Notas de Clase Algebra Lineal

lgebra Lineal
(Ejercicios por captulos)
Profesor Javier Enrique Camargo Garca

(Con la colaboracin de Daniel Herrera)
Escuela de Matemticas
Universidad Industrial de Santander
Bucaramanga, 2015
Contenido
1. Geometra en R2 y R3 1
1.1. Definiciones generales . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Rectas y planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Producto cruz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Sistemas de ecuaciones lineales 21

2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2. Mtodos de solucin directa . . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Mtodos iterados de solucin . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1. Mtodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2. Mtodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . 26
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Matrices 35
3.1. Operaciones y propiedades . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2. Inversa de un matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3. Mtodo de Gauss-Jordan para calcular inversas . . . . . . . . . . . . 38
3.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4. Subespacios 49
4 Contenido
4.1. Generado, dependencia e independencia lineal . . . . . . . . . . . . . 49

4.2. Bases y dimensin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4. Ms acerca de transformaciones lineales . . . . . . . . . . . . . . . . 54
4.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5. Valores y vectores propios 65

5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3. Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6. Ortogonalidad 83
6.1. Nociones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2. Complementos y proyecciones ortogonales . . . . . . . . . . . . . . . 84
6.3. Proceso de ortogonalizacin de Gram-Schmidt . . . . . . . . . . . . . 86
6.3.1. Factorizacin QR . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.4. Diagonalizacin ortogonal . . . . . . . . . . . . . . . . . . . . . . . . 87
6.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Referencias 95
Captulo 1
Geometra en R2 y R3
1.1. Definiciones generales
En el desarrollo de estas notas trabajaremos en el espacio
Rn = {(x1 , ..., xn ) : x1 , x2 , ..., xn son reales}, n N.
Cada elemento de Rn le llamaremos vector . Si u es un vector, entonces escribiremos

u horizontal o verticalmente, segn convenga como:

x1
x2
u = (x1 , x2 , ..., xn ) o u = . .

..
xn
Los elementos de Rn los denotaremos por u, v o w. Si u, v Rn , entonces u =

(a1 , ..., an ) y v = (b1 , ..., bn ), donde a1 , ..., an , b1 , ..., bn estn en R. Definimos:
u + v = (a1 + b1 , ..., an + bn ),
y si R,
u = (a1 , ..., an ).
Cuando escribamos 0 Rn , hacemos referencia a 0 = (0, ..., 0). En el siguiente

teorema enunciaremos algunas propiedades de los vectores de Rn .
Teorema 1.1. Si u, v, w Rn y , R, entonces:

2 1. Geometra en R2 y R3
1. u + v = v + u;
2. (u + v) + w = u + (v + w);
3. u + 0 = u;
4. u + (u) = 0;
5. (u + v) = u + v;
6. ( + )u = u + v;
7. (u) = ()u;
8. 1u = u.
La siguiente definicin nos permite definir: ngulo, longitud, proyecciones y distancia

entre vectores, como veremos mas adelante.
Definicin 1.2. Si u, v Rn , definimos el producto punto entre u = (a1 , ..., an ) y

v = (b1 , ..., bn ) por
n
X
u.v = a1 b1 + ... + an bn = a i bi .
i=1
Este producto es tambin llamado producto escalar.
Las propiedades enunciadas en el siguiente teorema las utilizamos constantemente

cuando se involucre el producto escalar.
Teorema 1.3. Sean u, v, w Rn y R. Entonces
1. u.v = v.u;
2. u.(v + w) = u.v + u.w;
3. (u).v = (u.v);
4. u.u 0 y u.u = o si y solo si u = 0.
Por la condicin 4 del Teorema 1.3, podemos definir la norma o longitud de un

1
vector u Rn , denotado por ||u||, como ||u|| = (u.u) 2 = u.u.
Teorema 1.4. Sean u Rn y R. Entonces
1. ||u|| 0 y ||u|| = 0 si y solo si u = 0;

[Versin alpha
1.2. Rectas y planos 3
2. ||u|| = ||||u||.
El siguiente resultado muestra dos tiles desigualdades muy conocidas.

Teorema 1.5. Sean u, v Rn . Entonces
1. |u.v| ||u||||v|| (Desigualdad de Cauchy-Schwarz);

2. ||u + v|| ||u|| + ||v|| (Desigualdad del tringulo).
Como ya definimos la norma de un vector, es natural y geomtricamente conveniente

definir la distancia entre dos vectores como d(u, v) = ||u v||, para cualesquiera
u, v Rn . Similar a los Teoremas 1.3 y 1.4, el siguiente resultado muestra propiedades
de la distancia entre dos vectores.
Teorema 1.6. Sean u, v, w Rn . Entonces
1. d(u, v) 0 y d(u, v) = 0 si y solo si u = v;

2. d(u, v) = d(v, u);
3. d(u, v) d(u, w) + d(w, v).
Otra aplicacin del producto punto es definir el ngulo entre dos vectores. Sean
u, v Rn , definimos el ngulo entre u y v como R tal que
u.v
cos = .
||u||||v||
Lo anterior muestra que u y v son perpendiculares o ortogonales si u.v = 0. Equi-
valentemente, podemos decir que dos vectores u y v son perpendiculares si satisfacen
la versin Rn del Teorema de Pitgoras; es decir, si ||u + v||2 = ||u||2 + ||v||2 .
Definicin 1.7. Sean u, v Rn , con u 6= 0. Definimos la proyeccin de v sobre
u por
u.v
Proyu (v) = u.
u.u
1.2. Rectas y planos
Esta seccin se desarrolla en R2 o R3 . Una recta que pasa por 0, es la familia de

mltiplos de un vector u (u es llamado vector director ). Esto es, si u Rn , la recta
lu que pasa por 0 esta dada por la coleccin
lu = {u : R}.
Topologa general]
Si adicionalmente, necesitamos que esta recta pase por un punto b Rn , solamente

sumamos b a cada punto de lu , como mostramos en la siguiente definicin.
Definicin 1.8. La ecuacin vectorial de una recta l en R2 (o R3 ) es el conjunto
de puntos x R2 o (x R3 ) tal que
x = tu + b,
donde u, b R2 (o u, b R3 ) y t R. u es lamado vector director. De forma

equivalente, dados u, b R2 (o u, b R3 ), podemos decir que
l = {tu + b : t R}.

a x0
Supongamos que u = b
y b = y0
, entonces la recta l esta dada por
c z0

x a x0
y = t b + y0 .
z c z0
Que se representa por las siguientes ecuaciones llamadas ecuaciones paramtricas:
x = at + x0 ;
y = bt + y0 ;
z = ct + z0 .
De manera similar obtenemos las ecuaciones paramtricas si u, b R2 .

Para encontrar la ecuacin de un plano, que solo tiene sentido en R3 por argumentos
dimensionales que abordaremos mas adelante, podemos definirlo como las familia de
puntos perpendiculares a un vector n que pasan por un punto p dado.
Definicin 1.9. La ecuacin normal de un plano P en R3 es el conjunto de puntos
x R3 tal que
n.(x p) = 0 o equivalentemente n.x = n.p,
donde n, p R3 . n es llamado vector normal del plano P.

Si n = (a, b, c), x = (x, y, z) y p = (x0 , y0 , z0 ), entonces P esta dado por una expresin
llamada ecuacin general del plano P de la forma
ax + by + cz = d,
donde d = ax0 + by0 + cz0 .
[Versin alpha
1.3. Producto cruz 5
1.3. Producto cruz
El producto cruz o producto vectorial solo se define en R3 y ser de utilidad por las
propiedades que enunciaremos en el Teorema 1.11.
Definicin 1.10. Sean u, v R3 . Definimos el producto cruz o producto vecto-

rial entre u y v, denotado por u v, por
u v = (u2 v3 u3 v2 , u3 v1 u1 v3 , u1 v2 u2 v1 ),
donde u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ).
Teorema 1.11. Sean u, v, w R3 . Entonces
1. u v = (v u);
2. (u v).u = 0 y (u v).v = 0;
3. u.(v w) = (u v).w;
4. ||u v||2 = ||u||2 ||v||2 (u.v)2 .
Ntese que el producto vectorial u v nos permite encontrar un vector en R3 per-

pendicular tanto a u como a v.
1.4. Ejercicios
1. Un vector en R2 o R3 se dibuja en posicin estndar como una flecha de

(0, 0) o (0, 0, 0) al punto, como representamos en los siguientes ejemplos:
b b
b b
3
b (2, 2, 3) b
2
(3, 1)
b
1 b
1
b b b b b b b b b b b b b b
3 2 1 b
b
b 1
b
b 2
b
b
(3, 1) en posicin estndar (2, 2, 3) en posicin estndar
Topologa general]
a) Dibuje los vectores (5, 2), (0, 52 ), (4, 0), (0.3, 1.6) y ( 27 , 4) de R2 en
posicin estndar.
b) Dibuje los vectores (2, 4, 1), (3, 0, 1), ( 32 , 75 , 23 ) y (4, 3.2, 1.8) de
R3 en posicin estndar.

2. Dados dos puntos A y B, AB representa el vector que parte de A y llega a B.

Por ejemplo, si A = (1, 1) y B = (2, 1) el vector AB se representa:
b
A
b
1
b b b b b b b b
3 2 1
b
B b

Vector AB, donde A = (1, 1) y B = (2, 1)

Con lo que el vector en posicin estndar se calcula como AB = B A =
(2, 1) (1, 1) = (3, 2) y se representa como mostramos en el punto

anterior. Para cada uno de los siguientes pares de puntos, dibuje el vector AB.

Luego calcule y vuelva a dibujar AB como un vector en posicin estndar.
a) A = (2, 2) y B = (3, 4).

b) A = 2, 32 y B = 12 , 3 .

c) A = (2, 1, 3) y B = (4, 2, 0).

d) A = (3, 4, 5) y B = (2, 3, 6).
3. Un viajero camina 4 km al norte y luego 5 km al noreste. Dibuje los vectores

desplazamiento que representen el viaje del caminante y dibuje un vector que
represente el desplazamiento neto del caminante desde el punto de partida.
4. Sean u = (2, 1) y v = (3, 2).
a) Dibuje en posicin estndar u, v y v.

b) Calcule y dibuje en posicin estndar u + v y u v.
5. Considerando los vectores u = (1, 3), v = (0, 7), w = 34 , 12 y z = 3

2, 2 ,
realice las operaciones que se indican:
[Versin alpha
1.4. Ejercicios 7
a) v u.
b) 4w + 3u.
2
c) 3w + 2z.
d) (u w) (v + z).
1
e) 2 (u + v) 43 (z w).
3 1 3
6. Considerando los vectores x = (1, 2, 3), y = (2, 0, 1), z = y

5, 3, 2
w = (4, 2, 0), realice las operaciones que se indican:
a) x + y w.
b) 2z 3w.

c) 2x + 2w.
d) (x y) + (z w).
3
e) 2 (x + y + w) 30z.
7. Ilustre usando ejemplos, todas las propiedades enunciadas en los Teoremas 1.1,
1.3, 1.4, 1.5, 1.6 y 1.11.
8. Simplifique la expresin vectorial dada utilizando las propiedades de los vecto-

res en Rn .
a) 2(a 3b) + 3(2b + a).

b) 3(a c) + 2(a + 2b) + 3(c b).
9. Despeje el vector x en trminos de los vectores a y b utilizando las propiedades

de los vectores en Rn .
a) x a = 2(x 2a).
b) x + 2a b = 3(x + a) 2(2a b).
c) 2x 3b = (x + 3a).
10. Dados u, v R2 , a menudo podemos escribir cualquier vector w R2 como

combinacin lineal de los vectores u y v; esto es, existen nmeros reales
y tales que w = u + v. Por ejemplo, (3, 32 ) es combinacin lineal de (1, 0)
y (0, 1), pues (3, 23 ) = 3(1, 0) + 32 (0, 1) y lo dibujamos:
Topologa general]
3 (0, 1) 3)
(3, 2
2
(0, 1)
(1, 0) 3(1, 0)
Por mostrar otro ejemplo, ntese que (1, 1) = 3(1, 1) + 2(2, 1); es decir,
(1, 1) es combinacin lineal de (1, 1) y (2, 1). Entonces dibujamos los ejes
coordenadas con respecto a (1, 1) y (2, 1) y localizamos (1, 1) de la siguiente
manera:
(3, 3)
(1, 1)
(1, 1)
(2, 1)
(4, 2)
Dibuje los ejes coordenados con respecto a u y v y localice w. Muestre grfica-

mente que w es combinacin lineal de u y v en cada caso.

1 1
a) u = ,v= y w = 2u + 3v.
1 1

2 2
b) u = ,v= y w = u 2v.
3 1

2 2
c) u = ,v = y w = u + 2v.
1 1
11. Escriba el vector w como una combinacin lineal de los vectores u y v.
a) u = (2, 5), v = (3, 1) y w = (4, 3).

b) u = (1, 1), v = (2, 2) y w = ( 12 , 12 ).

3 2 5
c) u = ,v= yw= .
1 5 13

2 1 6
d) u = ,v= yw= .
1 2 7
[Versin alpha
1.4. Ejercicios 9
12. Encuentre u v en cada caso.

1 3
a) u = yv= .
2 1

2 9
b) u = yv= .
3 6

1 2
c) u = 2 y v = 3.
3 1

0 0
d) u = 1 y v = 0.

0 1

e) u = (1, 2, 3, 0) y v = (4, 2, 0, 5).
13. Encuentre kuk y proporcione un vector unitario en la direccin de u.

1
a) u= .
2

2
b) u= .
3

1
c) u = 2.
3

0
d) u = 1.
0

e) u = (1, 2, 3, 0).
14. Encuentre la distancia d(u, v) entre u y v en cada caso.

1 3
a) u = yv= .
2 1

2 9
b) u = yv= .
3 6

1 2
c) u = 2 y v = 3.

3 1
Topologa general]

0 0
d) u = 1 y v = 0.
0 1

e) u = (1, 2, 3, 0) y v = (4, 2, 0, 5).
15. Determine si el ngulo entre u y v es agudo, obtuso o recto.

2 1
a) u = yv= .
1 3

2 1
b) u = 1 y v = 2.

1 1
c) u = (5, 4, 3) y v = (1, 2, 1).
d) u = (1, 2, 3, 4) y v = (3, 1, 2, 2).
e) u = (1, 2, 3, 4) y v = (5, 6, 7, 8).
16. Encuentre el ngulo entre u y v.

2 1
a) u = yv= .
1 3

2 1
b) u = 1 y v = 2.
1 1
c) u = (5, 4, 3) y v = (1, 2, 1).
d) u = (1, 2, 3, 4) y v = (3, 1, 2, 2).
e) u = (1, 2, 3, 4) y v = (5, 6, 7, 8).
17. Sea A = (3, 2), B = (1, 0) y C = (4, 6). Pruebe que el ABC es un tringulo
rectngulo.
18. Sea A = (1, 1, 1), B = (3, 2, 2) y C = (2, 2, 4). Pruebe que el ABC es
un tringulo rectngulo.
19. Encuentre el ngulo entre una diagonal de un cubo y una arista adyacente.
20. Un cubo tiene cuatro diagonales. Demuestre que ningn par de ellas son per-
pendiculares.
21. Un paralelogramo tiene diagonales determinadas por los vectores d1 = (2, 2, 0)

y d2 = (1, 1, 3). Demuestre que el paralelogramo es un rombo (todos los lados
tienen igual longitud) y determine la longitud del lado.
[Versin alpha
1.4. Ejercicios 11
22. El rectngulo ABCD tiene vrtices en A = (1, 2, 3), B = (3, 6, 2) y C =

(0, 5, 4). Determine las coordenadas del vrtice D.
23. Determine el punto de interseccin de las rectas:

x = 2 3s x = 5 + 2t

y = 3 + 2s y y = 1 3t

z = 4 + 2s z =2+t

24. Encuentre la proyeccin de v sobre u; Proyu (v), represente estos vectores gr-
ficamente y verifique que v Proyu (v) es ortogonal a u.

1 3
a) u = yv= .
1 1
3
1
4 y v = .
b) u = 5
5 2
2
3 2
2
c) u = 3 y v = 2.

13 2
25. Encuentre el rea del tringulo cuyos vrtices son los puntos A, B y C.
a) A = (1, 1), B = (2, 2) y C = (4, 0).

b) A = (1, 2), B = (0, 1) y C = (2, 1).
c) A = (3, 1, 4), B = (4, 2, 6) y C = (5, 0, 2).
26. Encuentre todos los valores del escalar k para el cual los dos vectores u y v son
ortogonales.
a) u = (1, 2) y v = (2k, k).

b) u = (2, 1) y v = (k2 , k).

2 k+1
c) u = yv= .
3 k1
2
1 k
d) u = 1 y v = k .
2 3

x 3
27. Describa todos los vectores v = que son ortogonales a u = .
y 1
Topologa general]
28. Si a y b son reales fijos, describa todos los vectores v = (x, y) que son ortogo-
nales a u = (a, b).
29. (Teorema de Pitgoras en Rn .) Demuestre que u, v Rn son perpendicu-

lares si y solo si ||u + v||2 = ||u||2 + ||v||2 .
30. Muestre un ejemplo de vectores u y v en R3 tales que ||u + v||2 6= ||u||2 + ||v||2 .
31. En que condiciones se tienen las siguientes igualdades para los vectores u y v
en R2 o R3 :
a) ku + vk = kuk + kvk.
b) ku + vk = kuk kvk.
32. Demuestre que (u + v) (u v) = kuk2 kvk2 para todos los vectores u y v en

Rn .
33. Demuestre que ku + vk2 + ku vk2 = 2 kuk2 + 2 kvk2 para todos los vectores
u y v en Rn .
34. Dibuje un diagrama que muestre a u, v, u + v y u v en R2 y use el ejercicio

anterior para deducir un resultado acerca de los paralelogramos.
35. Demuestre que u v = 1

4 ku + vk2 14 ku vk2 para todos los vectores u y v en
Rn .
36. Demuestre que ku + vk = ku vk si y solo si u y v son ortogonales.

38. Demuestre que u + v y u v son ortogonales en Rn si y solo si kuk = kvk.

40. Demuestre que si u es ortogonal tanto a v como a w, entonces u es ortogonal

a v + w.
41. Demuestre que si u es ortogonal tanto a v como a w, entonces u es ortogonal

a sv + tw, para todos los escalares s y t.
42. Demuestre que u es ortogonal a v Proyu (v) para todos los vectores u y v en
Rn , donde u 6= 0.
43. Muestre las siguientes propiedades de las proyecciones:

[Versin alpha
1.4. Ejercicios 13
a) Demuestre que Proyu (Proyu (v)) = Proyu (v).

b) Demuestre que Proyu (v Proyu (v)) = 0.
c) Explique (a) y (b) geomtricamente.
44. En la siguiente figura se sugiere otro mtodo para demostrar la desigualdad

de Cauchy-Schwarz, donde se muestra que, en R2 o R3 , kProyu (v)k kvk.
Demuestre que esto es equivalente a la desigualdad de Cauchy-Schwarz.
Proyu (v) u
45. Si P = (0, 1) y d = (2, 1), podemos encontrar una recta en R2 con vector
director d y que pasa por P , como mostramos en la Definicin 1.8, por l =
{(x, y) : (x, y) = t(2, 1) + (0, 1), t R}. Luego la ecuacin vectorial de esta
recta es
x 2 0
=t + .
y 1 1
De donde se deducen las ecuaciones paramtricas
(
x = 2t
.
y =t+1
Adems, esta recta la representamos como sigue:
(x, y) = t(2, 1) + (0, 1)
P = (0, 1)
d = (2, 1)
Escriba la ecuacin de la recta que pasa por P con vector director d en forma
vectorial y en forma paramtrica, y represente esta recta grficamente.
Topologa general]

2 1
a) P = yd= .
1 3

3 1
b) P = yd= .
3 1

0 1
c) P = 0 y d = 1.

0 4
d) P = (3, 1, 2) y d = (1, 0, 5).
e) P = (1, 2, 1) y d = (0, 1, 0).
46. Proporcione la ecuacin vectorial de la recta que pasa por P y Q.

1 3
a) P = yQ= .
2 0
b) P = (2, 1) y Q = (1, 2).

4 2
c) P = 1 y Q = 1.
3 3
d) P = (2, 0, 1) y Q = (2, 0, 1).
47. Como mostramos en la Definicin 1.9, si P = (0, 2, 3) y el vector normal es

n = (1, 0, 2), entonces la ecuacin normal de un plano esta dada por
(1, 0, 2).(x, y 2, z 3) = 0.
Resolviendo, tenemos que la ecuacin general del plano es
x + 2z = 6.
Adems, se representa grficamente por

x + 2z = 6
P = (0, 2, 3)
n = (1, 0, 2)
[Versin alpha
1.4. Ejercicios 15
Escriba la ecuacin normal y general del plano que pasa por P y tiene vector
normal n.

0 3
a) P = 1 y n = 2.

0 1

3 1
b) P = 1 y n = 0.
2 5
48. Proporcione la ecuacin general del plano que pasa por P , Q y R.

1 4 0
a) P = 1, Q = 0 y R = 1 .
1 2 1

1 0 0
b) P = 0 , Q = 1 y R = 0.

0 0 1
c) P = (1, 1, 1), Q = (0, 1, 2) y R = (2, 1, 1).
d) P = (1, 0, 0), Q = (0, 1, 0) y R = (1, 1, 1).
49. De la misma forma como se mostr la ecuacin vectorial y las ecuaciones pa-
ramtricas de una recta, podemos hacerlo para un plano. Si u y v son vectores
directores de un plano y P un punto arbitrrio, tenemos que la ecuacin vec-
torial esta dada por
x = su + tv + P, donde s, t R.
Si escribimos u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y P = (x0 , y0 , z0 ) tenemos las

ecuaciones paramtricas:

x = su1 + tv1 + x0

y = su2 + tv2 + y0 .

z = su3 + tv3 + z0

Escriba la ecuacin vectorial y ecuaciones paramtricas del plano que pasa por
P con vectores directores u y v en cada caso:

0 2 3
a) P = 0 , u = 1 y v = 2 .

0 2 1
Topologa general]

4 1 1
b) P = 1, u = 1 y v = 1 .
3 0 1
c) P = (1, 1, 2), u = (2, 0, 2) y v = (1, 1, 1).
d) P = (1, 1, 1), u = (0, 1, 1) y v = (1, 2, 0).
50. Considere la ecuacin vectorial x = P + t(Q P ) donde P y Q corresponden

a puntos distintos P y Q en R2 o R3 .
a) Encuentre el punto medio de P Q cuando P = (2, 3) y Q = (0, 1).

b) Encuentre el punto medio de P Q cuando P = (1, 0, 1) y Q = (4, 1, 2).
c) Encuentre los dos puntos que dividen P Q del inciso (a) en tres partes
iguales.
d) Encuentre los dos puntos que dividen P Q del inciso (b) en tres partes
iguales.
51. Considere L la recta que pasa a travs del punto P = (1, 1, 1) y tiene vector
director d = (2, 3, 1). Para cada uno de los siguientes planos P, determine si
L y P son paralelos, perpendiculares o ninguno de los dos.
a) P = {(x, y, z) : 2x + 3y z = 1}.
b) P = {(x, y, z) : 4x y + 5z = 0}.
c) P = {(x, y, z) : x y z = 3}.
d) P = {(x, y, z) : 4x + 6y 2z = 0}.
52. El plano P1 tiene la ecuacin 4x y + 5z = 2. Para cada uno de los planos

P del ejercicio anterior, determine si P1 y P son paralelos, perpendiculares o
ninguno de los dos.
53. En cada uno de los siguientes ejercicios, determine las ecuaciones paramtricas
de la recta de interseccin de los planos dados:
a) 2x + 3y 4z + 5 = 0 y 3x + 2y + 5z + 6 = 0.
b) 3x 2y 5z + 4 = 0 y 2x + 3y + 4z + 8 = 0.
c) x + 2y + z = 0 y 2x y + 2z + 8 = 0.
54. En cada uno de los siguientes ejercicios, determine un par de planos cuya
interseccin sea la recta dada:
[Versin alpha
1.4. Ejercicios 17

x = 2 3t;

a) y = 3 + t;

z = 2 4t.

x2 y3 z+4
b) 2 = 4 = 3 .

x = 4t;

c) y = 5t + 1;

z = t + 2.

55. Determine si el conjunto de puntos esta o no en la misma recta:
a) {(2, 3, 2), (4, 2, 3), (0, 8, 1)};

b) {(1, 1, 0), (1, 2, 3), (3, 0, 3), ( 13 , 43 , 1)};
c) {(2, 4, 2), (3, 5, 1), (4, 2, 1)}.
56. Encuentre la ecuacin vectorial de la recta en R2 que pasa a travs de P =

(2, 1) y es perpendicular a la recta con ecuacin general 2x 3y = 1.

(2, 1) y es paralela a la recta con ecuacin general 2x 3y = 1.

(1, 0, 3) y es perpendicular al plano con ecuacin general x 3y + 2z = 5.

(1, 0, 3) y es paralela a la recta con ecuaciones paramtricas

x = 1 t

y = 2 + 3t .

z = 2 t

60. Encuentre la ecuacin normal del plano que pasa por P = (0, 2, 5) y es
paralelo al plano con ecuacin general 6x y + 2z = 3.
61. Encuentre el conjunto de todos los puntos que son equidistantes de los puntos
P = (1, 0, 2) y Q = (5, 2, 4).
62. Encuentre el conjunto de todos los puntos que son equidistantes de los puntos
P = (1, 0, 0) y Q = (0, 1, 0).
63. Encuentre la distancia desde el punto Q hasta la recta L en cada caso:

Topologa general]

x 1 1
a) Q = (2, 2) y L con ecuacin vectorial = +t .
y 2 1

x 1 2
b) Q = (0, 1, 0) y L con ecuacin vectorial y = 1 + t 0 .
z 1 3
64. Encuentre la distancia desde el punto Q hasta el plano P en cada caso:
a) Q = (2, 2, 2) y P con ecuacin general x + y z = 0.

b) Q = (0, 0, 0) y P con ecuacin general x 2y + 2z = 1.
65. Encuentre el punto R sobre L que est ms cerca de Q en cada caso del Ejercicio
63.
66. Encuentre la distancia entre las rectas paralelas en cada caso:

x 1 2 x 5 2
a) = +s y = +t .
y 1 3 y 4 3

x 1 1 x 0 1
b) y = 0 + s 1 y y = 1 + t 1.
z 1 1 z 1 1
67. Encuentre la distancia entre los planos paralelos en cada caso:
a) 2x + y 2z = 0 y 2x + y 2z = 5.
b) x + y + z = 1 y x + y + z = 3.
68. Encuentre el ngulo agudo entre los planos con las ecuaciones dadas:
a) x + y + z = 0 y 2x + y 2z = 0.
b) 3x y + 2z = 5 y x + 4y z = 2.
69. Calcule u v

0 3
a) u = 1 y v = 1.
1 2

3 0
b) u = 1 y v = 1.

2 1
[Versin alpha
1.4. Ejercicios 19

1 2
c) u = 2 y v = 4.
3 6

1 1
d) u = 1 y v = 2.

1 3
70. Demuestre que e1 e2 = e3 , e2 e3 = e1 y e3 e1 = e2 .
71. Con la definicin del producto cruz, demuestre que u v es ortogonal a u y v.
72. Con la ayuda del producto cruz, encuentre la ecuacin normal del plano.

0 3
a) El plano que pasa por P = (1, 0, 2) paralelo a u = 1 y v = 1.
1 2
b) El plano que pasa por el origen y tiene vectores directores u = (1, 2, 3)
y v = (1, 1, 1).
c) El plano que pasa por P = (0, 1, 1), Q = (2, 0, 2) y R = (1, 2, 1).
73. Sean u y v vectores en R3 y el ngulo entre u y v.
a) Demuestre que ku vk = kuk kvk sen .

b) Demuestre que el rea A del tringulo determinado por u y v (como se
muestra en la figura) est dada por
1
A= ku vk
2
Figura: rea determinado por u y v.
c) Use el resultado del inciso (b) para calcular el rea del tringulo con
vrtices A = (1, 2, 1), B = (2, 1, 0) y C = (5, 1, 3).
Topologa general]
[Versin alpha
Captulo 2
Sistemas de ecuaciones lineales
2.1. Introduccin
Definicin 2.1. Una ecuacin lineal en las variables x1 , ..., xn es una ecuacin
que se puede escribir como
a1 x1 + ... + an xn = b, (2.1)
donde los coeficientes a1 , ..., an y el trmino constante b son nmeros reales. Adems,
una solucin de (2.1) es un vector (s1 , ..., sn ) Rn tal que a1 s1 + ... + an sn = b.
Definicin 2.2. Un sistema de ecuaciones lineales es un conjunto finito de
ecuaciones lineales; es decir, se escribe de la forma:
a11 x1 + ... + a1n xn = b1 ;

a21 x1 + ... + a2n xn = b2 ;
...
am1 x1 + ... + amn xn = bm .
El anterior es un sistema de ecuaciones lineales de n variables x1 , ..., xn , y m ecuacio-

nes. Adems, una solucin del sistema es un vector (s1 , ..., sn ) Rn que es solucin
de cada una de las m ecuaciones. Finalmente, el conjunto solucin es la familia de
todas las soluciones del sistema.
Como veremos en el desarrollo de los ejercicios, un conjunto solucin de un sistema

de ecuaciones lineales se presenta en una y solo una de las siguientes alternativas:
1. El sistema tiene una nica solucin,

22 2. Sistemas de ecuaciones lineales
2. El sistema tiene infinitas soluciones,
3. El sistema no tiene solucin.
2.2. Mtodos de solucin directa
Si tenemos el siguiente sistema de ecuaciones lineales:
a11 x1 + ... + a1n xn = b1 ;

a21 x1 + ... + a2n xn = b2 ;
...
am1 x1 + ... + amn xn = bm ,
tenemos dos matrices importantes asociados a este sistema:

La matriz de coeficientes definida por

a11 a12 ... a1n
a21 a22 ... a2n
.. .. .. .

. . .
am1 am2 ... amn
La matriz aumentada definida por

a11 a12 ... a1n | b1
a21 a22 ... a2n | b2
.. .. .. .. .

. . . | .
am1 am2 ... amn | bm
Si el sistema es tal que b1 = b2 = ... = bm = 0, diremos que el sistema de ecuaciones

lineales es un sistema homogneo. Para un sistema homogneo el sistema siempre
va tener solucin; es decir, si tenemos un sistema homogneo, entonces el sistema
tiene nica solucin o infinitas soluciones.
Definicin 2.3. Dos matrices del mismo tamao A y B se dicen equivalentes por
renglones si existe una secuencia de las siguientes operaciones que convierta una
en la otra:
1. Intercambio de dos renglones.

[Versin alpha
2.2. Mtodos de solucin directa 23
2. La multiplicacin de un rengln por una constante diferente de cero.
3. La adicin de un multiplo de un rengln a otro rengln.
Las operaciones descritas se conocen como operaciones elementales.

Teorema 2.4. Dos sistemas de ecuaciones lineales tienen el mismo conjunto solu-
cin si sus matrices aumentadas son equivalentes por renglones.
El primer mtodo de solucin se trata, como sugiere el Teorema 2.4, de encontrar

la matriz aumentada del sistema y hacer operaciones elementales (Definicin 2.3)
para encontrar un sistema de ecuaciones ms simple que nos permita fcilmente
encontrar la solucin.
Una matriz se dice escalonada si satisface las siguientes propiedades:
1. Cualquier rengln que se componga enteramente de ceros esta en la parte in-

ferior.
2. En cada rengln distinto de cero, la primera entrada distinta de cero, denomi-

nada la entrada principal , se encuentra en una columna a la izquierda de
cualquier entrada principal debajo de ella.
Definicin 2.5 (Eliminacin gaussiana). Este mtodo consiste en encontrar una
matriz escalonada equivalente por renglones a la matriz aumentada del sistema. Se
puede describir paso a paso de la siguiente forma:
1. Escriba la matriz aumentada del sistema de ecuaciones lineales.
2. Utilice operaciones elementales para reducir la matriz aumentada a la forma

escalonada.
3. Mediante sustitucin hacia atrs, resuelva el sistema equivalente que correspon-

de a la matriz reducida.
Cuando llegamos al paso 3 en la definicin anterior, y el sistema tiene solucin, como

mencionamos anteriormente, el sistema puede tener una nica solucin o infinitas
soluciones. En caso que tenga infinitas soluciones existe ms de una manera de asignar
parmetros expresando las variables correspondientes en trminos de otras variable;
estas ltimas se conocen como variables libres.
Definicin 2.6. El rango de una matriz es el nmero de renglones distintos de cero
en su forma escalonada.
Topologa general]
El siguiente resultado es de utilidad para identificar cuantas variables libres debemos

usar en la solucin de un sistema de ecuaciones lineales con infinitas soluciones.
Teorema 2.7 (Teorema del rango). Sea A la matriz de coeficientes de un sistema
de ecuaciones lineales con n variables. Si el sistema es consistente (tiene solucin),
entonces
nmero de variables libres = n rango(A).
Terminamos esta seccin describiendo el mtodo de eliminacin por Gauss-Jordan

que resulta muy similar a la eliminacin gaussiana.
Definicin 2.8. Diremos que una matriz se encuentre en forma escalonada redu-
cida si satisface:
1. Cualquier rengln formado enteramente de ceros se encuentra en la parte infe-

rior.
2. La entrada principal en cada rengln distinto de cero es un 1.
3. Cada columna que contiene un 1 en su entrada principal, tiene ceros en cual-
quier otro sitio.
Definicin 2.9 (Eliminacin por Gauss-Jordan). Este mtodo consiste en en-
contrar una matriz escalonada reducida equivalente por renglones a la matriz aumen-
tada del sistema. Se puede describir paso a paso de la siguiente forma:
1. Escriba la matriz aumentada del sistema de ecuaciones lineales.

2. Utilice operaciones elementales para reducir la matriz aumentada a la forma
escalonada reducida.
3. Si el sistema es consistente (tiene solucin), resuelva para las variables princi-
pales en trminos de cualquier variable libre restante.
El mtodo de solucin por Gauss-Jordan muestra de manera inmediata, sin ningn

clculo adicional, la solucin del sistema.
2.3. Mtodos iterados de solucin
Sea
a11 a12 a1n
a21 a22 a2n
A= . .. .. .. ,

.. . . .
an1 an2 ann
[Versin alpha
2.3. Mtodos iterados de solucin 25
una matriz P cuadrada. Diremos que A tiene diagonal estrictamente dominante

si |aii | > j6=i |aij |, para cada i {1, ..., n}.
Consideremos sistemas de ecuaciones lineales [A : b] donde A es una matriz cuadrada
con diagonal estrictamente dominante. En esta situacin tenemos dos maneras -muy
similares entre si- de encontrar soluciones aproximadas por mtodos iterados.
2.3.1. Mtodo de Jacobi
Sea [A : b] un sistema de ecuaciones lineales donde A Mnn es una matriz cuadrada

con diagonal estrictamente dominante y b Rn . El sistema en su forma expandida
se representa:
a11 x1 + ... + a1n xn = b1 ;
a21 x1 + ... + a2n xn = b2 ;
.. (2.2)
.
an1 x1 + ... + ann xn = bn .
En cada ecuacin i, despejamos la respectiva variable xi :
P
b1 j6=1 a1j xj
x1 = ;
a
P 11
b2 j6=2 a2j xj
x2 = ;
a22
..
.
P
bn j6=n anj xj
xn = .
ann
Damos un valor inicial para cada variable x10 , x20 , ..., xn0 y reemplazamos en las
ecuaciones anteriores para encontrar x11 , x21 , ..., xn1 de la siguiente forma:
P
b1 j6=1 a1j xj0
x11 = ;
a
P 11
b2 j6=2 a2j xj0
x21 = ;
a22
..
.
P
bn j6=n anj xj0
xn1 = .
ann
Topologa general]
Repetimos este proceso para encontrar x12 , x22 , ..., xn2 reemplazando los valores en-
contrados para x11 , x21 , ..., xn1 .
P
b1 j6=1 a1j xj1
x12 = ;
a
P 11
b2 j6=2 a2j xj1
x22 = ;
a22
..
.
P
bn j6=n anj xj1
xn2 = .
ann
De esta manera, inductivamente si conocemos x1k , x2k , ..., xnk , para algn k, podemos
encontrar x1k+1 , x2k+1 , ..., xnk+1 ,
P
b1 j6=1 a1j xjk
x1k+1 = ;
a
P 11
b2 j6=2 a2j xjk
x2k+1 = ;
a22
..
.
P
bn j6=n anj xjk
xnk+1 = .
ann
y afirmamos que x11 , x12 , x13 , ... converge a la solucin del sistema x1 ; la sucesin
x21 , x22 , x23 , ... converge a la solucin del sistema x2 ; y xn1 , xn2 , xn3 , ... converge a la
solucin del sistema xn . Esto es, entre ms veces realice este proceso iterativo podr
encontrar una mejor aproximacin (x1k , x2k , ..., xnk ) a la solucin del sistema 2.2.
2.3.2. Mtodo de Gauss-Seidel
Este mtodo es muy similar al mtodo de Jacobi, se puede decir que es una versin
mejorada del mtodo de Jacobi pues, con menos iteraciones podemos encontrar una
mejor aproximacin de la solucin. Consideremos igual un sistema de ecuaciones
lineales [A : b], donde A es una matriz con diagonal estrictamente dominante.
[Versin alpha
2.3. Mtodos iterados de solucin 27
a11 x1 + ... + a1n xn = b1 ;

a21 x1 + ... + a2n xn = b2 ;
.. (2.3)
.
an1 x1 + ... + ann xn = bn .
En cada ecuacin i, despejamos la respectiva variable xi :
P
b1 j6=1 a1j xj
x1 = ;
a
P 11
b2 j6=2 a2j xj
x2 = ;
a22
..
.
P
bn j6=n anj xj
xn = .
ann
Igual, damos valores iniciales arbitrarios x10 , x20 , ...., xn0 , la diferencia es que ahora
para encontrar cada trmino utilizamos la solucin inmediatamente anterior as:
P
b1 j6=1 a1j xj0
x11 = ;
a11
Ahora para encontrar x21 usamos x11 ,
Pn
b2 a21 x11 j=3 a2j xj0
x21 = ;
a22
Pn
b3 a31 x11 a32 x21 j=4 a2j xj0
x31 = ;
a33
para obtener xn1 por
Pn1
bn j=1 anj xj1
xn 1 =
ann
Repitiendo este proceso construimos paso a paso la sucesin {(x1k , x2k , ..., xnk )}
k=1 ,
que converge a la solucin (x1 , x2 , ..., xn ) de 2.3.
Topologa general]
2.4. Ejercicios
1. Determine cules de las ecuaciones con variables x, y y z, son lineales. Si alguna

ecuacin no es lineal, explique por qu.

a) x y + 3 5z = 0.
b) x2 + y 2 + z 2 = 1.

c) x1 + 7y + z = sin

9 .
d) 2x xy 5z = 0.

e) 3 cos x 4y + z = 3.
2. Muestre que el vector v es solucin del sistema de ecuaciones lineales dado:
2x y = 0
3x + y z = 1 ; v = 13 , 32 , 23 .

a)
x y z = 1
2x y + 2z = 0
b) 4x + y + 2z = 1 ; v = 72 , 4, 11

2 .
x + 2y z = 1
xy =0
c) x + y + z = 1 ; v = 1, 1, 1 .
2x + z = 1
3. Encuentre las matrices aumentadas de los sistemas lineales.

xy =0
a)
2x + y = 3
2x1 + 3x2 x3 = 1
b) x1 + x3 = 0
x1 + 2x2 2x3 = 0
4. Encuentre un sistema de ecuaciones lineales que tenga la matriz dada como su

matriz aumentada.

0 1 1 | 1
a) 1 1 0 | 1
2 1 1 | 1

1 1 0 3 1 | 2
b) 1 1 2 1 1 | 4
0 1 0 2 3 | 0
[Versin alpha
2.4. Ejercicios 29
5. Determine cuales de las siguientes matrices se encuentran en forma escalonada,

forma escalonada reducida o ninguna de las dos.

2 4 1
a) 0 1 2
0 0 0

0 0 1
b) 0 1 0
1 0 0

1 0 1
c) 0 1 5
0 0 4

7 0 1 0
d) 0 1 1 4
0 0 0 0

1 2 3
1 0 0
e)
0 1 4

0 0 1

1 0 0 2
f) 0 1 0 0
0 0 1 1
6. Dibuje grficas que correspondan a los sistemas de ecuaciones lineales dados.

Determine geomtricamente si cada sistema tiene solucin nica, un nmero
infinito de soluciones o ninguna solucin. Luego resuelva cada sistema algebrai-
camente para confirmar su respuesta.
x+y =0
a)
2x + y = 3
x 2y = 0
b)
2x 4y = 1
x+y =1
c)
2x + 2y = 2
x 2y = 7
d)
3x + y = 7
7. Demuestre que las matrices dadas son equivalentes por renglones y encuentre
una secuencia de operaciones elementales que conviertan A en B.
Topologa general]

1 2 3 1
a) A = ;B=
3 4 1 0

2 0 1 3 1 1
b) A = 1 1 0 ; A = 3 5 1
1 1 1 2 2 0
8. Utilice las operaciones elementales para reducir las matrices dadas a su forma
escalonada y su forma escalonada reducida.

1 1
a)
2 3

1 6
b)
4 2

2 4 2
c)
3 1 6

1 2 3
d) 4 5 6
1 1 1

2 4 8
e) 3 5 8
6 0 4

1 1 0
f ) 0 1 1
1 1 0

3 6 3
g)
5 10 5
9. Resuelva el sistema de ecuaciones dado usando eliminacin gaussiana o por

Gauss-Jordan.
x1 + 2x2 3x3 = 9
a) 2x1 x2 + x3 = 0
4x1 x2 + x3 = 4
3x1 + 6x2 6x3 = 9
b) 2x1 5x2 + 4x3 = 6
5x1 28x2 26x3 = 8
x + 2y = 1
c) 2x + y + z = 1
x + y z = 1
[Versin alpha
2.4. Ejercicios 31
x1 3x2 2x3 = 0
d) x1 + 2x2 + x3 = 0
2x1 + 4x2 + 6x3 = 0
x1 + x2 x3 = 7
e) 4x1 x2 + 5x3 = 4
2x1 + 2x2 3x3 = 0
x1 + x2 x3 = 7
f ) 4x1 x2 + 5x3 = 4
6x1 + x2 + 3x3 = 18
3w + 3x + y = 1
g) 2w + x + y + z = 1
2w + 3x + y z = 2
x1 + 3x2 2x3 + 4x4 = 2
h) 2x1 6x2 + x3 2x4 = 1
x1 3x2 + 4x3 8x4 = 4
2x y + 3z = 0
i ) 3x + 4y z = 0
5x + 3y + 2z = 0
x + 2y z = 4
j)
3x + 4y 2z = 7
x + 2y 4z = 4
k)
2x 4y + 8z = 8
w 2x + y + z = 2
3w + 2y 2z = 8
l)
4x y z = 1
3w + 3y z = 0
x+y = 4
m) 2x y = 7
3x + 2y = 8
w + x + 2y + z = 1
wxy+z = 0
n)
x+y = 1
w+x+z = 2
a+b+c+d = 10
a + 2b + 3c + 4d = 30
)
a + 3b + 6c + 10d = 65
a + 4b + 8c + 15d = 93
Topologa general]
10. Determine por inspeccin; es decir, sin realizar ningn clculo, si el sistema de
ecuaciones lineales con la matriz aumentada dada tiene solucin nica, infinitas
soluciones o ninguna solucin. Justifique sus respuestas.

0 0 1 | 2
a) 0 1 3 | 1
1 0 1 | 1

3 2 0 1 | 1
b) 1 2 3 1 | 1
2 4 6 2 | 0
11. Para qu valor o valores de k, si hay alguno, los sistemas de ecuaciones lineales
tendrn: ninguna solucin, solucin nica o infinitas soluciones?
kx + y = 2
a)
2x 2y = 4
x + ky = 1
b)
kx + y = 1
x+y+z = 2
c) x + 4y z = k
2x y + 4z = k2
x + y + kz = 1
d) x + ky + z = 1
kx + y + z = 2
12. Proporcione ejemplos de sistemas homogneos de m ecuaciones lineales con n
variables con m = n y con m > n que tengan:
a) un nmero infinito de soluciones.

b) una solucin nica.
13. Encuentre la recta de interseccin entre los planos representados por las ecua-
ciones generales.
a) 3x + 2y + z = 1 y 2x y + 4z = 5.
b) 4x + y z = 0 y 2x y + 3z = 4.
c) x + y = 0 y x z = 0.
14. Muestre un ejemplo que satisfaga cada una de las siguientes afirmaciones y
justifique ampliamente su respuesta.
a) Tres planos diferentes que tengan una recta de interseccin comn.

[Versin alpha
2.4. Ejercicios 33
b) Tres planos que se intercepten en pares, pero que no tengan un punto

comn de interseccin.
c) Tres planos, exactamente dos de los cuales son paralelos.
d) Tres planos que se intercepten en un solo punto.
15. Determine si las rectas x = p + su y x = q + tv se intersecan y, si lo hacen,
encuentre su punto de interseccin.

1 2 1 1
a) p = 2 ; q = 2 ; u = 2 ; v = 1 .

1 0 1 0

3 1 1 2
b) p = 1 ; q = 1 ; u = 0 ; v = 3.

0 1 1 1
16. Sean p = (1, 2, 3), u = (1, 1, 1) y v = (2, 1, 0). Describa todos los puntos
q = (a, b, c) tales que la recta a travs de q con vector director v interseca la
recta con la ecuacin vectorial x = p + su.
17. Resuelva el sistema de ecuaciones lineales.
x + y 2z = 4
a) x + 3y z = 7 .
2x + y 5z = 7
3w + 8x 18y + z = 35
b) w + 2x 4y = 11 .
w + 3x 7y + z = 10
18. Encuentre ecuaciones paramtricas para la recta de interseccin de los planos
x + 2y + 3z = 4 y 5x + 6y + 7z = 8.
19. Encuentre el punto de interseccin de las siguientes rectas, si existe.

x 1 1 x 5 1
y = 2 + s 1 y y = 2 + t 1 .
z 3 2 z 4 1
20. Determine si el vector v es una combinacin lineal de los vectores restantes.
a) v = (1, 2), u1 = (1, 1) y u2 = (2, 1).
b) v = (3, 1, 2), u1 = (1, 1, 0) y u2 = (0, 1, 1).
c) v = (1, 2, 3), u1 = (1, 1, 0) y u2 = (0, 1, 1).
d) v = (6, 2, 1, 2), u1 = (1, 1, 0, 1), u2 = (1, 0, 1, 1) y u3 = (1, 1, 1, 1).
e) v = (1, 2, 0, 1), u1 = (2, 1, 1, 1) y u2 = (2, 1, 2, 1).
Topologa general]
[Versin alpha
Captulo 3
Matrices
3.1. Operaciones y propiedades
Como hemos visto, una matriz es un arreglo rectangular de nmeros llamados en-
tradas o elementos de la matriz. Para una matriz A de n filas y m columnas, en su
manera general escribimos

a11 a12 a1m
a21 a22 a2n
A= . .. .. .. .

.. . . .
an1 an2 anm
En adelante, algunas veces, denotaremos la matriz A = (aij )in,jm .
Definicin 3.1 (Suma y multiplicacin por escalar). Sean A = (aij )in,jm y

B = (bij )in,jm matrices de n filas por m columnas, y R. Entonces:
1. A + B = (aij )in,jm + (bij )in,jm = (aij + bij )in,jm, y
2. A = (aij )in,jm = (aij )in,jm.
De manera natural tenemos
A B = A + (1)B = (aij bij )in,jm .
En el siguiente teorema enunciamos propiedades de la suma y multiplicacin por

escalar. 0 representa la matriz de ceros.
36 3. Matrices
Teorema 3.2. Sean A, B y C matrices del mismo tamao y y nmeros reales.
1. A + B = B + A,
2. (A + B) + C = A + (B + C),
3. A + 0 = A,
4. A + (A) = 0,
5. (A + B) = A + B,
6. ( + )A = A + A,
7. (A) = ()A,
8. 1A = A.
Definicin 3.3 (Multiplicacin matricial). Sean A de n filas y m columnas y B

de m filas y k columnas; escribimos A = (aij )in,jm y B = (bij )im,jk , entonces
AB = C = (cij )in,jk es una matriz de n filas y k columnas, donde para cada i, j,
las entradas estn definidas por
m
X
cij = ai1 b1j + ai2 b2j + ... + aim bmj = aik bkj .
k=1
Ntese que cada cij es el producto punto entre la i-sima fila de la matriz A por la
j-sima columna de la matriz B. Si k N, denotamos por Ik la matriz de k k tal
que las entradas son 1 si hace parte de la diagonal y 0 si no hace parte de la diagonal;
esto es, Ik = (tij )i,jk donde tij = 0 si i 6= j, y tii = 1 para cada i {1, ..., k}. Ik le
llamamos la matriz identidad de k k.
Teorema 3.4. Sean A, B y C matrices y R.
1. A(BC) = (AB)C,
2. A(B + C) = AB + AC,
3. (A + B)C = AC + BC,
4. (AB) = (A)B = A(B),
5. Im A = A = AIn , donde A es de m n y In y Im representan las matrices

identidad de tamao respectivo.
[Versin alpha
3.2. Inversa de un matriz 37
Definicin 3.5. Sea A = (aij )in,jm de n filas y m columnas. Definimos la trans-

puesta de A, denotada por AT , como la matriz AT = (aji )in,jm de m filas y n
columnas; es decir, AT es la matriz que resulta al intercambiar las filas y las columnas
de A.
Una matriz A se dice simtrica si A = AT y se dice antisimtrica si A = AT .

Finalizamos esta seccin con algunas propiedades de la transpuesta.
Teorema 3.6. Sean A y B matrices y un nmero real.
1. (AT )T = A,
2. (A + B)T = AT + B T ,
3. (A)T = AT ,
4. (AB)T = B T AT ,
5. (Ar )T = (AT )r , donde r N y Ar = AA...A (r-veces).
3.2. Inversa de un matriz
Definicin 3.7. Sea A una matriz de n n, la matriz inversa de A es una matriz

que denotamos por A1 de n n, con la propiedad que
AA1 = A1 A = In .
Si A1 existe, diremos que A es invertible.

a b
Teorema 3.8. Si A = y ad bc 6= 0, entonces A es invertible y
c d

1 1 d b
A = .
ad bc c a
Adems, si ad bc = 0, entonces A no es invertible.
A continuacin mostramos algunas propiedades de la inversa de una matriz.
Teorema 3.9. Sean A y B matrices invertibles de n n y 6= 0. Entonces:
1. A1 es invertible y (A1 )1 = A.
Topologa general]
38 3. Matrices
2. A es invertible y (A)1 = 1 A1 .
3. AB es invertible y (AB)1 = B 1 A1 .
4. An es invertible, para cualquier entero no negativo n, y (An )1 = (A1 )n .
En la Definicin 2.3 se mostr cuales son la operaciones elementales sobre una matriz.
Definicin 3.10. Una matriz cuadrada se dice matriz elemental si se puede ob-
tener al realizar una operacin elemental de la matriz identidad.
Sean A una matriz de n n y E una matriz elemental. No es difcil verificar que si a

A le hacemos la operacin elemental asociada a E, entonces la respuesta es la matriz
EA. Con esta observacin, si A es equivalente por renglones a la matriz identidad
In , entonces existen E1 , ..., Ek matrices elementales tales que Ek ...E1 A = In ; esto es
A1 = Ek ...E1 .
Teorema 3.11. Sea A una matriz de n n. Las siguientes afirmaciones son equi-
valentes:
1. A es invertible.
2. Ax = b tiene solucin nica para cada b Rn .
3. Ax = 0 tiene solamente la solucin trivial.
4. La forma escalonada reducida por renglones de A es In .
5. A es producto de matrices elementales.
3.3. Mtodo de Gauss-Jordan para calcular inversas
Sea A una matriz de nn. Supongamos que A es invertible; es decir, existen E1 , ..., Ek
matrices elementales tales que Ek ...E1 A = In . De esta forma, si consideramos parale-
lamente las operaciones elementales que realizamos a A tambin a la matriz identidad
In , obtenemos Ek ...E1 In que claramente es A1 .
Este proceso lo podemos hacer de forma ms simple, tomando la matriz ampliada
[A : In ] realizar operaciones elementales a esta matriz ampliada para obtener In en
lugar de A y la matriz resultante en el lado derecho es justo A1 . La secuencia paso
a paso sera:
[Versin alpha
3.4. Ejercicios 39
[A : In ] [E1 A : E1 In ] [E2 E1 A : E2 E1 In ] ...

... [Ek ...E1 A : Ek ...E1 In ] = [In : A1 ].
3.4. Ejercicios

1 2
3 0 4 2 1 0 3
1. Sean A = , B = , C = 3 4 , D = ,
1 5 0 2 3 2 1
5 6

1
E= 4 2 ,F =

. Calcule las operaciones indicadas (si es posible).
2
a) A + 2D.
b) 2D 5A.
c) B C.
d) B C T .
e) AB.
f ) B 2.
g) D + BC.
h) B T B.
i ) E(AF ).
j ) F (AF ).
k ) F E.
l) EF .
m) B T C T (CB)T .
n) DA AD.
) A3 .
o) (I2 A)2 .
2. Proporcione un ejemplo de una matriz A de 2 2 distinta de cero tal que

A2 = 0.

2 1
3. Sea A = . Encuentre B y C matrices de 2 2, tales que AB = AC, pero
6 3
B 6= C.
Topologa general]
40 3. Matrices
4. Sea A una matriz cuadrada de n n.
a) Demuestre que A + AT es simtrica y A AT es antisimtrica.

b) Demuestre que las matrices AAT y AT A son simtricas.
5. Demuestre que toda matriz cuadrada se puede escribir como la suma de una
matriz simtrica y una matriz antisimtrica.

a b
6. Sea A = . Demuestre que A es invertible si y solo si ad bc 6= 0.
c d
Adems, si A1 existe, encuentre A1 .
7. Demuestre que cualquier matriz elemental es invertible y que la inversa es

nuevamente una matriz elemental.
8. Escriba el sistema dado de ecuaciones lineales como una ecuacin matricial de

la forma Ax = b.
x1 2x2 + 3x3 = 0
a) .
2x1 + x2 5x3 = 4
x1 + 2x3 = 1
b) x1 x2 = 2 .
x2 + x3 = 1

0 1
9. Sea A = .
1 1
a) Calcule A2 , A3 , ..., A7 .
b) Qu es A2001 ? Por qu?
" 1
1
#
2 . Encuentre y justifique B 2011 .
10. Sea B = 12 1
2 2

1 1
11. Sea A = . Encuentre una frmula para An (n 1) y verifique su frmula
0 1
usando induccin matemtica.

cos sin
12. Sea A = .
sin cos

cos 2 sin 2
a) Demuestre que A2 = .
sin 2 cos 2
[Versin alpha
3.4. Ejercicios 41

n cos n sin n
b) Demuestre, mediante induccin matemtica, que A =
sin n cos n
para n 1.

1 2 1 0
13. Resuelva la ecuacin para X, dado que A = yB= .
3 4 1 1
a) X 2A + 3B = 0.
b) 3X = A 2B.
c) 2(A + 2B) = 3X.
d) 2(A B + 2X) = 3(X B).
14. Demuestre que, para matrices cuadradas A y B, AB = BA si y slo si (A

B)(A + B) = A2 B 2 .

a b
15. Si B = , encuentre las condiciones de a, b, c y d para las que AB = BA.
c d

1 1
a) A = .
0 1

1 1
b) A = .
1 1

1 2
c) A = .
3 4

a b
16. Encuentre las condiciones de a, b, c y d para los que B = conmuta
c d

1 0 0 0
tanto con como con .
0 0 0 1
17. Demuestre que, si AB y BA estn ambas definidas, entonces AB y BA son

ambas matrices cuadradas.
18. Una matriz cuadrada se llama triangular superior si todas las entradas abajo
de la diagonal principal son cero. Por tanto, la forma de una matriz triangular
superior es

0
0 0 . . . ... ...

.. ..

. .

0 0 0
Topologa general]
42 3. Matrices
donde las entradas marcadas * son arbitrarias. Una definicin ms formal de

tal matriz A = (aij )i,jn es que aij = 0 si i > j. Demuestre que el producto de
dos matrices triangulares superiores n n es triangular superior.
19. Mediante induccin, demuestre que para toda n 1, (A1 + A2 + + An )T =

AT1 + AT2 + + ATn .
20. Mediante induccin, demuestre que para toda n 1, (A1 A2 An )T = ATn AT2 AT1 .
21. a) Demuestre que si A y B son matrices simtricas de nn, entonces tambin

lo es A + B.
b) Demuestre que si A es una matriz simtrica de n n, entonces tambin
lo es kA para cualquier escalar k.
22. a) Proporcione un ejemplo para demostrar que si A y B son matrices sim-

tricas de n n, entonces AB no necesita ser simtrica.
b) Demuestre que, si A y B son matrices simtricas de n n , entonces AB
es simtrica si y slo si AB = BA.
23. Una matriz cuadrada se llama antisimtrica si AT = A. Cules de las si-

guientes matrices son antisimtricas?

1 2
a) .
2 3

0 1
b) .
1 0

0 3 1
c) 3 0 2 .
1 2 0

0 1 2
d) 1 0 5.
2 5 0
24. Demuestre que la diagonal principal de una matriz antisimtrica debe consistir
completamente de ceros.
25. Si A y B son matrices de n n antisimtricas, en qu condiciones AB es

antisimtrica?
26. Demuestre que, si A es una matriz de n n, entonces A AT es antisimtrica.

[Versin alpha
3.4. Ejercicios 43
27. La traza de una matriz A = (aij )i,jn de n n es la suma de las entradas en

su diagonal principal y se denota mediante tr(A). Esto es,
tr(A) = a11 + a22 + + ann .
Si A y B son matrices de n n, demuestre las siguientes propiedades de la

traza
a) tr(A + B) = tr(A) + tr(B).

b) tr(kA) = ktr(A), donde k es un escalar.
28. Demuestre que si A y B son matrices de n n, entonces tr(AB) = tr(BA).
29. Si A es cualquier matriz, a qu es igual tr(AAT )?
30. Demuestre que no hay matrices de A y B de 2 2 tales que AB BA = I2 .
31. Encuentre la inversa de la matriz dada (si existe).

4 7
a) .
1 2

1 2
b) .
3 4

3 4
c) .
6 8

0 1
d) .
1 0

a b
e) .
b a
1 1
a b
f) , donde ni a, b, c ni d son 0.
c1 d1

1 2 3 1 2
32. Sea A = , b1 = , b2 = , y b3 = .
2 6 5 2 0
a) Encuentre A1 y sela para resolver los tres sistemas Ax = b1 , Ax = b2

y Ax = b3 .
b) Resuelva los tres sistemas al mismo tiempo mediante la reduccin por
renglones de la matriz aumentada [A | b1 b2 b3 ], usando la eliminacin de
Gauss-Jordan.
Topologa general]
44 3. Matrices
c) Cuente cuidadosamente el nmero total de multiplicaciones individuales

que realiz en (a) y en (b). Debe descubrir que, incluso para este ejemplo
de 2 2, un mtodo usa menos operaciones. Para sistemas ms grandes, la
diferencia es incluso ms pronunciada, y esto explica por qu los sistemas
de cmputo no usan uno de dichos mtodos para resolver sistemas lineales.
33. Demuestre que la matriz identidad In de n n es invertible y que In1 = In .
34. a) Proporcione un contraejemplo para demostrar que (AB)1 6= A1 B 1 .

b) En qu condiciones de A y B, (AB)1 = A1 B 1 ? Argumente amplia-
mente su afirmacin.
35. Mediante induccin, demuestre que si A1 , A2 , ..., An son matrices invertibles del
mismo tamao, entonces el producto A1 A2 An es invertible y (A1 A2 An )1 =
1 1
A1
n A2 A1 .
36. Proporcione un contraejemplo para demostrar que (A + B)1 6= A1 + B 1 .
37. Resuelva la ecuacin matricial dada para X. Simplifique sus respuestas tanto
como sea posible. (En palabras de Albert Einstein, todo debe hacerse tan
simple como sea posible, pero no ms sencillo.) Suponga que todas las matrices
son invertibles.
a) XA1 = A3 .
b) AXB = (BA)2 .
c) (A1 X)1 = (AB 1 )1 (AB 2 ).
d) ABXA1 B 1 = I + A.

1 2 1 1 1 0 1 2 1 1 2 1
38. Sean A = 1 1 1 , B = 1 1 1 , C = 1 1 1 , D = 3 1 3 .
1 1 0 1 2 1 2 1 1 2 1 1
Encuentre una matriz elemental E que satisfaga la ecuacin dada.
a) EA = B.
b) EB = A.
c) EA = C.
d) EC = A.
e) EC = D.
f ) ED = C.
g) Existe una matriz elemental E tal que EA = D? Por qu s o por qu
no?
[Versin alpha
3.4. Ejercicios 45
39. Encuentre la inversa de la matriz elemental dada.

3 0
a) .
0 1

1 2
b) .
0 1

0 1
c) .
1 0

1 0
d) .
21 1

1 0 0
e) 0 1 2.
0 0 1

0 0 1
f ) 0 1 0.
1 0 0

1 0 0
g) 0 c 0, c 6= 0.
0 0 1

1 0 0
h) 0 1 c, c 6= 0.
0 0 1
40. Sea
1 0
A= .
1 2
Encuentre una secuencia de matrices elementales E1 , E2 , ..., Ek tales que

Ek E2 E1 A = I2 . Use esta secuencia para escribir A y A1 como produc-
tos de matrices elementales.
41. a) Demuestre que si A es invertible y AB = 0, entonces B = 0.

b) Ofrezca un contraejemplo para demostrar que el resultado en el inciso
41a) puede fallar si A no es invertible.
42. a) Demuestre que si A es invertible y BA = CA, entonces B = C.

b) Ofrezca un contraejemplo para demostrar que el resultado en el inciso
41a) puede fallar si A no es invertible.
Topologa general]
46 3. Matrices
43. Una matriz cuadrada A se llama idempotente si A2 = A. (La palabra idem-

potente viene de la palabra latina idem, que significa igual, y potere, que
significa tener poder. Por tanto, algo que es idempotente tiene la misma
potencia cuando se eleva al cuadrado.)
a) Encuentre tres matrices de 2 2 idempotentes.

b) Demuestre que la nica matriz de nn idempotente invertible es la matriz
identidad In .
44. Demuestre que si una matriz simtrica es invertible, entonces su inversa tam-
bin es simtrica.
45. Demuestre que si A y B son matrices cuadradas, y AB es invertible, entonces

A y B son invertibles.
46. Use el mtodo de Gauss-Jordan para encontrar la inversa de la matriz dada (si
existe).

1 2
a) .
3 4

1 a
b) .
a 1

2 0 1
c) 1 5 1 .
2 3 0

1 1 2
d) 3 1 2 .
2 3 1

1 1 0
e) 1 1 1.
0 1 1

a 0 0
f) 1 a 0 .
0 1 a

0 1 1 0
2 1 0 2
g) 1 1 3 0 .

0 1 1 1
[Versin alpha
3.4. Ejercicios 47

2 0 2 2 0
4 2 2 0 0
h) .
0 0 1 0
0 0 3 1
Topologa general]
48 3. Matrices
[Versin alpha
Captulo 4
Subespacios
4.1. Generado, dependencia e independencia lineal
Definicin 4.1. Un vector v es combinacin lineal de v1 , ..., vk si existen escalares

c1 , ..., ck tales que v = c1 v1 + ... + ck vk . Los escalares c1 , ..., ck son llamados los
coeficientes de la combinacin lineal.
Sea A la matriz de coeficientes de un sistema de ecuaciones lineales, digamos con n

variables y m ecuaciones, entonces el sistema lo podemos escribir por [A : b], donde
b Rm . De la Definicin 4.1, es fcil aceptar la siguiente observacin:
Observacin 4.2. Un sistema de ecuaciones lineales con matriz aumentada [A : b]
es consistente si y solo si el vector b es combinacin lineal de las columnas de A.
Definicin 4.3. Si S = {v1 , ..., vk } es un conjunto de vectores de Rn , entonces el
conjunto de todas las combinaciones lineales de los vectores de S se llama el espacio
generado de S y notaremos por gen{v1 , ..., vk } o gen(S).
El espacio generado, como veremos ms adelante, esta muy ligado al concepto de

dependencia e independencia lineal que definimos a continuacin.
Definicin 4.4. Un conjunto de vectores {v1 , ..., vk } de Rn se dice linealmente de-
pendiente si existen escalares no todos cero c1 , ..., ck tales que c1 v1 +...+ck vk = 0. En
caso contrario decimos que el conjunto {v1 , ..., vk } es linealmente independiente.
Una manera de estudiar la dependencia o independencia lineal es, como su nombre lo

dice, mirar si uno de los vectores depende de los dems, esto es, un vector es com-
binacin lineal de los otros vectores del conjunto. De la Definicin 4.4, si {v1 , ..., vk }
50 4. Subespacios
es linealmente dependiente, entonces existen escalares no todos cero, c1 , ..., ck tales

que
c1 v1 + c2 v2 + ... + ck vk = 0.
Luego, si cj 6= 0, para algn j {1, ..., k}, entonces despejando
cj vj = (c1 )v1 + ... + (cj1 )vj1 + (cj+1 )vj+1 + ... + (ck )vk .
Como cj 6= 0, podemos escribir vj por

c1 cj1 cj+1 ck
vj = v1 + ... + vj1 + vj+1 + ... + vk ,
cj cj cj cj
es decir, vj es combinacin lineal de los dems vectores o depende de los dems

vetores. Similarmente, si ningn vector es combinacin lineal de los otros vectores
decimos que el conjunto es linealmente independiente.
Teorema 4.5. Sea {v1 , ..., vk } un conjunto de vectores de Rn . Si {v1 , ..., vk } es li-
nealmente independiente y w / gen{v1 , ..., vk }, entonces {v1 , ..., vn , w} es linealmente
independiente.
Con el siguiente resultado enunciamos algunas propiedades importantes de los con-

ceptos definidos en esta seccin.
Proposicin 4.6. Sea {v1 , ..., vk } un conjunto de vectores de Rn .
1. Si k > n, entonces {v1 , ..., vk } es linealmente dependiente.
6 Rn .
2. Si k < n, entonces gen{v1 , ..., vn } =
Terminamos este captulo con un resultado que relaciona la independencia lineal con
el espacio generado.
Teorema 4.7. Sea {v1 , ..., vn } un conjunto de vectores de Rn . Entonces, {v1 , ..., vn }
es linealmente independiente si y solo si gen{v1 , ..., vn } = Rn .
4.2. Bases y dimensin
Definicin 4.8. Un subconjunto V Rn es un subespacio de Rn , si V 6= y:
1. v1 + v2 V para cada v1 , v2 V .
[Versin alpha
4.2. Bases y dimensin 51
2. v V para cualquier v V y R.
A continuacin mostramos algunos ejemplos de subespacios:
Teorema 4.9. Sean v1 , ..., vk vectores de Rn . El espacio generado gen{v1 , ..., vk }

Rn es un subespacio.
Los siguientes son ejemplos de subespacios asociados a matrices.
Definicin 4.10. Sea A una matriz de m n. Definimos:
1. Espacio renglones de A, ren(A) espacio generado por los renglones de A.
2. Espacio de columnas de A, col(A) espacio generado por las columnas de A.
3. Espacio nulo de A, nul(A) = {v Rn : Av = 0}; es decir, la solucin del

sistema homogneo [A : 0].
Definicin 4.11. Sea V un subespacio de Rn . Un conjunto de vectores = {v1 , ..., vk }

es una base de V si
1. {v1 , ..., vk } es linealmente independiente, y
2. gen{v1 , ..., vk } = V .
Teorema 4.12. Sea V un subespacio de Rn . Si 1 = {v1 , ..., vk } y 2 = {w1 , ..., wl }

son base de V , entonces k = l; es decir, cualquier base de un subespacio tiene la
misma cantidad de vectores.
El teorema anterior muestra que la dimensin de un subespacio es nica.
Definicin 4.13. Sea V un subespacio de Rn . Si = {v1 , ..., vk } es una base de V ,

entonces diremos que V tiene dimensin k y escribimos dim(V ) = k.
Sea A una matriz de mn. Sabemos que para A, asociamos los subespacios col(A), ren(A)
y nul(A).
Teorema 4.14. Sea A una matriz de m n. Entonces dim(col(A)) = dim(ren(A)).
En adelante usaremos las siguientes convenciones:
1. (A) = dim(col(A)) = dim(ren(A)) se conoce como rango de A.

Topologa general]
52 4. Subespacios
2. (A) = dim(nul(A)) se conoce como nulidad de A.
El siguiente resultado, como vernos constantemente, nos ser de gran utilidad.
Teorema 4.15 (Teorema del Rango). Si A es una matriz de m n, entonces
(A) + (A) = n.
Con los resultados expuestos en esta seccin podemos dar un teorema fundamental
para matrices invertibles:
Teorema 4.16. Sea A una matriz de n n. Las siguientes afirmaciones son equi-
valentes:
1. A es invertible.
2. Ax = b tiene un nica solucin para cualquier vector b Rn .
3. Ax = 0 tiene solo solucin trivial.
4. La forma escalonada reducida de A es In .
5. A es el producto de matrices elementales.
6. (A) = n.
7. (A) = 0.
8. Las columnas de A son linealmente independientes.
9. Las columnas de A generan Rn .
10. Las columnas de A forman una base de Rn .
11. Los renglones de A son linealmente independientes.
12. Los renglones de A generan Rn .
13. Los renglones de A forman una base de Rn .
[Versin alpha
4.3. Transformaciones lineales 53
4.3. Transformaciones lineales
Definicin 4.17. Sean V Rn y W Rm subespacios. Una funcin T : V W

se conoce como transformacin lineal si:
1. T (v1 + v2 ) = T (v1 ) + T (v2 ), para cualesquiera vectores v1 , v2 V ;
2. T (v) = T (v), para cada R y v V .
Si A es una matriz de m n, podemos definir TA : Rn Rm por TA (x) = Ax para

cada x Rn .
Teorema 4.18. Si A es una matriz de m n, entonces TA : Rn Rm es una

transformacin lineal.
Recprocamente si T : Rn Rm es una transformacin lineal podemos encontrar

una matriz AT que represente la transformacin T como mostramos en el siguiente
teorema:
Teorema 4.19. Sea T : Rn Rm una tranformacin lineal. Si = {e1 , ..., en } es

la base cannica de Rn , entonces
AT = A = [ T (e1 ) T (e2 ) ... T (en ) ]
es la matriz tal que T (x) = Ax, para cada x Rn .
Definicin 4.20. Sean V un subespacio de Rn y = {v1 , ..., vk } una base de V .

Si v V , entonces existen nicos 1 , ..., k R tales que v = 1 v1 + ... + k vk .
Definimos el vector coordenadas de v en trminos de , denotado como [v] , por el
vector en Rk :
[v] = (1 , ..., k ).
A continuacin mostramos otro ejemplo de transformacin lineal.
Teorema 4.21. Sean V un subespacio de Rn y = {v1 , ..., vk } una base de V .

Entonces, T : V Rk definida por T (v) = [v] es una transformacin lineal.
Definicin 4.22. Sea T : V W una transformacin lineal. Decimos que:
1. T es inyectiva, si siempre que T (v) = 0, tenemos que v = 0.
2. T es sobreyectiva, si para cada w W existe v V tal que T (v) = w.

Topologa general]
54 4. Subespacios
3. T es un isomorfismo si T es inyectiva y sobreyectiva. Adems, si T es un

isomorfismo diremos que V y W son isomorfos y escribimos V
= W.
Teorema 4.23. Para cualquier subespacio V de Rn y = {v1 , ..., vk } base de V , la
transformacin lineal T : V Rk definida por T (v) = [v] es un isomorfismo. De
esto, V
= Rk .
El isomorfismo usando el vector coordenadas nos permite representar matricialmen-

te una transformacin lineal de muchas maneras dependiendo de las bases, como
mostramos en el siguiente resultado.
Teorema 4.24. Sean V Rn , W Rm subespacios, 1 = {v1 , ..., vk } base de V y
2 = {w1 , ..., wl } base de W . Si T : V W es una transformacin lineal, entonces
existe una matriz AT (1 2 ) = A de l k, tal que
[T (v)]2 = A[v]1 ,
para cada v V . Adems,
A = [ [T (v1 )]2 [T (v2 )]2 ... [T (vk )]2 ].
4.4. Ms acerca de transformaciones lineales
Como vimos en el Teorema 4.24, cualquier transformacin lineal se puede representar

con una matriz. As, es natural referirnos a nulidad y rango de una transformacin.
Definicin 4.25. Sean T : V W una transformacin lineal y 1 = {v1 , ..., vn } y
2 = {w1 , ..., wm } bases de V y W , respectivamente. Definimos:
1. (T ) = (AT (1 2 ) ), llamamos el rango de T .
2. (T ) = (AT (1 2 ) ), llamamos la nulidad de T .
Es importante resaltar que el rango y la nulidad de una transformacin lineal no

dependen de la seleccin de las bases; es decir, si 1 y 1 son bases de V , y 2 y 2
son bases de W , entonces (AT (1 2 ) ) = (AT (1 2 ) ) y (AT (1 2 ) ) = (AT (1 2 ) ).
A continuacin mostramos como caracterizar transformacin inyectiva y sobreyecti-
va, usando el rango y la nulidad.
Teorema 4.26. Sea T : V W una transformacin lineal. Entonces:
1. T es inyectiva si y solo si (T ) = 0.
[Versin alpha
4.5. Ejercicios 55
2. T es sobreyectiva si y solo si (T ) = dim(W ).
Sean U, V y W subespacios, y sean T : U V y L : V W transformaciones

lineales. Entonces L T : U W es una transformacin lineal. Con el siguiente
resultado mostramos que la composicin de transformaciones es equivalente a la
multiplicacin de matrices.
Teorema 4.27. Sean U, V y W subespacios, y 1 , 2 y 3 bases de U, V y W ,

respectivamente. Si T : U V y L : V W son transformaciones lineales, entonces
ALT (1 3 ) = AL(2 3 ) AT (1 2 ) .
Definicin 4.28. Sea T : V W una transformacin lineal. Decimos que T es

invertible si AT (1 2 ) es invertible, para algunas bases 1 de V y 2 de W . Adems,
si T es invertible, podemos definir T 1 : W V una transformacin lineal tal que
[T 1 (w)]1 = A1
T (1 2 ) [w]2 ,
para cada w W .
4.5. Ejercicios
1. Determine si el vector b est en el generador de las columnas de la matriz A.

1 2 3 10
a) A = 4 5 6 ; b = 11.

7 8 9 12

1 1 0 2
b) A = 1 1 1 ; b = 1 .
1 0 1 3

2 1
2. Demuestre que R2 = gen , .
1 2

1 1 1
3. Demuestre que R3 = gen 1 , 1 , 1 .
1 1 1
4. Demuestre que u, v y w estn todos en gen(u, u + v, u + v + w).

Topologa general]
56 4. Subespacios
5. Determinar si los conjuntos de vectores son linealmente independientes o lineal-

mente dependientes. Si, para alguno de ellos la respuesta puede determinarse
por inspeccin (esto es, sin clculos), establezca por qu. Para cualquier con-
junto que sea linealmente dependiente, encuentre una relacin de dependencia
entre los vectores.

3 2
a) 1 , 1 .
4 1

1 1 1
b) 1 , 2 , 1 .

1 3 2

3 2 1
c) 2 , 1 , 2 .
2 3 6

0 2 2
d) 1 , 1 , 0 .

2 3 1

2 5 4 3
e) 3 , 1 , 3 , 1 .
7 1 0 5

3 6 0
f ) 4 , 7 , 0 .
5 8 0

1 2 3

4 3
, , 2 .

g) 3 4 2

0 5 4

0 0 0 4

0 0 3
, , , 3 .

h) 0 2 2 2

1 1 1 1

3 1 1 1

1 3 1 1

i) , , , .
1 1 3 1

1 1 1 3

6. Responda detalladamente cada una de las siguientes preguntas:

[Versin alpha
4.5. Ejercicios 57
a) Si las columnas de una matriz A de n n son linealmente independientes

como vectores en Rn , cul es el rango de A?
b) Si los renglones de una matriz A de n n son linealmente independientes
como vectores en Rn , cul es el rango de A?
7. Responda detalladamente cada una de las siguientes preguntas:
a) Si los vectores u, v y w son linealmente independientes, u + v, v + w y

u + w tambin son linealmente independientes?
b) Si los vectores u, v y w son linealmente independientes, u v, v w y
u w tambin son linealmente independientes?
8. Suponga que S = {v1 , ..., vk , v} es un conjunto de vectores de Rn , para algn n,

y que v es una combinacin lineal de v1 , ..., vk . Si S = {v1 , ..., vk }, demuestre
que gen(S) = gen(S ).
9. a) Suponga que el vector w es una combinacin lineal de los vectores u1 , ..., uk

y que cada ui es una combinacin lineal de los vectores v1 , ..., vm . Demues-
tre que w es una combinacin lineal de v1 , ..., vm y por tanto gen(u1 , ..., uk )
gen(v1 , ..., vm ).
b) En el inciso (a), suponga adems que cada vj tambin es una combinacin
lineal de u1 , ..., uk . Demuestre que gen(u1 , ..., uk ) = gen(v1 , ..., vm ).
c) Use el resultado del inciso (b) para demostrar que

1 1 1
R3 = gen 0 , 1 , 1
0 0 1
[Sugerencia: Se sabe que R3 = gen(e1 , e2 , e3 )].
10. Sea {v1 , ..., vk } un conjunto linealmente independiente de vectores en Rn y sea

v un vector en Rn . Suponga que v = c1 v1 + c2 v2 + ... + ck vk con c1 6= 0. Pruebe
que {v, v2 , ..., vk } es linealmente independiente.
11. Sea {v1 , ..., vk } Rn un conjunto linealmente independiente. Demuestre que si

w/ gen{v1 , ..., vk }, entonces {w, v1 , ..., vk } es linealmente independiente.
12. En cada caso, encuentre vectores v y w para que el conjunto de vectores genere
el espacio respectivo:
a) {(1, 2, 1), v, w} genere R3 .

b) {(1, 2, 2), (0, 1, 1), v} genere R3 .
Topologa general]
58 4. Subespacios
c) {(1, 1, 2, 1), (1, 1, 0, 3), v, w} genere R4 .

d) {(1, 1, 1, 1), (2, 1, 1, 3), v, w} genere R4 .
13. En cada caso, encuentre vectores v y w para que el conjunto de vectores sea
linealmente independiente:
a) {(4, 1, 1), v, w}.

b) {(1, 3, 2), (0, 0, 1), v}.
c) {(1, 1, 2, 1), (1, 1, 0, 3), v, w}.
d) {(1, 1, 1, 2), (2, 1, 3, 1), v, w}.
14. Demuestre que, si las columnas de B son linealmente dependientes, entonces

tambin lo son las columnas de AB.
15. Demuestre que, si los renglones de A son linealmente dependientes, entonces

tambin lo son los renglones de AB.
16. Muestre detalladamente cuales de los siguiente conjuntos son subespacios.
a) {(0, 0)}.
b) {(x, y, z) R3 : x = y = 2z}.
c) {(x, y, z) R3 : z = 3x, y = 0}.
d) {(x, y, z) R3 : x z + 2y 1 = 0}.
e) {(x, y, z) R3 : |x y| = |y z|}.
f ) {(x, y) R2 : y 0}.
g) {(x, y) R2 : x2 y = 0}.
h) {(x, y) R2 : xy = 0}.
i ) {(x, y, z, w) R4 : x 2y + z + w = 0}.
j ) {(x, y, z, w) R4 : x 2yz + w = 0}.
k ) {(x, y, z, w) R4 : x + y + w = 0}.
17. Muestre un conjunto S R2 tal que:
a) s1 + s2 S para cualesquiera s1 , s2 S, pero existen R y s S

donde s
/ S.
b) s S para cada s S y R, pero existen s1 , s2 S tales que
s1 + s2
/ S.
18. Sean v1 , ..., vk vectores de Rn , demostrar que gen{v1 , ..., vk } es subespacio de

Rn .
[Versin alpha
4.5. Ejercicios 59
19. Determine si b col(A) y w ren(A) en cada caso:

1 0 1 2
yw=

a) A = , b= 1 1 1
1 1 1 3

1 1 3 1
1 , b = 1 y w = 2 4 5

b) A = 0 2
1 1 4 0
20. Encuentre un valor de a, si es posible, para que el conjunto {(1, 2, 1), (2, a, 1), (5, 2, 1)}
sea linealmente dependiente.
21. En los siguientes ejercicios proporcione bases y dimensin de ren(A), col(A) y

nul(A).

1 0 1
a) A =
1 1 1

1 1 3
b) A= 0 2 1
1 1 4

1 1 0 1
c) A = 0 1 1 1
0 1 1 1

2 4 0 2 1
d) A=
1 2 1 4 4

1 3 2
e) A=
2 6 4

1 1 2
f) A= 3 1 4
1 0 4

1 1 2 3
g) A= 0 1 4 3
1 0 6 5

0 4 2 0
h) A= 0 0 1 6
1 0 1 2

0 0 1
i) A= 0 0 2
1 2 4
Topologa general]
60 4. Subespacios

1 2 3
j) A = 0 0 4
0 0 6
22. Demuestre que si 1 y 2 son bases de un espacio vectorial V , entonces 1 y

2 tienen la misma cantidad de vectores.
23. Sea A una matriz de m n que representa la matriz de coeficientes del sistema
de ecuaciones lineales homogneo Ax = 0. Demostrar que la solucin de Ax = 0
es un subespacio de Rn .
24. Encuentre todos los posibles valores de (A) y (A) dependiendo del nmero
real a.

1 2 a
a) A = 2
4a 2
a 2 1

a 2 1
b) A = 3 3 2
2 1 a
25. Determine si el siguiente conjunto de vectores es base de R3 .
a) {(1, 1, 0), (1, 0, 1), (0, 1, 1)}

b) {(1, 1, 3), (1, 5, 1), (1, 3, 1)}
c) {(1, 4, 1), (2, 1, 2), (3, 3, 4)}
d) {(1, 2, 1), (1, 1, 4), (3, 3, 3)}
26. Determine si el siguiente conjunto de vectores es base de R4 .
a) {(1, 1, 1, 1), (2, 0, 0, 1), (4, 2, 2, 1), (7, 3, 3, 1)}

b) {(1, 0, 0, 1), (0, 1, 1, 0), (1, 2, 2, 1), (0, 2, 2, 1)}
c) {(1, 1, 1, 0), (1, 1, 0, 1), (1, 0, 1, 1), (0, 1, 1, 1)}
d) {(1, 1, 0, 0), (0, 1, 0, 1), (0, 0, 1, 1), (1, 0, 1, 0)}
27. Si A es una matriz de m n, demuestre que todo vector de nul(A) es ortogonal

a todo vector de ren(A).
28. Si A y B son matrices de n n tales que (A) = (B) = n, demuestre que

(AB) = n.
29. Demuestre que (AB) (B).

[Versin alpha
4.5. Ejercicios 61
30. Muestre ejemplos de matrices A y B tales que (AB) < (B).
31. Demuestre que (AB) (A).
32. Muestre ejemplos de matrices A y B tales que (AB) < (A).
33. Demuestre que para cualquier matriz A, (A) = (AT ).
34. Sean A de m n y B de n k. Demuestre que (AB) mn{(A), (B)}.
35. Sean A y B matrices de n n. Demuestre que si B es invertible, entonces

(AB) = (BA) = (A).
36. Si B = CAD, donde C y D son matrices invertibles, demuestre que (B) =

(A).
37. Demuestre que para matrices A y B de m n, (A + B) (A) + (B).
38. Muestre un ejemplo de matrices A y B de m n, tales que (A + B) <

(A) + (B).
39. Si A es una matriz de n n, demuestre que (A) < n si y solo si existe un

vector x Rn con x 6= 0 y Ax = 0.
40. Suponga que A es una matriz tal que para cualquiera k renglones son lineal-
mente independientes mientras que para cualesquiera k + 1 renglones son li-
nealmente dependientes. Demuestre que (A) = k.
41. Suponga que T : R3 R2 es una transformacin lineal. Entonces:
a) Si T (1, 2, 5) = (1, 2, 3) calcule T (2, 4, 10).

b) Si T (1, 1, 2) = (1, 1, 1) y T (1, 3, 2) = (1, 3, 1), encuentre T (1, 5, 2).
c) Si T es sobreyectiva, calcular (T ).
42. Sean V = {(x, y, z, w) R4 : x 2y + z = 0} y W = {(x, y, z, w) R4 : x =

2y y z = w = 0}. Encuentre una transformacin lineal T : V R2 tal que
N u(T ) = W .
43. Sean V = {(x, y, z) R3 : 2x y + 3z = 0} y T : V R3 definida por

T (x, 2x + 3z, z) = (x, z, 2x z).
a) Encuentre la matriz de representacin A en trminos de las bases 1 =

{(1, 2, 0), (0, 3, 1)} y 2 la base cannica de R3 .
b) Encuentre la matriz de representacin B en trminos de las bases 1 =
{(1, 2, 0), (0, 3, 1)} y 2 = {(1, 1, 0), (1, 1, 0), (0, 0, 1)}.
Topologa general]
62 4. Subespacios
c) Encuentre matrices invertibles P y Q tales que P A = BQ.
44. Demuestre que si T : V W es una transformacin lineal y dim(V ) = dim(W ),

entonces T es inyectiva si y solo si T es sobreyectiva.
45. Para cualquier subespacio V de Rn y = {v1 , ..., vk } una base de V , demos-

trar que la transformacin lineal T : V Rk definida por T (v) = [v] es un
isomorfismo.
46. Demuestre que las siguientes funciones son transformaciones lineales.
a) T (x, y) = (x + y, x y)
b) T (x, y) = (x, x)
c) T (x, y) = (y, x + 2y, 3x 4y)
d) T (x, y, z) = (x y + z, 2x y + 3z)
e) T (x, y, z) = (x + z, y + z, x + y)
f ) T (x, y, z) = (x + z, 0, x + y)
47. Muestre con ejemplos que las siguientes funciones no son transformaciones
lineales.
a) T (x, y) = (y 2 , x)
b) T (x, y) = (|x|, |y|)
c) T (x, y) = (xy, x + y)
d) T (x, y) = (x + 1, y 1)
e) T (x, y, z) = (x, y, 1)
f ) T (x, y, z) = (ex , ey , ez )
48. Usando bases cannicas, encuentre la representacin lineal de cada una de las
transformaciones lineales definidas en el Ejercicio 46.
49. Determine si cada transformacin lineal definida en el Ejercicio 46 es inyectiva,

sobreyectiva, isomorfismo o ninguna de las anteriores.
50. Determine para cada transformacin lineal definida en el Ejercicio 46, (T ) y

(T ).
51. Encuentre en cada caso, si es posible, una transformacin lineal que satisfaga
las condiciones sealadas:
a) T : R3 R3 tal que (T ) = 1 y im(T ) = {(x, y, z) : x = 2y}.

[Versin alpha
4.5. Ejercicios 63
b) T : R3 R3 tal que nul(A) = col(A), donde A es una matriz que repre-

senta la transformacin lineal T .
c) T : R3 R3 tal que nul(T ) = {(x, y, z) : x + 2y 3z = 0} y im(T ) =
{(x, y, z) : x = 2y = z}.
52. Encuentre la representacin matricial de cada una de las transformaciones li-

neales en trminos de las bases indicadas.
a) T : R2 R3 definida por T (x, y) = (xy, x+y, 2y); 1 = {(1, 1), (1, 1)},
2 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}.
b) T : R3 R3 definida por T (x, y, z) = (x + 2z, x + y + z, 2x + z); 1 =
2 = {(1, 0, 1), (1, 1, 1), (0, 1, 0)}.
c) T : R3 R2 definida por T (x, y, z) = (x+y 2z, y +3z); 1 = {(1, 1, 2),
(0, 1, 0), (2, 1, 1)}, 2 = {(1, 2), (1, 1)}.
Topologa general]
64 4. Subespacios
[Versin alpha
Captulo 5
Valores y vectores propios
Este captulo lo desarrollamos en matrices cuadradas con coeficientes reales.
5.1. Introduccin
Definicin 5.1. Sea A una matriz de n n. Un nmero real es llamado valor

propio de A si existe un vector v Rn , v 6= 0, tal que Av = v.
Como vimos en el captulo anterior, una matriz A de n n es una transformacin

lineal TA : Rn Rn tal que TA (u) = Au, para cada u Rn . Con esta interpre-
tacin geomtrica, es un valor propio de A si existe un vector no nulo v tal que
su transformacin TA (v) es un multiplo escalar de v o los vectores v y TA (v) son
paralelos.
Si consideramos la matriz de rotacin, para 0 < < ,

cos sen
A = ,
sen cos
representa la transformacin lineal que a cada vector u R2 , TA (u) rota u un ngulo

en sentido positivo; es decir, no existe un vector diferente de cero v tal que v y
TA (v) sean paralelos y por tanto, A no tiene valores propios.
Es importante resaltar que si estudiamos valores propios sobre los nmeros complejos
C, toda matriz tiene valores propios. Sin embargo, para nuestros objetivos solamente
consideraremos valores propios sobre R. Por esta razn, tiene sentido decir que una
matriz no tiene valores propios.
66 5. Valores y vectores propios
Definicin 5.2. Sean A una matriz de n n y un valor propio de A. Definimos

el espacio propio asociado a por
E = {v Rn : Av = v}.
Ntese que el espacio propio se puede escribir como E = {v Rn : (A In )v = 0};

esto es E = N u(A I). Con esta observacin es inmediata la prueba del siguiente
teorema.
Teorema 5.3. Sea A una matriz de n n. Si es un valor propio de A, entonces
E es un subespacio de Rn .
Ntese que como es un valor propio de A, existe un vector v 6= 0 tal que v E ;

es decir 1 dim(E ) n, para cualquier espacio propio E .
5.2. Determinantes
En esta seccin introducimos la nocin de determinante y lo usamos como una he-

rramienta para encontrar valores propios de una matriz.
Definicin 5.4. Sea A = (aij )i,jn una matriz de n n. El determinante de A se
define de manera inductiva por:
Si A es una matriz de 2 2,

a b
det(A) = det = ad bc.
c d
Si A es una matriz de 3 3,
det(A) = det((aij )i,j3 ) = a11 det(A11 ) a12 det(A12 ) + a13 det(A13 ),
donde A1j es una matriz de 22 que resulta al quitar la primera fila y jsima
columna de A, para cada j {1, 2, 3}.
En general, para cualquier matriz A de n n,
det(A) = a11 det(A11 ) a12 det(A12 ) + ... + (1)n+1 det(A1n ) =

X n
= (1)1+j a1j det(A1j ),
j=1
donde A1j es una matriz de n 1 n 1 que resulta al quitar la primera fila

y jsima columna de A, para cada j {1, ..., n}.
[Versin alpha
5.3. Diagonalizacin 67
Algunas propiedades tiles de los determinantes las presentamos en el siguiente teo-

rema.
Teorema 5.5. Sea A una matriz de n n.
1. Si B se obtiene al intercambiar dos renglones o columnas de A, entonces

det(B) = det(A).
2. Si A tiene renglones o columnas linealmente dependientes, entonces det(A) = 0.
3. Si B se obtiene al multiplicar un rengln o columna de A por k R, entonces
det(B) = kdet(A).
4. Si A es una matriz de n n, entonces det(kA) = kn det(A).
5. Si B es una matriz de n n, entonces det(AB) = det(A)det(B).
6. Si A, B y C son matrices idnticas excepto que el isimo rengln o columna
de C sea la suma de los isimos renglones o columnas de A y B, entonces
det(C) = det(A) + det(B).
7. Si B se obtiene al sumar un mltiplo de un rengln o columna de A a otro
rengln o columna, entonces det(B) = det(A).
Sabemos que una matriz es invertible si y solo si los renglones y columnas son li-
nealmente independientes. As, por el enunciado 2, del teorema anterior, se sigue el
siguiente corolario.
Corolario 5.6. Sea A una matriz de n n. Entonces A es invertible si y solo si
det(A) 6= 0.
Adems, como 1 = det(In ) = det(AA1 ) = det(A)det(A1 ). Tenemos que

1
det(A1 ) = .
det(A)
5.3. Diagonalizacin
Como vimos, un valor propio de una matriz cuadrada A es un R tal que existe
v 6= 0 donde Av = v. Dicho de otra forma, un valor propio es tal que el sistema
homogneo
(A In )v = 0,
tiene infinitas soluciones; es decir, A In no sea invertible. Con esta observacin es
inmediata la prueba del siguiente resultado:
Topologa general]
Proposicin 5.7. Sea A una matriz de n n. Un real es valor propio de A si y

solo si det(A In ) = 0.
Dada una matriz A de n n, para encontrar los espacios propios podemos hacerlo
de la siguiente manera:
1. Calcular p(x) = det(A xIn ); esta funcin es un polinomio de grado n y se

conoce como polinomio propio.
2. Calcular las races de p. Estas races, por la Proposicin 5.7, son los valores
propios de A.
3. Para cada valor propio , encontrar el espacio nulo de la matriz A In ; este

espacio es el espacio propio E .
4. Encuentre una base de cada espacio E .
Teorema 5.8. Sean A una matriz de n n, 1 , ..., k valores propios diferentes de

A. Si i es base de Ei , para cada i {1, ..., k}, entonces 1 ... k es un conjunto
linealmente independiente.
Definicin 5.9. Sean A y B matrices de n n. Decimos que A y B son semejantes

o A es semejante a B si existe una matriz invertible P tal que A = P BP 1 .
Algunas propiedades de las matrices semejantes se presentan en el siguiente teorema.
Teorema 5.10. Sean A y B matrices semejantes de n n. Entonces:
1. det(A) = det(B).
2. A es invertible si y solo si B es invertible.
3. A y B tienen el mismo rango.
4. A y B tienen el mismo polinomio propio.
5. A y B tienen los mismos valores propios.
Recuerde que una matriz D es diagonal, si las coordenadas fuera de la diagonal son
todas cero. Si D es una matriz diagonal, entonces, a simple vista podemos calcular:
determinante, rango, nulidad, valores propios, polinomio propio y potencias. Por esta
razn, es til determinar si una matriz es semejante a una matriz diagonal. A estas
matrices se les llama diagonalizables.
[Versin alpha
5.4. Ejercicios 69
Definicin 5.11. Una matriz A de n n es diagonalizable si A es semejante a una

matriz diagonal.
Para cada valor propio , existen nmeros importantes que nos ayudarn a determi-
nar si una matriz es diagonalizables.
1. La multiplicidad algebraica de es su multiplicidad como raz del polinomio

propio.
2. La multiplicidad geomtrica de es la dimensin de su espacio propio E .

Proposicin 5.12. Sea A una matriz de nn. Si es un valor propios de A, enton-
ces la multiplicidad geomtrica de es menor o igual que la multiplicidad algebraica
de .
El siguiente es conocido como Teorema de Diagonalizacin.

Teorema 5.13. Sea A una matriz de n n cuyos distintos valores propios son
1 , ..., k . Los siguientes enunciados son equivalentes:
1. A es diagonalizable;
2. La unin de las bases de los espacios propios E1 , ..., Ek , tiene n vectores;
3. La multiplicidad algebraica es igual a la multiplicidad geomtrica de cada valor

propio 1 , ..., k .
Del teorema anterior, adems se puede inferir que si A es diagonalizable; es decir,

A = P DP 1 , donde D es una matriz diagonal, entonces P = [v1 v2 ... vn ] y D =
[i ]ni=1 tales que 1 , ..., n son valores propios de A, podran no ser diferentes, y las
columnas de P , v1 , ..., vn son vectores propios asociados a 1 , ..., n , respectivamente.
Finalizamos este captulo con una manera de calcular potencias enteras no negativas
de matrices diagonalizables.
Teorema 5.14. Sean A una matriz diagonalizable y n N. Si A = P DP 1 , donde
D es una matriz diagonal, entonces An = P D n P 1 .
5.4. Ejercicios
1. Demuestre que v es un vector propio de A y encuentre el valor propio corres-

pondiente en cada caso:
Topologa general]

0 3 1
a) A= ,v= .
3 0 1

2 3 2
b) A= ,v= .
3 2 2

1 1 1
c) A= ,v= .
6 0 2

4 2 2
d) A= ,v= .
5 7 10

3 0 0 2
e) A = 0 1 2 , v = 1.
1 0 1 1

1 3 1 2
f) A = 1 2 0 , v = 1 .

1 1 1 1
2. Demuestre que es un valor propio de A y encuentre un vector propio corres-

pondiente a este valor propio en cada enunciado:

2 2
a) A = , = 3.
2 1

2 2
b) A = , = 2.
2 1

0 4
c) A = , = 1.
1 5

1 0 2
d) A = 1 1 1 , = 1.
2 0 1

3 1 1
e) A = 0 1 2 , = 3.
4 2 0
3. Encuentre geomtricamente los valores y vectores propios de A.

1 0
a) A = (reflexin en el eje y).
0 1

0 1
b) A = (reflexin en la recta y = x).
1 0

1 0
c) A = (proyeccin sobre el eje x).
0 0
[Versin alpha
5.4. Ejercicios 71
16
12

d) A = 1225 25
9 (proyeccin sobre la recta que pasa por el origen con vector
25 25
4

director 3 ).
5
5

2 0
e) A = (estiramiento por un factor de 2 horizontalmente y un factor
0 3
de 3 verticalmente).

0 1
f) A = (rotacin de 90 en sentido contrario al de las manecillas
1 0
del reloj en torno al origen).
4. Encuentre todos los valores propios de la matriz A. Obtenga bases para cada
uno de los espacios propios correspondientes. Ilustre los espacios propios y el
efecto de multiplicar los vectores propios por A.

4 1
a) A = .
2 1

0 2
b) A = .
8 6

2 5
c) A = .
0 2

2 1
d) A = .
1 2
5. Demuestre:
a) A es semejante a A.
b) Si A es semejante a B, entonces B es semejante a A.
c) Si A es semejante a B y B es semejante a C, entonces A es semejante a
C.
6. Demuestre que si A es una matriz de n n con n diferentes valores propios,

entonces A es diagonalizable.
7. Demuestre que A es invertible si y solo si 0 no es un valor propio.
8. Sean A una matriz cuadrada de n n, un valor propio de A y v un vector

propio correspondiente a . Demuestre las siguientes afirmaciones:
a) Para cualquier entero positivo n, n es valor propio de An con vector

propio v.
Topologa general]
1
b) Si A es invertible, entonces es valor propio de A1 con vector propio v.
9. Calcule los determinantes de cada matriz y determine si es invertible.

1 0 3
a) 5 1 1.
0 1 2

1 0 2
b) 3 3 2 .
0 1 1

1 1 0
c) 1 0 1 .
0 1 1

1 1 0
d) 0 1 1.
1 0 1

1 2 3
e) 2 3 1.
3 1 2

1 2 3
f ) 4 5 6.
7 8 9

0 a 0
g) b c d.
0 e 0

1 1 0 3
2 5 2 6
h) 0 1 0 0.

1 4 2 1

3 2 0 1
1 3 0 1
i) 0 2 2 4 .

3 1 0 0
10. Use las propiedades de los determinantes para evaluar por inspeccin el deter-
minante dado. Explique su razonamiento.

1 1 1
a) 3 0 2.
2 2 2
[Versin alpha
5.4. Ejercicios 73

3 1 0
b) 0 2 5.
0 0 4

0 0 1
c) 0 5 2.
3 1 4

2 3 4
d) 1 3 2.
1 5 2

4 1 3
e) 2 0 2.
5 4 1

1 0 0 0
0 0 1 0
f) 0 1 0 0.

0 0 0 1

0 2 0 0
3 0 0 0
g) 0 0 0 4.

0 0 1 0

1 0 1 0
0 1 0 1
h) 1 1 0 0.

0 0 1 1

a b c

11. Encuentre los determinantes, suponiendo que d e f = 4.
g h i

3a b 2c
a) 3d e 2f .
3g h 2i

d e f
b) a b c .
g h i

a+g b+h c+i
c) d e f .
g h i
Topologa general]

2c b a
d) 2f e d .
2i h g

a b c
e) 2d 3g 2e 3h 2f 3i.
g h i
12. Encuentre todos los valores de k para los cuales A es invertible.

k k 3
a) 0 k + 1 1 .
k 8 k 1

k k 0
b) k2 4 k2 .
0 k k
13. Suponga que A y B son matrices de n n con det A = 3 y det B = 2.

Encuentre los determinantes indicados.
a) det(AB).
b) det(A2 ).
c) det(B 1 A).
d) det(2A).
e) det(3B T ).
14. Sean A y B son matrices de n n.
a) Demuestre que det(AB) = det(BA).

b) Si B es invertible, demuestre que det(B 1 AB) = det(A).
c) Si A es idempotente (esto es, A2 = A), encuentre todos los posibles valores
de det(A).
d) Una matriz cuadrada A se llama nilpotente si Am = 0 para algn m > 1.
(La palabra nilpotente proviene del latn nil, que significa nada, y po-
tente, que significa tener poder. En consecuencia, una matriz nilpotente
es aquella que se vuelve nada (esto es: la matriz cero) cuando se eleva a
alguna potencia.) Encuentre todos los posibles valores de det(A) si A es
nilpotente.
15. Calcule (1) el polinomio propio de A, (2) los valores propios de A, (3) una base
para cada espacio propio de A y (4) la multiplicidad algebraica y geomtrica
de cada valor propio.
[Versin alpha
5.4. Ejercicios 75

1 3
a) A= .
2 6

1 9
b) A= .
1 5

1 1 0
c) A = 0 2 1.
0 0 3

1 1 0
d) A = 1 0 1.
0 1 1

1 2 0
e) A = 1 1 1.
0 1 1

1 1 1
f) A = 0 2 0 .
1 1 1

4 0 1
g) A = 2 3 2.
1 0 2

1 0 3
h) A = 2 2 2.
3 0 1

3 1 0 0
1 1 0 0
i) A= 0 0 1 4.

0 0 1 1

2 1 1 1
0 1 2 3
j) A= 0 0 3 3.

0 0 0 2

1 1
16. Sea A es una matriz de 2 2 con vectores propios v1 = y v2 = que
1 1

5
corresponden a valores propios 1 = 21 y 2 = 2, respectivamente, y x = .
1
a) Encuentre A10 x.
Topologa general]
b) Encuentre Ak x. Qu sucede conforme k se vuelve grande (esto es, k

)?

1 1
17. Sea A es una matriz de 3 3 con vectores propios v1 = 0, v2 = 1 y
0 0

1
v3 = 1que corresponden a valores propios 1 = 31 , 2 = 31 y 3 = 1,
1

2
respectivamente, y x = 1.
2
a) Encuentre A20 x.
b) Encuentre Ak x. Qu sucede conforme k se vuelve grande (esto es, k
)?
18. a) Demuestre que para cualquier matriz cuadrada A, AT y A tienen el mismo

polinomio propio y en consecuencia los mismos valores propios.
b) D un ejemplo de una matriz A de 2 2 para la cual AT y A tengan
diferentes espacios propios.
19. Sea A una matriz nilpotente (esto es: Am = 0 para algn m > 1). Demuestre
que = 0 es el nico valor propio de A.
20. Sea A una matriz idempotente (esto es, A2 = A). Demuestre que = 0 y = 1
son los nicos valores propios posibles de A.
21. Si v es un vector propio de A con su correspondiente valor propio y c es un

escalar, demuestre que v es un vector propio de A cI con su valor propio
correspondiente c.

3 2
22. a) Encuentre los valores propios y espacios propios de A = .
5 0
b) Encuentre los valores propios y espacios propios de A1 , A 2I y A + 2I.
23. Sean A y B matrices de n n con valores propios y , respectivamente.
a) Muestre un ejemplo para demostrar que + no necesita ser un valor

propio de A + B.
b) Construya un ejemplo para demostrar que no necesita ser un valor
propio de AB.
[Versin alpha
5.4. Ejercicios 77
c) Suponga que y corresponden al mismo vector propio x. Demuestre

que, en este caso, + es un valor propio de A + B y es un valor
propio de AB.
24. Demuestre que A y B no son matrices semejantes.

4 1 1 0
a) A = ,B= .
3 1 0 1

1 2 2 5
b) A = ,B= .
3 4 2 4

2 1 4 1 0 0
c) A = 0 2 3, B = 1 4 0.
0 0 4 2 3 4

1 0 2 1 0 3
d) A = 0 1 2, B = 1 2 2.
1 1 4 1 0 3
25. Una diagonalizacin de la matriz A se da en la forma P 1 AP = D. Mencione

los valores propios de A y las bases para los espacios propios correspondientes.

2 1 5 1 1 1 4 0
a) = .
1 1 2 2 1 2 0 3
2 1 1

3 3 3 2 1 1 1 0 1 3 0 0
b) 0 1 0 0 1 0 0 1 0 = 0 1 0.
31 13 31 2 0 1 1 1 2 0 0 0
1 1 1

8 8 8 1 3 3 3 0 1 6 0 0
c) 41 3
4 41 2 0 2 2 1 0 = 0 2 0 .
5 3 3
8 8 8 3 3 1 3 1 1 0 0 2
26. Para cada matriz, determine si es diagonalizable.

2 2
a)
5 1

3 1
b)
4 2

1 4
c)
1 2

1 0
d)
2 1
Topologa general]

1 1
e)
1 2

3 2
f)
5 1

1 1 0
g) 1 2 1
0 1 1

1 1 2
h) 1 2 1
0 1 1

2 1 0
i) 0 0 1
0 0 0

1 2 3
j) 0 1 2
0 0 2

3 1 1
k) 1 1 1
1 1 1

1 1 2
l) 4 0 4
1 1 4

6 3 3
m) 0 3 1
0 1 3
27. Determine si A es diagonalizable y, si lo es, encuentre una matriz invertible P

y una matriz diagonal D tales que P 1 AP = D.

1 2
a) A = .
2 1

3 4
b) A = .
1 1

1 2 0
c) A = 0 1 2.
0 0 2

1 0 1
d) A = 0 1 1.
1 1 0
[Versin alpha
5.4. Ejercicios 79

1 0 0
e) A = 1 1 3.
3 0 1

1 2 1
f) A = 1 0 1.
1 1 0

1 1 4
g) A = 3 2 1
2 1 1

3 2 4
h) A = 2 0 2
4 2 3

1 1 1 1
1 1 0 2
i) A= 0 0 2 1.

0 0 0 1

2 0 0 4
0 2 0 0
j) A= 0 0 2 0 .

0 0 0 2
28. Calcular la potencia indicada de la matriz.

5
5 8
a) .
4 7
9
3 5
b) .
1 3
10
1 6
c) .
1 0
5
0 3
d) .
1 2
k
0 3
e) .
1 2
8
1 0 1
f) 1 0 1 .
1 0 1
Topologa general]
2002
1 1 1
g) 0 1 0 .
0 0 1
29. Encuentre todos los valores (reales) de k para los cuales A sea diagonalizable.

1 1
a) A= .
0 k

1 k
b) A= .
0 1

k 1
c) A= .
1 0

1 0 k
d) A = 0 1 0.
0 0 1

1 k 0
e) A = 0 2 0.
0 0 1

1 1 k
f) A = 1 1 k.
1 1 k
30. Si A y B son matrices invertibles, demuestre que AB y BA son semejantes.
31. Demuestre que si A y B son matrices semejantes, entonces tr(A) = tr(B).
32. En general, es difcil demostrar que dos matrices son semejantes. Sin embargo,
si dos matrices semejantes son diagonalizables, la tarea se vuelve ms senci-
lla. Demuestre que A y B son semejantes al demostrar que son semejantes a
la misma matriz diagonal. Luego encuentre una matriz invertible P tal que
P 1 AP = B.

3 1 1 2
a) A = ,B= .
0 1 2 1

5 3 1 1
b) A = ,B= .
4 2 6 4

2 1 0 3 2 5
c) A = 0 2 1, B = 1 2 1.
0 0 1 2 2 4
[Versin alpha
5.4. Ejercicios 81

1 0 2 3 2 0
d) A = 1 1 1, B = 6 5 0 .
2 0 1 4 4 1
33. Demuestre que si A es semejante a B, entonces AT es semejante a B T .
34. Sea A una matriz invertible. Demuestre que, si A es diagonalizable, tambin lo

es A1 .
35. Sean A y B matrices semejantes. Pruebe que las multiplicidades algebraicas de

los valores propios de A y B son iguales.
36. Demuestre que si A es una matriz diagonalizable tal que todo valor propio de
A es 0 o 1, entonces A es idempotente (esto es, A2 = A).
37. Sea A una matriz nilpotente (esto es: Am = 0 para algn m > 1). Pruebe que
si A es diagonalizable, entonces A debe ser la matriz cero.
38. Suponga que A es una matriz de 6 6 con polinomio propio cA () = (1 +

)(1 )2 (2 )3 .
a) Demuestre que no es posible encontrar tres vectores linealmente indepen-

dientes v1 , v2 , v3 en R6 tales que Av1 = v1 , Av2 = v2 y Av3 = v3 .
b) Si A es diagonalizable, cules son las dimensiones de los espacios propios
E1 , E1 y E2 ?

a b
39. Sea A = .
c d
a) Demuestre que A es diagonalizable si (a d)2 + 4bc > 0 y no es diagona-

lizable si (a d)2 + 4bc < 0.
b) Encuentre dos ejemplos para demostrar que si (a d)2 + 4bc = 0, entonces
A puede o no ser diagonalizable.
Topologa general]
[Versin alpha
Captulo 6
Ortogonalidad
6.1. Nociones generales
Definicin 6.1. Un conjunto de vectores {v1 , ..., vk } Rn se dice ortogonal si vi 6= 0

para cada i {1, ..., k} y vi .vj = 0 cuando i 6= j.
Teorema 6.2. Si {v1 , ..., vk } es un conjunto de vectores en Rn ortogonal, entonces

{v1 , ..., vk } es linealmente independiente.
Sea W un subespacio de Rn . Si = {v1 , ..., vk } W es un conjunto ortogonal

que adems, es base de W , decimos que es una base ortogonal de W . Siempre,
como veremos mas adelante, es posible encontrar una base ortogonal para cualquier
subespacio. Uno de los beneficios de tener una base ortogonal es que de manera
inmediata tenemos el vector coordenadas.
Teorema 6.3. Sea {v1 , ..., vk } una base ortogonal de un subespacio W de Rn . Si

w W , entonces
w.v1 w.vk
w= v1 + ... + vk .
v1 .v1 vk .vk
A menudo es til adems de tener un conjunto ortogonal, que cada vector este
normalizado o de norma 1.
Definicin 6.4. Un conjunto de vectores {v1 , ..., vk } Rn se dice ortonormal

si {v1 , ..., vk } es ortogonal y ||vi || = 1 para cada i {1, ..., k}. Adems, si =
{v1 , ..., vk } es base de un subespacio W de Rn , diremos que es una base ortonormal
de W .
84 6. Ortogonalidad
Ntese que si {v1 , ..., vk } es una base ortogonal de un subespacio W , entonces basta
tomar wi = ||vvii || , para cada i {1, ..., k}, y {w1 , ..., wk } es una base ortonormal de
W . Adems, por el Teorema 6.3, si w W , entonces
w = (w.w1 )w1 + ... + (w.wk )wk .
Definicin 6.5. Una matriz Q de n n se dice ortogonal se las columnas de Q

forman una base ortonormal de Rn .
Supongamos que Q = [v1 v2 ... vn ] donde {v1 , ..., vn } es ortonormal. No es difcil ver
que T
v1
v T
2
QT Q = . [v1 v2 ... vn ] = In .
..
vnT
De lo anterior se puede verificar el siguiente teorema.
Teorema 6.6. Una matriz Q es ortogonal si y solo si Q es invertible y Q1 = QT .
A continuacin mostramos algunas propiedades de las matrices ortogonales.
Proposicin 6.7. Sea Q una matriz ortogonal de n n. Entonces:
1. ||Qv|| = ||v||, para cualquier vector v Rn .
2. Qu.Qv = u.v para cualesquiera par de vectores u, v Rn .
3. Q1 es ortogonal.
4. det(Q) = 1.
5. Si es valor propio de Q, entonces || = 1.
6.2. Complementos y proyecciones ortogonales
Definicin 6.8. Sea W un subespacio de Rn . Decimos que v Rn es ortogonal a

W si v.w = 0 para cada w W . El conjunto de vectores ortogonales a W se conoce
como complemento ortogonal de W y se denota por W ; es decir,
W = {v Rn : v.w = 0, para cada w W }.
[Versin alpha
6.2. Complementos y proyecciones ortogonales 85
Algunas propiedades del complemento ortogonal se enuncian en el siguiente teorema.

Teorema 6.9. Sea W un subespacio de Rn , entonces:
1. W es un subespacio de Rn ;
2. (W ) = W ;
3. W W = {0};
4. Si W = gen{w1 , ..., wk }, entonces v W si y solo si v.wi = 0 para cada
i {1, ..., k};
5. Para cada v Rn , existen nicos w W y w W tales que v = w + w .
Por esta razn se dice que W y W son espacios complementarios.
Ntese que de la afirmacin 5 del teorema anterior, si v = w + w , donde w W y

w W , entonces v w W y v w W ; es decir, si v Rn , w es el vector en
W tal que la diferencia v w es ortogonal a todo vector de W , y w es el vector en
W tal que la diferencia v w es ortogonal a todo vector de W .
Definicin 6.10. Sean W un subespacio de Rn y v Rn . Definimos la proyeccin
de v sobre W como
proyW v = w donde w W es tal que v = w + w , con w W .
Adems, si {w1 , ..., wk } es una base ortogonal de W y {w1 , ..., wl } es base ortogonal
de W , entonces {w1 , ..., wk , w1 , ..., wl } es base ortogonal de Rn . Luego v Rn se
escribe como
v.w1 v.wl

v.w1 v.wk
v= w1 + ... + wk + w1 + ... + wl .
w1 .w1 wk .wk w1 .w1 wl .wl
Ahora, por la unicidad de la descomposicin de v = w+w , donde w W y w W ,

tenemos que
v.w1 v.wl

v.w1 v.wk
w= w1 + ... + wk y w = w1 + ... + wl .
w1 .w1 wk .wk w1 .w1 wl .wl
Proposicin 6.11. Sean W un subespacio de Rn y v Rn . Si {w1 , ..., wk } es una
base ortogonal de W , entonces

v.w1 v.wk
proyW (v) = w1 + ... + wk .
w1 .w1 wk .wk
Adems, proyW (v) = v proyW (v).
Topologa general]
86 6. Ortogonalidad
Terminamos esta seccin con algunas propiedades adicionales del espacio comple-
mento ortogonal.
Teorema 6.12. Sea W un subespacio de Rn . Entonces
dim(W ) + dim(W ) = n.
Consecuentemente tenemos:
Teorema 6.13. Sea A una matriz de m n. Entonces:
1. ren(A) = nul(A) y col(A) = nul(AT ).
2. (A) + (A) = n.
6.3. Proceso de ortogonalizacin de Gram-Schmidt
En esta seccin vemos como, dado un conjunto de vectores linealmente indepen-

diente {v1 , ..., vk } Rn , existe un conjunto ortogonal {w1 , ..., wk } Rn tal que
gen{v1 , ..., vl } = gen{w1 , ..., wl } para cada l {1, ..., k}. Esta manera de encontrar
el conjunto ortogonal se conoce como proceso de ortogonalizacin de Gram-Schmidt.
Sea {v1 , ..., vk } Rn un conjunto linealmente independiente. Encontremos inducti-
vamente un conjunto ortogonal {w1 , ..., wk } Rn tal que
gen{v1 , ..., vl } = gen{w1 , ..., wl } para cada l {1, ..., k}.
Como gen{v1 } = gen{w1 }, definamos w1 = v1 . Para encontrar w2 , debemos dar

un vector en Rn tal que w1 .w2 = 0 y gen{v1 , v2 } = gen{w1 , w2 }. Sabemos, por la
independencia lineal de {v1 , ..., vk }, que v2
/ gen{v1 }. As, si queremos un vector
ortogonal a w1 , es natural pensar en la proyeccin ortogonal de v2 sobre w1 , ya
que v2 proyw1 (v2 ) es ortogonal a w1 . Sea w2 = v2 proyw1 (v2 ). Es fcil ver que
gen{v1 , v2 } = gen{w1 , w2 }. Siguiendo con este proceso inductivamente, definimos
wl = vl proygen{w1,...,wl1} vl para cualquier l {1, ..., k}, para obtener el conjunto
{w1 , ..., wk }; como mostramos en el siguiente teorema.
Teorema 6.14. Sea {v1 , ..., vk } Rn un conjunto linealmente independiente. Defi-

namos:
w1 = v1 .
v2 .w1
w2 = v2 w1 .w1 w1 .
[Versin alpha
6.4. Diagonalizacin ortogonal 87
v3 .w1 v3 .w2
w3 = v3 w1 .w1 w1 w2 .w2 w2 .
..
.
vk .w1 vk .w2 vk .wk1
wk = vk w1 .w1 w1 w2 .w2 w2 ... wk1 .wk1 wk1 .
De manera similar, para cada l {2, ..., k}, definimos

l1
X vl .wi
wl = vl wi .
wi .wi
i=1
Entonces {w1 , ..., wk } es ortogonal y

gen{v1 , ..., vl } = gen{w1 , ..., wl } para cada l {1, ..., k}.
6.3.1. Factorizacin QR
El proceso de ortogonalizacin de Gram-Schmidt nos lleva a escribir una matriz

A, con columnas linealmente independientes, como el producto de una matriz Q
con columnas ortogonormales y una matriz R triangular superior. Este proceso de
escribir A como QR se conoce como factorizacin QR.
Sea A = [v1 ...vk ] una matriz de n k tal que las columnas {v1 , ..., vk } son lineal-
mente independientes. Con el proceso de Gram-Schmidt, podemos construir un con-
junto {w1 , ..., wk } ortonormal, tal que gen{v1 , ..., vl } = gen{w1 , ..., wl } para cada l
{1, ..., k}. As, vl gen{w1 , ..., wl } para cada l {1, ..., k}. Con lo que existen rij R,
tales que vl = r1l w1 + r2l w2 + ... + rll wl , para cada l {1, ..., k}, tenemos que

r11 r12 . . . r1k
0 r22 . . . r2k
[v1 ... vk ] = [w1 ... wk ] . .. .. .. .

.. . . .
0 0 . . . rkk
Teorema 6.15. Sea A una matriz de nk con columnas linealmente independientes.
Entonces A se puede ser factorizada como A = QR, donde Q es una matriz de n k
con columnas ortonormales y R es una matriz triangular superior invertible.
6.4. Diagonalizacin ortogonal
Definicin 6.16. Sea A una matriz cuadrada. Diremos que A es diagonalizable

ortogonalmente si existe una matriz ortogonal Q y una matriz diagonal D tales que
A = QDQT .
Topologa general]
88 6. Ortogonalidad
Ntese que si A = QDQT , entonces AT = (QDQT )T = (QT )T D T QT = QDQT = A;

es decir, A es simtrica.
Teorema 6.17. Si A es diagonalizable ortogonalmente, entonces A es simtrica.
Algunas propiedades de las matrices simtricas se enuncian en el siguiente teorema.
Teorema 6.18. Sea A una matriz simtrica. Entonces:
1. Los valores propios de A son reales.
2. Si v1 y v2 son vectores propios correspondientes a distintos valores propios de

A, entonces v1 y v2 son ortogonales (v1 .v2 = 0).
Con el teorema anterior, si suponemos que una matriz simtrica es diagonalizable,

entonces cada espacio propio tiene una base ortonormal, por el proceso de Gram-
Schmidt, y los vectores de diferentes espacios propios son ortogonales; es decir, A es
diagonalizable ortogonalmente. Esta situacin efectivamente, siempre se tiene para
matrices simtricas.
Teorema 6.19. Sea A una matriz de n n. Entonces A es simtrica si y solo si A

es diagonalizable ortogonalmente.
6.5. Ejercicios
1. Determine cules conjuntos de vectores son ortogonales.

3 2 1
a) 1 , 4, 1.
2 1 2

4 1 2
b) 2 , 0, 5 .
2 2 1

3 1 2
c) 1 , 2 , 2.
1 1 4

1 4 2
d) 2, 1 , 6 .
3 2 1
[Versin alpha
6.5. Ejercicios 89

2 2 4
3 1 6
1,
e) , .
1 2
4 0 7

1 1 1 0
0 1 1 1
f)
1 ,
,
0
, .
1 1
1 1 0 1
2. Demuestre que los vectores dados forman una base ortogonal para R2 o R3 .
Luego exprese w como una combinacin lineal de dichos vectores base. Propor-
cione el vector coordenada [w]B de w con respecto a la base B = {v1 , v2 } de
R2 o B = {v1 , v2 , v3 } de R3 .

4 1 1
a) v1 = ; v2 = ;w= .
2 2 3

3 2 1
b) v1 = ; v2 = ;w= .
1 6 2

1 1 1 1
c) v1 = 0 ; v2 = 2 ; v3 = 1 ; w = 1.

1 1 1 1

1 2 0 1
d) v1 = 1; v2 = 1; v3 = 1 ; w = 2.
1 1 1 3
3. Determine si el conjunto ortogonal de vectores dado es ortonormal. Si no lo es,

normalice los vectores para formar un conjunto ortonormal.
3 4

a) 54 , 35 .
51 5 2
3 3 1
2 1
b) 3
, 3 , 2 .
2
3 0 25
4. Determine si la matriz dada es ortogonal. Si lo es, encuentre su inversa.

0 1
a) .
1 0
1 1 2

2 3 5
1
b) 2 31 2
5 .
21 0 4
5
Topologa general]
90 6. Ortogonalidad
sin2

cos sin cos
c) cos2 sin cos sin .
sin 0 cos
1 1 1 1
2 2 2 2
1 1 1
1
1 .
d) 2 2 2 2
1 1 1
2 2 2 2
1 1
2 2 21 1
2
5. Si Q es una matriz ortogonal, demuestre que cualquier matriz obtenida al

reordenar los renglones de Q tambin es ortogonal.
6. Sea Q una matriz ortogonal de 2 2 y sean x y y vectores en R2 . Si es el

ngulo entre x y y, demuestre que el ngulo entre Qx y Qy tambin es . (Esto
demuestra que las transformaciones lineales definidas por matrices ortogonales
conservan el ngulo en R2 , un hecho que es verdadero en general.)

a b
7. a) Demuestre que una matriz ortogonal de 22 debe tener la forma
b a

a b a
o donde es un vector unitario.
b a b
b) Al usar el inciso (a), demuestre
que toda matriz
ortogonal de 2 2 es de
cos sin cos sin
la forma o donde 0 < 2.
sin cos sin cos
c) Demuestre que toda matriz ortogonal de 2 2 corresponde a una rotacin
o a una reflexin en R2 .
d) Demuestre que una matriz Q ortogonal de 22 corresponde a una rotacin
en R2 si det Q = 1 y a una reflexin en R2 si det Q = 1.
8. Sean A y B matrices ortogonales de n n.
a) Demuestre que A AT + B T B = A + B.

b) Use el inciso (a) para demostrar que, si det A + det B = 0, entonces A + B

no es invertible.
9. Encuentre el complemento ortogonal W de W y proporcione una base para

W .

x
a) W = : 2x y = 0 .
y

x
b) W = : 3x + 2y = 0 .
y
[Versin alpha
6.5. Ejercicios 91

x
c) W = y : x + y z = 0 .
z

x
d) W = y : x + 3y 5z = 0 .
z

x
e) W = y : x = t, y = t, z = 3t .
z

x
f) W = y : x = 2t, y = t, z = 12 t .
z

10. Encuentre bases para el espacio rengln y el espacio nulo de A. Verifique que
todo vector en rengln(A) es ortogonal a todo vector en nulo(A).

1 1 3
5 2 1
a) .
0 1 2
1 1 1

1 1 0 1 1
2 0 4 0 2
b) .
2 2 2 3 1
2 4 2 5 1
11. Sea W el subespacio generado por los vectores dados. Encuentre una base para
W .

2 4
a) w1 = 1 , w2 = 0.

2 1

1 0
1 1
1 , w2 = 2.
b) w1 =
1 3

2 1 2
1 2 5
6 , w2 = 3, w3 = 6.
c) w1 =
3 2 1
Topologa general]
92 6. Ortogonalidad

3 1 3
2 2 2

d) w1 = 0 , w2 = 2, w3 = 6 .

1 0 2
4 1 5
12. Encuentre la proyeccin ortogonal de v sobre el subespacio W generado por

los vectores ui . (Puede suponer que los vectores ui son ortogonales.)

7 1
a) v = , u1 = .
4 1

1 1 1
b) v = 2, u1 = 1, u2 = 1.
3 1 0

1 2 1
c) v = 2 , u1 = 2 , u2 = 1 .

3 1 4

4 1 0 1
2 1 1 0
d) v = 3, u1 = 0, u2 = 1 , u3 = 1 .

2 1 1 1
13. Encuentre la descomposicin ortogonal de v con respecto a W .

2 1
a) v = , W = gen .
2 3

4 1
b) v = 2, W = gen 2.
3 1

4 1 1
c) v = 2 , W = gen
2 , 1.

3 1 1

2 1 0
1 1 1
5, W = gen 1 , 1.
d) v =
3 0 1
14. Sea W un subespacio de Rn y v un vector en Rn . Suponga que w y w son

vectores ortogonales con w en W y que v = w + w . Es necesariamente cierto
que w est en W ? Demuestre que es verdadero o encuentre un contraejemplo.
[Versin alpha
6.5. Ejercicios 93
15. Sea {v1 , ..., vn } una base ortogonal para Rn y sea W = gen (v1 , ..., vk ). Es ne-
cesariamente cierto que W = gen (vk+1 , ..., vn )? Demuestre que es verdadero
o encuentre un contraejemplo.
16. Sea W un subespacio de Rn y sea x un vector en Rn .
a) Demuestre que x est en W si y slo si proyw (x) = x.

b) Demuestre que x es ortogonal a W si y slo si proyw (x) = 0
c) Demuestre que proyw (proyw (x)) = proyw (x).
17. Los vectores dados forman una base para R2 o R3 . Aplique el proceso de Gram-
Schmidt para obtener una base ortogonal. Luego normalice esta base para
obtener una base ortonormal.

1 1
a) x1 = , x2 = .
1 2

1 2
b) x1 = , x2 = .
3 2

1 0 3
c) x1 = 1, x2 = 3, x3 = 2.
1 3 4

1 0 0
d) x1 = 1 , x2 = 1 , x3 = 0.

1 1 1
18. Los vectores dados forman una base para un subespacio W de R3 o R4 . Aplique
el proceso de Gram-Schmidt para obtener una base ortogonal para W .

1 3
a) x1 = 1, x2 = 4.
0 2

1 1 1
2 1 8
b) x1 = 2, x2 = 0, x3 = 1.

1 2 0
19. Encuentre la descomposicin ortogonal de v con respecto al subespacio W .

4
a) v = 4, W como en el ejercicio 18(a).

3
Topologa general]
94 6. Ortogonalidad

1
4
0, W como en el ejercicio 18(b).
b) v =
20. Use el proceso de Gram-Schmidt para encontrar una base ortogonal para los
espacios columna de las matrices.

0 1 1
a) 1
0 1.
1 1 0

1 2 1
1 0 1.
b)
1 1 1
1 1 5

3
21. Encuentre una base ortogonal para R3 que contenga al vector 1.
5

2
1
22. Encuentre una base ortogonal para R4 que contenga a los vectores
0 y

1

1
0
.
3
2
23. Encuentre las entradas faltantes de Q para hacer Q una matriz ortogonal.
1 1

2 3

a) Q = 0
1
.
3
12 1
3

1
2

2 14

1 1
2
b) Q = 14 .

1
2 0
1
2 314
24. Encuentre una factorizacin QR de la matriz dada.

[Versin alpha
6.5. Ejercicios 95

0 1 1
a) 1 0 1.
1 1 0

1 2 1
1 0 1.
b)
1 1 1
1 1 5
25. Las columnas de Q se obtuvieron al aplicar el proceso de Gram-Schmidt a las

columnas de A. Encuentre la matriz triangular superior R tal que A = QR.
2 1 2

2 8 2 3 3 3
a) A = 1 7 1, Q = 13 2 2
3 3 .
2 2 1 23 32 1
3
1
1

1 3 6 3
2 2 0
4 6
b) A = , Q = 1 .

1

1 1

6 3

0 1 0 1
3
26. Si A es una matriz ortogonal, encuentre una factorizacin QR de A.
27. Demuestre que A es invertible si y slo si A = QR, donde Q es ortogonal y R

es triangular superior con entradas distintas de cero en su diagonal.
28. Sea A una matriz de m n con columnas linealmente independientes y sea

A = QR una factorizacin QR de A. Demuestre que A y Q tienen el mismo
espacio columna.
Topologa general]

Notas de Clase Algebra Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas de Clase Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

lgebra Lineal

(Ejercicios por captulos)

Profesor Javier Enrique Camargo Garca

2. Sistemas de ecuaciones lineales 21

4.1. Generado, dependencia e independencia lineal . . . . . . . . . . . . . 49

5. Valores y vectores propios 65

1.1. Definiciones generales

En el desarrollo de estas notas trabajaremos en el espacio

Rn = {(x1 , ..., xn ) : x1 , x2 , ..., xn son reales}, n N.

Cada elemento de Rn le llamaremos vector . Si u es un vector, entonces escribiremos

Los elementos de Rn los denotaremos por u, v o w. Si u, v Rn , entonces u =

Cuando escribamos 0 Rn , hacemos referencia a 0 = (0, ..., 0). En el siguiente

Teorema 1.1. Si u, v, w Rn y , R, entonces:

La siguiente definicin nos permite definir: ngulo, longitud, proyecciones y distancia

Definicin 1.2. Si u, v Rn , definimos el producto punto entre u = (a1 , ..., an ) y

Este producto es tambin llamado producto escalar.

Las propiedades enunciadas en el siguiente teorema las utilizamos constantemente

Teorema 1.3. Sean u, v, w Rn y R. Entonces

2. u.(v + w) = u.v + u.w;

4. u.u 0 y u.u = o si y solo si u = 0.

Por la condicin 4 del Teorema 1.3, podemos definir la norma o longitud de un

Teorema 1.4. Sean u Rn y R. Entonces

1. ||u|| 0 y ||u|| = 0 si y solo si u = 0;

El siguiente resultado muestra dos tiles desigualdades muy conocidas.

1. |u.v| ||u||||v|| (Desigualdad de Cauchy-Schwarz);

Como ya definimos la norma de un vector, es natural y geomtricamente conveniente

1. d(u, v) 0 y d(u, v) = 0 si y solo si u = v;

1.2. Rectas y planos

Esta seccin se desarrolla en R2 o R3 . Una recta que pasa por 0, es la familia de

Si adicionalmente, necesitamos que esta recta pase por un punto b Rn , solamente

donde u, b R2 (o u, b R3 ) y t R. u es lamado vector director. De forma

Que se representa por las siguientes ecuaciones llamadas ecuaciones paramtricas:

De manera similar obtenemos las ecuaciones paramtricas si u, b R2 .

n.(x p) = 0 o equivalentemente n.x = n.p,

donde n, p R3 . n es llamado vector normal del plano P.

donde d = ax0 + by0 + cz0 .

1.3. Producto cruz

Definicin 1.10. Sean u, v R3 . Definimos el producto cruz o producto vecto-

donde u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ).

Teorema 1.11. Sean u, v, w R3 . Entonces

4. ||u v||2 = ||u||2 ||v||2 (u.v)2 .

Ntese que el producto vectorial u v nos permite encontrar un vector en R3 per-

1. Un vector en R2 o R3 se dibuja en posicin estndar como una flecha de

(3, 1) en posicin estndar (2, 2, 3) en posicin estndar

a) A = (2, 2) y B = (3, 4).

c) A = (2, 1, 3) y B = (4, 2, 0).

3. Un viajero camina 4 km al norte y luego 5 km al noreste. Dibuje los vectores

a) Dibuje en posicin estndar u, v y v.

5. Considerando los vectores u = (1, 3), v = (0, 7), w = 34 , 12 y z = 3

8. Simplifique la expresin vectorial dada utilizando las propiedades de los vecto-

a) 2(a 3b) + 3(2b + a).

9. Despeje el vector x en trminos de los vectores a y b utilizando las propiedades

10. Dados u, v R2 , a menudo podemos escribir cualquier vector w R2 como

Dibuje los ejes coordenados con respecto a u y v y localice w. Muestre grfica-

11. Escriba el vector w como una combinacin lineal de los vectores u y v.

a) u = (2, 5), v = (3, 1) y w = (4, 3).

12. Encuentre u v en cada caso.

13. Encuentre kuk y proporcione un vector unitario en la direccin de u.

14. Encuentre la distancia d(u, v) entre u y v en cada caso.

15. Determine si el ngulo entre u y v es agudo, obtuso o recto.

16. Encuentre el ngulo entre u y v.

21. Un paralelogramo tiene diagonales determinadas por los vectores d1 = (2, 2, 0)

22. El rectngulo ABCD tiene vrtices en A = (1, 2, 3), B = (3, 6, 2) y C =

23. Determine el punto de interseccin de las rectas: