Algebra Lineal Joe Garcia

O BJE T I V O
Resolver problemas sobre matrices, utilizando definiciones, propiedades y mtodos adecuados para
cada tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O N T E NI D O :
1.1
1.2
1.3
1.4
1.5
1.6
1.7
ALGEBRA DE MATRICES
CLASIFICACION DE LAS MATRICES CUADRADAS
MATRIZ TRANSPUESTA
MATRIZ TRANSPUESTA - CONJUGADA
TRAZA DE UNA MATRIZ
POTENCIA DE UNA MATRIZ
CUESTIONARIO
1.1 A L G E B R A D E M A T RI C ES
En esta seccin se introduce terminologa bsica, se define una matriz, matriz identidad y matriz escalar. Se define
y establecen las operaciones que se pueden realizar entre matrices, adems, enunciaremos las propiedades ms
importantes.
Las matrices se escribirn mediante un solo smbolo, que por lo comn sern letras
maysculas como A, B, C, D, etc. Cuando no se utilicen nmeros especficos para
designar los elementos de una matriz, se utilizarn minsculas de la forma a ij. No
existen restricciones sobre el nmero de filas o columnas que una matriz puede tener.
D E F IN I C I O N 1.1.1
Una matriz es una ordenacin rectangular de elementos distribuidos en n
filas (horizontales) y m columnas (verticales), el elemento que est en la
i-sima fila y en la j-sima columna se denota por a ij, siendo este elemento,
un nmero real o complejo. Formalmente lo denotamos como A = (a ij).
Una matriz con n filas y m columnas se llama matriz de n x m; la expresin n x m es
su orden o forma y lo expresamos como
a1m
a11 a12
a
a22
a2 m
A 21
a
anm
n1 an 2
En otras palabras, podemos decir que una matriz de n x m definida sobre el conjunto
K , es una aplicacin a : A x B o K que asocia a cada par (i, j) el nmero a ij. Los
MATRICES
elementos horizontales ai1, a i2, ..., aim representan las filas de la matriz y los
elementos verticales a1j, a2j, ..., anj representan las columnas. As, la letra i representa
la fila y la j representa la columna.
Si n = m la matriz se denomina cuadrada y se dice que tiene orden n. Si una matriz
tiene una sola fila, se le llama matriz fila y se la representa por
A = (a i1 a i2 ... a im).
Si una matriz tiene una sola columna, se le llama matriz columna y se representa por
a1 j
a2 j
A
.
a nj
En particular, un elemento a ij puede considerarse como una matriz de una fila y una
columna. Es conveniente designar a la matriz con letras maysculas en
correspondencia, si es posible, con la letra minscula comn con la cual se designan
sus elementos.
A continuacin se dan algunos tipos de matrices:
1 0 4
1
2 5 7

A 5 6 2 ; B
; C 4 ; D
1
9
2
7 9 1
8

siendo A una matriz de 3 x 3, B de 2 x 3, C de 3 x 1 y D de 1 x 3.
1
2 9 ,
Una matriz cuadrada que tiene el nmero 1 como elementos de la diagonal
principal, y los dems elementos son ceros, se denomina matriz identidad y
1, si i j
se denota como I = (Gij), donde Gij
, G se denomina delta de
0, si i z j
Kronecker.
Matrices de este tipo se dan a continuacin:
I2
1 0
; I3
0 1
1 0 0
0 1 0 ; I4
0 0 1
0
0
0
1
0
0
0
0
1
0
0
; etc.
0
Una matriz cuadrada que tiene el nmero D K diferente de cero, como
elementos de la diagonal principal, y los dems elementos son ceros, se
denomina matriz escalar y se denota como E = DI.
Este tipo de matrices tienen la siguiente forma:
0
0
a b
1 0 0
a 0
1 0
E2
a b
0 ( a b) 0 1 0 ; etc.
a
; E3 0
0 a
0 1
0
0 0 1
0
a b
La definicin de operaciones entre matrices es lo que determina la utilidad de ellas

puesto que una matriz de por s es solamente un arreglo de nmeros. Veremos que
aquellas definiciones que intuitivamente parecen obvias para operar con matrices son
tambin las ms tiles.
ALGEBRA LINEAL CON MATLAB
JOE GARCIA ARCOS
MATRICES
A continuacin se explican algunas operaciones que se pueden realizar con matrices.

Definidas las matrices, podemos comenzar a estudiar su lgebra. Se explicar
primero el significado de la afirmacin de que dos matrices A y B son iguales.
Lo anterior significa que los elementos correspondientes de cada matriz son iguales,
es decir a ij = bij para cada i y j. Cuando las matrices son iguales, se escribe A = B.
Para que dos matrices sean iguales, el nmero de filas de A debe ser el mismo que el
nmero de filas de B, y el nmero de columnas de A debe ser el mismo que el
nmero de columnas de B.
Dadas A = (a ij), B = (bij), matrices de igual orden. Las matrices A y B se
dice son iguales si y slo si los elementos correspondientes a cada una de
estas son iguales.
Es decir, dadas las matrices
a1 m
b1 m
a11 a1 2
b11 b1 2
a2 m
b2 m
a21 a2 2
b21 b2 2
A
y B =
an 1 an 2
bn 1 bn 2
a
b
n
m
n
m
por definicin estas matrices son iguales si y slo si se cumple que a11 = b11,
a12 = b12, ..., anm = bnm. De manera ms compacta, se escribe A = B si a ij = bij, para
todo i, j .
EJ E M P L O 1.1.1
Sean A y B dos matrices de 2 x 3:
1 S
b
a b 1 2 2b a
c
A
.
y B
b
a b
a
c S 3c S i
Cuando A y B son iguales?
SO L U C I O N
Las matrices A y B son iguales si cumplen la siguiente identidad:
b 1 S
a b 1 2 2b a
c

a

b
a

b
c S 3 S i
lo cual implica que
a b + 1 = i, 2 + 2b a = S, b = c, a = c + S, - b = 3 y a b = S + i.
EJ E M P L O 1.1.2
Determine los valores de a, b y c para que las matrices dadas sean iguales
2 4
a 2b c 2 a c
A
y B
.
a 2b
1 6
a 1
SO L U C I O N
Para que A y B sean iguales se debe cumplir por definicin que sus correspondientes
elementos sean iguales, es decir:
a 2b c 2
a 2b c 2
a 0
2a c 4
2a c 4

b 3 .
a

1
1
a
0
c 4
a 2b 6
a 2b 6
Se definir ahora la suma de matrices, que consiste simplemente, como esperar el
lector, en sumar los elementos correspondientes. Es decir, la suma C de una matriz A
que tenga n filas y m columnas, y una matriz B que tenga n filas y m columnas es
JOE GARCIA ARCOS
MATRICES
una matriz que tiene n filas y m columnas cuyos elementos estn dados por
cij = a ij + bij, para todo i, j.
Dadas A = (a ij), B = (bij) y C = (cij), matrices de igual orden. Si se cumple
que
C = (a ij) + (bij) = (aij + bij) = (c ij), i, j N
a la matriz C se le denomina adicin de A y B.
Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra
matriz del mismo orden cuyos elementos se obtienen sumando trmino a trmino los
correspondientes a dichas matrices, se denomina adicin de matrices. Dadas las
matrices A y B, detalladamente podemos interpretar la adicin de matrices de la
siguiente manera:
C=A+B
b1 m
a1m b11 b1 2
a11 a12
b
b2 m
a2 m 21 b2 2
a21 a22

anm bn 1 bn 2
b
an1 an 2
nm
a1 m b1 m
a11 b11 a1 2 b1 2
a2 m b2 m
a21 b21 a2 2 b2 2
an 1 bn 1 an 2 bn 2
an m bn m
Debemos tener muy en cuenta que la adicin de las matrices A y B se puede realizar
solamente cuando B tiene el mismo nmero de filas y el mismo nmero de columnas
que A. De aqu que el orden de la matriz suma es la misma que la de los sumandos.
EJ E M P L O 1.1.3
Dadas las matrices
A 5 3i
S
Sen
2
Determine A + B.
SO L U C I O N
6
9
4i
S y B
Tan
3
4
5
3
Cos S
i
S
3S
Tan
4
4i
3
Tan
4i
4i
4

6
S 5
3
S

S
3S
9
1 Cos
i
Tan
2
4

S
1 (3)
1 Tan
4i (4i )
0
2 1 i
(5 3i ) (5)
63
S S 3i
9 (1 i ) S .

S
S
3S
1 9i
0
Sen Cos
9i
1 Tan
2
2
4
5 3i
S
Sen
2
A+B
1
1
JOE GARCIA ARCOS
MATRICES
T E O R E M A 1.1.1
Sean las matrices A = (aij), O = (oij) de igual orden, entonces
A + O = O + A = A.
D E M OST R A C I O N
Sean A, O matrices de igual orden, entonces
A + O = (aij) + (oij)
= (a ij + oij)
= (oij + a ij)
= (a ij)
= A.
T E O R E M A 1.1.2
Si A = (a ij) y B = (bij) son matrices de igual orden, entonces la adicin de
matrices es conmutativa, es decir, A + B = B + A.
Sean las matrices A, B de igual orden, entonces:
A + B = (a ij) + (bij)
= (a ij + bij)
= (bij + a ij)
= (bij) + (a ij)
= B + A.
T E O R E M A 1.1.3
Si A = (a ij), B = (bij), C = (c ij) son matrices de igual orden, entonces la adicin
de matrices es asociativa, es decir, A + (B + C) = (A + B) + C.
Sean A, B, C matrices de igual orden, entonces:
A + (B + C) = (a ij) + (bij) + (cij)
= (a ij) + (bij + c ij)
= (a ij + bij + c ij)
= ( a ij + bij) + (c ij)
= (( a ij) + (bij)) + (c ij)
= (A + B) + C.

% CALCULAR LA SUMA DE MATRICES

clc;clear;
fprintf('\n SUMA DE MATRICES \n')
fil=input('Ingrese el numero de filas de las Matrices A y B: ');
col=input('Ingrese el numero de columnas de las Matrices A y B: ');
%Ingreso de elementos
fprintf('Matriz A:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento A:(%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf('Matriz B:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento B:(%d,%d)',f,c)
B(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ B ES:\n')
B
JOE GARCIA ARCOS
MATRICES
end
fprintf(' LA SUMA C ES:\n')
C=A+B
end
La siguiente operacin que se considerar es la de multiplicar una matriz por un

nmero. Esta operacin recibe el nombre de multiplicacin por un escalar. Para
multiplicar una matriz A por un nmero D, simplemente se multiplica cada elemento
de A por D.
Dada A = (a ij) una matriz arbitraria y D un escalar. El producto del escalar D
y la matriz A se define como la matriz C = (cij) del mismo orden que A,
cuyos elementos se obtienen multiplicando el escalar por cada uno de los
elementos de A.
Es decir; formalmente se expresa esta operacin de la siguiente manera:
a1 m Da11 Da1 2
Da1 m
a11 a1 2
a2 m Da21 Da2 2
D a2 m
a21 a2 2
C = A D

an 1 an 2
a
D
a
D
a
D
a
nm
n1
n2
nm
Cada elemento de A se multiplica por el escalar D. El producto DA es, por

consiguiente, otra matriz con n filas y m columnas, si A tiene n filas y m columnas.
Es decir, la matriz resultante del producto por un escalar conserva el orden de la
matriz original.
EJ E M P L O 1.1.4
Dada la matriz
A
Tan 4
Cos
S
4
1 i
1
y k = 1 + i.
S
Sen
4
Determine k A.
SO L U C I O N
kA
Tan 4
(1 i )
i
Cos
S
4
1 i
1
S
Sen
4
S
S
(1 i )Tan 4 (1 i ) Cos 4 (1 i ) 1
S
(1 i )i
(1 i )(1 i ) (1 i ) Sen
1 i
i 1
1 i
2
1 i
i 1 2
T E O R E M A 1.1.4
Sea A = (a ij) una matriz arbitraria y k un nmero, entonces k A = A k.
Sean A una matriz arbitraria y k un nmero, entonces:
JOE GARCIA ARCOS
MATRICES
k A = k(a ij)
= (ka ij)
= (a ijk)
= (a ij)k
= A k.
EJ E M P L O 1.1.5
Un fabricante de sacos los produce en color negro, azul y rojo para hombres, mujeres
y nios. La capacidad de produccin en miles en la planta A est dada por la matriz
Hombres Mujeres Nios
Negro
3
5
6
Azul
2
3
4
Rojo
5
1
3
La produccin en la planta B est dada por
Negro
2
3
3
Azul
4
2
5
Rojo
1
3
2
a.- Determine la representacin matricial de la produccin total de cada tipo de
sacos en ambas plantas.
b.- Si la produccin en A se incrementa en un 15% y la de B en un 30%, encuentre
la matriz que representa la nueva produccin total de cada tipo de saco.
SO L U C I O N
a.- Para obtener la matriz de produccin total, sumamos las matrices que relacionan
las plantas A y B:
3 5 6 2 3 3 5 8 9
2 3 4 4 2 5 6 5 9 .
5 1 3 1 3 2 6 4 5
b.- La nueva matriz de produccin total la obtenemos sumando las matrices

3 5 6
2 3 3 6.05 9.65 10.8
1.15 A +1.30 B 1.15 2 3 4 1.30 4 2 5 7.5 6.05 11.1 .

5 1 3
1 3 2 7.05 5.05 6.05
EJ E M P L O 1.1.6
El costo en dlares de comprar un boleto areo de la ciudad A a cada una de las
cuatro ciudades B, C, D y E, est relacionado en la matriz P = (75 62 35 55). Si la
directiva de la aviacin civil aprueban un incremento del 12% en las tarifas. Hallar
las nuevas tarifas.
SO L U C I O N
Las nuevas tarifas se obtienen multiplicando la matriz P por 1.12, es decir;
1.12P 1.12 75 62 35 55 84 69, 44 39, 2 61,6 .
EJ E M P L O 1.1.7
Una empresa produce tres tamaos de radios en tres modelos diferentes. La
produccin en miles en su planta A est dada por la matriz
Tamao 1 Tamao 2 Tamao 3
Modelo 1
20
32
25
Modelo 2
15
15
29
Modelo 3
12
27
30
La produccin en miles en su planta B est dada por la matriz
JOE GARCIA ARCOS
MATRICES

Modelo 1
35
42
19
Modelo 2
25
35
25
Modelo 3
12
18
21
a.- Escriba una matriz que represente la produccin total de radios en ambas plantas.
b.- El dueo de la empresa planea abrir una tercera planta en C, la cual tendr una
vez y cuarto la capacidad de la planta en A. Escriba la matriz que representa la
produccin en la planta C.
c.- Cul sera la produccin total de las tres plantas?
SO L U C I O N
a.- Para representar la produccin total en ambas plantas, debemos sumar ambas
matrices
20 32 25 35 42 19 55 74 44
15 15 29 25 35 25 40 50 54 .
12 27 30 12 18 21 24 45 51
b.- Para encontrar la matriz C, tenemos que multiplicar a la matriz A por 1.25, es
decir
40 31.25
20 32 25 25
1.25 15 15 29 18.75 18.75 36.25 .

12 27 30 15
33.75 37.5

c.- Para representar la produccin total de las tres plantas, debemos sumar las
matrices A, B y C, es decir:
40 31.25
20 32 25 35 42 19 25
A + B + C 15 15 29 25 35 25 18.75 18.75 36.25

12 27 30 12 18 21 15
33.75 37.5

114 75.25
80
58.75
68.75
90.25 .
39
78.75 88.5
EJ E M P L O 1.1.8
Una compaa tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas en
los lugares P, Q, R y S. El costo en miles de dlares de transportar cada unidad de su
producto de una planta a una bodega est dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P
13
12
17
12
Bodega Q
19
17
13
15
Bodega R
8
9
11
13
Bodega S
19
21
9
15
a.- Si los costos de transportacin se incrementan uniformemente en $500 por
unidad, cul es la nueva matriz?
b.- Si los costos de transportacin se elevan en un 25%, escriba los nuevos costos.
SO L U C I O N
a.- Obtenemos la nueva matriz, sumndole a la matriz A la matriz de incrementos
13 12 17 12 0.5 0.5 0.5 0.5 13.5 12.5 17.5 12.5
19 17 13 15 0.5 0.5 0.5 0.5 19.5 17.5 13.5 15.5 .

8 9 11 13 0.5 0.5 0.5 0.5 8.5 9.5 11.5 13.5
19 21 9 15 0.5 0.5 0.5 0.5 19.5 21.5 9.5 15.5

b.- Los nuevos datos los obtenemos multiplicando la matriz A por 1.25, es decir
JOE GARCIA ARCOS
MATRICES
15
21.25 15
13 12 17 12 16.25
19 17 13 15 23.75 21.25 16.25 18.75

.
1.25
8 9 11 13 10
11.25 13.75 16.25
19 21 9 15 23.75 26.25 11.25 18.75
T E O R E M A 1.1.5
Si A = (aij), B = (bij) son matrices de igual orden y k un nmero, entonces se
cumple la ley distributiva respecto a la adicin de matricial, es decir,
k(A + B) = k A + k B.
Sean A, B matrices de igual orden y k un nmero, entonces:
k(A + B) = k((a ij) + (bij))
= k(a ij) + bij)
= (ka ij + kbij)
= (ka ij) + (kbij)
= k A + k B.
T E O R E M A 1.1.6
Si A = (a ij) es una matriz arbitraria y k, t nmeros, entonces se cumple la ley
distributiva con respecto a la adicin de escalares, es decir,
(k + t)A = k A + t A.
Sean A una matriz arbitraria y k, t nmeros, entonces:
(k + t)A = (k + t)( a ij)
= ((k + t) a ij)
= (ka ij + ta ij)
= (ka ij) + (ta ij)
= k A + t A.
% MULTIPLICACION DE UN ESCALAR Y UNA MATRIZ
clc;clear;
fprintf('\n PRODUCTO POR UN ESCALAR \n')
fil=input('Ingrese el numero de filas de la Matriz A: ');
col=input('Ingrese el numero de columnas de la Matriz A: ');
n=input('Ingrese el escalar: ');
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',f,c)
A(f,c)=input(' :');
end
fprintf('\ LA MATRIZ A ES: \n')
A
end
fprintf('\ LA MATRIZ PRODUCTO B ES: \n')
B=A*n
End

La matriz opuesta de A puede obtenerse multiplicando la matriz original por el

escalar 1. De acuerdo con esta definicin; B = (-1)A, notndose B = -A, lo cual
podemos expresarlo detalladamente como
a1 m a11 a1 2
a1 m
a11 a1 2
a2 m a21 a2 2
a2 m
a21 a2 2
C = A + (- A )

an 1 an 2
an m an 1 an 2
an m
JOE GARCIA ARCOS
10
MATRICES
a11 a11
a21 a21
an 1 an 1
a1 2 a1 2
a2 2 a2 2
an 2 an 2
a1 m a1 m 0 0
a2 m a2 m 0 0

an m an m 0 0
0
.
Una matriz B = (bij) que, dada una matriz A = (a ij) cumple la ecuacin
matricial
(oij) = (a ij) + (bij), para todo i, j N
recibe el nombre de matriz opuesta o negativa de A.
La operacin de restar una matriz B de una matriz A se define exactamente como
esperar el lector: A B es la matriz cuyos elementos son a ij bij. Se observa
tambin que la resta puede definirse en trminos de operaciones ya definidas,
como
A B = A + (-B).
Es decir, para restar dos matrices, restamos sus correspondientes elementos.
Dadas A = (a ij), B = (bij) y C = (c ij), matrices de igual orden. Si se cumple
que
C = A - B = (aij) - (bij) = (a ij bij) = (c ij), i, j N
a la matriz C se le denomina resta de A y B.
Es decir; si a cada par de matrices de orden n x m le hacemos corresponder otra
matriz del mismo orden cuyos elementos se obtienen restando trmino a trmino
los correspondientes a dichas matrices, se denomina resta de matrices. Dadas las
matrices A y B, detalladamente podemos interpretar la resta de matrices de la
siguiente manera:
C = A-B
a1 m b11 b1 2
b1 m
a11 a1 2
a2 m b21 b2 2
b2 m
a21 a2 2
=

an 1 an 2
an m bn 1 bn 2
bn m
a1 m b1 m
a11 b11 a1 2 b1 2
a2 m b2 m
a21 b21 a2 2 b2 2
an 1 bn 1 an 2 bn 2
an m bn m
Debemos tener muy en cuenta, como lo hicimos para la adicin, que la resta de las
matrices A y B se puede realizar solamente cuando tienen el mismo orden. De aqu
que el orden de la matriz obtenida de la resta es la misma que la de A y B.
E J E M P L O 1.1.9
Dadas las matrices
13 5 12
-6 11 3
y B =
.
17 6 8
15 2 1
Determine la matriz M tal que A - 2M = 3B.
SO L U C I O N
Como A 2M = 3B, entonces:
A
JOE GARCIA ARCOS
MATRICES
11
1
2M = A 3B M = ( A - 3B )
2
Reemplazando los datos conocidos, obtenemos:
1 13 5 12 -6 11 3 1 13 5 12 -18 33 9
M =
- 3
=
-
2 17 6 8 15 2 1 2 17 6 8 45 6 3
1 31 28 3
.
2 28 0 5
EJ E M P L O 1.1.10
Dadas las matrices
A
Sen 4
Cos S
S
Cos
4
,
S
Sen
4
Tan 4
Sen S
S
Sen
4
.
S
Tan
4
Determine A - B.
SO L U C I O N
A -B
Sen 4
Cos S
S
S
S
Cos Tan
Sen
4
4
4
S
S
S
Sen Sen
Tan
4
4
4
2
1
2
2
.
2
1
2
2

2
2
1
2
2 2

2 2
EJ E M P L O 1.1.11
Tres mquinas de gaseosas se localizan en un centro comercial. El contenido de estas
mquinas se presenta en la siguiente matriz de inventario:
Coca - Cola Fanta Sprite
Maquina I
65
32
84
Maquina II
92
65
36
Maquina III
45
72
93
Los elementos indican el nmero de latas de cada tipo de gaseosa que contiene cada
mquina. Suponga que la matriz de ventas para el da siguiente es
Coca - Cola Fanta Sprite
Maquina I
53
25
70
Maquina II
80
60
30
Maquina III
35
65
85
donde los elementos indican el nmero de latas de cada tipo de gaseosa que vende
cada mquina. Hallar la matriz de inventario al final del da.
SO L U C I O N
La matriz de inventario al final del da se obtiene de la siguiente manera:
65 32 84 53 25 70 12 7 14
92 65 36 80 60 30 12 5 6 .
45 72 93 35 65 85 10 7 8
Si cada mquina se recarga con 30 latas de Coca-Cola, 20 latas de Fanta y 15 latas de

Sprite, entonces la matriz de inventarios es la siguiente:
JOE GARCIA ARCOS
12
MATRICES
12 7 14 30 20 15 42 27 29
12 5 6 30 20 15 42 25 21 .
10 7 8 30 20 15 40 27 23
E J E M P L O 1.1.12
Determnense las matrices P y Q de orden 3 x 2, tales que satisfagan el sistema de
1 3
-1 0
2 P + 3Q = A
ecuaciones
, donde A = 2 4 y B = -1 -3 .
P
Q
=
B
1 2
1 -1
SO L U C I O N
Multiplicando la segunda ecuacin por 2, y sumandole a la primera, obtenemos las
matrices P y Q.
P = - A - 3B
Q = A + 2B
Es decir:
1 3 -1 0 -1 -3 -3 0 2 -3
P = - 2 4 - 3 -1 -3 = -2 -4 - -3 -9 = 1 5
1 2 1 -1 -1 -2 3 -3 -4 1
1
3
-1
0
1
3
-2
0
-1
3
Q = 2 4 + 2 -1 -3 = 2 4 + -2 -6 = 0 -2 .
1 2
1 -1 1 2 2 -2 3 0
A continuacin, dividamos una matriz A en partes mediante un sistema de rectas

verticales y horizontales. Estas partes pueden ser consideradas como matrices de
rdenes inferiores que forman, interpretadas como elementos, la propia matriz; se
denominan bloques o submatrices de la matriz A, mientras que la propia matriz A,
dividida de un modo determinado en submatrices, se denomina hipermatriz. Una
misma matriz puede ser dividida en submatrices de diferentes maneras.
Se denomina hipermatriz a una ordenacin rectangular de submatrices. Una
submatriz derivada de una matriz A es la formada por los elementos que
pertenecen simultneamente a h filas y k columnas de A.
La conveniencia de la divisin en submatrices consiste en que las operaciones
principales sobre hipermatrices se realizan formalmente siguiendo las mismas reglas
que en el caso de matrices corrientes. En efecto, supongamos una matriz A dividida
de algn modo en submatrices:
A 1n
A 11 A 12
A
A
A
22
2n
A 21
.
A mn
A m1 A m 2
Al multiplicar todas las submatrices por un nmero k multiplicaremos, al mismo
tiempo, todos los elementos de la matriz A por k. Por consiguiente
k A 1n
k A 11 k A 12
k
A
k
A
k
A 2n
22
k A 21
.
k A mn
k A m1 k A m 2
Sea B una matriz dividida en el mismo nmero de submatrices que la matriz A
JOE GARCIA ARCOS
MATRICES
13
B1n
B11 B12
B
B 22
B 2n
.
B 21
B mn
B m1 B m 2
supongamos, adems, que las correspondientes submatrices de las matrices A y B
son del mismo nmero de filas y de columnas respectivamente. Para sumar las
matrices A y B hay que sumar sus elementos correspondientes. Pero lo mismo
ocurrir, si sumamos las submatrices correspondientes de estas matrices. Por esto
A 12 B12
A 1n B1n
A 11 B11
A

B
A

B
A
21
22
22
2n B 2n
.
A + B 21
A mn B mn
A m1 B m1 A m 2 B m 2
% CALCULAR LA RESTA DE MATRICES
clc;clear;
fprintf('\n RESTA DE MATRICES \n')
fil=input('Ingrese el numero de filas De las Matrices A y B: ');
col=input('Ingrese el numero de columnas De las Matrices A y B: ');
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
for f=1:fil
for c=1:col
B(f,c)=input(' :');
end
end
A
end
B
end
fprintf('LA MATRIZ DIFERENCIA C ES:\n')
C=A-B
End
Como podemos ver, resulto fcil definir la igualdad, la multiplicacin por un

escalar, y la suma de matrices. No es tan obvio, en cambio, cmo debe definirse
la multiplicacin matricial. En este caso debe abandonarse, el concepto de matriz
como simple arreglo de nmeros puesto que esta idea no nos proporciona una
gua para una definicin propia. Ahora definiremos la operacin ms complicada
de multiplicar dos matrices.
Dadas A = (a ij) y B = (bij), matrices en las cuales el nmero de columnas de
A es igual al nmero de filas de B. Se llama producto de A y B a una matriz
C = (c ij) cuyo orden es el nmero de filas de A y el nmero de columnas de
B, denotada
C (cij ) aik bkj , para todo i, j .

k
JOE GARCIA ARCOS
14
MATRICES
De la propia definicin se deduce que, en general, no es posible multiplicar dos

matrices rectangulares, ya que se exige que el nmero de columnas de la primera
matriz coincida con el nmero de filas de la segunda. Por lo tanto la condicin
necesaria y suficiente para que el producto A B est definido, es que el nmero de
columnas de A sea igual al nmero de filas de B.
Para formar los elementos de la primera fila de la matriz A B se han multiplicado
ordenadamente los elementos de la primera fila de A con los elementos de cada
columna de B y, despus se suman los correspondientes productos. Procediendo
anlogamente con cada una de las dems filas de A, se obtienen los elementos de
cada una de las restantes filas de A B. La notacin formal se expresa como
C = A B y sus elementos se determinan de la siguiente manera:
a1 p b11 b1 2
b1 m
a11 a1 2
a2 p b21 b2 2
b2 m
a21 a2 2
C = AB
an 1 an 2
an p bp 1 bp 2
bp m
a1 k bk 1 a1 k bk 2
a1 k bk m
k
k
k
a2 k bk m
a2 k bk 1 a2 k bk 2
k
k
k
.
an k bk m
an k bk 1 an k bk 2
k
k
k
El producto de dos matrices, en trminos generales, depende del orden de los

factores incluso en el caso en que el conjunto al cul pertenecen sus elementos es
conmutativo. Si se consideran matrices no cuadradas, puede ocurrir incluso que el
producto de dos matrices tomadas en un orden tenga sentido y tomadas en el
orden contrario, no lo tenga.
E J E M P L O 1.1.13
Prubese que si A es una matriz cuadrada y B = DA + EI, donde D y E son escalares,
entonces A B = B A.
SO L U C I O N
Calculamos el producto matricial A B, previamente reemplazando la identidad de B y
obtenemos el resultado requerido:
A B = A(DA + EI) = DA 2 + EA I = (DA + EI)A = B A.
E J E M P L O 1.1.14
Si
2 1
7 6
y B
.
2 3
9 8
Hallar matrices C y D de orden 2, tales que A C = B y D A = B.
SO L U C I O N
Para determinar matrices C y D, debemos tomar matrices de 2 x 2 cuyos elementos
son desconocidos y los establecemos como sigue:
2b d 7 6
2 1 a b 7 6
2a c
2 3 c d 9 8
2 a 3c 2b 3d 9 8
A
f 2 1 7 6
2e 2 f e 3 f 7 6
h 2 3 9 8
2 g 2h g 3h 9 8
De aqu, establecemos los siguientes sistemas de ecuaciones:
e
JOE GARCIA ARCOS
MATRICES
15
2a c 7
c = 8 y d = 7;
2 a 3c 9
2e 2 f
e 3 f
7
19
33
y e
f
6
4
4
2 g 2h 9
2b d 6
15
13
25
43
y b
;
y g
a
h
2b 3d 8
g 3h 8
2
4
2
4
Solucionados ambos sistemas y obtenemos las matrices pedidas:
33 19
15 13
4
4 .
C 2 2 y D
43 25
8 7
4
4
E J E M P L O 1.1.15
Determine la matriz M de modo que satisfaga la relacin
3 1 5 7
M
=
.
-2 2 -5 9
SO L U C I O N
Para resolver este problema, debemos tomar una matriz M de 2 x 2 cuyos elementos
son desconocidos y los establecemos de la siguiente manera:
a b 3 1 5 7
3a 2b a 2b 5 7

.
c
d

2
2

5
9
3c 2d c 2d 5 9
Dos matrices se dice son iguales si sus correspondientes elementos son iguales,
por tanto
3a 2b 5
4a = 12 a = 3 y b = 2;
a 2b 7
3c 2d
c 2d
5
4c = 4 c = 1 y d = 4
9
Por lo tanto
3 2
M =
.
1 4
E J E M P L O 1.1.16
Encontrar todas las matrices de orden dos que conmutan con la matriz
CosT SenT
A
.
SenT CosT
SO L U C I O N
Multiplicamos a la matriz A por la izquierda y derecha por una matriz 2 x 2 de
variables:
a b CosT SenT CosT SenT a b
c d SenT CosT SenT CosT c d

Igualando los elementos de estas matrices, establecemos un sistema de ecuaciones:
aCosT bSenT aCosT cSenT
(b c ) SenT 0
aSenT bCosT bCosT dSenT
( a d ) SenT 0
cCos
T

d
S
en
T
a
S
en
T

cCos
T
( a d ) SenT 0
cSenT dCosT bSenT dCosT
(b c ) SenT 0
Si SenT z 0, entonces: b + c = 0 b = -c y a - d = 0 a = d
por lo tanto la matriz buscada es
d c
, para todo c, d R.
c d
JOE GARCIA ARCOS
16
MATRICES
E J E M P L O 1.1.17
Dadas las matrices A, B, en qu condiciones son vlidas las siguientes ecuaciones?
a.- (A + B)2 = A 2 + 2A B + B 2;
b.- (A + B)(A - B) = (A - B)(A + B) = A 2 - B 2.
SO L U C I O N
a.- (A + B)2 = (A + B)(A + B) = A A + A B + B A + B B si A B = B A
= A 2 + 2A B + B 2.
b.- (A + B)(A - B) = A A - A B + B A - B B si A B = B A
= A2 - B2
(A - B)(A + B) = A A + A B - B A - BB si A B = B A
= A 2 - B 2.
EJ E M P L O 1.1.18
Dadas las matrices A, B, C, D, suponga que todas las operaciones estn definidas;
demuestre entonces, a partir de la definicin de multiplicacin de matrices, que:
(A + B)(C + D) = A(C + D) + B(C + D) = A C + A D + B C + B D.
Bajo qu hiptesis estn definidas todas las operaciones?
SO L U C I O N
Realizamos el producto
(A + B)(C + D) = A C + A D + B C + BD
= (A C + A D) + (B C + B D)
= A(C + D) + B(C + D)
Las matrices A y B deben ser de orden m x n y las matrices C + D de orden n x p.
E J E M P L O 1.1.19
Si A, B, C son tres matrices tales que A C = C A y B C = C B, prubese que:
(A B B A)C = C(A B B A).
SO L U C I O N
Tenemos como hiptesis que tanto A y C como B y C son conmutativas para el
producto, entonces:
(A B B A)C = A B C B A C = A C B B C A = C A B C B A = C(A B B A).
EJ E M P L O 1.1.20
Dadas las matrices
1 0 2
1 3 0
6 5 7
A 0 1 1 , B 0 4 1 , C 2 2 4 .
3 3 6
2 0 2
2 3 0
Muestre que A C = B C, sin embargo, A z B.

SO L U C I O N
Primero realizamos el producto A C y luego B C:
1 0 2 6 5 7 12 11 19
A C 0 1 1 2 2 4 5 5 10 ;
2 0 2 3 3 6 18 16 26
1 3 0 6 5 7
0 4 1 2 2 4
2 3 0 3 3 6
De esta manera queda demostrado que A C = B C

BC
12 11 19
5 5 10 .
18 16 26
sin que A = B.
E J E M P L O 1.1.21
Muestre que A y B conmutan si y slo si A - DI y B - DI conmutan para un cierto
escalar unidad.
SO L U C I O N
Realizamos los productos correspondientes a (A - DI)(B - DI) y (B - DI)(A - DI):
(A - DI)(B - DI) = (B - DI)(A - DI)
JOE GARCIA ARCOS
MATRICES
17
A B - DA I - DIB + D2 II = B A - DB I - DI A + D2 II
A B - DA - DB + D2 I 2 = B A - DB - DA + D2 I 2
A B = B A.
EJ E M P L O 1.1.22
a b
Sea A
una matriz de 2 x 2 con ad bc z 0. Encuentre una matriz B tal
d
c
que A B = B A = I.
SO L U C I O N
Realizamos los productos A B = I y B A = I, luego resolvemos los sistemas de
ecuaciones lineales generados por cada uno de ellos:
ax bz 1
d
c
z
cx dz 0
x ad bc ;
a b x y 1 0
ad
bc
AB

b
a
c
d
z
u
0
1
ay

bu
0
; u
cy du 1
ad bc
ad bc
ax cy 1
d
x
;
bx dy 0
x
y
a
b
1
0
ad bc
BA
b
z u c d 0 1
y
az cu 0
;
bz du 1
ad bc
Por lo tanto la matriz B tiene la forma siguiente:
b
d
ad bc ad bc
.
B
a
c
ad bc ad bc
z
u
c
ad bc .
a
ad bc
E J E M P L O 1.1.23
Demuestre que si A B = O y B z O, no existe ninguna matriz C tal que C A = I.
SO L U C I O N
Si A = O por ser B z O, la no existencia de la matriz C para que C A = I, es obvia. Si
A z O y B z O, entonces A z O, C A z C O, C A z O para que C A = I
necesariamente la matriz C debe ser la inversa de A, en caso contrario no podemos
obtener C A = I.
E J E M P L O 1.1.24
Sea A una matriz de n x n. Suponga que A B = B para toda matriz B de n x n.
Pruebe que A = I.
SO L U C I O N
Tenemos que:
A B = B A B B = O (A I)B = O.
Por hiptesis B z O, entonces A I = O, de donde A = I.
E J E M P L O 1.1.25
Encuentre un ejemplo para probar que existen matrices no cuadradas A y B, tales que
A B = I. Especficamente, pruebe que existe una matriz A de m x n y una matriz B de
n x m, tales que A B es la matriz identidad de m x m. Demuestre que B A no es la
matriz identidad de n x n. Pruebe en general que, si m z n, entonces A B y B A no
pueden ser ambas matrices identidad.
SO L U C I O N
a b
1 3 1
Sea A
y B c d , entonces:
4 2 1
e f
JOE GARCIA ARCOS
18
MATRICES
a b
b 3d f 1 0
1 3 1
a 3c e
c d

.
4
2
1
4
a

2
c

e
4
b 2d f 0 1
e f
Igualando las matrices, obtenemos el siguiente sistema de ecuaciones:

(1) a 3c e 1
a b
(2) 4 a 2c e 0
(1) (2) 5 a 5c 1
5 a 5c 1
B
c
d
(3) b 3d f 0
(3) (4) 5b 5d 1
e f 5b 5d 1
(4) 4b 2d f 1
Como comprobacin, podemos escoger la matriz B de la siguiente manera:
3
3
5 10
1 3 1 2
1 1 0
AB

.
2 0 1
4 2 1 5
6
8
5
5
Con esto queda demostrado que existen matrices no cuadradas, tales que el producto
A B es la matriz I. A continuacin, vamos a demostrar que el producto B A no es la
matriz I:
3
6
9
3
3

5 10
5
5
10
1 0 0
2
1 1 3 1 8
1
9
BA

z 0 1 0 .
4
2
1
5
2
5
10
5
0 0 1
6
8
16 12 14
5
5
5
5
5
AB
E J E M P L O 1.1.26
Suponga que la tercera columna de B es la suma de las primeras dos columnas. Qu
se puede decir sobre la tercera columna de A B? Por qu?
SO L U C I O N
La tercera columna de A B es la suma de las primeras dos columnas de A B. He aqu
por qu. Denotemos las primeras tres columnas de B por b1, b2, b3. Si b3 = b1 + b2,
entonces la tercera columna de A B es A b3 = A b1 + A b2, por una propiedad de la
multiplicacin de matrices.
EJ E M P L O 1.1.27
Un comerciante de radios, tiene 10 radios de tamao I, 15 de tamao II y 8 de
tamao III. Los radios de tamao I se venden a $60 cada uno los de tamao II en $47
cada uno y los de tamao III se venden a $40 cada uno. Calcular el precio de venta
de su existencia de radios.
SO L U C I O N
Construimos una matriz A en la cual constan la cantidad de radios de cada uno de los
tamaos y, una matriz B de precios por tamao. Realizamos el producto de A B para
obtener el precio de venta de la existencia de radios
60
10 15 8 47 $1625 .
40

EJ E M P L O 1.1.28
Una empresa utiliza tres tipos de materias primas P1, P2 y P3 en la elaboracin de tres
productos Q1, Q2 y Q3. El nmero de unidades de P1, P2 y P3 usados por cada unidad
de Q1 son 4, 3 y 2 respectivamente, por cada unidad de Q2 son 5, 3 y 4,
JOE GARCIA ARCOS
MATRICES
19
respectivamente, y por cada unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que

la empresa produce 28 unidades de Q1, 18 unidades de Q2 y 39 unidades de Q3 a la
semana.
a.- Cul es el consumo semanal de materia prima?
b.- Si los costos por unidad para P1, P2 y P3 son 60, 52 y 18, respectivamente, cules son los costos de las materias primas por unidad de Q1, Q2 y Q3?
c.- Cul es la cantidad total gastada en materias primas a la semana en la produccin de Q1, Q2 y Q3?
SO L U C I O N
a.- Para obtener el consumo semanal de la materia prima, construimos la matriz A
de unidades por producto y una matriz B de cantidad de materia prima por producto
y luego realizamos el producto A B
4 3 2
A B 28 18 39 5 3 4 280 333 245 .

2 5 3
b.- Los costos de materia prima por unidad de cada producto lo calculamos de la
siguiente manera: a la matriz B del inciso anterior le multiplicamos la matriz C de
costos por unidad para cada tipo de materia prima, es decir
4 3 2 60 432
B C 5 3 4 52 528 .
2 5 3 18 434
c.- Si sumamos los tres tipos de materia prima, obtenemos la cantidad total gastada
a la semana en la produccin de los tres productos
P1 + P2 + P3 = 280 + 333 + 245 = 858.
EJ E M P L O 1.1.29
Demostrar que la igualdad A B B A = I es imposible.
SO L U C I O N
Sea
a11 a12 ... a1n
b11 b12 ... b1n
a
a
...
a
b21 b22 ... b2 n
21
22
2n
A
, B
,
... ...
... ...
...
...
an1 an 2 ... an n
bn1 bn 2 ... bn n
n
n
n
a1k bk 1 a1k bk 2 ... a1k bkn

k 1
k 1
k 1
n
n
a2 k bk 1 a2 k bk 2 ... a2 k bkn
AB k 1
,
k 1
k 1
...
...
...
n
n
n
ank bk 1 ank bk 2 ... ank bkn
k 1
k 1
k 1
n
n
n
b1k a k 1 b1k a k 2 ... b1k a kn

k 1
k 1
k 1
n
n
b2 k a k 1 b2 k a k 2 ... b2 k a kn
BA k 1
.
k 1
k 1
...
...
...
n
n
n
bnk a k 1 bnk a k 2 ... bnk a kn
k 1
k 1
k 1
Entonces la suma de los elementos diagonales de la matriz A B es igual a

JOE GARCIA ARCOS
20
MATRICES
aik bki , que es exactamente igual a la suma de los elementos diagonales para la
i 1k 1
matriz B A. Por consiguiente, la suma de los elementos diagonales de la matriz

A B B A es igual a cero, y la igualdad A B B A = I es imposible.
T E O R E M A 1.1.7
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto,
entonces (A B)C = A(B C).
Sean A, B, C matrices compatibles para el producto y D = B C, entonces para todo i,
j natural
m
(d ij ) bik ckj .
k 1
Sea E = A D, entonces para todo i, j natural

m
m
m
m m
(eij ) air d rj air brk ckj air brk ckj .
r 1
r 1 k 1
r 1 k 1
Por otra parte, sea F = A B, entonces para todo i, j natural

m
( f ij ) aik bkj .
k 1
Sea G = F C, entonces para todo i, j natural

m
mm
m m
( g ij ) f ir crj aik bkr c rj aik bkr c rj .
r 1
r 1 k 1
r 1k 1
Obtenemos E = G y, por tanto (A B)C = A(B C).

De este teorema se deduce que el producto de varias matrices dispuestas en un orden
determinado no depende de cmo se coloquen los parntesis. Por esto podemos
hablar no slo sobre el producto de dos matrices, sino tambin sobre el producto de
un nmero mayor de matrices.
T E O R E M A 1.1.8
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto y
suma respectivamente, entonces
A(B + C) = A B + A C.
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = A D, entonces
m
(eij ) ai k d k j
k 1
( ai k bk j ai k ck j )
r 1
m
m
ai k bk j ai k ck j
r 1
r 1
= AB + A C .
T E O R E M A 1.1.9
Sean A = ( a ij), B = (bij) y C = (c ij), matrices compatibles para la suma y el
producto respectivamente, entonces
(B + C)A = B A + C A.
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = D A, entonces
JOE GARCIA ARCOS
MATRICES
21
m
m
m
m
(eij ) dik akj (bik cik ) akj bik akj cik akj
k 1
r 1
r 1
r 1
BA + CA .
De las propiedades 1.1.8 y 1.1.9 se desprende directamente la siguiente regla general:

para multiplicar una suma de matrices por otra hay que multiplicar cada matriz de la
primera suma por cada matriz de la segunda suma y sumar los productos obtenidos.
Si las operaciones indicadas en uno de los miembros son posibles, las operaciones
indicadas en el otro miembro tambin son posibles y los resultados obtenidos en
ambos miembros coinciden.
T E O R E M A 1.1.10
Sean A = (a ij), I = (Gij) matrices cuadradas de igual orden. En las matrices
cuadradas es posible definir un elemento neutro respecto del producto
matricial, llamado matriz unidad o identidad, representado por I, que cumple
A I = I A = A.
Si D = A I, entonces
m
(d ij ) aik Gkj ( aij G jj ) ( aij )

r 1
Si E = I A, entonces
m
(eij ) Gik akj (Gii aij ) ( aij )

r 1
Por tanto, D = E = A.
T E O R E M A 1.1.11
Sean A = (a ij), B = (bij) matrices compatibles para el producto. En general, el
producto de dos matrices no es conmutativo, y, por tanto A B z B A.
Si D = A B, entonces
m
(d ij ) aik bkj
r 1
Si E = B A, entonces
m
(eij ) bik a kj
r 1
Claramente observamos que D z E y, por tanto, en general el producto de matrices

no es conmutativo.
EJ E M P L O 1.1.30
Demuestre que A B z B A dadas las matrices
A
i
2 i 4 3i
,
7 6 9i 1 i
8 4i
3 2i
5i
2i .
4 5i
SO L U C I O N
5i
8 4i
i
6i 4
2 i 4 3i
42 21i
6

2i
;
7
6

9
i
1

i
97

25
i
27
24i
3 2i 4 5i
5i
8 4i
20 35i 38i 1 9 8i
i
2 i 4 3i
2i
12 8i 42 6i 6i 2 .
6
7
6

9
i
1

i
32 42i 83i 19 7 4i
3 2i 4 5i
AB
BA
JOE GARCIA ARCOS
22
MATRICES
Por tanto A B z B A.
EJ E M P L O 1.1.31
Dadas las matrices
S
S
S
S
Sen 4 Cos 4
Tan 4 Sen 4
, B
.
A
Cos S Sen S
Sen S Tan S
4
4
4
4
Demuestre que A B = B A.
SO L U C I O N
Realizamos el producto A B:
S
S
S
S
Sen 4 Cos 4 Tan 4 Sen 4
AB
Cos S Sen S Sen S Tan S
4
4
4
4
2
2
2
1
2
2
2
2
2 2
1

2 2
2
Tambin efectuamos el producto B A:

S
S
S
Tan 4 Sen 4 Sen 4
BA
Sen S Tan S Cos S
4
4
4
2
Por tanto A B = B A.
2 2
2 2
2
1
2
2
2
2 1
2
1 2
2 1
2 .
2 1
S
Cos
4
S
Sen
4
2 1
2
1 2
2 1
2
.
2 1
% CALCULAR LA MULTIPLICACION DE MATRICES

clc;clear;
fprintf('\n PRODUCTO ENTRE MATRICES \n')
fil1=input('Ingrese el numero de filas de la matriz A : ');
col1=input('Ingrese el numero de columnas de la matriz A: ');
fil2=input('Ingrese el numero de filas de la matriz B : ');
col2=input('Ingrese el numero de columnas de la matriz B: ');
if (col1==fil2)
for f=1:fil1
for c=1:col1
A(f,c)=input(' :');
end
end
for f=1:fil2
for c=1:col2
B(f,c)=input(' :');
end
end
JOE GARCIA ARCOS
MATRICES
23
A
B
fprintf(' LA MATRIZ PRODUCTO C ES:\n')
C=A*B
else
fprintf('\n Las dimensiones no coinciden\n')
end
A continuacin damos de forma general, la multiplicacin de hipermatrices.

Consideremos las matrices
A1p
A 11 A 12
B1n
B11 B12
A2p
B 2n
A 21 A 22
B 21 B 22
A
y
.
B
A m1 A m 2
B pn
A mp
B p1 B p 2
divididas en submatrices A ik y B kj de manera que el nmero de columnas de la

submatriz A ik sea igual al nmero de filas de la submatriz B kj. En estas condiciones
las expresiones
C ij = A i1 B 1j + A i2 B 2j + ... + A ip B pj tienen sentido. Por tanto
A 1k B k 1 A 1k B k 2
A 1k B km
k
k
k
A 2 k B km
A 2 k B k1 A 2 k B k 2
k
k
A B k
A nk B km
A nk B k 1 A nk B k 2
k
k
k
es decir, las matrices divididas de manera adecuada en submatrices pueden ser

multiplicadas de la forma corriente.
Si A y B son dos hipermatrices cuyas submatrices son (A ik), (B kj), para todo
i, j, k , respectivamente, la hipermatriz producto C = A B se define
como
C (cij ) A ik B kj , para todo i, j, k .

k
EJ E M P L O 1.1.32
Determine A B, dadas las matrices
4 3 5
0 4 6
A 1 2 3
1 2 5
1 0 3
2
3
6
6
5
8
2 y B
7
1
1
2
1
2
3
3
4
4
4
9
6
6
6
8
3
8 .
3
5
SO L U C I O N
El producto A B se establece de la siguiente manera:
A 11B11 + A 1 2 B1 2 A 11B1 2 + A 1 2 B 2 2 C11 C12
AB =
=
A 21B11 + A 2 2 B 21 A 21B1 2 + A 2 2 B 2 2 C 21 C 22
2 4 6
4 3 0 3 9 5 2 1
C11

1 4 6
0 4 1 3 6 6 3 8 2 4 8
JOE GARCIA ARCOS
24
MATRICES
C12
3 21 54 14 32 50 17 53

4 12 24 31 68 118 35 80
8
4 3 1 5 2 1 13 51

3
0 4 3 6 3 8 5 12 97

C 21 1
1
2
0
C 22
2
3
0 3 9
2

5
1 3 6
0
3
9 21 16 44

9 21 30 72
3 9 13 36
6 2 2 4
6 7 1 4
5 1
2 4
70 18

122 32
56 13
1 2
3 6 2 8
1

1 2 3 5 6 7 3
1 0
3 5 1 5
17
35
A B = 18
32
13
104
.
142
64
.
109
6
8
53 91
81 143 .
39 65
7 52 59

7 93 100 .
1 44 45

53 104
80 142
53 91
81 143
39 65
64
109
59 .
100
45
EJ E M P L O 1.1.33
Dada
O I
A =
B O
donde las submatrices O, I, B son de k x k. Determine A 2 y A 4.
SO L U C I O N
Realizamos el producto A A y luego A 2 A 2 y obtenemos los resultados
correspondientes:
OI + IO B
O I O I O + I B
A2 = AA =
=
=
B
O
B
O
B
O
+
O
B
BI + O O
B
A4 = A2A2 =
O
O B
B O
O B2 + O
=
B O B + B O
B O + O B B2
=
O + B 2 O
O
;
B
O
.
B 2
Las propiedades entre hipermatrices son las mismas que estudiamos anteriormente.
PR O B L E M AS
1.1.1 Multiplicar las matrices:
1 2 1 2 3 1 1 2 1
a.- 0 1 2 1 1 0 0 1 2 ;
3 1 1 1 2 1 3 1 1
a b c 1 a c
b.- c b a 1 b b .
1 1 1 1 c a
1.1.2 Pruebe que si A es una matriz de n x n y B = a A +

b I, siendo a, b nmeros reales, entonces A y B son
conmutativas.
1.1.3 Hallar todas las matrices de segundo orden, cuyos
cubos son iguales a la matriz nula.
1.1.4 Pruebe que las matrices A y B son conmutativas, si
y solamente si C = a A + b B y D = c A + d B lo son,
donde a, b, c, d son nmeros reales.
JOE GARCIA ARCOS
MATRICES
25
1.1.5 Dadas las matrices

1
1
1
0

A 2 , B 0 , C 4 , D 0 .
3
2
4
1

a.- Encuentre escalares a y b tales que C = a A + b B;
b.- Demuestre que no existen escalares a y b tales que D
= a A + b B;
c.- Encuentre escalares no nulos a, b, c tales que a A + b B
+ c C = O.
1.1.14 Demuestre que si A es una matriz de m x n, n >

m, entonces existe un vector columna no nulo para el cual
A v = O.
1.1.6 Hallar todas las matrices se segundo orden, cuyos

cuadrados son iguales a la matriz nula.
1.1.16 Demuestre que si A es una matriz de n x n tal que

A v = v para cualquier vector columna, entonces A = I.
1.1.7 Hallar todas

siguiente matriz:
1 2
a.-
b.;
4 1
1.1.17 Hallar todas las matrices de segundo orden, cuyos

cuadrados son iguales a la matriz identidad.
2
d.-
1
1
g.-
3
las matrices conmutativas con la
1
;
1
1 2
;
2 1
3 4
e.-
;
5 1
1 1
c.-
;
1 1
2 3
f.-
;
2 4
4
;
2
3 8
h.-
;
3 1
1 4
i.-
.
2 8
1.1.8 Hallar todas las matrices conmutativas con la

siguiente matriz:
1 1 1
0 1 4
a.- 1 1 1 ; b.- 3 2 1 ;
1 1 1
1 1 3
5 1 3
4 5 1
c.- 2 1 1 ; d.- 1 3 0 ;
1 1 3
2 0 1
1 3 0
e.- 2 1 3 ;
5 2 1
1 1 7
f.- 2 3 1 .
1 4 1
1.1.9 Encuentre matrices A y B de 2 x 2 tales que A B =

O pero B A z O.
1.1.10 Hallar todas las matrices de tercer orden, cuyos
cuadrados son iguales a la matriz nula.
1.1.11 Hallar todas las matrices de tercer orden, cuyos
cuadrados son iguales a la matriz identidad.
1.1.12 Suponga que la ltima columna de A B es
completamente cero pero B misma no tiene ninguna
columna de ceros. Qu se puede decir sobre las columnas
de A?
1.1.13 Demuestre que si el producto A B es de n x n,
entonces el producto B A est definido.
1.1.15
que
A
Encuentre una matriz B tal que A B C = D dado

3 7
2 1 , C
5 3
9 3 5
2 5 4
, D 7 2 4 .
9 6 2
7 5 0
1.1.18 Hallar todas las matrices reales de segundo orden,

cuyos cubos son iguales a la matriz identidad.
1.1.19 Hallar todas las matrices reales de segundo orden,
cuyas cuartas potencias son iguales a la matriz identidad.
1.1.20 Hllese la familia de matrices de la forma
a 0 0
A 0 b c
0 d e
2
tales que A = I.
1.1.21 Encontrar una matriz A de 4 x 4 cuyos elementos
cumplan la condicin siguiente:
a.- aij = i j;
b.- aij = mn{i, j};
c.- a ij = j1+ j;
d.- a ij = ~i - j~;
1 si i j ! 1
e.- a ij = mx{i, j};

f.- aij
.
1 si i j d 1
1.1.22 Pruebe con un ejemplo que si B tiene una columna
de ceros, entonces A B tiene una columna correspondiente
de ceros.
1.1.23 Encuentre una matriz A tal que:
1 2 4
1 2 1
a.- A 3 0 3 1 ; b.- A 2 3 0 2 ;
0 5 1
0 0 3
2 0 0
1 2 1
c.- A 3 1 3 2 ; d.- A 2 1 0 2 .
1 1 1
1 2 1
1.1.24 Sean A y B matrices tales que el producto A B

est definido. Demuestre que si A tiene dos columnas
idnticas, entonces las dos columnas correspondientes de
A B tambin son idnticas.
JOE GARCIA ARCOS
26
MATRICES
1.1.25 Represente como un producto de matrices las

siguientes expresiones:
a.- x2 + 5y2 4z2 + 2xy 4xz;
b.- 4x2 + y2 + z2 4xy + 4xz 3yz;
c.- 2x2 + 18y2 + 8z2 12xy + 8xz 27yz;
d.- -12x2 3y2 12z2 + 12xy 24xz + 8yz;
e.- 3x2 + 2y2 z2 2u2 + 2xy 4yz + 2yu;
f.- 4x2 + y2 + 9z2 12xz;
g.- 2x2 + 3y2 + 6z2 4xy 4xz + 8yz;
h.- 3x2 + 10y2 + 25z2 12xy 18xz + 40yz;
i.- 5x2 + 5y2 + 2z2 + 8xy + 6xz + 6yz;
j.- 2x2 + 9y2 + 3z2 + 8xy 4xz 10yz.
1.1.26 Encuentre una matriz A de orden 2 x 2, tal que
A B = I si
3
i
B
.
1 1 3i
1.1.27 Comprobar que las identidades algebraicas
(A + B)2 = A 2 + 2A B + B 2
y
(A + B)(A B) = A 2 B 2
no son ciertas para las matrices de 2 x 2:
1 3
0 1
A
y B
4 5
2 3
Modificar el segundo miembro de esas identidades para
obtener frmulas vlidas para todas las matrices cuadradas
A y B. Para qu matrices A y B son vlidas las
identidades establecidas anteriormente?
1.1.28 Sean A y B matrices de n x n. Demuestre que si
todos los elementos de la j-sima columna de A son nulos
entonces todos los elementos de la j-sima columna de A B
son nulos.
1.1.29 Hllese la familia de matrices de la forma
a 0 0
A 0 b c
0 d e
2
tales que A = O.
1.1.30 Construya una matriz aleatoria A de 4 x 4 y
compruebe si (A + I)(A I) = A 2 I. La mejor manera de
hacer esto es calcular (A + I)(A I) (A 2 I) y verificar
que esta diferencia sea la matriz cero. Hgalo para tres
matrices al azar. Luego haga la prueba para (A + B)(A
B) = A 2 B 2 procediendo de la misma manera con tres
pares de matrices de 4 x 4 al azar. Informe los resultados.
1.1.31 Sea A
0 0
. Demuestre que para toda ma0 1
triz B de 2 x 2
(A B A B A)2 = (B A A B A)2 = O.
1.1.32 Encuentre todas

conmuten con la matriz
1
1
A
0
las matrices de 4 x 4 que

1
1
1
0
0
1
1
1
0
.
1
1.1.33 La matriz
PARA A PARA B PARA C
DE A
1.50
1.25
1.05
DE B
0.75
0.50
0.45
DE C
0.35
0.45
0.95
representa la proporcin de una poblacin de electores
que cambia del partido i al partido j en una eleccin dada.
Es decir, pij (i z j) representa la proporcin de la poblacin
de electores que cambia del partido i al partido j y pii
representa la proporcin que permanece leal al partido i
de una eleccin a otra. Encuentre el producto de P con s
misma. Qu representa este producto?
1.1.34 Pruebe con un ejemplo que si A tiene una fila de
ceros, entonces A B tiene una fila correspondiente de
ceros.
1.1.35 Suponga que se quiere calcular la cantidad de
dinero que se tiene al cabo de n aos si invertimos $ 250 a
un inters compuesto anual del, 4.5, 5, 5.5 %. Si
colocamos P dlares durante un ao a un inters r,
entonces el valor que se tiene al final del ao es Capital
final = P + rP = (1 + r)P. Encuentre el monto al final del
tercero y cuarto aos de una inversin de $ 250 al inters
de 4.5, 5 y 5.5 %, respectivamente.
1.1.36 El costo en dlares de comprar un boleto areo de
la ciudad A a cada una de las cuatro ciudades B, C, D y E,
est relacionado en la matriz P = (75 62 35 55). Si la
directiva de la aviacin civil aprueba un incremento del
12% en las tarifas. Hallar las nuevas tarifas.
1.1.37 Suponga que una matriz de n x n satisface la
ecuacin A 2 2A + I = O. Demuestre que A 3 = 3A - 2I y
que A 4 = 4A 3I.
1.1.38 Demuestre que si ambos productos A B y B A estn
definidos, entonces A B y B A son matrices cuadradas.
1.1.39 Tres mquinas de gaseosas se localizan en un
centro comercial. El contenido de estas mquinas se presenta en la siguiente matriz de inventario:
A B C
Maquina I 65 32 84
Maquina II 92 65 36
Maquina III 45 72 93
JOE GARCIA ARCOS
MATRICES
Los elementos indican el nmero de latas de cada tipo de

gaseosa que contiene cada mquina. Suponga que la matriz
de ventas para el da siguiente es
A B C
Maquina I 53 25 70
Maquina II 80 60 30
Maquina III 35 65 85
donde los elementos indican el nmero de latas de cada
tipo de gaseosa que vende cada mquina. Hallar la matriz
de inventario al final del da.
1.1.40 Un comerciante de radios, tiene 10 radios de
tamao I, 15 de tamao II y 8 de tamao III. Los radios
de tamao I se venden a $60 cada uno los de tamao II
en $47 cada uno y los de tamao III se venden a $40
cada uno. Calcular el precio de venta de su existencia de
radios.
1.1.41 Un fabricante de sacos los produce en color negro, azul y rojo para hombres, mujeres y nios. La capacidad de produccin en miles en la planta A est dada
por la matriz
Negro
3
5
6
Azul
2
3
4
Rojo
5
1
3
La produccin en la planta B est dada por
Negro
2
3
3
Azul
4
2
5
Rojo
1
3
2
a.- Determine la representacin matricial de la produccin
total de cada tipo de sacos en ambas plantas.
b.- Si la produccin en A se incrementa en un 15% y la
de B en un 30%, encuentre la matriz que representa la
nueva produccin total de cada tipo de saco.
1.1.42 Sean A y B dos matrices de 3 x 3. Demuestre que
la ecuacin matricial A B B A = I no tiene solucin.
1.1.43 Una empresa utiliza tres tipos de materias primas
P1, P2 y P3 en la elaboracin de tres productos Q1, Q2 y Q3.
El nmero de unidades de P1, P2 y P3 usados por cada
unidad de Q1 son 4, 3 y 2 respectivamente, por cada
unidad de Q2 son 5, 3 y 4, respectivamente, y por cada
unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que la
empresa produce 28 unidades de Q1, 18 unidades de Q2 y
39 unidades de Q3 a la semana:
a.- Cul es el consumo semanal de materia prima?
b.- Si los costos por unidad para P1, P2 y P3 son 60, 52 y
18, respectivamente, cules son los costos de las materias
primas por unidad de Q1, Q2 y Q3?
27
c.- Cul es la cantidad total gastada en materias primas a

la semana en la produccin de Q1, Q2 y Q3?
1.1.44 Sean las matrices
2 2
1 1
1
A
, B
, C ,
3 2
0 1
0
3
D 2 1 , E .
1
Encuntrese cada uno de los productos que se piden, y
comprubese el resultado mediante la multiplicacin
directa:
A O B O
A B A O
a.-
; b.-
;
O
B
O
I
B A I B
A
c.-
D
C E
O O
I
;
D
d.- O
O
O
B
O
O I

O O .
O B
1.1.45 Utilizando el programa hecho anteriormente,

realice el producto por particin entre las matrices
4
5
1 1 2 3
3 0
1
3
6 2
A i 1 i 2 9
0
1
5 i 2
7
6 4
4 81 56 92 102 15
y
i 93 67 34 0 0.5
1 i 4 8 3 0
8 56 71 23 41 3
B
.
0
1 1 6 2 9
0 2 1 3 4 5
3
6 9 6 2 1
1.1.46 Una fbrica elabora muebles de comedor y sala en
dos sitios. La matriz proporciona el costo total de
manufactura de cada producto en cada lugar (suponga que
solamente hay costos de mano de obra y de material):
SITIO1 SITIO 2
COMEDOR
65
45
SALA
50
60
a.- Dado que la mano de obra corresponde a casi 2/5 del
costo total, determine la matriz B que proporciona los
costos de mano de obra para cada producto en cada sitio.
b.- Encuentre la matriz C que da los costos de material
para cada producto en cada sitio.
1.1.47 En un ecosistema, ciertas especies proveen de
comida a otras. El elemento a ij de la matriz de consumo
es igual al nmero de unidades de la especie j consumidas diariamente por un individuo de la especie i.
JOE GARCIA ARCOS
28
MATRICES
Construya la matriz ( a ij) para el siguiente ecosistema

simple que consiste de tres especies:
a.- Cada especie consume en promedio 1 unidad de
cada una de las otras especies.
b.- La especie 1 consume una unidad de la especie 2; la
especie 2 consume unidad de cada una de las especies
1 y 3; la especie 3 consume 2 unidades de la especie 1.
c.- La especie 1 consume 2 unidades de la especie 3; la

especie 2 consume 1 unidad de la especie 1; la especie 3
no consume de ninguna de las otras especies.
1.1.48
Cierta empresa cuenta con cuatro fbricas, cada una de ellas produce dos
productos:
FABRICA 1 FABRICA 2 FABRICA 3 FABRICA 4
PRODUCTO1
125
105
95
80
PRODUCTO 2
55
60
75
60
Determine los niveles de produccin que habra si sta se incrementase en un 25 %.
1.1.49 Un agricultor cosecha dos veces al ao, las cuales se distribuyen a cuatro
mercados:
MERCADO1 MERCADO 2 MERCADO 3 MERCADO 4
COSECHA 1
125
105
95
80
COSECHA 2
55
60
75
60
La ganancia en una unidad del producto i se representa en la matriz B
1.25
3.25 .
Encuentre el producto B A y explique qu representa cada elemento de este producto.

1.1.50 La siguiente tabla, que puede ser vista como una matriz, da el costo en centavos de
un kilo de cada uno de los productos en tres supermercados:
CARNE PESCADO POLLO PAPAS ARROZ
SUPERMERCADO 1
80
35
65
25
25
SUPERMERCADO 2
85
40
70
30
30
SUPERMERCADO 3
75
45
65
35
35
Si se compran 4 kilos de carne, 4 kilos de pescado, 3 kilos de pollo, 10 kilos de papas, 10
kilos de arroz, encuentre el costo total en cada uno de los supermercados.
1.1.51 Una compaa tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas
en los lugares P, Q, R y S. El costo en miles de dlares de transportar cada unidad de su
producto de una planta a una bodega est dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P
13
12
17
12
Bodega Q
19
17
13
15
Bodega R
8
9
11
13
Bodega S
19
21
9
15
a.- Si los costos de transportacin se incrementan uniformemente en $500 por unidad,
cul es la nueva matriz?
b.- Si los costos de transportacin se elevan en un 25%, escriba los nuevos costos.
1.1.52 Una empresa produce tres tamaos de radios en tres modelos diferentes. La
produccin en miles en su planta A est dada por la matriz
Modelo 1
20
32
25
Modelo 2
15
15
29
Modelo 3
12
27
30
JOE GARCIA ARCOS
MATRICES
29
La produccin en miles en su planta B est dada por la matriz

Modelo 1
35
42
19
Modelo 2
25
35
25
Modelo 3
12
18
21
a.- Escriba una matriz que represente la produccin total de radios en ambas plantas.
b.- El dueo de la empresa planea abrir una tercera planta en C, la cual tendr una vez y
cuarto la capacidad de la planta en A. Escriba la matriz que representa la produccin en la
planta C.
c.- Cul sera la produccin total de las tres plantas?
1.1.53 La siguiente tabla da el costo en centavos de un kilo de mariscos en tres diferentes
supermercados:
CAMARON CONCHA CALAMAR
SUPERMERCADO 1
0.95
1.10
0.45
SUPERMERCADO 2
0.90
0.95
0.50
SUPERMERCADO 3
0.93
1.00
0.55
Si un comprador compra 3 kilos de camarn, 2 kilos de concha y 4 kilos de calamar,
encuentre el costo total en cada uno de los supermercados.
1.2 C L ASI F I C A C I O N D E L AS M A T RI C ES C U A DR A D AS
En esta seccin clasificamos y definimos las diversas partes de una matriz cuadrada, se introduce trminologa
bsica, enunciamos sus correspondientes propiedades.
Las matrices cuadradas, desempean un papel muy importante en todos los aspectos
del lgebra de matrices. Su estructura requiere un anlisis particular, el cual se
discutir a continuacin, de modo que no resulte incomprensible el estudio de las
operaciones que pueden efectuarse sobre este particular tipo de matrices.
Sea A una matriz cuadrada de n x n. Dentro de este tipo de matrices,
podemos distinguir tres regiones que se definen de la siguiente manera:
a.- La diagonal principal, est formada por los elementos a ij para los
cuales i = j.
b.- El tringulo superior, est formado por los elementos a ij para los cuales
i < j.
c.- El tringulo inferior, est formado por los elementos a ij para los cuales
i > j.
Es decir, la diagonal principal de una matriz cuadrada son todos los elementos
que se encuentran en la lnea que va del vrtice superior de la izquierda al inferior
de la derecha. La diagonal secundaria la forman los elementos de una matriz que
se encuentran en la lnea que va del vrtice superior derecho al inferior izquierdo.
De la definicin anterior, podemos distinguir algunas matrices cuya estructura
permite una clasificacin bien determinada.
Se dice que una matriz T = (tij) de orden n, es triangular superior (inferior)
si existen elementos tij = 0, con i > j (i < j).
Este tipo de matrices se determinan, cuando los elementos situados debajo (encima)
de la diagonal principal son nulos. Es decir:
JOE GARCIA ARCOS
30
MATRICES
t11
t11
t2 1
tn 1
t1 2
t2 2
0
0
t2 2
tn 2
t1 n
t2 n
, ti j = 0 si i > j;
t n n
0
0
, tij = 0 si i < j.
t n n
T E O R E M A 1.2.1
La adicin de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
Sean A = (a ij), con a ij = 0, para todo i > j y B = (bij), con bij = 0, para todo i > j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i > j.
Sean A = (a ij), con a ij = 0, para todo i < j y B = (bij), con bij = 0, para todo i < j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i < j.
T E O R E M A 1.2.2
El producto de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
Sean T = (tij) con tij = 0, para todo i > j y T = (tij) con tij = 0, para todo i > j, las
matrices triangulares superiores. C = T T, poseer el elemento general
cij = ti1t1j + ti2t2j ti ntn j =
ti k tk j
k 1
que en este caso se transforma en cij
k t1, k d j
tik tkj , ya que, de otra manera, algn
sumando se anular. La suma, pues, slo estar definida para aquellos valores del
ndice k que cumplan i d k d j, luego, c ij z 0 si i d j y, c ij = 0 si i > j, por tanto, C es
triangular superior. De forma anloga se demuestra cuando son triangulares superior.
EJ E M P L O 1.2.1
Sea
a
a 3b c 2 a b c
A a b c 1
b
a bc
b 3c
2 a 2b c
c
Analice en qu condiciones es la matriz:

a.- Triangular superior;
b.- Triangular inferior.
SO L U C I O N
a.- Para que la matriz A sea triangular superior, debe resolverse el siguiente sistema
de ecuaciones no homogneo:
a b c 1 0
b 3c 0
2 a 2b c 0
lo cual implica que a

5
, b = - 2, c
3
2
. Por tanto la matriz buscada tiene la
3
JOE GARCIA ARCOS
MATRICES
31
forma siguiente:
5
3 7 6
A 0 2 3
2
0
0
3
b.- Para que la matriz A sea triangular inferior, debe resolverse el siguiente sistema
de ecuaciones homogneo:
a 3b c 0
2 a b c 0
a bc 0
lo cual implica que a = b = c = 0. Por tanto la matriz buscada tiene la forma

siguiente:
5
0
3 0
A 1 2 0 .
2
0
0
3
D E F INI C I O N 1.2.3
Se dice que una matriz T de n x n es estrictamente triangular, si es triangular
superior (inferior) y adems posee la diagonal principal nula.
Este tipo de matrices se las puede visualizar a continuacin:
t1n
0 t12 t13
t2 n
0 0 t2 3
, t i j = 0 si i t j;
T
0
t n 1 n
0 0
0 0
0
0 0
0
0
0
0
t
0
0
0
21
, t = 0 si i d j.
T
ij
0
t n 11 tn 1 2 t n 13
tn 2
t n 3 t n n 1 0
tn 1
EJ E M P L O 1.2.2
Las llamadas matrices de giro de Pauli son
0 1
0 i
1 0
S( x )
, S( y )
, S( z )
.
0
1 0
i
0 1
Demuestre que S(x)S(y) = iS(z), S(y)S(x) = -iS(z), S2(x) = S2(y) = S2(z) = I.
SO L U C I O N
0 1 0 i i 0 1 0
S( x)S( y)

i
i S( z ) ;
1 0 i 0 0 i 0 1
0 i 0
S( y)S( x)
i 0 1
0 1 0 1
S 2 ( x)
1 0 1 0
1 i 0
1 0

i
i S( z ) ;
0 0 i
0 1
1 0
I;
0 1
JOE GARCIA ARCOS
32
MATRICES
2
0
0 i 0 i i
S2 ( y)

i 0 i 0 0 i 2
1 0 1 0 1 0
S2 ( z )

I.
0 1 0 1 0 1
1 0
I;
0 1
EJ E M P L O 1.2.3
Las matrices M(s), N(t) y P(u) estn definidas por
s 0
1 0
1 u
M (s)
1 , N (t )
, P (u )
,
0
t
1
0 1
s
siendo s z 0. Demuestre que la condicin necesaria y suficiente para que una matriz
a b
A
,
d
c
pueda ponerse en la forma M(s)N(t)P(u) es a z 0 y ad bc = 1.
SO L U C I O N
Como A = M(s)N(t)P(u), entonces
su
s 0
s
a b
1 0 1 u a b
1
t tu 1
d 0
d

t 1 0 1
c
c
s
s s s
a s
b su u b si a z 0
c s t ac
d 1 (tu 1) d 1 ac b 1 d 1 (cb 1) ad bc 1
s
a a
a
Por lo tanto, a z 0 y ad bc = 1.
Se dice que una matriz cuadrada es diagonal si, los tringulos superior e
inferior son nulos.
Es decir:
0
0
d11
0
0 d2 2
D
, di j = 0 si i < j e i > j.
0
0
d
n
n
Debido a su estructura peculiar, las matrices diagonales tambin pueden denotarse

como Diag(a11, a22, ..., ann), en la cual debe existir algn elemento no nulo.
T E O R E M A 1.2.3
La adicin de dos matrices diagonales es una matriz diagonal.
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), entonces
A + B = Diag(a11, a22, ..., ann) + Diag(b11, b22, ..., bnn)
= Diag(a11 + b11, a22 + b22, ..., ann + bnn).
Lo cual indica que es una matriz diagonal.
JOE GARCIA ARCOS
MATRICES
33
T E O R E M A 1.2.4
El producto de dos matrices diagonales de igual orden es una matriz diagonal.
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), se tiene entonces que
aij = Gijai = Gijaj y bij = Gijbi = Gijbj,
por tanto, la matriz producto C = AB tiene como elemento general
cij = ai1b1j + ai2b2j ai kbkj
= Gi1G1jaibj + Gi 2G2jaibj GikGkjaibj
= Gijaibj.
T E O R E M A 1.2.5
Una matriz diagonal conmuta con todas las matrices diagonales.
Sea A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), matrices diagonales
conocidas, mediante el teorema anterior, tenemos que A B = Diag(a1b1, a2b2, ...,
anbn). Del mismo modo tenemos que B A = Diag(b1a1, b2a2, ..., bnan). Por tanto
A B = B A.
D E F INI C I O N 1.2.5
Se dice que una matriz T = (tij) de orden n, es tridiagonal si al menos un
elemento de la diagonal principal y la paralela situada por encima y por
debajo, es diferente de cero.
De forma general, una matriz de este tipo se expresa como
t11 t1 2
t2 1 t2 2
0 t
32
0
0
0
0 .
t n n
t2 3
t3 3
0
Se dice que una matriz T de orden n es banda si existen enteros p y q, 1 < p,
q < n, con la propiedad de que tij = 0 siempre que i + p d j o j + q d i. El
ancho de banda para una matriz de este tipo se expresa como r = p + q 1.
La definicin de la matriz banda forz a estas, a concentrar todos sus elementos no
nulos alrededor de la diagonal principal, es decir
t1,1 t1,2
t2 1 t2 2
t
t
31 3 2
0 t4 2
0
0
t1,3 0
t2 3 t2 4
t3 3
t3 4
t4 3 t4 4
0
0
0
.
0
t n n
Las matrices tridiagonales son un caso particular de las matrices banda.

EJ E M P L O 1.2.4
Sean a y b nmeros tales que a z b. Encuentre todas las matrices A de 2 x 2 tales que
a 0 a 0
A

A .
0 b 0 b
JOE GARCIA ARCOS
34
MATRICES
SO L U C I O N
x
z
x y a
z u 0
ax
by
az
bu
Haciendo que A
y
, entonces:
u
0 a

b 0
ax
ay
bz
bu
0 x y
ax by ax ay
b z u
az bu bz bu
( a b) y 0 y 0, si a z b
( a b) z 0 z 0, si a z b
Por tanto
A
x 0
.
0 u
EJ E M P L O 1.2.5
Sea D una matriz diagonal de 3 x 3 con los elementos de la diagonal principal
distintos de cero. Encuentre una matriz diagonal E tal que D E = E D = I.
SO L U C I O N
a 0 0
x 0 0
Sean D 0 b 0 y E 0 y 0 , entonces:
0 0 c
0 0 z
ax 1 x a ,
a 0 0 x 0 0 1 0 0
,
0
b
0
0
y
0
0
1
0
by 1 y
0 0 c 0 0 z 0 0 1
1
cz 1 z c ,
por otro lado tenemos:

1
xa 1 x a ,
x 0 0 a 0 0 1 0 0
,
0
y
0
0
b
0
0
1
0
yb 1 y
0 0 z 0 0 c 0 0 1
1
zc 1 z c ,
Por lo tanto, la matriz buscada tiene la forma siguiente:

1
a 0 0
E 0
0 .
b
0 0 1
az0
bz0,
cz0
az0
bz0.
cz0
EJ E M P L O 1.2.6
Sean D una matriz diagonal y A una matriz arbitraria m x n:
a.- Si A D est definida. Cul es la relacin entre A y A D?;
b.- Si D A est definida. Cul es la relacin entre A y D A?
SO L U C I O N
a.- Como A es de m x n, entonces D debe ser de n x n, para que A D est definida y
sea de m x n. Por lo tanto la relacin entre las matrices A y A D es que tienen igual
orden, es decir son matrices rectangulares de m x n.
JOE GARCIA ARCOS
MATRICES
35
b.- Como A es de m x n, entonces D debe ser de m x m, para que D A est

definida y sea de m x n. Por lo tanto la relacin entre las matrices A y D A es que
tienen igual orden, es decir son matrices rectangulares de m x n.
Siguiendo con las hipermatrices, en el caso de matrices cuadradas resulta
necesario, como regla general, dividirlas de manera que las submatrices
diagonales tambin sean cuadradas. Es fcil ver que, divididas dos matrices
cuadradas en submatrices de manera que las submatrices diagonales sean
cuadradas y que los ordenes de las submatrices diagonales correspondientes
coincidan, esta divisin satisface tanto las condiciones en las que es posible la
adicin submatriz por submatriz, como las condiciones que son necesarias para
poder multiplicarlas como hipermatrices.
Adems para poder realizar la multiplicacin de una hipermatriz por s misma es
necesario y suficiente que todas sus submatrices diagonales sean cuadradas. Toda
hipermatriz de tipo
A 11 O O
O A 22 O
A=
O A pp
O
donde A 11, A 22 A pp son submatrices cuadradas y O son submatrices nulas de
dimensiones adecuadas, se llama hipermatriz diagonal.
Una hipermatriz cuadrada se denomina hipermatriz triangular si todas sus
submatrices en la diagonal principal, es decir, A 11, A 22, ..., A pp son cuadradas y
todas las submatrices que se encuentran por un lado de la diagonal principal son
nulas. Adems podemos decir que si A y B son dos hipermatrices triangulares con
los mismos rdenes de las correspondientes submatrices diagonales y los ceros
por un lado de la diagonal, su producto A B tambin ser una hipermatriz
triangular con los mismos rdenes de las submatrices diagonales y los ceros por el
mismo lado de la diagonal.
PR O B L E M AS
1.2.1 Pruebe con un ejemplo que para multiplicar dos
hipermatrices cuadradas es suficiente que las
submatrices diagonales sean cuadradas, con la
particularidad de que los rdenes de las correspondientes
submatrices diagonales sean iguales entre s.
1.2.2 Demuestre que para multiplicar dos hipermatrices
cuadradas es suficiente que las submatrices diagonales
sean cuadradas, con la particularidad de que los rdenes de
las correspondientes submatrices sean iguales entre s.
1.2.3 Una condicin necesaria y suficiente para que la
matriz B de orden n conmute con una matriz diagonal A,
es que B sea una matriz diagonal. Cmo tiene que ser la
matriz diagonal A para que conmute con cualquier matriz
B del mismo orden que A?
1.2.4 Sea D una matriz diagonal de 3 x 3 con los
elementos de la diagonal principal distintos de cero.
Encuentre una matriz diagonal E tal que D E = E D = I.
1.2.5 Encontrar una matriz diagonal A de 3 x 3 que

cumpla lo siguiente:
1 0 0
1 0 0
5
3
a.- A 0 1 0 ; b.- A 0 10 0 ;
0 0 10
0 0 1
10 0 0
7 0 0
c.- A 4 0 1 0 ; d.- A 25 0 5 0 .
0 0 1
0 0 3
1.2.6 Describa el producto A B si A es una matriz

diagonal de n x n y B es una matriz de n x n. Si en la
matriz diagonal A se tiene que a11 = a22 = ... = ann, cmo
cambian los resultados?
1.2.7 Pruebe con un ejemplo que para realizar la
multiplicacin por bloques de una hipermatriz por s
misma es necesario y suficiente que todas sus submatrices
diagonales sean cuadradas.
JOE GARCIA ARCOS
36
MATRICES
1.2.8 Demuestre que si A y B son dos matrices

hipertriangulares con los mismos rdenes de las
correspondientes submatrices diagonales y los ceros por un
lado de la diagonal, su producto A B tambin ser una
matriz hipertriangular con los mismos rdenes de las
submatrices diagonales y los ceros por el mismo lado de la
diagonal.
1.2.9 Demuestre que si A y B son matrices diagonales de

n x n, entonces A B = B A.
1.3 M A T RI Z T R A NSPU EST A

En esta seccin se introduce la terminologa bsica y se define la matriz transpuesta, analizamos sus casos
particulares si la matriz es cuadrada, enunciamos sus correspondientes propiedades.
Sea A cualquier matriz. Considrese la matriz a partir de A intercambiando filas y
columnas, de manera que la primera columna de A se convierta en la nueva fila de
la nueva matriz, la segunda columna se convierta en la segunda fila, etc. La matriz
obtenida a partir de A intercambiando filas y columnas de este modo se denomina
transpuesta de la matriz A.
D E F I N I C I O N 1.3.1
Sea A = (a ij) una matriz de n x m. Mediante la transposicin se obtiene una
nueva matriz de m x n, representada por A T = (aji) cuyos elementos se
obtienen intercambiando filas por columnas.
La transpuesta de una matriz es una aplicacin de (n x m) en (m x n), determinada
mediante la regla de formacin
f : (n x m) o (m x n)
A o AT
(aij) o (a ij)T = (aji), para todo i, j .
Es decir, mediante la transposicin se intercambian las filas de la matriz original por
sus columnas.
A continuacin, damos algunas de las propiedades ms importantes de la transpuesta
de una matriz.
T E O R E M A 1.3.1
Para toda matriz A = (a ij), se cumple que (A T)T = A.
Sea A = (a ij) una matriz cualquiera, entonces
(A T)T = ((a ij)T)T
= (a ji)T
= (a ij)
= A.
T E O R E M A 1.3.2
Para toda matriz A = (a ij) y para todo nmero k, se cumple que (k A)T = k A T.
Sea A = (a ij) una matriz cualquiera y sea k un nmero, entonces
(k A)T = (k(aij))T
= (ka ij)T
= (ka ji)
= k(a ji)
= k A T.
JOE GARCIA ARCOS
MATRICES
37
T E O R E M A 1.3.3
Para todo par de matrices A = (a ij) y B = (bij), se cumple que
(A + B)T = A T + B T.
Sean A= (a ij) y B = (bij) matrices de igual orden, entonces:
(A + B)T = (a ij + bij)T
= (c ij)T
= (c ji)
= (a ji + bji)
= (a ji) + (bji)
= A T + B T.
T E O R E M A 1.3.4
Para todo par de matrices A = (a ij) y B = (bij), compatibles para el producto,
se cumple
(A B)T = B T A T.
Sean A = (a ij) de n x k y B = (bij) de k x m. Entonces A B es de n x m y (A B)T es de m
x n. B T es de m x k y A T es de k x n, as que B T A T tambin es de m x n. Para probar
que (A B)T = B T A T, debemos ver que el elemento (i, j) de (A B)T es igual al elemento
(i, j) de B T A T. Escribimos A T = (aij) y B T = (bij). Notemos que aij = a ji y bij = bji. El
elemento (i, j) de B T A T es
k
t 1
t 1
t 1
bit atj bti a jt a jt bti

y la ltima suma es exactamente el elemento (j, i) de A B. Pero ste es el elemento
(i, j) de (A B)T. As pues, los elementos (i, j) de B T A T y de (A B)T son lo mismo; por
lo tanto, B T A T = (A B)T.
EJ E M P L O 1.3.1
Si A conmuta con B, demuestre que A T conmuta con B T.
SO L U C I O N
Siendo A B = B A, debemos probar que A T B T = B T A T. Es decir:
A T B T = (B A)T = (A B)T = B T A T.
EJ E M P L O 1.3.2
Suponga que A es n x n y X es n x 1. Demuestre que X T A X es de 1 x 1. Si X = B Y,
demuestre que X T A X = Y T(B T A B)Y.
SO L U C I O N
Conocemos que A es de n x n y X es de n x 1. Entonces X T A X es (1 x n)(n x n)(n x
1) = 1 x 1. Como X = B Y entonces
X T A X = (B Y)T A(B Y) = (Y T B T)A(B Y) = Y T(B T A B)Y.
% TRANSPUESTA DE UNA MATRIZ
clc;clear;
fprintf('\n TRANSPUESTA DE UNA MATRIZ \n')
fil=input('Ingrese el numero de filas: ');
col=input('Ingrese el numero de columnas: ');
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
A
end
JOE GARCIA ARCOS
38
MATRICES

B=A.'
end
Una matriz cuadrada A se denomina simtrica, si se cumple que esta matriz
es igual a su transpuesta, es decir: A = A T.
Es claro que una matriz simtrica debe ser cuadrada; es simtrica con respecto a la
diagonal principal, es decir que, una reflexin en la diagonal principal deja a la
matriz sin cambio. Una matriz simtrica de n x n no tiene sus n2 elementos arbitrarios
puesto que a ij = a ji, ambos uno encima y otro debajo de la diagonal principal.
n2 n
. Los elementos
2
de la diagonal son tambin arbitrarios. Entonces, el nmero total de elementos
n2 n
n(n 1)
n
arbitrarios en una matriz simtrica de n x n es
.
2
2
El nmero de elementos de arriba de la diagonal principal es
EJ E M P L O 1.3.3
Dadas dos matrices simtricas A, B de orden n. Cundo es el producto A B
simtrico?
SO L U C I O N
Si A = A T y B = B T, entonces A B = (A B)T = B T A T = B A. Por lo tanto el producto A B
es simtrico, cuando es conmutativo, es decir A B = B A.
T E O R E M A 1.3.5
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
simtrica S mediante A + A T.
Como A es una matriz cuadrada y S = A + A T, entonces debemos probar que ST = S.
Es decir
ST = (A + A T)T
= A T + (A T)T
= AT + A
= A + AT
= S.
EJ E M P L O 1.3.4
Si A y B son matrices reales arbitrarias de n x n y A es simtrica, entonces B T A B es
simtrica.
SO L U C I O N
Debemos probar que (B T A B)T = B T A B, conociendo que A = A T:
(B T A B)T = B T A T(B T)T = B T A T B = B T A B.
EJ E M P L O 1.3.5
Dadas las matrices n x n simtricas A y B, entonces A + B es simtrica.
SO L U C I O N
Si A = A T y B = B T, entonces debemos probar que (A + B)T = A + B:
(A + B)T = A T + B T = A + B.
EJ E M P L O 1.3.6
Si A y B son matrices reales arbitrarias de n x n, entonces A B T + B A T es simtrica.
SO L U C I O N
Debemos probar que (A B T + B A T)T = A B T + B A T. Es decir:
JOE GARCIA ARCOS
MATRICES
39
T
T T
T T
T T
(A B + B A ) = (A B ) + (B A )
= (B T)T A T + (A T)T B T
= B A T + A BT
= A B T + B A T.
EJ E M P L O 1.3.7
Para cualquier matriz A muestre que los productos A A T y A T A estn definidos y son
matrices simtricas.
SO L U C I O N
Si A es n x m, entonces A T es m x n. Por lo tanto A A T es n x n, A T A es m x m y los
productos estn definidos. Adems debemos probar que A A T = (A A T)T y A T A =
(A T A)T:
(A A T)T = (A T)T A T = A A T y (A T A)T = A T(A T)T = A T A.
EJ E M P L O 1.3.8
Dada la matriz
a b a c
a
A a b
b
2a b .
bc b c
c
Encuentre una matriz S simtrica.

SO L U C I O N
Sabemos que S es simtrica si se cumple que S = A + A T. Es decir:
a b a c a
a b b c
a

T
S= A+A
b
2a b a b
b
bc
a b
b c b c
c a c 2a b
c
2a
a b 2c
2a
2b
2 a 2b c .
2a
a b 2c 2 a 2b c
2c
% CALCULO DE UNA MATRIZ SIMETRICA

clc;clear;
fprintf('\n MATRIZ SIMETRICA MEDIANTE: A+At\n')
filcol=input('Ingrese el numero de filas y columnas: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
fprintf(' LA MATRIZ TRANSPUESTA B ES:\n')
B=A.'
end
fprintf(' LA MATRIZ SIMETRICA S ES:\n')
S=A+A.'
end
% CALCULO DE UNA MATRIZ SIMETRICA

clc;clear;
fprintf('\n MATRIZ SIMETRICA MEDIANTE: S=A*At y Q=At*A \n')
JOE GARCIA ARCOS
40
MATRICES
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
A
end
B=A.'
end
fprintf(' LA MATRIZ SIMETRICA S ES:\n')
S=A*A.'
end
fprintf(' LA MATRIZ SIMETRICA Q ES:\n')
Q=A.'*A
end
Una matriz cuadrada A se llama antisimtrica, si se cumple que esta matriz
es igual al opuesto de la transpuesta, es decir: A = -A T.
Una matriz antisimtrica es tambin una matriz cuadrada, y a ij = - a ji. Luego, los
elementos de la diagonal principal son cero, a ii = 0, y el nmero de elementos
n(n 1)
arbitrarios en una matriz antisimtrica de n x n es
. Los elementos simtricos
2
respecto de la diagonal principal coinciden en una matriz simtrica y son opuestos en
una matriz antisimtrica.
EJ E M P L O 1.3.9
Sean A y B dos matrices antisimtricas de orden n. Demuestre que A B es
antisimtrica si y slo si B A = -A B. Cundo es simtrico el producto de dos
matrices antisimtricas?
SO L U C I O N
Como A y B son dos matrices antisimtricas, entonces: A = -A T; B = -B T y B A = A B. Debemos probar que (A B)T = - (A B).
(A B)T = B T A T = (- B)(- A) = B A = - (A B).
Adems, dado A = - A T; B = - B T y A B = - (A B)T. Debemos probar que A B = - B A.
A B = - (A B)T = - (B T A T) = - (- B)(- A) = - (B A).
T
Dado A = - A y B = - B T, debemos encontrar una condicin para que (A B)T = A B.
(A B)T = B T A T = (- B)(- A) = B A.
Por lo tanto, para que el producto de dos matrices antisimtricas sea simtrico es
necesario que B A = A B.
T E O R E M A 1.3.6
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
antisimtrica R mediante A - A T.
Como A es una matriz cuadrada y R = A - A T, entonces debemos probar que R T = R.
Es decir
R T = (A - A T)T
= A T - (A T)T
= AT A
= - (A - A T)
= R.
JOE GARCIA ARCOS
MATRICES
41
T E O R E M A 1.3.7
Una matriz cuadrada A puede expresarse como la adicin de una matriz
simtrica S y una matriz antisimtrica B.
Sea S = (A + A T) y B = (A - A T), sumando las matrices S y B, obtenemos:
A =S+B
= (A + A T) + (A - A T)
= A + AT + A - AT
= A.
EJ E M P L O 1.3.10
Dada la matriz
a b a c
a
A = a b
b
2a b .
bc b c
c
Encuentre una matriz R antisimtrica.

SO L U C I O N
Sabemos que R es antisimtrica si se cumple que R = A - A T. Es decir:
a b a c a
a b b c
a

T
R A-A
b
2a b a b
b
b c
a b
b c b c
c a c 2a b
c
2b
a b
0

2
b
0
2
a c .
a b 2 a c
0
EJ E M P L O 1.3.11
Dada una matriz simtrica A y una matriz antisimtrica B, ambas del mismo orden,
demuestre que si A y B conmutan, A B es antisimtrica.
SO L U C I O N
Si A = A T; B = - B T y A B = B A, entonces debemos probar que (A B)T = A B.
(A B)T = B T A T = (- B)(A) = - (B A) = - (A B).
EJ E M P L O 1.3.12
Si A y B son matrices antisimtricas, pruebe que A(A B + B A) (A B + B A)A es
simtrica.
SO L U C I O N
Sabemos que A T = -A, B T = -B y S = A(A B + B A) (A B + B A)A = A 2 B B A 2. Por
lo tanto, tenemos que mostrar que ST = S; es decir
ST = (A 2 B B A 2)T
= (A 2 B)T (B A 2)T
= B T(A T)2 (A T)2 B T
= (-B)(-A)2 (-A)2(-B)
= -B A 2 + A 2 B
= A 2B B A 2
= S.
De esta manera queda demostrado que A(A B + B A) (A B + B A)A es simtrica.
EJ E M P L O 1.3.13
Sea A una matriz antisimtrica. Demostrar que A 2n es una matriz simtrica y A 2n+1 es
una matriz antisimtrica.
SO L U C I O N
Por demostrar que A 2n = (A 2n)T, conociendo que A T = -A.
n = 1: A 2 = (A 2)T
JOE GARCIA ARCOS
42
MATRICES
(A 2)T = (A A)T = ((-A T)(-A T))T = (A T A T)T = ((A 2)T)T = A 2.

n = k: A = (A 2k)T. Hiptesis inductiva.
n = k + 1: A 2k+2 = (A 2k+2)T
(A 2k+2)T = (A 2k A 2)T = (A 2)T(A 2k)T = A 2 A 2k = A 2k+2.
Por demostrar que A 2n+1 = -(A 2n+1)T, conociendo que A T = -A.
n = 1: A 3 = -(A 3)T
- (A 3)T = - (A A A)T = - ((-A T)(-A T)(-A T))T = ((A 3)T)T = A 3.
2k+1
n = k: A = -(A 2k+1)T. Hiptesis inductiva.
n = k + 1: A 2k+3 = -(A 2k+3)T
- (A 2k+3)T = - (A 2k+1 A 2)T = - (A 2)T(A 2k+1)T = - (A A)T(-A 2k+1) = - ((-A T)(-A T)T(-A 2k+1)
= - ((A 2)T)T(-A 2k+1) = (-A 2)(-A 2k+1) = A 2k+3.
2k
% CALCULO DE UNA MATRIZ ANTISIMETRICA

clc;clear;
fprintf('\n MATRIZ ANTISIMETRICA MEDIANTE: A-At \n')
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
B=A.'
end
fprintf(' LA MATRIZ ANTISIMETRICA R ES:\n')
R=A-A.'
end
PR O B L E M AS
1.3.1 De ser posible, encuentre matrices de 2 x 2 tales que
A T A = A A T.
1.3.6 Comprobar si existe alguna matriz A de 3 x 2 tal

que A T A = I.
1.3.2 Si A es una matriz de n x n y X es la matriz de 1 x

n, compruebe que
1.3.7 Demuestre que si A T A = A, entonces A es simtrica y A = A 2.
X A XT
aii xi2 aij xi x j .

i 1
iz j
1.3.3 Si A A T = I y B B T = I, demuestre que

(A B)(A B)T = I.
1.3.4 Demuestre que una matriz simtrica de n x n tiene,
n(n 1)
en general,
elementos distintos y una
2
n(n 1)
antisimtrica
elementos distintos.
2
1.3.5 Sea A una matriz de n x n. Determine si A es
simtrica con la siguiente condicin:
a.- aij = i2 + j2;
b.- a ij = i2 j2;
c.- a ij = 2i 2j;
d.- a ij = 2i2 + 2j3.
1.3.8 Dada la matriz

2 1 3i 1
4i
A 6 2i
1
3 i .
3
S S
1 6
a.- Exprsese la matriz A como suma de una matriz
simtrica y otra antisimtrica.
b.- Hallar dos matrices simtricas diferentes a la del
apartado a).
1.3.9 Encuentre todas las matrices reales A de 3 x 3 para
las cuales A T A = O.
1.3.10 Demuestre que si una matriz A de n x n satisface
la ecuacin A 3 + 4A 2 2A + 7I, entonces A T tambin la
satisface.
JOE GARCIA ARCOS
MATRICES
43
1.3.11 De ser posible, encuentre todos los valores de a ,

b y c para los cuales A es simtrica:
3 3a b 5c a 4b 2c
A 1
4
a b c .
1
1
5
1.3.13 Encuentre matrices antisimtricas A y B de 3 x 3,

que satisfagan la condicin A B = -B A.
1.3.14 Dadas las matrices
2 4 6
A + B 2 3 9 , A + AT
7 1 7
1.3.12 Dadas las matrices siguientes:

2 i 3i
1
i
4 3
A 1
3
0, B
,
i 2 1 3i
1 i 2 2i 2i
B - BT
Hllense A y B.
2
3
i 2
1
C 4 6 , D 6
8 4i.
3 i
1 3i i
i
Determine las siguientes operaciones:

a.- (3D T B T C T)T; b.- B(A D)T C;
c.- A(B T B C C T).
0 0 0
0 0 0 ,
0 0 0
0 0 0
0 0 0 .
0 0 0
1.3.15 Si A es una matriz simtrica, demuestre que

2A 2 3 + I es simtrica.
1.4 M A T RI Z T R A NSPU EST A - C O NJU G A D A

En esta seccin se introduce la terminologa bsica y se definen las matrices conjugadas y transpuesta conjugada, analiza mos sus casos particulares si la matriz es cuadrada, enuncia mos sus correspondientes
propiedades.
Mediante la conjugacin, una matriz cualquiera A se transforma en una
nueva matriz, representada por A , cuyos elementos se construyen mediante
la regla
f :AoA
( aij ) o ( aij ) ( aij ) i, j .
Mediante la conjugacin se cambian los signos de la parte imaginaria de A. Es decir:

Re A = Re A
y Im A = -Im A .
Como casos particulares pueden encontrarse matrices tales que A = A , entonces

Im A = 0 , y la matriz A en este caso recibe el nombre de matriz real. Por el
contrario, si Re A = 0 , entonces A = A y, a la matriz A se le da el nombre de
matriz imaginaria pura. En este ltimo caso la matriz A es expresable como el
producto de la unidad imaginaria, considerada como un escalar, por una matriz real.
Toda matriz puede ser expresada en la forma A = B + i C, en la cual B y C son
matrices reales, e i es la unidad imaginaria.
La conjugada de la matriz
5
2 1 i
A
es A
1
4
4

3i
5
2 1 i
.
1
4
4

3i
T E O R E M A 1.4.1
Para toda matriz A = (a ij), se cumple que A = A .
Si A es una matriz, entonces
JOE GARCIA ARCOS
44
MATRICES
A = ( aij ) ( aij ) ( a ji )
A.
T E O R E M A 1.4.2
Para toda matriz A = (a ij) y para todo nmero k, se cumple que ( k A ) k A .
Dada A una matriz y k un nmero complejo, entonces
( k A ) ( k ( aij )) ( kaij ) ( k aij ) k ( aij ) k A .
T E O R E M A 1.4.3
Para todo par de matrices A = (a ij) y B = (bij) de n x m, se cumple que
A+B= A+B .
Dadas A y B dos matrices compatibles para la suma, entonces
A + B = ( aij + bij ) (cij ) (cij ) ( aij bij ) ( aij ) (bij ) A + B .
T E O R E M A 1.4.4
Para todo par de matrices A = (a ik) y B = (bkj) compatibles para el producto,
se cumple A B = A B .
Dadas A y B dos matrices compatibles para el producto, entonces
A B = aik bkj (cij ) (cij ) aik bkj

k
k
AB .
% CONJUGADA DE UNA MATRIZ

clc;clear;
fprintf('\n CONJUGADA DE UNA MATRIZ \n')
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
A
end
fprintf(' LA MATRIZ CONJUGADA B ES:\n')
B=conj(A)
end
La aplicacin sucesiva y de orden indistinto de la conjugacin y la
transposicin sobre una matriz A se representa por A +. La nueva matriz
recibe el nombre de matriz conjugada - transpuesta de A y se nota de la
siguiente manera:
A + = ( A )T = A T .
La transpuesta - conjugada de la matriz

A
5
2 1 i

es A
1
4
4

3
i
1
2
1

i
4 .
5 4 3i
JOE GARCIA ARCOS
MATRICES
45
T E O R E M A 1.4.5
Para toda matriz arbitraria A, se cumple que (A +)+ = A.
Dada una matriz A arbitraria, entonces
( A + )+ = (( A T ))T
(( A T )T ) = ( A ) = A .
T E O R E M A 1.4.6
Para toda matriz arbitraria A y para todo nmero k, se cumple que
( k A ) k A .
Dada la matriz A arbitraria y k un nmero complejo, entonces
( k A ) + = ( k A )T = ( k A T ) = k ( A T ) = k A + .
T E O R E M A 1.4.7
Para todo par de matrices A y B de n x m, se cumple que (A + B)+ = A + + B +.
( A + B ) + = ( A + B )T = ( A T + B T ) = ( A T ) + ( B T ) = A + + B + .
T E O R E M A 1.4.8
Para todo par de matrices A y B compatibles para el producto, se cumple
(A B)+ = B + A +.
( A B )+ = ( A B )T = ( B T A T ) = ( B T )( A T ) = B + A + .
EJ E M P L O 1.4.1
Demostrar que si las matrices A y B son conmutables, lo son tambin las matrices A +
y B +.
SO L U C I O N
Si A B = B A, entonces debemos demostrar que A + B + = B + A +. Es decir:
A + B + = (B A)+ = (A B)+ = B + A +.
Con lo cual se verifica que A + y B + son conmutables.
EJ E M P L O 1.4.2
Demuestre que si A es una matriz compleja y A + A = O, entonces A = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O.
% MATRIZ TRANSPUESTA-CONJUGADA
clc;clear;
fprintf('\n MATRIZ TRANSPUESTA-CONJUGADA \n')
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
A
end
JOE GARCIA ARCOS
46
MATRICES
fprintf(' LA MATRIZ CONJUGADA B ES:\n')

B=conj(A)
end
fprintf(' LA MATRIZ TRANSPUESTA-CONJUGADA C ES:\n')
C=B.'
end
Matrices hermticas, son las matrices para las cuales la transpuesta
conjugada es igual a la matriz original. Es decir:
A + = A.
A nivel de sus elementos se tiene:
( aij ) ( a ji ) , i, j ,
luego,
( aii ) ( aii ) , i
y, por tanto,
Im aii
0 , i .
E J E M P L O 1.4.3
Si A es una matriz de m x n con elementos complejos, entonces:
a.- A A + es hermtica; b.- A + A es hermtica.
SO L U C I O N
a.- Tenemos que probar que (A A +)+ = A A +. Es decir
(A A +)+ = (A +)+ A + = A A +.
b.- Tenemos que probar que (A + A)+ = A + A. Es decir
(A + A)+ = A +(A +)+ = A + A.
E J E M P L O 1.4.4
Dada A arbitraria, demustrese:
a.- (A A + - A + A) es hermtico; b.- (A A + + A + A) es hermtico.
SO L U C I O N
a.- Por demostrar que (A A + - A + A) = (A A + - A + A)+. Es decir:
(A A + - A + A)+ = (A A +)+ - (A + A)+ = (A +)+ A + - A +(A +)+ = A A + - A + A.
b.- Por demostrar que (A A + + A + A) = (A A + + A + A)+. Es decir:
(A A + + A + A)+ = (A A +)+ + (A + A)+ = (A +)+ A + + A +(A +)+ = A A + + A + A.
E J E M P L O 1.4.5
Toda matriz real y simtrica es hermtica.
SO L U C I O N
Sea A esta matriz, entonces, A T = A y A = A , luego:
A + = ( A )T = A T = A .
E J E M P L O 1.4.6
La condicin necesaria y suficiente para que el producto de dos matrices hermticas
A y B sea hermtico es que A B = B A.
SO L U C I O N
Se sabe que A + = A y B + = B, entonces:
i.- Supngase que A B = B A, pero,
A B = B A = B + A + = (A B)+
y por lo tanto el producto es hermtico.
ii.- Supngase que A B = (A B)+, entonces:
A B = (A B)+ = B + A + = B A
y por tanto, A B = B A.
JOE GARCIA ARCOS
MATRICES
47
EJ E M P L O 1.4.7
Sea A = B + i C la descomposicin hermtica de una matriz A. Hallar la descomposicin hermtica de la matriz A +.
SO L U C I O N
Para que B + i C sea la descomposicin hermtica de la matriz A, entonces, B es real
y simtrica, y C es real y antisimtrica. Por tanto, para la descomposicin hermtica
de A +, las matrices B y C deben cumplir las mismas condiciones y (A +)+ = A.
E J E M P L O 1.4.8
Si A es una matriz arbitraria de n x n con elementos complejos, entonces:
a.- A + A + es hermtica; b.- A - A + es antihermtica.
SO L U C I O N
a.- Tenemos que probar que (A + A +)+ = A + A +.
(A + A +)+ = A + + (A +)+ = A + + A = A + A +.
b.- Tenemos que probar que (A - A +)+ = - (A - A +).
(A - A +)+ = A + - (A +)+ = A + - A = - (A - A +).
EJ E M P L O 1.4.9
Demuestre que si A es hermtica y A = O, entonces A 2 = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O A A = O A 2 = O.
E J E M P L O 1.4.10
Prubese que toda matriz hermtica A puede escribirse como A = B + i C, siendo B
real y simtrica y C real y antisimtrica.
SO L U C I O N
Debemos probar que A + = A:
A + = (B + i C)+ = B + + (i C)+ = B + + i C + = B T - i C T = B i(-C) = B + i C = A.
% CALCULO DE UNA MATRIZ HERMITICA
clc;clear;
fprintf('\n MATRIZ HERMITICA MEDIANTE: H=A+A+\n')
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
B=A'
end
fprintf(' LA MATRIZ HERMITICA H ES:\n')
H=A+A'
end
% CALCULO DE UNA MATRIZ HERMITICA

clc;clear;
fprintf('\n MATRIZ HERMITICA MEDIANTE: H=A*A+ y P=A+*A \n')
for f=1:fil
for c=1:col
JOE GARCIA ARCOS
48
MATRICES

A(f,c)=input(' :');
end
end
A
end
B=A'
end
fprintf(' LA MATRIZ HERMITICA H ES:\n')
H=A*A'
end
fprintf(' LA MATRIZ HERMITICA P ES:\n')
P=A'*A
end
Matrices antihermticas, son aquellas para las cuales la transpuesta
conjugada es igual al opuesto de la matriz original. Es decir:
A + = - A.
Sus elementos cumplirn, por tanto,
( aij ) ( a ji ) , i, j ,
entonces,
( aii ) ( aii ) , i ,
y se cumple
Re aii
0 , i .
EJ E M P L O 1.4.11
La condicin necesaria y suficiente para que el producto de dos matrices
antihermticas A y B sea hermtico es A B = B A.
SO L U C I O N
Se sabe que A + = -A y B + = -B, entonces:
i.- Sea A B = B A, entonces:
A B = B A = (-B)(-A) = B + A + = (A B)+
y por tanto el producto es hermtico.
ii.- Sea A B = (A B)+, entonces:
A B = (A B)+ = B + A + = (-B)(-A) = B A,
y por tanto, A B = B A.
EJ E M P L O 1.4.12
Toda matriz compleja se puede escribir como suma de una matriz real y una matriz
imaginaria; es decir, si C es compleja, entonces C = A + i B donde A y B son matrices reales. Demuestre que C es hermtica si y slo si A es simtrica y B es antisimtrica. Pruebe que C es antihermtica si y slo si A es antisimtrica y B es simtrica.
SO L U C I O N
a) Como C = A + i B con A y B matrices reales, A es simtrica y B es antisimtrica, debemos demostrar que C + = C. Es decir:
C + = (A + i B)+ = A + i B + = A i(-B) = A + i B = C.
Como C = A + i B con A y B matrices reales y C + = C, debemos demostrar que
A es simtrica y B es antisimtrica. Es decir:
C + = (A + i B)+ = A + i B + = A T i B T
+
para que C = C, A debe ser simtrica A T = A y B debe ser antisimtrica B T = -B.
b) Como C = A + i B con A y B matrices reales, A es antisimtrica y B es simtrica, debemos demostrar que C + = -C. Es decir:
JOE GARCIA ARCOS
MATRICES
49
+
C = (A + i B) = A i B = (-A) i B = -(A + i B) = -C.

Como C = A + i B con A y B matrices reales y C + = -C, debemos demostrar que
A es antisimtrica y B es simtrica. Es decir:
C + = (A + i B)+ = A + i B + = A T i B T
+
para que C = C, A debe ser antisimtrica A T = -A y B debe ser simtrica B T = B.
EJ E M P L O 1.4.13
Sean A y B matrices antihermticas. En qu condiciones es C = m A + n B una
matriz antihermtica?
SO L U C I O N
Debemos probar que C + = -C, bajo ciertas condiciones:
C + = (m A + n B ) + = (m A ) + + ( n B ) +
+
+
m A + n B = -(m A + n B ) = - C ,
=
+
+
m A + nB = -(m A + nB ) z - C ,
Es decir C + = -C si m y n son nmeros reales.
si m, n
si m, n
EJ E M P L O 1.4.14
Exprese la matriz A como suma de una matriz hermtica y una antihermtica.
i
1 2i
2 i
A = 1 i
2 2 2i .
3 1 i 2 2i
SO L U C I O N
Una matriz hermtica es S = (A + A +), es decir:
2 i
i
1 2i 2 i 1 i
3
1 2i 4 2i
4
1

1
S
1

i
2
2

2
i

i
2
1

i
1

2
i
4
3 3i .

2
2
4 2i 3 3i
3 1 i 2 2i 1 2i 2 2i 2 2i
4
Una matriz antihermtica es R = (A + - A), es decir:

2 i 1 i
3 2 i
i
1 2i
1

R
i
2
1 i 1 i
2 2 2i
2
1 2i 2 2i 2 2i 3 1 i 2 2i
1 2 2i
2i
1
1
0 1 i .
2
2 2i 1 i 4i
Comprobacin: A = S - R.
4
1 2i 4 2i 2i
1 2 2i
1

A
1 2i
4
3 3i 1
0 1 i
2
4 2i 3 3i
4 2 2i 1 i 4i
i
1 2i
2 i
2 2 2i .
1 i
3 1 i 2 2i
% CALCULO DE UNA MATRIZ ANTIHERMITICA

clc;clear;
fprintf('\n MATRIZ ANTIHERMITICA MEDIANTE: A-A+ \n')
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
fprintf(' LA MATRIZ TRANSPUESTA-CONJUGADA B ES:\n')
B=A'
end
JOE GARCIA ARCOS
50
MATRICES
fprintf(' LA MATRIZ ANTIHERMITICA H ES:\n')

H=A-A'
end
Una matriz A de n x n para la cual el producto con su transpuesta conjugada
es conmutativo, se denomina normal. Es decir:
A + A = A A +.
EJ E M P L O 1.4.15
Sean D, F y G matrices diagonales de n x n en las que los elementos de las diagonales principales sean respectivamente nmeros reales, imaginarios puros y complejos
de mdulo 1. Si U es una matriz unitaria n x n, demustrese que las matrices U + DU,
U + F U y U + G U son respectivamente hermtica, antihermtica y unitaria.
SO L U C I O N
a.- Como D es una matriz diagonal real y UU + = U + U = I, entonces debemos probar
que U + DU es una matriz hermtica. Es decir:
(U + DU)+ = U + D +(U +)+ = U + D + U = U + DU;
b.- Como F es una matriz diagonal imaginaria y UU + = U + U = I, entonces debemos
probar que U + F U es una matriz antihermtica. Es decir:
(U + F U)+ = U + F +(U +)+ = U + F + U = U +(-F)U = -(U + F U);
c.- Como G es una matriz diagonal compleja de mdulo 1 y UU + = U + U = I, entonces debemos probar que U + G U es una matriz unitaria. Es decir:
(U + G U)+(U + G U) = U + G +(U +)+U + G U = U + G + UU + G U = U + G + I G U
= U + G + G U = U + IU = U + U = I.
+
+
+
(U G U)(U G U) = U + G UU + G +(U +)+ = U + G UU + G + U = U + G I G + U
= U + G G + U = U + IU = U + U = I.
E J E M P L O 1.4.16
Demuestre que una matriz real antisimtrica es normal.
SO L U C I O N
Para que una matriz sea real y antisimtrica, debe cumplir que A = A y A T = -A.
Debemos probar que esta matriz es normal, es decir
A A + = A ( A )T = A A T = A (- A ) = - A 2 = (- A ) A = A T A = ( A )T A = A + A .
Por tanto se cumple que A A + = A + A y la matriz A es normal.
EJ E M P L O 1.4.17
Demuestre que una matriz antihermtica es normal.
SO L U C I O N
Como A + = -A, hay que demostrar que A + A = A A +. Es decir:
A + A = (-A)A = A(-A) = A A +.
Con lo cual queda probado que una matriz antihermtica es normal.
EJ E M P L O 1.4.18
Sean A y B matrices normales y A B = O. Resulta de esto que B A = O?
SO L U C I O N
Como A + A - A A + = O, B + B - B B + = O y A B = O, entonces:
(A + A - A A +)(B + B - BB +) = O
+
+
A A B B A + A B B + A A + B + B + A A +B B + = O
A + A B B + A + A B B + A + A BB + + A + A B B + = O
+
A O B + A + O B + A + O B + + A + O B + = O O = O.
Por lo tanto, no es condicin que B A = O.
EJ E M P L O 1.4.19
Demuestre que si C = A + i B donde A y B son matrices reales y simtricas, entonces
C es normal si y slo si A y B conmutan.
JOE GARCIA ARCOS
MATRICES
51
SO L U C I O N
Como C = A + i B con A y B son matrices reales y simtricas y C C + = C + C,
entonces debemos probar que A B = B A. Es decir:
(A + i B)(A + i B)+ = (A + i B)+(A + i B)
(A + i B)(A + i B +) = (A + i B +)(A + i B)
(A + i B)(A i B) = (A i B)(A + i B)
A 2 i A B + i B A + B2 = A2 + i A B iB A + B2
-i A B + i B A = i A B i B A 2i B A = 2i A B A B = B A.
Como C = A + i B con A y B son matrices reales y simtricas y A B = B A, entonces debemos probar que C C + = C + C. Es decir:
C C + = (A + i B)(A + i B)+
= (A + i B)(A + i B +)
= (A + i B)(A i B)
= A 2 i A B + iB A + B2
= A 2 iB A + i A B + B2
= (A i B)A + (A i B)I b
= (A i B)(A + i B)
= (A + i B +)(A + i B)
= (A + i B)+(A + i B)
= C + C.
EJ E M P L O 1.4.20
Demostrar que una matriz A es una matriz normal si, y slo si, las matrices B y C de
su descomposicin hermtica A = B + i C son conmutables.
SO L U C I O N
Debemos probar que A + A = A A +. Es decir:
A + A = (B + i C)+(B + i C)
= (B + - i C +)(B + i C)
= B +B + i B + C i C + B + C + C
= BB + - i B C + + i C B + + C C +
= (B + i C)(B + - i C +)
= (B + i C)(B + i C)+
= A A +.
EJ E M P L O 1.4.21
Sea A = B + i C una matriz normal compleja de n x n. Demostrar que la matriz D real
de 2n x 2n
B -C
D=
C B
es tambin normal.
SO L U C I O N
Si A es una matriz normal, entonces las matrices B y C de la descomposicin hermtica A = B + i C son conmutables. Por lo tanto:
+
B -C B -C B C B -C BB + CC -BC + CB
D+ D =

=
=
C B C B -C B C B -CB + BC CC + BB
B B + C C B C - C B B -C B C B -C B -C +
+
=
=
=
= DD .
C B - B C C C + B B C B -C B C B
C
B
Con esto queda demostrado que D es una matriz normal.

E J E M P L O 1.4.22
Sea A una matriz normal y supngase que conmuta con una cierta matriz B. Demuestre que:
a.- A + conmuta con B; b.- A conmuta con B +.
JOE GARCIA ARCOS
52
MATRICES
SO L U C I O N
Si una matriz normal conmuta con una matriz B, entonces:
a.- (A A +)B = B(A + A) A(A + B) = (B A +)A A + B = B A +
b.- (A A + B)+ = (B A + A)+ B +(A A +)+ = (A + A)+ B + B + A A + = A + A B +
(B + A)A + = A +(A B +) B + A = A B +.
% COMPROBACION DE UNA MATRIZ NORMAL
clc;clear;
fprintf('\n COMPROBACION DE UNA MATRIZ NORMAL \n')
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
B=A'
end
C=A'*A
end
D=A*A'
end
if (C==D)
fprintf('\n LA MATRIZ ES NORMAL')
else
fprintf('\n LA MATRIZ NO ES NORMAL')
end
PR O B L E M AS
1.4.1 Demuestre mediante un ejemplo que, si A y B son
matrices hermticas, no necesariamente se cumple que A B
sea hermtica. Qu se cumple si A y B son hermticas y
A B = B A?
1.4.6 Sean A y B matrices normales conmutables, A = C

+ i D, B = E + i F, sus descomposiciones hermticas. Demuestre que todas las matrices C, D, E y F son conmutables.
1.4.2 Pruebe con un ejemplo, que existe una matriz compleja simtrica que no es normal.
1.4.7 Dar ejemplos que muestren que en el caso general

la suma A + B y el producto A B de matrices normales A
y B ya no sern matrices normales.
1.4.3 Sea A una matriz antihermtica y A n = I para algn

n > 0, demuestre que A 4 = I.
1.4.4 Demuestre: Los elementos de la diagonal principal
de una matriz hermtica son reales y que los elementos de
la diagonal principal de una matriz antihermtica son
imaginarios puros. Qu son los elementos de la diagonal
principal de una matriz antisimtrica?
1.4.5 Demuestre mediante un ejemplo que, si A y B son
matrices hermticas, no necesariamente se cumple que A B
sea hermtica. Qu se cumple si A y B son hermticas y
A B = B A?
1.4.8 Pruebe con un ejemplo, que hay una matriz compleja antisimtrica que no es normal.
2 1 3i 1
4i
A 6 2i
1
3 i .
3
S S
1 6
a.- Exprsese la matriz A como suma de una matriz hermtica y otra antihermtica.
b.- Hallar 3 matrices hermticas diferentes a la del apartado a).
JOE GARCIA ARCOS
MATRICES
53
1.5 T R A Z A D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la traza de una matriz, enunciamos sus
correspondientes propiedades.
Sea una matriz cuadrada A = (a ij). Se define la traza de una matriz A, a la
suma de los elementos que componen la diagonal principal, representada
por
Tr( A )
aii .
a11 a22 ... ann
i 1
T E O R E M A 1.5.1
Para todo par de matrices cuadradas A = (a ij) y B = (bij) de igual orden,
entonces
Tr(A + B) = Tr(A) + Tr(B).
Dadas A y B matrices cuadradas compatibles para la suma y A + B = C, entonces
Tr( A + B ) = Tr( C )
i 1
i 1
i 1
i 1
(cii ) ( aii bii ) aii bii
Tr( A ) + Tr( B ) .
T E O R E M A 1.5.2
Para toda matriz cuadrada A = (a ij) y para todo nmero k, entonces
Tr(k A) = kTr(A).
Dada A una matriz cuadrada y k un nmero, entonces
n
kaii
Tr( k A )
k aii
i 1
kTr( A ) .
i 1
T E O R E M A 1.5.3
Para toda matriz cuadrada A = (a ij), entonces
Tr(A T) = Tr(A).
Sea A una matriz cuadrada, al transponer esta matriz, podemos observar que la
matriz A T conserva el mismo orden de A y, adems los elementos de la diagonal
principal no varan. Es decir
Tr( A T )
i 1
i 1
aii a jj
Tr( A ) .
T E O R E M A 1.5.4
Para todo par de matrices cuadradas y compatibles para el producto
A = (a ik) y B = (bkj), entonces Tr(A B) = Tr(B A).
Sean A B = C, B A = D, de modo tal que
cij
aik bkj
k 1
biq aqj
d ij
q 1
Ahora bien
n
Tr( A B ) = Tr( C ) = cii

i 1
Tr( B A ) = Tr( D ) = d pp
p 1
aik bki
k 1 k 1
bpq aqp
p 1 q 1
JOE GARCIA ARCOS
54
MATRICES
Trabajando con la ltima serie se intercambia el orden de las sumas y se emplea la

conmutatividad en para obtener
n n
Tr( B A ) = aqp bpq
q 1 p 1
Pero los ndices son solamente ndices mudos a los que se les puede dar cualquier
nombre y eso no altera el valor de la suma. Sea entonces q = i, p = k y se halla
n
Tr( B A ) = aik bki = Tr( A B ) .

i 1
EJ E M P L O 1.5.1
Si Tr(A) = 0, pruebe que existen matrices B y C tales que A = B C C B.
SO L U C I O N
Como A = B C C B, entonces:
Tr(A) = Tr(B C C B) = Tr(B C) Tr(C B) = Tr(B C) Tr(B C) = 0.
Con esto se demuestra que existen matrices B y C.
EJ E M P L O 1.5.2
Si Tr(A B C) = Tr(C B A) para toda matriz C, pruebe que A B = B A.
SO L U C I O N
Si A B = B A, entonces A B C = B A C. Haciendo que B A = D, obtenemos:
Tr(A B C) = Tr(B A C) = Tr(D C) = Tr(C D) = Tr(C B A).
Con esto probamos que las matrices A y B son conmutativas.
EJ E M P L O 1.5.3
Sean A y B matrices hermticas complejas de un mismo orden. Demuestre que la
traza de la matriz A B es un nmero real.
SO L U C I O N
Dadas las matrices A y B hermticas complejas de igual orden, entonces
Tr( A B ) = Tr( A + B + ) = Tr( B A )+ = Tr( B A )T = Tr( B A )
lo cual indica que Tr(A B) es un nmero real.
E J E M P L O 1.5.4
Dada la matriz A
1 3
, determine una matriz B tal que Tr(A B) = Tr(A)Tr(B).

5 2
SO L U C I O N
La matriz B debe tener la misma forma que la matriz A. Es decir
a b
a 3c b 3d
B =
y AB =
.
c
d
5a 2c 5b 2d
Por lo tanto
Tr(A B) = a + 3c + 5b + 2d, Tr(A) = 3, Tr(B) = a + d.
Por tanto
a + 5b + 3c + 2d = 3a + 3d 2a - 5b 3c + d = 0
La familia de matrices que cumple esta condicin esta dada por
a b
S =
/ 2 a 5b 3c d 0 .
c
d
% CALCULO DE LA TRAZA DE UNA MATRIZ

clc;clear;
fprintf('\n TRAZA DE UNA MATRIZ \n')
for f=1:filcol
JOE GARCIA ARCOS
MATRICES
55
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
TrA=trace(A)
end
PR O B L E M AS
1.5.1 Sean A y B matrices cuadradas de n x n y sean a y b
escalares. Demuestre que
Tr(a A + b B) = aTr(A) + bTr(B).
1.5.2 Sea A una matriz compleja de n x n. Demuestre que
Tr(A + A) t 0, y que la igualdad se verifica si y slo si A es
la matriz nula.
1.5.3 Sea A la matriz de n x n cuyos elementos son a ij = i
+ j, i, j n. Calcule la traza de A y demuestre que
su valor coincide con la suma de los elementos de su
diagonal secundaria.
1.5.4 Sea A = SBS-1, donde

1 1 0
1 1
B = 1 2 1 y S = 1 1
0 1 3
1 0
Encuentre A y verifique que Tr(A) = Tr(B).
1
1
1.5.5 Demuestre que si A y B son dos matrices

complejas, entonces
Tr( B + A )
d Tr( A + A )Tr( BB + ) .
1.5.6 Demuestre que si A es una matriz de n x n y si

Tr(A B) = 0 para todas las matrices B de n x n, entonces A
es la matriz nula.
1.6 PO T E N C I A D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la n-sima potencia de una matriz, analizamos sus
casos particulares, enunciamos sus correspondientes propiedades.
Sea A una matriz cuadrada y n . Se define la n-sima potencia de A
como el producto, repetido n veces, de A por s misma, y se simboliza
por A n, Es decir
A A ... A = A n .
n veces
T E O R E M A 1.6.1
Si dos matrices conmutan sus potencias naturales tambin conmutan.
Sean A, B compatibles para el producto y A B = B A. Si se multiplica A B = B A por la
izquierda por B n-1, obtenemos que B n-1 = B n A, o, lo que es lo mismo,
B n A = B n-1 B A = B n-1 A B = B n-2 B A B = B n-2 A B 2 = ... = A B n,
por lo tanto, A B n - B n A = O. Si multiplicamos la ecuacin anterior por la izquierda
por A m-1, obtendremos que A m-1 B n A = A m B n, o, lo que es lo mismo,
A m B n = A m-1 B n A = A m-2 B n A 2 = ... = B n A m,
m n
por lo tanto, A B - B n A m = O. Esto quiere decir que si las matrices A y B son
conmutables, cualesquiera potencias naturales de las mismas tambin son
conmutables.
JOE GARCIA ARCOS
56
MATRICES
EJ E M P L O 1.6.1
Dada la matriz
a 0
A = 0 b
c 0
siendo a, b, c K. Determine A k para todo k

polinomio p(x) = 1 + x5 + x7.
SO L U C I O N
a 0 0
n = 1: 0 b 0 ;
c 0 0
n = 2:
2
0
a 0 0 a 0 0 a
2
0 b 0 0 b 0 0 b
c 0 0 c 0 0 ac 0
n = 3:
a2 0
0 b2
ac 0
0 ,
0
. Calclese tambin p(A) para el
0 ;
0 a 0 0 a3 0

0 0 b 0 0 b3
0 c 0 0 a 2 c 0
0 ;
ak
0
0
bk
k 1
a c 0
0 .
p( A ) I + A 5 + A 7
5
0
1 0 0 a
5
0 1 0 0 b
0 0 1 4
a c 0
1 a5 a7
0
0
1 b b7
4
a c (1 a 2 )
0
0 a7 0

0 0 b7

0 a 6 c 0
0 .
EJ E M P L O 1.6.2
b
2
. Calcular A
d
y probar que existen nmeros p y q, que se calculan en funcin de a, b, c y d, tales
que A 2 p A q I = O. Indicar en qu casos los coeficientes p y q no son nicos.
SO L U C I O N
Para encontrar A 2, debemos multiplicar A A:
2
a b a b a bc ab bd

c d c d ac cd bc d 2
a b a b
a b
1 0
A 2 p A qI
p
q
c d c d
c d
0 1
Sean a, b, c, d nmeros arbitrarios; se considera la matriz A
a 2 bc ab bd pa

ac cd bc d 2 pc
pb q 0

pd 0 q
JOE GARCIA ARCOS
MATRICES
57
a 2 bc pa q
ab bd pb 0 0
ac cd pc
bc d 2 pd q 0 0
(1) a 2 bc pa q 0
a 2 d 2 p( a d ) 0
(2) ab bd pb 0
(1) (4)
(3) ac cd pc 0
(2) (3)
(b c )( a d ) p(b c ) 0
(4) bc d 2 pd q 0
p a d
bzc .
azd
Reemplazamos el valor encontrado de p en la primera o cuarta ecuacin, y

obtenemos que q = bc ad. Adems p y q no son nicos cuando b z c y a z d.
EJ E M P L O 1.6.3
Demostrar que las matrices dadas satisfacen las ecuaciones que se indican:
1 3
2
a.- A =
; A 3A + 8I = O;

2
2
a b
2
A =
; A (a + d)A + (ad bc)I = O.
c
d
SO L U C I O N
1 3 1 3 1 3 1 0
a.-
3
8
2 2 2 2 2 2 0 1
5 9 3 9 8 0 0 0

;
6 2 6 6 0 8 0 0
a b a b
a b
1 0
b.-
(a d )
( ad bc )
c
d
c
d
c
d
0 1
b.-
a 2 bc
ac cd
ab bd a 2 ad

cb d 2 ac cd
ab bd ad bc

ad d 2 0
0
0 0

.
ad bc 0 0
E J E M P L O 1.6.4
Sea la matriz
0 1
.
0 0
Se considera la familia de matrices de la forma C = a I + b B, donde a, b son escalares
reales. Calclese C n, n Z +.
SO L U C I O N
1 0
0 1 a b
C a
b

0 1
0 0 0 a
B
n = 1:
n = 2:
C2
n = 3:
C3
a b
;
0 a
2
a b a b a 2ab
0 a 0 a 0 a 2
a 2 2 ab a b a 3 3a 2b
;
0 a 2 0 a 0
a 3
JOE GARCIA ARCOS
58
MATRICES
n = 4:
C4
a3
3a 2 b a b a 4

a 3 0 a 0
4 a 3b
;
a 4
Por tanto
Cn
EJ E M P L O 1.6.5
Sea la matriz A, hallar
1 0 1
a.- A = 0 0 0 ;
1 0 1
SO L U C I O N
1 0
a.- Como A 0 0
1 0
n = 2:
n = 3:
A3
an
A n para todo n Z +:
1 1 1
b.- A 1 1 1 ;
1 1 1
0 , entonces:
1
1 0 1 1 0 1
0 0 0 0 0 0
1 0 1 1 0 1
2 0 2 1 0 1
0 0 0 0 0 0
2 0 2 1 0 1
4 0 4 1 0 1
n = 4: A 0 0 0
0 0 0
4 0 4 1 0 1
Por lo tanto: A n = 2n -1 A.
1 1 1
b.- Como A 1 1 1 , entonces:

1 1 1
n = 2:
n = 3:
A3
na n 1b
.
a n
1 1 11
1 1 11
1 1 11
3 3 3 1
3 3 3 1
3 3 3 1
c.- A
0 a b
0 0 c .
0 0 0
2 0 2
0 0 0 2A ;
2 0 2
4 0 4
2
0 0 0 4A 2 A ;
4 0 4
8 0 8
0 0 0 8A
8 0 8
1 1 3

1 1 3
1 1 3
1 1 9

1 1 9
1 1 9
23 A .
3 3
3 3 3 A ;
3 3
9 9
9 9 9 A 32 A ;
9 9
9 9 9 1 1 1 27 27 27
9 9 9 1 1 1 27 27 27 27 A
9 9 9 1 1 1 27 27 27
Por lo tanto: A n = 3n-1 A.

0 a b
c.- n = 1: 0 0 c ;
0 0 0
n = 4:
A4
n = 2:
0 a b 0 a b
0 0 c 0 0 c
0 0 0 0 0 0
33 A .
0 0 ac
0 0 0 ;
0 0 0
JOE GARCIA ARCOS
MATRICES
59
0 0 ac 0 a b
0 0 0 0 0 c
0 0 0 0 0 0
Por lo tanto: A n = O, n > 2.
n = 3:
0 0 0
0 0 0 .
0 0 0
EJ E M P L O 1.6.6
Si A es una matriz de 2 x 2 que satisface A 2 A + I = O, determine A 3n en trminos
de A para n Z +.
SO L U C I O N
Como A 2 A + I = O, entonces, A 2 = A I. Multiplicando ambos miembros de esta
ecuacin por A sucesivamente, obtenemos:
A3 = A2 A A4 = A3 A2 A5 = A4 A3 A6 = A5 A4
Por lo tanto A 3n = A 3n-1 A 3n-2.
E J E M P L O 1.6.7
Sean las matrices A, B, compatibles para el producto, entonces se cumple, para
cualquier potencia de B
m-1
A B m - B m A = B k ( A B - B A ) B m- k -1 .
k =0
SO L U C I O N
Demostraremos la identidad utilizando el proceso de induccin matemtica
m-1
P(m): A B m - B m A = B k ( A B - B A ) B m- k -1 .
k =0
P(1): A B1 - B1 A = B k ( A B - B A ) B -k
k=0
A B B A = B 0(A B B A)B 0 = I(A B B A)I = A B B A.

n -1
P(n): A B n - B n A = B k ( A B - B A ) B n- k -1 .
k =0
P(n+1):
A B n +1 - B n +1 A = B k ( A B - B A ) B n- k
k =0
n-1
= B k ( A B - B A ) B n- k + B n ( A B - B A ) B 0
k =0
n-1
= B k ( A B - B A ) B n- k -1 B + B n ( A B - B A ) I
k =0
= ( A Bn - Bn A )B + Bn ( A B - B A )
= AB n+1 - B n AB + B n AB - B n+1 A
= A B n+1 - B n+1 A
Por lo tanto P(m) es verdadera.
E J E M P L O 1.6.8
Sean A y B matrices de n x n tales que A B = B A = O. Demuestre que
(A + B)k = A k + B k, para k .
SO L U C I O N
Ya que A y B son conmutativas, podemos utilizar el teorema del binomio. Es decir:
k k

( A + B ) k = A k -i B i
i =0 i
k k 0 k k -1 1 k k -2 2
k 0 k
A B A B A B A B
0
1
2
k
JOE GARCIA ARCOS
60
MATRICES
k
k
= A k B0 + A 0B k = A k + B k .
0
k
E J E M P L O 1.6.9
Dada la matriz, calcular A n siendo n Z +:
2 1
1 1
a.-
; b.-
.
3

2
1 0
SO L U C I O N
2 1
2 1 2 1 1 0
a.- n = 1:
; n = 2:

;
3 2
3 2 3 2 0 1
1 0 2 1 2 1
2 1 2 1 1 0
n = 3:

; n = 4:

.
0 1 3 2 3 2
3 2 3 2 0 1
Cuando n es impar A n = A; cuando n es par A n = I.
1 1
1 1 1 1 2 1
b.- n = 1:
; n = 2:

;
1
0
1 0 1 0 1 1
n = 3:
n = 5:
2 11
1 11
5 3 1
3 2 1
Por lo tanto
1 3

0 2
1 8

0 5
a11 :
a12 :
a21 :
a22 :
2
;
1
3 2 1 1 5 3

;
2 1 1 0 3 2
n = 4:
5
.
3
0
An
1
1
1
1
1
1
1
an
an 1
2
2
2
2
3
3
3
3
5
5
5
an 1
.
an 2
% CALCULA LA POTENCIA DE UNA MATRIZ

clc;clear;
fprintf('\n POTENCIA DE UNA MATRIZ \n')
filcol=input('Ingrese el numero de filas y columnas de la Matriz: ');
pt=input('Ingrese la potencia a la que va elevar la matriz: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
fprintf(' LA POTENCIA DE LA MATRIZ A ES:\n')
PotA=A^pt
end
Respecto a las potencias naturales de una matriz definiremos las
siguientes matrices:
a.- Se conviene en que A 0 = I.
b.- Una matriz peridica de periodo n cumple A n = A. Un caso particular lo
forman las matrices idempotentes para las cuales A 2 = A.
c.- Una matriz es nilpotente de ndice n si A n = O.
d.- Una matriz es involutoria si A 2 = I.
JOE GARCIA ARCOS
MATRICES
61
E J E M P L O 1.6.10
Encuentre una familia de matrices de 2 x 2 para que cumplan lo siguiente:
a.- sean idempotentes; b.- sean nilpotentes de ndice 2; c.- sean involutorias.
SO L U C I O N
a.- Para que una matriz A sea idempotente, debe cumplirse que A 2 = A. Es decir:
a 2 bc ab bd a b
a b a b a b

.
2
c d c d c d
ca dc d bc c d
Debemos resolver el sistema
(1) a 2 bc a
(2) ab bd b
(3) ca dc c
(4) d 2 bc d
Restando la segunda ecuacin de la primera, obtenemos
ad 0
a 2 a d 2 d
( a d )(1 a d ) 0
1 a d 0

ab bd b
ab bd b
ab bd b
ca dc c
ca dc c
ca dc c
De donde concluimos que
1
a d 2
.
b 1 , c z 0
4c
Por tanto, una posible solucin es la matriz
1 1
2 4c
.
A
c 1
b.- Para que una matriz A sea nilpotente de ndice 2, debe cumplirse que A 2 = O. Es
decir:
a 2 bc ab bd 0 0
a b a b 0 0

.
2
c d c d 0 0
ca dc d bc 0 0
(1) a 2 bc 0
(2) ab bd 0
(3) ca dc 0
(4) d 2 bc 0
Restando la segunda ecuacin de la primera, obtenemos
ad 0
a 2 d 2 0
( a d )( a d ) 0
ad 0

ab bd 0 ab bd 0
ab bd 0
ca dc 0
ca dc 0
ca dc 0
De donde concluimos que a = d = 0 y si reemplazamos estos valores en las

ecuaciones (1) y (4), obtenemos bc = 0, donde b = 0, c z 0 o c = 0, b z 0. Por tanto
las matrices buscadas tienen la forma
0 0
0 b
A
y A
.
c 0
0 0
JOE GARCIA ARCOS
62
MATRICES
c.- Para que una matriz A sea involutoria, debe cumplirse que A 2 = I. Es decir:
a 2 bc ab bd 1 0
a b a b 1 0
ca dc d 2 bc 0 1
c d c d 0 1

(1) a 2 bc 1
(2) ab bd 0
(3) ca dc 0
(4) d 2 bc 1
Restando la cuarta ecuacin de la primera, obtenemos
ad 0
a 2 d 2 0
( a d )( a d ) 0
ad 0
ab

bd
0
ab

bd
0
ab bd 0
ca dc 0
ca dc 0
ca dc 0
De donde concluimos que a = d = 0 y reemplazando estos valores en las ecuaciones
(1) y (4), obtenemos bc = 1 donde tenemos dos alternativas b = 1/c, c z 0 o c = 1/b,
b z 0. Por lo tanto dos de las posibles soluciones son
0 1/ c
0 b
A
y A
.
c
0
1/ b 0
E J E M P L O 1.6.11
Si A, B, C son matrices cuadradas de igual orden que cumplen lo siguiente: C es
nilpotente, ndice de nilpotencia 2, B y C son conmutativas y A = B + C.
Demustrese que, para todo n Z +, se cumple la ecuacin A n+1 = B n(B + (n + 1)C).
SO L U C I O N
Sabemos que A n+1 = A n A, entonces:
A n+1 = (B + C)n+1
= (B + C)n(B + C)
= (B n + k B n-1 C + n(n - 1)B n-2 C 2 + ... + C n)(B + C)
= (B n + n B n-1 C + C n)(B + C)
= B n B + B n C + n B n C + n B n-1 C 2 + C n B + C n+1
= B n+1 + (n + 1)B n C = B n(B + (n + 1)C).
E J E M P L O 1.6.12
Si A es nilpotente de ndice 2, demustrese que A(I A)n = A, siendo n Z +.
SO L U C I O N
A(I A)n = A(I n n I n-1 A n(n - 1)I n-2 A 2 . . . A n)
= A I n n I n-1 A 2 . . . A n+1
= A A n-1 A 2
= A.
E J E M P L O 1.6.13
Sea una matriz cuadrada tal que A 2 = A. Demustrese que A n = A, para todo n Z +.
SO L U C I O N
Probaremos esta proposicin utilizando el proceso de induccin matemtica.
Si A 2 = A, entonces:
P(n) : A n = A
P(1) : A 1 = A
P(k) : A k = A. Verdadero por hiptesis inductiva.
P(k + 1) : A k+1 = A
A k+1 = A k A = A A = A 2 = A,
lo cual es verdadero. Por lo tanto se cumple que A n = A.
JOE GARCIA ARCOS
MATRICES
63
E J E M P L O 1.6.14
Demustrese que si A B = A y B A = B, entonces A y B son idempotentes.
SO L U C I O N
Para que A y B sean idempotentes, debe cumplirse: A 2 = A y B 2 = B.
A2 = A A = A B A B = A B B = A B = A
2
B = B B = B A B A = B A A = B A = B.
E J E M P L O 1.6.15
Si A es una matriz involutoria, demustrese que (I + A) y (I - A) son matrices
idempotentes y que [(I + A)][(I - A)] = O.
SO L U C I O N
[(I + A)]2 = (I + A)(I + A) = (II + I A + A I + A A) si A 2 = I
= (I + 2I A + I) = (2I + 2A) = (I + A) es idempotente.
[(I - A)]2 = (I - A)(I - A) = (II - I A - A I + A A) si A 2 = I
= (I - 2I A + I) = (2I - 2A) = (I - A) es idempotente.
[(I + A)][(I - A)] = (I + A)(I - A) = (II - I A + A I - A A) si A 2 = I
= (I - I) = O.
E J E M P L O 1.6.16
Prubese que la matriz A es involutoria si y slo si, se cumple que
(I - A)(A + I) = O.
SO L U C I O N
Para que la matriz A sea involutoria es necesario que se cumpla A 2 = I.
(I - A)(A + I) = I A + II - A A - A I = A + I 2 A 2 - A = I I = O.
E J E M P L O 1.6.17
Las potencias naturales n t 2 de una matriz idempotente A, satisfacen la ecuacin
A n = A.
SO L U C I O N
Siendo A idempotente, se cumple que A n = A, entonces A 3 = A A 2 = A A = A 2 = A.
Supngase que A n = A, entonces
A n+1 = A A n = A A = A 2 = A.
E J E M P L O 1.6.18
Las potencias de una matriz involutoria A cumplen las ecuaciones
a.- A 2n = I, n ; b.- A 2n+1 = A, n .
SO L U C I O N
Siendo A una matriz involutoria, debe cumplirse que A 2 = I; entonces:
a.- A 2n = (A 2)n = I n = I;
b.- A 2n+1 = A A 2n = A I = A.
EJ E M P L O 1.6.19
Si A es una matriz idempotente, pruebe que (A B A B A)2 = O, para toda matriz B.
SO L U C I O N
Si A es idempotente, entonces A 2 = A; por lo tanto
(A B A B A)2 = (A B A B A)(A B A B A)
= ABAB ABABA ABA AB + ABA ABA
= A B A B A B A B A A B A 2B + A B A 2 B A
= ABAB ABABA ABAB + ABABA
= O.
EJ E M P L O 1.6.20
Demuestre que para una matriz nilpotente A de ndice de nilpotencia p la matriz A +
es tambin nilpotente y posee el mismo ndice de nilpotencia.
SO L U C I O N
Dado que A p = O, entonces tenemos que probar que (A +)p = O. Es decir:
JOE GARCIA ARCOS
64
MATRICES
( A + ) p = A + A + ... A + = ( A A ... A ) + = ( A p ) + = O + = O .
p veces
p veces
EJ E M P L O 1.6.21
Demuestre que si A es idempotente, B = 2A I es involutoria, si B es involutoria,
A = (B + I) es idempotente.
SO L U C I O N
Si A 2 = A, entonces:
B 2 = (2A - I)2 = (2A - I)(2A - I) = 4A 2 4A + I = 4A 4A + I = I.
2
Si B = I, entonces:
2
1
1
1
1
1
A 2 = ( B + I ) = ( B 2 + 2 B + I ) = ( I + 2 B + I ) = (2 B + 2 I ) = ( B + I ) = A .
4
4
4
2
2
% COMPROBACION DE UNA MATRIZ PERIODICA

clc;clear;
fprintf('\n COMPROBACION DE UNA MATRIZ PERIODICA \n')
pt=input('Ingrese la potencia a la que va elevar A: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
fprintf(' LA MATRIZ POTENCIA ES:\n')
PotA=A^pt
end
if(A ==PotA)
fprintf('\n LA MATRIZ A ES PERIODICA\n')
if(pt==2)
fprintf('\n LA MATRIZ A ES IDEMPOTENTE\n')
end
else
fprintf('\n LA MATRIZ A NO ES PERIODICA\n')
end
% COMPROBACION DE UNA MATRIZ INVOLUTORIA

clc;clear;
fprintf('\n COMPROBACION DE UNA MATRIZ INVOLUTORIA \n')
%pt=input('Ingrese la potencia a la que va elevar la matriz: ');
pt=2;
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
end
PotA=A^pt
end
I=eye(size(A));
end
JOE GARCIA ARCOS
MATRICES
65
if(PotA ==I)
fprintf('\n LA MATRIZ A ES INVOLUTORIA\n')
else
fprintf('\n LA MATRIZ A NO ES INVOLUTORIA\n')
end
% COMPROBACION DE UNA MATRIZ NILPOTENTE

clc;clear;
fprintf('\n COMPROBACION DE UNA MATRIZ NILPOTENTE \n')
pt=input('Ingrese la potencia a la que va elevar: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
End
PotA=A^pt
end
ceros=zeros(size(A));
if(PotA ==ceros)
fprintf('\nLA MATRIZ A ES NILPOTENTE DE INDICE %d\n',pt)
else
fprintf('\nLA MATRIZ A NO ES NILPOTENTE\n')
end
PR O B L E M AS
1.6.1 Si A 2 = A, demostrar que (A + I)k = I + (2k 1)A.

1.6.2 La ecuacin A 2 = I se satisface para cada una de las
matrices 2 x 2
1 0 1 0 1 b
,
,
0 1 c 1 0 1
donde b y c son nmeros reales arbitrarios. Hallar todas las
matrices A de 2 x 2, tales que A 2 = I.
A
CosT SenT
.
SenT Cos T
Calcular A n siendo n Z +.
1.6.4 Demuestre que una matriz triangular es nilpotente

si, y slo si, todos los elementos de la diagonal principal
son nulos, y el ndice del carcter nilpotente de la matriz
triangular no supera su orden.
n
1.6.5 Sea k z 0, encuentre A , n Z si

kSenT
CosT
.
A
1 SenT CosT
k
1.6.6 La matriz
A
donde i2 = -1, a
1
(1
2
i
,
b
5) y b
1
(1
2
5) , tiene la
propiedad de que A es idempotente. Describir en forma

completa todas las matrices A de 2 x 2, con elementos
complejos tales que A sea idempotente.
1.6.7 Determine a y b tales que A sea idempotente
1 0
A
.
a b
1.6.8 Determine condiciones sobre a, b y c de modo que
A sea idempotente
a 0
A
.
b c
1.6.9 Demuestre que A es idempotente s y slo si A T es
idempotente.
1.6.10 Demostrar que una hipermatriz triangular es
nilpotente si, y slo si, todas sus submatrices en la
diagonal principal son nilpotentes.
JOE GARCIA ARCOS
MATRICES
66

nS
nS
Sen
Cos k
k
A
n
S
n
S
Sen
Cos
k
k
en donde k Z +, encuentre A m para todo m. A qu es

igual la matriz A m cuando m = k?
1.6.17 Demuestre que si A y B son idempotentes y A B =

B A, entonces A B es idempotente.
1.6.18 Encuentre una matriz hipertriangular nilpotente
de ndice 2 tales que sus submatrices en la diagonal
principal sean nilpotentes de ndice 2.
1.6.19 Si A y B son matrices de 2 x 2. Calcule:
a.- (A B B A)2;
b.- (A B B A)n, n > 2.
1.6.12 Demustrese que, si A es matriz cuadrada, entonces:

a.- A 3 I = (A I)(A 2 + A + I);
b.- A 4 I = (A 2 + I)(A + I)(A I);
c.- 3A 2 2A - I = (3A + I)(A I);
d.- A k I = (A I)(A k-1 + A k-2 + I).
1.6.20 Si A y B son matrices de n x n tales que

A(A B B A) = (A B B A)A
y
B(A B B A) = (A B B A)B.
Demuestre que (A B B A)3 = O.
1.6.13 Demuestre que si A es nilpotente, entonces A T es

nilpotente con el mismo ndice.
1.6.21 Encuentre una matriz triangular de 3 x 3, que sea

nilpotente de ndice 2.
1.6.14 Sean las matrices

3 2
4 2
A
, B
,
15 8
15 7
1.6.22 Dada
p(x):
1
a.- A 1
2
p( x, y) x2 xy 2 y 2 y q( x, y) x2 y 2 2 y 1 :
a.- Verifquese que A y B conmutan.
b.- Evalese p(A, B).
c.- Evalese q(A, B).
d.- Demustrese que, en general, si A y B son matrices
de n x n, y si A y B conmutan, entonces
(A + B)2 = A 2 + 2A B + B 2
y
A 2 B 2 = (A + B)(A B)
y verifquese la validez de esas relaciones con las
matrices A, B que se han dado.
1.6.15 Sea f ( x) x 2 x 3 , g ( x) x3 2 x 1 ,
3 1
1 2
, B
. Evalese:
2 0
3 4
a.- f(A);
b.- f(B);
c.- f(I);
d.- f(O);
e.- g(A);
f.- g(B);
g.- f(A + B).
A
1.6.16 En cada una de las elecciones siguientes de la

matriz A, demustrese que se puede expresar A como B
+ C, donde B es idempotente y C es nilpotente
(recurdese que O es idempotente y nilpotente al mismo
tiempo):
1 0
0 0
a.- A
; b.- A
;
0
1
1 0
c.-
e.-
1 0
;
0 0
1 0
;
1 0
d.-
f.-
1
1
0
1
0
;
1
0 0
1 0 .
0 0
la matriz A. Hallar el valor del polinomio
2 1
1 3 , p(x) = 3x2 2x + 2;
1 1
1 1 1
b.- A 1 1 1 , p(x) = 2x2 + 3x 1;

1 1 1
1 2 3
c.- A 4 5 6 , p(x) = x2 5x 5;
7 8 9
d.- A 2
3
e.- A 1
1
f.- A
4 7
5 8 , p(x) = 3x2 + 5x 5;
6 9
1 1
i 1 , p(x) = x2 + 3x + 1;
1 i
1
1 i 1
2
1 1 i 1 , p(x) = x - 3x 2.
1
1 1 i
1.6.23 Hallar matrices A y B tales que

1 2
1 3
2
A2
y B
.
0

1
2 5
A
encuentre A n, n Z +.
8 4
4 2
4i 2i
4i
2i
2
JOE GARCIA ARCOS
MATRICES
67
1.7 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
1.7.1 Si dos productos A B y B A estn definidos y A es
una matriz de m x n, entonces B es una matriz de m x n.
1.7.2 Una matriz que conmuta para el producto con una
matriz diagonal que posee elementos en la diagonal
distintos de dos en dos es tambin una matriz diagonal.
1.7.3 Si una matriz cuadrada A es conmutativa para el
producto con todas las matrices cuadradas del mismo
orden, sta es la matriz nula.
1.7.4 Las operaciones sobre las matrices casi triangulares
de la misma estructura, superiores o inferiores conducen a
matrices casi diagonales de la misma estructura.
1.7.5 Si una matriz A es nilpotente de ndice de
nilpotencia n, entonces la matriz A es tambin nilpotente
y posee el mismo ndice de nilpotencia.
1.7.11 Si A y B son matrices cuadradas de un mismo

orden con la particularidad de que A B z B A, entonces
Tr(A B) z Tr(B A).
1.7.12 Para que una matriz cuadrada A sea conmutativa
con todas las matrices cuadradas del mismo orden, es
necesario y suficiente que la matriz A sea escalar.
1.7.13
Las operaciones sobre las matrices casi
diagonales de una misma estructura dan matrices casi
diagonales de la misma estructura.
1.7.14 Si A es una matriz diagonal y todos los elementos
de su diagonal principal se diferencian entre s, cualquier
matriz, conmutativa con A debe ser nula.
1.7.15 Si A es una matriz de 2 x 2 y k un nmero entero
superior a dos, entonces A k = O si, y slo si, A 2 = O.
1.7.6 Si las matrices A y B son conmutables para el

producto, entonces las matrices conjugadas A y B son
anticonmutativas.
1.7.16 Si para las matrices A y B ambos productos A B y

B A estn definidos con la particularidad de que A B = B A,
entonces las matrices A y B son cuadradas y no
necesariamente tienen el mismo orden.
1.7.7 Una matriz triangular es nilpotente si, y slo si,

todos los elementos de la diagonal principal son nulos, y el
ndice de nilpotencia de la matriz triangular no supera su
orden.

orden con la particularidad de que A B z B A, entonces
(A - B)2 = A 2 + B 2.
1.7.8 Si A es una matriz normal y conmuta con una cierta

matriz B, entonces A conmuta con B.
1.7.18 Para cualquier matriz B con elementos reales o

complejos, entonces la matriz A = B B + es antihermtica.
1.7.9 El producto de dos matrices antisimtricas A y B es

una matriz antisimtrica si, y slo si, A B z B A.
1.7.10 Para que una matriz cuadrada A sea conmutativa
con todas las matrices diagonales es necesario y suficiente
que la propia matriz A sea diagonal.
1.7.19 La suma A + B y el producto A B de matrices

normales A y B son matrices normales.
1.7.20 Una matriz normal casi triangular es una matriz
casi diagonal.
JOE GARCIA ARCOS
O BJE T I V O
Resolver problemas sobre determinantes, utilizando definiciones, propiedades y mtodos adecuados para cada
tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O N T E NI D O :
2.1
2.2
2.3
2.4
2.5
DETERMINANTES DE SEGUNDO Y TERCER ORDEN

METODOS PARA EL DESARROLLO DE UN DETERMINANTE DE ORDEN SUPERIOR
PRODUCTO DE DETERMINANTES
DETERMINANTES DE VANDERMONDE
CUESTIONARIO
2.1 D E T E R M I N A N T ES D E SE G UND O Y T E R C E R O RD E N
En esta seccin se introduce la terminologa bsica y se define el determinante de una matriz cuadrada de n-simo
orden, enunciamos sus propiedades.
Es evidente que una regla que asocie a cada matriz un nmero concreto definir una
funcin de valores numricos de las matrices. Una de las funciones con valores
numricos ms importante entre las que se definen para las matrices cuadradas es la
funcin determinante. Esta funcin ha sido objeto de un estudio exhaustivo durante
ms de 200 aos. El hecho ms asombroso de la historia de los determinantes es que
el concepto de determinante se haya adelantado ms o menos 100 aos al concepto
de matriz. En realidad, hasta principios de este siglo, ambos conceptos se
confundan.
Si designamos los n primeros elementos del conjunto de los nmeros naturales,
existe una permutacin ordinaria de dichos elementos que se denomina permutacin
fundamental o principal, la cual corresponde a la sucesin ordenada y creciente de
los nmeros naturales; entonces, la permutacin fundamental viene dada por 1 2 3 ...
n. Se dice que dos elementos de cualquiera de las n! permutaciones posibles forman
inversin cuando se suceden en un orden distinto al que presentan en la permutacin
fundamental; as, por ejemplo, en la permutacin 2 3 1 4, los pares de elementos
{2, 1} y {3, 1} forman inversiones. Si todos los pares de elementos forman
inversin, es decir, si todos los elementos estn colocados en orden contrario al
natural, se trata de una permutacin inversa, como 4 3 2 1. La clase de una
permutacin viene dada por la paridad del nmero total de inversiones que existan
entre cada dos elementos de la permutacin; as, una permutacin es de clase par o
de clase impar, segn sea par o impar dicho nmero de inversiones. Al cambiar entre
s de lugar la posicin de dos elementos de una permutacin se ha originado una
transposicin.
70
DETERMINANTES
T E O R E M A 2.1.1
Si en una permutacin arbitraria se efecta una transposicin, la
permutacin cambia de clase.
En efecto, si se verifica la transposicin entre dos elementos consecutivos se origina
un aumento o una disminucin en el nmero total de inversiones de la permutacin,
segn que dicho par de elementos estuvieran o no en el orden natural previamente
establecido; por otra parte, no existen ms variaciones en el nmero total de
inversiones, ya que tanto los elementos anteriores como los posteriores a los que se
transponen siguen teniendo respecto a los elementos del par transpuesto la misma
posicin relativa que tenan antes de la transposicin. Si entre los elementos que se
transponen existen otros k elementos intercalados, para intercambiarlos de lugar
basta hacer avanzar k + 1 lugares al elemento ms retrazado, lo que equivale a
efectuar k + 1 transposiciones y, a continuacin, debe hacerse retroceder k lugares el
elemento ms avanzado, lo que representa otras k nuevas transposiciones, con lo que
el nmero total de transposiciones efectuadas asciende a k + 1 + k = 2k + 1, que es un
nmero impar, siendo, por tanto, impar el nmero de cambios de la permutacin
original; la permutacin debe cambiar de clase.
Si en una permutacin arbitraria se efecta una transposicin, la permutacin cambia
de clase. Finalmente, se puede probar fcilmente que es posible obtener las n!
permutaciones del conjunto {1, 2, ..., n} a partir de la permutacin principal y
cambiando, para formar una nueva permutacin, dos elementos de la anterior, as: 1
2 3, 1 3 2, 3 1 2, 3 2 1, 2 3 1, 2 1 3, son las 3! = 6 permutaciones de {1, 2, 3}; por
tanto, como se cambia de clase al conseguir una nueva permutacin, entre las n!
permutaciones posibles existen n! de clase par y otras de clase impar.
Formados todos los productos posibles de n elementos elegidos entre los n2
de la matriz dada, de modo que en cada producto haya un factor de cada fila
y uno de cada columna, y anteponiendo a cada producto el signo + o el -,
segn que las permutaciones que indican las filas y las columnas sean de la
misma o distinta clase, el polinomio que tiene como trminos todos los
productos as formados con sus signos correspondientes, se llama
determinante de la matriz dada. Es decir, para el conjunto de las matrices
cuadradas de orden n se puede establecer una aplicacin inyectiva de forma
que a cada matriz A corresponda una funcin escalar de sus elementos y se
representa escribiendo sta entre barras: Det( A ) = A .
Se dice que dos determinantes son iguales, si al ser evaluados ambos dan
el mismo nmero.
La definicin aceptada permite desarrollar cualquier determinante, pero en la
prctica no debe utilizarse directamente para los de orden superior a tres.
El valor del determinante de una matriz
a12
a
A 11
a21 a22
de 2 x 2 se define mediante la expresin:
Det(A) = a11a22 a12a21.
Un determinante de segundo orden es un nmero que se calcula a partir de los
cuatro elementos de una ordenacin cuadrangular.
JOE GARCIA ARCOS
DETERMINANTES
71
EJ E M P L O 2.1.1
Evaluar el determinante de la siguiente matriz
a 2 ab b2 a 2 ab b2
A
.
a b
a b
SO L U C I O N
Evaluamos el determinante de la matriz A utilizando la correspondiente definicin
Det(A) = (a2 + ab + b2)(a - b) - (a2 - ab + b2)(a + b)
= a3 - a2b + a2b - ab2 + ab2 - b3 - a3 - a2b + a2b + ab2 - ab2 - b3
= - 2b3.
EJ E M P L O 2.1.2
Demostrar que, siendo a, b, c y d reales, las races de la ecuacin
a x c id
0
c id b x
sern reales.
SO L U C I O N
Evaluando el determinante, obtenemos:
' = (a x)(b x) (c + id)(c id) = 0 ab - ax - bx + x2 - c2 + icd - icd + i2d2 = 0
ab - ax - bx + x2 - c2 - d2 = 0 x2 - (a + b)x + (ab - c2 - d2) = 0
Resolvemos esta ecuacin cuadrtica, resultando:
( a c ) r ( a b)2 4( ab c 2 d 2 ) ( a c ) r ( a b) 2 4(c 2 d 2 )
.
2
2
Como (a - b)2 + 4(c2 + d2) t 0, entonces las races son reales.
x1,2
EJ E M P L O 2.1.3
Dada la matriz
4 5
2 1
Encuentre de ser posible una matriz B tal que Det(A) = Det(A B).
SO L U C I O N
a b
4 a 5c 4b 5d
Sea B
, entonces A B
. Por lo tanto
c d
2 a c 2b d
A
Det(A) = -6 y Det(A B) = 6bc 6ad -6 = 6bc 6ad ad bc = 1.

La matriz pedida tiene la forma siguiente:
a b
B
/ ad bc 1 .
c
d
EJ E M P L O 2.1.4
Dada la matriz
1 3
4 2
Encuentre de ser posible una matriz B tal que Det(A + B) = Det(A) + Det(B).
SO L U C I O N
a b
1 a 3 b
Sea B
, entonces A + B
. Por lo tanto
c
d
4 c 2 d
Det(A + B) = (1 + a)(2 + d) (3 + b)(4 + c)
= 2a - 4b 3c + d + ad bc 10
Det(A) = -10 y Det(B) = ad bc.
De donde
2a - 4b 3c + d + ad bc 10 = -10 + ad bc 2a - 4b 3c + d = 0.
A
JOE GARCIA ARCOS
72
DETERMINANTES
La matriz pedida tiene la forma siguiente:

a b
B
/ 2 a 4b 3c d
c d
El valor del determinante de una matriz
a11 a12
A a21 a22
a
31 a32
0 .
a13
a23
a33
de 3 x 3, se define de la siguiente manera:

Det(A) = a 11a 22a 33 + a 12 a 23a 31 + a 13a 21a 32 a 13a 22a 31 a 11a 23a 32
a 12a 21a 33.
Un determinante de tercer orden es un nmero que se calcula a partir de los
elementos de una ordenacin cuadrangular de 3 x 3. Obsrvese que el primer
trmino est compuesto por los elementos de la diagonal principal; y cada
paralela a ella, con el elemento del vrtice opuesto, compone otro trmino con
signo +. Anlogamente se deducen los otros tres que llevan signo -, partiendo de
la diagonal secundaria. Esta regla muy til se llama regla de Sarrus.
EJ E M P L O 2.1.5
Calcule el determinante
b2 c 2
a.-
a2
2
a c
c
a2
2
b
2
a2 1
a b
;
2
b.-
ab
ac
ab
ac
bc
bc
b 1
c 1
SO L U C I O N
a.- Haciendo uso de la definicin correspondiente evaluamos el determinante la
matriz:
' = (b2 + c2)(a2 + c2)(a2 + b2) + a2b2c2 + a2b2c2 a2c2(a2 + c2) b2c2(b2 + c2)
a2b2(a2 + b2)
= (b2a2 + b2c2 + a2c2 + c4)(a2 + b2) + 2a2b2c2 a4c2 - a2c4 b4c2 - b2c4 a4b2 - a2b4
= b2a4 + b4a2 + b2a2c2 + b4c2 + a4c2 + a2b2c2 + c4a2 + c4b2 + 2a2b2c2 a4c2 - a2c4
4 2
b c - b2c4 - a4b2 - a2b4
= 4a2b2c2.
b.- Haciendo uso de la definicin correspondiente evaluamos el determinante la
matriz:
' = (a2 + 1)(b2 + 1)(c2 + 1) + a2b2c2 + a2b2c2 a2c2(b2 + 1) b2c2(a2 + 1)
a2b2(c2 + 1)
2 2
2
2
2
2 2 2
2 2 2
2 2
2 2 2
2 2
2 2 2
= (a b + a + b + 1)(c + 1) + 2a b c a b c - a c a b c - b c a b c - a2b2
= a2b2c2 + a2b2 + a2c2 + a2 + b2c2 + b2 + c2 + 1 a2b2c2 - a2c2 b2c2 - a2b2
= a2 + b2 + c2 + 1.
A continuacin enunciaremos y demostraremos algunas de las propiedades mas
importantes de los determinantes.
T E O R E M A 2.1.2
El valor de un determinante no vara si se sustituye cada elemento por su
conjugado, es decir, si se cambian las filas por columnas, y stas por
aqullas, sin alterar el orden relativo de los elementos de cada una.
En efecto; todo trmino del primer determinante est formado por n elementos, uno
de cada fila y uno de cada columna, luego pertenece tambin al segundo
JOE GARCIA ARCOS
DETERMINANTES
73
determinante. Las dos permutaciones que indican filas (columnas) en el segundo

determinante, son las mismas que indican las columnas (filas) en el primero, luego el
signo de dicho trmino en ambos determinantes es + o -, segn que ambas
permutaciones sean de la misma o distinta clase.
Al multiplicar cada elemento de la i-sima fila o de la j-sima columna por un
nmero r, Det(A) queda multiplicado por r. Consecuentemente, si cada elemento de
una matriz A de orden n x n se multiplica por un nmero r, entonces Det(A) queda
multiplicado por rn.
T E O R E M A 2.1.3
Si se multiplican todos los elementos de una fila o columna por un mismo
nmero, el valor del determinante queda multiplicado por dicho nmero.
Supongamos que bj = ra j, mientras que bk = a k para k z j. Entonces, en particular,
b1j = ra1j. Si k z j, B 1k se obtiene a partir de A 1k multiplicando una columna por r y
como B 1k y A 1k son matrices (n 1) x (n 1), tenemos que Det(B 1k) = rDet(A 1k).
Por otra parte, B 1j = A 1j y b1k = a1k si k z j. Por tanto, para todo k,
B 1kDet(B 1k) = ra1kDet(A 1k).
Por tanto,
Det( B )
(1)k 1 b1k Det( B1k )

k 1
(1) k 1 r a1k Det( A1k )
rDet( A ) .
k 1
En el teorema siguiente podemos ver que un intercambio de dos filas o dos columnas
es una matriz de orden n x n cambia el signo del determinante.
T E O R E M A 2.1.4
Si B se obtiene a partir de A intercambiando dos filas (o dos columnas)
adyacentes sin alterar el orden relativo de los elementos de cada una,
entonces el valor absoluto del determinante no vara, pero cambia su signo.
Supongamos que A y B son iguales, excepto que aj = bj+1 y a j+1 = bj. Si k z j y k z
j+1, tenemos que b1k = a1k y Det(B 1k) = -Det(A 1k) por la hiptesis de induccin, de
modo que
(-1)k+1b1kDet(B 1k) = -(-1)k+1a1kDet(A 1k)
Por otra parte, b1j = a1 j+1, B 1j = A 1 j+1, de modo que
(-1)j+1b1jDet(B 1j) = (-1)j+1a1 j+1Det(A 1 j+1)
= -(-1)j+2a1 j+1Det(A 1 j+1).
De la misma manera,
(-1)j+2b1 j+1Det(B 1 j+1) = -(-1)j+1a1jDet(A 1j).
Por tanto, cada trmino de la expresin para Det(B) es igual al negativo de un
trmino en la expresin para Det(A). Por tanto, Det(B) = -Det(A).
T E O R E M A 2.1.5
Si en una matriz cuadrada todos los elementos de una fila (o columna) son
cero, el valor de su determinante es cero.
Cada uno de los productos en que se desarrolla el determinante contiene un elemento
de esa fila, as que cada producto es nulo en la hiptesis hecha. De aqu que su suma
es cero; es decir Det(A) = 0.
T E O R E M A 2.1.6
Si en una matriz cuadrada, los elementos correspondientes de dos filas
(o dos columnas) son idnticos, entonces el valor de su determinante es
cero.
JOE GARCIA ARCOS
74
DETERMINANTES
Suponga que a ik = a jk para todo k o que a ik = aij para todo i; si intercambiamos las dos
filas o las dos columnas iguales, la matriz A no ha cambiado. Pero el signo del
determinante cambia:
Det(A) = - Det(A) o Det(A) + Det(A) = 0.
El nico nmero real para el cual se satisface la ecuacin es Det(A) = 0.
T E O R E M A 2.1.7
Un determinante es nulo si los elementos de una fila (o columna) son
proporcionales a los trminos de una paralela a ella.
Si los trminos de una fila son iguales a los correspondientes de otra, multiplicados
por r, separando este nmero como factor del determinante, queda otro con dos filas
idnticas, y, por tanto, es nulo.
T E O R E M A 2.1.8
Sean A, B y C matrices iguales, excepto para la columna j, y supngase que
la columna j de C es la suma de las columnas de j de A y B. Entonces
Det(C) = Det(A) + Det(B).
Tenemos que
c1j = a1j + b1j y C 1j = A 1j + B 1j.
Para k z j,
c1k = a1k = b1k y C 1k = A 1k = B 1k,
excepto para una columna que es la suma de las columnas correspondientes de A 1k y
B 1k. Por tanto, si k z j,
Det(C 1k) = Det(A 1k) + Det(B 1k)
por hiptesis de induccin. Si k = j tenemos
c1kDet(C 1k) = c1kDet(A 1k) + c1kDet(B 1k)
= a 1kDet(A 1k) + b1kDet(B 1k)
mientras que
c1jDet(C 1j) = a 1jDet(C 1j) + b1jDet(C 1j)
= a 1jDet(A 1j) + b1jDet(B 1j)
Por tanto
Det( C )
(1)k 1 c1 k Det( C1 k )
k 1
n
k 1
k 1
(1)k 1 a1k Det( A1k ) (1) k 1 b1k Det( B1k )

= Det(A) + Det(B).
El teorema siguiente nos da una manera eficiente para calcular el determinante de
una matriz grande.
T E O R E M A 2.1.9
Si C y A son matrices n x n y C se obtiene de A sumando un mltiplo
numrico de una columna a otra, entonces
Det(C) = Det(A).
Supongamos que la matriz C es igual a la matriz A, excepto que c j = a j + ra i. Sea la
matriz obtenida de A remplazando a j por ra i. Por el teorema anterior,
Det(C) = Det(A) + Det(B).
El Det(B) es r veces el determinante de una matriz con dos columnas iguales. Por
tanto,
Det(B) = 0 y Det(C) = Det(A).
JOE GARCIA ARCOS
DETERMINANTES
75
EJ E M P L O 2.1.6
Sin desarrollar el determinante, demostrar la siguiente identidad:
1 a bc
ma1 mb1 mc1
a1 b1 c1
a.- na2 nb2 nc2 mnp a2 b2 c2 ; b.- 1 b ac
1 c ab
pa3 pb3 pc3
a3 b3 c3
1
a
1
b
a 2 b2
1
c .
c2
SO L U C I O N
a.- Extraemos m de la primera fila de la matriz, n de la segunda fila y p de la tercera
fila. Es decir
a1
b1
c1
a1
b1
c1
a1 b1 c1
m na2 nb2 nc2 mn a2
b2
c2
mnp a2 b2 c2
pa3 pb3 pc3
pa3 pb3 pc3
a3 b3 c3
b.- Multiplicando la primera, segunda y tercera filas por a, b y c, respectivamente,
obtenemos
a a2
1
b b2
abc
c c2
abc
a a2 1
abc
b b2 1
abc
c2 1
intercambiando las columnas 1 y 3, luego la 2 y 3, transponiendo la matriz

obtenemos la identidad
a a2 1
b b
1
1
1 a2
1 a
a2
1 b
1 b b
1 c
1 c
c2
1
a
1
b
a 2 b2
1
c .
c2
EJ E M P L O 2.1.7
Sea A una matriz antisimtrica de n x n. Demuestre que si n es impar, entonces
Det(A) = 0.
SO L U C I O N
Como A = -A T, entonces:
Det(A) = Det(-A T) = (-1)nDet(A T) = (-1)nDet(A) = - Det(A) 2Det(A) = 0.
Luego Det(A) = 0.
EJ E M P L O 2.1.8
1 a
a2
a.- 1 b b 2
1 c
c2
1 a 0
(b a )(c a ) 0 1 b ;
0 1 c
1 a2
a3
bc
a a2
b.- 1 b 2
b3
ca b b 2 .
1 c2
c3
ab c
c2
SO L U C I O N
a.- Restando la fila 1 de la fila 2 y la fila 1 de la fila 3, obtenemos:
1
a2
0 b a b2 a 2
0 ca
c2 a2
extraemos (b a) de la segunda fila y (c a) de la tercera fila

1 a a2
(b a )( c a ) 0 1 b a
0 1 ca
descomponemos el determinante en suma de determinantes con respecto a la tercera
JOE GARCIA ARCOS
76
DETERMINANTES
columna
1 a 0
1 a a2
(b a )( c a ) 0 1 b 0 1 a
0 1 c
0 1 a
podemos observar en la expresin que esta entre llaves, que el segundo determinante
es cero por tener dos filas iguales, lo cual permite llegar a demostrar la identidad.
1 a 0
(b a )( c a ) 0 1 b .
0 1 c
b.- A la primera columna del determinante le multiplicamos por abc:
abc a 2
a3
1
abc b 2
abc
abc c 2
b3
c3
Extraemos a de la primera fila, b de la segunda fila y c de la tercera fila:
bc a a 2
abc
ac b b 2
abc
ab c c 2
bc
a a2
ac b b 2 .
ab c
c2
EJ E M P L O 2.1.9
a3
1 a
a.- 1 b b3
b.-
0
a
b
c
(a b c) 1 b b2 ;
c3
1 c
a
0
c
b
b
c
0
a
a2
1 a
c
b
a
0
1 c
c2
b2
1 c2
a2
1 b2
a2
0
1
SO L U C I O N
a.- A la columna 3 le restamos la columna 1 multiplicada por abc
1 a
a 3 abc
1 b b3 abc
1 c
c 3 abc
A la columna 3 le sumamos la columna 2 multiplicada por ac

1 a
a 3 a 2 c abc
1 b b3 abc abc
1 c
c 3 ac 2 abc
A la columna 3 le sumamos la columna 2 multiplicada por bc

1 a
a 3 a 2 c abc abc
1 b
b3 b 2 c
1 c
c 3 ac 2 abc bc 2
A la columna 3 le sumamos la columna 2 multiplicada por ab

JOE GARCIA ARCOS
DETERMINANTES
77
1 a
a 3 a 2 c a 2b
1 b b3 b 2 c b 2 a
1 c
a 2 (a b c)
1 a
1 b b2 ( a b c )
c 3 ac 2 bc 2
c 2 (a b c)
1 c
Extraemos a + b + c de la tercera columna
a2
1 a
( a b c ) 1 b b2 .
c2
1 c
b.- A la segunda fila del determinante se le multiplica por bc, a la tercera fila por ac
y a la cuarta fila por ab:
0
a
b
c
1
abc
bc 2
b2 c
a2c
a 2 b 2 c 2 abc ac 2
abc ab 2 a 2 b 0
De la primera columna extraemos abc, de la segunda columna a, de la tercera
columna b y de la cuarta columna c:
0 1 1 1
0 1 1 1
a 2b2 c 2 1 0
a 2b2 c 2 1 c 2
c2
b2
c2
b2
a2
1 c2
a2
1 b2
a2
1 b2
a2
EJ E M P L O 2.1.10
Evaluar los siguientes determinantes:
1 a b cd
1
a
b
c
1 b c da
1
b
c
a
a.; b..
1 c d a b
1
c
a
b
1 d a bc
1 2 a b 2b c 2c a
SO L U C I O N
a.- A la segunda columna
columnas:
1
1
1
1
del determinante, le sumamos la tercera y cuarta
a bc d b c d
bcd a c d a
c d a b d a b
d a bc a bc
Extraemos de la segunda columna a + b + c + d:
1 1 b cd
1 1 c da
(a b c d )
1 1 d a b
1 1 a bc
Como existen dos columnas iguales, el determinante es igual a 0.
b.- A la primera columna, le sumamos la tercera y cuarta columnas:
1 a bc
b
c
1 bca
c
a
1 c a b
a
b
1 a b c 2b c 2c a
JOE GARCIA ARCOS
78
DETERMINANTES
Extraemos de la segunda columna a + b + c :

1 1
b
c
1 1
c
a
.
(a b c)
1 1
a
b
1 1 2b c 2c a
Como existen dos columnas iguales, el determinante es igual a 0.
PR O B L E M AS
2.1.1 Si A y B son matrices triangulares superiores de n x
n tales que Det(a A + b B) = aDet(A) + bDet(B) para todo
a, b en K , demuestre que Det(A) = Det(B) = 0.
2.1.2 Dado que Det(A) = 81 y B es una matriz igual a A,
excepto que la primera y tercera filas fueron
intercambiadas una por la otra. Cul es el valor de
Det(B)?
2.1.3 Si Det(A) = 9 y B es una matriz igual a A, excepto
que la segunda y tercera filas fueron intercambiadas entre
s. Cul es el valor de Det(B)?
2.1.4 Sean A y B matrices cuadradas de 4 x 4 tales que
Det(A) = -15 y Det(B) = -6. Encuentre Det(A B), Det(A 3),
Det(5B); Det(A B)T.
2.1.5 Si A es una matriz simtrica, demuestre que
Det(A + B) = Det(A + B T).
2.1.6 Encuentre matrices A y B de 2 x 2 tales que
Det(A + B) = Det(A) + Det(B).
2.1.7 Sea A una matriz de 3 x 3 tal que la suma de cada
una de sus filas es igual a cero. Encuentre Det(A).
2.1.8 Demuestre que si Det(A) = Det(B) z 0, entonces
hay una matriz C tal que Det(C) = 1 y A = C B.
2.1.9 Demuestre que si A es una matriz antisimtrica de
n x n, entonces Det(A) = (-1)nDet(A).
2.1.10 Si A es una matriz idempotente, cules son los
valores posibles de Det(A)?
2.1.11 Sean A y B dos matrices de n x n. Encuentre
Det(C) en funcin de Det(A + B) y Det(A B), siendo
A B
C =
.
B A
2.1.12
Si A T B T
1 3
y Det(B) = 3. Cul es el
2 4
Det(A)?
2.1.13 Evaluar los siguientes determinantes:

n 2 n 1 n
1
1
1
a.- n 1
n n ; b.- 1 2 a
1 ;
n
n n
1
1
3 a
1 2
3
c.- 1 a 1 3 ;
1 2
a 1
d.-
e.-
e c
b
c e a ;
b a e
g.-
a b
c
d
b
ac
d ;
b
c
ad
i.-
2 a2
3
3
2
1
3
5
1 9a
n 1 1
k.- 1 n 1 ;
1 1 n
f.-
1
a
cd
1
1
a b a ;
c
c
1
1 n
1 n 1 ;
n 1
1
a
ek
fk
h.-
j.-
dg dh
b eh ;
fg c
1 n n
n 2 n ;
n n 3
a b b
l.- b a b .
b b a
2.1.14 Demuestre que la ecuacin de la recta que pasa

por los puntos P(a, b) y Q(c, d) est dada por
1 1 1
x a c 0.
y b d
2.1.15
Det( A )
a b
, entonces
c d
es el rea del paralelogramo con lados
Demuestre
que
si
determinados por (a, b) y (c, d).

n
1 0
1
a
0
b ;
a.- n 1 a 1 ; b.- 1 1 a
0
1 1 b
n2 0 a
JOE GARCIA ARCOS
DETERMINANTES
c.-
e.-
79
2n 5 n 1
n
n 2 2n 3
n ;
n 2 n 1 2n 1
1 n
1
1
d.1 1 n
1 ;
1
1 1 n
a.-
a b ab
0
1
a b ab .
0
1
a b
1 2 4
3 1 1 evale Det(A - OI), donde O

5 2 6
2.1.17 Si A
2.1.23 Sin desarrollar el determinante, demostrar la

siguiente identidad:
es un escalar.
b.-
a.-
c.-
c
f
i
g h
a b
d e
b.-
d e f
a b c ;
3g 3h 3i
i
c .
f
2.1.20 Use determinantes para encontrar:

a.- El rea del rectngulo con lados determinados por
(4, 3) y (-6, 2).
b.- El volumen del paraleleppedo rectangular cuyos lados
estn determinados por (2, 2, 0), (4, -4, 1) y (2, -2, -16).
B C
2.1.21 Sea n = p + q y sea A =
, donde B es
D E
una matriz de p x p y E es una matriz q x q. Demustrese que:
a.- Si p < q, y si E = O, entonces
Det(A) = 0.
b.- Si p = q y si C = O, entonces
Det(A) = Det(B)Det(E).
c.- Si C = O y D = O, de manera que A es suma directa
de B y E, entonces
Det(A) = Det(B)Det(E).
a1
b1
c
1
a3
b3 entonces
2.1.22 Demuestre que si A
c3
Det( A ) es el volumen del paraleleppedo cuyos lados
estn determinados por (a1, a2, a3), (b1, b2, b3) y (c1, c2, c3).
a2
b2
c2
a2
c2
b2
c2
0 1 1
a 2b2 c 2 1 0 1 ;
1 1 0
a4
a9
a16
a4
a9
a16
a 25
a 36 a
a4
a9 ;
a16
a 25
a 36
a4
a9
a16
a3
c.- 1 b 2
b3
1 c2
c3
a2
1 a
( ab bc ca ) 1 b b 2 ;
c2
1 c
d.-
a b a c bc
a c a b bc
bc ba ac
e.-
a b bc c a
m n n 1 1 m
x y yz zx
f.-
a1 b1
a2 b2
a3 b3
g.-
a b
bc
a1 b1 b1 c1
a2 b2 b2 c2
16 , encuentre:
a
b
c
d
e
f ;
ag bh ci
a 2 b2
1 a2
2.1.18 Sea A una matriz antisimtrica de orden impar.

Demuestre que Det(A) = 0.
a b
2.1.19 Si d e
g h
1 c b
2( a b c ) 1 b b ;
1 b a
a b c
2 m n 1 ;
x y z
a1 x b1 y c1
a2 x b2 y c2
a3 x b3 y c3
a1 b1
a2 b2
a3 b3
ca
c1 a1
c2 a 2
b
b1
b2
c
c1 ;
c2
h.-
a1 b1 x a1 b1 x c1
a2 b2 x a2 b2 x c2
a3 b3 x a3 b3 x c3
a1 b1
2 x a2 b2
a3 b3
c1
c2 ;
c3
i.-
a1 b1 x a1 x b1
a2 b2 x a2 x b2
a3 b3 x a3 x b3
a1
(1 x 2 ) a2
a3
c1
c2
c3
a
2 a1
a2
c1
c2 ;
c3
b1
b2
b3
c1
c2 .
c3
2.1.24 Sin desarrollar el determinante, demostrar la

siguiente identidad:
a2
2a
a2
1 2a
a.-
bc
b
c
a
ac
c
b.a
b
a b
a4
1
0
1
0
2
1
1
1
1
2
1
1
0
1
;
0
1
0 c b
2 c 0 a .
b a 0
2.1.25 Sean A y B matrices de n x n tales que A B = I.

Demuestre que Det(A) z 0 y Det(B) z 0.
JOE GARCIA ARCOS
80
DETERMINANTES

1 1 4
3 6 9
5 4 2
a.- 2 2 1 ; b.- 6 3 6 ; c.- 4 2 5 ;
3 3 5
9 9 3
2 5 4
2 1 4
d.- 5 2 3 ;
1 5 5
g.-
1 1 2
3 5 1 ;
5 3 1
e.-
h.-
3 4 3
5 6 5 ;
4 9 3
3 2 1
2 1 2 ;
1 2 3
3 1 2
f.- 2 3 1 ;
1 2 3
i.-
5 2 1
5 4 3 ;
4 2 3
j.-
4 3 5
5 4 3 .
3 5 4
2.1.27 Use determinantes para encontrar:

a.- El rea del paralelogramo con lados determinados por
(2, -4), (1, -3).
b.- El volumen del paraleleppedo de lados determinados
por (-1, 2, 3), (4, -5, 3) y (4, -1, 2).
2.2 M E T O D OS P A R A E L D ESA RR O L L O D E UN D E T E R M I N A N T E D E O RD E N SUP E RI O R

En esta seccin se analiza y desarrolla los mtodos ms importantes para el desarrollo de un determinante de
n-simo orden.
Nos interesa generalizar la nocin de determinante a ordenaciones de n x n. En
los casos de arreglos de 2 x 2 y 3 x 3 se observa que un determinante es una suma
de trminos cada uno de los cuales contiene uno y slo un elemento de cada fila y
de cada columna de la ordenacin rectangular. Adems, el nmero de elementos
de cada trmino es el mismo que el de fila de la ordenacin, es decir, que no hay
elementos repetidos. Notamos tambin una alternacin en los signos de los
trminos. No es fcil evaluar numricamente un determinante cuando n es grande.
La labor de encontrar todas las permutaciones y asignar los signos
correspondientes es realmente difcil. Entonces, desarrollaremos mtodos para
evaluar determinantes, que tiene una enorme importancia terica, y simplifica el
procedimiento.
El cofactor Det(A ij) del elemento a ij de cualquier matriz cuadrada A es
(-1)i+j veces el determinante de la submatriz de A obtenida al omitir la fila i
y la columna j.
Si en una matriz cuadrada de orden n x n se suprimen la fila que ocupa el
lugar i y la columna j, se obtiene una matriz cuadrada de orden n 1 x n
1, cuyo determinante se llama menor complementario del elemento a ij
comn a la fila y columna suprimidas. Lo designaremos Det(A ij). Si en el
desarrollo de un determinante sacamos factor comn a ij en todos los
trminos en que figura, aparece multiplicado por un polinomio que se llama
adjunto de a ij.
Nos ser de mucha utilidad darles nombres a los determinantes de orden n 1 x
n 1, que aparecen en la evaluacin de Det( A), paso a paso, por medio del
desarrollo por cofactores; los llamaremos los menores complementarios de la
matriz A.
El adjunto de un elemento a ij es igual a su menor complementario, con
signo + o -, segn que i + j sea par o impar. Por esta razn, el adjunto de a
suele llamarse tambin complemento algebraico, lo designaremos por
Det(A ij).
JOE GARCIA ARCOS
DETERMINANTES
81
I. D ESA RR O L L O PO R L OS E L E M E N T OS D E UN A F I L A O
C O LUMNA
Si en la definicin del determinante de 3 x 3 se saca factor comn a los elementos de
la primera fila, se tiene
Det(A) = a11(a22a33 a23a32) + a12(a23a31 a21a33) + a13(a21a32 a22a31)
a
a
a
a
a
a
a11 (1)11 22 23 a12 (1)1 2 21 23 a11 (1)13 21 22
a32 a33
a31 a33
a31 a32
= a11Det(A 11) + a12Det(A 12) + a13Det(A 13)
en donde cada Det(A 1i) es el determinante que resulta de suprimir en la matriz A la
fila 1 y la columna i, afectado de un signo + o segn que 1 + i sea un nmero par o
impar.
Se puede comprobar, para todos los casos posibles, que el determinante de 3 x 3 es
igual a la suma de los productos de los elementos de una fila o columna de la matriz
del determinante por sus adjuntos respectivos. Este resultado se puede generalizar al
caso de un determinante cualquiera de n x n, sacando tambin factor comn a los
elementos de una fila o columna y comprobando que cada uno de ellos multiplica a
su correspondiente adjunto, con lo que se consigue el desarrollo de un determinante
por los elementos de una fila o columna.
T E O R E M A 2.2.1
El smbolo Det(A) se llama determinante de la matriz A de n x n y significa
la suma de los productos de los elementos de cualquier fila o columna y sus
respectivos cofactores; es decir
Det(A) = a i1Det(A i1) + a i2Det(A i2+ a inDet(A in)
o bien
Det(A) = a1jDet(A 1j) + a2jDet(A 2j+ anjDet(A nj).
La demostracin se lleva a cabo por induccin. La proposicin es verdadera para un
determinante de 2 x 2. Suponiendo que es verdadera para un determinante de n 1 x
n 1, probaremos que es verdadera para un determinante de n x n. Desarrllese
Det(A) por la i-sima fila. Un trmino tpico es este desarrollo es
a ikDet(A ik) = (-1)i + k a ikDet(M ik).
El menor Det(M ik) de a i k en Det(A) es un determinante de n 1 x n 1. Por la
hiptesis de induccin, puede desarrollarse por cualquier fila. Desarrllese por la fila
correspondiente a la j-sima fila de Det(A). Esta fila contiene los elementos a jr
(r z k). Es la (n 1)-sima fila de Det(B ik), porque Det(B ik) no contiene elementos de
la i-sima fila de Det(A) y i < j. Tiene que distinguirse entre dos casos:
Caso I. Si r < k, entonces el elemento a jr pertenece a la r-sima columna de Det(A ik).
De aqu que el trmino que contiene a jr en este desarrollo es
a jr(cofactor de a jr en Det(B i k) = (-1)(j - 1) + ra jrDet(B ik jr)
donde Det(B ik jr) es el menor de ajr en Det(B ik). Como este menor se obtiene de
Det(B ik) eliminando la fila y columna de a jr, se obtiene en Det(A) eliminando el isima y el j-sima filas y la k-sima y r-sima columnas de Det(A). Introdzcanse
los desarrollos de los Det(B ik) en el de Det(A). Entonces se deduce que los trminos
de la representacin resultante de Det(A) son de la forma
(-1)i+k+j+r -1a i k a j rDet(B i k j r) r < k.
Caso II. Si r > k, la nica diferencia es que entonces a jr pertenece a la (r 1)-sima
columna de Det(B ik), porque Det(B ik) no contiene elementos de la k-sima columna
de Det(A) y k < r. Esto produce un signo menos adicional y, por tanto, se obtiene
-(-1)i + k + j + r 1a i ka j rDet(B i k j r) r > k.
De forma anloga se demuestra el desarrollo referente a las columnas.
JOE GARCIA ARCOS
82
DETERMINANTES
En esta forma, Det(A) se define en trminos de n determinantes de n 1 x n 1,

cada uno de los cuales, a su vez, se define en trminos de n 1 determinantes de
n 2 x n 2, y as sucesivamente; finalmente se llega a determinantes de 2 x 2, en
los que los cofactores de los elementos son elementos sencillos de Det(A). Adems,
de la definicin se concluye que puede desarrollarse Det(A) por cualquier fila o
columna. El mtodo expuesto para el desarrollo de un determinante complica
extraordinariamente el proceso de clculo a medida que aumenta el orden del
determinante.
% CALCULO DEL DETERMINANTE DE UNA MATRIZ
clc;clear;
fprintf('\n DETERMINANTE DE UNA MATRIZ \n')
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
A
DetA=det(A);
DetA
EJ E M P L O 2.2.1
Evaluar el siguiente determinante:
2 5 1 2
1 0
3 7 1 4
3 2
a.; b.5 9 2 7
3 9
4 6 1 2
3 1
2
8
4
8
8
5
.
7
5
SO L U C I O N
a.- Para desarrollar este determinante, elegimos la primera fila, es decir:
7 1 4
3 1 4
3 7 4
' 2(1)11 9 2 7 (5)(1)1 2 5

6 1 2
4
2 7 (1)13 5 9 7
1 2
4 6 2
3 7 1
2(1)
5 9 2
4 6 1
= 2(28 + 42 36 + 48 49 - 18) + 5(-12 28 + 20 32 + 21 + 10) +
+ (54 + 196 120 + 144 126 70) + 2(27 + 56 + 30 36 36 35)
= - 9.
b.- Desarrollando el determinante con respecto a la primera fila, obtenemos:
1 4
11
' (1)
2 8 5
3 2 5
3 2 8
1 3
1 4
(1) 9 4 7 (1) 2 3 9 7 ( 1) 8 3 9 4
1 8 5
3 1 5
3 1 8
2 8 5
3 2 5
3 2 8
9 4 7 2 3 9 7 8 3 9 4
1 8 5
3 1 5
3 1 8
= - (-40 56 + 360 + 20 + 112 360) + 2(135 + 42 15 + 135 + 21 + 30)

- 8(216 + 24 24 + 216 + 12 + 48)
= - 36 + 2(348) - 8(492)
= - 36 + 696 3936
= - 3276.
JOE GARCIA ARCOS
DETERMINANTES
83
EJ E M P L O 2.2.2
a b c d
0 1
b c d a
1 c
( a b c d )(b a d c )
c d a b
1 d
d a b c
1 a
1
d
a
b
1
a
.
b
c
SO L U C I O N
A la primera columna se le restan la segunda, tercera y cuarta columnas:
a bcd b c d
a bcd c d a
a bcd d a b
a bcd a b c
Extraemos a + b + c + d de la primera columna:
1 b c d
1 c d a
(a b c d )
1 d a b
1 a b c
A la primera fila, se le resta la segunda, se le suma la tercera y se le resta la cuarta
filas:
0 bc d a c d a b d a bc
1
c
d
a
(a b c d )
1
d
a
b
1
a
b
c
Extraemos b a + d - c de la primera fila:
0 1
1 c
( a b c d )(b a d c )
1 d
1 a
1
d
a
b
1
a
.
b
c
T E O R E M A 2.2.2
El valor de un determinante es igual a la suma de los elementos de una fila
(columna) cualquier multiplicado por sus adjuntos correspondientes.
Fijmonos, por ejemplo, en la fila que ocupa el lugar i. En cada trmino de A hay un
elemento de esta fila, y slo uno; luego podemos clasificar los n! Trminos del
siguiente modo: todos los que contienen a i1 forman el producto a i1Det(A i1); los que
contienen a i2 forman a i2Det(A i2), ..., los que contienen a i n componen a i nDet(A i n),
luego:
Det(A) = a i1Det(A i1) + a i2Det(A i2+ a inDet(A in) =
aij Det( A ij ) .
j 1
T E O R E M A 2.2.3
La suma de los elementos de una fila (o columna), multiplicados por los
adjuntos de los elementos de una paralela a ella, es cero.
En efecto, la suma a k1Det(A i1) + a k2Det(A i2 a knDet(A in) en el desarrollo del
determinante obtenido poniendo en Det(A), en vez de la fila a k a k2 a kn, la fila ai1ai2
a in; este determinante tiene, pues, esta fila idntica a la que ocupa el lugar k, luego
es nulo.
JOE GARCIA ARCOS
84
DETERMINANTES
La aplicacin de este teorema, para el desarrollo de Det(A), se simplifica observando

que siendo (-1)i+j el signo que lleva el menor complementario de a ij y siendo i
constante o j si se desarrolla por los elementos de una columna y tomando j los
valores 1, 2, ..., n, este signo es alternativamente + y -.
T E O R E M A 2.2.4
Sea A = (a i j) una matriz cuadrada de n x n. Entonces
Det(A T) = Det(A).
Para la demostracin de este teorema, utilizaremos el principio de induccin
matemtica en n. El teorema resulta evidente en el caso de n = 1. Supongamos que
sea vlido para todas las matrices cuadradas de m x m, con m < n. Puesto que el
elemento a ij de A T es aji, tenemos que
Det( A T )
(1)i j a ji Det( A Tij )

i 1
Observemos que A Ti j = (A i j)T, y que, en consecuencia resulta

Det(A Tij) = Det(A ji)T
= Det(A ji)
Puesto que A ij es una matriz cuadrada de n 1 x n 1. Tenemos que cada i = 1, 2, ...,
n, que
Det( A T )
(1)i j a ji Det( A ji )
i 1
y, al sumar ambos miembros de esta ltima igualdad para i = 1, 2, ..., n, obtendremos

n
Det( A T ) (1)i j a ji Det( A Tij )

i 1
i 1 j 1
n
(1)i j a ji Det( A ji ) .
i 1 j 1
Si intercambiamos el orden de sumacin de i y j en el miembro a la derecha de la

ltima frmula, veremos que
nDet( A T )
(1) j i a ji Det( A ji ) .
j 1i 1
Por otra parte,

n
(1) j i a ji Det( A ji ) .
i 1
Es el desarrollo de Det(A) por la fila j-sima, y, en consecuencia

n n
(1) j 1 a ji Det( A ji ) nDet( A ) .

i 1 j 1
T
Es as como nDet(A ) = nDet(A) y, por lo tanto,
Det(A T) = Det(A).
EJ E M P L O 2.2.3
Si A es antisimtrica, qu puede decirse acerca de Det(A)?
SO L U C I O N
Se sabe que una matriz es antisimtrica si A T = -A, por lo que
Det(A T) = Det(-A)
= (-1)nDet(A).
T
Por otra parte, Det(A ) = Det(A), as que
Det(A) = (-1)nDet(A).
Si n es par, no se puede afirmar nada. Sin embargo, si n es impar se tiene Det(A) = Det(A) y, por lo tanto, Det(A) = 0.
JOE GARCIA ARCOS
DETERMINANTES
85
EJ E M P L O 2.2.4
Dada la expresin
0
a
a 0
b d
c e
b
d
0
f
c
e
f
0
A b B c C
calcular A, B y C.
SO L U C I O N
Eligiendo la primera columna, desarrollamos el determinante
a
b c
a
b c
2 1
31
' ( a )(1)
d 0
f (b)(1)
0
d e
e f 0
e f 0
a
b
( c )(1)41 0
d
e f
A b B c C
c
e
0
a(- bef + cdf + af2) - b(- be2 + cde + aef) + c(adf - bed + cd2) = '
af(- be + cd + af) - be(- be + cd + af) + cd(af - be + cd) = '
(af - be + cd)2 = ' af be cd a A b B c C
A
f A = f 2;
e B = e2;
d C = d 2.
I I. D ESA RR O L L O G A USSI A N O
Los efectos que tienen las operaciones de filas o columnas en el valor del
determinante pueden resumirse de la siguiente manera:
1.- El intercambio de dos filas o columnas de una matriz cambia el signo del
determinante.
2.- La multiplicacin de una fila o columna de una matriz por un escalar tiene el
efecto de multiplicar el valor del determinante por ese escalar.
3.- La suma de un mltiplo de una fila o columna a otra no cambia el valor del
determinante.
T E O R E M A 2.2.5
El determinante de una matriz de la forma triangular o diagonal, es igual al
producto de los elementos de la diagonal principal.
Sea A una matriz triangular superior. En virtud de que los elementos a21, a31, ..., an1
de la primera columna de A son 0, la definicin del determinante de A origina
Det(A) = a11Det(A 11). La submatriz A 11 de A es tambin una matriz triangular
superior, pero de n 1 x n 1. Por consiguiente, merced al principio de induccin
Det(A 11) = a 22a 33 ... a nn el producto de sus elementos. Por lo tanto, Det(A) =
a 11Det(A11) = a 11a 22 ... a nn el producto de los elementos diagonales de A.
Sea A una matriz triangular inferior. En virtud de que los elementos a12, a13, ..., a1n
de la primera fila de A son 0, la definicin del determinante de A origina Det(A) =
a11Det(A 11).
La submatriz A 11 de A es tambin una matriz triangular inferior, pero de n 1 x
n 1. Por consiguiente por induccin, es igual al producto de los elementos
diagonales
Det(A) = a 11Det(A 11) = a 11a 22 ... a nn.
Para el caso de la matriz diagonal, la demostracin es anloga.
JOE GARCIA ARCOS
86
DETERMINANTES
E J E M P L O 2.2.5
Evaluar el siguiente determinante:
2 5 1
3 7 1
5 9 2
4 6 1
2
4
.
7
2
SO L U C I O N
Mediante el desarrollo gaussiano, llevaremos la matriz a la forma triangular. A la
segunda fila le multiplicamos por 2 y luego le sumamos 3 veces la primera fila, a la
tercera fila le multiplicamos por 2 y luego le restamos 5 veces la primera fila, a la
cuarta fila le restamos 2 veces la primera fila
2 5 1 2
1 1 0 1 1 14

2 2 0 7 1 4
0 4 1 2
A la tercera fila le sumamos 7 veces la primera fila, a la cuarta fila le sumamos 4
veces la segunda fila
2 5 1 2
1 1 0 1 1 14

2 2 0 0 6 102
0 0 3 54
Extraemos un 6 de la tercera fila y un 3 de la cuarta fila
2 5 1 2
0 1 1 14
1 1
6 3
0 0 1 17
2 2
0 0 1 18
A la cuarta fila le restamos la tercera
2 5 1 2
0 1 1 14
1 1
6 3
0 0 1 17
2 2
0 0 0 1
Por lo tanto el determinante buscado es igual a:

1 1
'
6 3 2 (1) 1 1 9 .
2 2
I II. D ESA RR O L L O C O N R ESP E C T O A UN A F I L A Y UN A

C O LUMNA
Supongamos que se trata de la primera fila y de la primera columna, pues a este caso
se reduce cualquier otro, por transposiciones convenientes. Dado el determinante
a11 a12
a1k
a1n
a21 a22
a2 k
a2 n
Det( A )
a r1
ar 2
a rk
anr
an1 an 2
ank
ann
todos los trminos en que entra a11 estn comprendidos en la expresin a11Det(A 11);
JOE GARCIA ARCOS
DETERMINANTES
87
cada uno de los dems contiene uno de los elementos a12, a13, ..., a1k, ..., a1n restantes
de la primera fila, y uno de los a21, a31, ..., a r1, ..., an1 de la primera columna.
Hallemos todos los trminos que Det(C rk) = (-1)(r - 1) + (k - 1)Det(B rk), la expresin
(-1)k+r+1a1ka r1Det(B rk) adopta la forma sencilla a1ka r1Det(C rk). Por consiguiente
contengan el producto a1ka r1. Todos los trminos de Det(A) que contienen a1k forman
la expresin (-1)1+ka1kDet(A 1k); desarrollemos ahora el menor Det(A 1k) por los
elementos de su primera columna a21 ... a r1 ... an1; como el menor complementario de
a r1 resulta de suprimir en Det(A) la primera fila, la primera columna, la fila r y la
columna k, este menor es tambin el complementario de a rk en el determinante
Det(A 11); y designndolo por Det(B rk), todos los trminos del desarrollo de Det(A rk)
que contienen el elemento a r1 componen la expresin (-1)ra r1Det(B rk). En resumen,
todos los trminos de Det(A) que contienen los elementos a1k a r1, forman la expresin
(-1)k+r+1a1ka r1Det(B rk) y observando que en el determinante Det(A 11) el adjunto de
Det(A rk) es Det(A) = a11Det(A 11) - a1k ar1Det( C rk ) , donde r = 2, 3, ..., n y k = 2,
3, ..., n.
M E T ODO
El desarrollo de un determinante por los elementos de la primera fila y la primera
columna, es igual a su elemento comn a11 por su menor complementario Det(A 11),
menos todos los productos positivos de cada elemento a1k, restante de la primera fila,
por cada elemento a11 restante de la primera columna, por el adjunto Det(A 11) del
elemento a1k en que se cruzan la columna y la fila encabezadas por ambos elementos.
Si la fila y la columna elegidas son las determinadas por el elemento a ij, llevando ste
al primer lugar, el determinante obtenido sera (-1)i+jDet(A), luego el desarrollo por
la fila i y columna j est dado por la misma regla anterior, cambiando el signo al
resultado si es i + j impar.
EJ E M P L O 2.2.6
2 5
0 1 3 5
a.-
7 9 2 4
;
6 8 0 2
7 5 9 1
1
3 7 1
b.5 9 2
4 6 1
2
4
.
7
2
SO L U C I O N
a.- Intercambiamos la primera y tercera filas:
6 8 0
7 9 2

0 1 3
7 5 9
2
4
5
1
Desarrollando el determinante con respecto a la primera fila y primera columna,

obtenemos:
9 2 4
3 5
1 3
2 4
11
' (1) 6 1 3 5 (1) 2 21 56
(1) 2 4114
(1) 4 21 56

9 1
5 9
3 5
5 9 1
(1)4 4114
9 2
1 7
9 2 4
3 5
1 3
2 4
9 2
6 1 3 5 56
14
56
14
9 1
5 9
3 5
1 7
5 9 1
= -6(27 + 50 + 36 60 405 2) + 56(3 45) + 14(9 15) + 56(10 12) +

+ 14(63 2) = 430.
b.- Para desarrollar este determinante, elegimos la primera fila y la primera
columna, es decir:
JOE GARCIA ARCOS
88
DETERMINANTES
7 1 4
2 7
9 7
' (1)11 2 9 2 7 (1)2 2115
(1)231 (3)

1 2
6 2
6 1 2
(1)231 (6)
(1)3 4110
(1)4 41 8
9 2
1 4
7 4
(1)3 21 (25)
(1)331 5

6 1
1 2
6 2
7 1
1 4
7 4
(1)4 21 (20)
(1)431 4

6 1
2 7
9 7
7 1
9 2
9 .
I V. D ESA RR O L L O PO R M E N O R ES C O MP L E M E N T A RI OS
Un nuevo mtodo para el desarrollo de un determinante de n x n es el conocido con
el nombre de desarrollo por menores complementarios; dicho mtodo exige elegir k
filas o columnas de la matriz y formar determinantes de orden k con todas las
posibles matrices cuadradas de orden k que sean submatrices de la de orden k x n que
se ha seleccionado; a cada uno de estos determinantes de orden k le corresponde un
menor complementario o determinante de la matriz de orden n k x n k, cuyos
elementos no pertenecen a las filas y columnas de la primera matriz cuadrada de
orden k, aunque s a todas las dems filas y columnas de la matriz total de orden n.
M E T ODO
Si en una matriz de orden n se suprimen varias filas, e igual nmero de columnas, se
obtiene otra matriz de orden inferior, llamada menor de la primera. Para determinar
una menor basta dar los nmeros i1, i2, ..., ik que designan las filas que contiene, y los
j1, j2, ..., jk que expresan sus columnas. Si en la matriz primera se suprimen las filas
de lugares i1, i2, ..., ik y las columnas que ocupan los lugares j1, j2, ..., jk, se obtiene
otra menor, llamada complementaria de la anterior. La suma de los rdenes de dos
matrices complementarias es evidentemente n.
Para hallar la clase de su complemento Det(C) formaremos la suma anloga
r t ik 1 in jk 1 jn
pero ik+1, ..., in designan las filas excluidas por Det(B), es decir, aquellos de los
nmeros 1, 2, 3, ..., n, que son distintos de i1, i2, ..., ik; por tanto
i r 1 2 3 n
y, anlogamente
j t
1 2 3
n
de donde
Luego
i j r t 2
r t tiene la misma paridad que i j , es decir: dos menores
complementarios son de la misma clase.

Por otra parte, el menor complementario recibe el nombre de adjunto si va afectado
de un signo + o -, segn que la suma de los lugares que ocupan cada una de sus filas
y cada una de sus columnas en la matriz de orden n sea un nmero par o impar.
O BSE R V A C I O N
Se dice que un menor Det(B) es de clase par o impar si la suma de los nmeros de
orden de sus filas y columnas:
i j
i1 i2 ... ik j1 j2 ... j k
JOE GARCIA ARCOS
DETERMINANTES
89
es par o impar.
Se llama adjunto o complemento algebraico de un menor Det(B) al menor
complementario de Det(B), con el signo + o -, segn que sea de clase par o
impar.
En particular, si el menor dado se reduce a un solo elemento, tendremos el adjunto
definido en el desarrollo de un determinante en suma de varios.
O BSE R V A C I O N
Un menor de orden k se llama principal, cuando est formado por las k primeras filas
y las k primeras columnas. Su adjunto coincide con su menor complementario,
puesto que es de clase par igual a 2(1 + 2 + ... + k).
T E O R E M A 2.2.6
El producto de un menor por su adjunto forma parte del determinante total.
Supongamos primero que un menor Det(B) est formado por las k primeras filas y
las k primeras columnas
a11
a12
a1k
a1 k 1
a1n
a21
a22
a2 k
a2 k 1
a2 n
ak1
ak 2
a kk
a k k 1
a kn
a k 11
a k 1 2
a k 1 k
a k 1 k 1
a k 1 n
an1
an 2
ank
an k 1
ann
entonces es Det(B) de clase par y su adjunto es el menor complementario Det(C).

Multiplicando ambos determinantes menores, un trmino cualquiera del producto
ser
(-1)Ma1 j1a2 j2 ... a k jk(-1)Gak+1 jk+1 ... an jn (1)
llamando M al nmero de inversiones de la permutacin j1 j2 ... jk, que indica
columnas elegidas en el trmino de Det(B), y G al nmero de inversiones que ofrecen
los ndices de las columnas en Det(C), y como stos aumentados en k son
precisamente jk+1, jk+2, ..., jn, es tambin G el nmero de inversiones de esta
permutacin; por tanto, el nmero de inversiones de la permutacin j1 j2 ... jk jk+1 ... jn
es M + G, puesto que j1, j2, ..., jk son todos menor o igual a k, y, por tanto, no forman
inversiones con los jk+1, jk+2, ..., jn, los cuales son mayores o iguales a k.
Conteniendo, el producto (1) un elemento de cada fila de Det(A), y uno de cada
columna, y siendo adems su signo (-1)M+G el que le corresponde en el desarrollo de
Det(A), dicho producto es un trmino de este desarrollo.
Sin el menor Det(B) no es principal, sino que est formado por las filas r1, r2, ..., rk, y
columnas t1, t2, ..., tk, se puede convertirlo en principal, por cambios sucesivos de
filas y columnas. Basta permutar la fila r1 con todas sus anteriores que son r1 1,
hasta ocupar el primer lugar; la fila r2 con las r2 2 que le preceden, hasta llegar al
segundo lugar; ...; la fila rk con las rk k que hay desde ella a la fila k. Haciendo lo
mismo con las columnas hemos llevado el menor Det(B) al primer lugar, reduciendo
este caso al anterior.
En el desarrollo del nuevo determinante Det(D), el adjunto del menor principal
Det(B) es el menor Det(C), el cual no ha sufrido variacin, luego Det(D) =
Det(B)Det(C) + ... y como de Det(D) se deduce el Det(A), mediante un nmero de
transposiciones
(t1 1) + (t2 2) + ... + (tk k) + (r1 1) + (r2 2) + ... + (rk k) = t r 2
JOE GARCIA ARCOS
90
DETERMINANTES
ser
Det(A) = (1) t r Det( D) = (1) t r Det( B )Det( C ) ...

y siendo (1) t r Det(C) el adjunto de Det(B), queda demostrado el teorema.
A continuacin consideramos otra tcnica, ms general, para desarrollar
determinantes conocidas como el mtodo de desarrollo de Laplace, que contempla
como caso especial el desarrollo por cofactores. En vez de desarrollar por una sola
fila o columna, desarrollamos por varias filas o columnas. El determinante Det(A) se
escribe como una suma de trminos, cada uno de los cuales es el producto de dos
determinantes.
T E O R E M A 2.2.7 L AP L A C E
Todo determinante es igual a la suma de los productos obtenidos
multiplicando todos los menores de orden k que se pueden formar con k
filas paralelas, por sus adjuntos respectivos.
Todos los trminos de estos productos pertenecen al desarrollo de Det(A), en virtud
de la segunda propiedad; todos son distintos, pues contienen elementos distintos;
falta ver que en Det(A) no hay ms trminos que stos. Un trmino cualquiera de
Det(A) puede descomponerse en dos productos, agrupando en uno de los elementos
que pertenecen a las k filas elegidas, y en otro los restantes. El primer producto es un
trmino de uno de los menores formados con aquellas k filas, y el segundo producto
es un trmino del complementario, luego ha sido ya obtenido en el producto de estos
dos menores.
El teorema anterior reduce el desarrollo de un determinante al de otros de orden
inferior. Para hacer el desarrollo por los menores de k filas, convendr elegir aqullas
en que aparezca el mayor nmero posible de columnas formadas por elementos
nulos; pues todo menor en que figure una de estas columnas, es nulo. La segunda
propiedad reduce el desarrollo de un determinante al de otros de orden inferior. Para
hacer el desarrollo por los menores de k filas, convendr elegir aqullas en que
aparezca el mayor nmero posible de columnas formadas por elementos nulos; pues
todo menor en que figure una de estas columnas, es nulo.
EJ E M P L O 2.2.7
Expresar el menor de m-simo orden del producto de dos matrices mediante los
menores de los factores.
SO L U C I O N
El menor formado por los elementos de las filas de ndices i1, i2 im y de las
columnas de ndices k1, k2 km, es el determinante del producto de la matriz
formada por las filas i1, i2 im del primer factor, por la matriz formada por las
columnas k1, k2 km del segundo. Por ello, ste es igual a la suma de todos los
menores posibles de m-simo orden formados por las filas de la primer matriz de
ndices i1, i2im, multiplicados por los menores correspondientes formados por las
columnas de la segunda matriz de ndices k1, k2km.
EJ E M P L O 2.2.8
Demostrar que todos los menores principales (diagonales) de la matriz A T A son no
negativos. Aqu A es una matriz real y A T es la matriz transpuesta de A.
SO L U C I O N
El menor diagonal de la matriz A T A es igual a la suma de los cuadrados de todos los
menores de la matriz A del mismo orden, formados por los elementos de las
columnas que tienen iguales ndices que las columnas de la matriz A T A que
contienen al menor tomado. Por consiguiente, ste es no negativo.
JOE GARCIA ARCOS
DETERMINANTES
91
EJ E M P L O 2.2.9
Demostrar que las sumas de todos los menores diagonales de un orden dado k,
calculados para las matrices A T A y A A T, son iguales.
SO L U C I O N
La suma de todos los menores diagonales de orden k de la matriz A T A es igual a la
suma de los cuadrados de todos los menores de orden k de la matriz A. Tambin es
igual a este mismo nmero la suma de todos los menores diagonales de orden k de la
matriz A A T.
EJ E M P L O 2.2.10
Se llama matriz recproca de una matriz dada A, aquella cuyos elementos son los
menores de (n-1)-simo orden de la matriz inicial en su disposicin natural.
Demostrar que la matriz recproca de la recproca, es igual a la matriz inicial
multiplicada por su determinante elevado a la potencia n - 2.
SO L U C I O N
Para una matriz singular A el resultado es trivial. Supongamos que A es no singular
y sea A T su transpuesta, ' su determinante y A la recproca de A. Entonces
A = 'C(A T)-1 C, donde
1
1
1
Esto se deduce inmediatamente de la regla de la formacin de la matriz inversa. Por

esto
Det(A) = 'n-1 y (A) = 'n-1 C((A)T)-1 C = 'n-1'-1A = 'n-2A.
EJ E M P L O 2.2.11
Demostrar que el mximo de los valores absolutos de los determinantes de n-simo
orden, cuyos elementos son reales y no superiores a 1 en valor absoluto, es un
nmero entero divisible por 2n-1.
SO L U C I O N
Demostremos que todos los elementos de la matriz, para la cual el valor absoluto de
su determinante alcanza el valor mximo, son iguales a r1. En efecto, si -1 < a ik < 1,
' t 0 y A ik t 0, entonces, al sustituir a ik por 1, el determinante aumenta, y si ' t 0 y
A ik < 0, al sustituir a ik por -1, el determinante aumenta. Si ' < 0, el valor absoluto del
determinante aumentar al sustituir a ik por la unidad con el signo contrario al de A ik.
Finalmente, si A ik = 0, el valor del determinante no se altera al sustituir a ik por 1 o -1.
Sin restringir generalidad se puede considerar que todos los elementos de la primera
fila y de la primera columna del determinante mximo son iguales a 1; esto puede
conseguirse multiplicando por -1 las filas y columnas. Restemos ahora la primera fila
del determinante mximo de todas las dems. Entonces el determinante se reducir a
un determinante de orden n-1 cuyos elementos son todos iguales a 0 a -2. Este
ltimo es igual a 2n-1N, donde N es un nmero entero.
EJ E M P L O 2.2.12
5 2 1 3 2
2 1 4 3 5
7 2 1 3 4
4 0 7 0 0
3 4 0 5 0
1 0 2 0 3
a.- 2 3 7 5 3 ; b.- 3 4 5 2 1 ; c.- 3 0 4 0 7 .
2 3 6 4 5
1 5 2 4 3
6 3 2 4 5
3 0 4 0 0
4 6 0 7 0
5 1 2 2 3
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la segunda y quinta filas:
JOE GARCIA ARCOS
92
DETERMINANTES
2 3 2
4 7
' (1)
3 5 3 (16 21)(50 27 24 30 24 45) (5)(2)
3 4
3 4 5
b.- Desarrollamos el determinante con respecto a la tercera y quinta columnas:
4 4 5
3 4 5
2 1
3 3 4 5
43 4 5
23 5 1
' (1)
1 5 4 (1)
3 4 2 (1)
3 4
5 1
2 3
2 3
4 6 7
4 6 7
4 6
43
10
3
5
7
4 4 5
3 4 5
2 1 3
4 5
4 5
5 1
1 5 4
3 4 2
3 4 5
5 1
2 3
2 3
4 6 7
4 6 7
4 6 7
= (4 25)(140 + 64 + 30 100 96 28) (12 10)(84 + 32 + 90 80 36 84)
- (15 2)(56 + 20 + 54 48 60 21)
= (-21)(10) 2(6) 13 = - 210 12 13 = - 235.
c.- Desarrollamos el determinante con respecto a la segunda y cuarta columnas:
1 2 3
1 2 3
7 1 4
43 2 3
5 3 2 3
23 3 4
' (1)
3 4 7 (1)
3 4 7 ( 1)
1 2 3
3 4
1 2
1 2
5 2 3
6 3 4
3 4 7
1 2 3
1 2 3
7 1 4
2 3
2 3
3 4

3 4 7
3 4 7
1 2 3
3 4
1 2
1 2
5 2 3
6 3 4
3 4 7
= - (8 9)(12 + 70 + 18 60 14 18) + (4 3)(16 + 84 + 27 72 21 24)
- (6 4)(98 + 9 + 16 24 7 84) = -(-1)(8) + 10 2(8) = 8 + 10 16 = 2.
EJ E M P L O 2.2.13
1 2 3 4 5 3
7 6 5 4 3 2
6 5 7 8 4 2
9 7 8 9 4 3
9 8 6 7 0 0
7 4 9 7 0 0
a.; b..
3 2 4 5 0 0
5 3 6 1 0 0
3 4 0 0 0 0
0 0 5 6 0 0
5 6 0 0 0 0
0 0 6 8 0 0
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la quinta y sexta filas:
3 4 5 3
3 4 7 8 4 2
(1) 2 2
5 6 6 7 0 0
4 5 0 0
Desarrollamos el segundo determinante con respecto a la tercera y cuarta columnas:
3 4 5 3 6 7
(1)2 2
5 6 4 2 4 5
Por lo tanto el valor del determinante es: ' = (18 20)(10 12)(30 28) = 8.
b.- Desarrollamos el determinante con respecto a la quinta y sexta columnas:
7 4 9 7
3 2 5 3 6 1
(1) 2 2
4 3 0 0 5 6
0 0 6 8
JOE GARCIA ARCOS
DETERMINANTES
93
Desarrollamos el segundo determinante con respecto a la primera y segunda

columnas:
3 2 7 4 5 6
(1)2 2
4 3 5 3 6 8
Por lo tanto el valor del determinante es:
' = (9 - 8)(21 20)(40 36) = 4.
V. R E G L A D E C H I O
Esta regla consiste en conseguir que una de las filas del determinante est formada
por elementos todos ellos nulos, excepto uno, que vale la unidad y se le llama
elemento base. De esta forma, al desarrollar dicho determinante por los adjuntos de
los elementos de esta fila, se anulan todos los sumandos, a excepcin del que
corresponde al elemento base, que coincide con su adjunto. De esta manera, el
determinante primitivo coincide con el adjunto del elemento base, reduciendo el
determinante al clculo de otro cuyo orden es inferior en una unidad. Para conseguir
que los elementos de una fila sean todos nulos, excepto uno, que valga la unidad, se
siguen los siguientes pasos:
a.- Se mira si algn elemento del determinante vale la unidad. En caso afirmativo se
elige una de las dos filas o columnas, que contiene a dicho elemento. En caso
negativo, nos fijamos en una fila que contenga el mayor nmero posible de
elementos nulos. Los elementos de esta fila se dividen por uno de ellos; de esta
forma se consigue que dicha fila posea un elemento que valga la unidad. Despus de
efectuada esta operacin, el determinante ha quedado dividido por este nmero, y
este resultado, por tanto, tenemos que tenerlo en cuenta al final del proceso que
vamos a seguir. Tambin se puede conseguir un elemento, del determinante, que
valga uno, restando a una fila otra paralela a ella, siempre que existan dos elementos
que ocupen el mismo lugar en ambas filas y que difieran en una unidad.
b.- Una vez elegido el elemento base, supongamos que ste sea el elemento a11, los
dems elementos de la primera fila o primera columna deben ser nulos. Para ello, a la
segunda, tercera, ..., n-sima columna se le resta la primera columna multiplicada
sucesivamente por a12, a13, ..., a in, con lo que el determinante no vara. Exactamente
se procedera para conseguir que sean nulos los elementos de la primera columna,
pero ahora, tendramos que cambiar la palabra columna por la de fila y los elementos
sern a21, a31, ..., an1. Desarrollamos el determinante que nos resulta, por los adjuntos
de los elementos de la primera fila, con lo que se obtiene: Det(A) = 1.Det(A11) + ...
+ 0.Det(A1n) = Det(A11), como el valor del determinante de A, el adjunto del
elemento base, es decir, hemos reducido el problema a calcular el valor de un
determinante de orden inferior en una unidad, el cual se obtiene suprimiendo la fila y
la columna a la que pertenece el elemento base, anteponiendo los signos ms o
menos, segn que la suma de los ndices relativos a dicho elemento sea par o impar.
EJ E M P L O 2.2.14
Calcular el valor del determinante
5
4
1
0
3
3
1
2
2
1
2
2
3
1
.
1
3
SO L U C I O N
Como elemento base se elige el a31 ya que la columna que contiene a ese elemento es
la lnea con mayor nmero de ceros. Restando a la primera fila y a la segunda, la
tercera multiplicada por 5 y 4 respectivamente, obtenemos
JOE GARCIA ARCOS
DETERMINANTES
94
5
4
1
0
3
3
1
2
2
1
2
2
0 2 8 3
0 1 7 3
1 1
2 1
0 2 2 3
3
1
1
3
2 8 3
1 7 3
2 2 3
Seguimos el proceso anterior explicado para calcular el valor de este determinante de

tercer orden, en lugar de aplicar la regla de Sarrus.
2 8 3
2 8 3
0 6
3
6
3
1 7 3 1 7 3
1 7
3
18 .
12 3
2 2 3
2 2 3
0 12 3
PR O B L E M AS
2.2.1 Evale los siguientes determinantes:
1 2 3 4
1 2 3 4
1 0 3 4
1 23 33 43
a.;
b.1 2 0 4
1 25 35 45
1 2 3 0
1 27 37 47
1 2 3 4
c.-
1
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
4
2
2
2
2 ;
2
5
e.-
2
1
1
1
1
1
3
1
1
1
1
1
4
1
1
1
1
1
5
1
1
1
1 .
1
6
1
1
d.- 1
1
1
2
3
2
2
2
3
3
5
3
3
4
4
4
7
4
5
5
5 ;
5
9
2.2.2 Calcular los determinantes:

a a 1 a 2 a 3 a 4
1 b
0
0
0
a.- 0
1
b
0
0 ;
0
0
1
b
0
0
0
0
1
b
a b 0 0
0
0 b c 0
0
b.- 0 0 c d
0 ;
0 0 0
d
e
1 1 1
1 1 e
c.-
a D x
a E
a T
a G
bD
b E x
bT
bG
.
c D
c E
c T x
c G
d D
d E
d T
d G x
5
5
5 ;
5
0

a b b b b
b a
b b b
a.- b b a b b ;
b b b a b
b b b b a
1
a
b
c
d
1 ax
b
c
d
b.- 1
a
b y
c
d ;
1
a
b
cz
d
1
a
b
c
d u
c.-
1 a ( a 1)
a 2 ( a 1)
a 3 ( a 1)
1 b(b 1)
b 2 (b 1)
b3 (b 1)
c ( c 1)
c 2 ( c 1)
c 3 ( c 1)
1 d (d 1) d 2 (d 1) d 3 (d 1)

a b b b b
a
b
b a b b b
a.- b b a b b ; b.- b
b
b b b a b
b
b b b b a
a
1
c.- 1
0
0
1
e.-
0 1
a 1
0 a 1
1 1
1 1
1 2a
2
3
2
1
1
0
a
0
0
0
1 ;
1
a
2
1
3
5
b c d 1
a c d 1
c a d 1 ;
c d a 1
c d e 1
1
1
d.- 1
1
1
b
a
b
b
b
c
c
a
c
c
d
d
d
a
d
e
e
e ;
e
a
1 9 a2
JOE GARCIA ARCOS
DETERMINANTES
95

ax 1 ay 1 az 1 au
1 bx
by 1 bz 1 bu
a.;
1 cx 1 cy
cz
1 cu
1 dx 1 dy 1 dz
du
b.-
c.-

3 1 2 5
9 11 10 8
1 8 1 1
5 7 3 1
a.; b.;
4 3 3 9
2 3 5 8
5 1 4 3
5 2 1 3
a x a y a z a u
b x b y b z bu
;
c x c y c z c u
d x d y d z d u
1 a 1 a2
1 a3
1 a4
1 b 1 b2
1 b3
1 b4
1 c2
1 c3
1 c4
1 c
c.-
2 1 5 5
1 2 2 4
;
4 3 8 5
5 1 3 1
e.-
2
1
0
3
4 1 4
1 2 5
;
0 3 1
2 0 1
g.-
0
1
5
3
3 0
3 2
3 2
1 1
i.-
4i
i
2
1
1 d 1 d 2 1 d3 1 d 4
a.-
1 Cosx
Cos 2 x
Cos3 x
1 Cosy
Cos 2 y Cos3 y
1 Cosz
Cos 2 z
Cos3 z
1 Cosu
Cos 2 u
Cos 3u
1
1
b.1
1
Senx Sen 2 x Sen3x

Seny Sen 2 y Sen3 y
;
Senz Sen 2 z Sen3z
Senu Sen 2u Sen3u
1
1
c.1
1
Cosx Cos 2 x Cos3x

Cosy Cos 2 y Cos3 y
.
Cosz Cos 2 z Cos3z
Cosu Cos 2u Cos3u
i
i 1
k.i2
i 3

0
a
b c
d a b
a 0
d e
a d b
a.; b.b d 0
f
a b d
c e f 0
a b c
c.-
e.-
1 a
1 b
1 c2
c3
c4
1 d2
d3
d4
1 b
b3
1 c
c2
c3
1 d
d2
d3
1 a
d.-
1 Senx
Sen 2 x Sen3 x
1 Seny
Sen 2 y Sen3 y
1 Senz
Sen 2 z
Sen3 z
1 Senu
Sen 2 u
Sen3u
c
c
;
c
d
4
0
;
4
2
3
4
2
5
1 8i
i
3
i 1
i2
i 3
i4
i
3
d.3
1
4 0
2 3
f.1 2
10 4
h.-
i
i
;
2
2i
i2
i 3
i4
i 5
2 3 4
i 2 3
;
2 i 2
1 2 i
5 6
8 3
;
3 9
2 12
1 3 2
4 8 1
3 5 4
1 3 2
5
2
;
0
0
i 1 i
2 1 i
j.5 1
6
i
3 i
4 3 i
;
2
i
3 1
i 3
i4
.
i 5
i 6
2.2.9 Desarrollar por los elementos de la primera

columna y calcular el determinante
2 1 1 a
1 2 1 b
.
1 1 2 c
1 1 1 d
2.2.10 Evale el siguiente determinante:
1 1 1 0 0 0
2 3 4 0 0 0
3 6 10 0 0 0
.
4 9 14 1 1 1
5 15 24 1 5 9
9 24 38 1 25 81
2.2.11 Calcular el determinante de 4 x 4, cuyos elementos se establecen por las siguientes condiciones:
a.- aij = mn(i, j); b.- a ij = mx(i, j);
c.- a ij =2i - 3j.
JOE GARCIA ARCOS
96
DETERMINANTES

1 ax 1 ay 1 az 1 au
1 bx 1 by 1 bz 1 bu
a.;
1 cx 1 cy 1 cz 1 cu
1 dx 1 dy 1 dz 1 du
2.2.14 Evale el siguiente determinante:

1 1 0 0 0 1
a b 0 0 0 c
x u 1 1 1 r
b..
y v a b c s
1 a x
ay
az
a u
b x 1 b y b z
bu
b.;
cx
c y 1 c z
c u
dx
dy
d z 1 d u
a 2 b2
c2
c2
2.2.15 Desarrollar por los elementos de la primera fila y

calcular el determinante
a 1 1 1
b 0 1 1
.
c 1 0 1
d 1 1 0
2.2.13 Evalense los siguientes determinantes:

x x 1 x 2 x 3
0
1
x
x2
a.;
x
1
0
1
0
0
x3
3
b.-
1 a
1
1
1
1 1 a
1
1
c..
1
1 1 b
1
1
1
1 1 b
1
i
1
i
1
i
1 i 1 i 1 i
1 i 1 i 1 i
i
i
.
1 i
1 i
2.2.16 Desarrollar por los elementos de la primera fila y

calcular el determinante
1 0 1 1
0 1 1 1
.
a b c d
1 1 1 0
2.3 PR O DU C T O D E D E T E R M I N A N T ES
En esta seccin se introduce la terminologa bsica y se define el producto de determinantes, enunciamos la
propiedad ms importante para el producto.
Una primera aplicacin del teorema de Laplace permite transformar un determinante
de orden k < n en otro equivalente de orden n prolongando su diagonal principal con
elementos unitarios y haciendo nulos los elementos que faltan para completar la
matriz de orden n. Pero la aplicacin ms importante se debe a que permite
demostrar que el determinante correspondiente a un producto de dos matrices del
mismo orden es igual al producto de los determinantes de las matrices factores.
El producto de dos determinantes de orden n est dado por la expresin
a11 a12 ... a1n b11 b12 ... b1n
c11 c12 ... c1n
a21 a22 ... a2 n b21 b22 ... b2 n
c21 c22 ... c2 n
... ...
...
... ...
...
... ...
...
an1 an 2 ... ann bn1 bn 2 ... bnn
cn1 cn 2 ... cnn
designando por c ij el producto de la fila i del primero por la fila j del
segundo
cij = a i1bj1 + a i2bj2 + . . . + a inbjn.
Ahora demostraremos el importante teorema de que el determinante del producto de
JOE GARCIA ARCOS
DETERMINANTES
97
dos matrices cuadradas de n x n es igual al producto de los determinantes de las

matrices. Como un teorema sobre determinantes esto significa que el producto de
dos determinantes de n x n puede escribirse como un determinante de n x n cuyos
elementos se obtienen en la misma forma que los elementos de una matriz producto.
T E O R E M A 2.3.1
Sean A y B, matrices cuadradas de orden n. Entonces
Det(A B) = Det(A)Det(B).
En efecto
a11 a12
a1n b11 b12
b1n
a21 a22
a2n b21 b22
b2n
Det(A)Det(B) =
an1 an 2
a11
a21
=
a12
a22
an1 an 2
d11 d12
d 21 d 22
ann bn1 bn 2
a1n
a2 n
0
0
bnn
0
0
0
0
ann 0
0
d1n b11 b12
d 2 n b21 b22
0
b1n
b2 n
d n1 d n 2
d nn bn1 bn 2
bnn
cualesquiera que sean los nmeros d; pues desarrollando este determinante por los
menores de las n primeras filas, como todos los menores, excepto el primero, tienen
alguna columna de ceros, y, por tanto, son nulos, resulta el producto Det(A)Det(B).
Para poder reducir el orden de este determinante, podemos suponer que los dos
determinantes dados sean del mismo orden n, si es n > m, pues en caso contrario se
puede transformar el de menor orden m en otro de orden n, prolongando su diagonal
principal con n m elementos 1, y completando con ceros las nuevas filas y
columnas. Adems, como podemos disponer de los nmeros indeterminados d,
tomemos todos ellos iguales a 0, excepto los de la diagonal d11, d22, ..., dnn, que
tomaremos iguales a 1. Finalmente, podemos cambiar las filas por columnas, en el
determinante menor Det(B). Resulta as:
a11 a12
a1n 0
0
0
a21 a22
a2 n 0
0
0
a11 a12
a1n b11 b12
b1n
a21 a22
a2n b21 b22
b2n
a
an 2
ann 0
0
0
= n1
1 0
0 b11 b12
b1n
0
1
0 b21 b22
b2 n
an1 an 2
ann bn1 bn 2
bnn
bn1 bn 2
bnn
Si, mediante adiciones convencionales de filas o columnas, logramos reducir a 0 los
elementos a ij, en vez del cuadro de ceros aparecer otro de nuevos elementos c ij, y el
nuevo determinante de orden 2n ser igual al determinante de orden n formado por
estas c ij, multiplicado por su complemento algebraico; mas, reducindose el menor
complementario a su diagonal principal, su valor es (-1)n; tendremos, pues, el
producto en forma de determinante de orden n. Esto se logra de la siguiente manera:
sumemos a la primera fila las filas n + 1, n + 2, ..., 2n, multiplicadas respectivamente
por a11, a12, a1n, y obtenemos como primera la siguiente:
0, 0, ..., 0, a11b11 + ... + a1nb1n, ..., a11bn1 + ... + a1nbnn.
0
1
JOE GARCIA ARCOS
98
DETERMINANTES
Para simplificar, llamaremos producto de la fila i de Det(A) por la fila j de Det(B), y

lo designaremos por c ij, a la suma de los productos de los trminos que ocupan
iguales lugares en ambas. Es decir:
cij = ai1bj1 + a i2bj2 + ... + a inbjn.
Con esta notacin, la fila obtenida es la siguiente:
0, 0, ..., 0, c11, c12, ..., c1n.
Anlogamente, sumando a la segunda fila las filas n + 1, n + 2, ..., 2n, multiplicadas
por a21, a22, ..., a2n, respectivamente, resulta como nueva fila
0, 0, ..., 0, c21, c22, ..., c2n.
Finalmente; sumando a la fila n-sima las mismas filas n + 1, n + 2, ..., 2n,
multiplicadas por an1, an2, ..., ann, respectivamente, resulta
0, 0, ..., 0, cn1, cn2, ..., cnn.
El determinante producto se ha transformado en el siguiente:
0 0
0 c11 c12
c1n
0 0
0 c21 c22
c2 n
cn1 cn 2
b11 b21
b12 b22
0 0
1 0
0 1
0
0
0
1 b1n
b2 n
cnn
=
bn1
bn 2
bnn
(-1)k
c11 c12
c21 c22
c1n 1 0
c2 n 0 1
0
0
cn1 cn 2
cnn
1
siendo
k = (n + 1) + (n + 2) + ... + (n + n) + 1 + 2 + ... + n = n(2n + 1),

y como el valor del segundo menor es (-1)n, el factor que multiplica al primero es
(-1)n+k = (-1)n(n + 1), nmero que es igual a 1, por ser n y n + 1 dos nmeros
consecutivos, y, por tanto, su producto es par.
Como el valor de un determinante no altera si se cambian entre s las filas y las
columnas, puede hacerse tambin el producto por columnas; la frmula es la misma,
designando c ij el producto de la columna i del primero por la columna j del segundo.
Finalmente, puede hacerse multiplicando las filas del primero por las columnas del
segundo, o inversamente.
% CALCULO DEL PRODUCTO DE DETERMINANTES
clc;clear;
fprintf('\n PRODUCTO DE DETERMINANTES \n')
filcol=input('Ingrese el orden de las matrices A y B: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
for f=1:filcol
for c=1:filcol
JOE GARCIA ARCOS
DETERMINANTES
99
B(f,c)=input(' :');
end
end
A
B
C=A*B
DetAB=det(A*B)
DetA=det(A)
DetB=det(B)
DetAB = det(A)*det(B)

EJ E M P L O 2.3.1
Para cada una de las proposiciones siguientes relativas a matrices cuadradas, dar una
demostracin o poner un contraejemplo:
a.- Det[(A + B)2] = [Det(A + B)]2;
b.- Det[(A + B)2] = Det(A 2 + 2A B + B 2);
c.- Det[(A + B)2] = Det(A 2 + B 2).
SO L U C I O N
a.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A + B)Det(A + B) = [Det(A + B)]2.
b.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = B A, entonces Det[(A + B)2] = Det(A 2 + 2A B + B 2).
c.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = -B A o B A = -A B, entonces Det[(A + B)2] = Det(A 2 + B 2).
EJ E M P L O 2.3.2
Multiplicar los determinantes
1 2 3 2 3 1
3 4 2 1 4 3 .
4 5 4 1 5 2
SO L U C I O N
Podemos darnos cuenta que hay cuatro formas para multiplicar determinantes, y son
las siguientes:
1.- Filas por columnas
1 2 3 2 3 1
7 26 13
3 4 2 1 4 3
12 35 19 50 .
4 5 4 1 5 2
17 52 27
2.- Filas por filas
1 2 3 2 3 1
1 2 3
3 4 2 1 4 3
4 7 13 50 .
4 5 4 1 5 2
3 4 13
3.- Columnas por columnas
1 2 3 2 3 1
9 35 18
3 4 2 1 4 3
13 47 24 50 .
4 5 4 1 5 2
12 37 17
4.- Columnas por filas
1 2 3 2 3 1
3 1 6
3 4 2 1 4 3
3 1 8 50 .
4 5 4 1 5 2
4 7 1
EJ E M P L O 2.3.3
Si A 2 = A, entonces A se llama idempotente. Muestre que si A es idempotente,
entonces el determinante de A vale 1 o 0.
JOE GARCIA ARCOS
100
DETERMINANTES
SO L U C I O N
Como A 2 = A, Det(A 2) = Det(A). Entonces
Det(A 2) = Det(A A) = Det(A) Det(A)Det(A) = Det(A)
[Det(A)]2 Det(A) = 0 Det(A)[Det(A) 1] = 0
Det(A) = 0 y Det(A) 1 = 0, Det(A) = 1.
EJ E M P L O 2.3.4
Qu puede decirse del determinante de una matriz nilpotente?
SO L U C I O N
El determinante debe ser cero. Como A n = O, Det(A n) = Det(O). Entonces
Det(A n) = Det(A A...A) = 0 Det(A)Det(A)...Det(A) = 0
[Det(A)]n = 0 Det(A) = 0.
EJ E M P L O 2.3.5
Sean A y B matrices de 4 x 4 con Det(A) = 8 y Det(B) = - 1. Determine el valor de:
a.- Det(A B); b.- Det(2A B).
SO L U C I O N
a.- Det(A B) = Det(A)Det(B) = 8(-1) = - 8.
b.- Det(2A B) = Det(2A)Det(B) = 24Det(A)Det(B) = (16)(8)(-1) = - 128.
EJ E M P L O 2.3.6
Multiplquense los determinantes
1 1
x2
1 x2
Det( A )
a b c
b c a .
c a b
y Det( B )
Siendo x una raz cbica imaginaria de la unidad.

SO L U C I O N
Multiplicando fila por fila, tenemos:
a bc
ba
Det( A B )
a bx cx
b cx ax
c a b
2
c ax bx 2
a bx 2 cx b cx 2 ax c ax 2 bx
Pero
b + cx + ax2 = x2(a + bx + cx2) c + ax + bx2 = x2(a + bx + cx2)

b + cx2 + ax = x2(a + bx2 + cx) c + ax2 + bx = x2(a + bx2 + cx)
y, en consecuencia
1
Det( A B ) ( a b c )( a bx cx )( a bx cx) 1
x2
1 x2
Es decir:
Det(A B) = Det(A)Det(B) = -(a + b + c)(a + bx + cx2)(a + bx2 + cx)Det(A).
Siendo Det(A) un determinante de Vandermonde y, en consecuencia, distinto de
cero, puede suprimirse y entonces
Det(B) = - (a + b + c)(a + b + cx2)(a + bx2 + cx).
EJ E M P L O 2.3.7
Demostrar la siguiente identidad:
a a a a 1 1 0 0
a b b b 0 1 1 0
a b c c 0 0 1 1
a b c d 1 1 1 1
2 a (b a )( c b)(d c ) .
JOE GARCIA ARCOS
DETERMINANTES
101
SO L U C I O N
Multiplicando los dos determinantes de forma normal, filas por columnas,
obtenemos:
0
a
a
0
a b
a
b
0
a c a b c
b
0
a d a b d b c d c d
Desarrollando este determinante con respecto a la cuarta columna, obtenemos:
0
a
a
(c d ) a b
a
b
a c a b c b
A la tercera fila le restamos la segunda fila:
0
a
a
(c d ) a b
a
b
c b c b 0
Extraemos de la tercera fila c - b:
0
a a
(c d )(c b) a b a b
1
1 0
A la segunda fila le restamos la primera fila:
0
a
a
(c d )(c b) a b 0 b a
1
1
0
Extraemos a de la primera fila y b a de la segunda fila:
0 1 1
a (b a )(c d )(c b) 1 0 1
1 1 0
Desarrollamos el determinante resultante por la regla de Sarrus y obtenemos el
resultado:
' = 2a(b a)(c b)(d c).
EJ E M P L O 2.3.8
Calcular el determinante elevndolo al cuadrado
a
b
c
d
b
a
d c
.
c d
a
b
d
c b
a
SO L U C I O N
a
b
b
a
c d
d
c
c
d
a
b
d
c
b
a
a
b
b
a
c d
d
c
c
d
a
b
a 2 b2 c 2 d 2
0
d
c
b
a
a
b
b
a
c d
d
c
c
d
a
b
0
2
0
2
a b c d
0
0
0
0
d
c
b
a
0
2
0
2
a b c d
0
0
2
a b c2 d 2
= (a2 + b2 + c2 + d2)4.
JOE GARCIA ARCOS
102
DETERMINANTES
PR O B L E M AS
2.3.1 Sean A, B, C, D los determinantes de tercer orden
que se forman de la matriz
a b c d
a1 b1 c1 d1
a b c d
2
2 2 2
al suprimir la primera, segunda, tercera y cuarta columna,
respectivamente. Demostrar que
a b c d 0 0
a1 b1 c1 d1 0 0
a2 b2 c2 d 2 0 0
AD - BC .
0 0 a b c d
0 0 a1 b1 c1 d1
0 0 a2 b2 c2 d 2
2.3.2 Multiplicar
determinantes:
5 a 1 2
4 b 3 4
a.2 c 2 3
4 d 4 5
a
0
b.5
0
2
b
4
0
desarrollar
1 3
2 2
d b
3 1
1 0 0 a 5
2 0 0 0 2
3 c c 1 3
d 0 0 0 d
2
4
a
3
los
siguientes
4
3
;
c
4
3
b
.
2
0
2.3.3 Aplicando la regla de multiplicacin de las

matrices, expresar en forma de un determinante los
productos de determinantes:
3 5 4 8 6 3
a.- 1 3 7 4 5 2 ;
1 2 3 3 1 2
b.-
1 2
4 3
9 2
3 0
c.-
1 3 1 2
.
4 6 5 1
4 5
2 1 1 2 3 5
;
0 2 3 5 7 2
5 4
2.3.4 Calcular el cuadrado del determinante:

1 1 1 1
1 1 1 1
1 1 1 1
2 2 1 1
a.; b.;
1 1 1 1
2 0 3 1
1 1 1 1
3 7 1 9
c.-
2 5 8
2 3 2
1 2 7
2 6
4
1
0
.
4
0
2.4 D E T E R M I N A N T E D E V A ND E R M O ND E
En esta seccin se introduce la terminologa bsica y se define el determinante de Vandermonde.

Se denomina determinante de Vandermonde o determinante de las
diferencias, al formado por las potencias sucesivas de n nmeros distintos:
a21, a22, a23, ..., a2 n-2, a2 n-1, a2 n,
ordenadas del siguiente modo:
1
1
1
...
1
1
a21 a22 a23 ... a2 n 1 a2 n
V
2
a21
...
2
a22
...
2
a23
...
... a22n 1
...
n 1
n 1
n 1
a21
a22
a23
... a2nn11
cuyo desarrollo est dado por
V
( a2 j a2 i ) .
a22n
...
a2nn1
1d i j d n
Podemos reducir a ceros los elementos de la primera columna, excepto el primero,

restando de cada fila la anterior, multiplicada por a21, y obtenemos
JOE GARCIA ARCOS
DETERMINANTES
103
1
0
0
1
a22 a21
a22 ( a22 a21 )
1
a23 a21
a23 ( a23 a21 )
0
...
2
a22
( a22
2
a23
( a23
...
...
n2
a22
( a22
n2
a23
( a23
a21 )
a21 )
a21 )
1
...
a2 n 1 a21
...
... a2 n 1 ( a2 n 1 a21 )
...
a22n 1 ( a2 n 1
1
a2 n a21
a2 n ( a2 n a21 )
a22n ( a2 n a21 )
a21 )
...
...
a21 ) ... a2nn21 ( a2 n 1 a21 )
a2nn 2 ( a2 n a21 )
determinante que se reduce a uno de orden n 1, el cual, separando los factores

comunes, resulta
1
1
1
...
1
1
a22
a23
a24 ... a2 n 1 a2 n
2
( a22 a21 )...( a2 n a21 ) a22
...
2
a23
...
2
a24
...
... a22n 1
...
a22n
...
n2
n2
n2
a22
a23
a24
... a2nn21 a2nn 2
y observando que este determinante de orden n - 1 es de la misma forma que el
anterior, se le puede aplicar la misma transformacin, resultando
1
1
1
...
1
1
a23 a24
a25 ... a2 n 1 a2 n
2
( a22 a21 )...( a2 n 1 a22 ) a23
...
2
a24
...
2
a25
...
... a22n 1
...
a22n
...
n 3
n 3
n 3
a23
a24
a25
... a2nn31 a2nn3
Con ste, que es de orden n 2, se opera de igual modo, y as se sigue hasta llegar a
uno de segundo orden
1
1
a2n a2n 1 .
a2n 1 a2n
Por consiguiente
V ( a22 a21 )( a23 a21 )...( a2n a2n1 )
1d i j d n
( a2 j a2 i ) .
% GENERACION DE UN DETERMINANTE DE VANDERMONDE

clc;clear;
fprintf('\n DETERMINANTE DE VANDERMONDE \n')
fil=input(' Ingrese la dimension de la columna: ');
fprintf('Ingrese los elementos de la columna \n')
%for f=1:col
for f=1:fil
fprintf('Ingrese el elemento %d',f)
u(f,1)=input(' :');
end
fprintf('\n LA COLUMNA ES:\n')
u
fprintf(' EL DETERMINANTE GENERADO ES:')
V=vander(u)
fprintf(' EL VALOR DEL DETERMINANTE ES:')
DetV=det(V)

JOE GARCIA ARCOS
104
DETERMINANTES
EJ E M P L O 2.4.1
Evaluar los siguientes determinantes y expresar su resultado en factores:
1 a bc
a.- 1 b ca ;
1 c ab
b.-
1
a
1
b
a 3 b3
1
c ;
1 bc ad
c.- 1 ac bd
c3
1 ab cd
b2 c 2 a 2 d 2
a 2 c 2 b2 d 2 .
a 2b2 c 2 d 2
SO L U C I O N
a.- A las filas 2 y 3 le restamos la fila 1:
1
a
bc
1
a
bc
0 b a ca bc
0 b a c (b a )
0 c a ab bc
0 c a b(c a )
extraemos de la fila 2 el factor (b a) y de la tercera fila el factor (c a):
1 a bc
(b a )( c a ) 0 1 c
0 1 b
a la fila 3 le restamos la fila 2:
1 a bc
(b a )(c a ) 0 1 c
0 0 c b
podemos observar que mediante este proceso, hemos transformado la matriz original
a una matriz equivalente triangular superior, lo cual nos permite aplicar una de las
propiedades para encontrar el valor del determinante: ' = (b - a)(c - a)(c - b).
b.- En este problema, aplicaremos operaciones elementales entre columnas, es
decir, a las columnas 2 y 3 le restamos la columna 1:
1
0
0
1
0
0
a
ba
ca
a
ba
ca
a 3 b3 a 3 c 3 a 3
a 3 (b a )(b 2 ab a 2 ) (c a )(c 2 ca a 2 )
a la columna 2 le extraemos (b a) y a la tercera columna (c a):
1
0
0
(b a )(c a ) a
1
0
a 3 b2 ab a 2
a la columna 3 le restamos la columna 2:
1
0
(b a )( c a ) a
1
a 3 b2 ab a 2
expresamos en factores el elemento a33:
1
0
(b a )(c a ) a
1
c 2 ca a 2
0
0
c 2 ca a 2 b 2 ab a 2
0
0
a 3 b2 ab a 2 (c b)( a b c )
como hemos reducido la matriz original a una matriz triangular inferior, aplicamos la
correspondiente propiedad, para obtener el valor del determinante
' = (b - a)(c - a)(c - b)(a + b + c).
c.- A la segunda y tercera filas, le restamos la primera:
1
bc ad
b2 c 2 a 2 d 2
0 ac bd bc ad
a 2 c 2 b2 d 2 b2 c 2 a 2 d 2
0 ab cd bc ad
a 2b 2 c 2 d 2 b 2 c 2 a 2 d 2
JOE GARCIA ARCOS
DETERMINANTES
105
expresamos en factores los elementos de este determinante:
b2 c 2 a 2 d 2
bc ad
0 ( a b)( c d ) ( a 2 b 2 )(c 2 d 2 )
0 (b d )( a c ) (b 2 d 2 )( a 2 c 2 )
extraemos (a - b)(c - d) de la segunda fila y (b d)(a c) de la tercera fila:

1 bc ad b 2 c 2 a 2 d 2
( a b)(c d )(b d )( a c ) 0
1
( a b)( c d )
0
1
(b d )( a c )
a la tercera fila, restamos la segunda:
1 bc ad
( a b)(c d )(b d )( a c ) 0
1
0
0
b2 c 2 a 2 d 2
( a b)( c d )
( a d )(c b)
como el determinante de una matriz triangular es igual al producto de los elementos

de la diagonal principal, entonces:
' = (a - d)(c - b)(a - b)(c - d)(b - d)(a - c).
PR O B L E M AS
2.4.1 Evaluar los siguientes
resultado en factores:
a 2 ab b 2
a.- 2 a a b 2b ; b.1
1
1
c.-
bc
e.-
g.-
a (b c )
b (c a )
c ( a b)
a bc a (b c )
b ac b( a c ) ;
c ab c ( a b)
1 a
d.- 1 b
1 c
bc
ac ;
ab
a a3
c a b b3 ;
determinantes y expresar su
b ;
c
c3
( x a )2
( y a )2
( z a )2
( x b) 2
( y b) 2
( z b) 2 .
( x c )2
( y c )2
( z c)2

1 a 1 a 2 1 a3
a.- 1 b 1 b 2 1 b3 ;
1 c3
1 a
1
1
1
1 1 a
1
1
b.;
1
1 1 a
1
1
1
1 1 a
1 a ( a 1) a 2 ( a 1)
d.- 1 b(b 1) b 2 (b 1) ;
1 c ( c 1)
a
b
a b
b
a b
a ;
a b
a
b
f.-
a b c
1 c 1 c2
c.-
a b ab
0
0
1
a b ab
0
;
0
1
a b ab
0
0
1
a b
e.-
c 2 (c 1)
2a 7 a 2
a 1
a
a 3 2a 5 a 1
a
;
a 3 a 2 2a 3
a
a 3 a 2 a 1 2a 1
1 a
b
0
0
1 1 b
c
0
f..
0
1 1 c
d
0
0
1 1 d
2.4.3 Evaluar el determinante de Vandermonde:

1 1 1 1
1 1 1 1
a b c d
2 3 4 5
a.b..
2
2
2
2 ;
a b c d
22 32 42 52
a3
b3
c3
d3
23
33
43
53
JOE GARCIA ARCOS
106
DETERMINANTES
2.5.1 El valor de un determinante se altera si ste se
transpone.
2.5.2 Si en una matriz cuadrada de orden n se
intercambian dos columnas, entonces el determinante no
vara.
2.5.3 La suma de los productos de los elementos de
cualquier columna de un determinante por los
complementos
algebraicos
de
los
elementos
correspondientes de una paralela es diferente de cero.
2.5.4 Si una matriz A de orden n posee un menor M no
nulo de orden r, 1 d r d n-1, tal que todos los menores de
orden r + 1 que lo orlan son iguales a cero, entonces el
determinante de la matriz A es igual a cero.
2.5.5 Un determinante que contiene dos columnas
proporcionales es diferente de cero.
2.5.13 Si en un determinante todos los elementos de

una fila, a excepcin de uno, son iguales a cero,
entonces, el determinante es igual al producto de este
elemento diferente de cero por un complemento
algebraico.
2.5.14 Todo determinante es igual a la suma de los
productos de los elementos de una de sus columnas por
los correspondientes complementos algebraicos.
2.5.15 Si una columna del determinante de una matriz
cuadrada de orden 3 es una combinacin lineal de las
dems columnas, entonces el determinante ser
diferente de cero.
2.5.16 El determinante difiere si a cada columna,
excepto la ltima, se le aade la columna siguiente.
2.5.6 El valor de un determinante no cambia si a todos

los elementos de una de sus columnas se suman los
elementos correspondientes de la columna.
2.5.17 El determinante no cambia si vara el signo de

todos los elementos en los lugares impares; pero si vara
el signo de todos los elementos en los lugares pares, el
determinante no cambia, siendo del orden par y cambia,
siendo del orden impar.
2.5.7 Para que un determinante sea igual a cero es

necesario y suficiente que sus columnas sean
linealmente independientes.
2.5.18 El determinante no cambia si de cada columna,

excepto la ltima, se restan todas las siguientes
columnas.
2.5.8 Si en el determinante de una matriz de orden n,

ms de n2 n elementos son nulos, el determinante es
igual a cero.
2.5.19 Si a cada elemento de una de las columnas de

una matriz de orden n se le suma el producto del
nmero k por el elemento correspondiente de otra
columna, entonces el valor del determinante cambia.
2.5.9 Si en el determinante de una matriz cuadrada de

orden n para k + r > n en la interseccin de ciertas k filas
y r columnas se hallan los elementos nulos, el
determinante es igual a cero.
2.5.20 El valor del determinante de una matriz de

orden n no cambia si se intercambian las filas y
columnas de la matriz.
2.5.10 Si en el determinante de una matriz cuadrada de

orden n todos los menores de orden k (k < n) son nulos,
entonces los menores de orden superior a k son
diferentes del nulo.
2.5.21 Si A y B son matrices cuadradas de diferente

orden, entonces el determinante del producto A B es
diferente del producto de los determinantes de cada una
de las matrices.
2.5.11 Para que un determinante de una matriz cuadrada

de orden 2 sea diferente de cero, es necesario y
suficiente que sus columnas sean proporcionales.
2.5.22 Si una matriz de orden n tiene un determinante

cero despus de cualquier nmero de operaciones
elementales sobre las filas, entonces la matriz que
resulta tiene determinante cero.
2.5.12 Un determinante es igual a cero si es de orden

par y se duplicar, si es de orden impar, si a cada
columna, empezando por la segunda, se le aade la
columna anterior, sumando al mismo tiempo la primera
columna y la ltima.
2.5.23 Si una matriz tiene determinante diferente de

cero, despus de cualquier nmero de operaciones
elementales sobre las filas, entonces la matriz que
resulta tiene determinante diferente de cero.
JOE GARCIA ARCOS
DETERMINANTES
2.5.24
Si cada elemento de cierta columna del
determinante est representado en forma de suma de dos
sumandos, el determinante ser igual a la suma de dos
determinantes, en este caso todas las columnas menos la
indicada, quedarn las mismas, y en la columna dicha
del primer determinante se encontrarn los primeros
sumandos, y en la del segundo, los segundos.
2.5.25 Si a los elementos de una columna del
determinante se les aaden los correspondientes
elementos de otra columna, multiplicadas por un mismo
nmero, entonces el determinante es diferente.
2.5.26 Un determinante es igual a cero si cada fila,
excepto la ltima, se resta la siguiente fila, y de la ltima
fila se resta la fila inicial.
107
2.5.30 La suma de todos los determinantes de orden

n t 2, cada uno de los cuales en cada fila y cada
columna tiene un elemento igual a la unidad y todos los
dems nulos; es nula y la cantidad de determinantes de
este tipo es n!.
2.5.31 Si en un determinante de una matriz cuadrada
de orden n, sus filas se escriben en orden inverso,
entonces ste se multiplicar por (-1)n(n-1)/2.
2.5.32 Si en un determinante de una matriz cuadrada
de orden n cada uno de sus elementos cambia de signo,
entonces el determinante se multiplicara por (-1)n.
2.5.33 El determinante de una matriz cuadrada de n x
n, cuyos elementos se prefijan por las condiciones
a ij = mn( i, j) es igual a cero.
2.5.27 Si todos los elementos de cualquier fila de un

determinante son iguales a la unidad, la suma de los
cofactores de todos los elementos de ste ser igual al
propio determinante.
2.5.34 El determinante de una matriz cuadrada de

orden n, cuyos elementos se dan por las condiciones
a ij = mx( i, j) es igual a (-1)n-1n.
2.5.28 El determinante cuya suma de las filas con

nmeros pares es igual a la suma de las filas con
nmeros impares, es diferente de cero.
2.5.35 El determinante de una matriz cuadrada de

orden n, cuyos elementos se prefijan por las
condiciones a ij = | i j | es igual a (-1)n-12n-2(n 1).
2.5.29 Una matriz cuadrada tiene determinante cero si y

slo si la matriz se puede reducir a una matriz triangular
superior con al menos un elemento igual a cero en la
diagonal principal.
2.5.36 La suma de los cofactores de todos los

elementos del determinante vara si a todos los
elementos se les aade un mismo nmero.
JOE GARCIA ARCOS
O BJ E T I V O
Resolver problemas sobre matrices equivalentes, rango e inversa mediante la interpretacin, expresin y
representacin en trminos de matrices y determinantes utilizando definiciones propiedades y mtodos adecuados
para cada tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O NT ENID O:
3.1
3.2
3.3
3.4
3.5
MATRICES EQUIVALENTES
RANGO DE UNA MATRIZ
INVERSA DE UNA MATRIZ
METODOS PARA OBTENER LA INVERSA DE UNA MATRIZ
CUESTIONARIO
3.1 M A T R I C ES E Q U I V A L E N T ES
En esta seccin se introduce la definicin de matriz equivalente y enuncia mos sus propiedades mas
importantes.
En esta seccin veremos que cada una de las operaciones de filas puede realizarse
en A multiplicando A por la izquierda por una matriz obtenida al efectuar dicha
operacin a la matriz identidad.
Para este fin, definiremos una matriz elemental como cualquier matriz que se
obtenga a partir de la matriz identidad mediante una operacin elemental de filas,
para lo cual utilizaremos el siguiente resultado.
Sea A una matriz de n x m. Supongamos que B se obtiene a partir de A mediante
una operacin elemental de filas. Sea E la matriz elemental obtenida al efectuar
las mismas operaciones elementales de filas en la matriz identidad. Entonces
B = E A. Esto es, la matriz elemental E obtenida a partir de la matriz identidad
mediante una operacin elemental de filas realiza la misma operacin elemental
en A al multiplicarla por la izquierda.
E J E M P L O 3.1.1
Dada la matriz A, verifique lo antes mencionado:
2 4 2
3 2 4 5
a.- A 0 1 3 ; b.- A 0 3 8 3 .
4 1 3 7
3 4 2
SO L U C I O N
a.- Obtengamos B a partir de A intercambiando las filas f2 y f3:
110
RANGO E INVERSA DE UNA MATRIZ
2 4 2
3 4 2
0 1 3
Efectuamos la misma operacin en I de 3 x 3 para obtener:

1 0 0
E 0 0 1
0 1 0
Ahora verificamos que E efecta la misma operacin de filas en A al multiplicar

por la izquierda a la matriz A por E:
1 0 0 2 4 2 2 4 2
E A = 0 0 1 0 1 3 = 3 4 2 = B .
0 1 0 3 4 2 0 1 3
b.- Multiplicamos la tercera fila de A por 2 para obtener B:

5
3 2 4
B 0 3 8
3
8 2 6 14
Efectuamos la misma operacin en I de 3 x 3 para obtener

1 0 0
E 0 1 0
0 0 2
Entonces
1 0 0 -3 2 4 5 -3 2 4 5
E A = 0 1 0 0 3 8 3 = 0 3 8 3 = B .
0 0 -2 4 1 3 7 -8 -2 -6 -14
E J E M P L O 3.1.2
Dada la matriz
3 2 4 5
A 0 3 8 3
4 1 3 7
Multiplique la matriz A por la izquierda por un producto de matrices elementales.

SO L U C I O N
Intercambiamos las filas f2 y f3:
3 2 4 5
4 1 3 7
0 3 8 3
Multiplicamos la segunda fila por 3/4:

3 2 4 5
3
9
21
3 4 4 4
0 3 8 3
A la segunda fila le sumamos la primera:

3 2 4 5
25
41
B 0 11
4
4
4
0 3 8 3
Cada operacin puede ser realizada mediante una matriz elemental:
JOE GARCIA ARCOS
111
E1
1 0 0
0 0 1 ,
0 1 0
1 0 0
E 2 = 0 34 0 ,
0 0 1
E3
1 0 0
1 1 0
0 0 1
Se forma
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
E 3 E 2 E1 = 1 1 0 0 34 0 0 0 1 1 34 0 0 0 1 1 0 34
0 0 1 0 0 1 0 1 0 0 0 1 0 1 0 0 1 0
Si se multiplica A por la izquierda por este producto de matrices elementales,

obtenemos el resultado final de las tres operaciones de filas:
1 0 0 -3 2 4 5 -3 2 4 5

25
41
( E 3 E 2 E1 ) A = 1 0 34 0 3 8 3 = 0 11
=B.
4
4
4
0 1 0 4 1 3 7 0 3 8 3
Algunas veces necesitaremos efectuar una sucesin de operaciones de filas en una

matriz A. Esto puede hacerse multiplicando A por la izquierda por un producto de
matrices elementales.
Se dice que la matriz A es equivalente por filas a la matriz B si B se
obtiene a partir de A mediante una sucesin de operaciones elementales
de filas. Esto significa que la matriz B debe ser de la forma E n E n-1 ... E 1 A
para matrices elementales E 1, E 2, ..., E n.
T E O R E M A 3.1.1
Toda matriz es equivalente por filas a s misma.
Observemos que la matriz A siempre puede obtenerse a partir de A mediante una
operacin elemental de filas.
T E O R E M A 3.1.2
Si la matriz A es equivalente por filas a la matriz B entonces B es
equivalente por filas a A.
Se obtiene la matriz B a partir de la matriz A intercambiando las filas i y j de A,
obtenemos a A a partir de B intercambiando las filas i y j de B. Si obtenemos la
matriz B a partir de la matriz A multiplicando la fila j de A por un nmero k
distinto de cero, obtenemos A a partir de B multiplicando la fila j de B por 1/k. Si
obtenemos la matriz B a partir de la matriz A sumando k veces la fila i a la fila j,
obtenemos A a partir de B sumando k veces la fila i a la fila j de B. En resumen,
si obtenemos B a partir de A mediante operaciones elementales de filas, podemos
recuperar A a partir de B mediante operaciones elementales de filas del mismo
tipo. Ahora supongamos que A es equivalente por filas a B. Entonces B puede
obtenerse a partir de A mediante una sucesin de operaciones elementales de
filas. Por lo tanto, A se obtiene a partir de B mediante una sucesin de
operaciones elementales; as que B es equivalente por filas a A.
T E O R E M A 3.1.3
Si la matriz A es equivalente por filas a la matriz B y B es equivalente
por filas a la matriz C entonces A es equivalente por filas a C.
Si la matriz B se obtiene a partir de la matriz A mediante un producto de matrices
elementales, y la matriz C se obtiene a partir de B mediante un producto de
matrices elementales, hemos obtenido C a partir de A mediante un producto de
JOE GARCIA ARCOS
112
matrices elementales; por lo tanto, A es equivalente por filas a C.

Sea la matriz A de n x m. Si una fila tiene un elemento distinto de cero, el
elemento principal de la fila es su primer elemento distinto de cero, leyendo de
izquierda a derecha. Una fila que tiene nicamente ceros no tiene elemento
principal. Decimos que la matriz A es una matriz reducida si A tiene las
siguientes caractersticas:
1.- El elemento principal de cada fila distinto de cero es 1.
2.- Si una fila tiene su elemento principal en la columna j, todos los otros
elementos de la columna j son cero.
3.- Toda fila que tiene nicamente ceros est debajo de las filas que tienen
elementos distintos de cero.
4.- Si el elemento principal de la fila f1 est en la columna c1, el elemento
principal de la fila f2 est en la columna c2 y f1 < f2, entonces c1 < c2.
Por la segunda caracterstica, si una columna contiene un elemento principal en
alguna fila, todos los otros elementos de esa columna son cero. Dicho de otra
manera, todos los elementos que estn directamente por encima o debajo de
cualquier elemento principal son cero. La cuarta caracterstica dice que los
elementos principales se mueven hacia abajo y a la derecha conforme se ve la
matriz.
T E O R E M A 3.1.4
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
Si la matriz A est en forma reducida, ya se acaba el proceso. Si no, leyendo de
izquierda a derecha la matriz, supongamos que la columna c1 es la primera
columna que tiene un elemento distinto de cero. Sea k el primer elemento distinto
de cero de esa columna, digamos que aparece en la fila f1. Multiplicamos la fila f1
por 1/k para obtener una matriz B. Por la eleccin de f1, la columna c1 de B tiene
exactamente ceros por encima del 1 en la fila f1. Si cualquier fila debajo de f1
tiene un elemento r distinto de cero en la columna c1 sumamos r veces la fila f1 a
esa fila. Obteniendo una nueva matriz con un cero donde estaba localizada r en B.
La repeticin de este proceso da como resultado la matriz C que tiene ceros por
encima y debajo de la fila f1 en la columna c1. Ahora intercambiamos las filas 1 y
f1 de C para producir la matriz D que tiene como entrada principal 1 en la fila 1 y
la columna c1 y todos los dems elementos de esa columna son cero. Adems, por
la eleccin de c1, cualquier columna de D a la izquierda de la columna c1 tiene
solamente elementos iguales a cero. Finalmente D es equivalente por filas a A ya
que llegamos a D por una sucesin de operaciones elementales de filas.
Si D es reducida, se acaba el proceso. Si no, repetimos este proceso, pero ahora
observando la primera columna, digamos la columna c 2, a la derecha de la
columna c1 y que tiene un elemento distinto de cero debajo de la fila 1. Sea f2 la
primera fila debajo de la fila 1 que tiene un elemento distinto de cero, digamos s.
Dividimos la fila f2 por s para obtener una matriz E con 1 como elemento f2, c2. Si
la columna c2 de E tiene un elemento distinto de cero s en una fila por encima o
debajo de f2 sumamos s veces la fila f2 a esa fila. La repeticin de este proceso da
una matriz F con ceros en la columna c2 por encima y debajo del elemento 1 en la
fila f2. Finalmente, intercambiamos las filas 2 y f2 de F para obtener G. Si la
matriz G est en forma reducida, se acaba el proceso. Si no, localizamos la
primera columna a la derecha de la columna c2 y que tenga un elemento distinto
de cero debajo de la fila f2 y repetimos el proceso que hemos estado utilizando.
Como A tiene un nmero finito de columnas, eventualmente llegamos a una
matriz reducida y esta matriz reducida es equivalente por filas a A.
JOE GARCIA ARCOS
113
El proceso de obtener una matriz reducida equivalente por filas a una matriz dada
A se llama reduccin de A. Observemos que usualmente es posible efectuar
distintas sucesiones de operaciones elementales de filas en A para obtener una
matriz reducida.
Sea A una matriz de n x m. Suponga que se aplica una sucesin S1 de operaciones
elementales de filas empezando con la matriz A y obteniendo una matriz reducida
B. Suponga que se aplica otra sucesin S2 de operaciones elementales de filas
empezando con A y se obtiene una matriz reducida C, entonces B = C. Esto
implica que para una matriz A, el resultado final siempre es el mismo no importa
cules operaciones elementales de filas hayamos usado para llegar a l. Debido a
esto, hablaremos de la forma reducida de A en lugar de una forma reducida de A.
Denotaremos a la forma reducida de A como A R.
E J E M P L O 3.1.3
Reducir la matriz
3 4 1
A = 1 2 0 .
2 4 3
SO L U C I O N
Empezamos con la primera columna, que tiene un elemento distinto de cero en la
primera fila. A la primera fila le multiplicamos por 1/3:
1 43 13
0
1 2
2 4
3
A la segunda fila le restamos la primera fila, a la tercera fila le restamos 2 veces la

primera fila:
1 43 13
1
0 103
3
20
11
3
0 3
La segunda columna de la ltima matriz tiene elementos distintos de cero debajo
de la primera fila. Como queremos un 1 en esa posicin, entonces hacemos las
siguientes operaciones. A la segunda fila le multiplicamos por 3/10:
1 43 13
1
0 1
10
20
11
3
0 3
A la primera fila le sumamos 4/3 veces la segunda fila, a la tercera fila le
restamos 20/3 veces la segunda fila:
1 0 15
0 1 101
0 0 3
La tercera columna de la ltima matriz tiene elementos distintos de cero debajo de
la segunda fila. Como queremos un 1 en esa posicin, entonces hacemos las
siguientes operaciones. A la tercera fila le multiplicamos por 1/3:
1 0 15
0 1 101
0 0 1
A la primera fila le sumamos 1/5 veces la tercera fila, a la segunda fila le
JOE GARCIA ARCOS
114
restamos 1/10 veces la tercera fila:

1 0 0
0 1 0 .
0 0 1
Esta ltima matriz es AR, la forma reducida de A. En este caso A R = I.
Hemos obtenido A R a partir de A por una sucesin de operaciones elementales de

filas. Adems, hemos visto que podemos realizar cualquier sucesin de
operaciones elementales de filas en A multiplicando a A por la izquierda por un
producto de matrices elementales. Esto nos indica que dada una matriz A de n x
m. Entonces existen matrices elementales E 1, E 2, ..., E n tales que A R = E n E n-1 ...
E 1 A.
PR O B L E M AS
3.1.1 En las siguientes matrices, efecte la operacin
elemental de filas indicada en A para obtener la matriz
B. Despus encuentre la matriz E tal que E A = B:
1 i 2 3 i
a.- A 2 4 5i 2 ; multiplicar la tercera fila

1 i 2 6 2
por i.
2i 3 4
2 6 7
b.- A
; sumar el producto de la tercera
1 i 3
5 8 4
fila por 1 a la primera fila.
3.1.2 En las siguientes matrices, obtenga una matriz B
a partir de la matriz A dada efectuando la sucesin de
operaciones. Despus obtener una matriz C tal que C A =
B:
2 3 5
i
1 6i 7 8
a.- A
; intercambiar las filas f2 y
1 i 4 6 1 i
i 3 7 4
f4, sumar i veces la segunda fila a la tercera fila, sumar la

primera fila a la tercera fila, multiplicar la segunda fila
por i.
1 2i 3 4 6i
b.- A 7
2 5 4 ; sumar i veces la
i
1 i 3 5
segunda fila a 7 veces la tercera fila, intercambiar las

filas f1 y f3, multiplicar la tercera fila por (1 2 i).
c.- Encuentre una matriz elemental E tal que E B = A;
d.- Encuentre una matriz elemental E tal que E C = A.
3.1.3 E es la matriz elemental que se obtiene al
intercambiar dos filas de I. A es una matriz de n x n:
a.- Cmo se relaciona o compara E A con A?;
b.- Encuentre E 2.
3.1.4 En las siguientes matrices, determine si la matriz
est en forma reducida. Si no lo est, haga una lista de
todas las condiciones de la definicin que no se
cumplen y utilice las operaciones elementales de filas
para reducir la matriz:
1 3 0 5
1 7 5 3
6 0 3 5
a.- A
; b.- A 0 2 0 1 ;
6 2 1 7
0 0 3 1
0
3
1
1
c.- A
0
4
2
0
0
5
2
.
3
3.1.5 Dadas las matrices A, B y

1 2 3
A 0 1 2 , B
1 2 0
C:
1 2 0
0 1 2 ,
1 2 3
0 4 3
0 1 2 .
1 2 0
a.- Encuentre una matriz elemental E tal que E A = B;

b.- Encuentre una matriz elemental E tal que E A = C.
C
3.1.6 D un ejemplo de dos matrices elementales cuyo

producto sea elemental.
3.1.7 Construya E sumando 3 veces la fila e de I a la
fila 4 y calcule E A. Qu efecto produce en A la
multiplicacin izquierda por E? Sera cierta la misma
conclusin para cualquier matriz de 4 x 4? Encuentre
una matriz F tal que la multiplicacin izquierda por F
transforme de nuevo E en I; esto es, F E = I.
JOE GARCIA ARCOS
115
3.2 R A N G O D E U N A M A T R I Z
En esta seccin se introduce la terminologa bsica y se define el rango de una matriz, enuncia mos sus
propiedades mas importantes.

El determinante de una matriz se relaciona de manera importante con el concepto de

rango de una matriz. Para calcular prcticamente el rango de una matriz pueden
seguirse distintos procedimientos. Uno de ellos consiste en comprobar con las dos
primeras filas si existe algn determinante de 2 x 2 no nulo; si ocurre as, se procede
de la misma manera respecto a las tres primeras filas, y de la misma manera hasta
agotar el nmero de filas o encontrar un primer conjunto de menores de k x k que
sean nulos en su totalidad; en el primer caso, el rango es igual al nmero de filas n, y
en el segundo, es k 1.
El rango de una matriz A es el orden de la matriz de mayor orden, cuyo
determinante es diferente de cero que se puede obtener de A al suprimir
filas y/o columnas. Representamos este nmero por Rang( A). Se dice
que A tiene rango 0 si todos sus elementos son cero.
Es evidente que el rango de una matriz de m x n cuando ms puede ser igual al
menor de los nmeros m y n, pero puede ser menor.
T E O R E M A 3.2.1
Sea una matriz A de m x n y sea k un nmero entero positivo. Entonces
Rang(A) t k si la matriz A contiene un subdeterminante distinto de cero de
orden k.
Supongamos que Rang(A) t k. Entonces el rango por filas de la matriz A ser, por lo
menos, k, y as en la matriz A hay k filas linealmente independientes. Numeremos
estas filas con f1, f2, ..., fk y sea B la matriz k x n en la que la fila i-sima sea la fila fi
de la matriz A. Entonces, el rango por filas de B ha de ser k y, por lo tanto, Rang(B)
= k. De esto se desprende que el rango por columnas de B sea k y que, por lo tanto, B
contenga k columnas linealmente independientes. Consideremos la matriz C
cuadrada de orden k que conste de esas columnas. Las columnas de C son
linealmente independientes y, por lo tanto, Rang(C) = k. Por consiguiente Det(C) z
0. Puesto que C es una submatriz de A, hemos demostrado que A debe contener un
subdeterminante de orden k distinto de cero.
Una matriz A de m x n (m t n) posee un subdeterminante de n-1 x n-1 no nulo; todos
los subdeterminantes de n x n son nulos, entonces todos los subdeterminantes de
n x n de la matriz A son iguales a cero y, por consiguiente, el rango de la matriz A es
n-1.
T E O R E M A 3.2.2
El rango de una matriz A de m x n, ser igual a k si hay por lo menos un
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los dems subdeterminantes de A de k + 1 x k + 1 son cero.
Si Rang(A) = k, entonces la matriz A contendr un subdeterminante de k x k distinto
de cero. Adems, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser as, su rango no podra ser menor que k + 1.
EJ E M P L O 3.2.1
Hallar los valores del parmetro k, para que la matriz A tenga rango mximo.
Cunto es el rango para los otros valores de k?
JOE GARCIA ARCOS
116
k
0
0
2k
k 3
k 2 2k 4 0
k k 3
0
0
0
1
0 k 1
a.-
; b.-
.
k
2 k 3 k 1 k
k 1 k 1 k 1
1 k 1 k 3 k
k 1 0 2k 1
k
0
SO L U C I O N
a.- La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 3
k
0
0
k 3 0
0
k
0
0
k k 3 0
0
( k 3) k 1 k 1 k 1 k k k 1 k 1
k
k 1 k 1 k 1
1 k 1 k 3 k
k 1 k 3 k
k
1 k 1 k 3 k
36
Como 36 z 0, entonces la matriz tiene rango mximo si k .

b.- La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4 2k
0
1 0 k 1
0
1 k 1 k 3 ( k 2) z 0 .
2 k 3 k 1 k
0
k 1 2k 1
0
k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto
k = - 2:
0 0 0 4 0 0 0 4 0

0 1 0 1 | 0 1 0 1 | 0
2 1 2 1 2 0 2 0 2

0 1 0 3 0 0 0 4 0
Rang(A) = 3. Cuando k = 0:
2 4 0 0 2 4 0 0 2

0 1 0 1 | 0 1 0 1 | 0
2 3 0 1 0 1 0 1 0

0 1 0 1 0 1 0 1 0
k \ {-2, 0}. Cuando

0
1
0
0
4
1
0
0
0
0
2
0
1
0
0 0
0 1
0 0
0 0
Rang(A) = 2.
T E O R E M A 3.2.3
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los dems subdeterminantes de A de k + 1 x k + 1 son cero.
Si Rang(A) = k, entonces la matriz A contendr un subdeterminante de k x k distinto
de cero. Adems, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser as, su rango no podra ser menor que k + 1.
EJ E M P L O 3.2.2
Calcular el rango de la matriz
A
2 1 3 2 4
4 2 5 1 7 .
2 1 1 8 2
SO L U C I O N
Utilizaremos la definicin, es decir:
2 4
18
1 7
Como este menor es diferente de cero, procedemos a tomar un menor de mayor
JOE GARCIA ARCOS
117
orden:
3 2 4
1 2 4
2 2 4
5 1 7
2 1 7
4 1 7
0
1 8 2
1 8 2
2 8 2
Como todos los menores de tercer orden son iguales a cero, entonces concluimos que
Rang(A) = 2.
El nmero de filas distintas de cero de una matriz A en la forma reducida se
denomina rango de la matriz A.
Si A es una matriz de n x m, obviamente Rang(A) d n. Adems, como A R es una
matriz reducida su rango es el nmero de sus filas distintas de cero; por lo tanto
Rang(A) es igual al nmero de filas de A R no nulas. Sea una matriz A de m x n y sea
k un nmero entero positivo. Entonces Rang(A) t k si la matriz A contiene un
subdeterminante distinto de cero de orden k.
subdeterminante de A de k x k que sea distinto de cero mientras que todos los dems
subdeterminantes de A de k + 1 x k + 1 son cero.
T E O R E M A 3.2.3
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
Demostremos que una operacin elemental no puede aumentar el rango k de una
matriz A. Si A tiene el mximo rango posible, esto es evidente. Sea k menor y
considrese cualquier submatriz cuadrada B de A con k + 1 filas. Por definicin de
rango Det(B) = 0. Sea C la matriz obtenida a partir de B aplicando una operacin
elemental a A. Si C = B, entonces Det(C) = 0. Sea C = B:
a.- Supngase la operacin de intercambio de dos filas de A. Si los dos tienen
elementos en B, entonces Det(C) = -Det(B). En caso contrario, C es igual a otra
submatriz cuadrada de A con k + 1 filas. De aqu que Det(C) = 0.
b.- Bajo la operacin elemental de la multiplicacin de una fila de A por un nmero
r diferente de cero, se tiene
Det(C) = rDet(B) = 0.
c.- Bajo la adicin de un mltiplo constante de una fila de A a otra fila, la matriz C
difiere de la B en una fila, digamos c, de la forma c = b + ra, donde b es la fila
correspondiente de B. As se tiene
Det(C) = Det(B) + rDet(D) = rDet(D),
donde D, tiene dos filas idnticas, o bien, es una submatriz cuadrada con k + 1 filas
de la matriz A.
En cualquier caso,
Det(D) = 0 y Det(C) = 0.
Esto completa la demostracin de que una operacin elemental no puede aumentar el
rango de una matriz A. Vamos a demostrar ahora que una operacin elemental no
puede disminuir ese rango. Por inversa de una operacin elemental se entiende la
operacin que deshace el efecto de la operacin dada. Esa inversa existe y es una
operacin elemental. De aqu que, si una operacin elemental pudiera disminuir el
rango, su inversa lo aumentara, pero esto es imposible por lo que acaba de
demostrarse.
Este teorema implica que si se desea determinar el rango de una matriz dada, primero
puede simplificarse la matriz por medio de operaciones elementales. Ms importante,
este teorema servir de base para el estudio de los sistemas de ecuaciones lineales.
JOE GARCIA ARCOS
118
EJ E M P L O 3.2.3
Hallar los valores del parmetro k, para que la matriz
2k
k 2 2k 4 0
0

1
0

k
1
A =
2 k 3 k 1 k
k 1 0 2k 1
0
tenga rango mximo. Cunto es el rango para los otros valores de k?
SO L U C I O N
La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4
2k
0
1 0 k 1
=k 0
1
k 1 = k3(k + 2) z 0.
2 k 3 k 1 k
0
k 1 2k 1
0
k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto k \ {-2, 0}. Cuando
k = - 2:
0 0 0 4 0 0 0 4 0 0 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1 Rang(A) = 3.
2 1 2 1 2 0 2 0 2 0 2 0
0 1 0 3 0 0 0 4 0 0 0 4
Cuando k = 0:
2 4 0 0 2 4 0 0 2 4 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1 Rang(A) = 2.
2 3 0 1 0 1 0 1 0 0 0 0
0 1 0 1 0 1 0 1 0 0 0 0
T E O R E M A 3.2.4
Sea A una matriz de n x n. Entonces Rang(A) = n si y slo si A R = I.
Si A R = I, entonces la matriz A R tiene n filas no nulas; por lo tanto Rang(A) = n.
Recprocamente, supongamos que Rang(A) = n. Entonces A R tiene exactamente n
filas no nulas y por lo tanto no tiene filas nulas. Toda fila de A R tiene elemento
principal 1. A R tiene cada elemento de la diagonal principal igual a 1. Todos los
elementos de la columna c j por encima y debajo de la diagonal principal son nulos.
Por lo tanto, A R = I.
T E O R E M A 3.2.5
El rango del producto de varias matrices no es superior al rango de cada
uno de los factores.
Sean dadas las matrices A y B, para las cuales tiene sentido el producto A B;
emplearemos la notacin A B = C. Veamos la definicin del producto de matrices,
que da la expresin de los elementos de la matriz C. Tomando esta frmula para un k
dado y todos los i posibles, obtenemos que la k-sima columna de la matriz C
representa una suma de todas las columnas de la matriz A, tomadas con ciertos
coeficientes.
De este modo, queda demostrado que el sistema de columnas de la matriz C se
expresa linealmente mediante el sistema de columnas de la matriz A, y, por
consiguiente, el rango del primer sistema es menor o igual al rango del segundo
sistema; en otras palabras, el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, como de la definicin, para un i dado y todos los k, se
deduce que toda i-sima fila de la matriz C es combinacin lineal de las filas de la
JOE GARCIA ARCOS
119
matriz B, con razonamientos anlogos obtenemos que el rango de C no es mayor

que el rango de B.
T E O R E M A 3.2.6
El rango de la transpuesta de una matriz es el mismo que el de la matriz
dada.
Sea Rang(A) = k y sea B una submatriz cuadrada de A con k filas y Det(B) z 0.
Evidentemente B T es una submatriz de A T. Por lo tanto
Det(B T) = Det(B).
T
De donde Rang(A ) t k. Por otra parte, si A contiene una submatriz cuadrada C de k
+ 1 filas, entonces, por definicin de rango, Det(C) = 0. Como C corresponde a C T
en A T y Det(C T) = 0, se concluye que A T no puede contener una submatriz cuadrada
de k + 1 filas con un determinante diferente de cero. Como consecuencia, Rang(A T)
d k. En conjunto, Rang(A T) = k y se completa la demostracin.
% CALCULO DEL RANGO DE UNA MATRIZ
clc;clear;
fprintf('\nRANGO DE UNA MATRIZ \n')
fil=input('Ingrese el numero de filas de la Matriz A: ');
col=input('Ingrese el numero de columnas de la Matriz A: ');
for f=1:fil
for c=1:col
A(f,c)=input(' :');
end
end
fprintf('\nLA MATRIZ A ES:\n')
A
fprintf('LA MATRIZ REDUCIDA ES:\n')
R=rref(A)
fprintf('EL RANGO DE LA MATRIZ ES:\n')
RangA=rank(R)
end
EJ E M P L O 3.2.4
Demostrar que la matriz A que posee la propiedad A 2 = I, puede representarse en la
forma PBP-1, donde P es una matriz no singular y B es una matriz diagonal cuyos
elementos son todos iguales a r1.
SO L U C I O N
El rango de la matriz (I + A I A) es igual a n. Elijamos de esta matriz una matriz
cuadrada no singular P de orden n, y supongamos que sus primeras r columnas
pertenecen a la matriz I + A y las dems n r columnas pertenecen a la matriz I A.
Entonces, como (I + A)(I A) = O, se tiene
q11 q12 ... q1r 0 0 ... 0
q
q22 ... q2 r 0 0 ... 0
( I + A ) P 21
;
...
...
... ... ...
...
q
n1 qn 2 ... qnr 0 0 ... 0

0
0
(I - A )P
...
0 ... 0 q1, r 1
0 ... 0 q2, r 1
...
...
...
0 ... 0 qn, r 1
q1, r 2 ... q1n
q2, r 2 ... q2 n
.
...
...
qn, r 2 ... qnn
Sumando estas igualdades, resulta
JOE GARCIA ARCOS
120
q11
q21
2P
...
qn1
q12 ... q1r

q22 ... q2 r
...
...
qn 2 ... qnr
q1, r 1 q1, r 2 ... q1n
q2, r 1 q2, r 2 ... q2 n

.
...
...
...
qn, r 1 qn, r 2 ... qnn
q12 ... q1r

q22 ... q2 r
...
...
qn 2 ... qnr
q1, r 1
q2, r 1
...
qn, r 1
Restando, se obtiene
q11
q21
2 AP
...
qn1
q1, r 2
q2, r 2
...
qn, r 2
... q1n
... q2 n
...
... qnn
1
2P
.
1
Con esto se deduce inmediatamente lo que se quera demostrar.
EJ E M P L O 3.2.5
Demostrar que si todos los menores principales de k-simo orden de la matriz A T A
son iguales a cero, los rangos de las matrices A T A y A son menores que k. Aqu A es
una matriz real y A T es la matriz transpuesta de ella.
SO L U C I O N
Si todos los menores principales de k-simo orden de la matriz A T A son iguales a 0,
entonces todos los menores de orden k de la matriz A son iguales a 0. Por
consiguiente, el rango de la matriz A, y junto con l tambin el rango de la matriz
A T A, es menor que k.
EJ E M P L O 3.2.6
Demostrar que el rango del producto de dos matrices cuadradas de orden n no es
inferior a r1 + r2 n, donde r1 y r2 son los rangos de los factores.
SO L U C I O N
Sea A = P1 R 1 Q 1, B = P2 R 2 Q 2, donde P1, Q 1, P2, Q 2 son matrices no singulares y R 1,
R 2 son matrices que tienen r1 y r2 unidades en la diagonal principal, respectivamente,
y los dems elementos son iguales a 0. Entonces A B = P1 R 1 Q 1P2 R 2 Q 2 y el rango de
A B es igual al rango de R 1 C R 2, donde C = Q 1P2 es una matriz no singular, la matriz
R 1 C R 2 se obtiene de la matriz C sustituyendo todos los elementos de las ltimas
n r1 filas y n r2 columnas por ceros. Como la eliminacin de una fila o una
columna rebaja el rango de la matriz no ms que en una unidad, el rango de R 1 C R 2
no es menor que n (n r1) (n r2) = r1 + r2 n.
EJ E M P L O 3.2.7
Demostrar que si A 2 = I, entonces Rang(I + A) + Rang(I A) = n, donde n es el
orden de la matriz A.
SO L U C I O N
Sea Rang(I + A) = r1, Rang(I A) = r2. Como (I + A) + (I A) = 2I, se tiene r1 + r2
t n. Por otra parte, (I + A)(I A) = O, por lo cual 0 t r1 + r2 n. Por consiguiente,
r1 + r2 = n.
EJ E M P L O 3.2.8
Sea A una matriz rectangular de elementos complejos y sea A + la matriz transpuesta
de la matriz compleja conjugada de A. Demostrar que el determinante de la matriz
A + A es un nmero real no negativo y que este determinante es igual a 0, si y slo si,
JOE GARCIA ARCOS
121
el rango de A es menor que el nmero de columnas.

SO L U C I O N
El determinante de A + A es igual a la suma de los cuadrados de los mdulos de todos
los menores de orden m de la matriz A, donde m es el nmero de columnas de la
matriz A.
PR O B L E M AS
3.2.1 Demuestre que cualquier matriz de rango r puede
representar en forma de una suma de r matrices de rango 1,
pero no se puede representar en forma de una suma
inferior a r de semejantes matrices.
3.2.2 Demuestre que si el rango de la matriz A es igual a
r, el menor d que se encuentra en la interseccin de
cualesquiera r filas linealmente independientes y r
columnas linealmente independientes de esta matriz, es
diferente de cero.
3.2.3 Demuestre que el rango de una matriz antisimtrica
es un nmero par.
3.2.4 Encuentre una matriz involutoria de 3 x 3, para la
cual Rang(I A) + Rang(I + A) = 3.
3.2.5 Calcular el rango de la matriz:
0 116
39
0
75
171 69 402 123

45
a.-
;
301 0
87 417 169
30
114 46 268 82
1
0
b.- 0
1
4
2
c.- 2
6
1
0
1
0
2
5
0 1 4
0 2 5
1 3 6 ;
3 14 32
6 32 77
2 3 1 1
1 1 0 2
5 8 4 3
0 1 2 7
1 1 1 2
2
2
1 .
5
1
3.2.6 Para cualquier matriz B con elementos reales o

complejos todos los menores principales de la matriz A =
B B + son no negativos y el rango de A es igual al rango de
B.
3.2.7 D un ejemplo de matrices A y B del mismo orden
tales que cumplan lo siguiente:
a.- Rang(A + B) < Rang(A) y Rang(A + B) < Rang(B);
b.- Rang(A + B) = Rang(A) y Rang(A + B) = Rang(B);
c.- Rang(A + B) > Rang(A) y Rang(A + B) > Rang(B).
3.2.8 Calcular el rango de la matriz:

2 1 1 3 4
2 1 2 1 2
2 3 1 2 2
a.-
;
1 0 1 2 6
1 2 1 1 0
4 1 3 1 8
1 1 2
0 1 1
1 0 1
b.-
1 1 0
2 0 0
1 1 0
0 0
2 0
0 2
0 1
1 1
1 1
0 4 10 1
4 8 18 7
c.-
;
10 18 40 17
1 7 17 3
1
1
;
2
1
2
1
3
2
d.-
2
7
4
3 6 8
6 9 2
5 8 0
4 6 3
0 1 9
3 8 9
1
0
;
5
3
4
1 1 2 3
0
2 1 1 2
e.- 1 2 1 1
3 .
1 5 8 5 12
3 7 8 9 13
3.2.9 Demuestre que el rango de la suma de dos matrices

no es superior a la suma de los rangos de las matrices que
se suman, es decir
Rang(A + B) d Rang(A) + Rang(B).
3.2.10 Demuestre que si una matriz est compuesta de m
filas y su rango es r, cualesquiera s de sus filas forman
una matriz, cuyo rango no es inferior a r + s - m.
3.2.11 Encuentre matrices A y B de 3 x 3 tales que A B =
O y Rang(A) + Rang(B) d 3, con la particularidad de que
para cualquier matriz dada A puede elegirse la matriz B
de manera tal que Rang(A) + Rang(B) = k, donde k es
cualquier nmero entero que satisface la condicin
Rang(A) d k d 3.
JOE GARCIA ARCOS
122
3.2.12 Determine el rango de la matriz real dada para los

distintos valores del parmetro k :
k 2k 1 3 1
k 0 1 1
1
1
1 1
1 2 0 2
a.-
; b.-
;
0
0 3 2 0
1 0 1
5
3 k
3
1 k 3 k
k 1 2
1
1 k
1
1
c.- 2 1 k 5 ; d.- 2
2k
2 ;
1 10 6 1
3 k
3
3
1 k 2
k
0
2
k ;
e.- k 1 k
2
0

k
1

k
3.2.13 Demuestre que cualquier matriz A de rango r

puede representarse en forma de un producto A = PR Q,
donde P y Q son matrices no singulares y R es una matriz
rectangular de las mismas dimensiones que A, en cuya
diagonal principal los primeros r elementos son iguales a
la unidad, mientras que todos los dems elementos son
nulos.
k 1 2
f.- 2 k 2 .
1 k 1
3.3 I N V E RSA D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la inversa de una matriz cuadrada, enunciamos sus
propiedades mas importantes.

El determinante de una matriz se relaciona de manera importante con el concepto de

no singularidad de una matriz.
Sea A una matriz cuadrada de n x n, si existe una matriz B de n x n tal
que A B = I se considera que B es una inversa por la derecha de A. Si
existe una matriz C de n x n tal que C A = I se dice que C es una
inversa por la izquierda de A.
Sea A una matriz de n x n. Si B es una matriz de n x n tal que A B = I y
B A = I, donde I es la matriz identidad de n x n, entonces se dice que la
matriz B es una inversa de la matriz A y se representa por B = A -1.
Adems podemos decir que toda matriz cuadrada A de n x n se
denomina singular, si su determinante es igual a cero; en caso contrario,
se denomina no singular.
T E O R E M A 3.3.1
Si una matriz A de n x n tiene inversa, entonces ella es nica.
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto demostramos que la inversa de una matriz es nica.
EJ E M P L O 3.3.1
Sean A y B matrices de n x n tales que A B = I. Demuestre que
Det(A) z 0 y Det(B) z 0.
SO L U C I O N
Suponga que A y B son matrices de n x n tales que A B = I. Entonces, se sabe que
Det(A B) = 1. Si Det(A) = 0, entonces se concluye que Det(A B) = Det(A)Det(B) = 0,
lo cual es una contradiccin. Por consiguiente es posible concluir que Det(A) z 0. Si
JOE GARCIA ARCOS
123
Det(B) = 0, se obtiene una contradiccin semejante.

EJ E M P L O 3.3.2
Para toda matriz A de n x n, no singular se cumple que
1
.
Det( A -1 ) =
Det( A )
SO L U C I O N
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que Det(A -1)Det(A) = 1. Como Det(A) = 0, la demostracin puede completarse
dividiendo entre Det(A), es decir
1
.
Det( A -1 ) =
Det( A )
T E O R E M A 3.3.2
Si A y B son matrices no singulares, entonces:
a.- A B es no singular y (A B)-1 = B -1 A -1.
b.- A -1 es no singular y (A -1)-1 = A.
c.- Para k z 0, k A es no singular y (k A)-1 = k-1 A -1.
a.- Como A y B son matrices no singulares, existen A -1 y B -1. Ahora calculamos
(A B)(B -1 A -1) = A(BB -1)A -1 = A I A -1 = A A -1 = I
(B -1 A -1)(A B) = B -1(A -1 A)B = B -1 IB = B -1 B = I
-1 -1
Por lo tanto B A es la inversa de A B.
b.- De la definicin de matriz inversa y la unicidad se sigue que
(A -1)-1 = A.
c.- Por las propiedades de las matrices, obtenemos
(k-1 A -1)(k A) = (k-1k)A -1 A = 1I = I
(k A)(k-1 A -1) = (kk-1)A A -1 = 1I = I
con lo que podemos decir que (k A)-1 = k-1 A -1.
EJ E M P L O 3.3.3
Dadas las matrices A y B de n x n. Demuestre que (A T B T)-1 = (A -1 B -1)T, donde A y B
son matrices no singulares.
SO L U C I O N
Si A y B son matrices no singulares, entonces:
(A T B T)(A -1 B -1)T = A T B T(B -1)T(A -1)T = A T B T(B T)-1(A T)-1 = A T(A T)-1 = I
(A -1 B -1)T(A T B T) = (B -1)T(A -1)T A T B T = (B T)-1(A T)-1 A T B T = (B T)-1 B T = I
y, por tanto (A -1 B -1)T es la inversa de la matriz A T B T.
T E O R E M A 3.3.3
Si A = A 1 A 2 ... A n y A 1, A 2, ..., A n son todas matrices no singulares,
entonces A es no singular y A -1 = (A 1 A 2 ... A n)-1 = A -1n ... A -12 A -11.
En el producto
(A -11 ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 A -11 A 1 A 2 ... A n
-1
como A i A i = I, entonces
(A -1n ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 I A 2 ... A n
= A -1n ... A -12 A 2 ... A n
= A -1n ... I ... A n
= A -1n ... A n
I.
Del mismo modo demostramos que
(A 1 A 2 ... A n)(A -1n ... A -12 A -11) = A 1 A 2 ... A n A -1n ... A -12 A -11
= A 1 A 2 ... I... A -12 A -11
= A 1 ... A -11
JOE GARCIA ARCOS
124
= ... = I.
Con lo cual queda demostrado que los dos productos son inversos uno del otro.
T E O R E M A 3.3.4
Para toda matriz A de n x n, no singular se cumple que
1
.
Det( A -1 ) =
Det( A )
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que
Det(A -1)Det(A) = 1.
Como Det(A) = 0, la demostracin puede completarse dividiendo entre Det(A), es
decir
1
.
Det( A -1 ) =
Det( A )
EJ E M P L O 3.3.4
Si A y B son matrices de n x n con B no singular, demuestre que
Det(A) = Det(B -1 A B).
SO L U C I O N
Haciendo uso de la propiedad del producto de determinantes, tenemos
Det(B -1 A B) = Det(B -1)Det(A)Det(B)
= Det(A)Det(B -1)Det(B)
1
= Det(A)
Det(B) = Det(A).
Det( B )
EJ E M P L O 3.3.5
Demuestre que el rango del producto a la derecha y a la izquierda de una matriz A
por una matriz cuadrada no singular B, es igual al rango de la matriz A.
SO L U C I O N
Sea A B = C. Sabemos que el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, multiplicando a la derecha la igualdad A B = C por B -1,
llegamos a la igualdad A = C B -1 y, por consiguiente, el rango de A no es mayor que
el rango de C. Comparando estos dos resultados obtenemos la coincidencia de los
rangos de las matrices A y C.
EJ E M P L O 3.3.6
Demuestre que si A es una matriz de rango 1, por lo menos una de las matrices I + A
y I A es no singular.
SO L U C I O N
Sea la matriz A con Rang(A) = 1:
a11 a12 ... a1n
0
0 ... 0
A
.
... ...
...
0 ... 0
0
Entonces
1 a11 a12 ... a1n
0
1 ... 0
I+A
.
...
...
...
0 ... 1
0
Como la matriz I + A es triangular, entonces Det(I + A) = 1 + a11 z 0, por lo tanto la
matriz I + A es no singular.
JOE GARCIA ARCOS
125
T E O R E M A 3.3.5
Sean A y B matrices no singulares y conmutativas, entonces:
A -m B -n = B -n A -m m, n .
Si A B = B A, entonces A B B A = O. Ya que B es no singular, B -1 existe, y, por
tanto
B -1 A B = A -1 B A = A
Adems
B -1 A B B -1 = A B -1.
De la misma manera, puede encontrase que
A -1 B = B A -1.
De donde deducimos fcilmente que A -m B -n = B -n A -m.
T E O R E M A 3.3.6
Sea T una matriz triangular no singular; su inversa es triangular con la
misma estructura.
Sea T triangular inferior; su inversa T -1 cumplir T T -1 = T -1 T = I ya que I al ser
diagonal es triangular inferior, T -1 debe ser, asimismo, triangular inferior. Los
elementos de T -1 pueden calcularse con facilidad planteando el sistema asociado
al producto T T -1. En efecto se tendr
tik t 1kj dij
k
la suma slo tendr sentido para los trminos en los cuales i t k t j; luego
t
tik t 1kj
k j
d ij .
Una matriz A de orden n, se llama ortogonal cuando el producto de la
matriz A por su matriz transpuesta A T es la matriz identidad I, es decir
A A T = I.
E J E M P L O 3.3.7
Demostrar que el determinante de una matriz ortogonal es igual a 1.
SO L U C I O N
Si A es una matriz ortogonal, entonces por definicin A T = A -1, por tanto
T
T
T
2
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1

.
T
T
T
2
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1

De esto podemos concluir que Det(A) = 1.
Una matriz A de orden n, se llama unitaria cuando el producto de la matriz
A por su matriz transpuesta conjugada A + es la matriz identidad I, es decir
A A + = I.
EJ E M P L O 3.3.8
Demuestre que el determinante de una matriz unitaria tiene mdulo igual a 1.
SO L U C I O N
Si A es una matriz unitaria, entonces por definicin A + = A -1, por tanto
A A + = I Det( A A + ) = Det( I ) Det( A )Det( A + ) = 1 Det( A ) 2 = 1
.
+
+
+
2
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 Det( A ) = 1

De esto podemos concluir que el mdulo del determinante de la matriz A es igual a
1.
JOE GARCIA ARCOS
126
EJ E M P L O 3.3.9
Demuestre que la inversa de una matriz es nica.
SO L U C I O N
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto se demuestra que la inversa de una matriz es nica.
EJ E M P L O 3.3.10
Si A es una matriz no singular y k z 0 es un escalar, entonces
1 1
( k A )1
A .
k
SO L U C I O N
Aplicamos las propiedades de la multiplicacin escalar. Debido a que
1
1
1
1
( k A ) A 1 k A A -1 = 1 I = I y A 1 ( k A ) k A -1 A = 1 I = I
k
k
k
k
1 1
se concluye que A es la inversa de k A.
k
EJ E M P L O 3.3.11
Si A y B son matrices no singulares de n x n, entonces A B es no singular y
(A B)-1 = B -1 A -1.
SO L U C I O N
Para demostrar que B -1 A -1 es la inversa de A B, basta demostrar que se ajusta a la
definicin de matriz inversa. Es decir:
-1 -1
-1
-1
-1
-1
-1
( A B )( B A ) = A ( B B ) A = A I A = ( A I ) A = A A = I
-1 -1
-1
-1
-1
-1
-1
( B A )( A B ) = B ( A A ) B = B I B = B ( I B ) = B B = I
de esta manera concluimos que A B es no singular y que su inversa es B -1 A -1.
EJ E M P L O 3.3.12
Sean A y B matrices de n x n con B no singular. D un ejemplo para el que B -1 A B z
A. Luego, demuestre que Det(B -1 A B) = Det(A).
SO L U C I O N
Haciendo
2
1 2
2 1
-27 -49
-1 -5
-1
B =
, B =
, A =
, B AB =
.
3 5
3 -1
-1 0
16 29
Det(B -1 A B) = Det(B -1)Det(A)Det(B) = Det(B -1)Det(B)Det(A)
1
=
Det(B)Det(A) = Det(A).
Det( B )
EJ E M P L O 3.3.13
Suponga que en una hipermatriz cuadrada
A B
M =
C D
una submatriz A es cuadrada y no singular. Demuestre que el determinante de la
matriz M cumple la relacin Det(M) = Det(A)Det(D C A -1 B).
SO L U C I O N
Representamos la matriz M bajo la forma de un producto
E O J K A B
M = PQ =
F H O L C D
JOE GARCIA ARCOS
127
Si J = I E I = A E = A
EJ + O = A
E K + O L = B
-1
AK = B K = A B
FJ + H O = C
FI = C F = C
F K + H L = D
Si H = I C A -1 B + I L = D L = D - C A -1 B
Por tanto
A -1 B
A O I
M =
C I O D - C A -1 B
donde k es el orden de la matriz A, k + r es el orden de la matriz M. Entonces
Det(M) = Det(A I O C)Det(I(D C A -1 B) A -1 B O)
= Det(A O)Det(D C A -1 B O)
= Det(A)Det(D C A -1 B).
EJ E M P L O 3.3.14
Si Det(A) y Det(B) son nmeros racionales, qu puede decirse respecto a Det(A B) y
a Det(C A C -1) si C es no singular.
SO L U C I O N
r
p
Sabemos que Det( A ) = y Det( B ) = , entonces
s
q
p r ps + qr
Det( A B ) = Det( A )Det( B ) = + =
q s
qs
es tambin un nmero racional. De forma anloga, tenemos
1
Det( C A C -1 ) = Det( C )Det( A )Det( C -1 ) = Det( C )Det( A )
= Det( A ) .
Det( C )
Por lo tanto, por las hiptesis tambin es un nmero racional.
EJ E M P L O 3.3.15
Si A y B son matrices no singulares, muestre que Det(A B A -1 B -1) = 1.
SO L U C I O N
Dado que A y B son matrices no singulares, se cumple lo siguiente:
Det( A B A -1 B -1 ) = Det( A )Det( B )Det( A -1 )Det( B -1 )
1
1
= Det( A )Det( B )
=1.
Det( A ) Det( B )
EJ E M P L O 3.3.16
Si Det(A) = 1, demuestre que pueden encontrarse matrices no singulares B y C tales
que A = B C B -1 C -1.
SO L U C I O N
Asumiendo que B y C son matrices no singulares, entonces se cumple lo siguiente:
Det( A ) = Det( B C B -1 C -1 ) = Det( B )Det( C )Det( B -1 )Det( C -1 )
1
1
= Det( B )Det( C )
= 1.
Det( B ) Det( C )
De esta manera demostramos que si se pueden encontrar matrices no singulares B y
C.
PR O B L E M AS
3.3.1 Encuentre dos matrices no singulares A y B de
3 x 3, para las cuales las matrices A B y B A no son
semejantes.
3.3.2 Demuestre que si una matriz A es no singular, para

toda matriz B se cumple que
Rang(A B) = Rang(B A) = Rang(B).
JOE GARCIA ARCOS
128
3.3.3 Encuentre dos matrices no singulares A y B de 3 x

3, para las cuales las matrices A B y B A sean semejantes.
3.3.4 Demuestre que al multiplicar la matriz A a la
izquierda o a la derecha por una matriz no singular, su
rango no vara.
3.3.5 Sea B una matriz de rango 1, es decir B 2 = k B para
un cierto nmero k. Suponiendo que k z -1 demuestre que
1
( I + B )-1 = I B.
1+ k
3.3.6 Pruebe que una matriz de n x n es no singular s y
slo si el nico vector columna n x 1 que satisface la
ecuacin matricial A X = O es X = O.
3.3.7 Demuestre que si A es una matriz invertible,
entonces A A T y A T A tambin son invertibles.
3.3.8 Sea A una matriz no singular tal que todos los
elementos de A y A -1 son enteros. Demuestre que
Det(A) = r 1.
3.3.9 Sean A y B matrices de 2 x 2 con B no singular. D
un ejemplo de matrices 2 x 2 para el que B -1 A B z A.
Luego, demuestre que Det(P-1 AP) = Det(A).
3.3.10 De ser posible, encuentre los valores de a , b y c
para que la matriz dada sea invertible:
3
1
1
4
a b
2a
a.- 1
a b c ; b.- 2 b c a ;
3
1
2
1
3
1
4 a c
1
c.- a c b
0 ;
2
3 1
1
1
2
d.- 3 a b c a .
2
0
c
3.3.15 El rango de una matriz no necesariamente

cuadrada, no cambia si se le multiplica por una matriz no
singular.
3.3.16 Sea A = B C una matriz de n x n de rango 1.
Demuestre que existe un nmero k tal que A 2 = k A. Hallar
la expresin del nmero k por medio de los elementos de
matrices B y C.
3.3.17 Demuestre que si A B C = I, entonces B C A = I y
C A B = I.
3.3.16 Pruebe que si A y B son matrices de n x n y A B
es no8singular, entonces A y B son no singulares.
3.3.19 Sean A y B matrices de n x n tales que A B es
singular. Demuestre que A o B es singular.
3.3.20 Pruebe que si A es una matriz de n x n y una fila
de A es mltiplo de otra fila de A, entonces A es singular.
3.3.21 Demuestre que si A es una matriz simtrica
invertible, entonces A -1 es simtrica.
3.3.22 Por medio de induccin matemtica pruebe que,
si una matriz cuadrada A es no singular, entonces
(A n)-1 = (A -1)n para todo entero positivo n.
3.3.23 Suponga que todas las matrices que aparecen en
las ecuaciones siguientes son de n x n. Resuelva para X y
Y, estableciendo cules matrices se supone que son no
singulares:
X + Y = A
X+Y=A
a.-
; b.-
;
X-Y=B
X + BY = C
X + AY = B
c.-
;
X + CY = D
AX + BY = C
d.-
.
DX + E Y = F
3.3.11 Suponiendo que las matrices A y B son no

singulares, demuestre las siguientes igualdades:
a.- (A -1 + B -1)-1 = A(A + B)-1 B;
b.- (I + A B)-1 A = A(I + B A)-1;
c.- (A + B B T)-1 B = A -1 B(I + B T A -1 B)-1.
3.3.24 Demuestre que B es una inversa izquierda para la

matriz A si y slo si B T es inversa derecha para A T.
3.3.12 De ser posible, encuentre la inversa de la matriz

dada:
SenT
CosT
0
SenT
0 .
CosT
SenT CosT SenT CosT 1
3.3.26 Si A, B y C son no singulares, cul es la inversa

de A B -1 C? es A 2 no singular? es A + B no singular?
Mostrar que A -1(A + B)B -1 = A -1 + B -1.
3.3.13 Encuentre dos matrices no singulares cuya suma

sea singular.
3.3.14 Demuestre que si A es nilpotente, entonces A es
singular.
3.3.25 Demuestre que si A 2 = A, entonces A = I o bien A

es singular.
3.3.27 Suponga que A es no singular. Explique por qu

A T A tambin es no singular. Luego demuestre que A -1 =
(A T A)-1 A T.
3.3.28 Suponga que P es no singular y A = PBP-1.
Despeje B en trminos de A.
3.3.29 Si A = B y A -1 existe, es necesario que A -1 = B -1?
JOE GARCIA ARCOS
129
3.3.30 Hallar todos los valores de k que, al multiplicar la

matriz no singular A por los mismos, no cambian su
determinante.
3.3.38 Suponga que A, B y C son matrices no singulares

de orden n. Demuestre que A B C es no singular y que
(A B C)-1 = C -1 B -1 A -1.
3.3.31
En cada una de las matrices siguientes,
determnense los valores de t para los que la matriz es
singular:
1 t
Sent Cost
a.-
; b.-
;
0 1
Cost Sent
3 t t2
1
2 t
c.-
; d.-
;
2t
2 1 t
4
3.3.39 Suponga que A es una matriz cuadrada con

A = -A T y que I - A es no singular, define B como
B = (I + A)(I - A)-1. Demuestre que B T B = BB T = I.
te t e t
e.-
; f. 2e 2t 2t
2
Sen t
1
g.-
.
1
4 Cos 2 t
et
2e t
3e 2t
;
4e 2t
3.3.40 Demostrar que una matriz A no singular y una

matriz B arbitraria verifican la identidad
(A + B)A -1(A B) = (A B)A -1(A + B).
3.3.41 Las matrices A y B estn ligados por la relacin
A B + A + I = O. Demostrar que A es una matriz no
singular y adems A -1 = - I B.
3.3.42 Sean A, B y A + B tres matrices no singulares.
Demuestre que A -1 + B -1 es no singular y que
(A -1 + B -1)-1 = A(A + B)-1 B.
3.3.32 Encuentre los valores del parmetro k, para que la

matriz
k 2 k 2 k 2
k 4 k 3 k 2
k 1 k 1 k 1
k 4 k 3 k 2
k k k
k 4 k 3 k 2

Sea no singular.
3.3.33 Si
a b
y A z r I,
c d
determine las condiciones sobre los elementos de la
matriz, para que A = A -1.
A
3.3.43 Dada la matriz A, de ser posible encuentre una

matriz B de 2 x 2, tales que (A B)-1 = A -1 B -1:
1 2
1 0
a.- A
; b.- A
;
1 1
0 1
c.- A
e.- A
1 1
;
1 1
2i 1
.
1 2
d.- A
i 1
;
1 i
3.3.44 Sean A = B + i C una matriz compleja de n x n;

A -1 = F + i G, la inversa de la matriz A. Demuestre que las
matrices reales de orden 2n
B -C
F -G
C B
G F
son inversas recprocamente.
1 3
. Hallar una matriz B triangular

2 4
superior tal que A B sea ortogonal.
3.3.45 Si C es una matriz no singular, entonces se

cumple lo siguiente:
a.- Si A C = B C, entonces A = B;
b.- Si C A = C B, entonces A = B.
2 5
3.3.35
Sea A 1 3 y sea C
2 4
Compruebe que C A = I. A es no singular?
3.3.46 Sea u un vector unitario en C n. Se define

H = I 2uu+. Demuestre que H es una matriz unitaria y
hermtica de n x n.
3.3.34 Sea A
1 3 1
.
1 0 1
3.3.36 Si A y B son matrices de 2 x 2 y B = C A C , en

donde C es de 2 x 2, demuestre que es posible encontrar
una matriz D de 2 x 2 tal que B = D A D -1.
3.3.47 De ser posible, encuentre D tal que la matriz

3 D
A
.
2 3
sea su propia inversa.
3.3.37 Demustrese que si A es una matriz de n x n,

nilpotente de ndice k, entonces I A es invertible y
( I - A )-1 = I + A + A 2 +... + A k -1 .
3.3.48 Las matrices A y B estn ligadas por la relacin

A B + A + I = O. Demuestre que A es una matriz no
singular y adems A -1 = - I B.
-1
JOE GARCIA ARCOS
130
B O
3.3.49 Sea A =
, donde B y C son matrices
O C
cuadradas. Demuestre que A es no singular s y slo si
tanto B como C son no singulares.
3.3.59 Sea A una matriz de n x n cuyos todos los

elementos son iguales a uno. Demuestre que
1
( I - A )-1 = I
A.
n 1
3.3.50 Suponga que A n = O para alguna n > 1. Encuentre

un inverso de I A.
3.3.60 Hallar la inversa de una matriz A de k + r:

B
I
A = k
.
O Ir
3.3.51 Demuestre que si A 2 = A, entonces

I 2A = (I 2A)-1.
3.3.52 Resuelva la ecuacin A B = B C para A, suponiendo
que A, B y C son matrices cuadradas y que B es no
singular.
3.3.53 Demuestre que si una matriz A es no singular, las
matrices A + B y I + A -1 B todas son singulares o no
singulares.
3.3.54 Use lgebra de matrices para demostrar que si A es
una matriz no singular y C satisface A C = I, entonces
C = A -1.
3.3.55 Suponga que A B = A C, donde B y C son matrices
de n x p y A es no singular. Demuestre que B = C. Es
esto cierto en general si A es singular?
3.3.56 Suponga que A, B y C son matrices no singulares
de n x n. Construyendo una matriz D tal que (A B C)D = I y
D(A B C) = I, demuestre que A B C tambin es no singular.
3.3.57 Encuentre D tal que la matriz A sea no singular:
3 1
A
.
D 1
3.3.58 Encuentre la matriz A dado que
5 2
(3 A )1
.
1 3
3.3.61 Demuestre que si A es triangular superior y no

singular y si B A es triangular superior, entonces B es
triangular superior.
B O
3.3.62 Demustrese que, si A =
es matriz no
C D
singular y si B y D son matrices cuadradas, entonces B
y D son no singulares, y
B -1
O
A -1 =
.
- D -1 C B -1 D -1
3.3.63 Resuelva la ecuacin C -1(A + D)B -1 = I para D,

suponiendo que A, B y C son todas matrices no singulares
de n x n.
3.3.66 Suponga que A y B son matrices de n x n, B es no
singu4ar y A B es no singular. Demuestre que A es no
singular.
3.3.65 Suponga (B C)A = O, donde B y C son matrices
m x n y A es no singular. Demuestre que B = C.
3.3.66 Demuestre que si A, B y C son matrices de n x n
y A B C = I, entonces B es no singular y B -1 = C A.
3.3.67 Demuestre que (B A B -1)(B C B -1) = B(A C)B -1 para
todas las matrices A, C y B no singular.
3.4 M E T O D OS P A R A O B T E N E R L A I N V E RSA D E UN A M A T RI Z
En esta seccin se analizan y desarrollan los mtodos ms importantes para encontrar la inversa de una
matriz, se enuncian las propiedades ms importantes.

I. M E T O D O D E L A M A T RI Z A DJUN T A
A continuacin obtendremos una frmula para determinar la inversa de una
matriz en trminos de su determinante y de los cofactores de sus elementos.
Una matriz Cof(A), cuyos elementos son complementos algebraicos de los
elementos correspondientes de la matriz A de n-simo orden, donde el
complemento algebraico del elemento a ij est situado en la interseccin de
JOE GARCIA ARCOS
131
la j-sima fila y la i-sima columna, se define como la matriz de cofactores

de la matriz A.
EJ E M P L O 3.4.1
Dada la matriz
a 1 1
A = 1 a 1
3 1 b
determine la matriz de cofactores.

SO L U C I O N
Por definicin, la matriz de cofactores esta dada de la siguiente manera:
a 1
1 1
1 a

3 b
3 1
1 b
ab 1 b 3 1 3a
1 1
a 1
a 1

Cof(A) =
= 1 b ab 3 3 a .
3 b
3 1
1 b
1 a a 1 a 2 1
a 1
a 1
1 1
a 1 1 1
1 a
La transpuesta de la matriz de cofactores Cof(A) de los elementos a ij de la
matriz A se denomina matriz adjunta y se denota por Adj(A).
T E O R E M A 3.4.1
Si A es una matriz con determinante diferente de cero y Adj(A) es la matriz
adjunta, entonces
Adj( A )
.
A 1
Det( A )
Sea Det(A) = 0. Demostraremos por induccin que la matriz A es singular. Si n = 1,
entonces Det(A) = 0 implica que A = O. Supongamos que este teorema sea vlido
para todas las matrices cuadradas de n 1 x n 1, es decir, que para una matriz de
este orden un determinante cero implica singularidad, y supongamos que esto no se
verifique para la matriz A, es decir, que A sea no singular a pesar de nuestra
hiptesis de que Det(A) = 0. Obtendremos una contradiccin. Si Det(A) = 0,
entonces A(Adj(A)) = O, y, por lo tanto resultara A -1 AAdj(A) = O, es decir Adj(A)
= O. En otras palabras, todos los menores de la matriz A seran cero. Sea a
continuacin B la matriz n 1 x n 1 que consista en las n 1 primeras filas de A.
Puesto que toda matriz cuadrada de n 1 x n 1 compuesta por n 1 columnas de B
tendr determinante cero, podemos concluir, por la hiptesis de induccin, que cada
una de estas matrices cuadradas de n 1 x n 1 es singular, es decir, que tiene un
rango menor que n 1. Por lo tanto, no puede haber en B ms que n 2 columnas
linealmente independientes y por tanto, no ms de n 2 filas linealmente
independientes. De esta manera resulta que las filas de B y las filas de A son
linealmente dependientes, lo que contradice la suposicin de la no singularidad de A.
Este teorema propone que el rango de una matriz cuadrada de n x n ser n si y slo si
su determinante es distinto de cero. Esto constituye, de hecho, un caso particular de
un hecho ms general, acerca del que hay un teorema que relaciona el rango con los
determinantes.
EJ E M P L O 3.4.2
Demuestre que si Det(A) = 1 y todos los elementos de A son enteros, entonces todos
los elementos de A -1 tambin deben ser enteros.
JOE GARCIA ARCOS
132
SO L U C I O N
Suponga que Det(A) = 1 y que todos los elementos de A son enteros. Lo anterior
implica que todos los elementos de Adj(A) deben ser enteros. Adems, como
1
A -1 =
Adj( A ) = Adj( A )
Det( A )
Podemos concluir que todos los elementos de A -1 deben ser enteros.
EJ E M P L O 3.4.3
Demuestre que si Det(A) = Det(B) z 0, entonces hay una matriz C tal que Det(C) = 1
y A = C B.
SO L U C I O N
Suponga que Det(A) = Det(B) z 0. Entonces B es no singular y al hacer C = A B -1, se
concluye que A = C B y
1
1
Det( C ) = Det( A B -1 ) = Det( A )Det( B -1 ) = Det( A )
= Det( A )
=1.
Det( B )
Det( A )
EJ E M P L O 3.4.4
Si A es una matriz antisimtrica, entonces la matriz Adj( A) es simtrica si n es
impar, y antisimtrica si n es par.
SO L U C I O N
Si A es una matriz antisimtrica. Entonces A T = -A, por tanto
(A T)-1 = (A -1)T = -A -1
1
De (A T)-1, tenemos que A -1 =
Adj( A ) , entonces
Det( A )
1
1
1
( A T )-1 =
(Adj( A ))T =
Adj( A ) = (-1) n
Adj( A ) = - A -1
T
Det(A
)
Det(
A
)
Det( A )
1
pero - A -1 = (-1)
(Adj( A ))T , igualando las ecuaciones
Det( A )
1
1
( A T )-1 = (-1)n
Adj( A ) y - A -1 = (-1)
(Adj( A ))T
Det( A )
Det( A )
obtenemos
1
1
(-1)n
Adj( A ) = (-1)
(Adj( A ))T .
Det( A )
Det( A )
Si n es par, entonces n = 2p, y
(-1)2p-1Adj(A) = (Adj(A))T - Adj(A) = (Adj(A))T,
por lo tanto, es antisimtrica. Si n es impar, es decir n = 2p + 1, entonces
(-1)2p+1-1Adj(A) = (Adj(A))T (-1)2pAdj(A) = (Adj(A))T Adj(A) = (Adj(A))T
por lo tanto, es simtrica.
EJ E M P L O 3.4.5
Dada una matriz A no singular de n x n. Suponga que n t 3. Demostrar que
Det(Adj(A)) = (Det(A))n-1.
SO L U C I O N
Suponga que A es una matriz de n x n. Como Adj(A) = A -1Det(A),
se concluye que
Det(Adj(A)) = Det(A -1Det(A)) = (Det(A))nDet(A -1)
1
= (Det(A))n
= (Det(A))n-1.
Det( A )
EJ E M P L O 3.4.6
Demuestre que si A es una matriz no singular de n x n, entonces se cumple que
Adj(A -1) = (Adj(A))-1.
JOE GARCIA ARCOS
133
SO L U C I O N
Suponga que A es una matriz no singular de n x n. Como Adj(A -1) = ADet(A -1) y
1
(Adj( A ))-1 = ( A -1 Det( A ))-1 =
A = A Det( A -1 )
Det( A )
se concluye que Adj(A -1) = (Adj(A))-1.
EJ E M P L O 3.4.7
Demuestre que si Det(A) = 1, entonces Adj(Adj(A)) = A.
SO L U C I O N
Como Det(A) z 0, entonces existe la inversa de A, es decir:
Adj( A)
Adj(A) = (Det(A))A -1 = A -1.
A -1 =
Det( A)
Por lo tanto
A
Adj(Adj( A )) = Adj( A -1 ) = Det( A -1 )( A -1 )-1 =
=A.
Det( A )
EJ E M P L O 3.4.8
Hallar la inversa de la matriz
1
1 2 -1
a.- A = 2 5 4 ; b.- A = 1
5
3 7 4
SO L U C I O N
a.- Como Det(A) = 1, entonces:
5
7
2
(Cof( A ))T = 3
2
3
2 -3
-2 1 .
-2 -3
4
4
4
4
5
7
2
7
-1
4
1 -1
3 4
-
1 2
3 7
-1
4
1 -1
2 4
1 2
2 5
2
5
Por lo tanto,
-8 -15 13
A = 4
7 -6 .
-1 -1 1
b.- Como Det(A) = 0, entonces la matriz A es singular, es decir A no admite inversa.

-1
I I. OPE R A C I O N ES E L E M E N T A L ES
Usando el mtodo de operaciones elementales, los clculos se realizan
convenientemente en la matriz aumentada ms grande, formada combinando las
matrices. Para la matriz dada A de n-simo orden construimos una matriz rectangular
(A~I) de dimensin (n x 2n), aadiendo a la derecha de A una matriz unidad. Luego,
haciendo uso de las transformaciones elementales sobre las filas, reducimos la matriz
(A~I) a la forma (I~B), lo que es siempre posible, si A es regular. En este caso
B = A -1.
a11 a12 ... a1n 1 0 ... 0
a21 a22 ... a2 n 0 1 ... 0 .

...
...
... ... ...
...
an1 an 2 ... ann 0 0 ... 1

Cuando hacemos las operaciones elementales de filas para reducir a A en el lado
JOE GARCIA ARCOS
134
derecho de (I |A) tambin las hacemos en el lado izquierdo. Por lo tanto, hacemos
en I exactamente las operaciones elementales de filas utilizadas para reducir a A.
Esto produce una matriz C que es un producto de matrices elementales cada una
efectuando una de las operaciones utilizadas para reducir a A. Por lo tanto, sea o
no A R = I tenemos C A = A R. Cuando A R = I, C debe ser A -1.
T E O R E M A 3.7.3
Sea A una matriz de n x n. Entonces A es no singular si y slo si
Rang(A) = n.
Consideremos la ecuacin A B = I, con B una matriz de incgnitas de n x n que
queremos resolver. Si A B = I, la columna c j de A B es igual a la columna c j de I, en la
que la ltima matriz columna tiene un 1 en la fila fj y cero en los dems. Por tanto, la
columna c j de B se encuentra con el sistema de ecuaciones A X = C, donde la matriz
C tiene un 1 en la fila fj. Ahora supongamos que Rang(A) = n. Entonces el sistema
A X = C tiene una nica solucin. Por lo tanto, podemos encontrar una nica matriz
B tal que A B = I. Es posible demostrar que tambin B A = I; por lo tanto B es la
inversa de A. Recprocamente, si A es no singular, el sistema A X = C tiene una
nica solucin para j = 1, 2, ..., n, ya que estas soluciones forman las columnas de
A -1. De esta forma podemos concluir que Rang(A) = n.
% ENCUENTRA LA INVERSA DE UNA MATRIZ
clc;clear;
fprintf('\n INVERSA DE UNA MATRIZ \n')
fil=input(' INGRESE EL NUMERO DE FILAS: ');
fprintf(' INGRESE LA MATRIZ \n')
for f=1:fil
for c=1:fil
A(f,c)=input(' :');
end
end
fprintf('\n LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ IDENTIDAD ES:\n')
I=eye(f,c)
end
fprintf(' LA MATRIZ AUMENTADA ES:\n')
B=[A,I]
end

fprintf(' LA MATRIZ REDUCIDA ES:\n')
R=rref(B)

end
if (det(A)==0)
fprintf('LA MATRIZ NO ADMITE INVERSA \n')
else
fprintf(' LA MATRIZ INVERSA ES:\n')
C=A^(-1)
end
EJ E M P L O 3.4.9
Sea A una matriz cuadrada no singular:
a.- Si se intercambian dos filas de A, en qu es comparable la inversa de la matriz
resultante con A -1;
b.- Responda a la pregunta del inciso a) si una fila de A se multiplica por un nmero
k distinto de cero;
c.- Responder a la pregunta del inciso a) si la i-sima fila de A se multiplica por un
nmero k y se suma a la j-sima fila.
JOE GARCIA ARCOS
135
SO L U C I O N
a.- Si B se obtiene de A al intercambiar las filas i y j, entonces B -1 se obtiene de A -1
al intercambiar las columnas i y j.
b.- Si B se obtiene de A al multiplicar la fila i por a z 0, entonces B -1 se obtiene de
A -1 al multiplicar la columna i por 1/a.
c.- Si B se obtiene de A al sumar k veces la fila i a la fila j, entonces B -1 se
obtiene de A -1 al restar k veces la columna j de la columna i.
EJ E M P L O 3.4.10
Hallar la inversa de la siguiente matriz:
2 3 4
A = 8 2 1 .
0 2 4
SO L U C I O N
Comenzaremos el proceso de operaciones elementales, formando la matriz
aumentada:
2 3 4
1 0 0
0 1 0
8 2 1
0 2 4
0 0 1
Luego designamos a la primera fila como fila base y a la segunda fila le restamos
cuatro veces la fila base:
2
3
4
1 0 0
0

10

15

4 1 0
0
2
4
0 0 1
Elegimos la segunda fila como fila base y a la primera fila multiplicada por 10, le
sumamos 3 veces la fila base; a la tercera fila multiplicada por 5, le sumamos la fila
base:
20
0
5
2 3 0
4 1 0
0 10 15
0
0
5
4 1 5
Por ltimo elegimos la tercera fila como fila base. A la primera fila le sumamos la
fila base; a la segunda fila le sumamos 3 veces la fila base:
20
0 0
6 4 5
16 4 15
0 10 0
0
0 5
4 1 5
Dividimos la primera fila para 20, la segunda fila para 10 y la tercera fila para 5:
3
1
1

10
5
4
1 0 0
8
2
3

0 1 0
5
5
2
0 0 1
4
1

1
5
5
De esta manera obtenemos la matriz inversa:

1
1
3
10
5
4
8
2
3
A 1

.
5
5
2
1
4
5
5
JOE GARCIA ARCOS
136
EJ E M P L O 3.4.11
Demuestre que toda matriz elemental es no singular, y la inversa tambin es una
matriz elemental.
SO L U C I O N
Si E es una matriz elemental, entonces E se obtiene al efectuar algunas operaciones
en las filas de I. Sea E 0 la matriz que se obtiene cuando la inversa de esta operacin
se efecta en I. Usando el hecho de que las operaciones inversas en las filas cancelan
mutuamente su efecto, se concluye que E 0 E = E E 0 = I. As, la matriz elemental E 0 es
la inversa de E.
PR O B L E M AS
3.4.1 Si
a b
c d
demuestre que Adj(Adj(A)) = A.
3.4.11 Determine la inversa de la siguiente matriz:

1 a 0 1 0 0 1 0 0
0 1 0 b 1 0 0 1 0 .
0 0 1 0 0 1 0 0 c
3.4.2 Demuestre que si A es una matriz de n x n y

Det(A) = 0, entonces Det(Adj(A)) = 0.
3.4.12 Demuestre que si A es una matriz de n x n y

Det(A) = 0, entonces Det(Adj(A)) = 0.
3.4.3 Si
3.4.13 Demuestre que si A es una matriz cuadrada de n x

n, entonces A(Adj(A)) = (Adj(A))A = I Det(A).
1 2
4 2
A
y B
3
1
3 2
son matrices no singulares, pruebe que
Adj(A B) = (Adj(A))(Adj(B)).
3.4.4 Demuestre que si A es una matriz de n x n, entonces

Det(Adj(A)) = (Det(A))n-1.
3.4.5 Demuestre que si A es una matriz no singular de n x
n (n t 2) entonces Adj(Adj(A)) = A(Det(A))n-2.
3.4.6 Demuestre que una matriz A es no singular, si y
slo si su Adj(A) tambin es no singular.
3.4.7 Demuestre que si A es singular, entonces Adj(A) es
tambin singular.
3.4.8 Si A es singular, qu puede decir acerca del
producto AAdj(A).
1 -i -1
A =4
i
-3 .
-i 1+ i -1
a.- Determine el determinante de A. Es A no singular?;

b.- Determine Adj(A) y el producto AAdj(A).
3.4.10 Si A es una matriz de n x n con n t 2, demostrar

cada una de las propiedades siguientes de su matriz
cofactor:
a.- Cof(A T) = (Cof(A))T;
b.- (Cof(A))T A = (Det(A))I.
3.4.14 Demuestre que Adj(k A) = kn-1Adj(A). Para

cualquier nmero k y cualquier matriz A de n x n.
3.4.15 Demuestre que si A y B son matrices no
singulares, entonces Adj(A B) = Adj(B)Adj(A).
3.4.16 Encuntrese la inversa de cada una de las
matrices siguientes:
0 1 0 0 0
1 1 1 0 0
1 0 0 0 0
0 1 1 1 0
a.- 2 3 0 1 0 ; b.- 0 0 1 1 1 ;
1 0 0 0 1
0 0 0 1 1
1 1 1 0 0
0 0 0 0 1
1 2 3 4 5
0 1 2 3 4
c.- 0 0 1 2 3 .
0 0 0 1 2
0 0 0 0 1
3.4.17 Determine la inversa de las siguientes matrices:

3i
i
i 1 i
0
1
i 1 i ;
a.- 2 i i 1 i ; b.- i
1 i 1 i 1 i
i
2 i 4 i
i 1 i
1
i 1 i .
c.- i
1 i 1 i 1 i
JOE GARCIA ARCOS
3.4.18 Demuestre que si A es una matriz singular,

entonces A(Adj(A)) = O.
137
T
3.4.19 Demuestre que Adj(A ) = (Adj(A)) .
3.5 C U EST I O N A R I O
3.5.1 Toda matriz de orden n es equivalente por filas a
una matriz reducida por filas.
3.5.15 Toda matriz de orden n es equivalente por filas

a una matriz escalonada por filas.
3.5.2 Si A y B son dos matrices de orden m x n. Entonces

B es equivalente por filas a A si, y slo si B = P A, donde P
es un producto de matrices elementales de m x m.
3.5.16
El producto de dos matrices de orden n es
singular si, y slo si, por lo menos una de las dos matrices
es singular.
3.5.3 Una matriz elemental es no singular.
3.5.17 La suma de dos matrices no singulares de orden n

puede ser singular y la suma de dos matrices singulares
puede ser no singular.
3.5.4 El rango de una matriz vara con las operaciones

elementales.
3.5.5 El rango de una matriz es el orden mximo de sus
menores iguales a cero.
3.5.6 Si A es una matriz de orden m x n, entonces el
rango de las columnas de A no se altera al someter a A a
una operacin elemental de filas.
3.5.7 Si A es una matriz de orden m x n, entonces el
rango por filas y el rango por columnas de A son
diferentes.
3.5.8 Sea A una matriz de orden m x n y sea k un entero
positivo. Entonces Rang(A) t k si y slo si A contiene un
subdeterminante distinto de cero de orden k.
3.5.9 El rango del producto de varias matrices no es
superior al rango de cada una de las matrices que se
multiplican.
3.5.10 Una matriz A de n x n que tiene una inversa a la
izquierda o a la derecha es no singular.
3.5.11 La inversa de una matriz triangular superior es una
matriz triangular inferior.
3.5.12 Si A es una matriz no singular de n x n y si una
sucesin de operaciones elementales de fila reduce A a la
matriz identidad I, entonces la misma sucesin de
operaciones, cuando se aplica a I, da A -1.
3.5.13 La inversa de una matriz casi diagonal regular D
es casi diagonal y es tambin de la misma estructura que
D.
3.5.14 La inversa de una matriz ortogonal es unitaria.
3.5.18 Si A y B son matrices no singulares, entonces A B

es una matriz singular.
3.5.19 Si A y B son matrices de orden n y si A es no
singular y B es singular, entonces A B y B A son matrices
no singulares.
3.5.20 Las matrices unitarias y las matrices hermticas
son normales.
3.5.21 La inversa de una matriz hermtica no singular es
hermtica.
3.5.22 B es una inversa izquierda para la matriz A si y
slo si B T es inversa derecha para A T.
3.5.23 B es una inversa derecha para la matriz A si y
slo si B T es una inversa izquierda para A T.
3.5.24 El producto de matrices singulares es no
singular.
3.5.25 Una matriz de nmeros enteros tiene una inversa
de nmeros enteros cuando, y slo cuando, la matriz
dada tiene determinante diferente de cero.
3.5.26 Para que una matriz cuadrada A sea ortogonal es
necesario y suficiente que su determinante sea igual a
r 1 y cada uno de sus elementos sea igual a su cofactor,
tomado con su signo si Det(A) = 1 y con el signo
opuesto, si Det(A) = -1.
3.5.27 Una matriz cuadrada real A de orden n t 3 es
ortogonal si cada uno de sus elementos es igual a su
cofactor y por lo menos uno de sus elementos es
distinto de cero.
JOE GARCIA ARCOS
138
3.5.28 La inversa de una matriz A casi triangular superior

regular es una matriz casi triangular superior y adems es
de la misma estructura que A.
3.5.31 La suma de los cuadrados de todos los menores

de segundo orden que yacen en dos filas o columnas de
una matriz ortogonal, es igual a cero.
3.5.29 Si A tiene una inversa a la izquierda, B, y una

inversa a la derecha, C, entonces B z C.
3.5.22 Para que una matriz diagonal de orden n sea

ortogonal, es necesario que al menos un elemento de la
diagonal sea igual a cero.
3.5.30 Al multiplicar la matriz A a la izquierda o a la

derecha por una matriz no singular, su rango no vara.
JOE GARCIA ARCOS
O BJE T I V O
Resolver problemas sobre sistemas de ecuaciones lineales homogneas y no homogneas mediante la
interpretacin, expresin y representacin en trminos de matrices y determinantes utilizando definiciones
propiedades y mtodos adecuados para cada tipo, en situaciones reales propias de la ingeniera y ciencias
aplicadas.
C O N T E NI D O :
4.1
4.2
4.3
SISTEMAS DE ECUACIONES LINEALES

METODOS PARA SOLUCIONAR UN SISTEMA DE ECUACIONES LINEALES
CUESTIONARIO
4.1 SIST E M AS D E E C U A C I O N ES L I N E A L ES
En esta seccin introduciremos terminologa bsica, estudiaremos los diferentes tipos de sistemas de ecuaciones
lineales y sus formas de soluciones. Enunciaremos y demostraremos las propiedades ms importantes.
En el curso de Algebra Lineal la solucin del sistema A X = B se expresa,
corrientemente, segn el mtodo de Cramer como una razn de los determinantes.
Dichas frmulas no sirven para la resolucin numrica del sistema A X = B, puesto
que requieren el clculo de n + 1 determinantes, lo que, a su vez, exige un gran
nmero de operaciones aritmticas, hasta n!. Si incluso escogemos el mejor
mtodo, para el clculo de un solo determinante se necesitar aproximadamente
tanto tiempo que se requiere para la resolucin de un sistema de ecuaciones
lineales por los mtodos numricos modernos. Adems, hemos de tener en cuenta,
que los clculos segn las frmulas de Cramer conducen con frecuencia a los
grandes errores de redondeo.
La peculiaridad de la mayora de los mtodos numricos para A X = B consiste en
que se abandona la idea de buscar la matriz inversa. El requisito principal que se
levanta ante el mtodo de resolucin es el mnimo de operaciones aritmticas
suficientes para la bsqueda de una solucin aproximada con la precisin
prefijada.
Los mtodos directos permiten obtener, despus de un nmero finito de
operaciones, una solucin exacta del sistema de ecuaciones lineales, siempre que la
informacin de entrada viene dada con toda la exactitud y los clculos se realizan
sin redondeo. El mtodo iterativo permite hallar la solucin aproximada del
sistema construyendo una sucesin de aproximaciones, a partir de cierta
aproximacin inicial. La propia solucin aproximada es el resultado de los clculos
obtenido despus de haberse realizado un nmero finito de iteraciones.
140
Calcular los conjuntos de valores simultneos de varias incgnitas, que satisfagan

a varias ecuaciones; se dice entonces que estas ecuaciones forman un sistema, y
cada conjunto de valores que las satisface a todas se llama una solucin. Un
sistema sin soluciones, se llama inconsistente; y si tiene infinitas soluciones, se
llama indeterminado.
Una ecuacin lineal sobre en n variables es una expresin de la
forma:
a1x1 + a2x2 + ... + anxn = b
donde los a i, b son nmeros conocidos y los xi son variables. Los a i se
denominan coeficientes de los xi respectivos, y b es el trmino
independiente de la ecuacin.
Las ecuaciones en dos variables se representan geomtricamente por una recta;
las tres variables por un plano; para ms de tres variables no se tienen
representacin visual, pero los gemetras le llaman hiperplano.
Una solucin de la ecuacin lineal
a 1x1 + a 2x2 + ... + a nxn = b
es un conjunto ordenado de n valores k1, k2, ..., kn tales que
a1k1 + a2k2 + ... + ankn = b.
Un sistema de m ecuaciones lineales en n variables, es una expresin de la
forma
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...
am1 x1 am 2 x2 ... amn xn bm

donde los a ij y los bi pertenecen a los nmeros reales. El primer subndice en los
coeficientes indica el nmero de la ecuacin, y el segundo, el nmero de la
variable. Para un sistema de m ecuaciones lineales en n variables xi, i = 1, 2, ..., n,
el conjunto solucin S es el subconjunto de n definido por S = S1 S2 ... Sm
donde Si es el conjunto solucin de la i-sima ecuacin, i = 1, 2, ..., m.
Si m = n = 2, se tienen dos ecuaciones en las dos incgnitas x e y
a11 x a12 y b1
a21 x a22 y b2
si se interpretan x, y como coordenadas en el plano xy, entonces cada una de las
dos ecuaciones representa una recta y (x, y) es una solucin si, y slo si, el punto
P(x, y) se encuentra sobre ambas rectas. De aqu que se tienen tres casos posibles:
1.- ninguna solucin si las rectas son paralelas;
2.- precisamente una solucin si se interceptan;
3.- un nmero infinito de soluciones si coinciden.
Nos formaremos ciertas ideas de las complicaciones que pueden surgir
considerando el caso de tres ecuaciones con tres incgnitas. Cada una de esas
ecuaciones representa un plano en el espacio, y el determinante de los coeficientes
se anula si:
1.- dos cualesquiera de los tres planos son coincidentes o paralelos.
2.- la recta de interseccin de dos de los planos pertenece o es paralela al tercer
plano.
JOE GARCIA ARCOS
141
Toda solucin del sistema de ecuaciones corresponde a un punto situado en los tres
planos. En los casos 1) y 2) no existe punto alguno que est en los tres planos, o
bien hay infinitos. En particular, hay infinitas soluciones si los tres planos se
cortan a lo largo de una misma recta. El conjunto de todas las soluciones a un
sistema de ecuaciones lineales recibe el nombre de conjunto solucin del sistema.
Una solucin del sistema de ecuaciones lineales
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...

es un conjunto ordenado de n valores k1, k2, ..., kn tales que
a11 k1 a12 k 2 ... a1n k n b1
a k a k ... a k b
21 1
22 2
2n n
2
...
am1 k1 am 2 k 2 ... amn k n bm

Para cualesquiera sistemas de ecuaciones lineales, se presentan tres tipos de
conjunto solucin:
1.- Un conjunto solucin que contiene solamente un elemento. Se dice que el
sistema tiene solucin nica y se denomina sistema compatible determinado;
2.- Un conjunto solucin que contiene ms de un elemento. En este caso se dice
que el sistema tiene ms de una solucin y se denomina sistema compatible
indeterminado;
3.- Un conjunto solucin vaco. Se dice que el sistema no tiene solucin y se
denomina sistema incompatible.
Se llama sistema de m ecuaciones homogneas y n incgnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...

siempre que b1 = b2 = ... = bm = 0, es decir, cuando todos los trminos
independientes son nulos.
Un sistema de este tipo se da a continuacin
2x 5 y z u 0
x 7 y 9 z 2u 0
x y z 5u 0
Se llama sistema de m ecuaciones no homogneas y n incgnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...

siempre que al menos un bi z 0.
JOE GARCIA ARCOS
142
Un sistema de este tipo se da a continuacin

2 x 3 y z 5u 2
x y z 2u 1
x y z 5u 0
Se dice que un sistema de ecuaciones lineales es sobredeterminado si hay
ms ecuaciones que incgnitas. Se dice que un sistema de ecuaciones
lineales est escasamente determinado si hay menos ecuaciones que
incgnitas.
Los sistemas sobredeterminados suelen ser inconsistentes, pero no lo son siempre.
Aunque es posible que los sistemas escasamente determinados sean inconsistentes,
en general son consistentes con muchas soluciones. Es posible que un sistema
escasamente determinado tenga solucin nica.
Se dice que un sistema de ecuaciones lineales es no susceptible, si errores
pequeos en los coeficientes o en el proceso de resolucin slo tienen un
efecto pequeo sobre la solucin. Y es susceptible, si errores pequeos en
los coeficientes o en el proceso de resolucin tienen un efecto grande
sobre la solucin.
Para el sistema de ecuaciones no susceptible, la solucin est indicada con relativa
intensidad por las ecuaciones. Para el sistema de ecuaciones susceptible, la
solucin est indicada con relativa debilidad por las ecuaciones.
Dos ecuaciones lineales en dos incgnitas representan dos rectas. Un sistema tal es
susceptible si, y slo si, el ngulo entre las rectas es pequeo, es decir, si, y slo si,
las rectas son casi paralelas. En efecto, entonces un pequeo cambio en un
coeficiente puede provocar un gran desplazamiento del punto de interseccin de
las rectas. Para sistemas mayores de ecuaciones lineales, la situacin es semejante
en principio, pero no es posible una interpretacin geomtrica tan sencilla y no
podramos seguir cada detalle de la situacin.
PR O B L E M AS
4.1.1 Sea A una matriz de 3 x 2. Explique por qu la
ecuacin A X = B no puede ser consistente tiene slo la
solucin nula si y slo si (Q A)X = O slo tiene la
solucin nula.
4.1.2 Sean A X = O un sistema homogneo de n
ecuaciones lineales con n incgnitas y Q una matriz
invertible de n x n. Demuestre que A X = O solucin fija.
Demuestre que toda solucin del sistema se puede
escribir en la forma X = X 1 + X 0, donde X 0 es una
solucin de A X = O. Tambin demuestre que toda
matriz de esta forma es una solucin.
4.1.3 Sea A una matriz de 5 x 3 y sean Y un vector en
3 y Z un vector en 5. Suponga que A Y = Z. Qu
hecho permite concluir que el sistema A X = 4 Z es
consistente?
4.1.4 Sea A X = O un sistema homogneo de n ecuaciones lineales en n incgnitas que slo tiene la solucin nula. Demuestre que si k es cualquier entero positivo, entonces el sistema A k X = O tambin tiene slo la
solucin nula.
4.1.5 Sea A una matriz de 3 x 4, sean Y 1 y Y 2 vectores
en 3 y sea W = Y 1 + Y 2. Suponga que Y 1 = A X 1 y que
Y 2 = A X 2 para algunos vectores X 1 y X 2 en 4. Qu
hecho permite concluir que el sistema A X = W es
consistente?
4.1.6 Sea A X = B cualquier sistema de ecuaciones
lineales consistentes, y sea X 1 una para toda B en 3.
Generalice el argumento para el caso de una matriz A
arbitraria con ms filas que columnas.
JOE GARCIA ARCOS
143
4.2 M E T O D OS P A R A SO L U C I O N A R UN SIST E M A D E E C U A C I O N ES L I N E A L ES
En esta seccin analizaremos la resolucin de un sistema de ecuaciones lineales por diversos mtodos, de acuerdo
a su estructura. Se enunciarn las propiedades ms importantes.
I. E L I M I N A C I O N G A USSI A N A
Se dice que un sistema de ecuaciones lineales es equivalente a un segundo sistema de
ecuaciones lineales, si el primero puede obtenerse a partir del segundo por medio de
operaciones elementales. Adems los sistemas equivalentes de ecuaciones lineales
tienen los mismos conjuntos de soluciones.
Sea S un sistema lineal de la forma
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...

y sea S un sistema lineal de las mismas dimensiones que S
a11
x1 a12
x2 ... a1 n xn b1

a21 x1 a22 x2 ... a2 n xn b2
...

Los sistemas lineales S y S se llaman equivalentes, si ambos son
simultneamente son compatibles y tienen las mismas soluciones.
Para resolver sistemas de ecuaciones lineales de m ecuaciones con n variables, se va
a estudiar el mtodo de reduccin a la forma escalonada, que consiste en la
eliminacin sucesiva de las variables para reducir el sistema a uno equivalente ms
simple mediante la aplicacin de las operaciones elementales siguientes:
T IP O 1. La ecuacin E(i) puede multiplicarse por cualquier escalar a diferente de
cero y se puede usar la ecuacin resultante en lugar de E(i). Notamos esta operacin
como aE(i) o E(i);
T IP O 2. La ecuacin E(j) puede multiplicarse por cualquier escalar a, sumarla a la
ecuacin m-1 ecuaciones restantes y se obtenga el sistema equivalente:
a11 x1 a12 x2 ... a1n xn b1
(1)
(1)
(1)
a22 x2 ... a2 n xn b2
...
a (1) x ... a (1) x b(1)

mn n
m
m2 2
(1)
Al pasar a la ejecucin del segundo paso, supongamos que el elemento a22
, llamado
elemento principal del segundo paso, es distinto de cero. (En caso contrario, es
necesario efectuar la respectiva permutacin de las ecuaciones.)
a11 x1 a12 x2 ... a1n xn b1
(1)
(1)
(1)
(1)
a22 x2 a23 x3 ... a 2 n xn b2
(2)
(2)
(2)
(2)
a33 x3 a34 x4 ... a3n xn b3
...
a (2) x a (2) x ... a (2) x b(2)

mn n
m
m4 4
m3 3
JOE GARCIA ARCOS
144
Despus del paso m-1 llegamos al sistema triangular

a11 x1 a12 x2 ... a1n xn b1
(1)
(1)
(1)
(1)
a22 x2 a23 x3 ... a2 n xn b2
(2)
(2)
(2)
(2)
a33 x3 a34 x4 ... a3n xn b3
...
( n 1)
amn xn bm( n 1)
La reduccin del sistema inicial S a la forma triangular actual finaliza la primera

etapa de elaboracin de la solucin segn el mtodo de reduccin a la forma
escalonada. La segunda etapa, la marcha inversa, consiste en resolver el ltimo
sistema triangular. Se realiza del modo siguiente, de la ltima ecuacin se determina
xn. De acuerdo con el valor hallado de xn de la ecuacin m-1 determinamos xn-1, a
continuacin, con los valores de xn-1 y xn de la ecuacin m-2 hallamos xn-2, etc., el
clculo sucesivo de las incgnitas contina hasta que se determina x1 de la primera
ecuacin, aqu termina el proceso de construccin de la solucin del sistema S con la
ayuda de la resolucin del sistema triangular equivalente al primero.
Si durante el proceso de reduccin se llega a un sistema tal, que una de las
ecuaciones del sistema equivalente es de la forma 0x1 + 0x2 + ... + 0xn = bn, bn z
0, se dice que el sistema inicial es E(i), y usar la ecuacin resultante en lugar de
E(i). Esta operacin la notaremos como E(i) + aE(j) o E(i);
T IP O 3. Las ecuaciones E(i) y E(j) se pueden intercambiar, es decir E(i) l E(j).
T E O R E M A 4.2.1
Dos sistemas de ecuaciones lineales son equivalentes, si uno se obtiene
del otro aplicando una sucesin finita de operaciones elementales.
Es suficiente demostrar la equivalencia de los sistemas S y S, obtenido de S, al
aplicar una operacin elemental. Observemos, que el sistema S se obtiene del
sistema S tambin como resultado de una operacin elemental; por cuanto estas
operaciones son inversibles. En otras palabras, en el caso del tipo 1, cambiando otra
vez de lugar a las ecuaciones i y t, regresamos al sistema inicial; anlogamente, en el
caso del tipo 2, sumando la i-sima ecuacin en S, la t-sima ecuacin multiplicada
por r, obtendremos la i-sima ecuacin del sistema S. Demostremos ahora, que
cualquier solucin k1, k2, ..., kn del sistema S resulta tambin solucin del sistema S.
Si fue realizada una operacin elemental del tipo 1, entonces, las propias ecuaciones,
en general, no cambiaron. Por eso, los nmeros k1, k2, ..., kn, que antes las satisfacan,
las satisfacern luego de la operacin elemental. En el caso de una operacin
elemental del tipo 2, las ecuaciones, excepto la i-sima, no se modificaron, y por eso
la solucin k1, k2, ..., kn satisface a stas como antes. En virtud de la reversibilidad de
las operaciones elementales, las reflexiones realizadas demuestran tambin que,
recprocamente, cualquier solucin del sistema S ser solucin del sistema S. Queda
observar, que la incompatibilidad de un sistema proporciona la incompatibilidad del
otro.
Si en el sistema S se considera que a 11 z 0, para cada i > 1 llamado elemento
principal del primer paso (En el caso de que a 11 = 0 cambiamos de lugar las
ecuaciones con los nmeros 1 e i, donde a i1 z 0.) se aplican las operaciones
elementales de modo que se sustituya la ecuacin i -sima por la ecuacin que se
obtiene multiplicando la primera por a 11 y se sume con la i-sima, de tal forma
que se elimine x1 en las incompatible, y, por tanto, no tiene solucin. Si en los
sistemas equivalentes se llega a una ecuacin de la forma 0x1 + 0x2 + ... + 0xn = 0,
esta puede eliminarse sin que se afecte la solucin del sistema.
JOE GARCIA ARCOS
145
Calculemos el nmero de operaciones que hay que efectuar para obtener la solucin
del sistema de ecuaciones lineales. Para reducir el sistema de ecuaciones a la forma
escalonada, aceptando que m = n, tendremos que realizar n inversiones
1
n2 + (n 1)2 + ... + 12 = (2n + 1)(n + 1)n
6
multiplicaciones y
(n 1)n(n 1)
n(n 1) (n 1)(n 2) 2 1
3
adiciones. Adems, para hallar del sistema reducido las incgnitas habr que realizar
adicionalmente
1
1 + 2 + ... + (n 1) = n(n 1)
2
multiplicaciones y un nmero igual de adiciones. Por consiguiente, para resolver el
sistema de ecuaciones lineales empleando el mtodo de Gauss, es necesario realizar,
en el caso general, n inversiones
1
1
n(n2 + 3n 1) | n3
3
3
multiplicaciones y
1
1
n(2n2 + 3n 5) | n3
6
3
adiciones. En resumen, este mtodo de reduccin se puede aplicar a cualquier
sistema de ecuaciones lineales. Debe observarse, adems, que el mtodo de
reduccin es sistemtico y que no se reduce a ningn artificio a base de los nmeros
particulares que aparecen en las ecuaciones.
T E O R E M A 4.2.2
Para la compatibilidad de un sistema de ecuaciones lineales es necesario y
suficiente que, despus de ser reducido a la forma escalonada, en l no se
encuentren ecuaciones del tipo 0 = bi, con bi z 0. Si esta condicin se
cumple, entonces, a las incgnitas independientes se les puede dar valores
arbitrarios; las incgnitas principales se determinan unvocamente en el
sistema de ecuaciones.
Comencemos con la cuestin de la compatibilidad. Es evidente, que si el sistema
a11 x1 a1 n xn b1
a2 k xk a2 n xn b2
a x a x b
3n n
3
3 t t
(1)
ar s xs ar n xn br
0 br 1
0 bm
contiene ecuaciones del tipo 0 = bi, con bi z 0, entonces, este sistema es

incompatible, puesto que la igualdad 0 = bi no puede ser satisfecha por ningn valor
para las incgnitas. Demostremos, que si en el sistema (1) no hay tales ecuaciones,
entonces el sistema es compatible. Y bien, sea bi = 0 para i > r. Llamaremos
incgnitas principales a x1, xk, ..., xs, con las cuales comienzan la primera, segunda,
..., y r-sima ecuaciones, respectivamente; las restantes incgnitas, si es que las hay,
se denominan independientes. Por definicin, slo hay r incgnitas principales.
Otorgamos a las incgnitas independientes valores arbitrarios, y los sustituimos en el
sistema (1). Entonces, para ks se obtiene una ecuacin de tipo axs = b, con a = ar s z
0, la cual tiene solucin nica. Sustituyendo el valor obtenido xs = ks en las primeras
r 1 ecuaciones, y yendo por el sistema (1) de abajo hacia arriba, nos convencemos
JOE GARCIA ARCOS
146
de que los valores de las incgnitas principales se determinan unvocamente para

cualquier valor que se d a las incgnitas independientes.
T E O R E M A 4.2.3
Un sistema de ecuaciones lineales tiene solucin nica si y slo si el
sistema reducido correspondiente tiene la misma solucin.
De la forma en que reducimos el sistema es claro que si cierto conjunto de nmeros
x1, x2, ..., xn satisface el sistema original, cumplen tambin el sistema reducido. Ahora
cambiamos los papeles del sistema original reducido. Si comenzamos con el sistema
reducido, el sistema original se puede obtener de ste por alguna combinacin de las
tres operaciones elementales. Ahora es claro que cualquier solucin del sistema
reducido tambin es solucin del sistema original.
T E O R E M A 4.2.4
El sistema compatible
a11 x1 a12 x2 a1n xn b1
a x a x a x b
21 1
22 2
2n n
2
am1 x1 am 2 x2 amn xn bm
con n > m es indeterminado.
Efectivamente, en todo caso r d m, por cuanto en el sistema (1) no hay ms
ecuaciones que en el sistema dado, las ecuaciones con identidades iguales a cero para
ambos miembros, son desechadas. Por eso, la desigualdad n > m lleva a n > r, lo cual
significa indeterminacin del sistema dado.
E J E M P L O 4.2.1
Utilizando eliminacin gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
x yz 3
3x 4 y 6 z 7
a.- 2 x y 4 z 3 ; b.- 5 x 2 y 4 z 5 .
3x 2 y z 8
x 3 y 5z 3
SO L U C I O N
a.- Multiplicamos la ecuacin 1 por 2 y luego le restamos la fila 2, multiplicamos la
fila 1 por 3 y luego restamos la fila 3:
x y z 3
y 2z 1
y 2z 1
restamos la fila dos a la fila tres:

x y z 3
y 2z 1
0 0
podemos observar que 0 = 0, lo cual indica que el sistema es indeterminado, es decir

tiene un nmero infinito de soluciones:
z = t, x = 2 t, y = 1 + 2 t.
b.- Se multiplica la ecuacin 1 por 5 y luego le restamos 3 veces la fila 2, y 3 veces
la fila 3:
3x 4 y 6 z 7
13 y 21z 10
13 y 21z 2
JOE GARCIA ARCOS
147
restamos la fila dos a la fila tres:

3x 4 y 6 z 7
13 y 21z 10
0 2
podemos observar que 0 = 12, lo cual indica que el sistema es inconsistente.

E J E M P L O 4.2.2
Utilizando eliminacin gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
2 x y 3 z 2u 4
x y zu 0
3 x 3 y 3 z 2u 6
x 2 y 3 z 4u 0
a.-
; b.-
.
3
x

y

z

2
u
6
x 3 y 6 z 10u 0
3 x y 3 z u 6
x 4 y 10 z 20u 0
SO L U C I O N
a.- A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la tercera fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la cuarta fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila
2 x y 3z 2u 4
9 y 3z 2u 0
y 11z 2u 0
y 3z 8u 0
A la tercera fila le multiplico por 9 y luego le sumo la segunda fila, a la cuarta
fila le multiplico por 9 y luego le sumo la segunda fila:
2 x y 3z 2u 4
9 y 3z 2u 0
6z u 0
12 z 35u 0
A la cuarta fila le resto 2 veces la tercera fila:
2 x y 3z 2u 4
9 y 3z 2u 0
6z u 0
33u 0
Como el sistema se redujo a la forma triangular, entonces el sistema tiene solucin
nica:
x = 2, y = z = u = 0.
b.- A la segunda fila le resto la primera fila, a la tercera fila le resto la primera fila, a
la cuarta fila le resto la primera fila:
x y zu 0
y 2 z 3u 0
2 y 5 z 9u 0
3 y 9 z 19u 0
A la tercera fila le resto 2 veces la segunda fila, a la cuarta fila le resto 3 veces la
segunda fila:
x y z u 0
y 2 z 3u 0
z 3u 0
3 z 10u 0
JOE GARCIA ARCOS
148
A la cuarta fila le resto 3 veces la tercera fila:

x y z u 0
y 2 z 3u 0
z 3u 0
u 0
nica:
x = y = z = u = 0.
E J E M P L O 4.2.3
Utilizando eliminacin gaussiana, solucionar los
lineales:
x y 2 z 3u 1
x 2 y 3 z 2u
3 x y z 2u 4
2 x y 2 z 3u
a.-
; b.-
2
x

3
y

z

u

6
3x 2 y z 2u
x 2 y 3z u 4
2 x 3 y 2 z u
siguientes sistemas de ecuaciones

6
x 2 y 3z 4u
2 x y 2 z 3u
8
; c.-
4
3 x 2 y z 2u
4 x 3 y 2 z u
8
5
1
.
1
5
SO L U C I O N
a.- A la segunda fila le restamos 3 veces la primera fila, a la tercera fila le restamos 2
veces la primera fila y a la cuarta fila le restamos la primera:
x y 2 z 3u 1
4 y 7 z 11u 7
y 5 z 7u 8
y z 4u 5
A la tercera fila le multiplicamos por 4 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por 4 y luego le sumamos la segunda fila:
x y 2 z 3u 1
4 y 7 z 11u 7
27 z 39u 39
z 9u 9
A la cuarta fila le multiplicamos por 27 y luego le sumamos la tercera fila:
x y 2 z 3u 1
4 y 7 z 11u 7
27 z 39u 39
u 1
Observamos que el sistema se redujo a la forma triangular, lo cual indica que el
sistema tiene solucin nica:
x = y = -1, z = 0, u = 1.
b.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
3 veces la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
x 2 y 3z 2u 6
5 y 8 z u 4
2 y 5 z 4u 7
7 y 4 z 5u 20
A la tercera fila le multiplicamos por 5 y luego le sumamos 2 veces la segunda
fila, a la cuarta fila le multiplicamos por 5 y luego le restamos 7 veces la segunda
fila:
JOE GARCIA ARCOS
149
x 2 y 3z 2u 6
5 y 8 z u 4
z 2u 3
2 z u 4
A la cuarta fila le restamos 2 veces la tercera fila:
x 2 y 3z 2u 6
5 y 8 z u 4
z 2u 3
5u 10

nica: x = 1, y = 2, z = -12, u = -2.
c.- A la segunda fila le restamos 2veces la primera fila, a la tercera fila le restamos 3
veces la primera fila y a la cuarta fila le restamos 4 veces la primera fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
2 y 4 z 5u 7
y 2 z 3u 5
A la tercera fila le multiplicamos por 3 y luego le sumamos la segunda fila
multiplicada por 2, a la cuarta fila le multiplicamos por 3 y luego le sumamos la
segunda fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
4 z 5u 3
z 2u 3
A la cuarta fila le multiplicamos por 4 y luego le restamos la tercera fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
4 z 5u 3
u 3
nica: x = -2, y = 2, z = -3, u = 3.
I I. M E T O D O D E G A USS JO RD A N
El sistema S de ecuaciones lineales
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1
22 2
2n n
2
...

puede ser escrito en forma matricial como A X = B, donde A es la matriz m x n de
coeficientes con elementos a ij, B es un vector columna en m y X es un vector
columna en n. Efectuando la multiplicacin matricial en la ecuacin
a1n x1 b1
a11 a12

a2 n x2 b2
a21 a22

amn xn bm
am1 am 2
se ve de inmediato que esto es equivalente al sistema S.
JOE GARCIA ARCOS
150
En cuanto a la matriz
a11 a12
a1n
a
a
a
22
2n
21
amn
am1 am 2
se denomina matriz aumentada del sistema.
b1
b2
bm
Consideremos ahora el sistema lineal no homogneo A X = B, en donde A es de m x

n y B es de m x 1 y tiene al menos un elemento distinto de cero. A continuacin
enunciaremos un teorema, en el cual se basara el mtodo de las operaciones
elementales.
T E O R E M A 4.2.5
Un sistema homogneo de m ecuaciones lineales con n incgnitas tiene un
nmero indeterminado de soluciones si n > m.
Cuando la matriz de coeficientes se ha reducido, la matriz aumentada del sistema
reducido tiene una ltima columna formada nicamente por ceros. Entonces, el
sistema tiene una solucin, pero puede que no tenga soluciones no nulas. Sin
embargo, consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de
coeficientes. Estos elementos son 0 1. Suponiendo que akk = 0 para algn k y k es el
menor elemento para el cual esto ocurre, la solucin se puede escribir en trminos de
xk y posiblemente de algunas otras variables. Pero tales variables son arbitrarias, y as
tomando a xk z 0, tenemos una solucin no trivial. Si todos los a ii, i = 1, 2, ..., m, son
1, la ltima fila de la matriz aumentada del sistema reducido es
0, 0, ..., 0, 1, am m+1, am m+2, ..., am n, 0
y
xm = -am m+1xm+1 am m+2xm+2 - ... am nxn
donde xm+1, xm+2, ..., xn son arbitrarias. Tomando xm+1 z 0 lograremos una solucin no
nula.
T E O R E M A 4.2.6
Sea X 1 cualquier solucin de A X = B. Entonces X 1 X 2 es una solucin
de A X = O ya que A(X 1 - X 2) = A X 1 - A X 2 = B - B = O. Sea X 3 = X 1 X 2. Entonces X 3 es una solucin de A X = O y por supuesto X 1 = X 2 +
X 3.
Supongamos que X 1 y X 2 son soluciones. Entonces A X 1 = B y A X 2 = B, y por
sustraccin A(X 1 X 2) = O. Como quiera que si la ecuacin homognea no tiene
soluciones no nulas, entonces X 1 X 2 = O y X 1 = X 2. Esto muestra la unicidad.
Recprocamente, suponiendo que X 3 z O es una solucin de la ecuacin homognea,
es decir A X 3 = O, mientras que X 1 es una solucin de A X 1 = B, entonces X 1 + X 3
tambin es solucin, puesto que
A(X 1 + X 3) = A X 1 + A X 3 = B + O = B.
Esta es una contradiccin a la unicidad y completa la demostracin.
T E O R E M A 4.2.7
Un sistema homogneo de m ecuaciones lineales con m incgnitas tiene
solucin trivial si y slo si la matriz reducida de coeficientes no tiene filas
formadas nicamente por ceros.
Consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de coeficientes.
Si a ii = 1 para todo i, la matriz aumentada del sistema reducido es de la forma
JOE GARCIA ARCOS
151
1 0
0 0
0 0
0 1
1 0
0 0
y la nica solucin es x1 = x2 = ... = xm = 0, algunos de los a ii son cero si y slo si la
ltima fila de esta matriz est formada nicamente por ceros. As, el sistema de
ecuaciones lineales tiene soluciones no nulas si y slo si la matriz reducida de
coeficientes est formada nicamente por ceros.
T E O R E M A 4.2.8
Sea la matriz A de n x n. Entonces el sistema de ecuaciones no
homogneo A X = B tiene solucin nica si y slo si el Rang( A) = n.
Supongamos primero que Rang(A) = n. Entonces A R = I. De donde (A | B)R es de la
forma (I | C) para alguna matriz C de n x 1. El sistema I X = C tiene exactamente una
solucin y esta es la nica solucin del sistema original. Recprocamente,
supongamos que A X = B tiene exactamente una solucin Y. Si A X = O tiene una
solucin Z entonces Y + Z es una solucin de A X = B. Pero entonces Y = Y + Z por
la suposicin de que A X = B tiene solamente una solucin Y. Concluimos que
Z = O y, por tanto, A X = O tiene solamente la solucin trivial. Por lo tanto
Rang(A) = n.
Un sistema homogneo A X = O de m ecuaciones lineales con n incgnitas tiene un
nmero indeterminado de soluciones si el nmero de ecuaciones es menor que el
nmero de incgnitas, es decir n > m.
Sea X 1 cualquier solucin de A X = B. Entonces X 1 X 2 es una solucin de
A X = O ya que
A(X 1 - X 2) = A X 1 - A X 2 = B - B = O.
Sea X 3 = X 1 - X 2. Entonces X 3 es una solucin de A X = O y por supuesto X 1 = X 2
+ X 3.
Como hemos podido ver, cuando un sistema de ecuaciones lineales tiene soluciones,
puede tener muchas soluciones. En efecto, la situacin general cuando las soluciones
no son nicas, es que ciertas variables se pueden escribir en trminos de otras y estas
son completamente arbitrarias. Podemos pensar en tales variables como parmetros
que pueden variar para generar soluciones. Podremos decir que tenemos la solucin
general de un sistema si tenemos todas las variables expresadas en trminos de
ciertos parmetros en tal forma que toda posible solucin particular se pueda obtener
al asignar valores apropiados a estos parmetros.
Podemos ahora esbozar un procedimiento para encontrar la solucin general de un
sistema lineal no homogneo A X = B:
P ASO 1. Reducir (A~B) para obtener la matriz reducida de la forma (A R~C). Las
soluciones de A X = B son las mismas soluciones que las de A R X = C, as que
trabajaremos con este sistema reducido;
P ASO 2.
Si Rang((A~B)) z Rang(A), el sistema no tiene solucin y ya
terminamos. Si estos dos rangos son iguales continuamos;
P ASO 3. Identificamos las incgnitas dependientes. Si la columna j contiene el
elemento principal de la fila i, utilizamos la ecuacin i para escribir xj en trminos de
las incgnitas independientes;
P ASO 4. Escribimos una matriz columna
(x1 x2 xn)T
con cada xj dependiente escrita en trminos de las incgnitas independientes y de c i.
JOE GARCIA ARCOS
152
Las incgnitas independientes son arbitrarias y se les puede asignar valores

cualesquiera;
P ASO 5. Para aclarar la estructura de la solucin, la escribimos como una suma de
matrices columna multiplicadas por las incgnitas independientes (escalares
arbitrarios), ms una matriz columna que contiene las c i que aparecen en las
expresiones para las incgnitas dependientes. Esta matriz columna constante es una
solucin particular de A R X = C. Ahora tenemos la solucin general de A X = B
escrita como la solucin general de A R X = O ms una solucin particular de
A R X = C, obteniendo la solucin general del sistema no homogneo original.
T E O R E M A 4.2.9
Un sistema de ecuaciones lineales A X = B tiene solucin nica si y slo si
el rango de la matriz A es igual al rango de la matriz (A | B).
Reduciendo la matriz de coeficientes usando operaciones elementales sobre las filas
podemos lograr el sistema equivalente (I | C) en este caso, y solamente en este caso,
el rango de A es igual al rango de la matriz aumentada (A | B).
Una solucin a un sistema A X = B de m ecuaciones lineales con n incgnitas no
tiene solucin nica si n > m.
Un sistema de ecuaciones lineales A X = B tiene solucin nica si y slo si el sistema
reducido correspondiente tiene la misma solucin.
Si el sistema de ecuaciones lineales A X = B de m ecuaciones y n incgnitas es
consistente, y si r es el rango por filas de la forma escalonada reducida de la matriz
aumentada del sistema, entonces:
1.- Si r < n, el sistema tiene un nmero indeterminado de soluciones. Las soluciones
se expresan en base a n r variables.
2.- Si r = n, el sistema tiene solucin nica.
3.- Si m < n, entonces r d m < n, y el sistema tiene un nmero indeterminado de
soluciones.
T E O R E M A 4.2.10
Un sistema homogneo de n ecuaciones lineales algebraicas con m
incgnitas tiene un nmero indeterminado de soluciones si m > n.
Escribimos el sistema homogneo de ecuaciones lineales como A X = O con la
matriz A de n x m. Este sistema tiene n ecuaciones y m incgnitas. Si hay ms
incgnitas que ecuaciones, m > n. Ahora, Rang(A) es el nmero de filas distintas de
cero de A R y no puede ser mayor que n. Como Rang(A) d n, m Rang(A) t m n >
0. Por lo tanto, existe al menos una incgnita independiente a la que se puede asignar
cualquier valor en la solucin general y, por tanto, se le pueden dar valores distintos
de cero llegando a un nmero indeterminado de soluciones.
Ahora podemos bosquejar ahora un procedimiento para resolver el sistema
homogneo de ecuaciones lineales A X = O:
P ASO 1. Reducir A a A R. Como el sistema reducido tiene las mismas soluciones
que el sistema original, trabajaremos con el sistema reducido A R X = O;
P ASO 2. En el sistema A R X = O, determine si cada incgnita es dependiente o
independiente de acuerdo con el siguiente criterio. Si la columna j contiene el
elemento principal de cualquier fila de A, llame a xj dependiente; si no es as, xj es
independiente;
P ASO 3. Exprese cada incgnita dependiente en trminos de las independientes,
usando las filas de A R. Si, por ejemplo, xj es dependiente porque la columna j
contiene el elemento principal de la fila i, podemos resolver para xj en trminos de
JOE GARCIA ARCOS
153
las incgnitas independientes mediante la ecuacin i;

P ASO 4. Para obtener la solucin, a las incgnitas independientes se les puede
asignar cualquier valor; las incgnitas dependientes se expresan en trminos de las
independientes usando el paso 3.
T E O R E M A 4.2.11
Si A es una matriz de n x m, el nmero de escalares arbitrarios en la
solucin general del sistema homogneo de ecuaciones lineales A X = O es
m Rang(A).
Si la matriz A es de n x m, el nmero de incgnitas independientes es igual al
nmero total de incgnitas m menos el nmero de incgnitas dependientes. Pero el
nmero de incgnitas dependientes es el nmero de filas de A R que tienen entradas
principales y, por lo tanto, es igual al nmero de filas distintas de cero de A R, es
decir, el rango de A.
T E O R E M A 4.2.12
Una solucin de un sistema de ecuaciones lineales A X = B es nica si y
slo si el sistema homogneo de ecuaciones A X = O tiene solucin
trivial.
Supongamos que X y Y son soluciones. Entonces A X = B y A Y = B, y por
sustraccin A(X Y) = O. Como quiera que si la ecuacin homognea tiene
solucin trivial, entonces X Y = O y X = Y. Esto muestra la unicidad.
Recprocamente, suponiendo que Z z O es una solucin de la ecuacin homognea,
es decir A Z = O, mientras que X es una solucin de A X = B, entonces X + Z
tambin es solucin, puesto que
A(X + Z) = A X + A Z = B + O = B.
Esta es una contradiccin a la unicidad.
T E O R E M A 4.2.13
La solucin general del sistema no homogneo de ecuaciones, A X = B,
se puede obtener al sumar la solucin general del sistema homogneo
A X = O a cualquier solucin particular del sistema no homogneo.
Supongamos que Z es una solucin particular del sistema no homogneo, entonces
A Z = B. Suponiendo que X es cualquier otra solucin particular, entonces
A X = B y A(X Z) = A X A Z = B B = O.
De donde, Y = X Z es una solucin del sistema de ecuaciones homogneas y
entonces se puede obtener de la solucin general del sistema de ecuaciones
homogneas para una eleccin apropiada de ciertos parmetros. As, X = Z + Y, y
como X es cualquier solucin particular, podemos obtener la solucin general del
sistema no homogneo al sumar la solucin general del sistema homogneo a una
solucin particular del sistema no homogneo.
T E O R E M A 4.2.14
Un sistema de n ecuaciones lineales algebraicas homogneas con n
incgnitas tiene un nmero indeterminado de soluciones si y slo si el
determinante de la matriz de coeficientes es cero.
Si Det(A) no es cero la matriz A es no singular. Entonces, al multiplicar los dos
miembros del sistema A X = O por A -1 obtendremos A -1 A X = O, es decir X = O.
Por lo tanto, si Det( A) z 0, entonces X = O ser la nica solucin de A X = O.
Supongamos a continuacin que el sistema A X = O quede satisfecho por un
vector Y distinto de cero. Si k es el rango de A, entonces n k tiene que ser, por
lo menos, igual a 1. Dicho de otro modo, el rango por filas de A ser
JOE GARCIA ARCOS
154
estrictamente menor que n. Pero A no puede ser no singular, es singular y, por lo

tanto, Det(A) = 0.
% RESUELVE UN SISTEMA DE ECUACIONES
clc;clear;
fprintf('\n SISTEMA DE ECUACIONES AX=B \n')
fil=input('Ingrese el numero de ecuaciones: ');
col=input('Ingrese el numero de incognitas: ');
fprintf('\nIngrese los coeficientes y terminos independientes del sistema\n')
for f=1:fil
fprintf('\n Ingrese los coeficientes (%d)\n', f)
for c=1:col
A(f,c)=input(' :');
end
end
fprintf('\n Ingrese los coeficientes de B \n')
%for f=1:col
for c=1:fil
B(c,1)=input(' :');
end
fprintf('\n LA MATRIZ DE COEFICIENTES A ES:\n')
A
end
fprintf('El VECTOR B es:\n')
B
end
fprintf('LA MATRIZ REDUCIDA DE A ES:')
R1= rref(A);
R1
fprintf('EL RANGO DE LA MATRIZ A ES:')
RangA=rank(A)
fprintf('\n LA MATRIZ AUMENTADA ES: \n',c);
C=[A,B];
C
fprintf('LA MATRIZ REDUCIDA DE C ES:')
R2= rref(C);
R2
fprintf('EL RANGO DE LA MATRIZ AUMENTADA C ES:')
RangC=rank(C)
end
end
if RangC==col
fprintf('EL SISTEMA DE ECUACIONES TIENE SOLUCION UNICA\n')
end
if RangA<col
fprintf('EL SISTEMA DE ECUACIONES TIENE MAS DE UNA SOLUCION\n')
end
if RangA~=RangC
fprintf('EL SISTEMA DE ECUACIONES NO TIENE SOLUCION\n')
end
end
EJ E M P L O 4.2.4
Resuelva el sistema de ecuaciones siguiente:
x 3y z u 3
2x z u 1
y 4z u 6
y z 5u 16
JOE GARCIA ARCOS
155
SO L U C I O N
Construimos la matriz aumentada (A|B) y luego procedemos por el mtodo de Gauss
Jordan:
1 3 1 1 3
1
2 0 1 1
0 1 4 1
6
0 1 1 5 16
A la primera fila le multiplicamos por 2 y luego le restamos la segunda fila:
1 3 1 1 3
0 6 1 3 5
0 1 4 1
6
0 1 1 5 16
A la tercera fila le multiplicamos por 6 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por 6 y luego le sumamos la segunda fila, a la primera
fila le multiplicamos por 2 y luego le restamos la segunda fila:
2 0 1 1
1
0
6
1

3
5
0 0 25 3
41
0 0 5 27 91
A la primera fila le multiplicamos por 25 y luego le restamos la tercera fila, a la
segunda fila le multiplicamos por 25 y luego le restamos la tercera fila, a la cuarta
fila le multiplicamos por 5 y luego le sumamos la tercera fila:
25 0 0 11 8
0 25 0 13 14
0 0 25 3
41
1
3
0 0 0
A la primera fila le restamos 25 veces la cuarta fila y luego dividimos toda la fila
para -25, a la segunda fila le sumamos 13 veces la cuarta fila y luego dividimos toda
la fila para 25, a la tercera fila le restamos 3 veces la cuarta fila y luego dividimos
toda la fila para 25:
1 0 0 0 41
25
53
0 1 0 0
25
32
0 0 1 0
25
0 0 0 1
3
Por lo tanto Rang(A) = Rang(A|B) = 4 y la solucin est dada por el vector siguiente:
X
41

25
53
25
32
3 .
25
EJ E M P L O 4.2.5
Resuelva el sistema
x 3 y 2z 0
a.-
;
2 x y 3z 0
2 x 3 y 5 z 2
b.- 3x 2 y 4 z 1 ;
4 x 2 y 3z 3
x 3y z 1
c.- 2 x y 2 z 3 .
4 x 2 y 4 z 6
SO L U C I O N
a.- Este sistema se puede resolver fcilmente sin matrices, pero queremos ilustrar el
mtodo matricial.
PASO 1. Reducir A. Procedemos como sigue: Sumar 2 veces la fila 1 a la fila 2
JOE GARCIA ARCOS
156
1 3 2
0 5 1
multiplicar la fila 2 por -1/5

1 3 2
0 5 1
5
sumar 3 veces la fila 2 a la fila 1

7
1 0 5
AR .
0 1 1
PASO 2. Identificar las incgnitas dependientes e independientes. La entrada

principal de la fila 1 est en la columna 1, as que x es dependiente; anlogamente, y
es dependiente. Finalmente, z es independiente.
PASO 3. Escribimos las incgnitas dependientes en trminos de las independientes.
De la fila 1 de A R, x + 7z/5 = 0, as que x = - 7z/5. De la fila 2, y - z/5 = 0, as que y =
z/5. En estas ecuaciones z es arbitraria.
PASO 4. Por conveniencia, sea x = - 7t/5, y = t/5. En forma matricial, la solucin es
T
7t t
t .

5
5
Esta expresin se llama solucin general del sistema porque obtenemos todas las
soluciones dando a t diferentes valores.
b.- Primero: resolvemos el sistema no homogneo de ecuaciones lineales A X = B.
Construimos la matriz aumentada del sistema:
2 3 5 2
3 2 4 1
4 2 3 3
A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila, a

la tercera fila le restamos 2 veces la primera fila:
2 3 5 2
0 13 7 4
0 8 13
1
A la primera fila le multiplicamos por 13 y luego le sumamos 3 veces la segunda fila,

a la tercera fila le multiplicamos por 13 y luego le restamos 8 veces la segunda fila:
13 0 43 7
0 13 7 4
0
0
5
1
A la primera fila le multiplicamos por 5 y luego le restamos 43 veces la tercera fila y

a continuacin dividimos toda la fila para 65, a la segunda fila le multiplicamos por 5
y luego le sumamos 7 veces la tercera fila y despus dividimos toda la fila para -65:
1 0 0 8
65
1
0 1 0
5
0 0 1
5
Por lo tanto, la solucin est dada por el vector siguiente:

X
8 1 1

.
65 5 5
Segundo: resolvemos el sistema homogneo de ecuaciones lineales A X = O:
X1
JOE GARCIA ARCOS
157
2 3 5 2 3 5 13 0 43
3 2 4 | 0 13 7 | 0 13 7 |
4 2 3 0 8 13 0
0
5

Por lo tanto, la solucin est dada por el vector siguiente: X 2
0
0
0 0
1 0
0 1
0 0 .
La solucin al sistema esta dada por X 1 + X 2, es decir:

8
8
65
0
1 165
X 5 0 5 .
1 0 1
5 5
Por lo tanto queda comprobado que el sistema tiene una nica solucin.
c.- Encontramos la solucin del sistema A X = B:
1 3 1 1 1 3 1 1 7 0 5 10
2 1 2 3 | 0 7 4 1 | 0 7 4 1
4 2 4 6 0 14 8 2 0 0 0
0

De aqu que la solucin general del sistema A X = B es

1
X (t )
10 5t 1 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 1, obtenemos una solucin particular:
1
X (1)
15 5 7 T .
7
A continuacin encontramos la solucin general del sistema A X = O:
1 3 1 0 1 3 1 0 7 0 5 0
2 1 2 0 | 0 7 4 0 | 0 7 4 0
4 2 4 0 0 14 8 0 0 0 0 0

De aqu que la solucin general del sistema A X = O es

1
X (t )
5t 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 7, obtenemos una solucin particular:
X (7)
4 7 .
T
Por lo tanto la matriz X = X(7) + X(1) es solucin del sistema A X = B, es decir

1
X
50 33 56 T .
7
EJ E M P L O 4.2.6
Utilizando el mtodo de Gauss-Jordan, solucionar los siguientes sistemas de
ecuaciones lineales:
x y 3 z 1
2x y z 2
2 x y 3z 3
2x y 2z 1
x 3y z 5
3x y 5 z 0
a.-
; b.-
; c.-
.
x

y

z
3
x

y

5
z

7
4x y z 3
x 2 y 3 z 1
2 x 3 y 3 z 14
x 3 y 13z 6
SO L U C I O N
a.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
la primera fila, a la cuarta fila le restamos la primera fila:
1 1 3 1
3
0 1 4
0 0 1
4
0 1 0
2
JOE GARCIA ARCOS
158
a la primera fila le sumamos la segunda fila:

1 0 1
0 1 4
0 0 1
0 1 0
3
1
2
a la primera fila le restamos la tercera fila, a la segunda fila le restamos la tercera
fila:
1 0 0 1
0 1 0 1
0 0 1 1
0 1 0 2
a la cuarta fila le restamos la segunda fila:

1 0 0 1
0 1 0 1
0 0 1 1
0 0 0 1
por la cuarta fila, tenemos que el sistema de ecuaciones no tiene solucin.

b.- Multiplicamos la segunda fila por 2 y luego le restamos la primera fila,
multiplicamos la tercera fila por 2 y luego le restamos la primera fila, a la cuarta fila
le restamos la primera fila:
2 1 1
2
0
5
1
8
0 1 9 16
0 1 2
6
a la primera fila le multiplicamos por 5 y luego le restamos la segunda fila,

multiplicamos la tercera fila por 5 y luego le restamos la segunda fila,
multiplicamos la cuarta fila por 5 y luego le restamos la segunda fila:
5 0 2
1
8
0 5 1
0 0 1 2
0 0 1 2
a la primera fila le restamos 2 veces la tercera fila, a la segunda fila le restamos la

tercera fila y a la cuarta fila le sumamos la tercera fila:
1 0 0 1
0 1 0 2
0 0 1 2
0 0 0 0
el sistema tiene solucin nica, por lo tanto la solucin general es: X (1 2 2)T .
c.- Multiplicamos la segunda fila por 2 y luego le restamos 3 veces la primera fila, a
la tercera fila le restamos 2 veces la primera fila, a la cuarta fila le multiplicamos por
2 y luego le restamos la primera fila:
2 1 3
3
0 5 19 9
0 1 5
3
0 7 29 15
JOE GARCIA ARCOS
159
a la primera fila le multiplicamos por 5 y luego le sumamos la segunda fila, a la

tercera fila le multiplicamos por 5 y luego le restamos la segunda fila, a la cuarta
fila le multiplicamos por 5 y luego le restamos 7 veces la segunda fila:
5 0 2
3
0 5 19 9
0 0 1
1
0 0 1
1
a la primera fila le sumamos 2 veces la tercera fila, a la segunda fila le sumamos

19 veces la tercera fila y a la cuarta fila le restamos la tercera fila:
1 0 0 1
0 1 0 2
0 0 1 1
0 0 0 0
el sistema tiene solucin nica, por lo tanto la solucin general es:

X (1 2 1)T .
EJ E M P L O 4.2.7
x y 3u w 0
x y z u w 7
3x 2 y z u 3w 2
x

y

2
z

u
0
a.-
; b.-
.
4
x

2
y

6
z

3
u

4
w
0
y 2 z 2u 6w 23
2 x 4 y 2 z 4u 7 w 0
5 x 4 y 3z 3u w 12
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
1 1 0 3 1 0
0 2 2 2 1 0
0 2 2 5 0 0
0 2 2 10 5 0
multiplicamos la primera fila por 2 y luego le restamos la segunda fila, a la tercera

fila le restamos la segunda fila y a la cuarta fila le sumamos la segunda fila:
2 0 2 4 1 0
0 2 2 2 1 0
0 0 0 3 1 0
0 0 0 3 1 0
multiplicamos la primera fila por 3 y luego le sumamos 4 veces la tercera fila,

multiplicamos la segunda fila por 3 y luego le restamos 2 veces la tercera fila y a
la cuarta fila le restamos la tercera fila:
6 0 6 0 7 0
0 6 6 0 5 0
0 0 0 3 1 0
0 0 0 0 0 0
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un

nmero indeterminado de soluciones y stas se dan de la siguiente manera:
JOE GARCIA ARCOS
160

T
7t
5t
t
r
r
t .
r
6
6
3
b.- A la segunda fila le restamos 3 veces la primera fila y a la cuarta fila le restamos
5 veces la primera fila:
1 1 1 1 1
7
0 1 2 2 6 23
0 1 2 2 6
23
0 1 2 2 6 23
a la primera fila le restamos la segunda fila, a la tercera fila le sumamos la

segunda fila y a la cuarta fila le restamos la segunda fila:
1 0 1 1 5 16
23
0 1 2 2 6
0 0 0 0 0
0
0 0 0 0 0
0
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un

nmero indeterminado de soluciones y stas se dan de la siguiente manera:
X
t r s 16
23 2t 2r 6s t
r s .
T
EJ E M P L O 4.2.8
x 4 y 6 z 4u w 0
2x y z u w 2
x y 4 z 6u 4 w 0
x 2y z u w 0
a.- 4 x y z 4u 6w 0 ; b.- x y 3z u w 3 .
6 x 4 y z u 4 w 0
x y z 4u w 2
x y z u 5w 5
4 x 6 y 4 z u w 0
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila, a la cuarta fila le restamos 6 veces la primera fila y a la quinta fila le
restamos 4 veces la primera fila:
1 4
6
4
1 0
2
3 0
0 3 2
0 15 23 12 2 0
0 20 35 23 2 0

0 10 20 15 3 0
a la primera fila le multiplicamos por 3 y luego le restamos 4 veces la segunda fila, a

la tercera fila le restamos 5 veces la segunda fila, a la cuarta fila le multiplicamos por
3 y luego le restamos 20 veces la segunda fila, a la quinta fila le multiplicamos por 3
y luego le restamos 10 veces la segunda fila:
3 0 10
20
15 0
2
3
0
0 3 2
0 0 13 22 13 0
0 0 65 109 66 0

0 0 40 65 39 0
a la primera fila le multiplicamos por 13 y luego le sumamos 10 veces la tercera fila,

a la segunda fila le multiplicamos por 13 y luego le restamos 2 veces la tercera fila, a
la cuarta fila le restamos 5 veces la tercera fila, a la quinta fila le multiplicamos por
JOE GARCIA ARCOS
161
13 y luego le restamos 40 veces la tercera fila:

39 0
0
40 65
70 65
0 39 0
0
0 13 22 13
0
0
1
1
0
0
0
0
35 13
0
0
0
0
a la primera fila le restamos 40 veces la cuarta fila, a la segunda fila le restamos 70
veces la cuarta fila, a la tercera fila le sumamos 22 veces la cuarta fila, a la quinta fila
le restamos 35 veces la cuarta fila:
39 0
0 0 105 0
0 39 0 0 135 0
0
0 13 0 35 0
0
0 1 1 0
0
0
0
0 0 1
0
a la primera fila le restamos 105 veces la quinta fila, a la segunda fila le restamos 13
veces la quinta fila, a la tercera fila le sumamos 35 veces la quinta fila, a la cuarta fila
le sumamos la quinta fila:
39 0
0 0 0 0
0 39 0 0 0 0
0
0 13 0 0 0
0
0 1 0 0
0
0
0
0 0 1 0
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene

solucin nica y sta se expresa de la siguiente manera:
x = y = z = u = w = 0.
b.- A la segunda fila le multiplicamos por 2 y luego le restamos la primera fila, a la
tercera fila le multiplicamos por 2 y luego le restamos la primera fila, a la cuarta fila
le multiplicamos por 2 y luego le restamos la primera fila, a la quinta fila le
multiplicamos por 2 y luego le restamos la primera fila:
2 1 1 1 1 2
0 3 1 1 1 2
0 1 5 1 1 4
0 1 1 7 1 6
0 1 1 1 9 8
a la tercera fila le multiplicamos por 3 y luego le restamos la segunda fila, a la cuarta

fila le multiplicamos por 3 y luego le restamos la segunda fila, a la quinta fila le
multiplicamos por 3 y luego le restamos la segunda fila:
3 0 1 1 1
4
0 3 1 1 1 2
0 0 7 1 1
7
0 0 1 10 1 8
0 0 1 1 13 13
a la primera fila le multiplicamos por 7 y luego le restamos la tercera fila, a la

segunda fila le multiplicamos por 7 y luego le restamos la tercera fila, a la cuarta fila
le multiplicamos por 7 y luego le restamos la tercera fila, a la quinta fila le
multiplicamos por 7 y luego le restamos la tercera fila:
JOE GARCIA ARCOS
162
0
0
0
0
0
7
0
0
0
0 2 2
0 2 2
7 1 1
0 23 2
0 1 15
7
7
21
14
a la primera fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a

la segunda fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a la
tercera fila le multiplicamos por 23 y luego le restamos la cuarta fila, a la quinta fila
le multiplicamos por 23 y luego le restamos la cuarta fila:
161 0
0
0 42 203
0 42 119
0 161 0
0
0 161 0 21 182
0
0 23 2
21
0
0
0
0
0 1
1
a la primera fila le restamos 42 veces la quinta fila, a la segunda fila le restamos 42

veces la quinta fila, a la tercera fila le restamos 21 veces la quinta fila, a la cuarta fila
le restamos 2 veces la quinta fila:
161 0
0
0 0 161
0 0 161
0 161 0
0
0 161 0 0 161
0
0 23 0 23
0
0
0
0
0 1
1
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene

solucin nica y sta se expresa de la siguiente manera:
x = 1, y = -1, z = 1, u = -1, w =1.
EJ E M P L O 4.2.9
Cul es la condicin para que tres rectas
a1 x b1 y c1 0
a2 x b2 y c2 0
a x b y c 0
3
3
3
pasen por un punto?
SO L U C I O N
Las tres rectas forman un sistema de ecuaciones lineales no homogneo
a1 x b1 y c1 0
a2 x b2 y c2 0
a x b y c 0
3
3
3
y, para que estas tres rectas pasen por un punto, el determinante formado por los
coeficientes del sistema y trminos independientes debe ser igual a cero, es decir:
a1 b1 c1
a2 b2 c2 0 .
a3 b3 c3
I II. M E T O D O D E C R A M E R
La definicin de un determinante de n x n es sugerida por sistemas de n ecuaciones
en incgnitas y en el presente mtodo se deducir la regla de Cramer, que expresa
las soluciones como cocientes de determinantes.
JOE GARCIA ARCOS
163
Para el trabajo numrico, son preferibles otras frmulas, pero la regla de Cramer
tiene un inters prctico. Aunque para la resolucin numrica es el mtodo de
reduccin ms rpido, sobre todo si los coeficientes son nmeros decimales, tiene
gran importancia la resolucin por medio de determinantes, pues permite hacer a
discusin completa de los sistemas de ecuaciones lineales.
El valor de cada incgnita se obtiene dividiendo por el determinante del sistema, el
determinante formado sustituyendo por los trminos independientes que estn en los
segundos miembros, la columna que forman los coeficientes de dicha incgnita.
T E O R E M A 4.2.15
Sea A una matriz no singular de n x n. Entonces la nica solucin del
sistema no homogneo A X = B est dada por
Det( A kB )
x k = xk
para k = 1, 2, ..., n,
Det( A )
donde A kB es la matriz de orden n x n que se obtiene reemplazando la
columna k de A con B.
Si Det(A) z 0, entonces la matriz A es no singular y, por lo tanto X = A -1 B es la
solucin nica de A X = B. Por consiguiente se tiene
X = A -1 B
1
=
Adj( A ) B
Det( A )
Det( A n1 ) b1
Det( A 11 ) Det( A 21 )

Det( A n 2 ) b2
1 Det( A 12 ) Det( A 22 )
=

Det( A )

Det( A nn ) bn
Det( A 1n ) Det( A 2 n )
b1Det( A 11 ) + b2 Det( A 21 ) + + bn Det( A n1 )
1 b1Det( A 12 ) + b2 Det( A 22 ) + + bn Det( A n 2 )

=
.
Det( A )
b1Det( A 1n ) + b2 Det( A 2 n ) + + bn Det( A nn )

Por tanto, el elemento de la j-sima fila de X es
b1Det( A 1 j ) + b2 Det( A 2 j ) + + bn Det( A nj )
x( j ) =
.
Det( A )
Ahora, sea
a1 j 1 b1 a1 j 1
a1n
a11 a12
a2 j 1 b2 a2 j 1
a2 n
a21 a22
Aj
,
an1 an 2
anj 1 bn anj 1
ann
Dado que A j difiere de A nicamente en la j-sima columna, los cofactores de los

elementos b1, b2, ..., bn de A j son iguales a los cofactores de los elementos
correspondientes que estn en la j-sima columna de A. Como consecuencia, el
desarrollo por cofactores de Det(A j) a lo largo de la j-sima columna es
Det(A j) = b1Det(A 1j) + b2Det(A 2j) + ... + bnDet(A nj).
Det( A j )
Al sustituir este resultado en (1) se obtiene x j
.
Det( A )
Para resolver un sistema de n ecuaciones en n incgnitas por la regla de Cramer, se

necesita evaluar n + 1 determinantes de n x n. Desde el punto de vista del clculo,
para sistemas con ms de tres ecuaciones, la eliminacin gaussiana resulta superior,
JOE GARCIA ARCOS
164
puesto que slo se ha de reducir una matriz aumentada (A | B) de n x n + 1. Sin

embargo, la regla de Cramer da una frmula para la solucin.
Debemos mencionar que es posible, aunque no muy prctico, aplicar la regla de
Cramer a sistemas de m ecuaciones lineales en n incgnitas. Si la matriz de los
coeficientes A y la matriz aumentada (A | B) tienen el mismo rango k, se sabe que
pueden asignrseles valores arbitrarios a n k incgnitas apropiadas, llammoslas
xk+1, xk+2, ..., xn, tales que la submatriz de los coeficientes de las otras incgnitas x1, x2,
..., xk tenga rango k.
Esto implica que A y (A | B) tienen k vectores filas linealmente independientes,
digamos los primeros k vectores fila, y si k < m, entonces cualquiera de los otros
vectores fila es una combinacin lineal de aquellos. Se deduce que las m k
ecuaciones correspondientes pueden reducirse a la forma 0 = 0 mediante operaciones
elementales. De esto se ve que pueden omitirse esas m k ecuaciones del sistema.
Ahora puede escribirse el sistema reducido en la forma
a11 x1 a12 x2 a1k xk b1 ( a1 k 1 xk 1 a1 n xn )
a21 x1 a22 x2 a2 k xk b2 ( a2 k 1 xk 1 a2 n xn )
a x a x a x b (a
a k n xn )
k2 2
kk k
k
k k 1 xk 1
k1 1
donde, si k = n, las expresiones de la derecha son b1, b2, ..., bk y resolverlo para x1,
x2, ..., xk mediante la regla de Cramer.
% RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES
clc;clear;
fprintf('\n METODO DE CRAMER \n')
fil=input('Ingrese el numero de incognitas: ');
fprintf('Ingrese los coeficientes del sistema de ecuaciones\n')
for f=1:fil
for c=1:fil
A(f,c)=input(' :');
end
end
fprintf('\n Ingrese los terminos independientes\n')
%for f=1:fil
for c=1:fil
B(c,1)=input(' :');
end
%end
N=A(:,:);
A
for c=1:fil
N(:,c)=B(:,1)
DetN=det(N)
DetA=det(A)
fprintf('\n La incognita (%d) es igual X : ', c)
X=det(N)/det(A);
X
N=A(:,:);
end
end
if DetA==0
end
end
% RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES
JOE GARCIA ARCOS
165
clc;clear;
fprintf('\n METODO DE CRAMER GENERALIZADO \n')
fil=input('Ingrese el numero de incognitas: ');
fprintf('Ingrese los coeficientes del sistema de ecuaciones\n')
for f=1:fil
for c=1:fil
A(f,c)=input(' :');
end
end
fprintf('\n Ingrese los terminos independientes\n')
%for f=1:fil
for c=1:fil
B(c,1)=input(' :');
end
end
fprintf('LA MATRIZ A ES :\n')
A
end
DetA=det(A)
end
fprintf('LA MATRIZ B ES:\n')
B
fprintf('LA INVERSA DE A ES:\n')
C=inv(A)
fprintf('EL VECTOR SOLUCION X ES:\n')
X=inv(A)*B;
X
end
end
if DetA==0
end
end
EJ E M P L O 4.2.10
Resolver el sistema
x 3 y 4z 1
a.- x y 3z 14 ;
y 3z 5
( a 1) x y z a 2 3a
b.- x ( a 1) y z a 3 3a 2 .
4
3
x y ( a 1) z a 3a
SO L U C I O N
a.- La matriz de coeficientes es
1 3 4
1 1 3 .
0 1 3
Encontramos que Det(A) = 13. Por la regla de Cramer,

1 3 4
1 1 4
1
117
1
10
x
Det 14 1 3
9 , y
Det 1 14 3 ,
13
13
13
13
5 1 3
0 5 3
1 3 1
1
25
z
Det 1 1 14
.
13
13
0 1 5
b.- La matriz de coeficientes es

A
JOE GARCIA ARCOS
166
1
1
a 1
1
a

1
1
1
1
a 1
Encontramos que Det(A) = a3 + 3a2. Por la regla de Cramer,

A
1
1
a 1
a 1
a 4 3a 3
a 3 3a 2
a 1
a 3a
a 3a
1
3
a 3 3a 2
a 2 3a
a 1
a 2 3a
a 3 3a 2
1
1
a 3a
a 2 3a
a 1 a 3 3a 2
1
a 4 3a 3
3a 2 2 a 3 a 5
a 3 3a 2
a2 2 ,
2 a 4 5 a 3 3a 2
2a 1 ,
a 3 3a 2
a 1
a 6 5 a 5 5 a 4 4 a 3 3a 2
a 3 3a 2
a 3 2a 2 a 1
EJ E M P L O 4.2.11
Utilizando el mtodo de Cramer, solucionar los siguientes sistemas de ecuaciones
lineales:
x 2 y 3z 4u 5w 13
x 2 y 3z 4u w 1
2 x y 2 z 3u 4w 10
2 x y 3z 4u 2w 8
a.- 2 x 2 y z 2u 3w 11 ; b.- 3x y z 2u w 3 .
2 x 2 y 2 z u 2w 6
4 x 3 y 4 z 2u 2 w 2
2 x 2 y 2 z 2u w 3
x y z 2u 3w 3
SO L U C I O N
a.- Calculamos los determinantes correspondientes:
13 2 3 4 5
1 13 3 4 5
10 1 2 3 4
2 10 2 3 4
' x 11 2 1 2 3 0 , ' y
2 11 1 2 3 62 ,
6 2 2 1 2
2 6 2 1 2
3 2 2 2 1
2 3 2 2 1
'z
1
2
2
2
2
2 13 4 5
1 10 3 4
2 11 2 3
2 6 1 2
2 3 2 1
62 , 'u
1
2
2
2
2
2
1
2
2
2
3 13 5
2 10 4
1 11 3
2 6 2
2 3 1
0,
1 2 3 4 13
1 2 3 4 5
2 1 2 3 4
2 1 2 3 10
'w
2 2 1 2 11 93 , ' 2 2 1 2 3 31 .
2 2 2 1 2
2 2 2 1 6
2 2 2 2 1
2 2 2 2 3
A continuacin reemplazamos en cada una de las variables, y obtenemos la solucin
general:
' y 62
'x 0
'u 0
' z 62
1 , u
x
0, y
0,
2, z
'
31
' 31
' 31
' 31
JOE GARCIA ARCOS
167
' w 93
3.
' 31
b.- Calculamos los determinantes correspondientes:
1 2 3 4 1
1 1 3 4 1
8 1 3 4 2
2 8 3 4 2
'x
3 1 1 2 1 96 , ' y
3 3 1 2 1
2 3 4 2 2
4 2 4 2 2
3 1 1 2 3
1 3 1 2 3
'z
1 2 1 4 1
2 1 8 4 2
3 1 3 2 1
4 3 2 2 2
1 1 3 2 3
96 , 'u
1 2 3 1 1
2 1 3 8 2
3 1 1 3 1
4 3 4 2 2
1 1 1 3 3
0,
96 ,
1 2 3 4 1
1 2 3 4 1
2 1 3 4 8
2 1 3 4 2
'w
48 , ' 3 1 1 2 1 48 .
3 1 1 2 3
4 3 4 2 2
4 3 4 2 2
1 1 1 2 3
1 1 1 2 3
A continuacin reemplazamos en cada una de las variables, y obtenemos la solucin
general:
'y
' x 96
'u 96
' z 96
0
2 , u
x
2, y
2 ,
0, z
'
48
' 48
'
48
' 48
' w 48
w
1.
' 48
EJ E M P L O 4.2.12
Analizar segn los parmetros dados y solucionar los siguientes sistemas de
(5a 1) x 2 ay (4 a 1) z 1 a
ax ay ( a 1) z a
a.- (4 a 1) x ( a 1) y (4 a 1) z 1 ; b.- ax ay ( a 1) z a .
2(3a 1) x 2 ay (5a 2) z 2 a
( a 1) x ay (2 a 3) z 1
SO L U C I O N
a.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
5a 1
2a 4a 1
4a 1 a 1 4a 1 a 3 a
2(3a 1) 2 a 5a 2
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
az0
a3 a z 0 a(a2 1) z 0 a(a 1)(a + 1) z 0 a z 1

a z 1
por lo tanto a \ {-1, 0, 1}. Cuando a = -1:

1 1 1 1 1 1 3 1
a c c d | 0 0 2 2
2
1 1 4 1
2
2
2
a c c d
JOE GARCIA ARCOS
168
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, si a = -1, el

sistema es inconsistente.
Cuando a = 0:
1 0 1 1 1 1 3 1
1 1 1 1 | 0 0 2 2
2 0 2 2 0 0 1 0

podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, si a = 0, el

sistema es indeterminado.
Cuando a = 1:
6 2 5 2 6 2 5 2
2( a 1)
3
a
3
2
3 0 3 1 | 0 2 1 4 | 4 a 1 a 1 2 a 1 a 6 a 11a 6
8 2 7 1 0 2 1 5
5 a 4 a 1 3a 4

podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, si a = 1, el

sistema es inconsistente.
Para solucionar el sistema de ecuaciones lineales, debemos encontrar la inversa de la
matriz de coeficientes y luego multiplicamos el sistema A X = B a la izquierda por
A -1, para obtener el vector solucin X = A -1 B:
5a 7 a 2
3a 2 a 2
4a 2 a 1
2
a2 1
a ( a 1)
a ( a 1)
1 a
1
1 4a
4a 1
8a 2 7 a
.
X
1
1
2
1 a
a 1
a 1
2 a a 1
2a 2 2a 2
3a 2 2 a 1
5a 2 a 1

2
a2 1
a ( a 1)
a ( a 1)
b.- El primer paso es calcular el determinante de la matriz de coeficientes del

sistema:
a
a a 1
a
a a 1
2 a
a 1 a 2a 3
matriz de coeficientes debe ser diferente de cero: - 2a z 0 a z 0 por lo tanto
a \ {0}.
Cuando a = 0:
0 0 1 0 0 0 1 0
0 0 1 0 | 0 0 0 0
1 0 3 1 1 0 3 1

podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando

a = 0, el sistema es indeterminado.
a4
a2
1
2
2
a 1 a
a 2 3a 1

a2 a 1
X

1 a a .
2a
2a
1 0
1
1

0
2
2
JOE GARCIA ARCOS
169
EJ E M P L O 4.2.13
ax (2 a 1) y ( a 2) z 1
a.-
;
( a 1) y ( a 3) z 1 a
ax (3a 2) y (3a 1) z 2 a
2( a 1) x 3 y az a 4
b.- (4 a 1) x ( a 1) y (2 a 1) z 2 a 2 .
(5a 4) x ( a 1) y (3a 4) z a 1
SO L U C I O N
sistema:
a 2a 1 a 2
0 a 1 a 3
a 3 a 2 2a
a 3a 2 3a 1
az0
a3 + a2 2a z 0 a(a2 + a 2) z 0 a(a 1)(a + 2) z 0 a z 1

a z 2
por lo tanto a \ {-2, 0, 1}. Cuando a = -2:

2 5 0 0 2 5 0 0 2 5 0 0
0 3 5 1 | 0 3 5 1 | 0 3 5 1
2 8 5 4 0 3 5 4 0 0 0 5


a = -2, el sistema es inconsistente. Cuando a = 0:
1 1 1 1 0 1 2 1 0 1 2 1
a c c d | 0 0 5 0 | 0 0 5 0
2
0 0 3 0 0 0 0 0
2
2
2

a c c d
podemos observar que el Rang(A) = 2 y el Rang(A B) =
a = 0, el sistema es indeterminado. Cuando a = 1:
1 1 3 1 1 1 3 1 1 1

0 0 2 2 | 0 0 2 2 | 0 0
1 1 4 1 0 0 1 0 0 0

2. Por lo tanto, cuando
3 1
2 2
0 2
a = 1, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
debemos encontrar la inversa de la matriz de coeficientes y luego multiplicamos el
sistema A X = B a la izquierda por A -1, para obtener el vector solucin X = A -1 B:
4 a 2 12 a 10
9a 7
3a 2 5 a 3
a 2 8a 5
a ( a 1)( a 2) a (1 a )( a 2) a ( a 1)( a 2) 1 (1 a )( a 2)
3a 2 3a 2
a 3
2a 1
a 3
.
X
1 a
(1 a )( a 2)
( a 1)( a 2)
(1 a )( a 2)
( a 1)( a 2)
2 a
1
1
1
2a

a2
a2
a2
a2

sistema:
JOE GARCIA ARCOS
170
2( a 1)
3
a
4 a 1 a 1 2 a 1 a 3 6 a 2 11a 6
5 a 4 a 1 3a 4
a z1
a3 - 6a2 + 11a - 6 z 0 (a 1)(a 2)(a - 3) z 0 a z 2

a z 3
por lo tanto a \ {1, 2, 3}.

Cuando a = 1:
4 3 1 5 4 3 1 5 4 3 1 5
3 2 1 4 | 0 1 1 1 | 0 1 1 1
1 2 1 0 0 5 5 5 0 0 0 0


a = 1, el sistema es indeterminado.
Cuando a = 2:
6 3 2 6 6 3 2 6

7 3 3 6 | 0 3 4 6
6 3 2 1 0 0 0 5
podemos observar que el Rang(A)

a = 2, el sistema es inconsistente.
Cuando a = 3:
8 3 3 7 8

11 4 5 8 | 0
11 4 5 2 0

= 2 y el Rang(A B) = 3. Por lo tanto, cuando
3 3 7 8 3 3 7

1 12 13 | 0 1 12 13
1 12 61 0 0 0 48
a = 3, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
2 a 2 4 a 15
a 1
a 6
a 2 5a 3
( a 1)( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3) a 4

( a 2)( a 3)

2a
a4
3a 2
a 18
2 a 2
X
(1 a )( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3)
( a 2)( a 3)
a 1 2
a 1
2a 7
2 a 2 8a 5
3a 3a 21
(1 a )( a 2) (1 a )( a 3) ( a 1)( a 2)( a 3)
(2 a )( a 3)
EJ E M P L O 4.2.14
x ay a 2 z a 3
x yz 1
2
3
a.- x by b z b ; b.- ax by cz d .
2
2
3
2
2
2
a x b y c z d
x cy c z c
SO L U C I O N
sistema:
JOE GARCIA ARCOS
171
1 a
a2
1 b b2
1 c
( a b)( a c )( c b)

b z a
(a b)(a c)(c - b) z 0 c z a a z b z c
b z c
Cuando a = b:
1 b b 2 b3 1 b b 2
b3
2
3
1 b b b | 0 0 0
0

1 c c 2 c 3 1 0 bc bc (b c )

a = b, el sistema es indeterminado.
Cuando a = c:
1 c c 2 c 3 1 c c 2
c3
1 b b 2 b3 | 1 0 bc bc (b c )
0
1 c c 2 c 3 0 0 0

a = c, el sistema es indeterminado.
Cuando b = c:
1 a a 2 a 3 1 0 ac ac ( a c )
1 c c 2 c 3 | 1 c c 2
c3
0
1 c c 2 c 3 0 0 0

b = c, el sistema es indeterminado.
bc
ac
ab
(
a

b
)(
a

c
)
(
a

b
)(
c

b
)
(
a

c
)(
b

c
)
a3
abc
3
bc
ac
a b
X
b
ab ac bc .
(
a

b
)(
c

a
)
(
a

b
)(
b

c
)
(
a

c
)(
c

b
)
3 a b c
c
1
1
1
( a b)( a c ) ( a b)( c b) ( a c )(b c )

sistema:
1 1 1
a b c
( a b)( a c )(c b)
a 2 b2 c 2
JOE GARCIA ARCOS
172
b z a
(a b)(a c)(c - b) z 0 c z a
b z c
a z b z c.
Cuando a = b:
1 1 1 1 1 1
1
1
1
1 1 1
|
|
0
0
b

c
b

d
b
b
c
d
0
0
b

c
b

d
0 0
2
2
2
2
2
2
2
0
(
c

d
)(
b

d
)
b b c d 0 0 b c b d
a = b, el sistema es inconsistente.
Cuando a = c:
1 1 1 1 1
1
1
1
1
1
1 1
cd
c b c d | 0 c b 0 c d | 0 c b 0
0
2
2
2
2
2
2
2
0
0
(
b

d
)(
c

d
)
c
b
c
d
0
c

b
0
c

d

a = c, el sistema es inconsistente.
Cuando b = c:
1 1 1 1 1
1
1
1
|
a
c
c
d
0
a

c
a

c
a

d
2
2
2
2
2
a2 c2 a2 d 2
a c c d 0 a c
1
1
1
1
ad
0 a c a c
0
0
0 ( c d )( a d )

b = c, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
(b d )(c d )
bc
bc
1
( a b)( a c ) ( a b)( c a ) ( a b)( a c ) 1 ( a b)( a c )
( a d )(d c )
ac
ac
1
X
d
.
( a b)( c b) ( a b)(b c ) ( a b)( c b) 2 ( a b)(b c )
d ( a d )(b d )
ab
a b
1
( a c )(b c ) ( a c )( c b) ( a c )(b c )
( a c )(b c )
I V. M E T O D O D E C H O L ESK Y
Si una matriz A de n x n y todas sus submatrices cuadradas principales son no
singulares, entonces A = L U donde L y U son las matrices triangulares inferior y
superior respectivamente. L y U son esencialmente nicas y se especifican los
elementos diagonales de L o bien, de U, son nicas. El punto es que pueden
obtenerse L y U sin resolver ecuaciones simultneas. Para resolver un sistema A X =
B de n ecuaciones en n incgnitas, ahora puede introducirse A = L U, teniendo L U X
= B, y premultiplicando por L -1. Esto da U X = C donde C = L -1 B, y se ve que sta es
la forma triangular del sistema. Primero se determina C a partir de L C = B y, a
continuacin, se resuelve U X = C para X.
Los mtodos numricos se usan principalmente en aquellos problemas para los que
se sabe que la convergencia es rpida, de modo que se obtiene la solucin con mucho
menos trabajo que con un mtodo directo, y para sistemas de orden grande pero con
JOE GARCIA ARCOS
173
muchos coeficientes cero, para los cuales los mtodos de eliminacin seran
relativamente laboriosos y necesitaran mucha memoria en un computador. Los
mtodos de clculo numrico tienen un gran inters en ciertas aplicaciones de las
Matemticas a la resolucin de problemas en variadas reas de la ingeniera, y entre
aquellos mtodos destacan los que hacen referencia a la resolucin de sistemas de
ecuaciones lineales.
EJ E M P L O 4.2.15
Resuelva el siguiente sistema de ecuaciones lineales
x 2 y 3z 14
2 x 3 y 4 z 20 .
3x 4 y z 14
SO L U C I O N
La matriz A de coeficientes del sistema es simtrica. Esto
pueden determinarse los elementos de U a partir de
0 a11 a12
1 2 3 a11 0

2
3
4
a
a
0 0 a22
22
12
3 4 1 a
13 a23 a33 0
implica que L = U T y
a13
a23
a33
multiplicando e igualando los elementos correspondientes. Sucesivamente se obtiene

2
a11 a12
a11 a13
1 2 3 a11
2
2
a12
a22
a12 a13 a22 a23
2 3 4 a11 a12
3 4 1
2
2
2
a23
a33
a11 a13 a12 a13 a22 a23 a13
a11
1, a11 a12 2, a11 a13 3
a11 1, a12 2
2
2
a13 3, a22 i .
a11 a12 2, a12 a22 3, a12 a13 a22 a23 4
a
2
2
2
23 2i , a33 2i
a11 a13 3, a12 a13 a22 a23 4, a13 a 23 a33 1

De aqu que L C = B tiene la forma
c1 14
1 0 0 c1 14

2 i 0 c2 20 c2 8i
3 2i 2i c 14
c 6i
3
3
Ahora se resuelve
1 2 3 x1

0 i 2i x2
0 0 2i x
x1
14

8
i
x2

6i
x

3
1

2 .
3

V. M E T O D O D E G A USS - SE I D E L
Sea A X = B un sistema de ecuaciones lineales dado n ecuaciones. Sean X 0, X 1, ... la
sucesin iterativa de las aproximaciones sucesivas de Gauss Seidel,
correspondientes a una aproximacin inicial X 0. Se dice que el mtodo converge para
un X 0, si la sucesin iterativa correspondiente converge a una solucin del sistema de
ecuaciones dado.
Sin prdida de generalidad, puede suponerse a ij = 1 para j = 1, 2, ..., n, debido a que
puede lograrse esta forma de A, rearreglando las ecuaciones de modo que no se anule
coeficiente diagonal alguno y, a continuacin, dividiendo cada ecuacin por el
coeficiente diagonal que corresponda. Entonces puede escribirse A = I + L + U,
donde I es la matriz identidad de n filas y L y U son, respectivamente, matrices
triangulares inferior y superior con diagonales principales nulas.
JOE GARCIA ARCOS
174
Sustituyendo esta forma de A en A X = B, se tiene (I + L + U)X = B. Se

acostumbra hacer L = - L y U = -U; entonces (I L U)X = B, de donde de hecho,
U es triangular superior y sus elementos (I L)X = B + U X. De esto se obtiene la
frmula de Gauss Seidel
(I L)X m+1 = B + U X m m = 0, 1, ... (1)
diferentes de cero corresponden a esas posiciones en las que todava tienen que
usarse las aproximaciones antiguas porque las nuevas correspondientes todava no
estn disponibles. En contraste, L es triangular inferior y sus elementos diferentes de
cero corresponden a aquellas posiciones en las que los elementos de la nueva
aproximacin X m+1 ya se tienen disponibles. Resolviendo (1) para X m+1, se tiene
X m+1 = (I L)-1 B + C X m (2)
-1
donde C = (I L) U. La iteracin de Gauss Seidel es un mtodo de correcciones
sucesivas porque se reemplazan las aproximaciones por unas nuevas
correspondientes, tan pronto como stas se han calculado. Este mtodo recibe el
nombre de mtodo de correcciones simultneas si no se usa elemento alguno de una
aproximacin X m+1 hasta que se han calculado todos los elementos X m+1.
EJ E M P L O 4.2.16
Utilizando el mtodo de Gauss-Seidel y cuatro cifras significativas, solucionar los
siguientes sistemas de ecuaciones lineales:
w 0.25 x 0.25 y 0.50
4.1x 0.1y 0.2 z 0.2u 21.14
0.25w x 0.25 z 0.50
0.3x 5.3 y 0.9 z 0.1u 17.82
a.-
; b.-
.

0.25
w

y

0.25
z
0.25
0.2 x 0.3 y 3.2 z 0.2u 9.02

0.25 x 0.25 y z 0.25
0.1x 0.1y 0.2 z 9.1u 17.08
SO L U C I O N
a.- Se escribe el sistema en la forma
w 0.25 x 0.25 y 0.50
x 0.25w 0.25 z 0.50
(1)
y 0.25w 0.25 z 0.25

z 0.25 x 0.25 y 0.25
y se usan estas ecuaciones para la iteracin; es decir, se parte de una aproximacin a
la solucin, digamos w0 = 1, x0 = 1, y0 = 1, z0 = 1 y calculamos una aproximacin
presumiblemente mejor
w1 0.25 0.25 0.50 1.0000
w1 0.25 x0 0.25 y0 0.50
x 0.25w 0.25 z 0.50
x1 0.25 0.25 0.50 1.0000

1
1
0

(2)
y1 0.25 0.25 0.25 0.7500

y1 0.25w1 0.25 z0 0.25
z1 0.25 x1 0.25 y1 0.25

z1 0.25 (0.25)(0.7500) 0.25 0.6875
Se ve que estas ecuaciones se obtienen de las (1), sustituyendo a la derecha las
aproximaciones ms recientes. En efecto, elementos correspondientes reemplazan a
los previos tan pronto como se han calculado, de modo que en la segunda y tercera
ecuaciones se usa w1 y en la ltima ecuacin de (2) se usa x1 y y1. El siguiente paso
da
w2 0.25 x1 0.25 y1 0.50
x 0.25w 0.25 z 0.50
2
2
1
y
0.25
w

0.25
z
2
1 0.25
2
z2 0.25 x2 0.25 y2 0.25
x
2
y2
z2
w2 0.25 (0.25)(0.75) 0.50 0.9375

(0.25)(0.9375) (0.25)(0.6875) 0.50 0.9062
(3)
(0.25)(0.9375) (0.25)(0.6875) 0.25 0.6563
(0.25)(0.9062) (0.25)(0.6562) 0.25 0.6405
JOE GARCIA ARCOS
175
w3
x
3
y3
z3
w3 0.25 x2 0.25 y2 0.50

x 0.25w 0.25 z 0.50
3
3
2
y
0.25
w

0.25
z
3
2 0.25
3
z3 0.25 x3 0.25 y3 0.25
(0.25)(0.9062) (0.25)(0.6563) 0.50
(0.25)(0.8906) (0.25)(0.6405) 0.50
(0.25)(0.8906) (0.25)(0.6405) 0.25
(0.25)(0.8827) (0.25)(0.6327) 0.25
0.8906
0.8827
(4)
0.6327
0.6288
w4
x
4
y4
z4
w4 0.25 x3 0.25 y3 0.50

x 0.25w 0.25 z 0.50
4
4
3
y
0.25
w

0.25
z
4
4
3 0.25
z4 0.25 x4 0.25 y4 0.25

(0.25)(0.8827) (0.25)(0.6327) 0.50
(0.25)(0.8788) (0.25)(0.6288) 0.50
(0.25)(0.8788) (0.25)(0.6288) 0.25
(0.25)(0.8788) (0.25)(0.6268) 0.25
0.8788
0.8768
(5)
0.6268
0.6263
w5
x
5
y5
z5
w5 0.25 x4 0.25 y4 0.50

x 0.25w 0.25 z 0.50
5
5
4
y
0.25
w

0.25
z
5
4 0.25
5
z5 0.25 x5 0.25 y5 0.25
(0.25)(0.8768) (0.25)(0.6268) 0.50
(0.25)(0.8758) (0.25)(0.6263) 0.50
(0.25)(0.8758) (0.25)(0.6263) 0.25
(0.25)(0.8755) (0.25)(0.6255) 0.25
0.8758
0.8755
(6)
0.6255
0.6252
w6
x
6
y6
z6
w6 0.25 x5 0.25 y5 0.50

x 0.25w 0.25 z 0.50
6
6
5
y
0.25
w

0.25
z
6
6
5 0.25
z6 0.25 x6 0.25 y6 0.25

(0.25)(0.8755) (0.25)(0.6255) 0.50
(0.25)(0.8752) (0.25)(0.6252) 0.50
(0.25)(0.8752) (0.25)(0.6252) 0.25
(0.25)(0.8751) (0.25)(0.6251) 0.25
0.8752
0.8751
(7)
0.6251
0.6250
w7 0.25 x6 0.25 y6 0.50

x 0.25w 0.25 z 0.50
7
7
6
y
0.25
w

0.25
z
7
6 0.25
7
z7 0.25 x7 0.25 y7 0.25
(0.25)(0.8751) (0.25)(0.6251) 0.50
(0.25)(0.8750) (0.25)(0.6250) 0.50
(0.25)(0.8750) (0.25)(0.6250) 0.25
(0.25)(0.8750) (0.25)(0.6250) 0.25
0.8750
0.8750
(8)
0.6250
0.6250
w7
x
7
y7
z7
Ubicando todos los resultados en una tabla, obtenemos:
JOE GARCIA ARCOS
176
r
x
y
z
w
0
1.0000
1.0000
1.0000
1.0000
1
1.0000
0.7500
0.6875
1.0000
2
0.9062
0.6563
0.6405
0.9375
3
0.8827
0.6327
0.6288
0.8906
4
0.8768
0.6268
0.6263
0.8788
5
0.8758
0.8755
0.6255
0.8758
6
0.8751
0.6251
0.6250
0.8752
7
0.8750
0.6250
0.6250
0.8750
La solucin exacta es w = x = 0.875, y = z = 0.625.

b.- El sistema de ecuaciones se escribe en la forma:
0.1y 0.2 z 0.2u 21.14
x
4.1

0.3
x

0.9
z
0.1u 17.82
y
5.3

0.2
x

0.3
y
0.2u 9.02
z
3.2
0.1
x

0.1
y
0.2 z 17.08
u
9.1
Comenzando el proceso y ubicando todos los resultados en una tabla, obtenemos:
r
x
y
z
u
0
1.0000
1.0000
1.0000
1.0000
1
5.0340
-3.7980
2.7970
-1.8010
2
5.2000
-4.1650
2.9960
-1.7990
3
5.1990
-4.1990
3.0000
-1.8000
4
5.2000
-4.2000
3.0000
-1.8000
5
5.2000
-4.2000
3.0000
-1.8000
De aqu concluimos que la solucin exacta es: x = 5.2, y = -4.2, z = 3, u = -1.8

EJ E M P L O 4.2.17
Aplicar la iteracin de Gauss Seidel a los sistemas siguientes, partiendo de 1, 1, 1.
10 x y z 13
4 x 2 y z 14
a.- x 10 y z 36 ; b.- x 5 y z 10 .
x y 10 z 35
x y 8 z 20
SO L U C I O N
a.- El sistema de ecuaciones se escribe en la forma:
y z 13
x
10
x z 36
y
10
x y 35
z
10
r
x
y
z
0
1.0000
1.0000
1.0000
1
1.5000
3.3500
3.9850
2
2.0330
2.9980
4.0030
3
2.0000
2.9990
4.0000
4
2.0000
3.0000
4.0000
De aqu concluimos que la solucin exacta es: x = 2, y = 3, z = 4.

b.- El sistema de ecuaciones se escribe en la forma:
JOE GARCIA ARCOS
177
2 y z 14
x
4

x

z 10
y
5
x y 20
z
8
r
x
y
z
0
1.0000
1.0000
1.0000
1
2.7500
1.6500
1.9500
2
2.1870
1.9520
1.9820
3
2.0280
1.9900
1.9970
4
2.0050
1.9980
1.9990
5
2.0010
1.9990
2.0000
6
2.0000
2.0000
2.0000
De aqu concluimos que la solucin exacta es: x = 2, y = 2, z = 2.
V I. M E T O D O D E J A C O BI
Una tcnica iterativa para resolver el sistema de ecuaciones lineales A X = B,
comenzando con la aproximacin inicial x(0) a la solucin x, consiste en generar una
sucesin de aproximaciones x(0), x(1), ..., x(n) que convergern a la solucin x, donde
bi
xi(1)
j 1, j z i
ai j x(0)
j
(0)
(0)
bi ai 1 x1(0) ... ai i 1 xi(0)
1 ai i 1 xi 1 ... ai n xn
ai i
bi
xi(2)
j 1, j z i
ai i
ai j x (1)
j
(2)
(2)
bi ai 1 x1(2) ... ai i 1 xi(2)
1 ai i 1 xi 1 ... ai n xn
ai i
ai i
bi
xi( r 1)
j 1, j z i
ai j x (j r )
, r = 0, 1, 2, ...
ai i
expresin que se denomina frmula de iteracin de Jacobi. Matricialmente este
mtodo es similar a la iteracin de Gauss Seidel, pero que consiste en no usar
valores mejorados hasta que se ha completado el paso y a continuacin, reemplazar
completamente X m por X m+1 para el ciclo siguiente.
De aqu que si se escribe A X = B en la forma X = B + (I A)X, la iteracin de
Jacobi en notacin matricial es X m+1 = B + (I A)X n. Este mtodo tiene un gran
inters terico. Converge para toda eleccin de X 0 si, y slo si, el radio espectral de
I A es menor que 1; aqu nuevamente se supone a ij = 1 para j = 1, 2, ...
EJ E M P L O 4.2.18
Resuelva el siguiente sistema:
7x y 4z 8
3x 8 y 2 z 4
4x y 6z 3
Realizar los clculos con tres decimales redondeados.

SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condicin suficiente para que el proceso iterativo sea
convergente
| 7 | > | -1 | + | 4 |, | -8 | > | 3 | + | 2 | y | -6 | > | -4 | + | 1 |
JOE GARCIA ARCOS
178
Luego, efectivamente, cumple la condicin suficiente de convergencia. Las frmulas

de iteracin de Jacobi para este sistema sern:
( r 1) 1
(8 x2( r ) 4 x3( r ) )
x1
7
( r 1) 1
(4 3 x1( r ) 2 x3( r ) )
x2
8
( r 1)
1
(3 4 x1( r ) x2( r ) )
x3
6
Comencemos con la aproximacin inicial x1(0) x2(0) x3(0) 0 . Entonces, la primera

iteracin resulta
(1) 8
1,143
x1
7
(1) 4
0,5
x2
8
(1)
3

0,5
x3
6
y la segunda
1
x1(2)
(8 0,5 2) 1,5
(2)
(4 3, 429 1) 0,804
x2
8
(2)
1
(3 4,572 0,5) 1,179
x3
6
As sucesivamente hasta que se cumpla la condicin de paro establecida. En la

siguiente tabla se muestran las iteraciones necesarias, que resultan ser diez.
r
x1
x2
x3
0
0.000
0.000
0.000
1
1,143
0,500
-0,500
2
1,500
0,804
-1,179
3
1,931
0,768
-1,366
4
2,033
0,883
-1,659
5
2,217
0,848
-1,708
6
2,240
0,904
-1,837
7
2,322
0,881
-1,843
8
2,322
0,910
-1,901
9
2,359
0,895
-1,896
10
2,354
0,911
-1,923
EJ E M P L O 4.2.19
Partiendo de 0, 0, 0, demuestre que la iteracin de Gauss Seidel converge para el
sistema siguiente
2 x y z 4
x 2 y z 4
x y 2z 4
mientras que la iteracin de Jacobi diverge.

SO L U C I O N
Aplicando el mtodo de Gauss Seidel, el sistema de ecuaciones se escribe en la
forma:
2 y z 14
x
4

x

z 10
y
5
x y 20
z
8
JOE GARCIA ARCOS
r
x
y
z
0
0.0000
0.0000
0.0000
1
2.0000
1.0000
0.5000
2
1.2500
1.1250
0.8125
179
3
1.0310
1.0780
0.9455
4
0.9882
1.0330
0.9893
5
0.9888
1.0100
1.0000
6
0.9950
1.0020
1.0010
7
0.9984
1.0000
1.0000
8
1.0000
1.0000
1.0000
de aqu concluimos que la solucin exacta es: x = 1, y = 1, z = 1

Para Aplicar el mtodo de Jacobi, analicemos previamente si la matriz de
coeficientes es estrictamente diagonal dominante, ya que es condicin suficiente para
que el proceso iterativo sea convergente | 2 | > | 1 | + | 1 |, | 2 | > | 1 | + | 1 | y | 2 | > | 1 |
+ | 1 |. Podemos darnos cuenta que no se cumple la condicin de Jacobi, por lo tanto
este mtodo diverge.
EJ E M P L O 4.2.20
Resulta evidente pensar que la iteracin de Gauss Seidel es mejor que la iteracin
de Jacobi. En realidad, los mtodos no son comparables. Ilustrar este hecho,
demostrando que para el sistema
xz 2
x y 0
x 2 y 3z 0
la iteracin de Jacobi converge, mientras que la iteracin de Gauss Seidel diverge.

SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condicin suficiente para que el proceso iterativo sea
convergente | 1 | > | 1 |, | 1 | > | 1 | y | -3 | > | 1 | + | 2 |. Podemos darnos cuenta que no
se cumple la condicin de Jacobi. Las frmulas de iteracin de Jacobi para este
sistema sern:
x ( r 1) 2 z ( r )
y ( r 1) x ( r )
1 (r)
z ( r 1)
( x 2 y( r ) )
3
Comencemos con la aproximacin inicial

x(0) y(0) z (0) 0
En la siguiente tabla se muestran las iteraciones necesarias:
r
x
y
z
0
0.0000
0.0000
0.0000
11
0.8070
0.2229
0.4862
1
2.0000
0.0000
0.0000
12
1.5130
0.8070
0.4176
2
2.0000
2.0000
0.6666
13
1.5820
1.5130
1.0420
3
1.3330
2.0000
2.0000
4
0.0000
1.3330
1.7770
5
0.2229
0.0000
0.8886
6
1.1110
0.2229
0.0743
7
1.9250
1.1110
0.5189
14
0.9580
1.5820
1.5360
15
0.4640
0.9580
1.3740
16
0.6260
0.4640
0.7933
17
1.2060
0.6260
0.5180
18
0.7940
1.2060
0.8193
19
1.1800
0.7940
1.0680
23
1.0190
0.9030
1.0190
24
0.9809
1.0190
0.9416
25
1.0580
0.9809
1.0060
26
0.9940
1.0580
1.0060
27
0.9940
0.994
1.0360
28
0.9640
0.994
0.9940
8
1.4810
1.9250
1.3820
20
0.9320
1.1800
0.9226
9
0.6180
1.4810
1.7770
21
1.0770
0.9320
1.0970
10
0.2229
0.6180
1.1930
22
0.9030
1.0770
0.9803
de aqu concluimos que la solucin exacta es:

x = 1, y = 1, z = 1
JOE GARCIA ARCOS
180
Aplicando el mtodo de Gauss Seidel, el sistema de ecuaciones se escribe en la

forma:
x z 2
y x
x 2y
z
3
r
x
y
z
0
0
0
0
1
2
2
2
2
0
0
0
3
2
2
2
4
0
0
0
...
...
...
...
De aqu concluimos que este mtodo diverge.
PR O B L E M AS
4.2.1 Cul es la condicin para que tres puntos P(a, b),
Q (c, d), R(e, f) estn situados en una recta?
4.2.6 Hallar la ecuacin de la recta que pasa por los

puntos P(a, b), Q (c, d).
4.2.2 Una compaa minera trabaja en tres minas, cada

una de las cuales produce minerales de tres clases. La
primera mina puede producir 4 Tm del mineral A, 3 Tm
del B y 5 Tm del C; la segunda mina puede producir 1 Tm
de cada uno de los minerales y, la tercera mina, 2 Tm del
A, 4 Tm del B y 3 Tm del C, por cada hora de
funcionamiento. Cuntas horas se debe trabajar en cada
mina para satisfacer los tres pedidos siguientes:
A B C
P1 19 25 25
P2 13 16 16
P3 8 12 10
4.4.7 Un espa sabe que en un aeropuerto hay

es2acionados 60 aviones entre cazas y bombarderos. El
agente conoce adems que en el aeropuerto se han
introducido 200 cohetes para equipar a estos 60 aviones,
de manera que cada caza lleva 6 de dichos cohetes y cada
bombardero 2. Cul es el nmero de cazas y
bombarderos que hay en el aeropuerto?
4.2.3 Determinar el valor de k, utilizando el mtodo de

Gauss-Jordan, para que el siguiente sistema no tenga
solucin:
4 x 2 y kz 2
yz 0
.
2x y z 3
4.2.4 Plantear el sistema de ecuaciones lineales que

permite obtener el polinomio de tercer grado que es
divisible por (x 3) y (x + 1) y adems tiene resto -3 y -15
al dividir respectivamente por (x 2) y (x + 2).
4.2.5 Hallar el polinomio f(t) de tercer grado para el cual
f(1) = -2, f(2) = -4, f(3) = -2, f(4) = 10.
4.2.13 Una empresa se dedica a la fabricacin de cuatro
tipos de jabn. Desde la compra de materias primas
hasta la disposicin para la distribucin se realizan las
siguientes fases:
4.2.8 Escribir la ecuacin de la circunferencia que pasa

por los puntos
P(2, 1), Q(1, 2), R(0, 1).
4.2.9 Cul es la condicin para que cuatro puntos
P(a, b), Q(c, d), R(e, f), S(m, n)
estn situados en una circunferencia?
4.2.10 Hallar la ecuacin de la curva de segundo orden
que pasa por los puntos
P(0, 0), Q(1, 0), R(-1, 0), S(1, 1), T(-1, 1).
4.2.11 Hallar la ecuacin de la parbola de tercer grado
que pasa por los puntos
P(1, 0), Q(0, -1), R(-1, -2), S(2, 7).
4.2.12 Formar la ecuacin de la esfera que pasa por los
puntos
P(1, 0, 0), Q(1, 1, 0), R(1, 1, 1), S(0, 1, 1).
I.
Se mezclan los dos tipos de materias primas
utilizadas, grasa vegetal y sosa custica.
II. Se introduce la mezcla obtenida en unos moldes
preparados para el efecto.
JOE GARCIA ARCOS
181
III. Los bloques obtenidos en la fase anterior se cortan

y troquelan.
IV. Las pastillas as obtenidas se envasan en cajas de
cartn de doscientas unidades.
Jabn
J1
J2
J3
J4
S. mezclado
Kg grasa
20
25
40
50
Kg sosa
10
15
20
22
Si se dispone durante una semana de 1970 kg de grasa

vegetal, 970 de sosa custica, 601 hora/mquina en la
seccin de moldeados y de 504 horas/mquina en la
Los recursos necesarios para producir los cuatro tipos

de jabones, por caja fabricada, vienen dados en la
siguiente tabla:
S. moldeado
Hora / mquina
10
8
10
15
S. troquelado
Hora / mquina
3
4
7
20
seccin de troquelado, cuntas cajas de jabones de

cada tipo se pueden producir, utilizando todos los
recursos disponibles, en una semana?
4.2.14 Resolver mediante el mtodo de eliminacin de Gauss-Jordan los siguientes sistemas de ecuaciones:
x 3y z 1
2x y z 8
4 x 5 y 6 z 3
2 x y 6 z 3
a.- 2 x 2 y z 0 ;
b.- 5 x 3 y 2 z 3 ;
c.- 8 x 7 y 3 z 9 ;
d.- x 3 y 2 z 5 ;
x y 4z 1
5 x 6 y 3z 2
7 x y 3z 20
7 x 8 y 9 z 6
x 5 y 2 z 3
f.- 2 x 8 y z 1 ;
3x 3 y 5 z 5
2 x y 5 z 2
j.- x 8 y 6 z 8 ;
x 3y z 5
2 x y 3z 1
g.- x 5 y 2 z 4 ;
3x 5 y 7 z 2
7 x 9 y 9 z 0
n.- x 12 y 5 z 5 ;
3x 7 y 6 z 6
x 5 y 9z 9
o.- 5 x 3 y 3z 0 ;
x y 3z 9
5 x 10 y z 5
q.- x 9 y 3z 1 ;
9x 5 y z 5
7x 9 y z 0
r.- x 9 y 7 z 1 ;
2 x 5 y 7 z 2
x 9 y 7z 8
s.- x 7 y 9 z 1 ;
x 8 y 2z 7
x 9 y 7z
p.- x 8 y 2 z
7 x 7 y 4 z
2x 3 y 9z
t.- 7 x 7 y 4 z
5 x 8 y 3z
5 x 5 y 7 z 7
u.- 2 x 9 y 2 z 2 ;
9x 5 y 9z 9
x 9 y 7z 7
v.- 3x y 9 z 3 ;
5 x 7 y 9 z 5
6 x 9 y 3z 3
w.- 2 x 4 y 8 z 2 ;
7 x 9 y 5z 3
x 9 y 7z 5
x.- x 7 y 5 z 4 .
x 9 y 5z 5
5 x 3z 4(1 y )
e.- 2( z 2 x) 8 y ;
2 y 3x 14 z
x y 3z 0
i.- x 4 y z 1 ;
x 7 y 3z 2
5x 5 y 9 z 5
m.- 7 x 6 y z 3 ;
2 x 7 y 5 z 0
x 9 y 6z 8
k.- x 5 y 3z 1 ;
5x y z 7
7 x 4 y 3z 3
h.- 4 x 3 y z 1 ;
6 x 7 y 3 z 6
7x 9 y z 0
l.- 4 x 6 y 3z 1 ;
x 7 y 5z 2
0
1 ;
2
9
8;
7
4.2.15 Determine de ser posible los valores de a, para que el sistema de ecuaciones lineales tenga solucin nica, tenga
ms de una solucin, no tenga solucin y encuentre la solucin general del sistema en trminos de a :
2 x 3 y az 1
ax 2 ay z 2
x y ( a 1) z 1
a.- ax y z 1 ;
b.- x y az a ;
c.- x ( a 1) y z 1 ;
x y az 1
2 x y az 1
( a 1) x y z 1
( a 1) x y z 2 a 3
d.- ( a 1) x y z 1 ;
2 x 4 y az 2
x ( a 1) y z 1
g.- ax y ( a 1) z 1 ;
x yz a
x ay az 1
e.- ax ay z 1 ;
ax y az 1
( a 1) x y az 1
x yz a
h.-
;
3x 2 y az 1
x ay z
f.- ax y z
x y az
x 3ay z
i.- x 3 y z
x yz
1
a ;
1
0
a ;
1
JOE GARCIA ARCOS
182
4 x 3 y az
j.- 2 x 3 y 3z
x y az
x ay 3z
m.- x y az
2x y z
a
1;
a
2
3;
a
ax ( a 2) y z
p.- 2 x ( a 1) y z
3x ( a 1) y z
( a 2) x y z
s.- x ( a 3) y z
x y ( a 4) z
1
1;
1
2
3;
4
2 ax 2 y 3z 1
v.- x 3ay z 1 ;
x y 4 z 1
x (2 a 1) y z 1
k.- (2 a 1) x y z 2 ;
x y (2 a 1) z 3
ax y z 1
n.- x a 2 y z 0 ;
x y az 1
(2 a 1) x y z
l.- x (2 a 2) y z
x y (2 a 3) z
( a 1) x y z
o.- ( a 2) x y z
( a 3) x y z
x yz 1
q.- 2 x y z 1 ;
ax y z a
0.2 ax 0.1y z 0.2
t.- 0.1x 0.3 y z 0.1 ;

0.3x 0.4 y z 0.3
3ax 2 y 3z 1
r.- x 2 ay 3z 1 ;
x y 3az 1
x 3ay z 2
u.- 3ax y z 1 ;
x y 3az 3
x y ( a 3) z 1
w.- x ( a 3) y z 1 ;
( a 3) x y z 1
x y az a 3 a 2
x.- x y z a 2 a .
x y az a
1
1;
1
1
1;
1
4.2.16 Determine de ser posible los valores de a y b, para que el sistema de ecuaciones lineales tenga solucin nica,
tenga ms de una solucin, no tenga solucin y encuentre la solucin general del sistema en trminos de a y b:
ax y z 4
ax by z 1
bx ( a 1) y z 1
(2b 1) x y z 1
a.- x by z 3 ;
b.- x aby z b ;
c.- ax y ( a 1) z 1 ;
d.- x (2b 1) y z b ;
x 2by z 4
x by az 1
x yz a
x y (2b 1) z 1
ax y z
e.- x ay z
x y az
x by az
i.- bx ay z
ax y az
b
c;
d
1
1 ;
b
x ay z
f.- bx y z
x yz
x 3 y bz
j.- x by z
x yz
b
a;
1
0
a ;
b
x y (b 1) z 1
g.- x ( a 1) y z b ;
(b 1) x y z 1
2bx 2 y 3z 1
k.- x 3ay z b ;
x by 4 z 1
x (2 a 1) y z
h.- (2 a 1) x y z
x y (2b 1) z
ax (b 2) y z
l.- bx ( a 1) y z
3x (b 1) y z
1
b;
3
1
1;
1
x by az 2
m.- bx y z 3 ;
2x y z 1
bx 3 y bz b
n.- 2 x by 3z 1 ;
x y az a
(b 1) x y z 1
o.- ( a 2) x y z b ;
(b 3) x y z 1
0.2bx 0.1y z 0.2
p.- 0.1x 0.3by z 0.1 ;

0.3x 0.4 y az 0.3
bx y z 1
q.- x a 2 y z b ;
x y bz 1
ax y z b
r.- x by z 3 ;
x y az b
bx 3 y az 1
s.- ax by z 1 ;
bx y az b
x y ( a 3) z b
t.- x (b 3) y z 1 ;
( a 3) x y z 1
x yz b
u.- bx y z 1 ;
ax by z a
x 3ay az 2
v.- 3bx y z b ;
x y 3z 3
3ax 2 y 3z b
w.- bx 2 ay 3z 1 ;
x y 3bz 1
x y z b3 b 2
x.- x y z a 2 a .
x yz b
4.2.17 Solucionar los siguientes sistemas de ecuaciones lineales utilizando un mtodo numrico:
3.2 x 5.4 y 4.2 z 2.2u 2.6
7.9 x 5.6 y 5.7 z 7.2w
2.1x 3.2 y 3.1z 1.1u 4.8
8.5 x 4.8 y 0.8 z 3.5w
a.-
;
b.-
1.2
x

0.4
y

0.8
z

0.8
u
3.6
4.3x 4.2 y 3.2 z 9.3w

4.7 x 10.4 y 9.7 z 9.7u 8.4
3.2 x 1.4 y 8.9 z 3.3w
6.68
9.95
;
8.6
1
JOE GARCIA ARCOS
2.5 x 1.25 y 3.75 z 5u 0.625

4.125 x 2.75 y 5.5 z 4.125u 1.25
c.-
;
8.125 x 4.875 y 3.25 z 1.625u 0.625
5.25 x 5.25 y 1.75 z 3.5u 0, 625
2.4 x 0.2 y 0.3 z 1.1u 5.8w 23.84
0.3x 0.1y 1.1z 10.2u w 38.85
e.- 0.5 x 6.2 y 0.1z 1.5u 1.2w 17.23 .

0.1x 2.1y 5.1z 0.2u 0.3w 6.56
2.5 x 0.1y 0.2 z 0.3u 0.4w 6.63
183
3.2 x 5.4 y 4.2 z 2.2u 2.6

2.1x 3.2 y 3.1z 1.1u 4.8
d.-
;
1.2 x 0.4 y 0.8 z 0.8u 3.6
4.7 x 10.4 y 9.7 z 9.7u 8.4
4.2.18 Resolver mediante el mtodo de eliminacin de Gauss-Jordan los siguientes sistemas de ecuaciones:
x y z u 2
x y z u 1
2 x y 2 z u
x y 3z u 1
x y z u 2
x y 3z 3u
a.-
;
b.-
;
c.-
x

y

2
z

2
u

1
2
x

y

2
z

u
1
3x y 3z u
3 x y z u 1
x 2 y z 2u 2
x y z 3u
2x 3 y z u
3 x 2 y 5 z u
d.-
x 3 y 2z u
x y 2 z 3u
3x y 2 z u
x 3y z u
g.-
x y 3z u
x y z 3u
0
1
;
0
1
1
2
;
1
1
0
1
;
0
1
x 2 y z 2u 0
x 3y z u 1
e.-
;
3 x y z 2u 0
x y 2 z u 1
x y z 3u
x y 3z u
f.-
x 3y z u
3 x y z u
5 x y 3z u 2
x 3 y 2 z u 2
h.-
;
3x 2 y z 2u 1
x y 2 z u 1
2 x 2 y 3z 3u 1
2 x 2 y z 2u 1
i.-
;
x 3 y 2 z 3u 1
x 3 y z 2u 1
3
2
;
1
1
x 2 y 3z u
2 x 3 y 2 z u
j.-
x 2 y 3z u
2 x 3 y z 2u
3
1
;
2
1
4x 3 y 2z u
5 x 4 y 3 z u
k.-
x 4 y 5 z 2u
2 x y 2 z 3u
1
2
;
1
2
3x y 3z u
2x 3 y 2z u
l.-
3 x 2 y z 3u
4 x 3 y z 3u
x 2 y z 3u
x 2 y 3z 2u
m.-
3x y 2 z u
x y 3z 2u
5
3
;
1
2
x 3 y z 2u
x 2 y 2 z 2u
n.-
x 2 y 3z u
x 3 y z u
5 x 3 y z 2u
4 x 3 y 2 z 2u
o.-
3x 2 y 3z 3u
2 x y z 4u
3x 5 y 7 z u
x 7 y 5 z 3u
p.-
2 x 7 y 4 z u
x 5 y 4 z 3u
4
3
;
2
1
x 7 y 5 z 3u 5
4 x y 3z 2u 2
q.-
;
5 x 3 y z 4u 3
x 6 y 4 z u 2
7 x 12 y 4 z 3u
3x 7 y 5 z 4u
r.-
2 x 5 y 12 z u
x 12 y 15 z 2u
4 x 3 y z 5u
x 10 y z 3u
t.-
4 x 2 y 5 z u
x 5 y 3z 2u
3 x 4 y 5 z u
x 5 y 6 z 2u
u.-
2 x 4 y 4 z u
x 5 y 5 z 3u
2 x 4 y 5 z 6u
x 3 y 3 z 4u
s.-
3x y 2 z 3u
x 4 y 2 z 5u
1
1
;
3
2
1
2
3
5
2
;
3
1
3
1
;
2
4
1
2
;
3
4
5
2
;
3
4
4
1
.
3
2
JOE GARCIA ARCOS
184
4.3.1 Si las matrices aumentadas de dos sistemas de
ecuaciones lineales son equivalentes por filas, entonces los
dos sistemas tienen el mismo conjunto solucin.
4.3.4 Si A es una matriz de orden m x n, entonces, para

cada B m, entonces el sistema de ecuaciones A X = B
tiene un nmero indeterminado de soluciones.
4.3.8 Para que un sistema homogneo de n ecuaciones

lineales con n incgnitas tenga soluciones no nulas es
necesario y suficiente que el determinante de la matriz de
coeficientes sea diferente de cero.
4.3.7 Para que un sistema homogneo de ecuaciones

lineales sea inconsistente, es necesario y suficiente que el
rango de la matriz de coeficientes sea menor que el
nmero de variables.
4.3.10 La solucin general de un sistema no homogneo

de ecuaciones lineales es igual a la suma de la solucin
general del sistema homogneo asociado y de una solucin
cualquiera, pero fija, del sistema no homogneo.
4.3.9 Cualquier combinacin lineal de unas soluciones

de un sistema homogneo de ecuaciones lineales ser
tambin una solucin del mismo.
4.3.6 Para que un sistema no homogneo de ecuaciones

lineales sea inconsistente, es necesario y suficiente que el
rango de la matriz de coeficientes sea igual al rango de la
matriz aumentada.
4.3.5 Un sistema homogneo de ecuaciones lineales tiene
un nmero indeterminado de soluciones si, y slo si el
sistema tiene por lo menos una variable libre.
4.3.2 Un sistema de ecuaciones lineales es consistente si

y slo si la columna del extremo derecho de la matriz
aumentada es una columna pivote.
4.3.3 El sistema de ecuaciones A X = B tiene solucin
nica si y slo si B es una combinacin lineal de las
columnas de A.
JOE GARCIA ARCOS
O BJ E T I V O
Resolver problemas relacionados con los espacios vectoriales reales o complejos, interpretndolos como una
estructura algebraica, utilizando matrices, determinantes, rango e inversa y sistemas de ecuaciones lineales, en
situaciones reales, propias de la ingeniera.
C O NT ENID O:
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
ESPACIOS VECTORIALES
SUBESPACIOS VECTORIALES
COMBINACIONES LINEALES. SUBESPACIOS GENERADOS
INTERSECCION Y SUMA DE SUBESPACIOS. SUMA DIRECTA
DEPENDENCIA E INDEPENDENCIA LINEAL
BASE Y DIMENSION
VECTOR DE COORDENADAS Y CAMBIO DE BASE
CUESTIONARIO
5.1 ESP A C I OS V E C T O R I A L ES
En esta seccin se generalizar el concepto de vector. Se enunciar un conjunto de axiomas que, si una clase
de objetos hace que se cumplan, permitir denominar vectores a esos objetos. Los axiomas se elegirn abstrayendo las propiedades ms importantes de los vectores en n. El trabajo desarrollado en esta seccin es muy
til, ya que proporciona una herra mienta poderosa para extender la representacin geomtrica a una a mplia
variedad de problemas matemticos importantes en los que de otra forma no se contara con la intuicin geomtrica.
La resolucin de los problemas de cualquier gnero se reduce, al fin y al cabo, al
estudio de ciertos conjuntos y, en primer lugar, al estudio de la estructura de dichos conjuntos. Para estudiar la estructura de conjuntos se emplean los ms diversos mtodos. Por ejemplo, partiendo de la propiedad caracterstica que poseen los
elementos o bien partiendo de las propiedades de las operaciones, si estn definidas para los elementos.
El ltimo mtodo parece ser de atraccin especial debido a su generalidad. Efectivamente, ya hemos visto repetidamente que en los ms diversos conjuntos pueden introducirse las ms diversas operaciones que, no obstante, poseen propiedades iguales. Ser evidente por esta razn que si en la investigacin de los conjuntos se obtiene cierto resultado slo en la base de las propiedades de una operacin, este resultado tendr lugar en todos los conjuntos, donde las operaciones
poseen las mismas propiedades. En este caso la naturaleza concreta tanto de los
elementos como de las operaciones sobre ellos puede ser completamente diferente.
186
Se conoce que en realidad detrs de los vectores estn los objetos fsicos bien
reales. Por esto, la investigacin detallada de la estructura de los conjuntos representa inters por lo menos para la fsica. Hay una tentacin, originada por la sencillez de los conjuntos citados, que conduce al deseo de estudiarlos apoyndose
slo en las peculiaridades concretas de los elementos. Sin embargo, no podemos
sino observar el hecho de que dichos conjuntos tienen mucho en comn, razn
por la cual parece racional comenzar su estudio partiendo de ciertas posiciones
generales, abrigando esperanza, por lo menos, que tendremos xito en evitar repeticiones fastidiosas y montonas al pasar de la investigacin de un conjunto a la
del otro.
No se desarrollaran las diferentes propiedades de los cuerpos abstractos y no
trataremos de cuerpo especfico alguno que no sea de los nmeros racionales,
reales y complejos. Es conveniente y cmodo, por el momento, no especificar la
naturaleza exacta del cuerpo de escalares, porque gran parte de los espacios vectoriales es vlida para cuerpos arbitrarios. El estudiante que no conoce los cuerpos
abstractos no estar en desventaja, pues basta con que piense en K como en uno
de los cuerpos que le son familiares. Todo lo que importa es que podamos efectuar las operaciones de adicin y sustraccin, multiplicacin y divisin, en la
forma usual. Ms adelante tendremos que restringir a K al cuerpo de los nmeros
reales o al cuerpo de los nmeros complejos, para obtener ciertos resultados clsicos; pero se pospondr ese momento tanto como podamos. En general, usaremos
letras minsculas del alfabeto latino para denotar a los vectores. Una excepcin es
el vector nulo que se denotar por .
Sea V un conjunto cualesquiera no vaco de elementos sobre el que estn
definidas dos operaciones: la adicin y la multiplicacin por escalares.
Por adicin se entiende una regla que asocia a cada par de elementos u y
v en V un elemento u + v denominado suma de u y v; por multiplicacin
escalar se entiende una regla que asocia a cada escalar D y cada elemento
u en V un elemento Du, denominado mltiplo escalar de u por D. Si los
elementos u, v, w en V y los escalares D y E satisfacen los axiomas siguientes, entonces V se denomina espacio vectorial, y sus elementos se
denominan vectores:
1.- Si u, v estn en V, entonces u + v est en V.
2.- Si u, v estn en V, entonces u + v = v + u.
3.- Si u, v, w estn en V, entonces u + (v + w) = (u + v) + w.
4.- Existe un nico elemento en V, denominado vector cero de V, tal
que se cumple que + u = u + = u para todo u en V.
5.- Para todo u en V existe un elemento -u en V, denominado opuesto
de u, tal que se cumple u + (-u) = (-u) + u = .
6.- Si D es cualquier escalar y u es cualquier elemento en V, entonces
Du est en V.
7.- Si u, v estn en V y D es un escalar, entonces D(u + v) = Du + Dv.
8.- Si u est en V y D, E son escalares, entonces (D + E)u = Du + Eu.
9.- Si u est en V y D, E son escalares, entonces D(Eu) = (DE)u.
10.- Si u est en V y 1 es un escalar, 1u = u.
Los elementos de cualquier espacio vectorial los llamaremos vectores, a pesar de
que segn su naturaleza concreta dichos elementos pueden ser bien distintos de
los segmentos dirigidos. Las representaciones geomtricas, relacionadas con el
nombre de vectores, nos ayudaran en aclarar y, con frecuencia, en prever los
resultados necesarios, como tambin en buscar la interpretacin geomtrica de
diferentes hechos la cual no siempre resulta obvia. Cualquier tipo de objeto pueALGEBRA LINEAL CON MATLAB
JOE GARCIA ARCOS
187
de ser un vector, y es posible que las operaciones de adicin y multiplicacin

escalar no guarden ninguna relacin o semejanza con las operaciones vectoriales
usuales sobre R n. El nico requisito es que se cumplan los axiomas de la definicin de espacio vectorial.
A continuacin damos a conocer algunas propiedades que provienen de la existencia de las operaciones de adicin y multiplicacin por un nmero. Conciernen,
en lo esencial, a los vectores nulo y opuesto.
T E O R E M A 5.1.1
Sean V un espacio vectorial, u un elemento de V y a un escalar, entonces
se cumple lo siguiente:
1.- 0u = .
2.- a = .
3.- (-1)u = -u.
4.- Si au = , entonces a = 0 o u = .
1.- Se puede escribir
0u + 0u = (0 + 0)u = 0u
Por el axioma 5, el vector 0 u tiene un negativo: -0u. Al sumar este negativo a
ambos miembros de la ltima expresin se obtiene
(0u + 0u) + (-0u) = 0u + (-0u)
o
0u + (0u + (-0u)) = 0u + (-0u)
0u + =
0u =
2.- Ya que a(v + ) = av + a, entonces a = .
3.- Para probar (-1)u = -u, es necesario demostrar que u + (-1)u = . Para ver
esto, obsrvese que
u + (-1)u = 1u + (-1)u = (1 + (-1))u = 0u = .
4.- Efectivamente, si la igualdad au = se realiza, puede haber una de las dos
posibilidades: o bien a = 0 o bien a z 0. El caso a = 0 confirma la afirmacin. Sea
ahora, a z 0. En este caso
1
1
1
u 1 u a u
( au )
= .
a
a
a
De esta forma, desde el punto de vista de las operaciones de multiplicacin, adicin y sustraccin tienen lugar formalmente todas las reglas de transformaciones
equivalentes para las expresiones algebraicas.
En algunas aplicaciones, es necesario alterar la definicin de espacio vectorial
para que los escalares sean nmeros complejos. Entonces se habla de un espacio
vectorial complejo. En gran medida, la teora de los espacios vectoriales reales es
igual que la teora de los espacios vectoriales complejos. En consecuencia, a lo
largo del captulo, se puede reemplazar la expresin espacio vectorial por espacio
vectorial complejo.
E J E M P L O 5.1.1
Considrese las funciones f : o . Dentro del conjunto de todas estas funciones
est el subconjunto que consiste en todas las funciones f derivables dos veces que
satisfacen a la ecuacin diferencial f + f = 0, donde cada signo de prima indica
derivacin. Por supuesto, f es nuevamente una funcin de en . Podemos
afirmar que el subconjunto () formado por todas las funciones f que satisfacen la
ecuacin diferencial, es un espacio vectorial sobre , donde utilizamos las mismas
operaciones de suma y producto por escalares en este subconjunto que en ().
JOE GARCIA ARCOS
188
SO L U C I O N
Verifquense los axiomas (1) y (6). Para hacerlo con (1), hemos de demostrar que si
las funciones f y g satisfacen ambas la ecuacin diferencial, entonces tambin la
satisfar f + g. Pero esto es trivial, puesto que de f + f = 0 y g + g = 0 obtenemos
fcilmente (f + g) + (f + g) = 0. De forma anloga, si D es un nmero real, entonces
de f + f = 0 se halla que (Df) + (Df) = 0. Por tanto, tambin es satisfecho el
axioma (6). Los otros axiomas automticamente se cumplen.
E J E M P L O 5.1.2
Determine cules de los conjuntos siguientes constituyen espacios vectoriales:
a.- En (-f; f), los polinomios de grado mayor o igual que 2;
b.- En (-f; f), los polinomios que tienen un cero en x = 2.
SO L U C I O N
a.- Tenemos que analizar el conjunto
S = {p(t) P / p(t) = a2t2 + a3t3 + ... + antn, donde a2, a3, ..., an }.
A continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si p1, p2 estn en S, entonces p1 + p2 estn en S. Es decir:
(p1 + p2)(t) = p1(t) + p2(t) = (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 an + bn)tn = c2t2 + c3t3 + cntn S.
2.- Si p1, p2 estn en S, entonces p1 + p2 = p2 + p1. Es decir:
(p1 + p2)(t) = p1(t) + p2(t)
= (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 an + bn)tn
= (b2 + a2)t2 + (b3 + a3)t3 bn + an)tn
= p2(t) + p1(t)
= (p2 + p1)(t).
3.- Si p1, p2, p3 estn en S, entonces p1 + (p2 + p3) = (p1 + p2) + p3. Es decir:
[p1 + (p2 + p3)](t) = p1(t) + [p2(t) + p3(t)]
= (a2t2 + a3t3 + ... + antn) + [(b2 + c2)t2 bn + cn)tn]
= (a2 + b2 + c2)t2 + (a3 + b3 + c3)t3 an + bn + cn)tn]
= [(a2 + b2) + c2]t2 + [(a3 + b3) + c3]t3 >an + bn) + cn]tn
= [(a2 + b2)t2 + (a2 + b2)t2 an + bn)tn] + (c2t2 + c3t3 + ... + cntn)
= [p1(t) + p2(t)] + p3(t) = [(p1 + p2) + p3](t).
4.- Existe un nico elemento p en S, denominado vector cero de S, tal que se
cumple que p + p = p + p = p para todo p en S. Es decir:
(p + p)(t) = p(t) + p(t)
= (0t2 + 0t3 + ... + 0tn) + (a2t2 + a3t3 + ... + antn)
= (0 + a2)t2 + (0 + a3)t3 an)tn
= a2t2 + a3t3 + ... + antn = p(t).
5.- Para todo p en S existe un elemento p en S, denominado opuesto de p, tal
que se cumple p + (-p) = (-p) + p = p. Es decir:
[p + (-p)](t) = p(t) + [-p(t)]
= (a 2t2 + a 3t3 + ... + a ntn) + (- a 2t2 - a 3t3 - ... - a ntn)
= (a 2 - a 2)t2 + ( a 3 a 3)t3 a n - a n)tn
= 0t2 + 0t3 + 0tn = p(t).
6.- Si D es cualquier escalar y p es cualquier elemento en S, entonces Dp est en
S. Es decir:
(Dp)(t) = Dp(t)
= D(a2t2 + a3t3 + ... + antn)
= (Da2)t2 + (Da3)t3 + ... + (Dan)tn
= b2t2 + b3t3 + ... + bntn S.
7.- Si p1, p2 estn en S y D es un escalar, entonces D(p1 + p2) = Dp1 + Dp2. Es
decir:
[D(p1 + p2)](t) = D[p1(t) + p2(t)]
= D[(a2 + b2)t2 + (a3 + b3)t3 an + bn)tn]
JOE GARCIA ARCOS
189
= (Da2 + Db2)t2 + (Da3 + Db3)t3 Dan + Dbn)tn

= (Da2t2 + Da3t3 + ... + Dantn) + (Db2t2 + Db3t3 + ... + Dbntn)
= D(a2t2 + a3t3 + ... + antn) + D(b2t2 + b3t3 + ... + bntn)
= Dp1(t) + Dp2(t).
8.- Si p est en S y D, E son escalares, entonces (D + E)p = Dp + Ep. Es decir:
[(D + E)p](t) = (D + E)p(t)
= (D + E)(a2t2 + a3t3 + ... + antn)
= (D + E)a2t2 + (D + E)a3t3 + ... + (D + E)antn
= (Da2t2 + Da3t3 + ... + Dantn) + (E a2t2 + Ea3t3 + ... + E antn)
= D(a2t2 + a3t3 + ... + antn) + E(a2t2 + a3t3 + ... + antn)
= Dp(t) + Ep(t).
9.- Si p est en S y D, E son escalares, entonces D(Ep) = (DE)p. Es decir:
[D(Ep)](t) = D[E p(t)]
= D(E a2t2 + E a3t3 + ... + E antn)
= DE a2t2 + DE a3t3 + ... + DE antn
= DE(a2t2 + a3t3 + ... + antn) = (DE)p(t).
10.- Si p est en S y 1 es un escalar, 1p = p. Es decir:
(1p)(t) = 1p(t)
= 1(a2t2 + a3t3 + ... + antn)
= 1a2t2 + 1a3t3 + ... + 1antn
= a2t2 + a3t3 + ... + antn = p(t).
Como se prueban todos los axiomas, entonces S es un espacio vectorial.
b.- En este caso tenemos que S = {p n / p(t) = (t 2)q(t), q(t) n-1}. A
continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si p1, p2 estn en S, entonces p1 + p2 estn en S. Es decir:
p1(t) + p2(t) = (t 2)q1(t) + (t 2)q2(t) = (t 2)(q1(t) + q2(t)) = (t 2)h(t) S.
2.- Si p1, p2 estn en S, entonces p1 + p2 = p2 + p1. Es decir:
p1(t) + p2(t) = (t 2)q1(t) + (t 2)q2(t) = (t 2)[q1(t) + q2(t)]
= (t 2) )[q2(t) + q1(t)] = (t 2)q2(t) + (t 2)q1(t) = p2(t) + p1(t).
3.- Si p1, p2, p3 estn en S, entonces p1 + (p2 + p3) = (p1 + p2) + p3. Es decir:
p1(t) + [p2(t) + p3(t)] = (t 2)q1(t) + [(t 2)q2(t) + (t 2)q3(t)]
= (t 2)q1(t) + (t 2)q2(t) + (t 2)q3(t)
= [(t 2)q1(t) + (t 2)q2(t)] + (t 2)q3(t)
= [p1(t) + p2(t)] + p3(t).
4.- Existe un nico elemento p en S, denominado vector cero de S, tal que se
cumple que p + p = p + p = p para todo p en S. Es decir:
p(t) + p(t) = p(t) + (t 2)q(t) = (t 2)q(t) + p(t) = (t 2)q(t) = p(t).
5.- Para todo p en S existe un elemento p en S, denominado opuesto de p, tal
que se cumple p + (-p) = (-p) + p = p. Es decir:
p(t) + [-p(t)] = (t 2)q(t) + [- (t 2)q(t)]
= (t 2)q(t) - (t 2)q(t)
= (t 2)[q(t) - q(t)]
= (t 2)p(t) = p(t).
6.- Si D es cualquier escalar y p es cualquier elemento en S, entonces Dp est en
S. Es decir:
Dp(t) = D[(t 2)q(t)] = D(t 2)q(t) = (t 2)h(t) S.
7.- Si p1, p2 estn en S y D es un escalar, entonces D(p1 + p2) = Dp1 + Dp2. Es
decir:
D[p1(t) + p2(t)] = D[(t 2)q1(t) + (t 2)q2(t)]
= D(t 2)q1(t) + D(t 2)q2(t)
= Dp1(t) + Dp2(t).
8.- Si p est en S y D, E son escalares, entonces (D + E)p = Dp + Ep. Es decir:
(D + E)p(t) = (D + E)[(t 2)q(t)] = D(t 2)q(t) + E(t 2)q(t) = Dp(t) + Ep(t).
9.- Si p est en S y D, E son escalares, entonces D(Ep) = (DE)p. Es decir:
JOE GARCIA ARCOS
190
D[Ep(t)] = D[E(t 2)q(t)] = DE(t 2)q(t) = (DE)(t 2)q(t) = (DE)p(t).

10.- Si p est en S y 1 es un escalar, 1p = p. Es decir:
1p(t) = 1(t 2)q(t) = (t 2)q(t) = p(t).
EJ E M P L O 5.1.3
a.- Todas las f en C 2[0; 1] tales que f (x) = x2f(x);
b.- Todas las f en C(-1; 1), tales que f es montona y estrictamente creciente.
SO L U C I O N
a.- En este caso tenemos que S = {f F / f (x) = x2f(x)}. A continuacin
comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2g(x) S.
2.- Si f1, f2 estn en S, entonces f1 + f2 = f2 + f1. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2[f2 + f1](x)
= x2f2(x) + x2f1(x) = (f2 + f1)(x).
3.- Si f1, f2, f3 estn en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[f1 + (f2 + f3)](x) = f1(x) + (f2 + f3)(x) = x2f1(x) + x2(f2 + f3)(x)
= x2f1(x) + x2f2(x) + x2f3(x) = x2(f1 + f2)(x) + x2f3(x)
= (f1 + f2)(x) + f3(x) = [(f1 + f2) + f3](x).
4.- Existe un nico elemento f en S, denominado funcin cero de F, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
[ f + f](x) = f (x) + f (x) = + x2f(x) = x2f(x) + = x2f(x) = f (x).
5.- Para todo f en S existe un elemento f en S, denominado opuesto de f, tal que
se cumple f + (-f) = (-f) + f = f. Es decir:
[f + (-f)](x) = f (x) f (x) = x2f(x) - x2f(x) = x2(f f)(x) = x2f(x) = f (x).
6.- Si D es cualquier escalar y f es cualquier elemento en S, entonces Df est en
S. Es decir:
(Df)(x) = Df (x) = D[x2f(x)] = x2[Df(x)] = x2g(x) S.
7.- Si f1, f2 estn en S y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
D(f1 + f2)(x) = Df1(x) + Df2(x) = D[x2f1(x)] + D[x2f2(x)]
= Dx2f1(x) + Dx2f2(x) = Df1(x) + Df2(x).
8.- Si f est en S y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:
(D + E)f (t) = (D + E)x2f(x) = Dx2f(x) + Ex2f(x) = Df (x) + Ef (x).
9.- Si f est en S y D, E son escalares, entonces D(E f) = (DE)f. Es decir:
D(E f)(x) = D[E f (x)] = D[Ex2f(x)] = DEx2f(x) = (DE)x2f(x) = (DE)f (x).
10.- Si f est en S y 1 es un escalar, 1f = f. Es decir:
1f (x) = 1x2f(x) = x2f(x) = f (x).
b.- En este caso tenemos que S = {f / f (x) > 0}. A continuacin comprobamos
los 10 axiomas de la definicin de espacio vectorial:
(f1 + f2)(x) = f1(x) + f2(x) > 0 + 0 = 0 S.
(f1 + f2)(x) = f1(x) + f2(x) > 0 + 0 = f2(x) + f1 = (f2 + f1)(x).
[f1 + (f2 + f3)](x) = f1(x) + (f2 + f3)(x) > 0 + (0 + 0) = (0 + 0) + 0
= (f1 + f2)(x) + f3(x) = [(f1 + f2) + f3](x).
4.- Existe un nico elemento f en S, denominado funcin cero de S, tal que se
( f + f)(x) = f (x) + f (x).
Como la primera derivada de la funcin nula es igual a cero, entonces la funcin nula
no pertenece al conjunto S. Entonces, S no tiene estructura de espacio vectorial.
JOE GARCIA ARCOS
191
EJ E M P L O 5.1.4
a.- El conjunto de las funciones diferenciables en [a; b];
b.- El conjunto de todas las funciones con derivada segunda en [0; 1].
SO L U C I O N
f ( x h) f ( x )
a.- En este caso tenemos que S f F / f ( x) lim

, a d x d b .
h o0
h

( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0
h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0
h
f1 ( x h) f1 ( x)
f ( x h) f 2 ( x )
lim
lim 2
h o0
h
o
0
h
h
f1( x) f 2 ( x) S.
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0
h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0
h
[ f 2 ( x h) f 2 ( x)] [ f1 ( x h) f1 ( x)]
lim
h o0
h
( f 2 f1 )( x h) ( f 2 f1 )( x)
lim
h o0
h
( f 2 f1 )( x) ( f 2 f1 )( x) .
[ f ( f 2 f 3 )]( x h) [ f1 ( f 2 f 3 )]( x)
[ f1 ( f 2 f 3 )]( x) lim 1
h o0
h
[ f1 ( x h) f1 ( x)] [( f 2 f 3 )( x h) ( f 2 f 3 )( x)]
lim
h o0
h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)] [ f 3 ( x h) f 3 ( x)]
lim
ho0
h
[( f1 f 2 )( x h) ( f1 f 2 )( x)] [ f 3 ( x h) f 3 ( x)]
lim
h o0
h
[( f1 f 2 ) f 3 ]( x h) [( f1 f 2 ) f 3 ]( x)
lim
h o0
h
[( f1 f 2 ) f 3 ]( x) .
( f f )( x h) ( f f )( x)
( f f )( x) lim
h o0
h
[ f ( x h) f ( x)] [ f ( x h) f ( x)]
lim
h o0
h
f ( x h) f ( x )
f ( x h) f ( x )
lim
lim
h o0
h o0
h
h
0 f ( x) f ( x) .
JOE GARCIA ARCOS
192
[ f ( f )]( x h) [ f ( f )]( x)
h
( f f )( x h) ( f f )( x)
lim
h o0
h
f ( x h) f ( x )
lim
f ( x )
h o0
h
S. Es decir:
(Df )( x h) (Df )( x)
f ( x h) f ( x)
(Df )( x) lim
D lim
Df ( x) S.
ho0
ho0
h
h
[D( f1 f 2 )]( x h) [D( f1 f 2 )]( x)
[D( f1 f 2 )]( x) lim
h o0
h
(Df1 Df 2 )( x h) (Df1 Df 2 )( x)
lim
h o0
h
D[ f1 ( x h) f1 ( x)] D[ f 2 ( x h) f 2 ( x)]
lim
h o0
h
f1 ( x h) f1 ( x)
f ( x h) f 2 ( x )
D lim
D lim 2
h o0
h o0
h
h
Df1( x) Df 2 ( x) .
[ f ( f )]( x)
lim
h o0

[(D E) f ]( x h) [(D E) f ]( x)
[(D E) f ]( x) lim
h o0
h
(Df Ef )( x h) (Df E f )( x)
lim
h o0
h
D[ f ( x h) f ( x)] E[ f ( x h) f ( x)]
lim
h o0
h
f ( x h) f ( x )
f ( x h) f ( x )
D lim
E lim
h o0
h o0
h
h
Df ( x) Ef ( x) .
[D(Ef )]( x h) [D(E f )]( x)
D[(Ef )( x h) (Ef )( x)]
[D(Ef )]( x) lim
lim
ho0
h
o
0
h
h
(Ef )( x h) (Ef )( x)
f ( x h) f ( x)
D lim
DE lim
(DE) f ( x)
ho0
ho0
h
h
.
(1 f )( x h) (1 f )( x)
f ( x h) f ( x)
(1 f )( x) lim
lim
f ( x) .
h o0
h o0
h
h
Como se prueban todos los axiomas, entonces S tiene estructura de espacio vectorial.
f ( x h) f ( x)
, 0 d x d 1 .
b.- En este caso tenemos que S f F / f ( x) lim
h o0
h

( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0
h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0
h
f1( x h) f1( x)
f ( x h) f 2 ( x)
lim
lim 2
f1( x) f 2 ( x) S.
ho0
h
o
0
h
h
JOE GARCIA ARCOS
193
( f1 f 2 )( x h) ( f1 f 2 )( x)
h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0
h
[ f 2 ( x h) f 2 ( x)] [ f1( x h) f1( x)]
lim
h o0
h
( f 2 f1 )( x h) ( f 2 f1 )( x)
lim
h o0
h
( f 2 f1 )( x) .
[ f ( f 2 f 3 )]( x h) [ f1 ( f 2 f 3 )]( x)
[ f1 ( f 2 f 3 )]( x) lim 1
h o0
h
[ f1( x h) f1( x)] [( f 2 f 3 )( x h) ( f 2 f 3 )( x)]
lim
h o0
h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)] [ f 3( x h) f 3( x)]
lim
ho0
h
[( f1 f 2 )( x h) ( f1 f 2 )( x)] [ f 3( x h) f 3( x)]
lim
h o0
h
[( f1 f 2 ) f 3 ]( x h) [( f1 f 2 ) f 3 ]( x)
lim
[( f1 f 2 ) f 3 ]( x) .
ho0
h
( f f )( x h) ( f f )( x)
( f f )( x) lim
h o0
h
[ f ( x h) f ( x)] [ f ( x h) f ( x)]
lim
h o0
h
f ( x h) f ( x)
f ( x h) f ( x)
lim
lim
h o0
h o0
h
h
0 f ( x) f ( x) .
[ f ( f )]( x h) [ f ( f )]( x)
[ f ( f )]( x) lim
h o0
h
( f f )( x h) ( f f )( x)
lim
h o0
h
f ( x h) f ( x)
lim
f ( x )
h o0
h
S. Es decir:
(Df )( x h) (Df )( x)
f ( x h) f ( x)
(Df )( x) lim
D lim
Df ( x) S.
ho0
ho0
h
h
[D( f1 f 2 )]( x h) [D( f1 f 2 )]( x)
[D( f1 f 2 )]( x) lim
ho0
h
(Df1 Df 2 )( x h) (Df1 Df 2 )( x)
lim
h o0
h
D[ f1( x h) f1( x)] D[ f 2 ( x h) f 2 ( x)]
lim
h o0
h
( f1 f 2 )( x)
lim
h o0
JOE GARCIA ARCOS
194
f1( x h) f1( x)
f ( x h) f 2 ( x)
D lim 2
h o0
h
h
Df1( x) Df 2 ( x) .
[(D E) f ]( x h) [(D E) f ]( x)
[(D E) f ]( x) lim
h o0
h
(Df Ef )( x h) (Df Ef )( x)
lim
h o0
h
D[ f ( x h) f ( x)] E[ f ( x h) f ( x)]
lim
h o0
h
f ( x h) f ( x)
f ( x h) f ( x)
D lim
E lim
h o0
h o0
h
h
Df ( x) Ef ( x) .
[D(Ef )]( x h) [D(E f )]( x)
D[(Ef )( x h) (Ef )( x)]
[D(Ef )]( x) lim
lim
h o0
h
o
0
h
h
(Ef )( x h) (Ef )( x)
f ( x h) f ( x)
D lim
DE lim
(DE) f ( x)
ho0
ho0
h
h
.
(1 f )( x h) (1 f )( x)
f ( x h) f ( x)
(1 f )( x) lim
lim
f ( x) .
ho0
ho0
h
h
D lim
h o0
EJ E M P L O 5.1.5
Verifique que los conjuntos siguientes de funciones no son espacios vectoriales:
a.- El conjunto de todas las funciones f diferenciables en [0; 1] tales que f = f 1;
b.- El conjunto de todas las funciones f en [0; 2] con la propiedad que x d~f(x)~ en
0 d x d 2;
SO L U C I O N
a.- En este caso tenemos que S = {f F / f (x) = f(x) - 1, 0 d x d 1}. A
(f1 + f2)(x) = f1(x) + f2(x) = [f1(x) 1] + [f2(x) 1] = (f1 + f2)(x) 2 S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
b.- En este caso tenemos que S = {f F / ~f(x)~ t x, 0 d x d 2}. A continuacin
~(f1 + f2)(x)~ = ~f1(x) + f2(x)~ d ~f1(x)~ + ~f2(x)~ = x + x = 2x S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
EJ E M P L O 5.1.6
a.- S consiste en todas las soluciones de y - 8xy = 0, con la suma de funciones y la
multiplicacin de una funcin por un escalar usuales;
b.- V consta de todas las funciones reales y continuas definidas en [0; 1] tales que
1
0 f ( x) dx
0 , con la suma de funciones y la multiplicacin de una funcin por un
escalar usuales.
SO L U C I O N
a.- En este caso tenemos que S = {y F / y - 8xy = 0}. A continuacin
JOE GARCIA ARCOS
195

1.- Si y1, y2 estn en S, entonces y1 + y2 estn en S. Es decir:
(y1 + y2) 8x(y1 + y2) = y1 + y2 8xy1 8xy2 = (y1 8xy1) + (y2 8xy2)
= 0 + 0 = 0 S.
2.- Si y1, y2 estn en S, entonces y1 + y2 = y2 + y1. Es decir:
(y1 + y2) 8x(y1 + y2) = y1 + y2 8xy1 8xy2 = (y1 8xy1) + (y2 8xy2)
= (y2 8xy2) + (y1 8xy1) = (y2 + y1) 8x(y2 + y1).
3.- Si y1, y2, y3 estn en S, entonces y1 + (y2 + y3) = (y1 + y2) + y3. Es decir:
[y1 + (y2 + y3)] 8x[y1 + (y2 + y3)] = y1 + (y2 + y3) 8xy1 8x(y2 + y3)
= y1 + y2 + y3 8xy1 8xy2 - 8xy3
= (y1 + y2) + y3 8x(y1 + y2) 8xy3
= [(y1 + y2) + y3)] 8x[(y1 + y2) + y3].
4.- Existe un nico elemento y en S, denominado funcin cero de S, tal que se
cumple que y + y = y + y = y para toda y en S. Es decir:
(y + y)(x) 8x(y + y) = y(x) + y(x) 8xy 8xy = y(x) 8xy = 0.
5.- Para todo y en S existe un elemento y en S, denominado opuesto de y, tal
que se cumple y + (-y) = (-y) + y = y. Es decir:
[y + (-y)] 8x[y + (-y)] = y y 8xy + 8xy = y - 8xy = 0.
6.- Si D es cualquier escalar y y es cualquier elemento en S, entonces Dy est en
S. Es decir:
D(y 8xy) = Dy - D8xy = (Dy) - 8x(Dy) = z - 8xz = 0 S.
7.- Si y1, y2 estn en S y D es un escalar, entonces D(y1 + y2) = Dy1 + Dy2. Es
decir:
[D(y1 + y2)] - 8Dx(y1 + y2) = (Dy1 + Dy2) - 8x(Dy1 + Dy2)
= Dy1 + Dy2 - 8Dxy1 - 8Dxy2
= (Dy1 - 8Dxy1) + (Dy2 - 8Dxy2)
= D(y1 - 8xy1) + D(y2 - 8xy2)
8.- Si y est en S y D, E son escalares, entonces (D + E)y = Dy + E y. Es decir:
(D + E)(y - 8xy) = (D + E)y - 8(D + E)xy = Dy + Ey - 8Dxy - 8Exy
= (Dy - 8Dxy) + (Ey - 8Exy) = D(y - 8xy) + E(y - 8xy).
9.- Si y est en S y D, E son escalares, entonces D(Ey) = (DE)y. Es decir:
D[E(y - 8xy)] = D(Ey - 8Exy) = DEy - 8DExy = (DE)(y - 8xy).
10.- Si y est en S y 1 es un escalar, 1y = y. Es decir:
1(y - 8xy) = 1y - 18xy) = y - 8xy.
Como se prueban todos los axiomas, entonces S tiene estructura de espacio vectorial.
b.- En este caso tenemos que
^f F /
1
0
f ( x) dx 0, 0 d x d 1 . A

1.- Si f1, f2 estn en V, entonces f1 + f2 estn en V. Es decir:
1
0 ( f1 f 2 )( x) dx 0 f1 ( x) dx 0 f 2 ( x) dx
0 0 0 S.
2.- Si f1, f2 estn en V, entonces f1 + f2 = f2 + f1. Es decir:

1
0 ( f1 f 2 )( x) dx 0 f1 ( x) dx 0 f 2 ( x) dx 0 f 2 ( x) dx 0 f1 ( x) dx
00 0
3.- Si f1, f2, f3 estn en V, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
1
0 [ f1 ( f 2 f3 )]( x) dx 0 f1 ( x) dx 0 ( f 2 f3 )( x) dx
1
0 f1 ( x) dx 0 f 2 ( x) dx 0 f3 ( x) dx
1
0 ( f1 f 2 )( x) dx 0 f3 ( x) dx
1
0 [( f1 f 2 ) f3 ]( x) dx .
JOE GARCIA ARCOS
196
4.- Existe un nico elemento f en V, denominado funcin cero de V, tal que se

cumple que f + f = f + f = f para toda f en V. Es decir:
1
0 ( f
0 f ( x)
f )( x) dx
dx f ( x) dx
0 f ( x) dx 0 f ( x)
dx 0 0 0
.
5.- Para todo f en V existe un elemento f en V, denominado opuesto de f, tal
que se cumple f + (-f) = (-f) + f = f. Es decir:
1
0 [ f ( f )]( x) dx 0 f ( x) dx 0 ( f )( x) dx
0 f ( x) dx 0 f ( x) dx
00 0 .
6.- Si D es cualquier escalar y f es cualquier elemento en V, entonces Df est en

V. Es decir:
1
0 (Df )( x) dx 0 Df ( x) dx
D f ( x) dx D 0 0 S
0
7.- Si f1, f2 estn en V y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
1
0 [D( f1 f 2 )]( x) dx 0 (Df1 Df 2 )]( x) dx 0 Df1 ( x) dx 0 Df 2 ( x) dx

1
D f1 ( x) dx D f 2 ( x) dx D 0 D 0 0
8.- Si f est en V y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:

1
0 [(D E) f ]( x) dx 0 (Df Ef )( x) dx 0 Df ( x) dx 0 Ef ( x) dx
1
D f ( x) dx E f ( x) dx D 0 E 0 0
9.- Si f est en V y D, E son escalares, entonces D(E f) = (DE)f. Es decir:

1
0 D(Ef )( x) dx
D (Ef )( x) dx D Ef ( x) dx DE f ( x) dx (DE) 0 0 .
10.- Si f est en V y 1 es un escalar, 1f = f. Es decir:

1
0 (1 f )( x) dx
1 f ( x) dx
0
0 f ( x) dx
0.
Como se prueban todos los axiomas, entonces S es espacio vectorial.
PR O B L E M AS
5.1.1 Demustrese que el conjunto compuesto solamente
por el nmero 0 es un espacio vectorial, con las reglas
habituales de la adicin y la multiplicacin de nmeros.
5.1.2 Sea P m el conjunto de todos los polinomios con
coeficientes reales y de grado d m. Demuestre que P m es
un espacio vectorial, con la suma de polinomios y la
multiplicacin de un polinomio por un escalar usuales.
5.1.3 V consta de todas las funciones reales y continuas
definidas en >0; 1@ tales que f(1) =1, con la suma de funciones y la multiplicacin de una funcin por un escalar
usuales. Muestre que V no es un espacio vectorial.
5.1.4 m consiste en todos los polinomios con coeficientes reales. Demuestre que m es un espacio vectorial, con la suma de polinomios y la multiplicacin de un
polinomio por un escalar usuales.
5.1.5 Sea n un entero positivo. Sea n el conjunto de

todos los polinomios con coeficientes reales y de grado
n, con la suma de polinomios y la multiplicacin de un
polinomio por un escalar usuales. Demuestre que n no
es un espacio vectorial. Qu condiciones de la definicin fallan?
5.1.6 Demustrese que cada uno de los conjuntos siguientes de funciones es un espacio vectorial:
a.- Todos los polinomios a 0 + a 1x2 a kx2k que no
contienen trminos de grado impar.
b.- Todas las funciones continuas en >0; 1@ que tienen
un cero en 1.
c.- Todas las funciones definidas en >0; 1@ cuyos lmites
existen cuando x o 0+.
d.- Todas las combinaciones lineales de Cosx, Cos2x,
Cos3x, con dominio - f < x < + f.
JOE GARCIA ARCOS
e.- El conjunto de los polinomios reales que tienen a r i

como ceros.
f.- El conjunto de los polinomios reales que son divisibles entre x2 + x + 1.
g.- El conjunto de todas las funciones en >0; 10@ que
valen cero en >2; 3@.
h.- El conjunto de todas las funciones f en >0; 1@ con
derivada tercera en ese intervalo y tales que f - xf +
(Senx)f = 0.
i.- El conjunto de todas las funciones que tienen derivada segunda en todos los valores reales y la propiedad de
que f (x) = 0.
j.- El conjunto de todas las funciones racionales cuyo
denominador es x2 + x + 1.
k.- El conjunto de todos los polinomios tales que p(0) =
p(1).
l.- El conjunto de todas las funciones escalonadas en
>0; 3@.
5.1.7 V consiste en todos los ( a , b), donde a y b son
nmeros reales. Definimos la suma en V por
( a , b) + (c, d) = (2 a + 2 c, b + d)
y definimos la multiplicacin por un escalar por
ka kb
k ( a , b) ,
2 2
Es V un espacio vectorial con estas operaciones?
5.1.8 Determine cules de los sistemas son espacios
vectoriales:
a.- V es el conjunto de todos los pares ordenados (x, y)
de nmeros reales. La suma se define como (x, y) + (u, v)
= (x + 3u, y v), y la multiplicacin escalar como D(x, y)
= (Dx, Dy).
b.- El conjunto V del literal a). La suma definida como
(x, y) + (u, v) = (x + u, y + v), y la multiplicacin escalar
como D(x, y) = (-Dx, Dy).
c.- El conjunto V del literal a). La suma definida como
(x, y) + (u, v) = (x u, y v), y la multiplicacin escalar
como D(x, y) = (-Dx, -Dy).
d.- El conjunto V del literal a). La suma definida como
(x, y) + (u, v) = (u, v), y la multiplicacin escalar como
D(x, y) = (Dx, Dy).
5.1.9 Demostrar que cada uno de los siguientes conjuntos constituye un espacio vectorial:
a.- El conjunto de todos los vectores cuya segunda componente es cero;
b.- El conjunto de todos los vectores de la forma D( i + 2 j
k), donde D es un escalar;
c.- El conjunto de todos los vectores de la forma D( i k)
+ E j, donde D, E son escalares;
d.- El conjunto de todos los nmeros reales;
e.- Todas las funciones de la forma f(x) = D Cosx +
ESenx, donde D, E son nmeros, con la forma usual de
adicin y multiplicacin por nmeros;
197
f.- El conjunto de todos los polinomios cuadrticos,

lineales y constantes en x, con la adicin y multiplicacin usuales.
5.1.10 De los conjuntos de funciones que se dan a continuacin, todas definidas en 0 < x < f, cules constituyen una espacio vectorial?:
a.- Todas las funciones cuyos lmites existen cuando
x o f.
b.- Todas las funciones cuyos lmites existen cuando
x o 0+.
c.- Todas las funciones con lmite 0 cuando x o f.
d.- Todas las funciones con lmite 0 cuando x o 0+.
e.- Todas las funciones con lmite f cuando x o f.
f.- Todas las funciones con lmite - f cuando x o 0+.
5.1.11 Considrense sucesiones infinitas ^sn`, ^tn`
n FRQODDGLFLyQ\ODPXOWLSOLFDFLyQGHILQLGDV
de la siguiente manera:
^sn` + ^tn` = ^sn + tn` y c^sn` = ^csn`
a.- Hgase ver que las sucesiones reales convergentes
forman un espacio vectorial e interprtese ese espacio
vectorial como espacio de funciones.
b.- Verifquese que el conjunto de todas las sucesiones
complejas forma un espacio vectorial. Se le puede
interpretar como espacio vectorial de funciones?
5.1.12 V consiste en todas las funciones reales y continuas definidas en >0; 1@ tales que f(1) = 0, con la suma
de funciones y la multiplicacin de una funcin por un
escalar usuales. Demuestre que V es un espacio vectorial.
5.1.13 En los conjuntos siguientes, investguese si son
espacios vectoriales:
a.- Todas las funciones f en >0; 1@ tales que f (x) > 0
en >0; 1@.
b.- Todas las funciones f en >0; 1@ tales que se puede
expresar f como g h, donde g y h son montonas y
estrictamente crecientes.
c.- Todas las funciones f en >0; 1@ tales que f (x) =
Senx.
d.- Todas las funciones f en >0; 1@ tales que f (x) +
Senx f (x) = 0.
e.- V es el conjunto de todas las matrices de 2 x 2 con
componentes reales. La suma es la suma habitual de
matrices y la multiplicacin escalar est definida por
a b Da 0
D

.
c d 0 Db
f.- El conjunto V del literal e). La suma definida por
a b e f a b
c d g h c d
y la multiplicacin escalar es la habitual.
g.- El conjunto V del literal e). La suma definida como
JOE GARCIA ARCOS
198
a b e f e f
c d g h g h
y la multiplicacin escalar definida por
a b 0 0
D

.
c d 0 Dd
h.- El conjunto V del literal e). La suma definida por
b f
a b e f 0
0
c d g h c g
y la multiplicacin escalar por
a b Da Db
D

.
c d Dc Dd
5.1.14 Determine si el conjunto dado, junto con las

operaciones indicadas, es un espacio vectorial. En caso
negativo, indique que axiomas no se cumplen:
a.- El conjunto de todas las matrices singulares de n x n
con las operaciones normales;
b.- El conjunto de todas las matrices no singulares de n x
n con las operaciones normales;
c.- El conjunto de todas las matrices diagonales de n x n
con las operaciones normales.
5.1.15 Determine si el conjunto dado, junto con las
operaciones indicadas, es un espacio vectorial. En caso
negativo, indique que axiomas no se cumplen:
a.- Todas las funciones escalonadas definidas en [0; 1];
b.- Todas las funciones con perodo 2S;
c.- Todas las f integrable en [0; 1] con
5.1.20 Considrense todas las sucesiones infinitas con

ndices que empiezan desde 1. Demustrese que cada
uno de los conjuntos siguientes constituye un espacio
vectorial de funciones:
a.- Todas las sucesiones infinitas.
b.- Todas las sucesiones convergentes.
c.- Todas las sucesiones con lmite 0.
d.- Todas las sucesiones que estn acotadas superior e
inferiormente.
5.1.21 Verifquese que los conjuntos siguientes de
funciones no son espacios vectoriales:
a.- El conjunto de todas las funciones diferenciables en
>0; 1@ cuya derivada es 3x2.
b.- El conjunto de todas las funciones diferenciables f en
>0; 1@ tales que f = f 1.
c.- El conjunto de todas las funciones f en >0; 2@ con la
propiedad de que x d f ( x) en 0 d x d 2.
d.- El conjunto de todas las funciones f en >0; 2@ tales
que f(1) = 1.
0 f ( x)dx t 0 ;
d.- Todos los polinomios de Taylor de grado d n para un

n fijo (incluyendo el polinomio cero);
e.- Todas las soluciones de una ecuacin diferencial
lineal homognea de segundo orden y + P(x)y + Q(x)y
= 0, siendo P y Q funciones dadas, continuas para todo x;
f.- Todas las sucesiones reales acotadas;
g.- Todas las sucesiones reales convergentes;
h.- Todas las gentes;
i.- Todas las series reales convergentes.
5.1.16 Demuestre que los nmeros reales pueden
considerarse como un espacio vectorial sobre los
nmeros racionales.
5.1.17 Demuestre que los nmeros complejos se pueden
considerar como un espacio vectorial sobre los nmeros
reales.
5.1.18 Sean V y W espacios vectoriales. Sea U el conjunto de todos los pares ordenados (v, w), donde v est
en V y w est en W. Definamos por analoga con V 2 la
adicin y la multiplicacin por escalares en U. Verifquense que el sistema que se obtiene es un espacio vectorial. Es habitual denotar a U con el smbolo V x W.
5.1.19 Demustrese que con las reglas habituales de la

adicin y la multiplicacin por escalares, los conjuntos
siguientes de funciones son espacios vectoriales:
a.- El conjunto de las funciones diferenciables en > a ; b@.
b.- El conjunto de todas las funciones con derivada
segunda en >0; 1@.
c.- El conjunto de las funciones definidas en >0; 2@ que
tienen ceros en 0, 1 y 2.
5.1.22 Demustrese que cada uno de los conjuntos

siguientes es espacio vectorial de funciones:
a.- Todas las funciones f en >0; 1@ con derivadas continuas de primero, segundo y tercer rdenes.
b.- Todas las funciones f en >0; 1@ con la propiedad de
que f + f = 0.
c.- Todas las funciones f en >0; 1@ tales que f - 4f = 0.
d.- El conjunto de todas las funciones continuas por
tramos en >0; 3@.
e.- El conjunto de todas las funciones representables
como suma de una serie convergente de potencias
an xn en (-1; 1).
5.1.23 Demustrese que cada uno de los conjuntos
siguientes de funciones no es un espacio vectorial:
a.- Todas las funciones f definidas y no negativas: f(x) t
0 para todo x, en un intervalo dado.
b.- Todas las funciones definidas y no continuas en un
intervalo dado.
c.- Todas las funciones que son continuas en >0; 1@ y
cuyo valor en x = 1 es 1.
d.- Todas las funciones definidas que tienen un nmero finito de ceros en >0; 1@.
JOE GARCIA ARCOS
199
5.2 SU B ESP A C I OS V E C T O R I A L ES
En esta seccin se estudiar con detalle los espacios vectoriales que estn contenidos en un espacio vectorial
ms grande. Se enunciarn y demostrarn sus propiedades.

Con frecuencia, se tiene que un espacio vectorial est contenido en otro, y que la
adicin y la multiplicacin por escalares del primer espacio vectorial se llevan a
cabo de manera exactamente igual a la del segundo. Cuando esto es as, se dice
que el primer espacio vectorial es subespacio del segundo.
En trminos generales, para demostrar que un conjunto U con la adicin y la multiplicacin escalar En trminos generales, para demostrar que un forma un espacio
vectorial es necesario verificar los 10 axiomas de espacio vectorial. Sin embargo,
si U es parte de un conjunto ms grande V del que se sabe es un espacio vectorial,
entonces no es necesario verificar ciertos axiomas para U porque son heredados de
V.
Un subconjunto U de un espacio vectorial V se denomina subespacio de
V si U es un espacio vectorial bajo la adicin y la multiplicacin escalar
definidas sobre V.
Es importante tener en cuenta que para que un subconjunto no vaco U de un espacio vectorial V sea un subespacio, el subconjunto y las operaciones de suma de
vectores y multiplicacin por un escalar deben formar un sistema autocontenido.
Es decir, cualquier suma o multiplicacin por un escalar efectuada con vectores
del subconjunto U siempre produce un vector que est en U. Si U es no vaco y
cerrado bajo la suma y multiplicacin por un escalar, con seguridad constituye un
espacio vectorial por derecho propio. Por tanto, se ha llegado a un criterio eficiente para determinar si un subconjunto es un subespacio de un espacio vectorial.
T E O R E M A 5.2.1
Si U es un conjunto formado por uno o ms vectores de un espacio vectorial V, entonces U es un subespacio de V si y slo si se cumplen las condiciones siguientes:
1.- Si u, v son elementos de U, entonces u + v est en U.
2.- Si a es cualquier nmero y u es un elemento de U, entonces au est
en U.
Si U es un subespacio de V, entonces se cumplen todos los axiomas de espacio vectorial; en particular, se cumplen los axiomas 1 y 6. Pero stas son precisamente las
condiciones 1 y 2. Recprocamente, supngase que se cumplen las condiciones 1 y 2.
Como estas condiciones son los axiomas 1 y 6 de espacio vectorial, basta demostrar
que U satisface los ocho axiomas restantes. Los vectores de U cumplen automticamente los axiomas 2, 3, 7, 8, 9 y 10, ya que estos axiomas se cumplen para todos los
vectores en V. En consecuencia, para completar la demostracin, basta verificar que
los axiomas 4 y 5 se cumplen para vectores en U. Sea u cualquier vector de U. Por la
condicin 2, au est en U para cualquier escalar a. Haciendo a = 0, se concluye que
0u = est en U, y haciendo a = -1 se concluye que (-1)u = -u est en U.
Se dice que un conjunto U formado por uno o ms vectores de un espacio vectorial
V es cerrado bajo la adicin si se cumple la condicin 1 del teorema anterior, y
cerrado bajo la multiplicacin escalar si se cumple la condicin 2. As, de esta
manera se establece que U es un subespacio de V si y slo si U es cerrado bajo la
adicin y cerrado bajo la multiplicacin escalar.
JOE GARCIA ARCOS
200

Si A X = B es un sistema de ecuaciones lineales, entonces todo vector que satisface

esta ecuacin se denomina vector solucin del sistema. El teorema siguiente muestra que los vectores solucin de un sistema lineal homogneo forman un espacio
vectorial, que se denomina espacio solucin del sistema.
T E O R E M A 5.2.2
Si A X = es un sistema lineal homogneo de m ecuaciones con n incgnitas, entonces el conjunto de vectores solucin es un subespacio de n.
Sea U el conjunto de vectores solucin. En U existe por lo menos un vector, a
saber, . Para probar que U es cerrado bajo la adicin y la multiplicacin escalar,
es necesario demostrar que si X y Y son vectores solucin cualesquiera y a es
cualquier escalar, entonces X + Y y a X tambin son vectores solucin. Pero si X y
Y son vectores solucin, entonces A X = y A Y = . A partir de lo cual se deduce que
A(X + Y) = A X + A Y = + = y A( a X) = a A X = a = .
Lo cual demuestra que X + Y y a X son vectores solucin.
Dado un espacio vectorial V, siempre se le puede considerar como subespacio se
s mismo. Por lo tanto, cada espacio vectorial V contiene siempre los subespacios
{} y V; a estos subespacios se les llama, por lo comn, subespacios impropios
de V. Un subespacio de V distinto a uno de los subespacios impropios de V se le
llama subespacio propio de V.
Sea U un subespacio propio de 2. Entonces, U contiene un vector u distinto de
cero, y U contiene tambin a todos los mltiplos escalares de u. Si U contuviera un
vector v, que no fuera mltiplo escalar de u, entonces u, v seran linealmente independientes, y U habra de contener a todos los vectores en R 2 de la forma Du + Ev,
donde D, E son escalares arbitrarios. Pero as se puede representar todo vector del
plano y, en consecuencia, U coincidira con 2. Por lo tanto, no existe el tal vector
v, y U consta de los mltiplos escalares de u.
Por consiguiente, cada subespacio propio U de 2 corresponde a una recta que
pasa por el origen, en el plano.
Sea U un subespacio propio de 3. Entonces, U contiene un vector distinto de
cero, u = OQ y, en consecuencia, contiene a todos los mltiplos escalares Du; es
decir, a todos los vectores OP, con P en la recta L que pasa por O y por Q. Esto
puede ser la totalidad de U. De no ser as, entonces U contiene un vector v = OR,
donde R no est en L. En consecuencia, U tambin contiene a todos los vectores
u = OP, de la forma DOQ + EOR. Puesto que D y E toman todos los valores reales,
P vara en un plano S que pasa por O. Con esto, tal vez tengamos a todo U. De no
ser as, entonces en U hay un vector w = OS, donde S no est en S. En consecuencia, U contiene a todos los vectores u = OP de la forma DOQ + EOR + MOS. Pero,
como S no est en S, los puntos P van por todo el espacio tridimensional, y U
resulta ser la totalidad de 3. Pero, con esto, U ya no sera subespacio propio de
R 3. Por lo tanto, slo hay dos clases de subespacios propios de 3: los que corresponden a rectas que pasan por O y los que corresponden a planos que pasan por O.
Tambin se ve claramente que toda recta que pase por O y todo plano que pasa por
O correspondern a subespacios propios U de 3.
EJ E M P L O 5.2.1
El conjunto de funciones diferenciables f en [0; 1], con la propiedad de que
f = Df, es subespacio vectorial.
JOE GARCIA ARCOS
201
SO L U C I O N
Se ve claramente que contiene a la funcin cero, de manera que es un conjunto
no vaco de funciones en [0; 1]. Si f y g estn en , entonces f + g y E f son funciones diferenciables en [0; 1], y
(f + g) = f + g = E f + Eg = E(f + g), (E f) = E f = E(Df) = D(E f).
En consecuencia, es cerrado bajo la adicin y la multiplicacin por escalares.
Por lo tanto, es subespacio vectorial.
E J E M P L O 5.2.2
Demostrar que el conjunto S = Â M(n x n) / A = A T` de las matrices simtricas,
forman un subespacio vectorial del espacio de las matrices cuadradas de orden n.
SO L U C I O N
Sean A = A T, B = B T S. Entonces para escalares cualesquiera O y M tenemos:
(OA + MB)T = (OA)T + (MB)T = OA T + MB T = OA + MB S.
Si adems S, entonces:
(OA + MB)T = (O + M)T = OT + MT = O + M = S.
Luego (OA + MB)T S, y por lo tanto S es un subespacio de M(n x n).
EJ E M P L O 5.2.3
Sea el conjunto solucin de un sistema no homogneo A X = B, con las operaciones
usuales de adicin de matrices y multiplicacin por escalares. Demostrar que este
conjunto no es un subespacio vectorial.
SO L U C I O N
Supongamos que Y y Z son soluciones del sistema A X = B; es decir Y, Z n.
Entonces para escalares cualesquiera O y M, tenemos:
A(OY + MZ) = A(OY) + A(MZ) = O(A Y) + M(A Z) = OB + MB = (O + M)B z B
Como (OY + MZ) no es solucin del sistema, entonces no es un subespacio vectorial
de n.
E J E M P L O 5.2.4
Determine si los siguientes subconjuntos son subespacios de 3. En caso afirmativo,
prubelo, en caso contrario de una razn para la cual no sea un subespacio vectorial:
a.- S = {(a, b, c) / a + b 3 = 2c};
b.- S = {(a, b, c) / a + b = 4c};
c.- S = {(a, b, c) / a, b, c t 0};
d.- S = {(a, b, c) / a2 + b2 + c2 = 1}.
SO L U C I O N
a.- Est claro que S es vaco, puesto que el vector (0, 0, 0) S. Adems el vector
ms general de S es de la forma (-b + 2c + 3, b, c), donde b y c son nmeros reales
cualesquiera. Sean los vectores (-x + 2y + 3, x, y) y (-u + 2v + 3, u, v) de S y sea k un
nmero real cualquiera. Entonces:
(-x + 2y + 3, x, y) + (-u + 2v + 3, u, v) = (-x u + 2y + 2v + 6, x + u, y + v) S,
k(-x + 2y + 3, x, y) = (-kx + 2ky + 3k, kx, ky) S.
Lo que prueba que S no es un subespacio vectorial.
b.- Est claro que S es no vaco, puesto que el vector (0, 0, 0) S. Adems el vector
ms general de S es de la forma (-b + 4c, b, c), donde b y c son nmeros reales
cualesquiera. Sean los vectores (-x + 4y, x, y) y (-u + 4v, u, v) de S y sea k un nmero
real cualquiera. Entonces:
(-x + 4y, x, y) + (-u + 4v, u, v) = (-x u + 4y + 4v, x + u, y + v) S,
k(-x + 4y, x, y) = (-kx + 4ky, kx, ky) S.
Lo que prueba que S es un subespacio vectorial.
c.- Est claro que S es no vaco cuando a = b = c = 0, puesto que el vector (0, 0, 0)
S, pero cuando a, b, c > 0, S es vaco puesto que el vector (0, 0, 0) S. Lo que
prueba que S no es un subespacio vectorial.
d.- Est claro que S es vaco, puesto que el vector (0, 0, 0) S. Lo que prueba que S
no es un subespacio vectorial.
JOE GARCIA ARCOS
202
EJ E M P L O 5.2.5
Explique si cada uno de los siguientes subconjuntos del espacio vectorial 3 son
subespacios vectoriales de l:
a.- S = {p(x) / a + b = 0`;
b.- S = {p(x) / a = b = c = d};
c.- S = {p(x) / a = b = c = 0};
d.- S = {p(x) / p(-1) = p(1) = 0}.
SO L U C I O N
a.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b, entonces
el polinomio ms general de S es de la forma p(x) = bx3 + bx2 + cx + d, donde b, c y d
son nmeros reales cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Ex + M y
r(x) = mx3 + mx2 + nx + s de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (D + m)x3 + (D + m)x2 + (E + n)x + (M + s) S,
kq(x) = k(Dx3 + Dx2 + Ex + M) = kDx3 + kDx2 + kEx + kM S.
b.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = d,
entonces el polinomio ms general de S es de la forma p(x) = dx3 + dx2 + dx + d,
donde d es un nmero real cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Dx +
D y r(x) = Ex3 + Ex2 + Ex + E de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (D + E)x3 + (D + E)x2 + (D + E)x + (D + E) S,
kq(x) = k(Dx3 + Dx2 + Dx + D) = kDx3 + kDx2 + kDx + kD S.
c.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = 0,
entonces el polinomio ms general de S es de la forma p(x) = 0x3 + 0x2 + 0x + d,
donde d es un nmero real cualesquiera. Sean los polinomios q(x) = 0x3 + 0x2 + 0x +
D y r(x) = 0x3 + 0x2 + 0x + E de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (0 + 0)x3 + (0 + 0)x2 + (0 + 0)x + (D + E)
= 0x3 + 0x2 + 0x + (D + E) S,
3
kq(x) = k(0x + 0x2 + 0x + D) = 0x3 + 0x2 + 0x + kD S.
d.- Como S 3, entonces
p(x) = ax3 + bx2 + cx + d y p(-1) = - a + b - c + d = 0, p(1) = a + b + c + d = 0.
Por lo tanto
a b c d 0
a b c d 0
Resolviendo este sistema, obtenemos lo siguiente:
1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 0 1 0 0
|
|
|
1 1 1 1 0 0 2 0 2 0 0 1 0 1 0 0 1 0 1 0
donde a = -c y b = -d. El nuevo conjunto S = {p(x) / a = -c y b = -d}. Claramente se
puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 + 0x + 0 S.
Adems el polinomio ms general de S es de la forma p(x) = - cx3 - dx2 + cx + d,
donde c y d son nmeros reales cualesquiera. Sean los polinomios q(x) = - Dx3 - Ex2
+ Dx + E y r(x) = - mx3 - nx2 + mx + n de S y sea k un nmero real cualquiera.
Entonces:
q(x) + r(x) = - (D + m)x3 (E + n)x2 + (D + m)x + (E + n) S,
kq(x) = k(- Dx3 - Ex2 + Dx + E) = - Dkx3 - Ekx2 + Dkx + Ek S.
EJ E M P L O 5.2.6
Sea S1 el plano en el espacio 3 dado por la ecuacin a + 2b + c = 6. Cul es la
ecuacin del plano S2 que pasa por el origen y es paralelo a S1? Son S1 y S2
subespacios de 3?
JOE GARCIA ARCOS
203
SO L U C I O N
Para que el plano S2 pase por el origen y sea paralelo al plano S1 es necesario y
suficiente que los coeficientes del plano S2 sean iguales a los de S1 y el trmino
independiente sea igual a cero; es decir S2 : a + 2b + c = 0. El plano S1 = {(a, b, c) / a
+ 2b + c = 6} no es un subespacio de 3 porque no contiene al elemento nulo
(0, 0, 0) S1. Para S2 = {(a, b, c) / a + 2b + c = 0}, est claro que S2 es no vaco,
puesto que el vector (0, 0, 0) S2. Adems el vector ms general de S2 es de la forma
(-2b c, b, c), donde b y c son nmeros reales cualesquiera. Sean los vectores
(-2x - y, x, y) y (-2u - v, u, v) de S2 y sea k un nmero real cualquiera. Entonces:
(-2x - y, x, y) + (-2u - v, u, v) = (-2x 2u y v, x + u, y + v) S;
k(-2x - y, x, y) = (-2kx - ky, kx, ky) S.
Lo que prueba que S2 es un subespacio vectorial.
PR O B L E M AS
5.2.1 Sea 5 el espacio vectorial y considere el conjunto
U de todos los polinomios de la forma (x3 + x)p(x),
donde p(x) est en 2. U es un subespacio de 5?
5.2.2 Demuestre que los nicos subespacios de 2 son:
1. el propio 2;
2. el subespacio trivial que consiste nicamente del
vector cero (0, 0);
3. cualquier conjunto de vectores (x, y) representados por
flechas que estn a lo largo de una recta que pase por el
origen.
Esto es, dada cualquier recta que pase por el origen,
todos los vectores de 2 que puedan representarse como
vectores a lo largo de esta recta constituyen un subespacio de 2. Adems, cualquier subespacio distinto de 2 y
del subespacio trivial consiste en vectores a lo largo de
una recta que pasa por el origen.
5.2.3 Demuestre que los nicos subespacios de 3 son
los siguientes:
1. el propio 3;
2. el subespacio trivial que consiste solamente del vector
cero (0, 0, 0);
3. todos los vectores paralelos a una recta dada que pasa
por el origen;
4. todos los vectores que estn en un plano dado que
pasa por el origen.
5.2.4 En cada uno de los subconjuntos siguientes de
4, determnese si el subconjunto es un subespacio:
a.- W: todos los u = ( a 1, a 2, a3, a 4) tales que a 1 = a 2.
b.- U: todos los u tales que
a 1 = a 2 y a 1 + a 2 + a 3 + a 4 = 0.
c.- J: todos los u tales que a 1 es racional.
d.- K : todos los u tales que a 1 + a 2 + a 3 + a 4 d 0.
e.- L: todos los u tales que x1 x22 .
f.- M : todos los u tales que, o bien a 1 = a 2, o bien
a 3 = a 4.
g.- N: todos los u tales que

a1 a2 a3 a4 z 0 .
5.2.5 Determine cundo el conjunto S de vectores de
n forman un subespacio de n:
a.- S consta de todos los vectores de 5 de la forma
(x, y, z, x, x);
b.- S consta de todos los vectores de 4 de la forma
(x, 2x, 3x, y);
c.- S consta de todos los vectores de 6 de la forma
(x, 0, 0, 1, 0, y);
d.- S consta de todos los vectores de 3 de la forma
(0, x, y);
e.- S consta de todos los vectores de R 4 de la forma
(x, y, x + y, x - y);
f.- S consta de todos los vectores de 7 con cero en la
tercera y quinta componentes;
g.- S consta de todos los vectores de 4 con la primera
y segunda componentes iguales;
h.- S consta de todos los vectores de 4 con la tercera
componente igual a 2;
i.- S consta de todos los vectores de 7 con la sptima
componente igual a la suma de las primeras seis componentes;
j.- S consta de todos los vectores de 8 con cero en la
primera, segunda y cuarta componentes y la tercera
componente igual a la sexta.
5.2.6 Sea U el espacio vectorial de todas las funciones
reales f en >-1; 1@. Determnese si cada uno de los conjuntos siguientes es subespacio de U:
a.- U: el conjunto de todas las f tales que f(0) = 0.
b.- U: el conjunto de todas las f tales que f(x) = 0 en -1
d x d .
c.- U: el conjunto de todas las f tales que f es continua
en x = .
d.- U: el conjunto de todas las f tales que f(x) = f(-x) en
-1 d x d 1.
JOE GARCIA ARCOS
204
e.- U: el conjunto de todas las f tales que f es montona

y estrictamente creciente en >-1; 1@.
5.2.7 Demustrese: si a 1 a k son escalares, no todos
0, y si W es el conjunto de todos los (u1 uk) con la
propiedad de que a 1u1 a kuk = 0, entonces W es
subespacio de k, y W es espacio no trivial si k t 2.
5.2.8 Sean U y W subespacios de un espacio vectorial

V. Hgase ver que, si U es subconjunto de W, entonces
U es subespacio de V.
5.2.9 Sea W subespacio de V y sea U subespacio de
W. Hgase ver que U es subespacio de V.
5.3 C O M B I N A C I O N ES L I N E A L ES Y SU B ESP A C I OS G E N E R A D OS
En esta seccin estudiaremos un conjunto de vectores S que genera un espacio vectorial dado si todo vector en
este espacio se puede expresar como una combinacin lineal de los vectores de S. En general, puede haber
ms de una forma de expresar un vector del espacio vectorial como una combinacin lineal de vectores en un
conjunto generador.
Suponga que en el espacio vectorial V, definido sobre un cuerpo real o complejo,
se ha elegido un nmero determinado de vectores arbitrarios u1, u2, ..., uk que no
son necesariamente diferentes. Llamaremos a estos vectores sistema de vectores.
Un sistema de vectores se denominar subsistema del segundo sistema,
si el primer sistema slo contiene ciertos vectores del segundo y no contiene ningn otro vector.
Sobre los vectores del sistema dado y los vectores obtenidos de los primeros se
realizarn las operaciones de adicin y multiplicacin por escalares. Est claro
que todo vector u de la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2, ..., a k son
escalares, se obtiene de los vectores del sistema dado u1, u2, ..., uk con ayuda de
las operaciones citadas. Ms an, cualquiera que sea el orden en que se realicen
estas operaciones, obtendremos solamente los vectores del tipo antes mencionado.
Un vector u se denomina combinacin lineal de los vectores u1, u2, ..., uk
si se puede expresar en la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2,
..., a k son escalares.
Si k = 1, entonces la ecuacin de la definicin precedente se reduce a u = a 1u1; es
decir, u es una combinacin lineal de un solo vector u1 si es un mltiplo escalar
de u1. Respecto del vector u suele decirse que se expresa linealmente en trminos
de los vectores u1, u2, ..., uk. El segundo miembro de la expresin u = a 1u1 + a 2u2
+ ... + a kuk se denomina combinacin lineal de estos vectores y los nmeros a 1, a 2,
..., a k son los coeficientes de la combinacin lineal.
EJ E M P L O 5.3.1
Est dado el sistema de polinomios p(t) = 1 - t2, q(t) = 1 + t3, r(t) = t - t3, s(t) = 1 + t +
t2 + t3. Hallar las combinaciones lineales de los polinomios de ese sistema:
a.- 5p(t) + q(t) 4r(t); b.- p(t) + 9q(t) 4s(t).
Discutir los resultados obtenidos.
SO L U C I O N
a.- Para la combinacin lineal 5p(t) + q(t) - 4 r(t), obtenemos
5(1 - t2) + (1 + t3) 4(t - t3) = 6 4t 5t2 + 5t3.
b.- Para la combinacin lineal p(t) + 9q(t) 4s(t), obtenemos
(1 - t2) + 9(1 + t3) 4(1 + t + t2 + t3) = 6 4t - 5t2 + 5t3.
Podemos observar que tanto 5p(t) + q(t) - 4 r(t), como p(t) + 9q(t) 4s(t) tienen la
misma combinacin lineal.
JOE GARCIA ARCOS
205
E J E M P L O 5.3.2
a.- Verifquese que el polinomio p(t) = t2 + 4t - 3 es una combinacin lineal de los
polinomios q(t) = t2 - 2t + 5, r(t) = 2t2 - 3t, s(t) = t + 3.
b.- Verifique si el vector v = (2, -5, 3) se puede expresar como combinacin lineal
de los vectores v1 = (1, -3, 2), v2 = (2, -4, -1), v3 = (1, -5, 7).
SO L U C I O N
a.- Segn la definicin, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 4t 3 = a (t2 - 2t + 5) + b(2t2 3t) + c(t + 3)
Agrupando trminos semejantes, obtenemos
t2 + 4t 3 = ( a + 2b)t2 + (-2 a - 3b + c)t + (5 a + 3c)
Establecemos el sistema de ecuaciones y resolvemos
a 2b 1
a 3
2 a 3b c 4 b 2
5a 3c 3
c 4
Por lo tanto
p(t) = - 3q(t) + 2 r(t) + 4s(t).
b.- Segn la definicin, debemos resolver v = av1 + bv2 + cv3. Es decir
(2, -5, 3) = a (1, -3, 2) + b(2, -4, -1) + c(1, -5, 7)
(2, -5, 3) = ( a + 2b + c, -3 a 4b 5c, 2a b + 7c)
a 2b c 2
3a 4b 5c 5 .
2a b 7c 3
Este sistema tiene un nmero indeterminado de soluciones. Por lo tanto el vector

v no se puede expresar como combinacin lineal de los vectores v1, v2, v3.
EJ E M P L O 5.3.3
Verifique si la matriz A
3 1
se puede expresar como combinacin lineal de

1 1
1 1
0 0
0 2
0 1
las matrices B
, C
, D
, E
.
1
0
1
1
0

1
1 0
SO L U C I O N
Segn la definicin, debemos resolver A = a B + b C + c D + d E. Es decir
3 1
1 1 0 0 0 2
0 1
a
b
c
d
1 1
1 0 1 1 0 1
1 0
a
a 2c d
3 1
1

1
a

b

d
bc

a 3
a 3
a 2c d 1
b 2
a

b

d
1
c 1
b c 1
d 0
Por lo tanto A = 3B - 2C D.
E J E M P L O 5.3.4
Compruebe que el vector p(t) = t2 + 3t 2 se puede expresar como combinacin
lineal de los vectores q(t) = 3t2 + t - 4, r(t) = 2t 5, s(t) = 2t2 2t + 3.
JOE GARCIA ARCOS
206
SO L U C I O N
Segn la definicin, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 3t 2 = a (3t2 + t - 4) + b(2t 5) + c(2t2 2t + 3)
t2 + 3t 2 = (3 a + 2c)t2 + ( a + 2b 2c)t + (- 4 a - 5b + 3c)
3a 2 c 1
a 13 / 3
13
20
q (t ) r (t ) 6 s (t ) .
b 20 / 3 p(t )
a 2b 2c 3
3
3
4 a 5b 3c 2
c 6
% COMPRUEBA SI UN VECTOR ES COMBINACION LINEAL DE UN SISTEMA DE VECTORES S

clc;clear;
fprintf('\n COMBINACION LINEAL \n')
fil=input('Ingrese el numero de vectores: ');
col=input('Ingrese la dimension del vector: ');
fprintf('\n Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\n Ingrese el vector (%d)\n', f)
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',c,f)
S(c,f)=input(' :');
end
end
fprintf('\n El SISTEMA DE VECTORES S ES:\n')
S
fprintf('\n Ingrese el vector u \n')
%for f=1:col
for c=1:col
fprintf('Ingrese el elemento %d',c)
u(c,1)=input(' :');
end
fprintf('El VECTOR u es:\n')
u
end
fprintf('LA MATRIZ REDUCIDA ES:')
R1= rref(S);
R1
RangS=rank(S)
fprintf('\n LA MATRIZ AUMENTADA ES: \n',c);
A=[S,u];
A
R2= rref(A);
R2
RangA=rank(A)
end
if RangA==col-1
fprintf('El vector u si se expresa como combinacion lineal de S\n')
else
fprintf('El vector u no se puede expresar como combinacion lineal de S\n')
end
Si S = {v1, v2, ..., vk} es un conjunto de vectores en un espacio vectorial
V, entonces el subespacio U de V que consta de todas las combinaciones
lineales de los vectores en S se denomina espacio generado por v1, v2, ...,
vk, y se dice que los vectores v1, v2, ..., vk generan a U. Para indicar que U
es el espacio generado por los vectores del conjunto S.
Fijemos el sistema de vectores u1, u2, ..., uk y dejemos que los coeficientes de las
JOE GARCIA ARCOS
207
combinaciones lineales tomen cualesquiera valores. En este caso quedar definido

cierto conjunto de vectores de V. Este conjunto lleva el nombre de subespacio
generado de los vectores u1, u2, ..., uk.
El inters hacia los subespacios generados se debe a dos circunstancias. En primer
lugar, si U es un subespacio de V que contiene a v1, v2, ..., vk, entonces U contiene
a todas las combinaciones lineales de esos vectores; es decir, U contiene a
Span{v1, v2, ..., vk}. Segundo, podemos decir que Span{v1, v2, ..., vk} es el menor
de los subespacios de V que contienen a los vectores v1, v2, ..., vk.
Si U es subespacio de V y si S es un subconjunto de V con la propiedad de que
Span(S) = U, decimos que S genera a U. Subconjuntos diferentes pueden generar
el mismo subespacio U. Tambin podemos hablar del subespacio que genera un
subconjunto infinito S de V. En ese caso, Span(S) es el conjunto de todas las
combinaciones lineales de todos los subconjuntos finitos de S.
T E O R E M A 5.3.1
Si v1, v2, ..., vk son vectores en un espacio vectorial V, entonces:
1.- El conjunto U de las combinaciones lineales de v1, v2, ..., vk es
subespacio de V;
2.- U es el menor subespacio de V que contiene a v1, v2, ..., vk, en el sentido de que cualquier otro subespacio que contenga a v1, v2, ..., vk debe
contener a U.
1.- Para demostrar que U es un subespacio de V, es necesario probar que es cerrado bajo la adicin y la multiplicacin escalar. En U existe por lo menos un
vector, a saber, , ya que
= 0v1 + 0v2 + ... + 0vk.
Si u y v son vectores en U, entonces
u = a 1u1 + a 2u2 + ... + a kuk
y
v = b1u1 + b2u2 + ... + bkuk
donde a 1, a 2, ..., a k, b1, b2, ..., bk son escalares. Por consiguiente,
u + v = (a 1 + b1)v1 + ( a 2 + b2)v2 + ... + (a k + bk)vk
y, para cualquier escalar a ,
au = (aa 1)v1 + ( aa 2)v2 + ... + (aa k)vk.
As, u + v y au son combinaciones lineales de v1, v2, ..., vk, y, en consecuencia,
estn en U. Por tanto, U es cerrado bajo la adicin y la multiplicacin escalar.
2.- Cada vector vi es una combinacin lineal de v1, v2, ..., vk, ya que es posible escribir vi = 0v1 + 0v2 + ... + 0vk. Por consiguiente, en el subespacio U estn todos y cada
uno de los vectores v1, v2, ..., vk. Sea W cualquier otro subespacio que contiene a v1,
v2, ..., vk. Como W es cerrado bajo la adicin y la multiplicacin escalar, debe contener todas las combinaciones lineales de v1, v2, ..., vk. As, W contiene a cada vector de
U.
Ahora surgen unas preguntas: En qu condiciones los subespacios generados de
dos sistemas diferentes de vectores consisten de los mismos vectores del espacio
inicial? Qu nmero mnimo de vectores define un mismo subespacio vectorial?
Ser el espacio vectorial inicial un subespacio generado de algunos de sus vectores? Las respuestas a estas preguntas y otras las daremos ms adelante.
Con este fin emplearemos en gran escala la nocin de combinacin lineal y, en
particular, la propiedad de su transitividad. A saber, si un cierto vector u es una
combinacin lineal de los vectores v1, v2, ..., vk, y cada uno de ellos, a su turno, es
una combinacin lineal de los vectores w1, w2, ..., wk, entonces el vector u tambin
puede ser representado como combinacin lineal de los vectores w1, w2, ..., wr.
JOE GARCIA ARCOS
208
Dos sistemas de vectores S = {v1, v2, ..., vk} y S = {w1, w2, ..., wk} de un
espacio vectorial V, se dicen equivalentes, cuando ambos engendran el
mismo subespacio.
Es evidente que, para el conjunto de los sistemas finitos de vectores de un espacio
vectorial, la equivalencia recin definida es una relacin de equivalencia. De aqu
se desprende que si los subespacios generadores de dos sistemas de vectores coinciden, entonces los sistemas son equivalentes. As pues, los conjuntos generadores no son nicos.
T E O R E M A 5.3.2
Si S = {v1, v2, ..., vk} y S= {w1, w2, ..., wk} son dos conjuntos de vectores
en un espacio vectorial V, entonces Span(S) = Span(S) si y slo si todo
vector en S es una combinacin lineal de los vectores en S y, recprocamente, todo vector en S es una combinacin lineal de los vectores en
S.
Los sistemas S y S son equivalentes, es decir, si Span(S) = Span(S), todo vector
de uno de estos subespacios, y en particular los vectores que le engendran
pertenecen al otro, es decir, depende linealmente de los vectores que engendran al
otro. Recprocamente, si todos los vectores del sistema S dependen linealmente de
los del sistema S, entonces, todo vector que depende linealmente de los vectores
de S tambin depende linealmente de los de S, es decir Span(S) Span(S), si
adems, tambin los vectores de S dependen linealmente de los de S, se
verificar que Span(S) Span(S).
E J E M P L O 5.3.5
Determine en caso de existir el subespacio generado por el conjunto de vectores
a.- S = {t2 + 3t 1, 2t2 + 1, 3t2 + t 1}; b.- S = {1- t2, t t2, 2 t t2}.
SO L U C I O N
a.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
combinacin lineal de los elementos de S. Es decir
at2 + bt + c = O(t2 + 3t 1) + M(2t2 + 1) + G(3t2 + t 1)
Agrupando los trminos comunes, obtenemos
at2 + bt + c = (O + M + 3G)t2 + (3O + G)t + (- O + M - G)
Establecemos el sistema de ecuaciones
JOE GARCIA ARCOS
209
O M 3G a
3O G b
O M G c
Resolvemos este sistema, utilizando el mtodo de operaciones elementales

1 1 3 a 1 1 3
a 1 1 3
a
|
|
0
3
8
3
a

b
3
0
1
b
0
3
8
3
a

b
1 1 1 c 0 2 2 a c 0 0 10 3a 2b 3c
Como el Rang( A ) = 3, no existe subespacio generado por el conjunto S.

b.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
at2 + bt + c = O(1 - t2) + M(t - t2) + G(2 t - t2).
Formamos el determinante de la matriz de coeficientes:
1 0 1
0 1 1 0 .
2 1 1
Como este determinante es igual cero, entonces procedemos a encontrar el subespacio generado:
1 0 1 a 1 0 1
a 1 0 1
a
0
1

1
b
0
1

1
b
0
1

1
b
|
|

.
2 1 1 c 0 1 1 2 a c 0 0 0 2 a b c

En este caso, el subespacio generado tiene la siguiente forma:

Span(S) = {( a , b, c)/ 2 a - b c = 0}.
EJ E M P L O 5.3.6
Hallar el menor subespacio de 3 en el que se encuentran los polinomios:
q(t) = 2t3 + 2t2 - 2t, r(t) = t3 + 2t2 - t + 5, s(t) = t3 + 2t2 - 6t - 6.
SO L U C I O N
Como Oq(t) + Dr(t) + Gs(t) = p(t), entonces
O(2t3 + 2t2 - 2t) + D(t3 + 2t2 - t + 5) + G(t3 + 2t2 - 6t - 6) = at3 + bt2 + ct + d
2 1 1 a 2 1 1
a 2 1
1
a
a b
2 2 2 b | 0 1 1 a b | 0 1 1
2 1 6 c 0 0 5 a c 0 0 5
ac
0 5 6 d 0 5 6 d 0 0 11 5a 5b d
2 1 1
a b
0 1 1
0 0 5
ac
0 0 0 14 a 25b 11c 5d
Por lo tanto, el subespacio mnimo es

Span{q(t), r(t), s(t)` = Span{(a, b, c, d) / 14a - 25b 11c + 5d = 0}.
E J E M P L O 5.3.7
Demuestre que el menor subespacio de 3 en el que se encuentran los vectores
v1 = (1, 0, -1), v2 = (0, 2, -2), v3 = (0, -2, 2) es el plano a + b + c = 0.
SO L U C I O N
El menor subespacio de 3 que contiene a v1, v2 y v3 es Span(S), donde:
Span(S) = Span{(a, b, c) = O(1, 0, -1) + M(0, 2, -2) + G(0, -2, 2) / O, M, G }
= Span{(a, b, c) = (O, 2D - 2G, -O - 2D + 2G) / O, D, G }
Se desea describir este subespacio de 3 en otros trminos. Obsrvese que de la
JOE GARCIA ARCOS
210
ltima expresin para Span(S) se obtiene

O a
2D 2G b
O 2D 2G c
que puede interpretarse como un sistema de 3 ecuaciones con 3 incgnitas O, D, G, el

cual se sabe que tiene solucin. Al aplicar el mtodo de eliminacin Gaussiana a este
sistema se obtiene
1 0
0 a 1 0 0
a 1 0 0
a
b | 0 2 2
b
0 2 2 b | 0 2 2
1 2
2 c 0 2 2 a c 0 0 0 a b c
Entonces, el hecho de la existencia de soluciones del sistema es equivalente a que a

+ b + c = 0. Es decir, el vector v es una combinacin lineal de v1, v2 y v3 si, y slo si
a + b + c = 0. Por lo tanto, el subespacio Span{v1, v2, v3} puede ser escrito como:
Span{v1, v2, v3} = Span{(a, b, c) / a + b + c = 0},
lo cual es subespacio vectorial de 3 que representa geomtricamente un plano que
pasa por el origen.
E J E M P L O 5.3.8
Demuestre que no existe subespacio propio de 3 en el que se encuentren los
vectores (1, 1, 1),
(1, 1, 0), (1, 0, 0).
SO L U C I O N
Span(S) = Span{( a , b, c) = O(1, 1, 1) + D(1, 1, 0) + G(1, 0, 0) / O, D, G }
= {(O + D + G, O + D, O) / O, D, G }
Se desea describir este subespacio de 3 en otros trminos. Obsrvese que de la
ltima expresin para Span{v1, v2, v3} se obtiene
O D G a
O D b
O c
que puede interpretarse como un sistema de 3 ecuaciones con 3 incgnitas O, D, G. Al

aplicar el mtodo de eliminacin Gaussiana a este sistema se obtiene
1 1 1 a 1 1 1 a 1 1 0 a b
1 1 0 b | 0 0 1 b a | 0 0 1 b a
1 0 0 c 0 1 1 c a 0 1 0 c b
Podemos ver que no existe condicin restrictiva para que el vector v sea combinacin
lineal de los vectores v1, v2, v3. Por lo tanto no existe subespacio propio de 3.
EJ E M P L O 5.3.9
Hallar el menor subespacio del subespacio solucin S del sistema
homogneo:
a 2b 2c 2d e 0
a 2b c 3d 2e 0 .
2 a 4b 7 c d e 0
SO L U C I O N
Resolvemos el sistema de ecuaciones homogneas:
1 2 2 2 1 0 1 2 2 2 1 0 1 2 2

1 2 1 3 2 0 | 0 0 1 1 1 0 | 0 0 1
2 4 7 1 1 0 0 0 3 3 1 0 0 0 0
de ecuaciones
2 1 0
1 1 0
0 2 0
Por lo tanto, el subespacio mnimo de S es

Span(S) = Span{(a, b, c, d, e) / a = - 2b 4d, c = - d, e = 0}.
JOE GARCIA ARCOS
211
EJ E M P L O 5.3.10
a.- Demustrese que si U es un subconjunto de V, entonces Span(U) es un
subespacio de V.
b.- Demostrar que Span(U) es el menor subespacio que contiene a U, si W es un
subespacio de V y si U W, entonces Span(U) W.
SO L U C I O N
a.- Sabemos por hiptesis que U V y que U Span(U). El Span(U) es el
subespacio generado por todas las combinaciones lineales de U, si U es subconjunto
de V, entonces sus elementos cumplen con los axiomas del espacio vectorial V. Por
lo tanto, el subespacio generado por U tambin cumple dichos axiomas, por lo cual
el Span(U) es un subespacio de V.
b.- Si U genera un subespacio, ste es el resultado de todas las combinaciones
lineales posibles a partir de U, si no se tomaran todas las combinaciones lineales
posibles para generar el Span(U), ste no heredara los axiomas del espacio vectorial,
y por tanto solamente sera un conjunto contenido en el espacio vectorial. En
consecuencia, Span(U) es el menor subespacio de V que puede contener a U.
Adems, si el conjunto U est contenido en un subespacio W del espacio vectorial V,
este subespacio W contiene al Span(U). En un caso muy particular, W puede ser
igual al Span(U), debido a que el Span(U) es el menor subespacio que puede ser
generado por el conjunto U en el espacio vectorial V.
EJ E M P L O 5.3.11
Describir el subespacio generado por los sistemas de vectores siguientes:
a.- S = {(1, 0, 0, 0, 0), (0, 0, 1, 0, 0), (0, 0, 0, 0, 1)};
b.- S = {(1, 0, 0, 0, 1), (0, 1, 0, 1, 0), (0, 0, 1, 0, 0)};
c.- S = {(1, 0, 0, 0, -1), (0, 1, 0, 0, -1), (0, 0, 1, 0, -1), (0, 0, 0, 1, -1)}.
SO L U C I O N
a.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
( a , b, c, d, e) = D(1, 0, 0, 0, 0) + E(0, 0, 1, 0, 0) + M(0, 0, 0, 0, 1).
Formamos la matriz aumentada del sistema generado por la combinacin lineal:
1 0 0 a
0 0 0 b
0 1 0 c .
0 0 0 d
0 0 1 e

Span(S) = {( a , b, c, d, e) / b = d = 0}.
b.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como combinacin lineal de los elementos de S. Es decir
( a , b, c, d, e) = D(1, 0, 0, 0, 1) + E(0, 1, 0, 1, 0) + M(0, 0, 1, 0, 0).
1 0 0 a 1 0 0
a 1 0 0
a
b 0 1 0
b
0 1 0 b 0 1 0
0 0 1 c | 0 0 1
c | 0 0 1
c .
d 0 0 0 b d
0 1 0 d 0 1 0
1 0 0 e 0 0 0 a e 0 0 0 a e


Span(S) = {( a , b, c, d, e) / b - d = 0, a e = 0}.
c.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
( a , b, c, d, e) = D(1, 0, 0, 0, -1) + E(0, 1, 0, 0, -1) + M(0, 0, 1, 0, -1) +
JOE GARCIA ARCOS
212
+ G(0, 0, 0, 1, -1)
1 0 0 0 a 1 0 0 0
a 1 0 0 0
a
b 0 1 0 0
b
0 1 0 0 b 0 1 0 0
0 0 1 0 c | 0 0 1 0
c | 0 0 1 0
c
d 0 0 0 1
d
0 0 0 1 d 0 0 0 1
1 1 1 1 e 0 1 1 1 a e 0 0 1 1 a b e

0
0
0
0
0
1
0
0
0
0 0
a
1

0 0
b
0
| 0
1 0
c

0 1
d
0
0 1 a b c e 0
0
1
0
0
0
0
0
1
0
0
0
a
0
b
.
0
c
1
d
0 a b c d e

Span(S) = {( a , b, c, d, e) / a + b + c + d + e = 0}.
EJ E M P L O 5.3.12
Demustrese que si V es el espacio de las funciones doblemente diferenciables
definidas en a d t d b y S es el conjunto de funciones ^Sent, Cost}, entonces Span(S)
es el espacio de las funciones que cumplen f = - f.
SO L U C I O N
Sabemos que S = {Sent, Cost}. Haciendo la combinacin lineal obtenemos
f(t) = aSent + bCost
derivamos dos veces esta expresin
f (t) = aCost bSent
f (t) = - aSent bCost = - (aSent + bCost) = - f(t)
Por lo tanto concluimos que
Span(S) = {f C 2[ a ; b] / f (t) = - f(t)}.
PR O B L E M AS
5.3.1 Pruebe que S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} es una
base, demostrando que Span(S) contiene a (1, 0, 0), (0, 1,
0) y (0, 0, 1). Por qu basta esto?
5.3.2 Los nmeros reales forman un espacio vectorial
sobre los racionales. Demuestre que {1, 2} y
{1 2,1 2} generan al mismo subespacio.
5.3.3 Encontrar la ecuacin del plano generado por los

vectores u = (-1, 4, 5) y v = (6, -3, 2).
5.3.4 Encontrar las ecuaciones paramtricas de la recta
generada por el vector u = (5, -1, 4).
5.3.5 Sean S = {(1, 0, -2), (0, 3, 6), (-4, -2, 3)} y u = (4, 1,
-4) y sea W = Span(S):
a.- Est u en S? Cuntos vectores hay en S?;
b.- Est u en W? Cuntos vectores hay en W?
c.- Demuestre que (1, 0, -2) est en W.
5.3.6 Determine el menor subespacio de las matrices de 3
x 3 que contenga todas las matrices simtricas y todas las
matrices triangulares inferiores. Cul es el mayor
subespacio contenido en ambos subespacios?
5.3.7 Demuestre que los sistemas de vectores S1 = {(1, 6,
4), (2, 4, -1), (-1, 2, 5)} y S2 = {(1, -2, -5), (0, 8, 9)}
generan el mismo subespacio de 3.
5.4 I N T E RSE C C I O N Y SU M A D E SU B ESP A C I OS. SU M A D I R E C T A

En esta seccin se estudiarn los subespacios interseccin, suma y suma directa. Con el trabajo aqu realizado
se comprender mejor la relacin que hay entre las soluciones de un sistema de ecuaciones lineales y las propiedades de su matriz de coeficientes.
JOE GARCIA ARCOS
213
Considere el espacio vectorial arbitrario V. Este espacio engendra el conjunto de

todos los subespacios suyos, El cual se representa por S. En este conjunto S se
pueden definir dos operaciones algebraicas que, a base de unos subespacios, permiten construir otros.
Se denomina interseccin de los subespacios vectoriales U y W, al conjunto
de todos los vectores pertenecientes simultneamente tanto a U como a W.
T E O R E M A 5.4.1
Dados un subespacio vectorial S, sobre un cuerpo K, y dos subespacios
suyos U y W, demuestre que el conjunto U W es tambin un subespacio
vectorial de S.
Si u U y w W, se debe verificar, por una parte, que u U W y w U W, y
por otra parte, que u + w U, u + w W y u + w U W. De la misma manera,
se llega a la conclusin u + w U W, para todo a K , que demuestra como
U W es un subespacio vectorial de S.
Como el vector nulo de V pertenece a todos sus subespacios, no hay subespacio de
interseccin vaca. Cuando se diga que dos subespacios U y W son disjuntos,
se debe entender que no tienen ms elemento en comn que el vector cero, es
decir, se verifica que U W = {}.
Resulta evidente que el subespacio interseccin de varios subespacios dados es el
ms amplio de todos los subespacios contenidos en todos ellos.

EJ E M P L O 5.4.1
Sean
U = {(a, b, c, d) / b 2c + d = 0} y W = {(a, b, c, d) / a = d, b = 2c}
subespacios de 4. Hallar U W.
SO L U C I O N
Tomando las condiciones de los conjuntos U y W, tenemos el siguiente sistema de
ecuaciones homogneo:
0 1 2 1 0 0 1 2 1 0
b 2c d 0
1 0 0 1 0 | 1 0 0 1 0 .
ad 0
b 2c 0
0 1 2 0 0 0 0 0 1 0

Por lo tanto U W = {(a, b, c, d) / a = d = 0, b = 2c}.

EJ E M P L O 5.4.2
Sean
U = {(1, -1, -1, 0, 0), (1, -2, -2, 0, -3), (1, -1, -2, -2, 1)}
y
W = {(1, -2, -3, 0, -2), (1, -1, -3, 2, -4), (1, -1, -2, 2, -5)}
subespacios de 5. Hallar U W.
SO L U C I O N
Primera encontramos los subespacios generados Para U y W:
1 1 1 a 1 1 1
a 1 1 1
a

a b
1 2 1 b 0 1 0 a b 0 1 0
1 2 2 c | 0 1 1 a c | 0 0 1
bc

d
d 0 0 2
0 0 2 d 0 0 2
0 0 1 3a 3b e
0 3 1 e 0 3 1
e
JOE GARCIA ARCOS
214

1 1
0 1
0 0
0 0
0 0
1
a
0
a b
.
1
bc
0
2b 2c d
0 3a 4b c e
Por lo tanto
Span(U) = {(a, b, c, d, e) / 3a + 4b c e = 0,
1 1 1 a 1 1 1
a 1

2 1 1 b 0 1 1 2 a b 0
3 3 2 c | 0 0 1 3 a c | 0

d 0
0 2 2 d 0 2 2
2 4 5 e 0 2 3 2 a e 0

0
0
0
0
1
1
0
0
0
2b 2c + d = 0}.
1 1
a
1 1
2a b
0 1
3a c
0 0 4 a 2b d
0 1 6 a 2b e
1
a
1
2a b
1
3a c
0 4 a 2b d
0 9 a 2b c e
Por lo tanto
Span(W) = {(a, b, c, d, e) / 4a + 2b d = 0, 9a + 2b + c e = 0}.
Luego, para encontrar la interseccin entre estos subespacios debemos resolver el
sistema de ecuaciones homogneas, que resulta de las condiciones restrictivas de
cada uno de estos subespacios:
3 4 1 0 1 0 3
4 1 0 1 0
3a 4b c e 0
2b 2c d 0
2 2 1 0 0
0 2 2 1 0 0 | 0
4 2 0 1 0 0 0 10 4 3 4 0
4 a 2b d 0
9 a 2b c e 0
9 2 1 0 1 0 0 10 4 0 2 0
3 4 1 0 1 0 3 4 1 0 1 0
0 2 2 1 0 0 | 0 2 2 1 0 0
0 0 6 2 4 0 0 0 6 2 4 0
0 0 6 5 2 0 0 0 0 3 2 0
Por lo tanto
Span(U W) = {(a, b, c, d, e) / a = -d/2, b = 5d/6, c = 4d/3, e = 3d/2}.
EJ E M P L O 5.4.3
El conjunto U de todas las ternas de 3 cuya primera coordenada es 0 es subespacio
de 3, como tambin lo es el conjunto W de todas las ternas (a, b, c) en donde la
primera componente es igual a la segunda componente. Demuestre que U W es
subespacio de 3.
SO L U C I O N
Por el ejemplo anterior, el conjunto U W es subespacio de 3; U W consta de
todas las termas (0, 0, c) en las que c es arbitrario.
Sean U, W subconjuntos, no necesariamente subespacios, de un espacio vectorial V.
Denotaremos por U + W el conjunto de todos los vectores v de V que se pueden
expresar como suma de un vector de U y de un vector de W. Por lo tanto, v estar en
U + W exactamente cuando existan un vector u de U y un vector w en W tales que
v = u + w. El conjunto U + W se denomina suma de los conjuntos U y W.
JOE GARCIA ARCOS
215
Dados un subespacio vectorial S, sobre un cuerpo K , y dos subespacios suyos U y W, se denominan suma de dichos subespacios, y se representa por
U + W, al conjunto de todos los vectores de S que pueden expresarse como
suma de un vector de U y otro de W.
Obsrvese que, tanto la interseccin como la suma de subespacios siempre son
conjuntos no vacos, ya que les pertenece a ciencia cierta el vector nulo del espacio
vectorial V.
T E O R E M A 5.4.2
Como U + W es subespacio de S, entonces el subespacio U + W contiene
tanto a U como a W. Adems, si S es tambin subespacio de V que
contenga tanto a U como a W, entonces S tambin contiene a U + W. Por
lo tanto, U + W es el menor de los subespacios de S que contienen tanto a
U como a W; es decir, U + W = Span(U W). Adems si U y W son
subespacios de S, entonces U + W es un subespacio de S.
Puesto que U y W, el elemento neutro pertenece a la suma, ya que
= + U + W.
Por otra parte, si suponemos que
u1 + w1 U + W y u2 + w2 U + W,
debe verificarse que
(u1 + w1) + (u2 + w2) = (u1 + u2) + (w1 + w2) U + W
y
a(u1 + w1) = au1 + aw1 U + W,
cuyas dos condiciones justifican que U + W es un subespacio vectorial de V. Dado
que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier v U +
W, v se puede escribir en la forma v = u + w donde u U y w W. Entonces u U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
v = u + w Span(U + W). De donde U + W = Span(U + W).
En 2, supongamos que en U slo est el vector u = OQ, y sea W el conjunto de
todos los vectores OP desde el origen O hasta un punto P situado en el segmento de
recta AB. Entonces, U + W consta de todos los vectores OR = OQ + OP, donde Q es
fijo y P vara en el segmento AB. En consecuencia, U + W corresponde al segmento
de recta CD que se obtiene de AB al trasladar cada punto en el vector u; en particular, AC = u, BD = u.
En 3 sean u, v vectores no nulos, ninguno de ellos mltiplo escalar del otro. Supongamos que U es el conjunto de todos los mltiplos escalares de u y que W es el conjunto de todos los mltiplos escalares v. Entonces, U + W consta de todos los vectores au + bv. Aqu, U corresponde a la recta L1 que pasa por O, W a la recta L2 que
pasa por O, y U + W a un plano S que tambin pasa por O y contiene a L1 y a L2.
Indiquemos, finalmente, las propiedades siguientes de la suma de subespacios, que
se desprenden directamente de la definicin:
1.- U + W = W + U;
2.- U + (W + V) = (U + W) + V;
3.- Si U est contenido en un subespacio W, se tiene U + W = W.

EJ E M P L O 5.4.4
Si U y W son subespacios de un espacio vectorial V, se define U + W como el
conjunto de vectores de V que pueden escribirse como suma de uno de U ms otro
JOE GARCIA ARCOS
216

de W, es decir, U + W = {w V / w = u + v con u U y v W}. Demostrar que U

+ W es el mnimo subespacio vectorial que contiene a U y a W.
SO L U C I O N
En efecto, U + W, pues es = + y U y W. Adems, si w1 y w2
son de U + W, sern
w1 = u1 + v1 y w2 = u2 + v2 donde u1, u2 U y v1, v2 W, y
por tanto, ser w1 + w2 = (u1 + u2) + (v1 + v2), lo que por ser u1 + u2 U y v1 + v2
W, indica que es w1 + w2 U + W. Por otro lado, si k es un escalar cualquiera y w
U + W, es w = u + v con u U y v W, de donde, kw = k(u + v) = ku + kv, y como
ku U y kv W, es kw U + W. Consecuentemente, U + W es un subespacio.
Adems, U + W contiene a U, pues si u U, es u = u + , y W; del mismo
modo contiene a W, pues si v W, es v = + v, y U. Y por fin, si un
subespacio contiene a U y a W, entonces debe contener todas las sumas del tipo u +
v donde u U y v W, y por tanto, debe contener a U + W, lo que prueba que U +
W es el mnimo subespacio que contiene a U y a W.
EJ E M P L O 5.4.5
Sean
U = {(a, b, c, d) / b 2c + d = 0} y W = {(a, b, c, d) / a = d, b = 2c}
subespacios de 4. Hallar U + W.
SO L U C I O N
Los subespacios U y W generan las siguientes bases U = {(1, 0, 0, 0), (0, 2, 1, 0),
(0, -1, 0, 1)} y W = {(0, 2, 1, 0), (1, 0, 0, 1)} construimos una matriz con los
vectores de ambos subespacios, para poder determinar los elementos que contiene el
subespacio U + W:
1 0 0 0 1 0 0 0
0 2 1 0 0 2 1 0
0 1 0 1 | 0 0 1 2
0 2 1 0 0 0 0 0
1 0 0 1 0 0 0 1
Por lo tanto
Base(U + W) = {(1, 0, 0, 0), (0, 2, 1, 0), (0, 0, 1, 2), (0, 0, 0, -1)}.
Como Dim(U + W) = 4, entonces U + W = 4.
EJ E M P L O 5.4.6
Sean
U = {(1, -1, -1, 0, 0), (1, -2, -2, 0, -3), (1, -1, -2, -2, 1)}
y
W = {(1, -2, -3, 0, -2), (1, -1, -3, 2, -4), (1, -1, -2, 2, -5)}
subespacios de 5. Hallar U + W.
SO L U C I O N
Para encontrar el subespacio U + W, debemos construir una matriz cuyas filas sean
los elementos de los conjuntos U y W, y luego procedemos a eliminar filas mediante
operaciones elementales. Las filas no nulas formarn la base de U + W:
1 1 1 0 0 1 1 1 0 0 1 1 1 0 0
1 2 2 0 3 0 1 3 0 3 0 1 3 0 3
1 1 2 2 1 0 0 3 2 1 0 0 3 2 1
|
|
1 2 3 0 2 0 1 4 0 2 0 0 1 0 1
1 1 3 2 4 0 0 4 2 4 0 0 4 2 4
1 1 2 2 5 0 0 3 2 5 0 0 3 2 5
JOE GARCIA ARCOS
217
1 1
0 1
0 0
0 0
0 0
0 0
1
3
3
0
0
0
0 0 1 1

0 3 0 1
2 1 0 0
|
1 1 0 0
7 8 0 0

2 3 0 0
1
3
3
0
0
0
0 0
0 3
2 1
1 1
0 1
0 0
Por lo tanto:
Base(U + W) = {(1, -1, 1, 0, 0), (0, 1, 3, 0, 3), (0, 0, 3, 2, -1), (0, 0, 0, 1, 1),
(0, 0, 0, 0, 1)}.
5
Como Dim(U + W) = 5, entonces U + W = .
EJ E M P L O 5.4.7
Sea W el conjunto de todos los vectores de la forma (r, 2r t, r + t, t) de 4, donde
r, t son arbitrarios. Sea U el conjunto de todos los vectores de la forma (2 a + 2b, b, b, 3a + 2b), donde a, b son arbitrarios:
a.- Compruebe que U + W es el conjunto de todos los vectores de la forma (u + 2w,
2u v, u + v, v + 3w);
b.- Compruebe que U, W y U + W son subespacios de 4;
c.- Encuntrese U W.
SO L U C I O N
a.- Encontramos las bases de W y U respectivamente:
(r, 2r t, r + t, t) = r(1, 2, 1, 0) + t(0, -1, 1, 1)
BaseW = {(1, 2, 1, 0), (0, -1, 1, 1)},
(2a + 2b, b, -b, 3a + 2b) = a(2, 0, 0, 3) + b(2, 1, -1, 2)
BaseU = {(2, 0, 0, 3), (2, 1, -1, 2)}.
A continuacin encontramos una base para el subespacio U + W:
1 2 1 0 1 2 1 0 1 2 1 0 1 2 1 0
0 1 1 1 | 0 1 1 1 | 0 1 1 1 | 0 1 1 1 .
2 0 0 3 0 4 2 3 0 0 6 1 0 0 6 1
2 1 1 2 0 3 3 2 0 0 6 1 0 0 0 0
De esta manera podemos decir que la base de U + W es:
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Esta base es exactamente la misma que genera el subespacio U + W dada:
(u + 2w, 2u v, u + v, v + 3w) = u(1, 2, 1, 0) + v(0, -1, 1, 1) + w(2, 0, 0, 3)
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Con esto queda demostrado el inciso a).
b.- Por el inciso a), U, W y U + W tienen estructura de subespacio vectorial de 4,
por cuanto cada uno de ellos generan su propia base.
c.- En el inciso a) nos podemos dar cuenta que en la matriz se anula una fila, por
lo tanto la base del subespacio interseccin U W es:
Base(U W) = {(2, 1, -1, 2)}.
EJ E M P L O 5.4.8
Hallar U + W y U W dados los siguientes sistemas:
a.- U = {(0, 1, 1, 1), (1, 1, 1, 2), (-2, 0, 1, 1)} y W = {(-1, 3, 2, -1), (1, 1, 0, -1)}.
b.- U = {(2, -5, 3, 4), (1, 2, 0, -7), (3, -6, 2, 5)} y W = {(2, 0, -4, 6), (1, 1, 1, 1),
(3, 3, 1, 5)}.
SO L U C I O N
a.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarn la base de U + W:
JOE GARCIA ARCOS
218
0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1
1 1 1 2 0 0 1 3 0 0 1 3 0 0 1 3
2 0 1 1 | 0 2 1 1 | 0 0 1 3 | 0 0 0 0
1 3 2 1 0 4 2 2 0 0 2 6 0 0 0 0
1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1
Por lo tanto:
Base(U + W) = {(0, 1, 1, 1), (0, 0, -1, -3), (1, 1, 0, -1)}.
Para encontrar el subespacio U + W, debemos hallar el subespacio generado con
respecto a la base encontrada:
0 0 1 a 1 0 1 b 1 0 1
b
a
1 0 1 b | 0 0 1 a | 0 0 1
1 1 0 c 1 1 0 c 0 1 1 b c
1 3 1 d 1 3 1 d 0 3 2 b d
1
0
0
0
0
1
0
1
b
1 0

1
a
| 0 0
1
b c 0 1

1 2b 3c d 0 0
1
b
1
a
.
1
bc
0 a 2b 3c d
Por lo tanto
Span(U + W) = {(a, b, c, d) / a 2b + 3c d = 0}.

Podemos observar que (-2, 0, 1, 1) y (-1, 3, 2, -1) son los vectores que se eliminaron
al encontrar la base de U + W, entonces estos elementos forman la base de U W.
Para encontrar el subespacio U W, debemos hallar el subespacio generado con
respecto a la base encontrada:
2 1 a 2 1
a 2 1
a
0
3
b
0
3
b
0
3
b
|
|
.
1 2 c 0 3 a 2c 0 0 a b 2c
1 1 d 0 3 a 2d 0 0 a b 2d
Por lo tanto Span(U W ) = {(a, b, c, d) / a b + 2c = 0, a + b + 2d = 0}.
b.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarn la base de U + W:
2 5 3 4 2 5 3 4 2 5 3 4
1 2 0 7 0 3 1 6 0 3 1 6
3 6 2 5 0 3 5 2 0 0 1 1
|
|
2 0 4 6 0 5 7 2 0 0 4 9
1 1 1 1 0 7 1 2 0 0 1 9
5 0 21 7 2 0 0 0 1
3 3 1
2 5 3 4 2 5 3 4
0 3 1 6 0 3 1 6
0 0 1 1 0 0 1 1
0 0 0 1 0 0 0 1
0 0 0 1 0 0 0 0
0 0 0 1 0 0 0 0
Por lo tanto:
Base(U + W) = {(2, -5, 3, 4), (0, -3, 1, 6), (0, 0, -1, 1), (0, 0, 0, 1)}.
Como Dim(U + W) = 4, entonces el subespacio U + W = 4. Podemos observar que
(1, 1, 1, 1) y (3, 3, 1, 5) son los vectores que se eliminaron al encontrar la base de
JOE GARCIA ARCOS
219
U + W, entonces estos elementos forman la base de U W. Para encontrar el

subespacio U W, debemos hallar el subespacio generado con respecto a la base
encontrada:
1 3 a 1 3
a 1 3
a
a b
1 3 b | 0 0 a b | 0 0
.
1 1 c 0 2 a c 0 2
ac
1 5 d 0 2 a d 0 0 2 a c d
Por lo tanto
Span(U W ) = {(a, b, c, d) / a b = 0, 2a c d = 0}.
Sean U y W subconjuntos del espacio vectorial V y sea S el conjunto compuesto por todos los vectores v de V que estn en U, en W o en ambos. El
conjunto S se llama unin de U y W. La unin la denotamos por , y ponemos S = U W.
Se puede deducir que U + W contiene a U W, y que es el menor de los subespacios que contienen a U W. En general, U + W es un conjunto mucho mayor que
U W. Esto sirve para observar que, en contraste con la interseccin, la unin de
dos subespacios no es necesariamente otro subespacio. Aquellos casos en los cuales
U W = {} merecen atencin especial. Si U W = {}, se dice que la suma
U + W es directa: U + W es una suma directa de U y W.
Dados un espacio vectorial V y los subespacios suyos, U y W se dice que su suma,
U + W es suma directa, y se representa como U W, si todo vector de dicha suma
puede expresarse de manera nica como suma de vectores de los espacios sumandos.
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes si, y slo
si, la descomposicin del vector cero en suma de vectores de dichos subespacios es
nica. Si en un espacio vectorial V, varios subespacios son independientes, entonces
son disjuntos dos a dos.
Es muy importante observar que la proposicin recproca, en general, no es cierta; es
decir, el slo hecho de ser unos subespacios disjuntos dos a dos no implica forzosamente que ellos sean independientes. Como consecuencia de esta afirmacin, podemos establecer que dos subespacios U y W son independientes si, y slo si, son
disjuntos.
T E O R E M A 5.4.3
Demuestre que el espacio vectorial V es la suma directa de los subespacios
U y W si y solamente si se verifica que V = U + W y U W = {}.
Si se acepta que V = U W, para todo v V puede expresarse de una sola manera
en la forma v = u + w, con u U y w W, en cuyo caso particular se verifica que
V = U + W. Si suponemos que v U W, debe ocurrir que
v = v + , en donde v U y W;
v = + v, en donde U y v W;
pero al no ser posible nada ms que de una sola forma la descomposicin anterior, ha
de verificarse que v = y, por tanto, U W = {}. Recprocamente, vamos a
probar que si se cumplen las condiciones del problema, se trata de una suma directa,
lo que exige demostrar que la suma v = u + w es nica. Si existe otra posible
descomposicin, tal como v = u1 + w1, con u1 U y w1 W, se tiene que u + w = u1
+ w1, de donde, u u1 = w1 - w; pero como u u1 U y w1 - w W y por hiptesis
U W = {}, debe ocurrir que u u1 = w1 - w = , de donde u = u1 y w = w1.
JOE GARCIA ARCOS
220
T E O R E M A 5.4.4
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes
si, y slo si, la descomposicin del vector cero en suma de vectores de
dichos subespacios es nica.
Para demostrar este teorema basta con cerciorarse de que los subespacios U 1, U 2, ...,
U n, son independientes, pues con repetir la demostracin un nmero finito de veces
se prueban todos los casos que se pueden presentar. Supngase que U 1, U 2, ..., U n, no
fuesen independientes, es decir, que un cierto vector u de su suma admitiese dos
descomposiciones distintas como suma de vectores de los subespacios sumandos
u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn, con ui, vi U i y siendo uj z vj para
algunos ndices j, entonces, tomando un vector cualquiera u U 1, el vector v = u1 +
u pertenece a la suma U 1 + U 2 + ... + U n y sera expresable, como suma de vectores
de U 1, U 2, ..., U n, de dos formas distintas, u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn,
lo cual no es posible, pues estos subespacios son independientes; esta imposibilidad
obliga a rechazar el supuesto de ser U 1 + U 2 + ... + U n no independientes, es decir, la
proposicin es verdadera.
T E O R E M A 5.4.5
Si en un espacio vectorial V, varios subespacios son independientes,
entonces son disjuntos dos a dos.
Si dos de los subespacios, U i y U j, con i z j, no fuesen disjuntos, es decir, si existe v z
que pertenece a ambos, todo vector u = u1 + u2 + ... + un de la suma podra
expresarse tambin en la forma u = u1 + ... + (ui + v) + ... + (uj + v) + ... + un, como
suma de vectores de los subespacios sumandos, distinta de la de partida, lo cual no es
posible, ya que dichos subespacios son independientes.
Es muy importante observar que la proposicin recproca, en general, no es cierta; es
decir, el slo hecho de ser unos subespacios disjuntos dos a dos no implica
forzosamente que ellos sean independientes. Como consecuencia de este teorema,
podemos establecer que dos subespacios U y W son independientes si, y slo si, son
disjuntos.
EJ E M P L O 5.4.9
Si S1 genera a U y S2 genera a W, entonces S1 S2 genera a U + W.
SO L U C I O N
Dado que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier u U +
W, u se puede escribir en la forma u = v + w donde v U y w W. Entonces v U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
u = v + w Span(U W). De donde U + W = Span(U W).
La segunda parte de la demostracin se deduce ahora directamente. U = Span(S1)
Span(S1 S2) y W = Span(S2) Span(S1 S2), de manera que U W Span(S1
S2) Span(U W) y, por lo tanto, Span(U W) = Span(S1 S2).
EJ E M P L O 5.4.10
Sean U, W y S subespacios de un espacio vectorial V:
a.- Prubese que U + W = Span(U W), es decir que U + W es el menor
subespacio que contiene a U W.
b.- Prubese que U S, entonces S (U + W) = U + (S W).
SO L U C I O N
a.- Como U y W estn ambos contenidos en U + W se tiene que U W U +
W. Supongamos que U es un subespacio que contiene a U W. Para todo elemento
u de U + W existen v U y w W con u = v + w. El elemento u es una suma de
JOE GARCIA ARCOS
221
dos elementos de X y por lo tanto pertenece a X. Hemos visto as que U + W X.

Por tanto, todo subespacio X que contiene a U W contiene a U + W y, en
consecuencia, U + W es el menor subespacio que contiene a U W.
b.- Como W U + W tenemos en cualquier caso que S W S (U + W).
Adems U S y U U + W, de donde U S (U + W). Entonces, U (S W)
S (U + W) y por a) U + (S W) S (U + W). Para demostrar la extensin
recproca, consideramos un elemento u S (U + W). Entonces u S y existen
v U y w W con u = v + w. Como U S, el elemento w = u v S y por tanto
u = v + w, con v U y w S W. Es decir u U + (S W).
EJ E M P L O 5.4.11
La interseccin de dos subespacios diferentes y propios de 2 ser siempre el
espacio nulo {}.
SO L U C I O N
Esto se ve con facilidad si se recuerda que los espacios propios de 2 correspondan
a rectas que pasan por el origen, y que dos rectas diferentes entre s y que pasan por
el origen se interceptan necesariamente slo en el origen. Por lo tanto, el espacio de
la interseccin consta solamente del vector cero; es decir la interseccin es el espacio
nulo {}. De forma general, cuando dos subespacios de un espacio vectorial V se
interceptan en el espacio cero, decimos que se interceptan slo trivialmente.
EJ E M P L O 5.4.12
Demuestre que si dos subespacios, U y W de un espacio vectorial V tienen la misma
dimensin finita y U W, entonces U = W.
SO L U C I O N
Existe una base de U que se puede extender hacia una base de W. Pero como DimU
= DimW, la base de W no puede tener ms elementos que la base de U. Esto
significa que una base de U es tambin una base de W; es decir, U = W.
EJ E M P L O 5.4.13
La suma de los subespacios U y W se denomina suma directa y se nota U W si
slo si todo vector de este subespacio se escribe como suma de uno de U y otro de W
de manera nica. Demuestre que la suma de los subespacios U y W es directa si y
slo si es U W = {}.
SO L U C I O N
En efecto, supongamos que la suma de los subespacios U y W es directa y que existe
un vector v z que pertenece a U y a W. Sera entonces = + y = v + (-v),
y por tanto, el vector se expresara como suma de uno de U ms otro de W cuando
menos de dos maneras distintas, contradiciendo el hecho de ser la suma de U y W
directa. Luego, el nico vector que a la vez es de U y W es el vector .
Recprocamente, sea U W = {}. Si fuese u1 + v1 = u2 + v2, donde u1 y u2 son de
U y v1 y v2 son de W, sera el vector u1 + (-u2) de U igual al vector v2 + (-v1) de W,
de donde, debe ser u1 = u2 y v1 = v2, lo que prueba que la suma de los subespacios U
y W es directa.
EJ E M P L O 5.4.14
Si V = U W y S es un subespacio cualquiera de V tal que U S, pruebe que
S = (S U) (S W).
SO L U C I O N
Ya que U S, U + (S W) S. Todo u S (U + W) se puede escribir en la
forma u = v + w donde v U y w W. Como U S, v S. As, w S y u (S
U) + (S W) = U + (S W). De donde, S = S (U + W) = U + (S W).
Finalmente, es fcil ver que esta ltima suma es directa.
JOE GARCIA ARCOS
222
PR O B L E M AS
5.4.1 Suponga que U 1, U 2 y U 3 son subespacios de V,
entonces:
a.- Demustrese que (U 1 U 3) + (U 2 U 3) (U 1 + U 2)
U 3;
b.- D un ejemplo en 2, de tal forma que se cumpla el
inciso anterior.
5.4.4 Sean U = Span{(1, 2, 3, 6), (4, -1, 3, 6), (5, 1, 6,

12)} y W = Span{(1, -1, 1, 1), (2, -1, 4, 5)} subespacios
de 4. Encuentre bases para U W y U + W. Extienda
la base de U W hacia una base de U, y extienda la
base de U W hacia una base de W. De estas bases,
obtenga una base de U + W.
5.4.2 Demustrese con un ejemplo que si U, W, S son

subconjuntos de un espacio vectorial V y si U est
contenido en W, entonces U + S est contenido en W + S.
5.4.5 Demuestre con un ejemplo que si U 1, U 2, U 3 son

subespacios de V y U 3 U 1, U 3 U 2 entonces U 3 U 1
U 2.
5.4.3 Descrbanse las intersecciones de los subconjuntos

siguientes U, W de C(-f; +f) y determnese si la interseccin es un subespacio:
a.- U: todas las f tales que f(0) = 0; W: todas las f tales
que f(1) = 0.
b.- U: todos los polinomios; W: todas las funciones pares.
c.- U: todos los polinomios; W: todas las funciones acotadas.
d.- U: todas las f que tienen perodo 3S; W: todas las f
que tienen perodo 2S.
e.- U: todas las f con lmite 0 cuando x o f; W: todas
las f con lmite 1 cuando x o f.
5.4.6 Sea U el subespacio de 3 de todos los

polinomios tales que p(0) = 0, y sea W el subespacio de
todos los polinomios tales que p(1) = 0. Determine una
base de U, una base de W y una base de su interseccin
U W.
f.- U: todas las f tales que existe
f tales que existe
f ( x) dx ; W: todas las
5.4.7 Examnese desde el punto de vista geomtrico

la clase posible de interseccin de dos subespacios no
triviales U, W de 3 en cada uno de los casos siguientes:
a.- U y W corresponden a rectas que pasan por 0.
b.- U corresponde a una recta que pasa por 0, W a un
plano que pasa por 0.
c.- U y W corresponden a planos que pasan por 0.
f f ( x) dx .
5.5 D E P E N D E N C I A E I N D E P E N D E N C I A L I N E A L
En esta seccin se estudiarn condiciones en las que cada vector en un espacio vectorial se puede expresar de
manera nica como una combinacin lineal de los vectores generadores. Los conjuntos generadores con esta
propiedad son funda mentales en el estudio de los espacios vectoriales.

Considere los vectores arbitrarios u1, u2, ..., uk en un espacio vectorial V. Puede
ocurrir que uno de ellos se expresa como combinacin lineal de los dems. Sea,
por ejemplo, el vector u1. Entonces, cada uno de los vectores u1, u2, ..., uk se expresa linealmente en trminos de u2, ..., uk. Por esta razn cualquier combinacin
lineal de los vectores u1, u2, ..., uk es tambin una combinacin lineal de los vectores u2, ..., uk. Por consiguiente, los subespacios generados por los vectores u1, u2,
..., uk y u2, ..., uk coinciden.
Suponga luego que entre los vectores u2, ..., uk hay un vector, por ejemplo, u2
que tambin se expresa linealmente en trminos de los vectores restantes. Al
repetir estos razonamientos, llegamos a la conclusin de que ahora cualquier
combinacin lineal de los vectores u1, u2, ..., uk es tambin una combinacin lineal
de los vectores u3, ..., uk. Continuando este proceso, pasamos, del sistema u1, u2,
..., uk a un sistema de vectores del cual ya no podemos excluir ni uno de los vectores.
El subespacio generado del nuevo sistema de vectores coincide con el subespacio
generado de los vectores u1, u2, ..., uk. Adems, podemos decir que si entre u1, u2,
..., uk hubo aunque un solo vector no nulo, el nuevo sistema de vectores o bien
JOE GARCIA ARCOS

223
consiste solamente en un vector no nulo o bien ninguno de sus vectores se expresa

linealmente en trminos de los vectores restantes. Tal sistema de vectores se denomina linealmente independiente.
Si S = {u1, u2, ..., uk} es un conjunto no vaco de vectores, entonces la
ecuacin vectorial a 1u1 + a 2u2 + ... + a kuk = tiene por lo menos una solucin, a saber, a 1 = a 2 ... = a k = 0. Si esta es la nica solucin, entonces
S se denomina conjunto linealmente independiente. Si existen otras soluciones, entonces S se denomina conjunto linealmente dependiente.
Es evidente que la definicin de independencia lineal de un conjunto no tendra
sentido si un vector de un conjunto pudiera aparecer un nmero arbitrario de
veces en una relacin simple. Sin embargo, si se da un conjunto de vectores, particularizando los vectores de dicho conjunto, resulta inconveniente insistir en que
todos los vectores enumerados sean distintos.
La expresin linealmente dependiente sugiere que los vectores dependen entre s
de alguna manera. La dependencia y la independencia lineal constituyen las propiedades del sistema de vectores.
T E O R E M A 5.5.1
Un conjunto S con dos o ms vectores es:
1.- Linealmente dependiente si y slo si por lo menos uno de los vectores en S puede expresarse como combinacin lineal de los dems vectores en S.
2.- Linealmente independiente si y slo si ningn vector en S se puede
expresar como una combinacin lineal de los dems vectores en S.
1.- Sea S = {v1, v2, ..., vk} un conjunto con dos o ms vectores. Si se supone que S
es linealmente dependiente, entonces existen escalares a1, a2, ..., ak, no todos iguales a cero, tales que
a 1v1 + a 2v2 + ... + a kvk = .
Para ser ms especficos, suponga que a 1 z 0. Entonces la expresin anterior se
puede volver a escribir como
a
a
v1 2 v2 ... k vk
a1
a1
que expresa a v1 como una combinacin lineal de los dems vectores en S. De
manera semejante, si a i z 0 en la misma expresin para alguna j = 2, 3, ..., k, entonces vi se puede expresar como una combinacin lineal de los dems vectores
en S. Recprocamente, se supone que por lo menos uno de los vectores en S se
puede expresar como una combinacin lineal de los dems vectores. En concreto,
supngase que
v1 = c1v1 + c2v2 + ... + c kvk
de modo que
v1 c2v2 c3v3 - ... c kvk = .
Se concluye que S es linealmente dependiente, ya que la ecuacin
a 1v1 + a 2v2 + ... + a kvk =
se satisface por a 1 = 1, a 2 = -c2, a 3 = -c3, ..., a k = -c k que no todos son cero. La
demostracin para el caso en que algn vector diferente de v1 se puede expresar
como una combinacin lineal de los dems vectores en S es semejante. La segunda parte del teorema se demuestra de forma anloga.
Si entre los vectores u1, u2, ..., uk no todos son nulo en trminos de los vectores
citados nulos y si dicho sistema es linealmente dependiente, entonces en ste
JOE GARCIA ARCOS
224
puede existir un subsistema linealmente independiente de vectores, en cuyos

trminos es linealmente expresado cualquiera de los vectores u1, u2, ..., uk. Una
circunstancia, inesperada a primera vista, determina si un sistema de vectores u1,
u2, ..., uk es linealmente dependiente o linealmente independiente.
Ya se observo que el vector nulo pertenece al subespacio generado y es representado por la combinacin lineal u = a 1u1 + a 2u2 + ... + a kuk con valores nulos de los
coeficientes. A pesar de esto, puede expresarse linealmente en trminos de los
vectores a 1u1 + a 2u2 + ... + akuk de otro forma. La independencia lineal de los
vectores u1, u2, ..., uk est estrechamente vinculada con la unicidad de la representacin del elemento nulo en trminos de los vectores citados. El siguiente teorema
establece un hecho sencillo sobre independencia lineal que es importante conocer.
T E O R E M A 5.5.2
Un conjunto finito de vectores que contiene al vector cero es linealmente
dependiente.
Para vectores cualesquiera v1, v2, ..., vk, el conjunto S = {v1, v2, ..., vk, } es linealmente dependiente, ya que la ecuacin 0v1 + 0v2 + ... + 0vk + 1() = expresa al
vector como una combinacin lineal de los vectores en S con coeficientes no
todos iguales a cero.
Este teorema es una conclusin del hecho de que dos vectores son linealmente
independientes si y slo si ninguno de ellos es un mltiplo escalar del otro. Geomtricamente, esto equivale a afirmar que los vectores no estn en la misma recta
cuando se colocan con sus puntos iniciales en el origen.
T E O R E M A 5.5.3
Cualquier parte de un sistema de vectores linealmente independientes
{u1, u2, ..., un} V es linealmente independiente.
Si {u1, u2, ..., uk, uk+1,..., un} es un conjunto linealmente independiente, mientras el
subconjunto {u1, u2, ..., uk} (h < n) es linealmente dependiente, debe existir en a1u1 +
... + a kuk existe al menos un a i diferente de cero, en contra de la hiptesis que exige el
valor cero para todos los a i que figuran en la expresin a1u1 + ... + a kuk + ak+1uk+1 + ...
+ anun = .
T E O R E M A 5.5.4
Si algunos de los vectores del sistema {u1, u2, ..., un} son linealmente dependientes, todo el sistema {u1, u2, ..., un} ser linealmente dependiente.
Sin restringir la generalidad podemos considerar que los primeros vectores del
sistema {u1, u2, ..., uk} son linealmente dependientes. Por consiguiente, existen tales
escalares a1, a2, ..., a k, entre los cuales hay distintos de cero, que a1u1 + a2u2 + ... +
a kuk = . De aqu fluye la legitimidad de la igualdad a1u1 + a2u2 + ... + a kuk + 0uk+1
+ ... + 0un = . Mas, esta igualdad significa dependencia lineal de los vectores del
sistema {u1, u2, ..., un}, puesto que entre los escalares a1, a2, ..., a k, 0, ..., 0 hay algunos que no son nulos.
La independencia lineal de los vectores u1, u2, ..., uk est estrechamente vinculada
con la unicidad de la representacin del elemento.
Con todo este anlisis, podemos decir que un conjunto con exactamente dos vectores es linealmente independiente si y slo si ninguno de los vectores es un mltiplo escalar del otro. Esta afirmacin es una conclusin del hecho de que tres
vectores son linealmente independientes si y slo si ninguno de ellos es una comJOE GARCIA ARCOS
225
binacin lineal de los otros dos. Geomtricamente, esto equivale a decir que ninguno de los vectores est en el mismo plano que los otros dos o, de otro modo,
que los tres vectores no estn en un plano comn cuando se colocan con sus puntos iniciales en el origen.

T E O R E M A 5.5.5
Sea S un subconjunto de un espacio vectorial V, y suponga que S contiene a dos o ms elementos. Entonces, S es linealmente dependiente si, y
slo si, hay un subconjunto propio S de S con la propiedad de que
Span(S) = Span(S).
Suponga que existe ese subconjunto S. Entonces, debe haber un vector u que est
en S sin estar en S. Ahora bien, u est en Span(S) y, como Span(S) = Span(S), u
tambin est en Span(S). Por lo tanto, u = a1u1 + a2u2 + ... + a kuk, donde u1, u2, ...,
uk estn en S. Por lo tanto, los ui estn en S y son diferentes de u. Pero, entonces,
a1u1 + a2u2 + ... + akuk + (-1)u = y concluimos que S es linealmente dependiente.
A continuacin, sea S un conjunto linealmente dependiente. Entonces, existen
vectores u1, u2, ..., uk en S tales que a1u1 + a2u2 + ... + a kuk = donde no todos los
coeficientes son cero; supongamos que a 1 z 0. Entonces, podemos expresar u1
como combinacin lineal de u2, ..., uk. Por lo tanto, podemos expresar toda combinacin lineal de elementos de S como una combinacin lineal as, sin usar a u1.
Por lo tanto, si tomamos a S como S sin el vector u1, entonces Span(S) =
Span(S), y S es subconjunto propio de S.
El siguiente teorema muestra que un conjunto linealmente independiente en n
puede contener cuando mucho n vectores.
T E O R E M A 5.5.6
Sea S = {v1, v2, ..., vk} un conjunto de vectores en n. Si k > n, entonces S
es linealmente dependiente.
Se supone que
v1 ( a11 , a1 2 , ..., a1 n )
v2 ( a21 , a2 2 , ..., a2 n )
v ( a , a , ..., a )
k1 k 2
kn
k
Considrese la ecuacin b1v1 + b2v2 + ... + bkvk = . Si reemplazamos los vectores
anteriormente definidos en la ecuacin, ambos miembros de esta se expresan en
trminos de las componentes
b1( a 11, ..., a 1n) + b2( a 21, ..., a 2n) + ... + bk( a k1, ..., a kn) = (0, 0, ..., 0)
y despus se igualan las componentes correspondientes, se obtiene el sistema
a11b1 a21b2 a k 1bk 0
a b a b a b 0
12 1 22 2
k2 k
a1n b1 a2 n b2 a k n bk 0
Este es un sistema homogneo de n ecuaciones en k incgnitas b1, b2, ..., bk. Como
k > n, se concluye que el sistema tiene soluciones no triviales. Por consiguiente, S
es un conjunto linealmente dependiente.
Este teorema establece que un conjunto en 2 con ms de dos vectores es linealmente dependiente, y que un conjunto 3 con ms de tres vectores es linealmente
dependiente.
JOE GARCIA ARCOS
226

EJ E M P L O 5.5.1
Mostrar que cualesquiera que sean los vectores u, v, w y los nmeros a, b, c el
sistema de vectores {au - bv, cv - aw, bw - cu} es linealmente dependiente.
SO L U C I O N
Hacemos la combinacin lineal con el vector nulo:
= D(au - bv) + E(cv - aw) + G(- cu + bw)
= (aD - cG)u + (- bD + cE)v + (- aE + bG)w
Establecemos un sistema de ecuaciones homogneas:
a 0 c
a D cG 0
0
0
bD cE 0 b c
aE bG 0
0 a b
Como el determinante de la matriz de coeficientes del sistema homogneo es igual a

cero, entonces ste tiene un nmero indeterminado de soluciones. Lo cual indica que
el sistema dado es linealmente dependiente.
EJ E M P L O 5.5.2
Sea u, v, w un sistema de vectores linealmente independiente. Sern linealmente
independientes los sistemas de vectores siguientes:
a.- {u, u + v, u + v + w}; b.- {u + v, v + w, w + u}; c.- {u v, v w, w u}.
SO L U C I O N
a.- Hacemos la combinacin lineal con el vector nulo:
= Du + E(u + v) + G(u + v + w) = (D + E + G)u + (E + G)v + Gw
como u, v, w forman un sistema linealmente independiente, entonces:
1 1 1
D E G 0
EG 0 0 1 1 z0
G 0
0 0 1
Como el determinante de la matriz de coeficientes del sistema homogneo es

diferente de cero, entonces ste tiene solucin nica y por lo tanto D = E = G = 0. Lo
cual indica que el sistema dado es linealmente independiente.
b.- Hacemos la combinacin lineal con el vector nulo:
= D(u + v) + E(v + w) + G(u + w) = (D + G)u + (D + E)v + (E + G)w
1 0 1
D G 0
D E 0 1 1 0 z 0
E G 0
0 1 1
Como el determinante de la matriz de coeficientes del sistema homogneo es

diferente de cero, entonces ste tiene solucin nica y por lo tanto D = E = G = 0. Lo
cual indica que el sistema dado es linealmente independiente.
c.- Hacemos la combinacin lineal con el vector nulo:
= D(u - v) + E(v - w) + G(- u + w) = (D - G)u + (- D + E)v + (- E + G)w
1 0 1
DG 0
0
D E 0 1 1 0
E G 0
0

1
1
Como el determinante de la matriz de coeficientes del sistema homogneo es igual a

cero, entonces ste tiene un nmero indeterminado de soluciones. Lo cual indica que
el sistema dado es linealmente dependiente.
EJ E M P L O 5.5.3
Establecer, si los siguientes sistemas de vectores de sus correspondientes espacios,
son linealmente dependientes o no:
a.- {(1, i, 2 i, 3 + i), (1 i, 1 + i, 1 3i, 4 2i)};
JOE GARCIA ARCOS

227
b.- {(1, 1, 1, 1), (1, -1, -1, 1), (1, -1, 1, -1), (1, 1, -1, -1)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema
dado y luego procedemos a calcular el rango de dicha matriz:
i
2 i 3 i 1 i 2 i 3 i
1
|
.
0
0
1 i 1 i 1 3i 4 2i 0 0
Como el rango de la matriz es igual a 1, entonces el sistema es linealmente
dependiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
determinante con sus elementos:
1 1 1 1
1 1 1 1
z0.
1 1 1 1
1 1 1 1
Como el determinante es diferente de cero, entonces el sistema es linealmente
independiente.
EJ E M P L O 5.5.4
Sean a, b, c distintos nmeros reales. Ser linealmente dependiente el siguiente
sistema de polinomios {(x - a)(x - b), (x - a)(x - c), (x - b)(x - c)}?
SO L U I C I O N
Hacemos la combinacin lineal con el vector nulo:
= D(x a)(x b) + E(x a)(x c) + G(x b)(x c)
0x2 + 0x + 0 = (D + E + G)x2 + [-(a + b)D - (a + c)E - (b + c)G]x + (abD + acE + bcG).
Establecemos un sistema de ecuaciones homogneas:
D EG 0
1
1
1
( a b)D ( a c )E (b c )G 0 a b a c b c ( a b)( a c )(c b) .
ab
ac
bc
abD acE bcG 0
Si (a b)(a c)(c b) = 0, el sistema es linealmente dependiente.

Si (a b)(a c)(c b) z 0, el sistema es linealmente independiente.
EJ E M P L O 5.5.5
Verifquese que los conjuntos siguientes son subconjuntos linealmente
independientes del espacio vectorial de todos los polinomios:
a.- {1, t 1, t2 t, t3 t2}; b.- {1, 1 + t, 1 + t + t2, 1 + t + t2 + t3}.
SO L U C I O N
a.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
0 0 0 1
0 0 1 1
z0.
0 1 1 0
1 1 0 0
independiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
1 0 0 0
1 1 0 0
z0.
1 1 1 0
1 1 1 1
JOE GARCIA ARCOS
228

independiente.
Algunas veces la dependencia lineal de funciones se puede deducir a partir de
identidades conocidas. Sin embargo, tales identidades se pueden aplicar slo en
situaciones especiales. Aunque no existe ningn mtodo general para establecer
independencia lineal o dependencia lineal de funciones en (-f, f), a continuacin desarrollaremos un teorema que algunas veces se puede aplicar para demostrar que un conjunto de funciones dado es linealmente independiente.
Las funciones f1, f2, ..., fn se dicen linealmente independientes en el intervalo [ a ; b] si existen constantes a 1, a 2, ..., a n todas nulas, tales que a 1f1 +
a 2f2 a nfn = . Caso contrario son linealmente dependientes.
Es decir, las funciones f1, f2, ..., fn son linealmente independientes en [ a ; b] si la
relacin a 1f1 + a 2f2 a nfn = para todo x, tal que a d x d b implica que
a 1 = a 2 = ... = a n = 0. En otras palabras, la nica combinacin lineal de f1, f2, ..., fn
que es idnticamente nula en [ a ; b], es la combinacin lineal trivial. Si un conjunto de funciones f1, f2, ..., fn es linealmente dependiente en un intervalo [ a ; b], se
deduce inmediatamente que para cada x [ a ; b], el correspondiente conjunto de n
vectores constantes es linealmente dependiente. Sin embargo, una afirmacin
equivalente sobre la independencia lineal de n funciones no es vlida, es decir, si
el conjunto de funciones f1, f2, ..., fn es linealmente independiente en un intervalo
[ a ; b] no se verifica que necesariamente los n vectores constantes sean linealmente independientes.
T E O R E M A 5.5.7
Si las funciones f1, f2, ..., fn admiten n - 1 derivadas continuas sobre el intervalo (-f; f) y si el wronskiano de estas funciones no es idnticamente
cero sobre este intervalo, entonces las funciones forman un conjunto linealmente independiente de vectores en (n-1)(-f, f).
Si las funciones f1, f2, ..., fn son derivables n - 1 veces sobre el intervalo (-f, f),
entonces el determinante
f1
f2
fn
f 1
f 2
f n
W
f1( n 1) f 2( n 1)

f n( n 1)
se llama wronskiano de f1, f2, ..., fn. Supngase, por el momento, que f1, f2, ..., fn
son vectores linealmente dependientes en (n-1)(-f; f). Entonces existen escalares
a 1, a 2, ..., a n, no todos iguales a cero, tales que a 1f1 + a 2f2 + a nfn = para
toda x en el intervalo (-f, f). Al combinar esta ecuacin con las ecuaciones obtenidas al derivar sucesivamente n - 1 veces, se obtiene
a1 f1 a2 f 2 an f n 0
a f a f a f 0
n n
1 1 2 2
a f ( n 1) a f ( n 1) a f ( n 1) 0

2 2
n n
1 1
As, la dependencia lineal de f1, f2, ..., fn indica que el sistema lineal
JOE GARCIA ARCOS
229
f2
f n a1 0
f1
f 2
f n a2 0
f 1

0
( n 1)

f
f 2( n 1)
f n( n 1) an 0
1
tiene una solucin no trivial para toda x en el intervalo (-f, f). Esto a su vez
significa que para toda x en (-f, f) la matriz de coeficientes es singular o, de
manera equivalente, que su determinante es cero para toda x en (-f, f). Por tanto,
si el wronskiano no es idnticamente cero sobre (-f, f), entonces las funciones f1,
f2, ..., fn deben ser vectores linealmente independientes en (n-1)(-f, f).
El recproco del teorema es falso. Si el wronskiano de f1, f2, ..., fn es idnticamente
cero sobre (-f, f), entonces no es posible llegar a ninguna conclusin respecto a
la independencia lineal de {f1, f2, ..., fn}; este conjunto de vectores puede ser linealmente independiente o linealmente dependiente.
EJ E M P L O 5.5.6
Determnese si los subconjuntos siguientes de C(0; f) son linealmente
independientes:
a.- {Sen2t, Sent, t}; b.- {Sent, Sen2t, Sen3t}; c.- {Sent, Sen(t + 1), Cost};
d.- {e t, te t, t2e t}; e.- { Cost, Cos2t, Cos3 t}.
SO L U C I O N
a.- Construimos el Wronskiano:
Sen2 t
Sent t
2
W{Sen t , Sent , t}
Sen2t
Cost 1 2Sent 2tSen 2 t 2tCost 3Sen3t .
2 Cos 2t Sent 0
Si t = 0, entonces W = 0. Por lo tanto el conjunto {Sen2t, Sent, t} es linealmente
dependiente.
b.- Construimos el Wronskiano:
Sent
Sen2t
Sen3t
W{Sent , Sen2t , Sen3t}
Cost 2Cos 2t 3Cos3t
Sent 4Sen2t 9Sen3t
9SentSen2tCos3t (5CostSen2t 16SentCos 2t )Sen3t
Si t = 0, entonces W = 0. Por lo tanto el conjunto {Sent, Sen2t, Sen3t} es
linealmente dependiente.
c.- Construimos el Wronskiano:
Sent
W{Sent , Sen(t 1), Cost}
Cost
Sent
Como W = 0, entonces el conjunto {Sent,
dependiente.
Sen(t 1) Cost
Cos (t 1) Sent 0 .
Sen(t 1) Cost
Sen(t + 1), Cost} es linealmente
d.- Construimos el Wronskiano:

W{e t , te t , t 2 e t }
et
te t
t 2 et
et
(t 1) e t
( t 2 2t ) e t
et
(t 2) e t
(t 2 4t 2) e t
2e 3t .
Como W z 0, entonces el conjunto { e t, te t, t2e t} es linealmente independiente.
JOE GARCIA ARCOS
230
e.- Construimos el Wronskiano:

W{Cost , Cos 2 t , Cos3 t}
Cost
Cos 2 t
Cos3t
Sent
Sen2t
3SentCos 2 t
Cost
2 Cos 2t
(9Sen 2 t 3) Cost
1
Sen3 2t .
4
Si t = 0, entonces W = 0. Por lo tanto el conjunto { Cost, Cos2t, Cos3t} es linealmente dependiente.

% COMPRUEBA LA DEPENDENCIA LINEAL DE UN SISTEMA DE VECTORES S
clc;clear;
fprintf('\n DEPENDENCIA E INDEPENDENCIA LINEAL \n')
fprintf('Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\nIngrese la Ecuacion (%d)\n', f)
for c=1:col
S(c,f)=input(' :');
end
end
fprintf('La matriz de vectores es:\n')
S
fprintf('La matriz reducida es:')
R= rref(S);
R
RangS=rank(R)
if (rank(S)==fil)
fprintf('El sistema S es linealmente independiente :\n')
else
fprintf('El sistema S es linealmente dependiente :\n')
end
PR O B L E M AS
5.5.1 Demuestre que un subconjunto no vaco de un

conjunto finito de vectores linealmente independientes es
linealmente independiente.
5.5.2 Demuestre que si S1 es un subconjunto de S2 y S1 es
linealmente dependiente, entonces tambin S2 es
5.5.3 Demuestre que cualquier conjunto de vectores que
contenga al vector cero es linealmente dependiente.
5.5.4 Demuestre que dos vectores son linealmente
dependientes s y slo si estn en una misma recta que pasa
por el origen. Si u y v son linealmente independientes y si
{u, v, w} es linealmente dependiente, entonces e est en
Span{u, v}.
5.5.5
Dado que {u1, u2, ..., uk} es un conjunto de
vectores linealmente independientes, pero el conjunto
{u1, u2, ..., uk , u} es linealmente dependiente, demuestre
que u es una combinacin lineal de los ui.
5.5.6 Si u y v son linealmente independientes y w est en

Span{u, v} entonces {u, v, w} es linealmente dependiente.
5.5.7 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 =
2u1 + u2, entonces {u1, u2, u3, u4} es linealmente
dependiente.
5.5.8 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 =
, entonces {u1, u2, u3, u4} es linealmente dependiente.
5.5.9 Demuestre que si u1 y u2 estn en 4 y u1 no es un
mltiplo escalar de u2, entonces {u1, u2} es linealmente
independiente.
5.5.10 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 no
es combinacin lineal de u1, u2, u4, entonces {u1, u2, u3,
u4} es linealmente independiente.
5.5.11 Demuestre que si u1, u2, u3, u4 son vectores
linealmente independientes en 4, entonces {u1, u2, u3, u4}
es linealmente independiente.
JOE GARCIA ARCOS
231
5.5.12 Demuestre que si u1, u2, u3, u4 estn en 4 y {u1,

u2, u3} es linealmente dependiente, entonces {u1, u2, u3, u4}
tambin es linealmente dependiente.
5.5.13 En qu condiciones un conjunto que consta de
un solo vector es linealmente independiente?
5.5.14 Demustrese que, si W es subespacio de V y si
U es subconjunto linealmente independiente de W, entonces U es subconjunto linealmente independiente de V.
5.5.15 Demuestre que si {u, v, w} es un conjunto de
vectores linealmente independiente en un espacio vectorial
V y x es cualquier vector en V, entonces {u, v, w, x}
tambin es linealmente independiente.
5.5.16 Demuestre que dos vectores u y v son linealmente
dependientes s y slo si uno es un mltiplo escalar del
otro.
5.5.17 Sean A y B dos matrices de n x n con A y B no
nulas. Demuestre que si A es simtrica y B es antisimtrica,
entonces {A, B} es un conjunto linealmente independiente.
U es subconjunto de W que adems es subconjunto
linealmente independiente de V, entonces U es
subconjunto linealmente independiente de W.
5.5.19 En cada caso, determnese un valor de k, de manera que el par dado de vectores sea linealmente dependiente:
a.- {(k + 1)u + v, 4u + (k + 1)v};
b.- {u 2v, 3u + kv}.
5.5.20 Demuestre que si {u, v, w} es un conjunto de
vectores linealmente independiente, entonces tambin {u,
v}, {u, w}, {v, w}, {u}, {v} y {w} son linealmente
independientes.
5.5.21 Demuestre que todo conjunto con ms de tres
vectores de 2 es linealmente dependiente.
U es base de W, entonces U es subconjunto linealmente
independiente de V.

5.5.23 Determnese si los subconjuntos siguientes de

C(0; f) son linealmente independientes:
a.- ^Senx, Cosx, 1`; b.- ^lnx, lnx2, lnx3`;
c.- êx, lnx, x`.
5.5.24 De los subconjuntos siguientes de 3, cules
son linealmente independientes?
a.- ^(1, 1, 0), (1, 0, 1), (0, 1, 1)`;
b.- ^(1, 2, 3), (3, 4, 5), (5, 6, 7)`;
c.- ^(1, 2, 3), (3, 2, 1), (1, 1, 1), (2, 3, 1)`;
d.- ^(1, 2, 3), (3, 2, 1), (-7, -2, 1)`;
e.- ^(1, 1, 2), (2, 3, -1), (-1, -6, 9)`.
5.5.25 Sean U, W subconjuntos de un espacio vectorial
V. Demustrese que:
a.- Si U es conjunto linealmente dependiente y si U est
contenido en W, entonces W es conjunto linealmente
dependiente.
b.- Si W es conjunto linealmente independiente y si U
est contenido en W, entonces U es conjunto linealmente independiente.
5.5.26 Suponga que A es una matriz de m x n con la
propiedad de que para cada B de m la ecuacin A X = B
tiene a lo ms una solucin. Utilice la definicin de
independencia lineal para explicar por qu las columnas
de A deben de ser linealmente independientes.
5.5.27 Verifquese que los conjuntos siguientes son
subconjuntos linealmente independientes del espacio
vectorial de todos los polinomios:
a.- ^1, x 1, x2 x, x3 x2`;
b.- ^1+ x, 1 + 2x, 1 + 3x`;
c.- ^x, x + x2, x + x2 + x3, x4`;
d.- ^x, x2 x, x3 x`;
e.- ^x3 - 1, 2x3 - 2, x4`;
f.- ^1, 1 + x, 1 + x + x2, 1 + x + x2 + x3`;
g.- ^x2 - 1, 2x2 - 4, x2 + 1`;
h.- ^x4 2x2, x4 + 2x2, - x4 - 2x2`;
i.- ^x2 + 1, x2 - x, x2 - x`.
5.5.28 Demuestre que si {u, v} es linealmente
independiente y w no est en Span{u, v}, entonces {u, v,
w} es linealmente independiente.
5.6 B ASE Y D I M E NSI O N

En esta seccin se estudiar la base y dimensin de un espacio vectorial, porque es comn imaginar a una
recta como unidimensional, a un plano como bidimensional y al espacio circundante como tridimensional. Se
enunciarn y demostrarn las propiedades ms importantes.
Sea dado un espacio vectorial V arbitrario que se compone no slo de un vector
nulo. En tal espacio se tiene a ciencia cierta aunque un vector no nulo y, por lo
JOE GARCIA ARCOS
232
tanto, existe un sistema linealmente independiente, por lo menos, de un vector.

Por consiguiente, son posibles dos casos: o bien existe un sistema linealmente
independiente que contiene un nmero de vectores tan grande como se quiera o
bien existe un sistema linealmente independiente que contiene el nmero mximo de vectores. En el primer caso el espacio vectorial se dice que es de dimensin infinita y en el segundo caso, de dimensin finita.
Nuestra atencin estar dirigida a lo largo de este trabajo exclusivamente a los
espacios vectoriales de dimensin finita. En particular, un espacio vectorial de
dimensin finita lo constituir cualquier conjunto generador construido con un
nmero finito de vectores de un espacio vectorial arbitrario.
Si V es cualquier espacio vectorial y S = {v1, v2, ..., vn} es un conjunto
de vectores en V, entonces S se llama base de V si se cumplen las dos
condiciones siguientes:
1.- S es linealmente independiente.
2.- S genera a V.
Si S = {v1, v2, ..., vn} es una base de V, segn la definicin, un vector v de V se
puede escribir en la forma v = a 1v1 + a 2v2 + ... + a nvn. Lo interesante de una
base, a diferencia de otros conjuntos generadores, es que los coeficientes estn
determinados en forma nica por v. Porque, supngase que tambin tenemos v =
b1v1 + b2v2 + ... + bnvn. Restando, se obtiene la relacin lineal ( a 1 b1)v1 + ( a 2
b2)v2 + ... + ( a n bn)vn = ya que S es un conjunto linealmente independiente,
a 1 b1 = 0, a 2 b2 = 0, ..., a n bn = 0 y, por tanto, a 1 = b1, a 2 = b2, ..., a n = bn.
Como veremos, un hecho relacionado con esto es que una base es un conjunto
generador particularmente eficiente.
Una base es la generalizacin de espacio vectorial de un sistema de coordenadas
en el espacio bidimensional y en el espacio tridimensional. El siguiente teorema
ayudar a ver por qu es as.
T E O R E M A 5.6.1
Si S = {v1, v2, ..., vn} es una base de un espacio vectorial V, entonces
todo vector v en V se puede expresar en forma nica como v = a 1v1 +
a 2v2 + ... + a nvn.
Como S genera a V, por la definicin de subespacio generado se concluye que
todo vector v en V se puede expresar como una combinacin lineal de los vectores en S. Para ver que slo existe una manera de expresar un vector como una
combinacin lineal de los vectores en S, supngase que algn vector v se puede
escribir como
v = a 1v1 + a 2v2 + ... + a nvn
y tambin como
v = b1v1 + b2v2 + ... + bnvn.
Restando la segunda ecuacin de la primera se obtiene
= ( a 1 b1)v1 + ( a 2 b2)v2 + ... + ( a n bn)vn.
Como el miembro derecho de esta ecuacin es una combinacin lineal de vectores en S, la independencia lineal de S indica que a 1 b1 = 0, a 2 b2 = 0, ..., a n
bn = 0, es decir, a 1 = b1,
a 2 = b2, ..., a n = bn. As, las dos expresiones para v
son iguales.
Este teorema indica que dos combinaciones lineales de vectores de una base
resultan en el mismo vector si, y slo si, el coeficiente de cada vector de la base
es el mismo en las dos expresiones; es decir, si {v1, v2, ..., vn} es base de V y si
JOE GARCIA ARCOS
233
a 1v1 + a 2v2 + ... + a nvn = b1v1 + b2v2 + ... + bnvn

entonces a1 = b1, a2 = b2, ..., an = bn. Este es el mtodo de comparacin de
coeficientes, que frecuentemente se usa.
EJ E M P L O 5.6.1
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no estn en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinacin lineal de u, v, w; esto se puede observar en la figura.
La nocin de base est ligada con un sistema linealmente independiente que
contiene el nmero mximo de vectores. No obstante, es evidente que todas las
bases de un mismo espacio vectorial de dimensin finita representan sistemas
equivalentes linealmente independientes. Estos hechos nos sirven para asignar
un nmero, que se llama dimensin, a cada espacio vectorial.
Dos combinaciones lineales de vectores de una base resultan en el mismo vector
s, y slo si, el coeficiente de cada vector de la base es el mismo en las dos expresiones; es decir, si {v1, v2, ..., vn} es base de V y si
a 1v1 + a 2v2 + ... + a nvn = b1v1 + b2v2 + ... + bnvn
entonces a1 = b1, a2 = b2, ..., an = bn. Este es el mtodo de comparacin de
coeficientes, que frecuentemente se usa.
La nocin de base est ligada con un sistema linealmente independiente que
contiene el nmero mximo de vectores. No obstante, es evidente que todas las
bases de un mismo espacio vectorial de dimensin finita representan sistemas
equivalentes linealmente independientes. Estos hechos nos sirven para asignar
un nmero, que se llama dimensin, a cada espacio vectorial.
La dimensin de un espacio vectorial V de dimensin finita, denotada
por Dim(V), se define como el nmero de vectores que hay en una base
de V. Adems, por definicin, el espacio vectorial cero es de dimensin
cero.
Obsrvese que el espacio cero, {}, no tiene base, pues {} slo contiene al
vector , por lo cual no contiene ningn subconjunto linealmente independiente. Se puede demostrar que todos los dems espacios vectoriales s tienen bases,
aunque a veces las bases son conjuntos infinitos.
Se dice que un espacio vectorial V diferente de cero es de dimensin
finita si contiene un conjunto finito de vectores v1, v2, ..., vn que forma
una base. Si no es as, se dice que V es de dimensin infinita. Adems,
se considera que el espacio vectorial cero es de dimensin finita.
Indicaremos que la dimensin de un espacio vectorial depende del sistema numrico que se use para los escalares. La dimensin de C, el conjunto de los
nmeros complejos, como espacio vectorial complejo, es 1. Pero C tambin se
puede considerar como espacio vectorial real, y, en este caso, su dimensin es 2.
El siguiente teorema proporciona la clave del concepto de dimensin.
T E O R E M A 5.6.2
JOE GARCIA ARCOS
234
Si V es un espacio vectorial de dimensin finita y {v1, v2, ..., vn} es

cualquier base, entonces:
1.- Todo conjunto con ms de n elementos es linealmente dependiente.
2.- Ningn conjunto con menos de n vectores genera a V.
1.- Sea S = {u1, u2, ..., um} cualquier conjunto de m vectores en V, donde m > n.
Se quiere demostrar que S es linealmente dependiente. Como S = {v1, v2, ..., vn}
es una base, todo ui se puede expresar como una combinacin lineal de los vectores en S, por ejemplo
u1 a11v1 a21v2 an 1vn
u2 a1 2 v1 a2 2 v2 an 2 vn
(1)
u
m a1 m v1 a2 m v2 an m vn
Para demostrar que S es linealmente dependiente, es necesario encontrar escalares b1, b2, ..., bm, no todos cero, tales que
b1u1 + b2u2 + ... + bmum = (2)
Usando las ecuaciones anteriores en esta expresin, obtenemos
b1( a 11v1 + a 21v2 + ... + a n1vn) + b2(a 12v1 + a 22v2 + ... + a n2v2) + ...
+ bm( a 1mv1 + a 2mv2 + ... + a nmvn) = ,
de donde
(b1a 11 + b2a 12 + ... + bma 1m)v1 + (b1a 21 + b2a 22 + ... + bma 2m)v2 + ...
+ (b1a n1 + b2a n2 + ... + bma nm)vn = .
As, a partir de la independencia lineal de S, el problema de demostrar que S es
un conjunto linealmente dependiente se reduce a probar que existen escalares b1,
b2, ..., bm, no todos cero, que satisfacen
a11b1 a12 b2 a1m bm 0
a b a b a b
0
21 1 22 2
2m m
(3)
an1b1 an 2 b2 anm bm 0
Pero este sistema contiene ms incgnitas que ecuaciones, de modo que la demostracin est completa, ya que de esta manera se garantiza la existencia de
soluciones no triviales.
2.- Sea S = {u1, u2, ..., um} cualquier conjunto de m vectores en V, donde m <
n. Se quiere demostrar que S no genera a V. La demostracin ser por contradiccin: Se probar que suponiendo que S genera a V se llega a una contradiccin de la independencia lineal de {v1, v2, ..., vn}.
Si S genera a V, entonces todo vector en V es una combinacin lineal de los
vectores en S. En particular, cada vector bsico vi es una combinacin lineal de
los vectores en S, por ejemplo,
v1 a11u1 a21u2 am 1um
v2 a1 2u1 a2 2u2 am 2um

(4)
v a u a u a u
1n 1
2n 2
mn m
n
Para obtener la contradiccin, se demostrar que existen escalares b1, b2, ..., bm,
no todos cero, tales que
b1v1 + b2v2 + ... + bnvn = (5)
Pero obsrvese que (4) y (5) son de la misma forma que (1) y (2), excepto que
se han intercambiado m y n, as como las u y las v. Por tanto, los clculos con
los que se lleg a (3) ahora producen
JOE GARCIA ARCOS
235
a11b1 a1 2 b2 a1 n bn 0
a21b1 a2 2 b2 a2 n bn 0
a b a b a b 0
mn n
m1 1 m 2 2
Este sistema lineal tiene ms incgnitas que ecuaciones y por lo tanto posee
soluciones no triviales.
De este teorema se deduce que si S = {v1, v2, ..., vn} es cualquier base para un
espacio vectorial V, entonces todos los conjuntos en V que simultneamente
generan a V y son linealmente independientes deben tener precisamente n vectores. As, todas las bases de V deben tener el mismo nmero de vectores que la
base arbitraria S. Esto lleva al siguiente teorema, que es uno de los ms importantes en lgebra lineal.
T E O R E M A 5.6.3
Todas las bases de un espacio vectorial de dimensin finita tienen el
mismo nmero de vectores.
Supngase que S es una base con un nmero finito n de elementos y S otra base
cualquiera. Ya que S genera a V y S es linealmente independiente, el nmero m
de elementos en S debe ser a lo ms n. Esto prueba que S es finita y m d n.
Pero entonces pueden intercambiarse los papeles de S y S para obtener la desigualdad en el otro sentido, as que m = n.
Este teorema afirma que, en un espacio vectorial V de dimensin finita, cualquier conjunto dado de vectores linealmente independientes de V forma parte de
alguna base de V. En realidad, hay muchas bases as. Se dice que la base S =
{v1, ..., vm, ..., vn} es la extensin a una base de V del conjunto linealmente independiente {v1, v2, ..., vm}.
EJ E M P L O 5.6.2
Hallar todas las bases de los sistemas de vectores siguientes:
a.- {(4, -2, 12, 8), (-6, 12, 9, -3), (-10, 5, -30, -20), (-14, 28, 21, -7)};
b.- {(1, 2, 3, 0, -1), (0, 1, 1, 1, 0), (1, 3, 4, 1, -1)};
c.- {(1 + i, 1 i, 2 + 3i), (i, 1, 2), (1 i, - 1 i, 3 2i), (4, -4i, 10 + 2i)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos
sistema dado y luego procedemos a calcular el rango de dicha matriz:
8 2 1 6 4 2 1 6 4 2 1 6
4 2 12

6
12
9

3 2 4 3 1 0 1 3 1 0 1 3
|
|
|
10 5 30 20 2 1 6 4 0 0 0 0 0 0 0

14 28 21 7 2 4 3 1 0 1 3 1 0 0 0
del
4
1
0
Como el rango de la matriz es igual a 2, entonces cada una de las bases tiene dos
elementos:
S1 = {(4, -2, 12, 8), (-6, 12, 9, -3)} y S2 = {(-10, 5, -30, -20), (-14, 28, 21, -7)}.
b.- En este caso formamos una matriz, donde sus filas son los elementos del
1 2 3 0 1 1 2 3 0 1 1 2 3 0 1
0 1 1 1 0 | 0 1 1 1 0 | 0 1 1 1 0
1 3 4 1 1 0 1 1 1 0 0 0 0 0 0
Como el rango de la matriz es igual a 2, entonces cada una de las bases tienen dos
elementos:
JOE GARCIA ARCOS
236
S1 = {(1, 2, 3, 0, -1), (0, 1, 1, 1, 0)} y S2 = {(1, 2, 3, 0, -1), (1, 3, 4, 1, -1)}.

c.- En este caso formamos una matriz, donde sus filas son los elementos del
2 3i 1 i 1 i 2 3i
1 i 1 i
i
1
2 0
0
1
|
1 i 1 i 3 2i 0
0
0
4i 10 2i 0
0
0
4
Como el rango de la matriz es igual a 2, entonces cada una de las bases tienen dos
elementos:
S1 = {(1 + i, 1 i, 2 + 3i), (i, 1, 2)}, S2 = {(i, 1, 2), (1 i, - 1 i, 3 2i)},
S3 = {(i, 1, 2), (4, -4i, 10 + 2i)}.
Cualquier vector distinto de cero v constituye un subconjunto linealmente independiente de V y, en consecuencia, el teorema afirma que cada vector v distinto
de cero aparece en alguna base de V. Entre otras cosas, lo que nos ensea el
teorema es que existen muchas bases diferentes de V y que tenemos algo de
libertad en la eleccin de una base de V.
T E O R E M A 5.6.4
Un conjunto de n vectores en un espacio vectorial V es una base si, y
slo si es linealmente independiente.
Sea S = {v1, v2, ..., vn} un conjunto linealmente independiente y v un vector
cualquiera en V. Ya que {v1, v2, ..., vn, v} contiene n + 1 elementos, debe ser
linealmente dependiente. Cualquier relacin no trivial que exista debe contener
a v con un coeficiente diferente de cero, porque si ese coeficiente fuera cero, la
relacin equivaldra a una relacin en S. As pues, v depende de S. Por lo tanto,
S genera a V y es una base.
E J E M P L O 5.6.3
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no estn en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinacin lineal de u, v, w.
EJ E M P L O 5.6.4
Hallar una base cualquiera de cada uno de los siguientes sistemas de vectores:
a.- {(0, 2, -1), (3, 7, 1), (2, 0, 3), (5, 1, 8)};
b.- {(-1, 4, -3, -2), (3, -7, 5, 3), (3, -2, 1, 0), (-4, 1, 0, 1)};
c.- {(14, -27, -49, 113), (43, -82, -145, 15), (-29, 55, 96, -17), (85, -163, -13, 77)};
d.- {(3 i, 1 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 7i, 4i), (0, 1, 1, -3)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
0 2 1 0 2 1 0 2 1
1 3 7 1
3 7 1 | 3 7
|
2 0 3 0 2 1 0 0 0
5 1 8 0 32 19 0 0 3
Como el rango de la matriz es igual a 3, entonces la base buscada esta formada por:
{(0, 2, -1), (3, 7, 1), (5, 1, 8)}.
JOE GARCIA ARCOS
237
1 4 3 2 1 4 3 2 1 4 3 2
3 7 5 3 | 0 5 4 3 | 0 5 4 3
3 2 1 0 0 5 4 3 0 0 0 0
4 1 0 1 0 5 4 3 0 0 0 0
{(-1, 4, -3, -2), (3, -7, 5, 3)}.
c.- En este caso formamos un determinante, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular dicho determinante:
14 27 49 113
43 82 145 15
z0
29 55
96 17
85 163 13 77
Como el determinante es diferente de cero, entonces el sistema dado es base.

d.- En este caso formamos una matriz, donde sus filas son los elementos del
3 i 1 2i 7 5i 4 3i 3 i 1 2i 7 5i 4 3i
4i | 0
3i
3i
9 3i
1 3i 1 i 6 7i
0
1
1
3 0
1
1
3
3 i 1 2i 7 5i 4 3i
3i
3i
9 3i
0
0
0
0
0
{(3 i, 1 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 7i, 4i)}.
EJ E M P L O 5.6.5
Determnese si el subconjunto S es linealmente independiente y, cuando sea
posible, encuntrese una base del espacio que contiene a S:
a.- S = {(1, 1, 1, 1), (1, 2, 3, 4)} 4; b.- S = {t + t3, t2 + t6, 1 t t3} 6.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
1 1
1 1 1 1
z0.
1 z0,
1 2
1 2 3 4
Como el rango de la matriz es igual a 2, entonces el sistema dado es linealmente
independiente. Para extender hasta encontrar una base del espacio 4 que contenga
a S, aumentamos a la matriz inicial una fila de variables:
1 1 1
1 1 1 1
1
2
3
4
1 2 3 a 2b c .
a b c d
a b c
Para que el vector (a, b, c, d) forme parte de la base de 4, entonces debe satisfacer
a 2b + c z 0, es decir un posible vector puede es, (1, 1, -1, 0). Para encontrar el
ltimo vector que formar parte de la base del espacio 4, a la ltima matriz le
aumentamos una fila de variables:
1 1 1 1
1 1 1 1
1 2 3 4 1 2 3 4 3x 4 y z 2u .
1 1 1 0
1 1 1 0
x y z u
x y z u
Para que el vector (x, y, z, u) forme parte de la base de 4, entonces debe satisfacer
JOE GARCIA ARCOS
238
3x 4y z + 2u z 0, es decir un posible vector puede es, (1, 1, 1, 0). Por lo tanto la

base de 4 buscada tiene la forma:
Base 4 = {(1, 1, 1, 1), (1, 2, 3, 4), (1, 1, -1, 0), (1, 1, 1, 0)}.
0 1 0
0 1 0 1 0 0 0
0 1
,
,
z
0

1
z
0
0
0
1
0
0
0
1
0 0 1 z0.
1 0
1 1 0 1 0 0 0
1 1 0
Como el rango de la matriz es igual a 3, entonces el sistema dado es linealmente

independiente. Para extender hasta encontrar una base del espacio 6 que contenga
a S, aumentamos a la matriz inicial una fila de variables:
0 1 0 1
0 1 0 1 0 0 0
0 0 1 0 0 0 1 0 0 1 0
d b .
1 1 0 1 0 0 0
1 1 0 1
a b c d
a b c d e f g
2
3
4
Para que el polinomio a + bt + ct + dt + et + ft5 + gt6 forme parte de la base de
6, entonces debe satisfacer b - d z 0, es decir un posible vector puede es, 1 + t +
t2 - t3 + t4 + t5 + t6. Para encontrar el ltimo vector que formar parte de la base del
espacio 6, a la ltima matriz le aumentamos una fila de variables:
0 1 0 1 0
0 1 0 1 0 0 0
0 0 1 0 0
0 0 1 0 0 0 1
1 1 0 1 0 0 0 1 1 0 1 0 b d 2e .
1 1 1 1 1
1 1 1 1 1 1 1
a b c d e f g
a b c d e
Para que el vector a + bt + ct2 + dt3 + et4 + ft5 + gt6 forme parte de la base de 6,
entonces debe satisfacer b d 2e z 0, es decir un posible vector puede es, t4. De
esta forma seguimos encontrando los polinomios necesarios para formar la base del
espacio 6:
0 1 0 1 0 0
0 1 0 1 0 0 0
0
0
1
0
0
0
1
0 0 1 0 0 0
1 1 0 1 0 0 0
1 1 0 1 0 0
bd 2f

1 1 1 1 1 1
1 1 1 1 1 1 1
0 0 0 0 1 0 0
0 0 0 0 1 0
a b c d e f
a b c d e f g
1 + t + t3 + t5;
0 1 0 1 0 0 0
0 1 0 1 0 0 0
0 0 1 0 0 0 1
0 0 1 0 0 0 1
1 1 0 1 0 0 0
1 1 0 1 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 2c 2 g
0 0 0 0 1 0 0
0 0 0 0 1 0 0
1 1 0 1 0 1 0
1 1 0 1 0 1 0
a b c d e f g
a b c d e f g
1 + t + t2 + t3 + t4 + t5 - t6.
Por lo tanto la base de 6 buscada tiene la forma:
Base 6 = {t + t3, t2 + t6, 1 t t3, 1 + t + t2 - t3 + t4 + t5 + t6, t4, 1 + t + t3 + t5, 1 + t
+ t2 +
t3 + t4 + t5 - t6}.
JOE GARCIA ARCOS
239
T E O R E M A 5.6.5
En un espacio vectorial de dimensin finita, todo conjunto generador
contiene una base.
Sea S un conjunto que genera a V. Si V = {}, entonces S es una base de
{}. Si V z {}, entonces S debe contener al menos un vector v1, diferente de
cero. Busquemos otro vector en S que no dependa de {v1}. Llamemos a este
vector v2 y busquemos otro vector en S que no dependa del conjunto linealmente dependiente {v1}. Continuamos de la misma manera hasta donde podamos,
pero el proceso debe terminar ya que no podemos encontrar ms de n vectores
linealmente independientes en S. Supongamos que se ha hallado el conjunto
S = {v1, v2, ..., vm} con la propiedad de que todo vector en S es linealmente
dependiente de S. Entonces el conjunto S tambin debe generar a V y es una
base.
T E O R E M A 5.6.6
En un espacio vectorial de dimensin finita, cualquier conjunto linealmente independiente de vectores se puede extender hasta tener una base.
Sea S = {v1, v2, ..., vn} una base de V y S = {u1, u2, ..., um} un conjunto linealmente independiente m d n. El conjunto {u1, u2, ..., um, v1, v2, ..., vn} genera a V.
Si este conjunto es linealmente dependiente, entonces algn elemento es una
combinacin lineal de los elementos precedentes. Este elemento no puede ser
uno de los ui, porque entonces S sera linealmente dependiente. Pero entonces
puede eliminarse este vi para obtener un conjunto menor que genera a V. Continuamos de esta manera, quitando elementos mientras se tenga un conjunto generador linealmente dependiente. En ningn paso se elimina a alguno de los ui. Ya
que nuestro conjunto generador es finito, este proceso debe terminar con una
base que contenga a S como subconjunto.
Como caso especial del teorema, podemos enunciar lo siguiente: si { v1, v2, ...,
vm} es base de un subespacio S de un espacio vectorial V de dimensin finita,
entonces existe una base de V que contiene a v1, v2, ..., vm. Por consiguiente, se
puede extender cada base de un subespacio a una base de la totalidad del espacio vectorial.
T E O R E M A 5.6.7
Sea S un conjunto no vaco de vectores en un espacio vectorial V. Si S
es un conjunto linealmente independiente y v es un vector en V que no
pertenece a Span(S), entonces el conjunto que se obtiene al incluir v en
S an es linealmente independiente.
Supngase que S = {v1, v2, ..., vk} es un conjunto linealmente independiente de
vectores en V y que v es un vector en V fuera de Span(S). Para probar que S =
{v1, v2, ..., vk, v} es un conjunto linealmente independiente, es necesario demostrar que los nicos escalares que satisfacen
a 1v1 + a 2v2 + ... + a kvk + a k+1v =
son a 1 = a 2 = ... = a k = a k+1 = 0. Pero se debe tener que a k+1 = 0; en caso contrario, v se podra despejar en la ecuacin como una combinacin lineal de S, contradiciendo la hiptesis de que v es un vector que no pertenece a Span(S). As, la
ecuacin se simplifica a a 1v1 + a 2v2 + ... + a kvk = lo cual, debido a la independencia lineal de S, significa que a 1 = a 2 = ... = a k = 0.
E J E M P L O 5.6.6
Sea Span(S) = {( a , b, c) / a b + c = 0} y v = (1, -2, 1) 3. Demostrar que el
JOE GARCIA ARCOS
240
conjunto que se forma con la base de Span(S) y el vector v es linealmente independiente y, adems es base de 3.
SO L U C I O N
Encontramos una base para el subespacio; Base Span(S) = {(1, 1, 0), (-1, 0, 1)}.
Para verificar que los elementos de la base del subespacio y el vector v forman
una base de 3, construimos una matriz con sus correspondientes elementos y
calculamos su determinante
1 1 0
1 0 1 z 0
1 2 1
como el determinante de la matriz es diferente de cero, el rango es igual 3 y la
dimensin del conjunto formado por estos elementos es linealmente independiente y tiene dimensin 3. Por lo tanto el conjunto
S = {(1, 1, 0), (-1, 0, 1), (1, -2, 1)}
es base de 3.
Un conjunto S de tres vectores linealmente independientes en 3 genera un
plano que pasa por el origen. Si S se aumenta insertando cualquier vector v fuera
de este plano, entonces el conjunto resultante de tres vectores todava es linealmente independiente, ya que ninguno de los tres vectores est en el mismo plano
que los otros dos.
T E O R E M A 5.6.8
Sea S un conjunto no vaco de vectores en un espacio vectorial V. Si v
es un vector en S que se puede expresar como una combinacin lineal
de los dems vectores en S, y si S - {v} denota el conjunto que se obtiene al quitar v de S, entonces S y S - {v} generan el mismo espacio; es
decir,
Span(S) = Span(S - {v}).
Supngase que S = {v1, v2, ..., vk} es un conjunto de vectores en V y, para ser
especficos, supngase que vk es una combinacin lineal de v1, v2, ..., vk-1, por
ejemplo
vk = a 1v1 + a 2v2 + ... + a k-1vk-1 (1)
Se quiere demostrar que si vk se extrae de S, entonces el conjunto de vectores
restantes {v1, v2, ..., vk-1} sigue generando a Span(S); es decir, se debe demostrar
que todo vector u en Span(S) se puede expresar como una combinacin lineal de
{v1, v2, ..., vk-1}. Pero si u est en Span(S), entonces u se puede expresar en la
forma
u = b1v1 + b2v2 + ... + bk-1vk-1 + bkvk (2)
o bien, sustituyendo en la ecuacin (1)
u = b1v1 + b2v2 + ... + bk-1vk-1 + bk( a 1v1 + a 2v2 + ... + a k-1vk-1)
que expresa a u como una combinacin lineal de v1, v2, ..., vk-1.
Si S es un conjunto de tres vectores no colineales en 3 que estn en un plano
comn que pasa por el origen, entonces los tres vectores generan el plano. Sin
embargo, si de S se extrae cualquier vector v que sea una combinacin lineal de
los otros dos, entonces el conjunto restante de dos vectores sigue generando el
plano.
En general, para probar que un conjunto de vectores { v1, v2, ..., vn} es una base
de un espacio vectorial V, se debe demostrar que los vectores son linealmente
independientes y generan a V. Sin embargo, si se sabe que la dimensin de V es
n, entonces basta verificar ya sea, la independencia lineal o la generacin: la otra
condicin se cumple automticamente.
JOE GARCIA ARCOS
241
T E O R E M A 5.6.9
Si U es un subespacio vectorial de un espacio vectorial V de dimensin
finita, entonces Dim(U) d Dim(V); adems, si Dim(U) = Dim(V), entonces U = V.
Sea S = {u1, u2, ..., um} una base para U. S puede ser una base para V o no. Si es
as, entonces Dim(U) = Dim( V) = m. Si no es as, entonces es posible agregar
vectores al conjunto linealmente independiente S a fin de convertirlo en una
base para V de modo que Dim(U) < Dim(V). Por tanto, Dim(U) d Dim(V) en
todos los casos. Si Dim(U) = Dim(V), entonces S es un conjunto de m vectores
linealmente independientes en el espacio vectorial V de dimensin m; por tanto,
S es una base para V. Esto significa que U = V.
Considerando la suma de dos subespacios vectoriales arbitrarios U y W, podremos ver fcilmente que su dimensin depende no slo de la dimensin de los
subespacios U y W, sino tambin de cun grande es la parte comn de los mismos. El valor exacto de la dimensin de la suma se determina por el siguiente
teorema.
T E O R E M A 5.6.10
Si U y W son subespacios vectoriales de dimensin finita de un espacio
vectorial V, entonces
Dim(U + W) + Dim(U W) = Dim(U) + Dim( W).
Hemos de verificar que, si U y W son subespacios de dimensin finita de un
espacio vectorial V, entonces Dim(U + W) + Dim(U W) = Dim(U) +
Dim(W). Puesto que U W es subespacio del espacio de dimensin finita U.
Sabemos que U W es de dimensin finita. Como U + W est generado por la
unin de una base de U y una base de W, tambin es de dimensin finita. Sea
{u1, u2, ..., uk} una base de U W, existen vectores v1, v2, ..., vr en U tales que
{u1, u2, ..., uk, v1, v2, ..., vr} es base de U. De la misma manera, hay vectores w1,
w2, ..., wt en W tales que {u1, u2, ..., uk, w1, w2, ..., wt} es base de W. Vemos
claramente que
Span{u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} = U + W.
Si
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr + c1w1 + c2w2 + ... + c twt = ,
entonces,
v = a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr = - c1w1 - c2w2 - ... - c twt
est en U W. Luego existen escalares d1, d2, ..., dk con la propiedad de que
v = d1u1 + d2u2 + ... + dkuk,
de donde tenemos que
d1u1 + d2u2 + ... + dkuk + c1w1 + c2w2 + ... + c twt = .
Pero {u1, u2, ..., uk, w1, w2, ..., wt} es un conjunto linealmente independiente de
V y, en consecuencia, c1 = c2 = ... = c t = 0. Pero, entonces vemos que
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr =
y, como {u1, u2, ..., uk, v1, v2, ..., vr} es base de U y, por tanto, conjunto linealmente independiente, tenemos que a 1 = a 2 = ... = a k = b1 = b2 = ... = br = 0. Por lo
tanto, hemos hecho ver que
{u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} es
linealmente independiente y genera a U + W. Por consiguiente,
Dim(U + W) = t + k + r = (t + k) + ( r + k) k
= Dim(U) + Dim(W) - Dim(U W).
De este teorema se puede deducir una desigualdad que ofrece el valor mnimo
de la dimensin de la interseccin de unos subespacios. Consideremos los
subespacios vectoriales U y W de V y sean r y s las dimensiones de estos
JOE GARCIA ARCOS
242
subespacios, n la dimensin de V y m la dimensin de la interseccin U W.

En virtud del teorema, la dimensin de la suma U + W es igual a r + s m. Pero
la dimensin de la suma U + W es no mayor que la dimensin del espacio V.
Por consiguiente, r + s m d n, de donde se tiene m t r + s n. Es decir, la
dimensin de la interseccin de dos subespacios vectoriales del espacio V no
puede ser menor que el exceso de la suma de las dimensiones de estos subespacios respecto a la dimensin del espacio vectorial V. Por ejemplo, la interseccin de dos planos del espacio de tres dimensiones contiene siempre una recta,
la interseccin de un subespacio de dos dimensiones con un subespacio de tres
dimensiones en un espacio de cuatro dimensiones contiene una recta, la interseccin de dos subespacios de tres dimensiones de un espacio de cuatro dimensiones contiene un plano, etc.
EJ E M P L O 5.6.7
Suponga que V es de dimensin n y que cada uno de los conjuntos U y W es
subespacio de V de dimensin n - 1. Suponga adems, que U z W. Entonces,
Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no est en el otro.
En consecuencia, U + W contiene a uno de U, W o tal vez a ambos, como
subespacio propio. De acuerdo con eso n t Dim(U + W) > n - 1 = Dim(U) =
Dim(W); de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W)
= (n - 1) + (n - 1) n
= n - 2.
EJ E M P L O 5.6.8
Sea U el conjunto de elementos (a, b, c, d) tales que a b + c = 0. Sea W el
conjunto de elementos (a, b, c, d) tales que b + c + d = 0. Entonces, U W = S
ser el conjunto de elementos (a, b, c, d) que cumplan tanto con la condicin a b
+ c = 0 como con la condicin b + c + d = 0, y DimS = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de 4, y DimU = DimW = 3.
Se ve claramente que (1, 1, 0, 0) est en U y no est en W, de manera que
U z W. Por lo tanto DimS = 2.
Cuando se definen propiedades y se demuestran teoremas acerca de espacios
vectoriales, suele ser aconsejable, y, habitualmente, ms fcil, trabajar sin tomar
una base particular. Cuando se define una propiedad por medio de una base, es
necesario determinar si esa propiedad es intrnseca del espacio vectorial o si
depende explcitamente de una base en particular. Por eso, al definir la dimensin de un espacio vectorial, nos aseguramos con mucho cuidado de que no
dependamos, al hacerlo, de una base en particular, sino que tenamos una propiedad que poseen todas las bases y, por consiguiente, intrnseca al espacio
vectorial. Sin embargo, cuando se hacen clculos, se encuentra que las cosas se
simplifican al usar una base en particular.
Si se sabe que la cantidad que se va a calcular es independiente, de la base usada, entonces podemos estar seguros de que nuestro resultado ser el mismo, al
margen de nuestra eleccin de base. Es habitual que los clculos se pueden
hacer con mucha facilidad si se elige la base adecuada.
T E O R E M A 5.6.11
La dimensin de una suma directa de subespacios es igual a la suma de
las dimensiones de estos subespacios.
JOE GARCIA ARCOS
243
Si tenemos dos sumandos, entonces la dimensin de la suma es igual, por el
teorema anterior. Pero, la interseccin de subespacios en el caso de una suma
directa es nula y su dimensin es igual a cero. Por esto, la dimensin de una
suma directa de dos subespacios es igual a la suma de sus dimensiones.
T E O R E M A 5.6.12
La dimensin del espacio de soluciones del sistema homogneo con n
incgnitas A X = O es igual a la diferencia n r, donde r es el rango del
sistema A X = O.
Como consecuencia de este teorema, podemos enunciar lo siguiente: para que
un sistema de n ecuaciones lineales homogneas de n incgnitas A X = O no
tenga soluciones no nulas, es necesario y suficiente que la matriz A de este
sistema sea no singular. Efectivamente, la condicin n = r significa que el rango
de la matriz A debe coincidir con su orden, es decir, la matriz A debe ser no
singular. Otra consecuencia es la siguiente: para que un sistema de n ecuaciones
lineales homogneas de n incgnitas tenga solucin no nula es necesario y suficiente que el determinante de la matriz de este sistema sea igual a cero. En efecto, una matriz cuadrada es singular si, y slo si, su determinante es igual a cero.
En un espacio vectorial V de dimensin finita, cualquier conjunto dado de vectores linealmente independientes de V forma parte de alguna base de V. En
realidad, hay muchas bases as. Se dice que la base S = {v1, ..., vm, ..., vn} es la
extensin a una base de V del conjunto linealmente independiente {v1, v2, ...,
vm}.
Un conjunto S de tres vectores linealmente independientes en 3 genera un
plano que pasa por el origen. Si S se aumenta insertando cualquier vector v fuera
de este plano, entonces el conjunto resultante de tres vectores todava es linealmente independiente, ya que ninguno de los tres vectores est en el mismo plano
que los otros dos.
Considerando la suma de dos subespacios vectoriales arbitrarios U y W, podremos ver fcilmente que su dimensin depende no slo de la dimensin de los
subespacios U y W, sino tambin de cun grande es la parte comn de los mismos.
Consideremos los subespacios vectoriales U y W de V y sean r y s las dimensiones de estos subespacios, n la dimensin de V y m la dimensin de la interseccin U W. La dimensin de la suma U + W es igual a r + s m. Pero la
dimensin de la suma U + W es no mayor que la dimensin del espacio V. Por
consiguiente, r + s m d n, de donde se tiene m t r + s n. Es decir, la dimensin de la interseccin de dos subespacios vectoriales del espacio V no puede
ser menor que el exceso de la suma de las dimensiones de estos subespacios
respecto a la dimensin del espacio vectorial V. Por ejemplo, la interseccin de
dos planos del espacio de tres dimensiones contiene siempre una recta, la interseccin de un subespacio de dos dimensiones con un subespacio de tres dimensiones en un espacio de cuatro dimensiones contiene una recta, la interseccin
de dos subespacios de tres dimensiones de un espacio de cuatro dimensiones
contiene un plano, etc.
% COMPRUEBA SI UN SISTEMA DE VECTORES S ES BASE
clc;clear;
fprintf('\n BASE Y DIMENSION \n')
JOE GARCIA ARCOS
244
fprintf('Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\nIngrese la Ecuacion (%d)\n', f)
for c=1:col
S(f,c)=input(' :');
end
end
fprintf('LA MATRIZ DE VECTORES ES:\n')
S
fprintf('LA MATRIZ REDUCIDA ES:')
R= rref(S);
R
if (rank(S)==fil)
fprintf('EL SISTEMA DE VECTORES S ES UNA BASE \n')
DimS=rank(R)
else
fprintf('EL SISTEMA DE VECTORES S NO ES UNA BASE \n')
end
E J E M P L O 5.6.9
Si a , b, c son nmeros reales, si c z 0 y si S es el conjunto de todos los vectores (x, y, z) de 3
con la propiedad de que ax + by + cz = 0, entonces S es subespacio de V y Dim(S) = 2.
SO L U C I O N
Como ax + by + cz = 0 es un plano que pasa por el origen, entonces vemos que S es subespacio
de 3. Sean k = - a /c, r = - b/ c. Entonces, podemos describir a S como el conjunto de todos los
(x, y, z) tales que kx + ry - z = 0. Adems, observamos que u = (1, 0, k) y v = (0, 1, r) estn en S.
Podemos demostrar que u, v son linealmente independientes. Si w = (x, y, z) S, entonces
z = kx + ry, de manera que w = (x, y, kx + by) = xu + yv. En consecuencia, Span{u, v} = S.
Como u, v es un conjunto linealmente independiente, concluimos que constituye una base de
S.
E J E M P L O 5.6.10
Sea S = {(1, 2, 3), (0, 1, 2), (1, 1, 1), (3, 2, 1)} 3. Demuestre que tanto S como S = {(1, 2,
3), (0, 1, 2), (1, 1, 1)} generan el mismo subespacio.
SO L U C I O N
Para encontrar el Span(S), construimos la matriz aumentada de la siguiente manera:
1 0 1 3 a 1 0 1 3
a 1 0 1 3
a
2
1
1
2
b
0

1
1
4
2
a

b
0

1
1
4
2
a

b
|
|
3 2 1 1 c 0 2 2 8 3a c 0 0 0 0 a 2b c
de donde
Span(S) = {( a , b, c) / a 2b + c = 0}.
Para encontrar el Span(S), construimos la matriz aumentada de la siguiente manera:
1 0 1 a 1 0 1
a 1 0 1
a
2a b
2 1 1 b | 0 1 1 2 a b | 0 1 1
3 2 1 c 0 2 2 3a c 0 0 0 a 2b c
de donde
Span(S) = {( a , b, c) / a 2b + c = 0}.
Por lo tanto concluimos que Span(S) = Span(S).
E J E M P L O 5.6.11
Suponga que V es de dimensin n y que cada uno de los conjuntos U y W es subespacio de V
de dimensin n - 1. Suponga adems, que U z W. Entonces, Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no est en el otro. En consecuenALGEBRA LINEAL CON MATLAB
JOE GARCIA ARCOS
245
cia, U + W contiene a uno de U, W o tal vez a ambos, como subespacio propio. De acuerdo con
eso
n t Dim(U + W) > n - 1 = Dim(U) = Dim(W)
de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W) = (n - 1) + (n - 1) n = n - 2.
EJ E M P L O 5.6.12
Sea U el conjunto de elementos (a, b, c, d) tales que a b + c = 0. Sea W el conjunto de elementos
(a, b, c, d) tales que b + c + d = 0. Entonces, U W = S ser el conjunto de elementos (a, b, c, d)
que cumplan tanto con la condicin a b + c = 0 como con la condicin b + c + d = 0, y
Dim(S) = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de R 4, y Dim(U) = Dim( W) = 3. Se ve
claramente que (1, 1, 0, 0) est en U y no est en W, de manera que U z W. Por lo tanto
Dim(S) = 2.
EJ E M P L O 5.6.13
Hallar una base cualquiera y la dimensin del subespacio generado por los sistemas de polinomios
siguientes:
a.- {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3, t2 + t + 1, 4t2 + 3t + 4};
b.- {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5, 3t3 + 4t2 + 5t + 6, 4t3 + 5t2 + 6t + 7}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
3 2 1
3 2 1
4 3 2
3 2
3 2 3 3 z 0 ,
z0, 4 3 2 z0.
4 3
3 2 3
1 1 1
4 3 4
Como el rango de la matriz es 3, entonces la base buscada es {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3}

y su dimensin es 3.
b.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
1 2 3 4 1 2 3 4 1 2 3 4
2 3 4 5 | 0 1 2 3 | 0 1 2 3
3 4 5 6 0 2 4 6 0 0 0 0
4 5 6 7 0 3 6 9 0 0 0 0
Como el rango de la matriz es 2, entonces la base buscada es {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5} y
su dimensin es 3.
EJ E M P L O 5.6.14
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 3:
a.- {(a, 1, 1), (1, a, 1), (1, 1, a)};
b.- {(a + 1, 1, 1), (1, a + 1, 1), (1, 1, a + 1)};
c.- {(1, a + 1, a), (a + 1, a + 2, a + 3), (a, 0, a + 4)};
d.- {(a i, 0, 1), (0, a, 0), (1, -2ia, a i)};
e.- {(a, 1, 1), (b, ab, b), (1, 1, a)};
f.- {(2a - b, 1, b a), (0, a, 0), (2a - 2b, 2, 2b a)}.
SO L U C I O N
a.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
JOE GARCIA ARCOS
246
a 1 1
1 a 1
1 1 a
( a 2)( a 1)2 .
En este caso (a + 2)(a 1)2 z 0, de donde obtenemos que a z -2 y a z 1.

b.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
a 1 1
1
1
a 1 1
a 2 ( a 3) .
1
1
a 1
En este caso a2(a + 3) z 0, de donde obtenemos que a z 0 y a z -3.
c.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
1
a 1
a
a 1 a 2 a 3 (1 a )( a 2)2 .
a
0
a4
En este caso (1 a)(a + 2)2 z 0, de donde obtenemos que a z 1 y a z -2.
d.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
ai
0
1
0
a
0
a ( a 1 i )( a 1 i ) .
1
2ia a i
En este caso a(a + 1 i)(a 1 i) z 0, de donde obtenemos que a z 0, a z -1 + i y a z 1 + i.
e.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
a 1 1
b ab b b( a 2)( a 1)2 .
1 1 a
En este caso b(a + 2)(a 1)2 z 0, de donde obtenemos que b z 0, a z -2 y a z 1.
f.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
2a b 1 b a
0
a
0
a 2b .
2 a 2b 2 2b a
En este caso a2b z 0, de donde obtenemos que a z 0 y b z 0.
EJ E M P L O 5.6.15
Sea S el conjunto de los vectores (a, b, c, d, e) de 5 tales que
a b c 0
b d e 0
Determnese una base de S. Encuntrese una base de 5 que sea extensin de la base obtenida para
S.
SO L U C I O N
Para encontrar una base para S, debemos resolver el sistema de ecuaciones:
1 1 1 0 0 0 1 0 1 1 1 0
|
0 1 0 1 1 0 0 1 0 1 1 0
donde a = - c d e y b = - d e. Con estas condiciones reemplazamos en el vector ( a, b, c, d, e)
para obtener la base:
(a, b, c, d, e) = (- c d e, - d e, c, d, e) = c(-1, 0, 1, 0, 0) + d(-1, -1, 0, 1, 0) + e(-1, -1, 0, 0, 1)
Base S = {(-1, 0, 1, 0, 0), (-1, -1, 0, 1, 0), (-1, -1, 0, 0, 1)}
JOE GARCIA ARCOS
A continuacin extendemos esta base a una para 5:

1 0
1 0 1 0 0
1 1 0 1 0 1 1
1 1 0 0 1
1 1
a b
a b c d e
247
1
0
0
c
0
1
0
d
a b c
El cuarto elemento se puede obtener de la condicin a b + c z 0, que puede ser (1, 1, 1, 0, 0). El
quinto elemento lo encontramos con la misma condicin pero diferente al anterior, ste puede ser
(0, 0, 1, 1, 1). Entonces la base es:
Base 5 = {{(-1, 0, 1, 0, 0), (-1, -1, 0, 1, 0), (-1, -1, 0, 0, 1), (1, 1, 1, 0, 0), (0, 0, 1, 1, 1)}.
EJ E M P L O 5.6.16
Sea S el conjunto de los polinomios reales de grado no mayor que 5 que tienen a 1 como cero.
Determnese una base de S. Encuntrese Dim(S). Encuntrese una base de 5 que sea extensin de
la base ya determinada de S.
SO L U C I O N
Este conjunto se puede expresar como:
S = {p 5 / p(t) = (t 1)(a + bt + ct2 + dt3 + et4), a, b, c, d, e }.
Expandiendo el polinomio, obtenemos:
p(t) = - a + (a b)t + (b c)t2 + (c d)t3 + (d e)t4 + et5
Una base para S es:
Base S = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1)}.
Por tanto la dimensin de S es 5. Para encontrar una base de 5, debemos construir un
determinante cuya ltima fila este compuesta por un polinomio cuyos coeficientes sean
incgnitas:
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 1 0 0
a b c d e f .
0 0 0 1 1 0
0 0 0 0 1 1
a b c d e f
Como falta un elemento para completar la base de 5, entonces este elemento se puede obtener de
la condicin a + b + c + d + e + f z 0. Una posible base es:
Base P5 = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1), (1, 1, 1, 1, 1, 1)}.
EJ E M P L O 5.6.17
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 4:
a.- {(1, a, b, a b), (a, a, 0, 0), (b, 0, b, 0), (a b, 0, 0, a b)};
b.- {(1, a, a, a), (a, 1, a, a), (a, a, 1, a), (a, a, a, 1)};
c.- {(2, 1, 1, a), (b, b, 2b, b), (1, 1, 0, 0), (0, 1, 1, 0)};
d.- {(a + 3, -a, a, -a), (a, 3 a, a 1, 1 a), (0, 0, a + 1, 1 a), (0, 0, a 1, 3 a)};
e.- {(a + 2, 0, -2, 0), (2a + 4, -1, -a 3, a + 1), (0, 0, a, 0), (2a, -a 1, 1 a, 2a + 1)}.
SO L U C I O N
a.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
1
a b a b
a
a 0
0
ab(b a )(2 a 1) .
b
0 b
0
a b 0 0 a b
En este caso ab(b a)(2a - 1) z 0, de donde obtenemos que a z 0, b z 0, a z y b z .
JOE GARCIA ARCOS
248
b.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
1 a a a
a 1 a a
(1 a )3 (3a 1) .
a a 1 a
a a a 1
En este caso (1 a)3(3a + 1) z 0, de donde obtenemos que a z 1 y a z -1/3.
c.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
2 1 1 a
b b 2b b
2b(1 a ) .
1 1 0 0
0 1 1 0
En este caso 2b(1 a) z 0, de donde obtenemos que b z 0 y a z 1.
d.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
a 3 a
a
a
a
3 a a 1 1 a
36 .
0
0
a 1 1 a
0
0
a 1 3 a
En este caso para cualquier valor de a, el sistema es base de 4.
e.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
a2
0
2
0
2a 4
1
a 3 a 1
a 3 ( a 2) .
0
0
a
0
2a
a 1 1 a 2a 1
En este caso a3(a + 2) z 0, de donde obtenemos que a z 0 y a z -2.
EJ E M P L O 5.6.18
Sea S el conjunto de los polinomios reales de grado no mayor que 5 cuya derivada tercera es cero
en 0. Hgase ver que S es subespacio de 5. Determnese una base de S y hgase su extensin a
una base de 5.
SO L U C I O N
S = {p 5 / p(0) = 0}.
Haciendo que p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p(t) = 6d + 24et + 60ft2, p(0) = 6d =
0, d = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, 1, 0, 0, 0, 0), (0, 0, 1, 0, 0, 0), (0, 0, 0, 0, 1, 0), (0, 0, 0, 0, 0, 1)}.
incgnitas:
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
d.
0 0 0 0 1 0
0 0 0 0 0 1
a b c d e f
JOE GARCIA ARCOS
249
la condicin d z 0. Una posible base es:

Base P5 = {(1, 0, 0, 0, 0, 0), (0, 1, 0, 0, 0, 0), (0, 0, 1, 0, 0, 0), (0, 0, 0, 0, 1, 0), (0, 0, 0, 0, 0, 1),
(1, 1, 1, 1, 1, 1)}.
EJ E M P L O 5.6.19
Sea S el conjunto de los polinomios reales p(t) de grado no mayor que 5 con la propiedad de que
p(3) = 0. Hgase ver que S es subespacio de 5. Determnese una base de S y hgase su extensin
a una base de 5.
SO L U C I O N
S = {p 5 / p(3) = 0}.
Haciendo p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p(3) = b + 6c + 27d + 108e + 405f, b + 6c +
27d + 108e + 405f = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1)}.
incgnitas:
1
0
0 0 0 0
0 6 1 0 0 0
0 27 0 1 0 0
b 6c 27d 108e 405 f .
0 108 0 0 1 0
0 405 0 0 0 1
a
b
c d e f
la condicin b + 6c + 27d + 108e + 405f z 0. Una posible base es:
Base 5 = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1), (1, 1, 1, 1, 1, 1)}.
PR O B L E M AS
5.6.1 Demuestre que si S = {u1, u2, ..., uk} es una base de
un espacio vectorial V y D es un escalar no nulo,
entonces el conjunto S1 = {Du1, Du2, ..., Duk} tambin es
una base de V.
5.6.2 Mustrese grficamente que w = u v, z = u + v
son linealmente independientes y que, por lo tanto, forman una base.
5.6.3 Sea V el conjunto generado por
u = Cos2x, v = Sen2x, w = Cos2x:
a.- Demuestre que S = {u, v, w} no es una base para V.
b.- Determine una base para V.
5.6.4 Sea V el espacio vectorial de todas las funciones
continuas en el intervalo [-S; S]. Sea U el subconjunto de
V que consta de todas las funciones f que satisfacen las
tres
S
ecuaciones
S f (t )Sentdt
S f (t )dt
0,
S f (t )Costdt
0:
a.- Demostrar que U es un subespacio de V.

0,
b.- Demostrar que U contiene las funciones f(x) = Cosnx

y f(x) = Sennx para cada n = 2, 3, ...
c.- Demuestre que U es de dimensin infinita.
5.6.5 Sean f1 f k elementos de un espacio vectorial
V de funciones. Demustrense los siguientes enunciados:
a.- Si f1 = 0, entonces f1 f k son linealmente dependientes.
b.- Si se puede expresar f1 como combinacin lineal de
f2 f k, entonces f1 f k son linealmente dependientes.
c.- Si k t 2 y si f1 f k son linealmente dependientes,
entonces una de las funciones se puede expresar como
combinacin lineal de las dems.
d.- Si f1 f k son linealmente independientes y si h <
k, entonces f1f k son linealmente independientes.
e.- Si f1 f k constituyen una base de V, entonces f1,
f k son linealmente independientes.
f.- Si f1 f k son linealmente independientes y si c1f1
c k f k = a 1f1 a k f k, entonces c1 = a 1 c k =
a k.
JOE GARCIA ARCOS
250
5.6.6 Demuestre que si U es un subespacio de un

espacio vectorial V de dimensin finita, entonces la
dimensin de U es menor o igual que la dimensin de V.
5.6.7 Demustrese que Cosx, Cos2x, Cos3x son linealmente independientes y que, por lo tanto, forman una
base.
5.6.8 Sea V el conjunto de todas las funciones racionales de la forma
ax b
, x z 1, x z 2
( x 1)( x 2)
a.- Hgase ver que V es espacio vectorial de dimensin
2.
1
1
b.- Demustrese que g1 ( x)
, g 2 ( x)
estn
x 1
x2
en V, son linealmente independientes y forman una base
de V.
5.6.9 Sea V el conjunto de todas las funciones racionales de la forma
ax 2 bx c
, x z 0, x z 2, x z -2
x( x 2 4)
a.- Hgase ver que V es espacio vectorial de dimensin
3.
b.- Demustrese que
1
1
1
g1 ( x)
, g 2 ( x)
, g3 ( x )
x
x2
x2
estn en V, son linealmente independientes y forman una
base de V.
5.6.10 a.- Sea W el conjunto de los vectores de 5
tales que a 1 a 2 + a 3 = 0 y a 2 + a 4 + a 5 = 0. Determnese
una base de W. Encuntrese una base de 5 que sea
extensin de la base obtenida para W.
b.- Sea U el subespacio de los vectores de 5 tales que
2 a 1 a 2 + a 3 a 5 = 0 y a 1 + a 2 a 4 + 6 a 5 = 0. Determnese una base de U. Encuntrese una base de 5 que sea
extensin de la base obtenida para U.
c.- Hgase ver que Dim(U W) t 1.
d.- Encuntrese una base de U W.
5.6.11 Demuestre que el conjunto de las matrices triangulares de m x n constituye un espacio vectorial de
1
dimensin mn (m2 m) si m d n, y de dimensin
2
1 2
(n n) si n d m.
2
5.6.12 Determine una base del subespacio S de n y
determine la dimensin del subespacio:
a.- S consiste en todos los vectores (x, y, -y, -x) en 4;
b.- S consiste en todos los vectores (x, y, 2x, 3y) en 4;
c.- S consiste en todos los vectores del plano 2x y + z
= 0 en el espacio 3;
d.- S consiste en todos los vectores (x, y, -y, x y, z) en
5;
e.- S consiste en todos los vectores en 4 con la segunda componente cero;
f.- S consiste en todos los vectores (-x, x, y, 2y) en 4;
g.- S consiste en todos los vectores paralelos a la recta
y = 4x en 2;
h.- S consiste en todos los vectores del plano 4x + 2y
z = 0 en 3.
5.6.13 Sea {u, v, w} una base de un espacio vectorial V.
Demuestre que {x, y, z} tambin es una base, donde u = x,
y = u + v, z = u + v + w.
5.6.14 Sea W el espacio generado por f = Senx y
g = Cosx:
a.- Demuestre que para cualquier valor de T, f1 = Sen(x +
T) y g1 = Cos(x + T) son vectores en W.
b.- Demuestre que f1 y g1 forman una base para W.
5.6.15 En 3, todos los vectores de un plano 3 que
pasa por el origen forman un subespacio S de 3. Determine la dimensin de S para cualquier plano 3.
5.6.16 En 2, todos los vectores paralelos a una recta
dada L que pasa por el origen forman un subespacio S.
Determine la dimensin de S para cualquier recta L.
5.7 V E C T O R D E C O O RD E N A D AS. C A M BI O D E B ASE

En esta seccin se estudiar la relacin entre los coeficientes de una combinacin lineal con un vector de
coordenadas. Enunciaremos y demostraremos sus propiedades.
Anteriormente se ha considerado las propiedades generales de los espacios
vectoriales. Sin embargo, en las aplicaciones, adems de conocer las propiedades
generales, es importante saber definir los vectores en trminos de nmeros y poder
reducir las operaciones vectoriales a operaciones con nmeros. Este problema se
resuelve introduciendo las coordenadas de un espacio vectorial. Toda base de un
espacio vectorial V, cuyos vectores se toman en un orden determinado, se llamar
JOE GARCIA ARCOS
251
sistema de coordenadas de V. Por consiguiente, si B = {u1, u2, ..., un} es un sistema

de coordenadas de V, estos mismos vectores, pero tomados en otro orden,
representarn otro sistema de coordenadas de V.
Sea V un espacio vectorial n-dimensional y sea B = {u1, u2, ..., un} una base
de V. Defnase el vector de coordenadas de u respecto de la base B, el cual
se denota por >u@ B, como el vector >u@B = (a 1, a 2, ..., a n) n, en donde los
escalares a 1, a 2, ..., a n son tales que u = a1u1 + a2u2 + ... + anun.
Sean B 1 = {u1, u2, ..., un} y B 2 = {v1, v2, ..., vn} dos bases del espacio vectorial n
sobre el cuerpo K . Sea u un vector arbitrario del espacio vectorial. Nos proponemos
encontrar una relacin entre las coordenadas de u respecto de la primera y segunda
base respectivamente. Para poder establecer esta relacin se necesita conocer las
coordenadas de los vectores de una de las bases dadas respecto de la otra.
Supongamos conocidas las componentes de los vectores de la base B 1 respecto de la
base B 2.
u1 a11v1 a1 2 v2 a1 n vn
u2 a21v1 a2 2 v2 a2 n vn
(1)
u
n an 1v1 an 2 v2 an n vn
El vector u, respecto de la base B 2, se expresa de forma nica como u = a1u1 + a2u2 +
... + anun, por otro lado, al ser tambin B 1 una base, el vector u admite la siguiente
expresin:
u = b1u1 + b2u2 + ... + bnun
Por (1) se tiene:
u = b1(a11v1 + a12v2 + ... + a1nvn) + b2(a21v1 + a22v2 + ... + a2nvn) + ... + bn(an1v1 + an2v2
+ ... + annvn)
= (b1a11 + b2a21 + ... + bnan1)v1 + (b1a12 + b2a22 + ... + bnan2)v2 + ... + (b1a1n + b2a2n
+ ... + bnan n)vn
Luego
a1 b1 a11 b2 a21 bn a n1
a b a b a b a
2 1 12 2 22
n n2
an b1 a1n b2 a2 n bn ann
que son las ecuaciones que permiten relacionar las coordenadas de un mismo vector
respecto de las bases B 1 y B 2.
El concepto de espacio vectorial tiene dos facetas esencialmente diferentes. En
primer lugar, un espacio vectorial es un conjunto de ciertos entes que se denominan
vectores y, en segundo lugar, en un espacio vectorial actan las operaciones de
adicin y de multiplicacin por un nmero. Por esto, o bien podemos limitarnos a
estudiar qu es lo que representan los vectores y cules son la naturaleza y las
propiedades de los mismos, o bien podemos tomar otro punto de vista y estudiar las
propiedades de las operaciones indicadas independientemente de la naturaleza de los
elementos con los cuales se efectan estas operaciones. En lo sucesivo nos
interesarn solamente las propiedades del segundo gnero. Por ello, dos espacios de
la misma estructura respecto a las operaciones de adicin y de multiplicacin por
nmeros se considerar que tienen las mismas propiedades o que son isomorfos.
JOE GARCIA ARCOS
252
Dos espacios vectoriales U y V dados sobre un mismo cuerpo K se llaman
isomorfos, si se puede establecer tal correspondencia biyectiva entre sus
vectores que a la suma de cualesquiera dos vectores del primer espacio le
corresponda la suma de los vectores correspondientes del segundo espacio y
al producto de un escalar por un vector del primer espacio le corresponda el
producto de este mismo escalar por el vector correspondiente del segundo
espacio.
Toda correspondencia biyectiva que posee las propiedades indicadas se llama
isomorfismo.
T E O R E M A 5.7.1
En una correspondencia isomorfa el vector nulo corresponde al vector nulo.
Supongamos que en una aplicacin isomorfa de un espacio vectorial V sobre otro
espacio vectorial W el vector v de V corresponde al vector w de W. Entonces, segn
la definicin, el vector nulo del primer espacio debe transformarse en el vector nulo
del segundo espacio.
T E O R E M A 5.7.2
En una aplicacin isomorfa un sistema de generadores del primer espacio se
transforma en un sistema de generadores del segundo sistema.
Sean v1, v2, ..., vt unos generadores del espacio V y sean w1, w2, ..., wt los vectores
que les corresponden en el espacio W. Tomemos en W un vector arbitrario w y
consideremos el vector v de V. Por hiptesis, el vector v puede ser representado en la
forma v = a1v1 + a2v2 + ... + atvt.
Segn la definicin, la suma a 1v1 + a2v2 + ... + a tvt, debe transformarse en la suma
a1w1 + a2w2 + ... + atwt y, por consiguiente, el vector w debe coincidir con la suma
a1w1 + a2w2 + ... + atwt, es decir, los vectores w1, w2, ..., wt constituyen un sistema de
generadores del espacio W.
T E O R E M A 5.7.3
A un sistema linealmente independiente de vectores le corresponde de
nuevo un sistema linealmente independiente.
Supongamos que los vectores linealmente independientes v1, v2, ..., vm del espacio V
se transforman en los vectores w1, w2, ..., wm del espacio W. Supongamos que entre
los ltimos existe una relacin de tipo
b1w1 + b2w2 + ... + bmwm = .
Segn la definicin, al primer miembro de esta igualdad corresponde en el espacio V
el vector
b1v1 + b2v2 + ... + bmvm
y al vector nulo corresponde en el espacio V el vector nulo . Por consiguiente
b1v1 + b2v2 + ... + bmvm = .
Puesto que los vectores v1, v2, ..., vm son linealmente independientes se tiene
b1 = b2 = ... = bm = 0,
es decir, los vectores w1, w2, ..., wm son linealmente independientes.
De estos teoremas se deduce directamente que en un isomorfismo una base de un
espacio vectorial se transforma de nuevo en una base de un espacio vectorial y, por
consiguiente, los espacios vectoriales isomorfos tienen la misma dimensin. La
afirmacin recproca es tambin vlida: si dos espacios vectoriales sobre un mismo
cuerpo de coeficientes tienen la misma dimensin, son isomorfos.
JOE GARCIA ARCOS
253
EJ E M P L O 5.7.1
Considere el conjunto de vectores en 3, B = {(3, 1, 2), (-1, 0, 2), (4, 3, 5)}:
a.- Demuestre que B es una base de 3;
b.- Encuentre (3, 4, 6) en B;
c.- Para un vector cualquiera u 3, encuentre u en B.
SO L U C I O N
Es fcil verificar que los vectores {(3, 1, 2), (-1, 0, 2), (4, 3, 5)} forman una base de
3. Es decir, debemos aprovechar que podemos calcular el determinante del sistema
de vectores
3 1 4
1 0 3 z0
2 2 5
como el determinante es diferente de cero, podemos concluir que el sistema B es
linealmente independiente y por lo tanto es una base. Aprovechando las operaciones
elementales que se pueden realizar sobre matrices para resolver sistemas de
ecuaciones, podemos evaluar los puntos b) y c) inmediatamente, es decir:
3 1 4 3 a 3 1 4
3
a
1 0 3 4 b | 0 1 5 4 a 3b
2 2 5 6 c 0 8 7 12 2 a 3c

3a
0 0 48 18 a 39b 9c
33

a 3b | 0 11 0
1
a 7b 5 c
2 a 8b 3c 0
0 11
20
2 a 8b c
16
1
20
De esta manera tenemos que O1 , O 2
y O3
, con lo que podemos
11
11
11
decir que
16
1 20
>(3, 4, 6)@B , ,
11 11 11
1
6a 13b 3c, a 7b 5c, 2a 8b c .
>(3, 4, 6)@B
11
3 0 9
0 1 5
0 0 11
12
9
20
EJ E M P L O 5.7.2
En 3 considere las dos bases
B 1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B 2 = {(2, 1, 2), (1, 0, 3), (-1, 4, -2)}:
a.- Encuentre [(1,1, 3)]B1 ;
b.- Encuentre [(1,1, 3)]B 2 ;
c.- Encuentre la matriz de cambio de base de B 1 a B 2;
d.- Encuentre la matriz de cambio de base de B 2 a B 1;
e.- Obtenga los resultados de los incisos a) y b) use las matrices obtenidas en los
incisos c) y d).
SO L U C I O N
a.- (1, 1, 3) = a 1(1, 1, 1) + a 2(1, 1, 0) + a 3(1, 0, 0)
(1, 1, 3) = 3(1, 1, 1) 2(1, 1, 0) + 0(1, 0, 0)
[(1,1, 3)]B1 = (3, -2, 0)T.
b.- (1, 1, 3) = b1(2, 1, 2) + b2(1, 0, 3) + b3(-1, 4, -2)
(1, 1, 3) = 1/17(2, 1, 2) + 10/17(1, 0, 3) + 4/17(-1, 4, -2)
[(1,1, 3)]B 2 = (1/17, 19/17, 4/17)T.
2 1 1
c.- 1 0 4
2 3 2
1
1
1
1
1
0
1 2 1 1 1

0 | 0 1 9 1
0 0 2 1 0
1 1
1 1
1 1
JOE GARCIA ARCOS
254
2 0 8
0 1 9
0 0 17
2
1
2
2
1
1
P B 2
1 1 1
d.- 1 1 0
1 0 0
0
0
2
1
2
e.- [(1,1, 3)]B1
1 1 1

4 | 0 0
2 0 1
2
1 1
1 1 4
0 2
1
1
0
3
1 1
1 2
1 1
1 0 0
0 1 0
0 0 1
0 1 0 0

1 | 0 1 0
3 0 0 1
13
9
17
17
1
8
B1

17
17
1
2
17
17
2
1
1
3
3
1
1
1
1
2
1
0
9 /17
1/17
2 /17
13 /17
8 /17
1/17
12 /17
10 /17
3 /17
12
17
10

17
3

17
1
1
2
1
5
1
1 0 1
| 0 1 2
0 0 1
1
1
1
2
1
1
3
4
5
2
2 3 2
6 P B1 B 2 1 3 6
1 1 5
5
P B1 B 2 [(1,1, 3)]B 2 = (3, -2, 0)T
[(1,1, 3)]B 2
P B 2 B1 [(1,1, 3)]B1 = (1/17, 19/17, 4/17)T.
PR O B L E M AS
5.7.1 En 2 considere las dos bases
B 1 = {1 - t t2, - 1 2t2, t + 2t2}
y
B 2 = {3 + 6t2, 2 + t + 6t2, t2}:
a.- Encuentre [1 t t 2 ]B1 ;
b.- Encuentre [1 t t 2 ]B 2 ;
e.- Obtenga los resultados de los incisos a) y b) use las
matrices obtenidas en los incisos c) y d).
5.7.2 Sea P la matriz de transicin de B 2 a B 1 y sea Q la
matriz de transicin de B 1 a B 2. Cul es la matriz de
transicin de B 2 a B 1?
5.7.3 En C 3 considere las dos bases
B 1 = {(1 + i, 2 i, 1), (3 + 2i, 4 4i, 1), (i, 2, -i)}
y
B 2 = {(1, i, 1 + i), (1, i, -i), (2i, 1, 1 i)}:
a.- Encuentre [(2i , 3,1 i )]B1 ;
b.- Encuentre [(2i , 3,1 i )]B 2 ;

5.7.4 En :(2 x 2) considere las dos bases
1 1 1 1 1 0 0 1
B 1 =
,
,
,
1

1

1
1
1
0
2
0
y
1 1 1 1 1 1 1 0
B 2 =
,
,
,
:
1
1
1
0
0
0
0
0
1 2
a.- Encuentre
;
7 4 B1
1 2
b.- Encuentre
;
7 4 B 2
5.7.4 Sea P la matriz de transicin de B 2 a B 1, y sea Q

matriz de transicin de B 1 a B. Cul es la matriz de
transicin de B a B 2?
JOE GARCIA ARCOS
255
5.8.1 Todos los polinomios de grado 3 que poseen coeficientes reales forman un espacio vectorial.
5.8.2 Las matrices antisimtricas no forman un subespacio vectorial de todas las matrices cuadradas de n x n.
5.8.3 Todos los vectores de n, que tienen iguales la
primera y ltima coordenada forman un subespacio vectorial.
5.8.4 Tres vectores no coplanares u, v y w, son linealmente dependientes.
5.8.5 Un sistema de vectores que contiene dos vectores
iguales es linealmente dependiente.
5.8.6 Un sistema de vectores cuyos dos vectores se
diferencian por un factor escalar es linealmente independiente.
5.8.7 Un sistema de vectores que contiene al vector
nulo es linealmente dependiente.
5.8.8 Si una parte del sistema de vectores es linealmente
dependiente, entonces todo el sistema tambin es linealmente dependiente.
5.8.9 Cualquier parte de un sistema de vectores linealmente independiente es por s misma linealmente dependiente.
5.8.10 Si tres vectores u1, u2 y u3 son linealmente dependientes y el vector u3 no se expresa linealmente a
travs de los vectores u1 y u2, entonces estos ltimos se
diferencian entre s slo por un factor numrico.
5.8.11 Sean S, U y W subespacios vectoriales de V.
Entonces S ser la suma directa de U y W cuando y slo
cuando S est contenido en U y W.
5.8.12 Si los vectores u1, u2, ..., uk son linealmente dependientes, y los vectores u1, u2, ..., uk, u son linealmente
independientes, entonces el vector u se expresa linealmente a travs de los vectores u1, u2, ..., uk.
5.8.13 Si la dimensin de la suma de dos subespacios
vectoriales del espacio V supera la dimensin de su interseccin en una unidad, la suma coincide con uno de
esos subespacios y la interseccin con el otro.
5.8.14 Si un sistema de vectores dado, posee el rango

r, entonces cualesquiera r vectores linealmente independientes forman la base de este sistema.
5.8.15 Cualquier subsistema linealmente dependiente
de un sistema dado puede completarse hasta la base de
ese sistema.
5.8.16 Suponga que el subespacio vectorial W contiene
el subespacio vectorial U. Entonces la dimensin de U
no supera a la de W, con la particularidad de que las
dimensiones son iguales entre s cuando, y slo cuando,
U = W.
5.8.17 La suma S = U + W de dos subespacios vectoriales de V es igual a la interseccin de todos los subespacios vectoriales de V que contienen tanto U, como
tambin W.
5.8.18 La suma U + W de los subespacios vectoriales U
y W ser suma directa cuando, y slo cuando, todos los
vectores u U + W se representen de forma nica como u = ui + vj, donde ui U y vj W.
5.8.19 Suponga que el subespacio vectorial S es la
suma directa de los subespacios vectoriales U y W.
Entonces la dimensin de S es igual a la suma de las
dimensiones de U y W con la particularidad de que
cualesquiera bases de U y W dan juntas la base de S.
5.8.20 Para cualquier subespacio vectorial U del espacio V puede hallarse otro subespacio W, tal que todo el
espacio V sea la suma directa de U y W.
5.8.21 Si los vectores u1, u2, ..., uk se expresan linealmente a travs de los vectores v1, v2, ..., vr, el rango del primer
sistema no supera el del segundo.
5.8.22 Si el vector u se expresa linealmente mediante
los vectores u1, u2, ..., uk, el rango del ltimo sistema de
vectores no vara, aadindole el vector u.
5.8.23 Todas las bases de un sistema de vectores dado,
contienen la misma cantidad de vectores.
5.8.24 Si los vectores u1, u2, ..., um son linealmente independientes y se expresan linealmente a travs de los
vectores v1, v2, ..., vn, entonces m d n.
JOE GARCIA ARCOS
O BJE T I V O
Resolver problemas relacionados con los espacios eucldeos y hermticos, utilizando matrices, determinantes,
rango e inversa y sistemas de ecuaciones lineales, en situaciones reales, propias de la ingeniera.
C O N T E NI D O :
6.1
6.2
6.3
6.4
6.5
6.6
ESPACIOS EUCLIDEOS
ESPACIOS HERMITICOS
NORMA, DISTANCIA Y ANGULO ENTRE VECTORES
BASES ORTOGONALES Y ORTONORMALES
SUBESPACIO COMPLEMENTO ORTOGONAL, PROYECCIONES ORTOGONALES
Y DISTANCIA A UN SUBESPACIO
CUESTIONARIO
6.1 ESP A C I OS E U C L I D E OS
En esta seccin se usarn como axiomas las propiedades ms importantes del producto interior euclidiano para
definir el concepto general de producto interior; luego se demostrar cmo los productos interiores se pueden
utilizar para definir la desigualdad de Cauchy Schwartz, la ortogonalidad, paralelismo y proyecciones entre
vectores.

Los espacios vectoriales que se estudiaron en el captulo anterior resultan ser, en

determinado sentido, ms pobres en conceptos y propiedades que nuestro espacio
corriente. En la teora general de los espacios vectoriales no han quedado reflejados
conceptos como la longitud de un segmento, la magnitud del ngulo y el producto
interior que desempean un papel muy importante en la geometra. Por esto, si
queremos que la teora general abarque todas las propiedades ms esenciales del
espacio corriente, debemos introducir, adems de las operaciones de adicin de
vectores y de multiplicacin de los mismos por escalares, la operacin producto
interior.
En este captulo se estudiarn precisamente las propiedades de los vectores
pertenecientes a espacios vectoriales provistos del producto interior. El cuerpo
principal es de carcter muy especial: es el cuerpo de los nmeros reales en el caso
de espacios eucldeos y es el cuerpo de los nmeros complejos en el caso de espacios
hermticos.
Tomemos en el espacio vectorial V un sistema de coordenadas formado por k
cualesquiera vectores {e1, e2, ..., ek}, perpendiculares dos a dos, de longitud 1.
Entonces todo vector u admite una representacin nica de la forma u = a1e1 + a2e2 +
... + a kek donde a1, a2, ..., a k son las longitudes de las proyecciones del vector u sobre
258
ESPACIOS EUCLIDEOS Y HERMITICOS
los ejes coordenados, tomados con signo adecuado. Si v = b1e1 + b2e2 + ... + bkek es
otro vector cualquiera, resulta entonces que el producto interior es
u v = a1b1 + a2b2 + ... + a kbk.
El espacio vectorial V es real. Esto se expresa en que las proyecciones, las longitudes
y los productos interiores de los vectores son nmeros reales.
Si dos vectores u y v estn dados mediante sus coordenadas rectangulares
cartesianas, entonces el producto interior cannico de estos vectores es
igual a la suma de los productos, realizados dos a dos, de las coordenadas
correspondientes.
Ntese que el producto interior no define la multiplicacin de vectores en el sentido
ordinario, es decir, el producto interior de dos vectores no es un vector sino un
nmero real.
EJ E M P L O 6.1.1
Formando el producto interior de los vectores ( CosT, SenM) y ( CosM, SenT), deducir
la identidad trigonomtrica Cos(T - M) = CosT CosM + SenTSenM.
SO L U C I O N
Dado que u = ( CosT, SenM) y v = ( CosM, SenT), entonces realizando el producto
interior entre estos dos vectores, obtenemos:
u v = ( CosT, SenM) ( CosM, SenT)
= CosT CosM + SenMSenT = Cos(T - M).
De esta manera hemos demostrado que Cos(T - M) = CosT CosM + SenMSenT.
EJ E M P L O 6.1.2
Calcular u v, siendo u = 2 i 4 j + k y v
0 (te
2t
i tCosh2tj 2te 2t k ) dt .
SO L U C I O N
Integrando v, obtenemos:
0 (te
2t
i tCosh2tj 2te 2t k ) dt
i te 2t dt j tCosh2t dt k 2te 2t dt

1 2
1
1
(e 1)i (e 2 3e 2 2) j (1 3e 2 ) k .
4
8
2
Realizando el producto interior entre estos dos vectores, obtenemos:
1
1
1
f g 2i 4 j k (e 2 1)i (e 2 3e 2 2) j (1 3e 2 ) k
4
8
2
1 2
1
1
(e 1) (e 2 3e 2 2) (1 3e 2 ) 0 .
2
2
2
E J E M P L O 6.1.3
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
k k
f g f g .
k 0 n n
Calcular f g cuando f(t) = t y g(t) = at + b.
SO L U C I O N
k
Haciendo que t
, entonces:
n
JOE GARCIA ARCOS
259
1
t 0
t 0
f (t ) g (t ) t ( at b)
f g
a b .
EJ E M P L O 6.1.4
Encuentre la funcin producto interior f g en el espacio V, del conjunto de todas
las funciones de valor real continuas en C([-S, S]), en donde
f g
S f ( x) g ( x)dx :
a.- f(x) = Cosx, g(x) = x; b.- f(x) = ex, g(x) = Senx + Cosx;
c.- f(x) = Cos4x, g(x) = Senx; d.- f(x) = ex, g(x) = 1 ex.
SO L U C I O N
S
a.- f g
S xCosxdx
b.- f g
S e
c.- f g
S
0;
S
(Senx Cosx)dx e x Senx
e2x
d.- f g (1 e )e dx e
S
2
x
0;
S
Cos3x Cos5 x

6
10
Cos 4 xSenx dx
S
S
Cosx xSenx
0;
S
1 2 e S 2 e 3S e 4 S
2e 2 S
S
E J E M P L O 6.1.5
las funciones de valor real, definidas en C([0, 1]), en donde
1
f g
a.- f ( x) Sen
Sx
Sx
, g ( x) Cos ;
2
2
f ( x) g ( x)dx :
b.- f ( x)
1
, g ( x)
2
x -
1
1
- x .
2
2
SO L U C I O N
a.- f g
b.- f g
Sen
Sx
Sx
CosSx
Cos dx
2
2
2S
1 1
1
x x dx
2 2
2
1
;
S
(2 x 1) 2 x 1
16
(2 x 1)3

24
1
.
24
E J E M P L O 6.1.6
Encontrar f g para cada uno de los siguientes pares de funciones en C([0, 1])
cuando la funcin producto interior est definida con respecto a la funcin peso
h(x) = ex; por
1
f g
a.- f ( x) 1 2 x , g ( x) e x ;
c.- f ( x) Cos
SO L U C I O N
a.- f g
b.- f g
b.- f ( x) e
S
2 Sen
Sx
, g ( x) 1 .
2
0 (1 2x)e
1
f ( x) g ( x)h( x)dx :
e 2 Sen
x x
e dx
S
0 (1 2 x)dx
Sx 2
3Sx x
e Sen
e dx
2
2
x x2
1
0 Sen

Sx
3Sx
, g ( x) e 2 Sen
;
2
2
1
0
0;
Sx
3Sx
Sen
dx
2
2
JOE GARCIA ARCOS
260
SenSx Sen2Sx

2S
4S
c.- f g
1 x
0 e
Cos
Sx
dx
2
0;
0
Sx
Sx
2 2 Cos SSen e x
2
2
S2 4
2Se 4
S2 4
E J E M P L O 6.1.7
las funciones de valor real continuas en C([-S, S]), en donde
f g
S f ( x) g ( x)dx :
a.- f(x) = Senmx, g(x) = Sennx, m, n Z+;

b.- f(x) = Senmx, g(x) = Cosnx, m, n Z+;
c.- f(x) = Cosmx, g(x) = Cosnx, m, n Z+.
SO L U C I O N
a.- f g
S
SenmxSennx dx
Sen(m n) x Sen(m n) x

2(m n)
2(m n)
S
S
Sen(m n)S Sen(m n)S

;
mn
mn
b.- f g
c.- f g
S
S
S
SenmxCosnx dx
CosmxCosnx dx
Cos(m n) x Cos (m n) x

2(n m)
2(m n)
Sen(m n) x Sen(m n) x

2(m n)
2(m n)
0;
S
S
S
Sen(m n)S Sen(m n)S

.
mn
mn
% CALCULO DEL PRODUCTO INTERIOR
clc;clear;
fprintf('\n PRODUCTO INTERIOR \n')
col=input('Ingrese la dimension de los vectores : ');
%for f=1:col
for c=1:col
u(1,c)=input(' :');
end
fprintf('\n El VECTOR u es:\n')
u
fprintf(' Ingrese el vector v \n')
%for f=1:col
for c=1:col
v(1,c)=input(' :');
end
fprintf('\n El VECTOR v es:\n')
v
end
fprintf('EL PRODUCTO INTERIOR ES:\n')
u*v'
JOE GARCIA ARCOS
261
Dado (V, , +, ) un espacio vectorial definido sobre los reales. Un
producto interior en V es una funcin : V x V o , que a cada par
de vectores u, v en V le asocia un nmero real de forma tal que
satisface los siguientes axiomas:
1.- Para todo vector u de V, entonces se cumple la positividad:
u u > 0 cuando u z y = 0.
2.- Para todo par de vectores u, v de V, se cumple la conmutatividad:
u v = v u.
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
ku v = ku v.
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
u (v + w) = u v + u w.
T E O R E M A 6.1.1
Para todo tro de vectores u, v, w de n se cumple
(u + v) w = u w + v w.
(u + v) w = w (u + v) axioma 2
= w u + w v axioma 4
= u w + v w axioma 2
T E O R E M A 6.1.2
Para todo par de vectores u, v de n y para todo escalar real k se cumple
u kv = k u v.
u kv = kv u axioma 2
= kv u axioma 3
= k u v axioma 2
T E O R E M A 6.1.3
Para todo u, de n, entonces u = 0.
u = u u - u
= u u - u u
= 0.
axioma 4
EJ E M P L O 6.1.8
Determine cules de las siguientes funciones : 2 x 2 o son funciones
producto interior en el espacio vectorial 2:
a.- u v = a1b1 a2b1 a1b2 + 2a2b2; b.- u v = a1b1 a2b1 + a1b2 - a2b2;
c.- u v = 2a1b1 + 2a2b2;
d.- u v = a1b1 a2b1 + a1b2 + 2a2b2.
SO L U C I O N
a.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- u u a1a1 a2 a1 a1a2 2a2 a2 a12 2a1a2 2a22 (a1 a2 )2 a2 t 0 ;
2.- ku v
ka1b1 ka2b1 ka1b2 2ka2b2 k (a1b1 a2b1 a1b2 2a2b2 ) k u v ;

3.- u v a1b1 a2b1 a1b2 2a2b2 b1a1 b2 a1 b1a2 2b2 a2 v u ;
4.- u v w ( a1 b1 )c1 (a2 b2 )c1 (a1 b1 )c2 2(a2 b2 )c2
a1c1 b1c1 a2 c1 b2 c1 a1c2 b1c2 2a2 c2 2b2 c2
( a1c1 a2 c1 a1c2 2a2 c2 ) (b1c1 b2 c1 b1c2 2b2 c2 )
u w v w .
JOE GARCIA ARCOS
262
b.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:

1.- u u a1a1 a2 a1 a1a2 a2 a2 a12 a22 .
De esto se concluye que a12 a22 no necesariamente es mayor que cero.
2.- ku v ka1b1 ka2b1 ka1b2 ka2b2 k (a1b1 a2b1 a1b2 a2b2 ) k u v ;
3.- u v a1b1 a2b1 a1b2 a2b2 b1a1 b2 a1 b1a2 b2 a2 z v u ;
4.- u v w ( a1 b1 )c1 (a2 b2 )c1 (a1 b1 )c2 (a2 b2 )c2
a1c1 b1c1 a2 c1 b2 c1 a1c2 b1c2 a2 c2 b2 c2

( a1c1 a2 c1 a1c2 a2 c2 ) (b1c1 b2 c1 b1c2 b2 c2 )
u w v w .
Como no se cumple la primera y tercera propiedad, entonces no es producto interior.
c.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- u u 2a1a1 2a2 a2 2a12 2a22 t 0 ;
2.- ku v 2ka1b1 2ka2b2 k (2a1b1 2a2b2 ) k u v ;
3.- u v 2a1b1 2a2b2 2b1a1 2b2 a2 v u ;
4.- u v w 2( a1 b1 )c1 2( a2 b2 )c2 2a1c1 2b1c1 2a2 c2 2b2 c2
(2a1c1 2a2 c2 ) (2b1c1 2b2 c2 ) u w v w .
d.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- u u = (a1, a2) (a1, a2) = a1a1 a2a1 + a1a2 + 2a2a2 = a1a1 + 2a2a2 t 0
3.- u v = (a1, a2) (b1, b2) = a1b1 a2b1 + a1b2 + 2a2b2
v u = (b1, b2) (a1, a2) = b1a1 b2a1 + b1a2 + 2b2a2
Por lo tanto u v z v u. Como la tercera propiedad no se cumple, entonces u v
no es un producto interior.
EJ E M P L O 6.1.9
Determine cules de las siguientes funciones : C[-1,1] x C[-1,1] o son
productos interiores en el espacio vectorial C([-1,1]):
1
a.- f g
1 f ( x) g ( x) dx ;
c.- f g
1 (1
x 2 ) f ( x) g ( x)dx ;
b.- f g
1 x
d.- f g
1 xf ( x) g ( x)dx .
f ( x) g ( x)dx ;
SO L U C I O N
a.- Para verificar si f g define un producto interior, debemos demostrar los
axiomas de la definicin:
1.- Esta propiedad requiere un poco de atencin. Dado que f 2(x) t 0 para toda x, se
tiene
f f
1 f
( x) dx t 0
f f
1 f
( x) dx 0
con
s y slo si f es la funcin cero en C[-1; 1].
2.- f g
1 f ( x) g ( x) dx 1 g ( x) f ( x) dx
3.- Df g
4.- f g h
1 Df ( x) g ( x) dx
1
1
g f .
f ( x) g ( x) dx D f g .
1
1 f ( x)[ g h]( x) dx 1[ f ( x) g ( x) f ( x)h( x)] dx

1
1 f ( x) g ( x) dx 1 f ( x)h( x) dx
f g f h .
Como se cumplen los axiomas de la definicin, podemos decir que f g es un

JOE GARCIA ARCOS
263
producto interior.
b.- Para verificar si f g define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atencin. Dado que x2f 2(x) t 0 para toda x,
se tiene
1
dx t 0
dx 0
f f
1 ( xf ( x))
f f
1 ( xf ( x))
con
2.- f g
1 x
f ( x) g ( x) dx
1 Dx
3.- Df g
g ( x) f ( x) dx g f .
1
f ( x) g ( x) dx D x 2 f ( x) g ( x) dx D f g .
1
f ( x)[ g h]( x) dx
f ( x) g ( x) dx x 2 f ( x)h( x) dx f g f h .
1 x
4.- f g h
1 x
1 x
1 x [ f ( x) g ( x) f ( x)h( x)] dx
2
1

producto interior.
c.- Para verificar si f g define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atencin. Dado que (1 x2)f 2(x) t 0 para
toda x, se tiene
1
) f 2 ( x) dx t 0
) f 2 ( x) dx 0
f f
1 (1 x
f f
1 (1 x
con
2.- f g
1 (1 x
3.- Df g
4.- f g h
) f ( x) g ( x) dx
1 D(1 x
1 (1 x
) g ( x) f ( x) dx g f .
) f ( x) g ( x) dx D (1 x 2 ) f ( x) g ( x) dx D f g .
1
) f ( x)[ g h]( x) dx
) f ( x) g ( x) dx (1 x 2 ) f ( x)h( x) dx f g f h .
1 (1 x
1 (1 x
1 (1 x
)[ f ( x) g ( x) f ( x)h( x)] dx
1

producto interior.
d.- Para verificar si f g define un producto interior, debemos demostrar los
1.- Esta propiedad requiere un poco de atencin. Dado que xf 2(x) t 0 para toda x, se
tiene
f f
1 x f
( x) dx 0
con lo que no se cumple esta propiedad. Por lo tanto podemos decir que f g no es
un producto interior.
EJ E M P L O 6.1.10
Determine cules de las siguientes funciones : :(n, n) x :(n, n) o son
productos internos en el espacio vectorial ::
JOE GARCIA ARCOS
264
a.- AB = Det(A B); b.- AB = Tr(A B);

c.- AB = Tr(A T B); d.- AB = Tr(A B T).
SO L U C I O N
a.- Sean A, B y C matrices de n x n, entonces:
1.- A A = Det(A A) = Det(A)Det(A) t 0;
2.- k A B = Det(k A B) = knDet(A B) z kDet(A B);
3.- A B = Det(A B) = Det(B A) = B A;
4.- A + B C = Det((A + B)C) = Det(A C + B C) z Det(A C) + Det(B C).
Por tanto, se puede concluir que A B no es un producto interior.
b.- Sean A, B y C matrices de n x n, entonces:
1.- A A = Tr(A A) = Tr(A 2) t 0;
2.- k A B = Tr(k A B) = kTr(A B) = kA B;
3.- A B = Tr(A B) = Tr(B A) = B A;
4.- A + B C = Tr((A + B)C) = Tr(A C + B C) = Tr(A C) + Tr(B C)
= A C + B C.
Por tanto, se puede concluir que A B es un producto interior.
c.- Sean A, B y C matrices de n x n, entonces:
1.- A A = Tr(A T A) t 0;
2.- k A B = Tr((k A)T B) = Tr(k A T B) = kTr(A T B) = kA B;
3.- A B = Tr(A T B) = Tr(A T B)T = Tr(B T A) = B A;
4.- A + B C = Tr((A + B)T C) = Tr(A T C + B T C) = Tr(A T C) + Tr(B T C)
= A C + B C.
d.- Sean A, B y C matrices de n x n, entonces:
1.- A A = Tr(A A T) t 0;
2.- k A B = Tr(k A B T) = kTr(A B T) = kA B;
3.- A B = Tr(A B T) = Tr(A B T)T = Tr(B A T) = Tr(A T B) = B A;
4.- A (B + C) = Tr(A(B + C)T) = Tr(A B T + A C T) = Tr(A B T) + Tr(A C T)
= A B + A C.
Un espacio vectorial real ( V, R, +, ) se denomina espacio vectorial
eucldeo, si a todo par de vectores, u, v de V se le ha puesto en
correspondencia un nmero real , llamado producto
interior, considerndose cumplidos los siguientes axiomas:
u u > 0 cuando u z y = 0.
u v = v u.
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
ku v = ku v.
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
u (v + w) = u v + u w.
EJ E M P L O 6.1.11
Se da un espacio vectorial cuyos vectores son todos los sistemas posibles
compuestos por 3 nmeros positivos:
u = (a1, a2, a3), v = (b1, b2, b3), w = (c1, c2, c3), ....
La adicin de los vectores y la multiplicacin de un vector por un nmero estn
definidas por las igualdades
u + v = (a1b1, a2b2, a3b3), ku

ak , ak , ak .
1
JOE GARCIA ARCOS
265
Se puede hacer eucldeo este espacio al definir la funcin producto interno por la
igualdad
u v = lna1lnb1 + lna2lnb2 + lna3lnb3?
SO L U C I O N
Vamos a comprobar el cumplimiento de los axiomas de los espacios eucldeos:
1.- u u = ln2a1 + ln2a2 + ln2a3 t 0.
2.- u v = lna1lnb1 + lna2lnb2 + lna3lnb3
u v = lnb1lna1 + lnb2lna2 + lnb3lna3
Es decir, u v = v u.
3.- ku v = lna k1lnb1 + lna k2lnb2 + lna k3lnb3 = klna1lnb1 + klna2lnb2 + klna3lnb3
= k(lna1lnb1 + lna2lnb2 + lna3lnb3) = ku v.
4.- u (v + w) = lna1ln(b1c1) + lna2ln(b2c2) + lna3ln(b3c3)
= lna1lnb1 + lna1lnc1 + lna2lnb2 + lna2lnc2 + lna3lnb3 + lna3lnc3
= lna1lnb1 + lna2lnb2 + lna3lnb3 + lna1lnc1 + lna2lnc2 + lna3lnc3
= u v + u w.
Por cumplirse todos los axiomas de la definicin, el espacio que se considera es
eucldeo.
EJ E M P L O 6.1.12
Es el conjunto de todos los vectores geomtricos un espacio eucldeo si el producto
interior de dos vectores se define como el producto de sus longitudes?
SO L U C I O N
El producto interior tiene la forma siguiente: u v u v , siendo u, v, w tres
vectores geomtricos. Por tanto debemos probar los siguientes axiomas:
1.- u u
2.- ku v
3.- u v
ku
u
4.- u v w
k u
uv
v zk u
v ;
v u ;
w d ( u v ) w z u w v w .
Como no se cumplen los axiomas segundo y cuarto, no es espacio eucldeo.

T E O R E M A 6.1.4
Dado (V, ) un espacio vectorial eucldeo, entonces para cualesquiera par
de vectores, de V es vlida la desigualdad de Cauchy - Schwartz:
~u v~2 d u u v v.
La desigualdad de Cauchy - Schwartz se convierte en una igualdad si, y
slo si, los vectores, son colineales.
El teorema tiene lugar, a ciencia cierta, si v = , por lo cual convengamos en
considerar que v z . Examinemos un vector u av, donde a es un nmero real
arbitrario. Tenemos
u - av u - av t 0
u u - au v - av u + a2v v t 0
u u - 2au v + a2v v t 0
En el primer miembro de la desigualdad figura un producto interior de vectores
iguales. Por esta razn el trinomio de segundo grado es no negativo, cualquiera que
uv
sea a, en particular, para a
. De este modo,
vv
uv
uv
u u 2
uv
vv
vv
2
2
vv t 0
JOE GARCIA ARCOS
266
u u 2
u u
uv
vv
uv
vv
vv
t 0 u u vv u v
uv
vv
t0
vv t 0
uv
d u u vv .
EJ E M P L O 6.1.13
Verifique que la funcin : :(n, n) x :(n, n) o definida por A B =
Tr(A B T), en el espacio vectorial :(n, n), cumple la desigualdad de Cauchy Schwartz.
SO L U C I O N
Debemos comprobar que se cumple~A B~2 d A A B B. Es decir:
~Tr(A B T)~2 d Tr(A A T)Tr(BB T)
2
n
n
n
n
n
n 2
2
2
2
a1i b1i ... ani bni d a1i ... ani b1i ... bni
i 1
i 1
i 1
i 1
i 1
i 1
n n
n n
n n
a ji b ji d a 2ji b2ji .
j 1i 1
j 1 i 1 j 1 i 1
Por lo tanto podemos observar que se cumple la desigualdad.
En un espacio vectorial eucldeo V se dice que un vector u es ortogonal a
otro vector v, representado por u A v, si u v = 0, siendo u y v vectores
no nulos.
Dos vectores u y v de un espacio eucldeo V distintos de cero son paralelos,
y se nota u v, si uno es mltiplo escalar del otro. Si u = kv con k > 0,
entonces u y v tienen la misma direccin; si k < 0, entonces u y v tienen
direccin opuesta.
Por analoga con los segmentos dirigidos, llamemos colineales dos vectores u y v de
cualquier espacio vectorial, si o bien u = av o bien v = bu para ciertos escalares a y b.
En virtud de la igualdad = 0u concluimos que los vectores u y v son colineales, a
ciencia cierta, si por lo menos uno de ellos es nulo.
T E O R E M A 6.1.5
La desigualdad |u v|2 d u uv v se convierte en una igualdad si, y slo
si, los vectores u y v son colineales.
Supongamos que los vectores u y v son colineales, entonces u = av. Hallamos
u v2 = av v2 = a2v v2
u uv v = av avv v = a2v v2
La comparacin de estas igualdades muestra que la afirmacin tiene lugar.
Supongamos ahora que para los vectores u y v se verifica la igualdad
u v2 = u uv v
Si v = , los vectores son colineales. Sin embargo, si v z , entonces, al tomar
u v
a=
y teniendo presente la ecuacin anterior, obtenemos u - av u - av = 0.
vv
En vista del axioma 1 de la definicin, esto significa que u av = , o bien u = av,
es decir, los vectores u y v son colineales.
JOE GARCIA ARCOS
267
En muchas aplicaciones se desea descomponer un vector u en una adicin de dos

sumandos, uno paralelo a un vector especfico diferente de cero v y el otro
perpendicular a v. Si u y v se colocan de modo que sus puntos iniciales coincidan en
un punto Q, entonces es posible descomponer el vector u como sigue: Trazar una
perpendicular desde la punta de u hasta la recta que pasa por v, y obtener el vector w
que va de Q al pie de esta perpendicular. Luego, forma la diferencia u w
Como se puede ver en la figura, el vector w es paralelo a v, el vector u v es
perpendicular a v, y w + (u w) = u.
El vector w se denomina proyeccin ortogonal de u sobre v, o algunas veces se le

conoce como, componente vectorial de u a lo largo de v. Se denotar por Pr oyv u .
El vector u w se denomina componente vectorial de u ortogonal a v. Como se tiene
u w, este vector se puede escribir como u w u Pr oyv u .
Sean w Pr oyv u y u w u Pr oyv u . Como w es paralelo a v, debe ser un
mltiplo escalar de v, de modo que se puede escribir en la forma w = Ov. As
u = w + (u w) = Ov + u w
Tomando el producto interior en ambos miembros de esta ecuacin con v, se obtiene
u v Ov u w v O v
u w v
Pero u - w v = 0, ya que u w es perpendicular a v; de modo que se produce

u v
O
2
v
Como Pr oyv u w Ov , se obtiene
Pr oyv u
u v
u v
v
v v
Sean u y v vectores de un espacio eucldeo V, de modo que v z .
Entonces, la proyeccin perpendicular de u sobre v est definida por
u v
Pr oyv u
v.
v v
E J E M P L O 6.1.14
Determine la proyeccin ortogonal de f(x) = 2 + 3x2 sobre g(x) = 1 + 3x x2.
SO L U C I O N
Si f(x) = a0 + a1x + a2x2 y g(x) = b0 + b1x + b2x2, entonces el producto interior
cannico se establece por f g = a0b0 + a1b1 + a2b2. Para determinar la proyeccin
f g
g , es decir:
ortogonal de f(x) sobre g(x), debemos utilizar Pr oyg f
g g
Pr oyg f
2 3x 2 1 3x x 2
2
1 3x x 1 3x x
(1 3x x 2 )
23
(1 3x x 2 )
1 9 1
JOE GARCIA ARCOS
268
1
1 3
1
(1 3x x 2 ) x x 2 .
11
11 11
11
E J E M P L O 6.1.15
Para todo par de vectores u, v de un espacio vectorial eucldeo V, los vectores v y
u Proyvu son ortogonales.
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno real:
u v
u v
u v
v u Pr oyv u
v u
v v u v
v v u
v v
v v
v v
v v
v u u v 0 .
% CALCULO DE LA PROYECCION DE VECTORES
clc;clear;
fprintf('\n PROYECCION DE VECTORES \n')
col=input('Ingrese la dimension de los vectores: ');
%for f=1:col
for c=1:col
u(1,c)=input(' :');
end
u
%for f=1:col
for c=1:col
v(1,c)=input(' :');
end
v
end
fprintf('EL PRODUCTO INTERIOR ES:\n')
numerador=u*v'
denominador=v*v'
fprintf('LA PROYECCION DEL VECTOR u SOBRE v ES:\n')
w=((u*v')/(v*v')*v)
PR O B L E M AS
6.1.1 En los siguientes problemas, determine en cada
caso, si u v es un producto interior en n, si u v est
definido por la frmula que se da. En caso contrario, decir
cules son los axiomas que no se cumplen:
a.- u v
b.- u v
i 1
i 1
i 1
(ui vi )2 ui2 vi2 ;

n
ui vi
c.- u v
i 1
d.- u v
ui2vi2 ;
e.- u v
i 1
i 1
j 1
ui
i 1
vi .
6.1.2 Encuentre 5u - 2v 2u + 3v, dado que

u u = - 10, u v = - 8 y v v = - 3.
n
n
n
a.- ui vi d ui2 vi2 ;

i 1
i 1 i 1
2
ui v j ;
n
6.1.3 Utilizando la desigualdad de Cauchy-Schwarz

demuestre las siguientes desigualdades:
n
n
n 1
b.- ui vi d O i ui2 vi2 .
i 1
i 1
i 1 O i
6.1.4 Describa los vectores u 2 que son ortogonales

al vector (-2, 5). Verifique que stos son los puntos de una
recta que pasa por el origen.
6.1.5 Demuestre que la igualdad en la desigualdad
triangular se tiene si y slo si uno de los vectores es un
mltiplo no negativo del otro vector.
JOE GARCIA ARCOS
269
6.1.6 Demuestre que en 2 un producto interior puede ser

dado por la frmula
u v au1v1 bu1v2 bu2v1 cu2v2
si, y solamente si, a > 0 y ac > b2 simultneamente.
6.1.10 Qu es el producto interior de dos vectores en ?

Cmo se ve la desigualdad de Cauchy-Schwarz para
vectores en ? En qu casos se tiene la igualdad en esta
desigualdad para vectores en ?
6.1.7
Forma el conjunto de todos los vectores
geomtricos un espacio eucldeo si el producto interior de
dos vectores arbitrarios u y v se define como el producto de
la longitud del vector u y la produccin triplicada del
vector v por el sentido del vector u?
6.1.11 Encuentre 2u + v 3u 2v, dado que

u u = 14, u v = 15 y v v = 11.
6.1.8 En el espacio vectorial de todos los polinomios

reales, determinar si f g es o no un producto interior
cuando se define f g con la frmula que se da:
a.- f g
0 f ( x) g ( x) dx
b.- f g
c.- f g
0 f ( x) g( x) dx ;
d.- f g
1
0
f ( x) dx
g(x) dx ;
1
lim
6.1.13 Use la desigualdad de Cauchy-Schwarz para

probar que si x1, x2, ..., xn son nmeros reales cualesquiera,
entonces
1
xi
xi2
n i 1
i 1
y que la igualdad se da si y slo si todos los xi son iguales.
t of t
6.1.12 Sean u, v dos vectores en n y u, -v sus inversos

aditivos. Demuestre que:
a.- Proy-uv = Proyuv;
b.- Proyu(-v) = -Proyuv.
Verifique este resultado con los vectores
u = (2, -3), v = ( 3, 1).
0 f ( x) g ( x) dx .
6.1.9 Sean v, u1, u2, ..., uk, k + 1 vectores en . Si u = u1 +

u2 + ... + uk. Demuestre que
Proyvu = Proyvu1 + Proyvu2 + ... + Proyvuk
Verifique este resultado con los vectores
u1 = (1, 1), u2 = (3, -2), v = (2, 3).
6.2 ESP A C I OS V E C T O RI A L ES H E R M I T I C OS
En esta seccin se definirn productos interiores sobre espacios vectoriales complejos usando como axiomas
las propiedades del producto interior euclidiano sobre C n.
En este momento surge la necesidad de considerar vectores de proyecciones
complejas. A primera vista parece natural tomar de nuevo la expresin del
producto interior de vectores con coordenadas reales para el producto interior de
vectores con coordenadas complejas a 1, a 2, ..., a k y b1, b2, ..., bk.
En algunos casos se procede precisamente de este modo. El espacio que as
resulta se denomina espacio vectorial hermtico. Por desgracia, el producto
interior pierde entonces muchas propiedades importantes. Para evitar este
inconveniente, en lugar de la expresin
u v = a 1b1 + a 2b2 + ... + a kbk
se toma como definicin del producto interior de vectores complejos la expresin
u v a1 b1 a2 b2 ... ak bk
donde la raya superior significa que ha de pasarse a los nmeros complejos
conjugados. En el caso en que los vectores u y v sean reales, tenemos bi bi y la
expresin del producto interior de vectores complejos coincide con la expresin del
producto interior de vectores reales. Por consiguiente, la nueva definicin es una
generalizacin de la anterior.
JOE GARCIA ARCOS
270
Un espacio vectorial complejo V se denomina espacio vectorial hermtico,
si a todo par de vectores, u, v de V se le ha puesto en correspondencia un
nmero complejo , llamado producto interior, considerndose cumplidos
los siguientes axiomas:
u u > 0 cuando u z .
u v
v u .
3.- Para todo par de vectores u, v de V y para todo escalar complejo k,
se cumple la homogeneidad:
ku v = ku v.
4.- Para todo tro de vectores u, v, w de V, se cumple la distributividad:
u v + w = u v + u w.
El axioma u v
v u muestra que las propiedades del espacio vectorial

hermtico difieren, en general, de las propiedades del espacio vectorial eucldeo. No
obstante, estas diferencias son de poca importancia. En todo caso, el espacio
hermtico se aproxima ms por sus propiedades al espacio eucldeo. En el caso en
que el espacio vectorial est definido en los reales, el espacio hermtico se denomina
espacio eucldeo. En este caso la expresin v u coincide con la expresin u v y
el axioma 2 adquiere una forma ms sencilla:
u v = v u.
Ntese tambin que en la definicin de los espacios hermticos no se exige que el
espacio sea de dimensin finita. Por esto cabe hablar tambin de espacios
hermticos de dimensin infinita. Aun cuando algunas propiedades de los
espacios hermticos no dependen de la dimensin de los mismos, nos limitaremos
a considerar, mientras que no se diga lo contrario, solamente espacios vectoriales
de dimensin finita.
T E O R E M A 6.2.1
Para todo par de vectores u, v de V y para todo escalar complejo k se
cumple
u kv k u v .
Para demostrar este teorema, utilizamos los axiomas 2 y 3 de la definicin de
espacio hermtico:
u kv = kv u
axioma 2
= k v u
axioma 3
= k u v
axioma 2
T E O R E M A 6.2.2
Dado (V, ) un espacio vectorial hermtico, entonces para cualesquiera
par de vectores, de V es vlida la desigualdad de Cauchy - Schwartz:
~u v~2 d u u v v.
La demostracin es anloga a la del caso real.
EJ E M P L O 6.2.1
Para todo par de vectores u, v de un espacio vectorial hermtico V, el vector v y
u Proyvu son ortogonales.
JOE GARCIA ARCOS
271
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno complejo:
u v
u v
u v
v u Pr oyv u
vu
v v u v
v v u
v v
v v
v v
v v
v u u v v u v u
0.
EJ E M P L O 6.2.2
Si u = (2, 4, 1 + i), v = (1 - i, 2, 3i), hallar un vector no nulo w de un espacio
hermtico V, ortogonal simultneamente a u y v.
SO L U C I O N
Debemos encontrar un vector w tal que u w = 0 y v w = 0. Es decir:
u w = (2, 4, 1 + i) (a, b, c) = 2a + 4b + (1 - i)c = 0;
v w = (1 i, 2, 3i) (a, b, c) = (1 + i)a + 2b 3ic = 0.
Resolvemos el sistema de ecuaciones homogneo y obtenemos:
2 4 1 i 0 2 4 1 i 0 2i 0 1 5i 0
|
.
|
1 i 2 3i 0 0 2i 1 3i 0 0 2i 1 3i 0
Por lo tanto w = (5 i, 3 i, 2).
EJ E M P L O 6.2.3
Demostrar que para dos vectores cualesquiera u y v de un espacio hermtico V se
cumple la siguiente identidad
uv
u v
2u v 2u v .
SO L U C I O N
Descomponemos || u + v ||2 y || u - v ||2 en funcin del producto interior:
uv
u vu v
u u u v vu vv
u u u v u v v v ;
u v
u v u v
u u u v v u v v
u u u v u v v v .
Restamos estas dos expresiones y obtenemos el resultado buscado:
uv
u v
2u v 2u v .
EJ E M P L O 6.2.4
Demostrar que para dos vectores cualesquiera u y v de un espacio hermtico V, la
suma u v u v es real.
SO L U C I O N
Del problema anterior tenemos:
uv
1
2
uv uv
2
Lo cual implica que u v u v es un nmero real.
2u v 2u v
De donde
u v u v
uv
EJ E M P L O 6.2.5
Si u y v son vectores no nulos de un espacio hermtico V, demostrar que
u v u v
2 d
d 2.
|| u || || v ||
SO L U C I O N
Sabemos que
JOE GARCIA ARCOS
272
(1) Cos(u, v)
u v
u v
con 1 d
d1 ;
|| u || || v ||
|| u || || v ||
v u
u v
u v
con 1 d
d1 .
|| u || || v || || u || || v ||
|| u || || v ||
Sumando estas dos expresiones, obtenemos:
v u
u v
v u u v
.
Cos(u, v) Cos(v, u ) 2Cos(u, v)

|| u || || v || || u || || v ||
|| u || || v ||
Donde
v u u v
2 Cos(u, v)
|| u || || v ||
con
u v u v
2 d
d 2.
|| u || || v ||
Lo cual demuestra la identidad.
(2) Cos(v, u )
EJ E M P L O 6.2.6
Definimos el ngulo T formado por dos vectores no nulos u y v de un espacio
hermtico V mediante la identidad
u v u v
0 ArcCos
.
2 || u || || v ||
SO L U C I O N
En el problema anterior se demostr que
v u u v
2 Cos(u, v) 2 CosT
|| u || || v ||
De donde
v u u v
v u u v
CosT
T ArcCos
.
2 || u || || v ||
2 || u || || v ||
Con lo cual queda demostrada la identidad.
PR O B L E M AS
6.2.1
Sean u = (a, b) y v = (c, d). Demuestre que
u v 3ac 2bd define un producto interior sobre C 2.
6.2.2 Calcular u v usando el producto interior
u v 3ac 2bd :
a.- u = (2i, -i), v = (-i, 3i);
b.- u = (1 + i, 1 - i), v = (1 i, 1 + i);
c.- u = (3i, -1 + 2i), v = (3i, -1 2i).
6.2.3 Sean u = (a, b) y v = (c, d). Determine cules de las
siguientes expresiones son productos interiores sobre C 2.
Para las que no lo sean, enumerar los axiomas que no se
cumplen:
a.- u v 2ac iad iba 2bd ;
2
b.- u v
a c b d ;
c.- u v
ac bd ;
d.- u v 2ac iad iba 2bd .

6.2.4 Demuestre que en un espacio hermtico se cumple

la siguiente identidad:
1
2
2
2
2
u v
u v u v i u iv i u iv
4
6.2.5 Sea C 3 con el producto interior hermtico.
Demuestre que para todos los valores de T el vector
i
1 1
u e iT
,
,
tiene norma 1 y es ortogonal a
3
3 3
(1, i, 0) y a (0, i, -i).

6.2.6 Sea C 3 con el producto interior hermtico. Usando
el proceso de Gram-Schmidt, transformar la base {(i, i, i),
(-i, i, 0), (i, 2i, i)} en una base ortonormal.
6.2.7 Sean u = (a, b) y v = (c, d). Demuestre que
u v ac (1 i ) ad (1 i )bc 3bd
define un producto interior sobre C 2.
JOE GARCIA ARCOS
273
4
6.2.8 Demuestre que si k es un nmero complejo y

u
v es un producto interior sobre un espacio vectorial
complejo, entonces:
a.- u kv u kv u u k u v k u v k k v v ;
6.2.13 Sea C con el producto interior hermtico. Usando

el proceso de Gram-Schmidt, transformar la base
{(0, 2i, i, 0), (i, -i, 0, 0), (i, 2i, 0, -i), (i, 0, i, i)} en una base
ortonormal.
b.- 0 d u u k u v k u v k k v v .
6.2.14 Demuestre que si {v1, v2 vk} es una base

ortonormal para un espacio V con producto interior
complejo y si u y v son vectores cualesquiera en V,
entonces
u w u v1 w v1 ... u vk w vk
6.2.9 Use el producto interior

A B a1 b1 a2 b2 a3 b3 a4 b4
para encontrar A B si
i 1 i
3 2 3i
A
y B
.
i
1
1 i
4i
6.2.10 Sean u = (u1, u2, u3) y v = (v1, v2, v3).
u v u1 v1 u2 v2 u3 v3 u4 v4 define un producto
interior sobre C 3? En caso de no serlo, enumerar los
axiomas que no se cumplan.
6.2.11
Sea C 4 con el producto interior hermtico.
Expresar w = (-i, 2i, 6i, 0) en la forma w = w1 + w2, donde
el vector w1 est en el espacio W generado por u1 = (-i, 0,
i, 2i) y u2 = (0, i, 0, i) y w2 es ortogonal a W.
6.2.12 Sea C 3 con el producto interior hermtico.
Encontrar una base ortonormal para el subespacio generado
por
(0, i, 1 - i) y (-i, 0, 1 + i).
6.2.15 Demuestre que si f = f1(x) + if2(x) y g = g1(x) +

ig2(x) son vectores en el espacio complejo C[a; b],
entonces
f g
a > f1 (0) if 2 (0)@> g1 (0) ig2 (0)@ dx
define un producto interior complejo sobre C[a; b].

6.2.16 Sea V es espacio vectorial de las funciones con
valores complejos de la variable real x, y sean
f = f1(x) + if2(x) y g = g1(x) + ig2(x)
son vectores en V. La expresin
f g
> f1 (0) if 2 (0)@> g1 (0) ig2 (0)@
define un producto interior sobre V? En caso de no serlo,

enumerar todos los axiomas que no se cumplan.
6.3 N O R M A, DIST A N C I A Y A N G U L O E N T R E V E C T O R ES
En esta seccin se definir el concepto de longitud y distancia entre dos vectores y el ngulo entre dos vectores en
un espacio con producto interior, y esta idea se usar para obtener algunas relaciones bsicas entre vectores en
un espacio con producto interior.

La longitud de un vector u a menudo se denomina norma de u y se denota por u .

De acuerdo con el teorema de Pitgoras se concluye que la norma de un vector
u = (a, b) en el espacio bidimensional es
a 2 b2 .
Sea u = (a, b, c) un vector en el espacio tridimensional. Usando la figura y dos

aplicaciones del teorema de Pitgoras se obtiene
u 2 ( OR)2 ( RP)2 ( OQ )2 ( OS )2 ( RP)2 a 2 b2 c 2
As
JOE GARCIA ARCOS
274
a 2 b2 c 2 .
Sea (V, ) un espacio vectorial eucldeo. Se define la norma o longitud
del vector u de V, representada por, al nmero real no negativo
u
u u .
De esta definicin se ve directamente que el vector nulo es el nico vector cuya
longitud es igual a cero. Un vector de norma 1 se denomina vector unitario.
Un vector de V es un vector unitario si tiene magnitud 1. Dado cualquier
vector distinto de cero u de V, un vector unitario con la misma direccin
que u est dado por
1
u.
u
EJ E M P L O 6.3.1
Dado p(x) = 2 3x + 4x2 un polinomio en 2. Determine || p ||.
SO L U C I O N
Si p(x) = a0 + a1x + a2x2 y q(x) = b0 + b1x + b2x2, entonces el producto interior
cannico se establece por p q = a0b0 + a1b1 + a2b2. Por lo tanto
p
(2)(2) (3)(3) (4)(4)
4 9 16
29 .
EJ E M P L O 6.3.2
1 0 3
Sea la matriz A
. Use el producto interior cannico para determinar
5 9 7
A .
SO L U C I O N
a b
Si A
d e
c
a1 b1 c1
, entonces el producto interior cannico se
y B
f
d1 e1 f1
establece por A B = aa1 + bb1 + cc1 + dd1 + ee1 + ff1. Por lo tanto
A
(1)(1) (0)(0) (3)(3) (5)(5) (9)(9) (7)(7)
1 0 9 25 81 49 165 .
EJ E M P L O 6.3.3
Sea f(x) = exSenx una funcin definida en el intervalo -S d x d S. Determine || f ||.
SO L U C I O N
Como f(x) est definida en el intervalo -S d x d S, entonces para poder determinar la
norma de esta funcin debemos aplicar lo siguiente
S f
( x) dx
S e
2x
Sen2 x dx
2e S e 4S 1
.
4
EJ E M P L O 6.3.4
4
1 i 2i
Sea la matriz A
. Use el producto interior cannico para
1 1 i 2 i
determinar A .
SO L U C I O N
El producto interior cannico se establece por
JOE GARCIA ARCOS
275
AB
Por lo tanto
A
a a1 bb1 c c1 d d1 e e1 f f1 .
(1 i )(1 i ) 2i (2i ) 4 4 11 (1 i )(1 i ) (2 i )(2 i )
1 i 2 4i 2 16 1 1 i 2 4 i 2
30 .
EJ E M P L O 6.3.5
Sea S = {e1, e2, e3, e4} base cannica en 4. Para qu valor de k los vectores u = ke1
+ ke2 e3 ke4 y v = e1 e2 + ke3 e4 tienen igual longitud?
SO L U C I O N
Como el espacio vectorial es 4, entonces
e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1),
entonces u = (k, k, -1, -k) y v = (1, -1, k, -1). Para que u y v tengan igual longitud,
u
v . Es decir
k 2 k 2 1 k 2
( k , k , 1, k ) ( k , k , 1, k )
(1, 1, k , 1) (1, 1, k , 1)
1 1 k 2 1
k2 3
igualamos las dos ecuaciones 3k2 + 1 = k2 + 3 y obtenemos k = r 1.

T E O R E M A 6.3.1
Sea (V, ) un espacio vectorial eucldeo. La norma, definida a partir de un
producto interno en un espacio vectorial real V, tiene las siguientes
propiedades:
1.- Para todo u V, || u || > 0 y || u || = 0 si y slo si u = . Positividad.
k u .
2.- Para todo u V y para todo escalar real k, entonces ku
Homogeneidad.
3.- Para todo u, v V, entonces || u + v || d || u || + || v ||. Desigualdad
triangular.
1.- Si u = (a1, a2, ..., ak), entonces
|| u || =
u u
a12 a22 ... ak2 > 0
u u
02 02 ... 02
Si u = (0, 0, ..., 0), entonces

|| u || =
2.-
ku
ku ku
k u ku
k ku u
k2 u u
0
rk
u u
k u .
3.- || u + v || = u + v u + v
= u u + v + v u + v
= u u + 2u v + v v
2
d u u + 2
2
u u
vv
+ v v
= || u || + 2|| u || || v || + || v ||
= (|| u || + || v ||)2.
Por lo tanto || u + v || d || u || + || v ||.
EJ E M P L O 6.3.6
Sean los vectores u = (3, -2, 4) y v = (1, 9, 3) de 3. Verifique la desigualdad
triangular con el producto interior definido por u v = a1b1 + 2a2b2 + 3a3b3 + a2b1 +
a1b3 + 2a2b3.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || u + v || d || u || + || v ||.
u
(3, 2, 4)
(3, 2, 4) (3, 2, 4)
JOE GARCIA ARCOS
276
3 3 2(2)(2) 3 4 4 (2) 3 3 4 2 (2) 4
(1, 9, 3) (1, 9, 3)
(1, 9, 3)
55
11 2 9 9 3 3 3 9 1 1 3 2 9 3 16
uv
(3, 2, 4) (1, 9, 3)
(4, 7, 7) (4, 7, 7)
(4, 7, 7)
4 4 2 7 7 3 7 7 7 4 4 7 2 7 7
Por lo tanto
415
415 d 55 16 .
EJ E M P L O 6.3.7
1 3 5
5 2 1
Sean las matrices A
y B
. Verifique la desigualdad
2 4 6
4 3 2
triangular utilizando el producto interior cannico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||.
1 3 5
2 4 6
1 3 5 1 3 5
2 4 6 2 4 6
11 3 3 5 5 2 2 4 4 6 6
5 2 1
4 3 2
91 ;
5 2 1 5 2 1
4 3 2 4 3 2
5 5 2 2 11 4 4 3 3 2 2
1 3 5 5 2 1
2 4 6 4 3 2
A+B
59 ;
6 5 6
6 7 8
6 6 55 6 6 6 6 7 7 88
Por tanto
246 .
246 d 91 59 .
EJ E M P L O 6.3.8
Sean las funciones f(x) = Senx y g(x) = Cosx definidas en C[-S; S]. Compruebe la
desigualdad triangular.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos f g d f g .
2
Senx
Senx Senx
S Sen
Cosx
Cosx Cosx
S Cos
f g
Senx Cosx
S
x dx
x dx
S;
S;
Senx Cosx Senx Cosx
S (Senx Cosx)
Por tanto
dx
2S ;
2S d 2 S .
EJ E M P L O 6.3.9
3
1 2i 2 i
2 i 1 i i
Sean las matrices A
y B
. Verifique
4

3
i

1
2

5
i
1 3i 2 3i i
la desigualdad triangular utilizando el producto interior cannico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||:
JOE GARCIA ARCOS
277
3
1 2i 2 i
4

3
i

1
2

5i
3 1 2i 2 i
3
1 2i 2 i
4

3
i

1
2

5
i
4

3
i

1
2

5i
(1 2i )(1 2i ) (2 i )(2 i ) (3)(3) (4 3i)(4 3i) (1)( 1) (2 5i)(2 5i )

1 4i 2 4 i 2 9 16 9i 2 1 5 25i 2
B
2 i 1 i i
1 3i 2 3i i
75 ;
2 i 1 i i 2 i 1 i i
1 3i 2 3i i 1 3i 2 3i i
(2 i )(2 i ) (1 i )(1 i ) (i )(i ) (1 3i )(1 3i ) (2 3i )(2 3i ) (i )(i )
4 i 2 1 i 2 i 2 1 9i 2 4 9i 2 i 2
A+B
32 ;
3 2 i 1 i i
1 2i 2 i
4 3i 1 2 5i 1 3i 2 3i i
3 i 3 2i 3 i
5 6i 1 3i 2 4i
9 i 2 9 4i 2 9 i 2 25 36i 2 1 9i 2 4 16i 2
2 31 ;
Por tanto 2 31 d 75 32 .
T E O R E M A 6.3.2
Dos vectores son ortogonales si y slo si || u + v ||2 = || u ||2 + || v ||2.
|| u + v ||2 = u + v u + v = u u + u v + v u + v v
= u u + 2u v + v v
= u u + v v por definicin de ortogonalidad
= || u ||2 + || v ||2.
% CALCULO DE LA NORMA DE UN VECTOR
clc;clear;
fprintf('\n NORMA DE UN VECTOR \n')
%for f=1:col
for c=1:col
u(1,c)=input(' :');
end
%end
fprintf('El VECTOR u es:\n')
u
end
fprintf('LA NORMA DEL VECTOR u ES:\n')
NORMA=sqrt(u*u')
Un espacio vectorial V en el que hay definida una norma se denomina
espacio vectorial normado.
Si P(a, b, c) y Q (x, y, z) son dos puntos en el espacio tridimensional, entonces la
distancia d(P, Q ) entre los puntos es la norma de Q P.
Ya que
Q P = (x a, y b, z c)
Es decir
JOE GARCIA ARCOS
278
d ( P, Q )
( x a )2 ( y b)2 ( z c )2 .
Se denomina distancia d(u, v) entre los vectores u y v de un espacio
vectorial eucldeo, a la magnitud
d (u, v) u v .
El hecho de disponer de una norma en un espacio vectorial implica que se puede
dotar automticamente a ste de estructura de espacio mtrico; no se piense, sin
embargo, que la nica forma de obtener un espacio mtrico es a partir de una norma;
obsrvese, en este sentido, que para dotar a un conjunto de una mtrica no se precisa
que dicho conjunto tenga estructura algebraica alguna. Obsrvese nuevamente que
esta definicin hace perfecto sentido en cualquier espacio con producto interno.
Se denomina distancia d(P, Q ) entre los conjuntos P y Q de vectores de un
mismo espacio la magnitud
d ( P, Q )
inf d ( P, Q ) .
u P , v Q
T E O R E M A 6.3.3
Sea (V, ) un espacio vectorial eucldeo, la distancia d(u, v) entre los
vectores u, v de V satisface los siguientes axiomas:
1.- Para todo u, v V, d(u, v) > 0 cuando u z v y d(u, v) = 0 si y slo si
u = v.
2.- Para todo u, v V, d(u, v) = d(v, u).
3.- Para todo u, v, w V, d(u, v) d d(u, w) + d(w, v).
1.- Para todo u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai z bi, entonces
d(u, v) = || u v || =
=
u v u v
( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 > 0
Para u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai = bi, entonces
d(u, v) = || u v || =
u v u v =
( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 = 0.
2.- d(u, v) = || u v || = || -(v u) || = | -1 | || v u || = d(v, u).

3.- d(u, v) = || u v || = || u v + w w || = || (u w) + (w v) ||
d || u w || + || w v || = d(u, w) + d(w, v).
EJ E M P L O 6.3.10
Determine la distancia entre las funciones f(x) = Senx y g(x) = Cosx definidas en
C[-S; S].
SO L U C I O N
Para determinar la distancia entre las funciones f(x) y g(x), debemos calcular d(f, g) =
|| f g ||:
f g
Senx Cosx
Senx Cosx Senx Cosx
S
S (Senx Cosx)
dx
2S .
EJ E M P L O 6.3.11
Demostrar que entre todos los vectores u v, donde u es un vector dado y v recorre
el espacio dado V, tiene la longitud mnima el vector u w, donde w es la proyeccin
ortogonal de u sobre V.
JOE GARCIA ARCOS
279
SO L U C I O N
Desarrollamos lo siguiente:
u v
(u w) (w v)
uw
wv
t uw
donde la igualdad es posible slo para v = w.

EJ E M P L O 6.3.12
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
uv
v
u v u v .
SO L U C I O N
Descomponiendo || u + v ||2 en funcin del producto interior, obtenemos:
uv
u v u v
u u u v v u v v
u u u v u v u v
v
u v u v .
Con esto queda demostrada la identidad propuesta.

EJ E M P L O 6.3.13
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
|| u + v ||2 + || u v ||2 = 2|| u ||2 + 2|| v ||2
SO L U C I O N
Descomponiendo || u + v ||2 y || u v ||2 en funcin del producto interior, obtenemos:
|| u + v ||2 = u + v u + v
= u u + u v + v u + v v
= || u ||2 + || v ||2 + u v + v u
2
|| u v || = u - v u - v
= u u - u v - v u + v v
= || u ||2 + || v ||2 - u v - v u
Sumamos estas dos expresiones
|| u + v ||2 + || u v ||2 = 2|| u ||2 + 2|| v ||2.
Con esto queda demostrada la identidad.
T E O R E M A 6.3.4
Sean u y v vectores de un espacio eucldeo V, de modo que v z . Entonces
u v
d(u, Proyv u) < d(u, kv), k z
.
v v
Sean u y v vectores distintos de cero. Por la desigualdad de Cauchy Schwarz,
tenemos
|u v| d || u || || v || - || u || || v || d u v d || u || || v ||
es decir,
u v
-1d
d1
u v
En consecuencia, podemos encontrar un ngulo M en radianes, de manera que se
cumpla lo siguiente.
% CALCULO DE LA DISTANCIA ENTRE VECTORES
clc;clear;
fprintf('\n DISTANCIA ENTRE VECTORES \n')
%for f=1:col
for c=1:col
JOE GARCIA ARCOS
280

u(1,c)=input(' :');
end
u
%for f=1:col
for c=1:col
v(1,c)=input(' :');
end
v
end
w=v-u
fprintf('LA DISTANCIA ENTRE LOS VECTORES ES:\n')
d=sqrt(w*w.')
Sean u y v dos vectores diferentes de cero en el espacio tridimensional, y suponga

que estos vectores se colocan de modo que sus puntos iniciales parten del origen. Por
ngulo entre u y v se entiende el ngulo T determinado por u y v que satisface 0 d T d
S.
Sean u = (a, b, c) y v = (x, y, z) dos vectores diferentes de cero. Si, como se muestra
en la figura, T es el ngulo entre u y v, entonces la ley de los cosenos da
v u
u
v
u v
2u v
v
2
2
2 u
v
v CosT
2 u
v CosT CosT
v CosT
u v
.
u v
Sean u y v dos vectores no nulos del espacio vectorial eucldeo V. Se
denomina coseno del ngulo que forman los vectores u y v, representado
por Cos(u, v), al nmero real que cumple la igualdad
u v
. 0 d (u, v) d S.
Cos(u, v)
u v
Si (u, v) = 90, decimos que u y v son ortogonales. Si entre los vectores u y v
existe al menos uno no nulo, el ngulo formado por tales vectores se considera
indeterminado.
EJ E M P L O 6.3.14
En el espacio de cuatro dimensiones se dan dos planos, engendrados por los vectores
del sistema S y S1. Entre los ngulos formados por los vectores del primer plano con
los vectores del segundo plano, hallar el mnimo:
a.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (2, -2, 5, 2)};
b.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (1, -1, 1, -1)}.
SO L U C I O N
a.- La proyeccin del vector (t + 2r, t 2r, t + 5r, t + 2r) sobre el primer plano es
(t + 2r, t 2r, 0, 0). Por consiguiente
2t 2 8r 2
2 x2 8
Cos 2 T
4t 2 14tr 37 r 2 4 x 2 14 x 37
t
donde x
. Esta expresin alcanza el mximo, igual a 8/9, para x = -4.
r
b.- El ngulo formado por cualquier vector del segundo plano con su proyeccin
JOE GARCIA ARCOS
281
ortogonal sobre el primer plano queda invariante y es igual a S/4.

EJ E M P L O 6.3.15
Sea el espacio eucldeo V, cuyo producto interior est definido de forma usual.
Determine el ngulo entre los vectores
u (1, 3, 5, ..., 2n 1) y v = (1, 0, 0, ..., 0).
SO L U C I O N
Aplicando la definicin, obtenemos:
(1, 3, 5, ..., 2n 1) (1, 0, 0, ..., 0)
Cos(u, v)
1
.
n
|| (1, 3, 5, ..., 2n 1) || || (1, 0, 0, ..., 0) ||

1
ArcCos .
n
Por lo tanto (u, v)
EJ E M P L O 6.3.16
Sea S = {e1, e2, e3, e4} la base cannica de 4. Determine el ngulo entre los vectores
u
7e1 5e2 3e3 2e4 y v
7e1 5e2 .
SO L U C I O N
Como S es la base cannica para 4, entonces u ( 7, 5, 3, 2) y
v ( 7, 5, 0, 0) . Por la definicin anterior:

( 7, 5, 3, 2) ( 7, 5, 0, 0)
Cos(u, v)
12
|| ( 7, 5, 3, 2) || || ( 7, 5, 0, 0) ||
Por lo tanto (u, v) = 32,84 .
17 12
12
.
17
EJ E M P L O 6.3.17
La desigualdad 2 d
u v u v
d 2 demuestra que siempre existe un nico
u v
ngulo T en el intervalo 0 d T d S que satisface esta igualdad. Demostrar que

|| u v ||2 = || u ||2 + || v ||2 - 2|| u |||| v ||CosT
SO L U C I O N
u v u v
u v u v
Sabemos que Cos(u, v)
para 2 d
d 2 . Entonces:
2 u v
u v
u v
v
v
u v u v
2 u
v Cos(u, v)
v
(u v u v )
v
2 u
v CosT .
Con esto queda demostrada la identidad.

EJ E M P L O 6.3.18
Tres vectores u, v, w de V satisfacen lo siguiente:
|| u || = || w || = 5, || v || = 1 y || u v + w || = || u + v + w ||.
Si el ngulo que forman u y v es S/8, hallar el que forman v y w.
SO L U C I O N
Sabemos que
u v w
u v w v w = - u v.
Como
Cos(u, v)
entonces
u v
u v
y Cos(v, w)
v w
v w
u v 5Cos(u, v) y v w 5Cos(v, w) .
JOE GARCIA ARCOS
282
De donde
5 Cos(u, v) = -5 Cos(v, w) Cos(u, v) = - Cos(v, w).
S
7S
Como (u, v) = , entonces (v, w) =
.
8
8
El coseno del ngulo que forman los vectores u y v est comprendido entre 1 y 1,
alcanzando estos valores extremos nicamente si u y v son linealmente dependientes.
El hecho de que el producto interior sea cero, es una prueba para que dos vectores
sean ortogonales. Esto motiva la definicin de que dos vectores son ortogonales si
y slo si su producto interior es cero. Como el producto interior de cualquier vector
con el vector nulo es cero, se acostumbra decir que el vector nulo es ortogonal a
cualquier otro vector.
Si los vectores u y v son no nulos y T es el ngulo entre ellos, entonces
a.- T es agudo, si y slo si u v > 0.
b.- T es obtuso, si y slo si u v < 0.
c.- T es S/2, si y slo si u v = 0.
EJ E M P L O 6.3.19
Si u = (3, -i, 2) y v = (1 + i, 1 i, 2 + 3i), hallar un vector no nulo w de 3 ortogonal
simultneamente a u y v.
SO L U C I O N
Como w pertenece a 3, entonces:
u w = (3, -i, 2) (a, b, c) = 3a ib + 2c = 0;
v w = (1 + i, 1 - i, 2 + 3i) (a, b, c) = (1 + i)a + (1 i)b + (2 + 3i)c = 0
Resolviendo el sistema de ecuaciones homogneo, generado por las condiciones
anotadas, obtenemos:
i
2 0 3
i
2
0 2i 2
0
1
0
3
|
.
|
2i 2 4 7i 0
1 i 1 i 2 3i 0 0 2i 2 4 7i 0 0
Por lo tanto w = (2 + 2i, 6 22i, 8).
EJ E M P L O 6.3.20
Si u = (-1, 4, 3) y v = (2, 5, 1), hallar un vector no nulo w de V tal que sean
ortogonales simultneamente.
SO L U C I O N
Como w pertenece a 3, entonces:
u w = (-1, 4, 3) (a, b, c) = -a + 4b + 3c = 0
v w = (2, 5, 1) (a, b, c) = 2a + 5b + c = 0
Resolviendo el sistema de ecuaciones homogneo, generado por las condiciones
anotadas, obtenemos:
1 4 3 0 1 4 3 0 13 0 11 0
|
|
.
2 5 1 0 0 13 7 0 0 13 7 0
Por lo tanto w = (-11, -7, 13).
EJ E M P L O 6.3.21
Si u = (7, 4, 5) y v = (-3, 2, -1), hallar los escalares a y b tales que w = au + bv es un
vector no nulo y que w y v sean ortogonales.
SO L U C I O N
Tenemos que
w = a(7, 4, 5) + b(-3, 2, -1) = (7a - 3b, 4a + 2b, 5a - b)
y
w v = (7a - 3b, 4a + 2b, 5a - b) (-3, 2, -1) = 0,
de donde
JOE GARCIA ARCOS
283
-3(7a - 3b) + 2(4a + 2b) (5a - b) = 0 -18a + 14b = 0 b
9
a.
7
De donde
22 46 26
w a,
a,
a , a z 0.
7
7
7
EJ E M P L O 6.3.22
Si u = (2, -2, 1) y v = (-1, 1, 2), hallar los vectores w y x de V tales que v, x sean
ortogonales, w sea paralelo a v y u = w + x.
SO L U C I O N
Sabemos que
v x = 0 (-1, 1, 2) (a, b, c) = -a + b + 2c = 0 a b 2c = 0;
w = kv w = k(-1, 1, 2) = (-k, k, 2k);
u = w + x (2, -2, 1) = (-k, k, 2k) + (a, b, c) = (a k, b + k, c + 2k)
a k 2 a 2 k
b k 2 b 2 k .
c 2k 1 c 1 2k
Reemplazando los valores de a, b y c en la primera ecuacin, obtenemos que

1
k . Este valor de k lo reemplazamos en w y x, donde:
3
1
1
2
1
w (2, 2, 1) , , ;
3
3
3
3
1
1
2 5
5 5
x (2 k , 2 k , 1 2k ) 2 , 2 , 1 , , .
3
3
3
3
3 3

E J E M P L O 6.3.23
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
k k
f g f g .
k 0 n n
Hallar todos los polinomios g(t) ortogonales a f(t) = t.
SO L U C I O N
k
Hacemos que g(t) = a 0 + a 1t + a 2t2 + ... + a ntn y t
, entonces:
n
f g
t 0
t 0
f (t ) g (t ) ( a0 a1t a2t 2 ... ant n )t
a0 a1 a2 ... a n
0.
De donde a 0 = - ( a 1 + a 2 + ... + a n). Por lo tanto, el polinomio buscado tiene la

forma siguiente:
g(t) = - ( a 1 + a 2 + ... + a n) + a 1t + a 2t2 + ... + a ntn.
% CALCULO DEL ANGULO ENTRE VECTORES
clc;clear;
fprintf('\n ANGULO ENTRE VECTORES \n')
%for f=1:col
for c=1:col
u(1,c)=input(' :');
end
u
JOE GARCIA ARCOS
284
%for f=1:col
for c=1:col
v(1,c)=input(' :');
end
v
fprintf('\n EL PRODUCTO INTERIOR ES:\n')
p=u*v'
fprintf('\n LAS NORMAS SON:\n')
Norma1=sqrt(u*u')
Norma2=sqrt(v*v')
fprintf('EL ANGULO ENTRE LOS VECTORES ES:\n')
d=(acos(p/(Norma1*Norma2)))*180/pi
if (p>0)
fprintf('El angulo es agudo\n')
end
if (p<0)
fprintf('El angulo es obtuso\n')
end
if (p==0)
fprintf('Los vectores son ortogonales\n')
end
PR O B L E M AS
6.3.1 Supngase que u, v y w son vectores tales que
u v 3 , v w 5 , u w 6 , u
2 , v 2 ,
4 . Determine el valor de las siguientes expresiones:
a.- u v v w ;
b.- 3v 2w 4u 3w ;
c.- u v 3w 5v 2w ;
d.-
3u 2v ;
f.-
u 2v 3w .
e.-
5w 2v ;
6.3.2 Sea el espacio vectorial de todas las funciones

polinmicas f de la forma f(x) = a0 + a1x + a2x2 para toda x
tal que 0 d x d 1. Aqu, a0, a1, a2 son escalares que
slo dependen de f y no de x. Demuestre que es un
espacio tridimensional sobre . Verifquese tambin que
las funciones p(x) = 1, q(x) = x y r(x) = x2 son una base de
.
6.3.6 En el espacio n de polinomios de grado d n con

coeficientes reales, el producto interior de polinomios se
determina por la frmula p q a0b0 a1b1 ... anbn .
Para los polinomios dados p(x) = 3x2 + 2x + 1, q(x) = -x2 +
2x + 1, r(x) = 3x2 + 2x + 5, s(x) = 3x2 + 5x + 2:
a.- Hallar el polinomio f(x) de grado d 2 equidistante de
p(x), q(x), r(x), s(x);
b.- Determinar la distancia entre f(x) y cada uno de los
polinomios p(x), q(x), r(x), s(x);
c.- Determine que todo polinomio de la forma f(x) + m3x3
mnxn es tambin equidistante de p(x), q(x), r(x), s(x)
y determine su distancia hasta estos polinomios.
6.3.7 En el espacio vectorial real C(-1; 1), sea
f g
1 f ( x) g ( x) dx .
Considerar las tres funciones
6.3.3 Encontrar el ngulo entre una diagonal de un cubo y

una de sus aristas.
f(x) = 1, g(x) = x y h(x) = 1 + x. Demostrar que dos de ellas

son ortogonales, dos forman entre s un ngulo S/3, y dos
forman entre s un ngulo S/6.
6.3.4 Calcular los ngulos internos del tringulo ABC,

dado por las coordenadas de sus vrtices:
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1).
6.3.8
6.3.5 En el espacio vectorial real C(1; e), definimos un

producto interior por
f g
1 f ( x) g ( x) log x dx :
a.- Si f ( x)
x , calcular f ;
b.- Hallar un polinomio de primer grado g(x) = a + bx que
sea ortogonal a la funcin constante f(x) = 1.
Prubese que f g
0 f ( x) g ( x) dx
es un
producto interior de P. Hllese una funcin g de P tal que

g 1 y g p g q 0 .
6.3.9 Sean u y v dos vectores en 2 linealmente
independientes. Demuestre que el nico vector de 2
ortogonal a u y a v es el vector . Ocurre lo mismo si los
vectores son linealmente dependientes? Es verdad esta
afirmacin para vectores en el espacio 3?
JOE GARCIA ARCOS
6.3.10 Trazar la circunferencia unitaria en 2 usando el

producto interior dado:
1
1
u1v1 u2 v2 ;
a.- u v
4
16
b.- u v 2u1v1 u2 v2 ;
1
1
u1v1 u2 v2 .
c.- u v
9
4
6.3.11 Calcular el ngulo formado por los vectores:
a.- u = (2, 1, -1, 2), v = (3, -1, -2, 1);
b.- u = (1, 2, 2, 3), v = (3, 1, 5, 4);
c.- u = (1, 1, 1, 2), v = (3, 1, -1, 0).
6.3.12 Demuestre que si u es ortogonal a v y w, entonces u
es ortogonal a Dv + Ew para escalares D y E cualesquiera.
6.3.13 Demuestre que u v
u v s y slo si u y
285
6.3.22 Sean V = 2, u = (1, 1) y v = (1, -1);

a.- Dtese a V con un producto interior tal que u
1 y
v 1;
b.- Dtese a V con un producto interior tal que un ngulo
T entre u y v sea S/3.
6.3.23 En el espacio vectorial real C(1; 3) con producto
3
1
interior f g f ( x) g ( x) dx , sea f ( x)
, demostrar
1
x
que el polinomio constante g ms prximo a f es
1
g
log 3 . Calcular g f 2 para ste.
2
6.3.24 En el espacio vectorial real C(0; 2S) con producto
interior f g
2S
f ( x) g ( x) dx , sea f(x) = x. En el
v tienen la misma direccin.
espacio generado por p(x) = 1, q(x) = Cosx, r(x) = Senx,

hallar el polinomio trigonomtrico ms prximo a f(x).
6.3.14 Considere el cuadriltero cuyos vrtices son

A = ( 1, -2, 2), B = (1, 4, 0), C = (-4, 1, 1), D = (-5, -5, 3).
Demuestre que las diagonales AC y BD son ortogonales.
6.3.25 Sean a y b dos nmeros reales no nulos. Demuestre

que los cuatro vectores (ra, rb) 2 tienen la misma
norma. Interprete geomtricamente este hecho.
6.3.15 Sea u un vector no nulo. Determine un escalar a

tal que au 1 .
6.3.16 Demuestre que los puntos A = (1, 1), B = (2, 3) y
C = (5, -1) son los vrtices de un tringulo rectngulo.
6.3.17 Encuntrense los vectores unitarios que forman
un ngulo de 2S/3 con u = i j.
6.3.18 En el espacio de las funciones integrables reales,
supngase que se define el producto interior por
6.3.26 Sean a, b y c tres nmeros reales no nulos.

Demuestre que los 8 vectores (ra, rb, rc) 3 tienen la
misma norma. Interprete geomtricamente este hecho.
6.3.27 Qu es la norma de un vector u en ? Cmo se
ven las propiedades de la norma en este caso?
6.3.28 Sean u, v dos vectores en n. Demuestre que
u v d u v .
Encuentre un polinomio de grado 2
6.3.29 Las cuatro diagonales de un cubo tienen la

misma longitud.
ortogonal a 1 y a x. Encuentre un polinomio de grado 3

ortogonal a 1, a x y a x2. Son ortogonales estos dos
polinomios?
6.3.30 Las diagonales de un paralelogramo se bisecan

mutuamente.
1 f ( x) g ( x)dx .
6.3.19 Sean u, v dos vectores ortogonales en n, tales que

u 2 , v 7 , u v 8 . Calcule u v .
6.3.20 Sean u, v dos vectores en n. Demuestre que:
a.- u v + si y slo si u v ! u v ;
b.- -u v si y slo si u v u v ;
+
c.- u y v son dos vectores ortogonales si y slo si

uv
u v .
Discuta el contenido geomtrico de estos resultados.
6.3.21 Demuestre que si u y v son vectores en un espacio
V con producto interior, entonces u v d u r v .
Existen vectores u, v n tales que
6.3.31
1,
que u
3,
uv
5 ? Existen vectores u, v tales
3, v
1, u v
5?
6.3.32 Sean u, v dos vectores ortogonales en Rn, tales que

u 5 , v 3 . Calcule u v , u v .
6.3.33 Sea S = {u, v} un conjunto ortogonal de vectores
unitarios en n. Demuestre que el ngulo entre el vector u
y el vector u + v es de S/4. Discuta el contenido
geomtrico de este resultado cuando n = 2. Vale el
resultado si los vectores u y v no son unitarios?
JOE GARCIA ARCOS
286
6.3.34 Demuestre que si u y v son vectores en un espacio

con producto interior tal que u d 1 y v d 1 , entonces
u v d 1 .
6.3.46 Demuestre que si el cuerpo de escalares es real y

u
v , entonces u v y u + v son ortogonales y
recprocamente.
v .
Demuestre que los vectores u + v y u v son ortogonales.
Vale la afirmacin recproca?
6.3.47 Sean u, v y w vectores no nulos, cada uno

ortogonal a los otros dos. Demuestre que, para cualquier
vector z, existen escalares nicos a , b y c tales que z =
au + bv + cw.
6.3.36 Los vectores u y v de n forman un ngulo de S/3.

Suponiendo que u 3 y v 4 . Calcule: u v,
6.3.48 Demuestre que u x v
6.3.35 Sean u y v dos vectores en n tales que u
uv y uv .
6.3.37 Dados los vectores u, v y w, entonces:
a.- Demuestre que
u x (v x w) = u wv - u vw;
b.- Encuentre un ejemplo para el que
u x (v x w) z (u x v) x w.
v s y slo si u y v
son ortogonales.
6.3.49 Sean u y v vectores no nulos. Demuestre que el
vector
1
v u u v
u v
biseca el ngulo entre u y v. (Demuestre que este vector
forma el mismo ngulo con u que con v.)
6.3.38 Cada pareja de vectores u, v y w en n forma un

ngulo de S/3. Suponga que u 1 , v 2 , w 3 .
6.3.50 Sean u y v dos vectores no nulos en n tales que

u
v
u v . Demuestre que el ngulo entre u y v
Calcule u v w .
es de S/3. Cul es el ngulo entre u y u v, y entre v y u

v? Discuta el contenido geomtrico en el caso n = 2.
6.3.39 Los vrtices de un tringulo son A = (-1, 4),

B = (-6, 6), C = (3, 8). Determine las coordenadas de los
puntos medios de sus lados.
6.3.51 Las cuatro diagonales de un paraleleppedo se

cortan en un punto y se bisecan mutuamente.
6.3.40 Los puntos medios de los lados de un tringulo son

P = (2, -1), Q = (-1, 4) y R = (-2, 2). Determinar los vrtices
del tringulo.
6.3.41 Sean u y v vectores en un espacio V con producto
interior. Demuestre que u v
u v s y slo si u y v
son ortogonales.
6.3.52 Si u y v son vectores diferentes de cero en R 3,

entonces se cumplen las siguientes igualdades:
a.- u x v es ortogonal tanto a u como a v;
b.- El ngulo T entre u y v est dado por
u xv
u v SenT ;
c.- u y v son paralelos s y slo si u x v = ;
d.- El paralelogramo cuyos lados adyacentes son u y v
tiene un rea igual a u x v .
6.3.42 Demuestre que
f ( x) 1 x 2 y g ( x ) 2 x 1 x 2
son ortogonales en C[-1; 1].
6.3.43 Demuestre que en un tringulo arbitrario de un
espacio eucldeo, la longitud de cada lado no es menor que
la magnitud absoluta de la diferencia entre las longitudes
de los otros dos lados.
6.3.44 Demuestre que en un paralelogramo arbitrario de
un espacio eucldeo, la suma de los cuadrados de las
longitudes de las diagonales es igual a la suma de los
cuadrados de las longitudes de los lados.
6.3.45 Calcular los ngulos internos del tringulo ABC,
dado por las coordenadas de sus vrtices:
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1).
6.3.53 Demuestre que los puntos A = (2, 2), B = (-1, 6),

C = (-5, 3) y D = (-2, -1) son los vrtices de un cuadrado.
6.3.54 La recta que pasa por uno de los vrtices de un
paralelogramo y el punto medio de uno de los lados
opuestos divide a una de las diagonales en la razn 1:2.
Sean x = (x1, x2, ..., xn), y = (y1, y2, ..., yn) dos
1
( x y ) es
vectores en n. Demuestre que el punto p
2
un punto equidistante de x e y (es decir, d(x, p) = d(y, p)),
el cual se encuentra sobre el segmento que une a x con y
(para ver esto, ntese que los vectores u = x p, v = y p,
son linealmente dependientes). Se dice que p es el punto
medio del segmento xy. Determine el punto medio del
segmento xy en cada uno de los siguientes casos:
a.- x = (1, 4, 5), y = (4, 8, -4);
6.3.55
JOE GARCIA ARCOS
287
6.3.61 Sean u y v dos vectores no nulos en n tales que

u
u v . Demuestre que el ngulo entre los vectores
b.- x = (4, 7, -1), y = (4, 6, -3);

c.- x = (-3, -4, 5), y = (3, 5, 7).
6.3.56 Considere las rectas
L 1 = {(x, y) / (x, y) = (0, b1) + t(1, m1), t }
L 2 = {(x, y) / (x, y) = (0, b2) + t(1, m2), t }
con los vectores v1 = (1, m1) y v2 = (1, m2) que son
paralelos a L 1 y L 2 respectivamente. Demuestre, partiendo
de la frmula para el ngulo entre dos vectores, que el
ngulo T (0 d T d S) entre L 1 y L 2 es
m m1
T ArcTan 2
.
1 m2 m1
6.3.57 Calcule la distancia entre las dos lneas paralelas
dadas:
a.- 3x 4y + 5 = 0, 3x 4y 5 = 0;
b.- 2x y 5 = 0, 4x 2y 10 = 0.
6.3.58 Use el concepto de proyeccin de un vector sobre
otro para demostrar que la distancia del punto P(x0, y0) a la
recta Ax + By + C = 0 viene dada por la frmula
Ax0 By0 C
.
d
A2 B 2
6.3.59 Demuestre que las diagonales de un rombo son
perpendiculares entre s. (Un rombo es un paralelogramo
cuyos lados tienen la misma longitud.)
6.3.60 Demuestre la identidad de Lagrange:
u xv
u v 2 .
u y v es el mismo que el ngulo entre los vectores u y

u v. Discuta el contenido geomtrico en el caso n = 2.
6.3.62 Sea u = (2, -3, 5). Determine el vector v 3
sabiendo que es linealmente dependiente con u, que
v 25 , y que el ngulo que forma v con la parte
positiva del eje z es agudo.
6.3.63 Considere la recta Ax + By + C = 0, la cual dista
d unidades del origen. Demuestre que la recta paralela a la
recta dada, que dista tambin d unidades del origen y que
resulta ser simtrica respecto del origen de la recta dada, es
Ax + By C = 0.
6.3.64 Demuestre que el tringulo cuyos vrtices son A,
B y C es issceles. Determine sus ngulos internos:
a.- A = (1, 1), B = (4, 3), C = (1/2, 5);
b.- A = (1, 2, 1), B = (3, -1, 7), C = (7, 4, -2).
6.3.65 Si u, v y w son vectores en y D un escalar,
entonces se cumplen las siguientes igualdades:
a.- u x v = - (v x u);
b.- u x (v + w) = (u x v) + (u x w);
c.- D(u x v) = Du x v = u x Dv;
d.- u x = x u = ;
e.- u x u = ;
f.- u (v x w) = (u x v) w.
6.4 B ASES O R T O G O N A L ES Y O R T O N O R M A L ES
En esta seccin se mostrar un proceso para obtener una base ortonormal. En muchos problemas con espacios
vectoriales, quien resuelve el problema puede elegir cualquier base que juzgue conveniente para el espacio
vectorial. En espacios con producto interior, la solucin de un problema a menudo se simplifica bastante al elegir
una base en la que los vectores sean ortogonales entre s.
Si V es un espacio vectorial, el concepto de ortogonalidad coincide con el de
perpendicularidad. Por esta razn la ortogonalidad puede ser considerada como una
generalizacin del concepto de perpendicularidad.
Un conjunto S de vectores en un espacio vectorial V con producto interno
se dice que es ortogonal si o bien consiste en un solo vector o bien sus
vectores son ortogonales dos a dos.
La relacin de ortogonalidad es simtrica: si el vector u es ortogonal al vector v, el
vector v es ortogonal al vector u. Es obvio que el vector nulo es ortogonal a cualquier
vector del espacio y es el nico que posee esta propiedad.
Dos conjuntos de vectores S1 y S2, de un espacio vectorial eucldeo V, se
dicen ortogonales, si todo vector de S1 es ortogonal a todo vector de S2.
JOE GARCIA ARCOS
288
T E O R E M A 6.4.1
Para que el vector u sea ortogonal al subespacio U, es necesario y suficiente
que sea ortogonal respecto de todos los vectores de una base cualquiera del
subespacio U.
Fijemos la base S = {u1, u2, ..., uk} del subespacio U. Si u es perpendicular a U,
entonces u es ortogonal a todos los vectores de U y, en particular, a los vectores u1,
u2, ..., uk. Sea ahora, u ui = 0 para todo i N. Elijamos un vector arbitrario v U
y descompongmoslo segn los vectores de la base. Si
v = a1u1 + a2u2 + ... + akuk
para ciertos nmeros a1, a2, ..., ak, entonces
u v = u a1u1 + a2u2 + ... + akuk = a1u u1 + a2u u2 + ... + aku uk = 0
Esto significa que u A U.
T E O R E M A 6.4.2
Si S = {v1, v2, ..., vk} es un conjunto ortogonal de vectores diferentes del
nulo en un espacio vectorial V, entonces S es linealmente independiente.
Sea S un sistema ortogonal de vectores no nulos y sea
a1v1 + a2v2 + ... + akvk = .
Multiplicando esta igualdad escalarmente por vi, obtenemos
a1v1 vi + a2v2 vi aivi vi akvk vi =
donde aivi vi = 0 ya que debido a la ortogonalidad del sistema todos los dems
trminos se anulan. Pero vi z ; por consiguiente, vi vi z 0 y entonces resulta que
ai = 0 que es lo que se quera demostrar.
Supongamos que n es la dimensin del espacio vectorial V. La aseveracin anterior
muestra que todo sistema ortogonal de vectores no nulos V no puede contener ms
de n vectores. Si en V existen n vectores no nulos ortogonales, ellos constituyen una
base ortogonal del espacio vectorial V. Podemos decir que en V siempre existe una
base de esta ndole.
T E O R E M A 6.4.3
Sea un espacio vectorial V de dimensin n, entonces cualquier conjunto de
n vectores ortogonales es una base de V.
EJ E M P L O 6.4.1
Demuestre que el conjunto ortogonal
1 2 1 2
1
S 1, 0, 1 , , 2, , , ,
2
2 9 9 9
3
es una base de .
SO L U C I O N
Se puede observar que el conjunto S consta de tres vectores diferentes de cero y no
coplanares. Entonces podemos demostrar que forman una base para 3:
a(1, 0, -1) + b( , 2, ) + c(2/9, -1/9, 2/9) = (0, 0, 0);
(a + b/2 + 2c/9, 2b c/9, - a + b/2 + 2c/9) = (0, 0, 0)
1
2
a 2 b 9 c 0
2b c 0
9
1
2
a 2 b 9 c 0
Sabemos que un sistema de ecuaciones homogneo tiene solucin nica si y slo si

el determinante de la matriz de coeficientes del sistema es diferente de cero, es decir
JOE GARCIA ARCOS
289
2
9
1
0 2 z0.
9
1 2
1
2 9
Por lo tanto a = b = c = 0 y S es linealmente independiente y como S genera todo
3, entonces S es base para 3.
1
1
2
Una base {w1, w2, ..., wk} para un subespacio U de V es ortonormal si los
vectores wi son unitarios y mutuamente perpendiculares.
Es obvio que normalizando vectores ortogonales no nulos obtenemos de nuevo
vectores ortogonales. Por lo tanto, al normalizar los vectores de una base ortogonal
del espacio, obtendremos una base ortonormal de este espacio.
Se dice que un vector v de V es ortogonal a un conjunto S1 de vectores, si v
es ortogonal a todos los vectores de S1.
T E O R E M A 6.4.4
Sea V un espacio vectorial eucldeo. Si los subconjuntos S1, S2 de V son
ortogonales, entonces tambin son ortogonales los subespacios U y W,
engendrados por S1 y S2.
Sean u U y v W, esto es u = a1u1 + a2u2 + ... + anun y v = b1v1 + b2v2 + ... + bmvm
para ciertos vectores {u1, u2, ..., un} de S1, {v1, v2, ..., vm} de S2 y a1, a2, ..., an, b1, b2,
..., bm nmeros reales; entonces
u v = a1u1 + a2u2 + ... + anun b1v1 + b2v2 + ... + bmvm
= a1b1u1 v1 + a2b2u2 v2 + ... + anbmun vm = 0.
T E O R E M A 6.4.5
Si dos subespacios vectoriales U, W de V son ortogonales, entonces son
independientes, es decir, su suma es directa.
Tenemos que demostrar que su suma es directa; esto es si fuese u U W, por ser
u U y u W, tendra que ser u A u y, por tanto, u = .
T E O R E M A 6.4.6
Para que dos subespacios sean ortogonales, es necesario y suficiente que
todo vector de cualquier base de un subespacio sea ortogonal a todos los
vectores de cualquier base de otro subespacio.
Puesto que cualquier sistema que contiene slo un vector es ortogonal, de aqu se
deduce, en particular, que en todo espacio vectorial existe una base ortonormal.
T E O R E M A 6.4.7
Sea {u1, u2, ..., uk} una base de un espacio con producto interior V. Sea {v1,
v2, ..., vk} donde los vi estn dados de la siguiente manera:
v1 = u1
u v
v2 u2 2 1 v1
v1 v1
. . .
JOE GARCIA ARCOS
290
vk
uk
uk v1
u v
u v
v1 k 2 v2 ... k k 1 vk 1 .
v1 v1
v2 v2
vk 1 vk 1
vi
.
vi
Entonces el conjunto {w1, w2, ..., wk} es una base ortonormal de V. Estas
ecuaciones resumen el llamado proceso de Gram Schmidt para encontrar
un conjunto ortonormal a partir de un conjunto linealmente independiente.
Supongamos que {u1, u2, ..., uk} es un conjunto linealmente independiente En el
espacio vectorial V; deduzcamos un proceso para construir un conjunto ortonormal
de vectores {w1, w2, ..., wk}. Primero elegimos uno cualquiera de los ui, digamos u1 y
tomamos v1 = u1, donde
v1
.
w1
v1
Ahora elegimos otro de los ui, digamos u2 y consideremos su proyeccin en v1, es
u2 v1
decir, consideramos el vector u
v1 . Si los vectores fueran los vectores
v1 v1
geomtricos ordinarios, la relacin entre u1, u2 y v1 sera como lo muestra la figura
Entonces {v1, v2, ..., vk} es una base ortogonal de V. Sea wi
El vector v2 est definido por
v2
u2
u2 v1
v1
v1 v1
y podemos comprobar que v2 es ortogonal a v1. En efecto,

u v
v2 v1 = u2 v1 - 2 1 v1 v1 = u2 v1 - u2 v1 = 0.
v1 v1
Para obtener un vector unitario ortogonal w1, hacemos
v2
.
w2
v2
El vector w2 no puede ser cero, ya que, por su definicin, esto implicara que u2 y v1
son linealmente independientes.
Una vez encontrado v1 y v2, elegimos u3 y formamos su proyeccin en el subespacio
de V generado por v1 y v2. Por definicin, este es el vector
u3 v1
u v
v
v1 3 2 v2 .
v1 v1
v2 v2
Definimos v3 restando esta proyeccin a u3
u v
u v
v3 u3 3 1 v1 3 2 v2 .
v1 v1
v2 v2
Como antes, podemos verificar que v3 es ortogonal a v1 y v2. En efecto
JOE GARCIA ARCOS
v3 v1 = u3 v1 -
291
u3 v1
u v
v1 v1 3 2
v1 v1
v2 v2
v2 v1 = u3 v1 - u3 v1 = 0
Anlogamente
u3 v1
u v
v1 v2 - 3 2
v1 v1
v2 v2
En la figura se muestran estos vectores.
Definimos w3 por
v3
.
w3
v3
v3 v2 = u3 v2 -
v2 v2 = u3 v2 - u3 v2 = 0
Nuevamente, v3 = implicara la dependencia lineal de u3, v1 y v2. Pero como el

subespacio generado por v1 y v2 es igual al generado por u1 y u2, esto implicara la
dependencia lineal de los ui. Procediendo de esta manera, calculamos sucesivamente
v1, v2, ..., vk.
Para encontrar vk, escribimos
u v
u v
u v
vk uk k 1 v1 k 2 v2 ... k k 1 vk 1
v1 v1
v2 v2
vk 1 vk 1
de donde
vk
.
wk
vk
Como anteriormente, podemos verificar que vk es ortogonal a v1, v2, ..., vk-1.
E J E M P L O 6.4.2
Supongamos que V es el plano generado por v1 = (1, 0, 0, 0) y v2 = (1, 1, 0, 0) y
W es la recta generada por w1 = (0, 0, 4, 5). Encontrar, un w2 de tal manera que el
plano W generado por w1 y w2 contine siendo ortogonal a V. Encontrar un v3 de
tal manera que el subespacio tridimensional generado por v1, v2 y v3, sea ortogonal
a la recta original W.
SO L U C I O N
Para que el plano W sea ortogonal a plano V, debe cumplir las siguientes
condiciones:
(a, b, c, d) (1, 0, 0, 0) = 0 a = 0;
(a, b, c, d) (1, 1, 0, 0) = 0 a + b = 0.
De estas dos condiciones, obtenemos que a = b = 0:
( a , b, c, d) = (0, 0, c, d) = c(0, 0, 1, 0) + d(0, 0, 0, 1).
Por tanto el vector buscado es: w2 = (0, 0, 1, 0) o w2 = (0, 0, 1, 0).
Para que el subespacio generado por {v1, v2, v3} sea ortogonal a la recta W, debe
cumplir la siguiente condicin:
JOE GARCIA ARCOS
292
(x, y, z, t) (0, 0, 4, 5) = 0 4z + 5t = 0 z
5
t.
4
Es decir:
4t
4
( x, y, z, t ) x, y, , t x(1, 0, 0, 0) y (0,1, 0, 0) t 0, 0, ,1 .
5
5
Siendo v3 = (0, 0, -4, 5) el vector buscado.
EJ E M P L O 6.4.3
Porqu el plano x + 2y + z = 0 y cada plano x + 2y + z = k es ortogonal a la recta
generada por (1, 2, 1)?
SO L U C I O N
La base del plano x + 2y + z = 0 es B = {(-2, 1, 0), (-1, 0, 1)}. Como estos vectores
son ortogonales al vector (1, 2, 1):
(-2, 1, 0) (1, 2, 1) = -2 + 2 + 0 = 0; (-1, 0, 1) (1, 2, 1) = -1 + 0 + 1 = 0.
Entonces concluimos que el plano dado que pasa por el origen es ortogonal a la recta.
Adems como el plano x + 2y + z = 0 es paralelo a los planos x + 2y + z = k,
entonces el plano x + 2y + z = k tambin es ortogonal a la recta.
EJ E M P L O 6.4.4
Encontrar una base ortogonal para 3, partiendo del vector (1, 1, -1).
SO L U C I O N
Si u = (1, 1, -1) y v = (a, b, c), entonces:
u v = 0 (1, 1, -1) (a, b, c) = a + b c = 0 a + b c = 0.
Si a = - b + c, entonces:
(a, b, c) = (-b + c, b, c) = b(-1, 1, 0) + c(1, 0, 1).
Como estos vectores son ortogonales al vector (1, 1, -1), entonces la base ortogonal
buscada es:
{(1, 1, -1), (-1, 1, 0), (1, 0, 1)}.
EJ E M P L O 6.4.5
Sean u1, u2, ..., un vectores mutuamente perpendiculares, y tales que ui z 0 para
todo i. Sea u un elemento de V, y sea Oi la componente de u a lo largo de ui. Sean D1,
D2, ..., Dn nmeros. Entonces
n
k 1
k 1
u O k uk d u D k uk
SO L U C I O N
n
Se sabe que u O k uk es perpendicular a cada uno de los ui, i = 1, 2, ..., n. Por

k 1
tanto, es perpendicular a cualquier combinacin lineal de u1, u2, ..., un. Ahora
n
u D k uk
k 1
u O k uk (O k D k )uk
k 1
k 1
u O k uk
k 1
(O k D k )uk
k 1
Por el teorema de Pitgoras. Esto prueba que

n
u D k uk
k 1
d u D k uk
k 1
EJ E M P L O 6.4.6
Sea S = {e1, e2, e3, e4} base cannica en 4. Normalizar el vector
u = e1Sen3M + e2Sen2M CosM + e3SenM CosM + e4 CosM.
JOE GARCIA ARCOS
293
SO L U C I O N
Como el vector u = (Sen3M, Sen2M CosM, SenM CosM, CosM), entonces
u
(Sen3D, Sen2 D CosD , SenD CosD, CosD)
|| u ||
Sen6 D Sen4 D Cos 2 D Sen2 D Cos 2 D Cos 2 D
( Sen3D, Sen2 D CosD, SenD CosD, CosD)
r1
(r Sen3D, r Sen2D CosD, r SenD CosD, r CosD) .
EJ E M P L O 6.4.7
Demuestre que el conjunto
2
6 6 6 3 3
3
2
S
, 0,
,
,
,
,
,
,

2
2
6
3
6
3
3
3
3
es base ortonormal de .
SO L U C I O N
Primero demostraremos que los vectores del conjunto S son ortogonales tomados de
dos en dos:
2
2
6 6 6
12
12
, 0,
,
,

0
0
2 6 3 6
12
12
2
2
2 3 3
3
, 0,
,
,
2 3 3
3
2
6 6 6 3 3
3
,
,
,
,

6
3
6
3
3
3
Adems, cada vector debe tener longitud 1:

2
2
, 0,
2
2
6 6 6
,
,

6 3 6
6
6
0
6
6

18
18
18

18
9
18
2
2 2
2
, 0,
, 0,
2 2
2
2
1
1
0
2
2
6 6 6
6 6 6
,
,
,
,

6 3 6 6 3 6
1 2 1

6 3 6
3 3
3 3
3
3 3 3
3
1 1 1
,
,
,
,
,
,

1
3
3 3 3
3
3 3 3
3 3
3 3
Por consiguiente, S es un conjunto ortonormal. Dado que los tres vectores no son
coplanares, se sabe que generan a 3.
EJ E M P L O 6.4.8
Sea S = {e1, e2, e3, e4} base cannica en 4. Para qu valor de k la base constituida
por los vectores
u1 = ke1 + e2 + e3 + e4, u2 = e1 + ke2 + e3 + e4
u3 = e1 + e2 + ke3 + e4, u4 = e1 + e2 + e3 + ke4
es ortogonal? Normalizar esta base.
SO L U C I O N
Los vectores son
u1 = (k, 1, 1, 1), u2 = (1, k, 1, 1), u3 = (1, 1, k, 1), u4 = (1, 1, 1, k),
entonces para encontrar el valor del parmetro k, de tal forma que los vectores sean
ortogonales, procedemos de la siguiente manera:
u1 u2 = 2k + 2 = 0; u1 u3 = 2k + 2 = 0; u1 u4 = 2k + 2 = 0;
u2 u3 = 2k + 2 = 0; u2 u4 = 2k + 2 = 0; u3 u4 = 2k + 2 = 0;
Como la ecuacin 2k + 2 = 0 es comn en todos los productos interiores, la solucin
JOE GARCIA ARCOS
294
es k = -1. Los vectores son los siguientes:

u1 = (-1, 1, 1, 1), u2 = (1, -1, 1, 1), u3 = (1, 1, -1, 1), u4 = (1, 1, 1, -1).
A continuacin, cada vector lo dividimos para su correspondiente norma para
normalizar cada uno de los vectores. Es decir:
u1
(1,1,1,1)
1 1 1 1
,r ,r ,r ;
|| u1 ||
12 12 12 12 2 2 2 2
u2
|| u2 ||
u3
|| u3 ||
u4
|| u4 ||
(1, 1,1,1)
2
1
r ,
2
1 1
r , r ,
2 2
1 1 1 1
(1,1, 1,1)
1 1 1
,r ,r ;
2 2 2
1 1
, r ;
2 2
1 1 1 1
(1,1,1, 1)
1 1 1
r , r , r ,
2
2
2
2
2 2 2
1 1 1 1
1
.
2
EJ E M P L O 6.4.9
Demuestre que dado cualquier vector u de longitud 1, entonces existe una base
ortonormal con u como primer elemento.
SO L U C I O N
Ya que el conjunto {u} es linealmente independiente, se puede extender hasta
una base con u como primer elemento. Ahora bien, cuando se aplica el proceso de
ortonormalizacin, el primer vector, siendo de longitud 1, no se cambia y se
convierte en el primer vector de una base ortonormal.
EJ E M P L O 6.4.10
Aplique el proceso de ortonormalizacin a la base S = {(1, 0, -1), (1, 2, 0), (0, 1, 1)}.
SO L U C I O N
Aplicando el teorema correspondiente, obtenemos:
v1 = u1 = (1, 0, -1).
u v
(1, 2, 0) (1, 0, 1)
v2 u2 2 1 v1 (1, 2, 0)
(1, 0, 1)
v1 v1
(1, 0, 1) (1, 0, 1)
1
1
1
(1, 0, 1) , 2, .
2
2
2
u v
u v
u3 3 1 v1 3 2 v2
v1 v1
v2 v2
(1, 2, 0)
v3
1
1
(0,1,1) , 2,
2 1
(0,1,1) (1, 0, 1)
1
2
(0,1,1)
(1, 0, 1)
, 2,
(1, 0, 1) (1, 0, 1)
2
1 1
1 2
1
, 2, , 2,
2 2
2
2
1
51
1 2 1 2
(1, 0, 1) , 2, , , .
2
92
2 9 9 9
2
v1
1
2
w1
(1, 0, 1)
, 0,
;
v1
2
2
2
v2
1 1
1 2 2 2 2
w2
,
,
;
, 2,
v2
2 6
3
6
9 2
2
v3
1 2 1 2 2 7
7 2 7
w3
,
,
.
, ,
v3
7
7
7 9 9 9 7
81
(0,1,1)
JOE GARCIA ARCOS
295
Por tanto
2 2 2 2 2 2 7
7 2 7
2
S
, 0,
,
,
,
,
,
,

2
2
6
3
6
7
7
7
es base ortonormal de 3.
E J E M P L O 6.4.11
Encuentre una base ortonormal para los polinomios de la forma ax2 + ( a + b)x +
2b.
SO L U C I O N
Una posible base para este subespacio se determina de la siguiente manera:
( a , a + b, 2b) = a (1, 1, 0) + b(0, 1, 2) Base U = {(1, 1, 0), (0, 1, 2)}.
Ortogonalizamos esta base:
v1 = (1, 1, 0);
(0,1, 2) (1,1, 0)
1
1 1
v2 (0,1, 2)
(1,1, 0) (0,1, 2) (1,1, 0) , , 2 .
(1,1, 0) (1,1, 0)
2
2 2
Por tanto la base ortogonal est formada por los siguientes vectores:
1 1
(1,1, 0), , , 2 .
2 2
Normalizando cada uno de estos elementos, encontramos la base ortonormal:

1
1
(1,1, 0),
1,1, 4 .
2
10
EJ E M P L O 6.4.12
Encuntrese en 3 una base, que conste de dos vectores unitarios ortogonales entre
s, para el subespacio compuesto de todos los puntos (x, y, z) para los que se verifica
que x + y + z = 0.
SO L U C I O N
Como x + y + z = 0, entonces x = - y z:
(x, y, z) = (- y z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
(1, 0,1) (1,1, 0)
v2 (1, 0,1)
(1,1, 0)
(1,1, 0) (1,1, 0)
1
1
1
(1, 0,1) (1,1, 0) , , 1 .
2
2
2
La base ortogonal esta formada por los vectores:
1
1
(1,1, 0), , , 1 .
2
2
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:

1
1
(1, 1, 0),
(1, 1, 2) .
6
2
EJ E M P L O 6.4.13
k 1 k
, r,
Para qu valores de k y r la base constituida por los vectores u ,
3
3
k
1 k
k 1 k
v
, r, y w r, ,
es ortonormal?
3
3
3
3
SO L U C I O N
Para encontrar el valor de los parmetros k y r, de tal forma que los vectores u, v y w
sean ortonormales, se procede de la siguiente manera:
JOE GARCIA ARCOS
296
k
k2 k r
k 1 k 1 k
, r
, r,
0 k2 k 3 r =
,
3
3
9 9 3
3
3
0;
k2 k r
k 1 k k 1 k
, r r, ,
0 k2 k 3 r
u w 0 ,

3
3
3
3
9
9
3
= 0;
k k 1 k
k2 k r
1 k
, r, r, ,

0 k2 k 3 r =
v w 0
3 3
3
9 9 3
3
0;
u v 0
k 1 k
,
,
3
3
k 1 k
r
,
,
3
3
2k2 2k + 9 r2 = 8;
k 1 k
r ,
,
3
3
k
k 1 k
k
1 k
1 k
, r,
, r,
, r,
3
3
3
3
3
3
2k2 2k + 9 r2 = 8;
k 1 k
k 1 k k 1 k
r, ,
r, ,
r, ,
3
3 3
3
3
3
2
2
2k 2k + 9 r = 8.
De todas estas condiciones, obtenemos nicamente dos ecuaciones:
2
k k 3r 0
.
2
2
8
2 k 2 k 9 r
Resolviendo este sistema de ecuaciones, tenemos:
2 k1 2
r1
,
3
k 2 1
1 i 15 .
k3
2
r 4 ,
2
3
1 i 15
k4
2
2
Por lo tanto los valores de k y r son k = 2, r
y k = -1, r
.
3
3
EJ E M P L O 6.4.14
Considerar el plano dado implcitamente por la ecuacin x + y + z = 0 en el espacio
euclidiano de tres dimensiones 3. Construir una base ortonormal en la siguiente
forma: seleccionar una base ortonormal para el subespacio formada por puntos del
plano y luego calcular un tercer vector unitario y ortogonal al plano.
SO L U C I O N
Dado el plano x + y + z = 0, entonces x = - y z:
(x, y, z) = (- y z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
(1, 0,1) (1,1, 0)
v2 (1, 0,1)
(1,1, 0)
(1,1, 0) (1,1, 0)
1
1
1
(1, 0,1) (1,1, 0) , , 1 .
2
2
2
JOE GARCIA ARCOS
297
1 1
(1, 1, 0), , ,1 .
2 2

1
1
(1, 1, 0),
(1, 1, 2) .
6
2
Para encontrar el tercer vector, realizamos las siguientes operaciones:

1
a b
(1, 1, 0)
0 a b = 0;
w u 0 ( a , b, c )
2
2
w v 0
( a , b, c )
( a, b, c )
1
6
(1, 1, 2)
a b 2c
6
0 a + b 2c = 0;
1 a 2 + b2 + c2 = 1.
( a, b, c ) ( a, b, c)
Como a = b, entonces c = b. Por lo tanto, reemplazando estos valores en la

ecuacin a 2 + b2 + c2 = 1, obtenemos el tercer vector:
1
1
1
,r
,r
r
.
3
3
3
De esta manera la base buscada tiene la siguiente forma:

1
1
1
(1, 1, 0),
(1, 1, 2),
(r1, r 1, r 1) .
6
3
2
EJ E M P L O 6.4.15
Considrese el subespacio de 4 generado por los vectores u1 = (1, 0, 1, 0) y
u2 = (1, -1, 1, -1), para construir una base ortonormal v1, v2 para el subespacio y luego
construir una base ortonormal para 4 que contenga a v1 y v2.
SO L U C I O N
Dados los vectores u1 = (1, 0, 1, 0) y u2 = (1, -1, 1, -1), ortogonalizamos y luego
normalizamos cada uno de estos vectores:
v1 = (1, 0, 1, 0);
(1, 1,1, 1) (1, 0,1, 0)
v2 (1, 1,1, 1)
(1, 0,1, 0)
(1, 0,1, 0) (1, 0,1, 0)
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
^(1, 0,1, 0), (0, 1, 0, 1)` .
1
1
(1, 0,1, 0),

(0, 1, 0, 1) .
2
2
Para construir la base ortonormal para 4, tomamos un vector (a, b, c, d) que cumpla
las siguientes condiciones:
1
ac
( a , b, c, d )
(1, 0,1, 0) 0
0 a + c = 0;
2
2
( a , b, c, d )
( x, y, z, t )
1
2
(0, 1, 0, 1)
( x, y, z, t ) ( x, y, z, t )
b d
2
0 b + d = 0;
1 x2 + y2 + z2 + t2 = 1.
Como a = -c y b = -d, entonces reemplazando estos valores en la ecuacin x2 + y2

+ z2 + t2 = 1, obtenemos el tercer vector:
1
(0, 1, 0,1) .
2
Para encontrar el cuarto vector hacemos que c = -a y d = -b, reemplazando estos
JOE GARCIA ARCOS
298
valores en la ecuacin x2 + y2 + z2 + t2 = 1, obtenemos el vector:

1
(1, 0, 1, 0) .
2
De esta manera hemos encontrado la base de 4:
1
1
1
1
(1, 0,1, 0),

(0, 1, 0, 1),
(0, 1, 0,1),
(1, 0, 1, 0) .
2
2
2
2
Un sistema de vectores e1, e2, ..., en considerados en un orden determinado ha sido

llamado sistema de coordenadas de un espacio vectorial V, si e1, e2, ..., en forman una
base del espacio vectorial V. Si e1, e2, ..., en es una base ortonormal, tambin el
sistema de coordenadas se denomina ortonormal.
T E O R E M A 6.4.8
Cualquier sistema ortonormalizado de vectores w1, w2, ..., wk puede ser
completado hasta obtener una base ortonormalizada de este espacio.
EJ E M P L O 6.4.16
Sea S = {e1, e2, e3, e4} base cannica en 4. Hallar un vector normalizado que sea
ortogonal a los vectores
u = 3e1 e2 e3 e4, v = e1 - 3e2 + e3 + e4 y w = e1 + e2 - 3e3 + e4.
SO L U C I O N
Como u = (3, -1, -1, -1), v = (1, -3, 1, 1) y w = (1, 1, -3, 1), debemos encontrar un
vector unitario z que sea ortogonal a u, v y w, es decir:
(3, 1, 1, 1)
(1, 3,1,1)
(1,1, 3,1)
( a , b, c, d )
a 2 b2 c 2 d 2
( a , b, c, d )
2
a b c d
( a , b, c, d )
0
0
0
3a b c d
a 2 b2 c 2 d 2
a 3b c d
a 2 b2 c 2 d 2
a b 3c d
0
a b c d
a 2 b2 c 2 d 2
Estas operaciones generan el siguiente sistema de ecuaciones homogneas
3 a b c d 0
a 3b c d 0
a b 3c d 0
Por eliminacin gaussiana, tenemos a = b = c = d. Por lo tanto una posible solucin

particular es (1, 1, 1, 1) y el vector buscado es
(1,1,1,1)
1 1 1 1
z
r , r , r , r .
2
2
2
2
2 2 2 2
1 1 1 1
2
PR O B L E M AS
6.4.1 Dados los vectores u = (1, -1, 2, -1), v = (-2, 2, 3, 2),
w = (1, 2, 0, 1) y x = (1, 0, 0, 1). Encuentre una base
ortonormal con respecto al producto interior cannico y
luego determine el vector de coordenadas de y = (-1, 1, -1,
1) con respecto a la base.
6.4.12 Sea V un subespacio r-dimensional de n tal

que r < n. Demuestre que cualquier vector u en n
puede expresarse de manera nica en la forma u = v +
w, donde v est en V y w es ortogonal a todo vector en
V.
6.4.17 Sea S = {u1, u2, ..., un} una base de n. Demuestre

que el nico vector v n ortogonal a todos y cada uno de
los vectores de S es el vector .
6.4.11 Sea S = {u1, u2, ..., uk} un conjunto ortogonal de k

vectores en n. Demuestre que si k > n, entonces alguno
de los vectores de este conjunto es el vector .
JOE GARCIA ARCOS
6.4.2 Para cualquier subespacio U de dimensin m t 1 en

un espacio vectorial V de dimensin n (m < n), demostrar
que V tiene una base ortonormal formada de m vectores en
U y n m vectores ortogonales a todos los vectores en U.
6.4.3 Sea un espacio vectorial V de dimensin n, entonces
cualquier conjunto de n vectores ortogonales es una base de
V.
6.4.4
Para que dos subespacios sean ortogonales, es
necesario y suficiente que todo vector de cualquier base de
un subespacio sea ortogonal a todos los vectores de
cualquier base de otro subespacio.
6.4.5 Completar los siguientes sistemas de vectores hasta
bases ortonormales:
11
2 2 2
14 1
a.- , , , , , ;
5 15 3 15 15 3
1 1 1 1 1 1 1 1
b.- , , , , , , , .
2 2 2 2 2 2 2 2
6.4.6 Sea û1, u2 un` una base ortonormal de un

espacio eucldeo. Hallar la expresin del producto interior
de los vectores arbitrarios u y v haciendo uso de sus
coordenadas:
a.- En la base Ô1u1, O2u2Onun`, donde O1, O2On
son escalares no nulos;
b.- En la base û1 + u2, u2, u3un`.
6.4.7 Describe los vectores u 3 que son ortogonales al
vector (-3, 4 , 3). Verifique que ste es un subespacio de 3
del tipo S = {(x, y, z) / ax + by + cz = 0}. Ms en general,
demuestre que todo subespacio S de 3 como el anterior,
es descrito como S = {u / u v = 0} para algn
v 3.
6.4.15 Escriba de manera vectorial cada una de las rectas
dadas a continuacin. Es decir, como un conjunto de
vectores (x , y) 2 tales que (x, y) = (0, b) + t(1, m), t
R, haciendo una grfica en cada caso:
a.- y = 5x;
b.- y = 2x 1;
c.- y = - x + 5;
d.- y = -3x 1; e.- y = x 7.
6.4.16 Considere la recta
L = {(x, y) / (x, y) = (0, 3) + t(1, 2), t }.
Verifique que (2, 7) L. Significa esto que el vector (2,
7) se encuentra sobre la recta L?
6.4.18 Se sabe que todo conjunto ortogonal de n vectores
no nulos en n es una base de este espacio. Es cierta la
afirmacin recproca?
6.4.13 Hallar un vector normalizado que sea ortogonal a
los vectores (1, 1, 1, 1), (1, -1, -1, 1), (2, 1, 1, 3).
299
6.4.8 Agregar a la matriz

1 1 1 2 1
1 0 0 1 2
2 1 1 0 2
dos filas ms, que sean ortogonales entre s y ortogonales

a las primeras tres filas.
6.4.9 Mediante el proceso de ortogonalizacin, construir
una base ortogonal del subespacio dado por el sistema de
vectores:
a.- ^(2, 3, -4, -6), (1, 8, -2, -16), (12, 5, -14, 5), (3, 11, 4, 7)`;
b.- ^(1, 1, -1, -2), (-2, 1, 5, 11), (0, 3, 3, 7), (3, -3, -3, -9)`.
6.4.10 Para el sistema de ecuaciones
3 x y z u 0
x 2 y z u 0
hallar un sistema fundamental ortonormal de soluciones.
6.4.14 Sea {u1, u2, ..., uk} un subconjunto ortonormal
de n y sea u cualquier vector en n. Demuestre que
2
t u ui 2 .
i 1
6.4.25 Sea {u1, u2, ..., un} una base ortonormal de n.

Demuestre que
u u1
u u2
... u un
para cualquier vector u en n.

6.4.26 Determine los nmeros a 0, b0, b1, c0, c1, c2 de
modo que las funciones f(x) = c0, g(x) = b0 + b1x, h(x) =
c0 + c1x + c2x2 formen un conjunto ortonormal sobre el
intervalo 1 d x d 1.
6.4.27 Demostrar que si las funciones f(x), g(x), h(x)
forman un conjunto ortogonal sobre un intervalo a d x d
b, entonces las funciones f(Dt + E), g(Dt + E), h(Dt + E),
D z 0, forman un conjunto ortogonal sobre el intervalo
a E
b E
dt d
.
D
D
6.4.28 Agregar a la matriz
3 1 1 1 2
1 1 1 2 2
1 2 1 3 1
dos filas ms, que sean ortogonales entre s y ortogonales

a las primeras tres filas.
6.4.19 Mediante el proceso de ortonormalizacin, hallar
una base ortogonal del espacio engendrado por los
vectores (1, 2, 1, 3), (4, 1, 1, 1), (3, 1, 1, 0).
JOE GARCIA ARCOS
300
6.4.20 Considere la base cannica de 3. Determine la

matriz de cambio de base de S a S, en donde S = {(2/3, 2/3, 1/3), (2/3, 1/3, -2/3), (1/3, 2/3, 2/3)} es una base
ortonormal. Verifique que se trata de una matriz ortogonal.
Cul es la matriz de cambio de base de S a S?
6.4.21 Hallar un vector normalizado que sea ortogonal a
los vectores (1, 1, 1, 1), (1, -1, -1, 1), (2, 1, 1, 3).
6.4.22 Construir una base ortonormal del espacio,
tomando como vectores de la base los vectores (1/2, 1/2,
1/2, 1/2) y (1/6, 1/6, 1/2, -5/6).
matriz de cambio de base de S a S, en donde S = {(, ,
, ), (, , -, -), (, -, , -), (, -, -, )} es
una base ortonormal. Verifique que se trata de una matriz
ortogonal. Cul es la matriz de cambio de base de S a S?
6.4.30 Mediante el proceso de ortogonalizacin, hallar
una base ortogonal del espacio engendrado por los vectores
(1, 2, 1, 3), (4, 1, 1, 1), (3, 1, 1, 0).
6.5 SUB ESP A C I O C O MP L E M E N T O

DIST A N C I A A UN SUB ESP A C I O
6.4.29 Sea S = {(1, -1, 1), (1, 2, -2)} una base de un

subespacio de 3 y sea u = (-1, -1, 3) un vector en el
subespacio:
a.- Exprese u como una combinacin lineal de los
vectores en S. Es decir, encuentre las coordenadas de u
con respecto a S;
b.- Aplique el proceso de ortonormalizacin de GramSchmidt para transformar S en un conjunto ortonormal;
c.- Exprese u como una combinacin lineal de los
vectores de la base ortonormal.
6.4.24 Encuentre bases ortonormales para los subespacios
de C 4:
a.- S = {(x, y, z, u) C 4 / ix y + z = 0};
b.- S = {(x, y, z, u) C 4 / x = iu, y = iz + iu}.
matriz de cambio de base de S a S, en donde S = {(3/5,
4/5), (-4/5, 3/5)} es una base ortonormal. Verifique que se
trata de una matriz ortogonal. Cul es la matriz de
cambio de base de S a S?
O R T O G O N A L, PR O Y E C C I O N ES O R T O G O N A L ES Y
En esta seccin se estudiarn varios problemas relacionados con el complemento ortogonal, proyecciones
ortogonales y la distancia de un vector a un subespacio.
Consideremos ahora un conjunto no vaco cualquiera S de vectores de un espacio
vectorial V. El conjunto de todos los vectores del espacio V ortogonales a S se llama
complemento ortogonal del conjunto S.
Sea V un espacio vectorial eucldeo y S es un subconjunto de V. El
complemento ortogonal de S en V es definido y representado por el
subespacio SA = {v V / v w = 0, para cada w S}.
Si U es un subespacio de dimensin finita de V, la proyeccin ortogonal ProyU : V
o V es la nica operacin lineal donde ProyU(w) = w para todo W U, y ProyU(v)
= para todo v U A.
T E O R E M A 6.5.1
Dado V un espacio vectorial eucldeo, entonces U A es un subespacio de V.
Si u y v pertenecen al complemento ortogonal U A y w es un vector cualquiera de U,
se tiene
au + bv w = au w + bv w = 0.
Por consiguiente, cualesquiera que sean a y b el vector au + bv est contenido en U A
y U A es un subespacio vectorial.
La totalidad de todos los vectores ortogonales al subespacio U, se denomina
complemento ortogonal del subespacio U y se representa por U A.
JOE GARCIA ARCOS
301
Si U es un subespacio del espacio vectorial eucldeo V, su subespacio ortogonal U A

es tal que la suma de U y U A es directa. El hecho de que en el espacio ordinario
ocurra que U y U A sean siempre subespacios suplementarios puede hacer suponer
que ocurra tambin as en todo espacio vectorial eucldeo; sin embargo, en general,
las cosas no ocurren de esta manera, aun cuando, si el espacio es de dimensin finita,
se satisfaga que el subespacio ortogonal de un subespacio dado sea un subespacio
suplementario suyo.
T E O R E M A 6.5.2
El espacio eucldeo V es la suma ortogonal de cualquier subespacio
vectorial U de V y su complemento ortogonal U A, es decir V = U U A.
Sea u1, u2, ..., uk una base ortonormal del subespacio U y sea uk+1, uk+2, ..., un una
base ortonormal del subespacio U A. Para demostrar el teorema es suficiente ver
que u1, u2, ..., uk, uk+1, uk+2, ..., un es una base del espacio vectorial V. Supongamos,
por el contrario, que el sistema u1, u2, ..., un no es una base del espacio vectorial V.
Entonces este sistema puede ser complementado hasta obtener una base
ortonormal del espacio vectorial V. Sea u uno de los vectores complementarios.
Puesto que u es ortogonal a todos los vectores u1, u2, ..., uk, el vector u est
contenido en U A. Por consiguiente, U A contiene un sistema ortonormal y, por
ende, linealmente independiente de vectores uk+1, uk+2, ..., un, u. Pero esto
contradice a nuestra hiptesis de que uk+1, uk+2, ..., un es una base de U A.
T E O R E M A 6.5.3
Si U es un subespacio de V, entonces DimU + DimU A = n. Adems, si {u1,
u2, ..., uk} es una base de U y {uk+1, uk+2, ..., un} es una base de U A, entonces
{u1, u2, ..., uk, uk+1, uk+2, ..., un} es una base de V.
Si U = {}, entonces U A = V y DimU + DimU A = 0 + n = n. Para demostrar que {u1,
u2, ..., uk, uk+1, uk+2, ..., un} es una base para U, basta probar que los n vectores son
linealmente independientes. Supngase que
a1u1 + a2u2 + ... + akuk + ak+1uk+1 + ak+2uk+2 + ... + anun =
Sean
u = a1u1 + a2u2 + ... + akuk
y
v = ak+1uk+1 + ak+2uk+2 + ... + anun
Tenemos entonces que u + v = , de donde u = - v. Por lo tanto, u y v son elementos
de U U A. Pero U U A = {}. En consecuencia
a1u1 + a2u2 + ... + akuk =
y
ak+1uk+1 + ak+2uk+2 + ... + anun =
Como u1, u2, ..., uk son linealmente independientes, entonces a1 = a2 = ... = ak = 0. De
manera similar uk+1, uk+2, ..., un son linealmente independientes y por tanto, ak+1 = ak+2
= ... = an = 0. En consecuencia, u1, u2, ..., uk, uk+1, uk+2, ..., un son linealmente
independientes y, en consecuencia, forman una base para V.
T E O R E M A 6.5.4
Supngase que V es un espacio vectorial eucldeo y U es un subespacio de
V de dimensin finita. Entonces la nica proyeccin ortogonal es
ProyU : V o V. Sea S = {w1, w2, ..., wk} una base ortonormal de U. La
proyeccin ortogonal ProyU se establece como
ProyU(v) = v w1w1 + v w2w2 + ... + v wkwk.
Como S ={w1, w2, ..., wk} es una base ortonormal de U, un vector v se puede expresar
como v = a1w1 + a2w2 + ... + akwk. Para todo vector wi en S se tiene
JOE GARCIA ARCOS
302
v wi = a1w1 + a2w2 + ... + akwk wi = a1w1 wi + a2w2 wi + akwk wi

Como S es un conjunto ortonormal, entonces se cumple que wi wi = 1 y wj wi =
0 si i z j. Por consiguiente, la expresin anterior se reduce a v wi = ai, con lo cual
queda demostrado el teorema.
Sea U un plano que pasa por el origen de R 3, y sea u un punto arbitrario que no est
en U. Entonces, si v indica la proyeccin perpendicular de u a U, la distancia de u a
U se define como la longitud del vector u v, como se muestra en la figura. Ms an,
el vector v se caracteriza por la propiedad de que es el vector nico en U tal que u v
es perpendicular a U.
El vector v en la descomposicin u = v + w se llamar proyeccin del vector u sobre
el subespacio U; w, perpendicular trazada desde el vector u al subespacio U; el
propio vector u, lnea oblicua al subespacio U.
Se denomina ngulo entre el vector u y el subespacio U el menor de los
ngulos formados por el vector u y los vectores de U.
Ahora se hace ver que el vector w, que es llamado la componente de u perpendicular
a U, puede usarse para medir la distancia de u a U. Para hacerlo, sea z z w cualquier
vector en V tal que u w pertenezca a U (puede imaginarse a z como un vector de U
al punto u). Entonces, ya que z w puede expresarse como la diferencia de dos
vectores en U, tambin pertenece a U y, as, es ortogonal a w. Ahora se sigue, del
teorema pitagrico, que || z ||2 = || w ||2 + || z w ||2 y, luego, ya que || z w || > 0, que
|| z || > || w ||. En otras palabras, de todos los vectores z en V tales que u z pertenezca
a U, w es aqul cuya longitud es la menor. Esto sirve para justificar la siguiente
definicin.
Si U es un subespacio de dimensin finita de un espacio eucldeo V, y u es cualquier
vector en V, entonces la distancia de u a U es la longitud de la componente de u
perpendicular a U.
En trminos de una definicin se puede describir la proyeccin perpendicular u w
de u sobre U como aquel punto en el cual U est ms cercano a u, en el sentido de
que si x es otro vector cualquiera en U, entonces || u x || es mayor que || w ||.
EJ E M P L O 6.5.1
2 1
Dada la matriz P
. Hallar el conjunto de todas las matrices M tales que
4 2
P M = M P y determine el complemento ortogonal.
SO L U C I O N
Para determinar el conjunto de matrices M para que cumpla PM = M P, debemos
tomar una matriz M cuyos elementos sean variables y luego multiplicar por la
izquierda y por la derecha de la igualdad a la matriz P, es decir
4b c 0
ad 0
2 1 a b a b 2 1
4b c 0

4 2 c d c d 4 2
ad 0
ad 0
4b c 0
a b a d 0
0 1 1 0
S
Base S =
,
.
c
d
4
b

c
0
4
0
0
1
Aplicando la definicin de complemento ortogonal, obtenemos

JOE GARCIA ARCOS
303
a b 0 1
c d 4 0
a b 1 0
c d 0 1
SA
b 4c 0 b = - 4 c ;
ad
0 a = - d;
a b b 4c
c d a d
EJ E M P L O 6.5.2
Sea V un espacio vectorial con producto interior y sean U y W subespacios de V.
Verifquese lo siguiente:
a.- Si U W entonces W A U A;
b.- Span(U A) = U A;
c.- U (UA)A;
d.- Si V es de dimensin finita, entonces U = (U A)A;
e.- (U + W)A = U A W A;
f.- U A + W A (U W)A.
SO L U C I O N
a.- Suponga que U W y que u W A; entonces u v = 0 para todo v W, luego
para todo v U; por lo tanto, u U A.
b.- Por el inciso a), sabemos que Span(U A) U A. Veremos tambin que
U Span(U A). Si u es un elemento de Span(U), entonces u puede escribirse como
combinacin lineal de elementos de U, es decir
u = a1u1 + a2u2 + ... + anun para
algunos escalares a1, a2, ..., an y algunos vectores u1, u2, ..., un de U. Por tanto, si
v U A, tenemos que
u v = a1u1 v + a2u2 v + ... + anun v = 0
y v pertenece a Span(U A).
c.- Si u U y v U A, entonces u v = 0. Luego, si u U, u es ortogonal a todo
elemento de U A; por lo tanto, u (U A)A. Con esto hemos visto que U (U A)A.
d.- Basta tener en cuenta que U (U A)A y que ambos subespacios tienen la misma
dimensin.
e.- Por el inciso a), al estar U y W contenidos en U + W, se tiene que (U + W)A
U A y (U + W)A W A, y en consecuencia (U + W)A U A W A. Adems, si u U A
W A y v = v1 + v2 U + W con v1 U y v2 W, u v = u v1 + u v2 = 0, y
u (U + W)A.
f.- Del inciso a) se deduce que U A (U W)A y W A (U W)A, luego, por la
definicin de subespacio suma, tenemos que U A + W A (U W)A.
EJ E M P L O 6.5.3
Demuestre que Span(S) = SAA.
SO L U C I O N
Ya que SAA es un subespacio que contiene a S, Span(S) SAA. Sabemos que
S Span(S), SA (Span(S))A, SAA (Span(S))AA = Span(S).
EJ E M P L O 6.5.4
Determinar la proyeccin ortogonal del vector u = (1, 2, 3) sobre el subespacio
generado por el plano a + 2b c = 0.
SO L U C I O N
Debemos encontrar la base ortonormal para el subespacio generado por a + 2b c =
0. Es decir c = a + 2b y
(a, b, c) = (a, b, a + 2b) = a(1, 0, 1) + b(0, 1, 2).
Por lo tanto {(1, 0, 1), (0, 1, 2)} forman una base para el subespacio. La base
ortonormal la podemos encontrar utilizando el proceso de Gram Schmidt;
JOE GARCIA ARCOS
304
1
1
(1, 0,1),
(1,1,1)
3
2
Por lo tanto la proyeccin ortogonal es

1
1
1
Proy U v (1, 2, 3)
(1, 0,1)
(1, 0,1) (1, 2, 3)
(1,1,1)
2
2
3
1
3
(1,1,1)
4
4
2 4 10
(1, 0,1) (1,1,1) , ,
.
2
3
3 3 3
EJ E M P L O 6.5.5
Si V es el espacio vectorial de polinomios con coeficientes reales definidos en el
intervalo [-1; 1], encuentre el subespacio complemento ortogonal:
a.- W = {1, t, t2}; b.- W = {t + t2, t2 + t3}.
SO L U C I O N
a.- Tomamos un genrico de P2, a + bt + ct2, tales que cumpla con las siguientes
condiciones:
1
2(3a c )
a bt ct 2 1 ( a bt ct 2 )dt
0 3a + c = 0;
1
3
1
2b
a bt ct 2 t ( a bt ct 2 )t dt
0 b = 0;
1
3
1
2(5a 3c )
a bt ct 2 t 2 ( a bt ct 2 )t 2 dt
0 5a + 3c = 0.
1
15
Resolviendo el sistema de ecuaciones homogneas, obtenemos que a = b = c = 0.
Por lo tanto W A = {}.
b.- Tomamos un genrico de P3, a + bt + ct2 + dt3, tales que cumpla con las
siguientes condiciones:
1
2(5a 5b 3c 3d )
a bt ct 2 dt 3 t t 2 ( a bt ct 2 dt 3 )(t t 2 )dt
0
1
15
5a + 5b + 3c + 3d = 0;
a bt ct 2 dt 3 t 2 t 3
1 (a bt ct
dt 3 )(t 2 t 3 )dt
2(35a 21b 21c 15d )

105
35a + 21b + 21c + 15d = 0.
Resolviendo el sistema de ecuaciones homogneas, obtenemos que a
3c 29d

,
5
35
10d
. Por lo tanto el subespacio complemento ortogonal es:
7
3c 29d
10d
W A a bt ct 2 dt 3 P3 / a
,b
.
5
35
7
La base de este subespacio se encuentra de la siguiente manera:

3c 29d 10d
29 10
( a , b, c, d )
,
, c, d c , 0,1, 0 d , , 0,1 .
5
35
7
5
35
7
Entonces la base es:

{3 5t 2 , 29 50t 5t 3} .
b
EJ E M P L O 6.5.6
Dnde est la proyeccin del vector (1, 1, 1) sobre el plano S generado por los
vectores (1, 0, 0) y (1, 1, 0)?
SO L U C I O N
Para encontrar la proyeccin del vector sobre el plano, tenemos que encontrar una
base ortonormal del plano. Es decir:
JOE GARCIA ARCOS
305
(1,1, 0) (1, 0, 0)
(1, 0, 0) (1,1, 0) (1, 0, 0) (0,1, 0) .
(1, 0, 0) (1, 0, 0)
La base ortogonal es {(1, 0, 0), (0, 1, 0)}. Normalizando cada uno de estos vectores
obtenemos la base ortonormal, que es precisamente la base ortogonal. Procedemos a
encontrar la proyeccin del vector sobre el plano S:
ProySu = (1, 1, 1) (1, 0, 0)(1, 0, 0) + (1, 1, 1) (0, 1, 0)(0, 1, 0)
= (1, 0, 0) + (0, 1, 0) = (1, 1, 0).
Con este resultado podemos darnos cuenta que, la proyeccin del vector (1, 1, 1)
sobre el plano S, est ubicado en el plano XY.
v1 (1, 0, 0) ; v2
(1,1, 0)
EJ E M P L O 6.5.7
Encontrar la proyeccin del vector (1, 2, 3, 4) sobre el subespacio de R 4 generado
por los vectores (1, 0, 1, 0) y (1, -1, 1, -1).
SO L U C I O N
Para encontrar la proyeccin del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1, 0,1, 0) ;
(1, 1,1, 1) (1, 0,1, 0)
v2 (1, 1,1, 1)
(1, 0,1, 0)
(1, 0,1, 0) (1, 0,1, 0)
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
La base ortogonal es
{(1, 0, 1, 0), (0, -1, 0, -1)}.
Normalizando cada uno de estos vectores obtenemos la base ortonormal:
1
1
(1, 0,1, 0),

(0, 1, 0, 1) .
2
2
Procedemos a encontrar la proyeccin del vector sobre el plano S:

1
1
Proy W u (1, 2, 3, 4)
(1, 0,1, 0)
(1, 0,1, 0)
2
2
(1, 2, 3, 4)
2
2(1, 0,1, 0) 3(0, 1, 0, 1) (2, 3, 2, 3) .
(0, 1, 0, 1)
1
2
(0, 1, 0, 1)
EJ E M P L O 6.5.8
Encontrar la proyeccin del vector (1, 2, 3) sobre el plano dado implcitamente por
x + y + z = 0.
SO L U C I O N
Para encontrar la proyeccin del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1,1, 0) ;
(1, 0,1) (1,1, 0)
1
1 1
(1,1, 0) (1, 0,1) (1,1, 0) , ,1
(1,1, 0) (1,1, 0)
2
2 2
La base ortogonal es
1 1
(1,1, 0), , ,1 .
2 2
Normalizando cada uno de estos vectores obtenemos la base ortonormal:

1
1
(1,1, 0),
(1, 1, 2) .
2
6
Procedemos a encontrar la proyeccin del vector sobre el plano S:
v2
(1, 0,1)
JOE GARCIA ARCOS
306
Proy W u
(1, 2, 3)
1
2
(1,1, 0)
1
2
(1,1, 0)
(1, 2, 3)
1
6
(1, 1, 2)
1
6
(1, 1, 2)
1
1
(1,1, 0) (1, 1, 2) (1, 0,1) .
2
2
EJ E M P L O 6.5.9
Para cada uno de los subespacios W de R 4, escriba el vector u dado como una suma
de un vector de W y otro de W A:
a.- W = {(a, b, c, d) / a = b}, u = (1, 3, 1, 1);
b.- W = {(a, b, c, d) / a + b + c + d = 0}, u = (2, 1, 1, 0);
c.- W = {(1, 3, 1, 1), (2, -1, 0, 1)}, u = (1, 3, 1, 0);
d.- W = {(2, 1, -1, 0), (3, 1, 0, 1)}, u = (2, 1, 0, 1).
SO L U C I O N
a.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (b, b, c, d) = b(1, 1, 0, 0) + c(0, 0, 1, 0) + d(0, 0, 0, 1)
{(1, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1
(1,1, 0, 0), (0, 0,1, 0), (0, 0, 0,1) .
Encontramos el vector v = ProyW u W de la siguiente manera:

1
v
(1, 3,1,1) (1,1, 0, 0)(1,1, 0, 0) (1, 3,1,1) (0, 0,1, 0) (0, 0,1, 0)
2
(1, 3,1,1) (0, 0, 0,1) (0, 0, 0,1)
2(1,1, 0, 0) (0, 0,1, 0) (0, 0, 0,1) (2, 2,1,1) .
Sabemos que w = u v W A, de donde:
w = (1, 3, 1, 1) (2, 2, 1, 1) = (-1, 1, 0, 0).
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
b.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (- b c d, b, c, d) = b(-1, 1, 0, 0) + c(-1, 0, 1, 0) + d(-1, 0, 0, 1)
{(-1, 1, 0, 0), (-1, 0, 1, 0), (-1, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1
1
1
(1,1, 0, 0),
(1, 1, 2, 0),
( 1, 1, 1, 3) .
6
2 3
2

1
1
v
(2,1,1, 0) (1,1, 0, 0) (1,1, 0, 0) (2,1,1, 0) (1, 1, 2, 0) (1, 1, 2, 0)
2
6
1
(2,1,1, 0) (1, 1, 1, 3) (1, 1, 1, 3)
12
1
1
1
(1,1, 0, 0) (1, 1, 2, 0) (1, 1, 1, 3) (1, 0, 0, 1) .
2
6
3
Sabemos que w = u v W A, de donde: w (2,1,1, 0) (1, 0, 0, 1) (1,1,1,1) .
W A.
c.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1
1
(1, 3,1,1),
(2, 1, 0,1) .
6
2 3

JOE GARCIA ARCOS
307
1
1
(1, 3,1, 0) (1, 3,1,1) (1, 3,1,1) (1, 3,1, 0) (2, 1, 0,1) (2, 1, 0,1)
12
6
11
1
7
35 11 3
(1, 3,1,1) (2, 1, 0,1) , , ,

12
6
12 12 12 4
3
7 35 11 3 5 1 1
w (1, 3,1, 0) , , , , , , .
12
12
12
4
12
12
12
4

W A.
d.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1
1
(2,1, 1, 0),
(4, 1, 7, 6) .
102
6

1
1
v
(2,1, 0,1) (2,1, 1, 0) (2,1, 1, 0)
(2,1, 0,1) (4, 1, 7, 6) (4, 1, 7, 6)
6
102
5
13
37 12 1 13
(2,1, 1, 0)
(4, 1, 7, 6) , , ,
6
102
17 17 17 17
1 4
37 12 1 13 3 5
w (2,1, 0,1) , , , , , , .
17 17 17 17 17 17 17 17
W A.
EJ E M P L O 6.5.10
Sea W el espacio solucin del sistema homogneo de ecuaciones lineales
2 a b c 3d 0
4 a 4b 4c 8d 0
3a 3b 3c 6d 0
Escriba el vector (7, -4, -1, 2) como una suma de un vector en W y otro en W A.
SO L U C I O N
La base de este subespacio es:
{(0, -1, 1, 0), (-5, 7, 0, 1)}
Ortonormalizando esta base, obtenemos:
1
1
(0, 1,1, 0),

(10, 7, 7, 2) .
202
2

1
v
(7, 4, 1, 2) (0, 1,1, 0) (0, 1,1, 0)
2
1

(7, 4, 1, 2) (10, 7, 7, 2)(10, 7, 7, 2)
202
3
1
(0, 1,1, 0) (10, 7, 7, 2) (5, 5, 2, 1) .
2
2
w = (7, -4, -1, 2) (5, -5, -2, -1) = (2, 1, 1, 3).
W A.
EJ E M P L O 6.5.11
Encuentre la proyeccin ortogonal de cada uno de los vectores siguientes en [-S; S]
sobre el subespacio indicado W, y calcular la distancia del vector al subespacio y el
JOE GARCIA ARCOS
308
ngulo formado por el vector y el subespacio:

a.- f(t) = t, W = {1, Cost, Sent}; b.- f(t) = Cos2t, W = {1, Cos2t}.
SO L U C I O N
a.- Para encontrar la proyeccin ortogonal del vector sobre el subespacio W,
debemos ortonormalizar la base del subespacio W:
1 Cost
S Cost dt
0 ; 1 Sent
S Sent dt
S CostSent dt
Cost Sent
0;
0.
La base ortogonal es:
{1, Cost, Sent}.

11
Sent
S dt
2S ;
Cost
La proyeccin ortogonal es:

1 S
1 S
1
Proy W f (t )
t dt 1 tCost dt Cost
S
S
2S
S
S
1 2Sent .
La distancia del vector al subespacio es:
f (t ) Proy W f (t )
S;
1
1
1
S;
,
Cost ,
Sent .
S
2S S
S Sen t dt
Sent Sent
S Cos t dt
Cost Cost
S
tSent dt Sent
S (t 1 2Sent )
t 1 2Sent t 1 2Sent
dt
2S(S2 3)
.
3
El ngulo formado por el vector y el subespacio es:
t 1 2Sent
( f (t ), Proy W f (t )) ArcCos
t 1 2Sent
S
S t (1 2Sent ) dt
ArcCos
S t
S (1 2Sent )
dt
2
ArcCos .
S
dt
b.- Para encontrar la proyeccin ortogonal del vector sobre el subespacio W,

debemos ortonormalizar la base del subespacio W:
1 Cos 2t
S Cos2t dt
0.
La base ortogonal es:
{1, Cos2t}.
1
Cos 2t
S dt
11
Cos 2t Cos 2t
2S ;
S
S Cos
2t dt
S;
1
1
,
Cos 2t .
2
S
S
La proyeccin ortogonal es:

1 S
1
Proy W f (t )
Cos 2 t dt 1
2S S
S
1 1
Cos 2t Cos 2 t .
2 2
La distancia del vector al subespacio es:
S
Cos 2 tCos 2t dt Cos 2t
JOE GARCIA ARCOS
309
f (t ) Proy W f (t )
S 0 dt
Cos 2 t Cos 2 t Cos 2 t Cos 2 t
0.
El ngulo formado por el vector y el subespacio es:

Cos 2 t Cos 2 t
( f (t ), Proy W f (t )) ArcCos
Cos 2 t Cos 2 t
S
ArcCos
S Cos
S
S Cos
t dt
t dt
S
S Cos
0.
4
t dt
PR O B L E M AS
6.5.1 Sea W la recta en R 2 cuya ecuacin es y = 3x.
Encontrar una ecuacin para W A.
vrtices son:
a.- A = (1, 4, 2), B = (3, -1, 2), C = (0, 6, 1);
b.- A = (0, 2, 1), B = (-1, 3, -2), C = (1, -3, -2).
6.5.2 Sea W el plano en R 3 cuya ecuacin es 2x y 2z
=0. Encuentre las ecuaciones paramtricas para W A.
6.5.3 El subespacio U es la suma ortogonal de los
subespacios U 1 y U 2. El vector u es ortogonal al subespacio
U 1. Demuestre que el ngulo formado por u y U es igual al
ngulo comprendido entre u y U 2.
3
6.5.4 Sea W la recta en R con ecuaciones paramtricas x

= 2t, y = -5t, z = 4t, -f < t < +f. Determine una ecuacin
para W A.
6.5.5 Sea {u1, u2 uk} una base para un subespacio W
de V. Demuestre que W A consta de todos los vectores en V
que son ortogonales a todos los vectores bsicos.
6.5.6 En cada uno de los incisos siguientes, encuentre el
vector u, proyeccin del vector y sobre el vector x.
Verifique en cada caso que el vector obtenido es ortogonal
a y u:
a.- x = (3, -2, 1), y = ( 1, -1, 2);
b.- x = (4, -5 7), y = (2, -2, 1);
c.- x = (1, 1, 3), y = (4 ,1, 2).
6.5.7 Hallar el ngulo entre los vectores del espacio R 4,
engendrado por los vectores u1, u2um y el vector u:
a.- u = (1, 3, -1, 3), u1 = (1, -1, 1, 1),
u2 = (5, 1, -3, 3);
b.- u = (2, 2, -1, 1), u1 = (1, -1, 1, 1),
u2 = (-1, 2, 3, 1), u3 = (1, 0, 5, 3).
6.5.8 En el espacio R 4 se dan dos planos, engendrados por
los vectores u1, u2 y v1, v2. Entre los ngulos formados por
los vectores del primer plano con los vectores del segundo
plano, hallar el mnimo:
a.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),

v1 = (1, 1, 1, 1), v2 = (2, -2, 5, 2);
b.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),
v1 = (1, 1, 1, 1), v2 = (1, -1, 1, -1).
6.5.9 Use el concepto de proyeccin de un vector sobre
otro para calcular el rea del tringulo cuyos
5 3
d.- u
,
2 4
2 1 4 3 1 0
S
,
,
;
3
5

5

7
7
11
8 7
e.- u
,
4 5
3 2 2 3 1 1
S
,
,
;
1
4
2

3

1
7
2

3
f.- u
,
4
5
1 2 3 4 4 5
S
,
,
;
7

8
1

2
6

7
g.- p(t ) 2t 2 3t 1 ,
S
^4t
3t 1, 5t 2 11t 3 ;
h.- u = (-3, 0, -5, 9),

3x 2 y z 2u 0
S 5 x 4 y 3z 2u 0 .
x 2 y 3z 10u 0
6.1510 Sea v el vector de R 3 cuyo punto inicial est en

(1, -1, 5) y cuyo punto final est en (5, 4, -3). Encuentre la
proyeccin del vector (2, 2, 1) sobre v.
6.5.11 Descomponer el vector u en una suma de dos
vectores, uno de los cuales est situado en el espacio
engendrado por los vectores u1, u2 um y el otro sea
ortogonal a este espacio
a.- u = (5,2, -2, 2), u1 = (2, 1, 1, -1), u2 = (1, 1, 3, 0);
JOE GARCIA ARCOS
310
b.- u = (-3, 5, 9, 3), u1 = (1, 1, 1, 1),

u2 = (2, -1, 1, 1), u3 = (2, -7, -1, -1).
6.5.12 Hallar la proyeccin ortogonal del vector u sobre el
subespacio generado por el conjunto S:
a.- u = (14, -3, -6, -7),
S = {(-3, 0, 7, 6), (1, 4, 3, 2), (2, 2, -2, -2)};
b.- u = (2, -5, 3, 4),
S = {(1, 3, 3, 5), (1, 3, -5, -3), (1, -5, 3, -3)};
c.- u = (2, -1, 1, 2),
S = {(6, -3, 2, 4), (6, -3, 4, 8), (4, -2, 1, 1)};
6.5.13 Sea V el espacio vectorial de todas las funciones
polinmicas definidas sobre el intervalo [-1; 1] y sea W el
subespacio de V que consta de todas las funciones
polinmicas impares. Encuentre W A, donde
p q
1 p( x)q( x)dx .
6.5.15 En el espacio Pn de polinomios de grado d n con

coeficientes reales, el producto interior de polinomios se
determina por la frmula p q a0b0 a1b1 ... anbn .
Hallar el complemento ortogonal:
a.Del subespacio de todos los polinomios que
satisfacen la condicin p(1) = 0;
b.- Del subespacio de todos los polinomios pares del
espacio Pn.
6.5.16 La suma directa de los subespacios U y U
engendra el espacio eucldeo V. Demostrar que esto es
tambin correcto para sus complementos ortogonales, es
decir, V = U1A + U 2A .
6.5.17 Encuentre la base del complemento ortogonal del
subespacio generado por el sistema de vectores del
espacio R 4:
{(1, 3, 0, 2), (3, 7, -1, 2), (2, 4, -1, 0)}
6.5.14 Demuestre que la suma de ngulos que un vector u

forma con un subespacio arbitrario U y su complemento
ortogonal U A es igual a S/2.
6.6.1 Un conjunto ortonormal de vectores es linealmente
dependiente.
6.6.2 Una matriz cuadrada de orden n es unitaria si y slo
si sus filas constituyen un conjunto ortonormal.
6.6.3
El espacio eucldeo V es la suma directa de
cualquier subespacio suyo y del complemento ortogonal de
ste.
6.6.4 Sean U y W subespacios vectoriales de un espacio
eucldeo V con la particularidad de que la dimensin de U
es inferior a la de W; entonces en W habr un vector no
nulo, ortogonal a todos los vectores de U.
6.6.5 Cualquier sistema de vectores no nulos ortogonales
de dos en dos es linealmente dependiente.
6.6.6 Sea U A complemento ortogonal del subespacio U
cada uno de los cuales es ortogonal a todos los vectores de
U, entonces la suma de las dimensiones de U y U A es igual
a la dimensin del espacio vectorial que los genera.
6.6.7
Para que dos subespacios U y W sean
recprocamente ortogonales es necesario y suficiente que
todos los vectores de uno sean ortogonales a todos los
vectores del otro.
6.6.8 El cuadrado del lado de un tringulo es igual a la

suma de los cuadrados de los dos otros lados con el
producto duplicado de estos lados por el coseno del
ngulo entre ellos.
6.6.9 Entre todos los vectores del subespacio vectorial U
el ngulo mnimo con el vector u dado lo forma la
proyeccin ortogonal v del vector u sobre U.
6.6.10 El coseno del ngulo entre vectores, es superior
por su valor absoluto a la unidad.
6.6.11 El cuadrado de la diagonal de un paralelogramo ndimensional es igual a suma de los cuadrados de sus
aristas que salen de un mismo vrtice.
6.6.12 Si V es un espacio unitario y si S es un conjunto de
vectores diferentes de cero y perpendiculares entre s,
entonces el conjunto S el linealmente dependiente.
6.6.13 La representacin del subespacio vectorial U del
espacio V y de su complemento ortogonal U A en una base
ortonormal estn relacionadas de la siguiente manera: los
coeficientes del sistema linealmente independiente de
ecuaciones lineales, que determina uno de esos
subespacios, sirven de coordenadas de los vectores de la
base del otro subespacio.
JOE GARCIA ARCOS
6.6.14 La suma de los cuadrados de las diagonales del

paralelogramo s igual a la suma de los cuadrados de sus
lados.
6.6.15 La interseccin de dos subespacios recprocamente
ortogonales es el vector nulo.
6.6.16 Todo vector de V que es ortonormal a U pertenece
a W.
311
6.6.18 Los vectores no nulos ortonormales dos a dos son

linealmente dependientes.
6.6.19 En todo espacio eucldeo V existen bases
ortonormales.
6.6.20 Si U es un subespacio de V y S es una base
ortonormal de U, los vectores de S pueden ser incluidos en
una base ortonormal de todo el espacio.
6.6.17 Dos vectores se dice son ortogonales si el producto

interior de estos vectores es igual a la unidad.
JOE GARCIA ARCOS
O BJE T I V O
Resolver problemas relacionados con transformaciones lineales, mediante la interpretacin y representacin en
trminos de matrices, determinantes, rango e inversa y sistemas de ecuaciones lineales, en situaciones reales,
propias de la ingeniera.
C O N T E NI D O :
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
DEFINICIONES Y PROPIEDADES
REPRESENTACION MATRICIAL. MATRIZ DE CAMBIO DE BASE
ALGEBRA DE TRANSFORMACIONES LINEALES
NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL
TRANSFORMACIONES LINEALES INVERSIBLES
TRANSFORMACIONES GRAFICAS EN R2
FORMAS LINEALES. ESPACIO DUAL
CUESTIONARIO
7.1 D E F I NI C I O N ES Y PR OPI E D A D ES
En esta seccin se definirn y estudiarn transformaciones lineales de un espacio vectorial U a un espacio
vectorial V. Analizaremos y demostraremos sus propiedades ms importantes. La atencin se centrar en una
clase especial de tales funciones denominadas transformaciones lineales. Las transformaciones lineales son
fundamentales en el estudio del lgebra lineal y tienen muchas aplicaciones importantes.

En este captulo, estudiaremos un tipo especial de funcin definida en un espacio

vectorial U y que toma los valores que son vectores en el mismo o en otro espacio
vectorial V, las cuales no alteran a las combinaciones lineales. Esta funcin se llama
transformacin lineal. Estas transformaciones se pueden representar por medio de
matrices, en el mismo sentido que los vectores se representan por medio de n-adas.
Esta representacin requiere que se definan las operaciones de adicin,
multiplicacin por escalares y multiplicacin de matrices, de modo que correspondan
a estas operaciones con las transformaciones lineales.
La matriz que representa a una transformacin lineal de U hacia V, depende de la
eleccin de una base en U y una base en V. Nuestro primer problema, que se repite
siempre que se usan matrices para representar cualquier cosa, es ver en qu forma un
cambio en la eleccin de las bases determina un cambio correspondiente en la matriz
que representa a la transformacin lineal. Dos matrices que representan la misma
transformacin lineal con respecto a conjuntos diferentes de bases, deben tener
algunas propiedades en comn. Esto conduce a la idea de relaciones de equivalencia
entre dos matrices. La naturaleza exacta de esta relacin de equivalencia depende de
314
TRANSFORMACIONES LINEALES
las bases que se permitan. En este captulo no se imponen restricciones sobre las
bases que se permiten y obtenemos la clase de equivalencia ms amplia.
Sean U y V dos espacios vectoriales, ambos definidos sobre el mismo
cuerpo K . Una transformacin lineal f de U hacia V es una aplicacin
uniforme de U en V que asocia a cada elemento u de U, un elemento nico
f(u) de V de tal forma que se cumplen los axiomas siguientes:
1.- Para todo u, v de U, entonces: f(u + v) = f(u) + f(v);
2.- Para todo u de U y para todo escalar O, entonces: f(Ou) = Of(u).
Observe que en esta identidad, la adicin y la multiplicacin escalar del primer
miembro, tienen lugar en U, mientras que las del segundo miembro tienen lugar en
V. A f(u) se le da el nombre de imagen de u bajo la transformacin lineal f. Adems
vemos que, para tener una transformacin lineal,
f(u + v) = f(u) + f(v) y f(Ou) = Of(u).
Hablando en trminos generales, la imagen de la suma es la suma de las imgenes
y la imagen del producto es el producto de las imgenes. Este lenguaje descriptivo
se tiene que interpretar con cierta amplitud, ya que las operaciones antes y
despus de aplicar la transformacin lineal pueden llevarse a cabo en espacios
vectoriales diferentes.
EJ E M P L O 7.1.1
Determinar cul de las siguientes funciones f : R 3 o R 3, define una transformacin
lineal:
a.- f((a, b, c)) = (a + 2b 3c, 3a - b + 5c, a b c);
b.- f((a, b, c)) = (a + b + c, a + b + c, a + b + c);
c.- f((a, b, c)) = (2a - 2b + 3c, a b + c, 3a - 5b + 3c);
d.- f((a, b, c)) = (3a - 5b, 2a - 2b, a + b2).
SO L U C I O N
Sean u = (m, n, p) y v = (r, s, t) dos vectores del espacio de salida R 3 y sean D, E
escalares, entonces:
Du + Ev = (Dm + E r, Dn + Es, Dp + Et).
a.- f(Du + Ev) = (Dm + E r + 2Dn + 2Es - 3Dp - 3E t, 3Dm + 3E r - Dn - Es + 5Dp +
+ 5E t, Dm + E r Dn - Es - Dp - E t)
= (Dm + 2Dn - 3Dp, 3Dm - Dn + 5Dp, Dm - Dn - Dp) + (E r + 2Es - 3E t,
3E r - Es + 5E t, E r - Es - E t)
= D(m + 2n - 3p, 3m - n + 5p, m - n - p) + E( r + 2s - 3t, 3 r - s + 5t, r - s - t)
= Df(u) + E f(v).
Por lo tanto f es transformacin lineal.
b.- f(Du + Ev) = (Dm + E r + Dn + Es + Dp + E t, Dm + E r + Dn + E s + Dp + E t,
Dm + E r + Dn + Es + Dp + E t)
JOE GARCIA ARCOS
315
= (Dm + Dn + Dp, Dm + Dn + Dp, Dm + Dn + Dp) + (E r + Es + E t, E r + Es + E t,

E r + E s + E t)
= D(m + n + p, m + n + p, m + n + p) + E( r + s + t, r + s + t, r + s + t)
= Df(u) + E f(v).
c.- f(Du + Ev) = (2Dm + 2E r - 2Dn - 2Es + 3Dp + 3E t, Dm + E r - Dn - Es + Dp +
E t, 3Dm + 3E r 5Dn - 5E s + 3Dp + 3E t)
= (2Dm - 2Dn + 3Dp, Dm - Dn + Dp, 3Dm - 5Dn + 3Dp) + (2E r - 2Es + 3E t,
E r - Es + E t, 3E r - 5Es + 3E t)
= D(2m - 2n + 3p, m - n + p, 3m - 5n + 3p) + E(2 r - 2s + 3t, r - s + t, 3 r - 5s + 3t)
= Df(u) + E f(v).
d.- f(Du + Ev) = (3Dm + 3E r - 5Dn - 5Es, 2Dm + 2E r - 2Dn - 2Es, Dm + E r + (Dn
+ Es)2)
= (3Dm + 3E r - 5Dn - 5Es, 2Dm + 2E r - 2Dn - 2Es, Dm + E r + D2n2 + 2DEns
2 2
+E s )
= (3Dm - 5Dn, 2Dm - 2Dn, Dm + D2n2 + 2DEns) + (3E r - 5Es, 2E r - 2Es, E r
2 2
+E s )
z Df(u) + E f(v).
Por lo tanto f no es transformacin lineal.
E J E M P L O 7.1.2
Determinar cul de las siguientes funciones f : P 2 o P 2 define una transformacin
lineal:
a.- f(p(x)) = p(x) p(0); b.- f(p(x)) = p(x - 1) p(1); c.- f(p(x)) = p(1 + x) 2.
SO L U C I O N
Sean q(x) = d + ex + fx2 y h(x) = m + nx + kx2 dos polinomios del espacio de
salida P 2 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Dd + Em) + (De + En)x + (Df + E k)x2.
a.- Como p(x) = a + bx + cx2 y p(0) = a , obtenemos p(x) - p(0) = bx + cx2,
entonces
f( a + bx + cx2) = bx + cx2.
Aplicando la definicin de transformacin lineal, tenemos:
f(Dq(x) + Eh(x)) = (De + En)x + (Df + E k)x2
= (Dex + Dfx2) + (Enx + E kx2)
= D(ex + fx2) + E(nx + kx2)
= Df(q(x)) + Eh(x)).
b.- Como p(x - 1) = (a b + c) + (b 2c)x + cx2 y p(1) = a + b + c , obtenemos
p(x - 1) - p(1) = -2b + (b 2c)x + cx2
entonces
f( a + bx + cx2) = -2b + (b 2c)x + cx2.
f(Dq(x) + Eh(x)) = -2(De + En) + (De + En - 2Df - 2E k)x + (Df + E k)x2
= {-2De + (De - 2Df )x + Dfx2} + {-2En + (En - 2E k)x + E kx2}
= D{-2e + (e - 2f )x + fx2} + E{-2n + (n - 2k)x + kx2}
= Df(q(x)) + Eh(x)).
c.- Como p(1 + x) = (a + b + c ) + (b + 2c)x + cx2, obtenemos
p(x + 1) - 2 = ( a + b + c 2) + (b + 2c)x + cx2,
entonces
f( a + bx + cx2) = ( a + b + c 2) + (b + 2c)x + cx2.
f(Dq(x) + Eh(x)) = (Dd + Em + De + En + Df + E k 2) + (De + En + 2Df + 2E k)x +
JOE GARCIA ARCOS
316
+ (Df + E k)x2
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + {(Em + En + E k) + (En + 2E k)x
+ E kx2}
2
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + E{(m + n + k) + (n + 2k)x + kx2}
z Df(q(x)) + Eh(x)).
2
La observacin acerca de la multiplicacin escalar es inexacta, ya que no aplicamos

la transformacin lineal a escalares; la transformacin lineal se define nicamente
para vectores en U. An as, la transformacin lineal conserva las operaciones
estructurales en un espacio vectorial y sta es la razn de su importancia. Al conjunto
U sobre el cual est definida la transformacin lineal f se le conoce como dominio de
f. Decimos que V, el conjunto en el cual estn definidas las imgenes de f, es el
codominio de f.
Hablando estrictamente, una transformacin lineal debe especificar el dominio y el
codominio as como la aplicacin. Consideremos ahora las transformaciones lineales
desde el punto de vista geomtrico, tomando en cuenta situaciones en el espacio
euclidiano tridimensional, para obtener una interpretacin intuitiva de lo que
significa una transformacin lineal.
Una consecuencia de la definicin es que una transformacin lineal siempre aplica el
vector cero de U en el vector cero de V; es decir, f() = . Esta afirmacin puede
ser establecida haciendo a = 0 en f(au) = af(u). Si f es una transformacin lineal,
entonces f(au) = af(u), afirma que f aplica au sobre un vector f(au), cuya relacin con
f(u) en trminos de magnitud y direccin es la misma relacin de au con u. Como u y
au son vectores paralelos, tenemos que f aplica vectores paralelos en vectores
paralelos. La ecuacin f(u + v) = f(u) + f(v) con u, v R 2 afirma que f aplica un
paralelogramo junto con sus diagonales sobre un paralelogramo junto con sus
diagonales.
El enfoque geomtrico es til para entender cmo es que una transformacin lineal
acta.
La aplicacin que enva cada vector en U sobre el vector cero en V es claramente

una transformacin lineal de U en V para todos los U y V. Esta transformacin, se
denomina transformacin cero, y se indica por el smbolo . La aplicacin que enva
cada vector en U sobre s mismo, se denomina transformacin idntica, y se indica
por el smbolo i. La ecuacin que define a i es i(u) = u, para cualesquier u de U.
EJ E M P L O 7.1.3
Demuestre que la transformacin identidad f : V o V es una transformacin lineal.
SO L U C I O N
Sea f : V o V definida por f(v) = v. Entonces
JOE GARCIA ARCOS
317
f(u + v) = u + v = f(u) + f(v) y f(Du) = Du = Df(u)

lo cual implica que f es una transformacin lineal.
La transformacin lineal f(u) = Ou se conoce como dilatacin de u con factor O si
O > 1, y como contraccin de u con factor O si 0 < O < 1. Geomtricamente, la
dilatacin estira a cada vector de u por un factor O, y la contraccin de u comprime a
cada vector de u por un factor O.
EJ E M P L O 7.1.4
Sea la transformacin f : R 2 o R2 definida por:
a.- f((a, b)) = (a, 5a + b); b.- f((a, b)) = (a + 5b, b).
Verificar que f es lineal y dar su interpretacin geomtrica.
SO L U C I O N
a.- Para la verificacin, debemos utilizar la definicin de transformacin lineal. Es
decir
(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc, 5ka + 5rc + kb + rd)
= (ka, 5ka + kb) + (rc, 5rc + rd)
= k(a, 5a + b) + r(c, 5c + d)
= kf(u) + rf(v).
Obsrvese que, en esta transformacin particular, la coordenada u permanece fija
mientras que a la coordenada v se le suma cinco veces la coordenada u. La figura
muestra lo que pasa con el vector (1, 2). El extremo o terminacin del vector
f((1, 2)) se encuentra sobre la recta que pasa por el extremo del vector (1, 2) y es
paralela al eje v. Dicha transformacin se denomina transformacin lineal cizallante
en la direccin v con factor 5.
b.- Para la verificacin, debemos utilizar la definicin de transformacin lineal. Es
decir
f(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc + 5kb + 5rd, kb + rd)
= (ka + 5kb, kb) + (rc + 5rd, rd)
= k(a + 5b, b) + r(c + 5d, d)
= kf(u) + rf(v).
Podemos observar que, en esta transformacin, la coordenada v permanece fija
mientras que a la coordenada u se le suma cinco veces la coordenada v. La figura
muestra lo que pasa con el vector (1, 2). El extremo o terminacin del vector f((1, 2))
se encuentra sobre la recta que pasa por el extremo del vector (1, 2) y es paralela al
eje u.
Dicha transformacin se denomina transformacin lineal cizallante en la direccin u
con factor 5.
JOE GARCIA ARCOS
318
Dos transformaciones lineales f : U o V y g : U o V son iguales, si
ellas son iguales como transformaciones, esto es, f = g si y solamente si
f(u) = g(u), para todo u de U.
T E O R E M A 7.1.1
Sea f una transformacin lineal de U en V. Sean u1, u2, ..., un elementos de
U y a1, a2, ..., an escalares. Entonces:
f(a1u1 + a2u2 + ... + anun) = a1f(u1) + a2f(u2) + ... + anf(un).
Utilizando la definicin de transformacin lineal, obtenemos
f(a1u1 + a2u2 + ... + anun) = f(a1u1) + f(a2u2 + ... + anun)
= f(a1u1) + f(a2u2) + f(a3u3 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un).
T E O R E M A 7.1.2
Si es el elemento neutro del espacio vectorial U, f() es el elemento
neutro de V.
Como
f(u + ) = f(u) + f() = f(u).
Por lo tanto, f() es el elemento neutro de V.
T E O R E M A 7.1.3
Si - u es el elemento opuesto de u, entonces se verifica que f(-u) = - f(u).
Como
f(u + (-u)) = f(u) + f(-u) = f(u) f(u) = f().
Por lo tanto, f(-u) = - f(u); es decir, la imagen del opuesto de un vector es el opuesto
de la imagen del vector.
T E O R E M A 7.1.4
Sean U y V espacios vectoriales. Sea S = {u1, u2, ..., uk} una base cualquiera
de U y sea S = {v1, v2, ..., vk} un conjunto cualquiera de k vectores en V, no
necesariamente linealmente independientes. Entonces existe una
transformacin lineal determinada en forma nica por f : U o V tal que
f(u1) = v1, f(u2) = v2, ..., f(uk) = vk.
Demostremos primero que la transformacin lineal f : U o V est completamente
determinada cuando se conocen los valores de f(u1), f(u2), ..., f(uk). Para esta
demostracin, supngase que g : U o V tambin es una transformacin lineal y que
f(u1) = g(u1), f(u2) = g(u2), ..., f(uk) = g(uk). Deseamos demostrar que f = g. Para ello,
debemos demostrar que f(u) = g(u) para todo u en U. Por tanto, sea u = a1u1 + a2u2 +
... + akuk un vector arbitrario de U, donde a i K . Si aplicamos f a cada miembro y
JOE GARCIA ARCOS
319
utilizamos f(ui) = g(ui) para todo i N, obtenemos

f(u) = f(a1u1 + a2u2 + ... + a kuk)
= f(a1u1) + f(a2u2 + ... + a kuk)
= f(a1u1) + f(a2u2) + f(a3u3 + ... + a kuk)
= a1f(u1) + a2f(u2) + ... + a kf(uk)
= a1g(u1) + a2g(u2) + ... + akg(uk)
= g(a1u1 + a2u2 + ... + a kuk)
= g(u).
En consecuencia, f(u) = g(u) para todo u en U. Por tanto, f = g. Hemos demostrado
as que los vi son vectores dados de V, hay a lo ms una transformacin lineal
f : U o V tal que f(ui) = vi. Demostraremos ahora que siempre hay una
transformacin lineal f : U o V con f(u1) = v1, f(u2) = v2, ..., f(uk) = vk. Para
demostrar la existencia de f, presentamos primero una funcin
f : U o V. Ms
adelante demostraremos que nuestra f es una transformacin lineal. A continuacin
se dar una definicin de f : U o V. Sea u un vector arbitrario de U, entonces u
puede expresarse en funcin de la base S, como u = a1u1 + a2u2 + ... + a kuk, los
escalares a i K se determinan en forma nica por u.
Definimos una funcin f : U o V especificando que f(u) = a1v1 + a2v2 + ... + a kvk.
Esta funcin f : U o V queda ahora definida completamente puesto que todos los
valores f(u), u U, se han determinado. Para demostrar que f es una transformacin
lineal, sea v = b1u1 + b2u2 + ... + bkuk, otro vector de U. Sean a y b escalares
arbitrarios. Deseamos demostrar que f(au + bv) = af(u) + bf(v). De v = b1u1 + b2u2 +
... + bkuk y nuestra definicin de f, tenemos f(v) = b1v1 + b2v2 + ... + bkvk.
Multiplicando cada miembro de u por a y cada miembro de v por b, y sumando
luego, obtenemos
au + bv = a(a1u1 + a2u2 + ... + akuk) + b(b1u1 + b2u2 + ... + bkuk)
= (aa1 + bb1)u1 + (aa2 + bb2)u2 + ... + (aa k + bbk)uk.
Por la definicin de f, vemos que
f(au + bv) = (aa1 + bb1)f(u1) + (aa2 + bb2)f(u2) + ... + (aa k + bbk)f(uk)
= aa1v1 + aa2v2 + ... + aa kvk + bb1v1 + bb2v2 + ... + bbkvk
= a(a1v1 + a2v2 + ... + a kvk) + b(b1v1 + b2v2 + ... + bkvk)
= af(u) + bf(v).
Por lo tanto f(au + bv) = af(u) + bf(v). En consecuencia, la funcin f : U o V es una
transformacin lineal. Es fcil observar, por f(u) = a1v1 + a2v2 + ... + a kvk, que
f(ui) = vi.
EJ E M P L O 7.1.5
Sea f una transformacin lineal de R 3 en R 3, suponga que
f((1, 0, 1)) = (1, -1, 3), f((2, 1, 0)) = (0, 2, 1), f((1, -1, 1)) = (3, -1 2)
Determine f((-1, -2, 3)).
SO L U C I O N
Hacemos la combinacin lineal con el vector (-1, -2, 3):
(-1, -2, 3) = a(1, 0, 1) + b(2, 1, 0)
resolvemos el sistema generado:
a 2b 1
a 3

.
a 3
b 2
b 2
Encontramos la imagen pedida:

f((-1, -2, 3)) = 3f((1, 0, 1)) 2f((2, 1, 0))
= 3(1, -1, 3) 2(0, 2, 1) = (3, -7, 7).
EJ E M P L O 7.1.6
Sea f una transformacin lineal de R 3 en P2 tal que
f((1, 1, 1)) = 1 2x + x2, f((2, 0, 0)) = 3 + x x2,
Determine f((2, -3, 1)).
f((0, 4, 5)) = 2 + 3x + 3x2

JOE GARCIA ARCOS
320
SO L U C I O N
Hacemos la combinacin lineal con el vector (2, -3, 1):
(2, -3, 1) = a(1, 1, 1) + b(2, 0, 0) + c(0, 4, 5)
resolvemos el sistema generado:
a 2b 2
a 4 c 3
a 5c 1
1 2 0 2 1 2 0 2 1 0 4 3 1 0 0 19
1 0 4 3 | 0 2 4 5 | 0 2 4 5 | 0 2 0 21 .
1 0 5 1 0 2 5 1 0 0 1 4 0 0 1 4
Encontramos la imagen pedida:

21
f ((2, 3,1)) 19 f ((1,1,1))
f ((2, 0, 0)) 4 f ((0, 4, 5))
2
21
19(1 2 x x 2 ) (3 x x 2 ) 4(2 3x 3x 2 )
2
41 121
35 2

x x .
2
2
2
EJ E M P L O 7.1.7
Sea S = {u1, u2, u3}, un conjunto de vectores linealmente independientes en R 3.
Determine una transformacin lineal f de R 3 en R 3 tal que el conjunto {f(u1), f(u2),
f(u3)} sea linealmente dependiente.
SO L U C I O N
Sea f : R 3 o R 3 definida por f((x, y, z)) = (0, 0, 0). Entonces si {u1, u2, u3} es
cualquier conjunto de vectores en R 3, el conjunto {f(u1), f(u2), f(u3)} = {, , } sea
La aplicacin que enva cada vector en U sobre el vector cero en V es claramente
una transformacin lineal de U en V para todos los U y V. Esta transformacin, se
denomina transformacin cero, y se indica por el smbolo . La aplicacin que enva
cada vector en U sobre s mismo, se denomina transformacin idntica, y se indica
por el smbolo i. La ecuacin que define a i es i(u) = u, para cualesquier u de U.
EJ E M P L O 7.1.8
Determinar cul de las siguientes funciones f : :(n, n) o :(n, n) define una
transformacin lineal:
a.- f(A) = ATA; b.- f(A) = AB + AT; c.- f(A) = Det(A); d.- f(A) = PAP-1;
e.- f(B) = A-1BA; f.- f(A) = AT + A+; g.- f(A) = OAC + MCA.
SO L U C I O N
Sean B y C dos matrices del espacio de salida :(n, n) y sean D, E escalares,
entonces:
a.- f(DB + EC) = (DB + EC)T(DB + EC) = (DBT + ECT)(DB + EC)
= D2BTB + DEBTC + DECTB + E2CTC z DBTB + ECTC.
b.- f(DC + ED) = (DC + ED)B + (DC + ED)T = DCB + EDB + DCT + EDT
= D(CB + CT) + E(DB + DT) = Df(C) + Ef(D).
c.- f(DC + ED) = det(DC + ED) z det(DC) + det(ED).
d.- f(DC + ED) = O(DC + ED)E + ME(DC + ED) = ODCE + OEDE + MDEC + MEED
= D(OCE + MEC) + E(ODE + MED) = Df(C) + Ef(D).
JOE GARCIA ARCOS
321
e.- f(DB + EC) = A-1(DB + EC)A = A-1(DBA + ECA) = DA-1BA + EA-1CA

= D(A-1BA) + E(A-1CA) = Df(B) + Ef(C).
f.- f(DB + EC) = (DB + EC)T + (DB + EC)+ = (DB)T + (EC)T + (DB)+ + (EC)+
T
T
+
+
% & % & z f % f & &

.
=
T
T
+
+
f % f & 5
% & % &
Por lo tanto f es transformacin lineal si D, E R.
g.- f(DB + ED) = O(DB + ED)C + MC(DB + ED) = ODBC + OEDC + MDCB + MECD
= D(OBC + MCB) + E(ODC + MCD) = Df(B) + Ef(D).
EJ E M P L O 7.1.9
Determinar cul de las siguientes funciones define una transformacin lineal en el
espacio de los polinomios de grado menor o igual a 3:
a.- f(p(x)) = (p(x))2;
b.- f(p(x)) = p(x + 1) - p(x);
c.- f(p(x)) = p(x) - 2p(x) + 3p(x); d.- f(p(x)) = p(x + 1) p(0).
SO L U C I O N
Sean p(x) = ax3 + bx2 + cx + d, q(x) = ex3 + fx2 + gx + h dos polinomios del espacio
de salida P3 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Da + Ee)x3 + (Db + Ef)x2 + (Dc + Eg)x + (Dd + Eh).
a.- f(Dp(x) + Eq(x)) = (Dp(x) + Eq(x))2 = D2p2(x) + 2DEp(x)q(x) + E2q2(x)
z Df(p(x)) + Ef(q(x)).
b.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)(x)
= Dp(x + 1) + Eq(x + 1) - Dp(x) - Eq(x)
= [Dp(x + 1) + Dp(x)] + [Eq(x + 1) + Eq(x)]
= D[p(x + 1) + p(x)] + E[q(x + 1) + q(x)]
= Df(p(x)) + Ef(q(x)).
c.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x) - 2(Dp + Eq)(x) + 3(Dp + Eq)(x)
= Dp(x) + Eq(x) - 2Dp(x) - 2Eq(x) + 3Dp(x) + 3Eq(x)
= [Dp(x) - 2Dp(x) + 3Dp(x)] + [Eq(x) - 2Eq(x) + 3Eq(x)]
= D[p(x) - 2p(x) + 3p(x)] + E[q(x) - 2q(x) + 3q(x)]
= Df(p(x)) + Ef(q(x)).
d.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)(0)
= Dp(x + 1) + Eq(x + 1) - Dp(0) - Eq(0)
= [Dp(x + 1) + Dp(0)] + [Eq(x + 1) + Eq(0)]
= D[p(x + 1) + p(0)] + E[q(x + 1) + q(0)]
= Df(p(x)) + Ef(q(x)).
Considere la transformacin lineal que aplica a todo vector de U sobre el vector cero
de V. Esta aplicacin se llama aplicacin cero. Si W es cualquier subespacio de V,
existe tambin una aplicacin cero de U hacia W, y esta aplicacin tiene el mismo
efecto sobre los elementos de U, como la aplicacin cero de U hacia V. Sin embargo,
son transformaciones lineales diferentes, ya que tienen codominios diferentes.
Este lenguaje descriptivo se tiene que interpretar con cierta amplitud, ya que las
operaciones antes y despus de aplicar la transformacin lineal pueden llevarse a
cabo en espacios vectoriales diferentes. Adems, la observacin acerca de la
multiplicacin escalar es inexacta, ya que no aplicamos la transformacin lineal a
escalares; la transformacin lineal se define nicamente para vectores en U. An
JOE GARCIA ARCOS
322
as, la transformacin lineal conserva las operaciones estructurales en un espacio

vectorial y sta es la razn de su importancia. Una consecuencia de la definicin
es que una transformacin lineal siempre aplica el vector cero de U en el vector
cero de V; es decir, f() = . Esta afirmacin puede ser establecida haciendo
a = 0 en f( au) = af(u).
EJ E M P L O 7.1.10
Considrese ahora C como un espacio vectorial sobre C. Defnase una funcin f de
C en C por f ( z ) z . Es f una transformacin lineal?
SO L U C I O N
Sean u = a + ib y v = c + id dos vectores del espacio de salida C y sean D, E
escalares, entonces:
f(Du + Ev) = f((Da + Ec) + i(Db + Ed)) (Da Ec) i (Db Ed )
= (Dr + Ex) - i(Db + Ed) = D(a - ib) + E(c - id)
z Df(u) + Ef(v).
EJ E M P L O 7.1.11
Considere el espacio vectorial de los nmeros complejos C sobre R. Sea a un
nmero complejo fijo. Defnase f una aplicacin de C en C por f(z) = (3 - 2i)z + a.
Determine el valor de a para que f sea transformacin lineal.
SO L U C I O N
Tomamos el nmero complejo nulo y luego encontramos su imagen:
f(0 + i0) = (3 2i)(0 + i0) + a = 0 + i0 + a = a.
Para que f sea transformacin lineal, debe cumplirse que f(0 + i0) = 0 + i0, de donde
a = 0.
EJ E M P L O 7.1.12
Es la multiplicacin de cada vector geomtrico por su longitud una transformacin
lineal?
SO L U C I O N
En este caso tenemos que f (u ) u u . Sean v y w dos vectores del espacio de
salida y sean D, E escalares, entonces:
f (Dv Ew) (Dv Ew) (Dv Ew) d (Dv Ew)( Dv Ew )
EJ E M P L O 7.1.13
a.- Muestre que la lnea que pasa por los vectores u y v en R n puede escribirse en la
forma paramtrica x = (1 t)u + tv.
b.- El segmento de lnea de u a v es el conjunto de los puntos de la forma (1 t)u +
tv para 0 d t d 1. Muestre que una transformacin lineal f transforma este segmento
de lnea sobre un segmento de lnea o sobre un punto.
SO L U C I O N
a.- La lnea que pasa por u y v es paralela al vector v u. Puesto que la lnea pasa a
travs de u, una ecuacin paramtrica de la lnea es
x = u + t(v u) = u tu + tv = (1 t)u + tv.
b.- Por la linealidad de f:
f((1 t)u + tv) = (1 t)f(u) + tf(v) para 0 d t d 1.
Si f(u) y f(v) son distintos, las imgenes forman el segmento de lnea entre f(u) y
f(v). De otro modo, todas las imgenes coinciden con un punto, f(u).
JOE GARCIA ARCOS
323
PR O B L E M AS
7.1.1 Verifquese que cada uno de los siguientes es
transformacin lineal de U en V:
a.- U = C>0; 1@, V = V 1, T(f) = f(0).
b.- U = C>0; 1@, V = V 1, T(f) = f(0) + f(1).
c.- U = C>0; 1@, V = V 2, T(f) = (f(0) + f(1)).
d.- U = V 2, V = C> a ; b@, T(x1, x2) = x1ex + x2e2x.
e.- U = C>0; 1@, V = C>0; 1@, T(f) = f(x) Cosx.
f.- U = C (1)> a ; b@, V = C> a ; b@, T(f) = f (x)Senx.
g.- U = C (2)> a ; b@, V = C> a ; b@,
T(f) = xf - f + exf.
(3)
h.- U = C > a ; b@, V = C> a ; b@,
T(f) = f + f + f + f.
i.- U = C> a ; b@, V = C> a ; b@, T ( f )
x t
0 e
f (t )dt .
(1)
j.- U = C > a ; b@, V = C> a ; b@,
T( f )
f (t )dt 3 f ( x) .
7.1.2 Demuestre que la transformacin f definida por

f((x, y)) = (4x 2y, 3~y~) no es lineal.
7.1.3 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (1, 0) y
f((0, 1)) = (0, 0). Determine f((x, y)) en R 2 y d una
interpretacin geomtrica de f.
7.1.4 Sean U y V espacios vectoriales sobre K, siendo U
bidimensional. Sean S = {u1, u2} una base de U, y v1 y v2
dos vectores cualesquiera de V. Defnase f de U en V de la
siguiente manera: Si u U, entonces u = au1 + bu2 para los
nicos escalares a y b. Hgase f(u) = av1 + bv2. Demuestre
que f es transformacin lineal.
7.1.5 Sea f : R 2 o R 2 una transformacin lineal que
transforma u = (1, 5) en (2, 0) y transforma v = (3, 1) en
(1, -4). Use el hecho de que f es lineal para encontrar las
imgenes bajo f de 2u y 3u + 5v.
7.1.6 Sea V un espacio con producto interior con un
subespacio que tiene a S = {w1, w2, ..., wk} como una base
ortonormal. Demuestre que la funcin f : V o V dada por
f(u) = v w1w1 + v w2w2 + ... + v wkwk
es una transformacin lineal.
7.1.7 Se da el espacio vectorial de los vectores u = ae1 +
be2 + ce3 + de4, donde a, b, c, d son todos los nmeros
reales posibles. Sea k un nmero real fijo. Es lineal la
transformacin f definida por la igualdad
f(u) = ae1 + be2 + ce3 + de4?
7.1.8 Verifquese que si a 1, b1, a 2, b2 son nmeros reales,
entonces
T(x1, x2) = (a 1x1 + a 2x2, b1x1 + b2x2)
Es transformacin lineal de R 2 en R 2.
7.1.9 Sea f : :(n, n) o R definida por Tr(A) = a11 + a22 +

... + ann. Demuestre que f es una transformacin lineal.
7.1.10 Sea V un espacio con producto interior. Para un
vector fijo w en V, se define f : V o R por f(v) = v w.
Demuestre que f es una transformacin lineal.
7.1.11 Para cada uno de los conjuntos de condiciones
que se enuncian, determnese si existe una
transformacin lineal T de U en V que cumpla con las
condiciones dadas:
a.- U = V 2, V = V 2, T(1, 1) = (1, 2),
T(1, -1) = (0, 3).
b.- U = V 2, V = V 2, T(1, 1) = (1, 0),
T(1, -1) = (3, 0), T(2, 3) = (1, 0).
c.- U = V 2, V = V 2, T(1, 2) = (1, 3),
T(2, 1) = (2, 0), T(1, 1) = (1, 1).
d.- U = P, V = P, T(1) = 0,
T(xn) = xn+1 para n t 1.
e.- U = P, V = P, T(1) = x, T(x + 1) = x2,
T(x2 - 1) = x3.
f.- U = P, V = P, T(1) = x2, T(x - 1) = x,
T(x2 + x) = x, T(x2) = x2.
7.1.12 Sea f una transformacin lineal de P2 en P2 tal que
f(1) = x, f(x) = 1 + x y f(x2) = 1 + x + x2.
Determine f(2 6x + x2).
7.1.13 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (0, 1)
y f((0, 1)) = (1, 0). Determine f((x, y)) en R 2 y d una
interpretacin geomtrica de f.
7.1.14 Sea f : R o R tal que f (u) proyv u , donde
v = (1, 1):
a.- Determine f((x, y)).
b.- Determine f((3, 4)) y f(f((3, 4))) y d una interpretacin
geomtrica del resultado.
7.1.15 Trazar la imagen del cuadrado unitario cuyos
vrtices son los puntos (0, 0), (1, 0), (1, 1) y (0, 1) bajo
la transformacin lineal dada:
a.- f es una reflexin en el eje x.
b.- f es una reflexin en la recta y = x.
c.- f es la contraccin f((x, y)) = (x/2, y).
7.1.16 Sea f la transformacin lineal de R 2 en R 2
definida por
f(( a , b)) = (aCosT - bSenT, a SenT + bCosT).
Determine:
a.- f((4, 4)) para T = 45;
b.- f((2, -1)) para T = 30;
c.- f((5, -1)) para T = 120.
JOE GARCIA ARCOS
324
7.1.17 Determinar la imagen del cubo unitario cuyos

vrtices son
(0, 0, 0), (1, 0, 0), (1, 1, 0), (0, 1, 0), (0, 0, 1), (1, 0, 1),
(1, 1, 1) y (0, 1, 1)
cuando es rotado 45 alrededor del eje Z, y cuando es
rotado 90 alrededor del eje X.
7.1.18 Demustrese que, si ninguno de los espacios U y
V es el espacio cero y si uno de ellos es de dimensin
infinita, entonces el conjunto de las transformaciones
lineales de U en V es un espacio vectorial de dimensin
infinita.
7.1.19 Una traslacin es una funcin de la forma f((x, y)) =
(x h, y k), donde por lo menos una de las constantes h o
k es diferente de cero:
a.- Demuestre que una traslacin en el plano no es una
transformacin lineal.
b.- Para la traslacin f((x, y)) = (x 2, y + 1), determine las
imgenes de (0, 0), (2, -1) y (5, 4).
c.- Demuestre que una traslacin en el plano no tiene
puntos fijos.
7.1.20 Sean u, v vectores en R n. Puede demostrarse que
el conjunto S de todos los puntos del paralelogramo
determinado por u y v tiene la forma Du + Ev, para 0 d D
d 1, 0 d E d 1. Sea f : R n o R n una transformacin
lineal. Explique por qu la imagen de un punto en S bajo
la transformacin f yace en el paralelogramo
determinado por f(u) y f(v).
7.1.21 Un vector u es un punto fijo de una transformacin

lineal f : V o V si f(u) = u:
a.- Demuestre que es un punto fijo de cualquier
transformacin lineal f : V o V.
b.- Demuestre que el conjunto de puntos fijos de una
transformacin lineal f : V o V es un subespacio de V.
c.- Determine todos los puntos fijos de la transformacin
lineal f : R 2 o R 2 dada por f((x, y)) = (x, 2y).
d.- f es la dilatacin definida por f((x, y)) = (x, 3y).
e.- f es la deformacin por esfuerzo cortante definida
por f((x, y)) = (x + 2y, y).
f.- f es la deformacin por esfuerzo cortante definida por
f((x, y)) = (x, 3x + y).
7.1.22 Dado v z y u en R n, la lnea que pasa por u en
la direccin de v, tiene la ecuacin paramtrica w = u +
tv. Demuestre que una transformacin lineal f : R n o R n
transforma esta lnea sobre otra lnea o sobre un nico
punto.
7.1.23 Si S es transformacin lineal de R 3 en R 2 y si
S(1, 0, 0) = ( a 1, b1), S(0, 1, 0) = ( a 2, b2),
S(0, 0, 1) = ( a 3, b3),
entonces T y S son la misma transformacin.
7.1.24 Sean e1, e2, u = (3, -5) y v = (-2, 7), y sea
f : R 2 o R 2 una transformacin lineal que transforma e1
en u y e2 en v. Encuentre las imgenes de (7, 6) y de
(x, y).
7.2 R EPR ESE N T A C I O N M A T RI C I A L. M A T RI Z D E C A M BI O D E B ASE

En esta seccin se demostrar que si U y V son espacios vectoriales de dimensiones finitas, entonces con un poco
de ingenio cualquier transformacin lineal f de U en V se puede expresar en forma matricial como f(u) = Au, en
cualesquiera bases.
Se pueden usar las matrices para representar una gran variedad de diferentes
conceptos matemticos. La forma en que se manejan las matrices, depende de los
objetivos que representen. Considerando la amplia variedad de situaciones en las
cuales las matrices tienen aplicacin, existe una notable semejanza en las
operaciones que se efectan con las matrices en estas situaciones. Sin embargo,
tambin existen diferencias y, para entenderlas, debemos entender el objeto
representado y qu informacin se puede esperar trabajando con las matrices. Las
matrices no solamente nos proporcionan un medio conveniente para realizar todo
clculo necesario con las transformaciones lineales, sino que la teora de los espacios
vectoriales y las transformaciones lineales tambin demuestra ser una herramienta
poderosa en el desarrollo de las propiedades de las matrices.
A continuacin damos a conocer un mtodo general para construir la matriz de la
transformacin lineal que acta del espacio vectorial U en el espacio vectorial V.
Suponga que a los vectores de la base S1 = {u1, u2, ..., un} del espacio vectorial U les
estn asignados unos vectores y S2 = {v1, v2, ..., vn} del espacio vectorial V. En
este caso existe una transformacin lineal f y es, adems, nica, que acta de U en V
JOE GARCIA ARCOS
325
y que transforma todo vector de S1 en el vector correspondiente de S2. Suponga que

la transformacin buscada f existe. Tmese un vector arbitrario u de U y represntelo
en forma de un desarrollo u = a1u1 + a2u2 + ... + anun, entonces
f(u) = f(a1u1 + a2u2 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un)
= a1v1 + a2v2 + ... + anvn.
El segundo miembro de esta identidad se determina unvocamente por el vector u
y las imgenes de la base. Por esta razn, la igualdad obtenida demuestra la
unicidad de la transformacin f, si ste existe. Por otra parte, podemos definir la
transformacin f precisamente mediante esta igualdad, es decir, poner f(u) = a 1v1
+ a 2v2 + ... + a nvn. La transformacin obtenida, es una transformacin lineal que
acta de U en V y transforma, a la vez, todo vector de S1 en el vector
correspondiente de S2. El dominio de la transformacin f coincide con el
subespacio generado por el sistema de vectores S2.
Ahora podemos enunciar el siguiente teorema:
T E O R E M A 7.2.1
La transformacin lineal f que acta del espacio U en el espacio V est
completamente definido mediante la totalidad de imgenes f(u1), f(u2), ...,
f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
Fijemos en el espacio U la base S1 = {u1, u2, ..., un} y en el espacio V, la base
S2 = {v1, v2, ..., vm}. El vector u1 se transforma por la transformacin f en cierto
vector f(u1) del espacio V, el cual, como todo vector de este espacio, puede ser
desarrollado por vectores bsicos
f(u1) = a11v1 + a12v2 + ... + a1mvm
f(u2) = a21v1 + a22v2 + ... + a2mvm
...
f(un) = an1v1 + an2v2 + ... + anmvm
Los coeficientes a ij de estas combinaciones lineales determinan una matriz A de m
filas y n columnas
am1
a11 a21
a
a22
am 2
A 12
amn
a1n a2 n
que se denomina matriz de la transformacin f en bases elegidas. Como columnas de
la matriz de la transformacin sirven los coeficientes de la cada combinacin, en
otras palabras, las coordenadas de los vectores f(u1), f(u2), ..., f(un) respecto de la base
S2. Con el fin de determinar el elemento a ij de la matriz de la transformacin f hace
falta aplicar la transformacin al vector uj y tomar la i-sima coordenada en la
imagen f(uj). En lo sucesivo haremos uso del mtodo descrito para determinar los
elementos de la matriz de la transformacin. Considere un vector arbitrario u de U y
su imagen v = f(u). Aclaremos de qu modo se expresar las coordenadas del vector v
en trminos de las coordenadas del vector u y los elementos de la matriz de la
transformacin. Sea
u = a1u1 + a2u2 + ... + anun
y
v = b1v1 + b2v2 + ... + bmvm
calculamos
f(u) = f(a1u1 + a2u2 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un)
= a1[a11v1 + a12v2 + ... + a1mvm] + a2[a21v1 + a22v2 + ... + a2mvm] + ... + an[an1v1 +
an2v2 + ... + anmvm]
JOE GARCIA ARCOS
326
= [a1a11 + a2a21 + ... + anan1]v1 + [a1a12 + a2a22 + ... + anan2]v2 + ... + [a1a1m +
a2a2m + ... + ananm]vm
Al comparar el segundo miembro de estas igualdades con el desarrollo de v,
concluimos que deben cumplirse las igualdades
a11a1 + a21a2 + ... + an1an = b1
a12a1 + a22a2 + ... + an2an = b2
...
a1ma1 + a2ma2 + ... + anman = bm
De esta manera, toda transformacin lineal genera, cuando estn definidas las
bases en los espacios U y V, las identidades antes mencionadas que relacionan
entre s las coordenadas de la imagen y las de la preimagen. Con el fin de
determinar las coordenadas de la imagen segn las coordenadas de la preimagen
basta calcular los primeros miembros de estas identidades.
Siendo determinadas las bases en los espacios U y V, la igualdad coordenada permite
investigar totalmente la accin de una transformacin lineal. Evidentemente, cuanto
ms simple es la forma de la matriz de una transformacin, tanto ms eficaz ser la
realizacin de dicha investigacin. Generalmente las matrices de las
transformaciones dependen de las bases y la tarea inmediata consiste en aclarar esta
dependencia.
Sean S1 = {u1, u2, ..., um} y S2 = {v1, v2, ..., vm} dos bases del espacio vectorial U. Los
vectores de S2 se definen unvocamente mediante sus descomposiciones
v1 a11u1 a12 u2 ... a1m um
v a u a u ... a u
2
21 1
22 2
2m m
(1)
...
vm am1u1 am 2 u2 ... amm um

segn los vectores de S1. Los coeficientes a ij determinan la matriz
a11 a21 ... am1
a
a22 ... am 2
P 12
...
...
...
a1m a2 m ... amm

la cual se denomina matriz de la transformacin de coordenadas al pasar de la base
S1 a la base S2.
Tmese un vector arbitrario u de U y descompngase segn los vectores de ambas
bases. Sea
u = b1u1 + b2u2 + ... + bmum = c1v1 + c2v2 + ... + cmvm
De acuerdo con (1) tenemos
b1u1 + b2u2 + ... + bmum = c1v1 + c2v2 + ... + cmvm
= c1(a11u1 + a12u2 + ... + a1mum) + c2(a21u1 + a22u2 + ... +
a2mum) + ... + cm(am1u1 + am2u2 + ... + ammum)
= (a11c1 + a21c2 + ... + am1cm)u1 + (a12c1 + a22c2 + ... +
am2cm)u2 + ... + (a1mc1 + a2mc2 + ... + ammcm)um.
Comparando los coeficientes ui en el primero y segundo miembros de las
correlaciones, encontramos
b1 a11c1 a21c2 ... a m1cm
b a c a c ... a c
2
12 1
22 2
m2 m
(2)
...
bm a1m c1 a2 m c2 ... amm cm

Estas frmulas se denominan frmulas de transformacin de las coordenadas.
JOE GARCIA ARCOS
327
Designemos, como hasta ahora, mediante XS1 y XS2 las matrices de dimensiones
m x 1, formadas por las coordenadas del vector u en las bases correspondientes. Las
frmulas (2) muestran que XS1 = PXS2 . La matriz de la transformacin de
coordenadas debe ser no singular, puesto que en el caso contrario tendr lugar la
dependencia lineal entre sus columnas y, por tanto, entre los vectores de S2. Por
supuesto, cualquier matriz no singular es una matriz de cierta transformacin de
coordenadas definida mediante XS1 = PXS2 . Al multiplicar a la izquierda de la
igualdad por la matriz P-1, obtendremos
P-1XS1 = P-1PXS2 XS2 = P-1XS1 .
Supongamos ahora que en el espacio vectorial U vienen dadas tres bases S1, S2 y S3.
El paso de la primera base a la tercera puede realizarse con ayuda de dos
procedimientos: o bien directamente de la primera a la tercera o bien primero de la
primera a la segunda, y despus de la segunda a la tercera. No es difcil establecer la
conexin entre las matrices correspondientes de la transformacin de coordenadas.
De acuerdo con XS1 = PXS2 , tenemos:
XS1 = PXS2 XS2 = RXS3 XS1 = QXS3 .
De las primeras dos correlaciones se desprende

XS1 = PXS2 = P(RXS3 ) = (PR)XS3 = QXS3 .
De este modo, cuando las coordenadas se transforman de manera consecutiva, la
matriz de la transformacin resultante ser igual al producto de matrices de las
transformaciones intermedias.
Examinemos otra vez la transformacin lineal f que acta de U en V. Elijamos en el
espacio U dos bases S1 y S2, y en el espacio V otras dos bases S3 y S4. En las
primeras dos bases, a una misma transformacin f le corresponde la igualdad
coordenada
YS3 = ASS1 XS1 (3)
3
y en las otras dos bases, la igualdad

YS4 = ASS2 XS2
(4)
En concordancia con estos pares de bases, para una misma transformacin f tenemos
dos matrices ASS1 y ASS2 . Designemos con P la matriz de la transformacin de
3
coordenadas al pasar de la base S1 a la base S2 y con Q , la matriz de la

transformacin de coordenadas al pasar de S3 a S4.Se tiene
XS1 = PXS2 , YS3 = QYS4 .
Sustituyendo estas expresiones para XS1 y YS3 en (3), obtenemos
QYS4 = ASS1 PXS2
3
De donde se deduce que
YS4 = Q-1ASS1 P XS2 .

3
Al comparar la igualdad obtenida con (4), concluimos que

ASS2 = Q-1ASS1 P .
4
Esto es precisamente la correlacin buscada que liga las matrices de una misma
transformacin en diferentes bases. La transformacin lineal f que acta del espacio
U en el espacio V est completamente definido mediante la totalidad de imgenes
JOE GARCIA ARCOS
328
f(u1), f(u2), ..., f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
EJ E M P L O 7.2.1
En un espacio vectorial de dimensin 4, se examina una transformacin lineal f.
Escribir esta transformacin en la forma de coordenadas si
f(e1) = e3 + e4, f(e2) = e1 + e4,
f(e3) = e1 + e2, f(e4) = e2 + e3.
SO L U C I O N
f((1, 0, 0, 0)) = (0, 0, 1, 1), f((0, 1, 0, 0)) = (1, 0, 0, 1),
f((0, 0, 1, 0)) = (1, 1, 0, 0), f((0, 0, 0, 1)) = (0, 1, 1, 0).
La matriz de la transformacin f es
0 1 1 0
0 0 1 1
A
.
1 0 0 1
1 1 0 0
Por lo tanto, la transformacin f se escribe en forma de coordenadas de la siguiente
manera:
f((a, b, c, d)) = (b + c, c + d, a + d, a + b).
EJ E M P L O 7.2.2
Sea f la transformacin lineal de :(2, 2) en :(3, 1) definida por
2 a 3b c
a b
f
a 2b c 2d .
c
d
a b 3c 4d
Encuentre la representacin matricial de f.

SO L U C I O N
Tmese las bases cannicas de :(2, 2) y :(3, 1), es decir
1
1 0 0 1 0 0 0 0
S
y
S1
,
,
,
0 ,

2
0
0
0
0
1
0
0
1
0

1,
0

0

0
1

obtenga la matriz > f @ SS2 . Primeramente, determinaremos cules son las imgenes de
1
los vectores de la base S1 de :(2, 2):

2
1 0
f
1 ;
0 0 1

1
0 0
f
1 ;
1 0 3

0 1
f
0 0
0 0
f
0 1
3

2 ;
1

0

2 .
4

Obsrvese que en este caso, como se est tomando la base cannica S2 de :(3, 1), se
tiene lo siguiente:
2
3
1
0
> f (E1 )@ S2 1 ; > f (E 2 )@ S2 2 ; > f (E3 )@ S2 1 ; > f (E 4 )@ S2 2 ,
1
1
3
4

de modo que
2 3 1 0
S2
f
> @ S1 1 2 1 2 .
1 1 3 4
JOE GARCIA ARCOS
329
EJ E M P L O 7.2.3
Considrese f la transformacin lineal de P4 en P4 definida por f(p) = p'(x). Obtenga
[f]S en la base cannica de P4.
SO L U C I O N
La base cannica de P4 es S = {1, x, x2, x3, x4}. A continuacin determinamos las
imgenes con respecto a cada elemento de S, es decir:
[f(1)]S = [(1)']S = [0]S = 0(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x)]S = [(x)']S = [1]S = 1(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x2)]S = [(x2)']S = [2x]S = 0(1) + 2(x) + 0(x2) + 0(x3) + 0(x4);
[f(x3)]S = [(x3)']S = [3x2]S = 0(1) + 0(x) + 3(x2) + 0(x3) + 0(x4);
[f(x4)]S = [(x4)']S = [4x3]S = 0(1) + 0(x) + 0(x2) + 4(x3) + 0(x4).
Por lo tanto
0 1 0 0 0
0 0 2 0 0
> f @ S 0 0 0 3 0 .
0 0 0 0 4
0 0 0 0 0
Mediante esta matriz, podemos derivar p(x) = 5 + 8x - 10x2 + 6x3 - 7x4, es decir
0 1 0 0 0 5 8
0 0 2 0 0 8 20
> f ( p)@ S > p '@ S > f @ S > p @ S 0 0 0 3 0 10 18 .
0 0 0 0 4 6 28
0 0 0 0 0 7 0
Por lo tanto, p'(x) = 8 - 20x + 18x2 - 28x3.

EJ E M P L O 7.2.4
Sea f la transformacin lineal de R 3 en R 4 definida por
f((a, b, c)) = (a + 3b c, 2a + b + 3c, -3a - 14b + 8c, 3a + 4b + 2c)
Obtenga >f@S en las bases cannicas.
SO L U C I O N
Tmense las bases cannicas de R 3 y R 4:
S1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
y
S2 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
A continuacin, obtenemos las imgenes correspondientes
f((1, 0, 0)) = (1, 2, -3, 3), f((0, 1, 0)) = (3, 1, -14, 4), f((0, 0, 1)) = (-1, 3, 8, 2)
obtenemos la matriz
3 1
1
2
1
3
> f @ SS12 3 14 8 .
4 2
3
EJ E M P L O 7.2.5
Encuentre la matriz de la transformacin lineal D definida en el conjunto de
polinomios en t sobre R de grado a lo sumo igual a 2 mediante D(p(t)) = p(t), en
relacin con la base.
a.- S1 = {1 + t, t, 1 + 2t + t2}; b.- S2 = {1/2(1 - t), 1/2(1 + t), t2}.
SO L U C I O N
a.- D(1 + t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(1 + 2t + t2) = 2 + 2t = 2(1 + t) + 0t + 0(1 + 2t + t2)
JOE GARCIA ARCOS
330
1 1 2
D 1 1 0 .
0 0 0
b.- D(1/2(1 - t)) = - 1/2 = (-1/2)1/2(1 - t) + (-1/2)1/2(1 + t) + 0t2

D(1/2(1 + t)) = 1/2 = 1/21/2(1 - t) + 1/21/2(1 + t) + 0.t2
D(t2) = 2t = (-2)1/2(1 - t) + 21/2(1 + t) + 0t2
1/ 2 1/ 2 2
D 1/ 2 1/ 2 2 .
0
0
0
EJ E M P L O 7.2.6
Sea V el espacio de todas las funciones de la forma ae t + be2t + ce 3t. Si se define
D : V o V mediante D(f(t)) = f (t), obtenga:
a.- La matriz de D con respecto a la base S1 = {et, e2t, e3t};
b.- La matriz de D con respecto a la base S2 = {et + e2t, e2t + e3t, et + e3t}.
SO L U C I O N
a.- D(et) = et = 1et + 0e2t + 0e3t ;
D(e2t) = 2e2t = 0et + 2e2t + 0e3t
3t
3t
t
2t
3t
D(e ) = 3e = 0e + 0e + 3e
1 0 0
D 0 2 0
0 0 3
b.- D(et + e2t) = et + 2e2t = 3/2(et + e2t) + 1/2(e2t + e3t) + (-1/2)(et + e3t)
D(e2t + e3t) = 2e2t + 3e3t = (-1/2)(et + e2t) + 5/2(e2t + e3t) + 1/2(et + e3t)
D(et + e3t) = et + 3e3t = (-1)(et + e2t) + 1(e2t + e3t) + 2(et + e3t)
1
3
2 2 1
1
5
D
1 .
2
2
1
1
2
2
EJ E M P L O 7.2.7
Se examina el espacio vectorial de los vectores u = ae1 + be2 + ce3 + de4, donde a, b,
c, d son escalares reales. Demostrar que la transformacin f definida por f(u) = be1 +
ce2 + de3 + ae4 es lineal, y hallar su representacin matricial.
SO L U C I O N
Sabemos que f(u) = f((a, b, c, d)) = (b, c, d, a). Encontramos las imgenes con
respecto de la base cannica de R 4:
f((1, 0, 0, 0)) = (0, 0, 0, 1);
f((0, 1, 0, 0)) = (1, 0, 0, 0);
f((0, 0, 1, 0)) = (0, 1, 0, 0);
f((0, 0, 0, 1)) = (0, 0, 1, 0)
Por tanto la matriz de la transformacin lineal tiene la siguiente forma:
0 1 0 0
0 0 1 0
Af
.
0 0 0 1
1 0 0 0
EJ E M P L O 7.2.8
Sea V = P4 el espacio de todos los polinomios de grado menor o igual a 4, en la
indeterminada t y defnase f de P4 en P4 por f ( p(t )) p(t ) 2 p(t ) p(t ) .
Representar a f mediante una matriz respecto a la base cannica de P4.
JOE GARCIA ARCOS
SO L U C I O N
Sabemos que
331
p(t) = a + bt + ct2 + dt3 + et4,

p(t) = b + 2ct + 3dt2 + 4et3,
p(t) = 2c + 6dt + 12et2.
De donde:
f(a + bt + ct2 + dt3 + et4) = (a + 2b + 2c) + (b + 4c + 6d)t + (c + 6d + 12e)t2 +
+ (d + 8e)t3 + et4.
Encontramos las imgenes con respecto de la base cannica de P4:
f(1) = 1 + 0t + 0t2 + 0t3 + 0t4; f(t) = 2 + t + 0t2 + 0t3 + 0t4;
f(t2) = 2 + 4t + t2 + 0t3 + 0t4; f(t3) = 0 + 6t + 6t2 + t3 + 0t4;
f(t4) = 0 + 0t + 12t2 + 8t3 + t4.
1 2 2 0 0
0 1 4 6 0
A f 0 0 1 6 12 .
0 0 0 1 8
0 0 0 0 1
EJ E M P L O 7.2.9
Considrese la transformacin lineal f : P3 o P2 definida por
f( at3 + bt2 + ct + d) = ( a + b + c)t2 + (2b c + 4d).
Determine la matriz de f en las bases cannicas.
SO L U C I O N
Encontramos las imgenes con respecto de la base cannica de P3 y luego cada una
de stas, las expresamos como combinacin lineal de la base cannica de P2:
f(t3) = t2 + 0t + 0; f(t2) = t2 + 0t + 2; f(t) = t2 + 0t 1; f(1) = 0t2 + 0t + 4.
1 1 1 0
A f 0 0 0 0 .
0 2 1 4
EJ E M P L O 7.2.10
Considrese la transformacin lineal f : C 2 o C 2 definida por f((a, b)) = (a + b, ib).
Determine la matriz de f en las bases cannicas.
SO L U C I O N
Encontramos las imgenes con respecto de la base cannica de C 2 y luego cada una
de stas, las expresamos como combinacin lineal de la base cannica de C 2:
f((1, 0)) = (1, 0), f((0, i)) = (i, -1).
1 i
Af
.
0 1
PR O B L E M AS
7.2.1 La transformacin lineal definida en el ejemplo
anterior es uno a uno, es decir, f no aplica a dos vectores
diferentes sobre el mismo vector. Por tanto, existe una
transformacin lineal que aplica a (3, -1) sobre (1, 0) y a
(-1, 2) sobre (0, 1). Esta transformacin lineal invierte la
aplicacin dada por f. Determine la matriz que la
representa con respecto a las bases cannicas.
7.2.2 Encuentre la representacin matricial A de la

transformacin lineal f, use A para encontrar la imagen
del vector v y trace la grfica de v y su imagen:
a.- f es la reflexin a travs del origen en R 2:
f((x, y)) = (-x, -y), v = (3, 4).
b.- f es la reflexin en la recta y = x en R 2:
f((x, y)) = (y, x), v = (3, 4).
JOE GARCIA ARCOS
332
c.- f es la rotacin de 135 en sentido antihorario en R 2,

v = (4, 4).
d.- f es la rotacin de 60 en sentido horario en R 2,
v = (1, 2).
e.- f es la reflexin a travs del plano de coordenadas
XY en R 3: f((x, y, z)) = (x, y, -z), v = (3, 2, 2).
f.- f es la reflexin a travs del plano de coordenadas YZ
en R 3:
f((x, y, z)) = (-x, y, z), v = (2, 3, 4).
g.- f es la rotacin de 180 en sentido antihorario en R 2,
v = (1, 2).
h.- f es la rotacin de 45 en sentido antihorario en R 2,
v = (2, 2).
i.- f es la proyeccin sobre el vector w = (3, 1) en R 2:
f (v) proywv , v = (1, 4).
j.- f es la proyeccin sobre el vector w = (-1, 5) en R 2:
f (u) proywu , u = (2, -3).
k.- f es la reflexin con respecto al vector w = (3, 1) en
R 2, v = (1, 4). (La reflexin de un vector v a travs de w
est definida por f (v) 2proywv v ).
7.2.3 Rote 90 alrededor del punto (5, 3) en sentido
antihorario el tringulo cuyos vrtices son (3, 5), (5, 3) y
(3, 0). Graficar los tringulos.
Encuentre las matrices que representan a esta
transformacin lineal con respecto a las bases cannicas
de R 2 y {(1, 1), (1, -2)}.
7.2.4 Sea la transformacin lineal f : R 2 o R 3 que
aplica a (1, 1) sobre (0, 1, 2) y a (-1, 1) sobre (2, 1, 0).
Determine la matriz que representa a f con respecto a las
bases S1 = {(1, 0), (0, 1)} en R 2 y S2 = {(1, 0, 0),
(0, 1, 0), (0, 0, 1)} en R 3.
1 0
Sea A
, u = (5, 2) y v = (3, -1). Sea
0 1
f(w) = Aw para w en R 2:
a.- En un sistema de coordenadas rectangulares, grafique
los vectores u, v, f(u) y f(v).
b.- D una interpretacin geomtrica de lo que f hace a un
vector w en R 2.
7.2.5
7.2.6 Sea f una transformacin lineal tal que f(u) = Du

para u en R n. Encuentre la matriz A para f.
7.2.7 Sea f una transformacin lineal de R 2 hacia s
mismo que aplica a (1, 1) sobre (2, -3) y a (1, -1) sobre
(4, -7). Determine la matriz que representa a f con
respecto a las bases cannicas.
7.2.8 Una transformacin afn f : R n o R m tiene la
forma f(u) = Au + b, siendo A una matriz de m x n y con
b en R m. Demuestre que f no es una transformacin lineal
cuando b z .
7.2.9 Decimos que una recta se aplica sobre s misma,

si cada punto de la recta se aplica sobre un punto de la
recta, pero no todos sobre el mismo punto, an
considerando que los puntos en la recta se pueden
mover de un lado a otro:
a.- Una transformacin lineal aplica a (1, 0) sobre
(-1, 0) y a (0, 1) sobre (0, -1). Demuestre que cada recta
que pasa por el origen se aplica sobre s misma.
Demuestre que cada una de esas rectas se aplica sobre s
misma con el sentido de la direccin invertido. Esta
transformacin lineal se llama inversin con respecto al
origen. Encuentre la matriz que representa a esta
transformacin lineal con respecto a la base cannica de
R 2.
b.- Una transformacin lineal aplica a (1, 1) sobre
(-1, -1) y deja fijo a (1, -1). Demuestre que toda recta
perpendicular a la recta x1 + x2 = 0 se aplica sobre s
misma, con el sentido de la direccin invertido.
Pruebe que cada punto sobre la recta x1 + x2 = 0 se deja
fijo. Cules rectas de las que pasan por el origen se
aplican sobre s mismas?. Esta transformacin lineal se
llama reflexin alrededor de la lnea x1 + x2 = 0.
Encuentre la matriz que representa a esta transformacin
lineal con respecto a la base cannica en R 2. Encuentre
la matriz que representa a esta transformacin lineal con
respecto a la base {(1, 1), (1, -1)}.
c.- Una transformacin lineal aplica a (1, 1) sobre
(2, 2) y a (1, -1) sobre (3, -3). Demuestre que las rectas
que pasan por el origen y por los puntos (1, 1) y (1, -1)
se aplican sobre s mismas y que ningunas otras rectas
se aplican sobre s mismas. Encuentre las matrices que
representan a esta transformacin lineal con respecto a
las bases, cannicas en R 2 y {(1, 1), (1, -1)}.
d.- Una transformacin lineal deja fijo a (1, 0) y aplica
(0, 1) sobre (1, 1). Demuestre que cada recta de la forma
x2 = c se aplica sobre s misma y se traslada dentro de s
misma una distancia igual a c. Esta transformacin
lineal se llama deslizamiento. Cules rectas que pasan
por el origen se aplican sobre s mismas? Encuentre la
matriz que representa a esta transformacin lineal con
respecto a la base cannica de R 2.
e.- Una transformacin lineal aplica a (1, 0) sobre
(5/13, 12/13) y a (0, 1) sobre (-12/13, 5/13). Demuestre
que toda recta que pasa por el origen se hace girar en un
ngulo T = ArcCos(5/13), en sentido antihorario. Esta
transformacin lineal se llama rotacin. Encuentre la
matriz que representa a esta transformacin lineal con
respecto a la base cannica de R 2.
f.- Una transformacin lineal aplica a (1, 0) sobre
(2/3, 2/3) y a (0, 1) sobre (1/3, 1/3). Demuestre que cada
punto sobre la recta 2x1 + x2 = 3c se aplica sobre el
nico punto ( c, c). La recta x1 x2 = 0 se deja fija. La
nica otra recta que pasa por el origen y se aplica sobre
s misma, es la recta 2x1 + x2 = 0. Esta transformacin
lineal se llama proyeccin sobre la recta x1 x2 = 0
paralela a la recta 2x1 + x2 = 0.
JOE GARCIA ARCOS
2
7.2.10 Sea S = {1, x, x , x } una base de P 3 y sea

f : P3 o P4 la transformacin lineal definida por
f (xk )
x k
0 t
dt :
a.- Encuentre la matriz A para f con respecto a S y a la

base cannica de P 4.
b.- Use A para integrar p(x) = 15 + 6x 2x2 + 5x3.
7.2.11 Use la matriz de rotacin en R 2 en sentido
antihorario para rotar 90 alrededor del origen el
tringulo cuyos vrtices son (3, 5), (5, 3) y (3, 0).
Grafique los tringulos.
7.2.12 Sean
S1 = {(1, 3), (-2, -2)} y S2 = {(-12, 0), (-4, 4)}
3 2
2
2
bases de R 2, y sea A
la matriz de f : R o R
0 4
con respecto a S1:
a.- Determine la matriz de transicin P de S2 a S1.
b.- Aplique las matrices A y P para encontrar [v]S1 y
1
.
2
c.- Determine B , la matriz de f con respecto a S2, y P -1.
d.- Encuentre [ f (v)]S2 de dos formas: primero como
[ f (v)]S1 , donde [v]S2
P1[ f (v)]S1 y luego como B[v]S2 .
7.2.13 En R 3 sean S1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y

S2 = {(0, 1, 1), (1, 0, 1), (1, 1, 0)}. Encuentre la matriz de
transicin P de S1 hacia S2 y la matriz de transicin P -1
de S2 hacia S1.
7.2.14 Sea S1, S2 y S3 tres base de V. Sea P la matriz de
transicin de S1 hacia S2 y Q la matriz de transicin de S2
hacia S3. Es PQ o QP la matriz de transicin de S1 hacia
S3? Compare el orden de multiplicacin de las matrices
de transicin y de las matrices que representan
transformaciones lineales.
7.2.15 Sea f una transformacin lineal de R 2 haca si
mismo que aplica a (1, 0) sobre (3, -1) y a (0, 1) sobre (1, 2). Determine la matriz que representa a f con respecto
a las bases cannicas.
7.2.16 Sea S = {1, x, ex, xex} una base de un subespacio
U del espacio de funciones continuas y sea D x el
operador diferencial sobre U. Encuentre la matriz para D x
con respecto a la base S.
7.2.17 Sea S = {e2x, xe2x, x2e2x} una base de un
subespacio U del espacio de funciones continuas y sea D x
el operador diferencial sobre U. Encuentre la matriz para
D x con respecto a la base S.
333
7.2.18 Sea u = (x, y), v = (-7, 4) y w = (3, -8), y sea

f : R 2 o R 2 una transformacin que transforma u en
Dv + E w. Encuentre una matriz tal que f(u) sea Au para
cada u.
7.2.19 La transformacin lineal definida por una matriz
diagonal cuyos elementos en la diagonal principal son
positivos se denomina amplificacin. Encontrar las
imgenes de (1, 0), (0, 1) y (2, 2) bajo la transformacin
2 0
definida por A
e interpretar grficamente los
0 3
resultados.
7.2.20 Considere los nmeros complejos de la forma
x + iy y represente tales nmeros complejos por las
diadas (x, y) en R 2. Sea a + ib un nmero complejo fijo.
Considere la funcin f definida por la regla
f(x + iy) = ( a + ib)(x + iy) = u + iv:
a.- Demuestre que esta funcin es una transformacin
lineal de R 2 hacia s mismo que aplica a (x, y) sobre
(u, v).
b.- Encuentre la matriz que representa a esta
transformacin lineal con respecto a la base cannica.
c.- Encuentre la matriz que representa a la
transformacin lineal que se obtiene usando c + id en
lugar de a + ib. Calcule el producto de estas dos
matrices. Se pueden conmutar?
d.- Determine el nmero complejo que se pueda usar en
lugar de a + ib para obtener una transformacin
representada por este producto de matrices. Cmo est
relacionado este nmero complejo con a + ib y c + id?
7.2.21 En el espacio C>0; 1@, definamos T( f) como Mf,
donde Mf es la funcin de x definida de la manera
siguiente, Mf(x) = mximo de f en >0; x@, 0 d x d 1. De
esto tenemos un ejemplo en un termmetro que registra
la temperatura mxima. Se puede demostrar que M f(x)
es funcin continua en >0; 1@ cuando f tambin lo es:
a.- Encuntrese T(f) en
f(x) = x x2, f(x) = e-x, f(x) = Sen3x, f(x) = x2 x.
b.- Es T transformacin lineal?
c.- Descrbanse las funciones f para las cuales T( f) es la
funcin cero.
d.- Descrbanse las funciones f para las cuales T(f) = f.
7.2.22 Sea f : R 3 o R 3 la transformacin lineal
determinada por la matriz
a 0 0
A 0 b 0
0 0 c
donde a , b y c son nmeros positivos. Sea S la esfera

unitaria, cuya superficie limitante tiene la ecuacin
x12 x22 x32 1 :
JOE GARCIA ARCOS
334
a.- Demuestre que f(S) est delimitada por el elipsoide

que tiene la ecuacin
x12
2
x22
2
x32
2
1.
b.- Utilice el hecho de que el volumen de la esfera

unitaria es 4S/3 para determinar el volumen de la regin
acotada por el elipsoide de a).
7.3 A L G E B R A D E T R A NSF O R M A C I O N ES L I N E A L ES
En esta seccin se analizarn las operaciones que se pueden realizar entre transformaciones lineales.
Enunciaremos sus propiedades ms importantes.

Comenzamos el estudio sistemtico de las transformaciones lineales con la

descripcin de varias maneras en que pueden formarse nuevas transformaciones
partiendo de otras. De entre ellas la ms simple es la adicin de dos
transformaciones lineales, cada una de las cuales aplica un espacio vectorial dado
U en el espacio V.
Sean U y V espacios vectoriales, ambos sobre el mismo cuerpo K . La suma
f + g de las transformaciones lineales f de U en V y g de U en V est dada
por (f + g)(u) = f(u) + g(u) para cada vector u de U.
Ciertamente f + g es funcin de U en V. No obstante, es natural preguntarse si f + g
T E O R E M A 7.3.1
La suma f + g de las transformaciones lineales f de U en V y g de U en V,
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios de K. Para
demostrar que f + g sea una transformacin lineal, debemos probar que
(f + g)(au + bv) = a(f + g)(u) + b(f + g)(v).
Es decir
(f + g)(au + bv) = f(au + bv) + g(au + vb)
= [af(u) + bf(v)) + (ag(u) + bg(v))]
= [af(u) + ag(u)) + (bf(v) + bg(v))]
= a[f(u) + g(u)] + b[f(v) + g(v)]
= a(f + g)(u) + b(f + g)(v).
La adicin de transformaciones lineales tiene un gran nmero de propiedades
familiares y sugerentes. En primer lugar f + (g + h) = (f + g) + h y f + g = g + f,
siempre que f, g y h sean transformaciones lineales de U en V. En segundo lugar, la
transformacin cero de U en V acta como un cero para esta adicin, ya que f + =
+ f = f para toda f de U en V. Finalmente, si f es cualquier transformacin lineal de
U en V y si definimos f por la ecuacin (-f)(u) = - f(u), para toda u de U, obtenemos
una transformacin lineal de U en V con la propiedad de que f + (-f) = (-f) + f = .
A continuacin detallaremos la matriz asociada a la transformacin lineal f + g. Sean
S1 = {u1, u2, ..., un} y S2 = {v1, v2, ..., vm} bases de los espacios vectoriales U y V
respectivamente, y sean
a11 a21 ... an1
b11 b21 ... bn1
a
a
...
a
b
b22 ... bn 2
22
n2
A f 12
y B g 12
...
...
...
...
...
..
a1m a2 m ... anm

b1m b2 m ... bnm
las matrices asociadas a las transformaciones lineales f y g respecto de las bases
JOE GARCIA ARCOS
335
consideradas anteriormente. Calculamos los transformados de los elementos de la

base S1, para determinar la matriz asociada a la transformacin f + g:
(f + g)(u1) = f(u1) + g(u1)
= (a11v1 + a12v2 + ... + a1mvm) + (b11v1 + b12v2 + ... + b1mvm)
= (a11 + b11)v1 + (a12 + b12)v2 + (a1m + b1m)vm
(f + g)(u2) = f(u2) + g(u2)
= (a21v1 + a22v2 + ... + a2mvm) + (b21v1 + b22v2 + ... + b2mvm)
= (a21 + b21)v1 + (a22 + b22)v2 a2m + b2m)vm
...
(f + g)(un) = f(un) + g(un)
= (an1v1 + an2v2 + ... + anmvm) + (bn1v1 + bn2v2 + ... + bnmvm)
= (an1 + bn1)v1 + (an2 + bn2)v2 + (anm + bnm)vm
Por tanto, la matriz asociada en las bases consideradas vendr dada por
a11 b11 a21 b21 ... an1 bn1
a b
a22 b22 ... an 2 bn 2
A f B g 12 12
...
...
...
a1m b1m a2 m b2 m ... anm bnm

es decir, la matriz asociada a la transformacin lineal f + g se obtiene sumando
trmino a trmino los elementos de las matrices asociadas a la transformaciones
lineales f y g.
EJ E M P L O 7.3.1
La transformacin lineal f consiste en que cada vector del plano est vuelto en el
ngulo T = S/4. Hallar en la forma de coordenada la transformacin lineal f + i.
SO L U C I O N
Tenemos que
S
S
2
2
3S
3S
2
2
f (i ) iCos jSen
i
j ; f ( j ) iCos jSen

i
j
4
4
2
2
4
4
2
2
Por consiguiente
2
2

2
Af 2
.
2
2
2
2
Como Ii es la matriz identidad de 2 x 2, entonces
2
2
2
2

1
1 0
2
2
2
A f Ii 2
.
2
2 0 1
2
2
1
2
2
2
2
La transformacin lineal Af + Ii se puede escribir como

2
2
2
2
( f i )(( a , b))
1 a
b,
a
1 b .
2
2
2
EJ E M P L O 7.3.2
Se dan dos transformaciones lineales
f((a, b, c)) = (a + 2b + 3c, 4a + 5b + 6c, 7a + 8b)
g((a, b, c)) = (a + 3b + c, a 3b + 2c, a + c).
Hallar 3f 2g.
SO L U C I O N
Como 3f 2g : R 3 o R 3, entonces:
3f((a, b, c)) 2g((a, b, c)) = 3(a + 2b + 3c, 4a + 5b + 6c, 7a + 8b) - 2(a + 3b + c,
a 3b + 2c, a + c)
JOE GARCIA ARCOS
336
= (3a + 6b + 9c, 12a + 15b + 18c, 21a + 24b) - (2a + 6b + 2c, 2a 6b + 4c, 2a + 2c)
= (a + 7c, 10a + 21b + 14c, 19a + 24b 2c).
Para completar lo que ahora debe ser una sucesin obvia de ideas, presentamos
una multiplicacin escalar en el conjunto de las transformaciones lineales de U en
V.
El producto escalar af de un escalar a de K y una transformacin lineal f
de U en V est dada por ( af)(u) = af(u) para todo vector u de U.
En otras palabras, af es la funcin cuyo valor en u se calcula formando el producto
escalar de a y el vector f(u).
T E O R E M A 7.3.2
El producto escalar af de un escalar a de K y una transformacin lineal f de
U en V, es una transformacin lineal.
Sean u y v vectores arbitrarios de U, y sean k y r, escalares arbitrarios. Para
demostrar que af es una transformacin lineal, debemos probar que
(af)(ku + rv) = k[(af)(u)] + r[(af)(v)].
Es decir
(af)(ku + rv) = a[f(ku + rv)]
= a[kf(u) + rf(v)]
= (ak)f(u) + (ar)f(v)
= k[af(u)] + r[af(v)]
= k[(af)(u)] + r[(af)(v)].
Sean S1 = {u1, u2, ..., un} y S2 = {v1, v2, ..., vm} bases de los espacios vectoriales U y
V respectivamente, y sea
a11 a21 ... an1
a
a22 ... an 2
A f 12
...
...
...
a1m a2 m ... anm

la matriz asociada a la transformacin lineal f en las bases consideradas
anteriormente.
Calculamos los transformados de los elementos de la base S1, para determinar la
matriz asociada a la transformacin af:
(af)(u1) = af(u1) = a(a11v1 + a12v2 + ... + a1mvm)
= aa11v1 + aa12v2 + ... + aa1mvm
(af)(u2) = af(u2) = a(a21v1 + a22v2 + ... + a2mvm)
= aa21v1 + aa22v2 + ... + aa2mvm
...
(af)(un) = af(un) = a(an1v1 + an2v2 + ... + anmvm)
= aan1v1 + aan2v2 + ... + aanmvm
por tanto, la matriz asociada en las bases consideradas vendr dada por
aa11 aa21 ... aan1
aa
aa22 ... aan 2
aA f 12
...
...
...
aa
1m aa2 m ... aanm

es decir, la matriz asociada a la transformacin lineal af se obtiene multiplicando el
escalar a por todos los elementos de la matriz asociada a la transformacin lineal f.
JOE GARCIA ARCOS
337
Al conjunto de transformaciones lineales f de U en V, se designa por L(U, V). Si

U y V son ambos de dimensin finita, entonces L(U, V) es de dimensin finita, y de
hecho dimL(U, V) = dimUdimV.
T E O R E M A 7.3.3
Con la adicin y la multiplicacin escalar como se definieron antes,
L(U, V) es un espacio vectorial sobre K .
Es necesario verificar, uno por uno, que los axiomas de la definicin de espacio
vectorial son satisfechos. Para comprobar el primer axioma, debemos demostrar que
la suma f + g de las transformaciones lineales es una transformacin lineal. Esto ya
se demostr antes. Para comprobar el axioma 6 se debe demostrar que el producto af
del escalar a y la transformacin lineal f es una transformacin lineal. Esto tambin
lo hicimos antes. La demostracin se termina ahora con el siguiente razonamiento:
L(U, V) es un subconjunto de V(U), y las operaciones de adicin y multiplicacin
por escalares en L(U, V) y V(U), son las mismas. Como L(U, V) no es vaco y
satisface los dos axiomas 1 y 6, se desprende que L(U, V) es un espacio vectorial. El
espacio L(U, V) es un subespacio de V(U).
Para definir esta multiplicacin, sean U, V y W espacios vectoriales, y
consideremos un par de transformaciones lineales f : U o V y g : V o W.
Entonces, para todo u de U, f(u) es un vector en V, y tiene por ello sentido hablar
de aplicar g a f(u) para obtener el vector g(f(u)) de W. As, f y g pueden
combinarse, o multiplicarse, para producir una transformacin de U en W, la que
denotaremos por gf, y llamaremos el producto de f y g en ese orden, es decir, primero
f, luego g.
El producto, gf de las transformaciones lineales f de U en V y g de V en W
se define por (gf)(u) = g(f(u)) para todo vector u de U.
T E O R E M A 7.3.4
El producto gf de las transformaciones lineales f de U en V y g de V en
W es una transformacin lineal.
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios. Para
demostrar que gf es una transformacin lineal, debemos probar que
(gf)(au + bv) = a[(gf)(u)] + b[(gf)(v)].
Es decir
(gf)(au + bv) = g[f(au + bv)]
= g[af(u) + bf(v)]
= ag[f(u)] + bg[f(v)]
= a[(gf)(u)] + b[(gf)(v)].
Antes de proseguir, es conveniente un comentario sobre la notacin. A primera vista
parecera ms razonable denotar la composicin de f y g por fg en lugar de gf como
arriba aparece. La explicacin de no adoptar esta notacin es muy simple. Si se usara
gf tendra que cambiarse para que tuviramos fg(u) = g(f(u)), y la escritura de
ecuaciones se convertira en una clara invitacin al error. Una vez que se ha
establecido la convencin de que el smbolo gf es el que se emplea para la
composicin de f y g, en ese orden, observamos que esta composicin est definida
solamente cuando la imagen de f est contenida en el dominio de g. As pues, una de
las composiciones fg gf puede existir y el otro no. Pero incluso cuando tanto f como
g transformen un espacio vectorial dado en s mismo, en cuyo caso fg y gf son
transformaciones lineales en el mismo espacio, no es cierto en forma alguna que
JOE GARCIA ARCOS
338
deban ser iguales. En resumen la composicin de transformaciones lineales es

anticonmutativa.
A continuacin damos la representacin matricial de la transformacin lineal gf.
Sean S1 = {u1, u2, ..., un}, S2 = {v1, v2, ..., vr} y S3 = {w1, w2, ..., wm} bases de los
espacios vectoriales U, V y W respectivamente, y sean
a11 a21 ... an1
b11 b21 ... br1
a
a22 ... an 2
b
b22 ... br 2
y B g 12
A f 12
... ...
...
...
...
...
1r a2 r ... anr
b1m b2 m ... brm
las matrices asociadas a las transformaciones lineales f y g respecto de las bases
consideradas anteriormente. Calculamos los transformados de los elementos de la
base S1, para determinar la matriz asociada a la transformacin gf:
(gf)(u1) = g(f(u1))
= g(a11v1 + a12v2 + ... + a1rvr)
= a11g(v1) + a12g(v2a1rg(vr)
= a11(b11w1 + b12w2 + ... + b1mwm) + a12(b21w1 + b22w2 + ... + b2mwm
a1r(br1w1 + br2w2 + ... + br mwm)
= c11w1 + c12w2 + ... + c1mwm
(gf)(u2) = g(f(u2))
= g(a21v1 + a22v2 + ... + a2rvr)
= a21g(v1) + a22g(v2a2rg(vr)
= a21(b11w1 + b12w2 + ... + b1mwm) + a22(b21w1 + b22w2 + ... + b2mwm
a2r(br1w1 + br2w2 + ... + br mwm)
= c21w1 + c22w2 + ... + c2mwm
...
(gf)(un) = g(f(un))
= g(an1v1 + an2v2 + ... + anrvr)
= an1g(v1) + an2g(v2anrg(vr)
= an1(b11w1 + b12w2 + ... + b1mwm) + an2(b21w1 + b22w2 + ... + b2mwm
anr(br1w1 + br2w2 + ... + br mwm)
= cn1w1 + cn2w2 + ... + cnmwm
donde
c11 = a11b11 + a12b21 + ... + a1rbr1
c21 = a11b12 + a12b22 + ... + a1rbr2
...
cij = ai1b1j + a i2b2j + ... + a irbrj
...
cnm = an1b1m + an2b2m + ... + an rbr m
y la matriz asociada a la transformacin lineal gf respecto de las bases consideradas,
ser:
c11 c21 ... cn1
c
c22 ... cn 2
B g A f 12
...
...
...
c1m c2 m ... cnm

esto es, los elementos c ij de la matriz asociada a la transformacin lineal gf se
obtienen sumando los productos que resultan de multiplicar los elementos de la fila
que ocupa el lugar j en la matriz Bg por los elementos de la columna que ocupa el
lugar i de la matriz A.
Relacionando las operaciones de adicin y multiplicacin de transformaciones
lineales, tenemos dos leyes distributivas.
JOE GARCIA ARCOS
339
T E O R E M A 7.3.5
Sean f y g transformaciones lineales de U en V y h y t transformaciones
lineales de V en W. Entonces tenemos:
a.- h(f + g) = hf + hg;
b.- (h + t)f = hf + tf.
a.- Como f + g va de U en V y h va de V en W, entonces h(f + g) es una funcin de
U en W. Anlogamente, hf va de U en W y hg va de U en W y as hf + hg es una
funcin de U en W. Por tanto, para demostrar que h(f + g) = hf + hg, debemos
evaluar cada miembro en un vector arbitrario u de U y comprobar que los dos
resultados son siempre iguales. Es decir
[h(f + g)](u) = h[(f + g)(u)]
= h[f(u) + g(u)]
= h[f(u)] + h[g(u)]
= (hf)(u) + (hg)(u)
= (hf + hg)(u)
b.- Como h + t va de V en W y f va de U en V, entonces (h + t)f es una funcin de
U en W. Anlogamente, hf va de U en W y tf va de U en W y as hf + tf es una
funcin de U en W. Por tanto, para demostrar que (h + t)f = hf + tf, debemos evaluar
cada miembro en un vector arbitrario u de U y comprobar que los dos resultados son
siempre iguales. Es decir
[(h + t)f](u) = (h + t)[f(u)] = h[f(u)] + t[f(u)] = (hf)(u) + (tf)(u) = (hf + tf)(u).
Obsrvese que en el primer producto, h aparece a la izquierda, mientras que en el
segundo producto, f aparece a la derecha. Debido a que la multiplicacin de las
transformaciones lineales no es conmutativa, las dos frmulas no pueden
comprimirse en una sola ley distributiva. La primera frmula se llama ley
distributiva a la izquierda y, la segunda frmula, ley distributiva a la derecha. Sean
las transformaciones lineales f de U en V y g de V en W, y a un escalar arbitrario.
Entonces
a(gf) = (ag)f = g(af).
Hemos presentado los resultados bsicos referentes a las sumas, a los productos
escalares y a los productos de transformaciones lineales.
Consideremos ahora el caso especial de las transformaciones lineales de V en V; esto
es, estudiaremos ahora L(V, V).
T E O R E M A 7.3.6
Sea V un espacio vectorial sobre un cuerpo K. Entonces L(V, V) cumple lo
siguiente:
a.- L(V, V) es un espacio vectorial sobre K ;
b.- L(V, V) es cerrado bajo la multiplicacin;
c.- f(gh) = (fg)h para toda f, g y h de L(V, V);
d.- Para cualesquiera f, g y h de L(V, V) tenemos
f(g + h) = fg + fh y (g + h)f = gf + hf;
e.- Para un escalar a de K y cualesquiera f y g de L(V, V), tenemos que
JOE GARCIA ARCOS
340
a(fg) = (af)g = f(ag);

f.- i(f) = f para toda f de L(V, V).
EJ E M P L O 7.3.3
Se dan dos transformaciones lineales:
f((a, b, c)) = (a + b, b + c, c + a) y g((a, b, c)) = (b + c, a + c, a + b).
Hallar las transformaciones fg y gf.
SO L U C I O N
Las matrices de las transformaciones dadas tienen la forma
1 1 0
0 1 1
A f 0 1 1 , Bg 1 0 1 .
1 0 1
1 1 0
Hallamos los productos de estas matrices:

1 1 0 0 1 1 1 1 2
A f Bg 0 1 1 1 0 1 2 1 1 ,
1 0 1 1 1 0 1 2 1
0 1 1 1 1 0 1 1 2
Bg A f 1 0 1 0 1 1 2 1 1 .
1 1 0 1 0 1 1 2 1
En este caso AfBg = BgAf, por eso las transformaciones fg y gf coinciden. La forma
de coordenadas de la transformacin fg se escribe de la forma siguiente:
gf((a, b, c)) = fg((a, b, c) = (a + b + 2c, 2a + b + c, a + 2b + c).
EJ E M P L O 7.3.4
Demuestre que si f : U o V, g : V o W y h : W o X son tres transformaciones,
tenemos entonces que h(gf) = (hg)f.
SO L U C I O N
Las transformaciones h(gf) y (hg)f tienen ambas dominio U y valores en X. Para cada
u de V, tenemos
(h(gf))(u) = h((gf)(u)) = h(g(f(u))) y ((hg)f)(u) = (hg)(f(u)) = h(g(f(u)))
lo que demuestra que h(gf) y (hg)f.
EJ E M P L O 7.3.5
Sea V = R 2. Sea S = {e1, e2} la base cannica de R 2. Defnanse f y g en L(V, V) tales
que cumplan f(e1) = e2, f(e2) = , g(e1) = e1 + e2, g(e2) = . Demuestre que aunque
fg y gf estn ambas en L(V, V), fg z gf.
SO L U C I O N
Hacemos la combinacin lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E)
.
E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(0, 1) + b(0, 0) = (0, a)
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E)
.
E b
g((a, b)) = ag((1, 0)) + bg((0, 1)) = a(1, 1) + b(0, 0) = (a, a)
(fg)(a, b) = (0, a), (gf)(a, b) = (0, 0) fg z gf.
Otra forma de resolver este problema, es el siguiente: Sabemos que S = {(1, 0),
(0,1)}, entonces:
0 0
f((1, 0)) = (0, 1), f((0, 1)) = (0, 0) A f
;
1 0
JOE GARCIA ARCOS
341
1 0
.
1 0
1 0 0 0 0 0
1 0 1 0 0 0
g((1, 0)) = (1, 1), g((0, 1)) = (0, 0) A g

0 0 1
1 0 1
Por tanto f g z g f .
A f Ag
0 0 0

, Ag A f
0 1 0
EJ E M P L O 7.3.6
Sea V un espacio vectorial. Sean f, g de L(V, V). Demuestre que
(f + g)2 = f2 + 2fg + g2
si y slo si fg = gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2.
Como fg = gf, entonces
(f + g)2 = f2 + 2fg + g2.
EJ E M P L O 7.3.7
Sea V un espacio vectorial. Sea f de L(V, V). Implica siempre f2 = , que f = ?
Por qu?
SO L U C I O N
Como f : V o V, entonces f2 : V o V. Por lo tanto f2 = ff es la composicin de f
consigo mismo, entonces la transformacin lineal f es nula, para que f2 = .
EJ E M P L O 7.3.8
Sean f : V o V y g : V o V transformaciones lineales. Si f y g conmutan, demostrar
que (fg)n = fngn, para todo n t 0.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin fg : V o V y (fg)n : V o V.
Por lo tanto
( fg )n ( fg )( fg ) ( fg )
n veces
Como por hiptesis tenemos que fg = gf, entonces (fg)n = fngn.

EJ E M P L O 7.3.9
Sea V un espacio vectorial. Si f y g conmutan, demostrar que
(f + g)2 = f2 + 2fg + g2 y (f + g)3 = f3 + 3f2g + 3fg2 + g3.
Indicar cmo deben modificarse esas frmulas si fg z gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2,
(f + g)3 = (f + g)2(f + g)
= (f2 + fg + gf + g2)(f + g)
= f3 + f2g + fgf + fg2 + gf2 + gfg + g2f + g3.
Como por hiptesis tenemos fg = gf, entonces
(f + g)2 = (f + g)(f + g) = f2 + 2fg + g2,
3
2
(f + g) = (f + g) (f + g) = (f2 + fg + gf + g2)(f + g) = f3 + 3f2g + 3fg2 + g3.
Si fg z gf, es decir las transformaciones lineales f y g no son conmutativas, entonces
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2,
(f + g)3 = (f + g)2(f + g) = (f2 + fg + gf + g2)(f + g)
JOE GARCIA ARCOS
342
= f3 + f2g + fgf + fg2 + gf2 + gfg + g2f + g3.

EJ E M P L O 7.3.10
Dadas las transformaciones lineales f : R 3 o R 3 y g : R 3 o R 3, definidas por
f((a, b, c)) = (a + b, b c, 2c) y g((a, b, c)) = (a, 2a + 3b, 4a + c),
describir las transformaciones lineales indicadas a continuacin:
a.- 2f - g; b.- f2 + g2; c.- 3f + 5g; d.- fg - gf; e.- f2 + 2f + g.
SO L U C I O N
a.- Como 2f g : R 3 o R 3, entonces:
2f((a, b, c)) g((a, b, c)) = 2(a + b, b c, 2c) (a, 2a + 3b, 4a + c)
= (a + 2b, - 2a b 2c, - 4a + 3c);
b.- Como f2 + g2 : R 3 o R 3, entonces:
f2((a, b, c)) g2((a, b, c)) = (a + 2b c, b 3c, 4c) - (a, 8a + 9b, 8a + c)
= (2b c, - 8a 8b 3c, - 8a + 3c);
c.- Como 3f + 5g : R 3 o R 3, entonces:
3f((a, b, c)) + 5g((a, b, c)) = 3(a + b, b c, 2c) + 5(a, 2a + 3b, 4a + c)
= (8a + 3b, 10a + 18b 3c, 20a + 11c);
3
3
d.- Como fg gf : R o R , entonces:
fg((a, b, c)) gf((a, b, c)) = (3a + 3b, - 2a + 3b c, 8a + 2c) (a + b, 2a + 5b 3c,
4a + 4b + 2c)
= (2a + 2b, - 4a 2b + 2c, 4a 4b)
e.- Como f2 + 2f + g : R 3 o R 3, entonces:
f2((a, b, c)) + 2f((a, b, c)) + g((a, b, c)) = (a + 2b c, b 3c, 4c) + 2(a + b, b c, 2c)
+ (a, 2a + 3b, 4a + c)
= (4a + 4b c, 2a + 6b 5c, 4a + 9c).
PR O B L E M AS
7.3.1 Si P es el conjunto de los polinomios en x sobre R,
sean f : P o P, definida por f(p(x)) = p(x) y g : P o P,
definida por g ( p( x))
a.- fg = i;
p(t )dt . Pruebe lo siguiente:
b.- gf z i.
7.3.2 En el espacio vectorial de todas las funciones

reales, cada uno de los siguientes conjuntos es
independiente y genera un subespacio V de dimensin
finita. Utilizar el conjunto dado como base para V y sea
D : V o V el operador derivacin. En cada caso, hallar
la matriz D y la de D 2 relativa a la base que se elige:
a.- {Senx, Cosx};
b.- {x, x + e x, x + ex + xex};
x 2 x
c.- {x, xe , x e };
d.- {e2xSen3x, e2x Cos3x};
x
x 2 x
e.- {e , xe , x e };
f.- {exSenx, ex Cosx}.
7.3.3
Encuntrense ejemplos de transformaciones
lineales S, T tales que TS est definido, T z O, S z O y
TS = O.
7.3.4 Una transformacin lineal f : R 2 o R 2 aplica los
vectores base e1 y e2 como sigue:
f(e1) = 3e1 + 5e2 y f(e2) = 2 e1 3e2:
a.- Calcular f(9e1 7e2) y f2(9e1 7e2) en funcin de e1 y
e2.
b.- Determinar la matriz de f y de f2.
c.- Resolver la parte b) si la base cannica se reemplaza

por {2 e1 e2, e1 + 4e2}.
7.3.5 Una transformacin lineal f : R 2 o R 2 se define
de la siguiente manera: cada vector u R 2 se
transforma en su simtrico respecto al eje Y y luego se
duplica su longitud para obtener f(u). Determine la
matriz de f y la de f2.
7.3.6 Encontrar la potencia indicada de A, la matriz de
la transformacin lineal f:
a.- f : R 3 o R 3, reflexin en el plano XY. Encontrar A 2.
b.- f : R 3 o R 3, proyeccin sobre el plano XY.
Encuentre A 2.
c.- f : R 2 o R 2, rotacin de un ngulo T en sentido
antihorario. Encontrar A 3.
d.- f : P 3 o P 3, operador diferencial. Encontrar A 2.
7.3.7 Sea f : R 3 o R 3 la proyeccin ortogonal de R 3
sobre el plano XY. Demuestre que f f = f.
7.3.8 Sean f : R n o R m, g : R m o R s, h : R m o R s
transformaciones lineales. Demuestre la propiedad
distributiva de la composicin respecto de la suma:
f (g + h) = f g + f h.
Es esta propiedad vlida para funciones en general?
JOE GARCIA ARCOS
7.3.9 Sea f : R n o R m, g : R m o R s, h : R s o R t
transformaciones lineales. Demuestre la propiedad
asociativa de su composicin. Es decir, demuestre que
las transformaciones lineales h (g f), (h g) f son
iguales. Es esta propiedad vlida para funciones en
general?
7.3.10 Sea f : R o R definida por f (v) proyu v , en
donde u = (4, 3):
a.- Determinar A, y demuestre que A 2 = A.
b.- Demuestre que (I A)2 = I A.
c.- Encuentre A v y (I A)v para v = (5, 0).
d.- Trazar la grfica de u, v, A v y (I A)v.
7.3.11 Considere las transformaciones lineales
f : R 3 o R 2, f(( a , b, c)) = ( a - b, a + b),
g : R 2 o R 3, g((a , b)) = (b, a , a b).
Determine
expresiones
explcitas
para
las
transformaciones lineales f g : R 2 o R 2 y g f : R 3 o R 3.
Verifique en cada caso que la matriz que representa a la
composicin de transformaciones es el producto de las
matrices que representan a cada una de las
transformaciones lineales que se componen.
7.3.12 Usando multiplicacin matricial encuentre la
imagen del vector (3, -1, 2) cuando se hace girar:
a.- 30 en sentido antihorario con respecto al eje X;
b.- 45 en sentido antihorario con respecto al eje Y;
c.- 90 en sentido antihorario con respecto al eje Z.
proyeccin ortogonal de (3, -4) sobre:
a.- El eje X; b.- El eje Y.
proyeccin ortogonal de (-1, 3, -2) sobre:
a.- El plano XY; b.- El plano XZ; c.- El plano YZ.
imagen del vector (-1, 4, 7) cuando se hace girar:
a.- -30 en sentido horario con respecto al eje X;
b.- -45 en sentido horario con respecto al eje Y;
c.- -90 en sentido horario con respecto al eje Z.
7.3.16 Determine si f g = g f:
a.- f : R 2 o R 2 es la proyeccin ortogonal sobre el eje X y
g : R 2 o R 2 es la proyeccin ortogonal sobre el eje Y.
b.- f : R 2 o R 2 es la rotacin en sentido antihorario hasta
describir un ngulo T1 y g : R 2 o R 2 es la rotacin en
sentido antihorario hasta describir un ngulo T2.
c.- f : R 2 o R 2 es la reflexin respecto al eje X y g : R 2 o
R 2 es la reflexin respecto al eje Y;
7.3.17 Encuentre la matriz estndar para la composicin
de operadores lineales sobre R 2 que se indica:
343
a.- Una rotacin de 90 en sentido antihorario

b.- Una proyeccin ortogonal sobre el eje Y, seguida de
una contraccin con factor k = ;
c.- Una reflexin con respecto al eje X, seguida de una
dilatacin con factor k = 3.
7.3.18 Sea T una transformacin lineal de R 2 con la
propiedad de que T(e1) = (1, 1), T(e2) = (0, 1), de
manera que T(x, y) = (x, x + y):
a.- Encuntrense T 2(e1) y T 2(e2) y, en consecuencia,
obtngase T 2(x, y). A continuacin, demustrese que
T 2 - 2T + I = O y que (T I)2 = O, aunque T I z O.
b.- A partir de los resultados de a), verifquese que
(T I)4 = O y que T 4 = 4T 2 - 4T + I.
c.- A partir de los resultados de las partes a) y b),
dedzcase que T 4 = 4T - 3I y encuntrense T 4(4, -2) y
T 4(1, 4).
d.- De los resultados anteriores, demustrese que
T 3 = 3T - 2I y evalense T 3(5, 7) y T 3(1, 4).
7.3.19 Sean f : U o V y g : U o V transformaciones
lineales. Las funciones (f + g) : U o V y (f - g) : U o V
se definen como
(f + g)(u) = f(u) + g(u) y (f - g)(u) = f(u) - g(u).
Demuestre que f + g y f g son transformaciones lineales.
Encontrar
(f + g)(a, b) y (f g)(a, b)
si f : R 2 o R 2 y g : R 2 o R 2 estn definidas por las
frmulas
f(a, b) = (-5b, 2a) y g(a, b) = (2b, 3a).
a.- Una reflexin respecto al plano YZ, seguida de una
proyeccin ortogonal sobre el plano XZ;
b.- Una rotacin de 45 en sentido antihorario respecto al
eje Y, seguida de una dilatacin con factor k = 3/2;
c.- Una proyeccin ortogonal sobre el plano XY, seguida
de una reflexin con respecto al plano YZ.
7.3.20 Sea U un espacio vectorial complejo y
unidimensional, de manera que se pueden representar
los vectores de U como nmeros complejos z, Sean S, T
transformaciones lineales de U, definidas por
iS
S( z ) e 4 z , T(z) = iz. Demustrese que:

a.- T 2 = -I; b.- T 4 = I; c.- S2 = T; d.- S4 = -I;
e.- STST = -T; f.- S8 = I; g.- ST = TS = S3.
d.- f : R 2 o R 2 es la proyeccin ortogonal sobre el eje X
y g : R 2 o R 2 es la rotacin en sentido antihorario hasta
describir un ngulo T.
7.3.21 Sean f : U o V una transformacin lineal y O un

escalar. La funcin Of : U o V se define como seguida
de una reflexin con respecto a la recta y = x; (Of)(u) =
O(f(u)). Demuestre que Of es una transformacin lineal.
Encontrar (5f)(a, b) si f : R 2 o R 2 est expresada por la
frmula f(a, b) = (3a - b, 2b + a).
JOE GARCIA ARCOS
344

a.- f : R 3 o R 3 es una dilatacin con factor k y g : R 3 o
R 3 es la rotacin en sentido antihorario con respecto al eje
Z hasta describir un ngulo T;
b.- f : R 3 o R 3 es la rotacin con respecto al eje X hasta
describir un ngulo T1 y g : R 3 o R 3 es la rotacin con
respecto al eje Z hasta describir un ngulo T2.
7.3.23 Determnese si las transformaciones lineales
siguientes son nilpotentes, idempotentes o ninguna de las
dos cosas:
a.- T(x, y) = (-x, -y);
b.- T(x, y, z) = (y + z, z, 0);
c.- T(x, y) = (0, x);
d.- T(x, y, z) = (z, x, y);
e.- T(x, y) = (x, 0);
f.- T(x, y, z) = (x, 0, z).
7.3.24 Sea T una transformacin lineal de R 2 con la
propiedad de que T( e1) = (1, 2), T( e2) = (3, 1), de manera
que T(x, y) = (x + 3y, 2x + y):
a.- Encuntrense T2(e1) y T2(e2) y, en consecuencia,
obtngase T2(x, y); entonces, demustrese que T2 = 2T +
5I.
b.- A partir del resultado de a), verifquese que T 4 = 4T2
+ 20T + 25I.
c.- De los resultados de las partes a) y b), dedzcase que
T4 = 28T + 45I y, en consecuencia, encuntrense
T4(3, 2) y T4(-1, 7).
d.- A partir de los resultados anteriores, demustrese
que T3 = 9T + 10I y, en consecuencia, encuntrense
T3(5, 1) y T3(0, 6).

imagen del vector (5, -2) cuando se hace girar un ngulo
de:
a.- T = 30; b.- T = -60; c.- T = 45; d.- T = 90.
a.- Una rotacin de 60 en sentido antihorario seguida de
una proyeccin ortogonal sobre el eje X, seguida de una
reflexin con respecto a la recta y = x;
b.- Una dilatacin con factor k = 2, seguida de una
rotacin de 45 en sentido antihorario, seguida de una
reflexin con respecto al eje Y;
c.- Una rotacin de 15 en sentido antihorario, seguida de
una rotacin de 105 en sentido antihorario, seguida de
una rotacin de 60 en sentido antihorario.
a.- Una reflexin respecto al plano XY, seguida de una
reflexin respecto al plano XZ, seguida de una proyeccin
ortogonal sobre el plano YZ;
b.- Una rotacin de 30 en sentido antihorario respecto al
eje X, seguida de una rotacin de 30 en sentido
antihorario respecto al eje Z, seguida por una contraccin
con factor k = ;
c.- Una rotacin de 270 en sentido antihorario respecto
al eje X, seguida de una rotacin de 90 en sentido
antihorario respecto al eje Y, seguida de una rotacin de
180 respecto al eje Z.
7.4 NU C L E O E I M A G E N D E UN A T R A NSF O R M A C I O N L I N E A L
En esta seccin se estudiarn el ncleo e imagen de una transformacin lineal. Se enunciaran las propiedades ms
importantes.
Desde el punto de vista de las transformaciones matriciales, el espacio nulo de A
consta de todos los vectores u en R n que la multiplicacin por A aplica o transforma
en 0, y el espacio columna consta de todos los vectores en R m que son imgenes de
por lo menos un vector en R n bajo la multiplicacin por A.
Sea f una transformacin de U en V. El ncleo de la transformacin lineal f,
es el conjunto de todos los vectores u de U tales que f(u) = , es decir:
Nuc(f) = {u / u U y f(u) = , V}
Entonces como ya hemos hecho notar, Nuc(f) siempre contiene al vector cero de U.
De hecho, podemos decir mucho ms que esto, pues si f(u) = f(v) = , entonces:
f(au + bv) = af(u) + bf(v) = , para todo a, b K , y de ello se sigue que Nuc(f) es un
subespacio de U. A este subespacio le llamamos el espacio nulo o ncleo de f, y es
de fundamental importancia en el estudio del comportamiento de f en U.
T E O R E M A 7.4.1
Sea f una transformacin lineal de U en V. El ncleo o espacio nulo de
una transformacin lineal f es un subespacio del dominio U.
JOE GARCIA ARCOS
345
Observe que f() = . Puesto que
f() = f( + ) = f() + f().
Sumando f() a cada miembro, obtenemos = f(). Por tanto, siempre hay un
vector, es decir, el vector cero de U en el ncleo de f. Para demostrar que el ncleo
de f es un subespacio, admitamos que los vectores u y v de U estn en el ncleo de f
y sean a y b escalares arbitrarios. Entonces f(u) = y f(v) = . Por tanto,
f(au + bv) = af(u) + bf(v) = a + b = .
Por consiguiente, au + bv est en el ncleo de f. En consecuencia, el ncleo de f es un
subespacio de U.
EJ E M P L O 7.4.1
Sea f : R 2 o R 2 una transformacin lineal tal que f((3, 2)) = (0, 0) y f((1, 3)) = u z ,
demuestre que el ncleo de f es una recta en el plano XY que pasa por el origen.
Encuentre su ecuacin.
SO L U C I O N
Hacemos la combinacin lineal con un vector (a, b):
1
D 7 (3a b)
3D E a
(a, b) = D(3, 2) + E(1, 3)

2D 3E b
E 1 (2 a 3b)
7
De donde
1
1
f (( a, b)) Df ((3, 2)) Ef ((1, 3))
(3a b)(0, 0) (2 a 3b)( x, y)
7
7
1
(2 xa 3xb, 2 ya 3 yb) .
7
Por tanto encontramos el ncleo de la siguiente manera:
2 xa 3xb 0
2 a 3b 0

2a 3b = 0
2
ya

3
yb
0
2 a 3b 0
En este caso podemos darnos cuenta que el ncleo de f es una recta en el plano XY
que adems pasa por el origen.
EJ E M P L O 7.4.2
1 1
Sea :(2, 2) el espacio vectorial de matrices 2 x 2 sobre R y M
. Sea
2 2
f : :(2, 2) o :(2, 2) la transformacin lineal definida por f(A) = M A. Hallar una
base y la dimensin del Nuc(f).
SO L U C I O N
Aplicando la definicin de ncleo, tenemos que
Nuc(f) = {A :(2, 2) / f(A) = , :(2, 2)}
a b 1 1 a b 0 0

.
c
d

2
2
c
d
0
0

Resolviendo el sistema de ecuaciones, obtenemos
a b a c
1 0 0 1
Nuc( f )
BaseNuc( f )
c
d
b
d
1
0
0
1
por lo tanto Dim Nuc(f) = 2.

EJ E M P L O 7.4.3
Encuentre una transformacin lineal f de R 2 en R 2 cuyo ncleo sea la recta
2x + 5y = 0.
JOE GARCIA ARCOS
346
SO L U C I O N
Sabemos que Nuc(f) = {(x , y) / 2x + 5y = 0}, entonces la transformacin lineal
f : R 2 o R 2 puede ser:
f((x, y)) = (2x + 5y, 2kx + 5ky), k z 0.
De igual importancia que el espacio nulo de f es su imagen, Img(f), la cual definimos
a continuacin.
Sea f una transformacin lineal de U en V. La imagen de U bajo f, es el
conjunto de todos los vectores v de V tales que v = f(u) para cierto u de U.
Es decir:
Img(f) = {v V / u U y v = f(u)}.
La imagen de f no es solamente el conjunto f(u), sino que a l se le considera con la
estructura de espacio vectorial, subespacio de V, ya que si v1 y v2 pertenecen a la
Img(f) con v1 = f(u1) y v2 = f(u2), entonces:
f( au1 + bu2) = af(u1) + bf(u2) = av1 + bv2
de donde av1 + bv2 est tambin en la imagen de f.
T E O R E M A 7.4.2
Sea f una transformacin lineal de U en V. El conjunto imagen de f es un
subespacio de V.
Considere que los vectores v y w de V estn en el conjunto imagen de f. Entonces
v = f(u1) y w = f(u2) para ciertos vectores u1 y u2 de U. Sean a y b escalares
arbitrarios. Entonces
av + bw = af(u1) + bf(u2) = f(au1 + bu2).
Por tanto, av + bw es un valor funcional bajo la funcin f y, en consecuencia, av + bw
est en el conjunto imagen de f. En consecuencia el conjunto imagen de f es un
subespacio de V.
T E O R E M A 7.4.3
Sea f una transformacin lineal de U en V. Entonces
Dim Img(f) + Dim Nuc(f) = DimU.
Como la imagen de f es un subespacio del espacio V de dimensin finita, la imagen
de f es tambin de dimensin finita. Por esta razn, podemos hallar una base para la
imagen de f. Sea esta base S1 = {v1, v2, ..., vm} donde m = Dim Img(f). Como los
elementos de S1 estn todos en la imagen de f hay vectores S = {u1, u2, ..., um} de U
tales que f(u1) = v1, f(u2) = v2, ..., f(um) = vm. Afirmamos que los elementos de S son
vectores linealmente independientes de U. Pues sean a1, a2, ..., am escalares
arbitrarios y consideremos que la ecuacin a1u1 + a2u2 + ... + amum = . Aplicando la
transformacin f a cada miembro y utilizando f(u1) = v1, f(u2) = v2, ..., f(um) = vm,
obtenemos a1v1 + a2v2 + ... + amvm = . Como los elementos de S1 son vectores
linealmente independientes de V, tenemos que a1 = a2 = ... = am = 0. Por tanto, en la
ecuacin, todos los escalares a1, a2, ..., am deben ser cero. En consecuencia, los
elementos de S son linealmente independientes. Como el ncleo de f es un
subespacio de U, podemos hallar una base S2 = {w1, w2, ..., wk} del ncleo de f. Aqu,
k = DimNuc(f). Afirmamos que S3 = {w1, w2, ..., wk, u1, u2, ..., um} es una base de U.
Demostremos que los elementos de S3 generan U. Sea u de U. Entonces f(u) est en
la imagen de f, y as f(u) = b1v1 + b2v2 + ... + bmvm para ciertos escalares arbitrarios b1,
b2, ..., bm. Entonces
f(u b1u1 - b2u2 - ... - bmum) = f(u) b1v1 - b2v2 - ... - bmvm = .
Por tanto, u = b1u1 + b2u2 + ... + bmum est en el ncleo de f y, en consecuencia, es
igual a la combinacin lineal c1w1 + c2w2 + ... + ckwk de los vectores de la base S2 del
JOE GARCIA ARCOS
347
ncleo de f. De manera que

u = b1u1 + b2u2 + ... + bmum + c1w1 + c2w2 + ... + ckwk.
Consiguientemente, los elementos de S1 generan U. Demostremos a continuacin
estos generadores para la independencia lineal. Escribimos la ecuacin
b1u1 + b2u2 + ... + bmum + c1w1 + c2w2 + ... + ckwk =
donde b1, b2, ..., bm, c1, c2, ..., ck son escalares. Aplicando la transformacin f a cada
miembro de esta ecuacin, y utilizando f(w1) = f(w2) = ... = f(wk) = , obtenemos
b1v1 + b2v2 + ... + bmvm = . En vista de la independencia lineal de S1, podemos ver
ahora que b1 = b2 = ... = bm = 0. Por tanto la ecuacin se reduce a c1w1 + c2w2 + ... +
ckwk = y, debido a la independencia lineal de S2, tenemos c1 = c2 = ... = ck = 0. Por
consiguiente, vemos que todos los escalares son cero. De esta manera, hemos
demostrado que S3 es base de U. En consecuencia
DimU = m + k = DimImg(f) + DimNuc(f).
Sea f una transformacin lineal de U en V. La dimensin del ncleo de f se llama
nulidad de f. La dimensin de la imagen de f se llama rango de f. Para expresarlo
ms detalladamente, a continuacin damos las definiciones.
Dada una transformacin lineal f de U en V, donde U es un espacio
vectorial de tipo finito, se denomina rango de f, y se representa por
Rang(f) a la dimensin del subespacio vectorial imagen. La nulidad de
una transformacin lineal f es la dimensin del ncleo de dicha
transformacin, en el caso de que sea finita dicha dimensin.
Segn la definicin, el rango de la transformacin lineal f no puede exceder a la
dimensin de U, es decir: Rang(f) d DimU, es tambin evidente que si V es de tipo
finito, tambin se satisface la desigualdad Rang(f) d DimV. El resultado anterior, con
la definicin de rango de una transformacin lineal, puede expresarse en los trminos
siguientes: Rang(f) = DimU Dim Nuc(f).
EJ E M P L O 7.4.4
Sea f : R 2 o R 3 tal que f(u1) = 2v1 + v2 v3, f(u2) = - v1 3v2 + 2v3, donde {u1, u2}
forman una base para el conjunto R 2 y {v1, v2, v3} una base para el conjunto R 3.
Hallar la imagen del vector u = (2, 1).
SO L U C I O N
f(u) = f(2u1 + u2) = 2f(u1) + f(u2) = 2(2v1 + v2 v3) + (- v1 3v2 + 2v3) = 3v1 v2.
La imagen del vector u es el vector f(u) de coordenadas (3, -1, 0).
EJ E M P L O 7.4.5
Demuestre que si f y g son transformaciones lineales de U hacia V (DimU = n y
DimV = m), entonces Rang(f + g) d mn{m, n, Rang(f) + Rang(g)}.
SO L U C I O N
Si f y g son transformaciones lineales de U hacia V, entonces:
Rang(f + g) = Dim(f + g)(U) d Dim{f(U) + g(U)}
= Dimf(U) + Dimg(U) Dim{f(U) g(U)}
d Rang(f) + Rang(g).
EJ E M P L O 7.4.6
Demuestre que ~Rang(f) Rang(g)~ d Rang(f + g).
SO L U C I O N
Como Rang(g) = Rang(-g), el ejemplo anterior tambin dice que
Rang(f g) d Rang(f) + Rang(g).
Entonces
Rang(f) = Rang(g (f + g)) d Rang(g) + Ran(f + g).
JOE GARCIA ARCOS
348
Por simetra, Rang(g) d Rang(f) + Rang(f + g).

EJ E M P L O 7.4.7
Si U = R 2, V = R 2 y f(u) es el complemento ortogonal de u respecto a la recta
y = x, es decir, si w es un vector unitario sobre la recta dada, entonces u ww es
la proyeccin sobre la recta y u - u ww es el complemento ortogonal, mostrar
que f es una transformacin lineal. Encontrar ncleo y la imagen de f.
SO L U C I O N
Sabemos que f(u) = u - u ww, escogemos un vector unitario que est en la recta
1
dada y = x, w
(1,1) . Reemplazando este vector en la definicin, obtenemos
2
1
(1,1) . Para demostrar que f(u) es una transformacin

2
2
lineal, aplicamos la definicin general:
1
1
f (Du Ev) (Du Ev) (Du Ev)
(1,1)
(1,1)
2
2
f (u ) u u
(1,1)
Du Ev D u
1
2
(1,1)
1
2
(1,1) E v
1
2
(1,1)
1
2
(1,1)
1
1
1
1
D u u
(1,1)
(1,1) E v u
(1,1)
(1,1)
2
2
2
2
Df (u) Ef (v)
Por tanto f(u) es transformacin lineal.
Siendo u = ( a , b), entonces
1
1
a b b a
f (( a, b)) ( a, b) ( a, b)
(1,1)
(1,1)
,
.
2
2
2
2
Para calcular el ncleo y la imagen, hacemos uso de la definicin
correspondiente:
a b
0
2
a b 0
a 0

.
b a 0
b 0
b a 0
2
Por tanto el ncleo de f es: Nuc(f) = {( a , b) / a = b = 0}
a b
r
2
a b 2r

.
b

a
b a 2s
s
2
Por tanto la imagen de f es: Img(f) = {( r, s) / a b = 2 r, b a = 2s}.
EJ E M P L O 7.4.8
Sea f : R 2 o R 2 una transformacin lineal tal que f((1, 1)) = (0, 0) y f((0, 1)) = (1, 1),
demuestre que tanto el ncleo como la imagen de f son rectas en el plano XY que
pasan por el origen. Encuentre las ecuaciones de estas rectas.
SO L U C I O N
D a
(a, b) = D(1, 1) + E(0, 1)
E b 1
De donde
f((a, b)) = Df((1, 1)) + Ef((0, 1))
f((a, b)) = a(0, 0) + (b a)(1, 1) = (b a, b a).
JOE GARCIA ARCOS
349

b a 0
ab=0
b a 0
Para encontrar la imagen de f, lo hacemos como sigue:
b a r
rs=0
b a s
En ambos casos podemos darnos cuenta que el ncleo y la imagen de f son rectas en
el plano XY que adems pasan por el origen.
EJ E M P L O 7.4.9
Una transformacin lineal f : R 2 o R 3 aplica los vectores base de la siguiente
manera:
f(i) = (1, 0, 1), f(j) = (-1, 0, 1).
a.- Calcular f(2i - 3j) y determinar la dimensin del ncleo e imagen de f;
b.- Determinar la matriz de f.
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1)
E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(1, 0, 1) + b(-1, 0, 1) = (a - b, 0, a + b).
a b 0
0 0 a = b = 0 Nuc(f) = {(a, b) / a = b = 0}
a b 0
BaseNuc(f) = {} DimNuc(f) = 0.
Para encontrar la imagen de f, lo hacemos como sigue:
a b r
0 s Img(f) = {(r, s, t) / r = a b, s = 0, t = a + b}
a b t
BaseImg(f) = {(1, 0, 1), (-1, 0, 1)} DimImg(f) = 2.

b.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 2:
f((1, 0)) = (1, 0, 1) y f((0, 1)) = (-1, 0, 1)
Por tanto la matriz de f es:
1 1
A f 0 0 .
1 1
EJ E M P L O 7.4.10
Defnase f : :(3, 3) o :(3, 3) mediante f(A) = A - AT. Mustrese que f es lineal.
Descrbase el ncleo e imagen de f.
SO L U C I O N
Para demostrar que f es una transformacin lineal, aplicamos la definicin general:
f(DA + EB) = (DA + EB) (DA + EB)T
= DA + EB DAT - EBT
= (DA DAT) + (EB EBT)
= D(A AT) + E(B BT)
= Df(A) + Ef(B).
Por tanto f(A) es transformacin lineal.
Para determinar el ncleo y la imagen de f, aplicamos la definicin correspondiente:
A AT = O A = AT Nuc(f) = {A :(3 x 3) / A = AT}.
JOE GARCIA ARCOS
350
A AT = B Img(f) = {B :(3 x 3) / A - AT = B}.

EJ E M P L O 7.4.11
Sea V el espacio vectorial real de las funciones reales de una variable real, con las
operaciones usuales. Si f : R 3 o V es la transformacin que a cada terna de R 3 le
asocia la funcin u o aSen2u + bCos2u + c. Es decir,
f((a, b, c)) = aSen2u + bCos2u + c.
a.- Prubese que f es lineal; b.- Hllese el ncleo y la imagen de f.
SO L U C I O N
a.- Para demostrar que f es una transformacin lineal, aplicamos la definicin
general:
f((Da + Ed, Db + Ee, Dc + Ef)) = (Da + Ed)Sen2u + (Db + Ee) Cos2u + (Dc + Ef)
= (DaSen2u + DbCos2u + Dc) + (EdSen2u + EeCos2u + Ef)
= D(aSen2u + bCos2u + c) + E(dSen2u + eCos2u + f)
= Df(A) + Ef(B).
Por tanto f(A) es transformacin lineal.
b.- Para determinar el ncleo y la imagen de f, aplicamos la definicin
correspondiente:
aSen2u + bCos2u + c = 0 Nuc(f) = {(a, b, c) R 3 / aSen2u + bCos2u + c = 0}.
aSen2u + bCos2u + c = r Img(f) = {r V / aSen2u + bCos2u + c = r}.
EJ E M P L O 7.4.12
Sea f : R 3 o R 3 una transformacin lineal tal que
f(k) = 2i + 3j + 5k, f(j + k) = i, f(i + j + k) = j - k.
a.- Calcular f(i + 2j + 3k) y determinar la dimensin del ncleo y el rango de f;
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b, c):
G a
D b c
(a, b, c) = D(0, 0, 1) + E(0, 1, 1) + G(1, 1, 1) E G b E a b

D E G c
G a
De donde
f((a, b, c)) = Df((0, 0, 1)) + Ef((0, 1, 1)) + Gf((1, 1, 1))
= - (b - c)(2, 3, 5) (a b)(1, 0, 0) + a(0, 1, -1)
= (- a b + 2c, a 3b + 3c, - a 5b + 5c)
Por tanto f(i + 2j + 3k) es:
f((1, 2, 3)) = (3, 4, 4).
f((1, 0, 0)) = (-1, 0, 0), f((0, 1, 0)) = (-1, -3, -5) y f((0, 0, 1)) = (2, 3, 5).
1 1 2
A f 0 3 3 .
0 5 5
EJ E M P L O 7.4.13
Sean A y B vectores no nulos en el plano tales que no existe constante alguna k z 0
tal que B = kA. Sea f una transformacin lineal del plano en s misma de tal manera
que f(e1) = A y f(e2) = B. Describir la imagen bajo f del rectngulo cuyos vrtices son
(0, 1), (3, 0), (0, 0), (3, 1).
SO L U C I O N
D a
(a, b) = D(1, 0) + E(0, 1)
E b
JOE GARCIA ARCOS
351
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = aA + bkA = (a + bk)A.

Por tanto:
f((0, 1) = kA, f((3, 0)) = 3A, f((0, 0)) = y f((3, 1)) = (3 + k)A.
EJ E M P L O 7.4.14
Una transformacin lineal f : R 3 o R 2 aplica los vectores base como sigue:
f(i) = (0, 0), f(j) = (1, 1), f(k) = (1, -1).
a.- Calcular f(4i - j + k) y determinar la dimensin del ncleo y el rango de f:
b.- Determinar la matriz de f;
c.- Utilizando la base estndar en R 3 y la base {(1, 1), (1, 2)} en R 2, determinar la
matriz de f relativa a esas bases.
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b, c):
D a
(a, b, c) = D(1, 0, 0) + E(0, 1, 0) + G(0, 0, 1) E b

G c
De donde
f((a, b, c)) = Df((1, 0, 0)) + Ef((0, 1, 0)) + Gf((0, 0, 1))
= a(0, 0) + b(1, 1) + c(1, -1) = (b + c, b c).
Por tanto f(4i - j + k) es:
f((4, -1, 1)) = (0, -2).
f((1, 0, 0)) = (0, 0), f((0, 1, 0)) = (1, 1) y f((0, 0, 1)) = (1, -1).
0 1 1
Af
.
0 1 1
c.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 3, y
luego ste elemento lo expresamos como combinacin lineal de los elementos de la
base de llegada:
D D2 0
f((1, 0, 0)) = (0, 0) = D1(1, 1) + D2(1, 2) 1
,
D1 2D 2 0
E1 E2 1
,
E1 2E2 1
f((0, 1, 0)) = (1, 1) = E1(1, 1) + E2(1, 2)
G1 G2 0
.
G1 2G2 0
f((0, 0, 1)) = (1, -1) = G1(1, 1) + G2(1, 2)
Resolvemos estos tres sistemas de ecuaciones y obtenemos la matriz de f:

1 1 0 1 1 1 1 0 1 1 1 0 0 1 3
0 1 3
.
|
|
Af
0 0 2
1 2 0 1 1 0 1 0 0 2 0 1 0 0 2
EJ E M P L O 7.4.15
Sea f una transformacin lineal de R 2 en s misma, tal que
f(e1) = (1, 1) y f(e2) = (-1, 2).
Sea S el cuadrado cuyos vrtices estn en (0, 0), (1, 0), (1, 1), (0, 1). Demostrar que
la imagen bajo f de este cuadrado es un paralelogramo.
SO L U C I O N
La representacin matricial de la transformacin lineal f en la base cannica de R 2 es
1 1
Af
. Encontramos las imgenes de cada uno de los puntos del cuadrado:
1 2
JOE GARCIA ARCOS
352
1 1 0 0
f ((0, 0))
,
1 2 0 0
1 1 1 1
f ((1, 0))
,
1 2 0 1
1 11 0
1 1 0 1
f ((1,1))
f ((0,1))
,
.
1 2 1 3
1 2 1 2
Graficando ambas figuras, demostramos que la imagen bajo f de este cuadrado, es un
paralelogramo.
EJ E M P L O 7.4.16
Sea :(n, n) el espacio de todas las matrices de n x n. Sea la transformacin lineal
f(A) = (A - AT). Describir el ncleo e imagen de f y determine sus correspondientes
dimensiones.
SO L U C I O N
1
(A - AT ) , entonces:
2
1
Nuc( f ) A / (A - AT ) = O {A / A = AT } .
2
Para encontrar la dimensin del ncleo de f, hacemos lo siguiente:

n = 1 DimNuc(f) = 1
n = 2 DimNuc(f) = 3
n = 3 DimNuc(f) = 6
n = 4 DimNuc(f) = 10
...
k
( k 1) .
n = k DimNuc( f )
2
La imagen de f es:
1
Img( f ) B / (A - A T ) = B = {B / A - A T = 2B} .
2
La dimensin de la imagen de f, la calculamos de la siguiente manera:

n
(n 1) DimImg( f )
DimU = DimNuc(f) + DimImg(f) n2
2
n
n
Dim Im g ( f ) n2 (n 1)
(n 1) .
2
2
Como f (A)
EJ E M P L O 7.4.17
Considrense los nmeros complejos C como un espacio vectorial sobre R. Defnase
la funcin f ( z ) z , donde z es el complejo conjugado del nmero complejo z.
Demuestre que f es una transformacin lineal. Hllese una base para el ncleo de f y
una base para la imagen de f.
SO L U C I O N
Si z = x + iy, entonces la transformacin tiene la forma: f(x + iy) = x iy. A
continuacin demostramos
que f es lineal:
f((Da + Ec) + i(Db + Ed)) = (Da + Ec) - i(Db + Ed) = (Da - iDb) + (Ec - iEd)
= D(a - ib) + E(c - id) = Df(z1) + Ef(z2)
Lo cual queda demostrado.
El ncleo de f es:
Nuc(f) = {x + iy / x iy = 0 + i0} Nuc(f) = {x + iy / x = y = 0}
BaseNuc(f) = {0 + i0} DimNuc(f) = 0.
JOE GARCIA ARCOS
353
La imagen de f es:
Img(f) = {r + is / x iy = r + is} Img(f) = {r + is / r = x, s = -y}
BaseImg(f) = {(1, 0), (0, i)} DimImg(f) = 2.
PR O B L E M AS
7.4.1 Sea f : R n o R m una transformacin lineal.
Demuestre que si f transforma dos vectores linealmente
independientes sobre un conjunto linealmente dependiente,
entonces la ecuacin f(u) = tiene una solucin no trivial.
7.4.2 Sea f : R 2 o R 2 un operador lineal cuyo ncleo es
Nuc(f) = {(x, y) / x = y}. Demuestre que f no es
sobreyectiva. Ms an, pruebe que Img( f) es una recta
que pasa por el origen.
7.4.3 Sea f : R 3 o R 3 una transformacin lineal tal que
f(e3) = 2e1 + 3e2 + 7e3, f(2e2 + 3e3) = 2e1,
f(e1 e2 + e3) = 2e2 3e3:
a.- Calcular f(2e1 3e2 + 5e3) y determine la dimensin
del ncleo y el rango de f.
b.- Determine la matriz de f.
7.4.4 Sea f : R 3 o R 3 un operador lineal cuya imagen es
Img(f) = {(x, y) / x = y = z}. Demuestre que el ncleo de
f es un plano en R 3 que pasa por el origen.
7.4.5 Sea V un espacio vectorial sobre R que consiste en
todas las funciones f tres veces derivables que satisfacen la
ecuacin diferencial f + f = 0. En este espacio V,
defnase la funcin g : V o V por g(f) = f , la derivada de
f. Demustrese que g es una transformacin lineal. Hllese
una base tanto para el ncleo de g como para la imagen de
g. Cul es el rango y la nulidad de g?
7.4.6 Sea V el espacio vectorial de todos los polinomios
reales p(x). Sean f el operador derivacin y g la
transformacin lineal que aplica p(x) en xp(x).
a.- Poner p(x) = 2 + 3x - x2 4x3 y determinar el ncleo e
imagen de p a travs de cada una de las transformaciones
siguientes: f, g, fg, gf, fg - gf, g2f2 - f2g2;
b.- Determinar los polinomios p de V para los cuales
g(p) = p;
c.- Determinar los polinomios p de V para los cuales
(fg 2f)(p) = .
7.4.7 Sea f : R 3 o R 3 definida por f (v) proyu v , en
donde u = (0, 1, 2):
a.- Determinar A, la matriz de f.
b.- Sea g la transformacin lineal representada por
I A. Demuestre que g es de la forma
g (v) proyw1 v proyw2 v ,
en donde w1 y w2 son vectores fijos en R 3.
c.- Demostrar que el ncleo de f es la imagen de g.
7.4.8 Si f no es la transformacin cero, entonces

Rang(f) = 1 si, y slo si, existen nmeros reales, t, que
no son ambos cero, tales que sa 1 tb1 = sa 2 tb2 = sa 3
tb3 = 0. En este caso, Img( f) = Span(t, s) y, si adems
a 1 z 0, entonces Nuc(f) = Span{( a 3, 0, -a 1), ( a 2, -a 1, 0)}.
7.4.9 Sea f : R 3 o R 3 la transformacin lineal que
proyecta u sobre v = (2, -1, 1). Determine la nulidad y el
rango de f.
7.4.10 Sea S una transformacin lineal de U en V, y
sea T una transformacin lineal de V en W.
Demustrese que:
a.- Si S es sobre, entonces Rang(TS) = Rang(T);
b.- Si T es uno a uno, entonces Rang(TS) = Rang(S);
c.- Si TS es uno a uno, entonces S es uno a uno;
d.- Si TS es sobre, entonces T es sobre.
7.4.11 Sea la transformacin lineal f : R 3 o R 3, definida
por
f((a, b, c)) = ((k 2)a + 2b c, 2a + kb + 2c, 2ka +
+ 2(1 + k)b + (1 + k)c)
Hllese, segn los valores de k, el ncleo y su imagen.
7.4.12 En cada uno de los literales, se define una
transformacin lineal f : V o V mediante la frmula
dada para f((x, y)), donde (x, y) es un punto cualquiera
de V. Determinar en cada caso si f es lineal. Si f es
lineal, decir cules son el ncleo y la imagen, y calcular
sus correspondientes dimensiones:
a.- f hace girar cualquier punto el mismo ngulo D
alrededor del origen. Esto es, f aplica un punto de
coordenadas polares ( r, T) en el punto de coordenadas
polares ( r, T + D), donde D es fijo. Adems, f aplica
en s mismo.
b.- f aplica cada punto en su simtrico respecto a
una recta fija que pasa por el origen.
c.- f aplica cada punto de coordenadas polares ( r, T) en
el punto de coordenadas (2 r, T). Adems, f aplica en
s mismo.
d.- f aplica cada punto de coordenadas polares ( r, T) en
el punto de coordenadas ( r, 2T). Adems, f aplica en
s mismo.
7.4.13 Verifquese que la funcin de V 2 en V 2 definida
por f0(x1, x2) = (x1 3x2, x2) es transformacin lineal.
Determnese su rango y su nulidad. Determnese la
preimagen en f0 de ( a , b).
JOE GARCIA ARCOS
354
7.4.14 Sean u y v vectores linealmente independientes

en R 3 y sea S el plano a travs de u, v y . La ecuacin
paramtrica de S es x = su + tv. Demuestre que una
transformacin lineal f : R 3 o R 3 transforma S sobre un
plano que pasa por o sobre una lnea que pasa por o
slo sobre el origen en R 3. Qu se les tiene que pedir a
f(u) y f(v) para que la imagen del plano S sea un plano?
7.4.15 En cada uno de los literales, la transformacin f :
V o V es la que se indica. Determinar, en cada caso, si f
es lineal. Si lo es, decir cules son el ncleo y la imagen
y calcular sus dimensiones cuando sean finitas:
a.- Sea V el espacio vectorial de todos los polinomios
reales p(x) de grado d n. Si p V, q = f(p) significa que
q(x) = p(x + 1) para todo real de x.
b.- Sea V el espacio vectorial de todas las funciones
reales derivables en el intervalo abierto (-1; 1). Si f V,
g = f(f) significa que g(x) = xf (x) para todo x (-1; 1).
c.- Sea V el espacio vectorial de todas las funciones
reales derivables dos veces en un intervalo abierto ( a ; b).
Si y V, definir f(y) = y + Py + Qy siendo P y Q dos
constantes.
7.4.16 Sea V un espacio vectorial con producto interior.
Para un vector fijo u diferente de cero en V, sea f : V o
R la transformacin lineal f(v) = v u. Determinar el
ncleo y la imagen de f. Luego determinar la nulidad y
rango de f.
7.4.17 Sea f : R 3 o R 2 una transformacin lineal tal que
f((1, 1, 0)) = f((1, 1, 1)) = (0, 0), f((2, 3, -1)) z .
Demuestre que el ncleo de f es un plano en R 3 que pasa
por el origen. Halle su ecuacin.
7.4.18 Sea f : V o V la transformacin lineal definida
as: Si f V, g = f(f) significa que
g ( x)
S [1 Cos( x t )] f (t )dt :
a.- Demuestre que f(V), la imagen de f, es de dimensin

finita y hallar una base para f(V).
b.- Determinar el ncleo de f.
c.- Hallar todos los nmeros reales c z 0 y todas las
funciones f no nulas de V tales que f(f) = cf.
7.4.19 Sea f : R o R una transformacin lineal. Hallar
la nulidad y el rango de f y d una descripcin
geomtrica del ncleo e imagen de f:
a.- f es la rotacin de 45 en sentido antihorario con
respecto al eje Z:
2
2
2
2
f (( x, y, z ))
x
y,
x
y, z .
2
2
2
2
b.- f es la reflexin con respecto al plano de coordenadas

YZ:
f((x, y, z)) = (-x, y, z).
c.- f es la proyeccin sobre el vector v = (1, 2, 2):

x 2 y 2z
f (( x, y, z ))
(1, 2, 2).
9
d.- f es la proyeccin sobre el plano de coordenadas
XY:
f((x, y, z)) = (x, y, 0).
7.4.20 Sea f : :nxn o :nxn definida por f(A) = A AT.
Demuestre que el ncleo de f es el conjunto de las
matrices simtricas de n x n.
7.4.21 Sea u = (1, -1, 7) y sea
1 3 4 3
A 0 1 3 2
3 7 6 5
Est u en el rango de la transformacin lineal?

7.4.22 Considere la transformacin lineal g f : R m o
R s. Demuestre que
Nuc(f) Nuc(g f), Img(g f) = Img(g).
7.4.23 Determinar si las transformaciones f : V o V son
lineales. Si lo son, decir cules son el ncleo y la imagen y
calcular sus dimensiones:
a.- Sea V el espacio vectorial de todos los polinomios
reales p(x) de grado menor o igual a n. Si p V, q = f(p)
significa que q(x) = p(x + 1), para toda x R;
b.- Sea V el espacio vectorial de todas las funciones
reales derivables en el intervalo abierto (-1; 1). Si f V,
g = f(f) significa que g(x) = xf '(x) para toda x (-1; 1);
c.- Sea V el espacio vectorial de todas las funciones reales
continuas en [a; b]. Si f V, g = f(f) significa que
g ( x)
f (t ) Sen( x t ) dt , para toda x [a; b].
7.4.24 Sea S = {1, x, Senx, Cosx} una base de un

subespacio W del espacio de funciones continuas, y sea
D x el operador diferencial sobre W. Encuentre la matriz
de D x con respecto a la base S. Encuentre el ncleo e
imagen de D x.
7.4.25 Sea u = (9, 5, 0, -9) y sea
1 2 7
0 1 4
A
1 0 1
2 1 6
0
6
Est u en el rango de la transformacin lineal?

7.4.26 Si U = R 3, V = R 3 y f(u) es el complemento
ortogonal de u respecto del plano representado
implcitamente por u + v + w = 0, mostrar que f es una
transformacin lineal. Encontrar el ncleo y la imagen de
f.
JOE GARCIA ARCOS

Demuestre que si n < m, f no puede ser sobreyectiva.
Puede ser inyectiva?
vectores base de la siguiente manera: f(e1) = , f(e2) =
(1, -1), f(e3) = (-1,1):
a.- Calcular f(2e1 5e2 + 3e3) y determinar la dimensin
del ncleo y el rango de f.
b.- Determine la matriz de f.
c.- Utilizando la base cannica de R 3 y la base {(1, -1),
(-1, -1)} en R 2, determine la matriz de f relativa a esas
bases.
d.- Hallar las bases {u1, u2, u3} para R 3 y {v1, v2} para
R 2 para las cuales la matriz de f tenga la forma diagonal.
7.4.29 Demustrese que la derivada es una
transformacin lineal de P en s mismo, que no es uno a
uno, aunque s es sobre.
7.4.30 Sean S, T transformaciones lineales de U en V:
a.- Verifquese que
Nuc(S + T) Nuc(S) Nuc(T).
b.- Pngase un ejemplo en el cual
Nuc(S + T) = Nuc(S)Nuc(T).
c.- Pngase un ejemplo en el cual no se verifique la
igualdad de la relacin de la parte b).
d.- Verifquese que existen S, T, con
Rang(S) = Rang(T) = mn(DimU, DimV),
tales que Rang(S + T) puede tener cualquier valor desde
0 hasta mn(DimU, DimV).
7.4.31 Sean S, T, M, N transformaciones lineales de R 3
en R 4 que se describen en la tabla siguiente:
e1
e2
e3
S
e1 e2
e2 - 5e3
e1e2+e3
T
4e12e2+e3
e12e2+5e3
3e1 - 4e3
M
e2 + e 3
3e3
0
N
e1+e2+3e3
2e2 + 6e3
4e3
a.- Determnese el rango y ncleo de S, T, M y N.
b.- Descrbanse las transformaciones lineales S + T, S +
M, S + N, T + M, M + T + S y N - S al dar sus valores en
una base de R 3. Adems, determnense el rango y ncleo
de cada uno.
c.- Encuntrense transformaciones lineales A y B de
rango 3 de R 3 en R 3 tales que Rang(A + B) = 2.
d.- Encuntrense transformaciones lineales A y B de
rango 3 de R 3 en R 3 tales que Rang(A + B) = 1.
Demuestre que si n > m, f no puede ser inyectiva. Puede
ser sobreyectiva?
7.4.33 Demustrese que la derivada es una
transformacin lineal de P m en s mismo, que no es uno a
uno ni es sobre.
355
7.4.34 Sean U y V dos espacios vectoriales, ambos de

dimensin 2 y con la misma base {u, v}. Sea f : U o V
una transformacin lineal tal que
f(2u v) = 2u + v y f(2u + 5v) = 2u 3v:
a.- Calcular f(u v) y determinar la dimensin del
ncleo y el rango de f.
b.- Determine la matriz de f relativa a la base dada.
c.- Utilizar para V la base {u, v} y hallar una nueva
base de la forma {2u + Dv, 3u + Ev} para V, para la cual
la matriz de f tenga la forma diagonal.
vectores base de la siguiente forma: f(e1) = (-1, 2, 1),
f(e2) = (1, -1, -1):
a.- Calcular f(5e12e2) y determinar la dimensin del
ncleo y el rango de f.
c.- Hallar bases {u1, u2} para R 2 y {v1, v2, v3} para R 3,
para las cuales la matriz de f tiene forma diagonal.
7.4.36 Demustrese que, si f es transformacin lineal
uno a uno de U en W y si û1 un` es base de U,
entonces ^f(u1f(un)` es base de Img( f).
7.4.37 Sea f la transformacin lineal de R 4 en R 3 con la
propiedad de que
f(1, 0, 0, 0) = (2, 3, 6), f(0, 1, 0, 0) = (1, 2, 0),
f(0, 0, 1, 0) = (-1, 2, -3), f(0, 0, 0, 1) = (0, 2, -1).
a.- Encuntrese la matriz que corresponde a f si S1 es la
base cannica de R 4 y si S2 es la base cannica de R 3.
b.- Encuntrese la matriz que corresponde a f si
S1 = ^(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1), (1, 0, 0, 1)`
es la base R 4 y si S2 es la base cannica de R 3.
c.- Encuntrese la matriz que corresponde a f si
S1 = ^(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1), (1, 0, 0, 1)`
es la base de R 4 y si S2 = ^(1, 1, 0), (0, 1, 1), (1, 0, 1)`
es la base de R 3.
d.- Encuntrese el ncleo e imagen de f.
e.- Sea û1, u2, u3` una base del ncleo de f y extindase
esta base a una base de R 4.
7.4.38 Sean f : V o U y g : U o W transformaciones
lineales:
a.- Demostrar que si ambas g y f son uno a uno,
entonces tambin lo es gqf .
b.- Demostrar que el ncleo de f est contenido en el
ncleo de gqf .
c.- Demostrar que si gqf es sobreyectiva, entonces
tambin lo es g.
7.4.39 En cada una de las transformaciones lineales de
V n en V 2, determnense la imagen, el ncleo y la
preimagen de (0, 1); adems, determnese si la
transformacin lineal es uno a uno y si es sobre:
a.- f(x1, x2, x3) = (x1 x2, x2 + x3);
JOE GARCIA ARCOS
356
b.- f(x1, x2, x3) = (x1, x2 - x3);

c.- f(x1, x2) = (x1 x2, x1 + x2);
d.- f(x1, x2, x3, x4) = (x1 + x4, x2 + x3).
7.4.40 Sean f : R n o R s y g : R n o R s dos operadores

lineales. Demuestre que si g es inyectiva, entonces
Nuc(f) = Nuc(g f), y si f es inyectiva, entonces Img(g) =
Img(g f).
7.5 T R A NSF O R M A C I O N ES L I N E A L ES I N V E RSIB L ES

En esta seccin se analizarn las transformaciones lineales uno a uno y sobreyectivas. Demostraremos que una
transformacin lineal inversible es tambin una transformacin lineal. Enunciaremos y demostraremos sus
propiedades ms importantes.
Ahora que hemos presentado el espacio nulo y la imagen de una transformacin
lineal nos proponemos examinar ms de cerca aquellas transformaciones lineales
f : U o V para las cuales Nuc(f) = {} o Img(f) = V, o ambas. La segunda de estas
ecuaciones nos dice que f aplica U sobre V, e implica que para cada v V existe al
menos un u U tal que v = f(u). La primera, dice que el espacio nulo de f contiene
solamente al vector nulo, resulta ser equivalente a la afirmacin de que f es inyectiva
en el sentido de la siguiente definicin.
Una transformacin lineal f de U en V se dice que es inyectiva, si y slo
si f(u) = f(v) donde u = v.
En otras palabras, f es inyectiva si, y slo si f aplica vectores distintos en U sobre
vectores distintos en V; de aqu el nombre.
Se dice que una transformacin lineal f de U en V, es un isomorfismo si es
inyectiva. Se dice entonces que los espacios vectoriales U y V son
isomorfos si existe un isomorfismo de U sobre V.
T E O R E M A 7.5.1
Sea f una transformacin lineal de U en V. Entonces f es inyectiva, si y
solamente si, Nuc(f) = .
Primero considere que Nuc(f) = . Suponga que f(u) = f(v). Debemos demostrar que
u = v. De f(u) = f(v), obtenemos f(u v) = . Por tanto, u v est en Nuc(f) y, en
consecuencia tenemos que u v = . Por consiguiente, u = v. Ahora considere que f
es inyectiva. Suponga que el vector u est en Nuc(f). En consecuencia, f(u) = y,
por supuesto, f() = . Debido a que f es inyectiva, debemos tener u = . Por
consiguiente, f() = .
Sea f una transformacin lineal de U en V. Diremos que f es sobreyectiva
si la imagen de la transformacin f es todo U.
T E O R E M A 7.5.2
Sea f una transformacin lineal de U en V. Si U es un espacio vectorial
de tipo finito, una transformacin lineal f es sobreyectiva si, y slo si,
Img(f) = U.
Esta afirmacin, no es ms que la definicin de sobreyectividad, puesto que Img(f) es
el valor de los valores funcionales bajo f, y f es sobreyectiva, si y slo si este
conjunto de valores funcionales coincide con U. Es decir:
JOE GARCIA ARCOS
357
a.- En el supuesto de ser f una transformacin lineal inyectiva, todo sistema

independiente de V se transforma en sistema independiente de f(U); por tanto, una
base de U se transforma en un sistema generador e independiente de f(U), es decir,
en una base del espacio imagen; en consecuencia, las bases de U e Img(f) tienen
igual nmero de elementos, luego,
Dim(U) = DimImg(f).
b.- Suponiendo ahora que Dim(U) = DimImg(f), hay que demostrar que f es
inyectiva, es decir, que Nuc(f) ={}. Si no fuese as, al Nuc(f) pertenecera al menos
un vector u1 z ; en este supuesto {u1} es sistema independiente, que puede ser
ampliado adecuadamente con unos vectores u2, u3, ..., un hasta construir una base de
U y, entonces, {f(u2), f(u3), ..., f(un)}, que es un sistema generador de f(U), sera tal
que f(u1) = y, por tanto, sistema dependiente de generadores de Img(f), lo que trae
consigo que
DimImg(f) < n = Dim(U),
contra la hiptesis.
T E O R E M A 7.5.3
Sea f una transformacin lineal de U en V y sea DimU = DimV.
Entonces f es biyectiva si y slo si f es sobreyectiva.
Tenemos que DimImg(f) = DimU DimNuc(f). Supngase que f es inyectiva.
Entonces tenemos que Nuc(f) = y, por tanto, DimNuc(f) = 0. Por consiguiente,
DimImg(f) = DimU y vemos que, DimImg(f) = DimV, puesto que DimU = DimV.
Pero la imagen de f es un subespacio de V, de manera que DimImg(f) = DimV obliga
a que Img(f) = V. As pues, como f es sobreyectiva, adems de ser inyectiva, f es
biyectiva. Suponga ahora que f es sobreyectiva. Entonces Img(f) = V. Por tanto,
DimImg(f) = DimV, y DimImg(f) = DimU. Pero DimU = DimImg(f) + DimNuc(f) y,
por consiguiente, DimNuc(f) = 0. El nico subespacio de U con dimensin cero es el
subespacio cero. En consecuencia, Nuc(f) = , y as, f es inyectiva. De manera que f
es inyectiva y tambin es sobreyectiva. Consecuentemente, f es biyectiva.
Las transformaciones lineales que son a la vez inyectivas y sobreyectivas,
se llaman isomorfismos, y se dice que son inversibles.
Empleamos f -1 para designar la inversa de una transformacin lineal. As pues, si f
tiene una inversa, decimos que f es inversible. En este caso, si f se define sobre U y
toma valores en V, entonces f -1 se define en V y toma valores en U.
T E O R E M A 7.5.4
Sea f una transformacin lineal de U en V, y supngase que esta
transformacin tiene una transformacin inversa f -1 de V en U. Entonces,
f -1 es una transformacin lineal.
Sean v1, v2 V. Debemos demostrar primero que f -1(v1 + v2) = f -1(v1) + f -1(v2). Sean
v1 = f(u1) y v2 = f(u2), entonces
f(au + bv) = af(u) + bf(v) = av1 + bv2.
Si u = f -1(v), donde f(u) = v, implica que
f -1(av1 + bv2) = au1 + bu2 = af -1(v1) + bf -1(v2)
con lo que concluimos que f -1 es una transformacin lineal.
Es evidente que recurriendo al rango de una transformacin lineal, los
homomorfismos inyectivos y sobreyectivos, f : U o V, entre espacios de tipo finito,
pueden caracterizarse de la manera siguiente: f es inyectiva si, y slo si Rang(f) =
DimU y f es sobreyectiva si, y slo si Rang(f) = DimV.
JOE GARCIA ARCOS
358
T E O R E M A 7.5.5
Sean U y V espacios vectoriales de dimensin finita con DimU = DimV y
sea f una transformacin lineal de U en V. Entonces:
a.- Cualquier inversa a la izquierda de f es una inversa bilateral;
b.- Cualquier inversa a la derecha de f es una inversa bilateral.
Si f : U o V tiene una inversa a la izquierda f -1 : V o U, entonces, sabemos que f es
inyectiva y f tambin es sobreyectiva. Por tanto, f es biyectiva y, en consecuencia, f
tiene una inversa bilateral que es igual a f -1. Esto demuestra la primera parte. Si
ahora f -1 : V o U es una inversa a la derecha de f, entonces f es sobreyectiva. Por
consiguiente, f es biyectiva y, en consecuencia f tiene una inversa bilateral que es
igual a f -1. Hemos completado la demostracin de la segunda parte.
EJ E M P L O 7.5.1
Determine todos los valores del nmero real k tales que la transformacin lineal
f : R 2 o R 2, definida por f(e1) = e1 + ke2, f(e2) = e1 ke2, no sea inversible. Aqu
S = {e1, e2} es la base cannica de R 2. Cuando f sea inversible, hllese f -1(e1) y
f -1(e2). Cuando f no sea inversible, hllense la nulidad de f y el rango de f.
SO L U C I O N
Hacemos la combinacin lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E)
.
E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(1, k) + b(1, -k) = (a + b, ka - kb).
Esta transformacin lineal, tiene como representacin matricial la matriz:
1 1
k k
Para que esta transformacin lineal no sea inversible, entonces el determinante de la
representacin matricial debe ser cero. Es decir:
1 1
0 k = 0.
k k
Para encontrar la transformacin lineal inversa, hacemos f((a, b)) = (r, s) y luego
resolvemos el sistema que genera:
r 2 k 0 kr s
a b r
1 1 r 1 1

|
ka kb s
k k s 0 2 k kr s 0 2 k kr s
Y obtenemos
kr s
kr s kr s
2k
,
f 1 (( r , s))
,
kr s
2k
2k
2k
1 1
1 1
f 1 ((1, 0)) , , f 1 ((0,1)) , , k z 0.
2 2
2k 2k
Si f no es inversible, entonces k = 0 y f((a, b)) = (a + b, 0), entonces:
a + b = 0 a = -b Nuc(f) = {(a, b) / a = -b};
BaseNuc(f) = {(-1, 1)} Nul(f) = 1.
a b r
Img(f) = {(r, s) / r = a + b, s = 0};
0 s
BaseImg(f) = {(1, 0)} Rang(f) = 1.

Por supuesto, con las transformaciones lineales f de U en V, donde DimU = DimV y
no infinita, no tenemos que preocuparnos acerca de las inversas a la izquierda o a la
derecha, puesto que hemos demostrado que una inversa a la izquierda o a la derecha
JOE GARCIA ARCOS
359
es siempre una inversa bilateral. Adems, sabemos que dicha inversa es siempre una
T E O R E M A 7.5.6
Sean U, V y W espacios vectoriales sobre K de dimensin finita con
DimU = DimV = DimW. Sean las transformaciones lineales f de U en V
y g de V en W. Entonces:
a.- gf es inversible si y slo si tanto f como g son inversibles;
b.- Si f y g son inversibles, tenemos que (gf)-1 = f -1g 1;
c.- Si f es inversible, entonces tambin lo es f -1 y (f -1)-1 = f.
Suponga que gf es inversible. Sea h de W en U la inversa de gf. Entonces
h(gf) = i(U) y (gf)h = i(W). Por tanto, (hg)f = i(U) lo que implica que f tiene una
inversa a la izquierda hg. Adems, g(fh) = i(W) lo que implica que g tiene una
inversa a la derecha fh. Por consiguiente, si gf tiene una inversa, entonces tanto g
como f tienen inversas. Suponga ahora que g y f tienen inversas. Entonces g y f
son biyectivas, de modo que gf es biyectiva y, en consecuencia, tiene una inversa;
adems, (gf)-1 = f -1g -1. Si f tiene inversa entonces f es biyectiva, como
demostramos anteriormente f -1 es una transformacin lineal de V en U y si f -1 es
biyectiva, entonces (f -1)-1 tambin es una transformacin lineal y ( f -1)-1 = f, que es
la transformacin lineal original.
EJ E M P L O 7.5.2
Verificar que la transformacin lineal f : R 3 o R 3 definida por
f((a, b, c)) = (2a + c, 2c + a, 2a + b)
es inyectiva.
SO L U C I O N
Nuc(f) = {u R 3 / f(u) = , R 3}
= {(a, b, c) / (2a + c, 2c + a, 2a + b) = (0, 0, 0)}
Resolviendo el sistema de ecuaciones
2a c 0
a 2c 0
2 a b 0
obtenemos
Nuc(f) = {(a, b, c) / a = b = c = 0} Dim Nuc(f) = 0.
Por lo tanto f es inyectiva.
EJ E M P L O 7.5.3
En un espacio vectorial con base {e1, e2} se da la transformacin lineal f. Hallar la
matriz de la transformacin inversa si f(e1) = e2, f(e2) = e1.
SO L U C I O N
D a
(a, b) = D(1, 0) + E(0, 1)
E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(0, 1) + b(1, 0) = (b, a).
Por tanto:
0 1
f -1((r, s) = (s, r) A f 1
.
1 0
EJ E M P L O 7.5.4
Encuentre la transformacin lineal f 1 de la transformacin f : R 3 o R 3 definida
por f((a, b, c)) = (2b + c, 2c + a, 2a + b).
JOE GARCIA ARCOS
360
SO L U C I O N
Por definicin, tenemos que
2b c r
a 2c s
2a b t
Resolvemos este sistema de ecuaciones

0 2 1 r 0 2 1
r 0 2 1
r
s | 1 0 2
s
1 0 2 s | 1 0 2
2 1 0 t 0 1 4 2s t 0 0 9 r 4s 2t
0 9 0 4 r 2s t
9 0 0 2 r s 4t
0 0 9 r 4 s 2t
La solucin del sistema es

2 r s 4t
a
9
4 r 2s t
b
9
r 4 s 2t
c
9
La transformacin lineal inversa es

2 r s 4t 4 r 2s t r 4s 2t
f 1 (( r , s, t ))
,
,
.
9
9
9
EJ E M P L O 7.5.5
La transformacin lineal f consiste en girar cada vector del plano X0Y un ngulo S/4.
Hallar la matriz de g = f + f -1.
SO L U C I O N
La transformacin lineal f est dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2 1 1
2
f (( a , b))
( a b, a b) A f
2 1 1
2
Por consiguiente, la transformacin lineal inversa es:
1 1 1
1
f 1 (( r , s))
( r s, r s) A f 1
2 1 1
2
La matriz de la transformacin lineal g = f + f 1, est dada por:
2 1 1 1 1 1 2 0
A g A f A f 1
.

2 1 1
2 1 1 0
2
EJ E M P L O 7.5.6
La transformacin lineal f consiste en girar cada vector del plano X0Y en el ngulo
S/4. Hallar la representacin matricial f -2.
SO L U C I O N
La transformacin lineal f est dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2
f (( a , b))
( a b, a b)
2
JOE GARCIA ARCOS
361
Por consiguiente, la transformacin lineal inversa es:

1
f 1 (( r , s))
( r s, r s) A f 1
2
La matriz de la transformacin lineal f 2, est dada por:
1 1
1
1
2
2 2
2
A f 2 A f 1 A f 1
1
1 1
1

2
2
2
2
1 1 1
2 1 1
0 1
.
1 0
PR O B L E M AS
7.5.1 Sea V un espacio vectorial. Sea f de L(V, V).
Demuestre que si f es inversible, entonces f2 = f implica
siempre que f = i. Es esto necesariamente cierto para f no
inversible?
7.5.2 Demustrese que cada uno de las transformaciones
lineales siguientes es no singular, y encuntrese la
transformacin lineal inversa que le corresponde:
a.- f(x, y) = (x, 2y);
b.- f(x, y) = (3x + y, 5x + 2y);
c.- f(x, y, z) = (x + y, y + z, z);
d.- f(x, y, z) = (x, x y, y z);
e.- f(x, y, z) = (y, x + z, y z);
f.- f(x, y, z) = (x + y, y + 2z, x + y + z).
7.5.3 Sea B una matriz no singular de n x n. Demuestre
que la transformacin lineal f : : o : definida por
f(A) = AB es un isomorfismo.
Sean a , b, c, d nmeros dados y considere la
ax b
funcin f ( x)
. Sea g otra funcin de la misma
cx d
forma. Demuestre que gqf donde gf(x) = g(f(x)) es una
funcin que tambin se puede escribir en la misma
forma. Demuestre que cada una de estas funciones se
puede representar por una matriz, de tal modo que la
matriz que representa a gqf es el producto de las matrices
que representan a g y f. Demuestre que la funcin inversa
existe s y slo si ad - bc z 0. A qu se reduce la
funcin si ad bc = 0?
7.5.4
7.5.5 Una transformacin lineal f de V en V es nilpotente

si para algn entero positivo k, fk = . Demuestre:
a.- Si f es inversible, entonces f no es nilpotente. Es cierta
la recproca de esta afirmacin?
b.- Si f es nilpotente, entonces i + f es inversible.
Demuestre que (i + f)-1 = i f + f2 f3 + ... + (-1)k-1fk-1.
7.5.6 Suponga que U = Span^Senx, Cosx, Sen2x, Cos2x,
`:
a.- Verifquese que D es transformacin lineal no
singular de U.
b.- Determnese la inversa de D.

c.- Verifquese que I + D, I D e I D2 son
transformaciones lineales no singulares de U.
d.- Demustrese que I + D2 es transformacin lineal
singular de U.
e.- Examnese la singularidad o no singularidad de
I + a D, donde a es entero.
f.- Examnese la singularidad o no singularidad de
I + a D2, donde a es entero.
7.5.7 Sea V el espacio vectorial de todos los polinomios
p(x). Sean f, g y h funciones que aplican un polinomio
cualquiera p(x) = a 0 + a 1x + a 2x2 + ... + a nxn de V en los
polinomios r(x), s(x) y t(x) respectivamente, siendo
r(x) = p(0),
s( x)
ak x k 1 ,
t ( x)
k 1
ak x k 1
k 0
a.- Poner p(x) = 2 + 3x x2 + x3 y determinar la imagen

de p a travs de cada una de las transformaciones
siguientes: f, g, h, gh, hg, (hg)2, h2g2, g2h2, hfg, fgh.
b.- Demuestre que f, g y h son lineales y determinar el
ncleo y la imagen de cada una.
c.- Demuestre que f es uno a uno en V y determine su
inversa.
d.- Si n t 1, expresar (hg)n y gnhn en funcin de I y f.
7.5.8 Sea
f(x, y, z, u) = (0, x, y + 2x, z + 2y + 3x).
Demustrese que:
a.- f4 = O;
b.- I f es no singular;
c.- I + f + f2 + f3 = (I f)-1;
d.- I + f es no singular;
e.- I + 2f es no singular;
f.- Si a es no negativo, I af es no singular.
7.5.9 Suponga que U = Spanêx, e2x enx `.
Demustrese la validez de los enunciados siguientes:
a.- La derivada D es transformacin lineal no singular
de U y su inversa es la integral
f f (t )dt .
b.- I + D es transformacin lineal no singular de U;

JOE GARCIA ARCOS
362
c.- I D es transformacin lineal singular en U.

d.- Si a es un entero no negativo, a I D es singular.
e.- Si a es entero no negativo mayor que 1, I a D es no
singular.
7.5.14 Sean f : R n o R m, g : R m o R n transformaciones

lineales. Demuestre que si n > m, el operador lineal
g f : R n o R n no puede ser inversible. Puede ser
inversible el operador f g : R m o R m? Explique.
7.5.10 Sea V un espacio vectorial. Sea f de L(V, V).

Suponga que para algunos escalares a1, a2, ..., an de K, y
algn entero positivo n, tenemos que fn + a1fn-1 + a2fn-2 + ...
+ an-1f + ani = . Demuestre que si an z 0, entonces f es
inversible. Hllese f -1 en funcin de f en este caso.
7.5.15 Sea f una transformacin lineal de R 3 con la

propiedad de que f(e1) = e2, f(e2) = e3, f(e3) = e1:
a.- Encuntrense f2(e i) y f3(e i) para i = 1, 2, 3, y, en
consecuencia, verifquese que f3 = I .
b.- Verifquese que f -1 = f2.
c.- D una interpretacin geomtrica de f.
7.5.11 Sea f : :2x3 o :3x2 definida por f(A) = AT.

Demuestre que f es un isomorfismo y determine la matriz
para la inversa de f.
7.5.12
Demuestre que una transformacin lineal
f : R n o R m con n z m, no puede ser inversible.
7.5.13 Sea f una transformacin lineal de R 3 con la
propiedad de que
f(e1) = e2 + e3, f(e2) = e3 + e1, f(e3) = e1 + e2:
a.- Encuntrense f2(e i) y f3( e i) para i = 1, 2, 3, y, en
consecuencia, verifquese que f3 = 3f + 2 I .
1 2
( f 3I ) .
b.- Verifquese que f 1
2
7.5.16 Sea V = {0, 1}. Describir todas las funciones

f : V o V. En total son cuatro. Desgnense con g, h, r, s
y construir una tabla de multiplicacin que muestre la
composicin de cada par. Indicar cules son uno a uno
en V y dar sus inversas.
7.5.17 Sea V = {0, 1, 2}. Describir todas las funciones
f : V o V para las cuales f(V) = V. En total son seis.
Desgnense con f1, f2, f3, f4, f5, f6 y construir una tabla de
multiplicacin que muestre la composicin de cada par.
Indicar cules son uno a uno en V, y dar sus inversas.
7.6 T R A NSF O R M A C I O N ES G R A F I C AS E N R 2
Es fundamental para todos los sistemas de grficas por computadora la capacidad de simular tanto el movimiento
como el manejo de objetos. Estos procesos se describen en trminos de traslaciones, rotaciones, puestas en escala
y reflexiones. El objetivo aqu es explicar estas operaciones en una forma matemtica adecuada para su
procesamiento por computadora, y mostrar la forma en que se emplean para lograr los fines del manejo y
movimiento de objetos.

Existen dos puntos de vista complementarios para describir el movimiento de

objetos. El primero es que el objeto mismo se mueve en relacin con un sistema
coordenado estacionario o fondo. El planteamiento matemtico de tal punto de vista
se explica mediante transformaciones geomtricas aplicadas a cada punto del objeto.
El segundo punto de vista sostiene que el objeto se mantiene estacionario mientras
que el sistema coordenado se mueve con relacin a dicho objeto. Este efecto se
obtiene a travs de la aplicacin de transformacin de coordenadas. Un ejemplo
incluye el movimiento de un automvil relacionado con un fondo escnico. Es
posible simular esto trasladando el automvil mientras se mantiene el fondo fijo
(transformacin geomtrica). Tambin se puede conservar fijo el automvil mientras
se mueve el escenario del fondo (transformacin de coordenadas). En algunas
situaciones, se emplean ambos mtodos.
T R A NSF O R M A C I O N ES G E O M E T RI C AS
Considrese un sistema coordenado sobre un plano. Un objeto : en el plano puede
considerarse como un conjunto de puntos. Cada punto objeto P tiene coordenadas
(x, y), de manera que el objeto es la suma total de todos sus puntos coordenados.
Si el objeto se traslada a una nueva posicin, puede considerarse como un nuevo
objeto :, cuyos puntos coordenados P pueden obtenerse a partir de los puntos
JOE GARCIA ARCOS
363
originales P mediante la aplicacin de una transformacin geomtrica.
En la traslacin, un objeto se desplaza una distancia y direccin determinadas a

partir de su posicin original. Si el desplazamiento est dado por el vector
v = txi + tyj, el nuevo punto objeto P(x, y) puede obtenerse al aplicar la
transformacin Tv a P(x, y)
P = Tv(P)
donde x = x + tx y y = y + ty.
En la rotacin, el objeto se rota T con respecto al origen. La convencin es que la
direccin de rotacin es antihoraria si T es un ngulo positivo, y en el sentido
horario si T es un ngulo negativo. La transformacin de rotacin RT es
P = RT(P)
donde x = xCosT - ySenT y y = xSenT + yCosT.
La puesta en escala, es el proceso de expandir o comprimir las dimensiones de un

objeto. Se utilizan constantes positivas de puesta en escala sx y sy para describir
los cambios en longitud con respecto a las direcciones x y y, respectivamente.
Una constante de prueba en escala mayor de uno indica una expansin de
longitud, y menos de uno, compresin de longitud. La transformacin de escala
Ss x ,s y est dada por
P Ss x ,s y (P)
en donde x = sxx y y = syy.

Obsrvese que despus de efectuar una transformacin de escala, el nuevo
objeto est localizado en una posicin diferente con relacin al origen. En
realidad, en una transformacin de escala el nico punto que permanece fijo es el
origen.

Si ambas constantes de puesta en escala tienen el mismo valor S, la

transformacin de escala se dice que es homognea. Adems, si s > 1, es una
amplificacin y para s < 1, una reduccin.
Si el eje X o Y se considera como un objeto, el objeto tiene una imagen de espejo
o reflexin. Ya que la reflexin P de un punto objeto P est localizada a la misma
distancia del espejo que P. La transformacin de reflejo de espejo M x con
JOE GARCIA ARCOS
364

respecto al eje x est dada por

P = Mx(P)
donde x = x y y = -y.
De manera semejante, la reflexin de espejo en relacin con el eje Y es
P = My(P)
donde x = -x y y = y.
Toda transformacin geomtrica tiene una inversa, descrita con la operacin
contraria efectuada por la transformacin:
Traslacin: Tv1 Tv , o traslacin en la direccin opuesta.
Rotacin: R T1
Puesta en escala:
R T , o rotacin en la direccin opuesta.

Ssx1,s y
Reflexin de espejo:
S1
Mx 1
1
,
sx s y
M x y My1
My
T R A NSF O R M A C I O N D E C O O R D E N A D AS
Supngase que se tienen dos sistemas coordenados en el plano. El primer sistema
est localizado en un origen O y tiene ejes coordenados XY. El segundo sistema
coordenado se ubica en el origen O y tiene ejes coordenados XY. Ahora cada
punto del plano tiene dos descripciones coordenadas: ( x, y) o (x, y), dependiendo
del sistema coordenado empleado. Si se considera que el segundo sistema XY
surge de una transformacin aplicada al primer sistema XY, se dice que se ha
aplicado una transformacin de coordenadas. Es posible describir esta
transformacin determinando cmo estn relacionadas las coordenadas ( x, y) de
un punto P con las coordenadas (x, y) del mismo punto.
Si el sistema coordenado XY se desplaza a una nueva posicin en donde la
direccin y distancia del desplazamiento estn dadas por el vector v = txi + tyj, las
coordenadas de un punto en ambos sistemas estn relacionados por la
transformacin de traslacin T v :
( x, y) Tv ( x, y)
donde x = x tx y y = y ty.
El sistema XY se rota T con respecto al origen. Entonces, las coordenadas de un
punto en ambos sistemas estn relacionadas por la transformacin de rotacin
RT :
( x, y) R T ( x, y)
donde
JOE GARCIA ARCOS
365
x = xCosT + ySenT y y = -xSenT + yCosT.

Supngase que se forma un nuevo sistema coordenado sin modificar el origen, ni
los ejes coordenados, pero introduciendo distintas unidades de medicin a lo largo
de los ejes X y Y. Si se obtienen nuevas unidades a partir de las unidades
anteriores con una escala de sx unidades a lo largo del eje X y sy unidades a lo
largo del eje Y, las coordenadas en el nuevo sistema estn relacionadas con las
coordenadas en el sistema anterior a travs de la transformacin de escala Ss x ,s y :
( x, y) Ss x ,s y ( x, y)

1
1
x y y
y
sx
sy
Si en el nuevo sistema coordenado se obtiene por reflexin del sistema anterior
con respecto al eje X o eje Y, la relacin entre coordenadas est dada por las
transformaciones coordenadas M x y M y :
donde x
( x, y) M x ( x, y)
donde x = x y y = -y.
Para la reflexin con respecto al eje Y
( x, y) M y ( x, y)
donde x = -x y y = y.
Cada transformacin de coordenadas tiene una inversa, que puede obtenerse al
aplicar la transformacin opuesta:
Traslacin:
Rotacin:
1
T v , o traslacin en la direccin opuesta.
Tv
1
RT
R T , o rotacin en la direccin opuesta.
Puesta en escala:
1
S1, 1
Ss x ,s y
Reflexin de espejo:
sx s y
1
Mx
1
Mx y M y
My
T R A NSF O R M A C I O N ES C O M PU EST AS
Es posible construir transformaciones geomtricas y de coordenadas ms
complejas a partir de las transformaciones bsicas descritas cuando se estudi el
proceso de composicin de funciones. Operaciones tales como la rotacin con
respecto a un punto distinto del origen o la reflexin con relacin a lneas que no
sean los ejes pueden construirse a partir de las transformaciones bsicas.
D ESC R IP C I O N M A T R I C I A L D E L AS T R A NSF O R M A C I O N ES B ASI C AS
Las transformaciones de rotacin, puesta en escala y reflexin, pueden
representarse como funciones matriciales:
Transformaciones geomtricas
CosT SenT
RT
SenT CosT
Transformaciones de coordenadas
CosT SenT
RT
SenT CosT
sx
1
s
x
Ss x ,s y
sy
Ss x ,s y
s y
JOE GARCIA ARCOS
366

Mx
1 0
0 1
Mx
1 0
0 1
My
1 0
1 1
My
1 0
0 1
La transformacin de traslacin no puede expresarse como una funcin matricial

de 2 x 2. Sin embargo, cierto artificio permite introducir una funcin matricial de
3 x 3 que efecta la transformacin de traslacin. Se representa el par ordenado
(x, y) de un punto P por medio de la trada (x, y, 1). Esta es simplemente la
representacin homognea de P. Entonces, la traslacin en la direccin v = txi +
tyj puede expresarse por medio de la funcin matricial
1 0 tx
Tv 0 1 t y
0 0 1
Entonces
1 0 tx x x tx
0 1 ty y y ty
0 0 1 1 1
A partir de esto se extrae el par coordenado(x + tx, y + ty).

La ventaja de introducir una forma matricial para la traslacin es que ahora es
posible construir transformaciones complejas al multiplicar las transformaciones
matriciales bsicas. En ocasiones, este proceso recibe el nombre de concatenacin
de matrices. Aqu se est empleando el hecho de que la composicin de funciones
matriciales es equivalente a la multiplicacin de matrices. Debe ser posible
representar las transformaciones bsicas como matrices coordenadas homogneas
de 3 x 3 para que sean compatibles (desde el punto de vista de multiplicacin
matricial) con la matriz de traslacin. Esto se logra aumentando las matrices de
2 x 2 con una tercera columna y una tercera fila. Esto es
a b 0
c d 0 .
0 0 1
E J E M P L O 7.6.1
Encuentre la transformacin que gira un punto objeto T con respecto al origen.
Escrbase la representacin matricial para esta rotacin.
SO L U C I O N
La definicin de las funciones trigonomtricas nos da
x rCos(T I)
x rCosI
y
r
S
en
(
T

I
)
y rSenI
Mediante identidades trigonomtricas, se obtiene
rCos(T I) r ( CosT CosI SenTSenI) xCosT ySenT
rSen(T I) r ( SenT CosI CosTSenI) xSenT yCosT
x xCosT ySenT
y xSenT yCosT
x
x
Escribiendo P , P , y R T
y
CosT SenT
SenT CosT
JOE GARCIA ARCOS

367
ahora puede escribirse P R T P .

E J E M P L O 7.6.2
Encuentre la matriz que representa la rotacin de un objeto 30 con respecto al
origen. Cules son las nuevas coordenadas del punto P(3, -5) despus de la
rotacin?
SO L U C I O N
Tomando la matriz del ejemplo anterior, tenemos que
3
1

Cos30 Sen30 2
2
R 30

S
en
30
Cos
30
1
3
2
2
Las nuevas coordenadas pueden obtenerse al multiplicar
3
53 3
1

3
2 2
2
.

1
3 5 3 5 3
2
2
2
E J E M P L O 7.6.3
Describa la transformacin que gira un punto objeto Q( x, y), T grados con
respecto a un centro fijo de rotacin P(h, k).
SO L U C I O N
Se determina la transformacin RT,P en tres pasos:
1. Trasladar de manera que el centro de rotacin P se encuentre en el origen.
2. Efectuar una rotacin de T grados con respecto al origen.
3. Trasladar de nuevo el origen a P.
Utilizando v = -hi kj como vector de traslacin, se construye RT,P por la
composicin de transformaciones R T,O Tv R T Tv .
E J E M P L O 7.6.4
Descrbase la forma general de la matriz para la rotacin con respecto a un punto
P(h, k).
SO L U C I O N
Por el ejemplo anterior tenemos R T,P Tv R T Tv , donde v = -hi kj. Mediante
la forma coordenada homognea de 3 x 3 para las matrices de rotacin y
traslacin, se tiene
1 0 h CosT SenT 0 1 0 h
R T, P 0 1 k SenT CosT 0 0 1 k
0 0 1 0
0
1
0 0 1
CosT SenT hCosT kSenT h
SenT CosT hSenT kCosT k .

0
0
1
E J E M P L O 7.6.5
Efecte una rotacin de 45 del tringulo con vrtices en los puntos A(0, 0),
B(1, 1), C(5, 2):
a.- Con respecto al origen;
b.- Con respecto al punto P(-1, -1).
SO L U C I O N
Se representa el tringulo por medio de una matriz formada a partir de las
coordenadas homogneas de los vrtices
JOE GARCIA ARCOS
368

A B C
0 1 5
0 1 2
1 1 1
a.- La matriz de rotacin es

2
2

0
2
2
Cos 45 Sen 45 0
2
2
R 45 Sen 45 Cos 45 0
0
2
2
0
0
1
0
0
1
De manera que las coordenadas ABC del tringulo girado ABC se obtienen
como
2
2
3 2

0
0 0
2
2
2
0 1 5
2
2
7 2

00 1 2 0 2
> ABC@ R 45 > ABC@

2
2
2
1 1 1
1 1
0
0
1
1
De esta manera, obtenemos los nuevos vrtices del tringulo rotado:

3 2 7 2
A(0, 0), B(0, 2), C
,
.
2
2
b.- La matriz de rotacin est dada por R 45,P Tv R 45 Tv , en donde v = i +
j. De modo que
R T,P
1 0 1
0 1 1
0 0 1
2
2
2
2
0
2
0
1 0 1 2
2
0 0 1 1
0 0 1 2
0
1
2
2
2
2
0
2
2
2
2
0
1
2 1
Ahora
> ABC@
R 45 > ABC @
2
2
2
2
0
2
2
2
2
0
1
0 1 5
2 1 0 1 2
1 1 1
1
1
3 2 1
9 2 2
2 1 2 2 1
2
1
1
1
De esta manera, obtenemos los nuevos vrtices del tringulo rotado:

3 2 7 2
,
A(1, 2 1) , B(1, 2 2 1) , C
.
2
2
JOE GARCIA ARCOS

369
E J E M P L O 7.6.6
Determine la transformacin que pone en escala (respecto al origen) en:
a.- a unidades en la direccin X;
b.- b unidades en la direccin Y;
c.- en forma simultnea a unidades en direccin X y b unidades en direccin Y.
SO L U C I O N
a.- La transformacin de escala aplicada a un punto P(x, y) produce el punto
( ax, y). Esto puede escribirse en forma matricial como
a 0 x ax

Sa ,1 P

0 1 y y
b.- Como en el literal anterior, la transformacin requerida puede escribirse en
forma matricial como
1 0 x x
S1,b P

0 b y by
c.- La puesta en escala en ambas direcciones est descrita por la transformacin
x = ax y y = by. Al escribir esto en forma matricial como
a 0 x ax

Sa , b P
.
0 b y by
E J E M P L O 7.6.7
Escriba la forma general de una matriz de puesta en escala con respecto a un
punto fijo P(h, k).
SO L U C I O N
Siguiendo el mismo procedimiento general, se escribe la transformacin requerida
con v = -hi kj como
1 0 h a 0 0 1 0 h a 0 ah h
Sa ,b,P Tv Sa ,b Tv 0 1 k 0 b 0 0 1 k 0 b bk k .

0 0 1 0 0 1 0 0 1 0 0
1

E J E M P L O 7.6.8
Amplifquese el tringulo con vrtices A(0, 0), B(1, 1) y C(5, 2) al doble de su
tamao manteniendo fijo el vrtice C(5, 2).
SO L U C I O N
Es posible escribir la transformacin requerida con v = -5 i 2 j como
1 0 5 2 0 0 1 0 5 2 0 5
S2,2,C Tv S2,2 Tv 0 1 2 0 2 0 0 1 2 0 2 2

0 0 1 0 0 1 0 0 1 0 0 1
Representando un punto P con coordenadas (x, y) por medio del vector columna
x

y , se tiene
1

2 0 5 0 5
2 0 5 1 3

S2,2,C A 0 2 2 0 2 ; S2,2,C B 0 2 2 1 0 ;
0 0 1 1 1
0 0 1 1 1

2 0 5 5 5

S2,2,C C 0 2 2 2 2
0 0 1 1 1

De manera que A(-5, -2), B(-3, 0) y C(5, 2). Obsrvese que ya que el tringulo
ABC est completamente determinado por sus vrtices, podra haberse ahorrado
mucha escritura al representar los vrtices con una matriz de 3 x 3
JOE GARCIA ARCOS
370

y aplicando S2,2,C
0 1 5
ABC
>
@ 0 1 2
1 1 1
a esto. Entonces
S2,2,C > ABC@
2 0 5 0 1 5 5 3 5
0 2 2 0 1 2 2 0 2
0 0 1 1 1 1 1 1 1
>ABC@ .
E J E M P L O 7.6.9
Descrbase la transformacin ML que refleja un objeto con respecto a una recta L.
SO L U C I O N
Considere que la lnea L de la figura tiene una interseccin con el eje Y en (0, b)
y un ngulo de inclinacin de T grados (respecto al eje X). Se reduce la
descripcin a transformaciones conocidas:
1. Trasladar (0, b) al origen.
2. Rotar -T grados de manera que la recta L se alinee con el eje X.
3. Efectuar una reflexin de espejo con respecto al eje X.
4. Girar de nuevo T grados.
5. Trasladar el origen de nuevo al punto
(0, b).
En notacin de transformacin, se tiene
ML Tv R M x R Tv
en donde v = -bj.
E J E M P L O 7.6.10
Obtngase la forma de la matriz para realizar reflexin con respecto a una recta L
de pendiente m e interseccin con el eje Y en el punto (0, b).
SO L U C I O N
Aplicando el hecho de que el ngulo de inclinacin de una recta est relacionado
con su pendiente m por la ecuacin TanT = m, se tiene con v = -bj
ML Tv R M x R Tv
1 0 0 CosT SenT 0 1 0 0 CosT SenT 0 1 0 0
0 1 b SenT CosT 0 0 1 0 SenT CosT 0 0 1 b .

0 0 1 0
0
1
0
1
0 0 1 0
0 0 1
Ahora, si TanT = m, la trigonometra elemental da
m
SenT
m2 1
1
CosT
m2 1
Sustituyendo estos valores en vez de SenT y CosT despus de la multiplicacin de

matrices, se tiene
1 m2
2m
2bm
2
2
2
m 1 m 1 m 1
2m
m2 1
2b
.
ML 2
m 1 m2 1 m2 1
0
0
1
JOE GARCIA ARCOS

371
E J E M P L O 7.6.11
Realice la reflexin del polgono en forma de diamante cuyos vrtices estn en
A(-1, 0), B(0, -2), C(1, 0) y D(0, 2) con respecto:
a.- La recta horizontal y = 1;
b.- La recta vertical x = 2;
c.- La recta y = x + 2.
SO L U C I O N
Se representan los vrtices del polgono por medio de la matriz coordenada
homognea
1 0 1 0
V 0 2 0 2
1 1 1 1
La matriz de reflexin puede escribirse como

ML Tv R M x R Tv
a.- La recta y = 2 tiene interseccin con el eje Y en el punto (0, 2) y forma un
ngulo de 0 con el eje X. De manera que con T = 0 y v = -2 j, la matriz de
transformacin es
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
M L 0 1 2 0 1 0 0 1 0 0 1 0 0 1 2 0 1 4
0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
Esta misma matriz podra haberse obtenido directamente utilizando los resultados
del ejemplo anterior con pendiente m = 0 e interseccin con el eje Y en b = 0.
Para reflejar el polgono, se iguala
1 0 0 1 0 1 0 1 0 1 0
M L V 0 1 4 0 2 0 2 4 6 4 2
0 0 1 1 1 1 1 1 1 1 1
Convirtiendo de coordenadas homogneas A(-1, 4), B(0, 6), C(1, 4), D(0, 2).
b.- La recta vertical x = 2 carece de interseccin con el eje Y y tiene pendiente
infinita. Puede utilizarse My, reflexin con respecto al eje Y, para escribir la
reflexin deseada:
1. Trasladando la recta dada dos unidades hacia arriba al eje Y;
2. Realizando reflexin con respecto al eje Y;
3. Trasladando hacia atrs dos unidades.
De manera que con v = -2 i
1 0 2 1 0 0 1 0 2 1 0 4
M L Tv M y Tv 0 1 0 0 1 0 0 1 0 0 1 0
0 0 1 0 0 1 0 0 1 0 0 1
Por ltimo
1 0 4 1 0 1 0 5 4 3 4
M L V 0 1 0 0 2 0 2 0 2 0 2
0 0 1 1 1 1 1 1 1 1 1
Convirtiendo de coordenadas homogneas A(5, 0), B(4, -2), C(3, 0), D(4, 2).
c.- La recta y = x + 2 tiene pendiente 1 e interseccin con el eje Y en el punto
(0, 2). A partir del ejemplo anterior, con m = 1 y b = 2, se tiene
0 1 2
ML 1 0 2
0 0 1
Ahora es posible determinar las coordenadas necesarias A, B, C y D
JOE GARCIA ARCOS
372

0 1 2 1 0 1 0 2 4 2 0
M L V 1 0 2 0 2 0 2 1 2 3 2
0 0 1 1 1 1 1 1 1 1 1
De manera que A(-2, 1), B(-4, 2), C(-2, 3) y D(0, 2).
E J E M P L O 7.6.12
Un observador que se encuentra en el origen ve un punto P(1, 1). Si el punto se
traslada una unidad en la direccin v = i, su nueva posicin coordenada es
P(2, 1). Supngase que, en vez de esto, el observador retrocede una unidad sobre
el eje X. Cules seran las coordenadas aparentes de P con respecto al
observador?
SO L U C I O N
El problema puede plantearse como una transformacin de sistemas coordenadas.
Si se traslada el origen O en la direccin v = -i (a una nueva posicin en O), las
coordenadas P en este sistema pueden obtenerse por medio de la traslacin T v :
1 0 1 1 2

T v P 0 1 0 1 1
0 0 1 1 1

De manera que las nuevas coordenadas son (2, 1). Esto tiene la interpretacin
que sigue: un desplazamiento de una unidad en una direccin dada puede lograrse
ya sea trasladando el objeto hacia delante o alejndose de l.
E J E M P L O 7.6.13
Un objeto est definido con respecto a un sistema coordenado cuyas unidades
estn mediadas en pies. Si el sistema coordenado de un observador utiliza
pulgadas como unidad bsica, cul es la transformacin de coordenadas
empleada para describir las coordenadas del objeto en el sistema coordenado del
observador?
SO L U C I O N
Ya que hay 12 pulgadas en un pie, la transformacin requerida puede describirse
1
por medio de una transformacin de escala coordenada con s
o
2
1
0
1/12
12 0

S1/12
1 0 12
0
1/12
y as
x 12 0 x 12 x
S1/12

.
y 0 12 y 12 y
E J E M P L O 7.6.14
Obtngase la ecuacin del crculo (x)2 + (y)2 = 1 en trminos de coordenadas
XY, considerando que el sistema coordenado XY es el resultado de una puesta
en escala a unidades en la direccin X y b unidades en la direccin Y.
SO L U C I O N
A partir de las ecuaciones para una transformacin de escala coordenada, se
obtiene
1
1
x x y y y
b
a
Sustituyendo, se tiene
JOE GARCIA ARCOS
x y
1
a b
Obsrvese que, como resultado de la puesta en escala, la ecuacin del crculo se
transforma en la ecuacin de una elipse en el sistema coordenado XY.
E J E M P L O 7.6.15
Obtngase la ecuacin de la recta y = mx + b en las coordenadas XY si el
sistema coordenado XY es el resultado de una rotacin de 90 del sistema
coordenado XY.
SO L U C I O N
Las ecuaciones de transformacin de coordenadas de una rotacin pueden
escribirse como
x xCos90 ySen90 y
y xSen90 yCos90 x
Sustituyendo, se tiene x = my + b. Resolviendo para y, se tiene
1
b
y x .
m
m
A continuacin y de forma general, enumeramos los operadores en R 2 que
transforman cada vector en su imagen simtrica con respecto a alguna recta y se
denominan operadores reflexin. As mismo, encontramos los operadores
proyeccin ortogonal y rotacin:

373
Reflexin respecto al eje Y:

x x
1 0

y y
0 1
Reflexin respecto al eje X:

x x
y y
1 0

0 1
Reflexin respecto a la recta y = x:

x y
0 1

y x
1 0
Proyeccin ortogonal sobre el eje X:

x x
1 0

y 0
0 0
JOE GARCIA ARCOS
374
Proyeccin ortogonal sobre el eje Y:

x 0
y y
0 0

0 1
Rotacin a travs de un ngulo T:

x xCosT ySenT
CosT SenT

y xSenT yCosT
SenT CosT
7.7 T R A NSF O R M A C I O N ES G R A F I C AS E N R 3
El manejo, visin y construccin de imgenes grficas tridimensionales requiere el empleo de geometra y
transformaciones coordenadas tridimensionales. Estas transformaciones estn constituidas por la
composicin de las transform aciones bsicas de traslacin, puesta en escala y rotacin. Cada una de estas
transformaciones puede representarse como una transformacin matricial. Lo cual permite construir
transformaciones ms complejas al utilizar multiplicacin o concatenacin matriciales.

Como en las transformaciones bidimensionales, se adoptan dos puntos de vista

complementarios: el objeto o imagen se maneja directamente mediante el uso de
transformaciones geomtricas, o el objeto permanece estacionario y el sistema
coordenado del observador se modifica al utilizar transformaciones coordenadas.
Adems, la construccin de objetos e imgenes complejas se facilita al emplear
transformaciones de instancia, que combinan ambos puntos de vista. Las
transformaciones y los conceptos aqu presentados son generalizaciones directas
de as demostradas para transformaciones bidimensionales.
T R A NSF O R M A C I O N ES G E O M E T R I C AS
Con respecto a algunos sistemas coordenados tridimensionales, un objeto : se
considera como un conjunto de puntos : = {P(x, y, z)}.
Si el objeto se traslada a una nueva posicin, puede considerrsele como un nuevo
objeto :, del que todos los puntos coordenados P(x, y, z) pueden obtenerse a
partir de los puntos coordenados originales P( x, y, z) de : aplicando una
transformacin geomtrica.

Un objeto es desplazado ciertas distancias y direccin a partir de su posicin

original. La direccin y el desplazamiento de la traslacin estn prescritos por un
vector v = ai + bj + ck . Las nuevas coordenadas de un punto trasladado pueden
calcularse al utilizar la transformacin
x x a
Tv : y y b .
z z c
A fin de representar esta transformacin como matricial, es necesario utilizar

coordenadas homogneas. Entonces, la transformacin matricial homognea
JOE GARCIA ARCOS

375
requerida puede expresarse como

x

y
z

1
0
0
0
1
0
0
0
0
1
0
a x

b y
c z

1 1
El proceso de puesta en escala modifica las dimensiones de un objeto. El factor de

escala s determina si la escala es una amplificacin, s > 1, o una reduccin, s < 1.
En la puesta en escala con respecto al origen, donde dicho origen permanece fijo,
se efecta por la transformacin
x s x x
Ssx , s y , sz : y s y y
z s z z
En forma matricial, tenemos
sx 0 0
Ss x , s y , s z 0 s y 0
0 0 s
z
La rotacin en tres dimensiones es mucho ms compleja que la rotacin en dos

dimensiones. En dos dimensiones, una rotacin est prescrita por un ngulo de
rotacin T y un centro de rotacin P. Las rotaciones tridimensionales requieren la
prescripcin de un ngulo de rotacin y de un eje de rotacin.
Las rotaciones cannicas estn definidas cuando se elige uno de los ejes
coordenados positivos X, Y o Z como eje de rotacin. Entonces la construccin
de la transformacin de rotacin procede igual que la de una rotacin en dos
dimensiones, con respecto al origen.
Rotacin con respecto al eje Z
R T, k
x xCosT ySenT
: y xSenT yCosT
z z
Rotacin con respecto al eje Y

R T, j
x xCosT zSenT
:
y y
z xSenT zCosT
Rotacin con respecto al eje X
x x
R T,i : y yCosT zSenT

z ySenT zCosT
Obsrvese que la direccin de un ngulo positivo de rotacin se elige de acuerdo

con la regla de la mano derecha respecto al eje de rotacin. Las transformaciones
matriciales correspondientes son
CosT SenT 0
CosT 0 SenT
R T, k SenT CosT 0 ; R T, j 0
1
0 ;
0
SenT 0 CosT
0
1
JOE GARCIA ARCOS
376
R T, i
El caso general de rotacin en relacin con un eje L puede construirse a partir de

estas rotaciones cannicas mediante la multiplicacin de matrices.
T R A NSF O R M A C I O N ES D E C O O R D E N A D AS

0
0
1
0
Cos
T

S
enT .
0 SenT CosT
Tambin es posible lograr los efectos de traslacin, puesta en escala y rotacin al

mover al observador que ve el objeto y manteniendo estacionario el objeto. Este
tipo de transformacin se denomina transformacin de coordenadas. Primero se
fija un sistema coordenado al observador y despus se le traslada junto con el
sistema coordenado agregado. A continuacin, se vuelven a calcular las
coordenadas del objeto observado respecto al nuevo sistema coordenado del
observador. Los nuevos valores coordenados sern exactamente los mismos que
si el observador hubiera permanecido estacionario y el objeto se hubiera movido,
correspondiendo a una transformacin geomtrica.
Si el desplazamiento del sistema coordenado del observador hacia una nueva
posicin est prescrito por un vector v = ai + bj + ck , un punto P(x, y, z), en el
sistema coordenado original tiene coordenadas P(x, y, z) en el nuevo sistema
coordenado, y
x x a
T v : y y b
z z c
La obtencin de esta transformacin es completamente anloga a la de la

transformacin bidimensional. Obtenciones semejantes se cumplen para
transformaciones de puesta en escala de coordenadas y rotacin de coordenadas.
Como en el caso bidimensional, se resumen las relaciones entre las formas
matricules de las transformaciones de coordenadas y las transformaciones
geomtricas:
Traslacin
Transf. de coord.
Tv
Transf. Geom.
T v
Rotacin
RT
R T
Puesta en escala
S1
Ssx , s y , sz
1 1
, ,
sx s y sz
Las transformaciones geomtricas y de coordenadas inversas se construyen al

efectuar la operacin inversa. En esta forma, para transformaciones de
coordenadas (y, de manera semejante, para transformaciones geomtricas):
1
Tv
T v ;
T R A NSF O R M A C I O N ES
M A T R I C ES
1
RT
R T ;
C O M PU EST AS
Ssx , s y , sz
S1
1 1
, ,
sx s y sz
CONCATENACION
DE
Transformaciones geomtricas y coordenadas ms complejas se forman a travs

JOE GARCIA ARCOS

377
del proceso de composicin de funciones. Sin embargo, para las funciones

matriciales el proceso de composicin equivale a la multiplicacin o
concatenacin de matrices.
1. Av, u = alinear un vector v con un vector u.
2. RT, L = rotacin respecto a un eje L. El eje se prescribe dando un vector de
direccin v y un punto P a travs del cual pasa el eje.
3. Ssx , s y , sz = puesta en escala con respecto a un punto arbitrario P.
A fin de construir estas transformaciones ms complejas mediante concatenacin
de matrices, es necesario poder multiplicar matrices de traslacin con matrices de
rotacin y puesta en escala. Esto requiere el empleo de coordenadas homogneas
y matrices de 4 x 4. Las matrices estndar de rotacin y puesta en escala de 3 x 3
pueden representarse como matrices homogneas 4 x 4 al agregar una fila y
columna extra, como sigue:
a b c 0
d e f 0
g h i 0
0 0 0 1
Estas transformaciones se aplican despus a los puntos P(x, y, z) que tienen la
forma homognea:
x

y .
z

1
E J E M P L O 7.7.1
Se define inclinacin como una rotacin con respecto al eje X seguida por una
rotacin con respecto al eje Y:
a.- Obtngase la matriz de inclinacin;
b.- Importa el orden que se efecte la rotacin?
SO L U C I O N
a.- Es posible obtener la transformacin requerida T al componer (concatenar)
dos matrices de rotacin:
CosT y 0 SenT y 0 1
0
0
0
0
1
0
0 0 CosT x SenT x 0
T = R T y , j R Tx ,i
SenT y 0 CosT y 0 0 SenT x CosT x 1
0
0
0
1
0
0
1 0
CosT y
0
SenT
y
SenT y SenT x
SenT y CosT x
CosT x
SenT x
0
CosT y SenT x CosT y CosT x 0
0
0
1
b.- Se multiplican R Tx ,i R T y , j para obtener la matriz
CosT y
0
SenT y
0
SenT x SenT y CosT x SenT x CosT y 0

CosT SenT
SenT x CosT x CosT y 0
x
y
0
0
0
1
Esta no es la misma matriz que en la parte a); por tanto, s importa el orden de la
rotacin.
JOE GARCIA ARCOS
378
E J E M P L O 7.7.2
Obtngase una transformacin Av que alinea un vector dado v con el vector k a lo
largo del eje Z positivo.
SO L U C I O N
Segn la figura a). Sea v = ai + bj + ck . Se realiza el alineamiento a travs de la
secuencia siguiente de transformaciones, figura b) y c):
1. Se gira con respecto al eje X en un ngulo T1 de manera que v gira en la mitad
superior del plano XZ (como vector v1).
2. Se gira el vector v1 con respecto al eje Y en un ngulo -T2 de manera que v1
gira al eje positivo Z (como vector v2).
Al poner en prctica el paso 1 a partir de la figura b), se observa que el ngulo
requerido de rotacin T1 puede obtenerse al observar la proyeccin de v sobre el
plano YZ. (Se considera que b y c no son ambas cero). A partir del tringulo
OPB:
b
SenT1
2
b c2
c
CosT
1
2
b c2
La rotacin requerida es
0
0
0
1
c
b
0

0
b2 c 2
b2 c 2
R T1 , i
b
c
0
0
2
2
2
2
b c
b c
0
0
1
Al aplicar esta rotacin a v se produce el vector v1 con componentes

( a, 0, b2 c 2 ) .
Al realizar el paso 2 partiendo de la figura c), se ve que se necesita una rotacin
de -T2 y tambin a partir del tringulo OQQ:
a
Sen(T2 ) SenT2 2
a b2 c 2
b2 c 2
Cos (T ) CosT
2
2
a 2 b2 c 2
Entonces
b2 c 2
a
0
0
a 2 b2 c 2
a 2 b2 c 2
0
1
0
0
R T2 , j
a
b2 c 2
0
0
2
2
2
a 2 b2 c 2
a b c
0
0
0
1
Ya que v
a 2 b2 c 2 , introduciendo la notacin O
b2 c 2 , se obtiene

JOE GARCIA ARCOS
379
O
v
ab
O v
ac
O v
c
b
0

0
A v R T2 , j R T1 ,i
O
O
a
b
c
0
v
v
v
0
0
0
1
Si tanto b como c son cero, entonces v = ai , por lo que O = 0. En este caso, slo se
requiere una rotacin de r 90 con respecto al eje Y, de manera que si O = 0, se
tiene que
a
0 0 a 0
0 1
0
0
A v R T2 , j
a 0
0
0
a
0 0
0
1
En la misma forma se calcula la transformacin inversa que alinea al vector k con

el vector v.
A-1
(R T2 , j R T1 ,i )-1
v

-1
R -1
T1 , i R -T2 , j
R T1 ,i R T2 , j
O
v
ab

O v
ac

O v
a
v
c
O
b
v
b
O
c
v
0
0
.
E J E M P L O 7.7.3
Sea un eje de rotacin L especificado por un vector v y un punto de localizacin
P. Obtngase la transformacin para una rotacin de T con respecto a L.
SO L U C I O N
Es posible obtener la transformacin requerida siguiendo los siguientes pasos:
1. Trasladar P al origen.
2. Alinear v con el vector k.
3. Girar T con respecto a k.
4. Invertir los pasos 2 y 1.
De manera que
R / T31 Av1 R T k Av T3
En este caso, Av es la transformacin descrita en el ejemplo anterior.

E J E M P L O 7.7.4
La pirmide definida por las coordenadas
A(0, 0, 0), B(1, 0, 0), C(0, 1, 0), D(0, 0, 1)
se gira 45 respecto a la recta L que tiene la direccin v = j + k y pasa a travs del
punto C(0, 1, 0). Obtenga las coordenadas de la figura girada.
SO L U C I O N
JOE GARCIA ARCOS
380
Tomando de referencia el ejemplo anterior, la matriz de rotacin R T,L puede

encontrarse al concatenar las matrices
R / T31 Av1 R T k Av T3
Con P(0, 1, 0) entonces
1
0
0
0 0
0 1
T P
1 0
0 1
Ahora v = j + k. As que a partir del segundo ejemplo, con a = 0, b = 1, c = 1, se
obtienen O
2,y
2, v
Av
0
1
2
1
2
0
0
1
0
0
-1
y Av
0
1
2
1
2
0
0
1
1
0
0 1
0
0
0
1
2
1
2
0
Tambin

R 45, k
1
2
1
2
0
0
1
2
1
2
0
0
0 0
0 0 y T--1P
1 0
0 1
0
0
0
1
0
0
0
0
1
0
1
0
Entonces
2
1
1
1

2
2
2
2
1 2 2 2 2 2 2
R T,L 2
4
4
4
1 2 2 2 2
2 2

4
4
4
2
0
0
0
1
Para obtener las coordenadas de la figura girada, se aplica la matriz de rotacin

RT,L a la matriz de coordenadas homogneas de los vrtices A, B, C y D.
0 1 0 0
0 0 1 0
C (ABCD)
0 0 0 1
1 1 1 1
De manera que
1
2
2 2
R T,L C 4
2 2
4
1
Las coordenadas giradas son
1 2
0
2
4 2
1
4
2 4
0
4
1
1
2 2
2
2
2
1
1
JOE GARCIA ARCOS

381
1 2 2 2 2
1 2 4 2 2 4
A ,
,
,
,
, B
, C = (0, 1, 0),
4
4
4
4
2
2
2 2 2
D 1,
,
.
2
2
E J E M P L O 7.7.5
Obtenga la transformacin para reflejo de espejo con relacin a un plano dado.
SO L U C I O N
Sea el plano de reflexin especificado por un vector normal N y un punto de
referencia P0(x0, y0, z0), para reducir la reflexin a una reflexin de espejo con
respecto al plano XY:
1. Se traslada P0 al origen.
2. Se alinea el vector normal N con el vector k normal al plano XY.
3. Se efecta la reflexin de espejo en el plano XY.
4. Se invierten los pasos 1 y 2.
De manera que, con el vector de traslacin v = -x0i y0j z0k
M N,P0 Tv1 AN1 M A N Tv
Aqu, AN es la matriz de alineamiento definida en el segundo ejemplo. Por tanto,
si el vector N = n1i + n2j + n3k, entonces a partir del segundo ejemplo, con
n12 n22 n32 y O
AN
O
N
n1n3
O N
n1n2
O N
n1
N
n3
O
n2
N
n22 n32 , se obtiene
n2
O
n3
N
A -1
N
O
N
n1n2

O N
nn
1 3
O N
n1
N
n3
O
n2
N
n2
O
n3
N
Adems
0 x0
1
0 y0
0
Tv
y Tv-1
0
1 z0
0 1
0
Por ltimo, la forma homognea de M es
1 0 0 0
0 1 0 0
M
.
0 0 1 0
0 0 0 1
1
0
0
0
1
0
0
0
1
0
0
0
0
1
0
x0
y0
z0
E J E M P L O 7.7.6
Obtngase la matriz para la reflexin de espejo respecto al plano que pasa a travs
del origen y tiene un vector normal cuya direccin es N = i + j + k .
SO L U C I O N
Basndose en el ejemplo anterior, con P 0(0, 0, 0) y N = i + j + k , se obtienen
N
3 y O
2 . Entonces
JOE GARCIA ARCOS
382
Tv
AN
0
0
1
2 3
1
0
1
2
1
3
0
3
0
0
1
0
0
0
0
1
0
0
y Tv-1
0
0
2 3
1

0
-1
2
, AN
1
0
3
0
1
1 0 0
0 1 0
M
0 0 1
0 0 0
1
0
0
0
1
0
0
0
0
1
0
0
0
3
1
3
1
2 3
1
2
1
3
1
2 3
0
2
0
3
0
0
,
0
0
La matriz de reflexin es
M N,O
2
3
1
3
2

3
0

0
3
2

0
.
3
1
0
0 1
A continuacin y de forma general, enumeramos los operadores en R 3 que

transforman cada vector en su imagen simtrica con respecto a alguna recta y se
denominan operadores reflexin. As mismo, encontramos los operadores
proyeccin ortogonal y rotacin:
Reflexin respecto al plano XY:

Tv1 A N1 M A N Tv
1
3
2
3
2
3
x x
y y
z z
1 0 0
0 1 0
0 0 1
Reflexin respecto al plano XZ:

x x
y y
z z
1 0 0
0 1 0
0 0 1

JOE GARCIA ARCOS
383
Reflexin respecto al plano YZ:

x x
1 0 0
0 1 0
z z
0 0 1
Proyeccin ortogonal sobre el plano XY:

x x
y y
z 0
1 0 0
0 1 0
0 0 0
Proyeccin ortogonal sobre el plano XZ:

x x
1 0 0
y 0 0 0 0
z z
0 0 1
Rotacin ortogonal sobre el plano YZ:
x 0
y y
z z

0 0 0
0 1 0
0 0 1
Rotacin en sentido antihorario a travs de un ngulo respecto al eje X positivo:
x x
0
0
yCos
T

z
S
en
T
0
Cos
T

S
enT
z ySenT zCosT
0 SenT CosT
JOE GARCIA ARCOS
384
Rotacin en sentido antihorario a travs de un ngulo respecto al eje Y positivo:

x xCosT zSenT
CosT 0 SenT
y
1
0
0
z xSenT zCosT
SenT 0 CosT
Rotacin en sentido antihorario a travs de un ngulo respecto al eje Z positivo:

x xCosT ySenT
CosT SenT 0
y xSenT yCosT SenT CosT 0
0
z z
0
1
Por completitud, se puede ver que la matriz estndar para una rotacin en sentido
horario alrededor de un eje en R 3 (determinado por un vector unitario arbitrario
u = ( a , b, c) cuyo punto inicial est en el origen) por un ngulo T, es
a 2 (1 CosT) CosT ab(1 CosT) cSenT ac (1 CosT) bSenT
ab(1 CosT) cSenT b2 (1 CosT) CosT bc (1 CosT) aSenT .
ac (1 CosT) bSenT bc (1 CosT) aSenT c 2 (1 CosT) CosT
7.8 F O R M AS L I N E A L ES. ESPA C I O DU A L

En esta seccin estudiaremos las transformaciones lineales que van de un espacio vectorial U en un espacio
unidimensional. Enunciaremos y demostraremos sus propiedades.
Las formas lineales son transformaciones lineales de un espacio vectorial en un
espacio vectorial de dimensin 1. Como tales, no son nuevas para nosotros. Pero,
debido a su gran importancia, han sido objeto de mucha investigacin y se les ha
acumulado una gran cantidad de terminologa especial.
Dado un espacio vectorial V, sobre un cuerpo K , una forma lineal en V es
toda transformacin f : V o K , que satisfaga el axioma siguiente:
u, v V y a, b K, entonces f(au + bv) = af(u) + bf(v).
Cualquier cuerpo se puede considerar como un espacio vectorial de dimensin 1
sobre s mismo. Por tanto, el concepto de forma lineal en realidad no es algo
nuevo. Es la conocida transformacin lineal, restringida a un caso especial.
Las operaciones que figuran en el primer miembro son las del espacio vectorial V
y las del segundo miembro son la adicin y producto del cuerpo K . Considerando,
entonces, el cuerpo K como espacio vectorial sobre s mismo, puede decirse que
las formas lineales en el espacio vectorial V son las transformaciones lineales de
V en su cuerpo base K , es decir; f : V o K . Como las funciones lineales son un
caso especial de las transformaciones lineales, los conceptos y resultados
obtenidos anteriormente permanecen vlidos y pueden aplicarse a las funciones
lineales.
JOE GARCIA ARCOS
385
T E O R E M A 7.8.1
Si V es un espacio vectorial sobre K, de dimensin n, el conjunto de todas
las formas lineales sobre V es un espacio vectorial de dimensin n.
Para demostrar este teorema, probaremos en primer lugar que toda transformacin
lineal f : V o k V es una transformacin lineal a la cual designaremos por kf. En
efecto, como
(kf)(au) = f(kau) = af(ku) = a(kf)(u), para todo k K.
(af)(u + v) = f(a(u + v)) = f(au) + f(av) = (af)(u) + (af)(v), para todo u, v V y a K .
En segundo lugar, tambin debemos probar que la transformacin f de V en la suma
de las dos formas lineales g(u) + h(u) es tambin otra forma lineal, que designaremos
por (g + h)(u). En efecto, como
f(u) = g(u) + h(u) = (g + h)(u).
f(u) K , ya que g(u), h(u) K y, adems, se cumplen las condiciones siguientes:
a.- f(u + v) = g(u + v) + h(u + v)
= g(u) + g(v) + h(u) + h(v)
= g(u) + h(u) + g(v) + h(v)
= (g + h)(u) + (g + h)(v)
= f(u) + f(v)
b.- f(ku) = g(ku) + h(ku)
= kf(u) + kh(u)
= k(g(u) + h(u))
= k(g + h)(u)
= kf(u)
Por tanto, el conjunto de las formas lineales cumple las condiciones necesarias y
suficientes para ser un espacio vectorial.
Por ser las formas lineales, en un espacio vectorial, unos homomorfismos especiales
entre espacios vectoriales, son vlidas para ellas todos los resultados obtenidos para
stos. En particular, dado un espacio vectorial V, la adicin de dos formas lineales en
V es tambin una forma lineal en V, al multiplicar por un escalar una forma lineal en
V, se obtiene una nueva forma lineal en V; es tambin, entonces cierto que el
conjunto L(V, K), de las formas lineales en V, tiene, respecto de las mencionadas
operaciones, estructura de espacio vectorial. A este espacio vectorial, de las formas
lineales en V, se le da el nombre de espacio dual de V y se le representa por V*.
Siendo V un espacio vectorial sobre un cuerpo conmutativo K , se llama
dual de V al espacio vectorial sobre K de todas las formas lineales sobre V.
La base del espacio dual V* de V guarda una relacin especial con la base de V. Sea
S = {u1, u2, ..., un} la base de V. Se define el funcional lineal fi(u) por u = a1u1 + a2u2
+ ... + anun, donde fi(u) = a i K . A fi se le llamara la funcin coordenada i-sima. Se
puede demostrar que fi es un funcional lineal.
T E O R E M A 7.8.2
Si V es un espacio vectorial de dimensin n sobre un cuerpo K, V * es
tambin de dimensin n.
Sea S = {u1, u2, ..., un} una base de V; si u V, tenemos, de modo nico
u = a1u1 + a2u2 + ... + anun.
Sea fi la forma lineal sobre V definida por fi : V o a i. Esta transformacin fi es una
forma lineal, pues
fi(u + v) = a i + bi = fi(u) + fi(v); fi(ku) = ka i = kfi(u).
Si f es una forma lineal cualquiera sobre V, es decir un elemento de V*,
f(u) = a1f(u1) + a2f(u2) + ... + anf(un)
JOE GARCIA ARCOS
386
por tanto, f est determinada por los valores c i = fi(u) que toma para los elementos de
la base de V. Como el cuerpo es conmutativo
f(u) = a1f1(u) + a2f2(u) + ... + anfn(u)
es decir
f = a1f1 + a2f2 + ... + anfn
Ahora bien, en V* las formas fi son linealmente independientes, pues si se pudiera
escribir
d1f1(u) + d2f2(u) + ... + dnfn(u) = V*
para valores di K no todos iguales a cero, tendramos para todo u V
d1f1(u) + d2f2(u) + ... + dnfn(u) = 0 K
es decir
d1a1 + d2a2 + ... + dnan = 0.
Ahora bien, esto es imposible, pues si, por ejemplo, dn z 0, basta tomar a1 = a2 = ... =
an-1 = 0 y an z 0 K . Por tanto, toda forma f puede escribirse como f = a1f1 + a2f2 +
... + anfn y los fi son linealmente independientes. Esto significa que {f1, f2, ..., fn} es
base de V* y que V* es, por tanto, de dimensin n.
7.9.1 Las matrices de una misma transformacin lineal en
dos bases coinciden cuando, y slo cuando, la matriz del
cambio de una de esas bases por otra es conmutativa con la
matriz de dicha transformacin lineal en una de las bases
dadas.
7.9.2 La proyeccin de un espacio tridimensional sobre el
eje de coordenadas del vector e1 paralelamente al plano de
coordenadas de los vectores e2 y e3 no es una
7.9.3 Las transformaciones lineales de un espacio ndimensional con respecto a la adicin y multiplicacin por
un nmero forman de por s un espacio vectorial.
7.9.4 Cualquier transformacin lineal f de un espacio
unidimensional se reduce a la multiplicacin de todos los
vectores por un mismo nmero.
7.9.5 Si f es una transformacin lineal del espacio de
dimensin finita U a W, entonces la dimensin de W es
igual a la suma de la nulidad y el rango.
7.9.6 Si f es una transformacin lineal de U en W, siendo
ambos de dimensin k, entonces el ncleo de f es igual a
^` si y slo si la imagen de f es igual a U.
7.9.7 Si f es una transformacin lineal de U en W, siendo
ambos de dimensin k, entonces f -1 existe si y slo si el
ncleo de f es igual a W.
7.9.8 Si f es una transformacin lineal sobreyectiva de U
en U, y U es n-dimensional, entonces f es inyectiva.
7.9.9 El giro de un espacio tridimensional en un ngulo

2S/3 alrededor de una recta, prefijada en un sistema
rectangular de coordenadas mediante las ecuaciones
x1 = x2 = x3, es una transformacin lineal.
7.9.10 El giro del plano en un ngulo T alrededor del
origen de coordenadas es una transformacin lineal.
7.9.11 Si f es una transformacin lineal inyectiva de U
en U, y U es n-dimensional, entonces f es biyectiva.
7.9.12 Sea U un espacio vectorial de dimensin finita y
sea f una transformacin lineal sobre U. Supngase que el
rango de f 2 es igual al rango de f. Entonces la imagen y el
ncleo de f son disjuntos.
7.9.13 Una matriz B de orden n es semejante a una
matriz A de orden n si y slo si existe una matriz C
singular tal que B = C -1 A C.
7.9.14 Si f es una transformacin lineal de U en U y si A
y B son representaciones matriciales de f pero respecto
posiblemente a bases distintas, entonces B es semejante a
A.
7.9.15 Sean U y W dos espacios vectoriales y sea f una
transformacin lineal de U en W. Si f es singular,
entonces f -1 es una transformacin lineal de U en W.
7.9.16 Si f es una transformacin lineal de U en W.
Entonces f es no singular si, y slo si, f aplica cada
subconjunto linealmente independiente de U sobre un
subconjunto linealmente independiente de W.
JOE GARCIA ARCOS
387
7.9.17 Sea f una transformacin lineal de U en W y sea

W n-dimensional. Entonces f es inyectiva si y slo si el
rango de f es n.
7.9.19 Si U un espacio vectorial de dimensin finita n, f

una transformacin lineal de U en W. Entonces f es no
singular si y slo si es inyectiva.
7.9.18 Sea f una transformacin lineal de R 3 en R 2 y sea g

una transformacin lineal de R 2 en R 3. Entonces que la
transformacin lineal gf es no singular.
7.9.20 Si U y W son espacios de dimensin finita.

Entonces U es isomorfo a W si y slo si la dimensin de
U es igual a la dimensin de W.
JOE GARCIA ARCOS
O BJ E T I V O
Resolver problemas relacionados con valores y vectores caractersticos, mediante la interpretacin y
representacin en trminos de vectores, matrices y sistem as de ecuaciones lineales, en situaciones reales,
propias de la ingeniera.
C O NT ENID O:
8.1
8.2
8.3
8.4
8.5
8.6
8.7
ECUACION CARACTERISTICA. SUBESPACIOS PROPIOS
SEMEJANZA DE MATRICES
MATRICES DIAGONALIZABLES
DIAGONALIZACION DE MATRICES SIMETRICAS Y HERMITICAS
POLINOMIO MINIMO DE UNA MATRIZ
CUESTIONARIO
8.1 D E F I N I C I O N ES Y PR O PI E D A D ES
Por lo general no hay ninguna relacin entre el vector u y el vector Au. S in embargo, se tiene casos
particulares en que existen ciertos vectores u no nulos tales que u y Au sean colineales. En esta seccin
estudiaremos cmo encontrar estos vectores.
Este captulo lo dedicaremos al estudio de las matrices que representan
transformaciones lineales de un espacio vectorial V hacia si mismo.
En infinidad de ocasiones se presentan problemas con la siguiente caracterstica:
para una transformacin lineal de un espacio vectorial en s mismo, f : V o V, se
desean conocer aquellos vectores tales que tienen la misma direccin que su
transformado por f; es decir, se buscan vectores u tales que u y f(u) tengan la
misma direccin, o lo que es lo mismo, que para un cierto escalar O se verifique
f(u) = Ou. Es evidente que el vector nulo satisface siempre a dicha exigencia, pero
esta solucin trivial no suele ser de inters.
A los vectores no nulos para los que exista un escalar O que haga cierta la
igualdad f(u) = Ou se los llamar vectores caractersticos de la
transformacin f, y a los escalares O se les da el nombre de valores
caractersticos de la transformacin lineal f.
Dada f : V o V una transformacin lineal de V en si mismo, buscamos una base
para la cual la matriz que representa a f sea particularmente sencilla. En la
390
VALORES Y VECTORES CARACTERISTICOS
prctica, f slo est dada implcitamente, dando una matriz A que la representa.
La matriz que representa a f tiene su forma ms sencilla siempre que f aplica a
cada vector base sobre un mltiplo de s mismo; esto es, siempre que cada vector
base u exista un escalar O tal que f(u) = Ou. No siempre es posible encontrar tal
base, pero existen algunas condiciones un tanto generales bajo las cuales es
posible.
La multiplicacin por A transforma cada vector caracterstico u de A sobre la
misma recta que pasa por el origen de u. Dependiendo del signo y la magnitud del
valor caracterstico O correspondiente a u, la transformacin f(u) = Ou hace que u
se comprima o alargue por un factor O, con un cambio de direccin en caso de
que sea O negativo.
El problema de encontrar u diferente de cero tal que f(u) = Ou es equivalente al

problema de encontrar vectores diferentes de cero en el ncleo de f - O. Este es un
problema lineal y se han dado mtodos prcticos para resolverlo.
Pero no existe solucin diferente de cero para este problema, a menos que f - O
sea singular. Por lo tanto, estamos ante el problema de encontrar esos O para los
cuales f - O sea singular.
Sea V un espacio vectorial de dimensin n sobre un cuerpo K , y sea f un
endomorfismo, es decir una transformacin lineal de V en s mismo.
Decimos que el escalar O es un valor caracterstico de f si existe un
vector u tal que f(u) = Au = Ou, donde A es la matriz del endomorfismo f
y u distinto del vector nulo.
Esta definicin no garantiza la existencia de valores caractersticos. Ms adelante
se estudiarn algunas propiedades que, bajo ciertas hiptesis, garantizan la
existencia de valor caracterstico; no obstante, conviene notar que, en ocasiones,
pueden no existir los valores caractersticos de un endomorfismo f.
E J E M P L O 8.1.1
Sea la representacin matricial del endomorfismo f : R 2 o R 2, dada por la matriz
2 1
A
.
3 2
SO L U C I O N
Se tiene que a cada vector u le asocia el vector f(u), no existen valores
caractersticos, ya que f(u) = Ou equivale a las dos ecuaciones b = (2 - O) a y 3 a =
(O - 2)b, de las cuales se deduce que para que O sea valor caracterstico de f ha de
satisfacer a (O - 2)2 = -3, ecuacin sta que no tiene solucin en el cuerpo R de
escalares y, por tanto, f no tiene ningn valor caracterstico.
En este ejemplo, la carencia de soluciones proviene de que en el conjunto de
JOE GARCIA ARCOS
391
escalares R hay ecuaciones algebraicas sin solucin en l; si el endomorfismo f

hubiera sido de C 2 en C 2, la anterior dificultad habra desaparecido, y ello es
debido a que toda ecuacin algebraica
a 0 + a 1z + a 2z2 + ... + a n-1zn-1 + a nzn = 0
de coeficientes complejos tiene, al menos una raz compleja. Cuando se quieren
evitar situaciones como las de este ejemplo, para las que no hay valores
caractersticos por carecer de soluciones una ecuacin algebraica, se considerarn
espacios vectoriales complejos o, en general, espacios vectoriales cuyo cuerpo
base sea un cuerpo algebraicamente cerrado, designando por tal a un cuerpo K
para el que toda ecuacin algebraica
a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn = 0
con a 0, a 1, a 2, ..., a n K , tiene al menos una raz en K . Las consideraciones que
se hagan acerca de valores caractersticos de endomorfismos en espacios
vectoriales complejos son fcilmente generalizables al caso de espacios
vectoriales sobre cuerpos algebraicamente cerrados.
El vector distinto de cero de f(u) = Ou se dice que es un vector caracterstico de f
correspondiente al valor caracterstico O.
Al conjunto de valores caractersticos de f, se le denomina espectro de f y
se representa por )(f) es decir:
)(f) = Ô K / O es valor caracterstico de f`.
T E O R E M A 8.1.1
Sea V un espacio vectorial n-dimensional, y sea f : V o V un
endomorfismo. El conjunto de los vectores caractersticos
correspondientes a un valor caracterstico de f constituyen, junto con el
vector cero, un subespacio vectorial de V, llamado subespacio propio
correspondiente a O. Es decir:
O )(f) V(O) = û V / f(u) = Ou` V.
Hay que cerciorarse de que, para cualesquiera que sean los vectores u, v V(O) y
para todo par de escalares a, b K , se verifica que el vector au + bv es tambin
de V(O). Es efecto, ya que por ser f transformacin lineal, se cumple
f( au + bv) = af(u) + bf(v) = a Ou + bOv = O( au + bv).
Por lo tanto, au + bv V(O) y V(O) es un subespacio de V.
Llamaremos a V(O) el espacio propio de f correspondiente a O, y a cualquier
subespacio de V(O) se le da el nombre de espacio propio de f.
E J E M P L O 8.1.2
Sea A una matriz de n x n. Si O es un valor caracterstico de A, entonces el
conjunto V(O), que consta del vector cero junto con todos los vectores
caractersticos de A para este valor caracterstico O, es un subespacio de R n, el
espacio propio de O.
SO L U C I O N
El vector cero est en V(O), de modo que V(O) es no vaco. Sean u y v en V(O).
Entonces,
A(u + v) = Au + Av = Ou + Ov = O(u + v)
De modo que u + v est en V(O). Para cualquier escalar k, tenemos
A(ku) = k(Au) = k(Ou) = O(ku)
de modo que ku est en V(O). As, V(O) es no vaco y cerrado bajo la suma y la
multiplicacin por un escalar, de modo que es un subespacio de R n.
JOE GARCIA ARCOS
392
T E O R E M A 8.1.2
Dos valores caractersticos distintos del endomorfismo f no tienen
ningn vector caracterstico comn; es decir:
O1, O2 )(f) y O1 z O2, entonces V(O1) V(O2) = {}.
Debemos comprobar que, si u V(O1) y u V(O2), entonces u ha de ser el vector
nulo . Sea f(u) = O1u y f(u) = O2u, entonces:
O1u = O2u (O1 - O2)u =
de donde, al ser O1 z O2, se infiere que u = .
T E O R E M A 8.1.3
Si los valores caractersticos O1, O2, ..., On son todos distintos y V(O) es
un conjunto de vectores caractersticos, ui correspondiente a Oi, entonces
V(O) es linealmente independiente.
Los vectores caractersticos son no nulos por definicin, razn por la cual el
teorema es justo, a ciencia cierta, para n = 1. Supongamos que es vlido para
cualquier sistema de n 1 vectores caractersticos y no es vlido para los vectores
u1, u2, ..., un. En este caso el sistema formado por dichos vectores ser linealmente
independiente, es decir, para ciertos nmeros a 1, a 2, ..., a n, no iguales a cero
simultneamente, se verifica la igualdad
a 1u1 + a 2u2 + ... + a nun = (1)
Supngase que O1 z 0. Aplicando f a la ecuacin (1), obtenemos
f( a 1u1 + a 2u2 + ... + a nun) = f()
a 1f(u1) + a 2f(u2) + ... + a nf(un) = f()
a 1O1u1 + a 2O2u2 + ... + a nOnun = (2)
Al multiplicar a la ecuacin (1) por On y al restarla de (2), obtenemos
a 1(O1 - On)u1 + a 2(O2 - On)u2 + ... + a n-1(On-1 On)un = .
Conforme a la suposicin inductiva, de aqu se deduce que todos los coeficientes
de los vectores u1, u2, ..., un-1 son nulos. En particular, a 1(O1 - On) z 0, lo que
contradice la condicin O1 z On y la suposicin a 1 z 0. Por consiguiente, el
sistema de vectores u1, u2, ..., un es linealmente independiente.
T E O R E M A 8.1.4
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo F,
y si I representa la transformacin identidad, se verifica que: O = 0 es
valor propio de f, si y slo si f no es inyectiva.
La transformacin lineal f no es inyectiva cuando, y slo cuando, su ncleo tiene
algn vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto ltimo es tanto como decir que O = 0 es un valor caracterstico de f, siendo u
un vector caracterstico.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformacin identidad, se verifica que: O es valor
caracterstico de f, si y slo si a K , O - a es valor caracterstico de f a I.
Afirmar que el escalar O es valor caracterstico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) au = Ou au, para un
vector u z , que puede expresarse en la forma ( f a I)u = (O - a )u, lo cual ocurre
si, y slo si, el escalar O - a es un valor caracterstico del endomorfismo f a I.
JOE GARCIA ARCOS
393
E J E M P L O 8.1.3
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores caractersticos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor caracterstico de A con u como vector caracterstico
correspondiente, entonces O + k es un valor caracterstico A + kI con u como
vector caracterstico correspondiente. Esto es, los propios valores de A + kI son
aquellos de A incrementados en k, mientras que los vectores caractersticos
correspondientes permanecen iguales.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformacin identidad, se verifica que: O es valor
caracterstico de f, si y slo si f - OI no es inyectiva.
Este teorema es consecuencia inmediata de los teoremas anteriores, ya que O es
valor caracterstico del endomorfismo f si, y slo si, 0 es valor caracterstico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
Se denomina radio espectral de una matriz A, y se designa por R(A), a
R(A) mx Oi , donde Oi son los valores caractersticos de A.
Ntese que estn incluidos los valores caractersticos complejos, indicndose su
valor por su mdulo.
Una vez conocido el radio espectral, se define su norma de la siguiente manera:
A
R(AT A) .
PROGRAMA EN MATLAB PARA CALCULAR LOS VALORES CARACTERISTICOS

% CALCULO DE LOS VALORES CARACTERISTICOS
clc; clear;
fprintf('\n VALORES CARACTERISTICOS \n');
filcol=input('Ingrese el orden de la matriz A: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
fprintf('\n LA MATRIZ ES:')
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n')
p=poly(A);
p
end
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n')
ESPECTRO=eig(A);
[vector,vectorres1] = eig(A);
ESPECTRO
end
E J E M P L O 8.1.4
Sea A matriz de n x n. Si O es un valor caracterstico de A con u como vector
caracterstico correspondiente, entonces Ok es un valor caracterstico de Ak, de
JOE GARCIA ARCOS
394
nuevo con u como vector caracterstico correspondiente, para cualquier entero

positivo k.
SO L U C I O N
La afirmacin es verdadera para k = 1. Supngase que es verdadera para k 1.
Entonces
Aku = Ak-1( Au) = Ak-1(Ou) =O(Ak-1u) = O(Ok-1u) = Oku
de modo que la afirmacin es verdadera para k. As, por induccin, Aku = Oku
para toda k.
E J E M P L O 8.1.5
Demuestre que una matriz triangular es singular s y slo si sus valores
caractersticos son reales y diferentes de cero.
SO L U C I O N
Suponga que A es una matriz triangular real cuyos elementos en la diagonal
principal son O1, O2 On. As, A tiene valores caractersticos reales. Adems,
debido a que el determinante de A es Det(A) = O1O2 On, se concluye que A es
no singular s y slo si cada O es diferente de cero.
E J E M P L O 8.1.6
Para una matriz no singular A, verifique que A y A-1 tienen los mismos vectores
caractersticos. Cmo se relacionan los valores caractersticos de A con los
valores caractersticos de A-1?
SO L U C I O N
Suponga que O es un valor caracterstico de A, con vector caracterstico
correspondiente u. Debido a que A es no singular, se sabe que O z 0. As, Au =Ou
implica que u = A-1Au = A-1Ou = OA-1u. Lo cual a su vez implica que (1/O)u =
A-1u. Por tanto, u es un vector caracterstico de A-1 y su valor caracterstico
correspondiente es 1/O.
E J E M P L O 8.1.7
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f, y si I
representa la transformacin identidad, se verifica que O = 0 es valor
caracterstico de f, si y slo si f no es inyectiva.
SO L U C I O N
La transformacin lineal f no es inyectiva cuando, y slo cuando, su ncleo tiene
algn vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto ltimo es tanto como decir que O = 0 es un valor caracterstico de f, siendo u
un vector caracterstico.
E J E M P L O 8.1.8
representa la transformacin identidad, se verifica que: O es valor caracterstico de
f, si y slo si a K , O - a es valor caracterstico de f - aI.
SO L U C I O N
Afirmar que el escalar O es valor caracterstico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) au = Ou au, para un
vector u z , que puede expresarse en la forma ( f a I)u = (O - a )u, lo cual ocurre
si, y slo si, el escalar O - a es un valor caracterstico del endomorfismo f a I.
E J E M P L O 8.1.9
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores caractersticos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor caracterstico de A con u como vector caracterstico
JOE GARCIA ARCOS
395
correspondiente, entonces O + k es un valor caracterstico A + kI con u como

vector caracterstico correspondiente. Esto es, los propios valores de A + kI son
aquellos de A incrementados en k, mientras que los vectores caractersticos
correspondientes permanecen iguales.
E J E M P L O 8.1.10
representa la transformacin identidad, se verifica que: O es valor caracterstico de
f, si y slo si f - OI no es inyectiva.
SO L U C I O N
Este ejemplo es consecuencia inmediata de los ejemplos anteriores, ya que O es
valor caracterstico del endomorfismo f si, y slo si, 0 es valor caracterstico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
E J E M P L O 8.1.11
Conociendo los valores caractersticos de la matriz A, hallar los valores
caractersticos de la matriz A2.
SO L U C I O N
Los valores caractersticos de la matriz A2 son iguales a los cuadrados de los
valores caractersticos de A. En efecto, sea
Det(A - OI) = (O1 - O)(O2 - O(On - O)
y
Det(A + OI) = (O1 + O)(O2 + OOn + O)
Multiplicando estas igualdades y sustituyendo O2 por O, obtenemos
Det(A2 - , O12 OO22 OO2n O .
E J E M P L O 8.1.12
Conociendo los valores caractersticos de la matriz A, hallar los valores
caractersticos de la matriz f(A).
SO L U C I O N
Sea u un vector caracterstico de la matriz A, correspondiente al valor
caracterstico O. Entonces
Iu = u,
Au = Ou,
A2u = O2u,
...
Amu = Omu.
Multiplicando estas igualdades vectoriales por coeficientes arbitrarios y
sumndolas, obtenemos para cualquier polinomio f que f(A)u = f(O)u, es decir, u
es un vector caracterstico de f(A), correspondiente al valor caracterstico f(O).
E J E M P L O 8.1.13
Verifique que los valores caractersticos de una matriz triangular son los
elementos diagonales de la matriz.
SO L U C I O N
Como una matriz triangular superior tiene la forma siguiente
a11 a12 ... a1n
0 a22 ... a2 n
A
... ...
...
0
0 ... ann
y para encontrar los valores caractersticos tenemos que construir el polinomio

caracterstico, tenemos:
JOE GARCIA ARCOS
396
A - ,
a11
0
...
a12 ... a1n O
a22 ... a2 n 0

...
... ...

0 ... ann 0
0 ... 0
O ... 0
...
...
0 ... O
a12
...
a1n
a11 O
a22 O ...
a2 n
0
...
...
...
0
... ann O
0
0.
Por tanto p(O) = ( a 11 - O)( a 22 - O) ... ( a nn - O) y los valores caractersticos sern:

O1 = a 11, O2 = a 22, ... , On = a nn.
E J E M P L O 8.1.14
Sea A una matriz de orden n, demuestre que A y AT tienen el mismo polinomio
caracterstico y por lo tanto tienen los mismos valores caractersticos.
SO L U C I O N
Para demostrar que la matriz A y AT tienen el mismo polinomio caracterstico,
debemos probar que Det(A - OI) = Det(AT - OI). Es decir:
Det(AT - OI) = Det(A - OIT)T = Det(A - OIT) = Det(A - OI).
Con lo cual se puede asegurar que tienen los mismos valores caractersticos.
E J E M P L O 8.1.15
Sea A una matriz de orden n y sea c un nmero real. Si O es un valor
caracterstico de A, demuestre entonces que cO es un valor caracterstico de cA.
SO L U C I O N
Sabemos que para que O sea valor caracterstico de la matriz A, debe cumplirse
que Au = Ou. Entonces debemos demostrar que ( cA)u = (cO)u. Es decir:
(cA)u = c(Au) = c(Ou) = (cO)u.
Con esto queda demostrado que cO es un valor caracterstico de la matriz c A.
E J E M P L O 8.1.16
Demuestre que si 0 < T < S, entonces la transformacin de una rotacin de un
ngulo T en sentido antihorario no tiene valores caractersticos reales.
SO L U C I O N
CosT SenT
2
La ecuacin caracterstica de A
es O - (2 CosT)O + 1 = 0. Las
SenT CosT
races de esta ecuacin son O CosT r Cos 2 T 1 . Si 0 < T < S, entonces 1 <
CosT < 1, lo cual implica que
Cos 2 T 1 es imaginario.
E J E M P L O 8.1.17
Sea A una matriz de n x n:
a.- Demuestre o refute que un vector caracterstico de A es tambin un vector
caracterstico de A2;
b.- Demuestre o refute que un vector caracterstico de A2 es tambin un vector
caracterstico de A.
SO L U C I O N
a.- Verdadero: Si Au = Ou, entonces A2u = A(Au) = A(Ou) = OAu = O(Ou) = O2u,
lo cual implica que u es un vector caracterstico de A2.
0 1
2
b.- Falso: Sea A
. Entonces u = (1, 0) es un vector caracterstico de A ,
1
0
pero no lo es de A.
JOE GARCIA ARCOS
397
E J E M P L O 8.1.18
Suponga que O es un valor caracterstico de la matriz A y E es un valor
caracterstico de la matriz B. Es O + E un valor caracterstico de A + B?
SO L U C I O N
Sabemos que para que O sea valor caracterstico de A debe cumplirse que
Au = Ou, anlogamente para el valor caracterstico E, Bv = E v. Entonces si
sumamos estas dos ecuaciones, obtenemos:
Au + Bv = Ou + Ev
Lo que nos indica que O + E no es valor caracterstico de A + B. La nica
condicin para que esto se cumpla es que A y B tengan los mismos vectores
caractersticos, es decir u = v.
E J E M P L O 8.1.19
Demostrar que una matriz nilpotente no posee valores caractersticos diferentes de
cero.
SO L U C I O N
Sea O valor caracterstico de la matriz nilpotente de n x n. Puesto que Ok es valor
caracterstico de Ak y como los valores caractersticos de una matriz son las races
de su polinomio caracterstico p(O), entonces:
p(O) = Det(Ak - Ok I ) = Det(O - OkI) = Det(-OkI) = (-1)nDet(OkI) = (-1)nOk = 0.
Por consiguiente Ok = 0 y O = 0. De esta manera hemos demostrado que una
matriz nilpotente posee nicamente valores caractersticos iguales a cero.
E J E M P L O 8.1.20
Sea A una matriz cuadrada de orden 2. Demuestre que el polinomio caracterstico
de A es
p(O) = O2 - OTr(A) + Det(A).
SO L U C I O N
a b
La matriz de orden 2 tiene la forma A
. Por lo tanto su polinomio
c d
caracterstico es:
b
a b
1 0
a O
p (O )
O
( a O)(d O) bc .
c
d
0
1
c
d
O
p(O) = O2 - ( a + d)O + (ad bc) = O2 - OTr(A) + Det(A).

E J E M P L O 8.1.21
Demuestre que los polinomios caractersticos de las matrices AB y BA coinciden
para cualesquiera matrices cuadradas A y B.
SO L U C I O N
Si A es una matriz no singular, se tiene
Det(BA - OI) = Det(A-1(AB - OI)A) = Det(A-1)Det(AB - OI)Det(A) = Det(AB OI).
Para librarse de la suposicin de que A sea no singular, hay que pasar a lmites de
los polinomios de varias variables. Tambin se pueden calcular directamente los
coeficientes de los polinomios Det(AB - OI) y Det(BA - OI), empleando para ello
la propiedad del producto de las matrices rectangulares, y convencerse luego de
su igualdad.
E J E M P L O 8.1.22
Demuestre que los polinomios caractersticos de las matrices AB y BA slo se
diferencian en el factor (-O)n-m. Aqu A es una matriz rectangular que tiene m filas
y n columnas, B tiene n filas y m columnas, n > m.
JOE GARCIA ARCOS
398
SO L U C I O N
Completemos las matrices A y B hasta que resulten unas matrices cuadradas A y
B de n x n, aadiendo a A n m filas y a B n m columnas formadas por ceros.
Entonces BA = BA, y AB se obtiene de AB orlando con ceros. La aplicacin
del resultado del problema precedente da lo que se quera demostrar.
PR O B L E M AS
8.1.1 Demuestre que O = 0 es un valor caracterstico de
la matriz A s y slo si A es singular.
8.1.2 Sean A y B matrices rectangulares de m x n y n x
m, respectivamente. Demuestre que los polinomios
caractersticos de las matrices AB y BA cumplen la
relacin
On Det (OIm AB) Om Det (OIn BA) .
8.1.3 Demuestre que A y su transpuesta tienen los
mismos valores caractersticos.
8.2.4 Sea f : R 2 o R 2 definida por f (v) proyu v ,
donde u es un vector fijo en R 2. Demuestre que los
valores caractersticos de A son 0 y 1.
8.1.5 Demuestre que si A2 = O, entonces el nico valor
caracterstico de A es cero.
a b
Dada la matriz A
y si a , b, c, d son
c d
nmeros entero tales que a + b = c + d, entonces tiene
valores caractersticos enteros, O1 = a + b y O2 = a c.
8.1.6
8.1.7
Demuestre que el polinomio caracterstico de la

A B
matriz M =
donde A y B son matrices
B A
cuadradas de un mismo orden, es igual al producto de los
polinomios caractersticos de las matrices A + B y A B.
8.1.8 Generalice el resultado del problema anterior, al
demostrar que si A es una matriz simtrica de n x n con
valores propios positivos, entonces existe una matriz
simtrica B tal que B2 = A.
8.1.9 Si V es un espacio vectorial eucldeo de dimensin
finita, prubese que el conjunto de todas las
transformaciones simtricas de V constituyen un
subespacio del espacio vectorial de los endomorfismos
en V.
8.1.10 Sea B una matriz de orden n dada, considere la
transformacin lineal f : :nxn o :nxn. f(A) = BA. Cmo
son los valores caractersticos de f respecto a los valores
caractersticos de B?
a b
8.1.11 Dada la matriz A
, demuestre:
c d
a.- Tiene dos valores caractersticos reales distintos si
( a d)2 + 4bc > 0.
b.- Tiene un valor caracterstico real si ( a d)2 + 4bc =
0.
c.- No tiene valores caractersticos reales si ( a d)2 +
4bc < 0.
8.1.12 Demuestre que el polinomio caracterstico de la

B -C
matriz real D de orden 2n, D =
es igual al
C B
producto de los polinomios caractersticos de las
matrices complejas de n x n, A = B + iC y A = B - iC .
8.1.13 Suponga que una matriz A de n x n es no
singular. Demuestre que los polinomios caractersticos
f(O) de A y h(O) de A-1 estn ligados por la relacin
1
1
h(O) (O)n
f .
Det(A) O
8.1.14 Si los valores caractersticos de la matriz
a b
A
son O1 = 0 y O2 = 1, cules son los valores
0 d
posibles de a y d?
8.1.15 Dadas las matrices A y B simtricas y reales.
Demuestre que si los valores caractersticos de la matriz
A yacen en el segmento [ a ; b] y los de la matriz B, en el
segmento [ c; d], los valores caractersticos de la matriz
A + B estn en el segmento [ a + c; b + d]:
1 2 1
2 0 1
A 2 4 1 y B 0 3 1 .
1 1 3
1 1 4
8.1.16 Demostrar que el polinomio caracterstico de la

matriz
A B
M=
B A
donde A y B son matrices cuadradas de un mismo
orden, es igual al producto de los polinomios
caractersticos de las matrices A + B y A - B.
JOE GARCIA ARCOS
8.1.17 Sea f : C[0; 1] o C[0; 1] definida por f(f) = f .

Demuestre que O = 1 es un valor caracterstico de
f(x) = ex.
399
8.1.19 Se conocen n valores caractersticos O1, O2, },

On de una matriz A de orden n + 1. De qu modo
podemos hallar un valor caracterstico On+1 ms?
8.1.18 Sea A una matriz de orden n, n impar.

Compruebe que A posee al menos un valor caracterstico
real.
8.2 E C U A C I O N C A R A C T E R IST I C A. SU B ESP A C I OS PR O PI OS

En esta seccin se ver cmo encontrar una base para un espacio vectorial V integrada por vectores
caractersticos de una matriz de un endomorfismo f. Analizaremos ta mbin las multiplicidades aritmtica y
geomtrica.
Cuando se estudian problemas relativos a valores propios de un endomorfismo f
de un espacio vectorial V de dimensin n, sobre un cuerpo K , se presentan
situaciones especiales y se dispone de un procedimiento de bsqueda de valores
caractersticos que se analiza a continuacin.
En el supuesto de que V es un espacio vectorial de dimensin n, se va a proceder
a la bsqueda de los valores caractersticos del endomorfismo f : V o V;
tomando para ello una base cualquiera S de V, en dicha base, las ecuaciones del
endomorfismo f son
v1 a11u1 a12 u2 ... a1n un
v a u a u ... a u
2
21 1
22 2
2n n
...
vn an1u1 an 2 u2 ... ann un

o en forma matricial
v1 a11 a12 ... a1n u1

v2 a21 a22 ... a2 n u2
... ...
...
... ...

vn an1 an 2 ... ann un
de una manera mas compacta, podemos expresarla como Y = AX. En donde
a ij K , A = ( a ij) :(n, n) es la matriz asociada, en la base S, al endomorfismo f,
(u1, u2, ..., un)T R n es sistema de coordenadas de un vector u, (v1, v2, ..., vn)T
R n es el sistema de coordenadas del vector v = f(u) imagen de u, y X, Y :(n, 1)
son las matrices columna de las coordenadas de u y v, respectivamente.
Un escalar O K es un valor caracterstico de f si, y slo si, f - OI no es inyectiva,

como en la base adoptada, la transformacin f - OI tiene por matriz asociada la
matriz A - OI, donde I es la matriz identidad, resulta que O es valor caracterstico
de f si, y slo si, la matriz A - OI es singular, es decir, los valores caractersticos
de f son los escalares O para los cuales se verifica Det(A - OI) = 0; por
consiguiente, el espectro de f es el conjunto de las soluciones de esta ecuacin, la
cual, expresada de manera explcita, es
a11 O
a12
...
a1n
a21
a22 O ...
a2 n
Det(A - ,
.
...
...
...
an1
an 2
... ann O
Esta ecuacin indica que el sistema Au = Ou tendr una solucin u z si y slo si
JOE GARCIA ARCOS
400
la matriz de coeficientes del sistema (A - OI)u = tiene rango estrictamente

menor que n, lo cual implica que Det(A - OI) = 0.
La transformacin p : K o K , definida por p(O) = Det(A - OI), para todo
O K, es evidentemente un polinomio de grado n que se denomina
polinomio caracterstico.
El coeficiente en On de este polinomio es (-1)n y su trmino independiente es
Det(A). Se pretende obtener, como consecuencia del conocimiento de la matriz A,
todos los coeficientes del polinomio p(O). Para ello, expresando cada una de las
filas de A - OI como suma de la fila del mismo lugar de la matriz A mas la
correspondiente fila de -OI, resulta que Det(A - OI) es igual a la suma de los 2n
determinantes siguientes: en el determinante de A, los determinantes de las n
matrices que se obtienen al sustituir, en A, una de sus filas por la correspondiente
n
n!
fila de -OI, ..., los determinantes de las
matrices que se obtienen
k
k
!(
n
k )!

al sustituir, en A, k de sus filas por las correspondientes filas de -OI, ..., el
determinante de -OI. Para k = 1, 2, ..., n 1, el determinante de la matriz cuyas
filas f1, f2, ..., f k son las correspondientes filas de -OI y cuyas filas f k+1, f k+2, ..., fn
son las correspondientes filas de A, al desarrollarlo por menores de las filas f1, f2,
..., f k, resulta ser igual al producto de (-O)k por el menor complementario, en la
matriz A, del menor obtenido con las filas f1, f2, ..., f k y las columnas c1, c2, ..., c k,
esto es, el menor de A obtenido con las filas f k+1, f k+2, ..., fn y las columnas c k+1,
c k+2, ..., cn.
Los menores de A obtenidos de filas y columnas de iguales ndices, esto es, los
determinantes de las submatrices de A ubicadas simtricamente respecto de su
diagonal principal, se llaman menores diagonales de A; un menor diagonal de A
obtenido con k filas y k columnas, se dir que es un menor diagonal de orden k.
Resulta de todo ello que para el polinomio p(O), ser:
p(O) = a 0 + a 1O + a 2O2 + ... + an-1On-1 + a nOn
siendo sus coeficientes
a 0 = Det(A)
a 1 = (-1)(d11 + d22 dnn)
...
n
a k = (-1)k suma de los menores diagonales de n k de la matriz A
k
...
a n-1 = (-1)n-1( a 11 + a 22 + ... + a nn)
a n = (-1)n.
De una manera mas simplificada, podemos decir que al tomar en consideracin la
expresin del determinante de la matriz en trminos de los elementos de sta, es
fcil entender que el primer miembro de Det(A - OI) = 0 puede ser representado
en la forma
Det(A - OI) = a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn.
Los coeficientes a 0, a 1, a 2, ..., a n-1, a n se calculan de tal o cual manera segn los
elementos de la matriz A y no dependen de O. La potencia mxima de O slo
figura en el producto de los elementos diagonales de la matriz A - OI y, por ello,
a n = 1. He aqu la expresin explcita para dos coeficientes. A saber,
a 0 = (-1)nDet(A) y a n-1 = -Tr(A).
JOE GARCIA ARCOS
401
Se puede suponer, en general, que al representar Det(A - OI) en potencias de O,

empleando para ello diferentes mtodos, obtendremos las expresiones de un tipo
anlogo a a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn, mas con distintos coeficientes a i.
Sin embargo, en lo que sigue se mostrar que la suposicin citada no tiene lugar.
Los coeficientes en a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn no dependen de cmo se
realiza el clculo.
Teniendo en cuenta que el determinante Det(A - OI) no depende de la base,
llegaremos a que todos los coeficientes a 0, a 1, a 2, ..., a n-1, an son, en realidad, las
caractersticas de la matriz A. La funcin p(O) = a 0 + a 1O + a 2O2 + ... + a n-1On-1 +
a nOn se denomina polinomio caracterstico de la matriz A. Para que el escalar
O K sea el valor caracterstico de la matriz A, es necesario y suficiente que
satisfaga la ecuacin a 0 + a 1O + a 2O2 + ... + a n-1On-1 + a nOn = 0 es decir, que sea
una raz del polinomio caracterstico.
T E O R E M A 8.2.1
Un escalar O es un valor caracterstico de f si y slo si es una raz del
polinomio caracterstico de una matriz que represente a f.
La ecuacin caracterstica de valores caractersticos se puede escribir en la forma
(f - OI)u = . Sabemos que existe un vector diferente de cero u que satisface esta
condicin si y slo si f - OI es singular. Sea S una base cualquiera de V y sea
A = ( a ij) la matriz que representa f con respecto a esta base. Entonces A - OI es la
matriz que representa a f - OI. Ya que A - OI es singular si y slo si
Det(A - OI) = 0.
E J E M P L O 8.2.1
Demuestre que una matriz triangular es singular si y slo si sus valores
caractersticos son reales y deferentes de cero.
SO L U C I O N
principal son O1, O2, ..., On. Se sabe que los valores caractersticos de A son O1, O2,
..., On. As, A tiene valores caractersticos reales. Adems, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
slo si cada Oi es diferente de cero.
Este teorema slo se aplica a escalares. En particular, una solucin de la ecuacin
caracterstica que no es un escalar, no es un valor caracterstico. Por ejemplo, si el
cuerpo de escalares es el cuerpo de los nmeros reales, entonces las soluciones
complejas, no reales del polinomio caracterstico no son valores caractersticos.
Por tanto, un valor caracterstico es un valor caracterstico si y slo si tambin
est en el cuerpo de escalares dado.
Los valores caractersticos del endomorfismo f, son las races del polinomio
caracterstico de f, algebraicamente de grado n con coeficientes en K .
La transformacin p : K o K , definida por p(O) = Det( A - O I ), para todo
O K , es evidentemente un polinomio de grado n que se denomina
Si O0 es raz de orden de multiplicidad k del polinomio caracterstico de A, se dir
que se trata de un valor caracterstico de orden k de A. Si el cuerpo K es
algebraicamente cerrado, en particular si K = C, el polinomio caracterstico es
factorable y la ecuacin caracterstica se puede expresar en la forma
JOE GARCIA ARCOS
402
Det(A - , n O O1 k1 O O2 k2 O O r k r
con k1 + k2 + ... + k r = n, en la que O1, O2, ..., Or son los valores caractersticos de
A, de rdenes respectivos k1, k2, ..., k r. Cuando K es algebraicamente cerrado,
toda matriz A tiene siempre un valor caracterstico, al menos pudiendo tener hasta
n valores caractersticos distintos; si cada valor caracterstico se cuenta un nmero
de veces igual a su orden, se verifica que la matriz A, tiene exactamente n valores
caractersticos.
Dado un endomorfismo, para cada valor caracterstico O de f, es decir, para cada
raz de su ecuacin caracterstica, los vectores caractersticos de f
correspondientes a O, junto con el vector nulo, constituyen el subespacio propio
V(O) que, no es ms que el ncleo de f - O I , es decir, el conjunto de los vectores
u V tales que (f - O I )u = .
Elegida una base S de V, y si A es la matriz asociada a f en ella, los vectores
caractersticos correspondientes al valor caracterstico O son, aquellos vectores no
nulos tales que la matriz columna de sus coordenadas, X :(n, 1), satisface
( a11 O )u1 a12 u2 ... a1n un 0
a u ( a O )u ... a u 0
21 1
22
2
2n n
...
an1u1 an 2 u2 ... ( ann O )un 0

La dimensin del subespacio propio V(O), esto es, el nmero mximo de vectores
caractersticos correspondientes a O que son linealmente independientes, ser,
pues d = dimV(O) = dim(Nuc( f - OI)) = n Rang(f - OI) esto es, recurriendo a la
matriz A, asociada a f en una base S de V , d = dimV(O) = n Rang(A - OI).
Se denomina multiplicidad geomtrica de V(O) a la dimensin de O. Se
denomina multiplicidad algebraica de O, al nmero de veces que se repite
una raz del polinomio caracterstico.
T E O R E M A 8.2.2
La multiplicidad geomtrica de O no excede a la multiplicidad algebraica
de O.
Ya que la multiplicidad geomtrica de O se define independientemente de
cualquier matriz que represente a f y la ecuacin caracterstica es la misma para
todas las matrices que representan a f, bastar probar el teorema para cualquier
matriz particular que represente a f. Escogeremos la matriz que represente a f, de
tal manera que la aseveracin del teorema sea evidente. Sea t la dimensin de
V(O) y {u1, u2, ..., ut} de V(O). Este conjunto linealmente independiente puede
extenderse hasta una base {u1, u2, ..., un} de V. Ya que f(ui) = Oui para i d t, la
matriz A que representa a f con respecto a esta base tiene la forma
0 a1 t 1
a1n
O 0
0 a2 t 1
a2 n
0 O
O at t 1
at n .
A 0 0
0 at 1 t 1
at 1 n
0 0
0 0
0
a
a
n
t

1
n
n
JOE GARCIA ARCOS
403
De la forma de A es evidente que Det(A - OI) = p(O) es divisible entre (O Ot ) kt .

Por lo tanto, la multiplicidad algebraica de O es al menos t, que es la multiplicidad
geomtrica.
PROGRAMA EN MATLAB PARA CALCULAR VALORES Y VECTORES CARACTERISTICOS

% CALCULO DE VALORES Y VECTORES CARACTERISTICOS
clc; clear;
fprintf('\n VALORES Y VECTORES CARACTERISTICOS \n');
filcol=input('INGRESE EL ORDEN DE LA MATRIZ A: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
clc;
fprintf('\n LA MATRIZ ES:\n');
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n');
POLINOMIO=poly(A);
POLINOMIO
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n');
ESPECTRO=eig(A);
[vector,V] = eig(A);
ESPECTRO
%resolucion del sistema de ecuaciones
for c=1:filcol
fprintf('\n REMPLAZAMOS EL VALOR CARACTERISTICO (%d) EN LA ECUACION
CARACTERISTICA:\n',c)
%A(f,c)=input(' :');
I=eye(size(A));
r=ESPECTRO(c,1)
F=A-I*r;
vector0=zeros(filcol,1);
fprintf('\n LA MATRIZ AUMENTADA (%d) ES: \n',c);
B=[F,vector0];
B
%solucion = F^(-1)*vector0;
%solucion
fprintf('\n LA MATRIZ REDUCIDA (%d) ES: \n',c)
R=rref(B);
R
end
fprintf('\n VECTORES CARACTERISTICOS \n')
V=vector';
for f2=1:filcol
fprintf('\n V%d : \n',f2)
V(f2,1:filcol)
End
E J E M P L O 8.2.2
Demuestre que el trmino constante del polinomio caracterstico es Det(A).
SO L U C I O N
El polinomio caracterstico de A es p(O) = Det(A - OI). As el trmino constante
de p(O) est dado por p(0) = Det(A).
E J E M P L O 8.2.3
Demuestre que una matriz cuadrada de orden n es no singular si, y slo si O = 0
no es un valor caracterstico de A.
JOE GARCIA ARCOS
404
SO L U C I O N
Sabemos que el trmino independiente del polinomio caracterstico es igual a
Det(A), y para que una matriz sea no singular su determinante debe ser diferente
de cero. Por lo tanto si O fuese un valor caracterstico de la matriz A, entonces
tenemos que p(0) = Det(A) z 0, lo cual contradice la hiptesis y podemos concluir
que O = 0 no es valor caracterstico de una matriz no singular.
E J E M P L O 8.2.4
Demuestre que una matriz triangular es singular si y slo si sus valores
caractersticos son reales y deferentes de cero.
SO L U C I O N
principal son O1, O2, ..., On. Se sabe que los valores caractersticos de A son O1, O2,
..., On. As, A tiene valores caractersticos reales. Adems, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
slo si cada Oi es diferente de cero.
E J E M P L O 8.2.5
Sea la matriz
0 1
A
1 0
Se puede demostrar que si u es cualquier vector columna de R 2, entonces Au se
puede obtener geomtricamente de u rotando u un ngulo de 90 en el sentido
contrario al que giran las manecillas del reloj.
a.- Probar geomtricamente que A no tiene valores caractersticos reales.
b.- Hallar los valores y vectores caractersticos complejos de A.
c.- Argumentar geomtricamente que A2 deber tener valores caractersticos
reales.
d.- Usar el apartado b) para hallar los valores caractersticos de A2 y comparar el
resultado con la respuesta obtenida en la parte c). Cules son los vectores
caractersticos reales y los vectores caractersticos complejos de A2"
e.- Hallar valores y vectores caractersticos para A3.
f.- Hallar valores y vectores caractersticos para A4.
SO L U C I O N
a.- Ningn vector distinto de cero en el plano va a un vector paralelo por
rotacin de 90.
O 1
0 O2 + 1 = 0 O1 = i y O2 = - i .
b.1 O
i 1 0 i 1 0
i 1 a 0
|

1 i b 0
1 i 0 0 0 0
V (O1 ) Span / a bi Base V (O1 )

b
i 1 0 i 1 0
i 1 a 0

1 i b 0
1 i 0 0 0 0
a
i
V (O 2 ) Span / a bi Base V (O 2 )

b
1

c.- A2u = A(Au) corresponde a rotar u 180 en el sentido contrario al que giran
las manecillas del reloj, lo cual equivale a multiplicar u por 1. As, -1 es un valor
caracterstico.
d.- A2 tiene valores caractersticos O1 = i2 = -1 y O2 = (-i)2 = -1. Todos los
vectores reales distintos de cero y todos los vectores complejos son vectores
JOE GARCIA ARCOS
405
caractersticos
1 0
.
0 1
e.A3 no tiene valores caractersticos reales, sino valores caractersticos
complejos O1 = i3 = -i y O2 = (- i)3 = i con vectores caractersticos
i
i
Base V (O1 ) y Base V (O 2 ) .

1
1

A2
f.- A4 tiene valores caractersticos O1 = i4 = 1 y O2 = (-i)4 = 1 corresponde a la

rotacin de 360. Todo vector real o complejo distinto de cero es un vector
caracterstico.
E J E M P L O 8.2.6
Demuestre que si u es vector caracterstico tanto de f como de g, entonces u
tambin es un vector caracterstico de Df y de f + g. Si O1 es el valor caracterstico
de f y O2 el valor caracterstico de g correspondientes a u, cules son los valores
caractersticos de Df y de f + g?
SO L U C I O N
Si f(u) = O1u y g(u) = O2u, entonces
(f + g)(u) = f(u) + g(u) = O1u + O2u = (O1 + O2)u
Tambin
(Df)(u) = Df(u) = DO1u.
E J E M P L O 8.2.7
Demuestre que si O1 y O2 z O1 son valores caractersticos de f1 y u1 y u2 son
vectores caractersticos correspondientes a O1 y O2, respectivamente, entonces
u1 + u2 no es un vector caracterstico.
SO L U C I O N
Si u1 + u2 es un vector caracterstico con valor caracterstico O, entonces
O(u1 + u2) = f(u1 + u2) = O1u1 + O2u2
Ya que (O - O1)u1 + (O - O2)u2 = se tiene que O - O1 = O - O2 = 0.
E J E M P L O 8.2.8
Para cada una de las siguientes matrices, determine su polinomio caracterstico,
sus valores y vectores caractersticos:
5 0
1 1
3 2
a.-
; c.-
.
; b.-

1
4
6
0
1 2
SO L U C I O N
a.- El polinomio caracterstico tiene la forma siguiente:
5O 0
p (O )
O(5 O) .
6
O
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O(5 - O) = 0 O = 0 y O = 5.
Los vectores caractersticos se encuentran reemplazando cada valor caracterstico
en la ecuacin caracterstica, y luego se resuelve cada sistema homogneo:
5 0 0 5 0 0
5 0 x 0
O = 0:
|

6 0 y 0
6 0 0 0 0 0
de donde obtenemos que x = 0 e y R. Por consiguiente el subespacio propio
generado por el valor caracterstico O = 0 tiene la forma siguiente:
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.
JOE GARCIA ARCOS
406
0 0 0
0 0 x 0
O = 5:

6 5 y 0
6 5 0
de donde obtenemos que 6x 5y = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico O = 5 tiene la forma siguiente:
V(O) = {(x, y) / 6x 5y = 0} BaseV(O) = {(5, 6)} dimV(O) = 1.
b.- El polinomio caracterstico tiene la forma siguiente:
1 O
1
p (O )
(1 O)(4 O) 1 O 2 5O 5 .
1 4 O
caracterstico:
5 5
5 5
O2 - 5O + 5 = 0 O
y O
.
2
2
en la ecuacin caracterstica, y luego se resuelve cada sistema homogneo:
3 5
1

x
0
5 5
2

O
:
y
2
3 5 0
1
3 5
0 3 5
0
1

1
2
|
2
3 5
0
0 0
0
1
2
3 5
x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor caracterstico O
tiene la forma siguiente:
2
3 5
V (O) ( x, y)
x y 0
2
de donde obtenemos que
Base V (O)
^ 2, 3 5 `
3 5
1

x
0
5 5
2

:
2
3 5 y 0
1
3 5
0
1

2
3 5
0
1
2
dimV(O) = 1.
3 5

2
0 0
3 5
x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor caracterstico O
tiene la forma siguiente:
2
3 5
V ( O ) ( x , y )
x y 0
2
de donde obtenemos que
Base V (O)
^ 2, 3 5 `
dimV(O) = 1.
JOE GARCIA ARCOS
407
c.- El polinomio caracterstico tiene la forma siguiente: p(O) O 2 5O 4 .

caracterstico: O2 5O 4 0 O = -1 , y O = -4.
en la ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
2 2 0 0 0 0
2 2 x 0
O = -1:
|

1

1
y
0

1 1 0 1 1 0
de donde obtenemos que x = y. Por consiguiente el subespacio propio generado
por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x y = 0} BaseV(O) = {(1, 1)} dimV(O) = 1.
1 2 0 1 2 0
1 2 x 0
O = -4:
|

1
2
y
0

1 2 0 0 0 0
de donde obtenemos que x = - 2y. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / x + 2y = 0} BaseV(O) = {(-2, 1)} dimV(O) = 1.
E J E M P L O 8.2.9
Para cada una de las siguientes matrices, determine su polinomio caracterstico,
sus valores y vectores caractersticos:
1 0 0
3 2 1
2 8 7
a.- 3 1 0 ; b.- 0 5 7 ; c.- 0 3 1 .

0 2 4
0 1 1
4 2 2
SO L U C I O N
p(O) O3 4O2 5O 2 .
caracterstico: O3 4O2 5O 2 0 O = 1, O = 1 y O = 2.
Donde O = 1 tiene multiplicidad algebraica 2. Los vectores caractersticos se
encuentran reemplazando cada valor caracterstico en la ecuacin caracterstica, y
luego se resuelve cada sistema de ecuaciones homogneo:
0 0 0 0 0 0 0 0
0 0 0 x 0

O = 1: 3 0 0 y 0 3 0 0 0 | 3 0 0 0
4 2 1 z 0
4 2 1 0 0 2 1 0
de donde obtenemos que x = 0, z = -2y. Por consiguiente el subespacio propio

generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / x = 0, 2y + z = 0}
BaseV(O) = {(0, 1, -2)} dimV(O) = 1.
1 0 0 x 0

O = 2: 3 1 0 y 0
4 2 0 z 0

1 0 0 0 1 0 0 0 1 0 0

3 1 0 0 | 0 1 0 0 | 0 1 0
4 2 0 0 0 2 0 0 0 0 0

de donde obtenemos que x = y = 0. Por consiguiente el
V(O) = {(x, y) / x = y = 0} BaseV(O) = {(0, 0, 1)}
0
0
subespacio propio
dimV(O) = 1.
JOE GARCIA ARCOS
408
p(O) O3 4O2 3O 18 .

caracterstico:
O3 4O2 3O 18 0 (O 3)2 (O 2) 0 O = -3, O = 2.
Donde O = -3 tiene multiplicidad algebraica 2. Los vectores caractersticos se
0 2 1 x 0

O = -3: 0 2 7 y 0
0 2 7 z 0

0 2 1 0 0 2 1 0 0 2 1 0
0 2 7 0 | 0 0 6 0 | 0 0 1 0
0 2 7 0 0 0 6 0 0 0 0 0

de donde obtenemos que y = z = 0. Por consiguiente el subespacio propio

V(O) = {(x, y, z) / y = z = 0} BaseV(O) = {(1, 0, 0)} dimV(O) = 1.
5 2 1 0 5 0 1 0
5 2 1 x 0

O = 2: 0 7 7 y 0 0 7 7 0 | 0 1 1 0
0 2 2 z 0
0 2 2 0 0 0 0 0
de donde obtenemos que 5x + z = 0 e y + z = 0. Por consiguiente el subespacio

propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / 5x + z = 0, y + z = 0}
BaseV(O) = {(-1, -5, 5)} dimV(O) = 1.
c.- El polinomio caracterstico tiene la forma siguiente:
p(O) O3 6O2 12O 8 .
caracterstico:
O3 6O2 12O 8 0 (O 2)3 0 O = 2.

0 8 7 x 0

O = 2: 0 1 1 y 0
0 1 1 z 0

0 8 7 0 0 8 7 0 0 8 0 0
0 1 1 0 | 0 0 1 0 | 0 0 1 0
0 1 1 0 0 0 1 0 0 0 0 0
de donde obtenemos que y = z = 0. Por consiguiente el subespacio propio

V(O) = {(x, y, z) / y = z = 0} BaseV(O) = {(1, 0, 0)} dimV(O) = 1.
E J E M P L O 8.2.10
Para cada una de las siguientes matrices, determine su
sus valores caractersticos y sus vectores caractersticos:
2 3 4 5
1 0 0 0
1
0
2
0
0
0
1
0
0
; b.-
; c.- 1
a.-
0 0 2 0
4 7 2 1
0
0 4 4 2
2 3 4 2
1
polinomio caracterstico,
2
2
0
2
0 3
0 3
.
2 0
0 3
JOE GARCIA ARCOS
409
SO L U C I O N
p(O) O4 8O3 24O2 32O 16 .
caracterstico:
O4 8O3 24O2 32O 16 0 (O 2)4 0 O = 2.
0 3 4 5 x 0

0 0 0 0 y 0
O = 2:
0 0 0 0 z 0

0 4 4 0 u 0
0 3 4 5 0 0 3 4 5 0 0 1 0 5 0
0 0 0 0 0 | 0 0 0 0 0 | 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 4 0 0 0 0 1 5 0 0 0 1 5 0
de donde obtenemos que y + 5u = 0, z + 5u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / y + 5u = 0, z + 5u = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -5, -5, 1)} dimV(O) = 2.
p(O) O4 6O3 9O 2 4O .
caracterstico:
O4 6O3 9O2 4O 0 O(O 4)(O 1)2 0 O = 0, O = 4, O = 1.
donde O = 1 tiene multiplicidad algebraica 2. Los vectores caractersticos se
1 0 0 0 x 0

0 1 0 0 y 0
O = 0:
4 7 2 1 z 0

2 3 4 2 u 0
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 0
0 1 0 0 0 | 0 1
|
4 7 2 1 0 0 7 2 1 0 0 0 2 1 0
2 3 4 2 0 0 3 4 2 0 0 0 0 0 0
de donde obtenemos que x = y = 0, 2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, 2z + u = 0}
BaseV(O) = {(0, 0, 1, -2)} dimV(O) = 1.
0 0 0 0 x 0

0 0 0 0 y 0
O = 1:
4 7 1 1 z 0

2 3 4 1 u 0
JOE GARCIA ARCOS
410
0
4
0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0
|
|
0 4 7 1 1 0 2 0 25 4 0

0 0 1 7 1 0 0 1 7 1 0
de donde obtenemos que 2x + 25z + 4u = 0, y 7z u = 0. Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / 2x + 25z + 4u = 0, y 7z u = 0}
BaseV(O) = {(-25, 14, 2, 0), (-2, 1, 0, 1)} dimV(O) = 2.
3 0 0 0 0
3 0 0 0 x 0

0 3 0 0 y 0
0 3 0 0 0
O = 4:
4 7 2 1 0
4 7 2 1 z 0

2 3 4 2 u 0
2 3 4 2 0
3 0 0 0 0 1 0 0 0 0 1 0 0 0 0
0 3 0 0 0 | 0 1 0 0 0 | 0 1 0 0 0
0 7 2 1 0 0 0 2 1 0 0 0 2 1 0
0 3 4 2 0 0 0 2 1 0 0 0 0 0 0
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
c.- El polinomio caracterstico tiene la forma siguiente:
p(O) O4 4O3 4O2 .
caracterstico:
O4 4O3 4O2 0 O2 (O 2)2 0 O = 0, O = 2.
0
0
7
3
0
0
1
4
0
0
1
1
Donde O = 0 y O = 2 tienen multiplicidad algebraica 2. Los vectores

caractersticos se encuentran reemplazando cada valor caracterstico en la
ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
1 2 0 3 0 1 2 0 3 0
1 2 0 3 x 0

1 2 0 3 y 0
1 2 0 3 0 0 0 0 0 0
O = 0:
|
0 0 2 0 0 0 0 2 0 0
0 0 2 0 z 0

1 2 0 3 0 0 0 0 0 0
1 2 0 3 u 0
de donde obtenemos que x + 2y + 3u = 0, z = 0. Por consiguiente el subespacio

V(O) = {(x, y, z, u) / x + 2y + 3u = 0, z = 0}
BaseV(O) = {(-2, 1, 0, 0), (-3, 0, 0, 1)} dimV(O) = 2.
1 2 0 3 x 0

1 4 0 3 y 0
O = 2:
0 0 0 0 z 0

1 2 0 1 u 0
1 2
1 4
0 0
1 2
0 1 2 0 3 0 1 0 0 1 0

0 0 1 0 1 0 0 1 0 1 0
|
|
0 0 0 0 0 0 0 0 0 0 0

0 0 1 0 1 0 0 0 0 0 0
de donde obtenemos que x u = 0, y + u = 0. Por consiguiente el subespacio
0 3
0 3
0 0
0 1
JOE GARCIA ARCOS
411
V(O) = {(x, y, z, u) / x - u = 0, y + u = 0}
BaseV(O) = {(1, -1, 0, 1) , (0, 0, 1, 0)} dimV(O) = 2.
E J E M P L O 8.2.11
Para cada una de las siguientes transformaciones lineales, determine sus valores y
vectores caractersticos:
a.- f : P 1 o P 1, f( a + bx) = a + ( a + b)x;
b.- f : R 2 o R 2, f(( a, b)) = (a + b, b);
a b 4 a 5b
2b
c.- f : :(2, 2) o :(2, 2), f

.
c d 2c d c 3d
SO L U C I O N
a.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
1 0
[f]
.
1 1
Para encontrar el polinomio caracterstico, debemos resolver el siguiente
determinante:
Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores caractersticos son: O = 1, siendo ste de multiplicidad
algebraica 2. Los vectores caractersticos se encuentran reemplazando cada valor
caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema de
0 0 0
0 0 x 0
O = 1:

1 0 y 0
1 0 0
de donde obtenemos que x = 0. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.
b.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
1 1
[f]
.
0 1
Para encontrar el polinomio caracterstico, debemos resolver el siguiente
determinante: Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores caractersticos son: O = 1, siendo ste de multiplicidad
algebraica 2. Los vectores caractersticos se encuentran reemplazando cada valor
0 1 0
0 1 x 0
O = 1:

0 0 y 0
0 0 0
de donde obtenemos que y = 0. Por consiguiente el subespacio propio generado
V(O) = {(x, y) / y = 0} BaseV(O) = {(1, 0)} dimV(O) = 1.
c.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
4 5 0 0
0 2 0 0
[f]
.
0 0 2 1
0 0 1 3
El polinomio caracterstico tiene la forma siguiente:
p(O) O4 11O3 43O2 70O 40 .
JOE GARCIA ARCOS
412

caracterstico:
5 5
5 5
O4 11O3 43O2 70O 40 (O 2)(O 4) O
O
2
2
5 5
5 5
O = 2, O = 4, O
, O
.
2
2
Donde todos los valores caractersticos tienen multiplicidad algebraica 1. Los
vectores caractersticos se encuentran reemplazando cada valor caracterstico en
la ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
2 5 0 0 0 2 5 0 0 0
2 5 0 0 x 0

0
0
0
0
y
0
0 0 0 0 0 | 0 0 0 0 0
O = 2:
0 0 0 1 0 0 0 0 1 0
0 0 0 1 z 0

0 0 1 1 u 0
0 0 1 1 0 0 0 1 0 0
de donde obtenemos que 2x + 5y = 0, z = u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / 2x + 5y = 0, z = u = 0}
BaseV(O) = {(-5, 2, 0, 0)} dimV(O) = 1.
0 5 0 0 x 0

0 2 0 0 y 0
O = 4:
0 0 2 1 z 0

0 0 1 1 u 0
0 5 0 0 0 0 5 0 0 0 0 5 0 0 0
0 2 0 0 0 | 0 0 0 0 0 | 0 0 0 0 0
0 0 2 1 0 0 0 2 1 0 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 0 0 1 0
de donde obtenemos que y = z = u = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z, u) / y = z = u = 0}
BaseV(O) = {(1, 0, 0, 0)} dimV(O) = 1.
3 5
5
0
0
x 0
1 5

0
0
0
5 5
2
y 0
O
:
z 0
2
1 5
0
0

1
2
u 0
1 5
0
0
1
2
3 5
5
0
0
1 5

0
0
0
0
2
0
1 5
0
0

1
0
2
1 5
0
0
1
2
JOE GARCIA ARCOS
413
1 5

2
1 5
2
1 5
2
0
0 0
0
1 0
0
0
de donde obtenemos que x = y = 0, (1 5) z 2u 0 . Por consiguiente el

V(O) = {(x, y, z, u) / x = y = 0, (1 5) z 2u 0 }
BaseV(O) = {(0, 0, 5 - 1, 2)} dimV(O) = 1.
3 5
0
5 5
:
2
0
3 5
5
5 1
0
2
0
0
0
0
5
5 1
2
0
5 1
2
x

y
z

u
5
1
2
0
0
1 5

0 2
0
0

0 0
|
0
5 1
1
0 0
2
1 5 0

1
2
0

0
0

0
0
5 1
2
0
0
0
0 0
0
5 1
1 0
2
0
0
0
de donde obtenemos que x = y = 0, ( 5 1) z 2u 0 . Por consiguiente el

V(O) = {(x, y, z, u) / x = y = 0, ( 5 1) z 2u 0 }
BaseV(O) = {(0, 0, 1 5 , -2)} dimV(O) = 1.
E J E M P L O 8.2.12
Demostrar que los polinomios caractersticos p(O) de una matriz A y q(O) de una
matriz A - O I estn ligados por la relacin q(O) = p(O + O0).
SO L U C I O N
Sabemos que: q(O) = Det((A - OI) - O0I) = Det(A - OI - O0I) = Det(A (O + O0)I).
Si M = O + O0, entonces: q(O) = Det(A - MI) = p(M). Como q(O) = p(M), pero
M = O - O0, entonces q(O) = p(O + O0).
PR O B L E M AS
8.2.1
Encuentre un ejemplo en el que los vectores
caractersticos de una transformacin lineal f
relacionados con el valor caracterstico nulo, y solamente
ellos, pertenecen al ncleo de esta transformacin.
8.2.2 Evale ex, donde A es la matriz siguiente:

1 0
1 0
0 1
a.-
; c.-
; b.-
.
1
0
0
1
1 0
JOE GARCIA ARCOS
414
O1 0 0
8.2.3 Sea B 0 O 2 0 y sean e1 = (1, 0, 0), e2 =

0 0 O
3
(0, 1, 0), e3 = (0, 0, 1). Muestre que si O1, O2, O3 son

distintos entre s, entonces para cada Ok los vectores
caractersticos asociados son los vectores De k para D z 0;
muestre que si O1 = O2 z O3, entonces los vectores
caractersticos asociados con O1 son todos los vectores no
nulos D1e1 + D2e2 y aquellos asociados con O3, son todos
los vectores no nulos De3; muestre que si O1 = O2 = O3,
entonces los vectores caractersticos asociados con O1
son todos los vectores no nulos v = (x, y, z).
8.2.4
Sea O un valor caracterstico de una
transformacin lineal f. Sea V(O) el subespacio propio
correspondiente. Demustrese que:
a.- Si u est en V(O), y si v = (f - OI)u z O, entonces û,
v` es conjunto linealmente independiente.
b.- Si u est en V(O) y si (f - OI)2u z O, entonces û, (f OI)u, (f - OI)2u` es conjunto linealmente independiente.
8.2.5 Demuestre con un ejemplo que si una
transformacin lineal f es no singular, entonces los
vectores caractersticos de f y de f -1 son los mismos.
Hallar la relacin entre los valores caractersticos de
estas transformaciones.
8.2.6
D un ejemplo en el que los vectores
caractersticos relativos a los valores caractersticos no
nulos pertenecen a la imagen de esta transformacin.
8.2.7 Si x es un nmero real, entonces ex puede definirse
mediante la serie
1
1
1
eA = I + A + A 2 + A3 + A 4 + ...
2!
3!
4!
O 0
Sea B
. Demuestre que, si O z P,
0 P
entonces los vectores caractersticos asociados con O
son todos los vectores no nulos c(1, 0) y aquellos
asociados con P son todos los vectores no nulos c(0, 1).
Muestre que si O = P, entonces los vectores
caractersticos asociados con O son todos los vectores no
nulos (x, y).
8.2.8
8.2.9
En cada una de las siguientes matrices,
encuntrense los valores caractersticos y los
subespacios propios:
1 2 3
0 1 2
a.- 0 1 4 ; b.- 0 0 3 ;
0 0 2
0 0 1
0
0
1
1
1

3
c.- 0 0 2 ; d.- 0 2 6 ;
0 0 0
0 0 2
0 1 0
e.- 0 1 1 ;
0 1 1
1 2 0
f.- 0 1 2 .
2 0 1
8.2.10 Demuestre que si u es un vector caracterstico de

f, entonces u tambin es un vector caracterstico de p(f),
donde p(x) es un polinomio con coeficientes en K . Si O
es un valor caracterstico de f correspondiente a u, cul
es el valor caracterstico de p(f) correspondiente a u?
8.2.11 Sea A una matriz de n x n. Demuestre que si
Au = Ou, entonces u es un vector caracterstico de
(A cI). Cul es el valor caracterstico
correspondiente?
8.3 SE M E J A N Z A D E M A T R I C ES
En esta seccin estudiaremos la matriz de un endomorfismo f de U en U que depende de la base elegida para U.
Uno de los problemas fundamentales del lgebra lineal es elegir una base para U que simplifique la matriz para f.
Enunciaremos y demostraremos sus propiedades ms importantes.
A continuacin consideraremos la cuestin de determinar cundo dos matrices A y B
de orden n x m, son matrices del mismo endomorfismo f : U o V relativa a
diferentes bases para U y V.
Las matrices A y B se dicen son equivalentes si y slo si, existen matrices
no singulares P (n x n) y Q (m x m) tales que B = PAQ.
Explicaremos aqu un punto de confusin que surge en la definicin de equivalencia
de matrices. La palabra equivalencia tiene dos significados bastante distintos en
matemticas, los cuales tienen lugar en la explicacin siguiente. Sera desafortunado
JOE GARCIA ARCOS
415
que dicha confusin pudiera darse, pero como estos dos usos de la palabra
equivalencia estn bien establecidos, el lector deber aprender a distinguirlos. En
primer lugar, dado un conjunto S y una relacin sobre S.
T E O R E M A 8.3.1
La relacin sobre un conjunto de matrices de orden n x m, llamada
equivalencia, es una relacin de equivalencia. Adems, dos matrices A, B
(n x m), son equivalentes si y slo si, el rango de la matriz A es igual al
rango de la matriz B.
Es claro que A | A puesto que A = IAI. De A | B obtenemos B = PAQ. Por tanto,
A = P-1BQ-1. As, B | A. Si A | B (B = PAQ) y B | C (C = P1BQ1). Entonces
C = (P1P)A(QQ1)
Como P1P es no singular si tanto P como P1 son no singulares y QQ1 es no singular si
tanto Q como Q1 son no singulares, vemos que A | C. As, la equivalencia es una
relacin de equivalencia. Si A | B, entonces PAQ = B para P y Q no singulares.
Como
Rang(A) = Rang(PA) = Rang((PA)Q) = Rang(B)
obtenemos que Rang(A) = Rang(B). Supngase, recprocamente que Rang(A) =
Rang(B). Deseamos demostrar que A | B. Sea r = Rang(A) = Rang(B). Entonces
I O
PAQ =
= P1BQ1
O O
para ciertas matrices no singulares P, P1, Q, Q1. Por tanto,
B = (P-1P1)-1A(Q1Q-1)-1.
En consecuencia, A | B.
Sean A, B (n x n). Entonces B es semejante a A sobre K si existe una
matriz no singular P (n x n) tal que B = P-1AP.
T E O R E M A 8.3.2
En el conjunto de matrices de n x n, la semejanza sobre K es una
relacin de equivalencia.
a.- A es semejante a A sobre K puesto que A = I-1AI.
b.- Si B es semejante a A sobre K de modo que B = P-1AP, entonces A = (P-1)-1BP-1,
y por tanto, A es semejante a B sobre K .
c.- Si B es semejante a A sobre K y C es semejante a B sobre K , de manera que
B = P-1AP y C = Q-1BQ, entonces C = (PQ)-1A(PQ) y, por consiguiente, C es
semejante a A sobre K.
Como la semejanza es una relacin de equivalencia, sabemos ahora que el
conjunto de matrices n x n se descompone en subconjuntos que no se traslapan.
Estos subconjuntos no traslapados de n x n se llaman clases de semejanza. Una de
las metas de la teora de semejanza es hallar un mtodo para determinar cuando
dos matrices A y B estn en la misma clase de semejanza. Resulta entonces que
dos matrices cuadradas son semejantes si, y slo si, son matrices asociadas a un
mismo endomorfismo en bases diferentes.
A continuacin se pretende poner de manifiesto que dos matrices semejantes
tienen iguales valores caractersticos, y stos con igual orden; se probar que, sin
embargo, no se verifica la implicacin recproca, esto es, dos matrices cuadradas
con iguales valores caractersticos y stos con iguales rdenes, pueden no ser
semejantes. Tambin se probar que la semejanza conserva las dimensiones de los
subespacios propios.
JOE GARCIA ARCOS
416
Si las matrices A, B :(n, n) son semejantes, entonces tienen el mismo

polinomio caracterstico y, por tanto, la misma ecuacin caracterstica;
consecuentemente, posee los mismos valores caractersticos y stos con iguales
rdenes.
T E O R E M A 8.3.3
Si A, B :n(K) son matrices semejantes, esto es, si existe una matriz no
singular de orden n, P, tal que A = P -1BP, entonces se verifica que:
Det(A - OI) = Det(B - OI) , para todo O K .
Si A y B son matrices semejantes, entonces existe una matriz no singular P tal que
A = P-1BP. En tal caso
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(B - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(P-1P)Det(B - OI)
= Det(B - OI).
Entonces, el polinomio caracterstico de A y el polinomio caracterstico de B
coinciden.
No obstante los resultados recin obtenidos, conviene hacer notar que, en general,
del slo hecho de tener dos matrices los mismos valores caractersticos y stos
con igual orden, no se puede asegurar que dichas matrices sean semejantes.
Conviene hacer notar que, en general, del slo hecho de tener dos matrices los
mismos valores caractersticos y stos con igual orden, no se puede asegurar que
dichas matrices sean semejantes.
Recurdese que dos matrices A, B :(n, n), son semejantes si, y slo si, son
matrices asociadas a un mismo endomorfismo, respecto de diferentes bases.
Tngase tambin presente que los valores caractersticos de una matriz A son los
mismos que los de un endomorfismo asociado a ella; los vectores caractersticos
de A son las matrices columna de n x 1, cuyos elementos son las coordenadas de
los vectores caractersticos del endomorfismo que, en la base que se considera en
V, tenga por matriz asociada a A.
Si A y B son matrices semejantes, para cualquiera que sea su valor caracterstico
O, los subespacios propios de una y otra matriz, que sern diferentes subespacios,
son las expresiones en coordenadas, en diferentes bases, del subespacio propio del
endomorfismo asociado a ambas matrices correspondientes al valor caracterstico
O; como la dimensin de un subespacio no vara por el hecho de expresar ste en
una u otra base, los subespacios propios de A y B, correspondientes a O, tienen
igual dimensin, la del subespacio propio, correspondiente a O, de dicho
endomorfismo.
Ya sea en el caso de una matriz A :(n, n), ya en el caso de un endomorfismo f
en un espacio vectorial V de dimensin finita n, para todo valor caracterstico
O K se han definido ya dos nmeros naturales asociados a l:
1.- Orden del valor caracterstico O es el orden de multiplicidad de la raz O de la
ecuacin caracterstica. El orden k de O es, un nmero natural comprendido entre
uno, si la raz es simple, y n, en cuyo caso no habra ningn otro valor
caracterstico, es decir 1 d k d n.
JOE GARCIA ARCOS
417
2.- Dimensin del subespacio propio V(O), correspondiente al valor caracterstico

O. Recurdese que V(O) es:
a.- Para el caso de la transformacin lineal f, el conjunto de vectores u de V tales
que
(f - OI)u = , es decir, V(O) = Nuc(f - OI);
b.- Para el caso de la matriz A , el conjunto de las matrices columna u de :(n, 1)
tales que satisfacen a (A - OI)u = .
Por tanto la dimensin q del subespacio propio V(O) es:
i.- Para el endomorfismo f, q = dim(Nuc( f - OI)) = n Rang(f - OI).
ii.- Para la matriz A, q = n Rang(f - OI).
Se sabe tambin que, si O1, O2, ..., Or son todos los valores caractersticos de f o de
A, y si son k1, k2, ..., k r sus rdenes y q1, q2, ..., qr las dimensiones de sus
subespacios propios, se ha de verificar que r d q1 + q2 + ... + qr d n y que, si K es
algebraicamente cerrado, k1 + k2 + ... + k r = n.
T E O R E M A 8.3.4
Dado un endomorfismo f, en un espacio vectorial de dimensin n sobre
un cuerpo K , para cualquiera que sea el valor caracterstico O0 de f, si k
es su orden y q la dimensin del correspondiente subespacio propio, se
verifica que 1 d q d k.
Si O0 es valor caracterstico de A, el subespacio propio V(O0) ha de ser diferente
del subespacio nulo y, por tanto, su dimensin es q t 1. La dificultad est, en
probar que es q d k. El subespacio propio V(O0) est definido por las matrices
X :(n, 1) tales que (A - O0I) = , es decir, V(O0) es el ncleo del
endomorfismo g, asociado, en base cannica, a la matriz B = A - O0I; q es la
dimensin del referido ncleo. Sea {u1, u2, ..., uq} una base del ncleo y
compltese, con ciertos vectores uq+1, uq+2, ..., un, hasta obtener una base; la matriz
C :(n, n), semejante a B, asociada al endomorfismo g en la nueva base, ha de
ser de la forma
0 c1 q 1
c1n
0 0
0 c2 q 1
c2 n
0 0
C
0 0
0 cn q 1
cn n
ya que g ha de transformar los vectores u1, u2, ..., uq en el vector . El polinomio

caracterstico de B, que es igual al de C, pues B y C estn asociados al mismo
endomorfismo g en diferentes bases, tiene nulos los q primeros coeficientes, ya
que los menores principales de orden mayor que n q de C son todos nulos; por
tanto, M = 0 es raz de orden mayor o igual que q de la ecuacin Det(B - MI) = 0,
es decir, M = 0 es raz de orden mayor o igual que q, de la ecuacin
Det(A - O0I - MI) { Det(A (O0 + M)I) = 0,
o lo que es igual, O = O0 es raz de orden mayor o igual que q, de la ecuacin
Det(A - OI) = 0; como el orden de O0 en esta ecuacin es k, se obtiene finalmente
que q d k.
Sea dado un endomorfismo f, en un espacio vectorial V de dimensin n sobre un
cuerpo K , se designan por O1, O2, ..., Or K sus valores caractersticos, por k1, k2,
..., k r los rdenes de dichos valores caractersticos y q1, q2, ..., qr las dimensiones
de los subespacios propios, V(O1), V(O2), ..., V(Or). Puesto que, segn se acaba de
demostrar, es 1 d qi d ki, y dado que subespacios propios correspondientes a
valores caractersticos diferentes tienen interseccin nula, se pueden obtener las
siguientes conclusiones:
JOE GARCIA ARCOS
418
1.- El nmero mximo de vectores caractersticos linealmente independientes es

q1 + q2 + ... + qr, nmero ste que est comprendido entre r y n. El subespacio
vectorial de V engendrado por los vectores caractersticos de f es,
V(O1) V(O2) ... V(Or).
2.- Para que los vectores caractersticos de f engendren todo el espacio V, es
decir, para que exista una base de l formada por vectores caractersticos, se
precisa que q1 + q2 + ... + qr = n; en consecuencia, habr una tal base si:
a.- k1 + k2 + ... + k r = n, esto es, si la ecuacin caracterstica tiene, si se cuenta
cada una de sus races tantas veces como indica su orden de multiplicidad,
exactamente n races;
b.- Para todos y cada uno de los valores caractersticos, la dimensin de su
subespacio propio ha de ser igual a su orden, esto es, k i = qi.
3.- Si el cuerpo K es algebraicamente cerrado, como en tal caso es k1 + k2 + ... +
k r = n, es condicin necesaria y suficiente para que V admita una base formada
por vectores caractersticos de f que k1 = q1, k2 = q2, ..., k r = qr; cuando as ocurra,
en una tal base hay k i vectores caractersticos correspondientes al valor
caracterstico Oi, y se verifica que
V(O1) V(O2) ... V(Or) = V.
4.- Si f tiene n valores caractersticos diferentes todos ellos, por tanto, de orden
uno, esto es, si su ecuacin caracterstica tiene n races diferentes, entonces hay
en V n vectores caractersticos linealmente independientes, es decir, existe una
base formada por vectores caractersticos. En este supuesto, hay n subespacios
propios de dimensin uno independientes, verificndose que
V(O1) V(O2) ... V(Or) = V.
E J E M P L O 8.3.1
Demuestre que si A y B son semejantes, entonces existe una matriz P no singular
tal que Bk = P-1AkP.
SO L U C I O N
Suponga que A y B son semejantes. Entonces, existe una matriz P tal que
B = P-1AP. Esto implica que
Bk = B B ... B
k veces
= (P-1AP)(P-1AP) ... (P-1AP)

= P-1A(PP-1)A(PP-1)AP ... P-1AP
= P-1A2AP ... P-1AP
= P-1AkP.
E J E M P L O 8.3.2
Demuestre que si A y B son semejantes, entonces Det(A) = Det(B).
SO L U C I O N
Suponga que A y B son semejantes. Entonces,
Det(B) = Det(P-1AP)
= Det(P-1 )Det(A)Det(P)
1
Det(A)Det(P)
Det(P)
= Det(A) .
=
E J E M P L O 8.3.3
Sea A una matriz de n x n tal que A2 = O. Demuestre que si B es semejante a A,
entonces B2 = O.
JOE GARCIA ARCOS
419
SO L U C I O N
Suponga que A2 = O y que B = P-1AP. Entonces
B2 = P-1APP-1AP = P-1A2P = P-1OP = O.
E J E M P L O 8.3.4
Demuestre que si A y B son semejantes, entonces A2 es semejante a B2.
SO L U C I O N
Suponga que A y B son semejantes, entonces B = P -1AP. De donde
B2 = BB = (P-1AP)(P-1AP) = P-1A(PP-1)AP = P-1AIAP = P-1A2P
lo cual implica que A2 es semejante a B2.
E J E M P L O 8.3.5
Sea A = CD, donde C es una matriz no singular n x n. Demuestre que la matriz
DC es semejante a A.
SO L U C I O N
Suponga que A = CD, donde C es no singular. Entonces C-1A = D y se tiene
DC = C-1AC, lo cual implica que DC es semejante a A.
E J E M P L O 8.3.6
Sean A y B matrices de n x n. Demuestre que si A es no singular, entonces AB es
semejante a BA.
SO L U C I O N
Suponga que A y B son matrices de n x n con A no singular. Entonces,
BA = IBA = A-1ABA = A-1(AB)A
lo cual implica que AB es semejante a BA.
E J E M P L O 8.3.7
Sean A y B dos matrices de orden n.
a.- Demuestre que si I - AB es no singular, entonces I - BA tambin lo es y
(I - BA)-1 = I + B(I - AB)-1A
b.- Use el inciso a) para demostrar que las matrices AB y BA tienen los mismos
valores caractersticos.
SO L U C I O N
a.- Para probar que I BA es no singular, basta demostrar lo siguiente:
(I - BA)(I - BA)-1 = (I - BA)(I + B(I - AB) -1 A) = I
-1
-1
(I - BA) (I - BA) = (I + B(I - AB) A)(I - BA) = I

Es decir:
(I BA)(I + B(I AB)-1A) = I BA + (I BA)B(I AB)-1A
= I BA + (B BAB)(I AB)-1A
= I BA + B(I AB)(I AB)-1A
= I BA + BIA
= I BA + BA = I
(I + B(I AB)-1A)(I BA) = I BA + B(I AB)-1A(I BA)
= I BA + B(I AB)-1(A ABA)
= I BA + B(I AB)-1(I AB)A
= I BA + BIA
= I BA + BA = I.
b.- Si AB y BA tienen los mismos valores caractersticos, entonces son
equivalentes y AB = P-1BAP, entonces debemos probar que
Det(AB - OI) = Det(BA - OI).
Es decir:
Det(AB - OI) = Det(P-1BAP - OI)
= Det(P-1BAP - OP-1P)
= Det(P-1(BA - OI)P)
= Det(P-1)Det(BA - OI)Det(P)
JOE GARCIA ARCOS
420
= Det(BA - OI).
Con lo cual queda probado el inciso b).
E J E M P L O 8.3.8
Mostrar que la matriz A es semejante a la matriz B, obtenida mediante la
reflexin especular en su centro.
SO L U C I O N
La reflexin especular de una matriz A respecto de su centro, es una matriz B
igual a la transpuesta de A. Es decir B = AT. Si A y B son matrices semejantes,
entonces A = P-1BP = P-1ATP. Es decir, tendramos que probar que
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(BP - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(B - OI)
= Det(AT - OI).
E J E M P L O 8.3.9
Demostrar que cualquier matriz cuadrada A es semejante a su matriz transpuesta
AT.
SO L U C I O N
Para demostrar que A y AT son semejantes, hay que probar que A = P -1ATP y que
adems tienen el mismo polinomio caracterstico. Es decir:
Det(A - OI) = Det(P-1ATP - OI)
= Det(P-1ATP - OP-1P)
= Det(P-1)Det(AT - OI)Det(P)
= Det(AT - OI).
E J E M P L O 8.3.10
Aclarar si son semejantes entre s las siguientes matrices:
3 2 5
6 20 34
A 2 6 10 , B 6 32 51 .
4 20 32
1 2 3
SO L U C I O N
Para comprobar que las matrices A y B son semejantes entre s, entonces stas
deben tener el mismo polinomio caracterstico:
3O
2
5
Det(A - ,

O
O3 O 2 O ,
1
2
3 O
6-

Det(B - ,

3 2 .
1
2
-3 -
De esta manera queda comprobado que las matrices A y B no son semejantes
entre s.
E J E M P L O 8.3.11
Aclarar si son semejantes entre s las siguientes matrices:
4 6 15
1 3 3
13 70 119
A 1 3 5 , B 2 6 13 , C 4 19 34 .
1 2 4
1 4 8
4 20 35
SO L U C I O N
Para comprobar que las matrices A, B y C son semejantes entre s, entonces stas
JOE GARCIA ARCOS
421
deben tener el mismo polinomio caracterstico:

4-

Det(A - ,

1
2 -4 -
Det(B - ,
1-

-1
-4 8 -
3 2 ,
3 2 ,
-13 -

Det(C - ,

3 2 .
-4
-20 35 -
De esta manera queda comprobado que las matrices A, B y C son semejantes
entre s.
PR O B L E M AS
8.3.1 Demuestre que las matrices semejantes A y B
tienen la misma traza y el mismo determinante.
8.3.2 Dar un ejemplo de matrices singulares A y B de
3 x 3, para las cuales AB y BA no sean semejantes.
8.3.3 Suponga que A y B son matrices semejantes y que
A es no singular:
a.- Demuestre que B es no singular.
b.- Demuestre que A-1 y B-1 son semejantes.
8.3.4 Encuentre la matriz B para f con respecto a la base
S y demuestre que B es semejante a A, la matriz de f:
a.- f : R 2 o R 2, f((x, y)) = (2x y, y x),
S = {(1, -2), (0, 3)}.
b.- f : R 2 o R 2, f((x, y)) = (x + y, 4y),
S = {(-4, 1), (1, -1)}.
c.- f : R 2 o R 2, f((x, y)) = (y, x),
S = {(1, -1), (1, 1)}.
d.- f : R 2 o R 2, f((x, y)) = (x + y, x y),
S = {(0, 1), (1, 0)}.
e.- f : R 3 o R 3, f((x, y, z)) = (x, y, z),
S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.
f.- f : R 3 o R 3,
f((x, y, z)) = (x y + 2z, 2x + y z, x + 2y + z),
S = {(1, 0, 1), (0, 2, 2), (1, 2, 0)}.
8.3.5 Compruebe que si dos matrices simtricas del

mismo orden tienen el mismo polinomio caracterstico,
entonces son semejantes. Por medio de un ejemplo
concreto, muestre que esta afirmacin es falsa si las
matrices no son simtricas.
8.3.6 Sean A y B matrices semejantes. Demustrese
que:
a.- Para cada entero k t 0, Ak y Bk son semejantes.
b.- Para cada escalar c, cA y cB son semejantes.
c.- Si p(x) es un polinomio, entonces p(A) y p(B) son
semejantes.
que:
a.- Para cada escalar c, cA y cB son semejantes.
b.- Si p(x) es un polinomio, entonces p(A) y p(B) son
semejantes.
c.- Si B es no singular, entonces A es no singular, y
A-1, B-1 son semejantes.
8.3.8 Puede una matriz ser semejante a dos matrices
diagonales distintas? Explique su respuesta.
8.3.9 Hallar todas las matrices, cada una de las cuales
es semejante a s misma.
8.4 M A T R I C ES D I A G O N A L I Z A B L ES
En esta seccin se ver cmo diagonalizar una matriz de un endomorfismo f, encontrando una base para un
espacio vectorial V integrada por vectores caractersticos.

Dado un endomorfismo f : V o V, siendo V un espacio vectorial de dimensin n

sobre un cuerpo K , se plantea aqu la siguiente cuestin: existir alguna base de
V en la que la matriz asociada a f sea una matriz diagonal?; cuando la respuesta
sea afirmativa, se buscar dicha base, as como la correspondiente matriz
JOE GARCIA ARCOS
422
diagonal.
En los casos en que esto sea posible, se dir que f es un endomorfismo
diagonalizable. Diagonalizar f es encontrar una base de V respecto de la cual la
matriz asociada a f que sea diagonal, determinando tambin dicha matriz. La
importancia que tiene la consecucin de este problema, cuando tenga solucin,
estriba en la gran simplicidad de las ecuaciones de f en la base que se busca.
Como quiera que las matrices asociadas a un mismo endomorfismo f, en las
distintas bases de V, son semejantes entre s, utilizando el lenguaje de las
matrices, el problema planteado se puede enunciar en los siguientes trminos:
Dada una matriz A de n x n, se pretende encontrar una condicin necesaria y
suficiente para que exista una matriz semejante a ella que sea diagonal y, cuando
la haya, localizar dicha matriz. Esto es, se desea averiguar si existir una matriz
no singular P de n x n tal que la matriz D = P-1AP, transformada por semejanza de
A mediante P, sea diagonal, determinado, en caso afirmativo, las matrices P y D.
Para abordar el problema planteado, se comenzar analizando cmo se comportan
las matrices diagonales en lo referente a valores y vectores caractersticos.
T E O R E M A 8.4.1
Una matriz D :(n, n) es diagonal si, y slo si, admite por vectores
caractersticos a las n matrices, E1, E2, ..., En :(n, 1). Adems, el valor
caracterstico correspondiente al vector caracterstico E i, es el elemento
de la diagonal principal de D que ocupa el lugar ( i, i); el orden de cada
valor caracterstico es el nmero de veces que l figura repetido en la
diagonal principal.
En el supuesto de que D sea diagonal, esto es, si
0
0
d11 0
0
0 d 22 0
0 d33
0
D 0
0
0
d
n
n
su ecuacin caracterstica es
Det(D - OI) { (-1)n(O - d11)(O - d22)(O - dnn) = 0
Por tanto, sus valores caractersticos son los elementos de la diagonal principal.
Adems, como (D diiO)Ei = , se verifica que E1, E2, ..., En son vectores
caractersticos de D correspondientes, respectivamente, a los vectores
caractersticos d11, d22, ..., dnn.
Recprocamente, si E1, E2, ..., En son vectores caractersticos de D, llamando
Oi al valor caracterstico correspondiente al vector caracterstico E i, ha de ser
DEi = OiEi; ahora bien, como DE i es la matriz columna de lugar i de la matriz D,
resulta que la columna de lugar i tiene el elemento ( i, i) valiendo Oi y el resto de
sus elementos son nulos.
En consecuencia, D es diagonal y sus valores caractersticos son los elementos de
la diagonal principal.
Una matriz A de n x n se dice diagonalizable si existe P de n x n tal que
D = P-1AP es una matriz diagonal; cuando as ocurra, a D se la llamar
forma diagonal de A y P ser la matriz no singular que transforma la
matriz A en matriz diagonal.
Si A fuese diagonalizable, y si su forma diagonal es la matriz D cuyos elementos
JOE GARCIA ARCOS
423
de la diagonal principal son d11, d22, ..., dnn, como quiera que dos matrices
semejantes tienen los mismos valores caractersticos y stos con iguales rdenes,
del precedente anlisis de las matrices diagonales se deduce que O1 = d11, O2 = d22,
..., On = dnn habran de ser valores caractersticos de A, siendo el orden de cada
uno de ellos igual al nmero de veces que aparece repetido en la diagonal
principal de D. Por tanto, para que A sea diagonalizable es necesario que admita,
si cada uno se cuenta tantas veces como indica su orden de multiplicidad,
exactamente n valores caractersticos; adems, y en el supuesto de ser A
diagonalizable, su forma diagonal tendra su diagonal principal constituida por los
valores caractersticos de A.
Aun en el supuesto de que A tenga n valores caractersticos, contando cada uno
un nmero de veces igual a su orden, todava no se sabe cundo ser
diagonalizable; si lo fuese, su forma diagonal sera la matriz D. Para analizar si A
es una matriz diagonalizable, puede razonarse de la siguiente manera:
a.- Supngase que A de n x n admite n vectores caractersticos independientes,
esto es, que existe una base de n x 1 formada por vectores caractersticos de A, a
los que se llamar v1 = (p11, p21, ..., pn1)T, v2 = (p12, p22, ..., pn2)T, ..., vn = (p1n, p2n,
..., pnn)T, correspondientes, respectivamente, a los valores caractersticos O1, O2, ...,
On, algunos de ellos pudiendo estar repetidos. Llamando P a la matriz
p11 p12 ... p1n
p21 p22 ... p2 n
P
...
...
...
pn1 pn 2 ... pn n
que es no singular, pues las matrices v1, v2, ..., vn son linealmente independientes,
esto es, resulta que la matriz P-1AP admite por vectores caractersticos a los E1,
E2, ..., En, ya que
(P-1AP)Ei = (P-1A)(PEi) = (P-1A)vi = P-1(Avi) = P-1(Oivi) = OiEi.
Por tanto, D = P-1AP es una matriz diagonal, cuya diagonal principal est formada
por los valores caractersticos de A; resultado ste que equivale a decir que A es
diagonalizable.
b.- Por el contrario, si A no admite n vectores caractersticos linealmente
independientes, entonces no es diagonalizable. En efecto; si lo fuese, su forma
diagonal admitira n vectores caractersticos linealmente independientes y,
tambin los admitira A, en contra de lo supuesto.
T E O R E M A 8.4.2
Una matriz A es diagonalizable si, y slo si, admite n vectores
caractersticos linealmente independientes. Se verifica, por tanto, que
para que A sea diagonalizable es necesario y suficiente que se verifiquen
los dos requisitos siguientes:
a.- La matriz A admite, si se cuenta cada uno un nmero de veces igual
a su orden de multiplicidad, exactamente n valores caractersticos.
Cuando el cuerpo K es algebraicamente cerrado, y en particular si es K =
C, esta condicin se satisface para toda matriz A.
b.- El orden de cada uno de los valores caractersticos de A es igual a la
dimensin de su subespacio propio.
T E O R E M A 8.4.3
Si una matriz A admite n valores caractersticos diferentes, entonces es
diagonalizable.
Si A admite valores caractersticos O1, O2, ..., On diferentes, como sus rdenes son
k i = 1, y dado que las dimensiones de los subespacios propios, qi, satisfacen
JOE GARCIA ARCOS
424
siempre a 1 d qi d k i, habr de ser qi = 1 y, en consecuencia, q1 + q2 + ... + qn = n,

que autoriza a afirmar que A es diagonalizable.
Un endomorfismo f : V o V, donde V es un espacio vectorial de
dimensin finita n sobre un cuerpo K , se dice diagonalizable si existe
una base de V en la que la matriz asociada a f es una matriz diagonal.
Diagonalizar f es determinar una base, en caso de que la haya, en la que su matriz
asociada es diagonal y localizar dicha matriz diagonal.
Si A es una matriz de n x n y P es una matriz no singular, entonces
D = P-1AP A = PDP-1
De donde
A2 = (PDP-1)(PDP-1) = PD2P-1
3
A = A2A = (PD2P-1)(PDP-1) = PD3P-1
De manera ms general
Ak = PDkP-1
Esta ecuacin expresa la k -sima potencia de A en trminos de la k -sima

potencia de la matriz diagonal D. Para calcular la k-sima potencia de la matriz
diagonal D, debemos elevar a la k-sima potencia cada elemento de la diagonal
principal de la matriz.

PROGRAMA EN MATLAB PARA DIAGONALIZAR UNA MATRIZ

% DIAGONALIZACION DE UNA MATRIZ

clc; clear;
fprintf('\n VALORES Y VECTORES CARACTERISTICOS \n');
filcol=input('INGRESE EL ORDEN DE LA MATRIZ A: ');
for f=1:filcol
for c=1:filcol
A(f,c)=input(' :');
end
end
clc;
fprintf('\n LA MATRIZ ES:\n');
A
fprintf('\n EL POLINOMIO CARACTERISTICO ES:\n');
POLINOMIO=poly(A);
POLINOMIO
fprintf('\n LOS VALORES CARACTERISTICOS SON:\n');
ESPECTRO=eig(A);
[vector,V] = eig(A);
ESPECTRO
%resolucion del sistema de ecuaciones
for c=1:filcol
fprintf('\n REMPLAZAMOS EL VALOR CARACTERISTICO
CARACTERISTICA:\n',c)
%A(f,c)=input(' :');
I=eye(size(A));
r=ESPECTRO(c,1)
resta1=A-I*r;
vector0=zeros(filcol,1);
fprintf('\n LA MATRIZ AUMENTADA (%d) ES: \n',c);
B=[resta1,vector0];
B
(%d)
EN
LA
ECUACIN
JOE GARCIA ARCOS
425
%solucion
fprintf('\n LA MATRIZ REDUCIDA (%d) ES: \n',c)
R=rref(B);
R
end
fprintf('\n VECTORES CARACTERISTICOS \n')
V=vector';
for f2=1:filcol
fprintf('\n V%d : \n',f2)
V(f2,1:filcol)
end
P=vector;
fprintf('\n CONSTRUIMOS LA MATRIZ P:\n')
P
fprintf('\n ENCONTRAMOS LA INVERSA DE P:\n')
Q=inv(P);
Q
fprintf('\n DIAGONALIZAMOS D=Q*A*P:\n')
D=Q*A*P;
D
E J E M P L O 8.4.1
Sea f : R 3 o R 3 el endomorfismo que admite los valores caractersticos O1 = 1,
O2 = 2, O3 = -1 y que tiene por vectores caractersticos correspondientes a dichos
valores caractersticos a los vectores (1, 1, 1), (0, 1, 2) y (1, 2, 1),
respectivamente. Obtngase la matriz asociada a f respecto de la base cannica de
R 3. Determine Ak.
SO L U C I O N
Sabemos que una matriz A es diagonalizable si existe una matriz P no singular,
tal que D = P-1AP, entonces A = PDP-1. Es decir:
1
3
2 1 2 2 2 1
1 0 1 1 0 0

1 3
5
1
A 1 1 2 0 2 0
0

3
2 2
2
1 2 1 0 0 1 2

1
1
0

2
3

1
2
2
Para encontrar la matriz A , debemos aplicar Ak = PDkP-1:
1
3
1
k 2
2
1 0 1 1 0 0
1
1
A k 1 1 2 0 2 0
0
2
2
1 2 1 0 0 1
1 1 1
2
2
1
3
1
k
2
0
0 2
1 0 1 1
1
1
k
0
0
1 1 2 0 2
2
2
1 2 1
0 0 (1) k 1
1

1

2
2
Si k es par, tenemos
JOE GARCIA ARCOS
426
Ak
k
1 0 1 1
1 1 2 0
1 2 1
0 2
1
0
2
1k 1

0
2k
0
Si k es impar
k
1 0 1 1
1 1 2 0
1 2 1
0
2k
0
1
0
1
1
2
1
2
1

2
0 2
1
0
2
(1) k 1

k
1 2
2
1 2k
1
0
1
2 1
2
2 k
0
1
0
1
2
1
2
1

2
3 (1) k
1 (1) k
(1) k 1
2
2
2 k (1) k 3
2 k 2(1) k 1
k
2(1) 1

.
2
2
2 k 1 (1) k 3
2 k 1 (1) k 1
k

(1) 1
2
2
E J E M P L O 8.4.2
Diagonalizar la matriz
1 1 4
A 3 2 1
2 1 1
SO L U C I O N
Para diagonalizar la matriz A, debemos encontrar los valores y vectores
caractersticos. Es decir:
1 O 1
4
3
2O
1 = (1 - O)(O - 3)(O + 2) = 0
2
1
1 O
3 1 4
O1 = -2: 3 4 1
2 1 1
0
0
O1 = -2,
3 1
| 0 1
0 1
O2 = 1, O3 = 3.
4 0 1 0 1

1 0 | 0 1 1
1 0 0 0 0
0
0
SpanV(-2) = {( a , b, c) / a = - c, b = c}
BaseV(-2) = {(-1, 1, 1)} dimV(-2) = 1.
0 1 4 0 3 1 1 0 1 0 1 0
O2 = 1: 3 1 1 0 | 0 1 4 0 | 0 1 4 0
2 1 2 0 0 1 4 0 0 0 0 0
SpanV(1) = {( a , b, c) / a = - c, b = - 4c}
BaseV(1) = {(-1, 4, 1)} dimV(1) = 1.
2 1 4 0 2 1 4 0 1 0 1 0
O3 = 3: 3 1 1 0 | 0 1 2 0 | 0 1 2 0
2 1 4 0 0 0 0 0 0 0 0 0
SpanV(3) = {( a , b, c) / a = c, b = 2c}
BaseV(3) = {(1, 2, 1)} dimV(3) = 1.
JOE GARCIA ARCOS
427
BaseV(O) = {(-1, 1, 1), (-1, 4, 1), (1, 2, 1)}

Con los elementos de la base de V, construimos las columnas de la matriz P :
1 1 1
2 2 6
1
P 1 4 2 P 1 1 2 3
6
1 1 1
3 0 3
2 2 6 1 1 4 1 1 1 2 0 0
1
D 1 2 3 3 2 1 1 4 2 0 1 0 .
6
3 0 3 2 1 1 1 1 1 0 0 3
E J E M P L O 8.4.3
Demuestre que si la matriz A es diagonalizable, entonces su transpuesta tambin
lo es.
SO L U C I O N
Suponga que la matriz A es diagonalizable. Entonces P-1AP = D es diagonal y
DT = (P-1AP)T = PTAT(P-1)T = PTAT(PT)-1
es diagonal. Por consiguiente, AT es diagonalizable.
E J E M P L O 8.4.4
Demuestre que si A es diagonalizable con n valores caractersticos reales O1, O2,
On, entonces Det(A) = O1O2 On
SO L U C I O N
Suponga que A es diagonalizable con valores caractersticos reales O1, O2On.
Entonces
O1 0
0
0 O2
0
Det(A) = Det(P -1AP)
O1 O 2 O n .
0
On
E J E M P L O 8.4.5
Determnese, segn los diferentes valores de a , b R, los subespacios propios del
endomorfismo f : R 3 o R 3 que, respecto de la base cannica tiene asociada la
matriz:
a b 0
0 1 0
0 0 1
Analcese en qu casos es f diagonalizable.

SO L U C I O N
p(O) O3 aO2 O a .
caracterstico:
O3 aO2 O a 0
(O a )(O 1)(O 1) 0
O = a , O = 1 y O = -1.
Donde O = a , O = 1 y O = -1 tienen multiplicidad algebraica 1. Los subespacios
propios se encuentran reemplazando cada valor caracterstico en la ecuacin
caracterstica, y luego se resuelve cada sistema de ecuaciones homogneo:
b
0 x 0
0

0 y 0
O = a : 0 1 a
0

0
1 a
z 0
JOE GARCIA ARCOS
428
0
b
0 0 0 b
0 0
0 0 | 0 0
0 0
0 1 a
0
0
1 a 0 0 0 1 a 0
de donde obtenemos que by = 0, (1 - a )z = 0. Por consiguiente el subespacio

V(O) = {(x, y, z) / y = z = 0; b z 0, a z 1}.
a 1 b 0 0 2a 2 0 0 0
a 1 b 0 x 0

2 0 0 | 0
2 0 0
O = 1: 0
2 0 y 0 0
0

0
0 0 0 0
0 0 0
0 0
z 0
de donde obtenemos que 2( a 1)x = 0, y = 0. Por consiguiente el subespacio

V(O) = {(x, y) / x = y = 0; a z 1}.
a 1 b 0 0
a 1 b 0 x 0

0 0 0
O = -1: 0
0 0 y 0 0
0

0
0 2 0
0 2
z 0
de donde obtenemos que ( a + 1)x + by = 0, z = 0. Por consiguiente el subespacio

V(O) = {(x, y) / ( a + 1)x + by = 0, z = 0; a z -1 b z 0}.
La matriz dada es diagonalizable para todos los valores de a y b, excepto a = r 1.
E J E M P L O 8.4.6
Estdiese, segn los valores reales de a , la diagonalizabilidad de las matrices:
a
1 2 2 a
1 a a
A 0 1
a y B a 2 a a 1
0 0
2
1
1
0
Para los valores de a que las hacen diagonalizables, hllese su forma diagonal D y
una matriz no singular P tal que D = P-1AP y D = P-1BP, respectivamente.
SO L U C I O N
Para la matriz A, el polinomio caracterstico tiene la forma siguiente:
p(O) O3 3O2 3O 1 .
caracterstico:
O3 3O2 3O 1 0 (O 1)3 0 O = 1.
Donde O = 1 tiene multiplicidad algebraica 3. Los subespacios propios se
0 2 2 a 0 0 2 a 0 0
0 2 2 a x 0

a
0 | 0 0
a 0
O = 1: 0 0
a y 0 0 0
0 0

0 0
0
0 0 0 0 0
0
z 0
de donde obtenemos que 2 ay = 0, az = 0. Por consiguiente el subespacio propio

V(O) = {(x, y, z) / y = z = 0; a z 0}.
Podemos darnos cuenta que cuando O = 1, la multiplicidad algebraica es 3, ste
valor caracterstico genera un subespacio propio cuya multiplicidad geomtrica es
1. Como la multiplicidad geomtrica es diferente a la multiplicidad algebraica,
entonces no existe ningn valor para a , de tal forma que la matriz A sea
diagonalizable.
Para la matriz B , el polinomio caracterstico tiene la forma siguiente:
p(O) O3 O 2 O 1 .
JOE GARCIA ARCOS
429

caracterstico:
O3 O2 O 1 0 (O 1)(O 1)2 0 O = 1 y O = -1.
Donde O = 1 tiene multiplicidad algebraica 2 y O = -1 tiene multiplicidad
algebraica 1. Los subespacios propios se encuentran reemplazando cada valor
a
a x 0
a

O = 1: a 2 a 1 a 1 y 0
2

1
1
z 0
a
a
a 0 a 0 2 a 0
a 2 a 1 a 1 0 | 0 a 3a 0
2
1
1 0 0 0
0 0
de donde obtenemos que ax 2 az = 0, ay 3 az = 0. Por consiguiente el

V(O) = {(x, y, z) / x 2z = 0, y 3z = 0, a z 0}.
Podemos darnos cuenta que cuando O = 1, la multiplicidad algebraica es 2, ste
valor caracterstico genera un subespacio propio cuya multiplicidad geomtrica es
1. Como la multiplicidad geomtrica es diferente a la multiplicidad algebraica,
entonces no existe ningn valor para a , de tal forma que la matriz B sea
diagonalizable.
E J E M P L O 8.4.7
Sabiendo que f : R 3 o R 3 es un endomorfismo diagonalizable que admite por
vectores caractersticos a los vectores (-1, 2, 2), (2, 2, -1), (2, -1, 2) y que
f((5, 2, 5)) = (0, 0, 7), hllense los valores caractersticos de f y su ecuacin en
base cannica.
SO L U C I O N
Sabemos que f(u) = Ou, entonces:
(0, 0, 7) = O(5, 2, 5) = (5O, 2O, 5O) O = 0 y O = 7/5.
Donde O = 0 tiene multiplicidad algebraica 2 y O = 7/5 tiene multiplicidad
algebraica 1. Como D = P-1AP, entonces A = PDP-1. Es decir:
2 28
14 28
1 2

9 45
45 45
1 2 2 0 0 0 9 9
2
2
1
14
7
14
A 2 2 1 0 0 0

.
9
9
45 45
45
2 1 2
9

0 0 7 2
1 2 28
14 28

5
9 9 45
45 45
9
De donde la transformacin lineal es:
1
f (( a, b, c ))
(28a 14b 28c, 14 a 7b 14c, 28a 14b 28c ) .
45
E J E M P L O 8.4.8
Dada la matriz:
6
2 2
A 0 a 4 a
0 a
a
a.- Prubese que para todo a C \ ^0, 1`, la matriz A :(3, 3) es

diagonalizable; prubese que tambin lo es para a = 1 y que no lo es para a = 0.
b.- Diagonalizar el endomorfismo f : R 3 o R 3 que tiene asociada en base
cannica a la matriz A para a = 1, localizando la base en la que f toma forma
JOE GARCIA ARCOS
430
diagonal.
SO L U C I O N
p(O) O3 2O2 4aO 8a .
caracterstico:
O3 2O2 4aO 8a 0
(O 2)(O2 4a ) 0
O = 2, O 2 a , O 2 a .
a.- Para que la matriz A sea diagonalizable, los valores caractersticos deben
tener multiplicidad algebraica 1 (todos los valores caractersticos deben ser
diferentes). Para conseguir esto, a z 0. Si a = 0, obtenemos un valor caracterstico
de multiplicidad algebraica 2 y un subespacio propio de multiplicidad geomtrica
1, lo cual no permite diagonalizar la matriz A .
b.- Si a = 1, entonces O = 2 y O = -2, donde O = 2 tiene multiplicidad algebraica
2 y O = -2 tiene multiplicidad algebraica 1. Los subespacios propios se encuentran
reemplazando cada valor caracterstico en la ecuacin caracterstica, y luego se
resuelve cada sistema de ecuaciones homogneo:
0 2 6 0 0 0 0 0
0 2 6 x 0

O = 2: 0 1 3 y 0 0 1 3 0 | 0 0 0 0
0 1 3 z 0
0 1 3 0 0 1 3 0

de donde obtenemos que y 3z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / y 3z = 0}
BaseV(O) = {(1, 0, 0), (0, -3, 1)} dimV(O) = 2.
Como O = 2 tiene multiplicidad algebraica 2 y multiplicidad geomtrica 2,
entonces la matriz es diagonalizable.
4 2 6 0 1 0 2 0
4 2 6 x 0

O = -2: 0 3 3 y 0 0 3 3 0 | 0 1 1 0
0 1 1 z 0
0 1 1 0 0 0 0 0
de donde obtenemos que x + 2z = 0, y + z = 0. Por consiguiente el subespacio

V(O) = {(x, y, z) / x + 2z = 0, y + z = 0}
BaseV(O) = {(-2, -1, 1)} dimV(O) = 1.
Por lo tanto la base para diagonalizar la matriz A es:
{(1, 0, 0), (0, -3, 1), (-2, -1, 1)}.
E J E M P L O 8.4.9
Si A :(n, n) es una matriz triangular cuyos elementos de la diagonal principal
son todos diferentes. Prubese que A es semejante a una matriz diagonal.
SO L U C I O N
Sabemos, que una matriz triangular con elementos diferentes en su diagonal
principal, tiene valores caractersticos, iguales a los elementos de su diagonal
principal. Por lo tanto, dicha matriz es diagonalizable por tener cada valor
caracterstico multiplicidad algebraica 1. Entonces, la matriz A es semejante a una
matriz diagonal, cuyos elementos de la diagonal son los valores caractersticos de
la matriz A.
E J E M P L O 8.4.10
Sea A :(n, n) y AT su transpuesta. Prubese que una es diagonalizable si, y
slo si, lo es la otra.
JOE GARCIA ARCOS
431
SO L U C I O N
Para que la matriz A sea diagonalizable, sus valores caractersticos deben ser
diferentes (tener multiplicidad algebraica 1). Entonces, para que su transpuesta
sea tambin diagonalizable, ambas deben tener el mismo polinomio caracterstico.
Es decir, debemos probar que Det(A - OI) = Det(AT - OI):
Det(A - OI) = Det(A - OI)T = Det(AT - OIT) = Det(AT - OI).
Con esto hemos demostrado que A y AT son diagonalizables.
E J E M P L O 8.4.11
Dada una matriz A :(n, n):
a.- Prubese que si A es diagonalizable, entonces tambin lo es A2.
b.- Sabiendo que u :(n, 1) es un vector caracterstico de A2, que no es vector
caracterstico de A, encuntrese otro vector caracterstico de A2 independiente de
u y correspondiente al mismo valor caracterstico que u.
SO L U C I O N
a.- Para que la matriz A sea diagonalizable, debe existir una matriz P no singular
tal que D = P-1AP. Para que A2 sea diagonalizable, debemos probar que
D2 = P-1A2P:
D2 = DD = (P-1AP)(P-1AP) = P-1APP-1AP = P-1AIAP = P-1AAP = P-1A2P.
De esta manera se demuestra que si A es diagonalizable, A2 tambin lo es.
b.- Sea u un vector caracterstico, correspondiente al valor caracterstico O de la
matriz A2 (este vector se obtiene de resolver el sistema (A2 - OI)u = ). Para
encontrar otro vector caracterstico de A2, independiente de u y que corresponda
al valor caracterstico O, debemos resolver el siguiente sistema:
(A2 - OI)v = u
donde v es el vector caracterstico solicitado. Aqu: tanto u como v, no son
vectores caractersticos de la matriz A.
E J E M P L O 8.4.12
Demuestre que la matriz:
2 1 3
A 1 1 4
3 4 2
es diagonalizable, mostrando que su polinomio caracterstico posee tres races

reales diferentes.
SO L U C I O N
p(O) = - O3 + 5O2 + 18O - 15.
caracterstico:
O3 - 5O2 - 18O + 15 = 0 O | 0.71, O | 7.201 y O | -2.92.
Todos los valores caractersticos son diferentes, entonces la matriz A es
diagonalizable.
E J E M P L O 8.4.13
Demustrese que los siguientes endomorfismos f : R 3 o R 3 son diagonalizables.
En cada caso encuentre una base S de R 3 respecto de la cual la matriz que
representa a f es una matriz diagonal.
a.- f(( a , b, c)) = (2a , 3a + 2b + c , 4 a + b + 2c);
b.- f(( a , b, c)) = (5 a - 3b + 2c, 6 a - 4b + 4c, 4 a - 4b + 5c);
c.- f((a , b, c)) = (7 a - 12b + 6c, 10 a - 19b + 10c, 12 a - 24b + 13c).
SO L U C I O N
a.- La matriz del endomorfismo es:
JOE GARCIA ARCOS
432
2 0 0
[ f ] 3 2 1.
4 1 2
El polinomio caracterstico tiene la forma siguiente: p(O) = - O3 + 6O2 - 11O + 6.

caracterstico:
O3 - 6O2 +11O -6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
Como los valores caractersticos de la matriz son diferentes, entonces sta es
diagonalizable. Los vectores caractersticos se encuentran reemplazando cada
valor caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema
1 0 0 x 0

O = 1: 3 1 1 y 0
4 1 1 z 0
1 0 0 0 1 0 0 0 1 0 0 0
3 1 1 0 | 0 1 1 0 | 0 1 1 0
4 1 1 0 0 1 1 0 0 0 0 0

de donde obtenemos que x = 0, y + z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z) / x = 0, y + z = 0}
BaseV(O) = {(0, -1, 1)} dimV(O) = 1.
0 0 0 0 0 0 0 0
0 0 0 x 0

O = 2: 3 0 1 y 0 3 0 1 0 | 3 0 1 0
4 1 0 z 0
4 1 0 0 0 1 0 0
de donde obtenemos que 3x + z = 0, y = 0. Por consiguiente el subespacio propio

V(O) = {(x, y) / 3x + z = 0, y = 0}
BaseV(O) = {(1, 0, -3)} dimV(O) = 1.
1 0 0 x 0

O = 3: 3 1 1 y 0
4 1 1 z 0

1 0 0 0 1 0 0 0 1 0 0 0
3 1 1 0 | 0 1 1 0 | 0 1 1 0
4 1 1 0 0 1 1 0 0 0 0 0
de donde obtenemos que x = 0, y z = 0. Por consiguiente el subespacio propio

V(O) = {(x, y) / x = 0, y z = 0}
BaseV(O) = {(0, 1, 1)} dimV(O) = 1.
La base S de R 3 tiene la siguiente forma:
{(0, -1, 1), (1, 0, -3), (0, 1, 1)}.
b.- La matriz del endomorfismo es:
5 3 2
[ f ] 6 4 4 .
4 4 5

p(O) = - O3 + 6O2 - 11O + 6.
caracterstico:
O3 - 6O2 + 11O - 6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
JOE GARCIA ARCOS
433
Como los valores caractersticos de la matriz son diferentes, entonces sta es

diagonalizable. Los vectores caractersticos se encuentran reemplazando cada
valor caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema
4 3 2 x 0

O = 1: 6 5 4 y 0
4 4 4 z 0

4 3 2 0 4 3 2 0 1 0 1 0
6 5 4 0 | 0 1 2 0 | 0 1 2 0
4 4 4 0 0 1 2 0 0 0 0 0

de donde obtenemos que x - z = 0, y - 2z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / x - z = 0, y - 2z = 0}
BaseV(O) = {(1, 2, 1)} dimV(O) = 1.
3 3 2 x 0

O = 2: 6 6 4 y 0
4 4 3 z 0
3 3 2 0 3 3 2 0 1 1 0 0
6 6 4 0 | 0 0 0 0 | 0 0 0 0
4 4 3 0 0 0 1 0 0 0 1 0
de donde obtenemos que x - y = 0, z = 0. Por consiguiente el subespacio propio

V(O) = {(x, y) / x - y = 0, z = 0}
BaseV(O) = {(1, 1, 0)} dimV(O) = 1.
2 3 2 x 0

O = 3: 6 7 4 y 0
4 4 2 z 0

2 3 2 0 2 3 2 0 2 0 1 0
6 7 4 0 | 0 2 2 0 | 0 1 1 0
4 4 2 0 0 2 2 0 0 0 0 0
de donde obtenemos que 2x z = 0, y z = 0. Por consiguiente el subespacio

V(O) = {(x, y) / 2x z = 0, y z = 0}
BaseV(O) = {(1, 2, 2)} dimV(O) = 1.
{(1, 2, 1), (1, 1, 0), (1, 2, 2)}.
c.- La matriz del endomorfismo es:
7 12 6
[ f ] 10 19 10 .
12 24 13

p(O) = - O3 + O2 + O - 1.
caracterstico:
O3 - O2 - O + 1 = 0 (O + 1)(O - 1)2 = 0 O = -1 y O = 1.
El valor caracterstico O = -1, tiene multiplicidad algebraica 1 y O = 1, tiene
multiplicidad algebraica 2. Los vectores caractersticos se encuentran
JOE GARCIA ARCOS
434
8 12
O = -1: 10 18
12 24
10
12
6 x

10 y
14
z
0

0
0

12 6 0
18 10 0 |
24 14 0
4 6 3 0 2 0 1 0
0 6 5 0 | 0 6 5 0
0 6 5 0 0 0 0 0

de donde obtenemos que 2x - z = 0, 6y - 5z = 0. Por consiguiente el subespacio
V(O) = {(x, y, z) / 2x - z = 0, 6y - 5z = 0}
BaseV(O) = {(3, 5, 6)} dimV(O) = 1.
1 2 1 0 1 2 1 0
6 12 6 x 0

O = 1: 10 20 10 y 0 1 2 1 0 | 0 0 0 0
12 24 12 z 0
1 2 1 0 0 0 0 0
de donde obtenemos que x - 2y + z = 0. Por consiguiente el subespacio propio

V(O) = {(x, y) / x - 2y + z = 0}
BaseV(O) = {(2, 1, 0), (-1, 0, 1)} dimV(O) = 2.
{(3, 5, 6), (2, 1, 0), (-1, 0, 1)}.
E J E M P L O 8.4.14
Pruebe que los siguientes operadores f : :(2, 2) o :(2, 2) son diagonalizables.
En cada caso, encuentre una base S de :(2, 2) respecto de la cual la matriz que
representa a f es una matriz diagonal. Determine la matriz A k:
a b 2 a 2b
a 5b
a.- f

;
c d 2 a c 4 a 8c 3d
a b a 6b 12c
4b 6c
f

.
c
d

3
b

5
c

3
b
6c d

SO L U C I O N
a.- La matriz del endomorfismo es:
2 2 0 0
1 5 0 0
[f]
.
2 0 1 0
4 0 8 3
p(O) = O4 - 9O3 + 23O2 - 3O - 36.
caracterstico:
O4 - 9O3 + 23O2 - 3O - 36 = 0
(O + 1)(O - 3)2(O - 4) = 0
O = -1, O = 3 y O = 4.
El valor caracterstico O = -1 tiene multiplicidad algebraica 1, O = 3 tiene
multiplicidad algebraica 2 y O = 4, tiene multiplicidad algebraica 1. Los vectores
caractersticos se encuentran reemplazando cada valor caracterstico en la
ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
b.-
JOE GARCIA ARCOS
1
O = -1:
2
4
3
1
1
435
2 0
6 0
0 0
0 8
0 x

0 y
0 z

4 u
0

0
0

0
0 3 2 0 0 0 3 0 0 0 0

0 0 1 0 0 0 0 1 0 0 0
|
|
0 0 1 0 0 0 0 0 0 0 0

0 0 2 6 3 0 0 0 2 1 0
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
1 2 0 0 x 0

1 2 0 0 y 0
O = 3:
2 0 4 0 z 0

4 0 8 0 u 0
1
1
1
2 0
6 0
0 0
0 2
0
0
0
1
0 1 2 0 0 0 1 0 2 0

0 0 0 0 0 0 0 0 0 0
|
|
0 0 1 1 0 0 0 1 1 0

0 0 1 1 0 0 0 0 0 0
de donde obtenemos que x 2z = 0, y - z = 0. Por consiguiente el
V(O) = {(x, y, z, u) / x 2z = 0, y - z = 0}
BaseV(O) = {(2, 1, 1, 0), (0, 0, 0, 1)} dimV(O) = 2.
2 2 0 0 x 0

1 1 0 0 y 0
O = 4:
2 0 5 0 z 0

4 0 8 1 u 0
1
1
2
2 0
2 0
0 2
0 2
0
0
0
0
0
0
subespacio
0 1 1 0 0 0 4 0 0 5 0

0 0 0 0 0 0 0 0 0 0 0
|
|
0 0 2 5 0 0 0 4 0 5 0

0 0 4 8 1 0 0 0 2 1 0
de donde obtenemos que 4x 5u = 0, 4y 5u = 0, 2z u = 0. Por consiguiente el
V(O) = {(x, y, z, u) / 4x 5u = 0, 4y 5u = 0, 2z u = 0}
BaseV(O) = {(5, 5, 2, 4)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:
{(0, 0, 1, 2), (2, 1, 1, 0), (0, 0, 0, 1), (5, 5, 2, 4)}.
La matriz Ak esta dada de la siguiente manera:
3 1
k
1 0
0 2 0 5 1 0 0 0 5 5

0 1 0 5 0 3 0 0 1 1 0 0
k
A
1 1 0 2 0 0 3 0 2 2 2 1

2 0 1 4 0 0 0 4 1 2 0 0
5 5
1 0 0
1 0 0
0 5 0
0 8 1
JOE GARCIA ARCOS
436
0
1
2
1
1
0
0
0
0
1
k
5 (1)
5 0
2 0
4 0
3k
3k
3 1
0 5 5 1
0 1 1 0
0 2 2 2
4 k 1 2 0
5 5
0
1
2 3k 2 2 k
22 k 1 2 3k
0
0
k
2k
2 k 1
k
3 2
2
3
0
0
k
k 22 k 1 3(1) k
22( k 1) ( 1)

k
k
3
(1)
0
3
5
5
22( k 1) 6(1) k

22 k 3 2(1) k
k
k
k
k
k
2 3
2(1) 2 3 3
23
5
5
b.- La matriz del endomorfismo es:

1 6 12 0
0 4 6 0
[f]
.
0 3 5 0
0 3 6 1
p(O) = O4 - O3 - 3O2 + 5O - 2.
caracterstico:
O4 - O3 - 3O2 + 5O - 2 = 0 (O - 1)3(O + 2) = 0 O = 1 y O = -2.
El valor caracterstico O = 1 tiene multiplicidad algebraica 3, y O = -2
multiplicidad algebraica 1. Los vectores caractersticos se encuentran
0 1 2 0 0 0 1 2 0 0
0 1 2 0 x 0

0
1
2
0
y
0
0 1 2 0 0 | 0 0 0 0 0
O = 1:
0 1 2 0 0 0 0 0 0 0
0 1 2 0 z 0

0 1 2 0 u 0
0 1 2 0 0 0 0 0 0 0
de donde obtenemos que y + 2z = 0. Por consiguiente el subespacio propio
V(O) = {(x, y, z, u) / y + 2z = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1)} dimV(O) = 3.
1 2 4 0 x 0

0 1 1 0 y 0
O = -2:
0 1 1 0 z 0

0 1 2 1 u 0
0
0
0 1 0 6 0 0 1 0 0 6 0

0 0 1 1 0 0 0 1 0 1 0
|
|
0 0 0 0 0 0 0 0 0 0 0

0 0 0 1 1 0 0 0 1 1 0
de donde obtenemos que x + 6u = 0, y u = 0, z + u = 0. Por consiguiente el
V(O) = {(x, y, z, u) / x + 6u = 0, y u = 0, z + u = 0}
BaseV(O) = {(-6, 1, -1, 1)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:
2 4 0
1 1 0
1 1 0
1 2 1
JOE GARCIA ARCOS
437
{(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1), (-6, 1, -1, 1)}.
La matriz A k esta dada de la siguiente manera:
Ak
1 0
0 2
0 1
0 0
0 6 1 0 0 0
0 1 0 1 0 0
0 1 0 0 1 0
1 1 0 0 0 2
1 0
0 2
0 1
0 0
k
0 0
0 6 1
0 1 0 1k 0
0 1 0 0 1k
1 1 0 0 0
1 0
0 2
0 1
0 0
0 6
0 1
0 1
1 1
1
0 1 6 12
0 0 1 1
2
0 0 1
k 0 1

2
(2)
1 3 2 k 1 (1) k 6 3 2 k 2 (1) k 12
0
2 2 k (1) k
2 2 k 1 (1) k
2 k (1) k 1
2 k 1 ( 1) k 1
0
1 2 k (1) k
2 2 k 1 (1) k
0
0
1
0
.
0
PR O B L E M AS
a b
A
es
c d
diagonalizable si 4bc < ( a d)2 y no diagonalizable si
4bc > ( a d)2.
8.4.1
Demuestre
que
la
matriz
8.4.2 Demuestre que si A es no singular y

diagonalizable, entonces A-1 es diagonalizable y una
matriz P que diagonalice a A tambin diagonaliza a A-1.
8.4.3
De ser posible, diagonalizar las siguientes
matrices:
2 1
3 4
0 a
a.-
;
; b.-
; c.-
a 0
1 2
5 2
5 6 3
2 5 6
d.- 1 0 1 ; e.- 4 6 9 ;
1 2 1
3 6 8
f.- 5
1
h.- 2
1
1 2
3 3 ;
0 2
2 1
0 3 .
3 0
3 1 0
g.- 4 1 0 ;
4 8 2
8.4.4 Para cada una de las siguientes matrices, determine

la expresin general de su n-sima potencia:
2 1
4 3
3 4
a.-
; b.-
; c.-
.
3 2
2 1
1 2
8.4.5 Si A de n x n es una matriz diagonalizable con

todos sus valores caractersticos diferentes. Prubese
que las matrices que conmutan con A son las que tienen
sus mismos vectores caractersticos, y slo ellas.
8.4.6 Demuestre que las siguientes matrices no son
diagonalizables:
1 8 7
1 4
2 2
a.-
;
b.;
c.
0 1 4 ;
2
1

5
1
0 5 2
0
d.-
0
0 0
1 0
0 2
0 3
0
.
7
8.4.7 Demuestre que la matriz:

1 2 3
0 2 3
A
0 0 3
0 0 0
4
4
4
es diagonalizable. Encuentre una matriz no singular P
tal que P-1AP sea una matriz diagonal.
8.4.8 Para cada una de las siguientes matrices,

determine la expresin general de su n-sima potencia:
7 12 2
2 8 6
a.- 3 4 0 ; b.- 4 10 6 .
4 8 4
2 0 2
JOE GARCIA ARCOS
438
8.4.9 Suponga que los polinomios de grado 5 mostrados

a continuacin son polinomios caractersticos de alguna
matriz A de orden 5. En cada caso, diga si la matriz A es
diagonalizable, si no es diagonalizable, o si posiblemente
sea diagonalizable. En el ltimo caso, diga qu
condiciones adicionales se deben cumplir para que la
matriz A sea diagonalizable:
a.- p(O) = (1 - O)(2 - O)(3 - O)(4 - O)(5 - O);
b.- p(O) = (1 - O)2(3 - O)(-1 - O)2;
c.- p(O) = (-1 - O)(-3 + 2O + O2)(6 - 5O + O2);
d.- p(O) = (2 - O)(O2 + 2O + 6)(O2 - 3O + 2);
e.- p(O) = (O3 - 5O2 + 6O)(-20 + 9O - O2);
f.- p(O) = (1 - O)3(1 + O2).
8.4.10 Sea A de n x n una matriz idempotente de rango

r:
a.- Prubese que sus nicos valores caractersticos son 0
y 1.
b.- Prubese que el subespacio propio V(O),
correspondiente al valor caracterstico O = 0, tiene
dimensin r y que el subespacio propio V(O),
correspondiente al valor caracterstico O = 1 tiene
dimensin n - r; dedzcase de ello que A es
diagonalizable y hllese su forma diagonal.
8.5 D I A G O N A L I Z A C I O N D E M A T R I C ES SI M E T R I C AS Y H E R M I T I C AS
En esta seccin se abordar el problema de determinar una base ortonormal para el espacio vectorial V,
integrada por vectores caractersticos de un endomorfismo simtrico f.

En la seccin anterior se puso de manifiesto que no todas las matrices cuadradas,

de un cierto orden, de elementos complejos son diagonalizables y se ha obtenido
una condicin necesaria y suficiente para que lo sean; cuando los elementos de
una matriz son todos reales, se obtiene un caso particular del anterior para el que
son vlidas las consecuencias obtenidas para aqul. Obsrvese entonces que no
toda matriz real ser diagonalizable; caso de serlo, su forma diagonal ser, en
general, una matriz compleja, pues sus valores caractersticos no han de ser
necesariamente reales, sino que pueden muy bien ser nmeros complejos, ya que
la ecuacin caracterstica, ecuacin algebraica de grado n con coeficientes reales,
tiene n races en C, las cuales slo en casos especiales sern todas ellas reales.
Cuando se considere una matriz cuadrada real que adems sea simtrica, caso este
muy frecuente en los problemas de la fsica, la simetra de la matriz trae consigo
grandes simplificaciones que permiten llegar a conclusiones francamente
interesantes. La situacin para las matrices reales simtricas, es an ms rica en
resultados: si al espacio vectorial R n se lo considera con su estructura ordinaria de
espacio eucldeo, entonces, adems de ocurrir que hay n vectores caractersticos
independientes, ocurre que es siempre posible elegir n vectores caracterstico
formando un sistema ortonormal; dicho de otra forma, existe siempre una base
ortonormal de R n constituida por vectores propios de una matriz real y simtrica
de orden n. As las cosas, si es A una matriz real simtrica y D su forma diagonal:
D = P-1AP, la matriz P cuyos vectores columna son vectores caractersticos, de A,
linealmente independientes, puede elegirse de manera que sea ortogonal; en
consecuencia, las cosas ocurren de modo que una matriz real simtrica es
semejante a una matriz diagonal, pero con la particularidad de que la matriz de
cambio es ortogonal, y se dice entonces que A es ortogonalmente semejante a una
matriz diagonal, o que A es ortogonalmente diagonalizable.
El procedimiento que se sigue en esta seccin, para llegar a los resultados que se
acaban de enunciar, va encaminado a probar la existencia de n vectores
caractersticos ortonormales de una matriz real simtrica, conseguido lo cual, el
resto de las cuestiones a demostrar resultan simples. Una matriz cuadrada A de
n x n real, considerada como un caso particular de las matrices complejas, tiene n
valores caractersticos que son las races de la ecuacin, en O: Det(A - OI) = 0,
esta ecuacin, algebraica de grado n de coeficientes reales, tiene n races en C
contando cada una tantas veces como indica su orden de multiplicidad. Por tanto,
JOE GARCIA ARCOS
439
los valores caractersticos de A pueden ser nmeros complejos, aun cuando A sea
real; lo que s se sabe es que, por ser reales los coeficientes de la ecuacin, si una
matriz real tiene valor caracterstico complejo, tiene tambin por valor
caracterstico el complejo conjugado y con igual orden que aqul. Para cada valor
caracterstico O de A, los vectores caractersticos correspondientes a O son los
vectores no nulos u C tales que Au = Ou; en general, estos vectores
caractersticos son complejos; pero, si O es real, la ecuacin (A - OI) = que da
los vectores caractersticos proporciona soluciones reales.
El problema que ahora se considera es aquel en el que la matriz cuadrada real A
de orden n es adems una matriz simtrica y, en tal hiptesis, se pretende
demostrar que todos los valores caractersticos de A son nmeros reales.
T E O R E M A 8.5.1
Si A es una matriz simtrica, O1 y O2 son dos valores caractersticos de A
y u1 es un vector propio correspondiente a O1 y u2 lo es a O2, entonces se
verifica
(O1 - O2)uT2 u1 = 0.
De acuerdo con la hiptesis, se verifica Au1 = O1u1 y Au2 = O2u2; multiplicando
por la izquierda la primera igualdad por uT2 y la segunda igualdad por uT1, se
obtiene:
uT2Au1 = O1uT2u1 y uT1Au2 = O2uT1u2
de la segunda de estas igualdades, y dado que A es simtrica, al trasponer ser
uT2Au1 = O2uT2u1
que comparada con la primera permite escribir
O1uT2u1 = O2uT2u1
de donde
(O1 - O2)uT2 u1 = 0.
T E O R E M A 8.5.2
Todos los valores caractersticos de una matriz real y simtrica son
nmeros reales.
Todo valor caracterstico O de la matriz real simtrica A es un nmero complejo,
y se pretende demostrar que tiene nula su parte imaginaria o, lo que es igual, que
coincide con su conjugado, es decir, O = O . Supngase que as no ocurre y que,
en consecuencia, fuese O z O ; de esta hiptesis se pretende llegar a una
contradiccin que obliga a rechazarla. Si O fuese, un valor caracterstico de A,
complejo pero no real, y u z un vector caracterstico correspondiente a O, es
decir, Au = Ou, donde u es la matriz columna de las coordenadas de u, entonces el
nmero complejo O, O z O , tambin sera valor caracterstico de A, ya que, por
ser A real, todos los coeficientes de la ecuacin caracterstica son reales y sta, al
admitir una raz compleja, admite tambin como raz a su conjugada; por otra
parte, dado que A es real, tomando conjugados en Au = Ou, se obtiene Au Ou ,
de donde se infiere que el vector u , conjugado del vector u, es un vector
caracterstico correspondiente a O . Aplicando la proposicin anterior a los
valores caractersticos O y O y sus vectores caractersticos u y u , se obtiene
(O - O ) u T u = 0, pero como se ha supuesto que O z O , habr entonces de
satisfacerse u T u = 0, es decir
a1a1 a2 a2 ... an an | a1 |2 | a2 |2 ... | an |2 0
de donde se deduce que ha de verificarse a 1 = 0, a 2 = 0, ..., an = 0, es decir, u = ,
JOE GARCIA ARCOS
440
lo cual va contra la hiptesis de ser u un vector caracterstico y, por tanto, no

nulo. Esta contradiccin lleva a desechar la posibilidad de que una matriz real
simtrica tuviese algn valor caracterstico no real.
Los vectores caractersticos de una matriz real simtrica pueden elegirse de
manera que tengan sus componentes reales. Ms exactamente: de cada direccin
de vectores caractersticos puede seleccionarse uno, y, por tanto, infinitos, que
tenga todas sus componentes reales. Esto es evidente, dado que, por ser reales
todos los valores caractersticos y serlo tambin la matriz A, las ecuaciones
(A - OI)u = , que proporcionan los vectores caractersticos, son sistemas de
ecuaciones lineales en el cuerpo R. Obsrvese que, si u es un vector caracterstico
real de A, tambin es vector caracterstico de A el vector ku y si para k se toma un
nmero complejo se obtiene un vector caracterstico complejo. De ahora en
adelante, y puesto que es posible hacerlo, se considerarn nicamente como
vectores caractersticos de una matriz real simtrica aquellos que sean de
componentes reales, es decir, pertenecientes a R n.
Segn ya es sabido, dos matrices A, B de n x n reales, se dicen semejantes cuando
existe una matriz no singular P tal que A = P -1BP; en tal caso, las matrices A y B
estn asociadas, pero distintas, a una misma transformacin lineal f : R n o R n y
es P la matriz del cambio de bases; es decir, la ecuacin matricial del cambio, de
las coordenadas para las que f se le asocia B, es u = Pv. Supngase que a R n se le
considera no slo como espacio vectorial, sino que tambin se tiene en cuenta su
estructura de espacio vectorial eucldeo, y que, por tanto, tiene perfecto sentido
considerar bases ortogonales en R n; los cambios de bases tales que tanto la base
de partida como la base de llegada son ortogonales vienen dados por matrices P
de cambio que son ortogonales, es decir, tales que P T = P-1.
Dos matrices A, B de n x n reales, se dicen ortogonalmente semejantes
cuando existe una matriz ortogonal P tal que A = P-1BP.
Segn esta definicin, las matrices A y B son ortogonalmente semejantes cuando,
siendo semejantes, la matriz de cambio es ortogonal. Si es f la transformacin
asociada a la matriz A en la base cannica de R n, las matrices ortogonalmente
semejantes a A son las asociadas a f en las diferentes bases ortonormales de R n.
La existencia de semejanza ortogonal es, ms fuerte que la de semejanza; de
forma que el hecho de ser dos matrices ortogonalmente semejantes implica
evidentemente que dichas matrices sean semejantes.
Aun cuando de momento no ser utilizado, conviene hacer notar que si dos
matrices A y B son ortogonalmente semejantes, son, como consecuencia,
congruentes; en efecto, si A = P-1BP, siendo P ortogonal, es evidente que
A = PTBP, es decir, A y B son congruentes siendo ortogonal la matriz de
transformacin, es decir, ortogonalmente congruentes. Se tiene entonces que, para
toda matriz real cuadrada A, su transformada por semejanza mediante una matriz
ortogonal y su transformada por congruencia mediante la misma matriz son
iguales; es decir, si slo se considerasen matrices de cambio ortogonales, la
semejanza y la congruencia seran una misma cosa; dicho de otra forma, la
semejanza ortogonal y la congruencia ortogonal son conceptos equivalentes.
Para cualquiera que sea la matriz A de n x n, real y simtrica, la
transformacin lineal f : R n o R n asociada a A respecto de la base
cannica de R n se dice que es una transformacin simtrica.
JOE GARCIA ARCOS
441
Si f es una transformacin simtrica ocurre entonces que, respecto de cualquier

base ortonormal de R n, su matriz asociada es simtrica; en efecto: la matriz A,
asociada a f en la base cannica, es simtrica; el cambio a otra base ortonormal
viene dado por una matriz P ortogonal y, en consecuencia, la matriz B asociada a
f en la nueva base ortonormal es
A = P -1BP = PTBP, que evidentemente es
simtrica, ya que
AT = (PTBP)T = PTBT(PT)T = PTBP = A.
Resulta entonces que una transformacin f : R n o R n es simtrica cuando, en
cualquier base ortonormal, su matriz asociada es simtrica. Obsrvese que la
matriz asociada a una transformacin simtrica en una base no ortonormal no
tiene que ser forzosamente una matriz simtrica, an cuando pueda serlo en casos
especiales.
T E O R E M A 8.5.3
Para una matriz real simtrica, los subespacios propios correspondientes
a valores caractersticos diferentes son ortogonales.
Hay que demostrar que cualquier vector caracterstico u correspondiente al valor
caracterstico O, es decir, u V(O), es ortogonal a todo vector caracterstico v
V(M), correspondiente al valor caracterstico M; se verifica (O - M)vT u = 0 o, lo
que es igual, a 1b1 + a 2b2 + ... + a nbn = u v = 0 y, por tanto u y v son
efectivamente ortogonales.
T E O R E M A 8.5.4
Si una matriz simtrica real es diagonalizable, entonces es
ortogonalmente diagonalizable.
Una matriz cuadrada es diagonalizable si, y slo si, la suma de las dimensiones de
sus subespacios propios, q1 + q2 + ... + qr, es igual al orden n de la matriz; como
los subespacios propios de una matriz real simtrica, adems de ser disjuntos, son
ortogonales dos a dos, tomando bases ortonormales en cada uno de ellos, el
conjunto formado por los q1 + q2 + ... + qr vectores de las diferentes bases es un
sistema ortonormal de vectores caractersticos de la matriz que, si sta es
diagonalizable, se trata, de una base ortonormal de R n de vectores caractersticos
de la matriz A; respecto de dicha base, la matriz D, semejante a A, es diagonal y
esta diagonalizacin se ha realizado, entonces, mediante una matriz de
transformacin P ortogonal, ya que es aquella cuyos vectores columna son los de
la mencionada base ortonormal de R n y, en consecuencia, A es ortogonalmente
diagonalizable.
El problema de demostrar que una matriz A real y simtrica, es ortogonalmente
diagonalizable, es decir, existe P ortogonal tal que D = P -1AP es una matriz
diagonal, no es otro que el de demostrar la existencia de una base ortonormal de
R n constituida por vectores caractersticos de A, los cuales sern los vectores
columna de la matriz P.
T E O R E M A 8.5.5
Si f : R n o R n es una transformacin lineal simtrica y V es un
subespacio de R n tal que f(V) V, entonces V tiene, al menos, una base
ortonormal constituida por vectores caractersticos de f.
Se proceder por induccin sobre la dimensin de V, es decir, probando que es
verdadera si Dim(V) = 1 y demostrando que, caso de ser verdadera cuando
Dim(V) = q 1, tambin lo es si Dim( V) = q. La comprobacin de la veracidad
de la proposicin cuando V tiene dimensin 1 es inmediata: como existe un
JOE GARCIA ARCOS
442
u
es una
|| u ||
base ortonormal de V y adems v es vector caracterstico de f, ya que f(v) es un
vector de V, pues f(V) V, y, por tanto, para un cierto nmero real O, es
f(v) = Ov, lo que confirma la veracidad. Queda por cerciorarse de que la propiedad
es verdadera para cualquiera que sea la dimensin q de V, en el supuesto de que
lo sea para los espacios de dimensiones q 1; en efecto, {u1, u2, ..., uq} una base
ortonormal de V, la cual puede completarse con n q vectores hasta constituir
una base ortonormal {u1, u2, ..., uq, uq+1, uq+2, ..., un} de R n; como f es una
transformacin simtrica, la ecuacin de f en esta ltima base viene dada por una
matriz A simtrica, v = Au; por otra parte, como f(V) V, si u V, entonces
v = f(u) V, es decir, si las componentes de lugares q + 1, q + 2, ..., n de u son
nulas tambin lo son las de v = f(u) y, por tanto, A de ser tal que, para todo
u R q, satisfaga a:
a1q
a1n a1
b1 a11

bq aq1
aqq
aqn aq

0
0

0 a
anq
an n 0
n1
en consecuencia, respecto de la base {u1, u2, ..., uq} de V, la restriccin
f | V : V o V, de f a V, tiene ecuacin matricial v1 = A1u1, es decir:
a1q a1
b1 a11 a12

a2q a2
b2 a21 a22
.

aqq aq
bq aq1 aq 2
Por ser A1 real y simtrica sus valores caractersticos son reales y hay al menos un
vector caracterstico real, u z , para el que es f | V (u) = Ou, siendo O el valor
caracterstico que admite a u por vector caracterstico; por tanto, f(u) = Ou, es
u
decir, u es vector caracterstico de f y, en consecuencia, v
V es vector
|| u ||
caracterstico de f. Considrese ahora el subespacio vectorial U, de V, ortogonal a
v, es decir, el constituido por todos los vectores de V ortogonales a v, el cual es de
dimensin q 1; para cualquiera que sea w U, es decir, w V y w A v, ser
f(w) V y w v = 0, y en consecuencia:
f(w) v = (Aw)Tv = wTATv
= wTAv = wT(Av)
= w f(v)
= w Ov
= Ow v = 0
por consiguiente, si w U, entonces f(w) V y f(w) A v, es decir, f(w) U,
resultando entonces que U es un subespacio de R n de dimensin q 1 tal que f le
transforma en s mismo; por tanto, segn lo supuesto, la proposicin es verdadera
para U, es decir, U posee una base ortonormal de vectores caractersticos de f; en
consecuencia, al aadir a esta base el vector v, se obtiene una base ortonormal de
V formada por vectores caractersticos de f.
vector no nulo u de V, el sistema constituido por el nico vector v
T E O R E M A 8.5.6
Toda matriz real y simtrica es ortogonalmente diagonalizable.
JOE GARCIA ARCOS
443
La demostracin de este teorema resulta ya evidente: sea f : R n o R n la
transformacin lineal asociada a la matriz A en la base cannica de R n; f es,
entonces, una transformacin lineal simtrica y, por tanto, segn la consecuencia
anterior, existe una base ortonormal de R n formada por vectores caractersticos de
f, los cuales lo son de A. La matriz P que se busca es, aquella cuyos vectores
columna son los vectores de dicha base ortonormal.
E J E M P L O 8.5.1
Demostrar que los mdulos de todos los valores caractersticos de una matriz
ortogonal son iguales a 1.
SO L U C I O N
Sea A una matriz ortogonal. Entonces
Au Av u AAv u v
para cualesquiera vectores reales u y v. Supongamos que O = a + bi es un valor
caracterstico de la matriz A y que w = u + vi es su vector caracterstico
correspondiente. Entonces
Au = au bv, Av = av + bu,
de donde
a2 v
v v Av Av
v v Av Av
b2 u
2abu v ,
2abu v .
a v b u
Sumando estas igualdades, obtenemos a 2 + b2 = 1.

E J E M P L O 8.5.2
Demostrar que los vectores caractersticos de una matriz ortogonal, pertenecientes
a un valor caracterstico imaginario, tienen la forma u + iv, donde u, v son
vectores reales, iguales de longitud y ortogonales.
SO L U C I O N
Para b GHODV~OWLPDVLJXDOGDGHVGHOSUREOHPDDQWHULRUREWHQHPRV
b( u
v ) 2a u v 0 .
Por otra parte,
u v Au Av ( a 2 b2 )u v ab u
v
de donde
a( u
v ) 2bu v 0 .
Por consiguiente
u v
v
0.
E J E M P L O 8.5.3
Demuestre que una matriz P de n x n es ortogonal s y slo si sus vectores
columna forman un conjunto ortonormal.
SO L U C I O N
Suponga que los vectores columna de la matriz P forman un conjunto ortonormal:
p11 p12 ... p1n
p
p22 ... p2 n
P ( p1 : p2 :...: pn ) 21
.
pn1 pn 2 ... pnn

Entonces el producto PTP es de la forma
JOE GARCIA ARCOS
444
p11 p21 ... pn1 p11 p12 ... p1n
p
p22 ... p22 p21 p22 ... p2 n
P T P 12
p1n p2 n ... pnn pn1 pn 2 ... pnn

p1 p1 p1 p2 ... p1 pn
p2 p1 p2 p2 ... p2 pn
p p p p ... p p
n
2
n
n
n 1
dado que el conjunto {p1, p2, ..., pn} es ortonormal, se tiene que pi p j 0 , i z j
y pi pi
pi
1 . Por tanto, la matriz compuesta de productos interiores es
de la forma

PT P =
=I.
M M
M

T
-1
Lo anterior implica que P = P y se concluye que P es ortogonal.
E J E M P L O 8.5.4
Diagonalizar ortogonalmente las siguientes matrices:
1 4 2
4 2 2
2 0 36
a.- 4 1 2 ; b.- 2 4 2 ; c.- 0 3 0 .

2 2 2
36 0 23
2 2 4
SO L U C I O N
a.- Para diagonalizar la matriz A, debemos encontrar los valores y vectores
1 O 4
2
= (6 - O)(O + 3)2 = 0 O1 = -3, O2 = 6.
4 1 O
2
2
2 2 O
4 4 2
O1 = -3: 4 4 2
2 2 1
0 4 4 2 0

0 | 0 0 0 0
0 0 0 0 0
SpanV(-3) = {( a , b, c) / 2 a 2b + c = 0}
BaseV(-3) = {(1, 0, -2), (0, 1, 2)} dimV(-3) = 2.
5 4 2 0 5 4 2 0 1 0 2 0
O2 = 6: 4 5 2 0 | 0 1 2 0 | 0 1 2 0
2 2 8 0 0 1 2 0 0 0 0 0

SpanV(6) = {( a , b, c) / a = 2c, b = - 2c}

BaseV(6) = {(2, -2, 1)} dimV(6) = 1.
Base V(O) = {(1, 0, -2), (0, 1, 2), (2, -2, 1)}
4 2
Base ortogonal V(O) = (1, 0, 2), ,1, , (2, 2,1)
5
5
5 4 2 1
1
Base ortonormal V(O) = (1, 0, 2),

,1, , (2, 2,1)
3
5
5
3
JOE GARCIA ARCOS
445
P 0
2

5
4
3 5
5
3 5
2
3 5
3
2

3
1
1
4
2
1
4
2
3
3
5 3 5
5 3 5
1 4 2
5
2
5
2
D = P T AP 0
4 1 2 0

3
3
3 5
3 5
2 2 2
2
2
2
1
2
1

3
3
5 3 5
5 3 5
3 0 0
0 3 0
0 0 6
b.- Para diagonalizar la matriz A , debemos encontrar los valores y vectores

4O
2
2
= (8 - O)(O - 2)2 = 0 O1 = 2, O2 = 8.
2
4O
2
2
2
4O
2 2 2
O1 = 2: 2 2 2
2 2 2
0 2 2 2 0

0 | 0 0 0 0
0 0 0 0 0
SpanV(2) = {( a , b, c) / a + b + c = 0}
BaseV(2) = {(-1, 1, 0), (-1, 0, 1)} dimV(2) = 2.
4 2 2 0 2 1 1 0 2 1 1 0
O2 = 8: 2 4 2 0 | 1 2 1 0 | 0 1 1 0
2 2 4 0 1 1 2 0 0 1 1 0

1 0 1 0
0 1 1 0
0 0 0 0
SpanV(8) = {( a , b, c) / a = c, b = c}
BaseV(8) = {(1, 1, 1)} dimV(8) = 1.
Base V(O) = {(-1, 1, 0), (-1, 0, 1), (1, 1, 1)}
1 1
Base ortogonal V(O) = (1,1, 0), , ,1 , (1,1,1)
2
2
2 1 1 1
1
(1,1, 0),
(1,1,1)
Base ortonormal V(O) =
, ,1 ,
2
2
2
3
3
1
1
1

2
6
3
1
1
1
P

6
3
2
2
1
0
6
3
JOE GARCIA ARCOS
446

T
1
1
1
1
1
1
2
6
3
2
6
3 2
4 2 2
1
1
1
1
1
1
D = P T AP =
2
4
2
0
2
6
3
6
3
2 2 4
0
2
1
2
1
0
0
6
3
6
3
c.- Para diagonalizar la matriz A, debemos encontrar los valores y

2 O
0
36
= (O + 3)(25 O)(O + 50) = 0
0
3 O
0
36
0 0
2 0
0 8
vectores
23 O
O1 = -50, O2 = -3, O3 = 25.

48 0 36 0 4 0 3 0 4 0 3 0
0 | 0 1 0 0 | 0 1 0 0
O1 = -50: 0 47 0
36 0 27 0 4 0 3 0 0 0 0 0
SpanV(-50) = {( a , b, c) / 4a - 3c = 0, b = 0}
BaseV(-50) = {(3, 0, 4)} dimV(-50) = 1.
1 0 36 0 1 0 36 0 1 0 36 0
0 | 0 0 0
0 | 0 0 0
0
O2 = -3: 0 0 0
36 0 20 0 9 0 5
0 0 0 324 0

1 0 0 0
0 0 0 0
0 0 1 0
SpanV(-3) = {( a , b, c) / a = c = 0}
BaseV(-3) = {(0, 1, 0)} dimV(-3) = 1.
27 0 36 0 3 0 4 0 3 0 4

0 | 0 1 0 0 | 0 1 0
O3 = 25: 0 28 0
36 0 48 0 3 0 4 0 0 0 0

SpanV(25) = {( a , b, c) / 3 a 4c = 0, b = 0}
BaseV(25) = {(-4, 0, 3)} dimV(25) = 1.
Base V(O) = {(3, 0, 4), (0, 1, 0), (-4, 0, 3)}
0
0
4
3
5 0 5
1
1
Base ortonormal V(O) = (3, 0, 4), (0,1, 0), (4, 0, 3) P 0 1 0

5
5
4
3
0
5
5
T
4
4
3
3
5 0 - 5 -2 0 -36 5 0 - 5
D = P T AP = 0 1 0 0 -3 0 0 1 0
4
3 -36 0 -23 4
3
0
0
5
5
5
5
-50 0 0
= 0 -3 0 .
0 0 25
JOE GARCIA ARCOS
447
PR O B L E M AS
8.5.1
Demuestre que si una matriz simtrica A
solamente tiene un valor caracterstico O, entonces
A = OI.
8.5.2 Obtener una matriz simtrica B de 2 x 2 tal que
B2 = A para la matriz
2 1
A
.
1 2
8.5.3 Determine una matriz ortogonal P tal que P -1AP
sea diagonal para la matriz
a b
A
.
b a
8.5.4 Diagonalizar ortogonalmente las
matrices:
1 2 1
0 2 3
a.- 2 3 0 ; b.- 2 4 1 ;
1 0 1
3 1 5
1

1
1
4

2

3
c.- 1 1 1 ; d.- 2 2 1 ;
3 1 2
1 1 0
siguientes
6 3 2
e.- 3 7 4 .
2 4 8
8.5.5 Prubese que el endomorfismo nulo es el nico

endomorfismo simtrico y nilpotente.
8.5.6 Sea A una matriz simtrica de orden n, tal que en
su diagonal principal aparecen slo ceros. Demuestre que
la suma de todos sus valores caractersticos es igual a
cero.
8.5.7 Si A de n x n es una matriz diagonal con todos

los elementos de su diagonal principal diferentes.
Prubese que las matrices que conmutan con A son las
matrices diagonales, y slo ellas.
8.5.8 Diagonalizar ortogonalmente las
simtricas:
3 1 0
17 8 4
a.- 1 3 0 ; b.- 8 17 4 ;
4 4 11
0 0 2
5 10 8
2 2 2
c.- 10 2
2 ; d.- 2 5 4 ;
2 4 5
8
2 11
matrices
6 2 2
11 2 8
e.- 2 5 0 ; f.- 2 2 10 ;
2 0 7
8 10 5
4i
6 2i
4 3i
g.- 4i
4 3i 2 6i .
6 2i 2 6i
1
8.5.9 Sea A una matriz simtrica de orden n. Suponga

que todos los valores caractersticos de A son cero.
Muestre que en tal caso, A es la matriz cero. Por medio
de un ejemplo concreto, muestre que esta afirmacin es
falsa si A no es simtrica.
8.5.10 Sea f : R 3 o R 3 el operador lineal para el cual
f(e1) = f(e2) = f(e3) = (1, 1, 1), en donde e1, e2, e3 son los
vectores de la base cannica de R 3. Encuentre una base
ortonormal de R 3 respecto de la cual la representacin
matricial de f sea una matriz diagonal.
8.6 P O L I N O M I O M I NI M O D E U N A M A T R I Z
En esta seccin se ver cmo determinar el polinomio mnimo del endomorfismo f, utilizando el polinomio
caracterstico.

En esta seccin ser de inters estudiar polinomios que son anulados por matrices.
Ms concretamente, se estudiar el problema de, dada una matriz A de n x n,
encontrar un polinomio de menor grado que es anulado por la matriz A.
Tal polinomio existe. Adems, su grado no excede a n2. Uno de los resultados
importantes que se ver en esta seccin es el grado de tal polinomio de hecho no
excede a n.
JOE GARCIA ARCOS
448
Sea A una matriz cuadrada de orden n. Se dice que m(x) es un polinomio
mnimo de A si m(x) es un polinomio mnico y es, de entre todos los
polinomios que son anulados por A, un polinomio del menor grado
posible.
T E O R E M A 8.6.1
El polinomio mnimo de una matriz es nico.
Sean m1(x) y m2(x) dos polinomios de A. Segn la definicin, m1(x) y m2(x) son
polinomios mnicos del mismo grado, dgase
m1(x) = a 0 + a 1x + ... + a k-1xk-1 + xk
y
m2(x) = b0 + b1x + ... + bk-1xk-1 + xk
Se quiere demostrar que a 0 = b0, a 1 = b1 a k-1 = bk-1, es decir, que
m1(x) = m2(x). Sea p(x) = m1(x) - m2(x). Entonces
p(x) = (a 0 b0) + (a 1 b1)x + ... + ( a k-1 bk-1)xk-1 + xk
Supngase, para obtener una contradiccin, que existe j, 1 d j d k 1 tal que
a j bj z 0. Tmese el menor ndice j con esta propiedad. Entonces
p(x) = (a 0 b0) + (a 1 b1)x + ... + ( a j bj)xj.
Sea
1
p( x)
p( x)
a j bj
se tiene que
a.- p( x) es un polinomio mnico;
b.-
p( x) es anulado por la matriz A, pues

1
1
p(A)
p(A)
(m1 (A) m2 (A))
a j bj
a j bj
1
0 0
a j bj
Como el grado del polinomio p( x) es menor que k = grado de m1(x) = grado de

m2(x), las propiedades mostradas anteriormente contradicen que m1(x) o m2(x) es
un polinomio mnimo de A. Entonces, a j bj = 0. Es decir, que p(x) = 0 y por
tanto, m1(x) = m2(x).
En el siguiente teorema se establece que de hecho el polinomio mnimo de una
matriz A es la pieza con la que se construyen todos los polinomios que son
anulados por A. Ms precisamente, se demostrar que si p(x) es un polinomio que
es anulado por A, entonces p(x) no es ms que un mltiplo del polinomio mnimo
de A.
T E O R E M A 8.6.2
El polinomio mnimo de A, m(x), divide a todo polinomio p(x) que es
anulado por A.
Sea p(x) un polinomio tal que p(A) = 0, se debe demostrar que p(x) = q(x)m(x)
para algn polinomio q(x). Al usar el algoritmo de la divisin para polinomios, se
puede escribir
p(x) = q(x)m(x) + r(x)
en donde q(x) es el cociente de la divisin de p(x) entre m(x) y r(x) es el resto.
Recurdese que el polinomio r (x) tiene la propiedad de que:
a.- r(x) = 0;
b.- grado r(x) < grado m(x).
Se afirma que en este caso, r(x) debe cumplir la primera de estas propiedades. En
efecto, supngase que se cumple la segunda propiedad para r(x), esto es, grado
JOE GARCIA ARCOS
449
r(x) < grado m(x). Como r(x) = p(x) q(x)m(x) se tiene

r(A) = p(A) q(A)m(A) = 0 q(A) = 0.
Entonces, r(x) sera un polinomio que es anulado por A, el cual puede suponerse
mnico, de grado menor al de m(x). Esto contradice el hecho de que m(x) es el
polinomio mnimo de A. Se tiene entonces que r(x) = 0 y por tanto,
p(x) = q(x)m(x).
Dadas las matrices semejantes A y B, se sabe que ambas poseen el mismo
polinomio caracterstico. Enseguida se mostrar que tambin poseen el mismo
polinomio mnimo. Esto ser una consecuencia del teorema siguiente.
T E O R E M A 8.6.3
Si A y B son matrices semejantes dgase que A = C-1BC, y p(x) es
cualquier polinomio, entonces p(A) = C-1p(B)C.
Primeramente, prubese que para cualquier n N se tiene la relacin
An = C-1BnC
por induccin. Para n = 1, el resultado es obvio. Supngase entonces vlido el
resultado para n = k y demustrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
T E O R E M A 8.6.4
Matrices semejantes tienen el mismo polinomio mnimo.
Sean A y B dos matrices semejantes. Existe entonces C no singular tal que
A = C-1BC. Dentese por mA(x) y mB(x) a los polinomios mnimos de A y B,
respectivamente. Entonces
mB(A) = C-1m(B)C = C-10C.
Por tanto, existe q(x) tal que mB(x) = q(x)mA(x). De donde
grado mB(x) t grado mA(x).
Un argumento similar nos conduce a que
grado mA(x) t grado mB(x).
Entonces
grado mA(x) = grado mB(x)
mB(x) es, pues, un polinomio mnimo, del mismo grado que mA(x), que es anulado
por A. Por lo tanto mB(x) debe ser mA(x).
El siguiente teorema es uno de los resultados clsicos del lgebra lineal. En l se
establece que el polinomio caracterstico de una matriz cuadrada A es un
polinomio que es anulado por A.
T E O R E M A 8.6.5
Sea A una matriz cuadrada de orden n y sea p(x) su polinomio
caracterstico. Entonces p(A) = 0. Esto se conoce con el nombre de
teorema de Hamilton Cayley.
Escrbase el polinomio caracterstico de A como
p(O) = Det(A - OI) = (-1)n( a 0 + a 1O + ... + a n-1On-1 + On).
Considrese la matriz A - OI de orden n. En el captulo 3, establecimos la frmula
(A - OI)Adj(A - OI) = Det(A - OI).
Recurdese que los elementos de la matriz adjunta de A - OI son los cofactores de
JOE GARCIA ARCOS
450
los elementos de la matriz A - OI. Estos cofactores se obtienen calculando

determinantes de submatrices de A - OI de orden n 1. Es fcil convencerse
entonces que cada uno de los elementos de la matriz Adj(A - OI) es un polinomio
de grado a lo ms n 1 en O, en donde
p(O) = c i j0 + c i j1O + c i j2O2 c i jn-1On-1
Llmese B(k) a la matriz de orden n que tiene por elementos a c i jk, k = 0, 1, ...,
n - 1. Es claro entonces, que
Adj(A - OI) = B0 + B1O + B2O2 %n-1On-1.
Se tiene entonces de la expresin (A - OI)Adj(A - OI) = Det(A - OI) que
(A - OI)(B0 + B1O + B2O2 %n-1On-1) = (-1)n(a0 + a1O + a2O2 + anOn)I.
Al realizar las operaciones indicadas en esta expresin e igualar los coeficientes
de las potencias similares de O se obtiene
AB0 = (-1)na 0I
-B0 + AB1 = (-1)na 1I
...
-Bn-2 + ABn-1 = (-1)na n-1I
-Bn-1 = (-1)nI
Al premultiplicar la segunda de estas expresiones por A, la tercera por A2, ..., la
ltima por An, se obtiene
AB0 = (-1)na 0I
-AB0 + A2B1 = (-1)na 1A
...
-An-1Bn-2 + AnBn-1 = (-1)na n-1An-1
-AnBn-1 = (-1)nAn
Obsrvese que al sumar todas estas expresiones, todos los trminos que aparecen
en el lado izquierdo de stas, se cancelarn unos con otros. Entonces, se obtiene
(-1)n( a 0I + a 1A + ... + a n-1An-1 + An) = 0
es decir que p(A) = 0.
T E O R E M A 8.6.6
El polinomio mnimo de una matriz divide a su polinomio caracterstico.
El siguiente teorema reduce considerablemente el trabajo de determinar el
polinomio mnimo de una matriz a partir de su polinomio caracterstico. Con l,
se habra podido asegurar desde un principio que los polinomios m1(O), m2(O) y
m3(O) del ejemplo anterior no podran ser los polinomios mnimos de la matriz A.
T E O R E M A 8.6.7
Sea O un valor caracterstico de la matriz A, y sea u un vector
caracterstico asociado al valor caracterstico O. Si q(O) es un polinomio
cualquiera, se tiene que q(A)u = q(O)u.
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relacin establece que u es un vector propio de A asociado al valor
propio O. Supngase vlida la relacin para k y prubese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = ( a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O)u.
JOE GARCIA ARCOS
451
T E O R E M A 8.6.8
Si O1, O2, ..., Ok son los valores caractersticos diferentes de la matriz A y
si el polinomio caracterstico de A es
p(O) = (-1)k(O - O1)s1(O - O2)s2 ... (O - Ok)sk
entonces el polinomio mnimo de A tiene la forma
m(O) = (O - O1)r2(O - O3)r3 O - Ok)rk
en donde 1 d r i d si, i = 1, 2, ..., k. Es decir, todo factor lineal que
aparezca en el polinomio caracterstico de A, debe tambin aparecer en
su polinomio mnimo.
El ltimo resultado que se ver en esta seccin relaciona la propiedad de
diagonalizacin de una matriz A con la estructura de su polinomio caracterstico.
T E O R E M A 8.6.9
Sea O1, O2, ..., Ok los valores propios diferentes de la matriz A. Esta
matriz es diagonalizable si, y slo si su polinomio mnimo es
m(O) = (O - O1)(O - O2) ... (O - Ok).
Supngase primeramente que A es diagonalizable. Existe entonces una matriz no
singular P tal que P-1AP = D, en donde D es una matriz diagonal. An ms, en la
diagonal principal de D aparecen los valores propios de A. Entonces, el polinomio
caracterstico de D es
p(O) (1) k (O O1 )s1 (O O2 )s2 ...(O O k )sk
en donde
si = DimV(Oi), i = 1, 2, ..., k y s1 + s2 + sk = n.
Segn el teorema anterior, en el polinomio mnimo de D deben aparecer todos los
factores
(O - O1)(O - O2) ... (O - Ok). Es claro que el polinomio mnico de
menor grado posible en el que aparecen todos estos factores es
m(O) = (O - O1)(O - O2) ... (O - Ok).
Se ver que de hecho ste es el polinomio mnimo de D. Basta verificar entonces
que m(D) = 0. Obsrvese que
m(D) = (D - O1I)(D - O2I) ... (D - OkI).
A partir de la estructura de la matriz D, se puede deducir que D - O1I es una
matriz diagonal con ceros en la primera DimV(O1) posiciones de la diagonal
principal, D - O2I es una matriz diagonal con ceros en las Dim V(O2) posiciones
despus de las primeras Dim(O1) posiciones de la diagonal principal, etc. D - O1I
es una matriz diagonal con ceros en la ltima DimV(Ok) posiciones de la diagonal
principal. Por otra parte, q(D) es el producto de k matrices diagonales. Se sabe
que al multiplicar matrices diagonales se obtiene tambin una matriz diagonal en
cuya diagonal principal aparecen los productos de los elementos correspondientes
de las diagonales principales de cada una de las matrices en el producto. Por lo
analizado anteriormente acerca de la estructura de las matrices diagonales D - OiI,
i = 1, 2, ..., k que aparecen como vectores en q(D), se concluye que q(D) = 0.
Entonces
m(O) = (O - O1)(O - O2) ... (O - Ok)
es el polinomio mnimo de D. Es, por tanto, el polinomio mnimo de A.
Supngase ahora que el polinomio mnimo de A es de la forma mostrada
anteriormente para m(O). Considrense los espacios vectoriales V(O1), V(O2), ...,
V(Ok) correspondientes a los valores propios O1, O2, ..., Ok, respectivamente.
Recurdese que V(Oi) es el espacio solucin del sistema homogneo (A - OiI)u =
. De acuerdo a lo visto en secciones anteriores, la dimensin del subespacio
propio V(Oi) es DimV(Oi) = n Rang(A - OI).
Anteriormente, se prob que para cualesquiera dos matrices cuadradas A y B de
orden n se cumple
JOE GARCIA ARCOS
452
Rang(AB) t Rang(B) + Rang(A) n.

En el argumento que se presenta a continuacin se har uso repetido de las dos
frmulas anteriores. Se tiene
Rang(A - O1I) = n DimV(O1)
Rang(A - O2I)(A - O1I) t Rang(A - O1I) + Rang(A - O2I) n
= n - DimV(O1) - DimV(O2)
Rang(A - O3I)(A - O2I)(A - O1I) t Rang(A - O2I)(A - O1I) + Rang(A - O3I) n
= n - DimV(O1) - DimV(O2) - DimV(O3)
Al continuar con este argumento se llega a
Rang(A - Ok,$- O1I) t n - DimV(O1) - ... - DimV(Ok)
Pero (A - Ok,$- O1I) = m(A) = 0 y es claro que el rango de la matriz nula es
cero. Se concluye entonces
n d DimV(O1) + ... + DimV(Ok).
Por otra parte, si si es la multiplicidad de Oi como raz en el polinomio
caracterstico de A, se tiene DimV(Oi) d si, i k de donde
DimV(O1) + ... + DimV(Ok) d s1 + s2 + ... + sk = n.
En resumen se ha demostrado que n = DimV(O1) + ... + DimV(Ok) y entonces, A
es diagonalizable.
E J E M P L O 8.6.1
Si A y B son matrices semejantes dgase que A = C-1BC, y p(x) es cualquier
polinomio, entonces p(A) = C-1p(B)C.
SO L U C I O N
Primeramente, prubese que para cualquier n N se tiene la relacin
An = C-1BnC
por induccin. Para n = 1, el resultado es obvio. Supngase entonces vlido el
resultado para n = k y demustrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
E J E M P L O 8.6.2
Para cada una de las siguientes matrices determine su polinomio mnimo:
2 0 0
1 2 3
1 1 0
0 1 0
a.- 0 2 2 ; b.- 0 2 3 ; c.- 1 2 1 ; d.- 0 0 1 .

1 3 3
0 2 1
0 0 3
0 1 1
SO L U C I O N
a.- El polinomio caracterstico de A es p(O) = -O3 - O2 + 8O + 12. Tal como lo
asegura el teorema de Hamilton-Cayley se tiene
p( A) A3 A2 8 A 12 I
8 0 0 4 0 0
2 0 0
1 0 0
0
20
14

0
8
2

8
0
2
2

12
0 1 0 O .
0 14 1 0 2 5
0 2 1
0 0 1
Para determinar el polinomio mnimo m(O) de A , debemos apoyarnos en el

teorema anterior: como m(O) debe dividir a p(O), se tienen entonces las siguientes
posibilidades:
1.- m1(O) = O - 3
2.- m2(O) = O + 2
3.- m3(O) = (O + 2)2 = O2 + 4O + 4
JOE GARCIA ARCOS
453
4.- m4(O) = (O + 2)(O - 3) = O2 - O - 6

5.- m5(O) = (O + 2)2(O - 3)
Se tiene que
m1 (A) = A - 3I z O ,
m2 (A) = A + 2I z O ,
m3 (A) = A + 4A + 4I z O , m4 (A) = A2 - A - 6I = O .
Entonces, m4(O) = O2 - O - 6 es el polinomio mnico de menor grado que es
anulado por A . Este es entonces el polinomio mnimo de A .
b.- El polinomio caracterstico de A es p(O) = -O3 + 6O2 - 11O + 6. Tal como lo
p(A) = -A3 + 6A2 -11A + 6I
2
1 14 75
1 6 18
1 2 3
1 0 0
0 8 57 6 0 4 15 11 0 2 3 6 0 1 0 O .
0 0 27
0 0 9
0 0 3
0 0 1
Para determinar el polinomio mnimo m(O) de A , debemos apoyarnos en el

posibilidades:
1.- m1(O) = 1- O
2.- m2(O) = O - 2
3.- m3(O) = O - 3
4.- m4(O) = (1 - O)(O - 2) = - O2 + 3O - 2
5.- m5(O) = (1 - O)(O - 3) = - O2 + 4O - 3
5.- m6(O) = (O - 2)(O - 3) = O2 - 5O + 6
Se tiene que
m1 (A) = I - A z O , m2 (A) = A - 2I z O , m3 (A) = A - 3I z O ,
m4 (A) = -A2 + 3A - 2I z O , m5 (A) = -A2 + 4A - 3I z O ,

m6 (A) = A2 - 5A + 6I z O .
Entonces, m(O) = p(O) es el polinomio mnico que es anulado por A. Este es
entonces el polinomio mnimo de A.
c.- El polinomio caracterstico de A es p(O) = -O3 + 4O2 - 3O. Tal como lo asegura
el teorema de Hamilton-Cayley se tiene
p(A) = -A3 + 4A2 - 3A
5 9 4
2 3 1
1 1 0
9 18 9 4 3 6 3 3 1 2 1 O .
4 9 5
1 3 2
0 1 1
Para determinar el polinomio mnimo m(O) de A, debemos apoyarnos en el

posibilidades:
1.- m1(O) = O
2.- m2(O) = 1 - O
3.- m3(O) = O - 3
4.- m4(O) = O(1 - O) = O - O2
5.- m5(O) = O(O - 3) = O2 - 3O
5.- m6(O) = (1 - O)(O - 3) = - O2 + 4O - 3
Se tiene que
m1 (A) = A z O , m2 (A) = I - A z O , m3 (A) = A - 3I z O , m4 (A) = A - A2 z O ,
m5 (A) = A2 - 3A z O , m6 (A) = -A2 + 4A - 3I z O .

Entonces, m(O) = p(O) es el polinomio mnico que es anulado por A. Este es el
polinomio mnimo de A.
d.- El polinomio caracterstico de A es p(O) = - O3 + 3O2 - 3O + 1. Tal como lo
JOE GARCIA ARCOS
454

p(A) = -A3 + 3A2 - 3A + I
1 -3 3
0 0 1 0 1 0 1 0 0
= - 3 -8 6 + 3 1 -3 3 - 3 0 0 1 + 0 1 0 = O .
6 -15 10
3 -8 6 1 -3 3 0 0 1
Para determinar el polinomio mnimo m(O) de A, debemos apoyarnos en el

posibilidades:
1.- m1(O) = 1 - O
2.- m2(O) = (1 - O)2
Se tiene que
m1 (A) = I - A z O , m2 (A) = (I - A)2 z O .
Entonces, m(O) = p(O) es el polinomio mnico que es anulado por A. Este es

entonces el polinomio mnimo de A.
E J E M P L O 8.6.3
Sea O un valor caracterstico de la matriz A, y sea u un vector caracterstico
asociado al valor caracterstico O. Si q(O) es un polinomio cualquiera, se tiene que
q(A)u = q(O)u.
SO L U C I O N
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relacin establece que u es un vector propio de A asociado al valor
propio O. Supngase vlida la relacin para k y prubese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = (a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O).
E J E M P L O 8.6.4
Para cada una de las siguientes matrices determine su polinomio caracterstico y
su polinomio mnimo:
2 2 0 0
2 1 0 0
2 1 0 0
1 5 0 0
0 2 1 0
0 2 1 0
a.-
; b.-
; c.-
.
2 0 1 0
0 0 2 1
0 0 2 0
4 0 8 3
0 0 0 2
0 0 0 2
SO L U C I O N
a.- El polinomio caracterstico de A es
p(O) = (O - 3)2(O - 4)(O + 1)
Entonces, el polinomio mnimo de A puede ser
m(O) = (O - 3)(O - 4)(O + 1) m(O) = (O - 3)2(O - 4)(O + 1)
Verifique la primera alternativa
m(A) = (A 3I)(A 4I)(A + I)= O.
Entonces, efectivamente m(O) = (O - 3)(O - 4)(O + 1) es el polinomio mnimo de
A.
b.- El polinomio caracterstico de A es
p(O) = (O - 2)4
m(O) = (O - 2)3 m(O) = (O - 2)4
JOE GARCIA ARCOS
455
m(A) = (A 2I)3 z O.
Entonces, m(O) = p(O) es el polinomio mnimo de A.
c.- El polinomio caracterstico de A es
p(O) = (O - 2)4
m(O) = (O - 2)3 m(O) = (O - 2)4
m(A) = (A 2I)3 = O.
Entonces, efectivamente m(O) = (O - 2)3 es el polinomio mnimo de A.
E J E M P L O 8.6.5
Dada la matriz
1 4 0 2 4
0 2 0 0 0
A 0 6 1 0 0
0 3 2 1 0
0 1 1 3 1
Determine si la matriz es diagonalizable.

SO L U C I O N
Esta matriz tiene por polinomio caracterstico a p(O) = (1 - O)4(2 - O). Para que A
sea diagonalizable, su polinomio mnimo tendra que ser: m(O) = (O - 1)(O - 2),
pero
0 4 0 2 4 1 4 0 2 4
0 1 0 0 0 0 0 0 0 0
m(A) = (A - I)(A - 2I) 0 6 0 0 0 0 6 1 0 0
0 3 2 0 0 0 3 2 1 0
0 1 1 3 0 0 1 1 3 1
0 10 0 14 4
0 0
0 0 0
0 0 0
0 0 .
0 12 2 0 0
0 15 5 3 0
Se concluye entonces que la matriz A no es diagonalizable.
E J E M P L O 8.6.6
Determine el polinomio mnimo de la matriz identidad de orden n, as como el de
la matriz cero de orden n.
SO L U C I O N
Sea I la matriz identidad de n x n. Para encontrar el polinomio caracterstico de
esta matriz, es necesario resolver el siguiente determinante:
Det(I - OI) = Det((1 - O)I) = (1 - O)nDetI = (1 - O)n = 0.
Por lo tanto el polinomio caracterstico es:
p(O) = (1 - O)n
Como el polinomio mnimo divide al polinomio caracterstico, entonces ste
tendra que ser:
m(O) = 1 - O
Sea O la matriz cero de n x n. Para encontrar el polinomio caracterstico de esta
matriz, es necesario resolver el siguiente determinante:
Det(O - OI) = Det(-OI) = (-O)nDetI = (-O)n = 0.
p(O) = (-O)n
JOE GARCIA ARCOS
456

tendra que ser:
m(O) = O.
E J E M P L O 8.6.7
Sea c un nmero real no nulo, considere la matriz de orden n, A = cI. Determine
el polinomio caracterstico de A as como su polinomio mnimo.
SO L U C I O N
Sea A = cI la matriz dada de n x n. Para encontrar el polinomio caracterstico de
Det(A - OI) = Det( cI - OI) = Det(( c - O)I) = ( c - O)nDetI = (c - O)n = 0.
p(O) = (c - O)n
tendra que ser:
m(O) = c - O.
E J E M P L O 8.6.8
Sean a , b y c tres nmeros reales, considere la matriz
0 1 0
A 0 0 1
a b c
demuestre que el polinomio caracterstico de A es p(O) = -O3 + cO2 + bO + a .

Cul es el polinomio mnimo de A?
SO L U C I O N
Sea A la matriz dada de n x n. Para encontrar el polinomio caracterstico de esta
matriz, es necesario resolver el siguiente determinante:
O 1
0
Det( a OI)
0 O
1
( c O)O 2 a bO O 3 cO 2 bO a
a
b c O
p(O) = -O3 + cO2 + bO + a
tendra que ser:
m(O) = p(O).
E J E M P L O 8.6.9
Sea A una matriz de orden 3, demuestre que m(O) = O2 + 1 no puede ser el
polinomio mnimo de A.
SO L U C I O N
Como el polinomio mnimo de una matriz A divide al polinomio caracterstico y
adems contiene a todos los factores de ste, entonces m(O) = O2 + 1 no puede ser
polinomio mnimo, porque m(A) = A2 + I z O.
E J E M P L O 8.6.10
Sea A una matriz de orden n, suponga que A es nilpotente de ndice k. Cul es el
polinomio mnimo de A?
SO L U C I O N
Sea A la matriz nilpotente de n x n. Para encontrar el polinomio caracterstico de
Det(Ak - OI) = Det(O - OI) = Det(-OI) = (-O)nDetI = (-1)nOn = 0.
Por lo tanto el polinomio caracterstico es: p(O) = (-O)n
tendra que ser: m(O) = O.
JOE GARCIA ARCOS
457
E J E M P L O 8.6.11
Demuestre que ninguna matriz real de 3 x 3 satisface x2 + 1 = 0. Pruebe que
existen matrices complejas de 3 x 3 que si lo hacen. Pruebe que existen matrices
reales de 2 x 2 que satisfacen la ecuacin.
SO L U C I O N
Si A es una matriz real de 3 x 3 su polinomio caracterstico f(x) es real de grado 3.
Si A satisface x2 + 1 = 0, el polinomio mnimo dividira a x2 + 1 y podra no tener
como un factor irreducible al factor real de grado uno que debe tener f(x).
E J E M P L O 8.6.12
Determine una matriz A de orden 2 cuyo polinomio mnimo sea m(O) = O2.
SO L U C I O N
a b
Sea la matriz A
. Sabemos que el polinomio caracterstico de la matriz
c d
A es
p(O) = O2 - (Tr A)O + Det( A).
Pero como p(O) = m(O), entonces Tr(A) = Det(A) = 0 y una de las matrices
buscada tiene la forma
a a
.
a a
E J E M P L O 8.6.13
Demuestre que si la matriz A satisface la ecuacin x2 + x + 1 = 0, entonces A es
no singular y la inversa A-1 es expresable como una combinacin lineal de A e I.
SO L U C I O N
Efectivamente, si A2 + A + I = O, entonces A(- A I) = I de modo que
A I = A-1.
PR O B L E M AS
8.6.1 Encuentre una matriz de 2 x 2 con elementos
enteros que satisfaga la ecuacin x3 1 = 0, pero que no
satisfaga la ecuacin x 1 = 0.
8.6.2 Determine una matriz A de orden 3 cuyo
polinomio mnimo sea m(O) = O2.
8.6.3 Dadas las matrices:
2 0 0 0
2 0 0
1
2
0
0
y B 1 2 0
A
0 0 2 0
0 0 2
0 0 1 2
0 0 0
a.- Demuestre que A y B tienen el mismo
caracterstico.
b.- Compruebe que A y B tienen el mismo
mnimo.
c.- Demuestre que A y B no son semejantes.
0
0
2
polinomio
polinomio
8.6.4 Demustrese que, si c1 c k son nmeros

distintos entre s que aparecen en la diagonal de una
matriz diagonal D, entonces el polinomio mnimo que
corresponde a D es (x c1)(x c2x c k).
8.6.5 Demuestre el siguiente resultado: Sea A una

matriz de orden n. Sea
p(O) = (-1)nOn + a n-1On-1 + ... + a 1O + a 0
el polinomio caracterstico de A. Si a 0 z 0, entonces la
matriz A es no singular y su inversa A-1 es
1
A 1 ((1)n A n 1 an 1A n 2 ... a1I) .
a0
8.6.6 Determinar la inversa de las siguientes matrices:
3 5
1 1
1 1
a.-
; c.-
;
; b.-
5 3
0 1
4 7
1 2 3
d.- 1 1 2 ;
0 1 2
0
e.-
0
0
0
1
0
0
1
0
0
0
.
0
8.6.7 Pruebe que las matrices dadas a continuacin no

son diagonalizables, demostrando que su polinomio
mnimo no puede escribirse como un producto de
factores lineales simples:
JOE GARCIA ARCOS
458
0 1 0
a.- 0 0 1 ;
1 3 3
2 1 0
c.- 0 2 0 ;
0 0 2
4
e.-
0
0 1
2 1
0 2
0 0
b.- 1
1
1 1
0 1
d.-
0 0
0 0
6 6
3 2 ;
5 2
0 0
1 0
;
1 1
0 1
1
.
5
8.6.8 Sean
1 1 0
1 0 0
1 0 0
A 0 1 0 , B 0 2 1 , C 0 2 0 .
0 0 2
0 0 2
0 0 2
a.- Verifquese que las matrices tienen los mismos

valores caractersticos.
b.- Hgase ver que los polinomios caractersticos de A y
B son diferentes, pero que los polinomios caractersticos
de B y C son iguales.
c.- Determnese el polinomio mnimo de cada una de las
matrices.
d.- Hgase ver que ninguna pareja de esas matrices es de
matrices semejantes.
e.- Hgase ver que AB y AC tienen el mismo polinomio
caracterstico y el mismo polinomio mnimo.
f.- Verifquese que AB, AC son semejantes al encontrar
una matriz no singular M tal que MABM-1 = AC.
8.6.9 Sean A y B matrices semejantes. Demustrese que
A y B tienen el mismo polinomio mnimo.

que:
a.- Si B es no singular, entonces A es no singular, y
A-1, B-1 son semejantes.
b.- DetA = DetB.
c.- A y B tienen el mismo polinomio caracterstico.
d.- A y B tienen los mismos valores propios, aunque no
tienen necesariamente los mismos vectores propios.
e.- A y B tienen el mismo polinomio mnimo.
8.6.11 Demustrese que el polinomio mnimo de una
matriz idempotente distinta de O o de I es x2 x.
8.6.12 Sea A suma directa de una matriz de m x m, B,
y una matriz n x n, C. Demustrese que:
a.- Si p(x) es polinomio, entonces p(A) es la suma
directa de p(B) y p(C).
b.- El polinomio mnimo de A es el polinomio de
menor grado entre los que tienen la propiedad de ser
divisibles tanto por el polinomio mnimo de B como por
el polinomio mnimo de C. En particular, el polinomio
mnimo de A es divisor del producto de los polinomios
mnimos de B y C.
8.6.13 Sea A una transformacin lineal cuyo polinomio
mnimo es x2 5x + 6. Demustrese que:
a.- A3 = 19A - 30I; b.- A4 = 65A - 114I.
8.6.14 Sea D : P n o P n el operador lineal de derivacin
D(p) = p. Determine el polinomio mnimo de la matriz
que representa a D en alguna base de P n.
8.6.15 Demustrese que una matriz triangular de n x n
en la cual los elementos de la diagonal principal son
todos c, tiene polinomio mnimo que es divisor de
(x c)n.
8.7 C U EST I O N A R I O
8.7.1 Para que un endomorfismo f sea no singular es
necesario y suficiente que l tenga valores
caractersticos nulos.
8.7.4
Para un endomorfismo arbitrario f la
multiplicidad algebraica de todo valor caracterstico O
sobrepasa su multiplicidad geomtrica.
8.7.2 Los vectores caractersticos de un endomorfismo

f relacionados con el valor caracterstico nulo, y
solamente ellos, pertenecen a la imagen de este
endomorfismo.
8.7.5
Los vectores caractersticos de un
endomorfismo, pertenecientes a diversos valores
caractersticos, son linealmente independientes.
8.7.3 Al multiplicar un endomorfismo f por un nmero

no nulo los vectores caractersticos se multiplican por
este nmero, mientras que los valores caractersticos no
cambian.
8.7.6 El polinomio mnimo m(O) del endomorfismo f

es igual al mnimo comn mltiplo de los polinomios
mnimos para los vectores de cualquier base del
espacio con respecto a f.
JOE GARCIA ARCOS
8.7.7 Los vectores caractersticos de un endomorfismo

f relacionados con los valores caractersticos no nulos
pertenecen al ncleo de f.
8.7.8 Si un endomorfismo f es no singular, entonces los
vectores caractersticos de A y A-1 son los mismos.
8.7.9 Un endomorfismo nilpotente no posee valores
caractersticos diferentes de cero.
8.7.10 Un endomorfismo de rotacin de un espacio
eucldeo a un ngulo T no mltiplo de S no posee
vectores caractersticos.
459
8.7.20
La cantidad de vectores caractersticos,
linealmente independientes, del endomorfismo f,
pertenecientes a un valor caracterstico O0 no supera a
la multiplicidad de O0 como raz del polinomio
caracterstico del endomorfismo f.
8.7.21
Cualquier matriz cuadrada A con distintos
valores caractersticos, es semejante a una matriz
triangular.
8.7.11
Los valores propios de un endomorfismo
diagonal coinciden con sus elementos diagonales.
8.7.22 Si el endomorfismo f del espacio U tiene n

diferentes
valores
caractersticos,
cualquier
endomorfismo g conmutativo con f, posee una base de
vectores caractersticos con la particularidad de que
cualquier vector caracterstico de f ser vector
caracterstico tambin para g.
8.7.12 Si las matrices A y B son semejantes, entonces

todo valor caracterstico de A es igualmente un valor
caracterstico de B pero no inversamente.
8.7.23 Una matriz de un endomorfismo en cierta base

es diagonal cuando, y slo cuando, la base consta de
los vectores caractersticos de dicho endomorfismo.
8.7.13 La suma de los subespacios caractersticos de un

endomorfismo f es una suma directa.
8.7.24 Cualesquiera dos endomorfismos conmutativos

de un espacio complejo tienen un vector caracterstico
comn.
8.7.14 Todos los vectores diferentes de cero de un

espacio son vectores caractersticos de un endomorfismo
f si, y solamente si, f es un endomorfismo escalar.
8.7.15 La suma de las multiplicidades geomtricas de
todos los valores caractersticos diferentes de un
endomorfismo f es inferior a la dimensin del dominio.
8.7.16 El polinomio mnimo de una matriz transpuesta
AT coincide con el polinomio mnimo de la matriz A.
8.7.17 Si cada coeficiente de una matriz compleja A se
reemplaza por un nmero conjugado, los coeficientes del
polinomio caracterstico de la matriz se reemplazar
tambin por nmeros conjugados.
orden, entonces las matrices AB y BA tienen un mismo
polinomio mnimo.
8.7.19 Para que un endomorfismo f sea no singular es
necesario y suficiente que f no tenga valores
caractersticos nulos.
8.7.25 Si la matriz A de un endomorfismo f es

diagonal en una base determinada, todos los vectores
de esta base son vectores caractersticos del
endomorfismo.
8.7.26 Los vectores caractersticos de un
endomorfismo
f correspondientes a valores
caractersticos, distintos dos a dos, son linealmente
dependientes.
8.7.27 Todo valor caracterstico de un endomorfismo
f es raz de su polinomio mnimo.
8.7.28
El polinomio caracterstico de
endomorfismo f depende de la eleccin de la base.
un
8.7.29
Las matrices semejantes tienen polinomio
mnimo distintos.
8.7.30
Toda matriz cuadrada es una raz de su
JOE GARCIA ARCOS
1.1
1.2
1.3
1.4
1.5
1.6
1.7
ALGEBRA DE MATRICES
CLASIFICACION DE LAS MATRICES CUADRADAS
MATRIZ TRANSPUESTA
MATRIZ TRANSPUESTA-CONJUGADA
TRAZA DE UNA MATRIZ
POTENCIA DE UNA MATRIZ
CUESTIONARIO
001
029
036
043
053
055
067
2.1
2.2
2.3
2.4
2.5
DETERMINANTES DE SEGUNDO Y TERCER ORDEN

CALCULO DE UN DETERMINANTE DE ORDEN SUPERIOR
PRODUCTO DE DETERMINANTES
DETERMINANTE DE VANDERMONDE
CUESTIONARIO
069
080
096
102
106
3.1
3.2
3.3
3.4
3.5
MATRICES EQUIVALENTES
RANGO DE UNA MATRIZ
INVERSA DE UNA MATRIZ
METODOS PARA OBTENER LA INVERSA DE UNA MATRIZ
CUESTIONARIO
109
115
122
130
137
4.1
4.2
4.3

METODOS PARA SOLUCIONAR UN SISTEMA DE ECUACIONES
CUESTIONARIO
139
143
184
5.1
5.2
5.3
5.4
5.5
5.6
SUBESPACIOS VECTORIALES
COMBINACIONES LINEALES Y SUBESPACIOS GENERADOS
INTERSECCION Y SUMA DE SUBESPACIOS. SUMA DIRECTA
DEPENDENCIA E INDEPENDENCIA LINEAL
BASE Y DIMENSION
185
299
204
212
222
231
5.7
5.8
VECTOR DE COORDENADAS. CAMBIO DE BASE

CUESTIONARIO
250
255
6.1
6.2
6.3
6.4
6.5
257
269
273
287
6.6
ESPACIOS EUCLIDEOS
ESPACIOS VECTORIALES HERMITICOS
NORMA, DISTANCIA Y ANGULO ENTRE VECTORES
BASES ORTOGONALES Y ORTONORMALES
SUBESPACIO COMPLEMENTO ORTOGONAL, PROYECCIONES
ORTOGONALES Y DISTANCIA A UN SUBESPACIO
CUESTIONARIO
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
REPRESENTACION MATRICIAL. MATRIZ DE CAMBIO DE BASE
ALGEBRA DE TRANSFORMACIONES LINEALES
NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL
TRANSFORMACIONES LINEAES INVERSIBLES
TRANSFORMACIONES GRAFICAS R2
FORMAS LINEALES. ESPACIO DUAL
CUESTIONARIO
313
324
334
344
356
362
374
384
386
8.1
8.2
8.3
8.4
8.5
8.6
8.7
ECUACION CARACTERISTICA. SUBESPACIOS PROPIOS
SEMEJANZA DE MATRICES
MATRICES DIAGONALIZABLES
DIAGONALIZACION DE MATRICES SIMETRICAS Y HERMITICAS
POLINOMIO MINIMO DE UNA MATRIZ
CUESTIONARIO
389
399
414
421
438
447
458
300
310

Algebra Lineal Joe Garcia

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

Algebra Lineal Joe Garcia

Cargado por

Copyright:

Formatos disponibles

O BJE T I V O

La definicin de operaciones entre matrices es lo que determina la utilidad de ellas

JOE GARCIA ARCOS

A continuacin se explican algunas operaciones que se pueden realizar con matrices.

JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

% CALCULAR LA SUMA DE MATRICES

JOE GARCIA ARCOS

La siguiente operacin que se considerar es la de multiplicar una matriz por un

Cada elemento de A se multiplica por el escalar D. El producto DA es, por

JOE GARCIA ARCOS

b.- La nueva matriz de produccin total la obtenemos sumando las matrices

1.15 A +1.30 B 1.15 2 3 4  1.30 4 2 5 7.5 6.05 11.1 .

JOE GARCIA ARCOS

Tamao 1 Tamao 2 Tamao 3

1.25 15 15 29 18.75 18.75 36.25 .

A + B + C 15 15 29  25 35 25  18.75 18.75 36.25

19 17 13 15  0.5 0.5 0.5 0.5 19.5 17.5 13.5 15.5 .

19 21 9 15 0.5 0.5 0.5 0.5 19.5 21.5 9.5 15.5

JOE GARCIA ARCOS

19 17 13 15 23.75 21.25 16.25 18.75

19 21 9 15 23.75 26.25 11.25 18.75

La matriz opuesta de A puede obtenerse multiplicando la matriz original por el

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

Si cada mquina se recarga con 30 latas de Coca-Cola, 20 latas de Fanta y 15 latas de

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

A continuacin, dividamos una matriz A en partes mediante un sistema de rectas

JOE GARCIA ARCOS

Como podemos ver, resulto fcil definir la igualdad, la multiplicacin por un

C (cij ) aik bkj , para todo i, j .

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

De la propia definicin se deduce que, en general, no es posible multiplicar dos

El producto de dos matrices, en trminos generales, depende del orden de los

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

c d SenT CosT SenT CosT c d

JOE GARCIA ARCOS

Muestre que A C = B C, sin embargo, A z B.

De esta manera queda demostrado que A C = B C

JOE GARCIA ARCOS

ALGEBRA LINEAL CON MATLAB

JOE GARCIA ARCOS

Igualando las matrices, obtenemos el siguiente sistema de ecuaciones:

JOE GARCIA ARCOS

respectivamente, y por cada unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que

A B 28 18 39 5 3 4 280 333 245 .

a1k bk 1 a1k bk 2 ... a1k bkn

ank bk 1 ank bk 2 ... ank bkn

b1k a k 1 b1k a k 2 ... b1k a kn

bnk a k 1 bnk a k 2 ... bnk a kn

Entonces la suma de los elementos diagonales de la matriz A B es igual a

JOE GARCIA ARCOS

matriz B A. Por consiguiente, la suma de los elementos diagonales de la matriz

Sea E = A D, entonces para todo i, j natural

(eij ) air d rj air brk ckj air brk ckj .

Por otra parte, sea F = A B, entonces para todo i, j natural

Sea G = F C, entonces para todo i, j natural

( g ij ) f ir crj aik bkr c rj aik bkr c rj .

1.15 A +1.30 B 1.15 2 3 4 1.30 4 2 5 7.5 6.05 11.1 .

A + B + C 15 15 29 25 35 25 18.75 18.75 36.25

19 17 13 15 0.5 0.5 0.5 0.5 19.5 17.5 13.5 15.5 .

Sen 4 Cos 4 Tan 4 Sen 4

Tan 4 Sen 4 Sen 4

cij = ti1t1j + ti2t2j ti ntn j =