Texto Algebra Lineal PDF

1
Algebra Lineal
Dra. Mara Teresa Alcalde

Dr. Cesar Burgue
no
Depto. de Matematica y Estadstica

Facultad de Ingeniera, Ciencias y Administracion
Universidad de La Frontera
Tercera Edicion - 2008

Indice de materias
Introducci
on 5
1 Sistemas de Ecuaciones Lineales 7

1.1 Deniciones y ejemplos . . . . . . . . . . . . . . . . . . 7
1.2 Combinacion lineal de ecuaciones . . . . . . . . . . . . 12
1.3 Operaciones elementales . . . . . . . . . . . . . . . . . 13
1.4 Sistemas dependientes e independientes . . . . . . . . . 16
1.5 Sistema de Cramer . . . . . . . . . . . . . . . . . . . . 17
1.6 Proceso de escalonamiento de un sistema . . . . . . . . 19
1.7 Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . 22
2 Espacios Vectoriales 31
2.1 Denicion y propiedades basicas de espacio vectorial . . 31
2.2 Sub-espacios vectoriales . . . . . . . . . . . . . . . . . 42
2.3 Combinaciones Lineales . . . . . . . . . . . . . . . . . . 52
2.4 Sub-espacio generado . . . . . . . . . . . . . . . . . . . 58
2.5 Dependencia Lineal . . . . . . . . . . . . . . . . . . . . 69
2.6 Bases de un espacio vectorial . . . . . . . . . . . . . . . 79
2.6.1 Metodo para encontrar una base de un espacio
vectorial . . . . . . . . . . . . . . . . . . . . . . 85
2.6.2 Aplicacion del Teorema de Steinitz . . . . . . . 89
2.7 Dimension de un espacio vectorial . . . . . . . . . . . . 92
2.8 Suma de sub-espacios vectoriales . . . . . . . . . . . . 101
2.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 116
3 Aplicaciones Lineales 119

3.1 Introduccion, denicion y ejemplos . . . . . . . . . . . 119
1
2
3.2 Determinacion de una aplicacion lineal . . . . . . . . . 126

3.3 Imagen y N ucleo de una aplicacion lineal . . . . . . . . 131
3.4 Morsmos y dimensiones . . . . . . . . . . . . . . . . . 141
3.5 Estructura de un conjunto de morsmos . . . . . . . . 152
3.6 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 155
4 Matrices 173
4.1 Matriz asociada a una aplicacion lineal . . . . . . . . . 173
4.2 Suma de morsmos y suma de matrices . . . . . . . . . 179
4.3 Producto de un escalar por un morsmo y producto de
un escalar por una matriz . . . . . . . . . . . . . . . . 181
4.4 Composicion de morsmos y producto de matrices . . . 183
4.5 Algunos tipos especiales de matrices . . . . . . . . . . . 186
4.6 Forma matricial de f (v) = w . . . . . . . . . . . . . . . 193
4.7 Forma matricial de un sistema de ec. lineales . . . . . 195
4.8 Isomorsmos y matrices invertibles . . . . . . . . . . . 195
4.9 Automorsmo y matriz de cambio de base . . . . . . . 200
4.10 Un morsmo cualquiera y matrices equivalentes . . . . 203
5 Determinantes 219
5.1 Determinantes de matrices de M2 (K) . . . . . . . . . . 219
5.2 Determinantes de matrices de M3 (K) . . . . . . . . . . 225
5.3 Determinante de matrices de Mn (K) . . . . . . . . . . 228
5.4 Interpretacion geometrica del determinante . . . . . . . 231
5.5 Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . 232
5.6 Determinante de un endomorsmo . . . . . . . . . . . 234
6 Diagonalizacion 249
6.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . 249
6.2 Valores propios y vectores propios . . . . . . . . . . . . 253
6.3 Valores propios simples . . . . . . . . . . . . . . . . . . 258
6.4 Valores propios m ultiples . . . . . . . . . . . . . . . . . 265
3

7 Aplicaciones Bilineales 275

7.1 Aplicaciones bilineales . . . . . . . . . . . . . . . . . . 276
7.1.1 Ejemplos. Propiedades generales . . . . . . . . . 276
7.2 Formas bilineales . . . . . . . . . . . . . . . . . . . . . 287
7.2.1 Matriz asociada a una forma bilineal . . . . . . 288
7.2.2 Representacion matricial de f (x, y) . . . . . . . 289
7.3 Espacios Euclidianos . . . . . . . . . . . . . . . . . . . 291
7.3.1 Producto escalar . . . . . . . . . . . . . . . . . 291
7.3.2 Norma . . . . . . . . . . . . . . . . . . . . . . . 293
7.3.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . 298
7.3.4 Angulo y distancia entre vectores . . . . . . . . 304
7.4 Formas bilineales simetricas . . . . . . . . . . . . . . . 306
Eplogo 317
Bibliografa 319
Introducci
on
Queremos que sepas que estos apuntes los escribimos con toda ded-
icacion para ti. Deseamos que te entretengas estudiando y que por
supuesto, te alegre aprender.
Tratamos de explicarte como ha ido naciendo el Algebra Lineal. Tu
sabes, las matematicas han sido creadas por personas al igual que ti
y siempre tuvieron un motivo para crear tal denicion, proposicion o
teorema. Siempre tuvieron un motivo para dar tal nombre a tal ente
matematico.
Queremos conversarte de lo importante que es para ti, estudiar clase
a clase, muy especialmente en el primer y segundo captulo. Son con-
ceptos muy distintos, sin embargo, bastantes alumnos los confunden
y esto se debe exclusivamente a la falta de estudio organizado.
El Algebra Lineal, como las demas materias, no se puede estudiar
solo la u
ltima semana antes de la prueba. Que no tengas que decir:
Estudie los dos u
ltimos das hasta la madrugada y mire profe, me
saque un dos
Al ir estudiando es muy importante que leas con mucha atencion la in-
troduccion en cada captulo y en cada seccion. Ah se explica lo que se
quiere conseguir en esa seccion, se explica cual es el problema a estu-
diar. As sera mas facil entender la materia. Si tienes poco tiempo para
estudiar, no creas que ganaras tiempo saltandote las introducciones.
Eso es un error.
Las explicaciones que hay a lo largo de los apuntes se deben a una serie
de consultas que han hecho los alumnos en forma frecuente y tambien
5
6
a errores que cometen todos los semestres en sus pruebas.

Es por estos motivos que nos hemos dado el trabajo de dar ciertas
explicaciones. Piensa querido alumno o querida alumna, en todos los
jovenes que te han presedido y nos han pedido esa explicacion. De
acuerdo?
Estamos seguros que en este tercer milenio tendran ventaja en su
profesion, aquellas personas que dominen los conceptos. Tienes que
pensar en tu futuro y no solamente en la nota que tendras en los das
proximos.
Queremos que sepas que estamos muy agradecidos de muchas personas
que han permitido la realizacion de estos apuntes. Muchos alumnos
que nos animaron a escribirlos. El doctor Cristian Mallol, amigo y
colega quien es el autor de muchos ejercicios y quien nos hizo varias
sugerencias. Nuestros hijos quienes pacientemente han aceptado las
horas dedicadas a este escrito.
Mara Teresa y Cesar
Captulo 1
Sistemas de Ecuaciones
Lineales
1.1 Definiciones y ejemplos

Nos hemos dado cuenta que muchos alumnos que llegan al curso de
algebra lineal no saben que es una ecuacion lineal, entonces empece-
mos por el principio?
Comencemos por ver algunos ejemplos de ecuaciones lineales:
Ejemplo: x + 2y 3z + t = 6
Ejemplo: 2x1 3x2 + 5x3 = 7
Antiejemplo: 2xy + 5x + 5z = 4 No es lineal, pues hay incognitas
multiplicadas entre s.
Antiejemplo: 2x2 + 3x 5t = 5 No es lineal, pues la incognita x
esta elevada a una potencia distinta a 1.
Creo que ahora vas a entender bien la denicion cierto?
Definicion 1.1.1 Una ecuaci

on lineal de n inc
ognitas es una
expresi
on del tipo:
1 x1 + 2 x2 + + n xn = , i , K
7
8 M.T. Alcalde - C. Burgue
no Algebra Lineal
K un cuerpo. Los xi son llamados inc

ognitas.
K = Q, IR, C, ZZ 2 , ZZ 3 , ZZ p , p primo
Recuerde que ZZ es un anillo, no alcanza a ser un cuerpo.

Resolver una ecuacion es encontrar todos los elementos de K que
cumplen la igualdad. Esto quiere decir que no basta con encontrar
algunas soluciones.
Veamos en un ejemplo como encontrar todas las soluciones.
Ejemplo
Resolvamos la ecuacion lineal 2x + 3y 2z = 5
Soluci
on
Bueno hay que despejar una de las incognitas. En esta oportunidad

escogeremos x:
3 5
x = y + z + ; y, z IR
2 2
Esto quiere decir que cada vez que le demos un valor a y y a z, ten-
dremos una solucion (x, y, z).
5
Por ejemplo: Sea y = z = 0, entonces x = 2
luego la solucion es
( 52 , 0, 0)
Otro ejemplo: Sea y = 1, z = 0, entonces x = 23 + 52 , luego x = 1.
Luego otra solucion es (1, 1, 0)
El conjunto de soluciones esta dado por {( 3
2
y + z + 25 , y, z); y, z IR}
Es interesante que sepas, que cuando en matematica uno dene un
ente, el proximo paso a seguir es denir cuando dos de esos entes son
iguales.
En este caso no hablaremos de igualdad de ecuaciones, sino, siguiendo
la tradicion hablaremos de ecuaciones equivalentes, de acuerdo ?
Captulo 1. Sistemas de Ecuaciones Lineales 9
Definicion 1.1.2 Diremos que dos ecuaciones lineales son equiva-

lentes si y s
olo si tienen las mismas soluciones.
Veamos dos ejemplos:
Ejemplo
Consideremos las ecuaciones

E1 : x+y+z = 3
E2 : 2x + 2y + 2z = 6
Estas dos ecuaciones son equivalentes pues tienen las mismas solu-
ciones.
Ejemplo
1) : x + 3y 5z = 5
2) : 2x + 6y 10z = 10
Estas dos ecuaciones son equivalentes.
Nota
Hemos observado que hay alumnos que no saben resolver la ecuacion

lineal:
E : 0x = 0
Cuales son los numeros reales que cumplen esta ecuacion? Por
supuesto, todos los n
umeros reales! trivial!
Algunos contestan x = 0.
A lo largo del curso nos encontraremos en repetidas oportunidades
ante esta situacion, as es que: no lo olvides!
Antes de dar la denicion de un sistema de ecuaciones lineales, veremos
algunos ejemplos:
no Algebra Lineal
Ejemplo
)
2x y + z = 1
x + 3y + 2z = 5
Este es un sistema de ecuaciones lineales de 2 ecuaciones y 3 incognitas.

Resolver este sistema, signica que debemos encontrar todos los
x, y, z K, tales que cumplen las 2 ecuaciones al mismo tiempo.
Ejemplo
3x + 2y = 11

4x y = 11

x + 3y = 9

x + y = 14

Sistema formado por 4 ecuaciones y 2 incognitas
Ejemplo

x+y+z=4
2x + 3y = 7
3x y + z = 2

Sistema formado por 3 ecuaciones y 3 incognitas.
Ejemplo
)
x+y+z=2
2x + 2y + 2z = 5
Este sistema es incompatible, pues no existen 3 n

umeros que al sumar-
5
los se obtenga 2 y 2 al mismo tiempo.
Bueno, como has podido apreciar no hay relacion entre el n

umero de
ecuaciones y el n
umero de incognitas para tener un sistema. Veamos
la denicion.
Definicion 1.1.3 Un sistema lineal de m ecuaciones y n inc

ognitas,
es un sistema del tipo:
11 x1 + 12 x2 + +1n xn = 1

21 x1 + 22 x2 + +2n xn = 2

......................................

m1 x1 + m2 x2 + +mn xn = m

Donde ij , i K, los xj son llamados las inc

ognitas.
Dada la denicion, el proximo paso a seguir es denir cuando dos

sistemas son equivalentes. A la vista, no es obvio cuando dos sistemas
lo son.
Lo vemos primero en un ejemplo?
Observaci
on
Estudiemos el sistema
)
E1 : 2x y = 4
E1 + E2 : 5x = 5 x=1
E2 : 3x + y = 1
x = 1 en E2 : y = 1 3 y=-2
Ahora estudiemos el siguiente sistema, de apariencia muy distinta al

anterior:
)
E1 : 3x 2y = 7
E1 + E2 : 4x = 4 x=1
E2 : x + 2y = 3
x = 1 en E2 : 2y = 3 1 y=-2
no Algebra Lineal
Puesto que los dos sistemas tienen las mismas soluciones diremos que
son equivalentes.
Tenemos, entonces, la denicion siguiente:
Definicion 1.1.4 Diremos que dos sistemas son equivalentes si

tienen exactamente las mismas soluciones.
1.2 Combinaci
on lineal de ecuaciones
En esta seccion nos ocuparemos de como obtener a partir de algunas
ecuaciones, otras ecuaciones, dentro del mismo sistema.
Veamoslo en un ejemplo. Es tan facil comprender los conceptos en
un ejemplo! ... y luego generalizarlo.
Observaci
on
Consideremos el sistema siguiente:

)
E1 : x + 2y = 1
E2 : 2x + y = 1
De este sistema podemos obtener la ecuacion

E3 = E2 + 2E1 : 4x + 5y = 1, de tal modo que, si x e y cumplen
las ecuaciones E1 y E2 , entonces cumplen E3 .
Diremos que E3 es una combinacion lineal de E1 y E2
Ahora, entenderas la denicion siguiente:
Definicion 1.2.1 Sean E1 , E2 , , En , n ecuaciones. Diremos que

la ecuaci
on
E = 1 E1 + 2 E2 + + n En
on lineal de las ecuaciones E1 , E2 , , En
es una combinaci
1.3 Operaciones elementales
Bueno, el problema que enfrentaremos ahora es encontrar las opera-

ciones que podemos efectuar a un sistema de manera de obtener otro
equivalente.
Definici
on 1.3.1 Diremos que una operaci on es elemental si nos
permite pasar de un sistema de ecuaciones a otro equivalente.
Pero, veamos cuales son estas operaciones. Es trivial que si cambiamos

el orden de las ecuaciones seguimos teniendo el mismo sistema, es decir,
uno equivalente. Entonces
Primera operaci
on: Consiste en intercambiar el orden de las ecua-
ciones.
Ejemplo
Es super importante que comiences a aprender la notacion que usare-

mos para indicar la operacion Es facil! Es trivial!
) )
x+y=3 L12 xy=7
xy=7 x+y=3
A pesar de ser una operacion trivial, la usaremos a lo largo de todo

el curso con el objetivo de ordenar algunas cosas.
Notacion: Lij denota el intercambio de la ecuacion i con la ecuacion
j.
Tambien es trivial la operacion siguiente:
Segunda operaci on: Consiste en multiplicar una ecuacion por un
n
umero distinto de cero.
no Algebra Lineal
Ejemplo
(Nuevamente observe la notacion)

) )
x+y=3 L1 (2) 2x + 2y = 6
x 2y = 7 x 2y = 7
La ecuacion (1) fue multiplicada por 2.

Observaci on: Si se multiplica una ecuacion por cero, esta se elimina,
por lo tanto el sistema obtenido no es equivalente al original. Es decir
no esta permitida la multiplicacion por cero.
Notacion: Li () denotara la multiplicacion por de la ecuacion i.
Ejemplo
) )
x=6 L1 (0) 0x = 0
x + 2y = 7 x + 2y = 7
nica solucion, esta es (6, 21 ). En el

En el primer sistema, existe una u
segundo sistema, el conjunto de soluciones es
7x
{(x, ); x IR}
2
Ejemplo
( 5)x + ( 5)y = 3( 5)
Esta ecuacion es equivalente a x + y = 3 salvo en el caso = 5

Tercera operaci on: Consiste en sumarle a una ecuacion un m
ultiplo
de otra ecuacion.
Ejemplo
(1)
) )
x+y=3 L21 x+y=3
xy=7 2x = 10
A la segunda ecuacion, le hemos sumado 1 vez la primera ecuacion.

Notacion: Lij () denotara sumarle a la ecuacion i, veces la ecuacion
j.
Estas son las u
nicas tres operaciones elementales. No hay otras.
Nota
Estas operaciones son reversibles. En efecto:
1. La primera operacion: Si cambiamos la ecuacion Ei con la

ecuacion Ej , la operacion inversa es ella misma.
2. La segunda operacion: Si la ecuacion Ei la multiplicamos por ,

6= 0, entonces la operacion inversa es multiplicar la ecuacion
1
Ei por .

3. La tercera operacion: Si la ecuacion Ei la cambiamos por Ei =

Ei + Ej , volvemos a la ecuacion Ei , al efectuar la operacion
Ei Ej = Ei
El hecho de que tales operaciones sean reversibles garantiza que el

sistema que se obtiene de otro por operaciones elementales sucesivas
sea equivalente al inicial.
Luego los dos sistemas son equivalentes.
El sentido de utilizar las operaciones elementales es conseguir trabajar
sobre un sistema con una escritura mas simple.
Debemos cuidar de ir haciendo tales transformaciones por etapa.
no Algebra Lineal
1.4 Sistemas dependientes e independi-

entes
Si en un sistema, una ecuacion esta escrita dos veces, es algo realmente
in
util. Trivial!
Pero, a veces, no es tan trivial que hay ecuaciones agregadas in util-
mente, es decir ecuaciones que se pueden obtener de las anteriores. En
lenguaje elegante: ecuaciones que son combinacion lineal de las demas.
Observaci
on
Consideremos el sistema:

E1 : 3x + y = 2

E2 : 2x y = 3
E3 : x + 2y = 1

Vemos que E3 = E1 E2 , es decir, E3 es una combinacion lineal de

E1 y E2 .
Diremos que el sistema es dependiente.
Es obvio, que para buscar la solucion del sistema nos quedamos sola-
mente con las dos primeras ecuaciones.
Definicion 1.4.1 Diremos que un sistema de ecuaciones es lineal-

mente dependiente si al menos una ecuacion es combinacion lineal
de las otras.
Observaci
on
Consideremos el sistema siguiente:

)
E1 : x + y = 3
E2 : x + 3y = 5
Este sistema no es dependiente pues una ecuacion no es m
ultiplo de
la otra. Diremos que es independiente.
Definici on 1.4.2 Diremos que un sistema de ecuaciones es lineal-

mente independiente cuando no es linealmente dependiente, es de-
cir, si ninguna ecuaci
on es combinacion lineal de las otras.
En denitiva, en un sistema linealmente independiente no hay infor-

macion de mas.
Un sistema de ecuaciones linealmente independiente puede tener tres
aspectos posibles:
mas incognitas que ecuaciones.
mas ecuaciones que incognitas.
n
umero de ecuaciones = n
umero de incognitas.
1.5 Sistema de Cramer

Cuando estudiamos un sistema de ecuaciones lineales, a nosotros nos
interesa el n
umero de ecuaciones independientes.
Se supone que el primer paso para resolver un sistema, es quedarse
con un sistema independiente.
Entonces, comencemos por estudiar un sistema independiente.
Definici
on 1.5.1 Un sistema de n ecuaciones y n incognitas, lineal-
mente independiente, es llamado Sistema de Cramer.
Observaci
on
En la Educacion Media, uno comprendio que un sistema lineal de 2

ecuaciones y 2 incognitas tiene una u
nica solucion. Comprendimos que
no Algebra Lineal
lo mismo ocurre en un sistema de 3 ecuaciones y 3 incognitas. Debido a

la manera en que se llega a esta solucion u
nica, uno imagina que esto
ocurre para un sistema lineal de n ecuaciones y n incognitas, pero,
para ser mas cuidadosos habra que agregar: sistema independiente
cierto ?
Tenemos, entonces, la proposicion siguiente:
Proposici
on 1.5.1 Un sistema de Cramer tiene una u
nica solucion.
Demostraci
on
La demostracion la haremos por induccion sobre n = n

umero de ecua-
ciones = n
umero de incognitas.
Si n = 1, tenemos un sistema lineal de 1 ecuacion y 1 incognita inde-
pendiente, que trivialmente tiene una u
nica solucion.
Supongamos que todo sistema lineal independiente de n ecuaciones
y n incognitas tiene una u
nica solucion (Esta es nuestra hipotesis de
induccion).
Ahora, consideremos un sistema de Cramer formado por las ecuaciones
E1 , E2 , , En+1 siguientes:

E1 : 11 x1 + 12 x2 + +1n+1 xn+1 = 1

E2 : 21 x1 + 22 x2 + +2n+1 xn+1 = 2

....................................................
En : n1 x1 + n2 x2 + +nn+1 xn+1 = n

En+1 : n+11 x1 + n+12 x2 + +n+1n+1 xn+1 = n+1

Estudiemos el sistema formado por las n primeras ecuaciones. Este

sistema lo escribimos de la manera siguiente:
E1 : 11 x1 + 12 x2 + +1n xn = 1 1n+1 xn+1

E2 : 21 x1 + 22 x2 + +2n xn = 2 2n+1 xn+1

.......................................

En : n1 x1 + n2 x2 + +nn xn = n nn+1 xn+1

Podemos pensar j = j jn+1 xn+1 como constantes. Entonces, te-

nemos un sistema de Cramer de n n, luego tiene solucion u nica, a
saber 1 , , n , con los elementos i en funcion de ij , i y xn+1 . Estos
1 , , n los reemplazamos en En+1 y tenemos:
En+1 : n+11 1 + n+12 2 + + n+1n n + n+1n+1 xn+1 = n+1
De esta ecuacion se despeja xn+1 (recuerde que los 1 , , n estan en
funcion de xn+1 )
Entonces tenemos una solucion u nica. Luego todo sistema de Cramer
de n ecuaciones y n incognitas tiene una u
nica solucion, para todo n,
n
umero natural.
1.6 Proceso de escalonamiento de un sis-

tema
El proceso que nos ocupa ahora es escribir los sistemas en su forma
mas simple posible, pero, antes debemos denir que sera para nosotros
la forma mas simple posible. A esta forma la llamaremos forma
escalonada.
Entonces, comencemos por ver algunos ejemplos de sistemas escalo-
nados.
Ejemplo
El sistema siguiente esta en su forma escalonada:

x + 2y + 5t = 2

z + 3t = 3
u=4

Observemos como estan dispuestos los coecientes:

no Algebra Lineal

1 2 0 5 0 2
0 0 1 3 0 3

0 0 0 0 1 4
Definici
on de sistema escalonado
Diremos que un sistema de ecuaciones lineales esta escalonado si sat-

isface las tres condiciones siguientes:
1. El coeciente de la primera incognita distinta de cero de cada

ecuacion es 1. Es llamado lder.
2. Cuando hay un lder, los demas elementos de la columna son

ceros.
3. Los lderes deben ir de izquierda a derecha y de arriba hacia

abajo.
Veamos otros ejemplos:
Ejemplo
)
x + 4z + 3t = 1
y + 2z + 5t = 4
Los coecientes estan distribudos como sigue:
!
1 0 4 3 1
0 1 2 5 4
El cual es un sistema escalonado.

Ejemplo
Se puede tener tambien el sistema, obviamente incompatible, siguiente:

x + 4z = 0

y + 2z = 0
0=1

Sus coecientes estan distribudos como sigue:

1 0 4 0
0 1 2 0

0 0 0 1
El cual es un sistema escalonado.
Definici
on 1.6.1 Matriz es una ordenaci
on rectangular de n
umeros.
Definici
on 1.6.2 Escalonar un sistema de ecuaciones lineales es lle-
varlo a un sistema escalonado equivalente, a traves de operaciones
elementales.
Observaciones
Si al escalonar quedan las con ceros unicamente, signica que el sis-

tema inicial era dependiente, es decir haba informacion de sobra.
Si al escalonar queda una la del tipo:
0 0 0 1
signica que el sistema no tiene solucion.

Si al escalonar, las las distintas de cero corresponden a un sistema
de n ecuaciones y n incognitas, es un sistema de Cramer, luego tiene
solucion u
nica.
no Algebra Lineal
Y si al escalonar, las las distintas de cero corresponde a un sistema

que tiene menos ecuaciones que incognitas, obviamente que habra in-
nitas soluciones.
Pero mas que saber cuantas soluciones tiene un sistema, es importante
encontrar las soluciones.
A continuacion veremos varios ejercicios en los cuales se encuentran
las soluciones de los sistemas, en caso que estas soluciones existan.
Es emocionante ver como recien comenzado el curso, podemos resolver
los sistemas lineales y familias de sistemas lineales.
1.7 Ejercicios Resueltos
Ejercicio
Estudiemos el sistema de ecuaciones:
x+y+z=2

2x y + 2z = 2

x + 2y + 2z = 3

x y + 2z = 3

Soluci
on
Comencemos por escalonar el sistema, es decir, escribamoslo en su

forma mas simple.
Anotemos solamente los coecientes, para no escribir tantas letras,
pero, siempre respetando el orden.
(2)
1 1 1 2 L21 1 1 1 2

2 1 2 2

0 3 0 6

(1)
1 2 2 3 L31 0 1 1 1

1 1 2 3 (1)
L41 0 2 1 5
(1)
1 1 1 2 L12 1 0 1 0

( 1 )
L2 3
0 1 0 2 0 1 0 2

(1)
0 1 1 1 L32 0 0 1 1

(1)

L4 0 2 1 5 (2) 0 0 1 1
L42
1 0 0 1

(1)
L13 x=1
0 1 0 2

y=2
0 0 1 1

(1)
L43 0 0 0 0 z=-1
Es decir, la solucion es (1, 2, 1)

Realmente facil de obtener la solucion cierto ?
Ejercicio
Estudiemos el sistema de ecuaciones sgte.:
x y z + 2u = 0

x + y + 3z + 4u = 0

2x + y + 4z + 7u = 0

3x + y + 5z + 10u = 0

Soluci
on
Comencemos por escalonar el sistema:

no Algebra Lineal
(1)
1 1 1 2 0 L21 1 1 1 2 0

1 1 3 4 0

0 2 4 2 0

(2)
2 1 4 7 0 L31 0 3 6 3 0

3 1 5 10 0 (3) 0 4 8 4 0
L41
(1) (1)
L22 1 1 1 2 0
L12

1 0 1 3 0

0 1 2 1 0

0 1 2 1 0

( 31 ) (1)
L3 0 1 2 1 0 L32 0 0 0 0 0

( 41 ) 0 1 2 1 0 (1) 0 0 0 0 0
L4 L42
Es decir tenemos el sistema

)
x + z + 3u = 0
y + 2z + u = 0
Si despejamos las incognitas que corresponden a los lderes, tenemos:

)
x = z 3u
; z, u IR
y = 2z u
Luego, el conjunto de soluciones es:

{(z 3u, 2z u, z, u); z, u IR}
Definici on 1.7.1 Una familia de sistemas es un conjunto formado

por una cantidad infinita de sistemas que han sido construdos de man-
era analoga.
Ejercicio
Estudiemos la familia de sistemas siguiente para los diferentes valores

de IR

x + 4z + 6t = 1

x + y + 9z + 6t = 3
2y + 10z + ( + 3)t = ( + 3)

Soluci
on

1 0 4 6 1 (1) 1 0 4 6 1
L21
1 1 9 6 3 0 1 5 0 2

0 2 10 + 3 + 3 0 2 10 + 3 + 3

(2) 1 0 4 6 1
L32
0 1 5 0 2 (1.1)

0 0 0 +3 1
Debemos estudiar separadamente el sistema con + 3 = 0 y la familia

con + 3 6= 0.
Caso 1 + 3 = 0 es decir = 3
Tenemos el sistema:

1 0 4 6 1
0 1 5 0 2 0 = 4

0 0 0 0 4
Es decir, este sistema no tiene solucion.

Caso 2 + 3 6= 0 es decir 6= 3
Seguimos escalonando el sistema (1.1):
5+9
1 0 4 0

( 1 ) 1 0 4 6 1 (6) +3
L3+3 L13
0 1 5 0 2 0 1 5 0 2

0 0 0 1 1
0 0 0 1 1
+3 +3
La familia de sistemas escalonada es la siguiente:
x + 4z = 5+9

+3

y + 5z = 2 6= 3
t = 1

+3
Despejando las incognitas que corresponden a los lderes tenemos:

no Algebra Lineal
x = 5+9 4z

+3
y = 2 5z ; z IR, 6= 3
1
t = +3

Comprobemos las soluciones:

Caso = 3

1 0 4 6 1
1 1 9 6 3

2E1 2E2 + E3 : 0 = 4
0 2 10 0 0
Luego no existe solucion.

Caso 6= 3
E1 : ( 5+9
+3
4z) + 4z + 66
+3
= +3
+3
= 1
5+9 66 +3
E2 : ( +3 4z) + (2 5z) + 9z + +3 = +3
+ 2 = 3
1
E3 : 2(2 5z) + 10z + ( + 3) +3 = 4 + 1 = ( + 3)
Luego cumple
Ejercicio
Resolvamos la siguiente familia de sistemas seg

un los diferentes valores
de IR

x + 2y + 3z = 1

x + ( + 1)y + ( + 2)z = 2
x + 2y + ( + 5)z = 2 7

Soluci
on

1 2 3 1
1 +1 +2 2

1 2 + 5 2 7
(1)
L21 1 2 3 1
0 1 1

3
(1.2)
(1) 2
L31 0 0 + 2 6
Caso 1 + 2 = 0 es decir = 2
Reemplazando en (1.2), tenemos:

1 2 3 1 ( 1 ) 1 2 3 1
L2 3
0 3 3 3 0 1 1 1

0 0 0 0 0 0 0 0

1 0 1 1
L12 (2)
0 1 1 1

0 0 0 0
El sistema escalonado es :
) )
x+z=1 x=1z
; z IR
y + z = 1 y = 1 z
Caso 2 + 2 6= 0 es decir 6= 2. Puesto que + 2 6= 0 podemos

seguir escalonando el sistema (1.2):

( 1 ) 1 2 3 1
L3+2 0 1 1

3 (1.3)
0 0 1 3
Caso 2i 1 = 0, es decir = 1
En el sistema (1.3), la segunda ecuacion queda
no Algebra Lineal
0 = 3
Luego no existe solucion.

Caso 2ii 6= 1, 2
Seguimos escalonando el sistema (1.3). Tenemos
(3)
1 2 3 1

( 1 ) L13
L21 0 1 1
3
1

0 0 1 3 (1)
L23
2 +38

1 2 0 3 + 8 (2) 1 0 0

1
2 +4 L12 2 +4

0 1 0 0 1 0

1
1
0 0 1 3 0 0 1 3
Luego tenemos una u

nica solucion, a saber
2 + 3 8 2 + 4
x= ; y= ; z =3
1 1
Solo haremos la comprobacion del caso = 1

Tenemos
)
E1 : x + 2y + 3z = 1
E2 : x + 2y + 3z = 2
Con estas dos ecuaciones basta ver que el sistema es inconsistente. Las
demas soluciones satisfacen el sistema. Ahora es su turno comprobar

las otras soluciones. Animo!
Ejercicio
Estudiemos la siguiente familia de sistemas de ecuaciones seg

un los
diferentes valores de IR

x+z=1

y + z = 1
(2 4)y + ( 2)z = + 2

Soluci
on
Comencemos a escalonar el sistema. Tenemos

1 0 1 1
0

1 1 1

2
0 4 2 +2

(2 +4) 1 0 1 1
L32 1
0 1 1 =

0 0 2 + + 2 2 + 2

1 0 1 1
= 0 1

1 1
(1.4)
0 0 ( 2)( + 1) ( + 2)( 1)
Caso 1 2 = 0, es decir = 2
La tercera ecuacion queda 0 = 4 Luego no existe solucion.
Caso 2 + 1 = 0, es decir = 1
La tercera ecuacion queda 0 = 2 Luego no existe solucion.
Caso 3 6= 1, 2
Escalonamos a partir de (1.4)

1 1 0 1 1
L3 ( (2)(+1) ) 0 1 1 1

(+2)(1)

0 0 1 (2)(+1)
no Algebra Lineal
2(2 2)

(1)
L13 1 0 0 (2)(+1)
2
0 1 0

(2)(+1)

(1) (+2)(1)
L23 0 0 1 (2)(+1)
Luego se tiene la solucion u

nica:
2(2 2) 2 ( + 2)( 1)
x= ; y= ; z=
( 2)( + 1) ( 2)( + 1) ( 2)( + 1)
Ejercicios Propuestos
1. Considere el sistema de 2 ecuaciones lineales y 5 incognitas y

encuentre todas sus soluciones.
)
x1 + 2x2 + x3 + x4 + x5 = 6
2x1 + 4x2 x3 + x5 = 3
2. Resuelva el sistema siguiente

x + y + 2z = 3

2x + y z = 8
4x + 3y + 3z = 14

un el valor de IR
3. Resuelva la familia de sistemas, seg

x + y + z = 1

x + y + z = 1
x + y + z = 1

4. Segun los diferentes valores de k IR encuentre todas las solu-

ciones de la siguiente familia de sistemas de ecuaciones lineales

x+yz=1

2x + 3y + kz = 3
x + ky + 3z = 2

Captulo 2
Espacios Vectoriales
2.1 Definici
on y propiedades b
asicas de
espacio vectorial
Nos parece que este es uno de los captulos mas emocionante del curso.
Este concepto de espacio vectorial, realmente hace crear un nuevo
espacio en nuestras mentes. Es algo muy diferente a lo estudiado en el
curso anterior de Algebra.
Todos los conceptos de este captulo, los veremos geometricamente
para poder entenderlos mejor.
Despues de haber visualizado estos conceptos uno puede hacer her-
mosas abstracciones y llegar a tener pensamientos tales como una
funcion es un vector.
Veremos muchsimos ejemplos y ejercicios. Vas a poder experimentar,
t
u mismo, que es un espacio vectorial y que es lo que ocurre en el que
lo hace algo tan especial.
Ademas esperamos que te vayas imaginando los conceptos y propiedades,
de manera que vayas haciendote preguntas de materias que veremos
unas hojas mas adelante.
Es tratar de vivir uno mismo la historia de la creacion de esta rama
31
no Algebra Lineal
de las matematicas que es el Algebra Lineal.

Te invitamos a sumergirte en los Espacios Vectoriales. Bienvenido!.
Observaci
on
Consideremos IR2 , el plano cartesiano y en el consideremos los vectores

que parten en el origen y solamente ellos.
Algebraicamente, IR2 se describe como IR2 = {(x, y); x, y IR}. En

IR2 , podemos denir la suma de dos elementos, de la manera siguiente:
Sean u, v IR2 , luego u = (x, y), v = (x , y ), ciertos x, x , y, y IR.
Entonces u + v = (x, y) + (x , y ) = (x + x , y + y ).
ltimo es un elemento tpico de IR2 , es decir, IR2 es cerrada para
Este u
la suma.
Esta suma, geometricamente corresponde a la ley del paralelogramo.
Veamoslo geometricamente
Captulo 2. Espacios Vectoriales 33
Tenemos que IR2 con esta suma cumple las siguientes propiedades
1. La suma es asociativa
2. Existe neutro: ~0 = (0, 0)
3. Todo elemento tiene inverso, a saber
(x, y) = (x, y) (x, y) IR2
4. La suma es conmutativa
Es decir, (IR2 , +) es un grupo abeliano.

Bueno, la novedad es que a estos vectores les podemos cambiar su

magnitud, es decir, multiplicarlos por un numero, por ejemplo: 2(1, 5),

dos veces el vector (1, 5), obtenemos el vector (2, 10) que sigue estando
en IR2 .
Es decir, uno puede denir la operacion externa, llamada ponderacion,
siguiente:
Ex : IR IR2 IR2
(, (x, y)) 7 (x, y) (x, y) IR2 , IR
Esta operacion cumple las siguientes propiedades:
5. 1 (x, y) = (x, y)
no Algebra Lineal
6. ( + )(x, y) = (x, y) + (x, y)

7. ((x, y) + (x , y )) = (x, y) + (x , y )
8. ( )(x, y) = ((x, y))
Esto para todo (x, y) IR2 y todo , IR

Bueno, creo que esto te parece facil cierto?
Esperamos no equivocarme en nuestra apreciacion!
Ocurre que por cumplir IR2 estas 8 propiedades, diremos que IR2 es
un IR-espacio vectorial o un espacio vectorial sobre IR.
Resumiendo, veremos IR2 como un conjunto cuyos elementos son vec-
tores que parten en el origen y tales que se pueden sumar y ponderar.
Esta estructura la vamos a genelizar
Te animas a dar un salto de abstraccion?
Observaci
on
Un ejemplo fsico de espacio vectorial, es el modelo que representa las

fuerzas ejercidas sobre un punto material.
Definici on 2.1.1 Sea V un conjunto. Sea K un cuerpo (K = Q; IR;

C; ZZ 2 ; ZZ 3 ; Zp , p primo, etc.). Sobre V definamos dos operaciones:
1. Una operaci
on llamada suma, denotada por +:
+ : V V V ; (v, w) ; v + w
Esta operaci
on es una ley de composicion interna.
2. Una operaci
on entre los elementos de V y los elementos de K,
denotada por Ex que cumple
Ex : K V V ; (, v) ; v
Es una operacion externa, pues opera con elementos que est

an
fuera de V . Esta operaci
on es conocida con el nombre de pro-
ducto por escalar o ponderaci on.
Los elementos de V son llamados vectores y los elementos de K

son llamados escalares. Sobre este conjunto V haremos, ademas, 8
exigencias, llamadas los axiomas de espacios vectoriales. Son los si-
guientes:
E.V.1. (~u+~v )+w ~ ~u, ~v , w

~ = ~u+(~v +w), ~ V (Asociatividad)
E.V.2. Existe neutro aditivo, denotado por ~0.
E.V.3. Para todo ~v V , existe w ~ = ~0.
~ V tal que ~v +w
~ = ~v .
Notacion w
E.V.4. ~v +w ~ v , ~v , w
~ = w+~ ~ V . (Conmutatividad)
E.V.5. 1 ~v = ~v
E.V.6. ( + )~v = ~v +~v , K, ~v V
E.V.7. (~v +w) ~ K, ~v , w
~ = ~v +w, ~ V
E.V.8. () ~v = ( ~v ) , , K, ~v V
En tal caso diremos que V es un K - espacio vectorial o un espacio

vectorial sobre K.
Nota
Fundandose en estos axiomas, se desarrolla la teora llamada Algebra

Lineal.
no Algebra Lineal
Nota
De ahora en adelante, K, denotara Q, IR o C.
Ejemplo
Estudiemos V sobre K. Donde V = {(2x, x); x K} K 2

~ V , luego los vectores ~v y w
Sea ~v , w ~ tienen la forma ~v = (2x, x) y
w
~ = (2y, y). V es cerrado para la suma pues,
~v + w
~ = (2x, x)+(2y, y) = (2x+(2y), x+y) = (2(x+y), x+y)
el cual es un elemento tpico de V . Tambien es cerrado para la pon-

deracion, pues,
~v = (2x, x) = ((2x), x) = (2(x), x)
el cual es un elemento tpico de V . Ademas V cumple los 8 axiomas

de espacios vectoriales. En efecto, cumple:
(En lo sucesivo escribiremos simplemente v en lugar de ~v ).
E.V.1. Sean u, v, w V , luego u = (2x, x), v = (2y, y), w =

(2z, z), ciertos x, y, z K.
(u + v) + w = ((2x, x) + (2y, y)) + (2z, z)

= (2x + 2y, x + y) + (2z, z)
= ((2x + 2y) + 2z, (x + y) + z)
= (2x + (2y + 2z), x + (y + z))
= (2x, x) + (2y + 2z, y + z)
= (2x, x) + ((2y, y) + (2z, z))
= u + (v + w)
E.V.2. ~0 = (0, 0) = ((2)0, 0), el cual es un elemento tpico de V .

E.V.3. Sea v = (2x, x) V , entonces v = (2(x), (x)), el
cual es un elemento de V .
E.V.4. v + w = (2x, x) + (2y, y) = (2x + 2y, x + y)

= (2y + 2x, y + x) = (2y, y) + (2x, x)
=w+v
E.V.5. 1 v = 1 (2x, x) = (1(2x), 1x) = (2x, x) = v.
E.V.6. ( + )v = ( + ) (2x, x)
= (( + )(2x), ( + )x)
= ((2x) + (2x), (x + x)
= ((2x), x) + ((2x), x)
= (2x, x) + (2x, x) = v + v
E.V.7. (v + w) = ((2x, x) + (2y, y))
= (2x + 2y, x + y)
= ((2x + 2y), (x + y))
= ((2x) + (2y), x + y)
= ((2x), x) + ((2y), y)
= (2x, x) + (2y, y)
=v+w
E.V.8. () v = ()(2x, x) = (()(2x), ()x)
= (((2x)), (x)) = ((2x), (x))
= ((2x, x)) = (v)
Luego hemos demostrado que V es un K espacio vectorial.
Ejemplo
V = {(3x, x); x K}, es un K-espacio vectorial.
Ejemplo
Sea V = K n = {(x1 , x2 , . . . , xn ); x1 , x2 , . . . , xn K}. Entonces K n es

un K-espacio vectorial, donde la suma esta denida por:
(x1 , . . . , xn ) + (x1 , x2 , . . . , xn ) = (x1 + x1 , x2 + x2 , . . . , xn + xn )
y el producto por escalar esta denido por:
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )
no Algebra Lineal
Ejemplo

Q( 2) = {a + b 2; a, b Q} es un Q-espacio vectorial, donde la suma
esta denida por:

(a + b 2) + (a + b 2) = (a + a ) + (b + b ) 2
y el producto por escalar por:

(a + b 2) = a + (b) 2

de donde Q(2) es cerrado para la suma y producto por escalar. Se
tiene que Q( 2) con la suma y la ponderacion as denidas, cumple
los ocho axiomas.
Ejemplo
Sea V = K[X] = {a0 + a1 X + a2 X + + an X n ; a0 , . . . , an K} el

conjunto de los polinomios con coecientes en K.
Entonces K[X] es un espacio vectorial sobre K con la suma y la pon-
deracion denidas en el curso anterior.
Ejemplo
Sea V = K2 [X] = {a0 + a1 X + a2 X 2 ; a0 , a1 , a2 K} el conjunto de

los polinomios truncos de grado 2. Entonces K2 [X] es un espacio
vectorial sobre K.
Ejemplo
V = Km [X] = {a0 + a1 X + + am X m ; a0 , . . . , am K} polinomios

truncos de grado m.
Notese que los polinomios tienen grado menor o igual a m, razon por
la cual m interviene en el nombre del conjunto: Km [X].
Sin embargo, en K[X] los polinomios pueden tener cualquier grado,
pues la letra n no tiene relacion con la notacion K[X].
Bueno, Km [X] es un K-espacio vectorial.
Ejemplo
a b

M22 (K) = { ; a, b, c, d K}, es el espacio vectorial formado
c d
por todas las matrices de 2 2 con coecientes en K.
La igualdad de matrices esta dada por:
a b a b

= si y solo si a = a , b = b , c = c , d = d .
c d c d
Ademas la suma esta denida por:
a b a b a + a b + b

+ =
c d c d c + c d + d
y la multiplicacion por escalar esta denida por:
a b a b

=
c d c d
Ejemplo
V = {f ; f : IR IR} es el espacio vectorial formado por todas las

funciones reales sobre los reales.
La suma de dos funciones f y g es una funcion, denotada por f + g,
y en cada n
umero real se comporta de la siguiente manera:
(f + g)(x) = f (x) + g(x)
La ponderacion de una funcion f por un escalar , es una funcion, es

denotada por f , y en cada n
umero real se comporta de la manera
siguiente:
(f )(x) = f (x)
no Algebra Lineal
Estas dos operaciones cumplen los 8 axiomas.

Solo mostraremos E.V.2 y E.V.3, el resto queda de ejercicio.
El neutro es la funcion 0 : IR IR; 0(x) = 0 x IR
El inverso aditivo de la funcion f es f , dada por (f )(x) =

f (x)
Definicion 2.1.2 Un espacio vectorial finito es un espacio vecto-

rial que tiene una cantidad finita de vectores.
Ejemplo de un espacio vectorial finito

ZZ 3 ( 2) = {a + b 2); a, b ZZ 3 }
es un espacio vectorial sobre ZZ 3 , con la suma denida por

(a + b 2) + (c + d 2) = (a + c) + (b + d) 2
y la ponderacion denida por

(a + b 2) = (a) + (b) 2, ZZ 3
Ejemplo de un espacio vectorial finito

ZZ 3 ( 2, 5) = {a + b 2 + c 5 + d 10; a, b, c, d K3 }

es un espacio vectorial sobre ZZ 3 , sobre ZZ 3 ( 2) y sobre ZZ 3 ( 5)
Ejemplo
ZZ 5 [X] = {a0 + a1 X + a2 X 2 + . . . + an X n ; a0 , a1 , a2 , . . . , an ZZ 5 } es
un ZZ 5 -espacio vectorial, con la suma denida en ZZ 5 [X]:
Cuya multiplicacion por escalar esta denida por:
(a0 + a1 X + . . . + an X n ) = (a0 ) + (a1 )X + . . . + (an )X n
Observe que este espacio vectorial tiene un n

umero innito de elemen-
tos.
Proposici
on 2.1.1 Sea V un K-espacio vectorial. Entonces
1. El neutro es u
nico.
2. Todo vector tiene un u

nico inverso aditivo.
Demostraci
on de 1
Sean 0 y 0 dos neutros, entonces 0 = 0 + 0 = 0 . En la primera

igualdad usamos que el 0 es neutro y en la segunda igualdad usamos
que 0 es neutro.
Demostraci
on de 2
Sean v y v dos opuestos aditivos de v. Entonces tenemos que
v = v + 0 = v + (v + v ) = (v + v) + v = 0 + v = v
luego v = v , es decir, el inverso es u

nico.
Proposici
on 2.1.2 Sea V un K-espacio vectorial. Entonces:
1. 0v = ~0, v V .
2. ~0 = ~0, K
3. ~v = ~0, K, v V = = 0 o v = ~0
4. (v) = (v) = ()v, K, v V
5. (1)v = v, v V
no Algebra Lineal
Demostraci
on 1
0 v = (0 + 0)v = 0 v + 0 v luego 0 v = ~0
Demostraci
on 2
~0 = (~0 + ~0) = ~0 + ~0 luego ~0 = ~0
Demostraci
on 3
Si = 0 esta demostrada la proposicion.

Supongamos 6= 0, luego existe 1 K. Multiplicando v = ~0 por
1 , se tiene 1 (v) = 1 ~0, luego (1 ) v = ~0 luego 1 v = ~0
luego v = ~0.
Demostraci
on 4
Por (2) se tiene ~0 = ~0, luego, (v + v) = ~0, luego v + (v) = ~0,

luego (v) = (v), es decir, el opuesto de v es (v).
Ademas 0v = ~0 y ~0 = 0v = ( + )v = v + ()v, luego 0 =
v + ()v. Esto dice que el inverso aditivo de v es ()v y se
escribe (v) = ()v
Demostraci
on 5
(1)v + v = (1)v + 1v = (1 + 1)v = 0v = ~0

luego el inverso aditivo de v es (1)v, se escribe v = (1)v.
2.2 Sub-espacios vectoriales

Ahora sabemos bien que es un espacio vectorial No te parece?. Bueno,
es natural preguntarse si puede haber un espacio vectorial dentro de
otro espacio vectorial.

En el curso anterior, estudiamos los grupos y luego denimos los sub-
grupos.
Entonces, inspirados en el concepto de sub-grupo, denamos un sub-
espacio vectorial.
Definicion 2.2.1 Sea S V , S 6= , entonces S es un sub-espacio

vectorial de V si S es un K-espacio vectorial, con las mismas opera-
ciones de V . Notacion S V .
Ejemplo
Sabemos que IR2 es un espacio vectorial y conocemos la interpretacion

geometrica de sus vectores. En IR2 , consideremos el subconjunto
S = {(2x, x); x IR}
S es una recta que pasa por el origen.

Observemos que S es cerrado para la suma y la ponderacion y S es
un espacio vectorial. Luego S es un sub-espacio vectorial de IR2 .
Observaci
on
En K 2 , consideremos
A = {(2x + 1, x); x K}
no Algebra Lineal
Sea v = (2x + 1, x) un elemento de A. Ponderemos este vector por el

escalar 5, tenemos
5 v = 5(2x + 1, x) = (10x + 5, 5x)
el cual no es un elemento de A.
Luego esta operacion no es una ponderacion, es decir, la operacion Ex ,

no cumple
Ex : K A A
Luego A no es un sub-espacio vectorial de K 2 .
Problema
Si uno se pone a meditar sobre el ejercicio penultimo, comprende que

no era necesario demostrar E.V.1, E.V.4, E.V.5, E.V.6, E.V.7, E.V.8.
Entonces a uno le gustara saber que es lo justo y necesario que hay
que probar para tener que S es sub-espacio vectorial de V .
La respuesta a esta inquietud la tenemos en la siguiente proposicion.
Proposici
on 2.2.1 (Caracterizaci
on de sub-espacio vectorial)
Sea V un K-espacio vectorial. S V , S 6= . Entonces son equiva-
lentes
1. S es sub-espacio de V .
2. (a) v + w S, v, w S
(b) v S, K, v S
3. v + w S v, w S, K
Demostraci
on
(1)(2)
Puesto que S es un sub-espacio vectorial de V , en particular es un
espacio vectorial, luego cumple (2).
(2)(1)
Para demostrar (1), tenemos que demostrar que se cumplen los 8 a-
xiomas y que las operaciones estan bien denidas.
Que S es cerrado para la suma, lo sabemos por (a). Que la ponderacion
esta bien denida, lo sabemos por (b).
Sabemos que en V , la suma es asociativa y conmutativa y S V ,
luego la suma es asociativa y conmutativa en S.
En la hipotesis general, tenemos que S 6= , luego existe un vector en
S, llamemosle v. Multipliquemos v por el escalar 0 (este existe, pues
K es un cuerpo) tenemos 0 v = ~0. Luego ~0 esta en S. As tenemos
E.V.2.
Sea v S, un vector cualquiera. Este vector lo podemos multiplicar
por (1), tenemos (1)v = v, luego v S. As tenemos E.V.3.
En ambos casos, usamos (b).
los restantes axiomas se obtienen trivialmente por el hecho que S es
un subconjunto de V .
Luego (2)(1)
no Algebra Lineal
Nota
Una Caracterizacion signica que podemos usar la proposicion, en

vez de la denicion. Estas propiedades caracterizan un sub-espacio
vectorial.
Ejemplo
S = {(a, 0)/a K} K 2
En efecto, S 6= , pues, por ejemplo (2, 0) S. Sean s, s S, luego
s = (a, 0) y s = (a , 0), ciertos a, a K. Tenemos s + s = (a, 0) +
(a + 0) = (a + a , 0) el cual es un elemento de S.
Sea K, luego s = (a, 0) = (a, 0) = (a, 0) el cual es
tambien un elemento de S. Luego S es un sub-espacio vectorial de K 2 .
Ejemplos
S = {(0, 0)} K 2 ; U = {(0, 0, 0)} K 3 ; S = {~0} K; {~0} V ,

para todo V , espacio vectorial.
Ejemplo
S = {(a, b); a + b = 0} K 2
En efecto, S 6= , pues, por ejemplo (2, 2) S. Sean s, s S,
entonces s = (a, a), s = (b, b), ciertos a, b K. Tenemos s + s =
(a, a) + (b, b) = (a + b, a b) el cual es un elemento de S, pues
la suma de las componentes del par ordenado es nula.
Sea K, tenemos (a, a) = (a, (a)) = (a, a), el cual es
un elemento de S. Luego S K 2 .
Ejercicio
Demostremos que S = {(x, y); 2x 3y = 0} IR2 .

Soluci
on
1. Demostremos que en S hay al menos un elemento:

(3, 2) S pues 2 3 3 2 = 0. Luego S 6=
2. Demostremos que u, v S u + v S
Sean u, v S. Esto signica que u y v tienen la forma u = (x, y),
v = (x1 , y1 ) donde 2x 3y = 0 y 2x1 3y1 = 0. La suma de u y
v es:
u + v = (x, y) + (x1 , y1 ) = (x + x1 , y + y1 )
y se cumple:
2(x + x1 ) 3(y + y1 ) = 2x + 2x1 3y 3y1 =
= (2x 3y) + (2x1 3y1 ) = 0
Luego u + v S.
3. Demostremos que u S u S, IR.

Sea u S, luego u = (x, y) con 2x 3y = 0, de donde:
u = (x, y) = (x, y)
Se tiene:
2(x) 3(y) = (2x 3y) = 0 = 0
As hemos demostrado que S es un sub-espacio vectorial de IR2 .

Ademas observamos que S representa la recta que pasa por el origen
con pendiente 2/3.
no Algebra Lineal
Ejercicio
a b

Demostremos que S = ; a, b, c K M22 (K).
0 c
Soluci
on
3 5

1. S, luego S 6= .
0 2
2. u, v S. Esto signica que u y v tienen la forma:
a b a1 b 1

u= yv= .
0 c 0 c1
Sumando tenemos:
a b a1 b 1 a + a1 b + b 1

u+v = + = S.
0 c 0 c1 0 c + c1
a b a b

3. u = = S.
0 c 0 c
Luego S es un sub-espacio vectorial de M22 (K).
Ejercicio
Demostremos que K2 [X] = {a0 + a1 X + a2 X 2 / a0 , a1 , a2 K} es un

sub-espacio vectorial de K[X].
Soluci
on
1. 3 + 2X + X 2 K2 [X], luego K2 [X] 6= .
2. Sean p(X), q(X) K2 [X]. Luego p(X) y q(X) tienen la forma:

p(X) = a0 + a1 X + a2 X 2 y q(X) = b0 + b1 X + b2 X 2 .
p(X) + q(X) = (a0 + a1 X + a2 X 2 ) + (b0 + b1 X + b2 X 2 )
= (a0 + b0 ) + (a1 + b1 )X + (a2 + b2 )X 2 K2 [X]
3. Sea p(X) K[X], luego p(X) = a0 +a1 X +a2 X 2 , luego tenemos:

p(X) = (a0 + a1 X + a2 X 2 ) = a0 + (a1 )X + (a2 )X 2
K2 [X].
De (1), (2) y (3), tenemos que K2 [X] es un sub-espacio vectorial de

K[X].
Otra forma de escribir K2 [X] es:
K2 [X] = {p(X) K[X]/ gr p(X) 2}
Ejercicio
Es el conjunto S = {p(X) K[X]/grp(X) = 2} un sub-espacio

vectorial de K[X]?
Soluci
on
1. p(X) = 1 + X + X 2 S, luego S 6= .
2. Sean p(X), q(X) S, dados por

p(X) = 2 + 3X + 5X 2 y q(X) = 4 + 7X 5X 2 S. Sin embargo
p(X)+q(X) = (2+3X +5X 2 )+(4+7X 5X 2 ) = 6+10X, el cual
no pertenece a S pues su grado no es 2. Esto es un contraejemplo.
Conclumos entonces que S no es un sub-espacio de K[X].
Ejercicio
Sea C = {f : IR IR; f es continua}. Probemos que C es un sub-

espacio vectorial de F = {f : IR IR}.
Soluci
on
Del curso de Calculo recordamos que:

no Algebra Lineal
1. La funcion id : IR IR; id(x) = x, x IR es una funcion

continua, luego C 6= .
2. La suma de dos funciones continuas es continua.
3. La ponderacion de una funcion continua es continua.
Luego C es un sub-espacio vectorial de F .
Ejercicio
Sea V = {f : IR IR}. Sea S = {f V ; f (x 1) = f (x)}. De-

mostremos que S es un sub-espacio vectorial de V
Soluci
on
1. La aplicacion nula pertenece a S, pues 0(x 1) = 0(x). Luego

S 6=
2. Sean f, g S, luego
(f + g)(x 1) = f (x 1) + g(x 1) = f (x) + g(x) = (f + g)(x).
Luego (f + g) S
3. Sean f, g S, luego (f )(x 1) = (f (x 1)) = (f (x)) =

(f )(x)
Por (1), (2), (3), tenemos que S es sub-espacio vectorial de V
Ejercicio
En K 4 , considere el sub-espacio
S = {(x + y + 2z, x + 2y + 2z, 2x + 3y + 5z, x + 2y + 5z); x, y, z K}.
Busquemos una representacion cartesiana de S.
Soluci
on
Sea
x + y + 2z = a

x + 2y + 2z = b

2x + 3y + 5z = c

x + 2y + 5z = d

Luego escalonando el sistema se tiene:

1 1 2 a 1 0 2 2a b

1 2 2 b 0 1 0 ba

2 3 5 c 0 0 1 cba

1 2 5 d 0 0 0 3a + 2b 3c + d
El sistema representa el sub-espacio dado ssi 3a + 2b 3c + d = 0
Luego S = {(a, b, c, d); 3a + 2b c + d = 0} es la representacion
cartesiana de S
Ejercicio
En K 4 , considere el sub-espacio
S = {(a, b, c, d); 2a b c + d = 0, a + b + d = 0}
descrito en forma cartesiana.
Busquemos una representacion parametrica de S.
! !
2 1 1 1 0 1 0 13 2
0
3
1 1 0 1 0 0 1 13 1
3
0
) )
a 13 c + 23 d = 0 a = 31 c 32 d
Luego Es decir c, d K
b + 13 c + 13 d = 0 b = 13 c 13 d
S = {( 13 c 23 d, 31 c 13 d, c, d); c, d K}
Ejercicio
Sea V un K-espacio vectorial y S, T V . Demostremos que S T es

un sub-espacio vectorial de V .
no Algebra Lineal
Soluci
on
1. 0 S, 0 T luego 0 S T , es decir S T 6=
2. Sean u, v S T , esto signica que u, v S y al mismo tiempo
u, v T .
Pero si u, v S se tiene que u + v S, pues S es un sub-espacio
vectorial de V y u + v T , pues T es un sub-espacio vectorial
de V . Luego u + v S T .
3. Sea u S T , luego u S y u T . Puesto que S y T son sub-
espacios vectoriales, tenemos que u S y u T K,
es decir, u S T , K
Por (1), (2), (3) tenemos que S T es un sub-espacio vectorial de V .
Ejercicio
Sea V un K-espacio vectorial. Sea v1 , v2 , . . . , vn V . Demuestre que

S = {1 v1 + 2 v2 + . . . + n vn ; 1 , 2 , . . . n K} es un sub-espacio
de V .
Demostraci
on
El ~0 S, pues ~0 = 0v1 + 0v2 + + 0vn Observemos que al sumar dos

elementos de S obtenemos un elemento de S y que al multiplicar un
elemento de S por un escalar tambien obtenemos un elemento de S
2.3 Combinaciones Lineales

Sabes, el problema que tenemos ahora es saber si dado un vector, lo
podemos obtener a partir de otros dos vectores dados. Bueno, es decir
sumando y ponderando esos vectores.
Nos parece bastante logico hacerse esta pregunta pues en todo espacio
vectorial se puede sumar y ponderar Es logico, cierto?
Observaci
on
Sea V = IR2 , espacio vectorial sobre IR, sea u = (2, 1) IR2 . A partir
de u podemos obtener otros vectores, como por ejemplo, u1 = 3(2, 1),
es decir, u1 = (6, 3), o bien u2 = (10, 5), o u3 = (8, 4), etc.
Entonces diremos que u1 es combinacion lineal de u. Lo mismo para
u2 y u 3 .
Observaci
on
Sea V = IR2 , u = (2, 1), v = (1, 2). A partir de u y v podemos obtener

otros vectores. Recordemos que solamente esta permitido sumar y
cambiar la magnitud de los vectores. Por ejemplo, el vector w1 = (3, 3)
se puede obtener de u y v:
w1 = u + v; (3, 3) = (2, 1) + (1, 2)
Tambien, el vector w2 = (5, 4), pues:
w2 = 2u + v; (5, 4) = 2(2, 1) + (1, 2)
Diremos que w1 es combinacion lineal de u y v. Lo mismo para w2 .
Observaci
on
Sea u = (2, 1), v = (4, 2). Veamos si hay alg

un par de escalares y
que satisfagan la igualdad:
(3, 3) = (2, 1) + (4, 2)
Luego
(3, 3) = (2 + 4, + 2)
es decir, que cumplan simultaneamente
)
3 = 2 + 4
3 = + 2
no Algebra Lineal
pero, dos cantidades iguales a una tercera son iguales entre si, luego
comparando las ecuaciones tenemos 3 = 32 , lo cual es una con-
tradiccion. El error estuvo en suponer que w lo podamos obtener
a partir de u y v.
En este caso diremos que w no es combinacion lineal de u y v.
Definicion 2.3.1 Un vector v V se dice que es combinaci on lin-

eal de los vectores v1 , v2 , . . . , vn , si existen escalares 1 , 2 , . . . , n
K tales que:
v = 1 v1 + 2 v2 + . . . + n vn
on 2.3.2 Sea S un subconjunto de V , v V , se dice que v

Definici
es combinacion lineal de los vectores de S si:
v = 1 v1 + 2 v2 + . . . + n vn , ciertos i K, ciertos vi S
Ejemplo
Sea V = K 3 , es decir los vectores son 3-uplas. Sea v1 = (1, 2, 3),

v2 = (2, 5, 1), entonces v = (9, 22, 1) es combinacion lineal de v1
y v2 . En efecto:
(9, 22, 1) = 1(1, 2, 3) + 4(2, 5, 1)
Ejercicio
En K2 [X], consideremos los vectores u = 1 + 2X + X 2 y v = X X 2
1. Demostremos que el vector w1 = 2 + 3X + 3X 2 es combinacion

lineal de u y v.
2. Veamos si el vector w2 = 3 + X es combinacion lineal de u y v.
3. Queremos saber para que valor de k, el vector w3 = 1 + kX X 2

es combinacion lineal de u y v.
Soluci
on
1. Sea w1 = (1 + 2X + X 2 ) + (X X 2 ). Luego
2 + 3X + 3X 2 = + (2 + )X + ( )X 2
Por denicion de igualdad de polinomios tenemos

= 3
2 + = 3
= 2

Escalonemos este sistema. Tenemos:

(2) (1)
1 1 3 L21 1 1 3 L13
2 1 3 0 3 3

(1) (3)
1 0 2 L31 0 1 1 L23

1 0 2 =2
0 0 0 Luego

0 1 1 = 1
Luego w1 = 2u + (1)v. Efectivamente w1 es combinacion lineal

de u y v.
2. Supongamos que w2 = 3 + X es combinacion lineal de u y v, es

decir, supongamos que existe y reales tal que:
3 + X = (1 + 2X + X 2 ) + (X X 2 )
= + (2 + )X + ( )X 2
Por la denicion de igualdad de polinomios tenemos:

= 0
2 + = 1
= 3

Escalonando este sistema tenemos:

no Algebra Lineal
(2) (1)
1 1 0 L21 1 1 0 L13 1 0 3
2 1 1 0 3 1 0 0 8

(1) (3)
1 0 3 L31 0 1 3 L23 0 1 3
En la segunda ecuacion nos queda 0 = 8, lo que es una con-

tradiccion. Bueno, el error estuvo en suponer que exista un tal
y , es decir en suponer que w2 era combinacion lineal de u y
v.
Luego w2 no es combinacion lineal de u y v.
3. Sea w3 = u + v. Luego:
1 + kX X 2 = 1 + (2 + )X + ( )X 2
Luego se tiene que se deben cumplir las ecuaciones siguientes:

= 1

2 + = k
= 1

Escribamos este sistema en forma matricial y luego escalonemos-

lo.
Tenemos
(1)
1 0 1 L21 1 0 1
1 1 1 0 1 2

(2)
2 1 k L31 0 1 k2

(1) 1 0 1
L31
0 1 2

0 0 k4
Vemos que este sistema tiene solucion si y solo si k 4 = 0, es

decir k = 4.
Luego w3 es combinacion lineal de u y v si y solo si k = 4.
Ejercicio
Sea V = M23 (K) sobre K. Es decir, los vectores son matrices de 2

las y 3 columnas.
Sean
1 2 5 1 0 0 0 1 1

v1 = ; v2 = ; v3 =
0 1 1 0 1 6 0 0 2
0 1 4

Demostremos que v = es combinacion lineal de v1 , v2
0 0 7
y v3 .
Es decir, tenemos que encontrar 1 , 2 , 3 K tales que v = 1 v1 +
2 v2 + 3 v3 .
Soluci
on
0 1 4 1 2 5 1 0 0 0 1 1

= 1 + 2 + 3
0 0 7 0 1 1 0 1 6 0 0 2
Usando la denicion de igualdad de matrices, tenemos el sistema:

1 + 2 = 0
21 + 3 = 1

51 + 3 = 4

0 = 0

1 + 2 = 0

1 + 62 + 23 = 7

El cual reducido a su forma mas simple, mediante el escalonamiento

del sistema, tenemos
1 = 1, 2 = 1, 3 = 1
Luego v = 1v1 + 1v2 + 1v3 , es decir, v es combinacion lineal de v1 ,

v2 , v3 .
no Algebra Lineal
Como ejercicio al lector, te proponemos lo siguiente:

1 4 10

Comprueba que el vector w = es combinacion lineal de
0 1 4
los vectores v1 , v2 , v3 .
Ademas, estudie la pregunta siguiente:
2 5 7

Es t = combinacion lineal de v1 , v2 , v3 ?
1 2 5
2.4 Sub-espacio generado

La pregunta que ahora uno se hace es un poco mas exigente. La idea
es facil: dado un vector, queremos encontrar todos los vectores que
se pueden obtener a partir de el. Bueno, se trata de ir sumando y
ponderando los vectores que se van obteniendo.
. . . y los queremos todos.
O bien, dados dos vectores, queremos encontrar todos los vectores que
se pueden obtener a partir de ellos. Idem para el caso de n vectores.
Observaci
on
Consideremos V = K 2 , un K-espacio vectorial. En el, demosnos el

vector v = (1, 2). Entonces queremos encontrar todos los vectores
que se pueden obtener a partir de v. Estos vectores son todos aquellos
de la forma w = (1, 2), es decir, w = (, 2).
El conjunto obtenido es
S = {(x, y); y = 2x}
Escribiremos S =< (1, 2) >.

En este caso, S es un sub-espacio vectorial de K 2 . Ocurrira esto,
siempre ?
Observaci
on
Consideremos V = IR2 y u = (1, 2) y v = (2, 4). Cuanto es

lo maximo de espacio que podemos alcanzar a partir de u y v? Es
decir, haciendo combinaciones lineales de estos vectores, Que vectores
podemos obtener ?. Es decir, A que conjunto es igual el conjunto
{(1, 2) + (2, 4); , IR} ?
Observamos que haciendo combinaciones lineales de estos vectores
no es posible salir de la recta. Diremos que el espacio genera-
do por u y v es la recta L = {(x, y); y = 2x} y escribiremos
L =< (1, 2), (2, 4) >.
En este caso L tambien es un sub-espacio vectorial de IR2 . Esto es
curioso. No te parece? Tenemos la siguiente proposicion.
Proposicion 2.4.1 Sean V un K-espacio vectorial y v1 , v2 , . . . , vn

V . Entonces
S = {1 v1 + 2 v2 + + n vn ; 1 , 2 , . . . , n K}
es el mas peque
no sub-espacio de V que contiene a v1 , v2 , . . . , vn .
Demostraci
on
Vimos en un ejercicio que S es un subespacio vectorial de V , al nal

de la seccion 2.2
Demostremos ahora que es el mas peque
no que contiene a v1 , v2 , . . . , vn .
Sea H un sub-espacio vectorial de V que contiene a v1 , v2 , . . . , vn .
Por ser un sub-espacio debe contener 1 v1 , 2 v2 , . . . , n vn para todo
1 , 2 , . . . , n K. Tambien debe contener todas las sumas de vec-
tores de H, es decir, H debe contener 1 v1 + 2 v2 + . . . + n vn para
todo 1 , 2 , . . . , n K. Luego H debe contener a S. Bueno, esto
quiere decir que es el mas peque no que contiene a v1 , v2 , . . . , vn .
no Algebra Lineal
Ejemplo
Sea V = K 3 . Consideremos los vectores v1 = (1, 2, 1) y v2 = (1, 1, 3).

Entonces S = {(1, 2, 1) + (1, 1, 3); , K} es un sub-espacio
vectorial de K 3 , el cual sera denotado por S =< (1, 2, 1), (1, 1, 3) >.
Definici on 2.4.1 Sea V un K-espacio vectorial. Sean v1 , v2 , . . . , vn

V . Entonces el conjunto formado por todas las combinaciones lineales
de v1 , v2 , . . . , vn es el sub-espacio llamado el sub-espacio generado
por v1 , v2 , . . . , vn y se denota < v1 , v2 , . . . , vn >, es decir,
< v1 , v2 , . . . , vn >= {1 v1 +2 v2 + +n vn ; 1 , 2 , . . . , n K} = S.
Diremos que {v1 , v2 , . . . , vn } es un conjunto de generadores de S.
Pregunta
Sea V = K 2 . Sea u = (3, 1) y v = (1, 3) Cual es el sub-espacio mas

grande que se puede obtener ponderando y sumando estos vectores?
Es decir, Cual es el sub-espacio generado por u y v?
Respuesta
< (3, 1), (1, 3 >= {(3, 1) + (1, 3); , K} =

= {(3 + , 3); , K}
Luego
3x + y x 3y
(x, y) = (3, 1) + (1, 3)
10 10
Es decir todo vector (x, y) de K 2 , es combinacion lineal de (3, 1) y
(1, 3). De donde tenemos que < (3, 1), (1, 3) >= K 2 .
Ejercicio
Busquemos el sub-espacio de K 3 , generado por u = (1, 1, 1) y v =

(2, 3, 1) y demos una descripcion cartesiana de este sub-espacio.
Soluci
on
S = {(1, 1, 1) + (2, 3, 1)}; , K}

Sea (x, y, z) = (1, 1, 1) + (2, 3, 1). Esto equivale a suponer que el
sistema de ecuaciones siguiente

x = + 2

y = + 3 tiene solucion
z = +

Es decir, debemos encontrar la condicion necesaria y suciente, para

que este sistema tenga solucion.
Escalonemos el sistema. Tenemos
(1)
1 2 x L21 1 2 x (1) 1 2 x
L32
1 3 y 0 1 y x 0 1 yx

(1)
1 1 z L31 0 1 z x 0 0 y + z 2x
Luego < (1, 1, 1), (2, 3, 1) >= {(x, y, z); 2x y z = 0}
Ejercicio
Encontremos un sistema de generadores para el sub-espacio de K 3 ,

siguiente:
U = {(x, y, z); 2x + y = 0}
Soluci
on
Los elementos de U tienen entonces la forma tpica (x, 2x, z). Ahora
bien (x, 2x, z) = x(1, 2, 0)+z(0, 0, 1). Esto nos dice que todo vector
de U lo podemos obtener a partir de (1, 2, 0) y (0, 0, 1), es decir,
lo podemos obtener como combinacion lineal de (1, 2, 0) y (0, 0, 1).
Entonces (1, 2, 0) y (0, 0, 1) generan U , es decir
U =< (1, 2, 0), (0, 0, 1) >
no Algebra Lineal
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio V de K 3 ,

V = {(x + 2y + z, x + 2y, x 2y + 3z); x, y, z K}
Soluci
on
Observamos que:
(x + 2y + z, x + 2y, x 2y + 3z) = x(1, 1, 1) + y(2, 2, 2) + z(1, 0, 3)
Luego los vectores (1, 1, 1) ,(2, 2, 2), (1, 0, 3) generan V , es decir
V =< (1, 1, 1), (2, 2, 2), (1, 0, 3) >
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio W de K 3 ,
W = {(x, y, z); x + 3y z = 0}
Soluci
on
Los elementos de W tienen la forma tpica (x, y, x + 3y). Tenemos que:
(x, y, x + 3y) = x(1, 0, 1) + y(0, 1, 3)
Luego un conjunto de generadores de W es {(1, 0, 1), (0, 1, 3)} y luego

W =< (1, 0, 1), (0, 1, 3) >
Ejercicio
Sea V = K 3 .
Sea U =< (1, 2, 0), (0, 0, 1) > y V =< (1, 0, 1), (0, 1, 3) >.
Busquemos un conjunto de generadores de U V .
Soluci
on
Sea v U V , luego:
v = (1, 2, 0) + (0, 0, 1) = a(1, 0, 1) + b(0, 1, 3))
Tenemos:

= a
2 = b
= a + 3b

Luego = 5.
Entonces v = (1, 20) 5(0, 0, 1) = (, 2, 5) = (1, 2, 5)
Luego U V =< (1, 2, 5) >. Entonces {(1, 2, 5)} es un conjunto
de generadores de U V
Ejercicio
Sea V = K 3 y S =< (1, 2, 1), (1, 0, 1) >. Busquemos 5 vectores de S.
Soluci
on
Por ejemplo:
v1 = (1, 2, 1) + (1, 0, 1), es decir v1 = (2, 2, 2);
v2 = 2(1, 2, 1) = (2, 4, 2);
v3 = 3(1, 2, 1) (1, 0, 1) = (2, 6, 2);
v4 = 2(1, 0, 1) = (2, 0, 2);
v5 = (1, 2, 1) + 3(1, 0, 1) = (4, 2, 4)
En n, toda combinacion lineal de (1, 2, 1) y (1, 0, 1) es un vector de
S.
no Algebra Lineal
Ejercicio
Sea V = K3 [X]. Busquemos un conjunto de generadores de
S = {a + bX + cX 2 + dX 3 ; 2a + b = c}
Soluci
on
Los elementos de S se caracterizan por tener el coeciente de X 2

igual a la suma del doble de la constante mas el coeciente de X. Un
elemento tpico de S, tiene la forma s = a + bX + (2a + b)X 2 + dX 3 ,
luego s = a(1 + 2X 2 ) + b(X + X 2 ) + dX 3 . Tenemos
S =< 1 + 2X 2 , X + X 2 , X 3 >
puesto que todo elemento de S se puede escribir como una combinacion

lineal de estos tres vectores.
Propiedades elementales de un sub-espacio generado
1. < u, v >=< u, v >; K {0}
2. < u, v >=, K
3. < u, v >=< v, u >
Demostraci
on 1
Sea w < u, v >, luego w tiene la forma w = 1 u + 2 v, ciertos

1 , 2 K. Pero:
1
w= u + 2 v, 6= 0 luego w < u, v >

Por otra parte, sea w < u, v >, entonces:
w = 1 (u) + 2 v = (1 )u + 2 v, luego w < u, v >

Demostraci
on 2
Sea w < u, v >, luego:
w = 1 u + 2 v = 1 (u + v) + (2 1 )v, luego w 
Por otra parte, sea w , entonces:
w = 1 (u + v) + 2 v = 1 u + (1 + 2 )v, luego w < u, v >
Demostraci
on 3
Sea w < u, v >, luego: w = u+v, ciertos , K ssi w = v+u

ssi w < v, u >
Notaci
on
Estas tres propiedades se cumplen para el segundo vector.
Observaci
on
< u, v >=< u, v, 0 >
Observaci
on
Esto se generaliza para un conjunto nito de vectores. Se tiene:
1. < u1 , u2 , . . . , un >=< u1 , u2 , . . . , un >; K, 6= 0.
2. < u1 , u2 , . . . , un >=< u1 + u2 , u2 , . . . , un >, K.
3. < u1 , u2 , . . . , un >=< u2 , u1 , . . . , un >
Estas operaciones que han sido realizadas en u1 , u2 , pueden realizarse

ui , uj ; i, j = 1, . . . , n.
no Algebra Lineal
Definici
on 2.4.2 Estos tres tipos de operaciones que dejan invariante
un conjunto de generadores son llamadas operaciones elementales.
Ejercicio
Sea V = K 3 , U =< (3, 9, 12), (1, 3, 6), (1, 3, 4) >. Busquemos una pre-
sentacion mas simple de U .
Soluci
on
Para mayor comodidad, los vectores los anotaremos sin comas y los
ordenaremos en una matriz. Hagamos las siguientes operaciones ele-
mentales:
3 9 12 L1 ( 13 ) 1 3 4 L21 (1) 1 3 4

1 3 4 1 3 4 0 0 0

1 3 6 1 3 6 L31 (1) 0 0 2
Es decir, < (3, 9, 12), (1, 3, 6), (1, 3, 4) >=< (1, 3, 4), (0, 0, 2) >.
Con esto hemos conseguido una presentacion mas simple del espacio.
Ejercicio
En IR2 , determinemos el sub-espacio generado por el conjunto de vec-

tores:
A = {(1, 3), (3, 9), (2, 6)}
Soluci
on

1 3 L (1) 1 3 1 3 1 3
2 3 L31 (2) L21 (1)
3 9 1 3 1 3 0 0

2 6 2 6 0 0 0 0
Luego < (1, 3), (3, 9), (2, 6) >=< (1, 3) >= {(x, 3x); x IR}. Este
sub-espacio de IR2 , representa la recta que pasa por el origen y tiene
pendiente 3.
Ejercicio
Lo mismo que el ejercicio anterior, para
A = {(2, 4, 6), (1, 2, 3), (5, 10, 15)}
Soluci
on

2 4 6 L (1) 1 2 3 1 2 3
1 2 L21 (1)
1 2 3 1 2 3 0 0 0

5 10 15 5 10 15 5 10 15

1 2 3
L31 (5)
0 0 0

0 0 0
= < (2, 4, 6), (1, 2, 3), (5, 10, 15) > = < (1, 2, 3) >
= {(x, 2x, 3x); x IR}
El cual representa una recta de IR3 que pasa por el origen.
Ejercicio
En K 2 , consideremos A = {(1, 2), (1, 1)}. Determinemos el espacio

generado por A.
Soluci
on
1 2 1 2 1 2 1 0

L21 (1) L2 (1) L12 (2)

1 1 0 1 0 1 0 1
no Algebra Lineal
Luego < (1, 2), (1, 1) >=< (1, 0), (0, 1) >= {(x, y); x, y K} = K 2
Entonces A genera K 2 .
Ejercicio
En V = K3 [X] consideremos el sub-espacio
S =< 2 + X + 5X 2 + X 3 , 4 + 2X + 10X 2 + 2X 3 , 1 + X + 2X 2 + X 3 >
Busquemos un conjunto de generadores que tenga una cantidad mni-

ma de elementos.
Soluci
on
Por comodidad anotaremos solamente los coecientes de cada poli-

nomio.

2 1 5 1 2 1 5 1 1 0 3 0
L21 (2) L13 (1)
4 2 10 2 0 0 0 0 0 0 0 0

1 1 2 1 1 1 2 1 1 1 2 1

1 0 3 0 1 0 3 0
L23 L21 (1)
1 1 2 1 0 1 1 1

0 0 0 0 0 0 0 0
Luego, basta generar S por el conjunto de vectores
{1 + 3X 2 , X X 2 + X 3 }
Nota
Hemos observado que a un conjunto A de generadores de un sub-

espacio S de V , al sacarle uno o mas vectores puede, a veces seguir
generando el mismo sub-espacio S.
Esto nos conduce a la siguiente denicion.
Definicion 2.4.3 Sea V un K-espacio vectorial. Sea G un conjunto

finito de generadores de un sub-espacio S de V . Diremos que G es
un conjunto minimal de generadores de S, si cada vez que se le
quita alguno de sus elementos, pierde su propiedad de ser generador
de S.
Ejemplo
G = {(1, 2), (3, 2)} es un conjunto minimal de generadores de K 2 .

T = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} es un conjunto minimal de generadores
de K 3 .
2.5 Dependencia Lineal
Ahora es necesario que recuerdes el concepto de dependencia lineal en

un sistema de ecuaciones lineales. A veces, tenamos ecuaciones que
podan ser obtenidas de otras, entonces decamos que el sistema era
linealmente dependiente.
Ahora pensemos en un conjunto de vectores en un espacio vectorial.
De la misma manera, a veces hay vectores que se pueden obtener de
los otros, pues son combinacion lineal de ellos.
Es entonces natural usar este mismo concepto para un conjunto de
vectores. No es as?
Nos encantara que esta seccion la encuentres Trivial!. Eso dira que
estas asimilando bien el curso.
Te recomendamos no empezar esta seccion si no has comprendido las
anteriores, pues se te pueden confundir los conceptos que, sin embargo,
son muy diferentes.
no Algebra Lineal
Observaci
on
Sea V = IR2 , u = (2, 3), v = (10, 15). Observamos que v = 5u,

diremos que el conjunto {u, v} es linealmente dependiente, es decir
que el vector v se puede obtener a partir de u
Observaci
on
Sea V = K 3 , u = (1, 1, 2), v = (2, 1, 5), w = (4, 3, 9). Tenemos que w =

2u+v. Diremos que el conjunto {u, v, w} es linealmente dependiente.
Ahora que tienes el concepto en forma intuitiva, podras apreciar mejor
la denicion siguiente.
Definici
on 2.5.1 Sea V un K-espacio vectorial. Sea
A = {v1 , v2 , . . . , vn }
Diremos que A es linealmente dependiente si al menos un vector

vi A es combinacion lineal de los dem
as vectores de A.
Diremos que un conjunto es linealmente independiente si ning un
vector depende de los otros, es decir, si ning
un vector es combinacion
lineal de los dem
as. Abreviamos l.d. y l.i respectivamente.
Ejercicio
Sea V = K 4 . Sea A = {(1, 0, 0, 5), (0, 1, 0, 4), (0, 0, 1, 1)}. Demostremos

que A es linealmente independiente.
Soluci
on
Si suponemos que existen a, b K tal que
(1, 0, 0, 5) = a(0, 1, 0, 4) + b(0, 0, 1, 1)
llegaremos a una contradiccion. Lo mismo ocurre si suponemos que

existen c, d, e, f K tales que
(0, 1, 0, 4) = c(1, 0, 0, 5) + d(0, 0, 1, 1) o

(0, 0, 1, 1) = e(1, 0, 0, 5) + f (0, 1, 0, 4)
Luego el conjunto A es linealmente independiente
Observaci
on
Sea V = K 2 . Sea A = {(3, 1), (6, 2)}. Estudiemos la dependencia lineal

de A.
Observe el chispazo genial siguiente: Obtengamos el vector ~0 = (0, 0)
a partir de estos dos vectores.
Por ejemplo, tenemos
1. ~0 = (0, 0) = (2)(3, 1) + 1(6, 2), o bien
2. ~0 = (0, 0) = (4)(3, 1) + 2(6, 2), o bien
3. ~0 = (0, 0) = 0(3, 1) + 0(6, 2)
De (2): 4(3, 1) = 2(6, 2), como 4 = 6 0, podemos despejar (3, 1) =

2
4
(6, 2), es decir
1
(3, 1) = (6, 2)
2
Conclusion: el conjunto A es l.d.
Observemos que esto lo pudimos hacer, pues tenamos mas de una
manera de obtener el vector ~0, a partir de los vectores en estudio.
Ejercicio
Sea V = K 2 Estudiemos la dependencia lineal del conjunto
A = {(3, 1), (6, 2), (1, 1)}

no Algebra Lineal
Soluci
on
Veamos las posibles maneras de obtener el vector (0, 0)

Sea (0, 0) = (3, 1) + (6, 2) + (1, 1). luego:
)
0 = 3 + 6 +
0 = 3 + 6 + 3
Tenemos = 0, = 2. Luego
(0, 0) = 2(3, 1) + (6, 2) + 0(1, 1), K
Tomemos = 1
(0, 0) = 2(3, 1) + 1 (6, 2) + 0(1, 1)
luego
(6, 2) = 2(3, 1) + 0(1, 1)
Entonces el conjunto A es l.d.
Nota
Esta forma de estudiar la dependencia lineal parece interesante. No

hay que estudiar tantas ecuaciones como al usar directamente la
denicion.
Antes de estudiar una caracterizacion de dependencia lineal, veamos
las siguientes deniciones:
Definicion 2.5.2 Sea {v1 , v2 , . . . , vn } un conjunto de vectores de un

espacio V . Diremos que
0v1 + 0v2 + + 0vn
es una combinaci
on lineal trivial.
Definicion 2.5.3 {~0} es linealmente dependiente.

{v} es linealmente independiente si y solo si ~v 6= ~0
Proposici
on 2.5.1 (Caracterizaci
on de dependencia lineal)
Sea V un espacio vectorial sobre K. Sea A = {v1 , v2 , . . . , vn }, entonces
son equivalentes:
1. A es linealmente dependiente.
2. i 6= 0, i K tal que 1 v1 + + i vi + + n vn = ~0.
Demostraci
on
Dem (1) (2):

Sea A linealmente dependiente, luego existe al menos un vector que es
combinacion lineal de los demas. Sin perdida de generalidad, supong-
amos que v1 es combinacion lineal de los demas. Tenemos
v1 = 2 v2 + + n vn , ciertos 2 , . . . , n K, luego
0 = (1)v1 + 2 v2 + + n vn
luego tenemos (2)
Dem (2) (1) :
Supongamos que existe i 6= 0, i K tal que
1 v1 + + i vi + + n vn = ~0
Sin perdida de generalidad, supongamos 1 6= 0. Luego
1 v1 = 2 v2 + + n vn , puesto que 1 6= 0, tenemos
2 n
v1 = 1 2
v + + v ,
1 n
luego tenemos (1)
Repaso de l
ogica
La proposicion: (1) (2) , es logicamente equivalente a la proposicion:

no(1) no(2).
Luego la proposicion anterior es logicamente equivalente al siguiente
corolario:
no Algebra Lineal
Corolario 2.5.2 Sea V un K-espacio vectorial. Sea
A = {v1 , v2 , . . . , vn }
entonces son equivalentes las siguientes proposiciones:
1. A es linealmente independiente.
nica manera de obtener el vector ~0, a saber, como

2. Existe una u
una combinacion lineal trivial.
Escrito en forma simbolica es
1 v1 + + n vn = ~0 1 = = n = 0
Ejercicio
En V = K 3 , consideremos A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Es-

tudiemos la dependencia lineal de A.
Soluci
on
Sea (1, 1, 1) + (1, 1, 0) + (1, 0, 0) = (0, 0, 0). Luego

++ = 0

+ = 0
= 0

luego = = = 0. Entonces la u nica manera de obtener el vector

(0, 0, 0), es la forma trivial. Luego A es l.i.
Ejercicio
Estudiemos en K 3 , la dependencia lineal del conjunto
A = {(1, 1, 2), (3, 3, 6), (1, 2, 5)}

Soluci
on
Sea (1, 1, 2) + (3, 3, 6) + (1, 2, 5) = (0, 0, 0).

De aqu obtenemos que = 3 y = 0. Luego todas las maneras
posibles de obtener el vector ~0 son:
(0, 0, 0) = 3(1, 1, 2) + (3, 3, 6) + 0(1, 2, 5); K
es decir, hay mas de una manera de obtener el vector ~0. Luego A es
l.d.
Proposici
on 2.5.3 Sea V un K-espacio vectorial. Entonces:
1. Sea A V , B A y A linealmente independiente, entonces B

es linealmente independiente.
2. Si un conjunto de vectores contiene el ~0, entonces el conjunto es
linealmente dependiente.
3. Sea {v1 , v2 , . . . , vn } l.i. y {v1 , v2 , . . . , vn , w} l.d., entonces w es
combinacion lineal de v1 , v2 , . . . , vn .
4. Sea {v1 , v2 , . . . , vn } l.i. y supongamos que w no es combinacion
lineal de v1 , v2 , . . . , vn , entonces {v1 , v2 , . . . , vn , w} es l.i.
Demostraci
on 1: Trivial!
Demostraci
on 2
Basta con escribir una combinacion lineal nula no trivial como:

5~0 + 0v1 + 0v2 + + 0vn = ~0
Demostraci
on 3
Supongamos que A = {v1 , v2 , . . . , vn , w} es l.d., entonces se puede

obtener una combinacion lineal nula no trivial con los elementos de A:
1 v1 + 2 v2 + + n vn + w = ~0
no Algebra Lineal
Si = 0 entonces:
1 v1 + 2 v2 + + n vn = ~0
y como {v1 , v2 , . . . , vn } es l.i., tenemos que:
1 = 2 = = n = 0
luego A es l.i. contradiccion, luego 6= 0, es decir, podemos despejar

w en la primera ecuacion:
1 2 n
w= v1 + v2 + + vn

es decir,w es combinacion lineal de v1 , v2 , . . . , vn
Demostraci
on 4
Sea 1 v1 + 2 v2 + + n vn + w = ~0, tenemos que = 0 pues w no

es combinacion lineal de los otros vectores, luego:
1 v1 + 2 v2 + + n vn = ~0
luego 1 = 2 = = n = 0.
Ejercicio
Sea V un K-espacio vectorial y {u, v, w} un conjunto de vectores l.i.

Estudiemos la dependencia lineal de los vectores
s = u + 2v, t = u + v w, r = v + 2w
Soluci
on
Sea s + t + r = ~0. Luego (u + 2v) + (u + v w) + (v + 2w) = ~0,

luego ( + )u + (2 + + )v + ( + 2)w = ~0.
nica manera de obtener el ~0 y
Puesto que {u, v, w} es l.i., hay una u
esta es:

+ = 0
2 + + = 0
+ 2 = 0

1 1 0 0 1 0 0 0
2 1 1 0

0 1 0 0

0 1 2 0 0 0 1 0
Luego = 0, = 0, = 0, es decir {r, s, t} es l.i.
Ejercicio
Sea V un K-espacio vectorial y {u, v, w} un conjunto l.i. Estudiemos

la dependencia lineal de la siguiente familia de vectores.
{u, s = ( 2)v + ( 2)w, t = v + (2 4)w; K}
Soluci
on
Sea au + bs + ct = ~0. Luego
au + b(( 2)v + ( 2)w) + c(v + (2 4)w) = ~0
Es decir au + (( 2)b + c)v + (( 2)b + (2 4)c)w = ~0.

Puesto que {u, v, w} es un conjunto l.i., entonces

a = 0

( 2)b + c = 0
( 2)b + (2 4)c = 0

En forma matricial, tenemos

1 0 0 0
0 2 1 0 (2.1)

2
0 2 4 0
Caso 2 = 0 ssi = 2
no Algebra Lineal
Tenemos

1 0 0 0 )
a = 0
0 0 1 0 Luego

Para todo b IR
c = 0
0 0 0 0
Reemplazando en (2.1), tenemos u, s = ~0, t = v. Luego para todo
b IR, tenemos 0u + bs + 0t = ~0, luego {u, ~0, t} es l.d., luego{u, s, t}
es l.d.
Caso 2 6= 0 ssi 6= 2
1
L2 ( 2 ) 1 0 0 0

1 1 0 0
1 0 1 1
(2.1) 0 1

2
0

2
0

1 2 5
L3 ( 2 ) 0 1 +2 0 0 0 2
0
Caso 2 5 = 0 ssi 2 = 5
Tenemos
) )
a = 0 a = 0
1 = 1 c IR
b + 2 c = 0 b = 2
c
Luego 0u + 1
2
cs + ct = ~0, c IR, 2 = 5. Luego {u, s, t} es l.d. en
este caso
Caso 2 6= 5
en este caso tenemos a = b = c = 0, luego {u, s, t} es l.i.
on 2.5.4 Sea A = {v1 , v2 , . . . , vn } un conjunto de vectores

Definici
de un espacio vectorial V . Diremos que A es un conjunto maximal
linealmente independiente si {v1 , v2 , . . . , vn , w} es linealmente de-
pendiente para todo w V
Ejemplo
Sea V = K 2 . A = {(1, 1), (1, 0)} es un conjunto maximal linealmente

independiente en V . En efecto, todo (a, b) V se puede escribir como
(a, b) = (b a)(1, 1) + b(1, 0). Luego
{(a, b), (1, 1), (1, 0)} es l.d. (a, b) K 2
2.6 Bases de un espacio vectorial

Ahora vamos a estudiar al mismo tiempo las dos secciones anteriores.
Vamos a entrelazar el concepto de generadores de un espacio, con el
concepto de dependencia lineal.
Para esto vamos a iniciar esta seccion con algunas consideraciones
sobre las posibles posiciones de tres vectores no nulos en el plano.
Sea V = IR2 y consideramos u, v, w V . Las posibles ubicaciones de
u, v, w en el plano son las dadas en las siguientes tres observaciones:
Observaci
on
Observemos la siguiente gura:
Los vectores u, v, w no nulos son colineales, es decir se encuentran

sobre una recta que denotamos por L.
Observamos que:
< u, v, w >= L =< u, v >=< u, w >=< v, w >==< v >=
=< w >
En este caso:
{u, v, w}, {u, v}, {u, w}, {v, w}

no Algebra Lineal
son linealmente dependientes, mientras que

{u}, {v}, {w}
son linealmente independientes.
Diremos que los conjuntos {u}, {v}, {w}, son bases de L.
Observaci
on
Consideremos vectores no nulos u, v colineales, es decir se encuen-

tran sobre una recta que denotamos por L y w otro vector que no se
encuentra sobre L.
Dada una combinacion lineal nula de los vectores u, v, w:

~0 = u + v + w
necesariamente se debe tener = 0; mientras que y pueden ser
no nulos.
El sub-espacio generado por estos tres vectores es:
< u, v, w >=< u, w >=< v, w >= IR2 y < u, v >6= IR2
En este caso {u, v, w}, {u, v} son linealmente dependientes y {u, w},
{v, w}, {u}, {v},{w} son linealmente independientes.
Diremos que {u, w}, {v, w} forman, cada uno de ellos, una base de
IR2 .
Observaci
on
Sean u, v, w tres vectores no nulos, de los cuales no hay dos sobre la

misma recta:
Se puede tener:
u + v + w = ~0 con , , 6= 0
Luego se tiene:
< u, v, w >= IR2 =< u, v >=< v, w >=< u, w >
Ademas se tiene que {u, v, w} l.d.; {u, w} l.i.; {v, w} l.i.; {u, v} l.i.
Diremos que {u, v}, {u, w}, {v, w} forman bases de IR2 .
Definici
on 2.6.1 Un subconjunto B de V , se dice que forma una
base de V , si B es l.i. y B es un conjunto de generadores de V .
Problema
En este momento, uno se pregunta que relacion habra entre base y los
conceptos de conjunto l.i. maximal y conjunto de generadores minimal.
La respuesta a esta inquietud, esta dada en la proposicion siguiente:
no Algebra Lineal
Proposici
on 2.6.1 (Conceptos equivalentes a base)
Sea B = {v1 , v2 , . . . , vn }, entonces son equivalentes:
1. B es l.i. y < v1 , v2 , . . . , vn >= V

2. v V , existen u
nicos 1 , 2 , . . . , n K, tales que:
v = 1 v1 + 2 v2 + + n vn
3. B es un conjunto minimal de generadores de V

4. B es un conjunto maximal l.i.de V
Demostraci
on
(1)=(3)
Sea B = {v1 , v2 , . . . , vn } l.i y V =. Por demostrar que B es un
conjunto minimal de generadores de V . Por hipotesis B genera V. Solo
falta demostrar que este conjunto es minimal.
Supongamos que no es minimal, es decir, supongamos sin perdida de
generalidad que B = {v1 , v2 , . . . , vn1 } genera V , luego vn es combi-
nacion lineal de v1 , . . . vn1 , es decir, vn = 1 v1 +2 v2 +. . .+n1 vn1 ,
ciertos i K, luego {v1 , v2 , . . . , vn } es l.d. contradiccion. Luego B es
minimal.
(3) = (4)
Supongamos que {v1 , v2 , . . . , vn } es un conjunto minimal de gener-
adores y supongamos ademas que {v1 , v2 , . . . , vn } es l.i. Sea C =
{v1 , v2 , . . . , vn , w}. Por (3) se tiene que w = 1 v1 + 2 v2 + . . . + n vn .
Luego {v1 , v2 , . . . , vn , w} es l.d., luego {v1 , v2 , . . . , vn } es l.i. maximal
(4)=(1)
B es l.i. pues es l.i. maximal
Sea w V un vector cualquiera. Tenemos que {v1 , v2 , . . . , vn , w} es
l.d., luego w = 1 v1 + 2 v2 + . . . + n vn , luego < v1 , v2 , . . . , vn >= V
(1)=(2)
Sea v = 1 v1 + 2 v2 + . . . + n vn y v = 1 v1 + 2 v2 + . . . + n vn . Dos
descomposiciones de v.
Luego 1 v1 + 2 v2 + . . . + n vn = 1 v1 + 2 v2 + . . . + n vn .
Luego (1 1 )v1 + (2 2 )v2 + . . . + (n n )vn = ~0.
Puesto que {v1 , v2 , . . . , vn } es l.i. tenemos que 1 1 = 2 2 =
. . . = n n = 0, luego 1 = 1 , 2 = 2 , . . . , n = n . Entonces
existe una u
nica manera de escribir los vectores de V seg un el conjunto
de vectores {v1 , v2 , . . . , vn }
(2)=(1)
(i) Por demostrar {v1 , v2 , . . . , vn } es l.i. Sea 1 v1 +2 v2 +. . .+n vn = 0.
Pero 0 = 0v1 + 0v2 + . . . + 0vn . Entonces 1 v1 + 2 v2 + . . . + n vn =
0v1 + 0v2 + . . . + 0vn .
Puesto que la escritura es u
nica, 1 = 0, 2 = 0, . . . , n = 0. Luego es
l.i.
(ii) Sea v V , entonces v = 1 v1 + 2 v2 + . . . + n vn de manera unica,
en particular v = 1 v1 + 2 v2 + . . . + n vn . Por (i) y (ii), tenemos (1)
Hemos demostrado que (1)=(3), (3)=(4), (4)=(1) y (1)=(2),
(2)=(1). Luego el teorema esta demostrado.
Definicion 2.6.2 Sea B = {v1 , v2 , . . . , vn } una base de V . Sea v =

1 v1 + 2 v2 + . . . + n vn . Entonces 1 , 2 , . . . , n son llamadas las
componentes de v, seg un la base B
Definicion 2.6.3 Llamaremos la base can onica de K n a la base

{e1 = (1, 0, ..., 0), e2 = (0, 1, ..., 0), ..., en = (0, 0, ..., 0, 1)} .
Observamos que para todo elemento de K n se tiene:

Si (a1 , a2 , . . . , an ) K n , entonces
(a1 , a2 , . . . , an ) = a1 (1, 0, . . . , 0) + a2 (0, 1, . . . , 0) + +

+an (0, 0, . . . , 1) =
= a1 e1 + a2 e2 + + an en
no Algebra Lineal
Definicion 2.6.4 La base can

onica de Km [X], es la base
2 m
{1, X, X , ..., X }. Por otra parte, la base can onica de K[X], es
la base {1, X, X 2 , ..., X n , ...}.
onica de K 2 , es {e1 = (1, 0), e2 = (0, 1)}.

Por ejemplo la base can
onica de K2 [X], es la base {1, X, X 2 }.
Por otra parte la base can
Ejercicio
Sea V = K 2 . Demostremos que B = {(1, 1), (1, 2)} es una base de K 2 .
Soluci
on
1. Demostremos que B genera K 2 .

Sea (x, y) = (1, 1) + (1, 2), ciertos , K luego:
(x, y) = ( + , + 2)
de donde = y x y = 2x y, es decir:
(x, y) = (2x y)(1, 1) + (y x)(1, 2)
2. Demostremos que B es l.i. Sea (1, 1) + (1, 2) = (0, 0), luego:
( + , + 2) = (0, 0)
De aqu se desprende que = = 0.

nica manera de escribir el ~0 a partir de los dos
Puesto que la u
vectores de B es la forma trivial, se tiene que B es l.i.
Por (1) y (2) se tiene que B es una base de K 2 .

Las componentes de un vector cualquiera (x, y) seg un la base B son:
2x y, y x. Por ejemplo: (3, 5) = 1(1, 1) + 2(1, 2)
Luego un vector (x, y), cualquiera de K 2 , se puede escribir como com-
binacion lineal de (1, 1) y (1, 2).
Proposici
on 2.6.2 Sea V un K-espacio vectorial. Entonces
1. Las componentes de la suma de dos vectores, son la suma de las

componentes.
2. Las componentes del producto de un vector por un escalar, son

el producto de las componentes por el escalar.
Demostraci
on
Sea B = {v1 , v2 , . . . , vn } una base de V sobre K. Sea
v = 1 v1 + 2 v2 + + n vn y w = 1 v1 + 2 v2 + + n vn
Entonces:
v + w = (1 v1 + 2 v2 + + n vn ) + (1 v1 + 2 v2 + + n vn )
= (1 + 1 )v1 + (2 + 2 )v2 + + (n + n )vn
Luego se tiene (1).

Ademas:
v = (1 v1 + 2 v2 + + n vn )
= (1 )v1 + (2 )v2 + + (n )vn
Luego se tiene (2)
2.6.1 Metodo para encontrar una base de un es-

pacio vectorial
Recuerda que para tener escrito un sistema de ecuaciones lineales en
su forma mas simple, hacamos el proceso de escalonamiento, pues las
operaciones elementales no alteran el sistema.
De la misma manera, tu sabes, que las operaciones elementales en un
conjunto de generadores no alteran el espacio obtenido.
Te parece, entonces, natural, escalonar un conjunto de generadores?
no Algebra Lineal
Obviamente que al escalonar un conjunto de vectores, el conjunto

obtenido, quitandole los vectores nulos, es un conjunto minimal de
generadores, luego es una base.
Tambien los vectores escalonados son l.i., luego forman una base del
espacio en cuestion.
Ejercicio
Sea V = K 3 , U =< (2, 4, 5), (4, 8, 2), (2, 4, 5) >. Busquemos

una base de U cuyos vectores esten escalonados.
Soluci
on
1
(2) ( )
2 4 5 L21 2 4 5 L2 12
4 8 2 0 0 12

(2) 1
2 4 5 0 0 10 )
L31 L310
(5)
2 4 5 L12 1 2 0
0 0

1 0 0 1

(1)
0 0 1 L32 0 0 0
Diremos que la base escalonada de U es B = {(1, 2, 0), (0, 0, 1)}.
Definicion 2.6.5 Sea V un espacio vectorial. Diremos que un con-

junto de vectores de V es escalonado si al escribirlos como filas de
una matriz, se obtiene una matriz escalonada.
Proposici on 2.6.3 Sea V un K-espacio vectorial y sea S V , en-

tonces el conjunto escalonado de generadores de S es u
nico y consti-
tuye una base de S.
Definicion 2.6.6 La base de un espacio vectorial formada por el con-

junto de vectores escalonados es llamada la base escalonada del es-
pacio considerado.
Corolario 2.6.4 (Caracterizaci

on de igualdad de sub-espacios)
Sean S, T V , V un K-espacio vectorial, entonces S = T si y s
olo si
tienen la misma base escalonada.
Ejercicio
En K 3 , busquemos la base escalonada del subespacio vectorial descrito

por
S = {(x, y, z); 5x 3y z = 0}
Soluci
on
Tenemos que z = 5x 3y, luego los elementos de S tienen la forma

v = (x, y, 5x 3y). Ademas:
(x, y, 5x 3y) = x(1, 0, 5) + y(0, 1, 3)
Luego el conjunto B = {(1, 0, 5), (0, 1, 3)} es un conjunto de gener-

adores de S y puesto que estan escalonados, B es la base escalonada
de S.
Ejercicio
En K 3 , busquemos la base escalonada del sub-espacio S generado por

el conjunto de vectores {(1, 2, 4), (3, 6, 1), (5, 10, 9), (2, 4, 3)}
Soluci
on
1 2 4 1 2 4 1 2 0

L21 (3)
3 6 1 31 (5)
L 0 0 11

0
0 1

5 10 9 0 0 11 0 0 0

L41 (2)
2 4 3 0 0 11 0 0 0
Luego, la base escalonada de S es {(1, 2, 0), (0, 0, 1)}.
no Algebra Lineal
Ejercicio
En K 4 , busquemos la base escalonada del sub-espacio
S = {(x y z + 2u, x + y + 3z + 4u, 2x + y + 4z + 7u, 3x + y+

+5z + 10u); x, y, z, u K}
Soluci
on
Todo elemento de S lo podemos escribir en la forma:
v = x(1, 1, 2, 3) + y(1, 1, 1, 1) + z(1, 3, 4, 5) + u(2, 4, 7, 10)
luego
S =< (1, 1, 2, 3), (1, 1, 1, 1), (1, 3, 4, 5), (2, 4, 7, 10) >
Al escalonar este conjunto de vectores tenemos la base escalonada B,

1 3
B = {(1, 0, , 1), (0, 1, , 2)}
2 2
Ejercicio
Sea V = K 3 , S, T V , denidos por:
S = {(x + 2y, 2x + 4y, 3x + 10y); x, y K}

T = {(2x + 3y, 4x + 6y, 2x + 5y); x, y K}
Estudiemos la posible igualdad de estos dos sub-espacios.
Soluci
on
S =< (1, 2, 3), (2, 4, 10) >; T =< (2, 4, 2), (3, 6, 5) >. Ambos con-
juntos al ser escalonados tienen la misma base escalonada B =
{(1, 2, 0), (0, 0, 1)}, luego S = T .
Teorema 2.6.5 (de Steinitz) Sea V un K-espacio vectorial. Sea

{v1 , v2 , . . . , vn } un conjunto l.i. y {w1 , w2 , . . . , wm } un conjunto de
generadores de V . Entonces existe una base de V de la forma:
{v1 , v2 , . . . , vn , wk1 , wk2 , . . . , wkp }, ciertos k1 , k2 , . . . , kp {1, 2, . . . , m}
Demostraci
on
Sea S =< v1 , v2 , . . . , vn >
1. Tenemos dos posibilidades:

(a) wj < v1 , v2 , . . . , vn >= S, j = 1, 2, . . . , m. Entonces te-
nemos que S = V y {v1 , v2 , . . . , vn } forman una base de
V.
(b) Existe wk1 que no pertenece a S. En este caso tenemos que
{v1 , v2 , . . . , vn , wk1 } es l.i.
Sea S1 =< v1 , v2 , . . . , vn , wk1 >
2. Nuevamente tenemos dos posibilidades:
(a) S1 = V , entonces {v1 , v2 , . . . , vn , wk1 } es una base de V
(b) S1 6= V , entonces existe wk2 que no pertenece a S1 . En este
caso tenemos que {v1 , v2 , . . . , vn , wk1 , wk2 } es l.i.
En forma analoga se construye S2 =< v1 , v2 , . . . , vn , wk1 , wk2 >.

Luego de un n
umero nito de pasos no mayor a m, se obtiene la base
buscada.
2.6.2 Aplicaci
on del Teorema de Steinitz
Sea V un K-espacio vectorial. Sea {v1 , v2 , . . . , vn } un conjunto l.i. y
sea {e1 , e2 , . . . , em } una base de V , entonces existe una base de V de
la forma:
{v1 , v2 , . . . , vn , ek1 , ek2 , . . . , ekp }, ciertos k1 , k2 , . . . , kp {1, 2, . . . , m}
no Algebra Lineal
Ejercicio
Obtengamos una base de K 4 que contenga al conjunto de vectores

A = {(1, 3, 5, 7), (1, 6, 5, 0)}
Soluci
on
La base escalonada del espacio generado por A es

7
B = {(1, 0, 5, 14), (0, 1, 0, )}
3
Luego una base de V que contiene los vectores de A es
C = {(1, 3, 5, 7), (1, 6, 5, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
Para esto se eligio dos vectores de la base canonica de K 4 que tienen

el 1 en lugares distintos de los elementos lderes de B.
Ejercicio
Busquemos una base de K3 [X] que contenga el conjunto de vectores
A = {3 + 6X 12X 3 , 2 4X + X 2 }
Soluci
on
La base escalonada del espacio generado por A es

1 1
B = {1 + X 2 2X 3 , X X 2 X 3 }
4 8
De la misma manera que en el caso anterior se elige una base que
contenga los vectores de la base canonica de K3 [X] que tienen el 1 en
lugares diferentes de los lderes de la base B. Entonces se ha elegido
la base
C = {3 + 6X 12X 3 , 2 4X + X 2 , X 2 , X 3 }
Ejercicio
Sea V = K 4 y S = {(a + b + 3c, a + 2c, b + c, a + b + 3c); a, b, c K}

un sub-espacio de V . Busquemos una base B de S que contenga el
vector u = (0, 1, 1, 0) y una base C de S que contenga el vector
v = (5, 3, 2, 5)
Soluci
on
El conjunto escalonado de generadores de S es
A = {(1, 0, 1, 1), (0, 1, 1, 0)}
Entonces es facil completar con vectores de la base escalonada de S,

eligiendo vectores que tengan el elemento lder en un lugar distinto al
del vector u = (0, 1, 1, 0). Se tiene as la base
B = {(0, 1, 1, 0), (1, 0, 1, 1)}
Para la base C, tenemos
3 2
< (5, 3, 2, 5) >=< (1, , , 1) >
5 5
La base pedida puede ser C = {(5, 3, 2, 5), (0, 1, 1, 0)}
Ejercicio
Sea V = M23 (K). S V denido por

3
a + 23 b c a b + c d

S={ 2 ; a, b, c, d IR}
a b c
Busquemos una base de S que contenga los vectores
5 3 0 2 0 0

u= yv=
2 2 1 2 2 4
no Algebra Lineal
Soluci
on
Un conjunto de generadores de S es
3 3
0 0 1 1 0 1 0 1 1 0

, 2 , 2 ,
0 0 0 1 0 0 0 1 0 0 0 1
La base escalonada de S es:
1 0 0 0 1 0 0 0 1 0 0 0

, , ,
0 2 2 0 2 3 0 0 0 1 1 0
La base escalonada del subespacio generado por u y v, es

0 1 0 1 0 0

,
1 1 3 1 1 2
Luego una posibilidad para B es:
5 3 0 2 0 0 0 0 1 0 0 0

, , ,
2 2 1 2 2 4 0 0 0 1 1 0
2.7 Dimensi
on de un espacio vectorial
Sabes, es bueno que vayas comprendiendo que uno de los problemas
que preocupa en matematicas, es encontrar entes que permanezcan
invariantes al producir ciertos cambios. Son los llamados invariantes.
Por el momento, hemos visto que todas las bases de K 2 , como K-
espacio vectorial, tienen 2 elementos.
umero de elementos de cada base es invariante en K 2 .
Es decir el n
Sera cierto que en K 3 , todas las bases tienen 3 elementos?.
. . .Y en un K-espacio vectorial V , ocurrira que todas las bases tiene
la misma cantidad de elementos?.
Es decir, uno se pregunta si el n
umero de elementos de las diferentes
bases de un espacio vectorial es un invariante.
Interesante pregunta cierto?.
Bueno, esta seccion nos da la respuesta a esa pregunta.
Comencemos por unos lemas y luego el teorema que dara la respuesta

a esta pregunta.
Lema
Sea B = {u1 , u2 , . . . , un } una base de un espacio vectorial V sobre K.

Sea u V tal que u = 1 u1 + 2 u2 + + i ui + + n un , con alg
un
i 6= 0.
Entonces el conjunto C = {u1 , u2 , . . . , ui1 , u, ui+1 , . . . , un } tambien es
una base de V.
Demostraci
on
Sin perdida de generalidad, supongamos 1 6= 0. En este caso

C = {u, u2 , . . . , un }, luego u1 = 11 u + 11 2 u2 + + 11 n un
1. Demostremos que C genera V.

Sea v V . Entonces:
v = 1 u1 + 2 u2 + + n un , ciertos 1 , 2 , . . . , n K.
Luego
v = 1 (11 u 11 2 u2 11 n un ) + 2 u2 + + n un
= 1 11 u + (2 1 11 + 2 )u2 + + (11 n 1 + n )un
Es decir, v < u, u2 , . . . , un >, es decir {u, u2 , . . . , un } genera V.
2. Demostremos que C es l.i.

Sea
u + 2 u2 + + n un = 0
Luego
(1 u1 + + n un ) + 2 u2 + + n un = 0
no Algebra Lineal
De donde
(1 )u1 + (2 + 2 )u2 + + (n + n )un = 0
Pero B es l.i., entonces:
(1) 1 = 0

(2) 2 + 2 = 0

(n) n + n = 0

De 1) tenemos = 0, pues hemos supuesto 1 6= 0. Reemplazando

en las ecuaciones (2),. . . , (n), se tiene i = 0, i = 2, , n. Luego
{u, u2 , . . . , un } es l.i.
Ejemplo
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} es una base de K 3 .

Tenemos que:
(5, 5, 2) = 2(1, 1, 1) + 3(1, 1, 0) + 0(1, 0, 0)
Entonces C = {(5, 5, 2), (1, 1, 0), (1, 0, 0)} es otra base de K 3 , o bien,
D = {(1, 1, 1), (5, 5, 2), (1, 0, 0)}.
Sin embargo, el conjunto A = {(1, 1, 1), (1, 1, 0), (5, 5, 2)} no es una
base de K 3
Lema
Supongamos que existe una base de V con n vectores. Si B =

{u1 , u2 , . . . , un } V es l.i. y posee n vectores, entonces B es una
base de V .
Demostraci
on
Sea C = {v1 , v2 , . . . , vn } una tal base de V . Entonces:
u1 = 1 v1 + 2 v2 + + n vn
ciertos 1 , 2 , . . . , n K. Sabemos que u1 es no nulo, pues B es

l.i., luego existe alg un i K, i {1, . . . , n} no nulo. Sin perdida de
generalidad, supongamos 1 6= 0. El lema anterior nos asegura que
{u1 , v2 , . . . , vn } es una base de V . Luego u2 es combinacion lineal de
u1 , v2 , . . . , vn , luego existen 1 , 2 , . . . , n no todos nulos tales que:
u2 = 1 u1 + 2 v2 + + n vn
Si 2 = 3 = = n = 0, se tendra 1 6= 0 , luego {u1 , u2 } es l.d.,

luego {u1 , u2 , . . . , un } l.d., lo cual es una contradiccion. Luego existe
al menos un j no nulo, j {2, . . . , n} Supongamos que 2 6= 0, luego
{u1 , u2 , v3 , . . . , vn } es una base de V . Repitiendo sucesivamente este
proceso, tenemos que {u1 , . . . , un } es una base de V .
Lema
Supongamos que en V existe una base con n vectores. Entonces todo

subconjunto de V que sea l.i. tiene a lo mas n vectores. Es decir, si
A = {v1 , . . . , vm }, entonces m n
Demostraci
on
Supongamos que existe S = {u1 , . . . , un , un+1 , . . . , ut } V que tenga

t vectores, con t > n y que sea l.i. Entonces B = {u1 , . . . , un } tiene n
vectores y es un conjunto l.i., luego B es una base, por el lema anterior.
Luego existen 1 , 2 , . . . , n K tal que:
un+1 = 1 u1 + 2 u2 + + n un
luego {u1 , u2 , . . . , un , un+1 } es l.d., lo que es una contradiccion al hecho

que S es l.i. Luego V tiene a lo mas n vectores l.i.
no Algebra Lineal
Teorema 2.7.1 (de invariancia) Sea V un K-espacio vectorial. Si

V tiene una base con un n umero finito de elementos, entonces toda
otra base tiene el mismo n
umero de elementos.
Demostraci
on
Sean B = {u1 , u2 , . . . , un } y C = {v1 , v2 , . . . , vm } dos bases cua-

lesquieras de V.
Como B es una base de V y C es l.i. entonces m n. Analogamente,
como C es una base de V y B es l.i., entonces n m. Luego n=m.
Nota
Este teorema se llama de invariancia, pues nos dice que el n

umero de
elementos de una base no vara en las diferentes bases de un espacio
vectorial.
Definici on 2.7.1 Un espacio vectorial se dice de dimensi on finita

si posee una base con un n
umero finito de elementos. En caso contrario
se dice que es un espacio de dimensi on infinita.
Ejemplo
K 2 es un K-espacio vectorial de dimension nita, pues:
B = {(1, 2), (3, 5)}
es una base de IR2 sobre IR.
Ejemplo
K 3 es un K-espacio vectorial de dimension nita, pues:
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
es una base de IR3 sobre K.

Ejemplo
IR[X] es un espacio vectorial de dimension innita sobre IR, pues no es

posible construir una base que tenga un n umero nito de elementos.
En efecto, supongamos que existe un conjunto nito B, tal que:
B = {P1 (X), . . . , Pn (X)}
es un conjunto de generadores de IR[X] con

m = max {gr(P1 (X)), . . . , gr(Pn (X))},
entonces, por ejemplo, el polinomio P (X) = 1 + X + X m+1 no es una
combinacion lineal de P1 (X), . . . , Pn (X). Luego no es posible construir
un conjunto nito de generadores.
Definicion 2.7.2 Sea V un K-espacio vectorial de dimensi

on finita.
Se llama dimensi on de V al n
umero de elementos de una (luego de
cualquier) base de V .
Notaci
on: dimK V
Ejemplos
dimIR IR2 = 2, dimIR IR3 = 3
Ejercicios de espacios vectoriales comple-

jos
Ejercicio
Sea V = C y K = IR. Encuentre una base de C sobre IR.
Soluci
on
on: B = {1, i} es una base de C sobre IR

Afirmaci
no Algebra Lineal
Un elemento cualquiera de C tiene la forma a + bi y tenemos que

a + bi = a 1 + b i luego B genera C sobre K.
Ademas, sea 1 + i = 01 + 0i luego = 0 y = 0 luego B es l.i.
es decir, B es una base de C sobre IR.
Ejercicio
Sea V = C2 = C C y K = C. Busquemos una base de C2 sobre C.
Soluci
on
on: A = {(1, 0), (0, 1)} es una base de C2 sobre C.

Afirmaci
La forma tpica de un elemento de C2 es (a + bi, c + di) el cual se
escribe:
(a + bi, c + di) = (a + bi)(1, 0) + (c + di)(0, 1)
Luego A genera C2 sobre C.

Demostremos que A es l.i. sobre C. Sea ( + i)(1, 0) + ( + i)(0, 1) =
(0, 0), con , , , IR. Notese que esta igualdad esta en C2 . Luego
+ i = 0 + 0i y + i = 0 + 0i, (ambas igualdades en C), luego
= = = = 0. Luego A es una base de C2 sobre C y dimC C2 = 2.
Notese que los escalares estan en C, luego dimC C = 1
Ejercicio
Sea V = C2 = C C y K = IR. Busquemos la dimension de C2 sobre

IR
Soluci
on
on: A = {(1, 0), (i, 0), (0, 1), (0, i)} es una base de C2 sobre
Afirmaci
IR.
La forma tpica de un elemento de C2 es (a+bi, c+di), con a, b, c, d IR

el cual se escribe:
(a + bi, c + di) = a(1, 0) + b(i, 0) + c(0, 1) + d(0, i)
Luego A genera C2 sobre IR.
Demostremos que A es l.i. sobre IR.
Sea (1, 0) + (i, 0) + (0, 1) + (0, i) = (0 + 0i, 0 + 0i), (esta igualdad
esta en C2 ), luego ( + i, + i) = (0 + 0i, 0 + 0i), luego = =
= = 0. Se tiene que A es una base de C2 sobre IR y dimIR C2 = 4.
Ejercicio
Sea V = C3 y K = C. Busquemos la dimension de C3 sobre C.
Soluci
on
on: A = {(1, 0, 0), (0, 0, 1), (0, 0, 1)} es una base de C3 sobre
Afirmaci
C.
La forma tpica de un elemento de C3 es (a + bi, c + di, e + f i), el cual
se escribe:
(a+bi, c+di, e+f i) = (a+bi)(1, 0, 0)+(c+di)(0, 1, 0)+(e+f i)(0, 0, 1)
Prueba que A es un conjunto l.i.
Ejercicio
Sea V = C3 y K = IR. Busquemos la dimension de C3 sobre IR
Soluci
on
Afirmacion: A = {(1, 0, 0), (i, 0, 0), (0, 1, 0), (0, i, 0), (0, 0, 1), (0, 0, i)}
es una base de C3 sobre IR y dimIR C3 = 6.
Bueno, la demostracion queda para ti como ejercicio.
no Algebra Lineal
Ejercicio
Sea V un espacio vectorial de dimension n sobre C. Demostremos que

V tiene dimension 2n sobre IR.
Soluci
on
Sea A = {v1 , v2 , . . . , vn } una base de V sobre C. Luego v V se

escribe en la forma:
v = (1 + 1 i)v1 + (2 + 2 i)v2 + + (n + n i)vn

= 1 v1 + 2 v2 + + n vn + (1 i)v1 + (2 i)v2 + + (n i)vn
= 1 v1 + 2 v2 + + n vn + 1 (iv1 ) + 2 (iv2 ) + + n (ivn )
Luego B = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } genera C sobre IR.

Sea 1 v1 + 2 v2 + + n vn + 1 iv1 + 2 iv2 + + n ivn = 0 + 0i
Luego
(1 + i1 )v1 + (2 + i2 )v2 + + (n + in )vn = 0 + 0i
Pero {v1 , v2 , . . . , vn } es l.i. sobre C, luego
1 + i1 = 0 + 0i, 2 + i2 = 0 + 0i, . . . , n + in = 0 + 0i
por denicion de igualdad de n

umeros complejos, tenemos
1 = 1 = 0 = 2 = 2 = = n = n
Luego B = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } es l.i. sobre IR.

Luego B forma una base sobre IR. Entonces V tiene dimension 2n
sobre IR.
2.8 Suma de sub-espacios vectoriales

Nosotros vimos que la interseccion de los sub-espacios vectoriales es
un sub-espacio vectorial.
Uno se pregunta si ocurre lo mismo con la union de dos sub-espacios.
A simple vista, intuicion!?, parece que no.
Entonces si no lo fuera Cual sera el mas peque
no sub-espacio que
contiene a la union de dos sub-espacios?
Bueno, de esto se trata esta seccion.
Comencemos por estudiar un ejemplo concreto Te animas?, Vamos!.
Observaci
on
En IR2 , consideremos S =< (1, 2) > y T =< (1, 1) >, Es S T un

sub-espacio vectorial ?.
Tenemos que (1, 2) S T . Ademas (1, 1) S T . Sin embargo,
(1, 2) + (1, 1) = (2, 3)
/ S T . Luego S T no es un sub-espacio
vectorial.
Cuando S T es un sub-espacio vectorial ?
no que contiene a S T ?
Cual es el sub-espacio mas peque
< (1, 2), (1, 1) >= {(1, 2) + (1, 1); , IR} = {s + t; s S, t
T} = S + T
Este sub-espacio debe contener todas las combinaciones lineales de
(1, 2) y (1, 1). Sera entonces {(1, 2) + (1, 1); , K}?
Definicion 2.8.1 Sea V un K-espacio vectorial. Sean S, T V . En-

tonces se define el conjunto
S + T = {s + t; s S, t T }
Proposici on 2.8.1 Sean S y T dos sub-espacios de V . Entonces S+T

es un sub-espacio de V .
no Algebra Lineal
Demostraci
on
1. S + T 6= pues 0 + 0 S + T
2. Sean u, v S + T , luego u = s + t y v = s + t , ciertos s, s S,
ciertos t, t T . Tenemos que:
u + v = (s + t) + (s + t ) = (s + s ) + (t + t )
que es un elemento tpico de S + T . Luego S + T es cerrado para
la suma.
3. Sea v S + T , luego v = s + t ciertos s S, cierto t T . Ahora
bien
v = (s + t) = s + t
el cual es un elemento de S + T .
Por (1), (2), (3), S + T es un sub-espacio de V .
Definici
on 2.8.2 El sub-espacio vectorial S + T es llamado el sub-
espacio suma de S y T .
Proposicion 2.8.2 Sea V un K-espacio vectorial. Sean S, T V .

Entonces S + T es el mas peque
no sub-espacio de V que contiene a
ST
Demostraci
on
Demostremos que S T S + T .
v S T v = s, cierto s S, o bien v = t, cierto t T . Luego
v = s + 0 S + T o bien v = 0 + t S + T , en ambos casos v S + T
Demostremos que todo sub-espacio vectorial que contiene a S y T

debe contener a S + T .
Sea H V tal que S, T H. Sea s S y t T , luego s H y
t H, luego s + t H, pues H es un sub-espacio vectorial, luego
todo elemento de la forma s + t pertenece a H. Esto quiere decir que
S + T H.
Corolario 2.8.3 S T S + T = T
Demostraci
on
)
S + T es el mas peque no sub-espacio que contiene a S T , pero
S T = T . Ademas T es un sub-espacio vectorial y es el mas peque
no
que se contiene a si mismo, luego S + T = T .
)
S ST S+T =T
Nota
Sean S, T V con bases B y C respectivamente. Entonces:
S + T =
Ejercicio
Sea V = K 3 , S =< (1, 1, 1), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >.
Busquemos la base escalonada de S + T .
Soluci
on
S + T =< (1, 1, 1), (2, 1, 0), (1, 1, 1), (1, 2, 3) >
1 1 1 1 1 1 1 1 1

1 2 3 0 3 2 L (1)
42 0 3 2

1 1 1 0 0 0 0 0 0

2 1 0 0 3 2 0 0 4
no Algebra Lineal
1 0 0

0 1 0

0 0 0

0 0 1
La base escalonada de S + T es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Ejercicio
Sea U = K 4 .
Sean S =< (1, 1, 1, 1), (1, 2, 3, 0) > , T =< (3, 4, 1, 2), (0, 1, 1, 0) >
Busquemos la base escalonada de S + T
Soluci
on
Sabemos que:
S + T =< (1, 1, 1, 1), (1, 2, 3, 0), (3, 4, 1, 2), (0, 1, 1, 0) >
1 1 1 1 1 1 1 1 1 0 0 1

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

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

0 1 1 0 0 1 1 0 0 1 1 0
1 0 0 1 1 0 0 1

L42 (1) 0 1 4 1
0 1 0 51

0 0 0 0 0 0 0 0

0 0 5 1 0 0 1 15
La base escalonada de S + T es: {(1, 0, 0, 1), (0, 1, 0, 51 ), (0, 0, 1, 15 )}
Observaci
on
Sea V = K 3 , S =< (1, 1, 0), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >,
dimS = 2, dimT = 2
1 1 0 1 1 0 1 0 0

1 2 3 0 3 3 0 1 0

1 1 1 0 0 0 0 0 1

2 1 0 0 3 0 0 0 0
Luego dim(S + T ) = 3
Busquemos S T . Sea v S T , luego
v = (1, 1, 0) + (1, 2, 3) = a(1, 1, 1) + b(2, 1, 0)

(1) : + = a + 2b

(2) : + 2 = a + b
(3) : 3 = a

)
(3) en (1) : = 2 + 2b
(3) en (2) : = 5 + b
A la primera ecuacion, restemosle 2 veces la segunda. Tenemos 3 =

12, es decir, = 4.
Luego v = 4(1, 1, 0) + (1, 2, 3), es decir v = (5, 2, 3), de donde
S T =< (5, 2, 3) > y dim S T = 1.
Resulta que dim S + dim T = dim S + T dim S T . Ocurrira esto
siempre?
Uno piensa: en la suma, puede que se repitan vectores, entonces hay
que restarle la interseccion. Parece obvio!. Bueno, este chispazo genial
esta enunciado en el siguiente teorema.
Teorema 2.8.4 Sean S, T V . Entonces:
dim(S + T ) = dimS + dimT dim(S T )
Demostraci
on
Sea B1 = {u1 , u2 , . . . , ur } base de S T

no Algebra Lineal
Como B1 es linealmente independiente, entonces por el corolario del

teorema de Steinitz:
(1) v1 , v2 , . . . , vs S tal que B2 = {u1 , u2 , . . . , ur , v1 , v2 , . . . , vs } es
una base de S.
(2) w1 , w2 , . . . , wt , en T tal que B3 = {u1 , u2 , . . . , ur , w1 , w2 , . . . , wt }
es una base de T .
Demostremos que:
B = {u1 , u2 , . . . , ur , v1 , v2 , . . . , vr , w1 , w2 , . . . , wt } es una base de S +T .
1. Por demostrar que B genera S + T :

Sea w S + T , luego w = s + t, cierto s S y t T .
Luego:
w = (1 u1 + + r ur + 1 v1 + + s vs )+
(1 u1 + + r ur + 1 w1 + + t wt )
= (1 + 1 )u1 + + (r + r )ur +
1 v1 + + s vs + 1 w1 + + t wt 
2. Por demostrar que B es l.i.

1 u1 + + r ur + 1 v1 + + s vs + 1 w1 + + t wt = ~0 ()
1 u1 + + r ur + 1 v1 + + s vs = 1 w1 2 w2
t wt S T
1 w1 2 w2 t wt S T
1 w1 t wt = 1 u1 + + 2 u2 + + r ur
1 w1 + + t wt + 1 u1 + + r ur = ~0
1 = = t = 1 = = r = 0
Reemplazando en () tenemos que:
1 u1 + + r ur + 1 v1 + + s vs = ~0
Entonces 1 = = r = 1 = = s = 0
Luego B es l.i.
Por (1) y (2) se tiene que B es una base de S + T .
Luego dim(S+T ) = r+s+t; dimS = r+s, dimT = r+t, dimST = r
r + s + t = (r + s) + (r + t) r
Luego dim S + T = dim S + dim T dim S T
Ejercicio
Consideremos los sub-espacios de K 4 .

S =< (1, 0, 1, 0), (0, 1, 0, 0) >; T = {(x, y, z, t); x + y = 0}
Busquemos una base de S T y S + T .
Soluci
on
Sea v = (x, y, z, t) T luego:

(x, y, z, t) = (x, x, z, t) = x(1, 1, 0, 0) + z(0, 0, 1, 0) + t(0, 0, 0, 1)

1 0 1 0 1 0 1 0 1 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0

L31 (1)
1 1 0 0
0 1 1 0
0 1 0 0

0 0 1 0

0 0 1 0

0 0 1 0

0 0 0 1 0 0 0 1 0 0 0 1

1 0 0 0
0 1 0 0

0 0 1 0 dim(S + T ) = 4

0 0 0 1

0 0 0 0
4 = 2 + 3 dim(S T ) dim(S T ) = 1
Necesitamos encontrar v S T , v 6= ~0
v = (1, 0, 1, 0)+(0, 1, 0, 0) = (1, 1, 0, 0)+(0, 0, 1, 0)+(0, 0, 0, 1)
no Algebra Lineal
Luego, (, , , 0) = (, , , ), de donde = = = , = 0
Entonces tenemos
v = (1, 0, 1, 0) (0, 1, 0, 0) o bien,
v = (1, 1, 0, 0) + (0, 0, 1, 0) + 0(0, 0, 0, 1)

Luego S T =< (1, 1, 1, 0) >
Nota
Ahora vamos a poner la atencion en aquellos sub-espacios cuya inter-

seccion entre ellos es {~0}.
Definicion 2.8.3 Sean S, T , W sub-espacios de V , diremos que un

sub-espacio W de V es suma directa de los sub-espacios S y T
si:
1. W = S + T
2. S T = {~0}.
Notaci
on: W = S T
L
Ejercicio
Sea V = K 3 , S = {(x, 0, 0); x K}, T = {(0, y, z); y, z K}.

Entonces, demostremos que S T = K3
L
Soluci
on
1. Demostremos que K 3 = S + T
Sea v K 3 luego v = (x, y, z) = (x, 0, 0) + (0, y, z) luego (x, y, z)
se escribe como un vector de S mas un vector de T . Luego K 3
S + T , luego K 3 = S + T
Otra manera de verlo sera la siguiente:

S =< (1, 0, 0) > y T =< (0, 1, 0), (0, 0, 1) >.
Luego S + T =< (1, 0, 0) > + < (0, 1, 0), (0, 0, 1) > y este u
ltimo
3
es K
2. Sea v S T , luego v S y v T . Luego v = (x, 0, 0) y

v = (0, y, z). Luego (x, 0, 0) = (0, y, z) x = 0, y = 0, z = 0
v = ~0 = (0, 0, 0)
Entonces K 3 = S T
L
Ejercicio
Consideremos V = K 3 , W = {(x, 0, z); x, z K}, S =< (1, 0, 2) >,

T =< (2, 0, 1) >.
Demostremos que W = S T:
L
1. Demostremos que W = S + T :
! ! !
1 0 2 L21 (2) 1 0 2 L2 ( 1
3
) 1 0 2

2 0 1 0 0 3 0 0 1
!
L21 (2) 1 0 0

0 0 1
Pero tambien {(1, 0, 0), (0, 0, 1)} es una base de W pues los vec-
tores son l.i. y ademas (x, 0, z) = x(1, 0, 0)+z(0, 0, 1). Luego W =
S+T
Otra manera de demostrar que W = S + T es la siguiente
Consideremos w W y hacemos la siguiente armacion:
(x, 0, z) = (1, 0, 2) + (2, 0, 1), ciertos , K
Luego (x, 0, z) = ( + 2, 0, 2 + )
De donde se concluye que x = + 2, z = 2 +
no Algebra Lineal
Entonces
2z x 2x z
= y =
3 3
Luego tenemos:
2z x 2x z
(x, 0, z) = ( )(1, 0, 2) + ( )(2, 0, 1) S + T
3 3
Es decir w = s + t, ciertos s S, t T . Luego W = S + T
2. Ahora debemos demostrar que S T = {~0}

v S T v S y v T v = (1, 0, 2) y v = (2, 0, 1))
v = (, 0, 2) y v = (2, 0, ) ((, 0, 2) = (2, 0, ))
= 2, 2 = , v = (0, 0, 0), es decir W = S T.
L
Definici
on 2.8.4 Dos sub-espacios S y T de un sub-espacio vectorial
V se dicen linealmente independientes ssi:
S T = {~0}
Nota: Si S T es directa entonces S y T son l.i. . .

L
Definici
on 2.8.5 Si S T = W entonces S y T son llamados sub-
L
espacios suplementarios entre s en W .
Ejemplo
K 2 =< (1, 1) > < (1, 3) >,

L
< (1, 1) > es suplementario de < (1, 3) > en K 2 y < (1, 3) > es
suplementario de < (1, 1) > en K 2
Observaci
on
Sean:
S =< (1, 3, 0 >, T =< (0, 0, 1), (0, 1, 0) >, U =< (1, 0, 0), (0, 0, 1) >
Tenemos entonces que K 3 =< (1, 3, 0) > < (0, 0, 1), (0, 1, 0) >
L
Tambien:
K 3 =< (1, 3, 0) > < (1, 0, 0), (0, 0, 1) >
L
Se tiene K 3 = S T y K3 = S U y T 6= U
L L
Ejemplo
1 0 0 x

M22 (K) =< > { ; x, y, z K}
L
0 0 y z
1 0 0 1 0 0 0 0

M22 (K) =< > < , , >
L
0 0 0 0 1 0 0 1
Observaci
on
Sea fn : IR IR; fn (x) = xn , n IN. Observamos que:
f2 (x) = x2 = f2 (x); f3 (x) = x3 = f3 (x)
f2n (x) = x2n = f2n (x); f2n+1 (x)2n+1 = x2n+1 = f2n+1 (x)
De manera natural se dene
Definicion 2.8.6 Diremos que una funcion g es par ssi g(x) =

g(x) y diremos ue una funcion g es impar ssi g(x) = g(x)
Ejercicio
Sea V = {f : IR IR}. Demostremos que

V = {funciones pares} {funciones impares}
L
no Algebra Lineal
Soluci
on
1. Demostremos que V = {funciones pares} + {funciones impares}

f (x)+f (x) f (x)f (x)
Armacion: f (x) = 2
+ 2
f (x)+f (x)
Sea g(x) = 2
. Demostremos que g es par.
f (x)+f ((x)) f (x)+f (x)
g(x) = 2
= 2
= g(x), luego g es par.
Demostremosque h es impar
f (x)f ((x)) f (x)f (x)
h(x) = 2
= 2
= ( f (x)f
2
(x)
) = h(x)
Luego h es impar.
Luego V = {funciones pares} + {funciones impares}
2. Demostremos que {funciones pares} {funciones impares} =

{~0}
Sea f par e impar a la vez: Es decir, f (x) = f (x)x K y
f (x) = f (x) x IR
Luego f (x) = f (x) = f (x)
luego 2f (x) = 0x K, luego f (x) = 0x K luego f = ~0,
luego {funciones pares} {funciones impares} = {~0}
Proposicion 2.8.5 Sea V un K-espacio vectorial; S, T, W V . En-

tonces son equivalentes:
1. W = S T
L
2. W = S + T y ~0 = s + t, s S, t T = s = t = ~0
La afirmacion 2 nos dice que W = S + T y el ~0 se escribe de
manera unica.
Demostraci
on
(1)=(2)
Sea W = S T y s + t = ~0, ciertos s S y t T . Luego s + t S T ,

L
pues {~0} = S T , luego s + t = s y s + t = t . Luego t = s s y

s = t t. Luego t, s S T = {~0}. Luego s = t = ~0
(2)=(1)
Tenemos que demostrar que S T = {~0}
Sea v S T , luego v S y v T . Ademas v S y v T .
El chispazo genial es escribir el ~0 de la manera siguiente: ~0 = v + (v)
y pensar que v S y v T . Entonces por (2.) tenemos que v = ~0 y
v = ~0. Luego S T = ~0
Proposici
on 2.8.6 Sea W = S + T . Entonces son equivalentes:
1. ~0 = s + t = s = t = ~0 (El vector ~0 se escribe de manera u

nica)
2. s + t = s + t = s = s y t = t (Todo vector de la forma s + t

se escribe de manera unica)
Demostraci
on
(1)(2)
Sea s + t = s + t . Luego (s s ) + (t t ) = ~0
Por (1), tenemos que s s = ~0 y t t = ~0.
Luego s = s y t = t
(2)(1)
Sea s + t = ~0. Pensemos el ~0 como ~0 + ~0, el primer ~0 lo pensamos en
S y el segundo en T .
Luego s + t = ~0 + ~0. De (2.) tenemos s = ~0 y t = ~0.
on 2.8.7 Sean V1 , V2 , . . . , Vn V . Entonces la suma de es-

Definici
tos sub-espacios est
a definida por:
V1 + V2 + + Vn = {v1 + v2 + + vn ; vi Vi , i = 1, 2, . . . , n}
no Algebra Lineal
on 2.8.7 Sean V1 , V2 , . . . , Vn V . Entonces

Proposici
V1 + V2 + + Vn V
Demostraci
on
Se deja como ejercicio.
Definici
on 2.8.8 Decimos que W es suma directa de los subes-
pacios V1 , V2 , . . . , Vn si:
1. W = V1 + V2 + + Vn
2. ~0 = v1 + v2 + + vn , vi Vi , i = 1, 2, . . . , n
= v1 = v2 = = vn = ~0. ( El cero se escribe de una sola
manera ).
Cuando esto ocurra, escribiremos:

W = V1 V2 Vn
L L L
Proposici on 2.8.8 Sean V1 , V2 , . . . , Vn V . Sea W V y W =

V1 + V2 + . . . + Vn , entonces son equivalentes:
n
1. vi = ~0, vi Vi , i = 1, . . . , n = vi = 0
P
i=1
n n
2. vi = wi , vi , wi Vi i = 1, . . . , n = vi = wi
P P
i=1 i=1
n
3. Vi Vj = {~0}, i = 1, . . . , n
P
j=1
i6=j
En palabras el punto tercero se puede expresar como:

Cada sub-espacio intersectado con la suma de todos los otros sub-
espacios es el {~0}.
Ejemplo
Sea V = K 3 , V1 = {(x, 2x, 0), x K}, V2 = {(2x, x, 0), x K} ,

V3 = {(x, 2x, 3x), x IR}
Es facil ver que V1 + V2 + V3 = K 3 . Veamos ahora si esta suma es
directa.
1. V1 (V2 + V3 ) ?. Primero conozcamos S = V2 + V3

V2 =< (2, 1, 0) > y V3 =< (1, 2, 3) >. Luego:
V2 + V3 =< (2, 1, 0), (1, 2, 3) >
! ! !
2 1 0 L21 1 2 3 L21 (2) 1 2 3

1 2 3 2 1 0 0 3 6
! !
L2 ( 31 ) 1 2 3 L12 (2) 1 0 1

0 1 2 0 1 2
Luego
V2 + V3 =< (1, 0, 1), (0, 1, 2) >
luego
S =< (1, 0, 1), (0, 1, 2) >
consideremos u = (1, 2, 0) = (1, 0, 1)+(0, 1, 2) V1 (V2 +
V3 ) Entonces (, 2, 0) = (, , + 2), luego = , 2 =
, 0 = + 2
===0
Luego V1 (V2 + V3 ) = {~0}
De la misma manera debemos probar que V2 (V1 + V3 ) = {~0}
y V3 (V1 + V2 ) = {~0}
2. O bien, podramos demostrar que el ~0 se escribe de manera unica.
~0 = (0, 0, 0) = v1 + v2 + v3 = (1, 2, 0) + (2, 1, 0) + (1, 2, 3).
Luego
+ 2 + = 0, 2 + + 2 = 0, 3 = 0, luego = = = 0
Por (1) o por (2) tenemos que K 3 = V1 V2 V3

L L
no Algebra Lineal
2.9 Ejercicios propuestos

1. En IR2 se dene las siguientes operaciones:
(a, b) (c, d) = (a + d, b + c)
(a, b) = (a, b)
Estudie cuales de axiomas de espacio vectorial cumplen estas
operaciones.
2. Considere el conjunto IR1 [X]. En el se dene las siguientes op-

eraciones:
(a + bX) + (c + dX) = (a + c) + (b + d)X
(a + bX) = (a) + bX
Es IR1 [X] un IR espacio vectorial con estas operaciones?
3. Estudie si los siguientes conjuntos son sub-espacios de los espa-

cios vectoriales respectivos:
(a) S = {a + bX + cX 2 + dX 3 K3 [X]; 2cd = b, b + a = 0} de

K3 [X]
a b

(b) T = { M2 (K); a+d = 0, c2 +d2 = 1} de M2 (K)
c d
(c) S = {(x, y, z); 2x + xy = 0} de K 3
4. Estudie si el vector u = (5 + 5i, 1 + 3i) esta en el C-espacio

vectorial generado por el vector v = (3 i, 1 + i)
5. Estudie si es posible encontrar dos sub-espacios de IR4 , de di-

mension 2 cada uno, cuya interseccion sea ~0
6. Sea V un K-espacio vectorial y sea {u, v, w, t} un conjunto de

vectores linealmente independientes.
(a) Demuestre que A = {u + v, v + w, w + u} es linealmente

independiente.
(b) Estudie la dependencia lineal de B = {u + v, v + w, w +

t, t + u}.
(c) Estudie si el sub-espacio < A > es igual al sub-espacio
. Justique su respuesta.
7. Estudie la dependencia lineal del conjunto de vectores siguiente:

{(1, 1, 2), (2, 2 2, + 2), (3, 2 + 3, 2 + 3 4)} seg
un los
diferentes valores de
8. En K n , indique en cada uno de los casos, las condiciones que

debe cumplir n, para tener u, v, w K n , tal que
(a) {u, v}l.i.

(b) {u, v}l.i. y w no pertenece a < u, v >
(c) {u, v, w} es un conjunto minimal de generadores de K n
9. Sea V el IR-espacio vectorial denido por V = {f ; f : IR IR}.

Sean f1 (x) = sen(x), f2 (x) = sen(2x), para todo x IR. Estudie
la dependencia lineal de {f1 , f2 }.
10. Sea V u K-espacio vectorial. Si dimk (V ) es n y e1 , e2 , . . . , en es

una base de V , muestre que existen sub-espacios H0 , H1 , . . . , Hn
de V tales que H0 H1 Hn y dimk (Hi ) = i
11. En K 4 , considere los sub-espacios:
S = {(x, 2x + y, x + 2y, 2y); x, y K}
T =< (3, 4, 1, 7), (5, 0, 5, 3), (0, 0, 0, 4) >

Encuentre la base escalonada de S, T, ST, S+T . Encuentre una
base de K 4 que contenga los vectores que generan el sub-espacio
T.
Captulo 3
Aplicaciones Lineales
3.1 Introducci
on, definici
on y ejemplos
Nosotros vimos que lo mas importante de un espacio vectorial es la
existencia de una base en el. Uno dira que la esencia de un espacio
vectorial es la existencia de una base en el.
Entonces, si queremos denir una aplicacion entre dos espacios vec-
toriales, debemos tener en cuenta esta consideracion. Obvio! Si no lo
hacemos, entonces cerremos los libros y terminemos aqu el curso. No
te parece? Bueno, pero Que quiere decir tener en cuenta la existencia
de una base?. Creo que sera mejor que lo veamos en un ejemplo.
Consideremos IR2 y IR3 como IR-espacios vectoriales y f : IR2 IR3 .
Ademas consideremos la base B = {(2, 1), (3, 2)} en el dominio de f .
Supongamos que solo sabemos como se comporta f en los elementos
de esta base.
Supongamos, por ejemplo, que
f (2, 1) = (3, 2, 1) y f (3, 2) = (5, 1, 1)
La pregunta que nos hacemos, es si es posible obtener la imagen de

cualquier vector de IR2 , o en que condiciones lo podramos obtener.
119
no Algebra Lineal
Para esto, comencemos por usar el concepto de base, es decir, que todo
elemento de IR2 se escribe de una manera u nica como combinacion
lineal de la base.
Veamos, por ejemplo, si es posible conocer la imagen del vector v =
(1, 0)
Sabemos que (1, 0) = 2(2, 1) + (1)(3, 2), luego f (1, 0) = f [2(2, 1) +
(1)(3, 2)].
Que exigencias deberamos hacer a f para que la informacion dada
a los vectores de B, pueda ser extendida a todo IR2 ?
... un chispazo genial y hacemos las operaciones siguientes:
f [2(2, 1) + (1)(3, 2)] = f (2(2, 1)) + f (1(3, 2)) =
= 2f (2, 1) + (1)f (3, 2) =
= 2(3, 2, 1) + (1)(5, 1, 1) =
= (1, 3, 1)
Es decir hicimos las exigencias siguientes:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Las exigencias (1.) y (2.) hechas a una aplicacion, se entrelazan con la

nocion de espacio vectorial y as la informacion con respecto a los el-
ementos de una base, se extiende a todos los vectores del espacio.
Ademas, solo para las aplicaciones que cumplan estas dos exigen-
cias podremos utilizar el hecho que el Dominio y el Codominio sean
espacios vectoriales. Estas consideraciones nos llevan a la siguiente
denicion:
Definici
on 3.1.1 Sean U y V dos K-espacios vectoriales. Diremos
que f : U V es una aplicaci on lineal si se cumplen si-
mult
aneamente:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Captulo 3. Aplicaciones Lineales 121
Es muy agradable conocer una larga cantidad de ejemplos, antes de

comenzar a estudiar sus propiedades.
Veremos muchos ejemplos, pero tambien de aplicaciones que no son
lineales. Esperamos que los estudies todos. De acuerdo ?...Tenemos
que seguir ilusionados con el Algebra Lineal...
Ejemplo
Sea V un K-espacio vectorial. Sea f : V V ;f (v) = v. Esta

aplicacion es llamada identidad y se denota f = idV .
Tenemos
f (u + v) = u + v = f (u) + f (v) y f (u) = u = f (u)
Luego idV es una aplicacion lineal. Trivial! Cierto?
Ejemplo
Sea V un K-espacio vectorial. Sea f : V V ; f (v) = 0, llamada la

aplicaci
on nula. Denotada por f = 0.
f (u + v) = 0 = 0 + 0 = f (u) + f (v)
f (u) = 0 = 0 = f (u)
Luego f es lineal.
Ejemplo
Sea V un K-espacio vectorial. Sea T : V V ; T (v) = v. Esta

aplicacion es llamada homotecia de raz
on . Tenemos
T (u + v) = (u + v) = u + v = T (u) + T (v)
T (u) = (u) = (u) = T (u)
Luego T es una aplicacion lineal.

no Algebra Lineal
Ejemplo: Reflexi
on en torno al eje X
Sea T : IR2 IR2 ; T (x, y) = (x, y)
T [(x, y) + (x , y )] = T [(x + x , y + y )]
= (x + x , (y + y ))
= (x, y) + (x , y )
= T ((x, y)) + T ((x , y ))
T [(x, y)] = T ((x, y))
= (x, (y))
= (x, y)
= T ((x, y))
Luego T es lineal.
Antiejemplo
Sea f : IR IR; f (x) = cos x

cos (x + y) = cos x cos y sin x sin y
Si fuese una aplicacion lineal tendramos que tener :
cos (x + y) = cosx + cosy
Luego coseno no es una aplicacion lineal.

De la misma manera
g : IR IR; g(x) = sin x
no es una aplicacion lineal, pues
sin (x + y) = sin x cos y + sin y cos x
lo cual es distinto de sin x + sin y
Antiejemplo: Translaci
on en el plano
Sea T : IR2 IR2 ; T (x, y) = (x + a, y + b). Esta aplicacion llamada

translacion, no es lineal si a 6= 0 o b 6= 0, pues
T [(x, y) + (x , y )] = T [(x + x , y + y )]
= (x + x + a, y + y + b))
= (x + a, y + b) + (x , y )
= T (x, y) + (x , y )
6= T (x, y) + T (x , y )
Tambien podramos haber dicho:

La aplicacion no es lineal. Contraejemplo:
Sea
T : IR2 IR2 ; T (x, y) = (x + 1, y + 2)
Observemos que tenemos
T (1, 0) + T (1, 1) = (2, 2) + (2, 3) = (4, 5)
Por otra parte
T [(1, 0) + (1, 1)] = T (2, 1) = (3, 3) 6= (4, 5)

no Algebra Lineal
Ejemplo: Rotaci
on en un
angulo
La rotacion en un angulo , R , esta denida por

R : IR2 IR2 ; R (x, y) = (x cos y sin , x sin + y cos ).
Demostremos que R es lineal.
(1) R ((x, y) + (x , y )) = R (x + x , y + y )
= ((x + x ) cos (y + y ) sin ,
(x + x ) sin + (y + y ) cos )
= (x cos y sin , x sin + y cos )+
(x cos y sin , x sin + y cos )
= R (x, y) + R (x , y )
(2) R ((x, y)) = R (x, y)

= (x cos y sin , x sin + y cos )
= (x cos y sin , x sin + y cos )
= R (x, y)
Por (1) y (2), tenemos que R es una aplicacion lineal.

Ejemplo
La aplicacion f : K 2 K 2 ; f (x, y) = (2x + y, 3y) es lineal.

Veamos la demostracion:
(1) f ((x, y) + (x , y )) = f ((x + x , y + y ))

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

= (2(x) + (y), 3(y))
= (2x + y, 3y)
= f (x, y)
Por (1) y (2) f es una aplicacion lineal.
Ejemplo
La aplicacion f : K 3 K 2 ; f (x, y, z) = (x + 2z, x y) es una

aplicacion lineal.
La prueba queda como ejercicio.
Ejemplo
Sea f : K2 [X] K1 [X] ; f (a + bX + cX 2 ) = (a + 2c) + (b a)X es

una aplicacion lineal.
La demostracion es igual a las anteriores, pero veamosla pues a muchos
alumnos les complica los polinomios... para que veas que es trivial!!
f (a+bX +cX 2 )+(a +b X +c X 2 )) = f ((a+a )+(b+b )X +(c+c )X 2 )
= ((a+a )+2(c+c ))+((b+b )(a+a ))X
= a + a + 2c + 2c + (b + b a a )X
no Algebra Lineal
= (a+2c+(ba)X)+(a +2c +(b a )X)

= f (a + bX + cX 2 ) + f (a + b X + c X 2 )
f ((a + bX + cX 2 )) = f (a + bX + cX 2 )
= (a) + 2(c) + ((b) (a))X
= a + 2c + (b a)X
= (a + 2c + (b a)X) = f (a + bX + cX 2 )
Luego f es lineal.
Ejemplo

! a b
a b
Sea f : M2 (K) M32 (K), denida por f a b+c
=
c d
d 2a
es una aplicacion lineal.
Nota
Sea f : V W lineal. Entonces f (~0) = ~0.

En efecto f (~0) = f (0 ~0) = 0 f (~0) = ~0.
Nota
Es interesante observar que hemos visto aplicaciones lineales entre

espacios diferentes, pero con la exigencia que tengan sus escalares en
el mismo cuerpo.
3.2 Determinaci
on de una aplicaci
on lin-
eal
Tenemos resuelto el problema losoco sobre la existencia de aplica-
ciones lineales. Existen aplicaciones lineales. Ah tienes muchos ejem-
plos en la seccion anterior. Pero a

un tenemos un problema losoco
pendiente.
Es el siguiente: Dados dos K-espacios vectoriales cualquiera... Mejor te
lo explicamos en un ejemplo. Bueno ? Es mejor comprender primero
en un ejemplo y luego uno mismo hacer la generalizacion o abstraccion.
Tomemos K 2 en el Dominio y K 3 en el Codominio. Dados los vec-
tores (1, 1) y (1, 0) en el Dominio y los vectores (1, 3, 2) y (1, 0, 3) en
el Codominio, quisieramos saber si existe una aplicacion lineal que
cumpla : f (1, 1) = (1, 3, 2) y f (1, 0) = (1, 0, 3) y ademas saber si hay
otras aplicaciones lineales que cumplen estas mismas condiciones.
Tomemos un vector (x, y) K 2 cualquiera.
Tenemos (x, y) = y(1, 1) + (x y)(1, 0). Puesto que estamos exigiendo
que f sea lineal, tenemos
f (x, y) = yf (1, 1) + (x y)f (1, 0) = y(1, 3, 2) + (x y)(1, 0, 3) =
= (x, 3y, 3x y)
Luego f (x, y) = (x, 3y, 3x y) cumple con las condiciones pedi-
das. Luego existe una tal aplicacion. Ahora nos queda una pregunta:
Habra otra?
Supongamos g : K 2 K 3 lineal tal que g(1, 1) = (1, 3, 2) y g(1, 0) =
(1, 0, 3)
Hacemos el mismo procedimiento y tenemos que g(x, y) = (x, 3y, 3x
y), la cual tiene la misma expresion analtica de f . Luego existe una
aplicacion lineal que cumple las condiciones dadas y esta es u
nica.
Bueno, esta explicacion es solo un ejemplo. Espero que te sirva para
comprender el problema en forma general.
Es emocionante observar un problema tan importante y sin embargo
de demostracion tan facil. Es, digamos un relampago de genialidad...
Aqu esta:
Teorema 3.2.1 (Teorema fundamental del Algebra Lineal)

Sea B = {v1 , v2 , ..., vn } una base de un espacio vectorial V, de di-
mension n sobre K y C = {w1 , w2 , ..., wn } una familia de n vectores
de un espacio vectorial W sobre K.
no Algebra Lineal
Entonces existe una aplicaci on lineal f y solamente una, f : V W ,

tal que
f (v1 ) = w1 , f (v2 ) = w2 , ..., f (vn ) = wn
Demostraci
on
Comencemos por ver la existencia de una tal aplicacion. Para esto, te

mostrare una aplicacion lineal que cumple las condiciones, luego existe
una. De acuerdo?
Sea v V . Luego v = 1 v1 + 2 v2 + + n vn , ciertos i K. Notese
que los i son u
nicos.
Ahora, al vector v le hacemos corresponder un vector w, denido por,
w = 1 w1 + 2 w2 + + n wn
Tenemos que Dom(f ) = V , Im(f ) W

Demostremos que f es lineal.
n
X n
X
1. Sea v = i vi , v = i vi . Entonces
i=1 i=1
n
X n
X n
X
f (v + v ) = f ( i vi + i vi ) = f ( (i + i )vi ) =
i=1 i=1 i=1
n n n
i wi = f (v) + f (v ).
X X X
= (i + i )wi = i wi +
i=1 i=1 i=1
2. Sea K. Tenemos
n
X n
X n
X n
X
f (v) = f ( i vi ) = f ( (i )vi ) = i wi = i wi =
i=1 i=1 i=1 i=1
= f (v).
Por (1) y (2) f es lineal.

Veamos ahora el problema de la unicidad de f .
Sea g : V W lineal tal que
g(v1 ) = w1 , g(v2 ) = w2 , , g(vn ) = wn
Sea v = 1 v1 + 2 v2 + + n vn un vector cualquiera de V. Entonces
g(v) = g(1 v1 + 2 v2 + + n vn )
= 1 g(v1 ) + 2 g(v2 ) + + n g(vn )
= 1 w1 + 2 w2 + + n wn
= 1 f (v1 ) + 2 f (v2 ) + + n f (vn )
= f (1 v1 + 2 v2 + + n vn )
= f (v)
Luego f (v) = g(v), v V . De donde se concluye f = g.
Comentario
Este Teorema nos dice que una aplicacion lineal esta totalmente de-
terminada cuando conocemos su comportamiento en los elementos de
una base y esta informacion se extiende por linealidad a todos los vec-
tores del Dominio de la aplicacion lineal. Es decir, si uno conoce el
comportamiento de una aplicacion lineal en una base, entonces se da
por conocida la aplicacion. Uno dice : Esta bien, se de que aplicacion
se trata.
Observaci
on
Geometricamente podemos observar que la rotacion en un angulo ,

en el plano, es una aplicacion lineal.
Es lo mismo sumar dos vectores y luego rotarlos, que rotarlos y luego
sumarlos. Por otra parte, es lo mismo, ponderar un vector y luego
rotarlo, que rotarlo y luego ponderarlo.
Bueno, el problema ahora es obtener una expresion analtica de esta
aplicacion.
no Algebra Lineal
Sea r : IR2 IR2 tal aplicacion. Por la denicion de seno y

coseno, facilmente vemos que r (1, 0) = (cos, sen); r (0, 1) =
(sen, cos).
Sea (x, y) un vector cualquiera de IR2 . Tenemos (x, y) = x(1, 0)+y(0, 1)
y aplicando r , tenemos
r (x, y) = xr (1, 0) + yr (0, 1) = x(cos, sen) + y(sen, cos) =
= (xcos ysen, xsen + ycos)
Es decir, basta conocer el comportamiento de r en una base de IR2 ,
para saber su comportamiento en todo el plano.
Ejercicio
Queremos saber si habra una aplicacion lineal f : K 2 K 3 tal que

f (1, 1) = (1, 5, 1), f (1, 2) = (1, 0, 1), f (3, 4) = (3, 10, 7)
Soluci
on
Bueno, {(1, 1), (1, 2)} forman una base de K 2 . Luego el vector (3, 4)
lo podemos escribir como combinacion lineal de esta base y notese de
manera u
nica. A saber:
(3, 4) = 2(1, 1) + 1(1, 2)
Si f fuese lineal, tendramos:
f (3, 4) = 2f (1, 1) + 1f (1, 2) = 2(1, 5, 1) + 1(1, 0, 1) = (3, 10, 3) que es
distinto a (3, 10, 7)
Luego no existe una aplicacion lineal que cumpla tales condiciones.
Ejercicio
Existira una aplicacion lineal f : K 3 K 3 , tal que:
f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1)?

Habra una, o mas de una ?
Soluci
on
Sabemos que existe una y solo una aplicacion lineal si esta denida
en una base, pero {(1, 1, 1), (1, 1, 0)} no forma una base de K 3 .
Entonces cada vez que denamos f en una base, por ejemplo en
{(1, 1, 1), (1, 1, 0), (1, 0, 0)}, tendremos una aplicacion lineal.
La respuesta es : Hay innitas aplicaciones lineales que cumplen las
condiciones dadas.
Ejemplos:
Ej 1: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 3)
Ej 2: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (4, 2, 6)
Ej 3: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 1)
Para cada a, b, c K, se tiene f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1),
f (1, 0, 0) = (a, b, c), una aplicacion que cumple las exigencias pedidas.
Luego hay innitas aplicaciones lineales que cumplen las propiedades
exigidas.
Bueno, ahora que hemos resuelto el problema losoco sobre la exis-
tencia de una aplicacion lineal, comencemos por ver sus propiedades.
3.3 Imagen y N
ucleo de una aplicaci
on
lineal
Dada una aplicacion lineal queremos saber la estructura de la imagen
de un sub-espacio vectorial.
Definici on 3.3.1 Si f : V W es una aplicaci

on lineal y S un sub-
espacio de V , entonces se define la imagen de S bajo f por: f (S) =
{f (s); s S}.
no Algebra Lineal
Proposici on 3.3.1 Sean V y W dos K-espacios vectoriales. Sea

f : V W una aplicaci on lineal y sea S un sub-espacio de V , en-
tonces f (S) es un sub-espacio de W .
Demostraci
on
1. f (S) 6= pues como ~0 S entonces f (~0) f (S).

2. Por demostrar que f (S) es cerrado para la suma.
Sean t, t f (S), luego t y t tienen la forma: t = f (s), t = f (s ),
ciertos s, s S.
t + t = f (s) + f (s ) = f (s + s ) = f (s ), s = s + s , el cual es
un vector de S. Luego t + t f (S).
3. Demostremos que f (s) f (S), K, s S.
f (s) = f (s) = f (s ) f (S), s = s S.
Por (1), (2) y (3) f (S) es un sub-espacio de W .
Corolario 3.3.2 Sean V y W dos K-espacios vectoriales. Sea f : V W

una aplicaci
on lineal. Entonces Im(f ) es un sub-espacio vectorial de
W.
Demostraci
on
Basta tomar S = V en la proposicion anterior ya que f (V ) = Im(f )
Observaci
on
Consideremos
f : K 2 K 3 ; f (x, y) = (x + y, 3x, 2y)
Tenemos que
Im(f ) = {(x + y, 3x, 2y); x, y K} K 3

Luego
Im(f ) =< (1, 3, 0), (1, 0, 2) >
Una base de Im(f ) es {(1, 3, 0), (1, 0, 2)}, luego
dimK Im(f ) = 2 6= 3 = dimK Codom(f )
Podemos concluir que f no es epiyectiva, pues Im(f ) esta estricta-

mente contenida en K 3 . Luego, para estudiar si una aplicacion lineal
es epiyectiva, basta saber cual es la dimension de Im(f ). Tenemos la
proposicion siguiente:
Teorema 3.3.3 (Primera caracterizaci

on de las aplicaciones
lineales epiyectivas)
Sean V y W dos K-espacios vectoriales. Sea f : V W lineal.
Entonces
f es epiyectiva si y s
olo si dimK Im(f ) = dimK W
Demostraci
on
Por una parte, si f es epiyectiva entonces se tiene que Im(f ) = W ,

luego dimK Im(f ) = dimK W .
Recprocamente: Tenemos que Im(f ) W . Ahora si dimK Im(f ) =
dimK W , entonces Im(f ) = W , luego f es epiyectiva.
Nota
Sea f : V W lineal. Entonces f (~0) = ~0. En efecto se tiene:

f (~0) = f (0 ~0) = 0 f (~0) = ~0
Observaci
on
Dada una aplicacion lineal, queremos estudiar el conjunto formado por

todos los vectores que tienen el ~0 por imagen.
no Algebra Lineal
Como vimos anteriormente, f (~0) = ~0, luego hay al menos un vector

que tiene por imagen al ~0. Tiene entonces sentido, preguntarse por el
conjunto formado por todos los vectores que tienen al ~0 por imagen.
Observemos un caso particular, para ver si esto nos inspira a encontrar
la estructura de este conjunto.
Observaci
on
Sea
f : K 2 K 3 ; f (x, y) = (x, 3x, 5x)
N = {(x, y); f (x, y) = (0, 0, 0)}

= {(x, y); (x, 3x, 5x) = (0, 0, 0)}
= {(0, y); y K}
Nosotros sabemos que este conjunto N es un sub-espacio vectorial de

K 2 Ocurrira esto siempre ?
Observaci
on
Sea
f : K 3 K 3 ; f (x, y, z) = (x + y, x, 3z)
N = {(x, y, z); f (x, y, z) = (0, 0, 0)}

= {(x, y, z); (x + y, x, 3z) = (0, 0, 0)}
= {(0, 0, 0)}
el cual es tambien un sub-espacio vectorial de K 3 = Dom(f ).

Nuestra intuicion estaba en lo cierto. He aqu la proposicion que es-
perabamos:
Proposici on 3.3.4 Sean V y W dos espacios vectoriales sobre K.

Sea f : V W lineal, entonces N (f ) = {v V ; f (v) = ~0} es un
sub-espacio de V.
Demostraci
on
1. N (f ) 6= pues ~0 N (f ).
2. Sean v, w N (f ), entonces f (v) = f (w) = ~0, luego f (v + w) =

f (v) + f (w) = ~0, es decir v + w N (f )
3. Sea v N (f ). Tenemos f (v) = f (v) = ~0 = ~0. Luego v

N (f )
Por (1), (2) y (3) N (f ) es un sub-espacio de V.
Observaci
on
Sabemos que N (f ) 6= pues ~0 N (f ), es decir N (f ) nunca es vaco.

Ademas hemos visto que N (f ) tiene una estructura interesante, es un
conjunto importante. Que hace entonces un matematico? Obvio, le
pone nombre a este conjunto. Tenemos entonces:
Definicion 3.3.2 Sea f : V W lineal. El conjunto formado por

todos los vectores de V que tienen por imagen el vector ~0 en W , es
llamado el nucleo de f, denotado N (f ) o Ker(f ).
N (f ) = {v V ; f (v) = ~0}
Comentario
La abreviacion Ker(f ) viene del aleman, Kernel, que signica cuesco

o hueso de una fruta. Esto porque el N ucleo de una aplicacion lineal
esta como al centro del Dominio de f .
Ejercicio
Sea f : K 4 K 2 ; f (x, y, z, u) = (x + y + z, 2y 3z). Queremos

encontrar N (f ).
no Algebra Lineal
Soluci
on
Recordemos que describir un espacio vectorial se reduce a exhibir una

base de el. N (f ) = {(x, y, z, u) K 4 ; (x + y + z, 2y 3z) = (0, 0)}
Escribamos este sistema en su forma mas simple:
) )
x+y+z = 0 z+y+x = 0
ssi
2y 3z = 0 3z 2y = 0
! !
1 1 1 0 L21 (3) 1 1 1 0
3 2 0 0 0 5 3 0
! !
L2 ( 1
5
) 1 1 1 0 L12 (1) 1 0 2
5
0
0 1 53 0 0 1 3
5
0
Es decir, el sistema inicial es equivalente al sistema siguiente:

) )
z + 25 x = 0 z = 2
5
x
Luego
y + 53 x = 0 y = 3
5
x
3 2 3 2
(x, x, x, u) = x(1, , , 0) + u(0, 0, 0, 1)
5 5 5 5
La base escalonada de N (f ) es {(1, 3
5
, 2
5
, 0), (0, 0, 0, 1)}. Se tiene en-
tonces que dimK N (f ) = 2
Utilizando este resultado observamos: como dimK N (f ) 6= 0, hay mas
de un vector que tiene por imagen al ~0, luego f no es inyectiva.
Que ocurre si N (f ) = {~0} ? Es f inyectiva ?
La respuesta a esta pregunta la tenemos en el siguiente teorema.
Teorema 3.3.5 (Primera caracterizaci

lineales inyectivas)
Sea f : V W lineal. Entonces
f olo si N (f ) = {~0}
es inyectiva si y s
Demostraci
on
Sea f inyectiva, entonces demostremos que N (f ) = {~0}

Sea v N (f ), luego f (v) = ~0. Ademas f (~0) = ~0. Puesto que f es
inyectiva v = ~0. Luego N (f ) = {~0}.
Ahora supongamos N (f ) = {~0} y demostremos que f es inyectiva.
Sea f (u) = f (v), luego f (u) f (v) = ~0, es decir, f (u v) = ~0. Puesto
que N (f ) = {~0}, tenemos que u v = ~0, luego u = v con lo que
conclumos que f es inyectiva.
Ejercicio
Estudiemos si es inyectiva la aplicacion lineal
f : K 2 K 3 ; f (x, y) = (x + y, 3x y, 2y)
Soluci
on
Debemos conocer el n
ucleo de f .
N (f ) = {(x, y) K 2 ; f (x, y) = (0, 0, 0)}
Tenemos: (x + y, 3x y, 2y) = (0, 0, 0). Luego x = y = 0, de donde

N (f ) = {(0, 0)}. As f es inyectiva.
Nota
El Teorema anterior nos dice que para estudiar si una aplicacion lineal
es inyectiva, no es necesario usar su denicion, sino estudiar su n
ucleo
~
y entonces este es {0} si y solo si f es inyectiva.
(Es decir, el ~0 es 1-1, si y solo si todo vector es 1-1)
no Algebra Lineal
Nota
Ahora que conocemos el N ucleo y la Imagen de una aplicacion lineal y

algunas propiedades de ellos, queremos saber si habra alguna relacion
entre sus dimensiones y tal vez con alg
un otro espacio, por ejemplo su
Dominio o su Codominio.
Dejemosnos inspirar por algunos ejemplos.
Observaci
on
Sea f : K K 5 f (x) = (3x, 2x, x, 5x, 7x). Tenemos que N (f ) =

{~0}, luego dimK N (f ) = 0. Es decir no tiene base.
Veamos su Imagen
(3x, 2x, x, 5x, 7x) = x(3, 2, 1, 5, 7)
Luego una base de Im(f) es {(3, 2, 1, 5, 7)}. Luego dimK Im(f ) = 1.

Observamos que dimK Dom(f ) = dimK K = 1 y 1 = 0 + 1. El 1 de la
izquierda corresponde a la dimK Dom(f ), es decir lo que tenemos a la
partida.
dimK Dom(f ) = dimK N (f ) + dimK Im(f )
Observaci
on
Sea f : K 5 K; f (x, y, z, t, u) = x + y + z.
ucleo de f : Tenemos x + y + z = 0 = y = x z.
Conozcamos el N
Entonces
(x, y, z, t, u) = (x, x z, z, t, u)
= x(1, 1, 0, 0, 0) + z(0, 1, 1, 0, 0)+
t(0, 0, 0, 1, 0) + u(0, 0, 0, 0, 1)
Luego una base de N (f ) es
{(1, 1, 0, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 0), (0, 0, 0, 0, 1)}
puesto que estos vectores son l.i. Luego dimK N (f ) = 4

Por otra parte Im(f ) = K. Luego dimK Im(f ) = 1. Si quieres, busque-
mos una base de Im(f ).
Tenemos: x + y + z = x 1 + y 1 + z 1.
Luego Im(f ) =< 1, 1, 1 >=< 1 >. Luego una base de Im(f ) = {1}.
Ademas observamos que dimK Dom(f ) = 5. Tenemos 5 = 4 + 1. Es
decir:
Ocurre que esta hipotesis es verdadera. Tenemos entonces el siguiente

Teorema:
Teorema 3.3.6 Sea f : V W lineal. Entonces

Demostraci
on
Sea B = {u1 , u2 , ..., up } una base de N (f ) V .

Sea C = {z1 , z2 , ..., zq } una base de Im(f ) W .
Tenemos que dimK N (f ) = p y dimK Im(f ) = q.
Recordemos que Im(f ) = {f (v); v V }
z1 Im(f ) = z1 = f (up+1 ), cierto up+1 V

z2 Im(f ) = z2 = f (up+2 ), cierto up+2 V
........... ... .............................
zq Im(f ) = zq = f (up+q ), cierto up+q V
Sea B = {up+1 , up+2 , ..., up+q }.

no Algebra Lineal
Armamos que BB = {u1 , u2 , ..., up , up+1 , up+2 , ..., up+q } es una base
de V .
Luego debemos demostrar que B B genera V y es un conjunto l.i.
1. Demostremos que B B genera V .

Sea v V , luego f (v) Im(f ) entonces
f (v) = p+1 z1 + p+2 z2 + + p+q zq

= p+1 f (up+1 ) + p+2 f (up+2 ) + + p+q f (up+q )
= f (p+1 up+1 + p+2 up+2 + + p+q up+q )
= f (v )
con v = p+1 up+1 + p+2 up+2 + + p+q up+q

Luego f (v) = f (v ), es decir, f (v v ) = ~0, luego v v N (f )
y se puede escribir como una combinacion lineal de la base de
N (f ). Entonces v v = 1 u1 + 2 u2 + + p up , luego
v = 1 u1 +2 u2 + +p up +p+1 up+1 +p+2 up+2 + +p+q up+q
As hemos demostrado que B B genera V .

2. Demostremos que B B es l.i.
Sea 1 u1 + + p up + p+1 up+1 + + p+q up+q = ~0 ()
Luego
f (1 u1 + + p up + p+1 up+1 + + p+q up+q ) = ~0
Entonces
1 f (u1 ) + + p f (up ) + p+1 f (up+1 ) + + p+q f (up+q ) = ~0
Como f (u1 ) = f (u2 ) = = f (up ) = 0, tenemos
p+1 f (up+1 ) + + p+q f (up+q ) = ~0.
Puesto que C es una base de Im(f ), C es l.i., luego
p+1 = p+2 = = p+q = 0 (3.1)

Reemplazando este resultado en (), tenemos
1 u1 + 2 u2 + + p up = ~0
Puesto que B es una base de N (f ), B es l.i., luego
1 = 2 = = p = 0 (3.2)
Por (3.1) y (3.2), tenemos que B B es l.i.
Por (1) y (2), B B es una base de V.

Luego dimk V = p + q = dimk N (f ) + dimk Im(f )
Es una demostracion muy sencilla, que esperamos hayas podido seguir.
Si no es as, intentalo nuevamente. Veras que puedes entenderla !
3.4 Morfismos y dimensiones

En el curso anterior uno comprendio que no puede haber una funcion
inyectiva cuando el Dominio de la funcion tiene mas elementos que el
Codominio. Ademas, uno comprendio que no puede haber una funcion
epiyectiva cuando el Dominio de la funcion tiene menos elementos que
el Codominio.
Entonces uno se inspira en esta situacion y se pregunta Que ocurrira
con las aplicaciones lineales inyectivas o epiyectivas?
Los espacios vectoriales pueden tener una cantidad innita de vec-
tores!
Las preguntas interesantes son las siguientes:
Podra haber una aplicacion lineal inyectiva entre dos espacios cuando
la dimension del Dominio es mayor que la dimension del Codominio?
Y el recproco?
Podra haber una aplicacion lineal epiyectiva entre dos espacios vec-
toriales cuando la dimension del Dominio es menor que la dimension
del Codominio? Y el recproco?
no Algebra Lineal
Que condiciones deben cumplir dos espacios vectoriales de dimension

nita, para que pueda haber una aplicacion biyectiva entre ellos?
En n todas estas preguntas analizaremos a continuacion. Comen-
zamos?
Antes de hablar de dimensiones comencemos por la proposicion sigu-
iente:
on 3.4.1 Sea f : V W lineal

Proposici
1. Sea S V y A = {v1 , v2 , ..., vr } un conjunto de generadores de

S. Entonces
f (A) = {f (v1 ), f (v2 ), ..., f (vr )} es un conjunto de generadores
de f (S).
2. Si B = {v1 , v2 , ..., vt } es l.i. y f inyectiva entonces

f (B) = {f (v1 ), f (v2 ), ..., f (vt )} es l.i.
Demostraci
on (1)
Sea S =< v1 , ..., vr >. Sea w f (S) luego w = f (s), cierto s S.

Pero s S, signica que s = 1 v1 + + r vr , ciertos 1 , , r K.
Luego w = f (s) = f (1 v1 + + r vr ) = 1 f (v1 ) + + r f (vr ).
Esto nos dice que w se puede escribir como una combinacion lineal de
f (v1 ), , f (vr ), luego f (S) =< f (v1 ), , f (vr ) >.
Demostraci
on(2)
Sea 1 f (v1 ) + + t f (vt ) = ~0, luego f (1 v1 + + t vt ) = ~0.

Puesto que f es inyectiva y que 1 v1 + + t vt N (f ). Entonces
1 v1 + + t vt = ~0. Luego 1 = = t = 0 pues {v1 , v2 , ..., vt } es
l.i.
La segunda parte de la proposicion anterior nos dice, en palabras, que
toda aplicacion lineal inyectiva, lleva un conjunto l.i., en otro conjunto
l.i.
Teorema 3.4.2 (Segunda caracterizaci

lineales inyectivas y epiyectivas)
Sea f : V W lineal. Sea {v1 , v2 , ..., vn } una base de V . Entonces
1. f inyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} es l.i.
2. f epiyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} genera W
3. f biyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} es una base de W
Demostraci
on (1.)
Sea {f (v1 ), ..., f (vn )} l.i. Demostremos que f es inyectiva, es decir, que
N (f ) = {~0}. Sea v N (f ), luego f (v) = ~0. Si v N (f ), en particular
v V , luego v = 1 v1 + + n vn , ciertos 1 , ..., n K y f (v) = ~0.
Luego ~0 = f (v) = f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ).
Luego 1 = = n = 0, luego v = ~0.
Demostraci
on (2.)
Sea f epiyectiva, demostremos que {f (v1 ), ..., f (vn )} genera W . Te-

nemos que para todo w W , existe v V tal que w = f (v). Pero
v = 1 v1 + + n vn , ciertos 1 , ...n K. Luego w = f (v) =
f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ). Luego w es combi-
nacion lineal de los vectores {f (v1 ), ..., f (vn )}, luego {f (v1 ), ..., f (vn )}
genera W .
Ahora, recprocamente, sea W =< f (v1 ), ..., f (vn ) >. Sea w W ,
luego w = 1 f (v1 ) + + n f (vn ) = f (1 v1 + + n vn ) = f (v), con
v = 1 v1 + + n vn . Luego f es epiyectiva.
Nota
Esta proposicion nos dice que si queremos averiguar si una aplicacion

lineal es inyectiva, basta estudiar si lleva una base en un conjunto l.i.
no Algebra Lineal
Notese que una aplicacion lineal puede llevar un conjunto l.i. en otro l.i.
y no ser inyectiva. Por ejemplo consideremos f : K 4 K 4 lineal tal
que f (1, 0, 0, 0) = (1, 1, 1, 1), f (0, 1, 0, 0) = (1, 1, 1, 2), f (0, 0, 1, 0) =
(1, 2, 3, 4), f (0, 0, 0, 1) = (1, 2, 3, 4).
Esta aplicacion lleva el conjunto l.i. {(1, 0, 0, 0), (0, 1, 0, 0)} en el con-
junto l.i. {(1, 1, 1, 1), (1, 1, 1, 2)} y no es inyectiva.
Nota
Esta proposicion tambien nos dice que una aplicacion lineal epiyectiva
se reconoce por llevar una base del Dominio de la aplicacion en un
conjunto de generadores del Codominio de ella.
Nota
Veamos algunas deniciones antes de seguir. Y Ademas veremso por

que llevan tales nombres.
Recuerda algo trivial, pero t u que eres joven a veces olvidas y es que
todo lo que te ensenamos en la Universidad ha sido creado por per-
sonas, al igual que ti, solo que vinieron antes al mundo y todas estas
deniciones las dieron por algo. Estamos de acuerdo? Bueno aqu
las tienes:
Definiciones
Para decir que f es una aplicacion lineal, podemos decir simple-

mente que f es un morfismo. Esta palabra viene de la palabra griega
morfo () que signica forma.
Un endomorfismo es un morsmo que va de un espacio vectorial
dentro del mismo espacio, es decir f : V V es un endomorsmo.
Endo (o) es una palabra griega que signica dentro.
Un monomorfismo es un morsmo inyectivo. Mono es un prejo
griego (oo) que signica unico o uno solo (es decir que a vectores
distintos del dominio le corresponden imagenes distintas).
Un epimorfismo es un morsmo epiyectivo. Epi es una preposicion

griega () que signica sobre.
Un isomorfismo es un morsmo biyectivo. Iso es una palabra griega
(o) que signica igual.
Veremos que si f : V W es un isomorsmo, entonces V y W
tienen igual forma (queda pendiente una explicacion mas completa,
ver mas adelante en esta misma seccion ).
Un endomorsmo biyectivo es llamado un automorfismo, es decir,
f : V V isomorsmo. Auto palabra griega ( o) que signica
mismo, propio. Es decir que es un isomorsmo dentro del mismo es-
pacio o propio al espacio.
on 3.4.3 Sea f : V W un monomorfismo. Entonces

Proposici
dimK V dimK W
Demostraci
on
Sea A = {v1 , v2 , ..., vn } una base de n elementos de V . Luego f (A) =

{f (v1 ), f (v2 ), ..., f (vn )} es un conjunto l.i. (segunda caracterizacion de
una aplicacion lineal inyectiva).
Tenemos n vectores l.i. en W . Esto nos dice que dimK W n.
on 3.4.4 Sea f : V W un epimorfismo. Entonces

Proposici
dimK V dimK W
Demostraci
on
Sea B = {v1 , v2 , ..., vn } una base de V . Luego
f (B) = {f (v1 ), f (v2 ), ..., f (vn )}
genera W . Luego dimK W n y n = dimK V .

no Algebra Lineal
Proposici
on 3.4.5 (Todo o nada) Sea f : V W lineal tal que
dimK V = dimK W . Entonces son equivalentes:
1. f es inyectiva
2. f es epiyectiva
Demostraci
on
Sea {z1 , z2 , ..., zq } una base de Im(f ).

Tenemos z1 = f (u1 ), z2 = f (u2 ), ..., zq = f (uq ), ciertos ui V .
Sea B = {u1 , u2 , ..., uq }.
Demostremos que (1) = (2)
Sea N (f ) = {~0}. Veamos que B es una base de V .
(a) Armamos: B genera V . En efecto
Sea v V , entonces f (v) Im(f ), luego
f (v) = 1 z1 + 2 z2 + + q zq , ciertos 1 , 2 , ...q K
Tenemos
f (v) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq )
= f (1 u1 + 2 u2 + + q uq )
= f (v )
con v = 1 u1 + 2 u2 + + q uq .
Como f (v) = f (v ), se tiene f (vv ) = ~0, es decir vv N (f ) = {~0},
luego v v = ~0, es decir
v = v = 1 u1 + 2 u2 + + q uq
(b) Armamos: B es l.i. En efecto, sea
1 u1 + 2 u2 + + q uq = ~0,
luego
f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq ) = ~0
luego 1 = 2 = = q = 0, pues {f (u1 ), f (u2 ), ..., f (uq )} son l.i.

Luego B es l.i.
Por (a) y (b) tenemos que B es una base de V .
Luego dimK V = q = dimK Im(f )
Ademas dimK V = dimK W
Se obtiene que dimK W = dimK Im(f ), es decir que f es epiyectiva.
Demostremos que (2) = (1)
Sea f epiyectiva, luego dimK Im(f ) = dimK W = dimK V
Primero veamos que B es l.i.
Sea 1 u1 + 2 u2 + + q uq = ~0. Luego
f (1 u1 + 2 u2 + + q uq ) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq ) = ~0.
Luego 1 = 2 = = q = 0
Puesto que la dimension de V es q, entonces q vectores l.i. forman una
base de V . Luego B es una base de V .
Sea u N (f ), entonces u = 1 u1 + 2 u2 + + q uq y f (u) = ~0,
entonces
~0 = f (u) = f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq )
Luego 1 = 2 = = q = 0, es decir u = ~0. Entonces N (f ) = {~0}

y f es inyectiva.
Nota
Esta proposicion nos dice que si la dimension del Dominio de una

aplicacion lineal, es igual a la dimension del Codominio, entonces, o
es inyectiva y epiyectiva a la vez, o no es ninguna de las dos, es por
esto que la titulamos de esta manera Todo o nada, o excluyente.
no Algebra Lineal
Proposicion 3.4.6 Sea f : V W y g : W U morfismos tal

que Im(f ) Dom(g). Entonces:
1. g f es lineal
2. Si f y g son monomorfismos, entonces gf es un monomorfismo
3. Si f y g son epimorfismos, entonces g f es un epimorfismo
Demostraci
on 1
(g f )(v + w) = g(f (v + w)) = g(f (v) + f (w)) = g(f (v)) + g(f (w)) =
(g f )(v) + (g f )(w)
(g f )(v) = g(f (v)) = g(f (v)) = g(f (v)) = (g f )(v)
Luego (g f ) es lineal.
Demostraci
on 2
Sea (g f )(v) = ~0, luego g(f (v)) = ~0. Entonces f (v) = ~0 pues N (g) =
{~0}. Ademas v = ~0 ya que v N (f ). Luego N (g f ) = {~0}, es decir
g f es inyectiva, dicho mas elegantemente g f es un monomorsmo.
Demostraci
on 3
Sea u U , luego existe w W tal que g(w) = u. Pero f tambien

es epiyectiva, luego existe v V tal que f (v) = w. Tenemos que:
u = g(w) = g(f (v)) = (g f )(v). Entonces g f es un epimorsmo.
De esta proposicion se deduce trivialmente el resultado siguiente:
Corolario 3.4.7 Sean f : V W y g : W U isomorfismos.

Entonces g f : V U es un isomorfismo.
Con respecto a los isomorsmos tenemos la siguiente denicion.

Definici on 3.4.1 Diremos que V y W , dos K-espacios, son isomor-

fos si nosotros podemos establecer un isomorfismo entre ellos, es
decir, si podemos construir un isomorfismo f : V W . Lo deno-
taremos V = W.
Ejemplos de isomorfismos
Ejemplo
IR2
=C
Sabemos que un morsmo es biyectivo si y solo si lleva una base en

otra base.
Consideremos la aplicacion
f : IR2 C lineal, tal que f (1, 0) = 1, f (0, 1) = i. Esta aplicacion es
un isomorsmo de IR2 en C. Su expresion analtica es f (a, b) = a + bi.
Ejemplo
K2 [X]
= K3
Construyamos la aplicacion lineal f : K2 [X] K 3 , tal que f (1) =

(1, 0, 0), f (X) = (0, 1, 0), f (X 2 ) = (0, 0, 1). Este morsmo lleva
la base {1, X, X 2 } de K2 [X] en la base canonica de K 3 , es decir,
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Se tiene entonces que f es un isomorsmo y de esto se concluye que
los espacios vectoriales son isomorfos.
Ejemplo
M2 (K)
= K4
no Algebra Lineal
Basta con construir la aplicacion lineal f : M2 (K) K 4 denida

por (la mas simple posible):
! !
1 0 0 1
f( ) = (1, 0, 0, 0); f( ) = (0, 1, 0, 0)
0 0 0 0
! !
0 0 0 0
f( ) = (0, 0, 1, 0); f( ) = (0, 0, 0, 1)
1 0 0 1
es evidente que es un isomorsmo, pues lleva una base en otra base.
Antiejemplo
No podemos construir un isomorsmo de K 2 en K 3 , pues toda base

de K 2 tiene dos elementos y toda base de K 3 tiene tres elementos. No
podemos llevar dos elementos en tres elementos de manera biunvoca.
Teorema 3.4.8 (Isomorfismo Fundamental) Sea V un K-espacio

olo si V
vectorial. Entonces dimK V = n si y s = K n.
Demostraci
on
Comencemos por demostrar que si dimK V = n entonces V

= K n.
Sea dimK V = n, entonces consideremos {v1 , v2 , ..., vn } una base de V .
Sea f : V K n lineal tal que f (v1 ) = e1 , f (v2 ) = e2 , ..., f (vn ) = en
que es un isomorsmo.
Luego V = K n.
Demostremos que si V = K n , entonces dimK V = n.
Sea V
= K n , luego existe f : K n V isomorsmo tal que
f (e1 ) = u1 , f (e2 ) = u2 , ..., f (en ) = un ,
con {u1 , u2 , ..., un }, una base de V . Luego dimK V = n.

Ejercicio
Establezcamos un isomorsmo entre
un K n
V = {(x, y, z, u); x + y + z = 0, x + 2u = 0} y alg
Soluci
on
Primero observamos que z = x y y u = 12 x. Luego
1 1
(x, y, z, u) = (x, y, x y, x) = x(1, 0, 1, ) + y(0, 1, 1, 0)
2 2
Entonces tenemos que una base de V es
1
B = {(1, 0, 1, ), (0, 1, 1, 0)}
2
De donde dimK V = 2 y V
= K 2.
Establezcamos el isomorsmo siguiente:
1
f : V K 2 ; f (1, 0, 1, ) = (1, 0), f (0, 1, 1, 0) = (0, 1)
2
La forma tpica de los elementos de V , es, (x, y, x y, 12 x) y la

escritura de f es f (x, y, x y, 21 x) = (x, y).
Nota
Este teorema nos dice que todos los espacios vectoriales de dimension
nita estan clasicados.
Todos los espacios vectoriales de una misma dimension tienen las mis-
mas propiedades, solo que tienen una escritura diferente.
no Algebra Lineal
3.5 Estructura de un conjunto de morfis-

mos
Sean U y V dos K-espacios vectoriales. El conjunto de todas las apli-
caciones lineales de U en V , sera denotado por LK (U, V ) o cuando no
haya confusion, denotaremos simplemente L(U, V ). o bien Hom(U, V ).
Comencemos por estudiar la suma de dos morsmos.
Lema
Sean f, g LK (U, V ). Entonces la aplicacion h : U V denida

por:
h(u) = f (u) + g(u), u U
es lineal.
Demostraci
on
1. h(u + v) = f (u + v) + g(u + v) = f (u) + f (v) + g(u) + g(v) =

(f (u) + g(u)) + (f (v) + g(v)) = h(u) + h(v).
2. h(u) = f (u) + g(u) = f (u) + g(u) = (f (u) + g(u)) =

h(u).
Por (1) y (2) tenemos que h es lineal.

Es interesante que esta aplicacion h, obtenida de dos aplicaciones li-
neales es lineal. Este lema nos induce entonces a la siguiente denicion
on 3.5.1 Dadas f, g LK (U, V ), se define una nueva apli-

Definici
on en LK (U, V ), denotada por f + g y definida por
caci
(f + g)(u) = f (u) + g(u), u U
llamada la suma de f y g.
Entonces el siguiente problema es estudiar que estructura algebraica

tiene LK (U, V ) con la suma.
Es el tpico pensamiento algebrista!
Teorema 3.5.1 (LK (U, V ), +) es un grupo abeliano.
Demostraci
on
1. La suma es asociativa.
((f + g) + h)(u) = (f + g)(u) + h(u) = f (u) + g(u)) + h(u) =
= f (u) + (g(u) + h(u)) = f (u) + (g + h)(u) = (f + (g + h))(u).
2. LK (U, V ) posee elemento neutro, a saber, la aplicacion nula O :

U V ; O(u) = 0, u U .
3. Todo morsmo tiene inverso aditivo f , denivo por

(f )(u) = f (u), u U .
4. La suma es conmutativa.
(f + g)(u) = f (u) + g(u) = g(u) + f (u) = (f + g)(u).
Pregunta
Que ocurre con la ponderacion de un morsmo?

La respuesta la tenemos en el siguiente lema.
Lema
Sea f un morsmo de LK (U, V ) y K un escalar. Entonces la

aplicacion de U en V , denida por
h(u) = f (u)
es lineal.
no Algebra Lineal
Demostraci
on
1. h(u1 + u2 ) = f (u1 + u2 ) = (f (u1 ) + f (u2 )) = f (u1 ) +

f (u2 ) = h((u1 ) + h(u2 ).
2. h(u) = f (u) = (f (u)) = ( ) f (u) = ( f (u)) =

h(u).
Por (1) y (2) tenemos que h es lineal.

Esta propiedad nos induce la siguiente denicion.
Definicion 3.5.2 A todo escalar K y a todo morfismo f de

LK (U, V ), le asociamos un morfismo de LK (U, V ) llamado producto
escalar de por f , denotado f y definido por
( f )(u) = f (u), u U
Proposicion 3.5.2 Dados f, g LK (U, V ) y , K, se tiene que

se cumplen los axiomas de espacio vectorial siguientes: E.V.5. 1f = f
E.V.6. ( + )f = f + f
E.V.7. (f + g) = f + g
E.V.8. ( )f = ( f )
La demostracion se deja al lector. Bueno?
Teorema 3.5.3 LK (U, V ) es un espacio vectorial sobre K.
Demostraci
on
Es obtenida de las proposiciones anteriores.

3.6 Ejercicios resueltos

Ejercicio
Sea f : K 2 K 2 ; f (x, y) = (2x+y, 3x) una aplicacion. Demostremos

que f es lineal.
Soluci
on
Sean u, v K 2 , luego tienen la forma u = (x, y), v = (x , y ), ciertos

x, y, x , y K.
1. f (u + v) = f ((x, y) + (x , y )) = f (x + x , y + y ) =
= (2(x + x ) + (y + y ), 3(x + x )) = (2x + y + 2x + y , 3x + 3x ) =
= (2x + y, 3x) + (2x + y , 3x ) = f (x, y) + f (x , y ) = f (u) + f (v).
2. f (u) = f ((x, y)) = f (x, y) = (2x + y, 3x) =

= (2x + y, 3x) = f (x, y) = f (u), K.
Ejercicio
Sea f : K 3 K 3 ; f (x, y, z) = (2x + y, x + y, 2x) una aplicacion.

Demostremos que f es lineal.
Soluci
on
Sean u, v K 3 , luego tienen la forma u = (x, y, z), v = (x , y , z ),

ciertos x, y, x , y , z, z K.
1. f (u + v) = f ((x, y, z) + (x , y , z )) = f (x + x , y + y , z + z ) =
= (2(x + x ) + (y + y ), (x + x ) + (y + y ), 2(x + x )) =
= ((2x + y) + (2x + y ), (x + y) + (x + y ), 2x + 2x ) =
= (2x + y, x + y, 2x) + (2x + y , x + y , 2x ) =
no Algebra Lineal
= f (x, y, z) + f (x , y , z ) = f (u) + f (v).

La penultima igualdad se cumple z, z K, en particular para

z y z de u y v.
2. f (u) = f ((x, y, z)) = f (x, y, z) =
= (2(x) + y, x + y, 2x) = (2x + y, x + y, 2x) =
= f (x, y, z) = f (u).
Ejercicio
Sea f : K 5 K 5 denida por:

f (x, y, z, u, v) = (x + y + z + u, 2x + 2y + z + v, x + y + z + u,
2x y + z + v, y z 2u + v)
1. Busquemos una base y la dimension de N (f ).

2. Busquemos una base y la dimension de Im(f ).
3. Estudiemos la inyectividad y epiyectividad de f .
Soluci
on

x+y+z+u = 0

2x + 2y + z + v = 0

(x, y, z, u, v) N (f ) ssi x+y+z+u = 0
2x y + z + v = 0

y z 2u + v = 0

Este sistema lo escribiremos en su forma mas simple, es decir, lo

escalonaremos.

1 1 1 1 0 0

1 1 1 1 0 0
L21 (2)
2 2 1 0 1 0 0 0 1 2 1 0

L31 (1)
1 1 1 1 0 0 0 0

0 0 0 0

2 1 1 0 1 0 L (2) 0 3 1 2 1 0

41
0 1 1 2 1 0 0 1 1 2 1 0

1 1 1 1 0 0
0 0 1 2 1 0
L ( 1 ) L14 (1)
L45 (1)
4 4
0 0 0 0 0 0

0 4 0 0 0 0 L54 (1)

0 1 1 2 1 0

1 0 1 1 0 0

1 0 0 1 1 0
L15 (1)
0 0 1 2 1 0 0 0 0 0 0 0

0 0 0 0 0 0
L (1)

0 0 0 0 0 0

25

0 1 0 0 0 0 0 1 0 0 0 0

L (1)
5
0 0 1 2 1 0 0 0 1 2 1 0
Luego

xu+v=0

y=0
z + 2u v = 0

Es decir

x = uv
y = 0 ; u, v K
z = 2u + v

ucleo tienen la forma (u v, 0, 2u + v, u, v),

Luego los elementos del n
luego
N (f ) = {(u v, 0, 2u + v, u, v); u, v K}
Una base de N (f ) es
{(1, 0, 2, 1, 0), (1, 0, 1, 0, 1)}
Puesto que N (f ) 6= {~0}, la aplicacion no es inyectiva.

no Algebra Lineal
b) w Im(f ) ssi w = x(1, 2, 1, 2, 0)+y(1, 2, 1, 1, 1)+z(1, 1, 1, 1, 1)+

u(1, 0, 1, 0, 2) + v(0, 1, 0, 1, 1). Luego tenemos un conjunto de genera-
dores de Im(f ). Puede que existan vectores que dependen linealmente
de los otros. Para tener la cantidad mnima de generadores, podemos
escalonar

1 2 1 2 0 1 2 1 2 0
L21 (1)
1 2 1 1 1 0 0 0 3 1

1 1 1 1 1
L (1)

0 1 0 1 1

31

1 0 1 0 2
0 2 0 2 2
L41 (1)

0 1 0 1 1 0 1 0 1 1

1 0 1 0 2 1 0 1 0 2
L15 (2)
0 0 0 1 1 0 0 0 1 1

3 L (1) 3

32
0 43

0 1 0 1 1 0 1 0
L35 (1)

0 0 0 0 0
0 0 0 0 0
L45 (2)

0 0 0 0 0 0 0 0 0 0
La base escalonada de Im(f ) es
4 1
{(1, 0, 1, 0, 2), (0, 1, 0, 0, ), (0, 0, 0, 1, )}
3 3
Pero solo se peda una base, luego podra haber dado la base
{(1, 0, 1, 0, 2), (0, 0, 0, 3, 1), (0, 1, 0, 1, 1)} y habramos evitado dos
pasos de escalonamiento.
Puesto que dimk Im(f ) = 3, f no es epiyectiva, pues dimk Codom(f ) =
5.
Ejercicio
Sea f : K 3 K 3 tal que
f (x, y, z) = (x y + z, 2x y + 3z, ( 1)x + (2 2)y + (2 2)z)
con K; una familia de aplicaciones lineales.

1. Estudiemos el N ucleo y la Imagen de f , seg

un los diferentes
valores de . Estudiemos sus dimensiones respectivas.
2. Estudiemos la inyectividad y epiyectividad de f , seg

un los difer-
entes valores de .
Soluci
on
Busquemos un conjunto de generadores de Im(f ).

Sea w Im(f ), luego
w = x(1, 2, ( 1)) + y(1, 1, 2 2) + z(1, 3, 2 2)
Luego un conjunto de generadores de Im(f ) es
{(1, 2, ( 1)), (1, 1, 2 2), (1, 3, 2 2)}
Para saber su dimension, necesitamos encontrar una base.

1 2 1 L21 (1) 1 2 1 L12 (2)
1 1 2 2

0 1 3 3

1 3 2 2 L31 (1) 0 1 3 3 L32 (1)

1 0 5 + 5 1 1 0 5 + 5 L13 (5)
L3 ( 6 )
0 1 3 3 0 1 3 3

0 0 6 6 0 0 1 L23 (3)

1 0 0
0 1 0
0 0 1
Caso (1) 1 = 0 ssi = 1
La base escalonada de Im(f1 ) es {(1, 0, 0), (0, 1, 0)}.
dimK Im(f1 ) = 2 6= 3 = dimK Codom(f )
luego f1 no es epiyectiva.
no Algebra Lineal
Sabemos que
dimK Dom(f1 ) = dimK N (f1 ) + dimK Im(f1 )
Luego dimK N (f1 ) = 1. Conclusion: f1 no es inyectiva.

O bien, podemos hacer el razonamiento siguiente: Puesto que
dimK Dom(f1 ) = dimK Codom(f1 )
por la proposicion Todo o nada, como no es epiyectiva, entonces no

es inyectiva.
Busquemos ahora una base para N (f1 ).
Tenemos (x, y, z) N (f1 ) ssi (x y + z, 2x y + 3z, 0x + 0y + 0z) =
(0, 0, 0) ssi
)
xy+z = 0
2x y + 3z = 0
Busquemos la representacion mas simple de este sistema
! !
1 1 1 0 L21 (2) 1 1 1 0
2 1 3 0 0 1 1 0
!
L12 (1) 1 0 2 0
0 1 1 0
Luego este sistema queda

) )
x + 2z = 0 x = 2z
es decir
y+z = 0 y = z
Luego N (f1 ) = {(x, y, z); x = 2z, y = z} = {(2z, z, z); z K}

N (f1 ) =< (2, 1, 1) >. Luego una base de N (f1 ) es {(2, 1, 1)}.
ucleo de f1 no es {~0}
Luego f1 no es inyectiva, ya que el n
Por la proposicion Todo o nada, tampoco es epiyectiva.
Caso (2) 1 6= 0 ssi 6= 1

Seguimos escalonando:

1 1 0 0
L3 ( 1 )
0 1 0

0 0 1
La base escalonada de Im(f ) = {1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Luego dimK Im(f ) = 3, con 6= 1.
Tenemos, entonces que dimK (N (f ) = 0, luego N (f ) = {~0}.
Luego la aplicacion lineal f , es epiyectiva e inyectiva.
Ejercicio
Sea f : K 3 K 3 tal que
f (x, y, z) = (4x + 2y, x + y, 7x + 5y)
Busquemos el n
ucleo y la imagen de f .
Estudiemos si f es inyectiva o epiyectiva.
Soluci
on
Tenemos que
Im(f ) = {(4x + 2y, x + y, 7x + 5y); x, y K}
Busquemos un conjunto de generadores de Im(f ).
(4x + 2y, x + y, 7x + 5y) = x(4, 1, 7) + y(2, 1, 5)
Luego {(4, 1, 7), (2, 1, 5)} es un conjunto de generadores de Im(f ).

Puesto que
no Algebra Lineal
y dimK Im(f ) = 2, entonces dimK N (f ) = 1 y f no es epiyectiva.

Como dimK N (f ) = 1, N (f ) 6= {~0} y f no es inyectiva. Sabemos que
toda base de N (f ) tiene un solo elemento. Busquemos una base del
n
ucleo.

4x + 2y = 0 )
x = o
x+y = 0 ssi
y = 0
7x + 5y = 0

Observamos que no hay condiciones sobre z, luego

N (f ) = {(x, y, z); x = y = 0} =< (0, 0, 1) >. Luego una base de N (f )
es {(0, 0, 1)}.
Ejercicio
Sea f : K 3 K 3 lineal tal que una base de
N (f ) = {(1, 2, 3), (1, 0, 2)}
y f (0, 1, 1) = (2, 1, 1). Busquemos la escritura de f , es decir, su ex-

presion analtica.
Soluci
on
Observemos que {(1, 2, 3), (1, 0, 2), (0, 1, 1)} es una base de Dom(f ) =
K 3 . Luego
(x, y, z) = (1, 2, 3) + (1, 0, 2) + (0, 1, 1)

+ = x
2 + = y
3 + 2 + = z

Escalonando, tenemos

1 1 0 x L21 (2) 1 1 0 x
L13 (1) L3 (1)
2 0 1 y

0 2 1 y 2x

3 2 1 z L31 (2) 0 1 1 z 3x

1 0 1 z 2x 1 0 1 z 2x
L23 (2)
0 2 1 y 2x 0 0 1 4x + y 2z

0 1 1 3x z 0 1 1 3x z

L12 (1) 1 0 0 2x + y z
0 0 1 4x y + 2z

L32 (1) 0 1 0 x y + z
Luego
= 2x + y z

= 4x y + 2z
= x y + z

f (x, y, z) = f (1, 2, 3) + f (1, 0, 2) + (4x y + 2z)f (0, 1, 1)

= (4x y + 2z)(2, 1, 1)
(Recuerde que los dos primeros vectores estan en el n

ucleo de f )
Luego
f (x, y, z) = (8x 2y + 4z, 4x y + 2z, 4x y + 2z)
Ejercicio
Sean f, g, h : K 3 K 2
1. f (x, y, z) = (x + y, x + y)
2. g(x, y, z) = ((x 1)y, z y)
3. h(1, 0, 0) = (1, 1), h(0, 1, 0) = (a2 , 1), h(0, 0, 1) = (a, 0), donde
a es un real jo.
i. Determinemos aquellas aplicaciones que no son lineales. Argu-

mentemos la respuesta.
no Algebra Lineal
ii. De las aplicaciones lineales, indiquemos cuales son inyectivas,

epiyectivas, biyectivas. Argumentemos la respuesta.
Soluci
on (1)
Armacion: La aplicacion f es lineal.

(a) f ((x, y, z) + (x , y , z )) = f (x + x , y + y , z + z )
= (x + x + y + y , x + x + y + y )
= (x + y, x + y) + (x + y , x + y )
= f (x, y, z) + f (x , y , z )
En la u ltima igualdad podamos tomar cualquier z, cualquier z ,

pero en particular podamos tomar z y z que tenamos al comienzo
(estabamos autorizados a tomar cualquiera).
(b) f ((x, y, z)) = f (x, y, z)
= (x + y, x + y)
= (x + y, x + y) = f (x, y, z)
Por ( a) y ( b) tenemos que f es lineal.

Contestemos ahora la parte (ii.).
(x, y, z) N (f ) ssi f (x, y, z) = (0, 0) ssi (x+y, x+y) = (0, 0) ssi x+y =
0 ssi x = y. Luego no hay exigencias sobre z. Tenemos entonces que
N (f ) = {(x, x, z); x, z K} 6= {~0}. Luego f no es inyectiva. Una
base de N (f ) es {(1, 1, 0), (0, 0, 1)} (luego de dimension dos).
Por otra parte sabemos que:
luego dimK Im(f ) = 1.
Conclusion: f no es epiyectiva.
Soluci
on (2)
Tenemos que
g(x, y, z) = ((x 1)y, z y)
Armacion: g no es lineal.
Contraejemplo: g(1, 1, 0) = ((1 1)1, 0 1) = (0, 1);
g(0, 1, 1) = ((0 1)1, 1 1) = (1, 0);

g(1, 2, 1) = ((1 1)2, 1 2) = (0, 1)
Calculemos, ahora g(1, 2, 1), suponiendo que g es lineal. El calculo es

el siguiente: g(1, 2, 1) = g((1, 1, 0) + (0, 1, 1)) = g(1, 1, 0) + g(0, 1, 1) =
(0, 1) + (1, 0) = (1, 1), que es diferente al obtenido anterior-
mente.
Soluci
on (3)
El Teorema de existencia y unicidad de una aplicacion lineal, dice que

dada una base en el Dominio y dado 3 vectores cualesquieras en el
Codominio, existe una aplicacion lineal que lleva los vectores de la
base en esos tres vectores y esta aplicacion es u nica. Luego h existe y
nica pues {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de Dom(h)
es u
Para la pregunta (ii.), tenemos lo siguiente:
Una aplicacion lineal es inyectiva si lleva una base en un conjunto l.i.
Vemos que el conjunto {(1, 1), (a2 , 1), (a, 0)} es l.d., pues no puede
haber mas de dos vectores l.i. en K 2 . Luego h no es inyectiva,
cualquiera que sea a K.
Por otra parte, a2 6= 1, a K, luego el vector (a2 , 1) nunca es un
m
ultiplo del vector (1, 1).
Entonces K 2 =< (1, 1), (a2 , 1) >=< (1, 1), (a2 , 1), (a, 0) >, a
K.
Luego Im(h) = K 2 y h es epiyectiva.
no Algebra Lineal
Ejercicio
Sea f : K 3 K 3 una aplicacion lineal tal que
f (x, y, z) = (x + z, y + 2z, ( 3)z)
Encontremos el n
ucleo y la imagen de f para los distintos valores de
K y luego estudiemos la inyectividad y epiyectividad de f .
Soluci
on
Busquemos el n
ucleo de f

x+z = 0
y + 2z = 0
( 3)z = 0

es decir tenemos la matriz

1 0 1 0
0 1 2 0

0 0 3 0
Caso (1) 3 = 0 ssi = 3

)
x+z = 0
Luego, x = z, y = 2z
y + 2z = 0
De donde (z, 2z, z) = z(1, 2, 1), luego N (f3 ) =< (1, 2, 1) >;
y por lo tanto f no es inyectiva en el caso = 3 y en tal caso la
dimension del n
ucleo es uno, luego por el teorema de las dimensiones
se tiene que dimIm(f3 ) = 2. Busquemos Im(f3 )
Tenemos (x + z, y + 2z, 0) = x(1, 0, 0) + y(0, 1, 0) + z(1, 2, 0) y como
(1, 2, 0) es combinacion lineal de (1, 0, 0) y (0, 1, 0), entonces
Im(f3 ) =< (1, 0, 0), (0, 1, 0) >, luego f3 no es epiyectiva.
Caso (2) 3 6= 0 ssi 6= 3
Seguimos escalonando

1 1 0 1 0 L13 (1) 1 0 0 0
L3 ( 3 )
0 1 2 0

0 1 0 0

0 0 1 0 L23 (2) 0 0 1 0
Luego x = y = z = 0, es decir N (f ) = {(0, 0, 0)} y usando nueva-

mente el teorema de las dimensiones tenemos que dimf = 3, es decir
Im(f ) = K 3 . Luego en este caso ( 6= 3), se tiene que f es inyectiva
y epiyectiva. Ademas recordemos que f es un endomorsmo, luego es
inyectivo ssi es epiyectivo.
Ejercicio
Observando las imagenes de los elementos de la base, estudiemos si la

aplicacion lineal f : K 3 K 3 , dada por:
f (1, 0, 0) = (1, 1, 0); f (0, 1, 0) = (0, 0, 1); f (0, 0, 1) = (2, 2, 1) es un
1. monomorsmo;
2. epimorsmo;
3. automorsmo.
Soluci
on
1. Una aplicacion lineal es un monomorsmo si lleva una base en

un conjunto l.i.
Tenemos que {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base. Ahora
necesitamos estudiar la dependencia lineal de
B = {(1, 1, 0), (0, 0, 1), (2, 2, 1)}
Sea (1, 1, 0) + (0, 0, 1) + (2, 2, 1) = (0, 0, 0). Es equivalente

a
no Algebra Lineal

+ 2 = 0 )
= 2
+ 2 = 0 equivalente a
=
= 0

Quiere decir que el ~0 se puede obtener de innitas maneras:

2(1, 1, 0) + (0, 0, 1) + (2, 2, 1) = (0, 0, 0), K, luego
el conjunto es l.d. Entonces la aplicacion lineal no es inyectiva.
[monomorsmo=lineal inyectiva].
2. Una aplicacion lineal es un epimorsmo si lleva una base en un
conjunto de generadores.
El vector (2, 2, 1) = 2(1, 1, 0) + 1(0, 0, 1)
Luego < (1, 1, 0), (0, 0, 1), (2, 2, 1) >=< (1, 1, 0), (0, 0, 1) >,
Luego dimK Im(f ) = 2. es decir, B no es un conjunto de gener-
adores del Codom(f).
Luego f no es un epimorsmo.
3. Por (1) y (2) f no es un automorsmo (lineal biyectiva).
Ejercicio
Sea f : K2 [X] M2 (K) y B = {1 + X 2 , 2X 2 , 1 + X + X 2 } una base

de K2 [X], denamos f en esta base de la siguiente manera:
1 1 4 2

2
f (1 + X ) = ; f (2X 2 ) = ;
1 1 0 0
3 1

f (1 + X + X 2 ) =
1 1
Extendamos f por linealidad a todo el espacio.
Soluci
on
Sea a + bX + cX 2 = (1 + X 2 ) + (2X 2 ) + (1 + X + X 2 ). Lo primero

que observamos es que debe valer b, = b, pues el u nico termino
que tiene X es .
debe ser igual ser a b, para que el termino constante sea a.

Igualando los coecientes de X 2 , tenemos: c = + 2 + , luego
ca
2 = c (a b) b, luego = 2
.
Ahora estamos en condiciones de extender f por linealidad.
f (a + bX + cX 2 ) =
= f [(a b)(1 + X 2 ) + (ca)
2
(2X 2 ) + b(1 + X + X 2 )]
(ca)
= (a b)f(1 + X2 ) + 2 f (2X 2) + bf(1 + X +X 2 )
1 1 4 2 3 1
= (a b) + (ca) +b
1 1 2
0 0 1 1
a + 2b + 2c c

=
a 2b a 2b
luego
a + 2b + 2c c

f (a + bX + cX 2 ) =
a 2b a 2b
Ejercicio
Sea T : K 3 K 3 tal que T (1, 1, 1) = (1, 3, 5), T (1, 0, 1) = (0, 1, 3).

Estudiemos en cada uno de los casos la existencia y unicidad de T si
agregamos la condicion
1. T (2, 1, 2) = (1, 4, 8)
2. T (2, 1, 2) = (0, 4, 8)
3. T (1, 0, 0) = (1, 3, 5)
Soluci
on (1)
Se tiene (2, 1, 2) = 1(1, 1, 1) + 1(1, 0, 1). Si T fuese lineal T (2, 1, 2) =

1T (1, 1, 1) + 1T (1, 0, 1) = 1(1, 3, 5) + 1(0, 1, 3) = (1, 4, 8). Luego existe
T que cumple (1), pero T no es u nica, faltara denirla en un tercer
vector tal que los tres vectores formen una base de K 3
no Algebra Lineal
Soluci
on (2)
No existe T que cumpla (2), pues vimos que si T es lineal T (2, 1, 2) =

(1, 4, 8)
Soluci
on (3)
Ocurre que {(1, 1, 1), (1, 0, 1), (1, 0, 0)} es una base de K 3 , luego existe
una aplicacion lineal denida en esta base y es u nica.
Busquemos su escritura.
(x, y, z) = y(1, 1, 1) + (z y)(1, 0, 1) + (x z)(1, 0, 0)
T (x, y, z) = yT (1, 1, 1) + (z y)T (1, 0, 1) + (x z)T (1, 0, 0) =
= y(1, 3, 5) + (z y)(0, 1, 3) + (x z)(1, 3, 5)
Luego T (x, y, z) = (x + y z, 3x + 2y 2z, 5x + 2y 2z)

1. Determine cuales de las siguientes aplicaciones son lineales:
(a) T : K 2 K 3 ; T (x, y) = (2x y, x + y, x + 3y)

x x+y y

(b) g : M21 (K) M2 (K); g( )=
y x xy
(c) D : Kn [x] Kn [x]; D(a0 + a1 x + + an ) = a1 + 2a2 x +
3a3 x2 + + nan xn1
2. Determine si existe una aplicacion lineal f : IR2 IR2 tal que
(a) f (2, 1) = (1, 0), f (0, 1) = (0, 1) y f (1, 1) = (3, 2)

(b) f (2, 1) = (1, 0), f (0, 1) = (0, 1) y f (1, 1) = ( 12 , 21 )
3. Sea f la aplicacion lineal denida por f : M22 (K) M22 (K);

4 1
f (X) = BX donde B = .
5 1
(a) Encuentre la base escalonada y la dimension de N (f ) y de

Im(f )
(b) Estudie la inyectividad y la epiyectividad de f
Captulo 4
Matrices
4.1 Matriz asociada a una aplicaci

on lin-
eal
Al n nos vamos a dedicar a las matrices!. Seguramente, tu sabas

que en el curso de Algebra Lineal se estudian las matrices. Desde el
comienzo del curso hemos utilizado las matrices, pero no hemos puesto
la atencion en ellas.
Este captulo trata lo siguiente: sabemos que una aplicacion lineal esta
determinada si conocemos su comportamiento en una base. Luego toda
aplicacion lineal esta determinada por un conjunto de vectores
. . . ahora seremos mas exigentes . . .
Queremos determinar una aplicacion lineal por un conjunto de n u-
meros, los cuales seran ordenados en una matriz. Luego veremos op-
eraciones entre aplicaciones lineales y propiedades y sus respectivas
operaciones y propiedades entre matrices.
173
no Algebra Lineal
Observaci
on
Consideremos a modo de ejemplo, K 3 y en el la base
B = {(1, 2, 5), (2, 3, 1), (1, 1, 1)}
y una aplicacion lineal f : K 3 K 2 , denida por
f (1, 2, 5) = (5, 12); f (2, 3, 1) = (8, 5); f (1, 1, 1) = (3, 1)
Entonces estos seis vectores determinan f .

En K 2 , consideremos la base C = {(1, 1), (1, 0)}.
Observemos que:
(5, 12) = 12(1, 1) + (7)(1, 0)

(8, 5) = 5(1, 1) + 3(1, 0)
(3, 1) = (1)(1, 1) + 4(1, 0)
Luego, si jamos las bases B y C y respetamos el orden de los elemen-

tos de la bases, entonces f esta denida por los n
umeros: 12,-7,5,3,-1,4.
Para que estos n
umeros sean mas faciles de leer y por otras considera-
ciones que haremos mas adelante, escribiremos
12 5 1

(f ; B, C) =
7 3 4
y diremos que es la matriz de f con respecto a las bases B y C.
Construcci
on de la matriz asociada a una aplicaci
on lineal
Sean V y W dos K-espacios vectoriales de dimension n y m respecti-

vamente. Tomemos una base B de V , B = {v1 , v2 , ..., vn } y una base
C en W , C = {w1 , w2 , ..., wm }.
Todo vector v de V y todo vector w de W , lo expresaremos por sus
coordenadas respectivas en B y C.
Vamos a respetar el orden en que nos han sido dados los elementos de
las bases.
Captulo 4. Matrices 175
n
X
Sea f (v) = w. Sea v = x1 v1 + x2 v2 + + xn vn = xj v j
j=1
m
X
w = y 1 w1 + y 2 w2 + + y m wm = y i wi
i=1
Tomemos una aplicacion lineal f : V W . Por el Teorema Funda-

mental del Algebra Lineal, tenemos que f esta determinada y de una
manera u
nica cuando se jan las imagenes de los elementos de la base
de V :
f (v1 ), f (v2 ), ..., f (vn )
Estos vectores los descomponemos en la base C de W de la manera
siguiente:
m
X
f (vj ) = a1j w1 + a2j w2 + + amj wm = aij wi
i=1
n
X
Todo vector v de V , v = xj vj , es enviado, por la aplicacion lineal
j=1
f , en el vector de W siguiente:
n
X
w = f (v) = x1 f (v1 ) + x2 f (v2 ) + + xn f (vn ) = xj f (vj )
j=1
Reemplazando los f (vj ), tenemos

n
X m
X m X
X n
w = f (v) = xj ( aij wi ) = ( aij xj )wi
j=1 i=1 i=1 j=1
Obtenemos entonces, las componentes y1 , y2 , ..., ym de w, es decir, de

n
X
f (v) en la base C de W , yi = aij xj , 1 i m, es decir,
j=1
y1 = a11 x1 + a12 x2 + + a1n xn

y2 = a21 x1 + a22 x2 + + a2n xn

.....................................

ym = am1 x1 + am2 x2 + + amn xn

no Algebra Lineal
se utilizo la unicidad de las componentes al descomponerlo en una

base.
Estas m ecuaciones son caracterizadas por el arreglo rectangular (es
decir, por la matriz) siguiente:
a11 a12 a1n

a21 a22 a2n

...................

am1 am2 amn
llamada la matriz asociada a f con respecto a la base B de V

y a la base C de W y se denota (f ; B, C).
Se dice que esta matriz tiene m las y n columnas y cada escalar aij
es llamado t
ermino de la matriz.
Recprocamente, si nos damos una matriz de m las y n columnas, las
formulas n X
yi = aij xj
j=1
denen una aplicacion lineal de V en W .

En efecto, para todo v V , de coordenadas x1 , x2 , ..., xn en la base
n
X
B, los yi = aij xj hacen corresponder un vector u
nico de W de
j=1
coordenadas y1 , y2 , ..., ym en la base C.
Este vector w esta dado por la relacion
X n
m X n
X m
X n
X n
X
w= ( aij xj )wi = xj ( aij wi ) = xi f (vj ) = f ( xj vj ) = f (v)
i=1 j=1 j=1 i=1 j=1 j=1
Tenemos que f es lineal (Te lo dejamos gentilmente de ejercicio

bueno?)
m
X
Para v = vj , se tiene f (vj ) = aij vi , se sabe que existe una aplicacion
i=1
lineal que cumple esta condicion y se sabe que es u
nica.
Ejemplo
Sea f : K 3 K 2 ; denida por: f (x, y, z) = (3x, x + y).

Consideremos B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base ordenada
(no podemos cambiar el orden dado) de K 3 y C = {(1, 0), (1, 1)}
una base ordenada de K 2 . Busquemos (f ; B, C) de acuerdo?
Soluci
on
Sabiendo que f (x, y, z) = (3x, x + y), tenemos

f (1, 1, 1) = (3, 2) = 5(1, 0) + 2(1, 1)
f (1, 1, 0) = (3, 0) = 3(1, 0) + 0(1, 1)
f (1, 0, 0) = (3, 1) = 4(1, 0) + 1(1, 1)
5 3 4

Luego (f ; B, C) =
2 0 1
Ejemplo
Sea f : K 3 K 2 ; f (x, y, z) = (x + y + z, 3z).

Consideremos B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base de K 3 y
C = {(0, 1), (1, 1, )} una base de K 2 .
Busquemos (f ; B, C).
A partir de f (x, y, z) = (x + y + z, 3z), obtenemos
f (1, 1, 1) = (3, 3) = 0(0, 1) + 3(1, 1)
f (1, 1, 0) = (2, 0) = 2(0, 1) + 2(1, 1)
f (1, 0, 0) = (1, 0) = 1(0, 1) + 1(1, 1)
0 2 1

Entonces (f ; B, C) =
3 2 1
Ejercicio
Sea f : K2 [t] K2 [t]; f (g(t)) = (1t)g (t). Determinemos (f ; B, C),

no Algebra Lineal
donde B = {1 + t + t2 , 1 + t, 1} y C = {t + t2 , 1 + t + t2 , t2 }.
Soluci
on
Tal vez debemos explicarte mejor el comportamiento de f . Bueno es

as:
f (a + bt + ct2 ) = (1 t)(b + 2ct), pues g (t) es la derivada formal de
g(t) (es decir que tiene la misma forma de la derivada. de acuerdo?)
f (1 + t + t2 ) = (1 t)(1 + 2t) = 1 + t 2t2

f (1 + t) = (1 t) 1 = 1t
f (1) = (1 t) 0 = 0
Busquemos las coordenadas de estos vectores en la base C.
1 + t 2t2 = 0(t + t2 ) + 1(1 + t + t2 ) + 3t2

1t = 2(t + t2 ) + 1(1 + t + t2 ) + 1t2
0 = 0 (t + t2 ) + 0 (1 + t + t2 ) + 0 t2
Luego

0 2 0
(f ; B, C) = 1

1 0
3 1 0
Ejercicio
Sea f : K 2 K2 [X] lineal cuya matriz seg

un las bases
B = {(1, 1), (1, 0)} y C = {1 + X + X 2 , 1 + X, 1} es

1 2
(f ; B, C) = 3 7

5 4
Busquemos la expresion analtica de f .

Soluci
on
Sabemos que:
f (1, 1) = 1(1 + X + X 2 ) + 3(1 + X) + 5(1)

f (1, 0) = 2(1 + X + X 2 ) + 7(1 + X) + 4(1)
Luego
f (1, 1) = 9 + 4X + X 2
f (1, 0) = 13 + 9X + 2X 2
Ahora escribamos (z, t) K 2 , seg
un la base B
(z, t) = t(1, 1) + (z t)(1, 0)
Luego
f (z, t) = tf (1, 1)+(zt)f (1, 0) = t(9+4X+X 2 )+(zt)(13+9X+2X 2 )
es decir,
f (z, t) = (13z 4t) + (9z 5t)X + (2z t)X 2
4.2 Suma de morfismos y suma de matri-

ces
Observaci
on
Sean f, g : K 2 K 3 denidas por:
f (x, y) = (2x + y, 3y 3x, 2y 3x) y g(x, y) = (4x 2y, 2x y, x)
Escojamos las bases ordenadas

B = {(1, 2), (1, 1)} en K 2 y C = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} en K 3
(f + g)(x, y) = f (x, y) + g(x, y) = (6x y, 2y x, 2y 2x)

no Algebra Lineal
luego,
f (1, 2) = (4, 3, 1) = 1(1, 1, 1) + 2(1, 1, 0) + 1(1, 0, 0)

f (1, 1) = (3, 0, 1) = 1(1, 1, 1) + 1(1, 1, 0) + 3(1, 0, 0)
g(1, 2) = (0, 0, 1) = 1(1, 1, 1) 1(1, 1, 0) + 0(1, 0, 0)
g(1, 1) = (2, 1, 1) = 1(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0)
(f + g)(1, 2) = (4, 3, 2) = 2(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0)
(f + g)(1, 1) = (5, 1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + 4(1, 0, 0)
de donde

1 1 1 1
2
(f ; B, C) = ;
1 1 0
(g; B, C) =
1 3 0 1

2 0
1 1
(f + g; B, C) =
1 4
Es obvio como uno sumara las dos primeras matrices de manera de
obtener la tercera como resultado de esta suma. Todos somos un poco
matematicos en nuestro ser! Cierto?
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Sean V y W dos K-espacios vectoriales. Sea B = {v1 , v2 , ..., vn } una
base ordenada de B y C = {w1 , w2 , ..., wm } una base ordenada de W .
Sean f, g : V W dos morsmos
m
X m
X
f (vj ) = aij wi , g(vj ) = bij wi . Luego
i=1 i=1
m
X m
X m
X
(f + g)(vj ) = f (vj ) + g(vj ) = aij wi + bij wi = (aij + bij )wi
i=1 i=1 i=1
Luego

a11 . . . a1j . . . a1n
.........................

(f ; B, C) =
ai1 . . . aij . . . ain

.........................

am1 . . . amj . . . amn

b11 . . . b1j . . . b1n
........................

(g; B, C) =
bi1 . . . bij . . . bin

........................

bm1 . . . bmj . . . bmn

a11 + b11 . . . a1j + b1j . . . a1n + b1n
...........................................

(f + g; B, C) =
ai1 + bi1 . . . aij + bij . . . ain + bin

...........................................

am1 + bm1 . . . amj + bmj . . . amn + bmn
Esto motiva la siguiente denicion
Definici on 4.2.1 A todo par de matrices (aij ) y (bij ) pertenecientes

a Mmn (K), le asociamos una matriz de Mmn (K), llamada suma
de (aij ) y (bij ), denotada (aij ) + (bij ) y definida por
(aij ) + (bij ) =: (aij + bij )
es decir,
(f ; B, C) + (g; B, C) = (f + g; B, C)
En palabras, la suma de las matrices de dos morsmos es la matriz de

la suma de esos dos morsmos.
4.3 Producto de un escalar por un mor-

fismo y producto de un escalar por
una matriz
Recordemos que en el captulo anterior denimos el producto por es-
calar f donde f es un morsmo.
no Algebra Lineal
Observaci
on
Considerando el morsmo f : K 2 K 3 y las bases de la observacion

anterior, tenemos
(f )(x, y) = f (x, y) = (2x + y, 3y 3x, 2y 3x)
Luego
(f )(1, 2) = (4, 3, ) = (1, 1, 1) + 2(1, 1, 0) + (1, 0, 0)
(f )(1, 1) = (3, 0, ) = (1, 1, 1) + (1, 1, 0) + 3(1, 0, 0)

1 1
(f ; B, C) = 2 1 y (f ; B, C) = 2

1 3 3
Nuevamente uno tiene de inmediato el chispazo para multiplicar una

matriz por un escalar
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Consideremos la misma aplicacion lineal f y las mismas bases que
consideramos para el caso de la suma. Sea K. Por la denicion de
la aplicacion lineal f , tenemos
m
X m
X
(f )(vj ) = f (vj ) = aij wi = (aij )wi
i=1 i=1
Luego

a11 . . . a1j . . . a1n
.............................

(f ; B, C) =
ai1 . . . aij . . . ain

.............................

am1 . . . amj . . . amn
es decir, (f ; B, C) = (aij ). Esto nos motiva a la siguiente denicion

Definicion 4.3.1 A toda matriz (aij ) perteneciente a Mmn (K) y a

todo escalar K,le asociaciamos una matriz de Mmn (K), llamada
producto de por (aij ), denotada (aij ) y definida por
(aij ) = ( aij )
es decir,
(f ; B, C) = ( f ; B, C)
En palabras, el producto escalar por una matriz de un morsmo es la

matriz del producto escalar por el morsmo.
4.4 Composicion de morfismos y produc-

to de matrices
Sean U , V y W tres K-espacios vectoriales de dimensiones n, p y q
respectivamente. Sean f : U V y g : V W . Escojamos las
bases B, C y D respectivamente en U , V y W .
B = {u1 , u2 , , un }, C = {v1 , v2 , , vp }, D = {w1 , w2 , , wq }.
Sean
(f ; B, C) = (aij ),1 j n, 1 i p; (g; C, D) = (bki ), 1 i p, 1 k q
Busquemos la matriz de g f .
p
X q
X
f (uj ) = aij vi , g(vi ) = bki wk
i=1 k=1
Luego
p
X p
X p
X q
X
(g f )(uj ) = g(f (uj )) = g( aij vi ) = aij g(vi ) = aij ( bki wk )
i=1 i=1 i=1 k=1
De donde
no Algebra Lineal
q X
X p
(g f )(uj ) = ( bki aij )wk , 1 j n
k=1 i=1
Sea p
X
ckj = bki aij = bk1 a1j + bk2 a2j + + bkp apj
i=1
Obtenemos entonces
q
X
(g f )(uj ) = ckj wk
k=1
La matriz asociada a g f es entonces (ckj ).

Tenemos entonces la siguiente denicion
Definici
on 4.4.1 A una matriz (aij ) en Mpn (K) y una matriz (bki )
en Mqp (K), le asociamos una matriz de Mqn (K), llamada pro-
ducto de las matrices (bki ) y (aij ), denotada (bki ) (aij ) y definida
por
p
X
(bki ) (aij ) = ( bki aij )
i=1
El orden inverso (aij ) (bki ) en general no tiene sentido.
Esquema de la denicion:
a1j

..

a2j

.
bk1

bk2 bkp
.. = ckj
. ..

apj .
Representa la multiplicacion de la la k por la columna j y se obtiene

el lugar (k, j) de la matriz producto.
(g; C, D) (f ; B, C) = (g f ; B, D)
Es decir, el producto de las matrices de dos morsmos es la matriz de

la composicion de los morsmos.
Ejemplo
Consideremos nuevamente la aplicacion lineal

f : K 2 K 3 ; f (x, y) = (2x + y, 3y 3x, 2y 3x)
y las mismas bases ordenadas de las observaciones anteriores.
Ademas consideremos la aplicacion lineal
g : K 3 K 2 ; g(x, y, z) = (x y + 2z, x + 2y)
Consideremos D = {(1, 1), (1, 0)} una base ordenada del Codominio
de g y busquemos las matrices: (g; C, D) y (g f ; B, D)
Tenemos:
g(1, 1, 1) = (2, 1) = 1(1, 1) + 1(1, 0)
g(1, 1, 0) = (0, 1) = 1(1, 1) + 1(1, 0)
g(1, 0, 0) = (1, 1) = 1(1, 1) + 2(1, 0)
(g f )(x, y) = g(f (x, y)) = (x + 2y, 8x + 5y)
(g f )(1, 2) = (3, 2) = 2(1, 1) + 1(1, 0)
(g f )(1, 1) = (1, 3) = 3(1, 1) + 4(1, 0)
Luego tenemos

1 1
1 1 1

(g; C, D) = ; (f ; B, C) = 2 1

1 1 2

1 3
2 3

(g f ; B, D) =
1 4
umero 2 de la tercera matriz se obtiene de 1 1 + 1 2 + (1) 1, es
El n
decir la primera la de (g; C, D), por la primera columna de (f ; B, C).
Ademas
3 = 1 (1) + 1 1 + (1) 3
1 = 1 1 + (1) 2 + 2 1
4 = 1 (1) + (1) 1 + 2 3
no Algebra Lineal
4.5 Algunos tipos especiales de matrices

Proposici
on 4.5.1 (Mmn (K), +) es un grupo abeliano.
Demostraci
on
La suma es una ley de composicion interna. Esta suma es asociativa

y conmutativa.
El neutro para la suma es la matriz nula, es decir 0 = (aij ) con aij = 0;
i = 1, , m, j = 1, , n Toda matriz A = (aij ) tiene inversa
aditiva A = (aij )
on 4.5.2 (Mn (K), +, ) es un anillo con unidad.

Proposici
Demostraci
on
En efecto, el producto es asociativo y se distribuye con respecto a la

suma.
La unidad es la matriz identidad In = (aij ), donde aii = 1 y aij = 0 si
i 6= j.
Observaci
on
1 2 2 1

Sea A = yB= . Entonces
3 1 3 6
1 2 2 1 8 11

AB = =
3 1 3 6 3 9
2 1 1 2 1 5

BA= =
3 6 3 1 21 0
Nota
Se tiene entonces que el producto de matrices no es conmutativo.

Observaci
on
Consideremos las mismas dos matrices del ejemplo anterior y obser-

vamos lo siguiente.
1 2 1 2 7 0

2
A = =
3 1 3 1 0 7
2 1 2 1 1 8

B2 =
3 6 3 6 24 33
7 0 16 22 1 8 24 14

A2 + 2A B + B 2 = + + =
0 7 6 18 24 33 30 22
Por otra parte:
1 2 2 1 2 3 1 2

2
(A + B) = ( + ) = ) =
3 1 3 6 6 5
3 1 3 1 15 8

= )= )
6 5 6 5 48 31
Luego (A + B)2 6= A2 + 2AB + B 2
Esto ocurre pues (A + B)2 = (A + B) (A + B) = A2 + AB + BA + B 2 ,
y como vimos anteriormente: AB + BA 6= 2AB
on 4.5.1 Diremos que una matriz A Mn (K) es invertible

Definici
o regular, si existe una matriz B Mn (K), tal que AB = BA = In .
Diremos que es singular, en caso que no sea invertible.
Ejercicio
En el espacio de las matrices M2 (IR), determine el conjunto de todas

1 1

las matrices que conmutan con la matriz:
0 0
Soluci
on
a b 1 1 1 1 a b

=
c d 0 0 0 0 c d
no Algebra Lineal
a a a+c b+d

Luego =
c c 0 0
b+d b

Entonces a = b + d y c = 0. Luego { ; b, d IR}, es el
0 d
conjunto de todas las matrices que conmutan con la matriz A.
Ejercicio

1 a 1
Estudie para que valores de a, a IR, la matriz A = a 1 a

,
0 a 1
es invertible.
Soluci
on

1 a 1 1 a 1 1 a 1
L21 (a) L23 (a)
a 1 a 0 1 a2 0 0 1 a

0 a 1 0 a 1 0 a 1
1 0 1 a2

L12 (a) L32 (a)
0 1 a
2
0 0 1a
Luego la matriz A es invertible ssi a 6= 1, 1
on 4.5.2 Sea A Mn (K), A =

Definici 6 0. Diremos que A es un
divisor de cero, si existe B Mn (K), B =
6 0, tal que A B = 0
Ejemplo
0 2 0 3

Consideremos las matrices A = y .
0 0 0 0
0 0

Su producto es: A B = . Luego las matrices A y B, son
0 0
divisores de cero.
Observaci
on
0 1

Consideremos la matriz A = . Se tiene que A2 = 0. Diremos
0 0
que A es una matriz nilpotente de grado 2
on 4.5.3 Sea A Mn (K). Diremos que A es una matriz

Definici
nilpotente de grado m, si Am = 0 y At 6= 0 t < m
Ejemplo

0 0 0 0 0 0
2
Sea A = 1 0 0 . Entonces A = 0 0 0 y A3 = 0.

2 1 0 1 0 0
Luego A es una matriz nilpotente de grado 3.
on 4.5.4 Sea A Mn (K). Diremos que A es idempotente

Definici
2
si A = A
Ejemplo
1 0

Consideremos A = . Se tiene que A2 = A
0 0
on 4.5.5 Sea A Mn (K). Diremos que A es involutiva si

Definici
2
A = In
Ejemplo

0 1 1
Consideremos A = 4 3 4 . Se tiene que A2 = I3

3 3 4
Luego A es involutiva.
no Algebra Lineal
Ejercicio
Demuestre que si la matriz A es involutiva, entonces B = 12 (In + A) y

C = 21 (In A), son idempotentes y B C = 0
Proposici on 4.5.3 Para el producto de matrices no se cumple la ley

de cancelacion.
Contraejemplo
1 2 1 1 3 3

Sea A = ,B= yC= .
2 4 2 0 1 1
Se tiene A B = A C y B 6= C
Definici on 4.5.6 Sea A Mmn (K), A = (aij ), i = 1, , m; j =

1, , n. Diremos que B Mnm es la matriz transpuesta A si
B = (aji ), i = 1, , m; j = 1, , n. Notacion: B = At
Ejemplo

1 4
1 2 3

Sea A = . Entonces At =
2 5

4 5 6
3 6
Proposici
on 4.5.4 Sean A, B matrices. Entonces:
1. (A + B)t = At + B t
2. (A)t = At
3. (A B)t = B t At
Ejercicio
Sea A Mmn (K) y G Mn (K). Sea G = At A, entonces Gt = G

Soluci
on
Gt = (At A)t = At (At )t = At A = G
on 4.5.7 Sea A Mn (K). Diremos que:

Definici
etrica si At = A
1. A es una matriz sim
etrica si At = A
2. A es una matriz antisim
3. A es una matriz ortogonal si At = (A)1
Ejemplos
0 3 2 5 1 4

Son simetricas las matrices: , ,
3 2 5 1 4 0
0 3 0 1 0 5

Son antisimetricas las matrices: , ,
3 0 1 0 5 0
0 1 0 1 1 0

Son ortogonales las matrices: , ,
1 0 1 0 0 1
Lema
Sea A Mn (K), entonces A + At , es una matriz simetrica y A At ,

es una matriz antisimetrica.
Demostraci
on
En efecto, (A + At )t = At + (At )t = At + A. Luego A + At es simetrica.

Por otra parte: (A At )t = At (At )t = At A = (A At ). Luego
A At es antisimetrica.
Lema
Sea A Mn (K), entonces A = B+C, donde B es una matriz simetrica

y C es una matriz antisimetrica.
no Algebra Lineal
Demostraci
on
Sea B = 12 (A + At ) y C = 12 (A At ). Entonces B y C cumplen lo

pedido.
on 4.5.8 Sea A Mn (K). Entonces B = 12 (A + At ) y

Definici
1
C = 2 (A At ), ser
an llamadas la parte sim
etrica y la parte anti-
sim
etrica de A respectivamente.
Ejercicio
1 2

Sea A = M2 (IR). Busquemos su parte simetrica y su parte
3 4
antisimetrica.
Soluci
on
1 2 1 3

1 t 1
Su parte simetrica S es: S = 2
(A +A) = 2
( + )=
3 4 2 4
5
2 5 1

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

1 1
Su parte antisimetrica T es: T = 2
(AAt ) = 2
( )=
3 4 2 4
0 1 0 1

1
2
( )= 1 2
1 0 2
0
Se tiene que A = S + T
on 4.5.9 Sea A = (ai,j ) Mn (K). Llamaremos traza de

Definici
umero ni=1 aii , es decir, a la suma de los
A, denotada por T r(A), al n
P
elementos de la diagonal principal.
on 4.5.5 Sea A, B Mn (K). Entonces se tiene:

Proposici
1. T r( A) = T r(A)
2. T r(A + B) = T r(A) + T r(B)
3. T r(A B) = T r(B A)
4.6 Forma matricial de f (v) = w

Sean V y W dos K-espacios vectoriales.
Sea B = {v1 , v2 , ..., vn } una base de V y C = {w1 , w2 , ..., wm } una base
de W , ambas bases ordenadas.
Si v V , entonces
v = x1 v 1 + x2 v 2 + + x n v n
y
f (v) = y1 w1 + y2 w2 + + ym wm
Sea (f ; B, C) = (aij ), es decir
f (v1 ) = a11 w1 + a21 w2 + + am1 wm

f (v2 ) = a12 w1 + a22 w2 + + am2 wm

........................................

f (vn ) = a1n w1 + a2n w2 + + amn wm

Luego
f (v) = f (x1 v1 + + xn vn )
= x1 f (v1 ) + + xn f (vn )
= x1 (a11 w1 + + am1 wm ) + + xn (a1n w1 + + amn wm )
= (x1 a11 + + xn a1n )w1 + + (x1 am1 + + xn amn )wm
Luego por la unicidad de las componentes de la base:
y1 = x1 a11 + x2 a12 + + xn a1n

y2 = x1 a21 + x2 a22 + + xn a2n

.....................................

ym = x1 am1 + x2 am2 + + xn amn

De donde

a11 a12 a1n

x1

y1
a21 a22 a2n x2 y2

.. = .

..

...................

.
am1 am2 amn xn ym
no Algebra Lineal
Es decir,

v f (v)
(f ; B, C)
seg
u n
=
segun

B C
Ejemplo
Sea f : K2 [X] K 2 ; f (a+bX +cX 2 ) = (a+5b, 4b+c). Consideremos

las bases B = {1, 1 + X, 1 + X + X 2 } y C = {(1, 1), (1, 0)} de K2 [X]
y K 2 , respectivamente.
Veamos cual es la imagen del vector v = 9 + 2X + 5X 2 . Comencemos
por buscar (f ; B, C)
f (1) = (1, 0) = 0(1, 1) + 1(1, 0)

f (1 + X) = (6, 4) = 4(1, 1) + 2(1, 0)
f (1 + X + X 2 ) = (6, 5) = 5(1, 1) + 1(1, 0)
Escribamos v seg
un la base B
9 + 2X + 5X 2 = 7 1 + 3(1 + X) + 5(1 + X + X 2 )
Multiplicando las dos matrices asociadas tenemos

7
0 4 5 13

3 =

1 2 1 6
5
es decir,
f (9 + 2X + 5X 2 ) = 13(1, 1) + 6(1, 0) = (19, 13)
Resultado que se puede comprobar aplicando directamente la denicion

de f .
4.7 Forma matricial de un sistema de ec.

lineales
El sistema de ecuaciones lineales de m ecuaciones y n incognitas si-
guiente:
11 x1 + 12 x2 + + 1n xn = 1

21 x1 + 22 x2 + + 2n xn = 2

......................................

m1 x1 + m2 x2 + + mn xn = m

Puede ser representado matricialmente, de la manera siguiente:

11 12 1n

x1

1
21 22 2n x2 2

.. = .

..

....................

.
m1 m2 mn xn m
Es decir, en la forma: A X = B

x1

1
x2 2

donde A es la matriz de los coecientes, X = .. y B = ..

. .

xn m
4.8 Isomorfismos y matrices invertibles

Sabemos que todo isomorsmo es invertible. Es natural preguntarse si
su aplicacion inversa es lineal. Cierto? He aqu la respuesta.
Lema
Sea f : V W un isomorsmo, entonces f 1 : W V es lineal.
Demostraci
on
Dados w1 , w2 W , existen v1 , v2 u
nicos tales que f (v1 ) = w1 y
no Algebra Lineal
f (v2 ) = w2
Tenemos que
f 1 (w1 ) + f 1 (w2 ) = v1 + v2 (1)
Pero f (v1 + v2 ) = f (v1 ) + f (v2 ) = w1 + w2 , luego
f 1 (w1 + w2 ) = v1 + v2 (2)
De (1) y (2), obtenemos que f 1 (w1 + w2 ) = f 1 (w1 ) + f 1 (w2 )

Ademas f (v1 ) = f (v1 ) = w1 , luego
f 1 (w1 ) = v1 = f 1 (w1 )
Proposicion 4.8.1 Sea f : V W un isomorfismo. Sean B y C

bases ordenadas de V y W respectivamente. Entonces
(f ; B, C)1 = (f 1 ; C, B)
En palabras: la inversa de la matriz de una aplicacion lineal invertible,

es la matriz de la aplicacion lineal inversa.
Demostraci
on
Tenemos que f 1 f = IdV .

Luego I = (IdV ; B, B) = (f 1 f ; B, B) = (f 1 ; C, B)(f ; B, C)
Luego (f ; B, C)1 = (f 1 ; C, B)
Proceso para encontrar la matriz inversa
Hay un metodo genial para encontrar la matriz inversa de una matriz.

Es tan interesante, pues solo utiliza las operaciones elementales.
Comenzaremos por observar que a cada operacion elemental efectuada

en las lneas de una matriz, le corresponde una multiplicacion por una
matriz especial.
Veamos cada uno de estos tipos de operaciones en un ejemplo.
Observaci
on
Multipliquemos por 3 la primera la de la matriz A siguiente:

1 2 1 3 6 3
L1 (3)
3 7 2 3 7 2

2 1 1 2 1 1
Esta u
ltima matriz la obtenemos del producto:

3 0 0 1 2 1 3 6 3
0 1 0 3 7 2 = 3 7 2

0 0 1 2 1 1 2 1 1
Lema
Multiplicar por la la i de una matriz A, corresponde a multiplicar

a la izquierda de A, por la matriz obtenida de la matriz identidad,
cambiando el 1 de la i-esima la por .
Observaci
on
Permutemos la primera y la tercera la de la matriz A siguiente:

1 2 1 2 1 1
L13

3 7 2 3 7 2

2 1 1 1 2 1
Esta u
no Algebra Lineal

0 0 1 1 2 1 2 1 1
0 1 0 3 7 2 = 3 7 2

1 0 0 2 1 1 1 2 1
Lema
Permutar la i-esima la de una matriz A, por la j-esima la de la

misma matriz, corresponde a multiplicar a la izquierda de A por la
matriz obtenida de la matriz identidad permutando la i-esima la por
la j-esima la.
Observaci
on
A la tercera la de la matriz A, le vamos a sumar (2) veces la primera

la.

1 2 1 1 2 1
L31 (2)

3 7 2 3 7 2

2 1 1 0 3 1
Esta u

1 0 0 1 2 1 1 2 1

0 1 0

3 7 2
=
3 7 2

2 0 1 2 1 1 0 3 1
Lema
A la i-esima la de la matriz A, sumarle veces la j-esima la de

la misma matriz, corresponde multiplicar a la izquierda de A, por la
matriz obtenida de la matriz identidad, cambiando el elemento del
lugar (i, j) por
Definici on 4.8.1 Diremos que una matriz es una matriz elemen-

tal, si es obtenida de la matriz identidad, a traves de una y s
olo una
operaci
on elemental.
Teorema 4.8.2 Una matriz A puede ser reducida a la matriz identi-

dad, por una sucesion finita de operaciones elementales en las lneas,
si y s
olo si A es invertible. Se tiene que la matriz inversa de A, es
obtenida a partir de la matriz identidad, a la cual se le aplica la misma
sucesi
on de operaciones en las lneas.
Demostraci
on
Es una sucesion de aplicaciones de los lemas anteriores.
Conclusi
on
En la practica operamos simultaneamente con la matriz dada y la

matriz identidad, a traves de operaciones elementales, hasta llegar a
la identidad en el lugar que estaba A. La matriz obtenida en el lugar
correspondiente a la matriz identidad, es la matriz inversa de A.
Esquematicamente tenemos:
(A|I) (I|A1 )
Ejemplo
Busquemos la matriz inversa de
1 2

A=
1 4
no Algebra Lineal
Soluci
on
! !
1 2 1 0 L21 (1) 1 2 1 0
1 4 0 1 0 2 1 1
! !
L12 (1) 1 0 2 1 L2 ( 12 ) 1 0 2 1
0 2 1 1 0 1 21 12
Luego
!
1 2 1
A =
21 21
4.9 Automorfismo y matriz de cambio de

base
Introducci
on
Consideremos el espacio vectorial K 2 sobre K y dos bases ordenadas

B = {(1, 1), (1, 0)} y C = {(1, 1), (0, 1)}. Supongamos que tenemos
una gran cantidad de vectores descompuestos seg un la base B y nece-
sitamos sus componentes seg un la base C.
Por ejemplo, el vector u = (1, 2) se descompone seg un la base B
en (1, 2) = 2(1, 1) + (1)(1, 0) y su descomposicion en la base C es
(1, 2) = 1(1, 1) + 3(0, 1).
Otro ejemplo sera v = (7, 2) que tiene componentes 2 y 5 seg
un la
base B y 7 y 9 segun la base C.
Buscamos un metodo practico para obtener las componentes de los
vectores con respecto a la base C, conociendo las componentes seg
un
la base B.
El enunciado de este problema en forma general es el siguiente
Problema
Sea V un K-espacio vectorial. Consideremos dos bases de V , B =

{v1 , v2 , ..., vn } y C = {u1 , u2 , ..., un }. Conociendo las componentes
{y1 , y2 , ..., yn } del vector v V en una base C, determinar las compo-
nentes {x1 , x2 , ..., xn } de este mismo vector v en una base B.
Soluci
on
Existe un unico endomorsmo f de V que enva la base B en la base

C, es decir, tal que f (v1 ) = u1 , f (v2 ) = u2 , ..., f (vn ) = un . Puesto que
lleva una base en otra, f es biyectiva, es decir, f es un automorsmo.
En lenguaje de matrices: toda representacion matricial de f es inver-
tible, sea cual sea la base elegida en el dominio o en el codominio.
Sea n
X
u1 = f (v1 ) = i1 vi

i=1

Xn

u2 = f (v2 ) = i2 vi

i=1

.....................

n

X
un = f (vn ) = in vi

i=1
La matriz P = (ij ) es la matriz de f con respecto a la base B en el

dominio y en el co-dominio, es decir, P = (ij ) = (f ; B, B), pero esta
matriz a su vez exhibe la descomposicion de cada elemento de la base
C con respecto a la base B.
Sigamos resolviendo este problema.
Sea v V , v = x1 v1 + x2 v2 + ... + xn vn .
Por otra parte:
v = y 1 u1 + y 2 u2 + + y n u n
n
X n
X n
X
= y1 i1 vi + y2 i2 vi + + yn in vi
i=1 i=1 i=1
= (y1 11 + + yn 1n )v1 + + (y1 n1 + + yn nn )vn
no Algebra Lineal
Luego
x1 = 11 y1 + 12 y2 + ... + 1n yn

x2 = 21 y1 + 22 y2 + ... + 2n yn

..................................

xn = n1 y1 + n2 y2 + ... + nn yn

Sea
x1 y1

x y
2 2
X= ; Y = ; X = PY ; Y = P 1 X

xn yn
x1 11 12 1n y1

x
2 21 22 2n y
2
=

....................

xn m1 m2 mn yn
(v seg
un B) = (C seg
un B) (v seg
un C)
Definici
on 4.9.1 La matriz P = (ij ) es llamada matriz de cam-
bio de base, de la base C a la base B.
Nota
Puesto que P es una matriz de un automorsmo, es invertible y su

matriz inversa P 1 es la matriz que exhibe la descomposicion de la
base B seg
un la base C
Ejemplo
En IR2 consideremos las bases B = {(1, 2), (1, 0)} y la base B =

{(1, 1), (0, 1)}. Descompongamos las base B con respecto a la base B .
Tenemos
(1, 2) = 1(1, 1) + 1(0, 1)

(1, 0) = 1(1, 1) + (1)(0, 1)
1 1

Luego (B seg
un B ) =
1 1
Esta matriz nos permite efectuar el cambio de base de B a B . Por
ejemplo si consideramos el vector v = (2, 6), con respecto a la base
B tenemos que sus componentes con respecto a dicha base son 3 y
5 pues v = 3(1, 2) + (5)(1, 0). Para obtener las componentes de v
con respecto a la base B basta realizar la siguiente multiplicacion de
matrices:
1 1 3 2

=
1 1 5 8
4.10 Un morfismo cualquiera y matrices

equivalentes
Problema
Tenemos un morsmo f : V W expresado por una matriz M , con
respecto a las bases B y C. Queremos expresarlo con respecto a otras
bases B y C .
Tambien nos interesa estudiar la relacion que hay entre estas dos ma-
trices y en general, entre todas las matrices asociadas a este morsmo.
Cambio de base de un morfismo
Sea f : V W un morsmo. Sean B y B dos bases de V y C y C

dos bases de W .
Se tiene M = (f ; B, C) y se necesita M = (f ; B , C )
Sean P : B seg
un B; Q: C seg
un C; Q1 : C seg
un C
x1 y1

x y
2 2
X= v seg
un B; Y = f (v) seg
un C;

xn ym
no Algebra Lineal
x1 y1

x y
X =
2

un B ;
v seg Y =
2

un C
f (v) seg

xn
ym
Se tiene (1): Y = M X; (2): Y = M X (3): X = P X (4): Y = QY
Reemplazando (3) y (4) en (1) se tiene: QY = M P X de donde,
multiplicando por Q1 se obtiene (5): Y = Q1 M P X . Comparando
(5) y (2) tenemos:
M = Q1 M P
Es decir,
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Entonces, de una matriz se puede llegar a la otra a traves de la mul-

tiplicacion por las matrices de cambio de base respectivas. Notese que
estas matrices son invertibles.
Ejemplo
Sea f : IR2 IR3 ; talque f (x, y) = (x + y, 2x, 3y). Consideremos

las bases B = {(1, 2), (1, 0)} y B = {(1, 1), (0, 1)} de IR2 y las bases
C = {(1, 0, 0), (0, 1, 0), (1, 1, 1)} y C = {(0, 10), (1, 1, 0), (0, 0, 1)} de
IR3
Primero encontraremos la matriz que exhibe las componentes de la
base B seg
un la base B. En efecto tenemos:
(1, 1) = 12 (1, 2) + 12 (1, 0)

(0, 1) = 21 (1, 2) 12 (1, 0)
1 1
2 2
Es decir, (B seg
un B) = 1
2
12
Ahora busquemos la matriz de f con respecto a las bases B y C:
f (1, 2) = (3, 2, 6) = 3(1, 0, 0) 4(0, 1, 0) + 6(1, 1, 1)

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

3 1
Luego tenemos la matriz (f ; B, C) = 4 2

6 0
Nos falta por encontrar la matriz de cambio de base de C a C :
(1, 0, 0) = 1(0, 1, 0) + 1(1, 1, 0) + 0(0, 0, 1)

(0, 1, 0) = 1(0, 1, 0) + 0(1, 1, 0) + 0(0, 0, 1)
(1, 1, 1) = 0(0, 1, 0) + 1(1, 1, 0) + 1(0, 0, 1)

1 1 0

Luego (C un C ) = 1 0 1
seg

0 0 1
Por otra parte, debemos determinar la matriz (f ; B , C ). En efecto
f (1, 1) = (2, 2, 3) = 0(0, 1, 0) + 2(1, 1, 0) + 3(0, 0, 1)

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

0 1
Por lo tanto la matriz (f ; B , C ) =
2 1

3 3
Luego se tiene la siguiente igualdad:

0 1 1 1 0 3 1 1 1
2

1 = 1 0 1 4 2 21
2
2
12
3 3 0 0 1 6 0
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Lo anterior nos lleva a dar una nueva denicion en el espacio de las
matrices. Diremos que estas matrices son equivalentes, pero, daremos
una denicion mas general que esta.
on 4.10.1 Se dice que una matriz M Mmn (K) es equi-

Definici
valente a una matriz M Mmn (K), si existe una matriz invertible
P Mn (K) y una matriz invertible Q Mm (K), tales que:
M = Q1 M P
no Algebra Lineal
En el caso particular M Mn (K), diremos que M es semejante a

una matriz M Mn (K), si existe una matriz invertible P Mn (K)
tal que:
M = P 1 M P
Esto ocurre, si tomamos V = W , B = C y B = C .
Observaci
on
Ser equivalente a y ser semejante a son relaciones de equivalencia.
Observaci
on
Sea f un endomorsmo en V , es decir f : V V lineal. Entonces

todas las matrices asociadas a f son semejantes entre ellas, es decir,
cada vez que cambiamos las bases, obtenemos una matriz semejante
a la anterior.

Ejercicio
Sean V y W dos K-espacios vectoriales. Sea f : V W con dimV =

dimW = 3. Estudiemos los valores de para los cuales f es un
isomorsmo, donde

2 1 2 8
(f ; B) = 1 6

0 ; con B una base dada
2 5 2 8
Soluci
on
f es un isomorsmo si y solo si (f ; B) es una matriz invertible si y

solo si su matriz escalonada es la identidad. Tenemos:

2 1 2 8 1 0 0
L31 (1)
1 6 0 0 1 0

2 5 2 8 0 0 1

2 1 2 8 1 0 0
L3 ( 14 )
1 6 0 0 1 0

0 4 0 1 0 1

2 1 2 8 1 0 0
1 6 0 0 1 0

1 1
0 1 0 4 0 4

3
1 23

1 0 0
2
0 1

0
14 0 14 ()
7 11
0 0 + 4 1 8

8
Caso 4 = 0 ssi = 4
1 0 0 32 1 23

1 1
0 1 0 4 0

4
0 0 0 8 1 11
7
8
Luego la matriz A4 no es invertible y el monomorsmo f4 no es un

isomorsmo.
Caso 4 6= 0 ssi 6= 4
Reemplazando en (*)
3
23

1

1 0 0 2
0 1 0

14 0 1
4

7 1 11
0 0 1 8(+4)

8(+4) +4
En este caso:
3
1 32

2
A =
41 0 1
4

7 1 11
8(+4) +4
8(+4)
Esta matriz A es invertible, luego f es un isomorsmo, para 6= 4

no Algebra Lineal
Ejercicio
1 1

Sea f : K 2 K 2 . Dada la matriz (f ; B, C) = ; De-
2 1
terminemos f (x, y) y f 1 (x, y), donde B = {(1, 2), (2, 0)} y C =
{(1, 1), (0, 3)}
Soluci
on
Comencemos por escribir (x, y) en funcion de B. Tenemos:
2xy
(x, y) = y2 (1, 2) + 4
(2, 0)
f (1, 2) = 1(1, 1) + 2(0, 3) = (1, 7)

f (2, 0) = 1(1, 1) + 1(0, 3) = (1, 2)
De donde
f (x, y) = y2 f (1, 2) + ( 2xy

4
)f (2, 0) = y2 (1, 7) + ( 2xy
4
)(1, 2)
Luego
x y
f (x, y) = ( + , x + 4y)
2 4
Busquemos (f ; C, B) = (f ; B, C)1
1
! !
1 1
1 1 1 0 1 0

3
2
3
2 1 0 1 0 1 13

3

1
f 1 (1, 1) = 3
(1, 2) + 32 (2, 0) = ( 53 , 32 )
1
f 1 (0, 3) = 3
(1, 2) 31 (2, 0) = ( 13 , 32 )
f 1 (x, y) = xf 1 (1, 1) + ( x+y

3
)f 1 (0, 3) = x( 53 , 32 ) + ( x+y
3
)( 13 , 32 )
Luego
f 1 (x, y) = ( 16
9
x 19 y, 49 x + 29 y)
Ejercicio
Determinemos, si existen, las matrices en Mn (K) que son simetricas

y antisimetricas a la vez.
Soluci
on
Sea A = (aij ) Mn (K). Recordemos que A es simetrica ssi aij = aji

y que A es antisimetrica ssi aij = aji Como A es simetrica y anti-
simetrica a la vez, entonces se tiene que aii = aii , luego la diagonal
consta de ceros.
Ademas aji = aji , luego aji = 0, i, j {1, 2, ..., n}. Luego la matriz
nula es la u
nica matriz que es simetrica y antisimetrica a la vez.
Ejercicio
En M2 (K), determinemos las matrices A2 , A3 , A4 , ..., An , n IN, donde

1 0

A=
0 1
Soluci
on
(a) Caso n par

1 0 1 0 1 0

Sea n = 2; A2 = = =I
0 1 0 1 0 1
Hipotesis de induccion: A2n = I. Por demostrar A2n+2 = I
En efecto, A2n+2 = A2n A2 = I I = I. Luego A2n = I, n IN
(b) Caso n impar n = 1 : A1 = A,
Hipotesis de induccion A2n+1 = A. Por demostrar A2n+3 = A
A2n+3 = A2n+1 A2 = A I = A. Luego A2n+1 = A, n IN
no Algebra Lineal
Ejercicio
1 1

Determinemos A2 , A3 , A4 , ..., An , n IN, donde A =
1 1
Soluci
on
1 1 1 1 2 2

A2 = =
1 1 1 1 2 2
2 2 1 1 4 4 22 22

3 2
A =A A= = =
2 2 1 1 4 4 22 22
Luego pienso
Hipotesis de induccion
2n1 2n1

An =
2n1 2n1
2n 2n

Por demostrar An+1 =
2n 2n
En efecto:
2n1 2n1 1 1

n+1 n
A =A A= =
2n1 2n1 1 1
2n1 + 2n1 2n1 + 2n1 2 2n1 2 2n1 2n 2n

= =
2n1 + 2n1 2n1 + 2n1 2 2n1 2 2n1 2n 2n
Luego
2n1 2n1

n
A = n IN
2n1 2n1
Ejercicio
Sea V un K-espacio vectorial. Sea B = {v1 , v2 , ..., vn } una base de V .

Sea f un endomorsmo de V denido por
(
0 si k = 1
f (vk ) =
v1 + v2 + + vk1 si k > 1
Encontremos A = (f ; B), A2 , A3 , A4 y hagamos una hipotesis sobre el

umero m tal que Am = 0
menor n
Soluci
on
Tenemos que

f (v1 ) = 0 = 0v1 + 0v2 + 0v3 + + 0vn

f (v2 ) = v1 = 1v1 + 0v2 + 0v3 + + 0vn

f (v3 ) = v1 + v2 = 1v1 + 1v2 + 0v3 + + 0vn
...........................................................

f (vn ) = v1 + v2 + + vn1 = 1v1 + 1v2 + + 1vn1 + 0vn

0 1 1 1 1 1

0 0 1 1 1 1

0 0 0 1 1 1

Luego (f ; B, B) =

.....................

0 0 0 0 0 1

0 0 0 0 0 0
!
0 1
Para n = 2, tenemos A = y A2 = 0
0 0

0 1 1
y A3 = 0
Para n = 3, tenemos A = 0 0 1

0 0 0
umero entero tal que Am = 0 es m = n, con
Hipotesis: el menor n
A Mn (K)
Demuestre, por induccion, tal armacion
no Algebra Lineal
Ejercicio
Sean A, B Mn (K). Recordando que B es idempotente ssi B 2 = B.

Demuestre
1. B es idempotente ssi I B es idempotente.
2. Si B 2 B + I = 0 entonces B es invertible.
3. Si BA = AB, entonces (A + B)2 = A2 + 2AB + B 2
Soluci
on
1. Supongamos que B es idempotente. Entonces

(I B)2 = (I B)(I B) = I 2 IB BI +B 2 = I 2 2B +B 2 =
I 2 2B + B = I B, luego I B es idempotente.
Supongamos que I B es idempotente. Entonces:
(I B)2 = I B = I 2 IB BI + B 2 = I B
= I 2B + B 2 = I B
= B2 B = 0
= B2 = B
Es decir B es idempotente.
2. B 2 B + I = 0 = B B 2 = I = B(I B) = I. Luego B 1
existe y B 1 = I B
3. Supongamos que BA = AB. Luego
(A+B)2 = (A+B)(A+B) = A2 +AB+BA+B 2 = A2 +2AB+B 2
Ejercicio
1 2

En M2 (K), consideremos A = . Busquemos A1 y escribamos
3 4
esta u
ltima como el producto de matrices elementales.
Soluci
on
! !
1 2 1 0 L21 (3) 1 2 1 0
L2 ( 1
2
)
3 4 0 1 0 2 3 1

! !
1 2 1 0 L12 (2) 1 0 2 1
0 1 23 1
0 1 32 1

2 2
Luego
!
1 2 1
A = 3 1
2 2
Escribamosla como producto de matrices elementales.

! ! !
1 2 1 2 1 0
=
0 1 0 1 0 1
! ! ! !
1 2 1 0 1 2 1 0
1 =
0 1 0 2
0 2 0 1
! ! ! ! !
1 2 1 0 1 0 1 2 1 0
1 =
0 1 0 2
3 1 3 4 0 1
Luego
! ! !
1 1 2 1 0 1 0
A = 1
0 1 0 2
3 1
A1 quedo escrita como producto de 3 matrices elementales.
Ejercicio

1 2 2
Sea A = 0

1 2 . Descompongamos A en una suma conveniente
0 0 1
de matrices y utilicemos el binomio de Newton para encontrar A50
Soluci
on
Observemos que A puede escribirse como:

no Algebra Lineal

1 0 0 0 2 2 0 2 2
A = 0 1 0 + 0 0 2 = I + B, donde B = 0 0 2

0 0 1 0 0 0 0 0 0

0 2 2 0 2 2 0 0 4
B2 =
0 0 20 0 2 = 0 0 0

0 0 0 0 0 0 0 0 0

0 0 4 0 2 2 0 0 0
3
B = 0 0 0 0 0 2 = 0 0 0

0 0 0 0 0 0 0 0 0
Recordemos que A es nilpotente de grado n ssi n es el menor entero
tal que An = 0
Luego B 3 = 0. Ademas todas las potencias de B conmutan con las
potencias de I, es decir, con I, luego es aplicable a esta situacion el
Teorema del Binomio de Newton
A50 = (I + B)50
50 500 0 50 501 1 50 5050 50

= I B + I B + + I B
0 1 50
Luego
50 50 50

50
A = B0 + B1 + B2
0 1 2
0 2 2 0 0 4
0 0 2 + 1.225 0 0 0
= I + 50
0 0 0 0 0 0
Luego
1 100 5.000
A50 0
= 1 100
0 0 1
Ejercicio
Sea r : K 2 K 2 la rotacion en un angulo , tal que cuya matriz

asociada es
22 2
!
A = (r ; C, C) = 2 ,
22 22
donde C es la base canonica de K 2 .

Busquemos A63 y A1
Soluci
on
cos sin 63
63
cos 5 sin 5

63 4 4
A = = 5
sin cos sin 4 cos!5
4
cos 635 sin 635 22 22

= 4 4 =
635
sin 4 cos 635
4
2
22
2

Utilizamos que cos 635
4
= cos 315
4
= cos (398+3)
4
= cos 3
4
= 2
2
Idem para sin 635

4

1. Sea f : K 3 K 2 . Encuentre la matriz asociada a f seg un las
3
bases B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} de K y C = {(1, 0)(1, 1)}
de K 2 , en los siguientes casos:
(a) f (x, y, z) = (x + 2y, x)

(b) f (x, y, z) = (3z, x y)
2. Sea f un endomorsmo de K 2 , cuya matriz con

respecto a la
7 0

base B = {(1, 1), (1, 1)} es (f ; B, B) = . Determine la
0 2
matriz de f con respecto a la base canonica de K 2 .
3. Sean f, g : K 2 K 3 . Sabiendo que f (x, y) = (3x, x + y, y) y

que la de f +g con respecto a las bases canonicas de K 2 y
matriz
2 1
K 3 es
0 1 . Determine g(x, y) y la matriz de g con respecto

3 3
a esas bases.
no Algebra Lineal
4. Sea f : K 2 K 2 y g : K 2 K 2 dos aplicaciones lineales tal

1 3

que g(x, y) = (x + 2y, 3y) y tal que (f ; B, C) = donde
2 4
C = {(1, 1), (0, 1)} y D = {(1, 1), (1, 0)}
(a) Encuentre (g; C, D) y (g f ; B, D)

(b) Sabiendo que las componentes de v IR3 , seg un la base B,
son -1 y 2, encuentre las componentes de f (v) seg
un la base
C

1 2 1 2 1 1
2 1 1 y AB 1 = 1 1 1 . Determine B 2
5. Si AB =
1 1 1 1 0 1
6. Determine todas las matrices cuadradas de orden 3 que conmu-

tan con la matriz

a 1 0
0 a 1

0 0 a
7. Para cada n
umero real , considere la matriz
cos sen

M =
sen cos
(a) Demuestre que M M = M+

(b) Calcule M
8. Estudie para que valores de la siguiente familia de matrices,

M ,

1 0
M = 1 1 + 2 3

1 2 3
es invertible. En caso que sea invertible busque su inversa.
9. Sea A Mn (K) tal que A2 2A 3I = 0. Busque A1
10. Busque todas las matrices A M2 (K) tal que A2 = I

11.
Determine
si es posible x, y IR, de manera que la matriz
2 x
sea ortogonal.
y 2
12. Demuestre que el producto de dos matrices ortogonales es ortog-
onal.
13. Sea V = Mn (K). Estudie cuales de los siguientes subconjuntos

de V , son subespacios vectoriales de V .
(a) S = {A V ; A es invertible}
(b) T = {A V ; AB = BA, B una matriz ja}
(c) U = {A V ; A es idempotente}
(d) W = {A V ; A es simetrica}
(e) X = {A V ; A es antisimetrica}
(f) Y = {A V ; A es ortogonal}
Captulo 5
Determinantes
5.1 Determinantes de matrices de M2(K)

Nos interesa que comiences por saber que la palabra determinante se
reere a un n umero que determina cuando un sistema de ecuaciones
lineales tiene solucion.
Comencemos por un sistema de ecuaciones lineales de 2 ecuaciones
linealmente independientes y 2 incognitas.
Motivaci
on
Consideremos el sistema de ecuaciones lineales l.i. siguiente:

)
(1) : ax + by =
(2) : cx + dy =
Hagamos las operaciones siguientes: d(1)b(2): adxbcx = db

Luego: (ad bc)x = d b
Si ad bc = 0 y d = 0, entonces el sistema es l.d.
Si ad bc = 0 y d b 6= 0, entonces no existe solucion para el
sistema.
219
no Algebra Lineal
db
Si (ad bc) 6= 0, entonces x = adbc
.
Hagamos ahora las operaciones siguientes c (1) a (2): (bc ad)y =
c a O bien (ad bc)y = a c
ac
Si ad bc 6= 0, tenemos y = adbc
Tenemos entonces que el sistema tiene solucion si y solo si ad bc 6= 0.

Luego la cantidad ad bc determina si el sistema tiene solucion.
El sistema puede ser escrito en la forma matricial siguiente:
a b x

=
c d y
Con respecto a la matriz de los coecientes tenemos la notacion si-

guiente:

a b
Notacion =: ad bc

c d

b a

d c

Entonces x = ;y=
a b a b

c d c d

a b

Definici
on 5.1.1 Sea A = una matriz con sus elementos en
c d
un cuerpo K. El determinante de A, denotado |A|, es el n
umero de
K,

a b
=: ad bc

c d

Ejemplos

1 2 2 4
= 4 6, =44

3 4 1 2

Captulo 5. Determinantes 221
Nota
a b

Sea A = , A1 = ( a b ), A2 = ( c d ). Podemos escribir
c d
A1

D(A), det(A) o bien D . Es decir, podemos considerar el deter-
A2
minante como funcion de la matriz A o como una funcion de las las
de la matriz A.
Propiedades(1) y (2)

a + a b + b a b a b
1. = +

c d c d c d

ta tb a b
2. =t

c d c d

Las mismas propiedades para la segunda la.

La demostracion es trivial. Sigue de la denicion.
Ejemplo

2 6 1 3
=22 = 4 (5 6) = 4

4 10 2 5

Ejercicio

2 6
Calculemos el valor de

3 9

Soluci
on

2 6 1 3
=23 = 2 3 (3 3) = 0

3 9 1 3

no Algebra Lineal
Observaci
on

a + a b + b a b a b
= + =

c + c d + d c + c d + d c + c d + d

a b a b a b a b
= +

+

+

c d c d c d c d

Propiedad (3)
Si dos las son iguales, entonces el determinante de la matriz es nulo.
Demostraci
on

a b
= ab ab = 0

a b

Propiedad (4)
El determinante de la matriz identidad es 1, es decir,

1 0
=1

0 1

Propiedad (5)
Si se suma un m
ultiplo de una la a la otra la, el valor del determi-
nante no cambia, es decir,

a + tc b + td a b
=

c d c d

Lo mismo ocurre para la segunda la.

Ejercicio

71 72 L (1) 71 72
21
=

74 75 = 3 3

71 72
= 3 = 3(71 72) = 3
1 1
Propiedad(6)
Si se intercambian las dos las, entonces el determinante cambia de

signo, es decir,

a b c d
=

c d a b

Propiedad(7)
t
a b a b

Det = Det
c d c d
Demostraci
on
t
a c

a b

a b

Det = = ad bc =

c d b d c d

Propiedad(8)
Los vectores ( a b ) y ( c d ) son linealmente dependientes si y solo

a b

si el Det es nulo.
c d
no Algebra Lineal
Demostraci
on
Sea ( a b ) = ( c d ). Luego

a b c d c d
= = =0=0

c d c d c d

Recprocamente tenemos

a b
Si = 0, entonces ad bc = 0, es decir, ad = bc.

c d
b
Supongamos c 6= 0 y d 6= 0, luego a = d
c. Luego
b
( a b ) = ( db c b dd ) = ( db c b
d
d) = (c d)
d
Luego son linealmente dependientes.
Supongamos d = 0. Luego b = 0 o c = 0.
i) Si b = 0 y c 6= 0, entonces ( a b ) = ( a 0 ) = ac ( c 0 ) =
a
c
( c d ). Luego el vector ( a b ) es linealmente dependiente con
el vector ( c d )
ii) Si b 6= 0 y c = 0, entonces
{( a b ) , ( c d )} = {( a b ) , ( 0 0 )}
el cual es un conjunto l.d. por tener el ~0.
Ejemplo

2 5
=0

6 15

Propiedad(9)
Todas las propiedades anteriores son validas para las columnas.

Propiedad(10)
Det(A B) = (DetA) (DetB)
Demostraci
on
La demostracion de esta proposicion es un simple calculo.
5.2 Determinantes de matrices de M3(K)

Motivaci
on
Consideremos el sistema de ecuaciones lineales siguiente:

(1) : ax + by + cz =
(2) : dx + ey + f z =
(3) : gx + hy + iz =

Hagamos las operaciones siguientes:

(ei-hf)(1)+(ch-ib)(2)+(bf-ec)(3):

(aei ahf )x + (bei bhf )y + (cei chf )z = ei hf

(dch dib)x + (ech eib)y + (f ch f ib)z = ch ib
(gbf gec)x + (hbf hec)y + (ibf iec)z = bf ec

Sumando las tres ecuaciones, tenemos:

[a(eihf )+d(chib)+g(bf ec)]x = (eihf )+(chib)+(bf ec)
Observemos que el n
umero que multiplica a x se puede escribir como
sigue:

e f b c b c
a d +g

h i h i e f

no Algebra Lineal
Este tiene solucion ssi el coeciente que acompa na a x es distinto de

0. Luego determina si el sistema tiene o no solucion, de ah su nombre.
En forma matricial el sistema se escribe como sigue:

a b c x
d e f y =

g h i z
diremos que el determinante de la matriz de los coecientes, denotado:

a b c

d e f

g h i

desarrollado por subdeterminante por la primera columna es:

e f b c b c
a d +g

h i h i e f

Los determinantes que acompa nan a las letras a, d y g son llamados

subdeterminantes de a, d y g. Estos determinantes se obtienen de la
matriz inicial quitando la la y la columna del elemento respectivo.
Definici
on 5.2.1 Sea

a11 a12 a13
A = a21

a22 a23

a31 a32 a33
Se define su determinante de acuerdo con la formula conocida como
desarrollo por la primera fila.

a a23 a a23 a a22
Det(A) = a11 22 21
a12
21
+ a13

a32 a33 a31 a33 a31 a32

Definicion 5.2.2 Llamamos subdeterminante de aij , denotado S(aij )

al determinante obtenido de A al eliminar la fila i y la columna j.
Utilizando esta notacion, tenemos:

Det(A) = a11 S(a11 ) a12 S(a12 ) + a13 S(a13 )
Ejemplo

1 2 1
1
Sea A = 1 1
. Calculemos el determinante de A.
1 3 5

1 2 1
1 1 1 1 1 1
1

1 1 = 1

2

+ 1

= 8

3 5 1 5 1 3
1 3 5

Nota
El determinante de una matriz de 3 3 se puede escribir como

A1
A2 ,
D(A) = Det(A) = Det
A3
que para mayor comodidad lo denotaremos D(A1 , A2 , A3 ), es decir, el

determinante en funcion de las las.
Este mismo numero puede ser obtenido a partir de la segunda la,
llamado desarrollo del determinante por la segunda la y este es:
Det(A) = a21 S(a21 ) + a22 S(a22 ) a23 S(a23 )
Tambien se puede obtener este mismo n umero, haciendo el desarrollo

por la tercera la de la manera siguiente:
Det(A) = a31 S(a31 ) a32 S(a32 ) + a33 S(a33 )
Tambien por la primera columna:
Det(A) = a11 S(a11 ) a21 S(a21 ) + a31 S(a31 )
Idem para la segunda y tercera columna.

La segunda columna comienza con signo negativo y la tercera columna
con signo positivo.
no Algebra Lineal
Los determinantes de las matrices de 3 3 tienen las mismas 10

propiedades de los determinantes de 2 2
Con respecto a la propiedad 6, quiero que quede claro que cada vez
que se intercambian dos las de una matriz, el determinante cambia
de signo.
Regla de Gramer
(SOLAMENTE matrices de 33) Se copian las dos primeras columnas

a la derecha o bien las dos primeras las abajo de la matriz dada:

a a12 a13 a11 a12
11
a21 a22 a23 a21 a22

a31 a32 a33 a31 a32

Se multiplican las diagonales de la manera siguiente:

a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12
Cantidad que corresponde al determinante de la matriz.
5.3 Determinante de matrices de Mn(K)

Definici
on 5.3.1 Sea
a11 a12 a1n

a21 a22 a2n
A=
.................

an1 an2 ann
El determinante de A lo definiremos en forma recursiva.

Tenemos definido los determinantes para las matrices de M2 (K).
umeros enteros entre 1 y n, es decir, 1 i n,
Sea i, j un par de n
1 j n.
Se define el subdeterminante de aij , denotado S(aij ), como el deter-
minante obtenido de A al eliminar la fila i y la columna j.
El determinante de una matriz A de Mn (K), se define en terminos de

determinantes de matrices de Mn1 (K).
Se define:
Det(A) = (1)i+1 ai1 S(ai1 ) + (1)i+2 ai2 S(ai2 ) + + (1)i+n ain S(ain )
Esta denicion es conocida como el desarrollo del determinante

por la fila i, i ZZ, 1 i n.
Este determinante se puede escribir como
det(A) = det(A1 , A2 , ..., An ),
donde Ai es la i-esima la. (1)i+j S(aij ) se llama el cofactor de aij .
Propiedad (1)
Si la la Aj es igual a la suma de dos vectores la, Aj = C + C ,

entonces
det(A1 , ..., C+C , ..., An ) = det(A1 , ..., C, ..., An )+det(A1 , ..., C , ..., An )
Propiedad (2)
det(A1 , ..., tAj , ..., An ) = t det(A1 , ..., Aj , ..., An ), t K
Propiedad (3)
Si hay dos las iguales, entonces el determinante es nulo.
Propiedad (4)
El determinante de la matriz identidad es 1.

no Algebra Lineal
Propiedad (5)
Si se suma un m
ultiplo de una la a otra la, el valor del determinante
no cambia.
Propiedad (6)
Si se intercambian dos las, el determinante cambia de signo.
Propiedad (7)
Det(At ) = Det(A)
Propiedad (8)
Dos las son linealmente dependientes si y solo si el determinante de

la matriz es nulo.
Propiedad (9)
Todas las propiedades anteriores son validas para las columnas.
Propiedad (10)
Sean A, B Mn (K). Entonces
Det(A B) = Det(A) Det(B)
Teorema 5.3.1 Sea A Mn (K), la matriz
a11 a12 a1n

a21 a22 a2n
A=
.................

an1 an2 ann
Entonces
Det(A) = (1)1+j a1j S(a1j ) + + (1)n+j anj S(anj )
(llamado desarrollo del determinante por la j-esima columna).
Teorema 5.3.2 Sea A Mn (K) una matriz invertible. Entonces
Det(A1 ) = (DetA)1
Demostraci
on
1 = Det(In ) = Det(A A1 ) = DetA Det(A1 )

Luego (DetA)1 = Det(A1 )
5.4 Interpretaci
on geom
etrica del deter-
minante
Si en el plano cartesiano consideramos los vectores u y v, entonces el
area del paralelogramo que tiene por lados estos vectores corresponde
a |Det(u, v)|, es decir, el valor absoluto de Det(u, v),donde u y v son
considerados como vectores las.
Ejemplo

2 0
A = | | = 6
1 3

1 3
A = | | = |0 6| = | 6| = 6
2 0
Si en un sistema cartesiano de 3 coordenadas, consideramos los vec-

tores u, v y w, el volumen del paraleleppedo rectangular de lados u, v
y w es
no Algebra Lineal
V ol(u, v, w) = |Det(u, v, w)|
donde u, v y w son considerados como vectores las.
5.5 Matriz adjunta

En el captulo anterior observaste que no toda matriz tiene matriz
inversa.
Lo interesante es, que toda matriz A, tiene una matriz asociada a ella,
que siempre existe, es decir, que siempre va junto a A, es por esto
llamada la matriz adjunta de A.
Comencemos por el Lema siguiente:
Lema
Sea A Mn (K)
Si A es invertible, entonces Det(A) 6= 0
Demostraci
on
1 = Det(In ) = Det(A A1 ) = DetA DetA1 .

Luego DetA 6= 0.
Nota
Ahora quisieramos saber si el recproco es verdadero, es decir, si

DetA 6= 0, entonces A es invertible. Para esto debemos construir la
inversa, en caso que exista.
Veamos que ocurre en M2 (K).
Lema
Sea A M2 (K). Entonces siempre existe B M2 (K) tal que

detA 0

AB =
0 detA
Demostraci
on
a b d b

En efecto, sea A = , consideremos B = y se tiene,
c d c a
a b d b detA 0

=
c d c a 0 detA
Lema
Sea A M3 (K). Entonces, siempre existe B M3 (K) tal que
A B = (DetA) I3
Demostraci
on

a11 a12 a13
a21
En efecto, sea A = a22 a23
,
a31 a32 a33

S(a11 ) S(a21 ) S(a31 )
Tomando B =
S(a 12 ) S(a22 ) S(a32 )

S(a13 ) S(a23 ) S(a33 )
Tenemos

a11 a12 a13 S(a11 ) S(a21 ) S(a31 )
a21 a22 a23 S(a12 ) S(a22 ) S(a32 ) =

a31 a32 a33 S(a13 ) S(a23 ) S(a33 )

detA 0 0
=
0 detA 0

0 0 detA
no Algebra Lineal
Teorema 5.5.1 Si A Mn (K), entonces siempre existe B Mn (K)

tal que A B = |A| In
Demostraci
on
La demostracion consiste en probar que si A = (ai,j ) entonces
B = ((1)i+j S(aji ))
cumple las condiciones del teorema.

Esta demostracion no la haremos pues, escapa a los objetivos del curso.
Definici
on 5.5.1 Esta matriz B es llamada, la matriz adjunta de

A, denotada A.
Es decir la adjunta de una matriz A es la matriz transpuesta de la

matriz de los cofactores de la matriz A.
Corolario 5.5.2 Si A Mn (K) tal que DetA 6= 0, entonces A es

invertible y
1
A1 = A
DetA
Nota
Ahora tenemos dos maneras de encontrar la matriz inversa, cuando

esta existe. Obviamente que el metodo mas seguro es el escalo-
namiento, pues en este nuevo metodo hay muchos determinantes en
juego y hay que estar pensando en A y en At al mismo tiempo.
5.6 Determinante de un endomorfismo

Una propiedad genial que cumplen los determinantes, la tienes en el
siguiente lema:
Lema
Sea V un K-espacio vectorial, sea f End(V ). Sea M = (f ; B, B) y

M = (f : C, C) con B y C ciertas bases de V . Entonces
DetM = DetM
Demostraci
on
Sea P la matriz de cambio de base que exhibe la base C seg

un la base
B. Entonces
(f ; C, C) = P 1 (f ; B, B) P
Luego
M = P 1 M P
Tenemos
DetM = Det(P 1 )DetM DetP = (DetP )1 DetM DetP = DetM
Observaci
on
Te das cuenta, que nuevamente hemos encontrado un invariante?

Si, pues, si cambiamos una base en la representacion matricial de un
endomorsmo, entonces, seguimos teniendo el mismo determinante.
Es obvia la siguiente denicion:
Definicion 5.6.1 Sea V un K-espacio vectorial de dimensi on finita.

Para todo endomorfismo f End(V ), se llama determinante de
f , denotado Det(f ), el determinante de la matriz de f en una base
cualquiera de V .
Observaci
on
El valor del determinante de un endomorsmo nos indica si este es o

no un automorsmo.
Esta caracterizacion la tenemos en el siguiente lema:
no Algebra Lineal
Lema
Sea V un K-espacio vectorial de dimension nita. Entonces
f es un automorsmo de V ssi Det(f ) 6= 0
Demostraci
on
f es un automorsmo ssi f es invertible ssi (f ; B, B) es invertible B,

base de V ssi Det(f ; B, B) 6= 0, B, base de V ssi Det(f ) 6= 0
Nota
Equivalentemente:
f no es un automorsmo ssi Det(f ) = 0

Ejercicio
Resolvamos el determinante siguiente:
22 32 42 52

62 72 82 92
102 112 122 132

142 152 162 172

Soluci
on
22 32 42 52 22 32 42 52

62 72 82 92 62 22 72 32 82 42 92 52

= =

102 112 122 132 10 22 112 32 122 42 132 52

142 152 162 172 142 22 152 32 162 42 172 52

22 32 42 52
2
2 32 42 52

48 4 10 4 12 4 14 4 5 6 7
= = 481223 =

8 12 8 14 8 16 8 18 6 7 8 9

12 16 12 18 12 20 12 22 8 9 10 11
2
2 32 42 52

4 5 6 7
10
= 2 3
=0

2 2 2 2

4 4 4 4
Ejercicio
Calculemos el determinante de Vandermonde de 3 3 siguiente:
a2

1 a

1 b

b2

1 c c2

Soluci
on
a2 a2

1 a L (1) 1 a
21
1 b

b2
= 0 b a b 2 a2 =

1 c c2 L31 (1) 0 c a c2 a2

a2

1 a
1 b + a L (1)
21
= (b a)(c a) 0 1 b + a = (b a)(c a)

1 c+a =

0 1 c+a

1 b+a 1 b+a
= (b a)(c a)
= (b a)(c a)(c b)

=

0 cb 0 1
= (b a)(c a)(c b)
Ejercicio
Demostremos que
no Algebra Lineal

1 1 1

a b c = (a + b + c)(b a)(c a)(c b)

3
a b3 c 3

Soluci
on

1 1 1 C (1) 0 1 0
32

a b c = ab b c b =

3
a b3 c 3 C12 (1) a3 b3 b3 c3 b3

0 1 0

= (a b)(c b)

1 b 1 =

2
a + ab + b2 b3 c2 + bc + b2

0 1 0

= (a b)(c b)

0 b 1 =

2
a c2 + b(a c) b3 c2 + bc + b2

0 1 0

= (a b)(c b)(a c)

0 b 1 =

a + b + c b3 c2 + bc + b2

1 0
= (a b)(c b)(a c)(a + b + c)

=

b 1
= (a b)(c b)(a c)(a + b + c)
Ejercicio
Si B Mn (K) y detB = 5 entonces det(2B) = 2n detB = 2n 5
Ejercicio
Calculemos el determinante de la matriz de rotacion en un angulo

Soluci
on

cos sin
= cos2 + sin2 = 1

sin cos

Ejercicio
Busquemos los valores de k K, de manera que

k + 3 1 2

3 2 1 = 6
k2 3 3

Soluci
on

k + 3 1 2 k + 3 1 2
C (1) L (1)

3 2 1 23
3 1 1 21
= =

k2 3 3 k2 0 3

k + 3 1 2
k 3 L (1) k2 k 0
12
k 0 3 = 2 =

k 3 = k2 3

k2 0 3

3(k 2 k)
Luego 3(k 2 k) = 6, luego k 2 k 2 = 0, luego (k 2)(k + 1) = 0
Entonces k = 2 o k = 1
Ejercicio
Resolvamos el determinante siguiente:

3
6 x
1

2 y
2 4 z

no Algebra Lineal
Soluci
on

3 6 x 3 0 x
C (2)
1

2 y 21 1

0 y = 0
=
2 4 z 2 0 z

Ejercicio
Demostremos que:

x y z

2
x y 2 z 2 = (y z)(z x)(x y)(yz + xz + xy)
yz xz xy

Soluci
on

x y z C13 (1) xz yz z

2
x y 2 z 2 = 2
x z2 2
y z 2
z 2 =
yz xz xy C23 (1) yz xy xz xy xy

1 1 z
= (x z)(y z) x + z

y + z z 2 =
y x xy

C21 (1)
1 0 0

= (x z)(y z) x + z y x

xz =

C31 (z) y y x xy + yz

1 xz
= (x z)(y z)(y x) =

1 xy + yz

1 xz
= (x z)(y z)(y x) =

0 xy + yz + xz
= (y z)(z x)(x y)(yz + xz + xy)

Ejercicio
Calculemos en tres pasos el determinante siguiente:
1 x y z+t

1 y z x+t

1 z t x+y

1 t x y+z
Soluci
on
1 x y z+t L21 (1) 1 x y z+t

1 y z x+t = 0 yx zy xz
=

1 z t x+y L31 (1) 0 zx ty x+yzt

1 t x y+z L (1)
41
0 tx xy yt

yx zy xz C (1) yx zy 0
31

= z x t y x+yzt
= zx ty

0 =0

tx xy yt C32 (1) tx xy 0

!!Trivial!!
Ejercicio
Demostremos que:

1 cos x cos 2x
cos x cos 2x cos 3x = 0

cos 2x cos 3x cos 4x

no Algebra Lineal
Soluci
on
Recordemos las siguientes identidades:

cos( + ) = cos cos sin sin
cos( ) = cos cos + sin sin
cos( + ) + cos( ) = 2 cos cos
Reemplazando en la u ltima identidad + = 3x y = x, es

decir, = 2x y = x, tenemos:
1. cos 3x + cos x = 2 cos 2x cos x

Analogamente se obtienen:
2. cos 4x + cos 2x = 2 cos 3x cos x
3. (cos 2x) + 1 = 2 cos2 x
Entonces

1 cos x cos 2x L31 (1)
cos x cos 2x cos 3x =

cos 2x cos 3x cos 4x (1)(2)(3)

1 cos x cos 2x

= cos x

cos 2x cos 3x =

2 cos2 x 2 cos x cos 2x 2 cos x cos 3x

1 cos x cos 2x

= 2 cos x cos x cos 2x cos 3x = 2 cos x 0 = 0
cos x cos 2x cos 3x
Ejercicio
Demostremos que
a2 1 a2 a3

bc a

ca b

b2 = 1 b2

b3
con abc 6= 0
ab c c2 1 c2 c3

Soluci
on
bc a a2 L1 (a) a2 a3 1 a2 a3

abc
= 1

ca b b2 abc b2 b3 = 1 b2 b3

ab c c2 L 2 (b)
abc
abc c 2 c3 1 c2 c3

L3 (c)
Ejercicio
Calculemos el siguiente determinante:
1 x x2 x3

x3 1 x x2
x2 x3 1 x

x x 2 x3 1

Soluci
on
1 x x2 x3 L21 (x3 ) 1 x x2 x3

x3 1 x x2 = 0 1 x x x x x6
4 5 2
=

x x 1 x L31 (x2 )
2 3
0 0 1 x4 x x5

x x2 x3 1 L41 (x) 1 x4

0 0 0
= (1 x4 )3
Ejercicio
Que el ejercicio anterior nos sirva de inspiracion para resolver el de-

terminante de (n + 1) (n + 1) siguiente:

1 x x 2 x3 xn

xn 1 x x2 xn1

xn1 xn 1 x xn2

............................

x x 2 x3 x4 1

no Algebra Lineal
Soluci
on
Con las operaciones L21 (xn ), L31 (xn1 ), . . . , Ln+11 (x) tenemos

1 x x2 x3 xn

0 1 xn+1 x xn+2 x2 xn+3 xn1 x2n

1 xn+1 x xn+2 xn2 x2n1 = (1 xn+1 )n

0 0

................................................

0 0 0 0 1 xn+1

Ejercicio
Resolvamos el determinante de n n siguiente:

x+1 x x x x

x x+2 x x x

x x x + 3 x x

..................................

x x x x x + n

Soluci
on
L21 (1)

x + 1 x x x x

L31 (1)
1 2 0 0 0

=

1 0 3 0 0 =
..
......................

.

1 0 0 0 n

Ln1 (1)
n
1

X
1+x x x x x

k=1 k

n
0 2 0 0 0 1
X

= (1 + x )n!
=
0 0 3 0 0
k=1 k
...........................

0 0 0 0 n
Donde = C12 12 C13 13 C1n n1

Ejercicio
1 0 1 1 1 1

1 1 0 1 1 1

1 1 1 0 1 1

.....................

1 1 1 1 1 0

0 1 1 1 1 1
Soluci
on
1 1

1 0 1 1
L21 (1)
0 1 1 0 0 0

L31 (1)
0 1 0 1 0 0

= .......................... =

..
.

0 1 0 0 0 1

Ln11 (1) 0 1 1
1 1 1

1 1 0 0 0 0 1 0 0 0

1 0 1 0 0 0 0 1 0 0

(a) (b) . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .
= =
1 0 0 0 1 0

0 0 0 1

1 1 1 1 1 n1 1 1 1 1

1 0 0 0

0 1 0 0
= (n 1)(1n1+1 )
....................

0 0 0 1
= (n 1)(1)n (1)n2 = (n 1)(1)2n2 = n 1
(a): desarollamos el determinante por la primera columna.
(b) A la columna 1 se le suman las demas columnas
no Algebra Lineal
Ejercicio

n n 1 n 2 2 1

n 1 n 2 n 3 1 0

..............................

2 1 0 0 0

1 0 0 0 0

Soluci
on
Observando los casos n = 3, 4, 5 podras conjeturar que:

n n 1 n 2 3 2 1

n 1 n 2 n 3 2 1 0

(n+1)(n+2) n2 +3n
3

................................. = (1)
2 = (1) 2

2 1 0 0 0 0

1 0 0 0 0 0

lo cual se demuestra facilmente por induccion.
1. Encuentre el valor del determinante siguiente:

71 72 73

74 75 76

77 78 79

2. Encuentre el valor del determinante siguiente:


10 15 20 25 30

11 17 23 29 35

12 19 26 33 40

13 21 29 37 45

14 23 32 41 50

(a x)2 (a y)2 (a z)2

3. Demuestre que (b x)2 (b y)2 (b z)2

(c x)2 (c y)2 (c z)2

= 2(b c)(c a)(a b)(y z)(z x)(x y)
4. Demuestre por induccion que el determinante de n n siguiente

1

1 0

(n+2)(n+1)
+1

............... = (1)
2

1 0 0

1 0 0 0

5. Calcule el determinante de n n siguiente:

a b b b b

a a b b b

..................

a a a a b

a a a a a

Captulo 6
Diagonalizaci
on
6.1 Introducci
on
Tu sabes que una aplicacion lineal esta determinada por su compor-
tamiento en una base. Quisieramos saber si existira una base tal que
la imagen de cada vector de ella, sea colineal con el mismo. Es decir, si
V es un K-espacio vectorial y f : V V un endomorsmo Existira
B = {v1 , v2 , ..., vn } base de V , tal que
f (vi ) = i vi , i = 1, ..., n ?
Esta sera una manera mas facil, mas comoda de trabajar con un
endomorsmo. Por ejemplo, sera trivial! conocer el valor de
f n (vi ), n IN, i = 1, ..., n
Seguramente recuerdas que una aplicacion lineal tiene una familia de

matrices asociadas. Buscamos, entonces, la representacion matricial
mas simple posible. Posiblemente concordamos en decir que esta sera
una matriz diagonal.
En este captulo veremos las condiciones para que una aplicacion li-
neal, tenga asociada una matriz diagonal. Tambien aprenderemos a
encontrar tal matriz, en caso que esta exista.
249
no Algebra Lineal
Las matrices diagonales tienen propiedades muy agradables. Por ejem-

plo, ellas conmutan entre s. Calcular el determinante de una matriz
diagonal es Trivial!, pues es el producto de los elementos de la dia-
gonal. Tambien, es facil conocer las potencias de una matriz diagonal.
Veamoslo en la siguiente observacion.
Observaci
on
2
5 0 5 0 5 0 52 0

= =
0 7 0 7 0 7 0 72
3 2
5 0 5 0 5 0 52 0 5 0 53 0

= = =
0 7 0 7 0 7 0 72 0 7 0 73
Hipotesis de induccion
n
5 0 5n 0

=
0 7 0 7n
Demostremos que
n+1
5 0 5n+1 0

=
0 7 0 7n+1
n+1 n
5 0 5 0 5 0 5n 0 5 0

= = =
0 7 0 7 0 7 0 7n 0 7
5n+1 0

=
0 7n+1
Luego para todo n
umero natural n, tenemos
n
5 0 5n 0

=
0 7 0 7n
Lema
Para todo k, n
umero natural, tenemos
Captulo 6. Diagonalizacion 251
k
a11 0 0 0 0 ak11 0 0 0

k
0 a22 0 0 0 0 a22 0 0
=

....................... ....................

0 0 0 0 ann 0 0 0 aknn
La demostracion se hace por induccion sobre k.
Pregunta
Dada una aplicacion lineal f Habra alguna matriz diagonal asociada

af ?
Veamos algunos ejemplos
Observaci
on
Sea f : K 2 K 2 ; f (x, y) = (3y, 3x)

Buscamos una base B = {v1 , v2 } tal que
0

(f ; B, B) =
0
En este caso
f (v1 ) = 1 v1 = 1 v1 + 0 v2
f (v2 ) = 2 v2 = 0 v1 + 2 v2
Buscamos los vectores v K 2 tal que
f (v) = v
Supongamos que tales vectores existen. Tenemos

f (x, y) = (3y, 3x) = (x, y). Luego (3y, 3x) = (x, y)
De donde
)
3y = x
3x = y
no Algebra Lineal
Si x, y 6= 0 entonces 9xy = 2 xy, luego 2 = 9 y se obtiene dos

resultados, a saber 1 = 3 y 2 = 3
Caso 1 = 3
f (x, y) = (3y, 3x) = 3(x, y). Luego 3y = 3x. Luego x = y. Los vectores
asociados a = 3, tienen la forma v = (x, x).
Sea v1 = (1, 1).
Caso 2 = 3
f (x, y) = (3y, 3x) = 3(x, y). Luego (3y, 3x) = (3x, 3y). Luego
x = y. Los vectores asociados a 2 = 3, tienen la forma v =
(x, x). Sea v2 = (1, 1)
Tomemos B = {(1, 1), (1, 1)}.
En este caso
f (1, 1) = 3(1, 1) = 3(1, 1) + 0(1, 1)
f (1, 1) = 3(1, 1) = 0(1, 1) + 3(1, 1)

Luego
3 0

(f ; B, B) =
0 3
En este caso es posible encontrar una matriz diagonal asociada.
Veamos otro ejemplo
Observaci
on
Sea
f : K 2 K 2 ; f (x, y) = (2y, x)
Existira B, base de K 2 , tal que (f ; B, B) es una matriz diagonal?
Supongamos que existe v = (x, y) K 2 tal que f (x, y) = (x, y)
Tenemos
f (x, y) = (x, y) y f (x, y) = (2y, x)
Luego
(2y, x) = (x, y)
De donde
)
2y = x
x = y
Luego 2xy = 2 xy. Suponemos x, y 6= 0, pues x = 0 y = 0.

Ocurre que v = (0, 0) no puede estar en una base. Luego 2 = 2, lo
cual es una contradiccion.
En este caso, entonces, no existe una base B tal que (f ; B, B) sea
diagonal.
Nota
Esta forma de resolver el problema es un tanto complicada. Entonces

buscaremos un metodo que nos diga cuando existe una tal matriz
diagonal y como encontrarla.
6.2 Valores propios y vectores propios
Sea V un K-espacio vectorial. Sea f : V V , es decir, f , un endo-

morsmo de V . Deniremos elementos propios a f.
Propio, en losofa, se aplica al accidente inseparable de la esencia y
naturaleza de las cosas.
Observaci
on
En la primera motivacion tenamos: f : K 2 K 2 ; f (x, y) = (3y, 3x).

Averiguamos que f (1, 1) = 3(1, 1) y f (1, 1) = 3(1, 1). Diremos
que v1 = (1, 1) , v2 = (1, 1) son vectores propios de f y diremos
que 1 = 3 y 2 = 3 son los valores propios asociados a v1 , v2
respectivamente.
no Algebra Lineal
Lema
Sea f : V V lineal, y f (v) = v y f (v) = v, cierto v V .

Entonces =
Demostraci
on
v = v = v v = ~0 = ( )v = ~0 = = 0 = =
Debido a la unicidad de , damos la siguiente denicion:
Definicion 6.2.1 Se llama valor propio de un endomorfismo f

End(V ), a todo escalar K que tiene la propiedad siguiente:
Si existe v 6= ~0 tal que f (v) = v, entonces este vector v 6= ~0 es
llamado vector propio correspondiente al valor propio .
Observaci
on
Sea f : V V tal que f (v) = v , cierto v V , cierto K,

entonces f (v) = f (v) = v = (v).
Luego v es tambien un vector propio asociado al valor propio , para
todo K , pero podra haber otros vectores linealmente indepen-
dientes a v por que no los va a haber?.
Es natural, entonces denir el conjunto de vectores propios asociados
a un valor propio . Veamos como caracterizarlo:
f (v) = v f (v) v = ~0
f (v) idV (v) = ~0
(f idV )(v) = ~0
v N (f idV )
Tenemos entonces:
Para todo valor propio de f se tiene
f (v) = v v N (f idV )
Tenemos la denicion siguiente:
Definici ucleo,N (f idV )

on 6.2.2 Para todo valor propio , el n
es llamado el sub-espacio propio correspondiente a , el cual lo
denotaremos por S . Es decir:
S := N (f idV )
Nota
El n
ucleo de un morsmo puede tener dimension mayor o igual a 2,
luego puede haber vectores l.i. asociados a un mismo .
Observaci
on
El siguiente teorema nos dara una caracterizacion sobre la existencia

de un valor propio.
Teorema 6.2.1 Sea V un K-espacio vectorial de dimensi on finita y

f End(V ). Entonces una condici on necesaria y suficiente para que
un escalar sea un valor propio de f , es det(f idV ) = 0.
Demostraci
on
es un valor propio de f existe v 6= ~0 tal que f (v) = v

(f idV )(v) = ~0, v 6= ~0
v N (f idV ), v 6= ~0
N (f idV ) 6= {~0}
f idV no es un automorsmo
det(f idV ) = 0
Observaci
on
Si f End(V ), entonces tambien se tiene f idv End(V ). La

proposicion anterior y esta observacion nos introducen a la denicion
siguiente.
no Algebra Lineal
Definici on 6.2.3 El det(f idV ) es llamado el Polinomio Carac-

terstico de f. Notese que es un polinomio en .
Nota
De acuerdo a lo visto anteriormente tenemos que es un valor propio

de f ssi es una raz del polinomio caracterstico de f .
on 6.2.4 Si M Mn (K), el det(M In ) es llamado el

Definici
Polinomio Caracterstico de la matriz M .
Veamos ahora la relacion que existe entre los vectores propios asocia-
dos a valores propios distintos de dos en dos.
Proposici on 6.2.2 Sea V un K-espacio vectorial de dimensi on finita

y supongamos que un endomorfismo f End(V ) tiene n valores pro-
pios 1 , 2 , ..., n distintos de dos en dos, con vectores propios asocia-
dos v1 , v2 , ..., vn , entonces B = {v1 , v2 , ..., vn } es l.i.
Demostraci
on
Hagamos induccion sobre n.
1. Supongamos que tenemos dos valores propios distintos y ,

con vectores propios distintos asociados v y w respectivamente.
Supongamos que w = v.
Tenemos f (w) = f (v) = f (v) = v = (v) = w, luego
= contradiccion luego {v, w} es l.i.
2. Supongamos que tenemos n valores propios distintos de dos en

dos 1 , 2 , ..., n y {v1 , v2 , ..., vn } un conjunto l.i. de vectores aso-
ciados a los valores propios, respectivamente.
3. Debemos demostrar que si tenemos (n+1) valores propios distin-

tos de dos en dos, 1 , 2 , ..., n , n+1 , entonces {v1 , v2 , ..., vn , vn+1 }
un conjunto de vectores propios asociados a los valores propios,

son l.i..
Supongamos que
vn+1 = 1 v1 + 2 v2 + ... + n vn ,
luego
f (vn+1 ) = 1 f (v1 ) + ... + n f (vn ) = 1 1 v1 + ... + n n vn
Pero
f (vn+1 ) = n+1 vn+1 = n+1 1 v1 + n+1 2 v2 + ... + n+1 n vn
Luego:
1 1 = n+1 1

2 2 = n+1 2

...............

n n = n+1 n

Pero como vn+1 es no nulo, sabemos que al menos un i es no

nulo, luego i = n+1 , contradiccion. Es decir {v1 , v2 , .., vn , vn+1 }
es l.i..
Por (1), (2) y (3) tenemos que la proposicion es valida para todo
n N , n dimV .
Definici on 6.2.5 Sea V un K - espacio vectorial. Si f End(V ) y

si existe B = {v1 , .., vn } una base de V tal que:
1 0 0

0 2 0
(f ; B; B) =
...............

0 0 n
entonces diremos que f es diagonalizable y B ser

a llamada una base
diagonalizante de f .
no Algebra Lineal
on 6.2.6 Si M Mn (K) y existe P Mn (K) invertible tal

Definici
que M = P 1 M P con

1 0 0

0 2 0
M =
...............

0 0 n
entonces diremos que M es diagonalizable.
6.3 Valores propios simples

En esta seccion, estudiaremos el caso particular de un espacio vectorial
V , con dimV = n, f End(V ) y n valores propios distintos de dos
en dos. Comencemos por la siguiente denicion.
Definici
on 6.3.1 Si es una raz simple del polinomio caracterstico
entonces diremos que es un valor propio simple.
Nota
Obviamente que es un valor propio de f ssi es una raz del poli-

nomio caracterstico de f .
Proposici on 6.3.1 Sea V un K-espacio vectorial con dimV = n.

Supongamos que f End(V ) tiene n valores propios simples 1 , 2 ,
. . ., n con vectores propios asociados v1 , v2 , ..., vn entonces
1 0 0

0 2 0
(f ; B, B) =
...............

0 0 n
con B = {v1 , v2 , ..., vn }

Demostraci
on
B = {v1 , v2 , ..., vn } es l.i. y puesto que son n vectores, forman una base
de V . Ademas, f (v1 ) = 1 v1 , f (v2 ) = 2 v2 , ..., f (vn ) = n vn . Luego se
obtiene la matriz diagonal buscada.
Procedimiento para diagonalizar una matriz
Supongamos que M Mn (K) es una matriz diagonalizable y supon-

gamos que las races del polinomio caracterstico de M , det(M In ),
son races distintas de dos en dos.
Por el Teorema Fundamental del Algebra Lineal, existe f End(K n )
tal que M = (f ; C, C) con C la base canonica de K n .
Sean 1 , 2 , ..., n los valores propios de f . La ecuacion :
x1 0

x 0
2
( M i In ) =

()

xn 0
nos entrega los vectores propios asociados a i . En este caso dimSi =

1. Se escoge vi = (x1 , x2 , ..., xn ). Obviamente que la ecuacion () se
escalona, para obtener un vi a eleccion. Tenemos que D = {v1 , v2 , ..., vn }
es una base diagonalizante de f .
Tenemos :
1 0 0

0 2 0
P 1 M P =
...............

0 0 n
donde P es la matriz que exhibe las componentes de los vectores de la

base D segun la base canonica C. Notese que si tenemos D, es trivial
encontrar la matriz P .
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
no Algebra Lineal
Esta matriz P no es u nica, pues depende de la base D escogida.

Ademas, el orden de los vectores propios fue escogido al azar, luego la
matriz diagonal tampoco es u nica. Por lo tanto es necesario jar un
orden y luego respetarlo.
Ejercicio
Diagonalicemos

4 6 0
M = 3 5 0

M3 (K)
3 6 5
Soluci
on
M = (f ; C; C) cierto f End(K 3 ), C la base canonica de K 3 .

Comencemos por buscar los valores propios de f .
Sea det(M I3 ) = 0

4 6 0
4 6
3 5 0 = (5 ) =

3 5
3 6 5

1 1 1 0
= (5 )(1 ) = ( + 5)( 1) =

3 5 3 2
= ( + 5)( 1)( + 2)(1)

Luego los valores propios son 5, 1, 2.
Busquemos los vectores propios.

x
Sea v = y un vector propio. Si es el valor propio correspondiente

z
0
a v, entonces (M I3 )(v) = 0

0
Escribir este sistema en su forma mas sencilla, equivale a escalonar la
matriz M I3
Caso 1 = 5
Al azar fue escogido 5 como primer valor propio.

9 6 0 3 2 0 1 0 0
3 0 0 1 0 0 1 2 0

3 6 0 1 2 0 3 2 0

L21 (1) 1 0 0 1 0 0
0 2 0

0 1 0

L31 (3) 0 2 0 0 0 0
Es decir obtenemos el siguiente sistema equivalente

1 0 0 x 0
0 1 0 y = 0

0 0 0 z 0
Luego x = y = 0, z K
Notese que tenemos 0 z = 0. Luego es valido para todo z K.
Escojamos v1 = (0, 0, 1). Podramos haber escogido v1 = (0, 0, 2) o
v1 = (0, 0, 3) etc.
S5 = {(0, 0, z); z K} =< (0, 0, 1) >
Caso 2 = 2

6 6 0 1 1 0 L21 (1) 1 1 0
3 3 0 1 1 0 0 0 0

3 6 3 1 2 1 L31 (1) 0 1 1

1 0 1
L13 (1)
0 0 0

0 1 1
no Algebra Lineal

1 0 1 x 0
0 0 0 y = 0

0 1 1 z 0
Luego x = z, y = z.
Luego S2 = {(z, z, z); z K} =< (1, 1, 1) >
Sea v2 = (1, 1, 1)
Caso 3 = 1
L1 ( 13 )

3 6 0 L21 (1) 3 6 0 1 2 0
3 6 0 0 0 0 0 0 0

3 6 6 L31 (1) 0 0 6 L3 ( 61 ) 0 0 1

1 2 0 x 0
0 0 0 y = 0

0 0 1 z 0
Luego x + 2y = 0, z = 0. Luego S1 = {(2y, y, 0); y K}, o bien

S1 =< (1, 12 , 0) >
Sea v3 = (1, 12 , 0)
Sea D = {(0, 0, 1), (1, 1, 1), (1, 12 , 0)}
Entonces

5 0 0
(f ; D, D) = 0 2 0

0 0 1
Sea P la matriz que exhibe la base D seg
un la base canonica C, luego

0 1 1
1
P =
0 1 2
1 1 0
Luego (f ; D; D) = P 1 M P
(f ; D, D) = (C seg
un C)
Ejercicio

2 2 3
Sea M = 1 2 1 la matriz de un endomorsmo f de K 3 con

2 2 1
respecto a la base canonica. Busquemos:
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que

(f ; D) = P 1 M P
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )
En efecto

2 2 3 4 0 4
L13 (1)

1 2 1
1 2 1 =

=

2 2 1 2 2 1

1 0 1 1 0 0
C31 (1)
(4 ) 1 2 1
(4 ) 1 2 0 =

=

2 2 1 2 2 1

2 0
(4 ) = (4 )(2 )(1 )

2 1
no Algebra Lineal
Luego
p() = (4 )(2 )(1 + )(1)
es el polinomio caracterstico de f . Luego los valores propios son:
1, 2, 4
Caso = 1

3 2 3 1 1 1 1 L21 (1)
L3 ( 2 ) L13
1 3 1
1 3 1

2 2 2 3 2 3 L31 (3)

1 1 1 1 0 1
0 4 0 0 1 0

0 5 0 0 0 0
Luego tenemos el sistema siguiente:

1 0 1 x 0
0 1 0 y = 0

0 0 0 z 0
x + z = 0, y = 0 luego x = z, y = 0
S1 = {(z, 0, z); z K} =< (1, 0, 1) > es el subespacio propio
asociado a = 1
Caso = 2

0 2 3 0 2 3 1 0 1
L32 (2) 3
1 0 1 1 0 0 1 2
1

2 2 1 0 2 3 0 0 0
Luego tenemos el siguiente sistema de ecuaciones:

1 0 1 x 0
3
0 1 2 y = 0

0 0 0 z 0
De donde: x + z = 0, y + 32 z = 0, Luego x = z, y = 23 z, z K
S2 = {(z, 32 z, z); z K} =< (2, 3, 2) >, es el subespacio asociado
a=2
Caso = 4

2 2 3 2 2 3
L31 (1) L1 (1)
1 2 1 1 2 1

2 2 3 0 0 0

1 2 1 1 0 4
5
0 2 5 0 1 2

0 0 0 0 0 0
Luego tenemos el siguiente sistema:

1 0 4 x 0
5

0 1 2
y
= 0

0 0 0 z 0
De donde se obtiene:
) )
x 4z = 0 x = 4z
= zK
y 25 z = 0 y = 52 z
S4 = {(4z, 25 z, z); z K} =< (4, 25 , 1) >, es el subespacio asociado a

=4
Una base diagonalizante es D = {(1, 0, 1), (2, 3, 2), (8, 5, 2)} Luego

1 0 0 2 2 3 1 2 8
1
0 2 0 = P 1 2 1 0 3 5

0 0 4 2 2 1 1 2 2
Donde P = (D seg
un C)
(f ; D, D) = (C seg
un C)
6.4 Valores propios m

ultiples
Ahora estudiaremos el caso general, es decir, cuando el polinomio car-
acterstico es de la forma
no Algebra Lineal
P () = ( 1 )1 ( 2 )2 ( r )r
y 1 + 2 + r corresponde a la dimension del espacio vectorial.

Si es un valor propio de multiplicidad k, k 2, quisieramos saber
cual es la dimension del sub-espacio propio asociado a . Una cota a
esta dimension, la tenemos en la siguiente proposicion
Proposici on 6.4.1 Sea V un K-espacio vectorial de dimensi on n.

Supongamos que el polinomio caracterstico de f End(V ) tiene una
raz de multiplicidad k, entonces
dimK N (f idV ) k
Demostraci
on
Sea r la dimension del sub-espacio propio asociado a , es decir, r =

dimK N (f idV ).
Sea {v1 , v2 , ..., vr }una base de sub-espacio formado por vectores pro-
pios asociados a , es decir
f (vi ) = vi , i = 1, ..., r
Extendamos esta base a una base B = {v1 , v2 , ..., vr , vr+1 , ..., vn } de V .

Entonces
... 0
. .
. . . ...

. P
0 ...

M = (f ; B, B) =
0 ... 0

. . .
. . . ..

. Q
0 ... 0
donde P Mnr (K) y Q Mnr (K).

El polinomio caracterstico de f es

X ... 0

.. ... .. P

. .

0 ... X

P (X) = det(M XIn ) =
0 ... 0

.. ... .. Q XIn

. .

0 ... 0

Luego, P (X) = ( X)r det(Q XIn ). Es decir, ( X)r divide a

P (X), luego r k.
La caracterizacion de f diagonalizable, la tenemos en el teorema si-
guiente
Teorema 6.4.2 Sea V un K-espacio vectorial de dimensi

on n y
f End(V ). Entonces son equivalentes
1. f es diagonalizable
2. P () = ( 1 )1 ( 2 )2 ( r )r y dimK Si = i ,
i = 1, , r
Demostraci
on
(1) (2)
Supongamos que f es diagonalizable. Entonces existe una base B =
{v1 , v2 , ..., vn } formada por vectores propios de f . Ademas (f ; B) es
diagonal y el polinomio caracterstico de f es de la forma
P () = ( 1 )k1 ( 2 )k2 ( p )kp

con k1 + k2 + + kp = n = dimV
En la diagonal principal de (f ; B), hay para todo i {1, 2, ..., p} exac-
tamente ki terminos iguales a i .
no Algebra Lineal
Puesto que cada uno de los vectores propios correspondientes a i de

B pertenecen a Si = N (f i idV ), se tiene que dimSi ki . Pero por
la proposicion anterior ki dimSi , luego se tiene que ki = dimSi
(2) (1)
Por hipotesis, el polinomio caracterstico tiene la forma
P () = ( 1 )k1 ( 2 )k2 ( p )kp , y dimSi = i , i = 1, ..., r
Tenemos que S1 S2 Sr es directa y
dim(S1 S2 Sr ) = dimS1 + dimS2 + + dimSr
= 1 + 2 + + r
= n
Para cada ndice i, consideremos Bi una base de Si (constituda por
los vectores propios vi , correspondientes al valor propio i )
Entonces B = B1 B2 Br es una base de V formada por vectores
propios. Luego (f ; B) es diagonal, es decir, f es diagonalizable.

Ejercicio
Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con respecto a

la base canonica es

3 1 1
M = 2 4 2

1 1 3
Encontremos
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios propios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Soluci
on

3 1 1 L (1) 2 0 2 +

13

2 4 2
2 4 2 =

=

1 1 3 1 1 3

1 0 1 1 0 0
C (1)
= (2 ) 2 4

2 31 (2 ) 2 4

4 =
=
1 1 3 1 1 4

4 4
= (2) = (2)((4)2 4) = (2)(2)(6)

1 4
Luego los valores propios son: 2 de multiplicidad 2 y 6 de multiplicidad
1.
Caso = 6

36 1 1 3 1 1 1
L2 ( 2 )

2 46 2 = 2 2 2

1 1 36 1 1 3

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

1 1 3 0 0 0
Luego

1 0 1 x 0
0 1 2 y = 0

0 0 0 z 0
Luego )
xz = 0
y 2z = 0
Luego x = z, y = 2z
Reemplazando, tenemos
(x, y, z) = (z, 2z, z) = z(1, 2, 1) luego v6 = (1, 2, 1) y S6 =< (1, 2, 1) >
no Algebra Lineal
Caso = 2

32 1 1 1 1 1 1 1 1
2 42 2 = 2 2 2 0 0 0

1 1 32 1 1 1 0 0 0
Luego

1 1 1 x 0
0 0 0 y = 0

0 0 0 z 0
Tenemos que x + y + z = 0 de donde x = y z.

Reemplazando tenemos
(x, y, z) = (y z, y, z) = y(1, 1, 0) + z(1, 0, 1)
Entonces S2 =< (1, 1, 0), (1, 0, 1) >. Vemos que la dimension de

S2 coincide con la multiplicidad del valor propio 2.
La base diagonalizante de f es D = {(1, 2, 1), (1, 1, 0)(1, 0, 1)}
La matriz es diagonalizable. Tenemos
1 1 1

6 0 0 4 4 4
3 1 1 1 1 1
1
0 2 0 =

2
21 1
2 2 4 2 2 1 0

1 1
0 0 2 4 4
34 1 1 3 1 0 1
Ejercicio

la base canonica es

1 2 2
M = 2 1 2

2 2 3
Estudiemos si M es diagonalizable.
Soluci
on
Comencemos por encontrar el polinomio caracterstico de M .

1 2
2 L (1) 1 2 2

32

2 1 2
2 1 2 =
=

2 2 3 0 1 + 1

1 2 2 1 0 2
C (1)
= (1+) 2

1 2 23 (1+) 2

1 2 =
=
0 1 1 0 0 1

1 0 2
2 1 0

2
= (1+) 2 1 2 = 1(1+) = (1+)2 (1

2 1
0 0 1

)
Luego los valores propios son: 1 de multiplicidad 2 y 1 de multipli-
cidad 1.
Caso = 1

2 2 2
2 2 2

2 2 2
Luego x + y + z = 0 de donde x = y + z; y, z IR
Por lo tanto
S1 = {(y + z, y, z); y, z IR}
Es decir
S1 =< (1, 1, 0), (1, 0, 1) >
En este caso dimS1 = 2 = a la multiplicidad de la raz 1

Caso = 1

0 2 2 1 0 1
2 0 2 0 1 1

2 2 4 0 0 0
Luego
no Algebra Lineal

1 0 1 x 0

0 1 1
y
= 0

0 0 0 z 0
Luego se obtienen las condiciones siguientes: x = z y y = z.

Entonces S1 =< (1, 1, 1) >. Por la matriz es diagonalizable y la base
diagonalizante de f es D = {(1, 1, 0), (1, 0, 1)(1, 1, 1)}
Finalmente tenemos

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

0 0 1 1 1 1 2 2 3 0 1 1
Ejercicio

la base canonica es

4 2 3
M = 2 1 2
1 2 0
Busquemos, si existe, la matriz diagonal D, equivalente a M .
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )

4 2 3 1 2 3
C13 (1)

2 1 2
0 1 2 =

=

1 2 1 + 2

1 2 3 1 2 3
L31 (1)
(1 ) 0 1 2
(1 ) 0 1 2 =

=

1 2 0 0 3


1 2
(1 ) = (1 )(1 )(3 )

0 3
Luego p() = (1 )2 (3 ) es el polinomio carcterstico de f . Luego

los valores propios son: 1 de multiplicidad 2 y 3 una raz simple
Caso = 1 multiplicidad 2

3 2 3 1 2 1
L12 (1) L2 ( 12 )
2 0 2 1 0 1

1 2 1 3 2 3

1 2 1 1 0 1
L32 (3)
1 0 1 0 1 0

0 2 0 0 0 0

1 0 1 x 0
0 1 0 y = 0

0 0 0 z 0
Luego tenemos el siguiente sistema de ecuaciones: x + z = 0, y = 0,

Luego x = z, y = 0, z K
S1 = {(z, 0, z); y K} =< (1, 0, 1) >, es el subespacio propio
asociado a = 1
Este subespacio tiene dimension 1, luego esta matriz no es diagonaliza-
ble pues la dimension del subespacio no coincide con la multiplicidad
de la raz.

1. Encuentre el polinomio caracterstico descompuesto en sus fac-
tores irreducibles en IR, de la matriz siguiente:

1 2 2
A=
2 1 2

2 2 3
2. Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con

no Algebra Lineal

4 1 2
respecto a la base canonica es A = 0

3 0, encuentre
1 1 1
(a) El polinomio caracterstico de f.
(b) Los valores propios de f y sus subespacios propios asocia-
dos.
(c) Una base diagonalizante D
(d) Una matriz invertible P tal que (f ; D) = P 1 M P
3. Idem ejercicio anterior para la matriz

6 1 3
A= 3 2 3
1 1 2
Ademas encuentre A10
Captulo 7
Aplicaciones Bilineales
Introducci
on
Nosotros hemos visto los determinantes de matrices de 2 2; vimos

que se denen por
a c
= ad bc

b d

Consideremos el determinante como una aplicacion de las columnas

de la matriz, es decir
det : M21 (K) M21 (K) K
tal que
a c

det , = ad bc
b d
Tenemos las propiedades siguientes
1.
a + a c a c a c
= +

b + b d b d b d

en esta nueva expresion se escribe

a + a c a c a c

det , = det , + det ,
b + b d b d b d
275
no Algebra Lineal
2. Analogamente en la segunda columna, se tiene

a c + c a c a c

det , = det , + det ,
b d + d b d b d
3.
a c a c
=

b d b d

En esta nueva expresion se escribe

a c a c

det , = det ,
b d b d
4. Analogamente
a c a c

det , = det ,
b d b d
Sean u, u , v, v M21 (K), K. Estas cuatro propiedades se des-

criben de la manera siguiente
1. det(u + u , v) = det(u, v) + det(u , v)
2. det(u, v + v ) = det(u, v) + det(u, v )
3. det(u, v) = det(u, v)
4. det(u, v) = det(u, v)
7.1 Aplicaciones bilineales
7.1.1 Ejemplos. Propiedades generales

Observaci
on
En IR2 consideremos el producto punto
(x1 + y1) (x2 + y2) = x1 x2 + y1 y2

Captulo 7. Aplicaciones Bilineales 277
cambiando a escritura cartesiana, se tiene
(x1 , y1 ) (x2 , y2 ) = x1 x2 + y1 y2
Analicemos las cuatro observaciones siguientes
1.
((x1 , y1 ) + (x2 , y2 )) (x3 , y3 ) = (x1 + x2 , y1 + y2 ) (x3 , y3 )
= (x1 + x2 ) x3 + (y1 + y2 ) y3
= x 1 x3 + x 2 x3 + y1 y3 + y2 y3
= (x1 x3 + y1 y3 ) + (x2 x3 + y2 y3 )
= ((x1 , y1 ) (x3 , y3 ))+
+((x2 , y2 ) (x3 , y3 ))
2. Analogamente a la observacion anterior, tenemos
(x1 , y1 ) ((x2 , y2 ) + (x3 , y3 )) = (x1 , y1 ) (x2 , y2 ) + (x1 , y1 ) (x2 , y2 )
3.
((x1 , y1 )) (x2 , y2 ) = (x1 , y1 ) (x2 , y2 )
= (x1 )x2 + (y1 )y2
= (x1 x2 + y1 y2 )
= ((x1 , y1 ) (x2 , y2 ))
4. Analogamente a (3) tenemos
(x1 , y1 ) ((x2 , y2 )) = ((x1 , y1 ) (x2 , y2 ))
Denamos f : IR2 IR2 IR; f ((x1 , y1 ), (x2 , y2 )) = (x1 , y1 ) (x2 , y2 ).

Describiendo nuevamente las cuatro observaciones anteriores, esta
aplicacion f satisface:
1. f (u + u , v) = f (u, v) + f (u , v), u, u , v IR2
2. f (u, v + v ) = f (u, v) + f (u, v ), u, v, v IR2
3. f (u, v) = f (u, v), u, v IR2

no Algebra Lineal
4. f (u, v) = f (u, v), u, v IR2
En un lenguaje informal diramos que f es dos veces lineal; tambien

podramos decir que es lineal a la derecha y a la izquierda. Esto nos
induce al siguiente concepto.
Definici
on 7.1.1 Sean U , V , W tres espacios vectoriales sobre un
on bilineal de U V
mismo cuerpo K. Se dice que f es una aplicaci
en W si verifica los siguientes axiomas:
Para todo u, u U , v, v V , K
1. f (u + u , v) = f (u, v) + f (u , v)
2. f (u, v + v ) = f (u, v) + f (u, v )
3. f (u, v) = f (u, v)
4. f (u, v) = f (u, v)
En otras palabras, f es bilineal si y solo si las aplicaciones parciales
1. g : U W ; g(u) = f (u, v) v V
2. h : V W ; h(v) = f (u, v) u U
son lineales
Ejercicio
Sea U = V = IR2 , W = IR. Sea
f : IR2 IR2 IR; f ((x, y), (x , y )) = 3xx 5yy
Estudiemos si f es bilineal
Soluci
on
1. f ((x, y) + (x , y ), (x , y )) = f ((x + x , y + y ), (x , y ))
= 3(x + x )x 5(y + y )y
= 3xx + 3x x 5yy 5y y
= (3xx 5yy ) + (3x x 5y y )
= f ((x, y), (x , y ))+
+f ((x , y ), (x , y ))
2. f ((x, y), (x , y ) + (x , y )) = f ((x, y), (x + x , y + y ))
= 3x(x + x ) 5y(y + y )
= 3xx + 3xx 5yy 5yy
= f ((x, y), (x , y ))+
+f ((x, y), (x , y ))
3. f ((x, y), (x , y )) = f ((x, y), (x , y ))

= 3(x)x 5(y)y
= (3xx 5yy )
= f ((x, y), (x , y ))
4. f ((x, y), (x , y )) = f ((x, y), (x , y ))

= 3x(x ) 5y(y )
= (3xx 5yy )
= f ((x, y), (x , y ))
Ejercicio
Sea U = V = IR2 , W = IR. Sea f : IR2 IR2 IR tal que
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy (7.1)
demuestre que f es bilineal.
Teorema 7.1.1 (Teorema fundamental de las aplicaciones bi-

lineales) Sean U , V y W tres K-espacios vectoriales. Sean B =
no Algebra Lineal
{u1 , u2 , . . . , un }, C = {v1 , v2 , . . . , vm } bases ordenadas de U y V re-

spectivamente y {wij ; i = 1, . . . , n; j = 1, . . . , m} un conjunto de vec-
tores de W , entonces existe una u nica aplicacion bilineal f : U V
W tal que
f (ui , vj ) = wij
Demostraci
on
n
X m
X
1. Existencia. Sean u = i ui , v = j vj . Sea f tal que
i=1 j=1
X
f (u, v) = i j wij
i,j
(a) Demostramos primero la suma en la primera componente

n m
= f (i + i )ui ,
X X
f (u + u , v) j vj
i=1 j=1
(i + i )j wij
X
=
i,j
i j wij
X X
= i j wij +
i,j i,j

= f (u, v) + f (u , v)
(b) Analogamente se prueba que

f (u, v + v ) = f (u, v) + f (u, v )
(c) Para el producto por escalar tenemos

!
X
f ((u, v)) = f i ui , v
i
X X
= f (i )ui , j vj
i j
X
= (i )j wij
ijX
= i j wij
ij
= f (u, v)
(d) Analogamente se prueba
f (u, v) = f (u, v)
2. Unicidad
Sea g : U V W bilineal tal que g(ui , vj ) = wij . Por demostrar
que f = g

n
X m
X X
f (u, v) = f i ui , j vj = i j wij =
i=1 j=1 ij

X n
X m
X
= i j g(ui vj ) = g i ui , j vj = g(u, v)
i,j i=1 j=1
luego f = g.
Ejemplo
Sea f : IR2 IR2 IR. Sea B = {(1, 1), (1, 0)} una base ordenada de
IR2 . Se tiene que f esta determinada por:
f ((1, 1), (1, 1)) = 1

f ((1, 1), (1, 0)) = 2
f ((1, 0), (1, 1)) = 3
f ((1, 0), (1, 0)) = 4
En efecto
f ((x, y), (x , y )) =
= f (y(1, 1) + (x y)(1, 0), y (1, 1) + (x y )(1, 0))
= yy f ((1, 1), (1, 1)) + y(x y )f ((1, 1), (1, 0))+
+(x y)y f ((1, 0), (1, 1)) + (x y)(x y )f ((1, 0), (1, 0))
luego
f ((x, y), (x , y )) =
= yy 1 + y(x y ) 2 + (x y)y 3 + (x y)(x y ) 4
= yy + 2x y 2yy + 3xy 3yy + 4xx 4xy 4x y + 4yy
= 4xx 2x y xy
no Algebra Lineal
Es decir
f ((x, y), (x , y )) = 4xx 2x y xy
Observaci
on
Que f este determinada por estos cuatro valores quiere decir que no
puede haber una aplicacion bilineal distinta de f que coincida en estos
cuatro valores.
Dicho de otra manera: esos cuatro valores son una microinformacion
del comportamiento de f . Con esos cuatro valores se sabe exactamente
el comportamiento de f en todo IR2 IR2 .
Nota: En IR3 consideremos la base canonica B = {i, j, k} y la apli-
cacion bilineal f : IR3 IR3 IR denida por
f (i, j) = k; f (j, k) = i; f (k, i) = j

f (j, i) = k; f (k, j) = i; f (i, k) = j
f (i, i) = f (j, j) = f (k, k) = 0
Puesto que conocemos su comportamiento en una base, por el teo-

rema fundamental de las aplicaciones bilineales, podemos obtener su
expresion analtica de la manera siguiente:
f (a1 i + b1 j + c1 k, a2 i + b2 j + c2 k) = a1 a2 0 + a1 b2 k + a1 c2 (j)+
+b1 a2 (k) + b1 b2 0 + b1 c2 i + c1 a2 j + c1 b2 (i) + c1 c2 0 =
= (b1 c2 c1 b2 )i + (c1 a2 a1 c2 )j + (a1 b2 b1 a2 )k
Esta aplicacion bilineal es muy usada en fsica y es llamada producto
vectorial o producto cruz.
En lenguaje algebraico esta aplicacion bilineal queda descrita de la
manera siguiente:
Sea B = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)}
f ((a1 , b1 , c1 ), (a2 , b2 , c2 )) =
= f (a1 e1 + b1 e2 + c1 e3 , a2 e1 + b2 e2 + c2 e3 ) =
= (b1 c2 c1 b2 )e1 + (c1 a2 a1 c2 )e2 + (a1 b2 b1 a2 )e3 =
= (b1 c2 c1 b2 , c1 a2 a1 c2 , a1 b2 b1 a2 )
Ejercicio
Sea f : IR2 IR2 IR bilineal denida, con respecto a la base canonica

B = {e1 , e2 }, de la siguiente manera
f (e1 , e1 ) = f (e2 , e2 ) = 0; f (e1 , e2 ) = 1, f (e2 , e1 ) = 1
Busquemos la expresion analtica de f .

Sea x = x1 e1 + x2 e2 , y = y1 e1 + y2 e2 , entonces
f (x, y) = f (x1 e1 + x2 e2 , y1 e1 + y2 e2 )
= x1 y1 0 + x1 y2 1 + x2 y1 (1) + x2 y2 0
= x 1 y2 x2y1
x y
= 1 1
x2 y2
que es el determinante de los vectores x e y seg

un la base canonica.
Definicion 7.1.2 Sean f, g : U V W dos aplicaciones bilineales.

Se define la suma de f y g, denotada f + g, como
f + g : U V W ; (f + g)(u, v) = f (u, v) + g(u, v)
y se define la ponderaci on bilineal f , denotada f ,

on de una aplicaci
como
( f ) : U V W ; ( f )(u, v) = f (u, v)
Proposici on 7.1.2 Sean U , V , W tres K-espacios vectoriales. Sean

f, g : U V W dos aplicaciones bilineales. Entonces f + g y f
son bilineales.
Demostraci
on
Demostrar que f + g es bilineal, es equivalente a demostrar que

u, u1 , u2 U y v, v1 , v2 V se tiene:
1. (f + g)(u1 + u2 , v) = (f + g)(u1 , v) + (f + g)(u2 , v)

no Algebra Lineal
2. (f + g)(u, v1 + v2 ) = (f + g)(u, v1 ) + (f + g)(u, v2 )
3. (f + g)(u, v) = ((f + g)(u, v))
4. (f + g)(u, v) = ((f + g)(u, v))
Demostracion de (1)
(f + g)(u1 + u2 , v) =(a) f (u1 + u2 , v) + g(u1 + u2 , v) =

=(b) (f (u1 , v) + f (u2 , v)) + (g(u1 , v) + g(u2 , v)) =
=(c) (f (u1 , v) + g(u1 , v)) + (f (u2 , v) + g(u2 , v)) =
=(d) (f + g)(u1 , v) + (f + g)(u2 , v)
(a) y (d) denicion de suma de aplicaciones, (b) bilinealidad de f y g,

(c) asociatividad y conmutatividad de la suma en W .
Analogamente se demuestra (2).
Demostracion de (3)
(f + g)(u, v) =(a) f (u, v) + g(u, v) =

=(b) f (u, v) + g(u, v) =
=(c) (f (u, v) + g(u, v)) =(d) ((f + g)(u, v))
(a) y (d) denicion de suma de aplicaciones, (b) bilinealidad de f y g,

(c) axioma de distribucion de espacios vectoriales.
Analogamente se demuestra (4)
Demostrar que f es bilineal, es equivalente a demostrar que
u, u1 , u2 U y v, v1 , v2 V se tiene:
1. ( f )(u1 + u2 , v) = ( f )(u1 , v) + ( f )(u2 , v)
2. ( f )(u, v1 + v2 ) = ( f )(u, v1 ) + ( f )(u, v2 )
3. ( f )(u, v) = (( f )(u, v))
4. ( f )(u, v) = (( f )(u, v))

Demostracion de (1)
( f )(u1 + u2 , v) =(a) (f (u1 + u2 , v) =

=(b) (f (u1 , v) + f (u2 , v)) =(c) (f (u1 , v)) + (f (u2 , v)) =
=(d) ( f )(u1 , v) + ( f )(u2 , v)
(a) y (d) denicion de ponderacion de una aplicacion, (b) bilinealidad

de f , (c) axioma de distribucion en un espacio vectorial.
Analogamente se demuestra (2)
Demostracion de (3)
( f )(u, v) =(a) (f (u, v) =(b) ((f (u, v)) =

=(c) ()(f (u, v)) =(d) ((f (u, v))) =(e) = (( f )(u, v))
(a) y (e) dencion de ponderacion de una aplicacion, (b) bilinealidad

de f , (c) axioma de espacios vectoriales E.V.8, (d) conmutatividad de
la multiplicacion en K y luego E.V.8.
Analogamente se demuestra (4.)
Definici on 7.1.3 El conjunto formado por todas las aplicaciones bi-

lineales de U V en W , se denota BK (U, V ; W ).
Proposicion 7.1.3 Sean U , V , W tres K-espacios vectoriales, en-

tonces BK (U, V ; W ) es un K-espacio vectorial.
Demostraci
on
Hay que demostrar los ocho axiomas de espacio vectorial. Solamente

demostraremos E.V.2 y E.V.3
E.V.2. El neutro es la aplicacion bilineal nula, denotada 0 y denida
como sigue
0 : U V W ; 0(u, v) = 0 (u, v) U V
(0 + f )(u, v) = 0(u, v) + f (u, v) = 0 + f (u, v) = f (u, v)
no Algebra Lineal
luego 0 + f = f
E.V.3. Dada f : U V W bilineal, su aplicacion bilineal opuesta
es denotada f y se dene por
f : U V W ; (f )(u, v) = (f (u, v))
(f + (f ))(u, v) = f (u, v) + (f )(u, v) = f (u, v) + (f (u, v)) = 0

luego f + (f ) = 0
Observaci
on
En IR2 , el producto punto cumple
(x, y) (x , y ) = xx + yy = x x + y y = (x , y ) (x, y)
Esta observacion nos induce al siguiente concepto
on 7.1.4 Sea f : V V W una aplicaci

Definici on bilineal. Dire-
mos que f es sim
etrica si
f (u, v) = f (v, u) (u, v) V V
Ejemplo
En la aplicacion bilineal del ejercicio (7.1) se tiene
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy =

= 2x x 2x y 2xy + 5y y = f ((x , y ), (x, y))
es decir,
f (u, v) = f (v, u); u, v IR2
Ejemplo
Sea f : IR2 IR2 IR, denida por:

f ((x1 , y1 ), (x2 , y2 )) = x1 x2 + 3x1 y2 + 3x2 y1 y1 y2
Esta aplicacion es bilineal y simetrica.
Ejemplo
Sea V = {f : [0, 1] IR; f continua}

Entonces Z 1
(f, g) = f (t)g(t)dt (7.2)
0
es simetrica. Es decir, el producto convolucion sobre IR es simetrico.
7.2 Formas bilineales

Definicion 7.2.1 Sea V un espacio vectorial sobre K. Una forma
bilineal sobre V , es una aplicaci
on bilineal
f :V V K
Ejemplo
f : IR2 IR2 IR; f ((x, y), (x , y )) = 3xx 2xy 2x y + 7yy .

Es facil ver que f es una forma bilineal.
Ejemplo
Sea V = {f : [0, 1] IR; f continua }. Entonces

Z 1
(f, g) = f (t)g(t)dt
0
es una forma bilineal.

no Algebra Lineal
7.2.1 Matriz asociada a una forma bilineal

Observaci
on
Consideremos la forma bilineal de la referencia (7.1)
f : IR2 IR2 IR; f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
En el dominio consideremos las bases B = {(1, 1), (0, 1)} y C =

{(1, 0), (1, 1)} de IR2 , a la izquierda y a la derecha respectivamente.
Se tiene:
f ((1, 1), (1, 0)) = 2 2 = 0
f ((1, 1), (1, 1)) = 2 1 (1) 2 1 1 2 (1) 1 + 5 1 1 = 3
f ((0, 1), (1, 0)) = 2 0 1 2 0 0 2 1 1 + 5 1 0 = 2
f ((0, 1), (1, 1)) = 2 0 (1) 2 0 1 2 (1) + 5 1 1 = 7
Naturalmente uno asociaciara
0 3

(f ; B, C) =
2 7
Efectivamente a toda forma bilineal le asociaremos una matriz con
respecto a dos bases dadas de la manera obtenida anteriormente.
Construcci
on de la matriz asociada
Sean U y V dos K-espacios vectoriales. Sean B = {u1 , u2 , . . . , un } y

C = {v1 , v2 , . . . , vm } bases ordenadas de U y V respectivamente.
Para todo u U y v V se tiene
n
X m
X
u= i ui , v = j vj
i=1 j=1
Para toda forma bilineal f : U V K a causa de la bilinealidad, se

tiene

n
X m
X n X
X m
f (u, v) = f i ui , j vj = i j f (ui , vj )
i=1 j=1 i=1 j=1
Sea (aij ) = f (ui , vj ); 1 i n, 1 j m.

Se obtiene la matriz A = (cij ) Mnm (K) de n lneas y m columnas,
la cual se llama matriz de la forma bilineal f relativa a las bases B y
C, denotada (f ; B, C).
Recprocamente, a toda matriz A = (aij ) Mnm (K), le corresponde
una unica forma bilineal f : U V K, denida por
n X
X m
f (u, v) = i j aij
i=1 j=1
la cual es bilineal.
Se tiene entonces el teorema siguiente:
Teorema 7.2.1 Sean U y V dos K-espacios vectoriales de dimensio-

nes n y m respectivamente. Para todo par de bases B = {e1 , e2 , . . . , en }
de U y C = {u1 , u2 , . . . , um } de V , existe una biyeccion
: B(U, V ; K) Mnm (K)

f 7 (f (ei , uj ) = (aij ))
el cual es un isomorfismo de espacios vectoriales.
Definici
on 7.2.2 La matriz que corresponde a f se llama matriz de
la forma bilineal f con respecto a las bases B y C.
7.2.2 Representaci
on matricial de f (x, y)
Sea f B(U, V : K) y su correspondiente matriz A = (aij ), tal que
A Mnm (K), en el isomorsmo anterior, relativo a las bases B y C
de U y V respectivamente.
Para todo (x, y) U V se tiene

X m
n X n
X n
X
f (x, y) = aij xi yj = xi aij yj
i=1 j=1 i=1 j=1
no Algebra Lineal
Consideremos las matrices columnas

x1

y1
x2
y2

X = .. ; Y = ..

. .

xn ym
El producto AY es una matriz columna de n las. El elemento de la

m
X
la i es aij yj .
j=1
El producto X t AY de la matriz la X t por la matriz columna AY es

una matriz de M11 (K) que tiene, por elemento unico a

n
X m
X
xi aij yj
i=1 j=1
Resulta, identicando toda la matriz de un solo elemento a este ele-

mento
f (x, y) = X t AY
Proposici on 7.2.2 Sean U y V dos K-espacios vectoriales de dimen-

siones n y m respectivamente. Si, relativo a las bases B y C de U y V ,
A es la matriz de f B(U, V : K) y si X e Y son las matrices colum-
nas de las componentes de u U y v V en estas bases. Entonces se
tiene
f (u, v) = X t AY
Ejemplo
Volvamos al ejercicio de la referencia (7.1)

f : IR2 IR2 IR; f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
B = {(1, 1), (0, 1)}, C = {(1, 0), (1, 1)}
(x, y) = x(1, 1) + (y x)(0, 1)

(x , y ) = (x + y )(1, 0) + y (1, 1)
Entonces
0 3 x + y

f ((x, y), (x , y )) = ( x y x )
2 7 y
7.3 Espacios Euclidianos
7.3.1 Producto escalar

Introducci
on

En IR3 , consideremos la base canonica {,, k}.
Sean u = x1 i + x2 j + x3 k y v = y1 i + y2 j + y3 k dos vectores en IR3 .
Entonces el producto punto de u y v se dene por
u v = x 1 y1 + x2 y2 + x 3 y3
llamado as, pues a dos vectores se le asocia un n

umero real y en
lenguaje geometrico se le asocia un punto.
La norma se dene por
q
|u| = x21 + x22 + x23
es decir, |u|2 = u u
Este producto punto puede tambien ser descrito por uv = |u||v|cos ,
donde es el menor angulo comprendido entre u y v; u, v 6= 0. Ademas
u v = 0 si y solo si es 2 .
Luego u v = 0 si y solo si u y v son perpendiculares.
Los conceptos de producto punto, longitud de un vector, ortogonalidad
seran generalizados a espacios vectoriales que no tienen facil descrip-
cion geometrica como son IRn , n 4 y los espacios de funciones, y en
IR2 y IR3 se dara conceptos mas amplios que el producto punto.
Nota: En esta seccion consideramos solamente formas bilineales que
tienen por codominio los n umeros reales, pues en el codominio vamos
a utilizar el concepto de orden.
no Algebra Lineal
Observaci
on
En la forma bilineal del ejercicio de referencia (7.1) se tiene

f ((x, y), (x, y)) = 2x2 4xy + 5y 2 =
= x2 + (x2 4xy + 4y 2 ) + y 2 = x2 + (x 2y)2 + y 2
que es siempre un n
umero positivo o nulo, pues es suma de cuadrados.
Definicion 7.3.1 Sea f : V V IR una forma bilineal. Diremos

que f es positiva si
f (v, v) 0 v V
Ejemplo
En el ejemplo (7.2) se tiene que

Z 1
(f, f ) = f (t)2 dt
0
es cero o positivo, pues el producto convolucion de f consigo misma,
representa el area bajo la curva f (t)2 cuyos puntos estan en el eje X
o sobre el eje X.
Observaci
on
En la forma bilineal del ejercicio (7.1) se tiene que f ((x, y), (x, y)) = 0
implica que x2 + (x 2y)2 + y 2 = 0 luego x = y = 0, es decir (x, y) =
(0, 0).
Definici on 7.3.2 Sea f : V V IR una forma bilineal. Diremos

que f es definida cuando el u nico vector de V que satisface f (v, v) = 0
es el vector v = 0, es decir f (v, v) = 0 v = ~0.
~
Ejemplo
En la forma
Z 1
bilineal del ejercicio (7.2) se tiene que si (f, f ) = 0 en-
tonces f (t)2 dt = 0 luego f (t)2 = 0 t IR luego f (t) = 0 t [0, 1]
0
es decir f = 0 en[0,1]
Definicion 7.3.3 Si f : V V IR es una forma bilineal, entonces

diremos que f es un producto escalar si f es simetrica, positiva y
definida. Notaci
on: f (u, v) =:< u, v >
Ejemplos
Las formas bilineales del ejercicio (7.1) y del ejercicio (7.2) son pro-
ductos escalares.
Definici
on 7.3.4 Sea V un IR-espacio vectorial. Diremos que V es un
Espacio Euclidiano si sobre V se puede definir un producto escalar.
7.3.2 Norma
Observaci
on
En IR2 con el producto punto, se dene la longitud o norma de un

vector, de la manera siguiente
q
||(x, y)|| = x2 + y 2
pero x2 + y 2 corresponde al producto usual de (x, y) consigo mismo,

es decir q
||(x, y)|| = (x, y) (x, y)
El concepto de norma se generaliza de la manera siguiente:
Definici on 7.3.5 Sea V un espacio euclidiano, con un producto es-

calar < u, v >. Dado u V , es llamado norma del vector u, deno-
tado ||u||, el n
umero real positivo:

||u|| = < u, u >
no Algebra Lineal
Ejemplo
En IR2 , considerando el producto usual, se tiene

||(1, 2)|| = 12 + 22 = 5

||(3, 4)|| = 32 + 42 = 5
Ejemplo
En IR2 , considerando el producto del ejercicio (7.1) se tiene:

||(1, 0)|| = 2 12 4 1 0 + 5 02 = 2

||(1, 2)|| = 2 12 4 1 2 + 5 22 = 14

||(3, 4)|| = 2 32 4 3 4 + 5 42 = 50
q q
||(1, 3)|| = 2 12 4 1 3 + 5 ( 3)2 = 17 4 3
Ejemplo
h i
V = {f : 2 , 2 IR continua} con el producto
Z
2
(f, g) = f (t)g(t)dt
2
Algunos ejemplos en este caso son:

Sea n IN
Z
2 2
||sennx|| = (sennx, sennx) = sen2 nxdx =
2

1 cos 2nx 1 1
Z
2 2 2
= dx = x sen2nx =
2 2 2 2 4n 2 2
q

Luego ||sennx|| = 2
n IN
Sea m IN
Z
2
|| cos mx||2 = (cos mx, cos mx) = cos2 mxdx =
2

Z
2 1 + cos 2mx 1 2 1 2
= dx = x + sen2mx =
2 2 2 2 4m 2 2
q

luego || cos mx|| = 2
m IN
Ejemplo
En IRn con el producto escalar usual se tiene

q
||(u1 , u2 , . . . , un )|| = < (u1 , u2 , . . . , un ), (u1 , u2 , . . . , un ) > =
q
= u21 + u22 + + u2n
Proposici
on 7.3.1 Sea V un espacio euclidiano, entonces se tiene
1. ||u|| = || ||u|| IR, u V
2. ||u|| 0 u V
olo si u = ~0
3. ||u|| = 0 si y s
Demostraci
on (1)

||u|| = < u, u > = 2 < u, u > = 2 < u, u > =
= || ||u||
Demostraci
on (2)

< u, u > 0 u V < u, u > esta denida u V y
< u, u > 0 u V luego ||u|| 0 u V
Demostracion (3)

||u|| = 0 < u, u > = 0 < u, u >= 0 u = ~0
no Algebra Lineal
Proposicion 7.3.2 (Desigualdad de Cauchy-Schwartz) Sea V

un espacio euclidiano, entonces
| < u, v > | ||u|| ||v|| u, v V
Demostraci
on
Supongamos primero que v = ~0. Entonces ambos miembros de la

igualdad son cero (ejercicio).
<u,v>
Supongamos v 6= 0 luego < v, v >6= 0. Sea = <v,v>
.
Como la forma bilineal es positiva, se tiene que
 0
De la bilinealidad, se deduce
< u, u > < u, v > < v, u > +2 < v, v > 0
Usando la propiedad simetrica y la denicion de se tiene

< u, v >2 < u, v >2 < u, v >2
< u, u > 2 + 0 < u, u > 0
< v, v > < v, v > < v, v >
Multiplicando por < v, v > se tiene
< u, u >< v, v > < u, v >2 0 < u, u >< v, v >< u, v >2
luego

< u, u > < v, v > | < u, v > | | < u, v > | ||u|| ||v||
Ejemplo
En IR2 con el producto escalar usual, se tiene
| < (x1 , y1 ), (x2 , y2 ) > | ||(x1 , y1 )|| ||(x2 , y2 )||
es decir q q
|x1 x2 + y1 y2 | x21 + y12 x22 + y22
Ejemplo
En IRn con el producto escalar usual, se tiene
| < (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) > |

||(x1 , x2 , . . . , xn )|| ||(y1 , y2 , . . . , yn ||
es decir v v
n u n u n

X uX uX

x i yi

t x2 i t y2 i
i=1 i=1 i=1
elevando al cuadrado, se tiene

X 2 n n
x2i yi2
X X
xi yi
i=1 i=1
conocida como la desigualdad de Lagrange.
Corolario 7.3.3 (Desigualdad triangular de Minkowsky)
||u + v|| ||u|| + ||v||
Demostraci
on
||u + v||2 ==

=< u, u > + < u, v > + < v, u > + < v, v >=
=< u, u > +2 < u, v > + < v, v >= ||u||2 + 2 < u, v > +||v||2
||u||2 + 2||u|| ||v|| + ||v||2 = (||u|| + ||v||)2
Como ||u + v|| y ||u|| + ||v|| son positivos, entonces
||u + v|| ||u|| + ||v||
Corolario 7.3.4
| ||u|| ||v|| | ||u v||

no Algebra Lineal
Demostraci
on
Puesto que u = (u v) + v, por el corolario anterior se tiene
||u|| ||u v|| + ||v||
luego
||u|| ||v|| ||u v|| (7.3)
Ademas v = (v u) + u, luego
||v|| ||v u|| + ||u||
luego
||v|| ||u|| ||v u|| = ||u v||
de donde
||v|| ||u|| ||u v|| (7.4)
Por (7.3) y (7.4)
| ||u|| ||v|| | ||u v||
7.3.3 Ortogonalidad
En IR2 , considerando el producto usual se tiene que el producto entre
dos vectores es nulo si y solo si el angulo comprendido es de 2 radianes,
es decir, si y solo si estos vectores son ortogonales.
Este concepto de ortogonalidad se generaliza de la manera siguiente:
Definicion 7.3.6 En un espacio euclidiano V , diremos que dos vec-

tores u y v son ortogonales si el producto escalar entre ellos es nulo.
Ejemplo
En IR3 , considerando el producto usual se tiene que u = (3, 0, 0) y

v = (0, 5, 0) son ortogonales. Tambien u = (3, 0, 0), w = (0, 0, 7) son
ortogonales.
Ejemplo
Volviendo al ejercicio (7.1)

f ((1, 1), (2, 0)) = 2 1 2 2 1 0 2 2 1 + 5 1 0 = 0
Entonces diremos que u = (1, 1) y v = (2, 0) son ortogonales con
respecto a este producto.
Definicion 7.3.7 Sea S = {u1 , u2 , . . . , un } en un espacio euclidiano

V . Diremos que S es un conjunto ortogonal de vectores si los vec-
tores de S son ortogonales de dos en dos. Si ademas todos ellos tienen
norma 1, diremos que S es un conjunto ortonormal de vectores.
Ejemplo
En el ejercicio (7.1) el conjunto B = {(1, 1), (2, 0)} es ortogonal.

n o
El conjunto C = 1 , 1 , 1 , 0 es ortonormal con respecto al
3 3 2
mismo producto escalar.
Ejercicio
Sea V = {f : [l, l] IR; f continua}, con el producto escalar

siguiente:
Z l
(f, g) = f (x)g(x)dx
l
nx nx

Demostremos que cos , sen ; n = 0, 1, 2, . . .} es una fa-
l l
milia ortogonal. Determinemos ademas la norma de cada vector.
no Algebra Lineal
Soluci
on
1. Sea m 6= n
mx nx Z l
mx nx

cos , cos = cos cos dx =
l l l l l
" ! !#
Z l
1 (m + n)x (m n)x
= cos + cos dx = 0
l 2 l l
2. Sea m 6= n
mx nx Z l
mx nx

sen , sen = sen sen dx =
l l l l l
" ! !#
Z l
1 (m n)x (m + n)x
= cos cos dx = 0
l 2 l l
3. m, n IN
mx nx Z l
mx nx

cos , sen = cos sen dx =
l l l l l
" ! !#
Z l
1 (m n)x (m + n)x
= sen + sen dx = 0
l 2 l l
Luego la familia dada es ortogonal Ahora busquemos la norma de estas

funciones
1. Para n = 0, se tiene cos 0x = 1 y su norma es

Z l
||1||2 = dx = 2l
l

es decir, ||1|| = 2l
2. Para n 1
nx 2 Z l 2 nx

cos = cos dx =

l l l
1Z l 2nx

= 1 + cos dx =
2 l l
!l
1 l 2nx

= x+ sen
=l
2 2n l

l
es decir
nx

cos
= l

l
3. Para n 1
nx 2 Z l 2 nx

sen = sen dx =

l l l
1Z l 2nx

= 1 cos dx =
2 l l
!l
1 l 2nx

= x sen
=l
2 2n l

l
es decir
nx

sen
= l

l
Definicion 7.3.8 Sea V un espacio euclidiano de dimensi on finita.

Diremos que el conjunto B = {u1 , u2 , . . . , un } es una base ortonor-
mal de V , si B es una base de V y B es un conjunto ortonormal de
vectores de V .
Teorema 7.3.5
(Proceso de ortonormalizaci
on de Gram-Schmidt)
Todo espacio euclidiano V de dimensi on finita n, no nulo, admite una
base ortonormal {g1 , g2 , . . . , gn }.
Demostraci
on
1
1. Si dim V = 1. Sea {u} una base de V , entonces g = . Se
||u||
tiene que ||g1 || = 1.
1
2. Si dim V = 2. Sea {u1 , u2 } una base de V , entonces g1 = u1 .
||u1 ||
Sea v2 = u2 < u2 , g1 > g1 . Se tiene que
no Algebra Lineal
< v2 , g1 > = < u2 < u2 , g1 > g1 , g1 >=

= < u2 , g1 > < u2 , g1 >< g1 , g1 >= 0
1
Se construye g2 = v2
||v2 ||
Entonces {g1 , g2 } es una base ortonormal de V .
3. Si dim V = 3. Sea {u1 , u2 , u3 } una base de V . Se construye v3 de

la manera siguiente
v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
Se tiene que < v3 , g1 >= 0 y < v3 , g2 >= 0 (se deja de ejercicio
al lector). Luego se construye g3 de la manera siguiente
1
g3 = v
||v3 || 3
En general se construye vr de la manera siguiente

vr = ur < ur , g1 > g1 < ur , g2 > g2 < ur , gr1 > gr1
1
gr = v
||vr || r
Este proceso debe terminar en algun momento pues el espacio

euclidiano considerado es de dimension nita.
on 7.3.9 Diremos que {g1 , . . . , gn } es la base ortonorma-

Definici
lizada de {u1 , u2 , . . . , un }.
Ejercicio
Con respecto al producto escalar

< (x, y), (x , y ) >= 2xx 2xy 2x y + 5yy
ortonormalicemos la base B = {(1, 1), (1, 1)}
Soluci
on
Sea u1 = (1, 1)
||u1 ||2 =< (1, 1), (1, 1) >= 2 1 1 2 1 1 2 1 1 + 5 1 1 = 3
(1, 1)
g1 =
3
v2 = u2 < u2 , g1 > g1
D E
v2 = (1, 1) (1, 1), (1,1)

3
(1,1)

3
(1,1)
v2 = (1, 1) < (1, 1), (1, 1) > 3
(1,1)
v2 = (1, 1) (2 1 1 2 1 1 2 1 (1) + 5 (1) 1) 3
(1,1)
v2 = (1, 1) + 3 3
= (1, 1) + (1, 1) = (2, 0)
< v2 , v2 >=< (2, 0), (2, 0) >= 8

||v2 || = < v2 , v2 > = 2 2
(2, 0) (1, 0)
g2 = =
2 2 2
n o
, (1,0)
(1,1)
La base ortonormalizada es B = 3

2
Ejemplo
En IRn , con el producto usual, el conjunto

S = {e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1)}
es un conjunto ortonormal.
Ejemplo
En V = {f : [0, 1] IR contnuas} con el producto escalar

Z
< f, g >= f (t)g(t)dt, el conjunto

cos mx sen nx
l l
S= , ; m, n IN
l l
es un conjunto ortonormal de vectores.

no Algebra Lineal
Ejemplo
En IR2 , con el producto usual B = {(1, 0), (0, 1)} es una base ortonor-
mal de IR2 .
Proposici on 7.3.6 Sea V un espacio euclidiano. Sea U un sub-

espacio de V , entonces el conjunto S = {v V ; < u, v >= 0 u U }
es un sub-espacio vectorial de V .
Demostraci
on
Sean u1 , u2 U entonces
1. < u1 + u2 , v >=< u1 , v > + < u2 , v >= 0 + 0 = 0, luego

u1 + u 2 U .
2. Ademas < u1 , v >= < u1 , v >= 0 = 0 luego u1 U
Por (1.) y (2.) S es un sub-espacio vectorial de V .
Definici
on 7.3.10 El sub-espacio S de la proposicion anterior ser
a
denotado S y es llamado el subespacio ortogonal a S.
7.3.4 Angulo y distancia entre vectores

En IR2 , considerando el producto punto, se obtiene el coseno del angulo
menor entre dos vectores de la igualdad
< u, v >= ||u|| ||v|| cos
Este concepto se generaliza de la manera siguiente:
Definici
on 7.3.11 Sea V un espacio vectorial euclidiano con pro-
ducto escalar < u, v >. Se define el coseno del
angulo menor com-
prendido entre dos vectores no nulos como
< u, v >
cos =
||u|| ||v||
Ejemplo
En IR2 con el producto

escalar usual, el angulo menor entre los vectores
u = (1, 0) y v = 21 , 23 es

1 3
< (1, 0), ,
2 2
> 1
2 1
cos = = =
(1, 0) 1
, 3 11 2
2 2

luego = 3 . Por supuesto que el angulo entre u = (1, 0) y w = (1, 3)
es tambien = 3
Ejemplo
En IR2 , considerando el producto escalar del

ejemplo (7.1). El angulo
menor entre los vectores u = (1, 0) y v = (1, 3) es

<(1,0),(1, 3)> 21121 3201+50( 3) 22 3
cos = ||(1,0)||||(1, 3)||
= =
2 174 3 2 174 3
Observaci
on
En IR2 , consideremos el producto usual. La distancia entre dos puntos

de IR2 , P1 = (x1 , y1 ) y P2 = (x2 , y2 ) es
q
d(P1 , P2 ) = (x2 x1 )2 + (y2 y1 )2
umero corresponde a ||(x2 , y2 ) (x1 , y1 )||, es decir, se puede
Este n
pensar como la distancia entre dos vectores
d((x1 , y1 ), (x2 , y2 )) = ||(x2 , y2 ) (x1 , y1 )||
Este concepto de distancia entre dos vectores se puede generalizar de
la manera siguiente:
Definicion 7.3.12 Sea V un espacio euclidiano con norma ||u||, en-

on d : V V IR+
tonces la aplicaci 0 definida por d(u, v) = ||u v||,
es llamada la funci on distancia. El numero d(u, v) es llamado la
distancia entre u y v .
no Algebra Lineal
Proposici
on 7.3.7 Sea V un espacio euclidiano. Entonces
1. d(u, v) 0 u, v V
2. d(u, v) = 0 si y s
olo si u = v
3. d(u, v) = d(v, u) u, v V
4. d(u, v) d(u, w) + d(w, v) u, v, w V
La demostracion la dejamos al lector
Definici
on 7.3.13 Un espacio vectorial real dotado de una distancia
es llamado un espacio m
etrico.
7.4 Formas bilineales sim

etricas
El estudio de las formas bilineales esta ntimamente ligado al estudio
de las formas cuadraticas.
on 7.4.1 Sea f : V V K una forma bilineal simetrica.

Definici
Consideremos una funcion qf : V K definida por
qf (v) = f (v, v) v V (7.5)
Esta funcion de una variable, es llamada la forma cuadr

atica sobre
V asociada a la forma bilineal f .
Ejemplo
La funcion cuadratica asociada al producto interno usual de IRn es
q(x1 , x2 , . . . , xn ) = x21 + x22 + + x2n

Ejemplo
Sea f : IR2 IR2 IR del ejercicio (7.1).

Entonces la funcion cuadratica asociada a f es
q((x, y)) = 2x2 4xy + 5y 2
Nota: Recprocamente, si q es la forma cuadratica asociada a una

forma bilineal f , podemos recuperar f de la manera siguiente:
1
f (u, v) = [q(u + v) q(u) q(v)] u, v V (7.6)
2
Las formulas (7.5) y (7.6) son conocidas como identidades de polariza-
cion y muestran que no solamente q esta unvocamente determinada
por f , sino tambien q determina unvocamente a f .
Proposici on 7.4.1 Sea f : V V IR bilineal simetrica, Si

f (v, v) = 0 v V , entonces f es nula.
Demostraci
on
Sea u, v V , entonces
0 = f (u + v, u + v) = f (u, u) + 2f (u, v) + f (v, v) =
= 2f (u, v) luego f (u, v) = 0 u, v V luego f = 0.

Ejercicio
Sea f : M2 (IR) M2 (IR) IR, la forma bilineal denida por:

a b e f

f( , ) = ae + 2bf + 3cg + dh
c d g h
1. Demostremos que f es un producto interno en M2 (IR).

no Algebra Lineal
2. Sean
1 1 2 1

A= yB=
0 1 1 1
Calculemos ||A||, ||B||, d(A, B) y el angulo comprendido entre
AyB
Soluci
on de (1)
Se ha supuesto que f es bilineal. Debemos demostrar entonces:
(a) Demostremos que f es simetrica.

a b e f

f( , ) = ae + 2bf + 3cg + dh
c d g h
e f a b

f( , ) = ea + 2f b + 3gc + hd
g h c d
ambos productos son iguales, luego f es simetrica.
(b) Demostremos que f es positiva.
a b a b

f( , ) = a2 + 2b2 + 3c2 + d2 0
c d c d
(c) demostremos que f esta bien denida.
a b a b

f( , ) = a2 + 2b2 + 3c2 + d2 = 0
c d c d
a=0=b=c=d
por (a), (b) y (c) f es un producto interno.
Soluci
on de (2)
s

1 1 1 1

||A|| = < A, A > = < , >=
0 1 0 1

= 1+2+0+1= 4=2
s

2 1 2 1

||B|| = < B, B > = < , >=
1 1 1 1

= 4+2+3+1= 10
1 1 2 1

d(A, B) = ||A B|| = || || =
0 1 1 1
s
1 2 1 2 1 2

= || || = < , >=
1 0 1 0 1 0

= 1 + 8 + 3 + 0 = 12 = 2 3
Tenemos que ||A|| ||B|| cos =< A, B >, luego
1 1 2 1

< , >
< A, B > 0 1 1 1 1
cos = = =
||A|| ||B|| 2 10 2 10
luego
1
= arccos
2 10
Ejercicio
Sea f : IR2 IR2 IR una forma bilineal denida por:
f ((x1 , y1 ), (x2 , y2 )) = 3x1 x2 + 2x1 y2 + 2x2 y1 + 10y1 y2
1. Demuestre que f es un producto interno.
2. Sean u = (1, 1) y v = (1, 0). Encuentre la norma de estos dos

vectores, la distancia entre ellos y el coseno del angulo compren-
dido entre ellos.
Soluci
on de (1)
Se ha dado por supuesto que es bilineal. Debemos demostrar entonces:
(a) f es simetrica.
En efecto
no Algebra Lineal
f ((x1 , y1 ), (x2 , y2 )) = 3x1 x2 + 2x1 y2 + 2x2 y1 + 10y1 y2

f ((x2 , y2 ), (x1 , y1 )) = 3x2 x1 + 2x2 y1 + 2x1 y2 + 10y2 y1
Ambas imagenes coinciden, luego f es simetrica.
(b) f es positiva.
En efecto
f ((x, y), (x, y)) = 3x2 +4xy+10y 2 = 2x2 +(x2 +4xy+4y 2 )+6y 2 =
= 2x2 + (x + 2y)2 + 6y 2 0 (x, y) IR2
(c) f esta bien denida.

En efecto
f ((x, y), (x, y)) = 0 2x2 + (x + 2y)2 + 6y 2 = 0
x = y = 0 (x, y) = (0, 0)
por (a), (b) y (c) f es un producto interno.
Soluci
on de (2)
q
||u|| = ||(1, 1)|| = f ((1, 1), (1, 1)) = 3
q
||v|| = ||(1, 0)|| = f ((1, 0), (1, 0)) = 3
d(u, v) = ||u v|| = ||(1, 1) (1, 0)|| = ||(0, 1)|| =
q
3 02 + 4 0 (1) + 10 (1)2 = 10
Tenemos que
< u, v >= ||u|| ||v|| cos

< u, v >
luego cos =
||u|| ||v||
< u, v >=< (1, 1), (1, 0) >= 311+210+21(1)+10(1)0 = 1
1
Luego cos =
3 3
Ejercicio
Sobre M2 (IR), consideremos el producto interno siguiente:
f : M2 (IR) M2 (IR) IR; f (A, B) = tr(At B)
Sea S subespacio de M2 (IR) con base
1 1 1 1 1 0

C = {u1 = , u2 = , u3 = }
1 0 1 0 0 1
1. Ortonormalicemos la base de C de S
2. Busquemos el subespacio ortogonal a S
Soluci
on de (1)
s
1 1
t
1 1

||u1 || = tr = 3
1 0 1 0
1 1

Sea g1 = 1
1 0
3
Se tiene que v2 = u2 < u2 , g1 > g1 =
1 1 1 1 1 1 1

= < , 3 > 1 =
1 0 1 0 1 o 3
2
1 1 1 1 43

= (1 + (1) + 1) 13 = 3
2
1 0 1 0 3
0
q
||v2 || = ( 32 )2 + ( 43 )2 + ( 32 )2 = 2
3
6
2
34 1 2

1
g2 = 6
2
3
2= 16
3 0 3
1 0
Se tiene que: v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
1 0 1 0 1 1 1 1 1

v3 = < , 3 > 1
0 1 0 1 1 0 3 1 0
no Algebra Lineal
1 1 1 1 2 1 2

< , 6 > 1 =
1 0 1 0 6 1 0
1
1 0 1 1 1 2 0

1 1
= = 2
0 1 3 1 0 6 1 0 21 1
s t
1 1
0 0
q q
||v3 || = tr 2 2 = ( 21 )2 + ( 21 )2 + 12 = 3
21 1 21 1 2
1
0

2
1 2 0
1 2 3
g3 = 2
3
=
2 223 2
3
Luego {g1 , g2 , g3 } es la base ortonormal de S obtenida por el proceso

de Grahn-Schmidt.
Soluci
on de (2)
Busquemos el subespacio ortogonal a S

Construyamos el sistema de ecuaciones siguiente:
x y 1 1

< , >= 0 x + y + z = 0
z t 1 0
x y 1 1

< , >= 0 x y + z = 0
z t 1 0
x y 1 0

< , >= 0 x + t = 0
z t 0 1
Si escalonamos el sistema tenemos: x = t; y = 0; z = t.

1 0

Luego el subespacio ortogonal de S es S =< >
1 1
Ejercicio
Sea f : IR3 IR3 IR denida por:
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = 2x1 x2 +3x1 y2 +3x2 y1 +5y1 z2 +5y2 z1 +4z1 z2

1. Busquemos la forma cuadratica asociada a esta forma bilineal

simetrica.
2. Busquemos la matriz asociada a f con respecto a la base

canonica.
Soluci
on de (1)
q(x, y, z) = f ((x, y, z), (x, y, z)) = 2x2 + 3xy + 3xy + 5yz + 5yz + 4z 2 .
Luego q(x, y, z) = 2x2 + 6xy + 10yz + 4z 2
Soluci
on de (2)
Tenemos que hacer los siguientes calculos:
f ((1, 0, 0), (1, 0, 0)) = 2; f ((1, 0, 0), (0, 1, o)) = 3;

f ((0, 1, 0), (1, 0, 0)) = 0; f ((1, 0, 0), (0, 0, 1)) = 0
f ((0, 0, 1), (1, 0, 0)) = 0; f ((0, 1, 0), (0, 1, 0)) = 0
f ((0, 1, 0), (0, 0, 1)) = 5; f ((0, 0, 1), (0, 1, 0)) = 5
f ((0, 0, 1), (0, 0, 1)) = 4

2 0 0
3 0 5
Luego (f ; C, C) =
0 5 4
Ejercicio
Sea q : IR3 IR denida por: q(x, y, z) = 3x2 + 2xz 10yz + 2z 2
1. Busquemos la matriz asociada a q con respecto a la base canonica

C = {e1 , e2 , e3 }
2. Busquemos la forma bilineal asociada a q

no Algebra Lineal
Soluci
on de (1)
Tenemos que

a b c x
q(x, y, z) = ( x y z)b d e y =

c e f z

x
= ( ax + by + cz bx + dy + ez cx + ey + f z ) y =

z
= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 ) =
= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 )
Luego a = 3; b = 0; c = 1; d = 0; e = 5; f = 2
Luego

3 0 1
(q; C) = 0 0 5

1 5 2
Soluci
on de (2)
f (e1 , e1 ) = 3; f (e1 , e2 ) = f (e2 , e1 ) = 0; f (e1 , e3 ) = f (e3 , e1 ) = 1;

f (e2 , e2 ) = 0; f (e2 , e3 ) = f (e3 , e2 ) = 5; f (e3 , e3 ) = 2
Sea x = 1 e1 + 2 e2 + 3 e3 y y = 1 e1 + 2 e2 + 3 e3
f (x, y) = f (1 e1 + 2 e2 + 3 e3 , 1 e1 + 2 e2 + 3 e3 ) =
= 1 1 3 + (1 2 + 2 , 1 ) 0 + (1 3 + 3 1 ) 1 + 2 2 0 +
+ (2 3 + 3 2 ) (5) + 3 3 2
Luego
f (x, y) = 31 1 + 1 3 + 3 1 + (5)2 3 + (5)3 2 + 23 3
O bien lo podramos haber obtenido de la manera siguiente:

a b c x2
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = ( x1 y1 z1 ) b d e y2

c e f z2

1. Sea f : IR3 IR3 IR una forma bilineal denida por:
f ((x, y, z), (a, b, c)) = xa + 4xb + kya + lyb + mzc
(a) Encuentre las propiedades que deben cumplir k, l, m de

manera que f sea un producto interno.
(b) Para k = 4, l = 17, m = 1, encuentre la matriz asociada a
f con respecto a la base B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
2. Sea q : IR3 IR la forma cuadratica denida por q(x, y, z) = xy.
(a) Encuentre la forma bilineal simetrica sociada a q.

(b) Encuentre la matriz asociada a q con respecto a la base
B = {(1, 1, 0), (1, 1, 0), (0, 0, 1)}
3. Sea f : V V IR un producto interno. Demuestre que

f (u, v) = 41 ku + vk2 14 ku vk2 .
4. Demuestre que ku + vk2 = kuk2 + kvk2 u es ortogonal con v.
5. Considere el producto escalar <, >: IR3 IR3 IR denido por:
< (x, y, z), (x , y , z ) >= 2xx + 2xz + 2x z + 3zz + yy
Sea S = {(x, y, z); x + y + z = 0}. Encuentre S .

Eplogo
Antes de terminar, queremos felicitarte por llegar hasta el nal de

estos apuntes.
Deseamos que apruebes el curso. Feliz t u si apruebas este ramo y
mejor a
un si es con buena nota. Felicitaciones! Esperamos que ahora
entiendas mejor como se van construyendo las matematicas.
Si debes profundizar este ramo el proximo semestre, entonces animo
Sabes, todos nos hemos cado en nuestras vidas y lo importante es
pararse, animarse y volver a hacer todo de nuevo y mucho mejor que
antes. Todo de nuevo? Si Todo de nuevo!, pero el proximo semestre
entenderas muy bien y tal vez sea el comienzo de una nueva etapa en
tu vida de estudiante. De ahora en adelante te ira estupendo!
317
Bibliografa
[1] Boldrini, Costa, Figueiredo, Wetzler, Algebra Linear, Har-

bra.
[2] C. A. Callioli, H. H. Domingues, R. C. F. Costa, Algebra

Linear e aplicacoes, Atual.
[3] A. Doneddu, Polinome et Algebre Lineaire. Vuibert.
[4] J. B. Fraleigh, Algebra Lineal, Addison-Wesley Iberoameri-

cana.
[5] E. Gentille, Notas de Algebra, Algebra Lineal, Docencia S.A.

Buenos Aires.
[6] S. Grossman, Algebra Lineal, MacGraw Hill.
[7] K. Hoffman y R. Kunze, Algebra Lineal. Prentice-Hall His-

panoamericana, S.A.
[8] B. Kolman, Algebra Lineal, Addison-Wesley Iberoamericana.
[9] S. Lang, Linear Algebra, Springer-Verlag New York Inc.
[10] I. Proskuriakov, Problemas de Algebra lineal, Mir. Moscu.
[11] P. C. Shields, Algebra Lineal, Interamericana.
319
Indice de t
erminos
Angulo entre vectores, 304 Conjunto ortonormal, 299

Aplic. Bil. simetrica, 286
Aplicacion lineal, 119 Desigualdad de Cauchy-Schwartz,
Aplicacion nula, 121 296
Aplicaciones Bilineales, 275, 276, Desigualdad de Lagrange, 297
278 Desigualdad triangular, 297
Automorsmo, 145, 200 Determinante, 219, 220, 226, 228,
229
Base, 81 Determinante de un endomor-
base canonica de K[X], 84 smo, 234, 235
base canonica de K 2 , 84 Diagonalizable, 257, 258
base canonica de K n , 83 Diagonalizacion, 249
base canonica de K2 [X], 84 Dimension, 92, 96, 97
base canonica de Km [X], 84 Distancia entre vectores, 305
base canonica de K[X], 84 divisor de cero, 188
Base Diagonalizante, 257
Base escalonada, 86 Ecuaciones equivalentes, 9
Base ortonormal, 301 Elementos propios, 253
Base ortonormalizada, 302 Endomorsmo, 144
Epimorsmo, 145
Cambio de base, 202 Esp. vec. complejos, 97
Cofactor, 229 Espacio Euclidiano, 291, 293
Combinacion lineal, 12, 54 Espacio metrico, 306
Combinacion lineal de ecuaciones, Espacio vectorial, 35
12 Espacio vectorial nito, 40
Componentes, 83
Composicion de morsmos, 183 Familia de sistemas, 24
Conjunto maximal l.i., 78 Forma Bilineal, 287
Conjunto minimal, 69 Forma cuadratica, 306
Conjunto ortogonal, 299 Forma denida, 292
321
no Algebra Lineal
Forma matricial de f (v) = w, Norma, 293

193
Forma matricial de un sistema Operacion elemental, 13, 66
de EC., 195 Operaciones elementales, 13
Forma positiva, 292 Ortogonalidad, 298
Homotecia, 121 Parte antisimetrica, 192

Parte simetrica, 192
idempotente, 189 Polinomio caracterstico, 256
Identidad, 121 Polinomios truncos, 38
involutiva, 189 Ponderacion de una Aplic. Bil.,
Isomorsmo, 145 283
Isomorfo, 149 Producto f , 181
Linealmente dependiente, 70 Producto M , 181
Linealmente independiente, 70 Producto de matrices, 183, 184
Producto escalar, 291, 293
Matrices equivalentes, 203, 205 Producto por escalar, 35, 154
Matrices semejantes, 206
Matriz, 21 Reexion, 122
Matriz adjunta, 232, 234 Rotacion, 124
Matriz antisimetrica, 191
Sistema de Cramer, 17
Matriz asociada, 173, 174, 176,
Sistema de Ec. l.d., 16
288, 289
Sistema de Ec. l.i., 17
Matriz de cambio de base, 200,
Sistema escalonado, 20
202
Sistema lineal, 11
Matriz elemental, 198
Sub-espacio generado, 60
Matriz idempotente, 212
Sub-espacio suma, 102
Matriz invertible, 187
Sub-espacio vectorial, 43, 44
matriz nilpotente de grado m,
Sub-espacios l.i., 110
189
Sub-espacios suplementarios, 110
Matriz ortogonal, 191
Sub-espacios vectoriales, 42
Matriz simetrica, 191
Matriz singular, 187 Subdeterminante, 226
Matriz transpuesta, 190 Subespacio ortogonal, 304
Monomorsmo, 144 Subespacio propio, 255
Morsmo, 144 Suma de Aplic. Bilineales, 283
Suma de matrices, 179
N
ucleo, 131, 135 Suma de morsmos, 179
Cap
Aplicaciones
tulo 7. Bilineales 323
Suma de sub-espacios, 101, 113

Suma directa de sub-espacios,
108, 114
Teo. Gram-Schmidt, 301

Teorema Aplic. Bil., 279
Teorema de invariancia, 96
Teorema de Steinitz, 89
Teorema fundamental, 127
Tipos especiales de matrices, 186
Translacion, 123
Traza de una matriz, 192
Valor propio, 254

Valor propio m ultiple, 265
Valor propio simple, 258
Vector propio, 254
Vectores escalonados, 86
Vectores l.d., 70
Vectores l.i., 70
Vectores ortogonales, 298

Texto Algebra Lineal PDF

Cargado por

Información del documento

Título original

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

Texto Algebra Lineal PDF

Cargado por

Copyright:

Formatos disponibles

1

Dra. Mara Teresa Alcalde

Depto. de Matematica y Estadstica

Tercera Edicion - 2008

1 Sistemas de Ecuaciones Lineales 7

3 Aplicaciones Lineales 119

3.2 Determinacion de una aplicacion lineal . . . . . . . . . 126

6.5 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 268

7 Aplicaciones Bilineales 275

a errores que cometen todos los semestres en sus pruebas.

1.1 Definiciones y ejemplos

Definicion 1.1.1 Una ecuaci

K un cuerpo. Los xi son llamados inc

Recuerde que ZZ es un anillo, no alcanza a ser un cuerpo.

Resolvamos la ecuacion lineal 2x + 3y 2z = 5

Bueno hay que despejar una de las incognitas. En esta oportunidad

Definicion 1.1.2 Diremos que dos ecuaciones lineales son equiva-

Veamos dos ejemplos:

Consideremos las ecuaciones

Hemos observado que hay alumnos que no saben resolver la ecuacion

Este es un sistema de ecuaciones lineales de 2 ecuaciones y 3 incognitas.

Sistema formado por 4 ecuaciones y 2 incognitas

Sistema formado por 3 ecuaciones y 3 incognitas.

Este sistema es incompatible, pues no existen 3 n

Bueno, como has podido apreciar no hay relacion entre el n

Definicion 1.1.3 Un sistema lineal de m ecuaciones y n inc

Donde ij , i K, los xj son llamados las inc

Dada la denicion, el proximo paso a seguir es denir cuando dos

Ahora estudiemos el siguiente sistema, de apariencia muy distinta al

Definicion 1.1.4 Diremos que dos sistemas son equivalentes si

Consideremos el sistema siguiente:

De este sistema podemos obtener la ecuacion

Definicion 1.2.1 Sean E1 , E2 , , En , n ecuaciones. Diremos que

1.3 Operaciones elementales

Bueno, el problema que enfrentaremos ahora es encontrar las opera-

Pero, veamos cuales son estas operaciones. Es trivial que si cambiamos

Es super importante que comiences a aprender la notacion que usare-

A pesar de ser una operacion trivial, la usaremos a lo largo de todo

(Nuevamente observe la notacion)

La ecuacion (1) fue multiplicada por 2.

nica solucion, esta es (6, 21 ). En el

Esta ecuacion es equivalente a x + y = 3 salvo en el caso = 5

A la segunda ecuacion, le hemos sumado 1 vez la primera ecuacion.

Estas operaciones son reversibles. En efecto:

1. La primera operacion: Si cambiamos la ecuacion Ei con la

2. La segunda operacion: Si la ecuacion Ei la multiplicamos por ,

3. La tercera operacion: Si la ecuacion Ei la cambiamos por Ei =

El hecho de que tales operaciones sean reversibles garantiza que el

1.4 Sistemas dependientes e independi-

Vemos que E3 = E1 E2 , es decir, E3 es una combinacion lineal de

Definicion 1.4.1 Diremos que un sistema de ecuaciones es lineal-

Consideremos el sistema siguiente:

Definici on 1.4.2 Diremos que un sistema de ecuaciones es lineal-

En denitiva, en un sistema linealmente independiente no hay infor-

mas incognitas que ecuaciones.

mas ecuaciones que incognitas.

1.5 Sistema de Cramer

En la Educacion Media, uno comprendio que un sistema lineal de 2

lo mismo ocurre en un sistema de 3 ecuaciones y 3 incognitas. Debido a

La demostracion la haremos por induccion sobre n = n

Estudiemos el sistema formado por las n primeras ecuaciones. Este

E1 : 11 x1 + 12 x2 + +1n xn = 1 1n+1 xn+1

Podemos pensar j = j jn+1 xn+1 como constantes. Entonces, te-