ⎝ d e f ⎠ se cumple que
g h i
⎛ ⎞⎛ ⎞ ⎛ ⎞
1 1 2 a b c a+d b+e c+f
⎜ ⎟⎜ ⎟ ⎜ ⎟
A.B = ⎝ 1 −1 −1 ⎠ ⎝ d e f ⎠ = ⎝ a − g b−h c−i ⎠≠
0 0 0 g h i 0 0 0
⎛ ⎞
1 0 0
⎜ ⎟
̸= ⎝ 0 1 0 ⎠=I
0 0 1
PROPOSICIÓN 2.8. Sean A y B dos matrices n × n invertibles entonces

A·B es invertible y (A·B)−1 = B −1 ·A−1
Demostración. Basta verificar directamente que

= In
< => ?
−1 −1
(A·B)(B ·A ) = A (B·B −1 ) A−1 = A·A−1 = In
y que
= In
< => ?
(B −1 ·A−1 )(A·B) = B −1 (A−1 ·A) B = B −1 ·B = In
Sea A ∈ Mn×n una matriz invertible y b ∈ Mn×1 una matriz columna

consideremos el sistema A·X = b ; como A es invertible podemos multi-
plicar en la ecuación anterior a ambos miembros por A−1 se tiene entonces
2
" # " #
A−1 A·X = A−1 ·b ⇐⇒ A−1 ·A X = A−1 ·b ⇐⇒ In ·X = A−1 ·b
⇐⇒ X = A−1 ·b
Por lo tanto si A es invertible (x1 , x2 , . . . , xn ) es solución del sistema con

matriz ampliada A|b si y solo si
⎛ ⎞
x1
⎜ ⎟
⎜ x2 ⎟
(2.7) ⎜ . ⎟ = A−1 b
⎜ . ⎟
⎝ . ⎠
xn
EJEMPLO 2.11. Resolvamos el sistema

6
2x + y = 3
(S)
x + y = −1
la matriz del sistema es

0 1 0 1
2 1 3
A= , y b= .
1 1 −1
Es fácil ver que A es invertible (ejemplo 2.9) y que

0 1
1 −1
A−1 = ; entonces la solución es
−1 2
0 10 1 0 1
1 −1 3 4
A−1 b = = .
−1 2 −1 −5
El lector como ejercicio verificará que efectivamente (4, −5) satisface (S) !
2
Obsérvese que se debe multiplicar en ambos miembros del mismo lado, pues el pro-
ducto no es conmutativo
La sencilla idea, utilizada al principio del curso, para resolver un sistema

lineal 1× 1, funcionó también para resolver un sistema lineal n × n con n > 1
La fórmula (2.7) no sólo es análoga a la obtenida en el ejemplo 1.1 sino que
parece indicar un nuevo procedimiento para resolver sistemas lineales. Sin
embargo hay varios asuntos a aclarar; en primer lugar todo lo hecho sólo
se aplica a sistemas cuadrados; en segundo lugar la fórmula (2.7) es válida
sólo bajo la hipótesis de que A sea invertible y no tenemos por el momento
ningún criterio para decidir si una matriz lo es o no (trataremos esto en la
sección 2.7 y de también en el Capı́tulo sobre Determinantes). Finalmente
cuando A es invertible para poder aplicar la fórmula necesitamos saber cómo
obtener la matriz A−1 , inversa de A. A continuación veremos un algoritmo
para calcular la matriz inversa.
Para ello, admitamos momentáneamente el siguiente Lema, cuya prueba

realizaremos en la sección 2.7.
LEMA 2.9. Sea A una matriz n × n entonces A es invertible si y solo si

existe X ∈ Mn×n tal que A·X = In
Nos bastara entonces, hallar X tal que AX = In . Lo cual es equivalente

a resolver n sistemas de ecuaciones con igual matriz asociada y diferente
termino independiente, pues si indicamos por X j la columna j-esima de X
y por ej la columna j-esima de In tenemos que
AX = I ⇐⇒
⎛ ⎞ ⎛ ⎞
X1 X2 ... Xn A·X 1 A·X 2 . . . A·X n
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
A⎜ ⎟ = ⎜ ⎟=
⎝ ⎠ ⎝ ⎠
... ...
⎛ ⎞
e1 e2 . . . en
⎜ ⎟
⎜ ⎟
⎜ ⎟ ⇐⇒
⎝ ⎠
...
⎛ ⎞ ⎛ ⎞ ..
xj1 0 .
⎜ . ⎟ ⎜ . ⎟ ..
⎜ .. ⎟ ⎜ .. ⎟ .
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⇐⇒ (Sj ) A ⎜ xjj ⎟ = ⎜ 1 ⎟ ←− lugar j (j = 1, 2, ..., n)
⎜ . ⎟ ⎜ . ⎟ ..
⎜ . ⎟ ⎜ . ⎟
⎝ . ⎠ ⎝ . ⎠ .
xjn 0 ..
.
Como los n sistemas S1 , S2 , . . . , Sn tienen la misma matriz A de coeficientes
(con diferentes términos independientes), se pueden resolver simultáneamen-
te escalerizando la matriz ( A| I ) .. Naturalmente a priori nada asegura que
estos sistemas sean compatibles, podrı́a ocurrir que alguno no lo fuera y en
ese caso no se puede determinar la matriz X y consecuentemente A no
resulta invertible. De hecho A es invertible si y solo si los n sistemas Si ,
i = 1, . . . , n son compatibles.
0 1
2 1
EJEMPLO 2.12. Consideremos la matriz A = . Queremos ha-
4 3
0 1
x11 x12
llar (si existe) la matriz X = tal que AX = I : AX =
x21 x22
0 10 1 0 1 0 1
2 1 x11 x12 2x11 + x21 2x12 + x22 1 0
= = =
4 3 x21 x22 4x11 + 3x21 4x12 + 3x22 0 1
Igualando (por columna) se tienen los siguientes sistemas de ecuaciones :

6 0 10 1 0 1
2x11 + x21 = 1 2 1 x11 1
(S1 ) ⇐⇒ =
4x11 + 3x21 = 0 4 3 x21 0
0 1 0 1
x11 1
⇐⇒ A =
x21 0
6 0 10 1 0 1
2x12 + x22 = 0 2 1 x12 0
(S2 ) ⇐⇒ =
4x12 + 3x22 = 1 4 3 x22 1
0 1 0 1
x12 0
⇐⇒ A =
x22 1
Resolvemos el sistema (S1 ) por escalerización

0 @ 1 0 @ 1
2 1 @@ 1 2 1 @@ 1
@ ∼ @ ∼
4 3 @ 0 0 1 @ −2 ←− F2 + (−2)F1
0 @ 1
2 0 @@ 3 ←− F1 − F2
∼ @ ∼
0 1 @ −2
0 @ 1
1 0 @@ 32 ←− 12 F1
∼ @
0 1 @ −2
0 1 0 1
3
x11 2
Por lo tanto = . Resolvemos el sistema (S2 ) por escale-
x21 −2
rización
0 @ 1 0 @ 1
2 1 @@ 0 2 1 @
@ 0
@ ∼ @ ∼
4 3 1@ 0 1 @ 1 ←− F2 + (−2)F1
0 @ 1
2 0 @ −1 ←− F1 − F2
@
∼ @ ∼
0 1 @ 1
0 @ 1
1 0 @ − 12 ←− 12 F1
@
∼ @
0 1 @ −2
0 1 0 1
x12 − 12
Por lo tanto = . Es decir que la inversa de A es
x −2
0 122
3
2 − 12
X= . Como para ambos sistemas la matriz A es la matriz de
−2 −2
coeficientes, los podemos resolver simultáneamente
0 @ 1 0 @ 1
2 1 @@ 1 0 2 1 @@ 1 0
@ ∼ @ ∼
4 3 @ 0 1 0 1 @ −2 1 ←− F2 + (−2)F1
0 @ 1
2 0 @@ 3 −1 ←− F1 − F2
∼ @ ∼
0 1 @ −2 1
0 @ 1
1 0 @@ 32 − 12 ←− 12 F1
∼ @
0 1 @ −2 −2
!
En general, para calcular la inversa de la matriz A de tamaño n × n, se

reduce la matriz ( A| I ) por escalerización a la matriz ( I| B ) y se tiene que
A−1 = B
2.4. El espacio de n-uplas
Las filas de una matriz (al igual que las columnas y las soluciones del
sistema) son “colecciones ordenadas de números”. Hagamos entonces, un pe-
queño paréntesis para introducir la noción de “colección ordenada” o n-upla
y ciertas operaciones naturales que se corresponden con las transformaciones
elementales. Estas ideas resultarán de gran importancia en este capı́tulo y
en el resto del curso.
Recordamos que si A y B son dos conjuntos el producto cartesiano de
ambos se define como el conjunto de pares ordenados de elementos de A
yB
A × B = {(a, b) : a ∈ A y b ∈ B}.
Dos elementos (a, b) y (c, d) son iguales si a = c y b = d. Si A = B = R
entonces a
R2 = R × R = {(x, y) : x ∈ R y y ∈ R}
2.4. EL ESPACIO DE n-UPLAS 67
lo llamaremos espacio de 2-uplas.

De manera análoga definimos
R3 = R2 × R = R × R × R = {(x, y, z) : x ∈ R, y ∈ R y z ∈ R}
el espacio de las 3-uplas.
En general
n veces
< => ?
n n−1
R =R × R =R × · · · × R= {(x1 , . . . , xn ) : xi ∈ R, ∀i = 1, . . . , n}
es el espacio de n-uplas.
Si (x1 , . . . , xn ) y (y1 , . . . , yn ) son dos n-uplas y α un número definimos la
suma entre n-uplas como
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
y el producto de números por n-uplas como
α(x1 , . . . , xn ) = (αx1 , . . . , αxn )
EJEMPLO 2.13. Supongamos n = 3 entonces

(1, 2, −1) + (0, 1, 2) = (1 + 0, 2 + 1, −1 + 2) = (1, 3, 1)
y
√ √ √ √ √ √ √
2(1, 0, 2) = ( 2,1, 2,0, 2. 2) = ( 2, 0, 2)
Las operaciones tienen una lista de propiedades que nuevamente, al igual

que en el caso de las operaciones con matrices, resulta útil destacar. Nótese
que en ambos casos las propiedades coinciden.
Para compactar la notación designemos cada n-upla con una letra mayúscu-
la, X = (x1 , . . . , xn ).
[S1] [Conmutativa] X + Y = Y + X, ∀ X, Y ∈ Rn .
" # " #
[S2] [Asociativa] X + Y + Z = X + Y + Z , ∀ X, Y, Z ∈ Rn .
[S3] [Neutro de la suma] Existe O ∈ R tal que X + O = O + X = X,
∀ X ∈ Rn .
[S4] [Existencia de opuesto] Para cada X ∈ Rn existe Y ∈ Rn tal que
X + Y = O (Notación: Y = −X).
" #
[P1] [Asociativa del producto] αβ X = α(βX) ∀ α, β ∈ R y X ∈ Rn .
[P2] [Neutro del producto] 1.X = X, ∀ X ∈ Rn
[P3] [Distributiva] (α + β)X = αX + βX, ∀ α, β ∈ R y X, Y ∈ Rn .
[P4] [Distributiva] α(X + Y ) = αX + αY , ∀ α ∈ R y X, Y ∈ Rn .
Probemos sólo algunas, las restantes quedan a cargo del lector
[S1] Si X = (x1 , . . . , xn ) y Y = (y1 , . . . , yn ) entonces
X +Y = (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ) =

= (y1 + x1 , . . . , yn + xn ) = (y1 , . . . , yn ) + (x1 , . . . , xn ) = Y + X
[S3] Basta observar que O = (0, . . . , 0) actúa como neutro. De hecho es

único (verificarlo). La n-upla O se denomina n-upla nula.
[S4] Si X = (x1 , . . . , xn ) basta elegir Y = (−x1 , . . . , −xn ) entonces
X + Y = (x1 , . . . , xn ) + (−x1 , . . . , −xn ) =

= (x1 − x1 , . . . , xn − xn ) = (0, . . . , 0) = O
Obsérvese que −1.X = −X
DEFINICIÓN 2.7. Decimos que X ∈ Rn es una combinación lineal de

las n-uplas X1 , X2 , . . . , Xn si existen números reales λ1 , λ2 , . . . , λn tales que
n
7
X = λ1 X1 + λ2 X2 + · · · + λn Xn = λi Xi
i=1
Los números λi , i = 1, 2, . . . , n se denominan coeficientes de la combinación

lineal.
Si A = {X1 , X2 , . . . , Xn } ⊂ Rn combinar linealmente los vectores de A
con coeficientes λi , i = 1, 2, . . . , n es calcular
n
7
X= λi Xi
i=1
OBSERVACIÓN 2.10. La n-upla nula O = (0, . . . , 0) es combinación li-

neal de cualquier colección de n-uplas, basta tomar todos los coeficientes
nulos.
2.4. EL ESPACIO DE n-UPLAS 69
Si X es combinación lineal A = {X1 , . . . , Xp } entonces es combinación li-

neal de B para cualquier conjunto B finito que contenga a A. En efecto
supongamos que
X = λ1 X1 + · · · + λp Xp
y que
B = {X1 , . . . , Xp , Y1 , . . . , Yh }
entonces
X = λ1 X1 + · · · + λp Xp + 0Y1 + · · · + 0Yh
EJEMPLO 2.14. Sea A = {(1, 2, 1), (2, −2, 2)} ⊂ R3 entonces (0, 6, 0) es
combinación lineal de A con coeficientes 2 y -1 pues
(0, 6, 0) = 2(1, 2, 1) + (−1)(2, −2, 2).
EJEMPLO 2.15. Sea A = {(1, 2, 1), (2, −2, 2), (1, 1, 1)} combinemos lineal-
mente los vectores de A con coeficientes 3,-1, 0
3(1, 2, 1) + (−1)(2, −2, 2) + 0(1, 1, 1) = (1, 8, 1)
EJEMPLO 2.16. La 2-upla (2, 1) es combinación lineal de
A = {(1, 1), (1, 0), (−1, 1)}
pues
(2, 1) = (1, 1) + (1, 0) + 0(−1, 1)
pero también
(2, 1) = 2(1, 1) + (−1)(1, 0) + (−1)(−1, 1)
OBSERVACIÓN 2.11. En general si X es combinación lineal de A los

coeficientes no tienen por que ser únicos, tal como muestra el ejemplo ante-
rior.
EJEMPLO 2.17. Sea A = {(2, 1), (1, 0)} y X = (1, 1). ¿Es X combinación
lineal de A? Apelando a la definición observamos que la pregunta puede
formularse de manera equivalente como ¿existen números λ1 , λ2 tales que
λ1 (2, 1) + λ2 (1, 0) = (1, 1)?. Ahora bien,
6
2λ1 + λ2 = 1
λ1 (2, 1) + λ2 (1, 0) = (1, 1) ⇐⇒ (S)
λ1 = 1
0 1
2 1 1
El sistema (S) tiene matriz ampliada A|b = de la última ecua-
1 0 1
ción se deduce que λ1 = 1 y sustituyendo en la primera se tiene que λ2 = −1
Nótese que la matriz A tiene como columnas las n-uplas del conjunto B. !
OBSERVACIÓN 2.12. El razonamiento realizado en el último ejemplo

puede aplicarse en general (el lector deberá verificar esto) y muestra que el
problema de determinar si una n-upla X = (x1 , . . . , xn ) ∈ Rn es combinación
lineal de un conjunto B = {X1 , . . . , Xn } ⊂ Rn es equivalente a discutir la
compatibilidad de un sistema lineal de ecuaciones con matriz ⎛ ampliada
⎞ A|b
x1 ,
⎜ . ⎟
donde A es la matriz de columnas X1 , X2 , . . . , Xn y b = ⎝ .. ⎟
⎜
⎠
xn
Culminemos esta sección probando un resultado que será de utilidad en

futuro que básicamente establece la “transitividad” de la combinación lineal.
PROPOSICIÓN 2.13. Sea A = {X1 , X2 , . . . , Xr } y B = {Y1 , Y2 , . . . , Ym }

dos conjuntos de n-uplas tales que ∀i = 1, 2, . . . , m Yi es combinación lineal
de A. Si Z ∈ Rn es combinación lineal de B entonces Z es combinación
lineal de A
Demostración. Como Z es combinación de B existen entonces números

β1 , β2 , . . . , βm tales que
(2.8) Z = β1 Y1 + β2 Y2 + · · · + βm Ym
2.5. DEPENDENCIA LINEAL 71
Pero como cada Yi con i = 1, 2, . . . , m es combinación de A, existen números

αij con i = 1, 2, . . . , m y j = 1, 2, . . . , r tales que
(2.9) Yi = αi1 X1 + αi2 X2 + · · · + αir Xr , ∀ i = 1, 2, . . . , m
Sustituyendo (2.9) en (2.8) se tiene
Z = β1 (α11 X1 + α12 X2 + · · · + α1r Xr ) +

β2 (α21 X1 + α22 X2 + · · · + α2r Xr ) + · · · +
βm (αm1 X1 + αm2 X2 + · · · + αmr Xr )
Reordenando,
Z = (β1 α11 + β2 α21 + · · · + βm αm1 ) X1 +

> ?< =
= λ1
(β1 α12 + β2 α22 + · · · + βm αm2 ) X2 + · · · +
> ?< =
= λ2
(β1 α1r + β2 α2r + · · · + βm αmr ) Xr
> ?< =
= λr
Por lo tanto
Z = λ1 X1 + λ2 X2 + · · · + λr Xr
probando que Z es combinación de A.
2.5. Dependencia lineal
Introducimos ahora el concepto de dependencia lineal para n-uplas. el

cual resulta ahora básico para la caracterización de las matrices invertibles
y que en el futuro jugara un papel central en muchos otros problemas. Los
conceptos básicas de esta sección serán vistas nuevamente en el Capı́tulo
sobre Espacios Vectoriales, en un contexto más abstracto. Los ideas nuevas
contenidos en las definiciones y demostraciones de esta Sección se basan úni-
camente en las propiedades de las operaciones (S1 -P4) entre n-uplas y
no en el hecho de que éstas sean una sucesión finita de números. Por tanto si
entre elementos de otro conjunto se tuvieran definidas operaciones con esas
propiedades, los resultados serı́an también válidos. De hecho estas observa-

ciones son las que conducen a introducir el concepto de Espacio Vectorial.
Sea (S) un sistema lineal n × n compatible con matriz ampliada A|b
El carácter determinado o indeterminado de (S) depende, de acuerdo al
teorema de Rouché-Frobenius, de la cantidad de escalones (i.e. de filas no
nulas) de la forma reducida de A. De hecho (S) es determinado si ninguna
fila de la forma reducida de A es nula y es indeterminado si alguna lo es. La
forma reducida se obtiene realizando combinaciones lineales con las filas de
A, por lo tanto para que en el proceso de escalerización una fila se anule debe
ser combinación lineal de las restantes. Para ilustrar esto puede observarse
en el ejemplo 1.11 que la quinta fila de la matriz (1 2 1 4 9 3 − 1)
se anula, analizando las transformaciones elementales que se efectuaron al
escalerizar se deduce que F5 = 2F3 − F1 , lo cual se comprueba directamente
(1 2 1 4 9 3 − 1) = 2(1 2 1 2 5 3 1) − (1 2 1 0 1 1 1)
En otras palabras la determinación o indeterminación de un sistema com-

patible depende de que alguna fila en la matriz del sistema sea combinación
de las restantes. Como las filas de una matriz pueden pensarse como n-uplas
podemos plantear el problema de una forma un poco más abstracta.
Sea B = {X1 , . . . , Xn } ⊂ Rn queremos determinar si alguno de los elemen-
tos de B es combinación lineal de los restantes, veamos algunos ejemplos
para ilustrar el problema.
EJEMPLO 2.18. Sea B = {(2, 1, 0), (1, 1, 1), (3, 2, 1)} ¿alguna n-upla de B
es combinación lineal de las restantes? Intentemos ver si (2, 1, 0) es combi-
nación de los otros dos.
Para esto debemos determinar si existen λ1 , λ2 ∈ R tales que
λ1 (1, 1, 1) + λ2 (3, 2, 1) = (2, 1, 0).
Esto es equivalente a que el sistema

⎧
⎪
⎨ λ1 + 3λ2 = 2
(S) λ1 + 2λ2 = 1
⎪
⎩
λ1 + λ2 = 0
sea compatible. Para resolver el sistema (S) escribamos la matriz ampliada
⎛ ⎞
1 3 2
⎜ ⎟
A = ⎝ 1 2 1 ⎠,
1 1 0
al escalerizarla se obtiene
⎛ ⎞
1 3 2
⎜ ⎟
A = ⎝ 0 −1 −1 ⎠
0 0 0
Por lo tanto el sistema (S) es compatible determinado y Sol(S) = {(−1, 1)}.
En consecuencia,
(2, 1, 0) = (−1)(1, 1, 1) + (3, 2, 1).
Además de lo anterior, se deduce fácilmente que
(3, 2, 1) = (2, 1, 0) + (1, 1, 1) y (1, 1, 1) = (3, 2, 1) + (−1)(2, 1, 0)
Es decir que cualquiera de las tres n-uplas es combinación lineal de las

restantes. Cabe preguntarse si esto ocurre siempre. La respuesta es negativa
como muestra el siguiente ejemplo
Sea B ′ = {(1, 1, 1), (2, 2, 2), (0, 0, 1)} entonces es claro que
1
(2.10) (1, 1, 1) = (2, 2, 2) + 0(0, 0, 1) y (2, 2, 2) = 2(1, 1, 1) + 0(0, 0, 1)
2
pero sin embargo
(0, 0, 1) ̸= λ1 (2, 2, 2) + λ2 (1, 1, 1), ∀ λ1 , λ2 ∈ R

pues el sistema ⎧
⎪
⎨ 2λ1 + λ2 = 0
2λ1 + λ2 = 0
⎪
⎩
2λ1 + λ2 = 1
es incompatible. Vale la pena observar también, que la n-upla (0, 0, 1) no
puede despejarse de (2.10) pues en cualquiera de las dos combinaciones
lineales tiene coeficiente nulo. !
El ejemplo anterior muestra que en general determinar si en un conjun-

to de n-uplas alguna es combinación lineal de las restantes puede resultar
trabajoso si se utiliza el procedimiento del ejemplo, pues como se vio puede
ocurrir que sea necesario chequear una a una las n-uplas del conjunto ya
que algunas pueden no ser combinación de las restantes y otras si. Vale la
pena entonces tratar de obtener un método más eficiente para resolver este
problema.
DEFINICIÓN 2.8. Un conjunto A = {X1 , X2 , . . . , Xm } ⊂ Rn se dice

linealmente dependiente (L.D.) si existen λ1 , λ2 , . . . , λm ∈ R no todos
nulos tales que
m
7
λ1 X1 + λ2 X2 + · · · + λm Xm = λi Xi = O
i=0
DEFINICIÓN 2.9. Un conjunto A = {X1 , X2 , . . . , Xm } ⊂ Rn se dice li-

nealmente independiente (L.I.) si no es linealmente dependiente o equiva-
lentemente A = {X1 , X2 , . . . , Xm } ⊂ Rn es L.I. si λ1 , λ2 , . . . , λm son núme-
ros reales tales que
m
7
λ1 X1 + λ2 X2 + · · · + λm Xm = λi Xi = O
i=0
entonces λ1 = λ2 = . . . = λm = 0
En otras palabras un conjunto es L.I. si la única forma de escribir la

n-upla nula como combinación lineal de sus elementos es la trivial y es L.D.
si hay otras formas.
Los siguientes resultados dan una caracterización de los conjuntos L.D.

y L.I.
PROPOSICIÓN 2.14. Sea A = {X1 , X2 , . . . , Xm } ⊂ Rn entonces

1. A es linealmente dependiente, si y solo si existe Xi0 ∈ A, combinación
lineal de los restantes elementos de A
2. A es linealmente independiente si ningún elemento de A es combina-
ción lineal de los restantes.
Demostración. Sólo es necesario probar la primera afirmación pues la

segunda es su consecuencia inmediata.
(=⇒) Supongamos que A es L.D. entonces existen números λ1 , λ2 , . . . , λm
no todos nulos tales que
m
7
(2.11) λi Xi = 0
i=0
Sea λi0 un coeficiente no nulo en la combinación lineal precedente, las pro-

piedades de las operaciones de suma y producto de n-uplas nos habilitan a
“despejar” el termino i0 -esimo en (2.11)
λ1 X1 + · · · + λi0 −1 Xi0 −1 + λi0 Xi0 + λi0 +1 Xi0 +1 + · · · + λm Xm = O =⇒

̸=0
< => ?
−λi0 Xi0 = λ1 X1 + · · · + λi0 −1 Xi0 −1 + λi0 +1 Xi0 +1 + · · · + λm Xm =⇒
λ1 λi −1 λi +1 λm
Xi0 = − X1 − · · · − 0 Xi0 −1 − 0 Xi0 +1 − · · · − Xm
λi0 λi0 λi0 λi0
Por lo tanto Xi0 es combinación lineal de los restantes elementos de A como

querı́amos.
(⇐) Supongamos ahora que existe Xi0 ∈ A combinación lineal de los res-
tantes elementos de A entonces existen números λ1 , . . . , λi0 −1 , λi0 +1 , . . . , λm
tales que
Xi0 = λ1 X1 + · · · + λi0 −1 Xi0 −1 + λi0 +1 Xi0 +1 + · · · + λm Xm

entonces sumando el opuesto de Xi0 a ambos miembros se tiene que

̸=0
< => ?
λ1 X1 + · · · + λi0 −1 Xi0 −1 + (−1) Xi0 + λi0 +1 Xi0 +1 + · · · + λm Xm = O
de donde hemos obtenido la n-upla nula como combinación lineal no trivial

de los elementos de A y consecuentemente éste es un conjunto L.D. como
querı́amos.
La proposición anterior y su prueba dan un método más eficiente pa-

ra determinar si en un conjunto de n-uplas un elemento es combinación de
los restantes: basta investigar si es L.D o no. Además si se analiza con cui-
dado en la demostración del directo se observa cuales son las n-uplas que
son combinación de las otras, son exactamente aquellas que en (2.11) tienen
coeficiente no nulo, esto es lo que permite “despejarlas”.
Veamos ahora algunos ejemplos de conjuntos L.I. y L.D.
EJEMPLO 2.19. El ejemplo más sencillo de un conjunto L.D. es el que

tiene como único elemento a la n-upla nula. Si A = {(0, 0, . . . , 0)} ⊂ Rm
entonces λ(0, 0, . . . , 0) = O ∀λ ∈ R, en particular si λ ̸= 0.
Es fácil ver que este es el único conjunto de un elemento L.D.
En efecto si A = {X} con X ̸= O entonces λX = O implica λ = 0 (probarlo),
con lo cual A resulta L.I.
Por otra parte cualquier conjunto que contenga a O debe ser L.D.. Sea
A = {O, X1 , . . . , Xm } ⊂ Rn entonces
100.O + 0X1 + . . . + 0Xm = O
es una combinación lineal de los elementos de A que da el nulo con no todos

los coeficientes nulos. !
EJEMPLO 2.20. Determinar en cada caso la dependencia lineal del con-

junto A y en caso de ser L.D. indicar cuáles vectores son combinación lineal
de los restantes.
1. Sea A = {(1, 1, −1), (1, 0, 1), (1, 1, 1)} supongamos que λ1 , λ2 , λ3 son
tres números reales tales que
λ1 (1, 1, −1) + λ2 (1, 0, 1) + λ3 (1, 1, 1) = (0, 0, 0) ⇐⇒

(λ1 + λ2 + λ3 , λ1 + λ3 , −λ1 + λ2 + λ3 ) = (0, 0, 0) ⇐⇒
⎧
⎪
⎨ λ1 + λ2 + λ3 = 0
(H) λ1 + λ3 = 0
⎪
⎩
−λ1 + λ2 + λ3 = 0
En consecuencia el conjunto es L.I si el sistema homogéneo (H) es

determinado (sólo admite solución trivial) y es L.D. si (H) es indeter-
minado (admite soluciones no triviales). La matriz del sistema es
⎛ ⎞
1 1 1 0
⎜ ⎟
⎝ 1 0 1 0 ⎠
−1 1 1 0
escalerizándola se obtiene
⎛ ⎞
1 1 1 0
⎜ ⎟
⎝ 0 −1 0 0 ⎠
0 0 −2 0
por lo tanto (H) es determinado y la única solución es la trivial λ1 =

λ2 = λ3 = 0 de donde A es L.I..
2. Sea A = {(1, 1, 2, 0), (1, 0, 1, 1), (0, 1, 1, −1), (2, 1, 3, 1), (1, 0, 1, 0)} y
sean λ1 , λ2 , λ3 , λ4 , λ5 números reales tales que
(2.12) λ1 (1, 1, 2, 0) + λ2 (1, 0, 1, 1) + λ3 (0, 1, 1, −1) +

λ4 (2, 1, 3, 1) + λ5 (1, 0, 1, 0) = (0, 0, 0, 0) ⇐⇒
(λ1 + λ2 + 2λ4 + λ5 , λ1 + λ3 + λ4 , 2λ1 + λ2 + λ3 + 3λ4 + λ5 , λ2 − λ3 + λ4 )

= (0, 0, 0, 0) ⇐⇒
⎧
⎪
⎪ λ1 + λ2 + 2λ4 + λ5 = 0
⎪
⎨ λ +λ +λ =0
1 3 4
⎪
⎪ 2λ 1 + λ 2 + λ 3 + 3λ4 + λ5 = 0
⎪
⎩
λ2 − λ3 + λ4 = 0
La matriz del sistema es:
⎛ ⎞
1 1 0 2 1 0
⎜ 1 0 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 2 1 1 3 1 0 ⎠
0 1 −1 1 0 0
Escalerizándola se obtiene:
⎛ ⎞
1 1 0 2 1 0
⎜ 0 1 −1 1 1 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 0 1 0 ⎠
0 0 0 0 0 0
y en consecuencia la solución es λ1 = −λ3 − λ4 , λ2 = λ3 − λ4 , λ5 = 0,
λ3 , λ4 ∈ R El sistema es entonces compatible indeterminado y por lo
tanto A es L.D. En efecto sustituyendo en (2.12) se tiene que para
cualquier valor real de λ3 y λ4 se cumple que
(−λ3 − λ4 )(1, 1, 2, 0) + (λ3 − λ4 )(1, 0, 1, 1) + λ3 (0, 1, 1, −1) +
λ4 (2, 1, 3, 1) + 0(1, 0, 1, 0) = (0, 0, 0, 0)
en particular poniendo por ejemplo λ3 = 1 y λ4 = 2 tenemos que
(−3)(1, 1, 2, 0) + (−1)(1, 0, 1, 1) + (0, 1, 1, −1) +
2(2, 1, 3, 1) + 0(1, 0, 1, 0) = (0, 0, 0, 0)
de donde podemos “despejar” cualquier n-upla salvo la última (tiene
coeficiente cero) como combinación lineal de las restantes. Por ejem-
plo,
1 1
(1, 1, 2, 0) = (1, 0, 1, 1) − (0, 1, 1, −1)
3 3
2
− (2, 1, 3, 1) + 0(1, 0, 1, 0)
3
!
Supongamos que (S) es un sistema n×n indeterminado, cada una de sus
ecuaciones pueden pensarse en cierto sentido como “datos” o “información”
que permite resolver el problema. Si (S) es indeterminado ya hemos visto
que algunas ecuaciones (o filas de su matriz asociada) son combinación de las
restantes, esto puede considerarse como “redundancia en la información” que
estas aportan. Nos interesa saber cuanta es la “información” no redundante
con que contamos y esto es cuantas ecuaciones independientes tienen el
sistema. De nuevo planteamos el problema en el contexto de n-uplas.
DEFINICIÓN 2.10. Sea A ⊂ Rn un conjunto finito, llamaremos rango
del conjunto A a la mayor cantidad de elementos de A que forman un
conjunto L.I.
Naturalmente si A es L.I. entonces rango(A) = card(A). El siguiente
resultado indica un camino para calcular el rango de un conjunto.
PROPOSICIÓN 2.15. Sea A = {X1 , X2 , . . . , Xm } ⊂ Rn un conjunto cual-
quiera y sea B = {Xh1 , Xh2 , . . . , Xhr } ⊂ A un subconjunto de A que cumple
las siguiente dos condiciones:
1. B es L.I.
2. Xs es combinación lineal de B ∀ s ̸= h1 , h2 , . . . , hr
entonces rango(A) = r
Demostración. Como B es L.I. y card(B) = r entonces rango(A) ≥ r. El
resultado estará probado si verificamos que cualquier subconjunto de A con
más de r elementos es L.D.
Sea C = {Xk1 , Xk2 , . . . , Xkq } ⊂ A un subconjunto cualquiera de A con q
elementos, q > r.
Observemos primeramente que la segunda condición de la hipótesis implica
que todos los elementos de A son combinación lineal de B pues cualquier
n-upla es combinación de si misma. Por lo tanto existen números aij , con
i = 1, . . . , r, j = 1, . . . , q tales que
(2.13) Xkj = a1j Xh1 + a2j Xh2 + . . . + arj Xhr , ∀ j = 1, 2, . . . , q
Analicemos la dependencia lineal del conjunto C. Sean λ1 , λ2 , . . . , λq núme-

ros tales que
(2.14) λ1 Xk1 + λ2 Xk2 + . . . + λq Xkq = O
Sustituyendo (2.13) en (2.14) se tiene que λ1 , λ2 , . . . , λq verifica (2.14) si y

solo si
" # " #
λ1 a11 Xh1 +a21 Xh2 +. . .+ar1 Xhr +λ2 a12 Xh1 +a22 Xh2 +. . .+ar2 Xhr +
" #
+ · · · + λq a1q Xh1 + a2q Xh2 + . . . + arq Xhr = O
Reordenando y sacando Xhi de factor común se tiene que λ1 , λ2 , . . . , λq

verifican (2.14) si y solo si
=0 =0
"< => #? "< => #?
a11 λ1 + a12 λ2 + · · · + a1q λq Xh1 + a21 λ1 + a22 λ2 + · · · + a2q λq Xh2 +
" #
+ · · · + ar1 λ1 + ar2 λ2 + · · · + arq λq Xhr = O
> ?< =
=0
Los paréntesis en la ecuación anterior resultan todos nulos pues, el conjun-

to B = {Xh1 , Xh2 , . . . , Xhr } es L.I.. Tenemos entonces que λ1 , λ2 , . . . , λq
verifican (2.14) si y solo si verifican el sistema lineal
⎧
⎪
⎪ a11 λ1 + a12 λ2 + · · · + a1q λq = 0
⎪
⎪
⎨ a21 λ1 + a22 λ2 + · · · + a2q λq = 0
(S) .. .. ..
⎪
⎪ . . .
⎪
⎪
⎩
ar1 λ1 + ar2 λ2 + · · · + arq λq = 0
Pero (S) es un sistema homogéneo y q > r (tienen más incógnitas que

ecuaciones) por lo cual es indeterminado y consecuentemente tiene soluciones
no triviales. De donde resulta que existen λ1 , λ2 , . . . , λq no todos nulos que
verifican (2.14) y por lo tanto C es L.D. como se deseaba.
EJEMPLO 2.21. Analicemos el rango del conjunto
A = {(1, 1, 2, 0), (1, 0, 1, 1), (0, 1, 1, −1), (2, 1, 3, 1), (1, 0, 1, 0)}
del ejemplo 2.20. Ya sabemos que es L.D. por lo cual rango(A) < 5. Nuestra
intención es construir con los elementos de A un conjunto B en las condi-
ciones de la proposición anterior. Para construir un conjunto L.I. con los
elementos de A debemos quitar las n-uplas que sean combinación lineal de
las restantes.
Como ya vimos, en nuestro caso, (1, 1, 2, 0) es combinación de las otras
ası́ que consideramos el conjunto
A′ = {(1, 0, 1, 1), (0, 1, 1, −1), (2, 1, 3, 1), (1, 0, 1, 0)}
y estudiamos su dependencia lineal. Sean λ1 , λ2 , λ3 , λ4 números tales que
λ1 (1, 0, 1, 1) + λ2 (0, 1, 1, −1) + λ3 (2, 1, 3, 1) + λ4 (1, 0, 1, 0) = (0, 0, 0, 0) ⇐⇒

⎧
⎪
⎪ λ1 + 2λ3 + λ4 = 0
⎪
⎨ λ +λ =0
2 3
(S)
⎪ λ1 + λ2 + 3λ3 + λ4 = 0
⎪
⎪
⎩
λ1 − λ2 + λ3 = 0
La matriz ampliada de este sistema es
⎛ ⎞
1 0 2 1 0
⎜ 0 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 1 1 3 1 0 ⎠
1 −1 1 0 0
Escalerizándola se obtiene
⎛ ⎞
1 0 2 1 0
⎜ 0 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 1 0 ⎠
0 0 0 0
Por lo tanto (S) tiene solución λ1 = −2λ3 , λ2 = −λ3 , λ4 = 0 y λ3 ∈ R. A′

es L.D. y además ∀ λ3 ∈ R se tiene que
−2λ3 (1, 0, 1, 1) − λ3 (0, 1, 1, −1) + λ3 (2, 1, 3, 1) + 0(1, 0, 1, 0) = (0, 0, 0, 0)

En particular si λ3 ̸= 0, despejando resulta

2λ3 λ3 0
(2, 1, 3, 1) = − (1, 0, 1, 1) − (0, 1, 1, −1) + (1, 0, 1, 0) =⇒
λ3 λ3 λ3
(2, 1, 3, 1) = −2(1, 0, 1, 1) − (0, 1, 1, −1) + 0(1, 0, 1, 0)
Con lo cual tenemos que en A′ (2, 1, 3, 1) es combinación lineal de los res-
tantes elementos. Consideramos ahora el conjunto
A′′ = {(1, 0, 1, 1), (0, 1, 1, −1), (1, 0, 1, 0)} ⊂ A′ ⊂ A
el cual es L.I. (verificarlo). Entonces B = A′′ cumple las dos condiciones de

la proposición anterior, esto es:
1. B es L.I.
2. (2, 1, 2, 1) y (1, 1, 2, 0) son combinación lineal de B
Por lo tanto rango(A) = card(B) = 3.
Obsérvese que habı́amos probado, en el ejemplo 2.20, que (1, 1, 2, 0) es com-
binación de A′ pero como los elementos de A′ son a su vez combinación de los
de A′′ se deduce aplicando la proposición 2.13 que (1, 1, 2, 0) es combinación
de A′′ . !
2.6. El rango de una matriz
Si A = ((aij )) es una matriz m × n notaremos por Ai = (ai1 , . . . , ain ) ∈

n
R a la fila i-esima de A y con Aj = (a1j , . . . , amj ) ∈ Rm la columna j-esima
de A.
DEFINICIÓN 2.11. Sea A una matriz m × n

1. Definimos el rango por filas de A (rangof (A)) como el rango del
conjunto {(A1 , . . . , An } de filas de A.
2. Definimos el rango por columnas de A (rangoc (A)) como el rango
del conjunto {A1 , . . . , Am } ⊂ Rm de columnas de A.
LEMA 2.16. Sea E ∈ Mm×n una matriz escalerizada reducida con p es-
calones ubicados en las columnas j1 , j2 , . . . , jp entonces los conjuntos B =
{E j1 , E j2 , . . . , E jp } de columnas y B ′ = {E1 , E2 , . . . , Ep } de filas cumplen
2.6. EL RANGO DE UNA MATRIZ 83
ambos con las hipótesis del lema 2.15.

En particular, entonces rangoc (E) = rangof (E) = p
Demostración. La prueba es sencilla y queda a cargo del lector.
LEMA 2.17. Sea A una matriz m × n y p el número de escalones de la

forma escalerizada reducida de A entonces rangoc (A) = p
Demostración. Sea A una matriz y E la forma escalerizada reducida de

A con p escalones (esto es con p filas no nulas). Como siempre indicaremos
por Aj y E j las j-esimas columnas de A y E respectivamente.
Supongamos que los escalones de E están ubicados en las columnas j1 , j2 , . . . , jp
entonces para probar que rangoc (A) = p alcanza con demostrar que el con-
junto B = {Aj1 , Aj2 , . . . , Ajp } cumple las condiciones de la proposición 2.15
esto es B es L.I y Aj es combinación lineal de B ∀ j ̸= j1 , j2 , . . . , jp .
Veamos primero que B es L.I. Sean λj1 , λj2 , . . . , λjp números tales que
λj1 Aj1 + λj2 Aj2 + · · · + λjp Ajp = O
entonces la n-upla (α1 , α2 , . . . , αn ) tal que
6
λji , si h = ji para algún i.
αh =
0 si h ̸= ji para todo i.
es una solución del sistema homogéneo con matriz A|O y por lo tanto es
solución del sistema homogéneo equivalente con matriz E|O. Esto último
implica que
O = α1 E 1 + α2 E 2 + · · · + αn E n = λj1 E j1 + λj2 E j2 + · · · + λjp E jp ,
pero el conjunto {E j1 , E j2 , . . . , E jp } es L.I. en virtud de lo visto en el lema
2.16, entonces λj1 = λj2 = · · · = λjp = 0 probando que B es L.I.
Veamos ahora que si j ̸= j1 , . . . , jp entonces Aj es combinación lineal de B.
Sea entonces j ̸= j1 , . . . , jp , del lema 2.16 se sabe que E j es combinación
lineal del conjunto {E j1 , E j2 , . . . , E jp } por lo tanto existen βj1 , βj2 , . . . , βjp
números tales que
E j = βj1 E j1 + βj2 E j2 + · · · + βjp E jp
entonces
(−1)E j + β1 E j1 + β2 E j2 + · · · + βp E jp = O.
Por lo tanto la n-upla (α1 , α2 , . . . , αn ) con
⎧
⎪
⎨ −1, si h = j.
αh = βji , si h = ji para algún i.
⎪
⎩
0 si h ̸= ji para todo i.
es solución del sistema homogénea con matriz E|O y consecuentemente tam-
bién del sistema equivalente A|O por lo tanto
O = α1 A1 + α2 A2 + · · · + αn An = (−1)Aj + βj1 Aj1 + βj2 Aj2 + · · · + βjp Ajp
de donde se deduce que
Aj = βj1 Aj1 + βj2 Aj2 + · · · + βjp Ajp
culminando la prueba del lema.
TEOREMA 2.18. Sea A una matriz m×n entonces rangof (A) = rangoc (A)
Demostración. La prueba se reduce a mostrar que rangof (A) = p donde

p es el número de escalones de E,la forma reducida de A.
Es claro que en el proceso de escalerización una fila se anula si y solo si es
combinación lineal de las restantes en consecuencia si la forma escalerizada
tiene p filas no nulas la matriz A tiene p filas que forman un conjunto L.I. (
ninguna de ellas puede ser combinación de las restantes) y además las otras
m − p son combinación de ellas (por eso al escalerizar A se anularon). En
consecuencia el lema 2.15 asegura que rangof (A) = p.
El resultado anterior nos habilita entonces a definir el rango de una

matriz como el rango por filas o el rango por columnas.
OBSERVACIÓN 2.19. El rango de una matriz es igual al rango de su

transpuesta, pues las filas de una son las columnas de la otra.
TEOREMA 2.20 (Rouche-Frobenius (2da versión)). Sea (S) un sistema

lineal de m ecuaciones con n incógnitas con matriz ampliada A|b. entonces
2.7. MATRICES INVERTIBLES Y RANGO 85
1. (S) es compatible si y solo si rango(A) = rango(A|b)

2. Si (S) es compatible entonces
a) (S) es determinado si y solo si rango(A) = n.
b) (S) es indeterminado si y solo si rango(A) < n.
Demostración. La prueba es consecuencia inmediata del Teorema de Rouche-

Frobenius (1era. versión) y del lema 2.17
2.7. Matrices invertibles y rango
Todo número real no nulo es invertible, sin embargo tal como se vio en el
ejemplo 2.10 existen matrices no nulas que no poseen inversa, se impone por
lo tanto obtener algún resultado que caracterice a las matrices invertibles,
observemos que de (2.7) se deduce que si A ∈ Mn×n es una matriz invertible
el sistema AX = b es compatible determinado por lo tanto el teorema de
Rouche-Frobenius asegura que rango(A) = n, probaremos en esta sección
como principal resultado que el recı́proco es también cierto.
Comencemos mostrando que las matrices de rango n son exactamente

aquellas que admiten una “inversa a derecha”.
LEMA 2.21. Sea A ∈ Mn×n entonces rango(A) = n si y solo si existe

B ∈ Mn×n tal que A·B = In .
Demostración. (⇒) Recordemos en primer lugar que de acuerdo a la ob-

servación 2.1 si A y B son dos matrices n × n cualquiera y B j indica la
columna j-esima de B entonces
⎛ ⎞
A·B 1 A·B 2 . . . A·B n
⎜ ⎟
⎜ ⎟
A·B = ⎜ ⎟
⎝ ⎠
...
Por lo tanto
A·B = In ⇐⇒ A·B j = ej , ∀j = 1, 2, . . . , n
Donde ⎛ ⎞
0
⎜ . ⎟
⎜ .. ⎟
⎜ ⎟
⎜ ⎟
ej = ⎜ 1 ⎟ ←− fila j-esima
⎜ . ⎟
⎜ . ⎟
⎝ . ⎠
0
Ahora bien, como rango(A) = n el teorema de Rouché-Frobenius asegura
que n sistemas de ecuaciones AX = ej con j = 1, 2, . . . , n son compatibles y
consecuentemente se tiene que ∀ j = 1, 2, . . . , n existe B j tal que A·B j = ej .
Por lo tanto eligiendo B como la matriz cuya columna j-esima es B j se tiene
probado el directo.
(⇐) Veamos ahora el recı́proco. Supongamos que existe B tal que A·B = In .
Entonces, llamando B j a la columna j-esima de la matriz B se tiene
⎛ ⎞ ⎛ 1 2 ⎞
A·B 1 A·B 2 . . . A·B n e e . . . en
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ = A·B = In = ⎜ ⎟
⎝ ⎠ ⎝ ⎠
... ...
Mirado los extremos de la igualdad anterior se deduce que los sistemas
AX = ej ∀j = 1, 2, . . . , n
son todos compatibles.
El rango(A) ≤ n pues A es n × n, supongamos por absurdo que rango(A) =
r < n. Entonces, en virtud del lema 2.17, una forma escalerizada de la ma-
triz A debe tener r < n escalones (filas no nulas). Por lo tanto, al aplicar
el algoritmo de Gauss a la matriz A alguna fila, supongamos que la h, de-
bió anularse. Pero entonces el sistema AX = eh resulta incompatible pues
al escalerizarlo, la h- esima ecuación se transforma en 0 = 1 y esto na-
turalmente es absurdo pues todos los sistemas AX = ej eran compatibles
∀ j = 1, 2, . . . , n, ası́ que debe ser rango(A) = n como querı́amos.
Estamos ahora en condiciones de probar que que para que una matriz sea
invertible es suficiente que tenga un “inverso a derecha”
2.8. MATRICES ELEMENTALES 87
Demostración del lema 2.9. El directo es consecuencia inmediata de la

definición de matriz invertible por lo cual sólo probaremos el recı́proco.
(⇐) Supongamos que existe X ∈ Mn×n tal que A·X = In entonces por el
lema 2.21 rango(A) = n. De la observación 2.19 se deduce que
rango(At ) = rango(A) = n,
por lo que, utilizando nuevamente el lema 2.21, existe C ∈ Mn×n tal que
At ·C = In . Transponiendo se tiene que
" #t
C t ·A = At ·C = (In )t = In .
Por lo tanto D = C t es una “inversa a izquierda” de A.
Veamos que D = X, en efecto
" # " #
D = D·In = D A·X = D·A X = In ·X = X
entonces
A·X = X·A = In
y consecuentemente A es invertible.
TEOREMA 2.22. Sea A ∈ Mn×n , A es invertible si y solo si rango(A) =

n.
Demostración. (⇒) Si A es invertible en particular existe B tal que

A·B = In entonces lema 2.9 rango(A) = n.
(⇐) Si rango(A) = n el lema 2.21 asegura que existe B ∈ Mn×n tal que
A·B = In pero entonces por el lema 2.9 A es invertible.
2.8. Matrices elementales
Culminemos el capı́tulo mostrando que el proceso de escalerización puede

representarse mediante el producto por ciertas matrices especiales llamadas
matrices elementales.
Sea e una de las transformaciones elemental de la definición 1.1, esto es
1- multiplicar una fila por una constante no nula
2- intercambio de filas
3- sumarle a una fila un múltiplo de otra fila
DEFINICIÓN 2.12. La matriz elemental E asociada con la trans-

formación e es la que se obtiene al aplicar la transformación e a la matriz
identidad n × n
EJEMPLO 2.22. La matriz
..
.
⎛ ⎞ ..
1 0 ··· 0 0 0 ··· 0 .
⎜ ⎟ ..
⎜ 0 1 ··· 0 0 0 ··· 0 ⎟ .
⎜ .. .. . . .. .. .. . . .. ⎟
⎜ . . ⎟ ..
⎜ . . . . . . ⎟ .
⎜ .. .. ⎟
⎜ ⎟ ..
⎜ . . ··· 1 0 0 ··· 0 ⎟ .
(2.15) E1 = ⎜
⎜ .. .. ⎟
⎟
⎜ . . ··· 0 α 0 ··· 0 ⎟ ←− Fila i
⎜ .. .. ⎟ ..
⎜ ⎟
⎜ . . ··· 0 0 1 ··· 0 ⎟ .
⎜ .. .. .. .. .. .. . . .. ⎟ ..
⎜ ⎟
⎝ . . . . . . . . ⎠ .
0 0 ··· 0 0 0 ··· 1 ..
.
..
.
está asociada a la transformación elemental e1 “multiplicar la fila i por

la constante α ̸= 0”, pues E1 se obtiene de la matriz identidad I aplicando
dicha transformación
operación e1
I −→ E1
EJEMPLO 2.23. La matriz

(2.16) ⎛ ⎞
1 ··· ··· ··· ··· ··· ··· ··· ··· ..
⎜ . ⎟ .
⎜ .. .. .. .. .. .. .. ⎟ ..
⎜ . . ··· . . . ··· . ⎟ .
⎜ ..⎟
⎜ ··· ··· 0 ··· ··· ··· 1 ··· .⎟ ←− Fila j
⎜ ⎟
⎜ . .. .. .. .. .. .. ⎟
.. ..
⎜ .. . . 1 . . . . ⎟
. .
⎜ ⎟
⎜ . .. .. .. ⎟
.. ..
⎜
E2 = ⎜ .. . . ··· . ··· ··· ··· ⎟. .
⎟
⎜ . .. .. ⎟.. ..
⎜ .. . . ··· ··· 1 ··· ··· ⎟ . .
⎜ ⎟
⎜ . .. ⎟ ..
⎜ . ⎟ ←− Fila i
⎜ . . 1 ··· ··· ··· 0 ··· ⎟ .
⎜ . .. .. .. .. .. .. ⎟ .. ..
⎜ . . ⎟ .
⎝ . . . ··· . . . ⎠ .
..
··· ··· ··· ··· ··· ··· ··· ··· 1 .
está asociada a la transformación elemental e2 “intercambiar la fila i
por la fila j”, pues E2 se obtiene de la matriz identidad I aplicando dicha
transformación.
operación e2
I −→ E2
La matriz
(2.17) ⎛ ⎞
1 ··· ··· ··· ··· ··· ··· ··· ··· ..
⎜ . ⎟ .
⎜ .. .. .. .. .. .. .. ⎟ ..
⎜ . . ··· . . . ··· . ⎟ .
⎜ ..⎟
⎜ ··· ··· 1 ··· ··· ··· ··· ··· .⎟ ←− Fila j
⎜ ⎟
⎜ . .. .. .. .. .. .. ⎟
.. ..
⎜ .. . . 1 . . . . ⎟
. .
⎜ ⎟
⎜ . .. .. .. ⎟
.. ..
E3 = ⎜
⎜ .. . . ··· . ··· ··· ··· ⎟
⎟. .
⎜ . .. .. ⎟.. ..
⎜ .. . . ··· ··· 1 ··· ··· ⎟ . .
⎜ ⎟
⎜ . .. ⎟ ..
⎜ .. . α ··· ··· ··· 1 ··· ⎟ ←− Fila i
.
⎜ ⎟
⎜ . .. .. .. .. .. .. ⎟ .. ..
⎜ . . ⎟ .
⎝ . . . ··· . . . ⎠ .
..
··· ··· ··· ··· ··· ··· ··· ··· 1 .
está asociada a la transformación elemental e3 “sumarle a fila i un múlti-

plo de la fila j”, pues E3 se obtiene de la matriz identidad I aplicando
dicha transformación
operación e3
I −→ E3
PROPOSICIÓN 2.23. Sean: B la matriz (de tamaño n×m) que se obtie-

ne a partir de la matriz A (de tamaño n × m) realizando la transformación
elemental e con las filas de A
operación e
A −→ B;
E la matriz elemental (de tamaño n × n ) asociada con la transformación e
operación e
I −→ E
Se cumple que B = EA.
Demostración. Sea B la matriz que se obtiene de A multiplicando por α

la fila i de A
⎛ ⎞
a11 a12 ··· a1n
⎜ . .. .. ⎟
⎜ .. . ··· . ⎟
⎜ ⎟
⎜ ⎟
B = ⎜ αai1 αai2 ··· αain ⎟
⎜ . .. .. ⎟
⎜ . .. ⎟
⎝ . . . . ⎠
an1 an2 ··· ann
Si E1 es la matriz (2.15) asociada a la transformación elemental “multiplicar

la fila i por la constante α ̸= 0”, es inmediato verificar que
⎛ ⎞⎛ ⎞
1 ··· 0 ··· 0 a11 a12 · · · a1n
⎜ . ⎟⎜ .. ⎟
⎜ .. · · · ... · · · ... ⎟ ⎜ ... ..
. ··· . ⎟
⎜ ⎟⎜ ⎟
⎜ ⎟⎜ ⎟
E1 A = ⎜ 0 · · · α · · · 0 ⎟ ⎜ ai1 ai2 · · · ain ⎟ =
⎜ . . .. ⎟ ⎜
. ⎟⎜ . .. .. ⎟
⎜ . .. ⎟
⎝ . · · · .. . .. ⎠ ⎝ .. . . . ⎠
0 ··· 0 ··· 1 an1 an2 · · · ann
⎛ ⎞
a11 a12 · · · a1n
⎜ . .. .. ⎟
⎜ .. . · · · . ⎟
⎜ ⎟
⎜ ⎟
= ⎜ αai1 αai2 · · · αain ⎟ = B
⎜ . .. .. ⎟
⎜ . .. ⎟
⎝ . . . . ⎠
an1 an2 · · · ann
Análogamente se prueba la propiedad para las dos restantes operaciones
elementales.
EJEMPLO 2.24. Consideremos la matriz

⎛ ⎞ ⎛ ⎞
1 0 2 1 1 0 0
⎜ ⎟ ⎜ ⎟
A = ⎝ 2 −1 3 6 ⎠ , y la matriz elemental E = ⎝ 0 1 0 ⎠
1 4 4 0 3 0 1
asociada a la transformación elemental e de sumarle a la tercera fila 3 ve-
ces la primer fila. Sea B la matriz que se obtiene de A si se le aplica la
transformación elemental considerada
⎛ ⎞ ⎛ ⎞
1 0 2 1 operación e 1 0 2 1
⎜ ⎟ ⎜ ⎟
A = ⎝ 2 −1 3 6 ⎠ −→ ⎝ 2 −1 3 6 ⎠ = B
1 4 4 0 4 4 10 9
⎛ ⎞
1 0 2 1
⎜ ⎟
y operando se verifica que B = EA = ⎝ 2 −1 3 6 ⎠
4 4 10 9
Sea A una matriz cualquiera, en virtud de la proposición 1.3 (Método

de Gauss) puede escalerizarse mediante una cantidad finita, e1 , e2 . . . , ek de
transformaciones elementales. Sea B una forma escalerizada de A, esquema-
tizamos como sigue el proceso de escalerización:
operación e1 operación ek
A −→ ······ −→ B.
Si representamos estas operaciones elementales por sus respectivas matrices

elementales asociadas, se puede enunciar que
PROPOSICIÓN 2.24. Toda matriz A puede reducirse mediante una suce-

sión de matrices elementales E1 , E2 , . . . , Ek a su forma escalerizada B, esto
es: Ek . . . E2 E1 A = B.
PROPOSICIÓN 2.25. Sea A una matriz n×n. Si rango(A) = n ⇒ existe

una sucesión de matrices elementales E1 , E2 . . . , Eh tales que
Eh . . . E2 E1 A = I.
(es decir que al aplicarle el proceso de escalerización se obtiene la matriz
identidad)
Demostración. Recordemos primeramente que el rango de una matriz es

el número de escalones de su forma escalerizada (filas no nulas). Sea A′ la
forma reducida de A. Como rango(A) = n y A (y por lo tanto A′ ) es una
matriz n × n se tiene que
⎛ ⎞ ..
1 0 ... 0 .
⎜ ⎟ ..
⎜ 0 1 ... 0 ⎟ .
A′ = ⎜⎜ .. .. . . .. ⎟
⎟
⎝ . . . . ⎠ ..
.
0 0 ... 1 ← n escalones no nulos y n filas
Ası́ por la proposición 2.24 existen matrices elementales E1 , E2 . . . , Eh tales

que E1 E2 . . . Eh A = I.
Cada transformación elemental puede ser deshecha por su transformación

elemental inversa, esto es
1- multiplicar una fila por una constante α ̸= 0 se deshace multiplicando
dicha fila por α1
2- intercambio de filas se deshace intercanbiándolas nuevamente
3- sumarle a una fila un múltiplo de otra fila se deshace restándole a la
fila el múltiplo de la otra
PROPOSICIÓN 2.26. Toda matriz elemental es invertible y su inversa es

una matriz elemental
Demostración. Sea E la matriz elemental asociada a la transformación

elemental e
operación e
I −→ E
Indiquemos por e−1 a la transformación elemental inversa de e, es decir que

operación e operación e−1
I −→ E −→ I
Si E ′ es la matriz elemental asociada a la transformación elemental e−1 , esto

es
operación e−1
I −→ E′
aplicando la proposición 2.23 a la matriz E con la transformación e−1 se

tiene que E ′ E = I Análogamente se prueba que EE ′ = I. Esto es E es
invertible y su inversa es E −1 = E ′ (es una matriz elemental correspondiente
a la transformación inversa).
Obtengamos una nueva caracterización de las matrices invertibles

COROLARIO 2.27. Sea A una matriz n × n entonces A es invertible si y

solo si existen E1 , E2 , . . . , Ek matrices elementales tales que A = E1 ·E2 · . . . ·Ek
Demostración. (⇒) Si A es invertible entonces en virtud de la proposición

anterior existen E1′ , E2′ , . . . , Ek′ una sucesión de matrices elementales tales
que
E1′ ·E2′ · . . . ·Ek′ ·A = In
pero como las matrices elementales son invertibles y sus inversas son también
matrices elementales se tiene
" ′ −1 −1 −1 # ′ " −1 −1 −1 #
Ek · . . . ·E2′ ·E1′ E1 ·E2′ · . . . ·Ek′ ·A = Ek′ · . . . ·E2′ ·E1′ In
de donde se tiene que
−1 −1 −1
A = Ek′ · . . . ·E2′ ·E1′
Por lo tanto poniendo E1 = Ek′ −1 , E2 = Ek−1′ −1
, . . . , Ek = E1′ −1 se tiene
probado el directo.
(⇐) El recı́proco es consecuencia de que el producto de matrices invertibles
es invertible.
CAPı́TULO 3
DETERMINANTES
El determinante de una matriz cuadrada es un único número que se

asocia a dicha matriz; es por tanto una función del conjunto de las matrices
cuadradas en el conjunto numérico al que pertenecen los elementos de las
matrices. En nuestro caso estos números serán los reales o los complejos,
pero se puede dar sobre conjuntos “numéricos” más generales.
El uso del determinante surgió de las fórmulas que dan las soluciones de
sistemas de n ecuaciones con n incógnitas, luego fue identificado (en el caso
3 por 3) como área de paralelogramo o volumen de un paralelepı́pedo, hasta
extenderse a definiciones más generales que la que nosotros daremos en este
curso (función multilineal alternada).
Más adelante se verá que podemos hablar del determinante de una trans-
formación lineal entre espacios vectoriales, a la que se puede asociar matrices
de una manera sencilla. En particular las matrices invertibles son las únicas
que tienen determinantes distinto de cero. Ası́, una propiedad tan definitoria
de una matriz (su invertibilidad) estará caracterizada por la no nulidad de
su determinante (o sea por el valor de un único número).
3.1. Definición
La definición de determinante de una matriz cuadrada será dada de

manera inductiva en el número de filas (o de columnas). O sea, daremos la
definición de determinante de una matriz n × n a partir del conocimiento
de los determinantes de matrices (n − 1) × (n − 1). El determinante de una
matriz A se representa con el sı́mbolo |A|; tratándose de una matriz dada
95
96 3. DETERMINANTES
por sus coeficientes, en general no escribiremos los paréntesis con los que en
general encerramos el çuadrado” de los números.
DEFINICIÓN 3.1. Sea A = ((aij )) una matriz n × n, se define la matriz

adjunta del elemento aij como la submatriz Aij de la matriz A que se
obtiene eliminado la fila i y la columna j de A
⎛ ⎞
3 −4 −3
⎜ ⎟
EJEMPLO 3.1. Si A = ⎝ −1 2 7 ⎠, la matriz adjunta del elemen-
−2 4 0
to a
⎛ 21 = −1, se obtiene
⎞ eliminando la fila 2 y la columna 1 de A:
× −4 −3 0 1
⎜ ⎟ −4 −3
⎝ × × × ⎠ , obteniéndose la matriz adjunta A21 = !
4 0
× 4 0
OBSERVACIÓN 3.1. Si la matriz cuadrada A es de tamaño n, las matri-

ces adjuntas Aij son de tamaño (n − 1) × (n − 1) .
DEFINICIÓN 3.2. (Inductiva en el tamaño de la matriz) El de-

terminante de una matriz
0 × 1 es el propio número. El determinante de la
11
a b def
matriz 2 × 2, A = es el número |A| = ad − bc
c d
El determinante de una matriz A n × n se define como el número
def
|A| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 |
0 1
3 1
EJEMPLO 3.2. (a) Calculemos el determinante de la matriz A =
7 2
|A| = (3) (2) − (7) (2) = −8

3.2. PROPIEDADES DE LOS DETERMINANTES 97
⎛ ⎞
3 −4 −3
⎜ ⎟
(b) Calculemos el determinante de la matriz A = ⎝ −1 2 7 ⎠
−2 4 0
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | + (−1)3+1 a31 |A31 | =
@ @ @ @ @ @
@ 2 7 @ @ −4 −3 @ @ −4 −3 @
@ @ @ @ @ @
= 3@ @ − (−1) @ @ + (−2) @ @=
@ 4 0 @ @ 4 0 @ @ 2 7 @
= 3 (−28) + (−12) + (−2) (−22) = −52
⎛ ⎞
2 0 1 1
⎜ 2 2 −4 −1 ⎟
⎜ ⎟
(c) Calculemos el determinante de la matriz A = ⎜ ⎟
⎝ −3 1 1 1 ⎠
2 −2 0 0
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | +

+ (−1)3+1 a31 |A31 | + (−1)4+1 a41 |A41 | =
@ @ @ @
@ 2 −4 −1 @ @ 0 1 1 @
@ @ @ @
@ @ @ @
2@ 1 1 1 @ − 2@ 1 1 1 @+
@ @ @ @
@ −2 0 0 @ @ −2 0 0 @
@ @ @ @
@ 0 1 1 @@ @ 0 1 1 @@
@ @
@ @ @ @
+ (−3) @ 2 −4 −1 @ − 2 @ 2 −4 −1 @
@ @ @ @
@ −2 0 0 @ @ 1 1 1 @
Ahora bien, los determinantes de tamaño 3 × 3 se calculan del mismo modo
que en (b). Verificar que respectivamente, los determinantes tres por tres
valen 6, 0, −6, 3 por lo cual
|A| = 2 (6) − 3 (−6) − 2 (3) = 24
3.2. Propiedades de los determinantes
1. Linealidad (respecto a una fila)

98 3. DETERMINANTES
a) Aditividad (respecto a una fila)

@ @
@ a11 a12 ··· a1n @
@ @
@ . . . @
@ .. .. ··· .. @
@ @
@ @
|C| = @ ai1 + bi1 ai2 + bi2 · · · ain + bin @ =
@ .. .. .. @
@ .. @
@ . . . . @
@ @
@ an1 an2 ··· ann @
@ @ @ @
@ a11 a12 · · · a1n @@ @@ a11 a12 · · · a1n @@
@
@ .. .. .. @@ @@ .. .. .. @@
@ . . ··· . @ @ . . ··· . @
@
@ @ @ @
=@ ai1 ai2 · · · ain @ + @ bi1 bi2 · · · bin @ = |A| + |B|
@ .. .. @
.. @ @ .. @ .. .. @@
@ .. ..
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
Demostración. Por inducción completa

Para n = 2. Por un lado
@ @
@ a a @
@ 11 12 @
|C| = @ @ = a11 a22 + a11 b22 − a12 a21 − a12 b21
@ a21 + b21 a22 + b22 @
y por otro
@ @ @ @
@ a @ @ @
@ 11 a12 @ @ a11 a12 @
|A|+|B| = @ @+@ @ = (a11 a22 − a12 a21 )+(a11 b22 − a12 b21 )
@ a21 a22 @ @ b21 b22 @
Con lo cual |C| = |A| + |B| .

Hipótesis inductiva: La propiedad es válida para matrices de
orden menor que n
Tesis inductiva: La propiedad es válida para matrices de orden
n. En efecto
def
|C| = (−1)1+1 a11 |C11 | + . . . +
(3.18)
+ (−1)i+1 (ai1 + bi1 ) |Ci1 | + . . . + (−1)n+1 an1 |Cn1 |
Observemos que si k ̸= i, como la matriz Ck1 es de orden n − 1,

por la hipótesis inductiva se tiene que
@ @
@ a12 ··· a1n @
@ @
@ .. .. @
@ . ··· . @
@ @
@ @
@ ak−12 ··· ak−1n @
@ @
@ ak+12 ··· ak+1n @@
@
|Ck1 | = @ .. .. .. @=
@ . . . @
@ @
@ @
@ ai2 + bi2 · · · ain + bin @
@ .. .. .. @
@ . @
@ . . @
@ @
@ an2 ··· ann @
@ @ @ @
@ a12 ··· a1n @ @ a ··· a1n @@
@ @ @ 12
@ .. .. @ @ .. .. @
@ . ··· . @ @ . ··· . @
@ @ @ @
@ @ @ @
@ ak−12 ··· ak−1n @ @ ak−12 · · · ak−1n @
@ @ @ @
@ ak+12 ··· ak+1n @ @ ak+12 · · · ak+1n @
@ @ @ @
=@ .. .. .. @+@ .. .. .. @ = |Ak1 | + |Bk1 | ;
@ . . . @ @ . . . @
@ @ @ @
@ @ @ @
@ ai2 ··· ain @ @ bi2 ··· bin @
@ .. .. .. @ @ .. .. .. @
@ . @ @ . @
@ . . @ @ . . @
@ @ @ @
@ an2 ··· ann @ @ an2 · · · ann @
luego si sustituimos en (3.18) se tiene que
|C| = (−1)1+1 a11 [|A11 | + |B11 |] + . . . + (−1)i+1 (ai1 + bi1 ) |Ci1 | + . . .

. . . + (−1)n+1 an1 [|An1 | + |Bn1 |]
= (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ci1 | + . . . + (−1)n+1 an1 |An1 | +
+ (−1)1+1 a11 |B11 | + . . . + (−1)i+1 bi1 |Ci1 | + . . . + (−1)n+1 an1 |Bn1 |
100 3. DETERMINANTES
@ @
@ a12 ··· a1n @
@ @
@ .. .. @
@ . ··· . @
@ @
@ ai−12 ··· ai−1n @
@ @
Pero como |Ci1 | = @ @ = |Ai1 | = |Bi1 | resulta que
@ ai+12 ··· ai+1n @
@ @
@ .. .. .. @
@ . . . @
@ @
@ an2 ··· ann @
|C| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 | +
+ (−1)1+1 a11 |B11 | + . . . + (−1)i+1 bi1 |Bi1 | + . . . + (−1)n+1 an1 |Bn1 |
= |A| + |B|
OBSERVACIÓN 3.2. No es cierto que |A + B| = |A| + |B|

@ @ @ @
@ 1 3 @ @ 1 0 @
@ @ @ @
|A| = @ @ = −10, |B| = @ @ = 2 pero
@ 4 2 @ @ 0 2 @
@ @
@ 3 3 @
@ @
|A + B| = @ @ = 0 ̸= −7 = |A| + |B| .
@ 4 4 @
b) Homogeneidad (respecto a una fila)

Si B es una matriz que se obtiene de A multiplicando una de
sus filas por un número α entonces
@ @ @ @
@ a11 a12 · · · a1n @@ @ a a · · · a @
@ @ 11 12 1n @
@ .. .. .. @@ @ .. .. .. @@
@ . . ··· . @ @ . ···
@ @ . . @
@ @ @ @
|B| = @ αai1 αai2 · · · αain @ = α @ ai1 ai2 · · · ain @ = α |A|
@ .. .. @
.. @ @ .. @@
@ .. @ .. .. ..
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
Demostración. Por inducción completa

Para n = 2. Por un lado
@ @
@ a a12 @
@ 11 @
|B| = @ @ = a11 αa22 − a12 αa21 =
@ αa21 αa22 @
@ @
@ a @
@ 11 a12 @
= α (a11 a22 − a12 a21 ) = α @ @ = α |A|
@ a21 a22 @
Hipótesis inductiva: La propiedad es válida para matrices de

orden menor que n
Tesis inductiva: La propiedad es válida para matrices de orden
n. En efecto
def
(3.19) |B| = (−1)1+1 a11 |B11 | + . . . +
+ (−1)i+1 αai1 |Bi1 | + . . . + (−1)n+1 an1 |Bn1 |
Observemos que si k ̸= i, como la matriz Ck1 es de orden n − 1,

por la hipótesis inductiva se tiene que
@ @ @ @
@ a12 ··· a1n @ @ a12 ··· a1n @
@ @ @ @
@ .. .. @ @ .. .. @
@ . ··· . @ @ . ··· . @
@ @ @ @
@ @ @ @
@ ak−12 ··· ak−1n @ @ ak−12 ··· ak−1n @
@ @ @ @
@ ak+12 ··· ak+1n @ @ ak+12 ··· ak+1n @
@ @ @ @
|Bk1 | = @ .. .. .. @ = α@ .. .. .. @ = α |Ak1 |
@ . . . @ @ . . . @
@ @ @ @
@ @ @ @
@ αai2 ··· αain @ @ ai2 ··· ain @
@ .. .. .. @ @ .. .. .. @
@ . @ @ . @
@ . . @ @ . . @
@ @ @ @
@ an2 ··· ann @ @ an2 ··· ann @
@ @
@ a12 ··· a1n @
@ @
@ .. .. @
@ . ··· . @
@ @
@ ai−12 ··· ai−1n @
@ @
y que |Bi1 | = @ @ = |Ai1 |
@ ai+12 ··· ai+1n @
@ @
@ .. .. .. @
@ . . . @
@ @
@ an2 ··· ann @
luego si sustituimos en (3.19) se tiene que
|B| = (−1)1+1 a11 α |A11 | + . . . +

+ (−1)i+1 αai1 |Ai1 | + . . . + (−1)n+1 an1 α |An1 |
A
= α (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . +
B
+ (−1)n+1 an1 |An1 | = α |A|
COROLARIO 3.3. Se deduce de la propiedad anterior que

|αA| = αn |A| .
@ @ @ @
@ αa αa1n @@ @ a @
@ 11 αa12 · · · @ 11 a12 ··· a1n @
@ @ @ @
@ αa21 αa22 · · · αa2n @ @ αa αa22 ··· αa2n @
|αA| = @@ . . . @ = α @ .21 .. .. @=
. @ @ .. @
@ .. .. .. .. @ @ .. . . . @
@ @ @ @
@ αan1 αan2 · · · αann @ @ αan1 αan2 ··· αann @
@ @ @ @
@ a a · · · a @ @ a ··· @
@ 11 12 1n @ @ 11 a12 a1n @
@ @ @ @
@ a21 a22 · · · a2n @ @ a a22 ··· a2n @
= αα @@ . . . @ = αα . . . α @ 21. .. .. @=
. @ @ .. @
@ .. .. .. .. @ @ .. . . . @
@ @ @ @
@ αan1 αan2 · · · αann @ @ an1 an2 ··· ann @
= αn |A|
2. Intercambio de filas
Si B es la matriz que se obtiene de A intercambiando dos de sus filas
entonces
@ @ @ @
@ a11 a12 · · · a1n @ @ a11 a12 ··· a1n @
@ @ @ @
@ .. .. .. @ @ .. .. .. @
@ . . ··· . @ @ . . ··· . @
@ @ @ @
@ aj1 aj2 · · · ajn @ @ ai1 ai2 ··· ain @
@ @ @ @
@ .. .. .. @ @ .. .. .. @
|B| = @@ . . ··· . @ = −@
@ @ . . ··· . @ = − |A|
@
@ @ @ @
@ ai1 ai2 ··· ain @ @ aj1 aj2 ··· ajn @
@ @ @ @
@ .. .. .. .. @ @ .. .. .. .. @
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
Demostración. Por inducción@ completa @

@ a @
@ 21 a22 @
Para n = 2. Por un lado |B| = @ @ = a12 a21 − a11 a22 ,
@ a11 a12 @
@ @
@ a @
@ 11 a12 @
y por otro |A| = @ @ = (a11 a22 − a12 a21 ) .
@ a21 a22 @
Ası́ |B| = − |A| .
Hipótesis inductiva: La propiedad es válida para matrices de orden
menor que n
Tesis inductiva: La propiedad es válida para matrices de orden n
Primer caso: La matriz B se ha obtenido de A intercambiando las
filas consecutivas i e i + 1
⎛ ⎞ ⎛ ⎞
a11 a12 ··· a1n a11 a12 ··· a1n
⎜ .. .. .. ⎟ ⎜ .. .. .. ⎟
⎜ . . ··· . ⎟ ⎜ . . ··· . ⎟
⎜ ⎟ ⎜ ⎟
⎜ a ai2 ··· ain ⎟ ⎜ a ··· ai+1n ⎟
⎜ i1 ⎟ ⎜ i+11 ai+12 ⎟
A=⎜ ⎟ y B=⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ⎜ ai1 ai2 ··· ain ⎟
⎜ ⎟ ⎜ ⎟
⎜ .. .. .. .. ⎟ ⎜ .. .. .. .. ⎟
⎝ . . . . ⎠ ⎝ . . . . ⎠
an1 an2 ··· ann an1 an2 ··· ann
Por la definición, se tiene que
(3.20) |B| = (−1)1+1 a11 |B11 | + . . . + (−1)i+1 ai+11 |Bi1 |

+ (−1)i+2 ai1 |Bi+11 | . . . + (−1)n+1 an1 |Bn1 |
⎛ ⎞ ..
a11 a12 ··· a1n .
⎜ .. .. .. ⎟ ..
⎜ . . ··· . ⎟ .
⎜ ⎟
⎜ a ··· ⎟
ai+1n ⎟ ←− Fila i
⎜ i+11 ai+12
Pero siendo B = ⎜ ⎟
⎜ ai1 ai2 ··· ain ⎟ ←− Fila i + 1
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
se tiene que Bi1 = Ai+11 y Bi+11 = Ai1 , por lo cual
|Bi1 | = |Ai+11 | , |Bi+11 | = |Ai1 |
y si k ̸= i y k ̸= i+1, se tiene que Bk1 es una matriz de orden n−1 con

dos filas intercambiadas respecto de A, por lo cual, por la hipótesis
inductiva |Bk1 | = − |Ak1 | . Sustituimos en (3.20)
|B| = (−1)1+1 a11 [− |A11 |] + . . . + (−1)i+1 ai+11 |Ai+11 |

+ (−1)i+2 ai1 |Ai1 | + . . . + (−1)n+1 an1 [− |An1 |]
Pero
(−1)i+1 ai+11 |Ai+11 | = (−1)i+1 (−1)2 ai+11 |Ai+11 | =

= (−1)i+1 (−1) ai+11 (−1) |Ai+11 | = (−1)i+2 ai+11 [− |Ai+11 |] =
= (−1)i+1 (−1) ai1 |Ai1 | = (−1)i+1 ai1 [− |Ai1 |]
con lo cual
|B| = (−1)1+1 a11 [− |A11 |] + . . . + (−1)i+2 ai+11 [− |Ai+11 |] +

+ (−1)i+1 ai1 [− |Ai1 |] + . . . + (−1)n+1 an1 [− |An1 |]
= −[(−1)1+1 a11 |A11 | + . . . + (−1)i+2 ai+11 |Ai+11 | +
+ (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 − |An1 |] = − |A|
Segundo caso La matriz B se ha obtenido de A intercambiando las

filas i y j = k+1. La matriz B se puede obtener de A realizando varios
cambios de filas consecutivas. En primer lugar realizamos k cambios
consecutivos de la fila i de A hasta colocarla en la fila j = i + k.
⎛ ⎞ ..
a11 a12 ··· a1n .
⎜ . .. .. ⎟ .
⎜ .. . ··· . ⎟ ..
⎜ ⎟
⎜ ⎟
⎜ ai1 ai2 ··· ain ⎟ ←− fila i de A
⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ←− fila i + 1 de A
⎜ ⎟
⎜ ⎟ ←−
A = ⎜ ai+21 ai+22 ai+2n ⎟ fila i + 2 de A
⎜ .. .. .. ⎟ .
⎜ . . ··· . ⎟ ..
⎜ ⎟
⎜ ⎟
⎜ ak+11 ak+12 ··· ak+1n ⎟ ←− fila i + k de A
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
cambio de la fila i por la i + 1 de A

−→
⎛ ⎞ .
a11 a12 ··· a1n ..
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ←− fila i de A1
⎜ ⎟
⎜ ai1 ··· ain ⎟
⎜ ai2 ⎟ ←− fila i + 1 de A1
⎜ a ··· ai+2n ⎟
A1 = ⎜ i+21 ai+22 ⎟ ←− fila i + 2 de A1
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ aj1 aj2 ··· ajn ⎟ ←− fila i + k de A1
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
cambio de la fila i + 1 por la i + 2 de A1

−→
⎛ ⎞ .
a11 a12 ··· a1n ..
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ←− fila i de A2
⎜ ⎟
⎜ ai+21 ai+22 ··· ai+2n ⎟
⎜ ⎟ ←− fila i + 1 de A2
⎜ ··· ain ⎟
A2 = ⎜ ai1 ai2 ⎟ ←− fila i + 2 de A2
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ aj1 aj2 ··· ajn ⎟ ←− fila i + k de A2
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
−→ · · · −→ · · · −→
⎛ ⎞ .
a11 a12 ··· a1n ..
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ←− fila i de Ak−1
⎜ ⎟
⎜ ai+21 ai+22 ··· ai+2n ⎟
⎜ ⎟ ←− fila i + 1 de Ak−1
⎜ . .. .. ⎟ ..
Ak−1 = ⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ a ··· ain ⎟
⎜ i1 ai2 ⎟ ←− fila i + k − 1 de Ak−1
⎜ ⎟
⎜ ai+k1 ai+k2 ··· ai+kn ⎟ ←− fila i + k de Ak−1
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
cambio de la fila i + k − 1 por la i + k de Ak−1

−→
⎛ ⎞ ..
a11 a12 ··· a1n .
⎜ . .. .. ⎟ ..
⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ ⎟
⎜ ai+11 ai+12 ··· ai+1n ⎟ ←− fila i de Ak
⎜ ⎟
⎜ ai+21 ai+22 ··· ai+2n ⎟
⎜ ⎟ ←− fila i + 1 de Ak
⎜ . .. .. ⎟ ..
Ak = ⎜ .. . ··· . ⎟
⎜ ⎟ .
⎜ a ··· ai+kn ⎟
⎜ i+k1 ai+k2 ⎟ ←− fila i + k − 1 de Ak
⎜ ⎟
⎜ ai1 ai2 ··· ain ⎟ ←− fila i + k de Ak
⎜ ⎟
⎜ .. .. .. .. ⎟ ..
⎝ . . . . ⎠ .
an1 an2 ··· ann ..
.
Como los k cambios de filas son consecutivos, por la primer parte, se
tiene que
|A1 | = − |A|
|A2 | = − |A1 |
..
.
|Ak | = − |Ak−1 |
Con lo cual |Ak | = (−1)k |A| .

En segundo lugar, (repetimos el procedimiento ”hacia arriba”) reali-
zamos k − 1 cambios consecutivos de la fila i + k − 1 de AK hasta
colocarla en la fila i, obteniéndose la matriz B y se cumple, aplicando
la primer parte |B| = (−1)k−1 |Ak | De las dos últimas igualdades se
deduce |B| = (−1)2k−1 |A| = − |A| .
3. Determinantes nulos
a) Si A tiene una fila de ceros entonces |A| = 0
@ @ @ @
@ a a · · · a @ @ a11 a12 ··· a1n @
@ 11 12 1n @ @ @
@ . .. .. @@ @@ .. .. .. @
@ .. . ··· . @ @ . . ··· . @
@ @
@ @ @ @
|A| = @ 0 0 ··· 0 @=@ 1−1 1−1 ··· 1 − 1 @
@ . .. .. @@ @@ .. .. .. @@
@ . .. ..
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
@ @ @ @
@ a @ @ a1n @@
@ 11 a12 · · · a1n @ @ a11 a12 · · ·
@ . .. .. @@ @@ .. .. .. @@
@ .. . ··· . @ @ . . ··· . @
@
@ @ @ @
= @ 1 1 ··· 1 @+@ −1 −1 · · · −1 @ =
@ . .. .. @@ @@ .. .. .. @@
@ . .. ..
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
@ @ @ @
@ a11 a12 · · · a1n @ @ a11 a12 · · · a1n @@
@ @ @
@ . .. .. @@ @@ .. .. .. @@
@ .. . ··· . @ @ . . ··· . @
@
@ @ @ @
= @ 1 1 ··· 1 @−@ 1 1 ··· 1 @=0
@ . .. .. @@ @@ .. .. .. @@
@ . .. ..
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
b) Si A tiene dos filas iguales entonces |A| = 0

Demostración. En efecto, si se intercambian dos filas, sabe-

mos que el determinante cambia de signo, con lo cual
@ @ @ @
@ a11 a12 ··· a1n @ @ a11 a12 ··· a1n @
@ @ @ @
@ .. .. .. @ @ .. .. .. @
@ . . ··· . @ @ . . ··· . @
@ @ @ @
@ ai1 ai2 ··· ain @ @ ai1 ai2 ··· ain @
@ @ @ @
@ .. .. .. @ @ .. .. .. @
|A| = @@ . . ··· . @ = −@
@ @ . . ··· . @ = − |A|
@
@ @ @ @
@ ai1 ai2 ··· ain @ @ ai1 ai2 ··· ain @
@ @ @ @
@ .. .. .. .. @ @ .. .. .. .. @
@ . . . . @ @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
Ası́ 2 |A| = 0 ⇒ |A| = 0
c) Si A tiene dos filas proporcionales entonces |A| = 0
@ @ @ @
@ a11 a12 · · · a1n @ @ a11 a12 · · · a1n @
@ @ @ @
@ .. .. .. @ @ @ .. .. .. @
@ . . · · · . @ . . ··· . @
@ @ @ @
@ a ai2 · · · ain @ @ @ ai1 ai2 · · · ain @
@ i1 @ @
@ . . . @ @ .. .. .. @
@
|A| = @ .. .. ··· .. @ = α @@
@ . . ··· . @=0
@
@ @ @ @
@ αai1 αai2 · · · αain @ @ ai1 ai2 ··· ain @
@ @ @ @
@ .. .. .. . @
.. @ @ .. .. .. .. @
@ . . . @ . . . . @
@ @ @ @
@ an1 an2 · · · ann @ @ an1 an2 · · · ann @
d) Si A tiene una fila combinación lineal de las otras filas entonces

|A| = 0
Demostración. Sin pérdida de generalidad, para simplificar

la notación, supongamos que la última fila es combinación lineal
de las anteriores. Aplicando la propiedad de linealidadad
@ @
@ a11 a12 ··· a1n @
@ @
@ .. .. .. .. @
@ . . . . @
@ @
@ @
@ an−11 an−12 ··· an−1n @
|A| = @ @=
@ .. .. .. .. @
@ . . . . @
@ @
@ C
i=n−1 C
i=n−1 C
i=n−1 @
@ αi ai1 αi ai2 · · · αi ain @
@ @
i=1 i=1 i=1
@ @
@ a a12 ··· a1n @
@ 11 @
@ . .. .. .. @
@ .. . . . @
7 @@
i=n−1 @
@
= @ an−11 an−12 · · · an−1n @ =
@ .. .. .. @
i=1 @ .. @
@ . . . . @
@ @
@ αi ai1 αi ai2 · · · αi ain @
@ @
@ a11 a12 ··· a1n @@
@
@ . .. .. .. @
@ .. . . . @
i=n−1
7 @ @
@ @
= αi @ an−11 an−12 · · · an−1n @ = 0
@ .. .. .. @
i=1 @ .. @
@ . . . . @
@ @
@ ai1 ai2 ··· ain @
(pues los determinantes tienen dos filas iguales)
4. Combinación lineal de filas

a) Si B es una matriz que se obtiene de A sumado a una fila de
A un múltiplo de otra fila de A entonces |B| = |A|
@ @
@ a11 a12 ··· a1n @
@ @
@ .
.. .. .. @
@ . ··· . @
@ @
@ ai1 ai2 ··· ain @
@ @
@ .. .. .. @
@
|B| = @ . . ··· . @=
@
@ @
@ aj1 + αai1 aj2 + αai2 ··· ajn + αain @
@ @
@ .. .. .. .. @
@ . . . . @
@ @
@ an1 an2 ··· ann @
@ @ @ @
@ a11 a12 · · · a1n @@ @@ a11 a12 ··· a1n @
@ @
@ .. .. .. @@ @@ .. .. .. @
@ . . ··· . @ @ . . ··· . @
@ @
@ ai1 ai2 · · · ain @@ @@ ai1 ai2 ··· ain @
@ @
@ .. .. .. @@ @@ .. .. .. @
= @@ . . ··· . @+@ . . ··· . @=
@
@ @ @ @
@ aj1 aj2 · · · ajn @@ @@ αai1 αai2 ··· αain @
@ @
@ .. .. .. .. @ @ .. .. .. .. @
@ . . . . @@ @@ . . . . @
@ @
@ an1 an2 · · · ann @ @ an1 an2 ··· ann @
@ @
@ a11 a12 · · · a1n @@
@
@ .. .. .. @@
@ . . ··· . @
@
@ a ai2 · · · ain @@
@ i1
@ . .. .. @@
= @@ .. . ··· . @ = |A|
@ @
@ ai1 ai2 ··· ain @@
@
@ .. .. .. .. @
@ . . . . @@
@
@ an1 an2 · · · ann @
b) Si B es una matriz que se obtiene de A cambiando la fila Aj

por la combinación lineal βAj + αAi con β ̸= 0 (i ̸= j).entonces
|B| = β |A|
@ @
@ a11 a12 ··· a1n @
@ @
@ .
.. .. .. @
@ . ··· . @
@ @
@ a a ··· ain @
@ i1 i2 @
@ .. .. .. @
@ . . ··· . @=
@ @
@ @
@ βaj1 + αai1 βaj2 + αai2 ··· βajn + αain @
@ @
@ .. .. .. .. @
@ . . . . @
@ @
@ an1 an2 ··· ann @
@ @ @ @
@ a11 a12 ··· a1n @ @ a11 a12 ··· a1n @
@ @ @ @
@ .. .. .. @ @ .. .. .. @
@ . . ··· . @ @ . . ··· . @
@ @ @ @
@ ai1 ai2 ··· @
ain @ @ ai1@ ai2 ··· ain @
@ @
@ .. .. .. @@ @@ .. .. .. @
= @@ . . ··· . @+@ . . ··· . @=
@
@ @ @ @
@ βaj1 βaj2 ··· βajn @@ @@ αai1 αai2 ··· αain @
@ @
@ .. .. .. .. @ @ .. .. .. .. @
@ . . . . @@ @@ . . . . @
@ @
@ an1 an2 · · · ann @ @ an1 an2 ··· ann @
@ @
@ a11 a12 · · · a1n @
@ @
@ .. .. .. @
@ . . ··· . @
@ @
@ a @
@ i1 ai2 · · · ain @
@ . .. .. @
= β @@ .. . ··· . @ = β |A|
@
@ @
@ aj1 aj2 · · · ajn @
@ @
@ .. .. .. .. @
@ . . . . @
@ @
@ an1 an2 · · · ann @
⎛ ⎞
a11 a12 · · · a1n
⎜ ⎟
⎜ 0 a22 · · · a2n ⎟
Ejercicio Probar que si A = ⎜⎜ .. .. .. .. ⎟ (ceros por debajo
⎟
⎝ . . . . ⎠
0 0 · · · ann
de la diagonal principal), entonces |A| = a11 a22 . . . ann
@ @ @ @ @ @
@ 0 1 5 @ @ 3 −6 9 @ @ 1 −2 3 @
@ @ (A) @ @ (B) @ @ (C)
@ @ @ @ @ @
EJEMPLO 3.3. @ 3 −6 9 @ = − @ 0 1 5 @ = −3 @ 0 1 5 @ =
@ @ @ @ @ @
@ 2 6 1 @ @ 2 6 1 @ @ 2 6 1 @
@ @
@ 1 −2 3 @
@ @ (D)
@ @
−3 @ 0 1 5 @ =
@ @
@ 0 10 −5 @
@ @ @ @
@ 1 −2 3 @ @ 1 −2 3 @@ @ @
@ @ (E) @ @ 1 5 @
@ @ @ @ @ @
− (3) (5) @ 0 1 5 @ = − (3) (5) @ 0 1 5 @ = − (3) (5) @ @=
@ @ @ @ @ 0 −11 @
@ 0 2 −1 @ @ 0 0 −11 @
− (3) (5) (−11) = 165
(A) Se intercambian las filas 1 y 2
(B) La fila 1 es múltiplo de 3
(C) A la fila 3 se le restó 2 veces la fila 1
(D) La fila 3 es múltiplo de 5
(E) A la fila 3 se le restó 2 veces la fila 2 !
NOTAS:
1) Desarrollo por cualquier fila o columna
El determinante se ha definido usando los elementos de la primer columna
de la matriz A con sus respectivas matrices adjuntas
def
|A| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 |
(desarrollo por la primera columna)
Pero se puede probar 1 que dicha definición coincide con cualquier desarrollo
por cualquier columna o fila de A:
def
|A| = (−1)i+1 ai1 |Ai1 | + (−1)i+2 ai2 |Ai2 | + . . . + (−1)i+n ain |Ain |
(desarrollo por la i − ésima fila)
def
|A| = (−1)i+1 a1i |A1i | + (−1)i+2 a2i |A2i | + . . . + (−1)i+n ani |Ani |
(desarrollo por la i − ésima columna)
2) Propiedades ”por columnas”
También se puede probar que
@ @
|A| = @At @
con lo cual en todas las propiedades anteriores se puede cambiar la palabra
”fila” por ”columna”, es decir que las propiedades valen para las columnas
3.3. Matrices elementales y determinantes
PROPOSICIÓN 3.4. Toda matriz elemental tiene determinante no nulo
Demostración. 1- La matriz E1 (ver 2.15) que está asociada a la operación

elemental e1 ”multiplicar la fila i por la constante α ̸= 0” tiene determiante
|E1 | = α |I| = α ̸= 0
pues E1 se obtiene de la matriz identidad I aplicando dicha propiedad
2- La matriz E2 (ver 2.16) que está asociada a la operación elemental e2
”intercambiar la fila i por la fila j” tiene determinante
|E2 | = − |I| = −1
pues E2 se obtiene de la matriz identidad I aplicando dicha propiedad
3- La matriz E3 (ver 2.17) que está asociada a la operación elemental e3
“sumarle a fila i un múltiplo de la fila j” tiene determinante
|E3 | = |I| = 1
1
Es engorroso y no lo haremos aquı́ pero el lector puede consultar por ejemplo (Teo-
rema 3 y 5 pag 87 del texto Algebra y geometrı́a de E. Hernandez)
3.3. MATRICES ELEMENTALES Y DETERMINANTES 115
pues E3 se obtiene de la matriz identidad I aplicando dicha propiedad.
PROPOSICIÓN 3.5. Si A es una matriz n × n y E una matriz elemental

n × n se cumple que
|EA| = |E| |A|
Demostración. 1- Sea E1 la matriz que está asociada a la operación ele-

mental ”multiplicar la fila i por la constante α ̸= 0” (ver 2.15)
Por la Proposición 3.4
(3.21) |E1 | = α |I| = α
Si B es la matriz que se obtiene al aplicar la operación e1 , por las pro-
piedades de determinantes
(3.22) |B| = α |A|
y por la Proposición 2.23 se cumple que E1 A = B, con lo cual
(3.23) |E1 A| = |B|
al sustituir (3.21) y (3.22) en (3.23)
|E1 A| = |E1 | |A|
2- Sea E2 la matriz que está asociada a la operación elemental e2 ”in-
tercambiar la fila i por la fila j” (ver 2.16)
(3.24) |E2 | = − |I| = −1
(3.25) |B| = − |A|
(3.26) |E2 A| = |B|
al sustituir (3.24) y (3.25) en (3.26)
|E1 A| = |E1 | |A|
3- Sea E3 la matriz que está asociada a la operación elemental e3 ”su-

marle a fila i un múltiplo de la fila j” (ver 2.17)
(3.27) |E3 | = |I| = 1
(3.28) |B| = |A|
(3.29) |E3 A| = |B|
al sustituir (3.27) y (3.28) en (3.29)
|E1 A| = |E1 | |A|
pues E3 se obtiene de la matriz identidad I aplicando dicha propiedad.
3.4. Matrices invertibles y determinantes
Ya vimos que una matriz A n × n es invertible si y solo si rango(A) = n

Veamos otra condición equivalente de invertibilidad
LEMA 3.6. Si A no es invertible la forma escalerizada de A tiene por lo

menos una fila de ceros
Demostración. Como A no es invertible, se tiene que rango(A) < n

Al aplicar el proceso de escalerización de Gauss, ( es decir que aplicamos
una sucesión de operaciones elementales) obtenemos la matriz B (forma
escalerizada de A)
operación e1 operación ek
A −→ ······ −→ B
Es decir que
Ek , . . . E2 E1 A = B
3.5. DETERMINANTE DE UN PRODUCTO DE MATRICES 117
donde Ei es la matriz asociada a la operación elemental ei y por lo tanto
A = E1−1 E2−1 . . . Ek−1 B
Como
rango(A) = “cantidad de escalones no nulos de B”
Concluimos que “cantidad de escalones no nulos de B”< n, es decir que B
tiene por lo menos una fila de ceros.
TEOREMA 3.7. Sea A una matriz cuadrada de orden n × n.
A es invertible ⇔ |A| =
̸ 0
Demostración. (⇒) Si A es invertible, por el corolario 2.27, A puede puede

factorizarse como un producto de matrices elementales
A = E1 E2 . . . Ek
Luego, por la proposición 3.5
|A| = |E1 E2 . . . Ek | = |E1 | |E2 | . . . |Ek |
por la proposición 3.4 |Ei | =

̸ 0, con lo cual |A| =
̸ 0
(⇐) Supongamos, por absurdo, que A no es invertible, Si B es la forma
escalerizada de A, existe una sucesión de matrices elementales tales que
Ek , . . . E2 E1 A = B
Pero como |Ei | ≠ 0 y |B| = 0 (pues por el Lema 3.6 B tiene por lo menos una
fila de ceros), concluimos que |A| = 0, lo cual contradice nuestra hipótesis
3.5. Determinante de un producto de matrices
TEOREMA 3.8 (Binet-Cauchy). Si A y B son matrices n × n se cumple

que
|AB| = |A| |B|
Demostración. Primer caso A no es invertible

Si A no es invertible ⇒ |A| = 0 ⇒ |A| |B| = 0
Por otro lado, si A′ es la forma escalerizada de A, existe una sucesión de
matrices elementales tales
que
Ek , . . . E2 E1 A = A′
es decir que
A = E1−1 E2−1 . . . Ek−1 A′
Luego
@ @
|AB| = @E1−1 E2−1 . . . Ek−1 A′ B @
y aplicando la proposición 3.5

@ @@ @ @ @@ @
|AB| = @E1−1 @ @E2−1 @ . . . @Ek−1 @ @A′ B @
Pero por el Lema 3.6, A′ tiene una fila de ceros, y por lo tanto A′ B
también (por la definición del producto de matrices), con lo cual |A′ B| =
0 ⇒ |AB| = 0
Hemos probado que
|AB| = |A| |B| = 0
Segundo caso A es invertible

Si A es invertible, por el corolario 2.27
A = E1 E2 . . . Ek
con Ei matriz elemental
|AB| = |(E1 E2 . . . Ek ) B|
y aplicando la proposición 3.5
|AB| = |E1 | |E2 | . . . |Ek | |B| = |E1 E2 . . . Ek | |B| = |A| |B| .

3.6. CÁLCULO DE LA MATRIZ INVERSA POR DETERMINANTES 119
3.6. Cálculo de la matriz inversa por determinantes
El desarrollo del determinante de la matriz A = ((aij )) por su i-esima

fila es
(3.30) |A| = (−1)i+1 ai1 |Ai1 | + (−1)i+2 ai2 |Ai2 | + . . . +

+ (−1)i+j aij |Aij | + . . . + (−1)i+n ain |Ain |
El número cij = (−1)i+j |Aij | se denomina cofactor del elemento aij

de la matriz A. Por lo tanto podemos reescribir el desarrollo (3.30) de la
siguiente manera
(3.31) |A| = ai1 ci1 + ai2 ci2 + . . . + aij cij + . . . + ain cin
⎛ ⎞
c11 c12 . . . c1n
⎜ ⎟
⎜ def c21 c22 . . . c2n ⎟
A la matriz cof (A) = ⎜
⎜ .. .. .. .. ⎟
⎟
⎝ . . . . ⎠
cn1 cn2 . . . cnn
se le llama matriz de cofactores de A
LEMA 3.9. Si [cof (A)]t es la matriz transpuesta de la matriz de cofactores

de A, esto es ⎛ ⎞
c11 c21 . . . cn1
⎜ ⎟
t
⎜ c12 c22 . . . cn2 ⎟
⎜
[cof (A)] = ⎜ . .. . . .. ⎟
⎟
⎝ .. . . . ⎠
c1n c2n . . . cnn
⎛ ⎞
|A| 0 . . . 0
⎜ ⎟
t
⎜ 0 |A| . . . 0 ⎟
se cumple que A [cof (A)] = ⎜ ⎜ .. .. . . . ⎟⎟.
⎝ . . . .. ⎠
0 0 . . . |A|
Demostración. Si A [cof (A)]t = ((dii )) queremos probar que:

1. Los elementos de la diagonal de la matriz A [cof (A)]t son todos igua-
les a |A|, esto es dii = |A| .
2. Los elementos que no son de la diagonal de la matriz A [cof (A)]t son

todos nulos, esto es dij = 0 (i ̸= j)
Probemos 1. Para ello calculamos el elemento dii de la matriz A [cof (A)]t
⎛ ⎞
. . . . . . ci1 . . . . . .
⎜ ⎟
⎜ . . . . . . ci2 . . . . . . ⎟
⎜ . .. .. . . .. ⎟
⎜ . ⎟
⎝ . . . . . ⎠
... . . . cin . . . . . .
⎛ . .. .. ⎞
.. ⎛ ⎞
. ... . ... ... ↓ ... ...
⎜ ⎟
⎜ .. .. .. ⎟ ⎜
... ↓ ... ... ⎟
⎜ . . ... . ⎟⎜ ... ⎟
⎜ ⎟⎜ ⎟
⎜ ai1 ai2 ... ain ⎟ ⎜ → → dii ... ... ⎟
⎜ ⎟⎜ ⎟
⎜ . .. .. .. ⎟ ⎜ .. .. .. .. .. ⎟
⎜ .. . . . ⎟ ⎝ . . . . . ⎠
⎝ ⎠
.. .. .. ... ... ... ... ...
. . ... .
Por lo tanto dii = ai1 ci1 + ai2 ci2 + . . . + aij cij + . . . + ain cin , pero por (3.31)
|A| = ai1 ci1 + ai2 ci2 + . . . + aij cij + . . . + ain cin , con lo cual dii = |A| .
Probemos 2. Calculamos el elemento dij de la matriz A [cof (A)]t
⎛ ⎞
. . . . . . . . . cj1 . . .
⎜ ⎟
⎜ . . . . . . . . . cj2 . . . ⎟
⎜ .. .. .. . . . ⎟
⎜ ⎟
⎝ . . . . .. ⎠
. . . . . . . . . cjn . . .
⎛ . .. .. ⎞
.. ⎛ ⎞
. ... . ... ... ... ↓ ...
⎜ ⎟
⎜ .. .. .. ⎟⎜ ... ... ... ↓ ... ⎟
⎜ . . ... . ⎟⎜ ⎟
⎜ ⎟⎜ ⎟
⎜ ai1 ai2 . . . ain ⎟⎜ → → → dij . . . ⎟
⎜ ⎟⎜ ⎟
⎜ . .. .. . ⎟⎜ .. .. .. . . . ⎟
⎜ .. . . .. ⎟⎝ . . . . .. ⎠
⎝ ⎠
.. .. . ... ... ... ... ...
. . . . . ..
Por lo tanto dij = ai1 cj1 + ai2 cj2 + . . . + aik cjk + . . . + ain cjn .
Por otro lado consideremos la matriz B que se obtiene de A cambiando la
3.6. CÁLCULO DE LA MATRIZ INVERSA POR DETERMINANTES 121
fila j por la fila i:

⎛ ⎞
a11 a12 ··· a1n ···
⎜ .. .. .. ⎟
⎜ . . ··· . ⎟ ⎟ ···
⎜
⎜ a ai2 ··· ain ⎟ ←− fila i
⎜ i1 ⎟
⎜ . .. .. ⎟
B=⎜
⎜ .. . ··· . ⎟⎟
···
⎜ ⎟ ←− fila j
⎜ ai1 ai2 ··· ain ⎟
⎜ ⎟ ..
⎜ .. .. .. .. ⎟ .
⎝ . . . . ⎠
an1 an2 · · · ann ···
Si calculamos el determinante de B desarrollando por la j-esima fila se tiene

que
|B| = (−1)j+1 bj1 |Bj1 | + (−1)j+2 bj2 |Bj2 | + . . . +

+ (−1)j+k bjk |Bjk | + . . . + (−1)j+n bjn |Bjn |
pero como bjk = aik y Bjk = Ajk , resulta que
|B| = (−1)j+1 ai1 |Aj1 | + (−1)j+2 ai2 |Aj2 | + . . . +

+ (−1)j+k aik |Ajk | + . . . + (−1)j+n ain |Ajn |
pero cjk = (−1)j+k |Ajk |, por lo cual
|B| = ai1 cj1 + ai2 cj2 + . . . + aik cjk + . . . + ain cjn .
Esto prueba que |B| = dij . Como |B| = 0 (pues tiene dos filas iguales), se
prueba lo deseado.
PROPOSICIÓN 3.10. Si A es invertible, se tiene que

1
A−1 = [cof (A)]t
|A|
Demostración. Por el lema anterior

⎛ ⎞ ⎛ ⎞
|A| 0 . . . 0 1 0 ... 0
⎜ ⎟ ⎜ ⎟
t
⎜ 0 |A| . . . 0 ⎟ ⎜ 0 1 ... 0 ⎟
A [cof (A)] = ⎜
⎜ .. .. . . . ⎟ = |A| ⎜
⎟ ⎜ .. .. . . .. ⎟
⎟ = |A| I
⎝ . . . .. ⎠ ⎝ . . . . ⎠
0 0 . . . |A| 0 0 ... 1
Siendo A invertible se tiene que |A| ≠ 0, con lo cual 1

|A| A [cof (A)]t = I ;
esto es 3 4
1 t
A [cof (A)] I,
|A|
1
lo cual prueba que A−1 = |A| [cof (A)]t .
⎛ ⎞
1 −1 2
⎜ ⎟
La matriz A = ⎝ 4 2 4 ⎠ es invertible pues |A| = −34 ; calculemos
5 0 1
los cofactores ⎞
⎛ de A
× × × 0 1 @ @
2 4 @ 2 4 @
⎜ ⎟ @ @
⎝ × 2 4 ⎠ ⇒ A11 = ⇒ |A11 | = @ @ = 2 ⇒ c11 = 2
0 1 @ 0 1 @
× 0 1
y trabajando
@ @de la misma manera se obtienen
@ @
@ −1 2 @ @ −1 2 @
@ @ @ @
|A21 | = @ @ = −1 ⇒ c21 = 1; |A31 | = @ @ = −8 ⇒ c31 = −8;
@ 0 1 @ @ 2 4 @
@ @ @ @
@ 4 4 @ @ 1 2 @
@ @ @ @
|A12 | = @ @ = −16 ⇒ c12 = 16; |A22 | = @ @ = −9 ⇒ c22 = −9;
@ 5 1 @ @ 5 1 @
@ @ @ @
@ 1 2 @ @ 4 2 @
@ @ @ @
|A32 | = @ @ = −4 ⇒ c32 = 4; |A13 | = @ @ = −10 ⇒ c13 = −10;
@ 4 4 @ @ 5 0 @
@ @ @ @
@ 1 −1 @ @ 1 −1 @
@ @ @ @
|A23 | = @ @ =⇒ c23 = −5; |A33 | = @ @ = 6 ⇒ c33 = 6
@ 5 0 @ @ 4 2 @
⎛ ⎞
2 16 −10
⎜ ⎟
Por lo tanto cof (A) = ⎝ 1 −9 −5 ⎠ con lo cual
−8 4 6
3.7. REGLA DE CRAMER 123
⎛ ⎞ ⎛ ⎞
1 1 4
2 1 −8 − 17 − 34 17
1 1 ⎜ ⎟ ⎜ ⎟
A−1 = [cof (A)]t = 8
⎝ 16 −9 4 ⎠ = ⎝ − 17 9
34
2
− 17 ⎠.
|A| −34 5 5 3
−10 −5 6 17 34 − 17
3.7. Regla de Cramer
TEOREMA 3.11 (Cramer 1). Si |A| = ̸ 0 entonces el sistema Ax = b es

compatible y determinado y su solución (única) es
|Aj |
xj = j = 1, 2 . . . , n
|A|
donde Aj es la matriz que se obtiene de A sustituyendo la columna j por b
Demostración. Como |A| = ̸ 0, existe A−1 , por lo tanto Ax = b ⇔ x =

A−1 b lo que prueba la existencia y la unicidad de la solución
3 4
−1 1 t
x = A b⇔x= [cof (A)] b ⇔
|A|
⎛ ⎞ ⎛ ⎞
x1 c11 c21 . . . cn1 ⎛ ⎞
⎜ . ⎟ ⎜ . . . . ⎟ b1
⎜ .. ⎟ ⎜ .. .. .. .. ⎟ ⎜
⎜ ⎟ 1 ⎜ ⎟ ⎜ b2 ⎟ ⎟
⎜ ⎟ ⎜ ⎟
⎜ xj ⎟ = ⎜ c1j c2j . . . cnj ⎟ ⎜ ⎜ . ⎟⇔
⎟
⎜ . ⎟ |A| ⎜ . ⎟ .
.
⎜ . ⎟ ⎜ . .. . . .. ⎟ ⎝ ⎠
⎝ . ⎠ ⎝ . . . . ⎠
bn
xn c1n c2n . . . cnn
⎛ ⎞ ⎛ ⎞
x1 c11 b1 + c21 b2 + . . . + cn bn
⎜ . ⎟ ⎜ .. ⎟
⎜ .. ⎟ ⎜ . ⎟
⎜ ⎟ 1 ⎜⎜ ⎟
⎜ ⎟ ⎟
⇔ ⎜ xj ⎟ = ⎜ c b + c2j b2 + . . . + cnj bn ⎟
⎜ . ⎟ |A| ⎜ j 1 .. ⎟
⎜ . ⎟ ⎜ ⎟
⎝ . ⎠ ⎝ . ⎠
xn cn b1 + c2n b2 + . . . + cn2 bn
Por lo tanto
1
(3.32) xj = (c1j b1 + c2j b2 + . . . + cnj bn ) j = 1, 2 . . . , n
|A|
Por otro lado si consideramos la matriz

⎛ ⎞
a11 · · · b1 ··· a1n
⎜ ⎟
⎜ ai1 · · · b2 ··· ain ⎟
Aj = ⎜⎜ .. .. .. .. ⎟
⎟
⎝ . . . ··· . ⎠
an1 · · · bn ··· ann
que se obtiene de A sustituyendo la columna j por b, y desarrollamos el
determinante de Aj por la columna j se tiene que
|Aj | = (−1)j+1 b1 |A1j | + (−1)j+2 b2 |A2j | + . . . + (−1)j+n bj |Anj |

= c1j b1 + c2j b2 + . . . + cnj bn
|Aj |
Al sustituir en (3.32) se obtiene xj = j = 1, 2 . . . , n.
|A|
⎧
⎪
⎨ x + 2y − z = 7
EJEMPLO 3.4. Vamos a resolver el sistema 2x + y + z = 6 usando
⎪
⎩
x − y + 3z = −1
⎛ ⎞ ⎛ ⎞
1 2 −1 7
⎜ ⎟ ⎜ ⎟
la regla de Cramer. En este caso A = ⎝ 2 1 1 ⎠yb=⎝ 6 ⎠
1 −1 3 −1
Como |A| = −3 ̸= 0 el sistema es compatible y determinado y sus
soluciones son @ @
@ 7 2 −1 @
@ @
@ @
@ 6 1 1 @
@ @
|A1 | @ −1 −1 3 @ 5
x= = = ,
|A| −3 3
@ @ @ @
@ 1 7 −1 @ @ 1 2 7 @@
@ @ @
@ @ @ @
@ 2 6 1 @ @ 2 1 6 @
@ @ @ @
|A2 | @ 1 −1 3 @ 8 |A3 | @ 1 −1 −1 @
y= = = , z= = =0
|A| −3 3 |A| −3
!
TEOREMA 3.12 (Cramer 2). Si |A| = 0 y existe j0 tal que |Aj0 | =

̸ 0
entonces el sistema Ax = b es incompatible
3.7. REGLA DE CRAMER 125
EJEMPLO 3.5. Como |A| = 0 se tiene que rango (A) < n. Por otro lado
D = ( A| b) es la matriz ampliada del sistema, como las columnas de Aj
si A 0
son también columnas de A D se tiene que

8 9
rango A D ≥ rango (Aj )
0
8 9
Además rango (Aj0 ) = n, por ser |Aj0 | =
̸ 0, con lo cual n ≤ rango A D .
8 9
Por lo tanto rango (A) < rango A D y por el teorema de Rouché - Frobe-
nius el sistema Ax = b es incompatible.
OBSERVACIÓN 3.13. Un error frecuente es decir que: Si |A| = 0 y

|Aj | = 0 entonces el sistema Ax = b es indeterminado. Veamos ejemplos.
⎧
⎪
⎨ x+y+z =1
EJEMPLO 3.6. Para el sistema de ecuaciones x + y + z = 1 se tiene
⎪
⎩
x+y+z =0
que
⎛ ⎞ ⎛ ⎞
1 1 1 1
⎜ ⎟ ⎜ ⎟
A=⎝ 1 1 1 ⎠ b=⎝ 1 ⎠
1 1 1 0
Por lo tanto |A| = |A1 | = |A2 | = |A3 | = 0, sin embargo es evidente que
el
⎧ sistema es incompatible. Mientras⎛que para ⎞ el sistema
⎛ de ⎞ ecuaciones
⎪ x+y+z =1
⎨ 1 1 1 1
⎜ ⎟ ⎜ ⎟
x + y + z = 1 se tiene que A = ⎝ 1 1 1 ⎠, b = ⎝ 1 ⎠ y también
⎪
⎩
x+y+z =1 1 1 1 1
se cumple que |A| = |A1 | = |A2 | = |A3 | = 0, pero el sistema es compatible
e indeterminado. !
CAPı́TULO 4
RECTAS Y PLANOS EN EL ESPACIO
4.1. Introducción
El propósito del presente capı́tulo -y del capı́tulo denominado Producto

Escalar y Vectorial- es dar una presentación sucinta de la Geometrı́a Analı́ti-
ca del Espacio, que permita trabajar matemáticamente con los objetos del
espacio ambiente. En un sentido muy vago y deliberadamente informal
entendemos por tal al modelo espacial en que transcurren la mayorı́a de los
fenómenos analizados por la Mecánica y otras teorı́as cientı́ficas Clásicas.
Estas teorı́as se refieren a los acontecimientos más o menos directamente
percibidos por los seres humanos.
Esta presentación incluirá la formalización del concepto de vector que el
lector conoce de sus cursos de Nivel Secundario. Por un lado, en los cursos
de Geometrı́a ha trabajado con las traslaciones que, como recordará, están
determinadas por vectores. En general el vector se define en esos cursos como
una clase de equivalencia de segmentos orientados con la misma dirección,
sentido y congruentes (dos figuras son congruentes si se corresponden por
una isometrı́a).
Por otro lado, en Fı́sica ha trabajado con ciertas “magnitudes” (fuer-
za, velocidad, aceleración, etc.) llamadas “vectoriales”. Estas se distinguen
claramente de otras llamadas “escalares” (masa, temperatura, etc.) porque
las últimas quedan determinadas por un único dato numérico, en cambio las
primeras requieren más información para caracterizarlas: “módulo”, “direc-
ción” y “sentido”. Las magnitudes vectoriales se representan además gráfi-
camente mediante una “flecha” y a pesar de las diferencias que ya marcamos
con los “escalares” tienen algo en común: con ambos se realizan operaciones.
127
128 4. RECTAS Y PLANOS EN EL ESPACIO
F2
Fr
F1
Figura 1
Por ejemplo cuando se aplican dos fuerzas F⃗1 y F⃗2 sobre un mismo cuerpo
el resultado es el mismo que si se aplicara una única fuerza F⃗r con módulo,
dirección y sentido igual a la diagonal del paralelogramo de lados F⃗1 y F⃗2
(ver figura 4.1). Se dice entonces que
F⃗r = F⃗1 + F⃗2
o que F⃗r es la resultante de F⃗1 y F⃗2 , de este modo la “suma de vectores”

cobra sentido. Si F⃗1 = F⃗2 entonces F⃗r = 2F⃗1 con lo cual también cobra
sentido la multiplicación de escalares por vectores.
Nuestra intención es introducir el concepto de “vector” de una manera
más rigurosa y utilizarlo para desarrollar algunas aplicaciones a la Geo-
metrı́a Analı́tica del Espacio. Al mismo tiempo queremos destacar que este
concepto de vector servirá de fuente de inspiración para uno de los obje-
tos fundamentales de este curso. Más adelante daremos una definición más
general y abstracta de vector perteneciente a un espacio vectorial con
múltiples aplicaciones dentro y fuera de la matemática. Este tipo de pro-
cesos de generalización desde ejemplos hacia conceptos abstractos permite
dar un tratamiento unificado a múltiples objetos a menudo de apariencia
disı́mil pero con propiedades esenciales comunes. Para poder hacerlos se de-
be estudiar con cuidado los ejemplos sencillos tratando de destacar estas
propiedades.
4.2. VECTORES 129
4.2. Vectores
El espacio ambiente, que denotaremos con la letra E, está formado por

puntos designados en general con letras mayúsculas A, B, P, Q, .... Dos pun-
tos distintos definen una única recta y tres puntos no contenidos en una
recta definen un plano. En este capı́tulo se dará una descripción analı́tica
de recta, plano y sus relaciones de intersección.
La longitud del segmento entre dos puntos de E define la distancia
entre dos puntos d : E × E −→ R+ , que satisface
d(A, B) = d(B, A) ∀A ∈ E
d(A, B) = 0 si y sólo si A = B
d(A, C) ≤ d(A, B) + d(B, C) ∀A, B, C ∈ E.
A este concepto elemental de distancia agregamos ahora el de vector.
Pretendemos formalizar lo que antes hemos denominado una “flecha” como
un objeto que tenga “modulo”, “dirección” y “sentido”. ¿Qué datos son nece-
sarios para dibujarla? En principio basta indicar un par de puntos ordenados
(A, B) el punto A será el origen y el punto B el extremo del segmento orien-
tado (“flecha”). Consideremos dos segmentos orientados como en la figura
A B′
A′
Figura 2
4.2 de modo que AA′ B ′ B sea un paralelogramo, el par (A, B) es distinto

de (A′ , B ′ ). Sin embargo por ser AA′ B ′ B un paralelogramo ambas segmen-
tos orientados tienen igual dirección (las rectas AB y A′ B ′ son paralelas),
módulo (d(A, B) = d(A′ , B ′ )) y sentido. Solo se diferencian en el punto de
base o de “aplicación”. No estamos interesados en que nuestro concepto de
vector distinga objetos por su punto de aplicación ası́ que deberemos ser más
cuidadosos en nuestra definición y adoptar una que no distinga entre dos
flechas como (A, B) y (A′ , B ′ ). Una manera de lograr esto es identificándolas
mediante una relación de equivalencia.
Para ello definimos una relación de equivalencia entre pares ordenados
de puntos de E: AB ∼ /A′ B ′ si y sólo si ABB ′ A′ es un paralelogramo.
Ésta es una relación de equivalencia de acuerdo con la definición dada en el
Capı́tulo 0.
Obsérvese que:
1) Es fácil probar que AB ∼ A′ B ′ si y sólo si el punto medio C de AB ′ /
coincide con el de A′ B; o sea que una misma simetrı́a central de centro C
lleva A en B ′ y A′ en B.
2) También se puede dar una definición de la relación de equivalencia en
término de traslaciones.
3) Todas estas definiciones sólo utilizan elementos de la geometrı́a plana.
Llamaremos vector del espacio E a una clase de equivalencia deter-
minada por esta relación. Cualquier pareja de puntos de una clase de equi-
valencia representa al correspondiente vector. Si la pareja es AB, el vector
por ella representado se escribirá de cualquiera de las siguientes maneras
−−→
v = AB = B − A. Dada una representación AB de un vector v llamaremos
origen (o punto base) al punto A, y extremo al punto B.
Denominaremos con la letra V al conjunto de estos vectores. Obsérvese
−→
que el espacio V incluye al vector nulo − →o = AA, para cualquier A ∈ E.
Dado un punto P ∈ E y un vector v ∈ V , es claro que existe un único
4.3. OPERACIONES CON VECTORES. 131
−−→
punto Q ∈ E tal que P Q = v, o sea que hay un único representante de v
que tiene origen en P : ese representante es P Q. Dado P , y si v está dado
−−
→
por una pareja AB (o sea v = AB) para hallar Q alcanza con construir el
paralelogramo P ABQ. De esta manera hemos definido una función que a
pareja de punto de E y vector de V , le hace corresponder otro punto de E ,
−−→
de la siguiente manera: (P, v) −→ Q ⇐⇒ P Q = v. Escribiremos / Q = P +v
y diremos que Q es la suma de P más v.
4.3. Operaciones con vectores.
La suma de dos vectores es otro vector, o sea que se trata de definir

una función que a parejas de vectores le haga corresponder otro vector:
(v, w) −→ v + w. Dados dos vectores v, w ∈ V , se tomarán representantes
de cada uno de ellos de modo que el extremo del representante de v sea el
−
−→ −−→
origen del de w. O sea, que si v = AB , tomamos w = BC. Decimos que
−→ −
−→ −−→ −→
AC representa al vector suma v + w; o sea que AB + BC = AC.
Es fácil ver que el vector suma no depende del representante elegido para
−−→ −−→ −−→ −−→ −→
v ; o sea que si A′ B ′ = v (y B ′ C ′ = w) entonces A′ B ′ + B ′ C ′ = AC. Para
verificar esta independencia de los representantes, se recomienda -como para
casi todas las pruebas de este capı́tulo- hacer los dibujos correspondientes.
−−→
Conviene observar desde ya que para cualquier v = AB , resulta − →
o +v =
−
→
v + o = v (alcanza con tomar el representante AA o BB, según el caso,
−−→ −−→ −− → −→ →
de −→
o ). Además el vector BA sumado a v da − →o : AB + BA = AA = − o .
Llamaremos opuesto de v al vector representado por BA, y lo escribiremos

−v. Además (háganse los dibujos), para todo A, B, C, D ∈ E vale A − B =
C − D =⇒ A − C = B − D.
Para definir el producto de un número real por un vector se debe
andar con más cuidado, distinguiendo diferentes casos y utilizando el con-
cepto de distancia. Se trata de definir una función (a, v) −→ av , para todo
a ∈ R, v ∈ V . Obsérvese que no hemos indicado el producto del número
real a por el vector v con ningún sı́mbolo; sencillamente hemos colocado av
juntos. Esto podrı́a dar lugar a confusiones, pero siendo a y v elementos de
conjuntos en general distintos, hemos preferido la simplificación de no usar
−−
→
sı́mbolo explı́cito para este producto. Sea v = AB,
- si a ≥ 0, en la semirrecta AB se elige el único C tal que d(A, C) = ad(A, B).
O sea que C está del mismo lado que B respecto a A, en la recta determi-
nada por A y B
- Si a < 0, se elige C en el lado opuesto al que está B respecto de A, de
modo que d(A, C) = |a|d(A, B).
−→ −
−→
En ambos casos se define AC = aAB = av. Se observa fácilmente que es-
ta definición no depende del representante de v que se haya elegido. Obsérve-
se también que la multiplicación del número cero por cualquier vector da el
vector nulo: 0v = − →o , para todo v ∈ V . Igualmente, el vector opuesto −v
se obtiene multiplicando v por el número −1; o sea que (−1)v + v = − →o.
Diremos que dos vectores u, v son colineales (o paralelos o que tienen la
misma dirección) si u = av para algún número real a. También diremos
que u es múltiplo de v. Si a > 0 diremos que además tienen el mismo
sentido. Si a = ±1 tienen el mismo módulo. Esta definición lleva a que el
vector nulo sea colineal con todo vector de V , porque el número real puede
ser el cero.
Estas dos operaciones de suma de vectores y producto por un real, ve-
rifican las siguientes ocho propiedades (u, v, w son cualesquiera vectores de
V y a, b son cualesquiera números reales):
[S1] [Conmutativa] u + v = v + u,
[S2] [Asociativa] u + (v + w) = (u + v) + w, ∀ X, Y, Z ∈ Rn .
4.3. OPERACIONES CON VECTORES. 133
[S3] [Neutro de la suma] Existe un vector −→

o tal que v + −
→
o = v,
[S4] [Existencia de opuesto] Existe −v tal que v + (−v) = −
→o;
[P1] [Asociativa del producto] a(bv) = (ab)v,
[P2] [Neutro del producto] 1v = v
[P3] [Distributiva] (a + b)v = av + bv,
[P4] [Distributiva] a(u + v) = au + av.
Obsérvese los distintos significados que tienen los productos (sus sı́mbo-
los están omitidos) en P1; y las sumas, en P3. Para probar estas propieda-
des para los vectores de V recomendamos una vez más hacer dibujos claros,
aplicar bien las definiciones de cada una de las operaciones y luego apli-
car propiedades elementales de geometrı́a plana y de los números reales.
−
−→ −→
Como ejemplo daremos la prueba de P1. Si v = AB, sean (ab)v = AC
−−→
y a(bv) = AD con C, D en la recta AB. Si a ó b es cero, el resultado es
−→ −−→
A = C = D o sea AC = AD = − →
o . Si a, b tienen el mismo signo, C y
D están en la semirrecta de origen A por B y d(A, C) = d(A, D) = ab,
por lo que C = D. Si a > 0, b < 0, C está en el lado opuesto a B y D
también porque bv tiene sentido opuesto a v y a(bv) tiene el sentido de bv;
además d(A, C) = d(A, D) = |ab|; por tanto C y D coinciden. Más adelante
se considerarán entes matemáticos entre cuyos elementos se pueden definir
operaciones que verifican este conjunto de propiedades. Se verá que con sólo
ellas se puede desarrollar la teorı́a más simple, abstracta y abarcativa de
espacios vectoriales. También es importante tener presente las siguien-
tes propiedades que relacionan la suma de punto y vector con la suma de
vectores (∀ A, B, C, D ∈ E, v, w ∈ V ):
1. A + (v + w) = (A + v) + w.
2. A + (B − A) = B; (A + w) − A = w.
3. A + −→o = A; A − A = − →o.
4. (B − A) + u = (B + u) − A = B − [A + (−u)]. Como ejemplo, veremos la
prueba de 4. Si w = (B − A) + u, resulta A + w = [A + (B − A)] + u = B + u,
por 2. Luego w = (B + u) − A por la segunda parte de 2. Esto prueba la
primera igualdad. Además [A + (−u)] + w = A + [−u + (B + u) − A] =
A + [−u + (B − A) + u] = A + (B − A) = B; se han usado sucesivamente
1., la definición de w, la primera igualdad de 4. y la primera de 2. Entonces

w = B − (A + (−u)) y queda demostrada la segunda igualdad de 4.
4.4. Ecuaciones vectoriales de rectas y planos. Paralelismo
Recta. Sea r la recta de E definida por los puntos A y B. De acuerdo

con lo visto en la definición de producto de un vector por un número real,
−−
→
todos los puntos de esa recta quedan descriptos por A + λAB, al variar
λ entre los números reales. O sea que todo punto P ∈ r es de la forma
−−
→
P = A + λAB para algún λ ∈ R. También se puede dar una recta s por un
punto A ∈ E y un vector no nulo v ∈ V , llamado vector director de la
recta s. En este caso resulta s = {P ∈ E : P = A + λv, λ ∈ R}. Dos rectas
con vectores directores v, w son paralelas si y sólo si v es colineal con w.
Si además, ambas rectas paralelas tienen un punto en común, ellas son la
misma recta. En efecto si las rectas son de la forma A + λv, B + µw con
w = a1 v y B = A + λ1 v, resulta que todo punto de la segunda recta es de
la forma B + µw = A + (λ1 + a1 µ)v, o sea que es de la primera recta.
Plano. Dados tres puntos no pertenecientes a la misma recta (no colinea-
les) A, B, C ∈ E, el plano π por ellos definido esta formado por el conjunto
−−
→ −→
de puntos de la forma A + λAB + µAC con λ, µ ∈ R. De igual manera que
en caso de las rectas, un plano también queda bien definido por un pun-
to A y dos vectores u, v no colineales. En este caso π = {P ∈ E : P =
A + λu + µv, λ, µ ∈ R}. Cualquier pareja de vectores u, v no colineales que
definan un plano de esa manera se denominarán vectores directores del
plano.
Dos planos π, π ′ son paralelos si todo vector con representantes de-
finidos por dos puntos de π, tiene también representantes con dos puntos
de π ′ . Diremos, un tanto imprecisamente, que los vectores son de π y π ′ .
Hallaremos una condición necesaria y suficiente para que dos planos π, π ′ de
las formas P = A + λu + µv, P ′ = A′ + au′ + bv ′ , u, v no colineales, u′ , v ′ no
colineales, sean paralelos. Obsérvese primero que todos los vectores determi-
−→
nados por dos puntos del plano π son de la forma AP = λu + µv. Para que
los dos planos sean paralelos no es necesario que u, u′ y v, v ′ sean colineales,
4.5. SISTEMAS DE COORDENADAS 135
sino que los vectores u′ , v ′ se puedan escribir como suma de múltiplos de

u, v. En efecto si u′ = λ1 u + µ1 v, v ′ = λ2 u + µ2 v resulta que todo vector de
π ′ es de la forma au′ + bv ′ = (aλ1 + bλ2 )u + (aµ1 + bµ2 )v; o sea que también
lo es de π. Si u′ y v ′ se escriben de aquella manera como combinaciones
lineales de u, v, se pueden despejar u y v de la siguiente manera
λ2 u′ − λ1 v ′ −µ2 u′ + µ1 v ′
v= , u=
λ2 µ1 − λ1 µ2 λ2 µ1 − λ1 µ2
(que tiene sentido porque si fuera λ2 µ1 − λ1 µ2 = 0 resultarı́a λ2 u′ − λ1 v ′ = 0
y serı́an u′ , v ′ colineales, lo cual va contra una suposición inicial); por un
razonamiento igual que el anterior resulta que todo vector de π también es
vector de π ′ .
4.5. Sistemas de coordenadas
Comencemos con dos definiciones de gran trascendencia. v es una com-

binación lineal de los vectores v1 , v2 , · · · , vn ∈ V si es de la forma
v = a1 v1 +a2 v2 +· · ·+an vn con a1 , a2 , · · · , an ∈ R. Una base de V es un con-
junto de vectores {v1 , v2 , · · · , vn } ⊂ V tal que todo vector v ∈ V se escribe de
manera única como combinación lineal de ese conjunto. O sea, si para cada
v ∈ V existen únicos a1 , a2 , · · · , an ∈ R tales que v = a1 v1 +a2 v2 +· · ·+an vn .
Destacamos la unicidad de la combinación lineal de vectores de la base, pa-
ra generar cada uno de los vectores de V . En un sentido que se aclarará en
capı́tulos posteriores, una/ base es un conjunto mı́nimo que permite escribir
todos los vectores de V como combinación lineal de ellos. A continuación

mostraremos cómo son las bases de V .
De acuerdo con las definiciones que venimos dando, es claro que se

pueden elegir cuatro puntos A, B, C, D ∈ E no coplanares (no perte-
necientes a un mismo plano). Diremos también que los vectores por ellos
determinados son no coplanares. O sea, los vectores u, v, w ∈ V son no
coplanares si w ̸= au + bv para cualesquiera dos números reales a, b. Es-
to equivale, si se toman representantes de los vectores con el mismo origen
−→ −−→ −−→
O : u = OA, v = OB, w = OC, a que el punto C no esté en el plano
−→ −−→
determinado por O, A, B, o sea que C ̸= O + aOA + bOB para cualesquiera
números reales a, b. Sean cuatro puntos no coplanares O, A, B, C ∈ E. Dado
cualquier punto P ∈ E, consideremos la recta s paralela a OC por P . Ella
corta al plano OAB en P ′ (que coincide con O si P esta en la recta OC).
Por P ′ trazamos las paralelas r1 , r2 a las rectas OA, OB, respectivamente,
que cortan a OB y OA en B ′ y A′ , respectivamente. Por otro lado, el plano
paralelo a OAB por P corta a la recta OC en el punto C ′ (que coincide
con O si P esta en el plano OAB). No es difı́cil ver, utilizando propiedades
elementales de paralelismo e intersecciones, que se habrı́a llegado a los mis-
mos puntos A′ , B ′ , C ′ si se hubieran trazado recta y plano paralelos a por
ejemplo la recta OA y el plano OBC, y seguido el procedimiento indicado
anteriormente. Por la definición de suma de vectores aplicada dos veces, se
−−→ −−→ −−→ −−→
deduce que OP = OA′ + OB ′ + OC ′ , y por la definición de producto de
−−→ −→
número real por vector, se ve el vector OA′ es colineal con OA, por lo que
4.5. SISTEMAS DE COORDENADAS 137
−−→′ −→ −−→ −−→ −−→ −−→

OA = aOA para algún a ∈ R. De igual manera OB ′ = bOB, OC ′ = cOC
−−→ −→ −−→ −−→
para b, c ∈ R. Por tanto v = OP = aOA + bOB + cOC. Para cada P ∈ E
(o lo que es lo mismo, cada v ∈ V ) los números reales a, b, c son únicos pues
−→ −−→ −−→
si fuera v = a′ OA + b′ OB + c′ OC resultarı́a, suponiendo que, por ejemplo
−→ −−→ −−→
a ̸= a′ : (a − a′ )OA = (b′ − b)OB + (c′ − c)OC por lo que
−→ b′ − b −−→ c′ − c −−→
OA = OB + ′ OC.
a − a′ a −a
Entonces el punto A estarı́a en el plano OBC lo cual contradice la hipótesis
de que los puntos O, A, B, C no son coplanares. Esta demostración vale
−→ −−→ −−→
para cualesquiera tres vectores OA, OB, OC no coplanares. Por tanto hemos
demostrado que tres vectores no coplanares cualesquiera forman una base del
espacio V . Recı́procamente, si tres vectores forman una base de V ellos deben
ser no coplanares. En efecto, si fueran coplanares, tomando representantes
con un mismo origen O, sus extremos determinarı́an un plano π, y ningún
−−→
vector OP con P ∈ π se podrı́a escribir como combinación lineal de ellos.
A continuación generalizaremos el concepto de sistema de coordenadas
–que el estudiante ha estudiado en el plano– al espacio E, que es el objeto
principal de esta parte del curso. El estudiante recordará que los puntos de
una recta se ponen en correspondencia biunı́voca con los números reales,
eligiendo un origen y una unidad; y que los puntos de un plano se ponen
en correspondencia biunı́voca con las parejas ordenadas de números reales
(R2 ) eligiendo un origen y dos ejes transversales que se cortan en ese origen.
Un sistema de coordenadas o referencial de E está formado por un
punto O, el origen de coordenadas y una base {v1 , v2 , v3 } de V . Las rectas
determinadas por O y v1 , v2 , v3 se denominan ejes coordenados. Si los
ejes coordenados son perpendiculares se dice que el sistema de coordenadas
es ortogonal. Se suele representar por Ox, Oy, Oz a los ejes coordenados
definidos por O y v1 , v2 , v3 , respectivamente. Se llamará plano coordenado
xOy al plano determinado por Ox, Oy. De igual manera se definen los planos
coordenados yOz, zOx.
Por lo que antecede resulta que dado un sistema de coordenadas
{O, v1 , v2 , v3 }, para cada P ∈ E existen números únicos x1 , x2 , x3 tales que
P − O = x1 v1 + x2 v2 + x3 v3 ; luego, P = O + x1 v1 + x2 v2 + x3 v3 . Decimos que

x1 , x2 , x3 son las coordenadas de P en el sistema {O, v1 , v2 , v3 }. De igual
manera, si v = a1 v1 + a2 v2 + a3 v3 , llamaremos coordenadas de v en la
base {v1 , v2 , v3 } a la terna (a1 , a2 , a3 ) por lo que esta terna, dependiendo del
contexto al que se refiera, indicará a las coordenadas del punto A = O + v ∈
E, o del vector v ∈ V . La determinación de un sistema de coordenadas
establece una correspondencia biunı́voca entre el conjunto de los puntos del
espacio E y R3 , el conjunto de las ternas ordenadas de números reales. Como
ejemplos destacamos que el punto elegido como origen de coordenadas tiene
coordenadas (0, 0, 0) ∈ R3 y el punto O + v1 tiene coordenadas (1, 0, 0). Se
suele escribir P = (x1 , x2 , x3 ), para indicar que x1 , x2 , x3 son las coordenadas
de P en un sistema de coordenadas en el que se está trabajando, o que se
da por sobreentendido.
Observaciones
1. Si A = O + a1 v1 + a2 v2 + a3 v3 y v = x1 v1 + x2 v2 + x3 v3 , entonces
A−O = a1 v1 +a2 v2 +a3 v3 y A−O+v = (a1 +x1 )v1 +(a2 +x2 )v2 +(a3 +x3 )v3 ,
por lo que A + v = O + (a1 + x1 )v1 + (a2 + x2 )v2 + (a3 + x3 )v3 . Por tanto
las coordenadas del punto A + v son: (a1 + x1 ), (a2 + x2 ), (a3 + x3 ).
2. Si A = O + a1 v1 + a2 v2 + a3 v3 // y B = O + b1 v1 + b2 v2 + b3 v3 , entonces
B − A = (b1 − a1 )v1 + (b2 − a2 )v2 + (b3 − a3 )v3 y las coordenadas del vector
B − A son (b1 − a1 , b2 − a2 , b3 − a3 ).
4.6. Ecuaciones paramétricas de rectas y planos
Veamos que forma toman las ecuaciones de rectas y planos en un re-

ferencial {O, v1 , v2 , v3 }. Sea la recta r : P = A + λ(B − A). Supongamos
A = (a1 , a2 , a3 ), B = (b1 , b2 , b3 ); entonces por la última observación de la
sección anterior resulta B − A = (b1 − a1 )v1 + (b2 − a2 )v2 + (b3 − a3 )v3 , y
por la observación 1., si P tiene coordenadas (x, y, z) los puntos de la recta
r tienen coordenadas
(4.33) x = a1 + λ(b1 − a1 ), y = a2 + λ(b2 − a2 ), z = a3 + λ(b3 − a3 ).

4.7. ECUACIONES IMPLÍCITAS DE RECTAS Y PLANOS 139
Si r es de la forma P = A + λv con v = x1 v1 + x2 v2 + x3 v3 se obtiene:
(4.34) x = a1 + λx1 , y = a2 + λx2 , z = a3 + λx3 .
Estas ecuaciones se suelen llamar ecuaciones paramétricas de la rec-

ta, y se suele pedir, por ejemplo “hallar las ecuaciones paramétricas de la
recta”que pasa por los puntos P = (1, 0, 1) y Q = (−2, 1, 2). En realidad
debiera decirse, “hallar unas ecuaciones paramétricas de la recta”porque de-
pendiendo del punto que se tome como base, y del vector director elegido
(uno o cualquier múltiplo -no nulo- de él) se obtendrán diferentes ecuaciones
paramétricas. Sin embargo, dado que la recta es la misma, independiente-
mente de la presentación analı́tica elegida, seguiremos refiriéndonos a las
ecuaciones, en todos los casos. La respuesta al ejemplo que antecede es
(x, y, z) = (1, 0, 1) + λ(−3, 1, 1)
Sean tres puntos no alineados A = (a1 , a2 , a3 ), B = (b1 , b2 , b3 ), C =

(c1 , c2 , c3 ). Consideramos el plano de ecuación P = A+λ(B −A)+µ(C −A).
Llamando (x, y, z) a las coordenadas de P , por un razonamiento análogo al
utilizado para obtener (4.33), se obtiene
x = a1 + λ(b1 − a1 ) + µ(c1 − a1 ),
(4.35) y = a2 + λ(b2 − a2 ) + µ(c2 − a2 ),
z = a3 + λ(b3 − a3 ) + µ(c3 − a3 ).
Si el plano es de la forma P = A + λv + µw con v = x1 v1 + x2 v2 + x3 v3 , w =

y1 v1 + y2 v2 + y3 v3 se obtiene:
(4.36) x = a1 + λx1 + µy1 , y = a2 + λx2 + µy2 , z = a3 + λx3 + µy3 .
4.7. Ecuaciones implı́citas de rectas y planos
Rectas Las ecuaciones (4.33), si a1 ̸= b1 , a2 ̸= b2 , a3 ̸= b3 , se pueden

escribir de la siguiente manera
x − a1 y − a2 z − a3
(4.37) = =
b1 − a1 b2 − a2 b3 − a3
Análogamente, de (4.34) se deduce, si x1 , x2 , x3 ̸= 0:

x − a1 y − a2 z − a3
(4.38) = =
x1 x2 x3
En ambos casos, si alguno de los denominadores fuera cero, el correspondien-
te numerador también es cero. También por eliminación de λ, µ en (4.35), se
obtiene la forma general de la ecuación de un plano (usando determinantes
de matrices dos por dos):
@ @ @ @
@ b −a b −a @ @ b −a b −a @
@ 2 2 3 3 @ @ 1 1 3 3 @
(x − a1 ) @ @ − (y − a2 ) @ @+
@ c2 − a2 c3 − a3 @ @ c1 − a1 c3 − a3 @
@ @
@ b −a b −a @
@ 1 1 2 2 @
+(z − a3 ) @ @ = 0.
@ c1 − a1 c2 − a2 @
La expresión que antecede al signo de igual puede tomarse como la definición
del determinante de una matriz 3 por 3 -que será vista en detalle más ade-
lante en el curso-, pudiéndose escribir más compactamente de la siguiente
manera:
@ @
@ x−a y − a2 z − a3 @@
@ 1
@ @
(4.39) @ b1 − a1 b2 − a2 b3 − a3 @ = 0
@ @
@ c1 − a1 c2 − a2 c3 − a3 @
Partiendo de (4.36) se obtiene otra forma de la ecuación implı́cita de un

plano. Ası́, si el plano está dado por el punto A = (a1 , a2 , a3 ) y los vectores
v = x1 v1 + x2 v2 + x3 v3 , w = y1 v1 + y2 v2 + y3 v3 , la ecuación implı́cita toma
la forma
@ @
@ x−a y−a z−a @
@ 1 2 3 @
@ @
(4.40) @ x1 x2 x3 @ = 0
@ @
@ y1 y2 y3 @
Desarrollando estos determinantes tenemos, por ejemplo para (4.39)
a(x − a1 ) + b(y − a2 ) + c(z − a3 ) = 0, o también ax + by + cz + d = 0,

@ @ @ @
@ b −a b −a @ @ b −a b −a @
@ 2 2 3 3 @ @ 1 1 3 3 @
donde a = k @ @,b = k@ @,
@ c2 − a2 c3 − a3 @ @ c1 − a1 c3 − a3 @
4.7. ECUACIONES IMPLÍCITAS DE RECTAS Y PLANOS 141
@ @
@ b −a b −a @
@ 1 1 2 2 @
c = k@ @.
@ c1 − a1 c2 − a2 @
Recı́procamente toda ecuación de la última forma, en la que por lo menos
uno de los coeficientes a, b, c es distinto de cero, representa un plano porque,
suponiendo, por ejemplo c ̸= 0, ella equivale a las tres ecuaciones
d a b
x = λ, y = µ, z = − − λ − µ
c c c
que son de la forma(4.36). Obsérvese que los coeficientes a, b, c sólo dependen
de los vectores directores del plano. Dado que planos paralelos se pueden
determinar con los mismos vectores directores, resulta que dos planos
ax + by + cz + d = 0, a′ x + b′ y + cz + d′ = 0.
son paralelos si y sólo si a = pa′ ; b = pb′ ; c = pc′ para algún real
p. Si, además, d = pd′ ambas ecuaciones representan el mismo plano.
Observamos también que, por ejemplo de (4.38) se puede deducir
x − a1 y − a2 x − a1 z − a3
= , =
x1 x2 x1 x3
que se reduce a
(4.41) ax + by + cz + d = 0, a′ x + b′ y + c′ y + d′ = 0.
Estas dos ecuaciones indican la propiedad bien conocida de toda recta puede
determinarse por dos planos que se cortan en ella.
Ej. 1. En el ejemplo de la sección anterior, las ecuaciones implı́citas de la

recta por P y Q (recordar las disquisiciones sobre las y unas ecuaciones) son
x−1
= y = z − 1, o bien x + 3y = 1, y − z = −1
−3
Ej. 2. Las ecuaciones implı́citas de la recta por (2, 1, 0), (3, 1, 5) son x − 2 =
z − 5/5, y = 1
Ej. 3. Las ecuaciones pàramétricas del plano por (1, 1, 0) que tiene por
vectores directores u = (−1, 0, 2) y v = (1, 3, 3) son
x = 1 − λ + µ, y = 1 + 3µ z = 2λ + 3µ.
Su ecuación implı́cita es −6x + 5y − 3z + 1 = 0.

Ej. 4. x − 2y = 0 es la ecuación de un plano paralelo al eje coordenado Oz,
que corta al plano xOy según la recta z = 0, x − 2y = 0.
Ej. 5. Ecuación del plano paralelo al de ecuación x + y + z = 0 por el punto
(1,1,1). Será de la forma x + y + z + d = 0, por el punto (1, 1, 1); por tanto
1 + 1 + 1 + d = 0 y resulta d = −3.
El lector atento ya habrá percibido que si (x, y, z) designa las coorde-

nadas genéricas de cualquier punto del espacio, dado un cierto sistema de
coordenadas,la ecuación implı́cita de un plano viene dado por una ecuación
lineal en (x, y, z); en general la ecuación de cualquier superficie vendrá dada
por una ecuación. Y una recta, vendrá dada por dos ecuaciones. Los puntos
que verifican las dos ecuaciones serán los de la recta.
4.8. Posiciones relativas de rectas y planos.
En esta sección se verá que el estudio de las posiciones relativas de

rectas y planos llevan naturalmente a plantearse la resolución de sistemas
de ecuaciones.
Dadas dos rectas en el espacio, podemos simplificar sus posiciones
relativas en tres categorı́as. O bien se cruzan sin cortarse (esta es la po-
sición genérica, la más común), o bien se cortan en un solo punto, o bien
son paralelas (este caso incluye el de las rectas coincidentes. El caso de que
sean paralelas ya fue analizado: son rectas con vectores directores colineales
(uno múltiplo del otro) y coinciden o no según tengan algún punto común o
no. Si los vectores directores no son colineales se trata de encontrar puntos
comunes a las dos rectas. Para ello se estudia el sistema de ecuaciones for-
mado al igualar las ecuaciones de sus coordenadas. Si las rectas se dan en
forma paramétrica se tendrá un sistema con tres ecuaciones y dos incógnitas
(los parámetros de cada una de las rectas). Este sistema, si los vectores di-
rectores no son colineales, puede ser compatible determinado (una solución
formada por una pareja de números correspondientes a cada parámetro) o
incompatible (sin solución). El primer caso corresponde al caso de corte (y
4.8. POSICIONES RELATIVAS DE RECTAS Y PLANOS. 143
la solución en cada parámetro dará el mismo punto en el espacio, pero al

moverse por cada una de las rectas); el segundo caso corresponde a las rectas
que se cruzan.
Ej. 1. Determinar las posiciones relativas de las rectas
(x, y, z) = (1, 0, 1) + λ(−1, 1, 0)

(x, y, z) = (0, 1, 2) + µ(2, 0, 1).
Al igualar las coordenadas resulta
1 − λ = 2µ; λ = 1; 0 = 2 + µ
que no posee ninguna solución: las rectas se cruzan.

Ej. 2. Determinar las posiciones relativas de las rectas
(x, y, z) = (1, 0, 1) + λ(−1, 1, 0); (x, y, z) = (0, 1, 2) + µ(−4, 4, 0).
Los vectores directores son colineales y al igualar las coordenadas se obtiene
(1, 0, 1) + λ(−1, 1, 0) = (0, 1, 2) + µ(−4, 4, 0)
que no tiene solución pues en la tercera coordenada resulta la igualdad de

los números distintos 1 y 2: las rectas son paralelas.
Dados dos planos en el espacio podemos simplificar sus posiciones
relativas en dos categorı́as. O bien se cortan en una recta, o bien son pa-
ralelos (este caso incluye el de los planos coincidentes). La posición relativa
se manifestará analı́ticamente en que el sistema dado por las dos ecuaciones
implı́citas sea o bien indeterminado con las soluciones dependientes de un
parámetro (un grado de libertad) en el caso de corte en una recta, o bien
incompatible (no tiene soluciones) en e caso de planos paralelos no coinciden-
tes, o bien indeterminado con las soluciones dependientes de dos parámetros
(dos grados de libertad) en el caso de coincidencia. Si los planos estuvieran
dados en forma paramética tendrı́amos, al igualar las coordenadas de los dos
planos, un sistema de tres ecuaciones con cuatro incógnitas (dos por cada
plano).
Ej. 3. Posición relativa de los planos

2x + 3y − z = 1, −x − 2y + z = 0.
Para resolver el sistema dado por las dos ecuaciones, se escaleriza, obte-
niéndose el sistema 2x + 3y − z = 1, −y + z = 1. Este sistema tiene
infinitas soluciones que dependen de un solo parámetro (un grado de li-
bertad) y por tanto los planos se cortan en una recta. Para determinar las
ecuaciones paramétricas de esa recta, se puede tomar y = λ, resultando
z = 1 + λ, x = 1 − λ.
Ej. 4. Posiciones relativas de los planos de ecuaciones paramétricas
(x, y, z) = (1, 0, 1) + λ(1, 1, 0) + µ(0, 1, −1)
(x, y, z) = (0, 0, 3) + t(1, 2, −1) + s(2, 1, 1).
Igualando las correspondientes coordenadas resulta
1 + λ = t + 2s λ + 0µ − t − 2s = −1
λ + µ = 2t + s =⇒ λ + µ − 2t − s = 0
1−µ=3−t+s 0λ − µ + t − s = 2.
Si ahora omitimos de escribir las variables, pero mantenemos su orden
λ, µ, t, s, y agregamos una columna con los términos independientes, ten-
dremos las siguientes matrices de coeficientes (primero la original, y luego
la escalerizada)
⎛ ⎞ ⎛ ⎞
1 0 −1 −2 −1 1 0 −1 −2 −1
⎜ ⎟ ⎜ ⎟
⎝ 1 1 −2 −1 0 ⎠ =⇒ ⎝ 0 1 −1 1 1 ⎠.
0 −1 1 −1 2 0 0 0 0 3
El sistema es por tanto incompatible dado que sumando cero de cada una
de las variables deberı́amos obtener 3. Los planos no se cortan, ellos son
paralelos. Observar que de acuerdo con lo observado en la sección tres los
vectores directores del segundo plano son combinación lineal de los vectores
directores del primer plano:
(1, 2, −1) = (1, 1, 0) + (0, 1, −1),
(2, 1, 1) = 2(1, 1, 0) − (0, 1, −1).
CAPı́TULO 5
PRODUCTO ESCALAR Y VECTORIAL
5.1. Producto escalar
DEFINICIÓN 5.1. Dado un vector v ∈ V llamamos norma de v al núme-

−−
→
ro d(A, B) con v = AB,que notaremos: ∥v∥ (Observar que d(A, B) no de-
pende del par de puntos (A, B) que se elija como representante de v ).
Propiedades:
1) ∥v∥" 0; ∥v∥= 0 si y solo si v = 0.
2) ∥av∥ = |a| ∥v∥ para todo a ∈ R y para todo v ∈ V
3) ∥u + v∥ # ∥u∥ + ∥v∥, para todo u, v ∈ V
Demostración
1) Es inmediato.
−−
→
2) Si a = 0 es trivial. Si a ̸= 0 y v = AB, por definición del producto
−→
de un número por un vector , av = AC, donde d (A, C) = |a| d (A, B). Luego
∥av∥ = d (A, C) = |a| d (A, B) = |a| ∥v∥.
3) Un lado de un triángulo es menor o igual que la suma de los otros
dos (es la propiedad triangular de geometrı́a métrica).
v
Diremos que v es un versor si ∥v∥ = 1. Para todo v ̸= 0 se tiene que ∥v∥ es
E E
E v E 1
un versor pues E ∥v∥ E = ∥v∥ ∥v∥ = 1.
DEFINICIÓN 5.2. Dados los vectores u y v de V llamamos producto

interno o producto escalar de u por v al número ∥u∥ . ∥v∥ cos θ donde
−
−→ −→
θ es el ángulo BAC de tres puntos tales que AB = u y AC = v. Observar
145
146 5. PRODUCTO ESCALAR Y VECTORIAL
que el producto escalar no depende de los puntos A, B, C que se elijan para

representar u y v.
Notación: u.v ; < u, v > , (u, v) ; etc.

√
En particular v.v = ∥v∥2 ; luego ∥v∥ = v.v.
Si u es un versor, es decir, si ∥u∥ = 1, entonces u.v = ∥v∥ cos θ = p es la
proyección del segmento AC sobre la recta AB de la figura.
Propiedades:
4) u.v = v.u
5) (a.u) .v = u. (a.v) = a. (u.v)
6) (u1 + u2 ) .v = u1 .v + u2 .v ; u. (v1 + v2 ) = u.v1 + u.v2 .
7) v.v " 0 y v.v = 0 si y sólo si v = 0
Demostración:
4) Es inmediato.
5) Si a = 0 la demostración es trivial . Si a " 0, áng (au, v) =
áng (u, v) = θ, luego
( a.u ) .v = ∥au∥ . ∥v∥ cosθ = |a| . ∥u∥ . ∥v∥ cos θ = a (u.v).
Si a < 0 , áng (au, v) = π + áng (u, v) = π + θ, luego ( a.u ) v =
∥a.u∥ ∥v∥ cos (π + θ) = − |a| ∥u∥ ∥v∥ cos θ = a ∥u∥ ∥v∥ cos θ =a(u.v).
6) Consideremos primero el caso ∥u∥ = 1. Entonces v1 .u = p1 , v2 .u =
p2 . (v1 + v2 ) u = p (proyección de u1 + u2 ). Es claro que p = p1 + p2 , luego
(v1 + v2 ) .u = v1 .u + v2 .u. (ver figura)
5.1. PRODUCTO ESCALAR 147
E Consideremos
E ahora el caso general. Por el razonamiento anterior, como
E u′ E u u u
E ∥u∥ E = 1, tenemos (v1 + v2 ) . ∥u∥ = v1 . ∥u∥ + v2 . ∥u∥ , luego (v1 + v2 ) .u =
v1 .u + v2 .u
7) Es inmediata pues v.v = ∥v∥2 .
DEFINICIÓN F− 5.3. Dos vectores u, v se dicen ortogonales si u .v = 0.

→ −→ − →G
Una base i , j , k (a partir de aquı́ no escribiremos la flecha −
→
. ) se
dice ortogonal si i · j = i · k = j · k = 0. La base se dice ortonormal si
además de ser ortogonal verifica que ∥i∥ = ∥j∥ = ∥k∥ = 1.
Diremos que {O, i, j, k} es un sistema ortogonal de coordenadas si
{i, j, k} es ortonormal.
En el resto de esta sección supondremos que todos los sistemas de coor-

denadas son ortonormales. En tal caso dados:
7
v = a1 i + a2 j + a3 k y w = b1 i + b2 j + b3 k se tienev.w = ai bi .
i=1,2,3
√ %
En particular: ∥v∥ = v.v = a21 + a22 + a23 .
−−→
Si P = O + a1 i + a2 j + a3 k y Q = O + b1 i + b2 j + b3 k entonces P Q =
Q − P = (b1 − a1 ) vH
1 + (b2 − a2 ) v2 + (b3 − a3 ) v3 , luego
d (P, Q) = ∥P Q∥ = (b1 − a1 )2 + (b1 − a1 )2 + (b3 − a3 )2 .
5.2. Aplicaciones a la geometrı́a: ángulos y distancias
Ya vimos que toda ecuación de la forma ax + by + cz + d = 0 representa

un plano y recı́procamente. Suponiendo que el sistema de coordenadas sea
ortogonal volveremos a obtener esa ecuación y mostraremos que en ese caso
se puede obtener más información de esta ecuación.
Sea {O, i, j, k} un sistema ortogonal de coordenadas, P0 = (x0 , y0 , z0 )

un punto de un plano π y n = ai + bj + ck ̸= 0 un vector de la dirección de
una perpendicular a π (para abreviar diremos que n es un vector normal a
π). Entonces, para todo P ∈ π, P = (x, y, z), vale n · (P − P0 ) = 0, de
aquı́ resulta:
a (x − x0 ) + b (y − y0 ) + c (z − z0 ) = 0
Esta es entonces la ecuación del plano dado por un punto y la dirección

de la normal. Es claro que esa ecuación también se escribe en la forma:
ax + by + cz + d = 0.
Recı́procamente, dada una ecuación ax+by+cz+d = 0, con a2 +b2 +c2 ̸=
" #
0 (por ejemplo, c̸= 0), resulta : ax + by + c z + dc = 0. Si el sistema de
coordenadas es ortogonal esto equivale a:
3 3 4 4
d
(av1 + bv2 + cv3 ) . xv1 + yv2 + z + v3 = 0.
c
5.2. APLICACIONES A LA GEOMETRÍA: ÁNGULOS Y DISTANCIAS 149
Poniendo P = (x, y, z), P0 = (0, 0, −d/c) y n = av1 +bv2 +cv3 , esta ecuación
se escribe: n. (P − P0 ) = 0. Por tanto, es la ecuación del plano perpendicular
a π por P0 .
OBSERVACIÓN 5.1. Si el sistema de coordenadas no es ortogonal, la

ecuación ax + by + cz + d = 0 también representa un plano como vimos
antes, pero en ese caso el vector av1 + bv2 + cv3 no tiene por que ser normal
al plano.
Veremos ahora algunas consecuencias de esto, siempre con la hipótesis

de que el sistema de coordenadas es ortonormal.
a ) condición para que dos planos sean paralelos: ax+by+cz+d =

0 y a′ x + b′ y + c′ z + d′ = 0 son paralelos si y sólo si a′ = λa, b′ = λb, c′ = λc
para algún λ ∈ R, (λ ̸= 0).
b ) condición para que una recta y un plano sean paralelos:

x−x
Dados el plano y la recta de ecuaciones ax + by + cz + d = 0 y p 0 =
y−y0 z−z
q = r 0 , son paralelos si y sólo si pa + qb + rc = 0, pues esto significa
que n.v = 0 , donde n es normal al plano y v es un vector de la dirección
de la recta.
c ) ángulo entre dos planos: Para dos vectores cualesquiera, u ̸= 0,

u.v
v ̸= 0, tenemos ∥u∥.∥v∥ = cos θ. Como el ángulo θ entre dos planos es igual al
n .n
que forman sus vectores normales respectivos, tendremos: cos θ = n 1 2n
∥ 1∥ ∥ 2∥
donde n1 y n2 son vectores normales a esos planos: luego el ángulo θ entre
los planos de ecuaciones ax+by+cz+d=0 y a’x+b’y+c’z+d’=0 verifica:
aa′ + bb′ + cc′
cos θ = √ %
a2 + b2 + c2 . a′ 2 + b′ 2 + c′ 2
d ) Ángulo de una recta con un plano: Sean n un vector normal
al plano y v un vector de la dirección de la recta . El ángulo del plano con
la recta es entonces θ = π/2 − ϕ donde ϕ es el ángulo determinado por n
x−x y−y z−z0

y v. Luego el ángulo de ax+by+cz+d =0 con p 0 = q 0 = r se puede
calcular mediante:
ap + bq + cr
sen θ = cos ϕ = √ %
a2 + b2 + c2 p2 + q 2 + r 2
x−x0 y−y0 z−z0
e ) Ángulo de dos rectas: El ángulo θ de p = q = r con
x−x1 y−y1 z−z1
p′ = q′ = r′ se calcula mediante la fórmula
pp′ + qq ′ + rr ′
cos θ = % % .
p2 + q 2 + r 2 p′ 2 + q ′ 2 + r ′ 2
f ) Distancia de un punto a un plano: Definimos la distancia d (Q, π)
de Q al plano π como el mı́nimo de d(Q,P) donde P ∈ π. Es claro que el
mı́nimo de d(Q,P) se obtiene cuando P=P1 =π ∩@r, donde r es @la perpendi-
@ n @
cular a π por Q. Luego : d (Q, π) = d (Q, P1 ) = @(Q − P0 ) . ∥n∥ @ , siendo P0
un punto cualquiera del plano π.
Como la ecuación del plano es (P − P0 ) .n = 0, esto significa que d se

obtiene reemplazando P por O=(0,0,0) en el primer miembro de la ecuación
del plano.
Consideremos ahora un sistema ortonormal de coordenadas. Si P0 =

(x0 , y0 , z0 ), Q = (x, y, z), P = (x, y, z), n = ai + bj + ck entonces:
(Q − Po ) · n = a (x − xo ) + b (y − yo ) + c (z − zo ) = ax + by + cz + d.
5.3. APLICACIONES: ECUACIONES DE ALGUNAS SUPERFICIES 151
@ @ @ @
@ n @ @√ @
Luego : d (Q, π) = @(Q − P0 ) . ∥n∥ @ = @ ax+by+cz+d
a2 +b2 +c2
@
5.3. Aplicaciones: ecuaciones de algunas superficies
a) Esferas de centro (x0 , y0 , z0 ) y radio r: En un sistema ortogonal

de coordenadas la ecuación es: (x − x0 )2 + (y − y0 )2 + (z − z0 )2 = r 2
b) Superficies de revolución: Son las engendradas por una curva

(generatriz), que gira alrededor de una recta (eje).
OBSERVACIÓN 5.2. Una curva en el espacio puede darse:

- O bien en forma paramétrica,
⎧ por medio de tres ecuaciones de la
⎪
⎨ x = x (t)
forma y = y (t) t ∈ R
⎪
⎩
z = z (t)
con tres funciones contı́nuas de un parámetro real (para cada valor del
parámetro t se tendrá un punto (x(t),y(t),z(t))=P(t) que está en la cur-
va).
6
f (x, y, z) = 0
- O bien en la forma reducida
g (x, y, z) = 0
Cuando se tienen las ecuaciones paramétricas, a veces puede eliminarse

el parámetro t y obtenerse una forma reducida. Generalmente hay muchos
sistemas de ecuaciones posibles que representan a la misma curva.
OBSERVACIÓN 5.3. Una superficie en el espacio puede darse:

- O bien en forma parametrizada, por medio de tres ecuaciones con dos
parámetros ( como la ecuación paramétrica del plano).
- O bien en forma reducida por medio de una ecuación del tipo: f (x, y, z) = 0.
6
f (x, y, z) = 0
OBSERVACIÓN 5.4. La curva C: es la intersección
g (x, y, z) = 0
de dos superficies S y S ’ donde S: f(x,y,z) = 0 y S’: g(x,y,z) =0.
⃗
6Ecuación de la superficie de 6 revolución con eje Oz Sea r el eje
x=0 x=0
r: , y C la generatriz C:
y=0 z = f (y)
La superficie de revolución S está constituida por todos los puntos P

del espacio que cumplen, a la vez, dos condiciones:
6
P ∈ π ⊥ r por algún P0 ∈ C
d (P, r) = d (P0 , r)
Las condiciones se traducen en:

⎧
⎪
⎪ z − z0 = 0 P ∈ π⊥ , r, por P0
⎪
⎨ x0 = 0 P0 ∈ C
⎪
⎪ z0 = f (y0 ) P0 ∈ C
⎪
⎩ % 2 %
x + y 2 = x20 + y02 , d (P, r) = d (P0 , r)
8 % 9
de donde, eliminando x0 , y0 , z0 se obtiene: z = f ± x2 + y 2 .
OBSERVACIÓN 5.5. Dada una ecuación F(x,y,z) = 0 no intentaremos,

en general, reconocer si es o no una superficie de revolución. Observaremos
sólo que si se halla una familia de planos paralelos ( es decir ax+by+cz+α =
0 con (a, b, c) fijo y α variable ) que cumplan las condiciones de más abajo,
entonces F(x,y,z) = 0 es una superficie de revolución que verifica (ver figura
3.3): 6
F (x, y, z) = 0
i ) La intersección es una circunferencia para
ax + by + cz + α = 0
cada valor de α.
ii) El centro de la circunferencia (xα , yα , zα ) pertenece, para todo α, a
una recta fija r colineal al vector (a,b,c) (o sea perpendicular a la familia
de planos paralelos ).
EJEMPLO 5.1. Demostrar que xy+yz+zx = 7 es una superficie de revo-

lución.
" #
Se puede escribir como: (x + y + z)2 − x2 + y 2 + z 2 = 14 Cortándola
en el plano:x + y + z + α = 0 se obtiene:
6
x+y+z+α=0
" #
(x + y + z)2 − x2 + y 2 + z 2 = 14
i ) Es una circunferencia porque es la intersección de la esfera x2 +y 2 +z 2 =

14 + α2 con el plano x + y + z + α = 0. ii ) El centro Cα de la circunferencia
se halla trazando la perpendicular al plano x + y + z + α = 0 que pasa por
el centro de la esfera x2 + y 2 + z 2 = 14 + α2 , o sea:
⎧
⎪
⎨ x+y+z+α=0
Cα = x = y = z recta por (0, 0, 0) ⊥
⎪
⎩
al plano, x + y + z + α = 0
⎧
⎪
⎨ x = −α/3
Cα = y = −α/3
⎪
⎩
z = −α/3
es una recta colineal al vector (−1/3, −1/3, −1/3) o sea, colineal con ( 1,1,1).
!
c ) Conos: Se llama “cono” o “superficie cónica” de vértice V y direc-

triz C ( donde V es un punto y C es una curva dada , tales que V∈C / ), a
la superficie engendrada por todas las rectas que pasan por V y cortan a C.
⎧
⎪
⎨ x = f (t)
Si V = (a, b, c) y C = y = g (t)
⎪
⎩
z = h (t)
La ecuación paramétrica del cono se puede obtener con los parámetros

t y λ como:
⎧
⎪
⎨ x = a + λ ( f ( t) − a)
S = y = b + λ ( g (t) − b )
⎪
⎩
z = c + λ ( h (t) − c )
Para escribir la ecuación reducida habrá que eliminar los parámetros t, λ,
para obtener una ecuación del tipo
F(x,y,z) = 0.
EJEMPLO 5.2. Hallar las ecuaciones ⎧ reducidas y paramétrica del cono de

⎪
⎨ x = sen t
vértice V = (0, 0, 0) y generatriz y = cos t . La ecuación parametri-
⎪
⎩
z = 1
⎧
⎪
⎨ x = λ sen t
zada es: y = λ cos t Despejando t y λ se obtiene la ecuación reducida
⎪
⎩
z = 1 + λ
x2 + y 2 = (z − 1)2 . !
d ) Cilindros: Se llama “cilindro” o “superficie cilı́ndrica” de directriz

C y generatriz colineal al vector v = (a, b, c) a la superficie engendrada por
todas las rectas colineales⎧ al vector v que cortan a la curva C.
⎪
⎨ x = f (t)
Si v = (a, b, c) y C = y = g (t) Un punto P = (x, y, z) pertenece al
⎪
⎩
z = h (t)
cilindro si y sólo si existe algún punto P0 = (x0 , y0 , z0 ) tal que:
6
P0 ∈ C
P ∈, recta por P0 colineal a v
. Entonces, las ecuaciones paramétricas del cilindro son:

⎧
⎪
⎨ x = f ( t) + λa
S = y = g (t) + λb
⎪
⎩
z = h (t) + λc
de las que habrá que eliminar los parámetros t, λ, para obtener la ecuación
reducida del tipo F (x, y, z) = 0.
OBSERVACIÓN 5.6. La curva C también puede estar dada como

6
f (x, y, z) = 0
C:
g (x, y, z) = 0
en cuyo caso se trabajará análogamente , pero con un parámetro menos.
OBSERVACIÓN 5.7. Una ecuación F (x, y, z) = 0 en la que no figura la

variable z, por ejemplo, representa un cilindro de generatrices colineales con
el eje Oz. Si P0 = (x0 , y0 , z0 ) verifica la ecuación F (x0 , y0 , z0 ) = 0, entonces
tomando x = x0 , y = y0 , z = z0 + λ (eso es la recta por Po colineal con
(0,0,1) ), se tiene F (x0 , y0 , z0 + λ) = F (x0 , y0 , z0 ) = 0 porque F es, en
realidad, independiente de z. O sea: cuando Po está en la superficie, toda
la recta por la colineal al eje Oz también la está.
5.4. PRODUCTO VECTORIAL. 157
EJEMPLO 5.3. x2 + y 2 = 4 es un cilindro con generatrices

6 paralelas al
2 2
x +y =4
eje Oz y directriz, por ejemplo, en la circunferencia
z=0
5.4. Producto vectorial.
−
→ −→ −→
Consideremos la terna ordenada de vectores de V , { i , j , k }, que cons-
tituye una base de V . Estas las vamos a clasificar en dos grupos: uno formado
por las ternas {i, j, k} tales que para un observador parado en v3 , la rotación
de ángulo convexo (o sea, de medida < π) que lleva i en j es de sentido anti-
horario; el otro formado por las ternas en las que esa rotación tiene sentido
horario.
Para definir el producto vectorial necesitamos elegir uno de los dos tipos
como terna preferida. Nos quedaremos para esto con las ternas del primer
tipo que llamaremos positivas.
Esta convención sirve para definir el producto vectorial como una función
de V ×V en V (ası́ como el producto escalar era una función de V ×V en R)
que a cada par de vectores v, w le asocia un vector, que denotaremos v ∧ w,
que cumple:
a) ∥v ∧ w∥ = ∥v∥ . ∥w∥ .sen θ (θ ángulo de v con w )
b) (v ∧ w) .v = 0 y (v ∧ w) .w = 0
c) Si v ̸= 0 y w ̸= 0 la terna {v, w, v ∧ w} es positiva.
Propiedades:
1) ∥v ∧ w∥ es el doble del área del triángulo determinado por esos vec-
tores.
2) v ∧ w = 0 si y sólo si v y w son colineales (en particular, si alguno de
ellos es el vector 0).
3) Respecto de la condición c) de la definición, corresponde observar que
si v ∧ w ̸= 0 la terna {v, w, v ∧ w} es una base, pues por b) esos vectores no
son coplanares salvo que v y w sean colineales, en cuyo caso v ∧ w = 0
4) v ∧ w = − (w ∧ v) ( en particular, esta operación no es conmutativa)
Para verificar esto basta notar que si para cierto observador la rotación del
ángulo < π que lleva v en w es de sentido antihorario, para el mismo obser-
vador la que lleva w en v es de sentido horario. De modo que el observador
debe ubicarse del lado opuesto del plano u,w para que esa rotación aparezca
de sentido trigonométrico . Luego esa debe ser la ubicación de w ∧ v para
que la terna [w, v, w ∧ v] sea positiva.
5) Este producto no es asociativo. Se puede deducir que:
(u ∧ v) ∧ w + (v ∧ w) ∧ u + (w ∧ u) ∧ v = 0
de donde, usando 4), (u ∧ v) ∧ w = u ∧ (v ∧ w) + v ∧ (w ∧ u), y como en

general v ∧ (w ∧ u) ̸= 0, la propiedad asociativa no vale.
5.4. PRODUCTO VECTORIAL. 159
6) Para todo λ ∈ R: λ (v ∧ w) = (λv) ∧ w = v ∧ (λw). Esta propiedad se

deduce directamente de la definición en el caso λ " 0. Para el caso λ < 0, hay
que observar que del hecho que la terna {v, w, v ∧ w} es positiva se deduce
que {−v, w, − (v ∧ w)} y
{v, −w, − (v ∧ w)} son también positivas.
7) El producto vectorial es distributivo respecto de la suma de vectores.
Esto es:
a) (v1 + v2 ) ∧ w = v1 ∧ w + v2 ∧ w.
b) v ∧ (w1 + w2 ) = v ∧ w1 + v ∧ w2 .
Para demostrar esta propiedad hacemos algunas observaciones previas. En
primer lugar, observamos que llamando π al plano con vector normal v e
indicando por p w la proyección de w sobre ese plano, y con r(pw) el vector
que se obtiene rotando esa proyección un ángulo de medida π/2 en sentido
antihorario observado desde v, se verifica que: v ∧ w = ∥v∥ .r (pw) pues
∥r (pw)∥ = ∥pw∥ = ∥w∥ .sen θ (ver figura)
Como p (w1 + w2 ) = pw1 + pw2 y r (pw1 + pw2 ) = r (pw1 ) + r (pw2 ) ten-

dremos que: v∧(w1 ∧ w2 ) = ∥v∥ .r (p (w1 + w2 ))= ∥v∥ .r (pw1 )+∥v∥ .r (pw2 ) =
v ∧ w1 + v ∧ w2 .
Ası́ se prueba b) y análogamente se obtiene a).
8) Si {i, j, k} es una base ortonormal positiva de V , entonces:
i ∧ i = j ∧ j = k ∧ k = 0;
i ∧ j = k; j ∧ k = i; k ∧ i = j
(es decir, en la sucesión (i, j, k, i, j, · · · ) el producto de dos vectores sucesivos

da el que le sigue):
j ∧ i = −k, k ∧ j = −i; i ∧ k = −j
9) De 4.6), 4.7) y 4.8) resulta que si v = a1 i + a2 j + a3 k y w = b1 i +

b2 j + b3 k. entonces:
v ∧ w = (a2 b3 − a3 b2 ) i − (a1 b3 − a3 b1 ) j + (a1 b2 − a2 b1 ) k.
Obsérvese que este resultado puede recordarse pensando en el desarrollo por

la primer fila de un determinante:
@ @
@ i j k @@
@
@ @
@ a1 a2 a3 @ = (a2 b3 − a3 b2 ) i − (a1 b3 − a3 b1 ) j + (a1 b2 − a2 b1 ) k
@ @
@ b1 b2 b3 @
5.5. APLICACIONES GEOMÉTRICAS. 161
Esta expresión del producto vectorial puede también tomarse como su de-
finición. Más precisamente, dada una terna ortonormal cualquiera {i,j,k }
(positiva o negativa), puede definirse el producto de dos vectores por la
expresión dada en 4.9). Se comprueba entonces sin dificultad que el vec-
tor: u = (a2 b3 − a3 b2 ) i − (a1 b3 − a3 b1 ) j + (a1 b2 − a2 b1 ) k verifica ∥u∥ =
∥v∥ . ∥w∥ .sen θ y u.v = u.w = 0. Si además {i, j, k} es una terna positiva
puede verificarse, que {v, w, u} es también positiva. Luego u = v ∧ w , por
lo tanto esta definición de v ∧ w coincide con la inicial.
5.5. Aplicaciones geométricas.
a ) Distancia de un punto a una recta: sea r una recta dada por

un punto A y un vector v. La distancia de Q a r es:
∥AQ ∧ v∥
d (Q, r) = |d (Q, A) .sen θ| = ∥AQ∥ .sen θ =
∥v∥
Si A = (xo , yo , zo ); Q = (x, y, z); v = ai + bj + ck entonces la distancia

es d(Q, r) =
%
[(y − y0 )c − (z − z0 )b]2 + [(x − x0 )c − (z − z0 )a]2 + [(x − x0 )b − (y − y0 )a]2
√
a2 + b2 + c2
EJEMPLO 5.4. En el punto 3 de este 6 capı́tulo se vieron

6 algunas super-
x=y x=0
ficies de revolución particulares. Sea r C : . Hallar la
z=0 zy = 1
superficie de revolución de eje r y generatriz C.
Las ecuaciones son:
⎧
⎪
⎪ x0 = 0, P0 ∈ C
⎪
⎨ z y = 1, P ∈ C
0 0 0
⎪
⎪ x − x0 + y − y0 = 0, plano, π, por, P0 ⊥r
⎪
⎩ 2
2z + (x − y) = 2z02 + (x0 − y0 )2 , dist (P, r) = dist (P0 , r)
2
" #
eliminando x0 , y0 , z0 resulta (x + y)2 z 2 − 2xy = 1 !
b)Intersección
6 de dos planos no paralelos:
ax + by + cz + d = 0
Sea r : una recta (dada como intersección
a′ x + b′ y + c′ z + d′ = 0
de dos planos no paralelos). Supongamos que queremos las ecuaciones pa-
ramétricas de esa recta, es decir, las de la forma: x = x0 + λp, y = y0 +
λq, z = z0 + λr (o también P = P0 + λv). Para esto se necesita hallar un
punto P0 = (x0 , y0 , z0 ) de la recta y un vector v = p i + q j + r k de la direc-
ción de r. Esto se puede hacer sin usar el producto vectorial, resolviendo el
sistema de ecuaciones
6
ax + by + cz + d = 0
a′ x + b′ y + c′ z + d′ = 0
Usando el producto vectorial: tomar P0 = (x0 , y0 , z0 ) una solución parti-

cular del sistema de ecuaciones. Si el sistema de coordenadas es ortogonal,
entonces: n = ai + bj + ck y n′ = a′ i + b′ j + c′ k son vectores normales a los
planos, y entonces n ∧ n′ es un vector de la intersección de ambos planos
(luego, está en la dirección de la recta de intersección de ambos).
Luego: n ∧ n′ = (bc′ − b′ c) i− (ac′ − ca′ ) j + (ab′ − ba′ ) k es de la dirección
de r.
5.5. APLICACIONES GEOMÉTRICAS. 163
c ) Distancia entre dos rectas: Se define la distancia d (r, r ′ ) entre

dos rectas r, r ′ como el mı́nimo de d (P, P ′ ) donde P ∈ r y P ′ ∈ r ′ .
Es claro que este mı́nimo se obtiene cuando la recta P P ′ es perpendicular
al mismo tiempo a r y a r ′ . Sea r dada por un punto A ∈ r y un vector v
de su dirección y r ′ por B ∈ r y un vector w.
Para tener d (r, r ′ ): si r y r’ son paralelas: basta tomar el punto A y
hallar dist (A, r ′ ); si r y r ′ se cortan: d (r, r ′ )= 0.
Supongamos ahora que r y r’ no son coplanares. Si s 8es la perpendicular

9
′ ′
común , Po = s ∩ r y P0 = s∩r ′ , entonces: d (r, r ′ ) = d P0 , P0 = d (A, π)
donde π es el plano paralelo a r que contiene a r’. (ver figura) . Como versor
v∧w
de la dirección de s puede tomarse n = ∥v∧w∥ . Luego :
" # 1 @ −→@@
−
@
d r, r ′ = d (A, π) = @(v ∧ w) .AB @
∥v ∧ w∥
d ) Perpendicular común a dos rectas: Si las dos rectas son pa-

ralelas, una perpendicular común es la recta perpendicular a una de ellas
trazada por un punto de la otra. Si se interceptan , el problema es también
fácil de resolver. Supongamos ahora que las dos rectas no son coplanares.
La perpendicular común s está en el plano π de s y r, y en el π’ determi-
nado por s y r ′ . Luego s = π ∩ π ′ . Dada la dirección v de r y la w de r’,
y A ∈ r, B ∈ r ′ , el plano π queda determinado por A,v y v ∧ w. El π’ por
B,w,v ∧ w, pues v ∧ w es un vector de la dirección de s. Las ecuaciones de π
y π’ ası́ obtenidas constituyen un par de ecuaciones que representan la recta
s.
e ) Volumen de un tetraedro: Consideremos un tetraedro dado por

sus vértices A, B, C, D. Su volumen es V = 13 área de la base × altura.
Tendremos: área base = 1/2 ∥(B − A) ∧ (C − A)∥.
Si n es el versor normal a la base, la altura es |n. (D − A)| con n =
(B−A)∧(C−A) |[(B−A)∧(C−A)].(D−A)|
∥(B−A)∧(C−A)∥ . Luego V = 1/6. ∥(B − A) ∧ (C − A)∥ . ∥(B−A)∧(C−A)∥
por lo que V = 1/6. |[(B − A) ∧ (C − A)] . (D − A)|

5.6. PRODUCTO MIXTO 165
5.6. Producto mixto
Es una operación definida de V × V × V en R. Dados tres vectores

u, v, y w, llamamos producto mixto al número (v ∧ w) .u que indicamos v ∧
w.u, o también u. (v ∧ w). Consideremos un sistema ortonormal {i, j, k} y
sean:
v = a1 i + a2 j + a3 k, w = b1 i + b2 j + b3 k, u = c1 i + c2 j + c3 k.
Entonces:
@ @ @ @ @ @
@ a a @ @ a a @ @ a a @
@ 2 3 @ @ 1 3 @ @ 1 2 @
v∧w =@ @i − @ @j +@ @ k.
@ b2 b3 @ @ b1 b3 @ @ b1 b2 @
@ @
@ @ @ @ @ @ @ c c c @
@ a a @ @ a a @ @ a a @ @ 1 2 3 @
@ @ @ @ @ @ @ @
v ∧ w.u = @ 2 3 @ c1 − @ 1 3 @ c2 + @ 1 2 @ c3 = @ a1 a2 a3 @
@ b2 b3 @ @ b1 b3 @ @ b1 b2 @ @ @
@ b1 b2 b3 @
(Por desarrollo por la primer fila de ese determinante)
Usando el hecho de que si se permutan dos filas de una matriz entre sı́ el
determinante sólo cambia de signo, resulta que dos de esas permutaciones
no cambian el determinante; luego:
@ @ @ @ @ @
@ c c c @ @ b b b @ @ a a a @
@ 1 2 3 @ @ 1 2 3 @ @ 1 2 3 @
@ @ @ @ @ @
@ a1 a2 a3 @ = @ c1 c2 c3 @ = @ b1 b2 b3 @
@ @ @ @ @ @
@ b1 b2 b3 @ @ a1 a2 a3 @ @ c1 c2 c3 @
En consecuencia: (v ∧ w) .u = (u ∧ v) .w = (w ∧ u) .v. Es decir, que en la

sucesión (u,v,w,u,v,w ) el producto vectorial de dos vectores sucesivos mul-
tiplicado escalarmente por el siguiente, da lo mismo cualesquiera sean los
tres vectores sucesivos. Se puede entonces hablar del producto mixto de
u, v, w sin indicar si se trata de (u ∧ v) .w o de u. (v ∧ w), pues el resul-
tado es el mismo. Es por esto que se escribe (u,v,w ) como notación para
(u ∧ v) .w = u. (v ∧ w).
Observamos que (v,w,u) = 0 si y sólo si áng(v ∧ w, u) = π/2 o alguno
de los vectores es el nulo. Como áng (v ∧ w, v) = áng (v ∧ w, w) = π/2 ,
para que (v,w,u) = 0 es necesario y suficiente que v, w y u sean coplanares.
(Obsérvese que esto podrı́a sacarse como conclusión del cálculo del volumen
del tetraedro. (v, w, u) = 0 si y sólo si el volumen del tetraedro determina-
do por esos vectores es 0, esto es equivalente a decir que los vectores son
coplanares).
Esta condición permite escribir la ecuación vectorial del plano dado por
tres puntos A, B, C en otra forma. Decir que P pertenece a ese plano equivale
a decir que los vectores P − A, B − A y C − A son coplanares, o sea (P −
A, B − A, C − A) = 0.
Pasando a coordenadas, si P=(x,y,z),A=(a1 , a2 , a3 ), B = (b1 , b2 , b3 ) y
C = (c1 , c2 , c3 ) esta ecuación se escribe:
@ @
@ @ @ x y z 1 @
@ x−a y − a2 z − a3 @ @ @ @
@ 1 @ a a a 1 @
@ @ @ 1 2 3 @
@ b1 − a1 b2 − a2 b3 − a3 @ = 0, ó también: @ @ = 0.
@ @ @ b1 b2 b3 1 @
@ c1 − a1 c2 − a2 c3 − a3 @ @ @
@ c c c 1 @
1 2 3
Para ver esto obsérvese que si se le resta la 2da. fila a la 1ra., la 3da. y la
4ta. filas, el determinante no cambia. Ası́ se tiene:
@ @
@ x−a y − a2 z − a3 0 @@ @ @
@ 1 @ x−a y − a2 z − a3 @
@ a a2 a3 1 @@ @ 1 @
@ 1 @ @
@ @ = @ b1 − a1 b2 − a2 b3 − a3 @ = 0.
@ b1 − a1 b2 − a2 b3 − a3 0 @ @ @
@ @ @ c1 − a1 c2 − a2 c3 − a3 @
@ c −a c −a c −a 0 @
1 1 2 2 3 3
CAPı́TULO 6
ESPACIOS VECTORIALES
En este Capı́tulo se introducirá el concepto básico de este curso, que

es el del tı́tulo . Trataremos de hacer hincapié en las nociones geométricas
simples que son comunes a otras ramas de la matemática y motivar en todo
lo posible en base al concepto de vectores en el espacio ambiente E estudiado
en el capı́tulo sobre Rectas y planos en el espacio.
En muchas ramas de la matemática aparecen conjuntos entre cuyos ele-
mentos se realizan combinaciones lineales. Ya hemos visto tres ejemplos de
esto en nuestro curso: las matrices, las n-uplas y los vectores del espacio
ambiente. Pero el lector puede recordar otros ejemplos como las funciones
continuas y los polinomios con los cual también se opera. En los ejemplos
desarrollados hasta el momento se hizo notar que muchos de los resultados
obtenidos solo dependı́an de las propiedades que tenı́an las operaciones y
no de otras particularidades del ejemplo en cuestión. También hemos ob-
servado que estas propiedades son las mismas en los tres casos abordados
hasta ahora. Eso nos motiva a intentar un desarrollo abstracto de la teorı́a.
Es decir a introducir un conjunto arbitrario con cuyos elementos se supone
se puede operar con propiedades análogas a las que por ejemplo tienen las
operaciones con n-uplas. De este modo se desarrolla de una sola vez una
teorı́a que puede aplicarse a múltiples y a priori disı́miles ejemplos. Natu-
ralmente los ejemplos que nos motivaron y serán una constante fuente de
inspiración para encontrar las definiciones, enunciados y demostraciones de
nuestra teorı́a.
En particular el lector podrá recurrir frecuentemente a motivaciones ba-
sadas en los vectores de E, en las ternas de números o en las matrices, pero
167
168 6. ESPACIOS VECTORIALES
el objeto en estudio es un concepto abstracto, mucho más general, cuya

comprensión y manejo fluido es una de las finalidades principales de este
curso.
Un concepto fundamental que re-aparecerá en este capı́tulo es el de in-
dependencia lineal, cuya definición ya hemos establecido antes y que parece
particularmente simple, pero cuya comprensión en toda su riqueza -nuestra
experiencia lo indica- merece una atención especial. Realizar muchos ejerci-
cios con este nuevo concepto abstracto, comprender bien como se le utiliza en
diversas demostraciones, es una recomendación que hacemos amistosamente
al lector.
6.1. Espacios vectoriales
DEFINICIÓN 6.1. Un espacio vectorial sobre un cuerpo K (que en este

curso será el de los números reales R, o el de los números complejos C), es
una cuádrupla ordenada {V, K, +, ·}
1) Un conjunto V ̸= ∅ cuyos elementos se llamarán vectores.

2) El cuerpo K, cuyos elementos se llamarán escalares.
3) Una operación llamada suma de vectores, y denotada con el sı́mbolo
+ cuyo dominio es el producto cartesiano V × V y cuyo codominio es V
( + : V × V → V quiere decir que u+v está definida para todo par (u,v )
∈ V × V y da como resultado un elemento V ) .
4) Una operación llamada producto de un escalar por un vector, y de-
notada con el sı́mbolo · ; cuyo dominio es K × V y cuyo codominio es
V (· : K × V → V ), que verifica las siguientes propiedades:
Para la suma:
S1) Asociativa: (u + v) + w = u + (v + w) ∀ u, v, w ∈ V
S2) Conmutativa: u + v = v + u ∀ u, v ∈ V
S3) Neutro: Existe un elemento ⃗0 ∈ V , llamado “vector nulo denotado
2
con ⃗0, tal que ⃗0 + u = u + ⃗0 = u, ∀u ∈ V.

6.1. ESPACIOS VECTORIALES 169
S4) Opuesto: Para cada vector u ∈ V , existe un vector llamado “opuesto

de u”, denotado como −u, tal que u + (−u) = (−u) + u = ⃗0.
Para el producto:
P1) α. (β.u) = (α.β) .u
P2) Multiplicación por la unidad del cuerpo: 1.u = u , ∀ u ∈ V
P3) Distributiva respecto de suma de vectores:α. (u + v) = α.u+α.v , ∀ ∈
K, ∀ u, v ∈ V
P4) Distributiva respecto de suma de escalares (α + β) .u = α.u +
β.u , ∀α, β ∈ K, ∀ u ∈ V
OBSERVACIÓN 6.1. En P4) la suma de escalares (suma dentro de K) se

escribió con el sı́mbolo + pero no hay que confundirla con la suma dentro
de V , que se representa también con el sı́mbolo +.
OBSERVACIÓN 6.2. El lector comparará estas propiedades de la defi-

nición de espacio vectorial con las propiedades de los vectores de E, de las
n-uplas de números reales, o de las matrices con sus operaciones de suma y
producto por un escalar.
PROPOSICIÓN 6.3. En todo espacio vectorial {V, K, +, ·}se cumple:

1) el neutro es único.
2) Para cada vector u ∈ V su opuesto −u es único..
Demostración. 1) Sean 0⃗1 y 0⃗2 dos neutros: 0⃗1 = 0⃗1 + 0⃗2 = 0⃗2 , luego son
iguales.
2) Sean (−u)1 y (−u)2 dos opuestos de u:
(−u)1 = ⃗0 + (−u)1 = ((−u)2 + u) + (−u)1 = (−u)2 + (u + (−u)1 ) =
(−u)2 + ⃗0 = (−u)2 , luego coinciden.
OBSERVACIÓN 6.4. A los espacios vectoriales sobre R se los llamará es-

pacios vectoriales reales, o R–espacios vectoriales. A los espacios vectoriales
sobre C, espacios vectoriales complejos, o C–espacios vectoriales. A veces,
por abuso de lenguaje los espacios vectoriales se indican por el conjunto de

vectores V , sobreentendiendo el cuerpo K y las operaciones + y ·.
6.2. Ejemplos de espacios vectoriales
EJEMPLO 6.1. Si V es el conjunto de vectores del espacio, K = V y las

operaciones + y · son las definidas en el capı́tulo 2, obtenemos un espacio
vectorial real.
EJEMPLO 6.2. V es el conjunto de ternas ordenadas de números reales

V = R3 y K =R y definimos las operaciones + y · como sigue:
def
suma: (a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 )
def
producto: λ · (a1 , a2 , a3 ) = (λ.a1 , λ.a2 , λ.a3 ) para todo λ ∈ R y todas las
ternas de R3 .
def
Notación: El sı́mbolo = quiere decir que el miembro de la izquierda
esta siendo definido mediante la expresión de la derecha.
EJEMPLO 6.3. En general si V es el conjunto de las n-uplas ordenadas

de números reales, V = R × R × . . . × R = Rn ,K = R y las operaciones son:
def
(a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 + b1 , a2 + b1 , . . . , an + b1 ) y además
def
λ · (a1 , a2 , . . . , an ) = (λ.a1 , λ.a2 , . . . , λ.an ). Es fácil ver que {Rn , R, +, ·} es
un espacio vectorial sobre R, con ⃗0 = (0, 0, · · · , 0) y − (a1 , a2 , · · · , an ) =
(−a1 , −a2 , · · · , −an ). Las operaciones definidas en este ejemplo se llaman
usuales de Rn .
6.2. EJEMPLOS DE ESPACIOS VECTORIALES 171
EJEMPLO 6.4. Sea V el conjunto de las sucesiones de números reales,

K = R, y las operaciones + y · definidas como sigue:
Dadas {an } y {bn }∈ V , y dado λ ∈ R:
def
{an } + {bn } = (a1 + b1 , a2 + b2 , ..., an + bn , ...) = {an + bn }
(la suma de dos sucesiones es definida como la sucesión que se obtiene su-
mando los términos n-ésimos de las sucesiones dadas),
def
λ · {an } = λ · (a1 , a2 , . . . , an ) = (λ · a1 , λ · a2 , . . . , λ · an ) = {λ · an }
Es fácil comprobar que es un espacio vectorial real . El vector nulo es

la sucesión que tiene todos sus términos iguales a cero. Se verifica además
− {an } = {−an }
EJEMPLO 6.5. Sea P el conjunto de todos los polinomios en una variable

con coeficientes reales, sea K = R, y sean la suma usual de polinomios y el
producto usual de un número por un polinomio. {P, R, +, ·} es un R–espacio
vectorial.
EJEMPLO 6.6. El conjunto de todas las funciones f : [a, b] → R, forma

un R-espacio vectorial, con las operaciones usuales de suma de funciones y
producto de un número real por una función. Es decir:
def def
f+g = h donde h( x) = f(x)+g(x) ∀x ∈ [a, b].
def def
λ · f = k donde k (x) = λf (x) ∀ x ∈ [a, b] .
EJEMPLO 6.7. El conjunto de las n-uplas ordenadas de números comple-

jos V = Cn con las operaciones definidas como en el ejemplo 6.3 tomando
K = C forma un C-espacio vectorial {Cn , C, +, ·)}.
EJEMPLO 6.8. Si K = R, y las operaciones en Cn se definen en forma

análoga al ejemplo anterior (y en forma análoga al ejemplo 6.3), resulta
Cn , R, +, ·} un espacio vectorial real (distinto del ejemplo 6.7 , puesto que
difieren en el cuerpo K).
EJEMPLO 6.9. Las sucesiones de números complejos con la suma de su-

cesiones y el producto de una sucesión por un número complejo definidos en
forma similar al ejemplo 6.4 constituyen un C-espacio vectorial.
OBSERVACIÓN 6.5. En todos los ejemplos anteriores, para verificar que

efectivamente son espacios vectoriales, hay que verificar que se cumplen las
propiedades incluidas en la definición 1.1, para la suma y el producto por
escalares.
EJEMPLO 6.10. Sea V el conjunto de sucesiones de números complejos.

Si K = R, + : V × V → V y · : R × V → V, operaciones éstas definidas
análogamente al ejemplo 6.4 Entonces {V, R, +, ·} es un R-espacio vectorial
distinto al del ejemplo 6.4 y la del ejemplo 6.9
EJEMPLO 6.11. El conjunto {⃗0} es un K-espacio vectorial, donde se define

⃗0+⃗0=⃗0 y α · ⃗0 = ⃗0 , ∀ α ∈ K.
EJEMPLO 6.12. El conjunto de los polinomios de grado menor o igual a

n, en una variable x (este conjunto se indica con Pn ), K = R, y la suma
y producto por un real definido como en el ejemplo 6.5, forman un espacio
vectorial real.
6.2. EJEMPLOS DE ESPACIOS VECTORIALES 173
EJEMPLO 6.13. El conjunto de los polinomios en una variable x, de grado

igual a n, con coeficientes reales, K = R y la suma y el producto defini-
dos como en el ejemplo 6.5, no forman un espacio vectorial ( Estudiar por
qué no).
EJEMPLO 6.14. Con las operaciones usuales {R, C, +, ·} no es un espacio

vectorial.
OBSERVACIÓN 6.6. Se denota u − v a la suma u + (−v) con u, v ∈ V .
PROPOSICIÓN 6.7. 0 · u = ⃗0 , ∀u ∈ V
Demostración. 0 · u = 0 · u + ⃗0 = 0 · u + (u − u) = (0 · u + 1 · u) − u =
(0 + 1) · u − u = 1 · u − u = u − u = ⃗0
PROPOSICIÓN 6.8. α · ⃗0 = ⃗0 , ∀α ∈ K
Demostraci
8 9ón. Sea u8 un vector cualquiera
9 de V, ⃗0 = α · u − α · u =
= α · ⃗0 + u − α · u = α · ⃗0 + α · u − α · u = α · ⃗0 + (α · u − α · u) =
= α · ⃗0 + ⃗0 = α · ⃗0.
PROPOSICIÓN 6.9. Sean α ∈ K , u ∈ V . Entonces , α · u = ⃗0 si y sólo

si : α = 0 y/o u = ⃗0.
Demostración. Directo: Supongamos que α ̸= 0. Como α · u = ⃗0, 1

α ·
" #
(α · u) = α1 · ⃗0 de donde α1 · α · u = ⃗0, o sea 1 · u = ⃗0 entonces, u = ⃗0.
Recı́proco: son las Proposiciones 6.7 y 6.8.
PROPOSICIÓN 6.10. (−1) .v = −v ∀v ∈ V
Demostración. Basta ver que (−1) v es el opuesto de v, es decir
v + (−1) .v = 1.v + (−1) v = (1 + (−1)) v = 0.v = ⃗0

6.3. Subespacios
DEFINICIÓN 6.2. Sea {V, K, +, ·} un espacio vectorial y W ̸= ∅ un

subconjunto no vacio de V. Diremos que W es un subespacio de V, si se
cumple:
a) w1 + w2 ∈ W para todo w1 ∈ W y w2 ∈ W
b) λ w ∈ W para todo w ∈ W y λ ∈ K
Es decir, un subespacio de un espacio vectorial es un conjunto no vacı́o,

“cerrado” frente a la suma y al producto de escalares por vectores.
OBSERVACIÓN 6.11. Si W es un subespacio, entonces ⃗0 ∈ W . En efecto

como W ̸= ∅ existe w ∈ W y como W es cerrado para la multiplicación por
escalares λw ∈ W , ∀λ ∈ K. En particular 0.w = ⃗0 ∈ W . La última igualdad
es consecuencia de la Proposición 6.7.
EJEMPLOS DE SUBESPACIOS VECTORIALES
EJEMPLO 6.15. Los primeros ejemplos y los más sencillos, de subespa-

cio vectoriales,
F G son los llamados subespacios triviales. Uno de ellos es
⃗
W = 0 (conjunto formado por un único elemento, el vector nulo). El otro
subespacio trivial es W = V . En ambos casos, W es subespacio de V . !
EJEMPLO 6.16. Sea π un plano del espacio por el origen.

π = {(x, y, z) ∈ R3 : ax + by + cz = 0}.
Entonces π es un subespacio de R3 En efecto π ̸= ∅, pues ⃗0 = (0, 0, 0) ∈ π y
es cerrado para las operaciones. Sean p1 = (x1 , y1 , z1 ) y p2 = (x2 , y2 , z2 ) dos
puntos de π y λ un escalar cualquiera. Verifiquemos primero que la suma es
cerrada
p1 + p2 = (x1 , x2 , x3 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) = q
6.3. SUBESPACIOS 175
y q ∈ π. Para ver que el elemento q pertenece al conjunto π es necesario, dado

que éste esta definido por comprensión, verificar que q cumple las condición
lógica de pertenencia, esto es sus coordenadas deben verificar la ecuación
ax + by + cz = 0
=0, pues p1 ∈π =0, pues p2 ∈π
<" => #? <" => #?
a(x1 +x2 )+b(y1 +y2 )+c(z1 +z2 ) = ax1 + by1 + cz1 + ax2 + by2 + cz2 = 0
Veamos ahora que π es cerrado para la multiplicación por escalares.
λp1 = λ(x1 , y1 , z1 ) = (λx1 , λy1 , λz1 ) = q ′
y q ′ ∈ π pues
=0, pues p1 ∈π
"< => #?
a(λx1 ) + b(λy2 ) + c(λz1 ) = λ ax1 + by1 + cz1 = 0
Si en cambio se considera un plano π que no pase por el origen entonces su
ecuación será ax + by + cz = d con d ̸= 0. Obsérvese que π ̸= ∅ pero ⃗0 ∈
/π
en consecuencia no es un subespacio. Es además fácil ver que no es cerrado
para las operaciones si p1 y p2 son dos puntos de π su suma q = p1 + p2
no pertenece a π tal como se ve en el dibujo. Compruebe el lector esto
analı́ticamente. !
q = p1 + p2
π
p2
p1
⃗0
EJEMPLO 6.17. Sea r un recta por el origen entonces r es un subespacio

vectorial de R3 .
r = {(x, y, z) ∈ R3 : ax + by + cz = 0; a′ x + b′ y + c′ z = 0}
Obsérvese que (x, y, z) ∈ r si y solo si

⎛ ⎞
0 1 x 0 1
a b c ⎜ ⎟ 0
(6.42) ′ ′ ′ ⎝ y ⎠=
a b c 0
z
Sean p1 = (x1 , y1 , z1 ) y p2 = (x2 , y2 , z2 ) dos puntos de r y λ ∈ R entonces
q = p1 + p2 pertenece a r, para verificar esto veremos que las coordenadas
de q = (x1 + x2 , y1 + y2 , z1 + z2 ) verifican la condición 6.42
⎛ ⎞ ⎛⎛ ⎞ ⎛ ⎞⎞
0 1 x1 + x2 0 1 x1 x2
a b c ⎜ ⎟ a b c ⎜⎜ ⎟ ⎜ ⎟⎟
′ ′ ′ ⎝ y1 + y2 ⎠ = ⎝⎝ y1 ⎠ + ⎝ y2 ⎠⎠ =
a b c a′ b′ c′
z1 + z2 z1 z2
⎛ ⎞ ⎛ ⎞
0 1 x1 0 1 x2 0 1
a b c ⎜ ⎟ a b c ⎜ ⎟ 0
= ′ ′ ′ ⎝ y1 ⎠ + ′ ′ ′ ⎝ y2 ⎠ =
a b c a b c 0
z1 z2
> ?< = > ?< =
0
=( 0 ), pues p1 ∈r 0
=( 0 ), pues p2 ∈r
El lector verificara que λp1 = q ′ ∈ r.

Es claro que para verificar que p1 + p2 pertenece a r sólo tuvimos que usar
la propiedad distributiva del producto de matrices por lo tanto en general si
A ∈ Mm×n es una matriz cualquiera y S = {X ∈ Rn : A·X = ⃗0} ⊂ Rn es
el conjunto solución del sistema homogéneo de matriz A entonces S es un
subespacio de Rn .
De hecho veremos más adelante que el recı́proco es verdadero. Es decir que
si S es un subespacio cualquiera de Rn existe A ∈ Mm×n tal que S es el
conjunto solución del sistema homogéneo AX = ⃗0.
Es correcto, entonces afirmar que los subespacios de Rn son exactamente los
conjuntos solución de los sistemas homogéneos de ecuaciones.
Por otra parte, desde un punto de vista más geométrico es natural entonces
pensar esquemáticamente los subespacios de Rn (y de hecho, como veremos

más adelante, los de un espacio vectorial de dimensión finita cualquiera 1
como la generalización de los planos y rectas por el origen de E. !
! $
EJEMPLO 6.18. En {R3 , R, +, ·} W= (a1 , a2 , a3 ) ∈ R3 tales que a3 = 0
entonces W es un subespacio de V.
EJEMPLO 6.19. En {Rn , R, +, ·} sea W = {(a1 , ..., an ) ∈ Rn : ai = 0} con

i fijo 0 < i # n, es decir W es el conjunto de las n-uplas con la i-ésima
componente nula. Entonces W es un subespacio de Rn .
EJEMPLO 6.20. En las sucesiones de números reales (ejemplo 6.4) sea W

el conjunto formado por las sucesiones que a partir de algún término, tienen
todos los términos restantes iguales a cero.
Verificar que W es un subespacio del espacio vectorial V.
EJEMPLO 6.21. Sea P el espacio vectorial de los polinomios definido en el

ejemplo 6.5. Sea Pn el subconjunto de los polinomios de grado menor o igual
que n. Entonces Pn es un subespacio de P. Nótese que si consideramos sólo
el conjunto de polinomios de grado exactamente n con n ≥ 1 no constituyen
subespacio de P pues el polinomio nulo tiene grado 0.
EJEMPLO 6.22. Sea V el espacio vectorial del ejemplo 6.6, y sea C[a, b]
el conjunto de las funciones f que son continuas. f : [a, b] → R. Entonces
C[a, b] es un subespacio de V. Recordar que la suma de funciones continuas
es una función continua, ası́ como también lo es el producto de una función
continua por un escalar.
1
Para entender que es un espacio de dimensión finita véase más adelante la definición
6.8)
EJEMPLO 6.23. En el espacio de las n-uplas de complejos (ejemplo 6.7)

sea W un subconjunto de las n-uplas cuya suma de términos da cero. Se
puede verificar que es un subespacio de Cn .
EJEMPLO 6.24. En el espacio del ejemplo 6.7 {Cn , C, +, ·} sea W el sub-

conjunto de las n-uplas cuyo primer término es 5+2i . Este subconjunto W
no es un subespacio, porque al sumar dos elementos de W, el resultado no
pertenece a W.
EJEMPLO 6.25. Sea {Cn , R, +, ·} el espacio vectorial del ejemplo 6.8 Sea
W ’ el subconjunto formado por las n-uplas de números complejos cuyos
términos tienen parte real igual a cero. Es un subespacio. En este ejemplo es
importante que el cuerpo K sea R y no C. Observar que el mismo subconjunto
W ’, considerado como subconjunto del espacio vectorial {Cn , C, +, ·} no es
un subespacio.
EJEMPLO 6.26. En el ejemplo 6.9 de las sucesiones de números complejos

sobre el cuerpo C, con las operaciones usuales, sea W el subconjunto de
las sucesiones que tienen igual a cero los términos que están en lugar par:
W = {{an } : an ∈ C, a2k = 0}. Entonces W es un subespacio.
TEOREMA 6.12. Si W es un subespacio de {V, K, +, ·} entonces {W, K, +, ·}

con las operaciones + y · “heredadas”de V, es un espacio vectorial sobre el
mismo cuerpo K.
Demostración. Hay que probar que si {V, K, +, ·} es espacio vectorial y

W ⊂ V es subespacio de V entonces {W, K, +, ·} también es un espacio
vectorial es decir se cumplen todas las condiciones de la definición 6.1. Las
operaciones + y · en W son las mismas que en V sólo que restringidas a W
(esto es definidas sólo para los elementos de W ).
Como W es cerrado para las operaciones estas quedan bien definidas es decir
+ : W ×W → W y · : K×W → W . Por otra parte las propiedades asociativa

y conmutativa de la suma y todas las del producto se verifican en W pues
se verificaban para cualesquiera vectores de V y W ⊂ V .
Además en la observación 6.11 vimos que ⃗0 ∈ W y como ⃗0 + v = v + ⃗0 = v,
∀v ∈ V entonces también será esto cierto ∀v ∈ W pues W es un subconjunto
de V . Por lo tanto la suma en W tiene neutro. Resta entonces sólo verificar
la existencia del opuesto. Naturalmente que si w ∈ W ⊂ V es un elemento
cualquiera de W entonces también lo es de V y por lo tanto existe −w ∈ V ,
pero a priori podrı́a ocurrir que −w ∈/ W . Veremos que esto no es posible si
W es no vacı́o y cerrado para las operaciones, en efecto sea w ∈ W , como W
es cerrado para las operaciones se tiene que λw ∈ W, ∀λ ∈ K, en particular
si λ = −1. Por lo tanto (−1)w = −w ∈ W . En ésta última igualdad se uso
la proposición 6.10. Esto prueba la existencia del opuesto en W y concluye
la prueba.
OBSERVACIÓN 6.13. Este teorema permite ver en forma fácil si un cierto

conjunto W sobre un cuerpo K, con ciertas operaciones + y · es un espacio
vectorial. En efecto, en lugar de verificar todas las condiciones de la definición
6.1, alcanza ver si W es un subespacio de algún V, que ya se sepa tiene
estructura de espacio vectorial. Para lo cual alcanza con probar que W es
cerrado con respecto a la suma y cerrado con respecto al producto de un
escalar por un vector.
TEOREMA 6.14. Sean W1 , W2 , ..., Wn , subespacios de un mismo espacio

n
V. Entonces W = ∩ Wi es también un subespacio de V.
i=1
Demostración. En primer lugar W ̸= ∅; en efecto: el vector ⃗0 pertenece a

todos los subespacios Wi , y por lo tanto pertenece también a su intersección
W.
Además W ⊂ V puesto que W ⊂ Wi ⊂ V ∀ i = 1, 2, ..., n
Falta probar que W es cerrado frente a la suma de vectores y al producto

de un escalar por un vector. Sean w y w′ ∈ W , entonces w y w′ ∈ Wi para
cada i = 1, 2, ..., n. Luego w + w′ ∈ Wi ∀ i = 1, 2, ..., n (puesto que Wi son
subespacios). Entonces w + w′ ∈ W .
Ahora sean α ∈ K y w ∈ W . Se tiene w ∈ Wi ∀ i = 1, 2, ..., n. De
allı́ α·w ∈ Wi ∀ i = 1, 2, ..., n (puesto que Wi son subespacios). Entonces α·w
pertenece a la intersección de todos los Wi , o sea a W.
6.4. Subespacio generado e independencia lineal
En esta Sección daremos definiciones de combinación lineal, dependencia

e independencia lineal de vectores en espacios vectoriales cualesquiera, que
generalizan los conceptos vistos en el Capı́tulo 2
DEFINICIÓN 6.3. Sea V un espacio vectorial, v1 , v2 , ..., vn vectores de V.

Decimos que v es combinación lineal (c.l.) de v1 , v2 , ..., vn cuando existen
escalares λ1 , λ2 , ..., λn tales que : v = λ1 v1 + λ2 v2 + ... + λn vn
Si A es un subconjunto no vacı́o de V, se indica con [A] al conjunto de

todas las combinaciones lineales de elementos de A, es decir:
! $
[A] = v ∈ V tales que : v = λ1 v1 + ... + λp vp con λi ∈ K, vi ∈ A ∀i .
TEOREMA 6.15. Sean V un espacio vectorial y A ̸= ∅, A ⊂ V . Entonces

[A] es un subespacio de V.
Demostración. [A] es distinto de vacı́o porque dado algún vector v de A,

se tiene ⃗0 = 0·v ⇒ ⃗0 es combinación lineal de v ⇒ ⃗0 ∈ [A]. Sean ahora v,w
∈ [A]. Esto quiere decir que existen vectores v1 , v2 , ..., vn ; w1 , w2 , ..., wm
pertenecientes a A (no necesariamente distintos) y existen α1 , α2 , ..., αn ;
β1 , β2 , ..., βm tales que v = α1 v1 +α2 v2 +...+αn vn y w = β1 w1 +β2 w2 +...+
βm wm . Entonces v +w = α1 v1 +α2 v2 +...+αn vn +β1 w1 +β2 w2 +...+βm wm .
O sea, v + w es combinación lineal de elementos de A. Hasta ahora hemos
probado que [A] es cerrado respecto a la suma.
6.4. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL 181
Sea ahora λ ∈ K y sea v ∈ [A]. Existen escalares α1 , α2 , ..., αn y vectores

v1 , v2 , ..., vn ∈ A, tales que: v = α1 v1 + α2 v2 + ... + αn vn
Entonces: λ·v = λ· (α1 v1 + α2 v2 + ... + αn vn ) = (λ·α1 ) v1 +...+(λ·αn ) vn
y obtenemos que λv también es combinación lineal de vectores de A. O sea,
[A] es cerrado respecto al producto de un escalar por un vector. Luego, [A]
es un subespacio.
DEFINICIÓN 6.4 (Subespacio generado). Sea V un espacio vectorial, A

un subconjunto de V. Decimos que [A] es el subespacio generado por A.
DEFINICIÓN 6.5 (Conjunto generador). Sea V un espacio vectorial y

S ⊂ V un subespacio decimos que A ⊂ S es un generador de S si [A] = S.
Es decir si cualquier elemento de S es combinación lineal de A. (ver defini-
ción 6.3).
g
Notación: Si A es un generador de S pondremos A −→ S
g
EJEMPLO 6.27. Sea V = R3 y A = {(1, 0, 0), (0, 1, 0)} ¿A−→V ?.
Sea v = (a, b, c) ∈ R3 un vector cualquiera de R3 para que A genere a R3
debemos poder escribir v como combinación lineal de A cuales quiere sean
a,b y c. Sea α1 y α2 reales tales que
⎧
⎪
⎨ α1 = a
(a, b, c) = α1 (1, 0, 0) + α2 (0, 1, 0) ⇐⇒ α2 = b
⎪
⎩
0=c
Es claro que el sistema anterior es compatible si y solo si c = 0 entonces A
no genera R3 . !
EJEMPLO 6.28. Sea V = R3 y S = {(a, b, c) ∈ R3 : c = 0} determinar

un generador de S.
Como v ∈ R3 si y solo si existen a y b reales tal
v = (a, b, 0) = (a, 0, 0) + (0, b, 0) = a(1, 0, 0) + b(0, 1, 0)
g
entonces A = {(1, 0, 0), (0, 1, 0)}−→S. !
EJEMPLO 6.29. Sea V = M2×2 y S = {A ∈ M2×2 : A = At } ⊂ M2×2

el subespacio (verificarlo) de las matrices simétricas
0 1 2 × 2. Determinemos
a b
un generador. Para eso observemos que A = ∈ S si y solo si b = c.
c d
Entonces A ∈ S si y solo si existen a, b, d reales tales que
0 1 0 1 0 1 0 1
a b a 0 0 b 0 0
A= = + + =
b d 0 0 b 0 0 d
0 1 0 1 0 1
1 0 0 1 0 0
a +b +d
0 0 1 0 0 1
60 1 0 1 0 1I
1 0 0 1 0 0 g
Entonces G = , , −→S !
0 0 1 0 0 1
EJEMPLO 6.30. Sea V = P2 y
S = {p ∈ P2 : p tiene termino independiente nulo}
Entonces, sea p tal que p(x) = ax2 + bx + c, p ∈ S si y solo si c = 0 es

decir p ∈ S si y solo si existen a, b reales tales que p(x) = ax2 + bx pero
entonces si ponemos pi ∈ P2 tal que pi (x) = xi , con i = 0, 1, 2 tenemos que
p ∈ S si y solo si existen a y b reales tales que p = ap2 + bp1 . Entonces
g
G = {p2 , p1 }−→S !
PROPOSICIÓN 6.16. Sea V un subespacio vectorial y A un subconjunto

finito de V, o sea A = {v1 , v2 , ..., vn } ⊂ V . Si vk es combinación lineal de
J K
los demás vectores de A, entonces [A] = v1 , v2 , ...vk−1 , vk+1 , ..., vn
Demostración. Toda combinación lineal de vectores de

! $
v1 , v2 , ...vk−1 , vk+1 , ..., vn
es también una c.l. de vectores de A (basta agregar el vector vk multiplicado
J K
por el escalar 0), es decir v1 , v2 , ...vk−1 , vk+1 , ..., vn ⊂ [A].
Ahora hay que probar al revés: que toda c.l. de vectores de A es c.l. de
! $
vectores de v1 , v2 , ...vk−1 , vk+1 , ..., vn . Se sabe que
(6.43) vk = α1 v1 + α2 v2 + ...αk−1 vk−1 + αk+1 vk+1 + ... + αn vn .
Sea u ∈ [A] entonces u es c.l. de A, tendremos:
u = λ1 v1 + λ2 v2 + · · · + λk−1 vk−1 + λk vk + λk+1 vk+1 + · · · + λn vn .

Sustituyendo vk por la expresión (6.43), resulta:
u = (λ1 + λk α1 )v1 + · · · + (λk−1 + λk αk−1 )vk−1 +

+ (λk+1 + λk αk+1 )vk+1 + · · · + (λn + λk αn )vn .
! $
O sea, u es c.l. de v1 , v2 , ...vk−1 , vk+1 , ..., vn como querı́amos probar.
DEFINICIÓN 6.6 (Independencia y dependencia lineal). Sea V un espa-

cio vectorial, A = {v1 , v2 , ..., vn } ⊂ V . Decimos que el conjunto es lineal-
mente independiente (L.I.) si y sólo si dados escalares λ1 , λ2 , . . . , λn tales
que:
λ1 v1 + λ2 v2 + · · · + λn vn = ⃗0
implica λ1 = λ2 = · · · = λn = 0.
Decimos que el conjunto A es linealmente dependiente (L.D.) cuan-
do no es L.I..
Es decir, un conjunto es L.I. cuando la única combinación lineal de sus

elementos que da el nulo es la trivial, esto es la que tiene todos los coefi-
cientes nulos.
Por el contrario es L.D. si existe alguna combinación no trivial (algún coe-
ficiente distinto de cero) de sus elementos que de el nulo.
El lector debe remitirse a la sección 2.5 del capı́tulo 2 por ejemplos en

n
R , no obstante esto veremos aquı́ algunos ejemplos nuevos.
EJEMPLO 6.31. Sea V un espacio vectorial, v ̸= ⃗0 un vector de V.
Entonces {v } es L.I..
F G
EJEMPLO 6.32. Sea V un espacio vectorial, ⃗0 es L.D.
EJEMPLO
F G Sean v1 , v2 , . . . , vn ∈ V (V espacio vectorial ), entonces
6.33.
⃗0, v1 , v2 , ...., vn es l.d !
EJEMPLO 6.34. Sea V = M2×2 y

60 1 0 1 0 1I
1 0 0 1 0 0
G= , ,
0 0 1 0 0 1
entonces G es L.I. en efecto sean λ1 , λ2 , λ3 reales tales que
0 1 0 1 0 1 0 1
1 0 0 1 0 0 0 0
λ1 + λ2 + λ3 = ⇐⇒
0 0 1 0 0 1 0 0
⎧
0 1 0 1 ⎪
λ1 λ2 0 0 ⎨ λ1 = 0
⇐⇒ = ⇐⇒ λ2 = 0
λ2 λ3 0 0 ⎪
⎩
λ3 = 0
entonces G es L.I. !
EJEMPLO 6.35. Sea A = {q1 , q2 , q3 , q4 } ⊂ P2 donde q1 (x) = x+1, q2 (x) =

x2 + x − 1, q3 (x) = x2 + 2x y q4 (x) = x2 − 2, investiguemos la dependencia
lineal de A.
Sean λ1 , λ2 , λ3 , λ4 reales tales que
(6.44) λ1 q1 + λ2 q2 + λ3 q3 + λ4 q4 = ⃗0 ⇐⇒
λ1 q1 (x) + λ2 q2 (x) + λ3 q3 (x) + λ4 q4 (x) = ⃗0, ∀x ∈ R ⇐⇒
λ1 (x + 1) + λ2 (x2 + x − 1) + λ3 (x2 + 2x) + λ4 (x2 − 2) = 0, ∀x ∈ R ⇐⇒
(λ2 + λ3 + λ4 )x2 + (λ1 + λ2 + 2λ3 )x + (λ1 − λ2 − 2λ4 ) = 0, ∀x ∈ R
de donde utilizando el teorema de identidad de polinomios2 se deduce que

(6.44) se cumple si y solo si λ1 ,λ2 , λ3 y λ4 verifican el sistema homogéneo:
⎧
⎪
⎨ λ2 + λ3 + λ4 = 0
(S) λ1 + λ2 + 2λ3 = 0 .
⎪
⎩
λ1 − λ2 − 2λ4 = 0
Escalerizando y resolviendo (S) se deduce que es un sistema compatible
indeterminado y que
! $
Sol(S) = (λ1 , λ2 , λ3 , λ4 ) ∈ R4 : λ1 = λ4 − λ3 , λ2 = −(λ3 + λ4 ), λ3 , λ4 ∈ R
Por lo tanto (S) admite soluciones no triviales y consecuentemente también
(6.44) por lo cual G es L.D.
Observemos también que sustituyendo la solución obtenida en (6.44) se tiene
que ∀ λ3 y λ4 ∈ R
(λ4 − λ3 )q1 − (λ3 + λ4 )q2 + λ3 q3 + λ4 q4 = ⃗0, =⇒
poniendo λ3 = 0 y λ4 = 1 tenemos, q4 = −q1 + q2
Esto es un vector de A resultó combinación lineal de los restantes. !
OBSERVACIÓN 6.17. Las definiciones L.I. e L.D. se dieron para con-

juntos finitos, pero son aplicables también a conjuntos con una cantidad
infinita de vectores en un espacio vectorial. Si A es infinito., A⊂V . V espa-
cio vectorial, decimos que A es L.I. cuando cualquier subconjunto finito de
A es L.I. Decimos que A es L.D. cuando no es L.I. (es decir, cuando algún
subconjunto finito de A es L.D.).
EJEMPLO 6.36. Sea V = P el espacio vectorial de todos los polinomios

de una variable x con coeficientes reales y sea A = {pi ∈ P : i ∈ N},
donde pi (x) = xi . Entonces A es un conjunto L.I. con infinitos elementos,
pues cualquier subconjunto B ⊂ A finito que consideremos contiene una
2
Recordamos al lector el enunciado de este resultado: dos polinomios de coeficientes
reales o complejos son iguales si y solo si los coeficientes de las potencias respectivas son
iguales
cantidad finita de polinomios de diferentes grados lo cual implica que B es

L.I. (verificarlo). !
Veremos ahora un resultado que generaliza la proposición 2.14 del capı́tu-

lo 2 y lo visto en el ejemplo 6.35; un conjunto de más de un vector es L.D.
si y solo si uno de los vectores es combinación lineal de los demás. Más
aún, probaremos que la dependencia lineal se da sólo cuando un vector del
conjunto se puede despejar en función (lineal) de los anteriores.
PROPOSICIÓN 6.18. Sea V un espacio vectorial, y A un conjunto or-

denado contenido en V, que tiene más de un elemento, tal que v1 no es el
vector nulo: A = {v1 , v2 , ..., vn } ⊂ V con n > 1, v1 ̸= ⃗0.
Entonces: A es L.D. si y sólo si existe vk ∈ A (1 # k # n) tal que vk es
! $
combinación lineal de los k-1 vectores anteriores v1 , ..., vk−1 .
Demostración. (⇐)
Sabemos que existe vk ∈ A, 1 # k # n, tal que vk es combinación lineal
de los anteriores:
vk = λ1 v1 + λ2 v2 + ... + λk−1 vk−1
o sea
⃗0 = λ1 v1 + λ2 v2 + · · · + λk−1 vk−1 + (−1)vk + 0 · vk+1 + · · · + 0 · vn .
Tenemos ası́ una combinación lineal de los vectores de A, con no todos

los coeficientes iguales a cero (porque el coeficiente de vk es -1), que da el
vector nulo. Por definición A es L.D.
(⇒)
Ahora, sabiendo que A es L.D. y que v1 ̸= ⃗0, hay que probar que un vk
es combinación de los anteriores vectores de A.
Por ser L.D. existen λ1 , λ2 , . . . , λn escalares no todos nulos tales:
λ1 v1 + λ2 v2 + ... + λn vn = ⃗0.
Sea k el mayor i tal que λi ̸= 0 ⇒ λi = 0 ∀i > k y λk ̸= 0. Resulta k > 1,

porque sino serı́a λ1 v1 = ⃗0, λ1 ̸= 0 ⇒ v1 = ⃗0 (contrario a la hipótesis).
6.5. BASE DE UN ESPACIO VECTORIAL Y DIMENSIÓN 187
Entonces λ1 v1 + · · · + λk vk = ⃗0 y despejando, λk vk = −λ1 v1 − · · · − λk−1 vk−1

y como λk ̸= 0 se deduce que:
λ1 λ
vk = − v1 − ... − k−1 vk−1 .
λk λk
Entonces vk es combinación lineal de v1 , ..., vk−1 como se querı́a probar.
OBSERVACIÓN 6.19. De lo anterior se deduce en particular que un con-

junto es L.D. si y sólo si un vector es combinación lineal de los demás.
COROLARIO 6.20. Sea V un espacio vectorial y A = {v1 , v2 , . . . , vn } un

subconjunto cualquiera entonces A es L.I. si y solo si ningún vector de A es
combinación lineal de los restantes.
6.5. Base de un espacio vectorial y dimensión
La idea central de la Geometrı́a Analı́tica es que, fijado un sistema de

coordenadas a cada punto del espacio le corresponde una única terna or-
denada de números reales. Esto correspondencia permite tratar de manera
analı́tica los objetos geométricos del espacio (i.e. asociar a cada uno de ellos
una ecuación) tal como vimos en el capı́tulo 4. En la construcción que allı́ hi-
cimos, no solo asociábamos coordenadas a los puntos del espacio E sino que
también asociábamos coordenadas a los vectores del espacio V . Veamos como
es posible generalizar esto a un espacio vectorial cualquiera.
DEFINICIÓN 6.7 (Base de un espacio vectorial). Sea V un espacio vec-

torial y A= {v1 , v2 , ..., vn }⊂ V (A finito). Decimos que A es base de V si y
sólo si
a) A es un conjunto L.I.
b) A genera a V , es decir [A] = V .
Notación: Si V es un espacio vectorial y B es una base de V pondremos

b
B −→V .
OBSERVACIÓN 6.21. Sea (V, K, +, ·) un espacio vectorial y S ⊂ V un

subespacio de V . Ya hemos visto que (S, K, +, ·) es él mismo un espacio
vectorial, donde + y · son las operaciones que hereda de V . Una base del
subespacio S es una base del espacio vectorial (S, K, +, ·).
PROPOSICIÓN 6.22. Sea V un espacio vectorial y A = {v1 , v2 , . . . , vn }

un subconjunto cualquiera, entonces A es base de V si y solo si, todo vector
del espacio se escribe en forma única como c.l. de los vectores de A (es decir,
los coeficientes de la c.l. son únicos).
Demostración. (⇒)
En primer lugar, como A genera a V, entonces cualquier vector de V se
puede escribir como c.l. de vectores de A. Veremos ahora que esa combina-
ción lineal es única.
En efecto, supongamos que pueda escribirse un vector v como combina-
ción lineal de A, en dos formas distintas:
v = α1 v1 + · · · + αn vn y v = β1 v1 + · · · + βn vn
Restando ambas igualdades tenemos:

⃗0 = (α1 − β1 ) v1 + · · · + (αn − βn ) vn
La anterior es entonces una forma de escribir el nulo como combinación lineal

de A. Como por hipótesis A es base, entonces en particular A es L.I.. Por
definición de conjunto L.I. los coeficientes de la combinación lineal anterior
deben ser todos ceros y por lo tanto:
α1 = β1 , α2 = β2 , . . . , αn = βn
Consecuentemente las dos formas de escribir v como combinación lineal de

A, son la misma.
(⇐) Supongamos ahora que cada vector de V se escribe de manera única

g
como combinación lineal de A, entonces en particular A−→V , para verifica
que A es base sólo resta ver que A es L.I.. Sean λ1 , λ2 , . . . , λn escalares tales
que
λ1 v1 + λ2 v2 + · · · + λn vn = ⃗0
Hemos escrito el vector nulo como combinación lineal de A Por otra parte
también se tienen que
0v1 + 0v2 + · · · + 0vn = ⃗0.
Pero como cada vector (incluyendo al nulo) sólo se puede escribir de única
manera como combinación lineal de A debe ser λi = 0. ∀i = 1, 2, . . . , n y
consecuentemente A es L.I.
Sea V un espacio vectorial de dimensión finita cualquiera sobre el cuerpo

K y B = {v1 , v2 , . . . , vn } una base de V . Dado un vector v ∈ V cualquiera
la proposición anterior establece que existen únicos escalares α1 , α2 , . . . , αn
tales que
7n
v= αi vi
i=1
llamaremos a estos números las coordenadas en la base B del vector
v. De hecho con un poco más de formalidad podemos definir la función
coordB : V −→ Kn , tal que que a cada vector v le hace corresponder los
coeficientes de la combinación lineal de B que da v. Esto es
def
coordB (v) = (α1 , α2 , . . . , αn )
Obsérvese que el vector v es un elemento del espacio V pero sus coordenadas

sin importar quien sea V son siempre un n-upla de escalares.
EJEMPLO 6.37. Sea V = (Rn , R, +, ·) (o (Cn , C, +·)) el conjunto
C = {(1, 0, 0, ..., 0) , (0, 1, 0, ..., 0) , (0, 0, 1, ..., 0) , ..., (0, 0, 0, ..., 1)}
b coordB
B −→
v coordB (v)
V Rn
es una base de V pues es L.I. y genera V (comprobarlo). El conjunto C se

denomina base canónica de (Rn , R, +, ·) o de (Cn , C, +, ·).
En general el i-esimo vector de la base canónica lo notaremos
i-esimo
lugar
↓
ei = (0, . . . , 0, 1, 0, . . . , 0)
Sea v = (x1 , x2 , . . . , xn ) ∈ Rn un vector cualquiera entonces
v = (x1 , x2 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en
entonces
coordC (v) = (x1 , x2 , . . . , xn ).
Esto es el vector y sus coordenadas en la base canónica coinciden. De hecho

lo que ocurre es que la función coordC : Rn −→ Rn es la función identidad.
En general, como veremos en el próximo ejemplo, un vector de Rn y sus
coordenadas en una base arbitraria no coinciden esto sólo ocurre si la base
considerada es la canónica. !
EJEMPLO 6.38. Sea V = R3 y B = (1, 1, 0), (0, 1, 0), (0, 0, 1) es fácil com-
probar y queda a cargo del lector que B es L.I. verifiquemos que también
genera R3 . En efecto sea (a, b, c) ∈ R3 un vector arbitrario comprobemos

que existen α1 , α2 , α3 escalares tales que
(a, b, c) = α1 (1, 1, 0) + α2 (0, 1, 0) + α3 (0, 0, 1) ⇐⇒

(a, b, c) = (α1 , α1 + α2 , α3 ) ⇐⇒
⎧
⎪
⎨ α1 = a
α1 + α2 = b
⎪
⎩
α3 = c
Y este último sistema es compatible determinado y tiene solución α1 = a,
g
α2 = b − a y α3 = c de donde B −→R3 y por lo tanto es base. Además
(a, b, c) = a(1, 1, 0) + (b − a)(0, 1, 0) + c(0, 1, 0)
por lo tanto
" #
coordB (a, b, c) = (a, b − a, c)
" #
por ejemplo si v = (1, 2, 1) entonces coordB (1, 2, 1) = (1, 1, 1).
En el otro sentido, supongamos que w ∈ R3 es un vector tal que sus coor-
denadas en la base B son coordB (w) = (1, 2, 1) entonces el vector
w = 1(1, 1, 0) + 2(0, 1, 0) + 1(0, 0, 1) = (1, 3, 1).
Es claro que si V = Rn tanto los vectores como sus coordenadas son

n-uplas por lo cual cabe la posibilidad de confundirlos lo cual naturalmente
constituye un grave error.
Hay que aclarar en cada caso, cuando se da una n-upla de Rn , si se trata de
los vectores en si, o si se trata de las componentes en alguna base distinta
de la canónica. Sólo puede omitirse esta aclaración cuando la base es la
canónica. Cuando decimos por ejemplo sea v el vector de R3 tal que v =
(1, 2, 3) estamos indicando la 3-upla (1, 2, 3) por lo que no tiene sentido
preguntar en que base lo estamos expresando.
EJEMPLO 6.39. Sea {Cn , R, +, ·}. Verifı́quese que

{(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)} no es base.
Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es

c.l. del conjunto anterior. Verifı́que que:
C ′ = {(1, 0, . . . , 0), (i, 0, . . . , 0), (0, 1, . . . , 0), (0, i, . . . , 0), . . .

. . . , (0, 0, . . . , 1), (0, 0, . . . , i)}
es base de {Cn , R, +, ·} .
EJEMPLO 6.40. Sea V = M2×2 y

60 1 0 1 0 1 0 1I
1 0 0 1 0 0 0 0
A= , , , ,
0 0 0 0 1 0 0 1
b
entonces
0 1A−→M2×2 , pues es un conjunto L.I. (verificarlo) y además si M =
a b
es una matriz 2 × 2 cualquiera se tiene que
c d
0 1 0 1 0 1 0 1 0 1
a b 1 0 0 1 0 0 0 0
M= =a +b +c +d
c d 0 0 0 0 1 0 0 1
g
de donde A−→M2×2 y por lo tanto es base de M2×2 . Además coordA (M ) =
(a, b, c, d). Obsérvese que aquı́ no hay posibilidad de confundir los vectores
con sus coordenadas pues los primeros son matrices y los segundos 4-uplas
de números.
EJEMPLO 6.41. Sea V = Pn y A = {p0 , p1 , . . . , pn }, donde pi (x) = xi ,

con i = 0, . . . , n. Entonces A es L.I. (verificarlo) y además si p ∈ Pn es un
polinomio cualquiera de grado menor o igual a n tal que p(x) = an xn + · · · +
a1 x + ao entonces
p = a0 p0 + a1 p1 + · · · + an pn
g
por lo tanto A−→Pn y en consecuencia A es base de Pn . Además se tiene
que coordA (p) = (a0 , a1 , . . . , an ). Nuevamente aquı́ no hay posibilidad de
confundirse coordenadas y vectores las primeras son (n + 1)-uplas y los
segundos son polinomios de grado menor o igual a n. !
EJEMPLO 6.42. Sea S = {(x, y, z) : 2x− y + z = 0} deseamos determinar

una base de S. Para esto comencemos hallando un generador. Observemos
que v ∈ S si y solo si existen x y y reales tales que
v = (x, y, y − 2x) = (x, 0, −2x) + (0, y, y) = x(1, 0, −2) + y(0, 1, 1)
g
entonces A = {(1, 0, −2), (0, 1, 1)} ⊂ S −→S. Además es fácil de ver (hacerlo)
que A es L.I. y por lo tanto es un base de S. !
EJEMPLO 6.43. Sea V = M2×2 y S = {A ∈ M2×2 : A = At } hemos

visto en el ejercicio 6.29 que el conjunto
60 1 0 1 0 1I
1 0 0 1 0 0 g
G= , , −→S
0 0 1 0 0 1
b
y de lo visto en el ejercicio 6.34 se sabe que A es L.I. por lo tanto G−→S.
!
TEOREMA 6.23. Sea V un espacio vectorial. Sea A = {v1 , . . . , vn } un

conjunto que genera a V y B = {w1 , . . . , wm } un conjunto L.I. de V. En-
tonces m # n.
Demostración. La idea de la pruebe consiste en construir un algoritmo

que permita sustituir uno a uno los vectores de A con los de B, en cada
paso al sustituir un vector de A por uno de B se obtiene un nuevo conjunto
generador del espacio V . Como el proceso de sustitución no culmina mientras
queden elementos en el conjunto B se prueba que en B hay por lo menos
tantos elementos como en A.
En el primer paso del algoritmo elegiremos un vector conveniente de A y lo
g
sustituiremos el vector wm . Para esto comencemos observando que, A−→V
y por lo tanto wm ∈ B ⊂ V es combinación lineal de A. En consecuencia el
conjunto
A′1 = {wm , v1 , . . . , vn }
es L.D.. Ahora bien, wm ̸= ⃗0, pues wm ∈ B y B es L.I. por lo tanto la
proposición 6.18 asegura que existe en A′1 un vector (que no es el primero)
que resulta combinación de los anteriores. Designemos por vi ∈ A a ese

vector, que será el primero a sustituir. Pongamos, ahora
A1 = A′1 − {vi } = {wm , v1 , . . . , vi−1 , vi+1 , . . . , vn }.

g
Entonces A1 −→V , pues, en virtud de la proposición 6.16 [A1 ] = [A′1 ] = V .
En definitiva al cabo del primer paso se ha obtenido un nuevo conjunto
generador de V substituyendo vi por wm .
Para el segundo paso razonamos en forma análoga eligiendo otro vector de
g
A para ser sustituido por wm−1 : como A1 −→V , wm−1 ∈ B es combinación
lineal de A1 por lo tanto el conjunto
A′2 = A1 ∪ {wm−1 } = {wm−1 , wm , v1 , . . . , vi−1 , vi+1 , . . . , vn }
resulta L.D.. De nuevo observamos que wm−1 ̸= ⃗0, pues wm−1 ∈ B y B es

L.I., por lo tanto la proposición 6.18 asegura que existe un vector en A′2
(que no es el primero) que resulta combinación lineal de los restantes, este
vector no puede ser wm pues si lo fuera deberı́a ser combinación de wm−1
y esto contradice la independencia lineal de B. Designemos por vk ∈ A a
dicho vector (será el segundo vector a sustituir). La proposición 6.16 implica
nuevamente que el conjunto
A2 = A′2 − {vk } = {wm−1 , wm , v1 , . . . , vk−1 , vk+1 , . . . , vi−1 , vi+1 , . . . , vn }
es un generador de V . Al cabo de dos pasos hemos sustituido dos vectores

de A por dos vectores de B y lo hemos hecho de modo que el conjunto
resultante A2 es un generador de V , podemos continuar este procedimiento
de sustitución y el mismo sólo concluirá cuando se terminen los vectores de
B. Cuando esto ocurra o bien los vectores de A se han acabado en simultáneo
con los de B y entonces m = n o bien aún restan vectores de A sin sustituir
y por lo tanto m < n lo cual concluye la prueba.
COROLARIO 6.24. Sea V un espacio vectorial. Si una base tiene n ele-

mentos, entonces todas las demás bases tienen n elementos.
Demostración. Sean A y B bases de V , A con n elementos y B con p

elementos. Como A es L.I. y B es generador, aplicando el teorema 6.23
tenemos n#p. Por otra parte, como B es L.I. y A es generador, aplicando
nuevamente el teorema 6.23, tenemos p # n. O sea n = p.
DEFINICIÓN 6.8 (Dimensión de un espacio vectorial). Sea V un espacio

vectorial. Si existe una base de V que tenga n elementos, se dice que n es la
dimensión de V (obsérvese en virtud del corolario anterior, n no depende
de la base que se halla encontrado). Notaremos dim (V ) = n.
F G
Si V = ⃗0 (ejemplo 6.11), se conviene en decir que V tiene dimensión 0.
F G
Si V ̸= ⃗0 y no existe una base de V con una cantidad finita de elementos,
entonces decimos que la dimensión de V es infinita. Obsérvese que si un
espacio vectorial V contiene un subconjunto L L.I. con infinitos elementos
entonces dim(V ) = ∞. En efecto, V no puede tener una base finita pues si
b g
A ⊂ V es un subconjunto finito y A−→V entonces en particular A−→V pero
como L es L.I. y pose infinitos elementos podemos encontrar un subconjunto
finito L′ ⊂ L L.I. con card(L′ ) > card(A) lo cual contradice el teorema 6.23.
OBSERVACIÓN 6.25. Naturalmente si S ⊂ V es un subespacio del es-

pacio (V, K, +, ·) entonces su dimensión es la dimensión de (S, K, +, ·). Esto
es el número de elementos de una base de S (ver observación 6.21).
EJEMPLO 6.44. En el ejemplo 6.37 vimos que C es una base (la base
b
canónica) de Rn por lo tanto dim(Rn ) = n. De manera análoga C −→(Cn , C, +·)
" #
por lo tanto dim (Cn , C, +, ·) = n. Por el contrario en el ejemplo 6.39 se
vio que C no es base de (Cn , R, +, ·) pero si lo es
C ′ = {(1, 0, . . . , 0), (i, 0, . . . , 0), (0, 1, . . . , 0), (0, i, . . . , 0), . . .

. . . , (0, 0, . . . , 1), (0, 0, . . . , i)}
" #
de donde dim (Cn , R, +, ·) = 2n. Obsérvese que al cambiar el cuerpo, aun-
que no hayamos cambiado el conjunto de vectores, el espacio vectorial cambia
radicálmente al punto que cambia su dimensión. En los ejercicios veremos

que incluso hay ejemplos en los cuales un espacio de dimensión finita puede
transformarse en uno de dimensión infinita cambiando sólo el cuerpo. !
EJEMPLO 6.45. De lo visto en los ejemplos 6.40 y 6.41 se deduce que

dim(M2×2 ) = 4 y dim(Pn ) = n + 1. ¿Cuál es la dimensión de Mm×n ?. !
EJEMPLO 6.46. Sean S = {(x, y, z) : 2x − y + z = 0} ⊂ R3 y S ′ el

subespacio de las matrices 2 × 2 simétricas de lo visto en el ejemplos 6.42 y
6.43 se deduce respectivamente que existe una base de S con 2 elementos y
una base de S ′ con 3 elementos por lo tanto dim(S) = 2 y dim(S ′ ) = 3. !
El siguiente resultado da otra caracterización de una base, de hecho

afirma que un base es un conjunto L.I. “maximal” en el sentido de que
cualquier otro conjunto más grande debe ser L.D.
TEOREMA 6.26. Sea A = {v1 , v2 , ..., vn } ⊂ V . Entonces A es base si y

sólo si A es L.I. y todo conjunto con más de n vectores es L.D.
Demostración. (⇐)
Para probar que A es base , alcanza probar que A es generador de
todo el espacio, puesto que A es L.I. por hipótesis. Para esto veremos que
cualquier vector puede ponerse como combinación lineal de A. Es claro que
los vectores de A son ellos mismos combinación de A ası́ que consideremos
un vector v ∈ V cualquiera tal que v ∈ / A, entonces el conjunto A′ = A ∪ {v}
tiene n + 1 elementos y en consecuencia es por hipótesis un conjunto L.D.
Entonces existen escalares λ1 , λ2 , . . . , λn , λ no todos nulos tales que
(6.45) λ1 v1 + λ2 v2 + · · · + λn vn + λv = ⃗0
Veamos que debe ser λ ̸= 0, ya que si λ = 0 se tendrı́a que
λ1 v1 + λ2 v2 + · · · + λn vn = ⃗0
con algún escalar distinto de cero y esto contradice la independencia lineal

de A asegurada por hipótesis.
Entonces tenemos λ ̸= 0. Despejando v en 6.45 se tiene:

λ1 λ λ
v=− v1 − 2 v2 − ... − n vn
λ λ λ
Hemos probado que v es c.l. de A. Como v es un vector cualquiera de V , se
g
tiene que A−→V , como querı́amos probar.
(⇒)
Tenemos que probar que todo conjunto con más de n vectores es L.D.
Sabemos por hipótesis que A es base y por lo tanto en particular A es
generador de V . Sea W ⊂ V un conjunto cualquiera con m vectores m > n.
Si W fuera L.I. tendrı́amos un conjunto L.I. con mas elementos que un
generador y esto contradice el teorema 6.23, por lo tanto W debe ser L.D.
EJEMPLO 6.47. Sea A = {x2 +x−1, x+1, x2 +3x−3, x2 −1, −x2 +2x+1} ⊂
P2 entonces A es L.D. pues dim(P2 ) = 3 y card(A) = 5 !
OBSERVACIÓN 6.27. De hecho si m > n cualquier conjunto de Rn con m

vectores es necesariamente L.D. Obsérvese que si m < n un conjunto de Rn
con m vectores puede ser tanto L.D. como L.I. (verifique esto construyendo
ejemplos de ambas situaciones).
OBSERVACIÓN 6.28. Sea A un subconjunto de finito de vectores de Rn

en el capı́tulo 2 habı́amos definido el concepto de rango del conjunto como
la mayor cantidad de vectores de A que fueran linealmente independientes.
Ahora podemos observar que el rango de A no es otra cosa que la dimensión
del subespacio generado por A. En particular el rango de una matriz es la
dimensión del subespacio generado por las filas o por las columnas de la
misma.
Los siguiente resultados son útiles para construir bases de subespacios.
TEOREMA 6.29. Sea V un espacio vectorial de dimensión n " 1, A y B

subconjuntos de V (finitos).
Se cumplen las siguientes propiedades:
1) Si B genera a V, existe B’ contenido en B, tal que B’ es base de V.
2) Si A es L.I., existe A’ que contiene a A, tal que A’ es base de V (dicho
de otra forma, todo conjunto generador, contiene a alguna base; y todo L.I.
se puede agrandar hasta formar una base).
Demostración. 1) Sea B = {v1 , v2 , ..., vk }. Si B es L.I., entonces es base

(porque por hipótesis B genera a V ). Si B es L.D., o bien está formado
por un único vector, que tiene que ser el vector nulo (porque B es L.D.),F G
o bien está formado por más de un vector. En el caso en que B = ⃗0 ,
F G
como por hipótesis B genera a V, serı́a el caso en que V = ⃗0 . Pero
este caso está excluido, porque por hipótesis n"1. De esta forma, resta sólo
estudiar el caso en que B es L.D. y está formado por más de un vector. Por
la Proposición 6.18, hay un vector de B, que es combinación lineal de los
demás vectores de B. Quitando ese vector vr de B, se obtiene un conjunto
B1 . Por la proposición 6.16 [B] = [B1 ] y entonces B genera a V.
Si B1 es L.I: ya está probado. Si es L.D. aplicando el mismo razonamiento
a B1 en lugar de B, se obtiene un nuevo conjunto B2 ⊂ B1 ⊂ B tal que
genera a V. Si se repite el razonamiento, se obtendrá finalmente un conjunto
B’ contenido en B, que es L.I. y que se obtuvo de B retirando sucesivamente
aquellos vectores que se expresaban como combinación lineal de los restantes.
Por la proposición 6.16, este conjunto B’ también genera a V. Por definición
es base de V, probando 1).
! $
2) Supongamos A = w1 , ..., wp es un conjunto L.I. Si A genera a V,
entonces A es base y tomamos A’ = A. Si A no genera a V, entonces existe
algún vector de V que no es combinación lineal de A. Llamemos wp+1 a este
! $
vector. Mostremos que: w1 , w2 , ..., wp , wp+1 es L.I.
En efecto: λ1 w1 +λ2 w2 +...+λp wp +λp+1 wp+1 = ⃗0 ⇒ λp+1 = 0, porque

sino se podrı́a despejar wp+1 en función de los demás, y eso no es posible por-
que wp+1 no es c.l. de w1 , w2 , ..., wp . Entonces: λ1 w1 + λ2 w2 + ... + λp wp = ⃗0.
Luego, todos los coeficientes λi son ceros, porque A es L.I. Tenemos entonces
! $
que el conjunto A = w1 , w2 , ..., wp , wp+1 es L.I. Repitiendo la construc-
ción anterior a A1 en lugar de A, vamos agregando vectores hasta obtener
un conjunto L.I. y que genere a V (sea hasta obtener una base de V ). Siem-
pre se llega, en una cantidad finita de pasos, a un conjunto que genere a
V, porque por el teorema 6.26 los conjuntos L.I. no pueden tener mas de n
elementos, donde n es la dimensión del espacio.
El siguiente resultado es particularmente útil cuando se desea encontrar

una base de un espacio del cual se conoce la dimensión, de hecho en este caso
solo es necesario chequear la cantidad de vectores del conjunto candidato y
su independencia lineal
COROLARIO 6.30. Sea V un espacio vectorial de dimensión n . Se

cumplen las siguientes afirmaciones:
1) Todo conjunto linealmente independiente A de n vectores, es base.
2) Todo conjunto de n vectores A que genera a V es base.
Demostración. 1) Si A = {v1 , ..., vn } no genera V, existe v ∈ V tal

que v ∈ / [A]. Entonces {v1 , ..., vn , v} es L.I. (como en la demostración del
teorema anterior) pero tiene n + 1 vectores, lo que contradice el teorema
6.26, absurdo. Luego [A] = V .
g
2) Sea A = {v1 , ..., vn }, con A−→V . Si A es L.D. aplicando el teorema
b
6.29 se sabe que existe A1 " A tal que A1 −→V , y card(A1 ) = p < n.
Luego+ dim (V ) = p < n. Absurdo.
EJEMPLO 6.48. Sea A = {(1, 0, 1, 0), (−1, 0, 1, 0), (0, 1, 0, 1), (0, −1, 0, 1)} ⊂
R4 como es fácil de verifica A es L.I. y como card(A) = 4 = dim(R4 ) enton-
ces A es base de R4 . !
EJEMPLO 6.49. Sea S = [(1, 1, 1), (2, 1, 0), (−1, 0, 1)], hallar una base de
S y determinar su dimensión. Para esto comenzamos por encontrar un ge-
nerador, lo cual obviamente es inmediato, el conjunto
A = {(1, 1, 1), (2, 1, 0), (−1, 0, 1)}
es por definición un generador de S como desconocemos la dimensión del
subespacio no podemos aplicar la proposición 6.30 y debemos verifica si A es
L.I. o no. Es fácil de ver que A es L.D. pues (1, 1, 1) − (2, 1, 0) = (−1, 0, 1).
Entonces A no es base pero de la proposición 6.29 existe A′ ⊂ A que si
lo es. Como el vector (−1, 0, 1) es c.l. de los restantes elementos de A la
g
proposición 6.16 A′ = {(1, 1, 1), (2, 1, 0)}−→S. Es fácil verificar además que
b
A′ es L.I. en consecuencia A′ −→S y por lo tanto dim(S) = 2. !
EJEMPLO 6.50. Sea A = {q1 , q2 , q3 , q4 } donde q1 (x) = x + 1, q2 (x) =

x2 + x − 1, q3 (x) = x2 + 2x y q4 (x) = x2 − 2. Analicemos ahora el subespacio
S = [A] ⊂ P2 . Queremos determinar la dimensión de S. Para eso encontra-
g
remos una base del subespacio. A−→S pero por lo visto en el ejemplo 6.35 A
es L.D., por lo cual debe contener propiamente un subconjunto que sea base.
Para determinar este subconjunto procedemos como en la prueba del teore-
ma 6.29 y determinemos un conjunto A′ " A tal que [A′ ] = [A] eliminando
de A un vector que sea combinación de los restantes. Sabemos del ejemplo
6.35 que q4 es combinación de los restantes elementos de A en consecuencia
consideramos A = {q1 , q2 , q3 } en este caso es fácil ver que q3 = q1 + q2 por lo
g
tanto A′ es también L.D. Eliminando q3 tenemos que A′′ = {q1 , q2 }−→S y
como el lector comprobará A′′ es L.I. y por lo tanto una base de S. Entonces
dim(S) = 2. !
PROPOSICIÓN 6.31. Sea V un espacio vectorial de dimensión finita n.

Sea W un subespacio de V. Entonces W tiene también dimensión finita, que
es menor o igual que n.
F G
Demostración. Si W = ⃗0 , entonces dim W = 0 y ya está probado,
pues 0 #n.
6.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 201
F G
Si W ̸= ⃗0 , alcanza probar que existe una base de W con una cantidad
finita de elementos p. Una vez demostrado eso, por el teorema 6.23 resulta p
# n, pues una base de W, es un conjunto L.I., con p elementos, y una base
de V es un conjunto
F G que genera a todo el espacio, con n elementos.
Como W ̸= ⃗0 entonces existe algún vector w1 ∈ W, w1 ̸= ⃗0. Si {w1 }
genera a W, es base de W, y ya está probado. Si {w1 } no genera a W, existe
un vector w2 ∈ W que no es combinación lineal de w1 .
Afirmamos que {w1 , w2 } es L.I. . En efecto, si λ1 w1 + λ2 w2 = ⃗0, λ2 = 0
pues de lo contrario se podrı́a despejar w2 en función de w1 , lo cual no
es posible porque w2 no es combinación lineal de w1 . Entonces λ2 = 0, y
entonces λ1 w1 = ⃗0. Como w1 ̸= ⃗0 se deduce λ1 = 0.Tenemos ahora que
{w1 , w2 } es L.I. . Si genera a W, ya tenemos una base. Si no genera a W,
existe un tercer vector w3 ∈ W que no es combinación lineal de los dos
primeros. Igual que antes se prueba que el conjunto {w1 , w2 , w3 } es L.I..
Se puede repetir el razonamiento en una cantidad menor que n + 1 de
pasos hasta construir una base de W, porque de lo contrario tendrı́amos un
conjunto L.I. de n + 1 vectores, contradiciendo el teorema 6.26 que dice
que los conjuntos L.I. no pueden tener más de n elementos, donde n es la
dimensión del espacio.
PROPOSICIÓN 6.32. Sea W un subespacio de V, con dim (V ) = n. Si

dim (W ) = dim (V ), entonces W = V.
Demostración. Sea {w1 , ..., wn } base de W. Entonces es L.I. y está for-

mado por n vectores de W ⊂ V . Si v ∈ V ; {w1 , ..., wn , v} es L.D. (por
Teorema 6.26) y como antes, vemos que v se escribe como combinación
lineal de {w1 , ..., wn }, luego {w1 , ..., wn } = V .
6.6. Suma de subespacios y suma directa
DEFINICIÓN 6.9. Suma de subespacios: Sea V un espacio vectorial. se

llama suma de los subespacios V1 , V2 , ..., Vn de V, (y se denota como V1 +
V2 + ... + Vn ) al subconjunto de vectores W definido por:

W = {v ∈ V : ∃, v1 ∈ V1 , v2 ∈ V2 , ..., vn ∈ Vn , v = v1 + v2 + ... + vn }
TEOREMA 6.33. La suma de subespacios de V es unr subespacio de V.
Demostración. Es fácil ver que ⃗0 ∈ W , porque ⃗0 = ⃗0 + · · · + ⃗0 y ⃗0 ∈

Vi ∀i = 1, 2, ..., n. También es sencillo verificar que el vector u se puede
descomponer como suma de un vector de V1 , uno de V2 , · · · , uno de Vn ;
entonces λu también se descompone de esa forma. Es claro que W es cerrado
con respecto al producto por escalares. Para verificar que W es cerrado
respecto a la suma sean u y u’ tales que u = v1 + v2 + ... + vn y u′ =
v1′ + v2′ + ... + vn′ con v1 y v1′ ∈ V1 ; v2 y v2′ ∈ V2 ; ... ; vn y vn′ ∈ Vn . Entonces
u + u′ = (v1 + v1′ ) + (v2 + v2′ ) + ... + (vn + vn′ ), donde v1 + v1′ ∈ V1 ; v2 + v2′ ∈
V2 ; ... ; vn + vn′ ∈ Vn , porque V1 , V2 , ..., Vn son subespacios.
DEFINICIÓN 6.10. Suma directa: Dados los subespacios V1 , V2 , ..., Vn , el

subespacio suma de ellos se llama suma directa cuando todo vector de él
puede expresarse de forma única como suma de vectores de los subespacios
V1 , V2 , ..., Vn . Cuando la suma es directa se representa V1 ⊕ V2 ⊕ ... ⊕ Vn .
EJEMPLO 6.51. Sean en R3 los subespacios V1 = {(a1 , a2 , a3 ) : a3 = 0} y

V2 = {(a1 , a2 , a3 ) : a1 = 0} . Todo vector de R3 se puede escribir como suma
de un vector de V1 y uno de V2 , pero no de forma única:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)
Entonces la suma de V1 y V2 es todo R3 . Pero esta suma no es directa.
TEOREMA 6.34. Si V = V1 ⊕ V2 ⊕ ... ⊕ Vn y si B1 , B2 , ..., Bn son las

bases de V1 , V2 , ..., Vn , respectivamente entonces: B = B1 ∪ B2 ∪ ... ∪ Bn es
una base de V.
Demostración. Probaremos que B genera a V, y que B es L.I.

Todo vector de V es suma de vectores de V1 , V2 , ..., Vn , y a su vez, estos
son combinaciones lineales de sus respectivas bases. Entonces v es c.l.de
6.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 203
la unión de esas bases, que es B. Hemos probado que todo vector de V es

combinación
F lineal
G de B, o sea B genera a V. Veremos queFB es L.I.. Sea B1 G
=
; B2 = {v21 , v22 , ..., v1p2 } ;· · · Bn =
v11 , v12 , ..., v1p vn1 , vn2 , ..., vnpn .
1
Tomemos una combinación lineal de B igualada a ⃗0:
a11 v11 + a12 v12 + ... + a1p1 v1p1 + a21 v21 + a22 v22 + ...
+a2p2 v2p2 + ... + an1 vn1 + an2 vn2 + ... + anpn vnpn = ⃗0;
como ⃗0 ∈ V y V = V1 ⊕ V2 ⊕ ... ⊕ Vn , existe una única manera de expresar el

vector nulo como suma de vectores de V1 , V2 , ..., Vn . Esa única manera tiene
que ser entonces ⃗0 = ⃗0 + ⃗0 + ... + ⃗0.
La combinación lineal de más arriba implica entonces que:
a11 v11 + a12 v12 + ... + a1p1 v1p1 = ⃗0
a21 v21 + a22 v22 + ... + a2p2 v2p2 = ⃗0
···
an1 vn1 + an2 vn2 + ... + anpn vnpn = ⃗0.
Siendo B1 una base de V1 , se tiene que B1 es L.I., y de la primera igualdad

de mas arriba se deduce a11 = a12 = ... = a1n = ⃗0. Análogamente para los
demás coeficientes aij . Entonces tenemos probado que B es L.I.
COROLARIO 6.35. Si V es suma directa de V1 , V2 , ..., Vn entonces dimV =

dimV1 + dimV2 + ... + dimVn
Demostración. Es inmediata a partir de la definición de dimensión y del

teorema anterior.
PROPOSICIÓN 6.36. SeanFVG 1 y V2 dos subespacios de V tales que V =

⃗
V1 + V2 . Entonces, V1 ∩ V2 = 0 si y sólo si V = V1 ⊕ V2 .
Demostración. (⇒)
Supongamos v = v1 +v2 y v ′ = v1′ +v2′ con v1 , v1′ ∈ V1 , v2 , v2′ ∈ V2 . Luego,
v1 − v1′ = v2 − v2′ ∈ V1 y V2 , por lo que , por hipótesis v1 − v1′ = v2 − v2′ = ⃗0,
lo que prueba que la suma es directa.
(⇐)
Sea v ∈ V1 ∩ V2 luego − v ∈ V1 ∩ V2 . Por lo tanto:
⃗0 = v + (−v) = ⃗0 + ⃗0 y por definición de suma directa, ⃗0 = v = −v.
F G
Entonces V1 ∩ V2 = ⃗0 .
CAPı́TULO 7
TRANSFORMACIONES LINEALES.
Las transformaciones lineales son funciones entre espacios vectoriales.

Ellas preservan (mantienen) las estructuras lineales que caracterizan a esos
espacios: los transformados de combinaciones lineales de vectores son las
correspondientes combinaciones de los transformados de cada uno de los
vectores.
Las funciones que mantienen las estructuras caracterı́sticas de los es-
pacios entre los que actúan son de especial importancia porque permiten
”moverse” entre ellos comparando las estructuras que los definen; en par-
ticular, permiten analizar cuán diferentes o semejantes son desde el punto
de vista de esas propiedades (lineales, en el presente caso). En este sentido
las transformaciones lineales son tan importantes en el estudio de los espa-
cios vectoriales, como las isometrı́as o movimientos lo son en la geometrı́a
métrica.
7.1. Transformaciones lineales
DEFINICIÓN 7.1. Sean V y W dos espacios vectoriales sobre el mismo

cuerpo K y T : V → W una función. Diremos que T es una transforma-
ción lineal si satisface :
i) T (u + v) = T (u) + T (v) ∀ u, v ∈ V.
ii) T (a.v) = a. T (v) ∀ a ∈ K, ∀ v ∈ V.
EJEMPLO 7.1. Sean
C 1 = {f : R → R / f es derivable} ⊂ F = {f : R → R} .
205
206 7. TRANSFORMACIONES LINEALES.
La transformación T : C 1 → F tal que T (f ) = f ′ es una transforma-

ción lineal, pues se cumple que
i) T (f1 + f2 ) = (f1 + f2 )′ = f1′ + f2′ = T (f1 ) + T (f2 )
ii) T (α f ) = (α f )′ = α f ′ = α T (f )
EJEMPLO 7.2. Sea V un espacio vectorial y sea λ ∈ K. La función

T : V → V tal que T (v) = λ v es una transformación lineal. Efectivamente:
i) T (v1 + v2 ) = λ (v1 + v2 ) = λ v1 + λ v2 = T (v1 ) + T (v2 )
ii) T (a.v) = λ a v = a λ v = a T (v)
EJEMPLO 7.3. Sea V un espacio vectorial y v0 ̸= ⃗0 un vector fijo de V. La

función T : V → V tal que: T (v) = v + v0 no es una transformación lineal,
pues T (v1 + v2 ) = v1 + v2 + v0 ̸= v1 + v0 + v2 + v0 = T (v1 ) + T (v2 ).
Las propiedades i) y ii) de la definición anterior se pueden resumir de la

siguiente forma:
PROPOSICIÓN 7.1. T : V → W es una transformación lineal si y sólo

si T (a1 v1 + a2 v2 ) = a1 T (v1 ) + a2 T ( v2 ) ∀ a1 , a2 ∈ K ∀ v1 , v2 ∈ V.
Demostración. Sean a1 y a2 escalares y v1 y v2 vectores.

(⇒) T (a1 v1 + a2 v2 ) = T (a1 v1 ) + T (a2 v2 ) = a1 T (v1 ) + a2 T ( v2 ) .
(⇐) En el caso particular en que a1 = a2 = 1 se obtiene T ( v1 + v2 ) =
T (v1 ) + T ( v2 ), y en el caso particular en que a2 = 0 se obtiene T (a1 v1 ) =
a1 T (v1 ) .
PROPOSICI
8 9 ÓN 7.2. Sea T : V → W una transformación lineal. Enton-
⃗ ⃗
ces, T 0 = 0.
8 9
Demostración. T ⃗0 = T (0. v) = 0 . T (v) = ⃗0.
7.1. TRANSFORMACIONES LINEALES 207
PROPOSICIÓN 7.3. Sean V y W espacios vectoriales sobre un mismo

cuerpo con dim (V ) = n, T : V → W y S : V → W transformaciones
lineales. Consideremos una base B = {v1 , . . . , vn } de V. Entonces: T (v) =
S (v) ∀ v ∈ V si y solo si T (vi ) = S (vi ) ∀i = 1, 2, . . . , n.
Demostración. (⇒) Si T y S coinciden en todo el espacio V, en particular

coinciden en los vectores de la base B.
(⇐) Sea v ∈ V . Como B es base de V, existen α1 , . . . , αn ∈ K tales
que v = α1 v1 + . . . + αn vn . Luego, por ser T y S lineales
T (v) = T (α1 v1 + · · · + αn vn ) = α1 T (v1 ) + · · · + αn T (vn )

= α1 S (v1 ) + · · · + αn S (vn ) = S (α1 v1 + · · · + αn vn ) = S (v) .
TEOREMA 7.4. Sean V, W espacios vectoriales sobre un mismo cuerpo

con dim ( V ) = n . Sea {v1 , . . . , vn } una base de V y w1 , . . . , wn ∈ W
arbitrarios. Entonces, existe una única transformación lineal T : V → W
tal que T (vi ) = wi ∀ i = 1 , . . . , n .
Demostración. Existencia: Si v ∈ V existen únicos a1 , . . . , an tales que

C
n
v = ai vi . Definimos entonces T : V → W mediante T (v) =
i=1
C
n
ai wi . Hay que verificar que T es lineal. Sean v y v̄ vectores y λ, µ
i =1
C n Cn
escalares. Tenemos v = ai vi y v̄ = āi vi . Entonces T (λ v + µ v̄) =
3 n i =1 4 i =1
C Cn Cn C
n
=T (λ ai + µ āi ) vi = (λ ai + µ āi ) wi = λ ai vi +µ ai¯vi =
i =1 i =1 i =1 i =1
= λ T (v) + µ T (v̄) . Luego T es lineal por la proposición 7.1
Unicidad: Supongamos que existan T : V → W y S : V → W lineales
tales que T (vi ) = wi y S (vi ) = wi . Entonces T y S coinciden en una
base de V ; y por la proposición 7.3, resulta que T=S.
Hemos probado, pues, que una transformación lineal queda determinada

por los valores que toma sobre una base.
EJEMPLO 7.4. Sea T : R2 → R3 lineal tal que T (1, 2) = (3, −1, 5) y

T (0, 1) = (2, 1, −1) Como {(1, 2) , (0, 1)} es una base de R2 , T está bien
determinada.
Hallemos T (x, y) con (x, y) ∈ R2 .
T (x, y) = T (x (1, 2) + (−2x + y) (0, 1)) = xT (1, 2) + (−2x + y) T (0, 1) =

= x (3, −1, 5) + (−2x + y) (2, 1, −1) = (−x + 2y, −3x + y, 7x − y) .
Ası́ T (x, y) = (−x + 2y, −3x + y, 7x − y).
EJEMPLO 7.5. Sea T : R2 → R2 lineal tal que T (1, 0) = T (0, 1) = (2, 3).
Como {(1, 0) , (0, 1)} es la base canónica de R2 , T esta determinada.
Luego
T (x, y) = T (x (1, 0) + y (0, 1)) = xT (1, 0) + yT (0, 1) =

= x (2, 3) + y (2, 3) = (x + y) (2, 3) .
7.2. Operaciones con transformaciones lineales.
DEFINICIÓN 7.2 (Suma de Transformaciones Lineales). Sean V, W es-

pacios vectoriales sobre un mismo cuerpo K y S : V → W y T : V → W
dos transformaciones lineales. Se define la suma de S y T como la trans-
formación S + T : V → W tal que
(S + T ) (v) = S (v) + T (v) ∀v ∈ V.
.
7.2. OPERACIONES CON TRANSFORMACIONES LINEALES. 209
EJEMPLO 7.6. Sean S : R3 → R2 tal que S (x, y, z) = (x + y + z, x − z)

y T : R3 → R2 tal que T (x, y, z) = (x − y, y + z). Entonces la suma de S y
T es la transformación S + T : R3 → R2 tal que
(S + T ) (x, y, z) = S (x, y, z) + T (x, y, z)
= (x + y + z, x − z) + (x − y, y + z)
= (2x + z, x + y) .
PROPOSICIÓN 7.5. Si S y T son transformaciones lineales, entonces

S + T es una transformación lineal.
Demostración. Sean v1 y v2 vectores, λ y µ escalares. Probemos

(S + T ) (λ v1 + µ v2 ) = λ (S + T ) (v1 ) + µ (S + T ) (v2 ) .
En efecto
(S + T ) (λ v1 + µ v2 ) = S (λ v1 + µ v2 ) + T (λ v1 + µ v2 ) =
= λ S (v1 ) + µ S (v2 ) + λ T (v1 ) + µ T (v2 ) =
= λ [S (v1 ) + T (v1 )] + µ [S (v2 ) + T (v2 )] =
= λ [(S + T ) (v1 )] + µ [(S + T ) (v2 )] .
DEFINICIÓN 7.3 (Producto por un escalar). Se define el producto del

escalar λ ∈ K por la transformación T , como la transformación (λ.T ) :
V → W tal que (λ.T ) (v) = λ .T (v) ∀v ∈ V .
EJEMPLO 7.7. Sea T : R2 → R3 tal que T (x, y) = (x − 2y, x + y, x)

Entonces el producto del escalar λ = 5 por la transformación T es la
transformación 5.T : R2 → R3 tal que
(5.T ) (x, y) = 5.T (x, y) = 5. (x − 2y, x + y, x) =
= (5 − 10y, 5x + 5y, 5x) .
PROPOSICIÓN 7.6. Si T es una transformación lineal y λ un escalar

entonces λT es una transformación lineal.
Demostración. Probemos que

(λT ) (α1 v1 + α2 v2 ) = α1 (λT ) (v1 ) + α2 (λT ) (v2 ) ∀v1 , v2 ∈ V ∀α1 , α2 ∈ K
En efecto (λT ) (α1 v1 + α2 v2 ) = λT (α1 v1 + α2 v2 ) =

= λ [α1 T (v1 ) + α2 T (v2 )] = λα1 T (v1 ) + λα2 T (v2 ) =
= α1 λT (v1 ) + α2 λT (v2 ) = α1 (λT ) (v1 ) + α2 (λT ) (v2 ) .
DEFINICIÓN 7.4 (Composición de Transformaciones Lineales.). Sean

U,V y W espacios vectoriales sobre un mismo cuerpo K, y S : U → V
y T : V → W dos transformaciones lineales. Se define la composición S y T
como la transformación T ◦ S : U → W tal que (T ◦ S) (u) = T (S (u)) .
EJEMPLO 7.8. Sean S : R3 → R2 tal que S (x, y, z) = (2x, y + z) y

T : R2 → R2 tal que T (x, y) = (y, x).
Luego T ◦ S : R3 → R2 es tal que (T ◦ S) (x, y, z) = (y + z, 2x).
PROPOSICIÓN 7.7. Si S y T son lineales, entonces T ◦ S es lineal
Demostración. Probemos que ∀α1 , α2 ∈ K ∀u1 , u2 ∈ V.
(T ◦ S) (α1 u1 + α2 u2 ) = α1 (T ◦ S) (u1 ) + α2 (T ◦ S) (u2 )

En efecto (T ◦ S) (α1 u1 + α2 u2 ) = T (S (α1 u1 + α2 u2 )) =
= α1 T ( S (u1 )) + α2 T ( S (u2 )) = α1 (T ◦ S) (u1 ) + α2 (T ◦ S) (u2 ) .
7.3. IMAGEN Y NÚCLEO DE UNA TRANSFORMACIÓN LINEAL. 211
7.3. Imagen y núcleo de una transformación lineal.
DEFINICIÓN 7.5. Sean V y W espacios vectoriales sobre el mismo cuer-

po K y T : V → W una transformación lineal.
i) Llamaremos núcleo de TFal conjunto de V cuya imagen
G por T es el vector
nulo, es decir N (T ) = ⃗
v ∈ V : T (v) = 0 (también se usará la
notación Ker (T ) para N (T )).
ii) Llamaremos imagen de T al conjunto:
Im (T ) = {w ∈ W : ∃ v ∈ V con w = T (v)} (también se utilizará la
notación T (V ) para Im (T ).)
EJEMPLO 7.9. Se considera la transformación lineal T : R3 → R2 tal que

T (x, y, z) = (x + y + z, 2x + 2y + 2z).
1) Hallemos el núcleo de T.
(x, y, z) ∈ N (T ) ⇔ T (x, y, z) = (0, 0) ⇔ (x + y + z, 2x + 2y + 2z) = (0, 0)
6
x+y+z =0
⇔ ⇔ x+y+z =0
2x + 2y + 2z = 0
! $
Ası́ el N (T ) = (x, y, z) ∈ R3 : x + y + z = 0 .
2) Hallemos la imagen de T.
L
(a, b) ∈ Im (T ) ⇔ existe (x0 , y0 , z0 ) ∈ R3 T (x0 , y0 , z0 ) = (a, b)
⇔ existe (x0 , y0 , z0 ) ∈ R3 tal que (x0 + y0 + z0 , 2x0 + 2y0 + 2z0 ) = (a, b)

6
3 x0 + y0 + z0 = a
⇔ existe (x0 , y0 , z0 ) ∈ R tal que
2x0 + 2y0 + 2z0 = b
6
x+y+z = a
⇔ el sistema es compatible
2x + 2y + 2z = b
6
x+y+z = a
⇔ el sistema es compatible
0 = b − 2a
⇔ b = 2a
! $
Luego: Im (T ) = (a, b) ∈ R2 : b = 2a .
EJEMPLO 7.10. Se considera la transformación lineal T : R3 → R2 tal

que T (x, y, z) = (x + y, y + z).
1) Hallemos el núcleo de T.
(x, y, z) ∈ N (T ) ⇔ T (x, y, z) = ⃗0 ⇔ (x + y, y + z) = 0
6
x+y =0
⇔
y+z =0
! 3
$
Ası́ el N (T ) = (x, y, z) ∈ R : x = −y , z = −y con y ∈ R .
2) Hallemos la imagen de T.
L
(a, b) ∈ Im (T ) ⇔ existe (x0 , y0 , z0 ) ∈ R3 T (x0 , y0 , z0 ) = (a, b)
6
x0 + y0 = a
⇔ existe (x0 , y0 , z0 ) ∈ R3 tal que
y0 + z0 = b
6
x+y =a
⇔ el sistema es compatible.
y+z = b
Como el sistema es siempre compatible, resulta que Im (T ) = R2 .
EJEMPLO 7.11. Se considera la transformación lineal T : P2 → R2 tal

que T (p) = (p (0) , p (1)).
1) Hallamos el núcleo N (T ).
Sea p : p (t) = xt2 + yt + z un polinomio de P2
p ∈ N (T ) ⇔ T (p) = (0, 0) ⇔ (p (0) , p (1)) = (0, 0)
⎧
6 6 ⎪
p (0) = 0 z=0 ⎨ x cualquiera
⇔ ⇔ ⇔ y = −x
p (1) = 0 x+y+z = 0 ⎪
⎩
z=0
! L 2
$
Luego N (T ) = p ∈ P2 p : p (t) = xt − xt con x ∈R
2) Hallemos la imagen de T, Im (T ).
(a, b) ∈ Im (T ) ⇔ existe p0 ∈ P2 tal que T (p0 ) = (a, b) ⇔
⇔ existe p0 ∈ P2 tal que (p0 (0) , p0 (1)) = (a, b)
⇔ existe p0 : p0 (t) = x0 t2 +y0 t+z0 ∈ P2 tal que (x0 , x0 + y0 + z0 ) = (a, b)

6
x0 = a
⇔ existen x0 , y0 , z0 ∈ R tales que
x0 + y0 + z0 = b
6
x=a
⇔ el sistema es compatible.
x+y+z =b
Como el sistema anterior es siempre compatible, resulta que Im (T ) = R2
EJEMPLO 7.12. Se considera la transformación 0 lineal 1

1 −1
T : M2x2 (R) → M2x2 (R) tal que T (M ) = · M.
−2 2
0 1
a b
1) Hallemos el N (T ) Sea M = un matriz en M2x2 (R)
c d
0 1
1 −1
M ∈ N (T ) ⇔ T (M ) = ⃗0 ⇔ M = ⃗0M2x2 (R)
−2 2
0 10 1 0 1
1 −1 a b 0 0
⇔ =
−2 2 c d 0 0
0 1 0 1
a−c b−d 0 0
⇔ =
−2a + 2c −2b + 2d 0 0
⎧ ⎧
⎪
⎪ a−c = 0 ⎪
⎪ a = c
⎪
⎨ ⎪
⎨
b−d = 0 b = d
⇔ ⇔
⎪
⎪ −2a + 2c = 0 ⎪
⎪ c cualquiera
⎪
⎩ ⎪
⎩
−2b + 2d = 0 d cualquiera
6 0 1 I
c d
Ası́ N (T ) = M ∈ M2x2 (R) : M = con c, d ∈ R .
c d
2) Hallar la Im (T )
0 1 0 1
a b x0 y0
∈ Im (T ) ⇔ existe ∈ M2x2 (R) tal que
c d z0 t0
0 1 0 1
x0 y0 a b
T =
z0 t0 c d
0 1
x0 y0
⇔ existe ∈ M2x2 (R) tal que
z0 t0
0 10 1 0 1
1 −1 x0 y0 a b
=
−2 2 z0 t0 c d
0 1
x0 y0
⇔ existe ∈ M2x2 (R) tal que
z0 t0
0 1 0 1
x0 − z0 y 0 − t0 a b
=
−2x0 + 2z0 −2y0 + 2t0 c d
⇔ existen x0 , y0 , z0 , t0 ∈ R tales que
⎧
⎪
⎪ x0 − z0 = a
⎪
⎨ y 0 − t0 = b
⎪ −2x0 + 2z0 = c
⎪
⎪
⎩
−2x0 + 2z0 = d
⎧
⎪
⎪ x−z = a
⎪
⎨ y−t = b
⇔ el sistema tiene solución.
⎪ −2x + 2z = c
⎪
⎪
⎩
−2x + 2z = d
⎧
⎪
⎪ x−z = a
⎪
⎨ y−t = b
⇔ el sistema tiene solución
⎪
⎪ 0 = 2a + c
⎪
⎩
0 = 2b + d
⇔ 2a + c = 0 y 2b + d = 0.
60 1 I
a b
Ası́ la Im (T ) = ∈ M2x2 (R) : 2a + c = 0 y 2b + d = 0 .
c d
PROPOSICIÓN 7.8. N (T ) es un subespacio vectorial de V.
Demostración. Veamos que N (T ) ̸= φ y que es cerrado respecto de las

operaciones del espacio vectorial.
1) T (0) = ⃗0 ⇒ ⃗0 ∈ N (T ) .
2) Si α , β ∈ K y v1 , v2 ∈ N (T ) entonces:
T (α v1 + β v2 ) = α T (v1 ) + β T (v2 ) = α . ⃗0 + β . ⃗0 = ⃗0 ⇒
⇒ α v1 + β v2 ∈ N (T )
Luego N (T ) es un subespacio de V.
PROPOSICIÓN 7.9. Im (T ) es un subespacio vectorial de W.
Demostraci8 9 ón. Análogamente,

1) T ⃗0 = ⃗0 ⇒ ⃗0 ∈ Im (T )
2) Si α , β ∈ K y w1 , w2 ∈ Im (T ) entonces existen v1 , v2 tales que
T ( v1 ) = w1 y T ( v2 ) = w2 . Entonces si llamamos v = α v1 + β v2 , se
tiene T (v) = α w1 + β w2 y por lo tanto α w1 + β w2 ∈ Im (T ) . Luego
Im (T ) es un subespacio de W.
EJEMPLO 7.13. Hallemos una base del núcleo y una base de la imagen
de la transformación lineal T : R4 → R3 definida por
T (x, y, z, t) = (x − y + z + t, x + 2z − t, x + y + 3z − 3t)
1) (x, y, z, t) ∈ N (T ) ⇔ T (x, y, z, t) = (0, 0, 0) ⇔
⇔ (x − y + z + t, x + 2z − t, x + y + 3z − 3t) = (0, 0, 0)
⎧ ⎧
⎪
⎨ x−y+z+t = 0 ⎪
⎨ x−y+z+t = 0
⇔ x + 2z − t = 0 ⇔ y + z − 2t = 0
⎪
⎩ ⎪
⎩
x + y + 3z − 3t = 0 2y + 2z − 4t = 0
6 6
x−y+z+t = 0 x = −2z + t
⇔ ⇔
y + z − 2t = 0 y = −z + 2t
Luego los vectores del núcleo de T son de la forma
(−2z + t, −z + 2t, z, t) con z, t ∈ R. Como
(−2z + t, −z + 2t, z, t) = z (−2, −1, 1, 0) + t (1, 2, 0, 1) con z, t ∈ R,

todo vector del núcleo de T es combinación lineal de los vectores (−2, −1, 1, 0)
y (1, 2, 0, 1). Por ser {(−2, −1, 1, 0), (1, 2, 0, 1) un conjunto L.I., es una base
de N(T).
2) w ∈ Im (T ) ⇔ ∃v ∈ R4 tal que w = T (v), es decir
∃ (x, y, z, t) ∈ R4 tal que w = T (x, y, z, t) ,
w = (x − y + z + t, x + 2z − t, x + y + 3z − 3t)
⇔ ∃x, y, z, t ∈ R tal que v = (x, x, x)+(−y, 0, y)+z (1, 2, 3)+t (1, −1, −3) .
Luego todo vector de la imagen de T es combinación lineal de
{(1, 1, 1) , (−1, 0, 1) , (1, 2, 3) , (1, −1, −3)}
(observar que dichos vectores están en la imagen pues son imagen respecti-
vamente de los vectores de la base canónica).
" #
Pero el conjunto anterior es L.D. pues tiene 4 vectores y dim R3 =3.
Observemos que
(1, 2, 3) = 2 (1, 1, 1) + (−1, 0, 1)
(1, −1, −3) = −1 (1, 1, 1) + (−2) (−1, 0, 1)
Luego reducimos el generador L.D. hasta obtener el generador
{(1, 1, 1) , (−1, 0, 1)}
que sı́ es L.I Luego {(1, 1, 1) , (−1, 0, 1)} es base de Im (T ).
PROPOSICIÓN 7.10. Sea V, W espacios vectoriales de dimensión finita

sobre un mismo cuerpo y T : V → W lineal.
i) Si {v1 , . . . , vn }es un generador de V, entonces {T (v1 ) , . . . , T (vn )} es un
generador de la Im (T ) (es decir que la imagen de un conjunto generador
de V es un generador de la Im (T )).
ii) Si {T (v1 ) , . . . , T (vn )} es un conjunto L.I. en Im (T ) entonces {v1 , . . . , vn }
es conjunto L.I. en V (es decir que la pre-imagen de un conjunto L.I. en la
Im (T ) es un conjunto L.I. en V)
Demostración. i) Sea w ∈ Im (T ). Entonces existe v ∈ V tal que w =

T (v).
Como v ∈ V y siendo {v1 , . . . , vn } un generador de V, existen α1 , . . . , αn
escalares tales que v = α1 v1 + · · · + αn vn . Luego
w = T (v) = T (α1 v1 + · · · + αn vn ) == α1 T (v1 ) + · · · + αn T (vn )
Ası́ todo vector w ∈ Im (T ) es combinación lineal de {T (v1 ) , . . . , T (vn )} ⊆

Im (T ) es decir que {T (v1 ) , . . . , T (vn )} es un generador de la Im (T ).
ii) Sean α1 , . . . , αn ∈ K tales que
α1 v1 + · · · + αn vn = ⃗0.
Aplicando T y usando la linealidad α1 T (v1 ) + · · · + αn T (vn ) = ⃗0 y siendo

{T (v1 ) , . . . , T (vn )} un conjunto L.I. resulta que α1 = . . . = αn = 0. Esto
prueba que {v1 , . . . , vn } es L.I.

cuerpo con dim (V ) = n y T : V → W una transformación lineal.
Si {e1 , . . . , ed } es una base del N (T ) y {e1 , . . . , ed , ed+1 , . . . , en } es una
base de V entonces {T (ed+1 ) , . . . , T (en )} es una base de la Im (T ).
Demostración. Probaremos que {T (ed+1 ) , . . . , T (en )} es base de Im (T ).

1) Es L.I. pues αd+1 T (ed+1 ) + · · · + αn T (en ) = ⃗0
⇒ T (αd+1 ed+1 + · · · + αn en ) = ⃗0 ⇒ αd+1 ed+1 + · · · + αn en ∈ N (T )

αd+1 ed+1 + · · · + αn en es C.L de la base de N (T ).
αd+1 ed+1 + · · · + αn en = α1 e1 + · · · + αd ed
−α1 e1 − · · · − αd ed + αd+1 ed+1 + · · · + αn en = ⃗0.

Pero {e1 , . . . , en } es L.I. porque es base de V ; luego todos los coeficientes αi
son ceros. Hemos probado que {T (ed+1 ) , . . . , T (en )} es L.I.
2) {T (ed+1 ) , . . . , T (en )} generan la Im (T ) pues:
Sea w ∈ Im (T ) ⇒ ∃v ∈ V tal que T (v) = w
v = α1 v1 + · · · + αn vn , porque {e1 , . . . , en } es base de V,
T (v) = w = T (α1 e1 + · · · + αn en ) =
= α1 T (e1 ) + · · · + αd T (ed ) + αd+1 T (ed+1 ) + · · · + αn T (en ) =

= αd+1 T (ed+1 ) + · · · + αn T (en ) .
Luego todo vector w ∈ Im (T ) es C.L. de {T (ed+1 ) , . . . , T (en )}, es decir,
{T (ed+1 ) , . . . , T (en )} genera a Im (T ).
TEOREMA 7.12 (De las dimensiones). Sean V y W espacios vectoriales

sobre un mismo cuerpo K, con dim (V ) = n y T : V → W una transforma-
ción lineal. Entonces dim (V ) = dim (N (T )) + dim (Im (T )).
Demostración. Como N (T) es subespacio de V, si d = dim (N (T )), te-

nemos 0 # d # n.
Discutiremos tres casos.
1er. Caso. d=n. Como dim (N (T )) = V obtenemos N (T ) = V .
Entonces T (v) = ⃗0 ∀v ∈ V , es decir Im (T ) = ⃗0 y dim (Im (T )) = 0,
cumpliéndose la tesis en este caso.
2do. Caso. 0 < d < n. El resultado es una consecuencia directa de la
proposición anterior. F G
3er. Caso. d = dim (N (T )) = 0. Luego N (T ) = ⃗0 .
Sea {v1 , . . . , vn } una base de V. Por ser {v1 , . . . , vn } un generador de V,
por la Proposición 7.10(i) {T (v1 ) , . . . , T (vn )} un generador de la Im (T ).
7.4. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 219
Veamos que también es L.I. En efecto

α1 T (v1 ) + . . . + αn T (vn ) = ⃗0 ⇔ T (α1 v1 + . . . + αn vn ) = ⃗0
⇔ α1 v1 + . . . + αn vn ∈ N (T ) ⇔ α1 v1 + . . . + αn vn = ⃗0
⇔ α1 = . . . . = αn = 0
por ser {v1 , . . . , vn } base de V. Por lo tanto {T (v1 ) , . . . , T (vn )} es base de
la Im (T ).
Ası́ dim (Im (T )) = n y se cumple que dim V = dim N (T )+dim Im (T ).
7.4. Transformaciones lineales inyectivas y sobreyectivas.
Sean V y W espacios vectoriales sobre un mismo cuerpo K y T : V → W

una transformación lineal.
Recordemos que T es inyectiva cuando T (v1 ) = T (v2 ) entonces v1 =
v2 ; o equivalentemente v1 ̸= v2 entonces T (v1 ) ̸= T (v2 ).
PROPOSICIÓN 7.13. Son equivalentes las siguientes afirmaciones:

i) T es inyectiva.
ii) Para todo conjunto A linealmente independiente de V se cumple que
T (A) es linealmente
F G independiente en W.
⃗
iii) N (T ) = 0 .
Demostración. i) ⇒ ii) Sabemos que T es inyectiva. Sea A = {v1 , . . . , vn }

un conjunto L.I. de V. Probemos que T (A) = {T (v1 ) , . . . , T (vn )} es L.I.
en W.
Sean α1 , . . . ., αn ∈ K tales que α1 T (v1 ) + . . . + αn T (vn ) = ⃗0w . Debemos
probar que α1 = . . . . = αn = 0. Siendo T lineal obtenemos
T (α1 v1 + . . . + αn vn ) = ⃗0w . 8 9
Ası́ T (α1 v1 + . . . + αn vn ) = T ⃗0v y como T es inyectiva se obtiene
que
α1 v1 + . . . + αn vn = ⃗0v
y siendo A = {v1 , . . . , vn } L.I., se cumple que α1 = . . . . = αn = 0.
F G
ii) ⇒ iii) Supongamos, por absurdo, que N (T ) ̸= ⃗0v .Entonces existe
v ∈ N (T ) con v ̸= ⃗0v .
Luego A = {v} es L.I. en V ⇒ T (A) = T (v) es L.I. en W y por
porhiptesis
ii) T (v) = ⃗0w es L.I. Absurdo.
iii) ⇒ i)SiT (v1 ) = T (v2 ) ⇒ T (v1 ) − T (v2 ) = ⃗0w luego T (v1 − v2 ) =
⃗0w ⇒ v1 − v2 ∈ N (T ) por iii) v1 − v2 = ⃗0v es decir v1 = v2 .
Recordemos ahora que T es sobreyectiva cuando ∀w ∈ W existe v ∈ V

con T (v) = w, o equivalentemente Im (T ) = W .
PROPOSICIÓN 7.14. Son equivalentes las siguientes afirmaciones: i) T

es sobreyectiva
ii) Para todo A generador de V se cumple que T (A) es un generador de W
iii) Existe un generador A0 de V tal que T (A0 ) es generador de W.
Demostración. i) ⇒ ii) Sea A un generador de V. Por la Proposición 7.10

se cumple que T (A) es un generador de la Im (T ).Pero Im (T ) = W , por
ser T sobreyectiva. Ası́ T (A) es un generador de W.
ii) ⇒ iii) Inmediato. iii) ⇒ i) Sabemos que existe A0 = {v1 , . . . , vn }
generador de V tal que T (A0 ) = {T (v1 ) , . . . , T (vn )} es generador de W.Sea
w ∈ W , como T (A0 ) es generador de W, existen α1 , . . . ., αn ∈ K tales que
w = α1 T (v1 ) + . . . + αn T (vn )
Siendo T lineal se cumple que
w = T (α1 v1 + . . . . + αn vn )
Hemos probado que dado w ∈ W existe v0 = α1 v1 + . . . . + αn vn ∈ V

tal que
w = T (v0 ) luego T es sobreyectiva.
Recordemos por último que T es biyectiva cuando es inyectiva y sobre-

yectiva.
7.4. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 221
PROPOSICIÓN 7.15. Son equivalentes las siguientes afirmaciones:

i) T es biyectiva
ii) Para toda base B del espacio V se cumple que T(B)es una base de W
iii) Existe una base B0 del espacio V tal que T (B0 ) es una base de W.
Demostración.
6
T es lineal e inyectiva (1)
i) ⇒ ii)T es lineal y biyectiva ⇔
T es lineal y sobreyectiva (2)
6
B es L.I. (1′ )
Por otro lado, B es una base de V ⇔
B es generador de V (2′ )
De (1) y (1’) aplicando la Proposición 7.13 se obtiene que T (B) es
L.I.(1”)
De (2) y (2’) aplicando la Proposición 7.14 se obtiene que T (B) es
generador de W (2”) De (1”) y (2”) se tiene que T (B) es una base de W.
ii) ⇒ iii) Inmediato. iii) ⇒ i) Sabemos que existe B0 es base de V
tal que T (B0 ) es base de W, en particular existe B0 es generador de V tal
que T (B0 ) es generador de W, luego por la proposición 7.14 T es sobre-
yectiva.Probemos
F G que T es inyectiva, lo cual es equivalente a probar que
N (T ) = ⃗0 , si v ∈ N (T ) ⊆ V por ser B0 = {v1 , . . . , vn } base de V se
cumple que existen α1 , . . . ., αn ∈ K tales que v = α1 v1 + . . . . + αn vn .
Luego usando la linealidad de T se obtiene que T (v) = α1 T (v1 ) + . . . +
αn T (vn ). Pero como v ∈ N (T ), se tiene que T (v) = ⃗0
α1 T (v1 ) + . . . + αn T (vn ) = ⃗0
Pero T (B0 ) = {T (v1 ) , . . . , T (vn )} es L.I. (por ser base) entonces α1 =
. . . . = αn = 0 Ası́ v = ⃗0.
Recordemos que T es biyectiva si y solo si T es invertible, es decir, que

existe la función inversa T −1 .
PROPOSICIÓN 7.16. Sean V, W espacios vectoriales sobre un mismo

cuerpo y T : V → W una transformación lineal y biyectiva.
Entonces la función inversa T −1 : W → V es una transformación lineal.
Demostración. Sean w1 y w2 ∈ W y λ y µ ∈ K.
Observando que T T −1 (w) = w y que T es lineal,
λ w1 + µ w2 = λT T −1 (w1 ) + µT T −1 (w2 ) =
" #
= T λT −1 (w1 ) + µT −1 (w2 )
Aplicando T −1 a ambos miembros
T −1 (λw1 + µ w2 ) = λT −1 (w1 ) + µT −1 (w2 ) .
7.5. Isomorfismos entre espacios vectoriales
DEFINICIÓN 7.6. Sean V, W espacios vectoriales sobre un mismo cuerpo

K.
a) Diremos que una transformación lineal T : V → W biyectiva es un
isomorfismo.
b) Diremos que V y W son isomorfos cuando existe un isomorfismo que
lleva V en W.
OBSERVACIÓN 7.17. De acuerdo a la proposición 7.16 si T : V → W es

un isomorfismo entonces T −1 : W → V también lo es.
PROPOSICIÓN 7.18. Sean V y W dos espacios vectoriales de dimensión

finita sobre un mismo cuerpo K. Entonces las proposiciones a) y b) son
equivalentes:
a) dim (V ) = dim (W )
b) V es isomorfo a W.
7.5. ISOMORFISMOS ENTRE ESPACIOS VECTORIALES 223
Demostración. a) ⇒ b) Sea dim (V ) = dim (W ) = n. Sean A =

{v1 , . . . , vn } base de V y B = {w1 , . . . . , wn } base de W. Luego definimos
T : V → W lineal tal que T (vi ) = wi (T está ”bien definida”por el
teorema 7.4). Como existe una base A de V tal que T (A) = B es base de
W, T es un isomorfismo por la proposición 7.15.
b) ⇒ a) Como V es isomorfo a W, existe un isomorfismo: T : V →
W . Por el teorema de las dimensiones se tiene que dim (V ) = dim (N (T )) +
dim (Im (T )). Por ser T inyectiva dim (N (T )) = 0.Por ser T sobreyectiva
Im (T ) = W . Luego dim (V ) = dim (W ).
COROLARIO 7.19. Si V es un espacio vectorial, con dim (V ) = n, sobre

el cuerpo K, entonces V es isomorfo a K n .
Demostración. En efecto el espacio vectorial K n sobre el cuerpo K tiene

dimensión n. Ası́ dim (V ) = dim (K n ) = n ⇒ V yK n son isomorfos.
Las coordenadas como transformación lineal
Sea V un espacio vectorial de dimensión n sobre el cuerpo K. Fijemos

una base B = {v1 , . . . . , vn } del espacio V, entonces ∀v ∈ V , existen y son
únicos α1 , . . . , αn ∈ K tales que v = α1 v1 + . . . + αn vn .
Luego definimos coordB : V → K n tal que
⎛ ⎞
α1
⎜ . ⎟
coordB (v) = ⎜ . ⎟
⎝ . ⎠
αn
(es decir que a cada vector v ∈ V le asociamos sus coordenadas en la base

B).
PROPOSICIÓN 7.20. coordB es un isomorfismo entre V y Kn .

Demostración. 1) coordB es lineal. Sean v, w ∈ V , luego existen y son

únicos α1 , . . . , αn ∈ K y β1 , . . . , βn ∈ K tales que
⎛ ⎞
α1
⎜ . ⎟
v = α1 v1 + . . . + αn vn ⇒ coordB (v) = ⎜ . ⎟
⎝ . ⎠
αn
⎛ ⎞
β1
⎜ . ⎟
w = β1 v1 + . . . + βn vn ⇒ coordB (w) = ⎜ . ⎟
⎝ . ⎠
βn
Luego v + w = (α1 + β1 ) v1 + . . . . + (αn + βn ) vn

⎛ ⎞
α1 + β1
⎜ . ⎟
⇒ coordB (v + w) = ⎜ ⎝ .
. ⎟
⎠
αn + βn
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
α1 β1 α1 + β1
⎜ . ⎟ ⎜ . ⎟ ⎜ ⎟
Ası́ coordB (v) + coordB (w) = ⎜ .. ⎟ + ⎜ .. ⎟ = ⎜ ... ⎟ =
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
αn βn αn + βn
coordB (v + w)
Por otro lado si λ ∈ K, se tiene que λv = λ (α1 v1 + . . . + αn vn ) =
⎛ ⎞
λα1
⎜ . ⎟
= λα1 v1 + . . . + λαn vn ⇒ coordB (λv) = ⎜⎝
.. ⎟
⎠
λαn
⎛ ⎞ ⎛ ⎞
α1 λα1
⎜ . ⎟ ⎜ . ⎟
Ası́ λ coordB (v) = λ ⎜
⎝
.. ⎟ = ⎜ ..
⎠ ⎝
⎟ = coordB (λv)
⎠
αn λαn
2) Como dim (V ) = dim (K n ) = n para probar que coordB es biyectiva,
alcanza con probar que coordB es inyectiva.
7.6. MATRIZ ASOCIADA A UNA TRANSFORMACIÓN LINEAL. 225
⎞⎛
0
⎜ . ⎟
Como coordB (v) = ⎜ . ⎟ ⃗
⎝ . ⎠ ⇔ v = 0v1 + . . . + 0vn ⇔ v = 0
0
F G
N (coordB ) = ⃗0 ⇒ coordB es inyectiva.
7.6. Matriz asociada a una transformación lineal.
Sean V, W espacios vectoriales de dimensión finita sobre un mismo

cuerpo K y T : V → W una transformación lineal. Supongamos que A =
{v1 , v2 , . . . ., vn } es una base de V y B = {w1 , w2 , . . . ., wm } es una base de
W. Ahora bien, T (v1 ) , T (v2 ) , . . . , T (vn ) son vectores de W y por lo tanto
cada uno de ellos es una combinación lineal de los vectores de la base B:
T (v1 ) = a11 w1 + a12 w2 + . . . + a1m wm
T (v2 ) = a21 w1 + a22 w2 + . . . + a2m wm
.. ..
. .
.. ..
. .
T (vn ) = an1 w1 + an2 w2 + . . . + anm wm
En otras palabras
⎛ ⎞
a11
⎜ ⎟
⎜ a12 ⎟
coordB (T (v1 )) = ⎜
⎜ .. ⎟ ,
⎟
⎝ . ⎠
a1m
⎛ ⎞ ⎛ ⎞
a21 an1
⎜ ⎟ ⎜ ⎟
⎜ a22 ⎟ ⎜ an2 ⎟
coordB (T (v2 )) = ⎜
⎜ .. ⎟ , . . . , coordB (T (vn )) = ⎜
⎟ ⎜ .. ⎟
⎟
⎝ . ⎠ ⎝ . ⎠
a2m anm
Luego definimos:
DEFINICIÓN 7.7. Se llama representación matricial de T en las bases A y

B o matriz asociada a T en las bases A y B, a la matriz que representaremos
por B ((T ))A y cuya i-ésima columna son las coordenadas del vector T (vi )
en la base B.
Esto es
8 9
B ((T ))A = [coordB T (v1 ) ] , [coordB T (v2 )] , . . . , [coordB T (vn )] =
⎛ ⎞
a11 a21 · · · an1
⎜ ⎟
⎜ a12 a22 · · · an2 ⎟
=⎜
⎜ .. .. .. ⎟
⎟
⎝ . . . ⎠
a1m a2m · · · anm
Nota. La matriz asociada se obtiene çolgando” las coordenadas respecto
a la base de W de los vectores de la base de V . Obsérvese que los subı́ndices
de esta matriz están colocados de manera distinta a la habitual; alcanzarı́a
con cambiar las denominaciones de los subı́ndices de las coordenadas de
T (vj ) para obtener la forma habitual.
EJEMPLO 7.14. Consideremos la transformación lineal T : R2 → R3 tal

que
T (x, y) = (4x − 2y, 2x + y, x + y) ∀x ∈ R2 , y las bases canónicas A =
{(1, 0) , (0, 1)} de R2 y B = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} de R3 . Para hallar
la matriz asociada a T en dichas bases
1) Hallamos las imágenes de los vectores de la base A
T (1, 0) = (4, 2, 1)
T (0, 1) = (−2, 1, 1)
2) Calculamos las coordenadas de estos en la base B
T (1, 0) = (4, 2, 1) = 4 (1, 0, 0) + 2 (0, 1, 0) + 1 (0, 0, 1)

⎛
⎞
4
⎜ ⎟
⇒ coordB (T (1, 0)) = ⎝ 2 ⎠
1
T (0, 1) = (−2, 1, 1) = −2 (1, 0, 0) + 1 (0, 1, 0) + 1 (0, 0, 1)
⎛ ⎞ ⎛ ⎞
−2 4 −2
⎜ ⎟ ⎜ ⎟
⇒ coordB (T (0, 1)) = ⎝ 1 ⎠ . Luego B ((T ))A = ⎝ 2 1 ⎠.
1 1 1
EJEMPLO 7.15. Consideremos la transformación lineal T : P2 → R2 tal

que T (p) = (2a + b, a + b + 4c) ∀p ∈ P2 tal que p (t) = at2 + bt + c ∀t ∈ R
y las bases A = {p1 , p2 , p3 } de P2 donde p1 : p1 (t) = t2 , p2 : p2 (t) = t , p3 :
p3 (t) = 1 ∀t ∈ R; y B = {(1, 1) , (1, 0)} de R2 .
Para hallar la matriz asociada a T en dichas bases,
1) Hallamos las imágenes de los vectores de la base A
T (p1 ) = (2, 1)
T (p2 ) = (1, 1)
T (p3 ) = (0, 4)
2) Calculamos las coordenadas de estos en la base B
0 1
1
T (p1 ) = (2, 1) = 1 (1, 1) + 1 (1, 0) ⇒ coordB (T (p1 )) =
1
0 1
1
T (p2 ) = (1, 1) = 1 (1, 1) + 0 (1, 0) ⇒ coordB (T (p2 )) =
0
0 1
4
T (p3 ) = (0, 4) = 4 (1, 1) − 4 (1, 0) ⇒ coordB (T (p3 )) =
−4
0 1
1 1 4
Luego B ((T ))A = .
1 0 −4
EJEMPLO 7.16. Consideremos la transformación lineal T : P2 → P2 tal

que T (p) = p′ y la base canónica de P2 A = {p0 , p1 , p2 } donde pi (t) =
ti , i = 0, 1, 2.
1) Hallemos las imágenes de los vectores de la base A:
T (p0 ) = 0, T (p1 ) = p0 , T (p2 ) = 2p1
2)Calculemos las coordenadas de estos en la base A

⎛⎞
0
⎜ ⎟
T (p0 ) = 0 = 0p0 + 0p1 + 0p2 ⇒ coordA (T (p0 )) = ⎝ 0 ⎠
0
⎛ ⎞
1
⎜ ⎟
T (p1 ) = p0 = 1p0 + 0p1 + 0p2 ⇒ coordA (T (p1 )) = ⎝ 0 ⎠
0
⎛ ⎞
0
⎜ ⎟
T (p2 ) = 2p1 = 0p0 + 2p1 + 0p2 ⇒ coordA (T (p2 )) = ⎝ 2 ⎠
0
⎛ ⎞
0 1 0
⎜ ⎟
Luego A ((T ))A = ⎝ 0 0 2 ⎠
0 0 0
OBSERVACIÓN 7.21. Si dim(V)=n y dim(W)=m la matriz asociada

tiene dimensión m × n.
OBSERVACIÓN 7.22. La matriz B ((T ))A como recién vimos, queda com-
pletamente determinada conocidas la transformación lineal T y las bases A
y B del dominio y codominio respectivamente.
Recı́procamente, dada una matriz M de tamaño m×n y dos bases A y B
de los espacios V y W respectivamente, queda completamente determinada
una transformación lineal T tal que B ((T ))A =M.
En efecto, al conocer la matriz M, sus columnas son las coordenadas en

la base B de las imágenes de dos vectores de la base A.
Esto nos permite conocer a las imágenes de los vectores de la base A, y
por el Teorema 7.4, esto es suficiente para determinar T.
EJEMPLO 7.17. 0 Hallar la transformación

1 lineal T : R3 → R2 sabiendo
2 3 −1
que B ((T ))A = donde A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} es
1 0 2
base de R3 y B = {(2, −1) , (0, 2)} es base de R2
De acuerdo a la definición de matriz asociada
0 1
2
coordB (T (1, 0, 1)) =
1
0 1
3
coordB (T (2, 0, 0)) =
0
0 1
−1
coordB (T (0, 1, 0)) =
2
Luego
T (1, 0, 1) = 2 (2, −1) + 1 (0, 2) = (4, 0)
T (2, 0, 0) = 3 (2, −1) + 0 (0, 2) = (6, −3)
T (0, 1, 0) = −1 (2, −1) + 2 (0, 2) = (−2, 5)
Ahora bien siendo A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} una base de R3 se cumple
que ∀ (x, y, z) ∈ R3 que
3 4
x−z
(x, y, z) = z (1, 0, 1) + (2, 0, 0) + y (0, 1, 0)
2
Luego por la linealidad de T
3 4
x−z
T (x, y, z) = z T (1, 0, 1) + T (2, 0, 0) + y T (0, 1, 0) =
2
3 4
x−z 3 3
z (4, 0) + · (6, −3) + y (−2, 5) = 3x − 2z − 2y, − x + 5y + z
2 2 2
Ası́ T : R3 → R2 es tal que

3 4
3 3
T (x, y, z) = 3x − 2z − 2y, − x + 5y + z
2 2
PROPOSICIÓN 7.23. Considere los K-espacios vectoriales U, V y W,

con dim(U)=s, dim(V)=n y dim(W)=t, y las transformaciones lineales S :
U → V yT : V → W . Sean A = {u1 , . . . , us } , B = {v1 , . . . , vn } y C =
{w1 , . . . , wt } bases de U, V y W respectivamente. Entonces la matriz aso-
ciada a la composición T ◦ S es el producto de las matrices asociadas. Es
decir
C ((T ◦ S))A =C ((T ))B B ((S))A .
Demostración. Sea C ((T ))B = (ai j ), B ((S))A = (bj k ) y C ((T ))B B ((S))A =
(ci j ) con 1 # i # t, 1 # j # n, 1 # k # s.
C
n
Por definición de producto de matrices ci k = ai j bj k .
j=1
Calculemos C ((T ◦ S))A . Sea uk ∈ A.
⎛ ⎞
7n
(T ◦ S) (uk ) = T (S (uk )) = T ⎝ bj k vj ⎠ =
j=1
⎛ ⎞
n
7 n
7 t
7 t
7 n
7 t
7
bj k T (vj ) = bj k ai j wi = ⎝ ai j bj k ⎠ wi = ci k wi .
j=1 j=1 i=1 i=1 j=1 i=1
Resulta, por definición de matriz asociada C ((T ◦ S))A = (ci j ).
OBSERVACIÓN 7.24. Sea T : V → W un isomorfismo, B y B’ bases

de V y W respectivamente, y sea T −1 : W → V la inversa de T.
Como T ◦ T −1 = idW
"" ##
⇒ B ′ ((T ))B . B T −1 B ′ = B ′ ((idW ))B ′ = I
y de T −1 ◦ T = idV
"" −1 ##
⇒ B T . ′ ((T ))B = B ((idV ))B = I
B′ B
y por lo tanto la matriz asociada a la transformación inversa es la inversa

de la matriz asociada a la transformación. Es decir si B ′ ((T ))B = A ⇒
"" −1 ##
B T B′
= A−1
PROPOSICIÓN 7.25. Sean dos transformaciones lineales de espacios vec-

toriales sobre un cuerpo K, T : V → W y S : V → W y α un escalar de
K. Sea B = {v1 , . . . , vn } base de V y E = {w1 , . . . , wm } base de W.
Entonces:
E ((T + S))B = E ((T ))B + E ((S))B , E ((λ T ))B = λ E ((T ))B ,
Demostración. Sean A = (ai j ) =E ((T ))B B = (bi j ) = E ((S))B . En-

C
m C
m
tonces: T (vj ) = ai j wi S (vj ) = bi j wi . De donde (T + S ) (vj ) =
i=1 i=1
C
m C
m C
m
T (vj ) + S (vj ) = ai j wi + bi j wi = (ai j + bi j ) wi ⇒
i=1 i=1 i=1
E ((T + S))B = (ai j + bi j ) = A + B. Además (λ T ) vj = λ T (vj ) =
Cm C
m
ai j wi = λ ai j wi ⇒ E ((λ T ))B = (λ ai j ) = λ A.
i=1 i=1
OBSERVACIÓN 7.26. Demostración de la propiedad asociativa del pro-

ducto de matrices usando transformaciones lineales.
Se trata de ver que si A, B, C son matrices, entonces:
(A B) C = A (B C)
si las dimensiones relativas de las matrices hacen que la expresión tenga

sentido.
Ya vimos (observación 7.22) que fijando bases hay una correspondencia
biunı́voca entre matrices y transformaciones lineales, por lo tanto, el pro-
ducto anterior se puede interpretar como un producto (o composición) de
transformaciones lineales.
Consideremos los espacios vectoriales K m , K n , K p , K r y sus respec-
tivas bases Em , En , Ep Er . Sean T : K n → K m tal que Em ((T ))En =
Am × n , S : K p → K n tal que En ((S))Ep = Bn × p y L : K r → K p

tal que Ep ((L))Er = Cp × r .
Luego, en virtud de que la composición de funciones es asociativa tene-
mos que:
(A . B) . C = [((T )) . ((S))] . ((L)) = ((T ◦ S)) . ((L)) =
= (((T ◦ S) L)) = ((T ◦ (S ◦ L) )) =
= ((T )) . ((S L)) = ((T )) [((S)) . ((L))] = A. (B.C)
(Hemos omitido para simplificar la notación, las bases en cuestión.)
TEOREMA 7.27. Sean V, W espacios vectoriales sobre un mismo cuerpo

K, A = {v1 , v2 , . . . , vn } y B = {w1 , w2 , . . . , wm } bases ordenadas de V y
W respectivamente; y T : V → W una transformación lineal. Entonces se
cumple que B ((T ))A coordA (v) = coordB (T (v))
Demostración. ⎛ Usaremos las siguientes⎞notaciones ⎛ ⎞

a11 a12 . . . a1n x1
⎜ ⎟ ⎜ ⎟
⎜ a21 a22 . . . a2n ⎟ ⎜ x2 ⎟
B ((T ))A = ⎜
⎜ .. ⎟ y coordA (v) = ⎜ .. ⎟
⎟ ⎜
. .. ⎟ siendo
⎝ .. . . ⎠ ⎝ . ⎠
am1 am2 . . . amn xn
⎛ ⎞
a11 a12 . . . a1n
⎜ ⎟
⎜ a21 a22 . . . a2n ⎟
⎜ .. ⎟
B ((T ))A = ⎜ . .. ⎟ y B = {w1 , w2 , . . . , wm },
⎝ .. . . ⎠
am1 am2 . . . amn
por definición de matriz asociada
T (v1 ) = a11 w1 + a21 w2 + . . . . + am1 wm
T (v2 ) = a12 w1 + a22 w2 + . . . . + am2 wm
(I) .
..
T (vn ) = a1n w1 + a2n w2 + . . . . + amn wm
⎛ ⎞
x1
⎜ ⎟
⎜ x2 ⎟
y siendo coordA (v) = ⎜
⎜ .. ⎟ y A = {v1 , v2 , . . . , vn } tenemos que
⎟
⎝ . ⎠
xn
v = x1 v1 + x2 v2 + . . . + xn vn . Luego aplicando T y usando la linealidad
(II) T (v) = x1 T (v1 ) + x2 T (v2 ) + . . . + xn T (vn )
Sustituimos (I) en (II) obteniendo
T (v) =
x1 (a11 w1 + a21 w2 + . . . + am1 wm ) + x2 (a12 w1 + a22 w2 + . . . + am2 wm )
+ . . . + xn (a1n w1 + a2n w2 + . . . + amn wm ) =
= (x1 a11 + x2 a12 + . . . + xn a1n ) w1 + (x1 a21 + x2 a22 + . . . + xn a2n ) w2
+ . . . + (x1 am1 + x2 am2 + . . . + xn amn ) wm .
⎛ ⎞
x1 a11 + x2 a12 + . . . . + xn a1n
⎜ ⎟
⎜ x1 a21 + x2 a22 + . . . . + xn a2n ⎟
Luego coordB (T (v)) = ⎜
⎜ .. ⎟=
⎟
⎝ . ⎠
x1 am1 + x2 am2 + . . . . + xn amn
⎛ ⎞ ⎛ ⎞
a11 a12 . . . a1n x1
⎜ ⎟ ⎜ ⎟
⎜ a21 a22 . . . a2n ⎟ ⎜ x2 ⎟
=⎜
⎜ .. .. .. ⎟
⎟
⎜
⎜ .. ⎟ =
⎟ B ((T ))A coordA (v)
⎝ . . . ⎠ ⎝ . ⎠
am1 am2 . . . amn xn
⎛ ⎞
1 −1 0
⎜ ⎟
EJEMPLO 7.18. Sea T : R3 → R3 tal que B ((T ))A = ⎝ 2 0 0 ⎠
3 4 1
siendo A = B = {(1, 0, 0) , (1, 1, 0) , (1, 1, 1)} . Hallar T (2, 0, −1).
Como (2, 0, −1) = 2 (1, 0, 0) + (−1) (1, 1, 0) + 1 (1, 1, 1)
⎛ ⎞
2
⎜ ⎟
resulta que coordA (2, 0, −1) = ⎝ −1 ⎠
1
Luego de acuerdo al Teorema 7.27 se cumple que
coordB (T ((2, 0, −1))) =B ((T ))A coordA (2, 0, −1) =
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −1 0 2 3
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
=⎝ 2 0 0 ⎠ ⎝ −1 ⎠ = ⎝ 4 ⎠
3 4 1 1 −3
Ası́ T (2, 0, −1) = 3 (1, 0, 0) + 4 (1, 1, 0) + (−3) (1, 1, 1) = (4, 1, −3)
7.7. Núcleo e imagen de una matriz.
Dada una matriz A ∈ Mnxm (K), definimos la transformación TA :

K m → K n tal que
⎛ ⎞
x1
⎜ . ⎟
TA (x1 , . . . , xm ) = A ⎜ . ⎟
⎝ . ⎠ ∀ (x1 , . . . , xm ) ∈ K m
xm
PROPOSICIÓN 7.28. (a) TA es lineal

(b) Si Em y En son las bases canónicas de K m y K n respectivamente
entonces En ((TA ))Em = A
Demostración. (Ejercicio).
DEFINICIÓN 7.8. Sea A ∈ Mnxm (K). Definimos el núcleo de la matriz

A como el núcleo de la transformación lineal TA .
def
F G F G
N (A) = N (TA ) = x ∈ Rm : TA (x) = ⃗0 = x ∈ Rm : A x = ⃗0
En otras palabras el N (A) son las soluciones del sistema de ecuaciones

homogéneo A x = ⃗0.
7.7. NÚCLEO E IMAGEN DE UNA MATRIZ. 235
DEFINICIÓN 7.9. Sea A ∈ Mnxm (K). Definimos la imagen de la ma-

triz A como la imagen de la transformación lineal TA .
def
Im (A) = Im (TA ) = {y ∈ Rn : existe x ∈ Rm tal que TA (x) = y} =
{y ∈ Rn : existe x ∈ Rm tal que A x = y}
En otras palabras la Im (A) son los ”términos independientes”y ∈ Rn para
los cuales el sistema A x = y es compatible.
OBSERVACIÓN 7.29. Resulta obvio de las definiciones 7.2. y 7.3. que

N (A) es un subespacio de Rm y Im (A) es un subespacio de Rn (por serlo
N (TA ) e Im (TA ))
PROPOSICIÓN 7.30. Las columnas de A generan a la Im (A).

⎛ ⎞
x1
⎜ . ⎟
Demostración. Sea TA : K m → K n tal que TA (x1 , . . . , xm ) = A ⎜ . ⎟
⎝ . ⎠.
xm
m
Si {e1 , e2 , . . . , em } es la base canónica de R . Entonces de acuerdo a
la proposición 7.10(i) {TA (e1 ) , TA (e2 )⎛ , . . . .,⎞TA (em )} es un generador de la
0
⎜ . ⎟
⎜ .. ⎟
⎜ ⎟
⎜ ⎟
Im (TA ) = Im (A). Pero TA (ei ) = A ⎜ 1 ⎟ = A(i) (i-ésima columna de
⎜ . ⎟
⎜ . ⎟
⎝ . ⎠
0
! (1) (m)
$
A) Ası́ las columnas de A A , . . . , A constituyen un generador de la
Im (A).
COROLARIO 7.31. El rango de una matriz A es la dimensión de su

imagen, es decir r (A) = dim (Im (A)).
EJEMPLO
⎛ 7.19. Hallemos
⎞ bases del núcleo y de la imagen de la matriz
1 0 1
⎜ ⎟
A=⎝ 2 1 1 ⎠ . Sea (x, y, z) ∈ N (A) . Entonces
−1 1 −2
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x 0 1 01 x 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A⎝ y ⎠ = ⎝ 0 ⎠ ⇔ ⎝ 2 1 1 ⎠ ⎝ y ⎠=⎝ 0 ⎠⇔
z 0 −1 1 −2 z 0
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 0 1 x 0 1 0 1 x 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0 1 −1 ⎠ ⎝ y ⎠ = ⎝ 0 ⎠ ⇔ ⎝ 0 1 −1 ⎠ ⎝ y ⎠ = ⎝ 0 ⎠
0 1 −1 z 0 0 0 0 z 0
⎧ ⎧
⎪
⎨ x+z =0 ⎪
⎨ x = −z
⇔ ⇔ y=z
⎪
⎩ y−z =0 ⎪
⎩
z cualquiera
Luego los vectores del núcleo de A son de la forma (−z, z, z) = z (−1, 1, 1).
Ası́ {(−1, 1, 1)} es base del N (A) (¿por qué?)
Por otro lado de acuerdo a la Proposición 7.30 resulta que
{(1, 2, −1) , (0, 1, 1) , (1, 1, −2)} genera a la Im (A). Como
(1, 1, −2) = (1, 2, −1)−(0, 1, 1) , el generador es L.D. y lo reducimos hallando
{(1, 2, −1) , (0, 1, 1)} que es un generador L.I. –y por tanto una base– de
Im (A) (verifique).
EJEMPLO 7.20. Hallar una base del núcleo y una base de la imagen de
la matriz
⎛ ⎞
1 −1 1 1
⎜ ⎟
A=⎝ 1 0 2 −1 ⎠ . Sea (x, y, z, t) ∈ N (T ) . Entonces
1 1 3 −3
⎛ ⎞ ⎛ ⎞
x ⎛ ⎞ ⎛ ⎞ x ⎛ ⎞
⎜ y ⎟ 0 1 −1 1 1 ⎜ ⎟ 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ y ⎟ ⎜ ⎟
A⎜ ⎟ = ⎝ 0 ⎠ ⇔ ⎝ 1 0 2 −1 ⎠ ⎜ ⎟ = ⎝ 0 ⎠ ⇔
⎝ z ⎠ ⎝ z ⎠
0 1 1 3 −3 0
t t
7.8. NÚCLEO E IMAGEN: TRANSFORMACIONES LINEALES Y MATRICES. 237
⎛ ⎞
⎛ ⎞ x ⎛ ⎞
1 −1 1 1 ⎜ ⎟ 0
⎜ ⎟⎜ y ⎟ ⎜ ⎟
⎝ 0 1 1 −2 ⎠ ⎜ ⎟ = ⎝ 0 ⎠ ⇔
⎝ z ⎠
0 2 2 −4 0
t
⎛ ⎞
⎛ ⎞ x ⎛ ⎞
1 −1 1 1 ⎜ ⎟ 0
⎜ ⎟⎜ y ⎟ ⎜ ⎟
⎝ 0 1 1 −2 ⎠ ⎜ ⎟ = ⎝ 0 ⎠
⎝ z ⎠
0 0 0 0 0
t
⎧ ⎧
⎪
⎪ ⎪
⎪ x = −2z + t
⎪
⎨ x−y+z+t = 0 ⎪
⎨ y = −z + 2t
⇔ ⇔
⎪
⎪ y + z − 2t = 0 ⎪
⎪ z = cualquiera
⎪
⎩ ⎪
⎩
t = cualquiera
Ası́ los vectores del núcleo de A son de la forma
(−2z + t, −z + 2t, z, t) = z (−2, 1, 0, 1) + t (1, 2, 0, 1)
Luego {(−2, 1, 0, 1) , (1, 2, 0, 1)} es un generador L.I. del N (A) (verifique) y
por lo tanto es base.
Por la proposición 7.30 {(1, 1, 1) , (−1, 0, 1) , (1, 2, 3) , (1, −1, −3)} es un
generador de la Im (A) que claramente es L.D.
Observando que (1, 2, 3) = 2 (1, 1, 1) + (−1, 0, 1)
(1, −1, −3) = −1 (1, 1, 1) + (−2) (−1, 0, 1)
reducimos el generador anterior hasta obtener {(1, 1, 1) , (−1, 0, 1)} que es
un generador L.I. de la Im (A) y por lo tanto es base.
7.8. Relación entre núcleo e imagen de una transformación lineal

y de una matriz.

cuerpo A = {v1 , v2 , . . . ., vn } una base de V, B = {w1 , w2 , . . . ., wn } una
base de W, T : V → W lineal. Entonces:
1) Si v ∈ N (T ) ⇒ coordA (v) ∈ N (B ((T ))A )

2) Si x ∈ N (B ((T ))A ) ⇒ coord−1
A (x) ∈ N (T )
Demostración. 1) Si v ∈ N (T ) entonces T (v) = ⃗0. Luego como T (v)

y ⃗0 coinciden
8 9 sus coordenadas en la base B también: coordB (T (v)) =
coordB ⃗0 . Siendo coordB : W → Rm una transformación lineal se cum-
8 9
ple: coordB ⃗0 = ⃗0. Ası́ coordB (T (v)) = ⃗0. Pero, por el Teorema 7.27:
coordB (T (v)) =B ((T ))A coordA (v)
Ası́ B ((T ))A coordA (v) = ⃗0 esto es coordA (v) ∈ N (B⎛((T ))A ⎞)
x1
⎜ . ⎟
2) Si x = (x1 , . . . ., xn ) ∈ N (B ((T ))A ) ⇒B ((T ))A ⎝ .. ⎟
⎜ ⃗
⎠ = 0. En-
xn
tonces, teniendo en cuenta que las columnas de la matriz asociada son las
coordenadas de los transformados de la base del dominio se tiene que
⎛ ⎞
x1
⎜ . ⎟
([coordB (T (v1 ))] . . . [coordB (T (v1 ))]) . ⎜ . ⎟ ⃗
⎝ . ⎠=0
xn
⇒ coordB (T (v1 )) .x1 + . . . + coordB (T (vn )) .xn = ⃗0 ⇒
(por ser coordB lineal )

⇒ coordB (x1 T (v1 ) + . . . . . . + xn T (vn )) = ⃗0
(por ser coordB inyectiva)

⇒ x1 T (v1 ) + . . . . . . + xn T (vn ) = ⃗0
(linealidad de T )
⇒ T (x1 v1 + . . . + xn vn ) = oV
⇒ x1 v1 + . . . + xn vn ∈ N (T ) .
> ?< =
coord−1
A (x)
OBSERVACIÓN 7.33. Con las notaciones de la proposición anterior re-

cordemos que coordA : V → Rn es un isomorfismo entre V y Rn .
Pero la proposición anterior nos asegura que todo vector del N (T ), al
aplicarle la transformación lineal coordA se obtiene un vector del N (B ((T ))A )
y recı́procamente todo vector del N (B ((T ))A ) al aplicarle la transformación
lineal inversa coord−1
A (x) se obtiene un vector del N (T ).
Luego coordA es un isomorfismo entre el N (T ) y N (B ((T ))A ). Esto nos
permite enunciar la siguiente

1) N (T ) y N (B ((T ))A ) son isomorfos
2) dim(N (T )) = n − rango(B ((T ))A ).
3) Si {e1 , e2 , . . . , ek } es base del N (T ) ⇒
{coordA (e1 ) , coordA (e2 ) , . . . , coordA (ek )} es base del N (B ((T ))A )
4) Si {x1 , x2 , . . . , xk } es base del N (B ((T ))A ) ⇒
! $
coord−1 −1 −1
A (x1 ) , coordA (x2 ) , . . . ., coordA (xk ) es base del N (T ).
Demostración. (Ejercicio) Sugerencias:

1) Vimos en la observación anterior que coordA es un isomorfismo entre
N (T ) y N (B ((T ))A ).
2) Basta recordar que dos espacios isomorfos tienen la misma dimensión
y que si M es una matriz, dim (Im (M )) = rango (M ).
3) Los isomorfismos ”llevan bases en bases”.
4) La inversa de un isomorfismo es un isomorfismo.
Recomendamos prestar particular atención a los ejemplos que siguen.

EJEMPLO 7.21. Se considera

⎛ una transformación
⎞ lineal T : M2x2 (R) →
1 −1 1 1
3 ⎜ ⎟
R tal que B ((T ))A = ⎝ 1 0 2 −1 ⎠ siendo
1 1 3 −3
60 1 0 1 0 1 0 1I
1 1 0 0 1 −1 1 0
A= , , ,
1 1 −1 0 0 0 0 0
y B = {(1, 1, 1) , (0, 1, 1) , (0, 0, 1)} .
Queremos hallar una base del núcleo de T. Primero calculamos una base del
núcleo de la matriz B ((T ))A . Sea (x, y, z, t) ∈ N (B ((T ))A ) . Entonces
⎛ ⎞ ⎛ ⎞
x ⎛ ⎞ ⎛ ⎞ x ⎛ ⎞
⎜ y ⎟ 0 1 −1 1 1 ⎜ y ⎟ 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
B ((T ))A ⎜ ⎟=⎝ 0 ⎠⇔⎝ 1 0 2 −1 ⎠ ⎜ ⎟ = ⎝ 0 ⎠ ⇔
⎝ z ⎠ ⎝ z ⎠
0 1 1 3 −3 0
t t
⎞ ⎛
⎛ x ⎞⎛ ⎞
1 −1 1 1 ⎜ y ⎟ 0
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ 0 1 1 −2 ⎠ ⎜ ⎟ = ⎝ 0 ⎠ ⇔
⎝ z ⎠
0 2 2 −4 0
t
⎛ ⎞
⎛ ⎞ x ⎛ ⎞
1 −1 1 1 ⎜ ⎟ 0
⎜ ⎟⎜ y ⎟ ⎜ ⎟
⎝ 0 1 1 −2 ⎠ ⎜ ⎟ = ⎝ 0 ⎠
⎝ z ⎠
0 0 0 0 0
t
6 6
x−y+z+t = 0 x = −2z − 2t
⇔ ⇔
y+z+t=0 y = −z − t
Ası́ los vectores del núcleo de la matriz B ((T ))A son de la forma
(−2z − 2t, z + t, z, t) = z (−2, 1, 1, 0) + t (−2, 1, 0, 1)
Entonces {(−2, 1, 1, 0) , (−2, 1, 0, 1)} es una base del N (B ((T ))A ).
Luego, de acuerdo con la Proposición 7.34
! $
coord−1 −1
A (−2, 1, 1, 0) , coordA (−2, 1, 0, 1) =
6 0 1 0 1 0 1 0 1
1 1 0 0 1 −1 1 0
= −2 +1 +1 +0 ,
1 1 −1 0 0 0 0 0
0 1 0 1 0 1 0 1I
1 1 0 0 1 −1 1 0
−2 +1 +0 +1 =
1 1 −1 0 0 0 0 0
60 1 0 1I
−1 −3 −1 −2
= ,
−3 −2 −3 −2
es una base del núcleo de T.
EJEMPLO 7.22. 0 Se considera

1 una transformación lineal T : R2 → R2 tal
1 2
que B ((T ))A = siendo A = B = {(1, 0) , (1, 1)}. Queremos hallar
2 4
una base del núcleo de T.
Primero calculemos una base del núcleo de la matriz B ((T ))A :
0 1 0 1
x 0
(x, y) ∈ N (B ((T ))A ) ⇔B ((T ))A = ⇔
y 0
0 1 0 1 0 1
1 2 x 0
⇔ = ⇔ x + 2y = 0 ⇔ x = −2y
2 4 y 0
Ası́ los vectores del núcleo de la matriz B ((T ))A son de la forma: (−2y, y) =
y (−2, 1). Entonces {(−2, 1)} es una base de N (B ((T ))A ). Luego, de acuerdo
! $
a la Proposición 7.34, coord−1 A (−2, 1) = {−2 (1, 0) + 1 (1, 1)} = {(−1, 1)}
es una base del N (T ).
EJEMPLO 7.23. ⎛ Se considera⎞ una transformación lineal T : P2 → R3 tal

1 2 −1
⎜ ⎟
que B ((T ))A = ⎝ 0 1 1 ⎠ siendo A = {p0 , p1 , p2 } con pi : pi (t) =
−1 1 −2
i
t (i = 0, 1, 2) y B = {(2, 0, −1) , (0, 1, 4) , (0, 0, 3)}.
Queremos hallar una base del núcleo de T.
Primero calculamos una base del núcleo de la matriz B ((T ))A

⎛ ⎞ ⎛ ⎞
x 0
⎜ ⎟ ⎜ ⎟
(x, y, z) ∈ N (B ((T ))A ) ⇔B ((T ))A ⎝ y ⎠=⎝ 0 ⎠⇔
z 0
⎛ ⎞⎛ ⎞ ⎛⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞
1 2 −1 x 0 1 2 −1 x 0
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ 0 1 1 ⎠⎝ y ⎠=⎝ 0 ⎠⇔⎝ 0 1 1 ⎠⎝ y ⎠=⎝ 0 ⎠
−1 1 −2 z 0 0 3 −3 z 0
⎛ ⎞⎛ ⎞ ⎛ ⎞
1 2 −1 x 0 6 6
⎜ ⎟⎜ ⎟ ⎜ ⎟ x + 2y − z = 0 x = 3z
⇔⎝ 0 1 1 ⎠⎝ y ⎠=⎝ 0 ⎠⇔ ⇔
y+z =0 y = −z
0 0 0 z 0
Ası́ los vectores del núcleo de B ((T ))A son de la forma:
(3z, −z, z) = z (3, −1, 1) . Entonces {(3, −1, 1)} es una base del N (B ((T ))A ).
Luego, de acuerdo a la proposición 7.34, una base del núcleo de N (T ) es
! $
coord−1
A (3, −1, 1) = {3p0 + (−1) p1 + 1p2 } = {3p0 − p1 + p2 } .

cuerpo K, A = {v1 , v2 , . . . ., vn } una base de V. B = {w1 , w2 , . . . ., wm } una
base de W, T : V → W lineal. Entonces
1) Si w ∈ Im (T ) ⇒ coordB (w) ∈ Im (B ((T ))A )
2) Si y ∈ Im (B ((T ))A ) ⇒ coord−1 B (y) ∈ Im (T )
Demostración. 1) Si w ∈ Im (T ) ⇒ existe v ∈ V tal que T (v) = w- Luego

coordB (T (v)) = coordB (w). Pero por el Teorema 7.27 coordB (T (v)) =B
((T ))A coordA (v). Ası́ coordB (w) =B ((T ))A coordA (v)
Hemos probado que existe coordA (v) ∈ Rn tal que
B ((T ))A coordA (v) = coordB (w)
⇒ coordB (w) ∈ Im (B ((T ))A )

n
2) Si y = (y1 ,⎛ ⎞) ∈ ⎛
. . . ., ym ⎞ ))A ) ⇒ existe x = (x1 , . . . ., xn ) ∈ R tal
Im (B ((T
x1 y1
⎜ . ⎟ ⎜ . ⎟
que B ((T ))A ⎜ . ⎟ ⎜ . ⎟
⎝ . ⎠=⎝ . ⎠⇒
xn ym
⇒ x1 coordB (T (v1 )) + . . . + xn coordB (T (vn )) = y
⇒ coordB (x1 T (v1 ) + . . . + xn T (vn )) = y
x1 T (v1 ) + . . . + xn T (vn ) = coord−1

B (y) ⇒
T (x1 v1 + . . . + xn vn ) = coord−1
B (y) .
> ?< =
= v0
Ası́ existe v0 ∈ V tal que T (v0 ) = coord−1 −1

B (y) ⇒ coordB (y) ∈ Im (T ) .
OBSERVACIÓN 7.36. Al igual que la observación 7.33 concluimos que

coordB es un isomorfismo entre Im (T ) y Im (B ((T ))A ).

1) Im (T ) e Im (B ((T ))A ) son isomorfos.
2) dim (Im (T )) = rango (A)
3) Si {h1 , . . . ., hk } es una base de la Im (T ) ⇒
{coordB (h1 ) , coordB (h2 ) , . . . . . . , coordB (hk )} es base de la Im (B ((T ))A )
4) si {y1 , . . . ., yk } es una base de la Im (B ((T ))A ) entonces
! $
coord−1 −1 −1
B (y1 ) , coordB (y2 ) , . . . ., coordB (yk ) es base de la Im (T ).
EJEMPLO 7.24. Consideremos la transformación lineal del ejemplo 7.21

Hallemos una base de la Im (T ).
Primero hallemos una base de la imagen de la matriz B ((T ))A .
Sabemos de la proposición 7.30 que las columnas de B ((T ))A :
{(1, 1, 1) , (−1, 0, 1) , (1, 2, 3) , (1, −1, −3)}
son un generador de la Im (B ((T ))A ). Claramente es L.D. Reducimos dicho
generador hasta obtener el generador L.I.: {(1, 1, 1) , (−1, 0, 1)}. Ası́ {(1, 1, 1) , (−1, 0, 1)}
es una base de la Im (B ((T ))A ).
Luego de acuerdo a la proposición 7.37
! $
coord−1 −1
B (1, 1, 1) , coordB (−1, 0, 1) =
= {1 (1, 1, 1) + 1 (0, 1, 1) + 1 (0, 0, 1) , −1 (1, 1, 1) + 0 (0, 1, 1) + 1 (0, 0, 1)}

= {(1, 2, 3) , (−1, −1, 0)} es base de la Im (T ).

Hallemos una base de la Im (T ). Primero hallemos una base de la imagen
de la matriz B ((T ))A . Por la proposición 7.30 las columnas de B ((T ))A ,
{(1, 2) , (2, 4)} son un generador de la Im (B ((T ))A ). Claramente es L.D.
Lo reducimos y hallamos {(1, 2)} base de la Im (B ((T ))A ). Luego por la
! $
proposición 7.37 coord−1 B (1, 2) = {1 (1, 0) + 2 (1, 1) } = {(3, 2)} es una
base de la Im (T ).

Hallemos una base de la Im (T ). De acuerdo a la proposición 7.30 {(1, 0, −1) , (2, 1, 1) , (−1, 1, −2)}
es un generador de la Im (B ((T ))A ).
Como es L.D., lo reducimos hasta obtener {(1, 0, −1) , (2, 1, 1)} que es
una base de la Im (B ((T ))A ). Luego por la proposición 7.37
! $
coord−1 −1
B (1, 0, −1) , coordB (2, 1, 1,) =
{1 (2, 0, −1) + 1 (0, 1, 4) + (−1) (0, 0, 3) , 2 (2, 0, −1) + 1 (0, 1, 4) + 1 (0, 0, 3)}
{(2, 0, −4) , (5, 1, 5)} es base de la Im (T ).
7.9. CAMBIO DE BASE. 245
7.9. Cambio de base.
Sea V un espacio vectorial de dimensión finita sobre un cuerpo K. Su-

pongamos que dim (V ) = n. Consideremos una base A del espacio V. He-
mos visto que todo vector v ∈ V , se puede representar por la n-úpla (vector
columna) coordA (v) ∈ K n .
En esta sección responderemos la siguiente pregunta natural ¿cómo cam-

bian nuestras representaciones si seleccionamos otras bases? Es decir si con-
sideramos otra base A’ del espacio V, ¿cómo se relaciona coordA′ (v) con
coordA (v)?
Para responder estas preguntas necesitamos la siguiente
DEFINICIÓN 7.10. Sean A = {v1 , v2 , . . . , vn } y A′ = {v1′ , v2′ , . . . , vn′ }
bases del espacio V e I : V → V la transformación identidad (esto es
I (v) = v ∀v ∈ V ). Llamaremos matriz de cambio de la base (”vieja”) A a
la base (”nueva”) A’ a la matriz: A′ ((I))A .
La relación entre las coordenadas está dada por la siguiente

PROPOSICIÓN 7.38. coordA′ (v) =A′ ((I))A coordA (v)
Demostración. Por Teorema 7.27
coordA′ (I (v)) =A′ ((I))A coordA (v)
Pero siendo I (v) = v, se obtiene la hipótesis.
PROPOSICIÓN 7.39. Sea V un espacio vectorial sobre un cuerpo K. A

y A’ bases de V. I⎛: V → V la transformación
⎞ lineal identidad. Entonces:
1 0 ... 0
⎜ ⎟
⎜ 0 1 ... 0 ⎟
1) A ((I))A = ⎜⎜ .. .. .. ⎟
⎟ (matriz identidad)
⎝ . . . ⎠
0 0 ... 1
2) A′ ((I))A es invertible y [A ′ ((I))A ]−1 =A ((I))A′

cuerpo K, A, A’ bases de V, B, B’ bases de W, T : V → W una transfor-
mación lineal. Entonces
B′ ((T ))A′ =B ′ ((IW ))B B ((T ))A A ((IV ))A′
donde IV : V → V y IW : W → W son las transformaciones lineales

identidad en V y W respectivamente.
Demostración. Como IW ◦ T ◦ IV ≡ T se tiene, aplicando la proposición

7.23 reiteradamente
B′ ((IW ◦ T ◦ IV ))A′ =B ′ ((T ))A′ ⇒ B′ ((IW ))B B ((T ◦ IV ))A′ =B ′ ((T ))A′
⇒ B′ ((IW ))B B ((T ))A A ((IV ))A′ =B ′ ((T ))A′ .
7.10. Operadores y matrices semejantes.
Sea V un espacio vectorial de dimensión finita sobre un cuerpo K. Su-

pondremos que dimK (V ) = n.
DEFINICIÓN 7.11. Llamaremos operador en V a toda transformación

lineal T : V → V .
DEFINICIÓN 7.12. Sean A yB ∈ Mnxn (K). Diremos que A y B son

semejantes cuando existe P ∈ Mn×n (K) invertible tal que B = P −1 A P .
7.10. OPERADORES Y MATRICES SEMEJANTES. 247
0 1 0 1
3 −2 4 −2
EJEMPLO 7.27. La matriz B = y la matriz A =
1 2 2 1
0 1 0 1
1 −1 0 1
son semejantes, pues existe P = cuya inversa es P −1 =
1 0 −1 1
0 1 0 1 0 1 0 1
3 −2 0 1 4 −2 1 −1
tal que = (verifique!).
1 2 −1 1 2 1 1 0
PROPOSICIÓN 7.41. Sean A, B ∈ Mnxn (K). A y B son semejantes ⇔

A y B son representaciones matriciales de un mismo operador T en V, para
algún espacio vectorial V .
n
Demostración. (⇒) Si consideramos ⎛ la⎞transformación lineal T : K →
x1
⎜ ⎟
⎜ x2 ⎟
K tal que T (x1 , x2 , . . . ., xn ) = A ⎜ . ⎟
n ⎜
⎟, entonces de acuerdo a la Pro-
⎝ .. ⎠
xn
posición 7.28(b) tenemos A =E ((T ))E siendo E = {e1 , e2 , . . . ., en } la base
canónica de K n .
Por otro lado, siendo A y B semejantes, existe P ∈ Mn×n (R) invertible
tal que:
B = P −1 AP
Pero se cumple que: P =E ((I))H donde H = {P e1 , P e2 , . . . ., P en } y por la
Proposición 7.39
P −1 =H ((I))E
Ası́
B =H ((I))E E ((T ))E E ((I))H
Pero por la Proposición 7.40
H ((I))E E ((T ))E E ((I))H =H ((T ))H

Por lo tanto
B =H ((T ))H
(⇐) Supongamos que B =H ((T ))H , A =E ((T ))E . Por la Proposición

7.40 sabemos que
H ((T ))H =H ((I))E E ((T ))E E ((I))H
Sea P =E ((I))H , por la Proposición 7.39 tenemos que P −1 =H ((I))E .

Hemos probado entonces que B = P −1 A P , es decir A y B son semejantes.
PROPOSICIÓN 7.42. Sean A y B matrices semejantes en Mn×n (K).

Entonces
1) rango (A) = rango (B)
2) traza (A) = traza (B)
3) det (A) = det (B)
Demostración. 1) Por la proposición anterior, existe un operador lineal

en V y bases A y B en dicho espacio tales que A =A ((T ))A yB =B ((T ))B .
Luego rango (A) = rango (A ((T ))A ) = dim (Im (T ))
rango (B) = rango (B ((T ))B ) = dim (Im (T ))
Ası́ rango (A) = rango (B)

2) Existe P ∈ Mnxn (R) invertible tal que B = P −1 A P . Luego
" # " #
traza (B) = traza P −1 A P = traza A P P −1 = traza (A I) = traza (A)
(Recordar que traza(MN )=traza(NM ))

" # " #
3)det (B) = det P −1 A P = det P −1 det (A) det (P ) =
" #
= det (A) det P −1 det (P ) = det (A)
" #
(Recordar que det(MN )=det(M ).det(N ) y det M −1 = (det (M ))− 1 ).
7.11. EL ESPACIO VECTORIAL L (V, W ) 249
OBSERVACI
0 1 ÓN 7.43.
0 No vale
1 el recı́proco de la proposición anterior pues
1 0 1 0
A= yB= cumplen
0 1 1 1
rango (A) = rango (B) = 2

traza (A) = traza (B) = 2
det (A) = det (B) = 1
Sin embargo, no puede existir P invertible tal que B = P −1 AP pues B ̸= A.
7.11. El espacio vectorial L (V, W )
Sean V, W espacios sobre un mismo cuerpo K. Notaremos L (V, W ) al

conjunto de todas las transformaciones lineales T : V → W .
PROPOSICIÓN 7.44. El conjunto L(V, W ) con la suma de transforma-

ciones lineales y el producto por un escalar por una transformación lineal
definidas en la sección 2, forman un espacio vectorial.
PROPOSICIÓN 7.45. Sean V,W espacios vectoriales de dimensión finita

sobre un mismo cuerpo K. Supongamos que dim (V ) = n y dim (W ) = m,
entonces L (V, W ) es isomorfo a Mmxn (K).
Demostración. Probaremos que existe una transformación lineal
F : L (V, W ) → Mmxn (K)
biyectiva.
Definimos F de la siguiente manera: Fijemos A base de V y B base de
W. Luego, a cada transformación T ∈ L (V, W ) le asignamos por imagen
mediante F a la matriz B ((T ))A ∈ Mmxn (K), esto es F (T ) =B ((T ))A

Probemos que F es lineal. Sean T1 , T2 ∈ L (V, W ) y λ, µ ∈ K.
F (λT1 + µT2 ) =B ((λT1 + µT2 ))A = λB ((T1 ))A + µB ((T2 ))A =
λF (T1 ) + µF (T2 ) .
Probemos que F es biyectiva.
1) F es inyectiva. Sean T1 , T2 ∈ L (V, W ) tales que T1 ̸= T2 . Debemos
probar que F (T1 ) ̸= F (T2 ).
En efecto siendo A una base de V por la proposición 7.3 existe vi ∈ A tal
que T1 (vi ) ̸= T2 (vi ), entonces coordB (T1 (vi )) ̸= coordB (T2 (vi )). Pero de
acuerdo a la definición de matriz asociada coordB (T1 (vi )) y coordB (T2 (vi ))
son las i-ésimas columnas de las matrices B ((T1 ))A y B ((T2 ))A respectiva-
mente.
Ası́ B ((T1 )) A ̸=B ((T2 )) A ; esto es F (T1 ) ̸= F (T2 ).
2) F es sobreyectiva. Dada M ∈ Mnxn (R), debemos probar que existe
T ∈ L (V, W ) tal que F (T ) = M .
Vimos en la observación 7.22 que dada una matriz M ∈ Mnxn (K) existe
una transformación lineal T : V → W tal que B ((T )) A = M , es decir que
existe T ∈ L (V, W ), F (T ) = M.
COROLARIO 7.46. Sean V,W espacios vectoriales de dimensión finita

sobre un mismo cuerpo K.
Se cumple que dim (L (V, W )) = dim (V ) .dim (W ).

Geometría y Algebra Lineal I

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Geometría y Algebra Lineal I

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Geometría y Algebra Lineal I

Cargado por

Copyright:

Formatos disponibles

Geometrı́a y Algebra Lineal I

Instituto de Matemática y Estadı́stica

“Prof. Rafael Laguardia”

Facultad de Ingenierı́a Universidad de la República

Capı́tulo 0. RELACIONES Y FUNCIONES 1

Capı́tulo 1. SISTEMAS LINEALES DE ECUACIONES Y MATRICES

Capı́tulo 2. ÁLGEBRA DE MATRICES 49

2.8. Matrices elementales 87

Capı́tulo 4. RECTAS Y PLANOS EN EL ESPACIO 127

Capı́tulo 5. PRODUCTO ESCALAR Y VECTORIAL 145

Capı́tulo 6. ESPACIOS VECTORIALES 167

6.5. Base de un espacio vectorial y dimensión 187

Capı́tulo 7. TRANSFORMACIONES LINEALES. 205

Estas notas son una reelaboración, corregida y muy modificada de las

La estructura general del libro -que no será necesariamente la del curso-

En el Capı́tulo Uno se estudian los Sistemas de Ecuaciones Lineales, se

En la presente edición colaboró particularmente José Dı́az.

Lecturas complementarias recomendadas. De cualquiera de los li-

una introducción al Matlab y tiene numerosos ejercicios, in-

Marzo del 2000

En este capı́tulo introduciremos algunas definiciones y notaciones básicas

Comenzaremos introduciendo la noción de relación mediante una defi-

Dados dos conjuntos, A y B, indicaremos con A × B el conjunto consti-

Presuponiendo solo los conceptos de conjunto, subconjunto, elemento y

DEFINICIÓN 0.1. Una relación en un conjunto A, es un subconjunto R

Si (a,b) ∈ R diremos que a esta en relación R con b y escribiremos aRb.

EJEMPLO 0.1. En todo conjunto A la relación de igualdad esta dada por

EJEMPLO 0.2. Sea Z el conjunto de los números enteros, consideremos:

0.2. Relaciones de equivalencia

DEFINICIÓN 0.2. Una relación R en A se dice reflexiva si aRa para todo

Cuando R es una relación de equivalencia, si aRb diremos que a es

Las propiedades que definen una relación de equivalencia en un conjunto

Mencionaremos algunos ejemplos de relaciones de equivalencia que son

EJEMPLO 0.3. En todo conjunto A se tiene una relación de equivalencia

EJEMPLO 0.4. Sea N el conjunto de los números naturales. A fin de

EJEMPLO 0.5. Sea Z el conjunto de los enteros. A fin de obtener los

EJEMPLO 0.6. Dado un entero fijo m, se define una relación de equiva-

EJEMPLO 0.7. En el conjunto de los reales R, se tiene una relación de

Anotamos para usarlo mas adelante, que, de la definición de esta relación

EJEMPLO 0.9. Llamaremos figura del plano a todo conjunto de puntos

DEFINICIÓN 0.3. Dada una relación de equivalencia en un conjunto A y

De las condiciones b) y c) de la definición de relación de equivalencia

El siguiente resultado muestra que el conjunto de las clases de equiva-

PROPOSICIÓN 0.1. Dadas dos clases de equivalencia cl(a) y cl(b) en

PROPOSICIÓN 0.2. Recı́procamente, dada una clase cualquiera C de

Demostración de 0.1. En efecto, supongamos que c ∈ cl(a) y c ∈ cl(b),

Demostración de 0.2. Se puede demostrar, que definiendo a ∼ b cuando

0.3. Conjunto Cociente

DEFINICIÓN 0.4. Llamaremos ”conjunto cociente de A por R”, a

- Veamos cuales son los conjuntos cociente que se obtienen de algunas

EJEMPLO 0.10. En este caso cada a ∈ A solo es equivalente a sı́ mismo

EJEMPLO 0.11. En este caso la cl(a,b) = {(a’,b’) ∈ N × N / a + b’

EJEMPLO 0.12. En este ejemplo las clases de equivalencia son de la forma:

EJEMPLO 0.13. En este caso cl(a) = {a , a ± m , a ± 2.m , . . .}.

EJEMPLO 0.14. En este ejemplo cl(r) = { r + n / n ∈ Z }. Como todo

EJEMPLO 0.15. Llamaremos ángulo de vértice O, a toda la clase de equi-

Una función se determina dando dos conjuntos y asociando a cada ele-

DEFINICIÓN 0.5. Una función es una terna ordenada F = (A,B,G),

A se llama el dominio o conjunto de partida, B el codominio o con-