Alg Lineal 02

Índice general
1. Espacios vectoriales y transformaciones lineales 2

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Espacios y subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1. Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2. Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 20
1.6. Espacios de productos interiores . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.7. Longitud o norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.8. Bases ortonormales; Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . 37
1.9. Coordenadas; Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.9.1. Problema de cambio de base . . . . . . . . . . . . . . . . . . . . . . . . 45
1.9.2. Trabajo Encargado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2. Transformaciones lineales 57
2.0.3. Propiedades de las transformaciones lineales . . . . . . . . . . . . . . 67
2.0.4. Propiedades de TA : V → W . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.1. Dimensiones del núcleo y de la imagen . . . . . . . . . . . . . . . . . . . . . . 78
2.2. Transformaciones lineales de IRn hacia IRm . . . . . . . . . . . . . . . . . . . . 80
2.3. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
2.4. Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.6. Diagonalización de matrices simétricas . . . . . . . . . . . . . . . . . . . . . 100
2.7. Formas cuadráticas, aplicación a las secciones
cuadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.8. Formas cuadráticas: Aplicación a las superficies cuadricas . . . . . . . . . . 107
2.9. Trabajo Encargado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
1
Capı́tulo 1
Espacios vectoriales y
transformaciones lineales
1.1. Introducción
Hasta ahora hemos trabajado con matrices y n- úplas. Como consecuencia, podemos
afirmar que el conjunto IRn de todas las n- úplas (o matrices columnas de n elementos si
se prefiere), con las operaciones ya conocidas
         
x1 y1 x1 + y1 x1 λx1
 x2   y2   x2 + y2   x2   λx2 
         
 ..  +  ..  =  ..  y λ  ..  =  .. 
 .   .   .   .   . 
xn yn xn + yn xn λxn
satisface las siguientes propiedades:
1. x + y = y + x, (propiedad conmutativa)
2. (x + y) + z = x + (y + z), (propiedad asociativa)
3. x + 0 = 0 + x = x, (elemento neutro)
4. x + (−x) = (−x) + x = 0, (elemento opuesto)
5. λ(x + y) = λx + λy, (propiedad distributiva)
6. (λ + β)x = λx + βx, (propiedad distributiva)
7. λ(βx) = (λβ)x,
8. 1 x = x
donde x, y, z ∈ IRn y λ, β ∈ IR.
Estas mismas propiedades se cumplen cuando se trabaja con matrices. Existen otros
conjuntos diferentes de estos, como veremos posteriormente, que con respecto a unas ope-
raciones suma y producto por un escalar satisfacen las ocho propiedades anteriores.
2
Algebra lineal 3
1.2. Espacios y subespacios

Definición 1.1. Un espacio vectorial es un conjunto no vacı́o V de objetos, llamados
vectores, en el que están definidas dos operaciones, llamadas sumas de vectores y multi-
plicación por escalares (números reales), sujetos a los 10 axiomas que se listan a continua-
ción. Los axiomas deben ser válidos para todos los vectores u, v, w, ∈ V y para todos los
escalares λ, β ∈ IR
1. La suma de u y v, denotado con u + v, está en V, es decir:
+ : V × V 7−→ V, (u, v) 7−→ u + v
2. u + v = v + u
3. (u + v) + w = u + (v + w)
4. Existe un único vector cero 0, tal que u + 0 = u
5. Para cada u ∈ V, existe un único vector −u ∈ V tal que: u + (−u) = 0
6. El múltiplo escalar de u por λ, que se denota con λu ∈ V, es decir:
+ : IR × V 7−→ V, (λ, v) 7−→ λ v
7. λ(u + v) = λu + λv
8. (λ + β)u = λu + βu
9. λ(βu) = λβ(u)
10. 1u = u
Nota.
1. A los elementos de un espacio vectorial se les llama “vectores”. A partir de este momen-
to, entonces, la palabra “vector”no tendrá relación alguna con el concepto geométrico
de “flecha”, aunque se verá que sı́ existen de hecho algunos “espacios vectoriales de
flechas”.
2. En vista de la generalidad de la definición de espacio vectorial, se podrán tener, en-

tonces, espacios vectoriales de “objetos cualesquiera”(estos objetos serán los vectores)
con tal de que en ese conjunto de objetos exista una suma y una multiplicación por
escalares, y que éstos verifiquen los axiomas requeridos.
Teorema 1.1. Sea V un espacio vectorial, entonces:
1. 0 u = 0, ∀u ∈ V 2. (−1)v = −v, ∀v ∈ V
J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Algebra lineal 4
3. λ 0 = 0, ∀ λ ∈ IR 6. (−λ)(−v) = λ v, ∀ v ∈ V, ∀ λ ∈ IR
4. −(−)v = v, ∀u ∈ V 7. u + w = v + w ⇒ u = v, ∀ u, v, w ∈ V
5. (−λ)v = −(λ v) = λ(−v ∀ u ∈ V, 8. Si λ ∈ IR, λ ̸= 0, λu = λv ⇒ u =

∀ λ ∈ IR v, ∀ u, v ∈ V
Ejemplo 1.1. Consideremos el conjunto
V = IRn = {x = (x1 , x2 , . . . , xn ) / i = 1, 2, . . . , n, xi ∈ IR}
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

λx = λ(x1 , x2 , . . . , xn ) = (λx1 , λx2 , . . . , λxn )
Demuestre que el conjunto de IRn es un espacio vectorial.
Este es el ejemplo más importante de espacio vectorial, pues en cierto sentido que se
precisará que muchos de los espacios vectoriales con los que se trabajará, son “equivalentes"
a este espacio vectorial.
V = IR2 = {x = (x1 , x2 ) / i = 1, 2, xi ∈ IR}
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 − y1 , x2 − y2 )

λx = λ(x1 , x2 ) = (λx1 , λx2 )
¿En IR2 con estas operaciones es un espacio vectorial?
V = IR3 = {x = (x, y, z) / x, y, z ∈ IR}
En éste conjunto se definen las operaciones de suma de vectores y producto por escalares
como se indica en cada uno de los siguientes incisos. Determine en cada caso si el conjunto
IR3 con tales operaciones es un espacio vectorial.
1. (x, y, z) + (x ′ , y ′ , z ′ ) = (x + x ′ , y + y ′ , z + z ′ ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR
2. (x, y, z) + (x ′ , y ′ , z ′ ) = (x + x ′ , y + y ′ , 0), λ(x, y, z) = (λx, λy, 0), λ ∈ IR
3. (x, y, z) + (x ′ , y ′ , z ′ ) = (x x ′ , y y ′ , z z ′ ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

Algebra lineal 5
Ejemplo 1.4. Considere el conjunto de las matrices IR2×2 , es decir:

{ [ ] }
a b
IR2×2 = A = / a, b, c, d ∈ IR
c d
Definamos en el conjunto IR2×2 la suma y el producto por escalares como:

[ ] [ ] [ ]
′ ′ ′ ′
a b a b a+a b+b
+ ′ ′ =
c d c d c + c′ d + d′
[ ] [ ]
a b λa λb
λ =
c d λc λd
Demuestre que el conjunto IR2×2 es un espacio vectorial.
Ejemplo 1.5. El espacio Pn

Sea n ∈ ZZ+ , V = Pn es el conjunto de todos los polinomios con coeficientes reales de grado
menor o igual a n, es decir:
V = Pn = { p(x) = a0 + a1 x + · · · + an xn / a0 , a1 . . . , an ∈ IR }
En este conjunto se define la suma de polinomios “coeficiente a coeficiente", o sea, sean
p(x) = a0 + a1 x + · · · + an xn y q(x) = b0 + b1 x + · · · + bn xn
dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ∈ V
Para el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn y el escalar λ ∈ IR, se define el producto

de p(x) por el escalar λ como el polinomio
λp(x) = λa0 + λa1 x + · · · + λan xn ∈ V
Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.
Nota.
La igualdad en este conjunto se define como sigue:

p(x) = a0 + a1 x + · · · + an xn ∈ Pn es igual a q(x) = b0 + b1 x + · · · + bn xn ∈ Pn si, y sólo
si a0 = b0 , a1 = b1 , . . . , an = bn
El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + · · · 0xn ∈ Pn
Dado el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn , su inverso aditivo es el polinomio

−p(x) = −a0 − a1 x − · · · − an xn ∈ Pn

Algebra lineal 6
Ejemplo 1.6. El espacio IRm×n . Sea IRm×n es el conjunto de todas las matrices de orden
m × n, es decir:
IRm×n = {A = [aij ]m×n / ∀ i = 1, 2, . . . , m, ∀ j = 1, 2, . . . , n}
En el capı́tulo anterior se ha definido la suma de matrices de IRm×n , ası́ como la multipli-

cación de una matriz por un escalar, con estas operaciones se demuestra que el conjunto
IRm×n es un espacio vectorial.
Ejemplo 1.7. El espacio F(I).

Sea F(I)el conjunto de todas las funciones reales definidas en el subconjunto I de los núme-
ros reales, es decir:
F(I) = {f : I ⊂ IR 7→ IR / f es una función}
Sean f, g ∈ F(I), definamos la suma de funciones como la función f + g : I ⊂ IR 7→ IR tal que:
(f + g)(x) = f(x) + g(x)
Si f ∈ F(I) y λ ∈ IR, defı́nase el producto de f por el escalar λ como la función λ g : I ⊂ IR 7→ IR

tal que:
(λ f)(x) = λ f(x)
se verifica que el conjunto V = F(I) con estas operaciones de suma y producto por escalares
es un espacio vectorial.
Teorema 1.2. (Reglas de productos nulos) Sean v ∈ V y λ ∈ IR, entonces:
1. 0 v = 0
2. λ0 = 0
3. Si λv = 0 ⇒ λ = 0 ∨ v = 0
Teorema 1.3. Reglas de simplificación Sean u, v ∈ V y λ, β ∈ IR, entonces:
1. Si λu = βu y u ̸= 0, entonces λ = β
2. Si λu = λv y λ ̸= 0, entonces u = v
1.3. Subespacios
Sea V un espacio vectorial y considérese un subconjunto W de V, W hereda de manera
natural, las operaciones de espacio vectorial que estaban definidas en V. Se tiene ası́, un
conjunto W en donde existen operaciones básicas de suma y producto por escalares.
¿Es W un espacio vectorial?
Veamos los dos ejemplos siguientes:

Algebra lineal 7
Ejemplo 1.8. Sea V = IR2 el espacio vectorial. Sea W el subconjunto de IR2 formado por
todos aquellos vectores (x, y) que tiene su segunda componente positiva (geométricamente
W corresponde al semiplano superior del plano XY). Es decir,
W = {(x, y) / x, y ∈ IR, y > 0}
Las operaciones entre los elementos de W son las que están definidas en IR2 , es decir
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

λ(x1 , y1 ) = (λ x1 , λ y1 )
Uno se pregunta si W es un espacio vectorial.
De hecho, existen muchas razones por las que la respuesta a esta pregunta es NO. En
principio, la operación de producto por escalares no es cerrada, pues si se toma el escalar
λ < 0, el vector λ(x, y) = (λ x, λ y) no pertenece a W, pues siendo y > 0, se tendrı́a λ y < 0.
Consecuencia de este hecho es que dado un vector (x, y) ∈ W, éste no tiene inverso aditivo.
Geométricamente esto se ve como muestra la figura
Ejemplo 1.9. Sin embargo, si W es el siguiente conjunto de IR2
W = {(x, y) / x, y ∈ IR, y = 2x}
(O sea, W es el conjunto de los pares ordenados de la forma (x, 2x), x ∈ IR), se puede
ver que en este caso W si es un espacio vectorial con las operaciones usuales de IR2 . En
principio observemos que si u = (x1 , 2x1 ) y v = (x2 , 2x2 ) son dos vectores de W, entonces
u + v = (x1 + x2 , 2x1 + 2x2 ) = (x1 + x2 , 2[x1 + x2 ]) ∈ W. Similarmente
En muchos problemas, un espacio vectorial se compone de un subconjunto adecuado de
vectores de un espacio vectorial más grande. En este caso, solo se deben comprobar tres de
los 10 axiomas de un espacio vectorial, y el resto se satisfacen de manera automática.
Definición 1.2. Sea V un espacio vectorial, W ̸= ø y W ⊂ V, se dice que W es un subes-

pacio vectorial de V si tiene estas tres propiedades:

Algebra lineal 8
1. El vector cero de V está en W.
2. W es cerrado bajo la suma de vectores. Es decir, para cada par de vectores u, v ∈ W,

la suma u + v ∈ W.
3. W es cerrado bajo la multiplicación por escalares. Es decir, para cada u ∈ W y cada

escalar λ, el vector λ u ∈ W.
Ejemplo 1.10. El conjunto que consta solo del vector 0, es decir, si W = {0} en un espacio
vectorial es un subespacio de V, llamado subespacio cero, y se representa por {0}.
Nota. Todo espacio vectorial V tiene al menos dos subespacios. El propio V es un subespa-
cio y el conjunto W = {0} que sólo consta del vector cero de V es otro subespacio denominado
subespacio cero, ambos subespacios son llamados los subespacios triviales. Si el espacio
contiene otros subespacios diferentes de los triviales, son llamados subespacios no tri-
viales.
Ejemplo 1.11. Sea V = IR2 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen, es decir:
W = { ta / t ∈ IR, a ̸= 0, a = (a1 , a2 ) } ⊂ V
Ejemplo 1.12. Sea V = IR3 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen y cualquier plano que pasa por el origen.
Ejemplo 1.13. En el espacio vectorial V = IR3 se considera el conjunto
W = {(x, y, z) ∈ IR3 / z = 0}
este conjunto es un subespacio de IR3 .
Nota. El subespacio W geométricamente es el plano XY.

Ejemplo 1.14. Sea P el conjunto de todos los polinomios con coeficientes reales, con opera-
ciones en P definidas como en las funciones. De esta forma, P es un subespacio del espacio
de todas las funciones de valores reales definidas en IR. Además, para cada n ≥ 0, Pn es un
subespacio de P, ya que Pn es un subconjunto de P que contiene el polinomio cero; la suma
de dos polinomios en Pn también está en Pn y un múltiplo escalar de un polinomio en Pn
también está en Pn .
Ejemplo 1.15. Comprobar que el conjunto C([a, b]) de las funciones continuas definidas
en el intervalo [a, b] es un subespacio vectorial del espacio vectorial F([a, b]) de todas las
funciones definidas en [a, b].
Ejemplo 1.16. Sea F ⊂ IR2×2 tal que:
{ [ ] }
a b
F= A= / a, b, c ∈ IR
c 0
F es un subespacio de IR2×2

Algebra lineal 9
Ejemplo 1.17. El espacio vectorial IR2 no es un subespacio de IR3 , porque IR2 no es un sub-
conjunto de IR3 . (Todos los vectores de IR3 tienen tres componentes, mientras que los vectores
de IR2 tienen sólo dos). El conjunto
W = {(s, t, 0) / s, t ∈ IR}
Solución. El vector cero está en W, y W es cerrado bajo la suma de vectores y la multi-
plicación escalar debido a que estas operaciones sobre los vectores de W siempre producen
vectores cuyas terceras componentes son iguales a cero (, por lo tanto, pertenecen a W). Por
consiguiente, W es un subespacio de IR3 .
Ejemplo 1.18. Un plano en IR3 que no pasa por el origen no es un subespacio de IR3 , porque
el plano no contiene al vector cero de IR3 . Del mismo, una recta en el espacio vectorial IR2
que no pasa por el origen, como se ve en la Figura.1.1 no es un subespacio de IR2 .
Figura 1.1:
1.4. Combinaciones lineales

Definición 1.3. Se dice que un vector v ∈ V es combinación lineal de los vectores x1 , x2 , . . . , xn
de V, si existen escalares λ1 , λ2 , . . . , λn tales que:
v = λ1 x1 + λ2 x2 + · · · + λn xn
donde los escalares λ1 , λ2 , . . . , λn reciben el nombre de coeficientes de la combinación
lineal.
Ejemplo 1.19. Comprobar si los vectores u = (4, −2, 5) y v = (1, −1, −1) de IR3 son combi-
naciones lineales de los vectores x1 = (1, −1, 2) y x2 = (2, 0, 1)
Solución. Si
u = ax1 + bx2
entonces
(4, −2, 5) = a(1, −1, 2) + b(2, 0, 1)
⇒ 4 = a + 2b
−2 = −a
5 = 2a + b

Algebra lineal 10
el sistema lineal tiene como solución única a = 2 y b = 1, por lo tanto u es combinación

lineal de los vectores x1 y x2 .
Por otro lado,

v = ax1 + bx2
entonces
(1, −1, −1) = a(1, −1, 2) + b(2, 0, 1)

⇒ 1 = a + 2b
−1 = −a
−1 = 2a + b
Puesto que este sistema lineal es incompatible, por lo tanto u no es combinación lineal de
los vectores x1 y x2 .
Ejemplo 1.20. El vector (14, 12, 2) ∈ IR3 es combinación lineal de los vectores (1, 2, −1) y
(3, 2, 1), puesto que:
(14, 12, 2) = 2(1, 2, −1) + 4(3, 2, 1)
[ ]
−3 −4
Ejemplo 1.21. El vector v = es combinación lineal de los vectores
2 −5
[ ] [ ]
1 0 3 2
v1 = y v2 =
2 −1 2 1
Puesto que se puede escribir v = 3v1 − 2v2 , como se puede verificar directamente.
Ejemplo 1.22. Dados dos vectores v1 , v2 de un espacio vectorial V, y sea H = Gen{v1 , v2 }.

Demuestre que H es un subespacio de V.
Solución.
El vector cero está en H, pues: 0 = 0 v1 + 0 v2
Para demostrar que H es cerrado bajo la suma de vectores, tomemos dos vectores
arbitrarios de H, por ejemplo,
u = s1 v1 + s2 v2 y w = t1 v1 + t2 v2
pero, sabemos que:
u + w = (s1 v1 + s2 v2 ) + (t1 v1 + t2 v2 )
= (s1 + t1 ) v1 + (s2 + t2 ) v2
en conclusión, se tiene que u + w ∈ H

Algebra lineal 11
Sea λ escalar arbitrario, entonces
λ u = λ(s1 v1 + s2 v2 )
= (λs1 ) v1 + (λs2 ) v2
lo que demuestra que λ u está en H, y H es cerrado bajo la multiplicación por escala-

res.
Por lo tanto H es un subespacio de V .
Luego veremos, que todo subespacio vectorial del espacio IR3 distinto de los subespacios
triviales, es Gen{v1 , v2 } para algunos vectores v1 y v2 que sean linealmente independientes
o Gen{v} para v ̸= 0. En el primer caso, el subespacio es un plano que pasa por el origen;
en el segundo caso caso, se trata de una recta que pasa por el origen (Véase la figura.1.2).
Es útil tener en mente estas imágenes geométricas, incluso para subespacios abstractos.
Figura 1.2:
Definición 1.4. Se llama envoltura lineal de los vectores x1 , x2 , . . . , xn del espacio vecto-
rial V, al conjunto de todas las combinaciones lineales de dichos vectores. La denotaremos
por
Env{x1 , x2 , . . . , xn }
Ejemplo 1.23. Obtener la envoltura lineal de los vectores x = (1, −1, 0) y y = (0, 1, 1) en
el espacio vectorial IR3 .
Solución. Para cada par de escalares a y b los vectores z de la envoltura lineal de x y

y se escriben como
z = ax + by ⇐⇒ z = a(1, −1, 0) + b(0, 1, 1) ⇐⇒ z = (a, b − a, b)
luego
Gen{ x, y} = {(a, b − a, b) ∈ IR3 / a, b ∈ IR }

Algebra lineal 12
Teorema 1.4. Sean x1 , x2 , . . . , xp vectores de un espacio vectorial V. Si F = { x1 , x2 , . . . , xp },

entonces:
1. F es un subespacio vectorial de V
2. F contiene a los vectores x1 , x2 , . . . , xp
3. F es el menor subespacio vectorial de V, que contiene a los vectores x1 , x2 , . . . , xp (Es

decir, si G es otro subespacio que contiene a los vectores x1 , x2 , . . . , xp , entonces F ⊂ G)
Demostración.
1. Como 0 = 0x1 + 0x2 + · · · + 0xp , se tiene que 0 ∈ F.
Si u = a1 x1 + a2 x2 + · · · + ap xp y v = b1 x1 + b2 x2 + · · · + bp xp son dos elementos
arbitrarios de F entonces
u + v = (a1 + b1 )x1 + (a2 + b2 )x2 + · · · + (ap + bp )xp
luego u + v es combinación lineal de x1 , x2 , . . . , xp , y por lo tanto está en F.

Si t ∈ IR es un escalar arbitrario, el vector tu se escribe
tu = (ta1 )x1 + (ta2 )x2 + · · · + (tap )xp
Ası́ pues F es un subespacio vectorial de V
2. Cada vector xi es combinación lineal de x1 , x2 , . . . , xp , ya que este vector se escribe ası́
xi = 0x1 + 0x2 + · · · + 1xi + · · · + 0xp , ∀ i = 1, 2, . . . , p
3. Sea G un subespacio vectorial de V que contiene a todos los vectores xi , i = 1, 2, . . . , p,

entonces tenemos que probar que F ⊂ G.
Por ser G subespacio vectorial, también contiene a los vectores ai xi con ai ∈ IR, i =
1, 2, . . . , p. Y también a los vectores a1 x1 + a2 x2 + · · · + ap xp , que son justamente las
combinaciones lineales de los vectores x1 , x2 , . . . , xp
Definición 1.5. Sea W un subespacio vectorial de V. Se dice que {x1 , x2 , . . . , xp } es un
conjunto generador de W, si W = Gen{x1 , x2 , . . . , xp }
Ejemplo 1.24. Comprobar que el conjunto de vectores {e1 , e2 , e3 }, donde
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
es un conjunto generador del espacio vectorial IR3

Solución.
1. Puesto que e1 , e2 y e3 son vectores de IR3 , de acuerdo a la definición de envoltura lineal
resulta evidente que:
Gen{e1 , e2 , e3 } ⊂ IR3

Algebra lineal 13
2. Por otro lado, si v = (x, y, z) es cualquier vector arbitrario de IR3 , es evidente que
v = (x, y, z) = xe1 + ye2 + ze3
Por lo tanto, tenemos:

IR3 ⊂ Gen{e1 , e2 , e3 }
Ejemplo 1.25. Comprobar que el conjunto {u1 , u2 , u3 , u4 } donde
u1 = (1, 1, 1), u2 = (1, 1, 0), u3 = (1, 0, 0), u4 = (0, 1, 1)
es también un conjunto generador de IR3 .

Solución. Razonando de forma análoga al ejemplo anterior se obtiene el resultado.
Ejemplo 1.26. Comprobar que los vectores x = (1, 2, 0) y y = (1, 1, 0) del espacio IR3 son un
conjunto generador del subespacio vectorial
W = {(a + b, 2a + b, 0) / a, b ∈ IR}
que geométricamente representa los vectores que se encuentran en el plano horizontal.
Solución.
1. Notemos en primer lugar que cualquier vector de W se puede escribir como:
(a + b, 2a + b, 0) = a(1, 2, 0) + b(1, 1, 0) = ax + by
Por lo tanto W ⊂ Gen{x, y}
2. Recı́procamente, si u es un vector de Env{x, y}, entonces
u = px + qy
= p(1, 2, 0) + q(1, 1, 0)
= (p + q, 2p + q, 0)
para algunos escalares p y q, con los que u está en W. Por lo tanto Gen{x, y} ⊂ W.
Ejemplo 1.27. Comprobar que el conjunto generador de polinomios {1, x, x2 } es un conjun-
to generador del subespacio W = P2 , subespacios de los polinomios con coeficientes reales
de grado menor o igual a 2.
Dado un sistema generador de un subespacio vectorial W es interesante saber si existen

otros sistemas generadores más simples (es decir, con menos vectores) que también generen
W y cómo hallarlos.
Teorema 1.5. Si x es un vector de un espacio vectorial V que es combinación lineal de los
vectores x1 , x2 , . . . , xp , entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
En efecto

Algebra lineal 14
1. Es evidente que
Gen{x1 , x2 , . . . , xp } ⊂ Gen{x1 , x2 , . . . , xp , x}
pues
a1 x1 + a2 x2 + · · · + ap xp = a1 x1 + a2 x2 + · · · + ap xp + 0x
2. Ahora comprobemos la inclusión contraria. Sea
u = a1 x1 + a2 x2 + · · · + ap xp + ax
Pero como x es combinación lineal de x1 , x2 , . . . , xp , se puede escribir entonces
x = b1 x1 + b2 x2 + · · · + bp xp
con lo que
u = a1 x1 + a2 x2 + · · · + ap xp + ax
= a1 x1 + a2 x2 + · · · + ap xp + a(b1 x1 + b2 x2 + · · · + bp xp )
= (a1 + b1 )x1 + (a2 + b2 )x2 + · · · + (ap + bp )xp
es decir, u es combinación lineal de x1 , x2 , . . . , xp y por lo tanto
Gen{x1 , x2 , . . . , xp , x} ⊂ Gen{x1 , x2 , . . . , xp }
entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
Como consecuencia de este teorema podemos afirmar que si de un conjunto de vectores

eliminamos aquellos que son combinación de los restantes, el conjunto de vectores resul-
tante genera la misma envoltura lineal que el conjunto inicial.
Ejemplo 1.28. Si u y v son dos vectores de un espacio vectorial cualquiera, entonces las
envolturas lineales siguientes son iguales:
Gen{u, v, u + v} = Gen{u, v, 2u + v}
= Gen{u, v, 2u − v}
= Gen{u, v, u + v, 2u − v}
= Gen{u, v}
1.4.1. Operaciones con subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V, entonces se definen los siguientes
subconjuntos de V:
1. La intersección de W1 y W2 definida como
W1 ∩ W2 = {v ∈ V / v ∈ W1 ∧ v ∈ W2 }

Algebra lineal 15
2. La unión de W1 y W2 definida como
W1 ∪ W2 = {v ∈ V / v ∈ W1 ∨ v ∈ W2 }
3. La suma de W1 y W2 denotada como W1 + W2 y definida
W1 + W2 = {v ∈ V / v = w1 + w2 , w1 ∈ W1 ∧ w2 ∈ W2 }
Siendo W1 y W2 dos subespacios del espacio vectorial V, es natural preguntarnos si los

siguientes conjuntos
W1 ∩ W2 , W1 ∪ W2 y W1 ⊕ W2
son también subespacios de V.
Es inmediato verificar que el conjunto W1 ∩ W2 es un subespacio de V.

Por otra parte la unión de dos subespacios de V no es en general un subespacio de V
Teorema 1.6. Sean W1 y W2 dos subespacios del espacio vectorial V,

entonces S = W1 ∩ W2 es subespacio de V.
En efecto.
1. S ̸= ∅, pues 0 ∈ W1 ∧ 0 ∈ W2 ⇒ 0 ∈ S. Ası́ S ̸= ∅. Pues W1 y W2 son subespacios

vectoriales de V.
2. S esta incluido en V, ya que W1 ⊂ V y W2 ⊂ V, entonces S = W1 ∩ W2 ⊂ W1 y

S = W1 ∩ W2 ⊂ W2
3. S es cerrado para la suma.

En efecto. Sean u ∈ S ∧ v ∈ S ⇒ u ∈ W1 ∩ W2 ∧ v ∈ W1 ∩ W2 , entonces
u ∈ W1 ∧ u ∈ W2 ,
análogamente, tenemos v ∈ W1 ∧ v ∈ W2 ,
entonces
u + v ∈ W1 ∧ u + v ∈ W2 ⇒ u + v ∈ S
pues W1 y W2 son subespacios vectoriales de V.
4. S es cerrado para el producto de escalares.

Consideremos λ escalar arbitrario y u ∈ S. Ahora bien
λ ∈ K ∧ u ∈ S ⇒ λ ∈ K ∧ u ∈ W1 ∧ u ∈ W2
⇒ λu ∈ W1 ∧ λu ∈ W2
⇒ λu ∈ S
Ejemplo 1.29. Sea V = IR3 el espacio vectorial, y consideremos los subespacios no triviales
W1 = {(x, y, z) ∈ IR3 / z = 0}, W2 = {(x, y, z) ∈ IR3 / x = 0}

Algebra lineal 16
La intersección de estos subespacios es
W = W1 ∩ W2 = {(x, y, z) ∈ IR3 / x = 0 ∧ z = 0}
Esto significa que un vector genérico de W es una terna del tipo (0, y, 0) que puede expre-
sarse mediante (0, α, 0) para algún α ∈ IR.
Entonces
W = {(0, α, 0) ∈ IR3 / α ∈ IR}
o sea, W es el eje Y.
Teorema 1.7. Sean W1 y W2 dos subespacios del espacio vectorial V, si W1 ∪ W2 es subes-

pacio de V, entonces W1 ⊂ W2 o W2 ⊂ W1
Unión de subespacios
Sean W1 y W2 dos subespacios del espacio vectorial V, entonces W1 ∩ W2 , no es necesa-

riamente un subespacio de V, como vemos el siguiente ejemplo.
Ejemplo 1.30. Sea V = IR2 y los subespacios no triviales de la figura

Algebra lineal 17
La unión de ambos es el par de rectas, y eligiendo u ∈ W1 , v ∈ W2 , distintos del vector

nulo se tiene:
u ∈ W1 ⇒ u ∈ W1 ∪ W2
v ∈ W2 ⇒ v ∈ W1 ∪ W2
pero u+v∈
/ W1 ∪ W2
1.4.2. Suma de subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V. Definimos el conjunto
S = { v ∈ V / v = u1 + u2 , u1 ∈ W1 ∧ u2 ∈ W2 }
O sea
S = { v ∈ V / ∃ u1 ∈ W1 ∧ ∃ u2 ∈ W2 , v = u1 + u2 }
El conjunto S se llama suma de los subespacios W1 y W2 y se denota
S = W1 + W2
Teorema 1.8. La suma de dos subespacios de V es un subespacio de V.
En efecto.
S no es vacı́o, pues
0 ∈ W1 ∧ 0 ∈ W2 ⇒ 0 = 0 + 0 ∈ W1 + W2 ⇒ 0 ∈ S, ası́ S ̸= ∅
S es una parte de V, por la definición de S
S es cerrado para la suma, ya que

x ∈ S ∧ y ∈ S ⇒ x = u1 + v1 ; y = u2 + v2 , donde u1 , u2 ∈ W1 ∧ v1 , v2 ∈ W2
⇒ x + y = (u1 + v1 ) + (u2 + v2 ) = (u1 + u2 ) + (v1 + v2 ),
(u1 + u2 ) ∈ W1 ∧ (v1 + v2 ) ∈ W2
⇒x+y∈S
S es cerrado para el producto por escalares, pues

λ ∈ K ∧ x ∈ S ⇒ λ ∈ K ∧ x = u1 + v1 ; u1 ∈ W1 ∧ v1 ∈ W2
⇒ λx = λu1 + λv1 , donde λu1 ∈ W1 ∧ λv1 ∈ W2
Por consiguiente, la suma de subespacios es un subespacio.
Un caso particular importante se presenta cuando los subespacios W1 y W2 son disjuntos,
es decir, si W1 ∩ W2 = {0}. En esta situación, el subespacio S = W1 + W2 recibe el nombre de
suma directa de W1 y W2 , y se denota
S = W1 ⊕ W2
Sintetizamos esto en la siguiente definición
S = W1 ⊕ W2 ⇐⇒ S = W1 + W2 ∧ W1 ∩ W2 = {0}

Algebra lineal 18
Ejemplo 1.31. Sea V = IR3 .
1. Consideremos los siguientes subespacios de IR3
W1 = {(α, β ′ , 0) / α ∈ IR ∧ β ′ ∈ IR} W2 = {(0, β ′′ , γ) / γ ∈ IR ∧ β ′′ ∈ IR}
El subespacio suma S = W1 + W2 está formado por todas las ternas del tipo
(α, β ′ + β ′′ , γ) = (α, β, γ)
y es S = IR3 . Ambos subespacios son los planos indicados en la figura, y como su

intersección es el eje Y, la suma S = W1 + W2 no es directa.
2. En cambio, si
W1 = {(α, 0, 0) / α ∈ IR} ∧ W2 = {(0, β, 0) / β ∈ IR}
se tiene
S = W1 + W2 = {(α, β, 0) / α ∈ IR ∧ β ∈ IR}
O sea, la suma es directa y se identifica con el plano horizontal XY, es decir
Ejemplo 1.32. Hallar los vectores generadores del subespacio W de V = IR3 , donde
W = {(x, y, z) ∈ IR3 / x + y = 2z}

Algebra lineal 19
Solución. Sea w ∈ W, donde w = (x, y, z), este se satisface ası́ w = (x, 2z − x, z), entonces
w = (x, 2z − x, z) = (x, −x, 0) + (0, 2z, z)

= x(1, −1, 0) + z(0, 2, 1)
Luego los vectores generadores del subespacio W = ⟨(1, −1, 0), (0, 2, 1)⟩
Ejemplo 1.33. Hallar los vectores generadores del subespacio U, si U ⊂ IR4 , donde
U = {(x, y, z, t) ∈ IR4 / x − y = 3t, x + y + z = 0}
Solución. Despejando x, z en función y, t tenemos:
x = y + 3t, z = −2y − 3t
Luego para todo u ∈ U, tiene la forma u = (y + 3t, y, −2y − 3t, t), de donde
u = (y + 3t, y, −2y − 3t, t) = (y, y, −2y, 0) + (3t, 0, −3t, t)

= y(1, 1, −2, 0) + t(3, 0, −3, 1).
De manera que los vectores generadores del subespacio U = ⟨(1, 1, −2, 0), (3, 0, −3, 1)⟩
Ejemplo 1.34. Dados W1 = { t(2, 3) / t ∈ IR } ⊂ IR2 y W2 = { r (1, −1) / r ∈ IR } ⊂ IR2 .

Probar que: IR2 = W1 ⊕ W2
Solución. Si u = a(2, 3) ∈ W1 y v = b(1, −1) ∈ W2 , entonces
u + v = a(2, 3) + b(1, −1) = (2a + b, 3a − b),
luego: W1 + W2 = {(2a + b, 3a − b) / a, b ∈ IR} ⊂ IR2

Esta suma es directa. Pues si x ∈ W1 ∩ W2 , debe ser
x = a(2, 3) = b(1, −1) para algún a ∈ IR ∧ b ∈ IR
de donde se tiene: a = b = 0. Luego W1 ∩ W2 = {0}.
Por otro lado, sea x = (x1 , x2 ) ∈ IR2 , como queremos que

x ∈ W1 ⊕ W2 , debemos determinar números r, s tales que
x = r(2, 3) + s(1, −1)
que a su vez se plantea el sistema lineal
3r + s = x1
3r − s = x2
1 1
cuya solución es: r = (x1 + x2 ), s = (3x1 − 2x2 ).
5 5
1 1
Por lo tanto: x = r(2, 3) + s(1, −1) ⇐⇒ x = (x1 + x2 )(2, 3) + (1, −1).
5 5
Esto verifica que IR2 ⊂ W1 ⊕ W2 . Y con ella el ejercicio esta probado.

Algebra lineal 20
1.5. Dependencia e independencia lineal

Definición 1.6. Un conjunto de vectores M = {x1 , x2 , . . . , xp } de un espacio vectorial V se
dice que es linealmente independiente (L. I.) si la igualdad
a1 x1 + a2 x2 + · · · + ap xp = 0
sólo se satisface cuando a1 = a2 = · · · = ap = 0.
En caso contrario, es decir si la combinación lineal anterior no sólo ocurre con coefi-
cientes nulos, sino también con algún coeficiente no nulo, entonces se dice que los vectores
son linealmente dependiente (L. D.).
Ejemplo 1.35. El conjunto de vectores {(2, 1, 1), (1, 1, −3), (1, 0, 0)} de IR3 , es L. I. pues:
a1 (2, 1, 1) + a2 (1, 1, −3) + a3 (1, 0, 0) = (0, 0, 0)
equivale a resolver el sistema lineal homogéneo



 2a1 + a2 + a3 = 0
a1 + a2 = 0

 a − 3a
1 2 = 0
Solución. Resolviendo el sistema lineal homogéneo, tenemos:

   
2 1 1 0 1 0 0 0
   
 1 1 0 0  −→  0 1 0 0 
1 −3 0 0 0 0 1 0
cuya única solución es la trivial a1 = a2 = a3 = 0
Ejemplo 1.36. Los vectores (1, −2) y (−2, 4) de IR2 son L. D., puesto que de la combinación
lineal
a1 (1, −2) + a2 (−2, 4) = (0, 0)
se tiene el sistema lineal homogéneo
{
a1 − 2a2 = 0
−2a1 + 4a2 = 0
que tiene soluciones no triviales. En forma paramétrica (a1 , a2 ) = t(2, 1), t ∈ IR
Nota. Nótese que cuando un conjunto de vectores es L. D. existen diferentes valores no

nulos de los coeficientes que verifican la combinación lineal, y entre ellos algunos de los
λi son ceros. Sin embargo, cuando los vectores son L. I. entonces la combinación lineal de
ellos igualada al vector nulo solo se cumple cuando los coeficientes son todos nulos, en este
caso diremos que sólo se satisface la combinación lineal trivial.

Algebra lineal 21
Ejemplo 1.37. Averiguar si el conjunto de polinomios
M = {1 − x, 2 + x + 2x2 , 1 + x2 }
es L. I.
Solución. Supongamos que la combinación lineal nula
a1 (1 − x) + a2 (2 + x + 2x2 ) + a3 (1 + x2 ) = 0 = 0 + 0 x + 0 x2
Identificando coeficientes en ambos miembros tenemos:



 a1 + 2a2 + a3 = 0
−a1 + a2 = 0

 2a2 + a3 = 0
   
1 2 1 0 1 0 0 0
   
 −1 1 0 0  −→  0 1 0 0 
0 2 1 0 0 0 1 0
Este sistema lineal homogéneo sólo tiene la solución trivial a1 = a2 = a3 = 0, por lo tanto
el conjunto de polinomios M = {1 − x, 2 + x + 2x2 , 1 + x2 } es L. I.
Ejemplo 1.38. Los vectores v1 , v2 , v3 , ∈ IR2×2 dados por
[ ] [ ] [ ]
−1 16 2 3 −1 2
v1 = , v2 = , v3 =
−1 13 3 4 −2 1
son L. D.
En efecto. Escribamos el vector nulo de IR2×2 como combinación lineal de estos vectores, es
decir: [ ] [ ] [ ] [ ]
−1 16 2 3 −1 2 0 0
c1 + c2 + c3 =
−1 13 3 4 −2 1 0 0
Al realizar las operaciones indicadas se obtiene
[ ] [ ]
−c1 + 2c2 − c3 16c1 + 3c2 + 2c3 0 0
=
−4c1 + 3c2 − 2c3 13c1 + 4c2 + c3 0 0
o sea, se tiene el sistema lineal homogéneo

−c1 + 2c2 − c3 = 0
16c1 + 3c2 + 2c3 = 0
−4c1 + 3c2 − 2c3 = 0
13c1 + 4c2 + c3 = 0
Al resolver por operaciones elementales, se tiene:
   
−1 2 −1 0 1 0 1/5 0
   
 16 3 2 0   0 1 −2/5 0 
  −→  
 −4 3 −2 0   0 0 0 0 
13 4 1 0 0 0 0 0

Algebra lineal 22
De modo que el sistema lineal homogéneo tiene infinitas soluciones, es decir:

t 2
c1 = − , c2 = t, c3 = t, t ∈ IR
5 5
Lo que muestra que los vectores v1 , v2 , v3 , ∈ IR2×2 son L. D.
Teorema 1.9. Sea M = {x1 , x2 , . . . , xp } un conjunto de vectores L. I. de un espacio vectorial

V. Si el vector u es combinación lineal de ellos entonces los coeficientes son únicos.
En efecto. Supongamos que el vector u se escribe de dos formas diferentes como com-
binación de los vectores de M, es decir:
u = a1 x1 + a2 x2 + · · · + ap xp
u = b1 x1 + b2 x2 + · · · + bp xp
restando ambas ecuaciones se obtiene:
0 = (a1 − b1 )x1 + (a2 − b2 )x2 + · · · + (ap − bp )xp
esta es la combinación trivial y como los vectores de M son L. I. entonces
a1 − b1 = a2 − b2 = · · · = ap − bp = 0 ⇒ a1 = b1 , a2 = b2 , . . . , ap = bp
Teorema 1.10. Los n vectores u1 , u2 , . . . , un del espacio vectorial V son linealmente depen-
dientes si y sólo si al menos uno de ellos puede escribirse como combinación de los n − 1
vectores restantes.
En efecto.
Si los n vectores u1 , u2 , . . . , un son L. D., según la definición existen escalares c1 , c2 , . . . , cn

no todos nulos, tales que
c1 u1 + c2 u2 + · · · + cn un = 0 (1.1)
Supongamos que c1 ̸= 0, entonces la expresión (1.1), se puede escribir como:

c2 cn
u1 = u2 − · · · − un
c1 c1
lo que muestra que el vector u1 es una combinación de los n − 1 vectores u2 , u3 , . . . , un
De manera al item anterior se puede hacer la demostración para algún vector ui
Teorema 1.11. Sean u1 , u2 , . . . , un vectores del espacio vectorial V
1. Si ui = uj para i ̸= j, i, j = 1, 2, . . . , n, entonces estos vectores son L. D.
2. Si existe i, 1 ≤ i ≤ n, tal que ui = 0, entonces estos vectores son L. D.
3. Si el conjunto {u1 , u2 , . . . , un } es L. I., entonces cualquier subconjunto de él es L. I.

Algebra lineal 23
4. Si el conjunto {u1 , u2 , . . . , un } es L. D., entonces para cualesquiera vectores w1 , w2 , . . . , wk

de V, entonces el conjunto {u1 , u2 , . . . , un , w1 , w2 , . . . , wk } es L. D.
Definición 1.7. Un conjunto de vectores {u1 , u2 , . . . , un } de un espacio vectorial V es una

base de V si:
1. {u1 , u2 , . . . , un } es un conjunto generador de V
2. {u1 , u2 , . . . , un } es L. I.
Ejemplo 1.39. Dados los vectores e1 = (1, 0) y e2 = (0, 1) de IR2 , comprobar que {e1 , e2 } es
una base de IR2 .
Si u = (−1, 2), el conjunto {e1 , e2 , u}, es L. D. de IR2
Ejemplo 1.40. Probar que el conjunto de vectores {e1 , e2 , e3 , . . . , en } con e1 = (1, 0, 0, . . . , 0), e2 =
(0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1) es una base de IRn .
Ejemplo 1.41. Sean v1 = (1, 2, 1), v2 = (2, 9, 0), v3 = (3, 3, 4). Demuéstrese que el conjunto
S = {v1 , v2 , v3 } es una base de IR3 .
Solución. Para demostrar que S es una base, se tiene que demostrar que primero que S es
L. I.
0 = xv1 + yv2 + zv3

es equivalente, e resolver el sistema lineal homogéneo
x + 2y + 3z = 0
2x + 9y + 3z = 0
x + 0y + 4z = 0
 
1 2 3
 
Pero la matriz de sus coeficientes es A =  2 9 3 . Puesto que D(A) = −1 ̸= 0, entonces
1 0 4
el sistema lineal homogéneo tiene solución única que es x = y = z = 0. Ası́ S es L. I..
La segunda parte, es necesario demostrar que un vector arbitrario v = (λ1 , λ2 , λ3 ) ∈ IR3

se puede expresar como C. L.
v = xv1 + xv2 + zv3
de los vectores de S, entonces resulta el sistema lineal no homogéneo
x + 2y + 3z = λ1
2x + 9y + 3z = λ2
x + 0y + 4z = λ3

Algebra lineal 24
 
1 2 3
 
Pero vimos que la matriz de coeficientes A =  2 9 3 , su D(A) = −1, entonces el
1 0 4
sistema tiene solución única. Ası́ S genera el espacio vectorial IR3 . Ası́ tenemos:
x = −36λ1 + 8λ2 + 21λ3

y = 5λ1 − λ2 − 3λ3
z = 9λ1 − 2λ2 − 5λ3
Ejemplo 1.42. Sean

[ ] [ ] [ ] [ ]
1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = , M4 =
0 0 0 0 1 0 0 1
El conjunto S = {M1 , M2 , M3 , M4 } es una base para el espacio vectorial de matrices IR2×2
Ejemplo 1.43. Dado el subespacio W = { (x, y, z, w) ∈ IR4 / z + w = x + y }, hallar una base

de W
Solución.
1. En primer lugar, de la ecuación z + w = x + y despejar una de las variables, por

ejemplo w, entonces:
w=x+y−z
2. En segundo lugar, reemplazar w en cualquier vector genérico, es decir:
u = (x, y, z, w) = (x, y, z, x + y − z)
3. Descomponer
u = x(1, 0, 0, 1) + y(0, 1, 0, 1) + z(0, 0, 1, −1)
Los vectores {(1, 0, 0, 1), (0, 1, 0, 1)} y (0, 0, 1, −1) forman una base del subespacio W.
4. Luego el conjunto de vectores {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 1, −1)} es una base de W
Teorema 1.12. Si {u1 , u2 , . . . , un } es una base de V y v ∈ V, entonces existe un conjunto

único de escalares α1 , α2 , . . . , αn tales que:
v = α1 u1 + α2 u2 + . . . + αn un
En efecto. La unicidad de los escalares αi se demuestra suponiendo que existen otros

escalares βi y mostrar que αi = βi , ∀ i, veamos:
1. Por hipótesis se tiene que {u1 , u2 , . . . , un } es una base de V. Por lo tanto {u1 , u2 , . . . , un }
genera al espacio vectorial V y son L. I.
Luego, si v ∈ V ⇒ ∃αi ∈ IR / v = α1 u1 + α2 u2 + . . . + αn un

Algebra lineal 25
2. Supongamos que existen otros escalares βi , tal que:

v = β1 u1 + β2 u2 + . . . + βn un
3. Restar:
v = α1 u1 + α2 u2 + . . . + αn un
v = β1 u1 + β2 u2 + . . . + βn un
0 = (α1 − β1 )u1 + (α2 − β2 )u2 + . . . + (αn − βn )un
4. Pero los vectores ui son L. I., entonces

α1 − β1 = α2 − β2 = · · · = αn − βn ⇒ α1 = β1 , α2 = β2 , · · · , αn = βn
Teorema 1.13. Si β1 = {u1 , u2 , . . . , un } y β2 = {v1 , v2 , . . . , vm } son bases del espacio vecto-

rial V, entonces n = m.
Este teorema nos dice que dos bases cualesquiera de un espacio vectorial V contienen el
mismo número de vectores.
Observación.
1. Si S = {u1 , u2 , . . . , ur } es un conjunto L. I. es un espacio vectorial V, entonces S es una
base para el subespacio W = Env(S).
2. Se dice que un espacio vectorial diferente de cero de V es de dimensión finita si

contiene un conjunto finito de vectores {u1 , u2 , . . . , un } que forman una base. Si no
existe un conjunto de este tipo, se dice que V es de dimensión infinita.
3. Se considera al espacio vectorial cero como de dimensión finita, aún cuando no tiene
conjunto linealmente independientes, y como consecuencia, no tiene base.
Definición 1.8. La dimensión de un espacio vectorial de dimensión finita V se define
como el número de vectores en una base para el espacio vectorial V.
Observación. Además, por definición, el espacio vectorial cero tiene dimensión cero
Ejemplo 1.44. La base estándar para el espacio vectorial IRn contiene n−vectores, y es
β = {e1 , e2 , . . . , en }, ej = (0, 0, . . . , 1, . . . , 0)
Además notemos, cualquier otra base de este espacio contiene n−vectores.
Ejemplo 1.45. Determı́nese una base y la dimensión para el espacio de soluciones del
sistema lineal homogéneo
2x1 + 2x2 − x3 + x5 = 0
−x1 − x2 + 2x3 − 3x4 + x5 = 0
x1 + x2 − 2x3 − x5 = 0
x3 + x4 + x5 = 0

Algebra lineal 26
Solución. Mediante operaciones elementales

   
2 2 −1 0 1 0 1 1 0 0 1 0
   
 −1 −1 2 −3 1 0   0 0 1 0 1 0 
 ∼ 
 1 1 −2 0 −1 0   0 0 0 1 0 0 
0 0 1 1 1 0 0 0 0 0 0 0
lo que vemos que: x1 + x2 + x5 = 0, x3 + x5 = 0 ∧ x4 = 0, parametrizando x2 = r y x5 = t,

tenemos:
x1 = −r − t, x2 = r, x3 = −t, x4 = 0, x5 = t
Por lo tanto, los vectores solución se puede escribir como
           
x1 −r − t −r −t −1 −1
 x     r   0   1   0 
 2   r         
           
 x3   −t   0   −t 
= = + = r  0  + t  −1 
           
 x4   0   0   0   0   0 
x5 t 0 t 0 1
lo cual demuestra que los vectores

   
−1 −1
   
 1   0 
   
v1 =  0  y v2 =  −1 
   
 0   0 
0 1
generan el espacio de soluciones de este sistema lineal homogéneo. Dado que estos vectores
son linealmente independientes, {v1 , v2 } es una base, y el espacio de soluciones es bidimen-
sional.
1.6. Espacios de productos interiores

En esta sección se introduce la noción de un espacio con producto interior arbitrario.
Como consecuencia de lo que se vea, se podrá definir con todo significado las notaciones de
ángulo, longitud y distancia en espacios vectoriales más generales.
Definición 1.9. Un producto interior sobre un espacio vectorial V es una función que
asocia un número real ⟨ , ⟩ con cada par de vectores u, v ∈ V, es decir:
⟨ , ⟩ : V × V −→ IR, ⟨u, v⟩ ∈ IR
tales que satisfacen los siguientes axiomas, para todo los vectores u, v, w ∈ V y todo λ ∈ IR:
P.1. ⟨u, v⟩ = ⟨v, u⟩ (axioma de simetrı́a)
P.2. ⟨u + v, w⟩ = ⟨u, w⟩ + ⟨v, w⟩ (axioma de aditividad)

Algebra lineal 27
P.3. ⟨λu, v⟩ = λ⟨u, v⟩ (axioma de homogeneidad)
P.4. ⟨u, u⟩ ≥ 0
P.5. ⟨u, u⟩ = 0 ⇐⇒ u = 0 (axioma de positividad)

Un espacio vectorial con un producto interior se conoce como espacio vectorial euclı́deo.
Nota. La condición P.1. establece que el producto interior es conmutativo o simétrico. Las
condiciones P.2. y P.3. indican que el producto interno es lineal en la primera componente;
mientras que las condiciones P.4. y P.5. manifiestan que el producto escalar de un vector
por si mismo siempre debe ser no negativo, pudiendo ser cero en cuestión cuando el vec-
tor es el vector nulo; esta propiedad se indica que el producto escalar es definido positivo.
Las siguientes propiedades adicionales se deducen de inmediato a partir de los cinco

axiomas de los productos interiores.
Teorema 1.14. Sean u, v y w vectores de un espacio vectorial euclı́deo y λ un número real,
se tiene:
1. ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, w⟩
2. ⟨u, λv⟩ = λ⟨u, v⟩
3. ⟨u, 0⟩ = ⟨0, v⟩ = 0
4. Si ⟨u, v⟩ para todo v, entonces u = 0

En efecto. (i) y (ii) son inmediatas utilizando las condiciones P.1., P.2. y P.3. de la defini-
ción de producto interno.
(iii) utilizando (i), se tiene
⟨u, 0⟩ = ⟨u, 0 + 0⟩ = ⟨u, 0⟩ + ⟨u, 0⟩
y por lo tanto se tiene ⟨u, 0⟩ = 0.
(iv) Sea ⟨u, v⟩ para todo v de V. En particular cuando v = u, se tendrá que el producto
escalar ⟨u, u⟩ y por la condición P.5. del producto interno se deduce que u = 0.
Observación. Las propiedades (i) y (ii) que acabamos de comprobar indican que el pro-
ducto interno es una función lineal en la segunda componente. Podemos resumir estas pro-
piedades con las de la definición, diciendo que el producto interno es una forma bilineal
definida simétrica.
Ejemplo 1.46. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) dos vectores del espacio
vectorial IRn , el producto vectorial euclidiano canónico
⟨u, v⟩ = u1 v1 + u2 v2 + · · · + un vn

Algebra lineal 28
satisface todos los axiomas del producto interior.

Nótese que este producto interno se puede calcular utilizando la expresión
 
u1
 u2  [ ]
 
⟨u, v⟩ = u v =  .  v1 v2 · · · vn
T
 .. 
un
¿Existen otros espacios con producto interior en el espacio Rn ?
Ejemplo 1.47. Si u = (u1 , u2 ) y v = (v1 , v2 ) dos vectores del espacio vectorial IR2 , entonces
la función
⟨u, v⟩ = 3u1 v1 + 2u2 v2
define un producto interior. A fin de verificarlo, nótese primero que si intercambian u con
v en esta ecuación, entonces el segundo miembro permanece inalterado. Por lo tanto,
⟨v, u⟩ = 3v1 u1 + 2v2 u2 = 3u1 v1 + 2u2 v2 = ⟨u, v⟩
Si w = (w1 , w2 ), entonces
⟨u + w, v⟩ = 3(u1 + w1 )v1 + 2(u2 + w2 )v2

= (3u1 v1 + 2u2 v2 ) + (3w1 v1 + 2w2 v2 )
= ⟨u, v⟩ + ⟨w, v⟩
A continuación
⟨λu, v⟩ = 3(λu1 )v1 + 2(λu2 )v2

= λ(3u1 v1 + 2u2 v2 )
= λ⟨u, v⟩
lo cual establece el tercer axioma.
Por último,
⟨v, v⟩ = 3v1 v1 + 2v2 v2 = 3v21 + 2v22 ≥ 0
Además ⟨v, v⟩ = 3v21 + 2v22 = 0 ⇐⇒ v1 = 0 = v2 , es decir v = (0, 0). Por lo tanto, se satisface,
el cuarto axioma.
El producto interior de este ejemplo es diferente del producto interior euclidiano

sobre IR2 ; esto indica que un espacio vectorial puede tener más de un producto interior.
[ ] [ ]
u1 u2 v1 v2
Ejemplo 1.48. Si U = y V= dos matrices arbitrarias del espacio
u3 u4 v3 v4
vectorial IR2×2 , entonces la función que sigue define un producto interior sobre IR2×2
⟨U, V⟩ = u1 v1 + u2 v2 + u3 v3 + u4 v4

Algebra lineal 29
Por ejemplo, si [ ] [ ]
1 2 −1 0
U= y V=
3 4 3 2
entonces
⟨U, V⟩ = 1(−1) + 2(0) + 3(3) + 4(2) = 16
Ejemplo 1.49. Sean x = (x1 , x2 , x3 ) y y = (y1 , y2 , y3 ) dos vectores cualesquiera de IR3 .

Probar que   
[ ] 2 1 −1 y1
  
⟨x, y⟩ = x1 x2 x3  1 1 0   y2 
−1 0 2 y3
es un producto interno.
Solución. La comprobación de las tres primeras condiciones P.1., P.2. y P.3. de la defini-
ción de producto escalar, estas se deducen fácilmente de las propiedades del producto de
matrices y de que la matriz A es simétrica. Veamos ahora las condiciones P.4. y P.5.
  
[ ] 2 1 −1 x 1
  
⟨x, x⟩ = x1 x2 x3  1 1 0   x2 
−1 0 2 x3
 
[ ] 2x1 + x2 − x3
 
= x1 x2 x3  x1 + x2 
−x1 + 2x3
= x1 (2x1 + x2 − x3 ) + x2 (x1 + x2 ) + x3 (−x1 + 2x3 )
= 2x21 + 2x1 x2 + x22 − 2x1 x3 + 2x23
= (x21 + 2x1 x2 + x22 ) + (x21 − 2x1 x3 + x23 ) + x23
= (x1 + x2 )2 + (x1 − x3 )2 + x23 ≥ 0
Por ser suma de cuadrados. Por lo tanto, se verifica P.4.

De acuerdo con lo que acabamos de ver ⟨x, x⟩ = 0 ⇐⇒ ⟨x, x⟩ = (x1 + x2 )2 + (x1 − x3 )2 + x23 ⇐⇒


 x1 + x2 =0
x1 − x3 = 0

 x3 = 0
cuya única solución es x1 = x2 = x3 = 0. Luego se verifica P.5.
Ejemplo 1.50. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores arbitrarias en

P2 , entonces la siguiente fórmula define un producto interior
⟨p, q⟩ = a0 b0 + a1 b1 + a2 b2
Ejemplo 1.51. Sean p y q son dos vectores arbitrarias en Pn y defı́nase

∫b
⟨p, q⟩ = p(x)q(x)dx (1.2)
a

Algebra lineal 30
en donde a y b son números reales fijos cualesquiera tales que a < b. Se demostrará que
(1.2) define un producto interior sobre el espacio vectorial V = Pn .
∫b ∫b
1. ⟨p, q⟩ = a p(x)q(x)dx = a q(x)p(x)dx = ⟨q, p⟩
lo cual prueba que se cumple el axioma 1.
2. Seanp q y r tres polinomios arbitrarios de Pn , entonces

∫b
⟨p + r, q⟩ = [p(x) + r(x)]q(x)dx
a
∫b ∫b
= p(x)q(x)dx + r(x)q(x)dx
a a
= ⟨p, q⟩ + ⟨r, q⟩
∫b ∫b
3. ⟨λp, q⟩ = a (λp(x))q(x)dx = λ a p(x)q(x)dx = λ⟨p, q⟩
lo cual prueba que se cumpla el axioma 3.
4. Si p es cualquier polinomio en Pn , entonces p2 (x) ≥ 0 para todo x, por lo tanto

∫b ∫b
⟨p, p⟩ = p(x)p(x)dx = p2 (x)dx ≥ 0
a a
∫b
Además a
p2 (x)dx = 0 si y sólo si p(x) = 0
Ejemplo 1.52. Sea V un espacio vectorial euclı́deo. Si x, y y z son vectores de V, desarro-
llar la siguiente expresión
⟨x + z, x − z + y⟩
Solución. Utilizando las propiedades del producto interno, podemos escribir
⟨x + z, x − z + y⟩ = ⟨x, x − z + y⟩ + ⟨z, x − z + y⟩
= ⟨x, x⟩ − ⟨x, z⟩ + ⟨x, y⟩ + ⟨z, x⟩ − ⟨z, z⟩ + ⟨z, y⟩
= ⟨x, x⟩ + ⟨x, y⟩ − ⟨z, z⟩ + ⟨z, y⟩
Teorema 1.15. (Desigualdad de Cauchy-Schwartz) Sean u, v ∈ V, donde V es un espacio
vectorial euclı́deo, entonces
⟨u, v⟩2 ≤ ⟨u, u⟩⟨v, v⟩
Demostración.
Si u = 0, entonces ⟨0, v⟩2 ≤ ⟨0, 0⟩⟨v, v⟩ = 0, de modo que evidentemente, la igualdad se
cumple.
Si u ̸= 0 y sean a = ⟨u, u⟩, b = 2⟨u, v⟩, c = ⟨v, v⟩ y t cualquier número real. Por el
axioma de positividad, el producto interior de cualquier vector por sı́ mismo siempre
es no negativo.
Por lo tanto,
0 ≤ ⟨tu + v, tu + v⟩ = ⟨u, u⟩t2 + 2⟨u, v⟩t + ⟨v, v⟩

= at2 + bt + c, es decir 0 ≤ at2 + bt + c

Algebra lineal 31
Esta desigualdad implica que el polinomio cuadrático at2 + 2bt + c no tiene raı́ces
reales, o bien, tiene una raı́z repetida. Por lo tanto, su discriminante debe satisfacer
b2 − 4ac ≤ 0
Al expresar a, b y c en términos de u y v da
b2 − 4ac ≤ 0 ⇐⇒ 4⟨u, v⟩2 − 4⟨u, u⟩⟨v, v⟩ ≤ 0 ⇐⇒ ⟨u, v⟩2 ≤ ⟨u, u⟩⟨v, v⟩
Ejemplo 1.53. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) son dos vectores arbitrarios

del espacio IRn , entonces la desigualdad de Cauchy-Schwartz aplicado a estos dos vectores
da:
(u1 v1 + u2 v2 + · · · + un vn ) ≤ (u21 + u22 + · · · + u2n )(v21 + v22 + · · · + v2n )
Vamos a calcular ahora el producto interno de dos vectores x y y en función de sus
componentes respecto de una misma base. Sea β = {b1 , b2 , . . . , bn } una base del espacio
euclı́deo V y supongamos que
x = x1 b1 + x2 b2 + · · · + xn bn
y que
y = y1 b1 + y2 b2 + · · · + yn bn
Entonces
⟨ n ⟩
∑ ∑
n
⟨x, y⟩ = xi b i , yj bj
i=1 j=1
∑∑
n n
= xi yj ⟨bi , bj ⟩
i=1 j=1
∑n ∑ n
= xi gij yj ,
i=1 j=1
donde gij = ⟨bi , bj ⟩ para 1 ≤ i, j ≤ n. Esta igualdad se escribe matricialmente

  
g11 g12 . . . g1n y1
[ ]  g21 g22 . . . g2n   y2 
  
⟨x, y⟩ = x1 x2 · · · xn  .
 ..
.
.. . . . ..   .. 
.   .

gn1 gn2 . . . gnn yn
( T
)
= Cβ (x) G (Cβ (y))
La matriz cuadrada G se llama matriz de Gram del producto interno respecto de la base
β. Nótese que sus componentes de esta matriz son los productos internos de los vectores de
la base considerada.
Ejemplo 1.54. Sea β = {e1 , e2 , . . . , en } la base canónica de IRn . Si en IRn consideramos el
producto interno canónico, entonces
{
1, si i = j
⟨ei , ej ⟩ = δij =
0, si i ̸= j
con lo que la matriz de Gram respecto de la base canónica es la matriz identidad.

Algebra lineal 32
Ejemplo 1.55. En el espacio vectorial euclı́deo IR3 definido

  
[ ] 2 1 −1 y1
  
⟨x, y⟩ = x1 x2 x3  1 1 0   y2 
−1 0 2 y3
Si β = {e1 , e2 , e3 } es la base canónica de IR3 , hallar la matriz de Gram de dicho producto

escalar respecto de β.
Solución. Tal como se ha definido el producto interno, resulta
    
[ ] 2 1 −1 1 [ ] 2
    
⟨e1 , e1 ⟩ = 1 0 0  1 1 0   0  = 1 0 0  1  = 2,
−1 0 2 0 −1
    
[ ] 2 1 −1 0 [ ] 1
    
⟨e1 , e2 ⟩ = 1 0 0  1 1 0   1  = 1 0 0  1  = 1,
−1 0 2 0 0
    
[ ] 2 1 −1 0 [ ] −1
    
⟨e1 , e3 ⟩ = 1 0 0  1 1 0   0  = 1 0 0  0  = −1,
−1 0 2 1 2
⟨e2 , e1 ⟩ = ⟨e1 , e2 ⟩ = 1,

   
[ ]
2 1 −1 0 [ ] 1
    
⟨e2 , e2 ⟩ = 0 1 0  1 1 0  1  = 0 1 0  1  = 1,
−1 0 2 0 0
    
[ ] 2 1 −1 0 [ ] −1
    
⟨e2 , e3 ⟩ = 0 1 0  1 1 0  0  = 0 1 0  0  = 0,
−1 0 2 1 2
⟨e3 , e1 ⟩ = ⟨e1 , e3 ⟩ = −1,
⟨e3 , e2 ⟩ = ⟨e2 , e3 ⟩ = 0,

   
[ ] 2 1 −1 0 [ ] −1
    
⟨e3 , e3 ⟩ = 0 0 1  1 1 0  0  = 0 0 1  0  = 2
−1 0 2 1 2
Por lo tanto    
⟨e1 , e1 ⟩ ⟨e1 , e2 ⟩ ⟨e1 , e3 ⟩ 2 1 −1
   
G =  ⟨e2 , e1 ⟩ ⟨e2 , e2 ⟩ ⟨e2 , e3 ⟩  =  1 1 0 
⟨e3 , e1 ⟩ ⟨e3 , e2 ⟩ ⟨e3 , e3 ⟩ −1 0 2
que es precisamente la matriz que hemos utilizado para definir el producto interno.
Teorema 1.16. Sea β una base del espacio vectorial euclı́deo V de dimensión n y supon-
gamos que G es la matriz de Gram del producto escalar respecto a dicha base, entonces:
i) G es una matriz simétrica.

Algebra lineal 33
ii) G es una matriz inversible.
iii) Si x ̸= 0, donde x ∈ V, entonces xT Gx > 0
Nota. Cuando una matriz G cumple la condición (iii) del teorema.1.16, se dice que es
definida positiva.
1.7. Longitud o norma de un vector

Definición 1.10. Sea V un espacio vectorial euclı́deo, entonces la norma (o longitud) de
un vector v se denota ||v|| y se define por
||v|| = ⟨v, v⟩1/2
Además, la distancia entre dos vectores u y v se denota d(u, v) se define por
d(u, v) = ||u − v||
Ejemplo 1.56. Si u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , n ) son vectores del espacio vecto-

rial IRn con el producto interior canónico, entonces
√
||u|| = ⟨u, u⟩1/2 = u21 + u22 + · · · + u2n
y √
d(u, v) = ||u − v|| = (u1 − v1 )2 + (u2 − v2 )2 + · · · + (un − vn )2
Ejemplo 1.57. Supóngase que el espacio vectorial IR2 tiene definido el producto interior
⟨u, v⟩ = 3u1 v1 + 2u2 v2 .
Si u = (1, 0) y v = (0, 1), entonces

√
||u|| = ⟨u, u⟩1/2 = [3(1)(1) + 2(0)(0)]1/2 = 3,
√
||v|| = ⟨v, v⟩1/2 = [3(0)(0) + 2(1)(1)]1/2 = 2
y
√
d(u, v) = ||u − v|| = ||(1, −1)|| = ⟨(1, −1), (1, −1)⟩1/2 = [3(1)(1) + 2(−1)(−1)]1/2 = 5
Observación. Es importante tener presente que la norma y la distancia dependen del

producto interior que se esté usando. Si se cambia el producto interior, entonces cambian
las normas y las distancias entre los vectores.
Ejemplo 1.58. Si en el espacio vectorial IR3 se considera el producto interno canónico
⟨x, x⟩ = x1 y1 + x2 y2 + x3 y3

Algebra lineal 34
se tiene que la norma del vector x = (2, −1, 2) es

√
||x|| = 22 + (−1)2 + 22 = 3,
mientras que si consideramos el producto interno del ejemplo.1.55, entonces

  
[ ] 2 1 −1 2
  
||x||2 = 2 −1 2  1 1 0   −1  = 5,
−1 0 2 2
√
es decir ||x|| = 5.
Ejemplo 1.59. En el espacio vectorial euclı́deo V = P2 [x] con el producto interno

∫1
⟨p(x), q(x)⟩ = p(x)q(x)dx,
0
tenemos que si p(x) = x − 1, su norma es:

√ √ √[ ]
∫1 ∫1 3 1
(x − 1) 1
||p(x)|| = ||x − 1|| = p(x)p(x)dx = (x − 1)2 dx = =√
0 0 3 0 3
Teorema 1.17. Sea V un espacio vectorial euclı́deo, entonces la norma ||v|| = ⟨v, v⟩1/2 y la
distancia d(u, v) = ||u − v|| satisfacen las siguientes propiedades:
(L1) ||v|| ≥ 0 (D1) d(u, v) ≥ 0

(L2) ||v|| = 0 ⇐⇒ u = 0 (D2) d(u, v) = 0 ⇐⇒ u = v
(L3) ||kv|| = |k|||v|| (D3) d(u, v) = d(v, u)
(L4) ||v + u|| ≤ ||v|| + ||u|| (D4) d(u, v) ≤ d(u, w) + d(w, v)
Teorema 1.18. Sea V un espacio vectorial euclı́deo, entonces
||v + u||2 + ||v − u||2 = 2(||v||2 + ||u||2 )
En efecto.
||v + u||2 + ||v − u||2 = ⟨v + u, v + u⟩ + ⟨v − u, v − u⟩

= 2⟨v, v⟩ + 2⟨v, u⟩ − 2⟨v, u⟩ + 2⟨u, u⟩
= 2(||v||2 + ||u||2 )
Este teorema se conoce generalmente con el nombre de “Ley del Paralelogramo” debido
a que en el espacio euclı́deo IR2 con el producto escalar canónico (Ver Figura.1.3), esta
propiedad afirma
“La suma de los cuadrados de las longitudes de las diagonales de un paralelo-

gramo es igual a la suma de los cuadrados de las longitudes de los cuatro lados”.

Algebra lineal 35
Figura 1.3: Ley del Paralelogramo
Observación. La norma la podemos escribir equivalentemente ası́:
||v|| = ⟨v, v⟩1/2 ⇐⇒ ||v||2 = ⟨v, v⟩
entonces la desigualdad de Cauchy-Schwartz, se puede escribir ası́:
⟨u, v⟩2 ≤ ⟨v, v⟩ ⟨u, u⟩ ⇐⇒ ⟨u, v⟩2 ≤ ||v||2 ||u||2
o bien, después de tomar las raı́ces cuadradas, como:
|⟨u, v⟩| ≤ ||u|| ||v||
Demostración de la desigualdad triangular, por definición tenemos:
||v + u||2 = ⟨u + v, u + v⟩
= ⟨u, u⟩ + 2⟨u, v⟩ + ⟨v, v⟩
≤ ⟨u, u⟩ + 2|⟨u, v⟩| + ⟨v, v⟩
≤ ⟨u, u⟩ + 2||u|| ||v|| + ⟨v, v⟩
= ||u||2 + 2||u|| ||v|| + ||v||2 ⟩
= (||u|| + ||v||)2
Al tomar las raı́ces cuadradas da:
||v + u|| ≤ ||v|| + ||u||
La desigualdad triangular tiene una sencilla interpretación geométrica (ver Figura.1.4),

esta propiedad afirma
La suma de las longitudes de los lados más cortos de un

triángulo es mayor que la longitud del lado más largo.

Algebra lineal 36
Figura 1.4: Desigualdad triangular
Definición 1.11. Se dice que un vector u de un espacio vectorial euclı́deo V, es normali-

zado si ||u|| = 1.
Obsérvese que si u ̸= 0, entonces el vector

u
z=
||u||
es un vector normalizado.
Supóngase que los vectores u y v son vectores no nulos en un espacio vectorial euclı́deo.
La desigualdad de Cauchy- Schwartz, se puede escribir ası́:
( )2
⟨u, v⟩
⟨u, v⟩ ≤ ||v|| ||u|| ⇐⇒
2 2 2
≤1
||u||||v||
o, de modo equivalentemente,
⟨u, v⟩
−1 ≤ ≤1
||u||||v||
Como consecuencia de este resultado, existe un único ángulo θ tal que:
⟨u, v⟩
Cosθ = y 0≤θ≤π
||u||||v||
Ejemplo 1.60. Determine el coseno del ángulo θ entre los vectores con el producto interno
canónico
u = (4, 3, 1, −2) y v = (−2, 1, 2, 3)
Definición 1.12. En un espacio vectorial euclı́deo, se dice que dos vectores u y v son orto-
gonales si ⟨u, v⟩ = 0. Además, si u es ortogonal a cada vector en un conjunto W, se dice
que u es ortogonal a W.
Observación.
1. Si u y v son ortogonales, denotaremos por u⊥v
2. Si u es ortogonal al conjunto W, denoteremos por u⊥W

Algebra lineal 37
Ejemplo 1.61. Sea V = P2 [x] un espacio vectorial, con producto interior definido ası́:
∫1
⟨p(x), q(x)⟩ = p(x)q(x)dx
−1
Y sean los vectores p(x) = x y q(x) = x2
Entonces
[∫ 1 ]1/2 [∫ 1 ]1/2 √
2
||p(x)|| = ⟨p(x), p(x)⟩ = x xdx = x2 dx =
−1 −1 3
[∫ 1 ]1/2 [∫ 1 ]1/2 √
2
||q(x)|| = ⟨q(x), q(x)⟩ = 2
x x dx 2
= 4
x dx =
−1 −1 5
[∫ 1 ]1/2 [∫ 1 ]1/2
⟨p(x), q(x)⟩ = x x2 dx = x3 dx =0
−1 −1
Debido a que ⟨p(x), q(x)⟩, los vectores p(x) = x y q(x) = x2 son ortogonales en relación con
el producto interior dado.
Teorema 1.19. (Teorema de Pitágoras generalizado) Si u y v son vectores ortogonales
en un espacio vectorial euclı́deo, entonces:
||v + u||2 = ||v||2 + ||u||2
En efecto.
||v + u||2 = ⟨u + v, u + v⟩ = ||v||2 + 2⟨u, v⟩ + ||u||2

= ||v||2 + ||u||2
1.8. Bases ortonormales; Proceso de Gram Schmidt

Definición 1.13. .
Se dice que un conjunto de vectores en un espacio vectorial euclı́deo es un conjunto
ortogonal si todos los pares de vectores distintos dos a dos son ortogonales.
Sea conjunto ortogonal en el que cada vector tiene norma 1, se dice que es un conjunto
ortonormal.
Ejemplo 1.62. Sea V = IR3 un espacio vectorial con producto interior canónico y sean los
vectores ( ) ( )
1 1 1 1
v1 = (0, 1, 0), v2 = √ , 0, √ , v3 = √ , 0, − √
2 2 2 2
El conjunto S = {v1 , v2 , v3 } es ortonormal en IR , ya que:
3
⟨v1 , v2 ⟩ = ⟨v2 , v3 ⟩ = ⟨v1 , v3 ⟩ = 0
y
||v1 || = ||v2 || = ||v3 || = 1

Algebra lineal 38
Ejemplo 1.63. En el espacio vectorial euclı́deo V = P2 [x] se define el producto interno

∫1
⟨p, q⟩ = p(x)q(x)dx
−1
1
Probar que el conjunto {1, x, (3x2 − 1)} es ortogonal.
3
1
Solución. Definimos por p(x) = 1, q(x) = x y r(x) = (3x2 − 1). Entonces
3
∫1 [ 2 ]1
x
⟨p, q⟩ = xdx = = 0,
−1 2 −1
∫1
1 1[ 3 ]1
⟨p, r⟩ = (3x2 − 1)dx = x − x −1 = 0,
−1 3 3
∫1
1 1 [ 4 ]1 1 [ 2 ]1
⟨p, q⟩ = x (3x2 − 1)dx = x −1 − x −1 = 0
−1 3 4 6
de donde se deduce que el conjunto es ortogonal.
Teorema 1.20. Si S = {v1 , v2 , . . . , vn } es una base ortonormal para un espacio vectorial

con producto interior V y u es un vector arbitrario de V, entonces
u = ⟨u, v1 ⟩v1 + ⟨u, v2 ⟩v2 + · · · + ⟨u, vn ⟩vn
En efecto. Como S = {v1 , v2 , . . . , vn } es una base, entonces el vector u se puede expresar

como combinación lineal de la base, es decir:
u = k1 v1 + k2 v2 + · · · + kn vn
determinemos los coeficientes escalares ki , veamos:
⟨u, vi ⟩ = ⟨k1 v1 + k2 v2 + · · · + kn vn , vi ⟩
= k1 ⟨v1 , vi ⟩ + k2 ⟨v2 , vi ⟩ + · · · + ki ⟨vi , vi ⟩ + · · · + kn ⟨vn , vi ⟩
Dado que S = {v1 , v2 , . . . , vn } es una base ortonormal, se tiene
⟨vi , vi ⟩ = ||vi ||2 = 1 y ⟨vi , vj ⟩ = 0 si i ̸= j
Por lo tanto, la ecuación anterior se simplifica hasta obtener
ki = ⟨u, vi ⟩
( ) ( )
4 3 3 4
Ejemplo 1.64. Sea v1 = (0, 1, 0), v2 = − , 0, , v3 = , 0, . Es fácil de verificar
5 5 5 5
que β = {v1 , v2 , v3 } es una base ortonormal para el espacio vectorial IR3 , con el producto
interior euclidiano. Expresar el vector u = (1, 1, 1) como una combinación lineal de S.

Algebra lineal 39
Solución. Por el teorema.2.12 tenemos que
k1 = ⟨u, v1 ⟩ = ⟨(1, 1, 1), (0, 1, 0)⟩ = 1 ⇒ k1 = 1

( )
4 3 1 1
k2 = ⟨u, v2 ⟩ = ⟨(1, 1, 1), − , 0, ⟩ = − ⇒ k2 = −
5 5 5 5
( )
3 4 7 7
k3 = ⟨u, v3 ⟩ = ⟨(1, 1, 1), , 0, ⟩ = ⇒ k3 =
5 5 5 5
entonces
( ) ( )
1 4 3 7 3 4
u = k1 v1 + k2 v2 + k3 v3 ⇐⇒ (1, 1, 1) = 1(0, 1, 0) − − , 0, + , 0,
5 5 5 5 5 5
Ası́, obtenemos las coordenadas del vector u, es decir:

 
1
 1 
 − 
 
Cβ [u] =  5 
 
 7 
5
Teorema 1.21. Si S = {v1 , v2 , . . . , vn } es un conjunto ortogonal de vectores diferentes de
cero en un espacio vectorial euclı́deo, entonces S es linealmente independiente.
En efecto Sea la combinación lineal
0 = k1 v1 + k2 v2 + · · · + kn vn
Luego para cada vi ∈ S, y de acuerdo al teorema.2.12, se deduce que:
⟨k1 v1 + k2 v2 + · · · + kn vn , vi ⟩ = ⟨0, vi ⟩ = 0
o de modo equivalentemente,
k1 ⟨v1 , vi ⟩ + k2 ⟨v2 , vi ⟩ + · · · + ki ⟨vi , vi ⟩ + · · · + kn ⟨vn , vi ⟩ = 0
Por la ortogonalidad de S, ⟨vi , vj ⟩ = 0 si i ̸= j, de modo que esta ecuación se reduce a
ki ⟨vi , vi ⟩ = 0 ⇒ ki = 0
De manera análoga se demuestra que todos los ki son iguales a cero, ası́ S es linealmente
independiente.
Ejemplo 1.65. En el espacio vectorial V = IR3 con el producto escalar canónico, se consi-
deran los vectores x = (2, 1, −3), u1 = (1, 1, 0), u2 = (−1, 1, 2) y u3 = (−1, 1, −1). Probar que
β = {u1 , u2 , u3 } es una base ortogonal y obtener Cβ (x).

Algebra lineal 40
Solución. Vemos que

⟨u1 , u2 ⟩ = ⟨(1, 1, 0), (−1, 1, 2)⟩ = 0
⟨u1 , u3 ⟩ = ⟨(1, 1, 0), (−1, 1, −1)⟩ = 0
⟨u2 , u3 ⟩ = ⟨(−1, 1, 2), (−1, 1, −1)⟩ = 0
Por lo tanto β es una ortogonal. Luego por el teorema.1.21 es linealmente independiente, y
en consecuencia es una base de IR3 .
Ahora determinemos las coordenadas del vector x, pero como β es una base ortogonal,
entonces ortonormalizamos, es decir, tenemos:
u1 1 u2 1 u3 1
v1 = = √ (1, 1, 0), v2 = = √ (−1, 1, 2), v3 = = √ (−1, 1, −1)
||u1 || 2 ||u2 || 6 ||u3 || 3
Luego el conjunto {v1 , v2 , v3 } es una base ortonormal, entonces
3
k1 = ⟨x, v1 ⟩ = √
2
7
k2 = ⟨x, v2 ⟩ = − √
6
2
k3 = ⟨x, v3 ⟩ = √
3
Las componentes del vector x respecto de la base β son
( )
3 7 2
Cβ [x] = √ , − √ , √
2 6 3
Ejemplo 1.66. El conjunto de vectores S = {v1 , v2 , v3 }, donde
( ) ( )
1 1 1 1
v1 = (0, 1, 0), v2 = √ , 0, √ , v3 = √ , 0, − √
2 2 2 2
es un conjunto ortonormal con respecto al producto euclidiano canónico en el espacio IR3 ,
por el teorema anterior, estos vectores forman un conjunto linealmente independiente. Por
lo tanto, S es una base ortonormal para IR3
Teorema 1.22. Sea V un espacio vectorial con producto interior y M = {v1 , v2 , . . . , vr }, r ≤
n un conjunto ortonormal de vectores en V. Si W denota el espacio generado por v1 , v2 , . . . , vr ,
entonces todo vector u ∈ V se puede expresar en la forma:
u = w1 + w2
en donde w1 ∈ W y w2 es ortogonal a W (w2 ∈ W⊥ )

En efecto.
w1 = ⟨u, v1 ⟩v1 + ⟨u, v2 ⟩v2 + · · · + ⟨u, vr ⟩vr
y
w2 = u − ⟨u, v1 ⟩v1 − ⟨u, v2 ⟩v2 − · · · − ⟨u, vr ⟩vr

Algebra lineal 41
)⟩ V = IR tiene un producto interior euclidiano y que W =

3
Ejemplo
⟨ 1.67. Supóngase
( que
4 3
v1 = (0, 1, 0), v2 = − , 0, . La proyección ortogonal de u = (1, 1, 1) sobre W es:
5 5
ProyW u = ⟨u, v1 ⟩v1 + ⟨u, v2 ⟩v2
( )( )
1 4 3
= (1)(0, 1, 0) + − − , 0,
5 5 5
( )
4 3
= , 1, −
25 25
El componente de u ortogonal a W es
( ) ( ) ( )
4 3 21 28 7 3 4
u − ProyW u = (1, 1, 1) − , 1, − = , 0, = , 0,
25 25 25 25 5 5 5
Teorema 1.23. Todo espacio vectorial euclı́deo V, V ̸= {0} y de dimensión finita, entonces
el espacio vectorial V tiene una base ortonormal.
En efecto Sea V cualquier espacio vectorial euclı́deo, diferente del espacio cero y de di-
mensión n, y supóngase que S = {u1 , u2 , . . . , un } es cualquier base para V. La sucesión
siguiente de pasos produce una base ortonormal {v1 , v2 , . . . , vn } para V
u1
Paso 1. Sea v1 = el vector v1 que tiene norma 1
||u1 ||
Paso 2. Para construir un vector v2 de norma 1 que sea ortogonal a v1 se calcula la componente
de u2 ortogonal al espacio W1 generado por v1 y, a continuación, se normaliza, es
decir:
u2 − ProyW1 u2 u2 − ⟨u2 , v1 ⟩v1
v2 = =
||u2 − ProyW1 u2 || ||u2 − ⟨u2 , v1 ⟩v1 ||
Por supuesto, si u2 − ⟨u2 , v1 ⟩v1 = 0, no se puede llevar a cabo la normalización. Pero
esto no puede suceder ya que entonces arriba se tendrı́a
⟨u2 , v1 ⟩
u2 = ⟨u2 , v1 ⟩v1 = u1
||v1 ||
Lo cual estarı́amos diciendo que v2 es un múltiplo de u1 , y contradice la independen-
cia lineal de la base S = {u1 , u2 , . . . , un }
Paso 3. Para construir un vector v3 de norma 1 que sea ortogonal tanto a v1 como a v2 , se
calcula la componente de u3 ortogonal al espacio W2 generado por los vectores v1 y v2 ,
y luego se normaliza, es decir:
u3 − ProyW2 u3 u3 − ⟨u3 , v1 ⟩v1 − ⟨u3 , v2 ⟩v2
v3 = =
||u3 − ProyW2 u3 || ||u3 − ⟨u3 , v1 ⟩v1 − ⟨u3 , v2 ⟩v2 ||
Como en el paso 2, la independencia lineal de {u1 , u2 , . . . , un } asegura que
u3 − ⟨u3 , v1 ⟩v1 − ⟨u3 , v2 ⟩v2 ̸= 0
de modo que siempre se puede efectuar la normalización.

Algebra lineal 42
Paso 4. Para determinar un vector v4 de norma 1 que sea ortogonal tanto a v1 , v2 y v3 , se

calcula la componente de u4 ortogonal al espacio W3 generado por los vectores v1 , v2
y v3 , y luego se normaliza, es decir:
u4 − ProyW3 u4 u4 − ⟨u4 , v1 ⟩v1 − ⟨u4 , v2 ⟩v2 − ⟨u4 , v3 ⟩v3

v4 = =
||u3 − ProyW3 u4 || ||u4 − ⟨u4 , v1 ⟩v1 − ⟨u4 , v2 ⟩v2 − ⟨u4 , v3 ⟩v3 ||
Al continuar de esta manera, se obtiene un conjunto ortonormal de vectores {v1 , v2 , . . . , vn }.

Supuesto que V es de dimensión n, y todo conjunto ortonormal es linealmente inde-
pendiente, el conjunto {v1 , v2 , . . . , vn } es una bases ortonormal para V
La construcción paso a paso que acaba de darse, para convertir una base arbitraria
en una base ortonormal, se conoce como proceso de Gram- Schmidt.
Ejemplo 1.68. Considérese el espacio vectorial V = IR3 con el producto euclidiano inte-
rior. Aplı́quese el proceso de Gram- Schmidt para transformar la base u1 = (1, 1, 1), u2 =
(0, 1, 1), u3 = (0, 0, 1) en una base ortonormal.
Solución.
( )
u1 1, 1, 1
Paso 1. v1 = = √
||u1 || 3
Paso 2.
u2 − ProyW1 u2 = u2 − ⟨u2 , v1 ⟩v1

( )
2 1 1 1
= (0, 1, 1) − √ √ , √ , √
3 3 3 3
( )
2 1 1
= − , ,
3 3 3
Por lo tanto,
( ) ( )
u2 − ProyW1 u2 3 2 1 1 2 1 1
v2 = =√ − , , = −√ , √ , √
||u2 − ProyW1 u2 || 6 3 3 3 6 6 6
Paso 3.
u3 − ProyW2 u3 = u3 − ⟨u3 , v1 ⟩v1 − ⟨u3 , v2 ⟩v2

( ) ( )
1 1 1 1 1 2 1 1
= (0, 0, 1) − √ √ , √ , √ −√ −√ , √ , √
3 3 3 3 6 6 6 6
( )
1 1
= 0, − ,
2 2
Por lo tanto,
( ) ( )
u3 − ProyW2 u3 √ 1 1 1 1
v3 = = 2 0, − , = 0, − √ , √
||u3 − ProyW2 u3 || 2 2 2 2

Algebra lineal 43
Por consiguiente,
( ) ( ) ( )
1, 1, 1 1 1 1 1
v1 = √ , v2 = 0, − , , v3 = 0, − √ , √
3 2 2 2 2
forman una base ortonormal para el espacio vectorial V = IR3
1.9. Coordenadas; Cambio de base

Existe una estrecha relación entre la noción de base y la de sistema de coordenadas. En
esta sección se desarrolla esta idea y se analizan también resultados acerca del cambio de
bases para los espacios vectoriales.
Supóngase que S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimensión

finita V. Dado que S genera el espacio vectorial V, todo vector en V se puede expresar como
combinación lineal de los vectores en S. Es más, la independencia lineal de S asegura que
existe una única manera de expresar un vector como combinación lineal de los vectores en
S, es decir:
v = c1 v1 + c2 v2 + · · · + cn vn
y también como
v = k1 v1 + k2 v2 + · · · + kn vn
Al restar la segunda ecuación de la primera da:
0 = (c1 − k1 )v1 + (c2 − k2 )v2 + · · · + (cn − kn )vn
ya que el segundo miembro de esta ecuación es una combinación lineal de los vectores de
S, la independencia lineal de S implica que:
c1 − k1 = 0, c2 − k2 = 0, . . . , cn − kn = 0
es decir,
c1 = k1 , c2 = k2 , . . . , cn = kn
En resumen, se tiene el siguiente resultado:
Teorema 1.24. Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V, entonces

todo vector v ∈ V se puede expresar en la forma v = c1 v1 + c2 v2 + · · · + cn vn , exactamente de
una manera única.
Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimensión finita y
v = c1 v1 + c2 v2 + · · · + cn vn
es la expresión para v en términos de la base S, entonces los escalares c1 , c2 , . . . , cn se

denominan coordenadas de v relativas a la base S. El vector coordenadas de v relativo
a S se denota CS [v] y es el vector en IRn definido por

Algebra lineal 44
CS [v] = (c1 , c2 , . . . , cn )
La matriz de coordenadas de v relativa a S se denota CS [v] y es la matriz de IRn×1 definida
por  
c1
 c2 
 
CS [v] =  . 
 . 
.
cn
Ejemplo 1.69. Sea β = {v1 , v2 , v3 } una base del espacio vectorial V = IR3 , donde v1 =
(1, 2, 1), v2 = (2, 9, 0) y v3 = (3, 3, 4)
1. Determinase el vector de coordenadas y la matriz de coordenadas de v = (5, −1, 9)

con respecto a β.
Solución. Expresamos el vector v como combinación lineal de los vectores de la base

β, es decir:
v = xv1 + yv2 + zv3

(5, −1, 9) = x(1, 2, 1) + y(2, 9, 0) + z(3, 3, 4)
(5, −1, 9) = (x + 2y + 3z, 2x + 9y + 3z, x + 4z)
como tenemos una igualdad, entonces igualamos las respectivas componentes, es de-
cir, se tiene el siguiente sistema lineal
 

 x + 2y + 3z = 5 
 x= 1
2x + 9y + 3z = −1 ⇒ y = −1

 

x + 4z = 9 z= 2
entonces las coordenadas de v en esta base es:

 
1
 
Cβ [v] =  −1 
2
2. Determinase el vector en IR3 cuyo vector de coordenadas con respecto a β sea

 
−1
 
Cβ [w] =  3 
2
Solución.
w = (−1)v1 + (3)v2 + (2)v3
w = (−1)(1, 2, 1) + (3)(2, 9, 0) + (2)(3, 3, 4)
w = (11, 31, 7)

Algebra lineal 45
1.9.1. Problema de cambio de base

Si se cambia la base para un espacio vectorial, de cierta base β1 a otra base β2 , ¿En
qué forma está relacionada la matriz de coordenadas en aquélla, [v]β1 , de un vector v con
la nueva matriz de cambo de coordenadas [v]β2 ?
Por sencillez, se resolverá este problema para espacios vectoriales bidimensionales. La

solución para los espacios vectoriales con dimensión n es semejante. Sean
β1 = {u1 , u2 } y β2 = {v1 , v2 }
las bases inicial y nueva, respectivamente. Se necesitan las matrices de coordenadas para
los vectores de la base inicial, con relación a la nueva base. Supóngase que son:
[ ] [ ]
a c
Cβ2 [u1 ] = y Cβ2 [u2 ] = (1.3)
b d
es decir,
u1 = av1 + bv2 (1.4)

u2 = cv1 + dv2
Sea v cualquier vector de V y [ ]

k1
Cβ1 [v] = (1.5)
k2
la matriz de coordenadas inicial, de modo que
v = k1 u1 + k2 u2 (1.6)
Para determinar las nuevas coordenadas de Cβ2 [v], se debe expresar v en términos de
la nueva base β2 , es decir hallar ¿Cβ2 [v]? Para hacerlo, se reemplaza (1.4) en (1.6), esto
conduce a
v = k1 u1 + k2 u2 = k1 (av1 + bv2 ) + k2 (cv1 + dv2 )
o bien
v = (k1 a + k2 c)v1 + (k1 b + k2 d)v2 )
Por lo tanto, la nueva matriz de coordenadas de v es
[ ]
k1 a + k2 c
Cβ2 [v] =
k1 b + k2 d
la cual se puede volver a escribir como

[ ][ ] [ ]
a c k1 a c
Cβ2 [v] = ⇐⇒ Cβ2 [v] = Cβ1 [v]
b d k2 b d

Algebra lineal 46
En esta ecuación se afirma que es posible obtener la nueva matriz de cambio de coordena-
das Cβ2 [v], multiplicándose la matriz de coordenadas inicial, Cβ1 [v] del primer miembro,
por la matriz [ ]
a c
P=
b d
cuyas columnas son las coordenadas de los vectores de la base inicial, con relación a la
nueva base (1.3). Ası́ entonces, se tiene la solución siguiente del problema del cambio de
base.
Solución del problema del cambio de base. Si se cambia la base para un espacio
vectorial V, de cierta base β1 = {u1 , u2 , . . . , un } hacia otra nueva base β2 = {v1 , v2 , . . . , vn }
entonces la matriz de coordenadas inicia, [v]β1 , de un vector v está relacionada con la nueva
matriz de coordenadas [v]β2 por medio de la ecuación
[v]β2 = P[v]β1 (1.7)
en donde las columnas de P son las matrices de coordenadas de los vectores de la base
inicial con respecto a la nueva base, es decir los vectores columnas de P son
[u1 ]β2 , [u2 ]β2 , . . . , [un ]β2
Simbólicamente, la matriz P se puede escribir
P = [[u1 ]β2 | [u2 ]β2 | · · · |[un ]β2 ]
esta matriz se conoce como la matriz de cambio o de transición de la base β1 a la nueva

base β2
Ejemplo 1.70. Sea S = {u1 = (1, 2, 1), u2 = (2, 9, 0), u3 = (3, 3, 4)} una base para el
espacio vectorial V = IR3
1. Determinase las coordenadas y la matriz de coordenadas del vector v = (5, −1, 9)

respecto de la base S.
2. Encuéntrese el vector v en IR3 cuyo vector de coordenadas con respecto a la base S es

CS (v) = (−1, 3, 2)
Solución.
1. Es necesario determinar los escalares c1 , c2 , c3 tales que
v = c1 u1 + c2 u2 + c3 u3
o, en términos de sus coordenadas es:
(5, −1, 9) = c1 (1, 2, 1) + c2 (2, 9, 0) + c3 (3, 3, 4)

Algebra lineal 47
Al igualar las componentes correspondientes se tiene:
c1 + 2c2 + 3c3 = 5
2c1 + 9c2 + 3c3 = −1
c1 + 4c3 = 9
Al resolver este sistema se obtiene c1 = 1, c2 = −1, c3 = 2. Por lo tanto,

 
1
 
CS [v] = (1 − 1, 2) y CS [v] =  −1 
2
2. Aplicando la definición del vector de coordenadas CS (v), se obtiene
v = (−1)u1 + 3u2 + 2u3 = (11, 31, 7)
Observación. Los vectores y las matrices de coordenadas dependen del orden en el que
se escriban los vectores de la base, un cambio de orden de los vectores base conduce a un
cambio correspondiente en el orden de los elementos de las matrices y los vectores de coor-
denadas.
Ejemplo 1.71. Si S = {v1 , v2 , . . . , vn } es una base ortonormal de un espacio vectorial con

producto interior V, entonces, por el teorema.2.12, la expresión para un vector u en térmi-
nos de la base S es
u = ⟨u, v1 ⟩v1 + ⟨u, v2 ⟩v2 + · · · + ⟨u, vn ⟩vn
lo cual significa que
(u)S = (⟨u, v1 ⟩, ⟨u, v2 ⟩, . . . , ⟨u, vn ⟩)
y  
⟨u, v1 ⟩
 ⟨u, v2 ⟩ 
 
[u]S =  .. 
 . 
⟨u, vn ⟩
Teorema 1.25. Si P es la matriz de cambio desde una base β1 hacia una base β2 entonces
1. P es inversible
2. P−1 es la matriz de cambio de la base β2 hacia la base β1 .
Teorema 1.26. Si P es la matriz de cambio desde una base ortonormal hacia otra base
ortogonal, para un espacio vectorial con producto interior, entonces
P−1 = Pt

Algebra lineal 48
Definición 1.14. Una matriz cuadrada A con la propiedad de que
A = At
se denomina matriz ortogonal
Teorema 1.27. Las proposiciones que siguen son equivalentes
a) A es ortogonal
b) Los vectores filas de A forman un conjunto ortonormal en IRn , con el producto interior
euclidiano interior.
c) Los vectores columnas de A forman un conjunto ortonormal en IRn , con el producto

interior euclidiano interior.
Ejemplo 1.72. Sea la matriz  

√1 0 √1
 2
 2
A= 0 0 1 
√1 − √12 0
2
Los vectores filas de A son

( ) ( )
1 1 1 1
f1 = √ , √ , 0 , f2 = (0, 0, 1), f3 = √ , − √ , 0
2 2 2 2
con relación al producto interior euclidiano, se tiene
||f1 || = ||f2 || = ||f3 || = 1
y
f1 .f2 = f1 .f3 = f2 .f3 = 0
de modo que los vectores filas de A forman un conjunto ortonormal en IR3 . Por lo tanto, A
es una matriz ortogonal y
 1 
√ 0 √1
 2 2

A−1 = At =  √12 0 − √12 
0 1 0
1.9.2. Trabajo Encargado

En los siguientes ejercicios se da un conjunto de objetos con las operaciones de adición y
multiplicación escalar. Determine cuáles de los conjuntos son espacios vectoriales bajo las
operaciones dadas. Para aquéllos que no lo son, liste todos los axiomas que no se cumplen:
1. El conjunto de todas las ternas de números reales (x, y, z) ∈ IR3 con las operaciones:
(x, y, z) + (x ′ , y ′ , z ′ ) = (x + x ′ , y + y ′ , z + z ′ )
λ(x, y, z) = (0, 0, 0)

Algebra lineal 49
2. El conjunto de todos los números reales x con las operaciones estándar de adición y
multiplicación.
3. El conjunto de todas las matrices de orden 2 × 2 de la forma

[ ]
a 1
1 b
con la adición de matrices y la multiplicación escalar.
4. El conjunto de todas las matrices de orden 2 × 2 de la forma

[ ]
a 0
0 b
con la adición de matrices y la multiplicación escalar.
5. Justifique que una recta que pasa por el origen de IR3 es un espacio vectorial bajo las
operaciones estándar sobre IR3
6. Dado el vector no nulo v = (a, b) y el vector v0 = (x0 , y0 ), demuestre que la recta que
pasa por v0 y es paralela a la recta en la que se encuentra v puede ser descrita de la
siguiente manera
L = {(x, y) / (x, y) = (x0 , y0 ) + t(a, b), t ∈ IR}
de donde se puede deducir que la ecuación de la recta L, puede escribirse como

{
x = x0 + at
L: t ∈ IR
y = y0 + bt
Describa geométricamente las siguientes rectas en el plano:

{ {
x=2+t x=t
(a) L : t ∈ IR (b) L : t ∈ IR
y = −1 + t y=t
{ {
x = 3t x = 4t
(c) L : t ∈ IR (d) L : t ∈ IR
y = −2 − t y = 4t
7. Considere las rectas L1 y L2 dadas por:

{ {
x = x0 + at x = x1 + cr
L1 : , t ∈ IR L2 : , r ∈ IR
y = y0 + bt y = y1 + dr
a) Compruebe que L1 y L2 se cortan en un sólo punto si, y sólo si cb − ad ̸= 0.

b) Demuestre que si cb − ad ̸= 0, el punto en donde L1 y L2 se cortan es
c(y1 − y0 ) − d(x1 − x0 )
x = x0 + a
cb − ad
c(y1 − y0 ) − d(x1 − x0 )
y = y0 + b
cb − ad

Algebra lineal 50
8. Determinar cuáles de los siguientes conjuntos son subespacios de V = IR3
a) Todos los vectores de la forma (a, 0, 0), a ∈ IR

b) Todos los vectores de la forma (a, 0, 1), a ∈ IR
b) Todos los vectores de la forma (a, b, c), en donde b = a + c
9. Diga si cada uno de los siguientes subconjuntos del espacio vectorial IRn son subespa-
cios o no lo son:
a) A = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 + x2 + · · · + xn = 0}
b) B = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = x2 = · · · = xn }
c) C = {(x1 , x2 , . . . , xn ) ∈ IRn / c1 x1 + c2 x2 + · · · + cn xn = 0}
d) D = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = x2 = 0}
e) E = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = 1}
f) F = {(x1 , x2 , . . . , xn ) ∈ IRn / x21 + x22 + · · · + x2n = 0}
10. Determinar cuáles de los siguientes conjuntos son subespacios de V = IR2×2
a) Todas las matrices de la forma

[ ]
a b
, a, b, c, d ∈ ZZ
c d
b) Todas las matrices A ∈ IR2×2 tales que: A = At

c) Todas las matrices A ∈ IR2×2 tales que: D(A) = 0
11. Determinar cuáles de los siguientes conjuntos son subespacios de V = P3 [x]
a) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 0

b) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 1
c) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 , a1 , a2 , a3 ∈ ZZ
12. Exprese los siguientes vectores como combinación lineal de los vectores de M, donde:
M = { v1 = (2, 1, 4), v2 = (1, −1, 3), v3 = (3, 2, 5) }
(A) a = (5, 9, 5) (B) b = (2, 0, 6) (C) c = (2, 2, 3)
13. Exprese los siguientes polinomios como combinación lineal de
Si p1 (x) = 2+x+4x2 , p2 (x) = 1−x+3x2 , p3 (x) = 3+2x+5x2 ∧ M = {p1 (x), p2 (x), p3 (x)}
(a) 5 + 9x + 5x2 (b) 2 + 6x2 (c) 2 + 2x + 3x2

Algebra lineal 51
14. En cada inciso determine si los vectores generan al espacio IR3
(a) v1 = (1, 1, 1), v2 = (2, 2, 0), v3 = (3, 0, 0)

(b) v1 = (2, −1, 3), v2 = (4, 1, 2), v3 = (8, −1, 8)
(c) v1 = (3, 1, 4), v2 = (2, −3, 5), v3 = (5, −2, 9), v4 = (1, 4, −1)
15. Halle una ecuación para el plano generado por los vectores u = (1, 1, −1) y v = (2, 3, 5)
16. Describa explı́citamente los siguientes subespacios de IR3 :
a) L = ⟨(1, 2, −1)⟩
b) P = ⟨(1, 1, 0), (−3, 3, 0)⟩
c) M = ⟨(5, 1, 2), (6, 1, 3), (−1, 0, 1)⟩
17. Considere el subespacio de IR3 dado por
P = {(x, y, z) / 2x − 3y + 5z = 0}
Encuentre dos vectores v1 y v2 en P que generen este subespacio. ¿Puede el plano P

ser generado por un sólo vector?
18. ¿Cuáles de los siguientes conjuntos en IR3 son L. I. o L. D.?
a) { (2, −1, 4), (3, 6, 2), (2, 10, −4) }

b) { (3, 1, 1), (2, −1, 5), (4, 0, −3) }
c) { (6, 0, −1), (1, 1, 4) }
d) { (1, 3, 3), (0, 1, 4), (5, 6, 3), (7, 2, −1) }
19. ¿Cuáles de los siguientes conjuntos en el espacio vectorial P2 [x] son L. I. o L. D.?
a) M = { 2 − x + 4x2 , 3 + 6x + 2x2 , 2 + 10x − 4x2 }

b) N = { 3 + x + x2 , 2 − x + 5x2 , 4 − 3x2 }
c) P = { 6 − x2 , 1 + x + 4x2 }
20. ¿Para cuáles valores de λ los vectores que siguen forman un conjunto L. D. en el
espacio vectorial IR3
( ) ( ) ( )
1 1 1 1 1 1
v1 = λ, − , − , v2 = − , λ, − , v1 = − , − , λ
2 2 2 2 2 2
21. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores en un espacio vectorial V. Demuestre

que si uno de los vectores es el vector nulo, entonces S es L. D.
22. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores L. I. en un espacio vectorial V.

Demuestre que todo subconjunto de S con uno o más vectores también es L. I.

Algebra lineal 52
23. Si {v1 , v2 , v3 } es un conjunto de vectores L. I. en un espacio vectorial V demuestre que:
A = {v1 , v2 }, B = {v1 , v3 }, C = {v2 , v3 }, D = {v1 }, E = {v2 } y F = {v3 }
son también conjuntos linealmente independientes.
24. Si {v1 , v2 , v3 } es un conjunto de vectores L. D. en un espacio vectorial V demuestre

que: {v1 , v2 , v3 , v4 }, también es linealmente dependiente, donde v4 es cualquier otro
vector de V.
25. ¿Cuáles de los siguientes conjuntos de vectores son bases para el espacio vectorial IR2
(a) A = {(2, 1), (3, 0)} (b) B = {(0, 0), (1, 3)} (c) C = {(3, 9), (−4, 12)}
26. ¿Cuáles de los siguientes conjuntos de vectores son bases para el espacio vectorial IR3
(a) A = {(1, 0, 0), (2, 2, 0), (3, 3, 3)} (b) B = {(3, 1, −4), (2, 5, 6), (1, 4, 8)}
(c) C = {(1, 6, 4), (2, 4, −1), (−1, 2, 5)}
27. ¿Cuáles de los siguientes conjuntos de vectores son bases para el espacio vectorial P2
(a) A = {1 − 3x + 2x2 , 1 + x + 4x2 , 1 − 7x}

(b) B = {4 + 6x + x2 , −1 + 4x + 2x2 , 5 + 2x − x2 }
(c) C = {1 + x + x2 , x + x2 , x2 }
28. Determine la dimensión del espacio de soluciones del sistema que se da y encuentre
una base para él
 

 x1 + x2 − x3 = 0 
 x1 − 3x2 + x3 = 0
a) −2x1 − x2 + 2x3 = 0 a) 2x1 − 6x2 + 2x3 = 0

 

−x1 + x3 = 0 3x1 − 9x2 + 3x3 = 0
29. Determine bases para los subespacios de IR3 que siguen:
(a) El Plano: 3x − 2y + 5z = 0
(b) El Plano: x−y=0


 x = 2t,
(c) La recta: y = −t, t ∈ IR

 z = 4t
(d) Todos los vectores de la forma (a, b, c) en donde b = a + c
30. Describa explı́citamente los siguientes subespacios de IR3
a) W1 = ⟨(1, 2, −1)⟩
b) W2 = ⟨(2, 1, 4), (3, −1, 0)⟩

Algebra lineal 53
c) W3 = ⟨(1, 1, 0), (3, −3, 0)⟩

d) W4 = ⟨(2, 1, 2), (−1, 0, 4), (3, 1, 4)⟩
e) W5 = ⟨(1, 1, 2), (4, 2, 1), (3, 1, −1), (−1, 1, 5)⟩
31. Sean W1 y W2 subespacios vectoriales de IR3 , donde:
W1 = {(x, y, z) / x + y + z = 0}, W2 = {(x, y, z) / 2x − y + z = 0}
a) Describa explı́citamente el subespacio W1 ∩ W2

b) Demuestre que W1 + W2 es todo IR3
32. En el espacio vectorial IR3 se considera dos bases
β1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}

β2 = {(2, 1, 2), (1, 0, 3), (−1, 4, −2)}
a) Determine las coordenadas del vector v = (1, 1, 3) en la base β1

b) Determine las coordenadas del vector v = (1, 1, 3) en la base β2
c) Determine la matriz de cambio de base de β1 a β2
d) Determine la matriz de cambio de base de β2 a β1
33. Sea β = {v1 , v2 } una base del espacio vectorial IR2 , suponga que:
Cβ [(1, 1)] = (2, 3) Cβ [(−1, 1)] = (3, 5)
Determine los vectores de la base β
34. Sea β = {v1 , v2 , v3 } una base del espacio vectorial P2 [x], suponga que:
Cβ [1 + x] = (2, 1, 0) Cβ [2 − x + x2 ] = (1, 1, 1), Cβ [x − x2 ] = (−1, 3, 2)

35. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
⟨u, v⟩ = 3u1 v1 + 2u2 v2
Calcule ⟨u, v⟩ :
(a) u = (2, −1) y v = (−1, 3) (b) u = (4, 6) y v = (4, 6)
36. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores cualesquiera del espacio

P2 , entonces la siguiente ecuación se define un producto interno sobre P2
⟨p, q⟩ = a0 b0 + a1 b1 + a2 b2
Calcule ⟨p, q⟩:
(a) p = −1 + 2x + x2 y q = 2 − 4x2 (b) p = −3 + 2x + x2 y q = 2 + 4x − 2x2

Algebra lineal 54
37. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 . Demuestre que las
siguientes expresiones son productos interiores sobre IR2
(a) ⟨u, v⟩ = 6u1 v1 + 2u2 v2 (b) ⟨u, v⟩ = 2u1 v1 + u2 v1 + u1 v2 + 2u2 v2
38. Sean u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son vectores del espacio vectorial IR3 . Determine
cuáles de las expresiones siguientes son productos interiores sobre IR3 . Para los que no
lo sean, liste los axiomas que no se cumplen:
(a) ⟨u, v⟩ = u1 v1 + u3 v3 (b) ⟨u, v⟩ = u21 v21 + u22 v22 + u23 v22
(c) ⟨u, v⟩ = 2u1 v1 + u2 v2 + 4u3 v3 (d) ⟨u, v⟩ = u1 v1 − u2 v2 + u3 v3
39. Suponga que IR2 tiene el producto interior euclidiano. Aplique la desigualdad de
Cauchy - Schwartz a los vectores u = (a, b) y v = (Cosθ, Senθ) para demostrar
que se cumple: |aCosθ + bSenθ| ≤ a2 + b2
40. Sean c1 ≥ 0, c2 ≥ 0, c3 ≥ 0 y suponga que u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son

vectores del espacio vectorial IR3 . Demuestre que:
⟨u, v⟩ = c1 u1 v1 + c2 u2 v2 + c3 u3 v3
es un producto interior sobre IR3 .
41. Aplique el producto interior

∫1
⟨p, q⟩ = p(x)q(x)dx
−1
para calcular ⟨p, q⟩ para los vectores p = p(x) y q = q(x) en P3
(a) p(x) = 1 − x + x2 + 5x3 q(x) = x − 3x3 (b) p(x) = x − 5x3 q(x) = 2 + 8x2
42. Sean f(x), g(x) ∈ V = C[0, 1]. Pruebe que:

[∫ 1 ]2 [∫ 1 ] [∫ 1 ]
a) f(x)g(x)dx ≤ 2
f (x)dx 2
g (x)dx
0 0 0
[∫ 1 ]1/2 [∫ 1 ]1/2 [∫ 1 ]1/2
b) 2
[f(x) + g(x)] dx ≤ 2
f (x)dx + 2
g (x)dx
0 0 0
43. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
⟨u, v⟩ = 3u1 v1 + 2u2 v2
Halle ||w||
(a) w = (−1, 3) (b) w = (6, 7) (c) w = (0, 1) (d) w = (0, 0)

Algebra lineal 55
44. Suponga que IR4 tiene el producto interior euclidiano. Halle dos vectores de norma 1
ortogonales a todos los vectores u = (2, 1, −4, 0), v = (−1, −1, 2, 2), w = (3, 2, 5, 4)
45. Sea V es un espacio vectorial con producto interior. Demuestre que si w es ortogonal
a u1 como u2 , entonces es ortogonal a k1 u1 + k2 u2 , para todos los escalares k1 , k2 ∈ IR
a cada uno de los vectores M = {u1 , u2 , . . . , ur }, entonces w es ortogonal a la combina-
ción lineal de los vectores de M.
47. Sea V = IR4 es un espacio vectorial con producto euclidiano interior. Aplique el pro-
ceso de Gram Schmidt para transformar la base β1 = {u1 , u2 , u3 , u4 } en una base
ortonormal.
u1 = (0, 2, 1, 0), u2 = (1, −1, 0, 0), u3 = (1, 2, 0, −1), u4 = (1, 0, 0, 1)
48. Sea {v1 , v2 , v3 } una base ortonormal para un espacio vectorial V con producto interior.
Sea w un vector arbitrario de V, entonces demostrar que:
||w||2 = ⟨w, v1 ⟩2 + ⟨w, v2 ⟩2 + ⟨w, v3 ⟩2
49. Halle la matriz de coordenadas y el vector de coordenadas para w, con relación a la

base S = {u1 , u2 }
a) u1 = (2, −4), u2 = (3, 8), w = (1, 1)

b) u1 = (1, 1), u2 = (0, 2), w = (a, b)
50.

Algebra lineal 56
Segundo examen de Algebra Lineal y Vectorial (Grupo A)

1. Describa explı́citamente los siguientes subespacios del espacio vectorial IR3 :
⟨ ⟩ ⟨ ⟩
a) L = (1, 2, −1) b) P = (1, 1, 0), (−3, 3, 0)
[2 Puntos]
2. Determinar cuáles de los siguientes conjuntos son subespacios del espacio vectorial
V = P2 [x]
a) Todos los polinomios a0 + a1 x + a2 x2 para los que a0 = 0

b) Todos los polinomios a0 + a1 x + a2 x2 para los que a0 = 2
[3 Puntos]
3. ¿Cuáles de los siguientes conjuntos en el espacio vectorial P2 [x] son L. I. o L. D.?
a) M = { 2 − x + 4x2 , 3 + 4x + 2x2 , 2 + 10x − 4x2 }

b) N = { 3 + x + x2 , 2 − x + 5x2 , 4 − 3x2 }
[3 Puntos]
4. Sean W1 y W2 subespacios vectoriales de IR3 , donde:

W1 = {(x, y, z) / x + y + z = 0}, W2 = {(x, y, z) / 2x − y + z = 0}
a) Describa explı́citamente el subespacio W1 ∩ W2
b) Demuestre que W1 + W2 es todo IR3
[4 Puntos]
5. Sea β = {v1 , v2 , v3 } una base del espacio vectorial P2 [x], suponga que:
Cβ [1 + x] = (2, 1, 0) Cβ [2 − x + x2 ] = (1, 1, 1), Cβ [x − x2 ] = (−1, 3, 2)
[3 Puntos]

a u1 como u2 , entonces es ortogonal a k1 u1 + k2 u2 , para todos los escalares k1 , k2 ∈ IR
[2 Puntos]
7. Sea {v1 , v2 , v3 } una base ortonormal para un espacio vectorial V con producto interior.
Sea w un vector arbitrario de V, entonces demostrar que:
||w||2 = ⟨w, v1 ⟩2 + ⟨w, v2 ⟩2 + ⟨w, v3 ⟩2
[3 Puntos]

Capı́tulo 2
Transformaciones lineales
Introducción
Hemos dedicado bastante tiempo trabajando con espacios vectoriales, en particular con
el espacio vectorial IRn , es el momento de pasar a las relaciones entre dos espacios vectoria-
les.
Por lo general, las relaciones entre dos conjuntos X e Y se estudian mediante funcio-
nes. Ya conocemos, la noción de función o transformación f : X → Y que transforma el
conjunto X en el conjunto Y. Además las funciones reales son bien conocidas por los estu-
diantes. Por ejemplo, las funciones trigonométricas Senx y Cosx, o la función exponencial
ex son funciones de las que se conocen sus propiedades. Estas funciones hacen corresponder
a un número real otro número real mediante una “regla” preestablecida. También posible-
mente sean conocidas las funciones de dos o más variables, como por ejemplo la función
f(x, y) = x2 + y2 , definida en IR2 y con valores en IR. Podemos recordar también funciones
complejas eix o la función módulo de un número complejo. En los ejemplos anteriores siem-
pre se obtiene, con la aplicación de la regla, un número real (o compleja) llamado imagen.
Cuando la imagen no es un número real o compleja a las funciones se les denomina apli-
caciones. Veamos algunos ejemplos de aplicaciones definidas en IR2 .
Sean V y W dos espacios vectoriales. En este capı́tulo se trata de cierto tipo de aplica-
ciones
T :V→W
Tanto V y W están dotados de una estructura algebraica resultante de las operaciones de
suma vectorial y multiplicación por un escalar. Trabajaremos con aplicaciones T : V → W
que, en cierto modo, preservan esta estructura algebraica. Estas aplicaciones se conocen co-
mo transformaciones lineales. En la sección 1 definimos las transformaciones lineales que
transforman un espacio vectorial en otro, daremos varios ejemplos y estableceremos algu-
nas propiedades elementales de las transformaciones lineales. En las secciones siguientes
se tratan de transformaciones lineales y su relación con los conceptos matriciales que he-
mos estudiado.
57
CAPÍTULO 2. TRANSFORMACIONES LINEALES 58
Definición 2.1. Sean V y W dos espacios vectoriales sobre IR. Una transformación li-
neal T de V en W es una aplicación que asigna a cada vector v ∈ V un único vector w ∈ W
y que satisface, para cualquier par de vectores u, v y todo escalar λ ∈ IR, dos condiciones:
a) T (u + v) = T (u) + T (v) (Preservación de la suma)
b) T (λu) = λT (u) (Preservación de la multiplicación por un escalar)
Ejemplo 2.1. Determinar si la siguiente función h : IR → IR, donde h(x) = Senx, es una
transformación lineal.
Solución. Sabemos que (π π) π π

Sen + ̸= Sen + Sen
4 4 4 4
(π √ √
π) π π π 2 2 √
porque Sen + = Sen = 1, mientras que Sen + Sen = + = 2
4 4 2 4 4 2 2
Ası́ que, “h(x) = Senx” no es una transformación lineal, pues no preserva la suma.
El siguiente ejemplo describe todas las transformaciones lineales T : IR → IR, que como
se puede ver son todas funciones sencillas.
Ejemplo 2.2. Demostrar que la siguiente función T : IR → IR es una transformación lineal,
T (x) = ax, ∀x ∈ IR ∧ a ∈ IR (2.1)
En efecto.
Sean x, y dos números reales arbitrarios, entonces
T (x + y) = a(x + y)
= ax + ay
= T (x) + T (y)
ası́ T preserva la suma.
Sean ∀ x ∈ IR, ∀ λ ∈ IR
T (λx) = a(λx)
= λ(ax)
= λT (x)
Ası́ T preserva la multiplicación por escalares.
Por lo tanto T es una transformación lineal.

Ejemplo 2.3. Consideremos en IR2 la proyección ortogonal sobre el eje de abscisas (ver
Figura.2.1) que representa una aplicación P : IR2 → IR definida por P(x, y) = x es una
transformación lineal. Esquemáticamente lo representamos por:
P : IR2 −→ IR
(x, y) −→ P(x, y) = x
Se observa que P es una transformación lineal.
En efecto. Sean u = (x1 , y1 ) y v = (x2 , y2 ) dos vectores arbitrarios de IR2 , entonces u + v =

(x1 + x2 , y1 + y2 ) de modo que
P(u + v) = P(x1 + x2 , y1 + y2 ) = x1 + x2 = P(x1 , y1 ) + P(x2 , y2 ) = P(u) + P(v)
Ası́ P preserva la suma.
P[λ(u)] = P(λ x, λ y) = λ x = λP(x, y) = λP(u).
Ası́ P preserva la multiplicación por escalares.
Figura 2.1: Proyección ortogonal sobre el eje de abscisas
Por lo tanto P es una transformación lineal.
Ejemplo 2.4. Demostrar que la función Pxi : IRn → IR definida por Pxi (x1 , x2 , . . . , xn ) = xi es
una transformación lineal.
Solución. La solución es análoga a la del ejemplo anterior.
Ejemplo 2.5. Sea V cualquier espacio vectorial. La aplicación T : V → V definida por

T (u) = u se conoce como la transformación identidad sobre V, el cual denotaremos por
Id = T . Es fácil de mostrar que es una transformación lineal.
Nota. Si T : V → V es una transformación lineal definida de un espacio vectorial V en

si mismo, entonces T es llamado un operador lineal sobre V.

Ejemplo 2.6. Consideremos la aplicación de IR2 que a cada vector le hace corresponder
el simétrico respecto del eje horizontal (ver Figura.2.2). Si u = (x, y) ∈ IR2 , la simetrı́a
respecto de este eje se puede escribir como
Sx : IR2 −→ IR2
(x, y) −→ Sx (x, y) = (x, −y)
Otra vez observamos que se cumplen las propiedades
Si x = (x1 , y1 ) e y = (x2 , y2 ) son dos vectores arbitrarios de IR2 entonces
Sx (x + y) = Sx (x1 + x2 , y1 + y2 )
= (x1 + x2 , −[y1 + y2 ])
= (x1 , −y1 ) + (x2 , −y2 )
= Sx (x) + Sx (y)
Por otro lado si x = (x1 , y1 ) vector arbitrario de IR2 y λ es un escalar arbitrario de IR se

tiene:
Sx (λx) = Sx [λ(x, y)]
= Sx (λx, λy)
= (λx, −λy)
= λ(x, −y)
= λSx (x)
Ası́ Sx es una transformación lineal.
Figura 2.2: Simetrı́a respecto al eje de abscisas
Ejemplo 2.7. Sea V cualquier espacio vectorial y k ∈ IR cualquier escalar fijo. La aplica-
ción definida de un espacio vectorial en si mismo, es decir, si:
T (u) = ku
es llamado operador lineal sobre V.

Si k > 1, T es una dilatación de V,
Si 0 < k < 1, entonces T es una contracción de V
Geométricamente, una dilatación “estira” cada vector que está en V en un factor k, mientras
que una contracción de V “comprime” cada vector en un factor de k.
Figura 2.3: Dilatación y contracción
Ejemplo 2.8. Transformación mediante una matriz. Sea A ∈ IRm×n y consideremos

TA : IRn → IRm son espacios de vectores columnas. Demostrar que la aplicación TA : IRn → IRm
definida por
TA (x) = Ax
es una transformación lineal.
En efecto.
TA (x + y) = A(x + y) = Ax + Ay = TA (x) + TA (y) ∀x, y ∈ IRn
TA (λx) = A(λx) = λA(x) = λTA (x)
Ası́ TA es una transformación lineal.
Nota. En la siguiente sección mostraremos que esta transformación lineal, es del tipo
más general en espacios vectoriales de IRn en IRm
Ejemplo 2.9. Rotación del plano Demostrar que la aplicación Tθ : IR2 → IR2 al rotar
el plano en el sentido al que giran las manecillas del reloj un ángulo positivo θ, es una

Como caso especial del ejemplo anterior, sea θ un ángulo fijo, supóngase que Tθ : IR2 → IR2
es la multiplicación por la matriz
[ ]
Cosθ −Senθ
A=
Senθ Cosθ
si v es el vector [ ]
x
v=
y
entonces [ ][ ] [ ]
Cosθ −Senθ x xCosθ − ySenθ
Tθ (v) = Av = =
Senθ Cosθ y xSenθ + yCosθ
Geométricamente, Tθ (v) es el vector que se obtiene si se hace girar v hasta describir un
ángulo θ. A fin de comprobarlo, sea ϕ el ángulo entre v y el eje X positivo y supóngase que
[ ]
′
x
v′ =
y′
es el vector que se obtiene al girar v hasta que describe un ángulo θ. Se demostrará que
v ′ = Tθ (v). Si r denota la longitud del vector v, entonces
x = rCosϕ, y = rSenϕ
De modo semejante, supuesto que v ′ tiene la misma longitud que v, se tiene
x ′ = rCos(ϕ + θ), y ′ = rSen(ϕ + θ)
Por lo tanto,
[ ] [ ]
′
x rCos(ϕ + θ)
v′ = =
y′ rSen(ϕ + θ)
[ ] [ ]
rCosϕCosθ − rSenθSenϕ rCosθCosϕ − rSenθSenϕ
= =
rCosϕSenθ + rCosθSenϕ rSenθCosϕ + rCosθSenϕ
[ ] [ ][ ]
xCosθ − ySenθ Cosθ −Senθ x
= =
xSenθ + yCosθ Senθ Cosθ y
La transformación lineal de este ejemplo se conoce como rotación de IR2 hasta describir el
ángulo θ. Ver Figura
Figura 2.4: Rotación en un ángulo θ

Ejemplo 2.10. Determinar si la aplicación T : IR3 → IR2 definida por
T (x, y, z) = (x − 2y, y + 3z)

En efecto.
Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ) vectores arbitrarios del espacio vectorial IR3 , tal
que u + v = (x1 + x2 , y1 + y2 , z1 + z2 ), entonces
T (u + v) = T (x1 + x2 , y1 + y2 , z1 + z2 )
= (x1 + x2 − 2(y1 + y2 ), y1 + y2 + 3(z1 + z2 ))
= (x1 − 2y1 , y1 + 3z1 ) + (x2 − 2y2 , y2 + 3z2 )
= T (u) + T (v)
Cumple la linealidad
Sean u = (x, y, z) y λ ∈ IR escalar arbitrario, entonces λu = (λx, λy, λz)
T (λu) = T (λx, λy, λz) = (λx − 2λy, λy + 3λz)

= λ(x − 2y, y + 3z) = λT (u)
Ejemplo 2.11. Sea D el espacio vectorial de las funciones derivables definidas en IR.
Sea F el espacio vectorial de todas las funciones definidas en IR. Se define la aplicación
D : D −→ F tal que a la función derivable h le hace corresponder su derivada, es decir
D(h(x) = h ′ (x), para todo x ∈ R. Demostrar que D es una transformación lineal.
En efecto. Sean g, h funciones derivables y λ escalar arbitrario, entonces:
D[g(x) + h(x)] = [g(x) + h(x)] ′

= g ′ (x) + h ′ (x)
= D[g(x)] + D[h(x)]
D[λg(x)] = (λg(x)) ′
= λg ′ (x)
= λD[g(x)]
Ası́ D es una transformación lineal.
Ejemplo 2.12. Sea V un espacio vectorial real y β = {u1 , u2 , . . . , un } una base de V. Probar
que la aplicación T : V −→ IRn definida por
T (x) = Cβ [x]

En efecto. Supongamos que

   
x1 y1
 x2   y2 
   
Cβ [x] =  .. , Cβ [y] =  .. 
 .   . 
xn yn
entonces
x + y = (x1 u + x2 u2 + · · · + xn un ) + (y1 u + y2 u2 + · · · + yn un )
= (x1 + y1 )u + (x2 + y2 )u2 + · · · + (xn + yn )un
con lo que
T (x + y) = Cβ [x + y]
     
x1 + y1 x1 y1
 x2 + y2   x2   y2 
     
= .. = .. + .. 
 .   .   . 
xn + yn xn yn
= Cβ [x] + Cβ [y]
= T (x) + T (y)
Por otro lado
λx = λ(x1 u + x2 u2 + · · · + xn un )
= λx1 u + λx2 u2 + · · · + λxn un ,
luego
T (λx) = Cβ [λx]
   
λx1 x1
 λx2   x2 
   
=  .  = λ .. 
 . 
.  . 
λxn xn
= λCβ [x]
= λT (x)
En consecuencia, T es una transformación lineal.
Ejemplo 2.13. Sea V un espacio vectorial euclı́deo y supóngase que W es un subespacio

con dimensión finita de V y que tiene a
S = {w1 , w2 , . . . , wr }

como una base ortonormal, tal que T : V → W es la función que aplica sobre un vector v en
V hacia su proyección ortogonal sobre W, es decir
T (v) = ⟨v, w1 ⟩w1 + ⟨v, w2 ⟩w2 + · · · + ⟨v, wr ⟩wr
Esta aplicación T recibe el nombre de proyección ortogonal de V sobre W, su linealidad

se deduce a partir de las propiedades básicas del producto interior.
Por ejemplo:
T (u + v) = ⟨u + v, w1 ⟩w1 + ⟨u + v, w2 ⟩w2 + · · · + ⟨u + v, wr ⟩wr

= ⟨u, w1 ⟩w1 + ⟨u, w2 ⟩w2 + · · · + ⟨u, wr ⟩wr +
+⟨v, w1 ⟩w1 + ⟨v, w2 ⟩w2 + · · · + ⟨v, wr ⟩wr
= T (u) + T (v)
De manera análoga se demuestra T (λv) = λT (v).
T (λv) = ⟨λv, w1 ⟩w1 + ⟨λv, w2 ⟩w2 + · · · + ⟨λv, wr ⟩wr

= λ⟨v, w1 ⟩w1 + λ⟨v, w2 ⟩w2 + · · · + λ⟨v, wr ⟩wr
= λ [⟨v, w1 ⟩w1 + ⟨v, w2 ⟩w2 + · · · + ⟨v, wr ⟩wr ]
= λT (v)
Ası́, T es una transformación lineal.
Ejemplo 2.14. Como caso especial del ejemplo anterior, supóngase que V = IR3 tiene el
producto interior euclidiano. Los vectores w1 = (1, 0, 0) y w2 = (0, 1, 0) forman una base
ortonormal para el plano P : z = 0. Por lo tanto, si v = (x, y, z) es cualquier vector de IR3 ,
la proyección ortogonal de IR3 sobre el plano P : z = 0 está dado por:
T (v) = ⟨v, w1 ⟩w1 + ⟨v, w2 ⟩w2

= x(1, 0, 0) + y(0, 1, 0)
= (x, y, 0)
Ejemplo 2.15. Sean V y W dos espacios vectoriales. La aplicación T : V → W tal que

T (v) = 0W para todo v ∈ V es una transformación lineal conocida como la transforma-
ción cero. Verifiquemos que esta función es una transformación lineal.
En efecto.
1. Sean u, v vectores arbitrarios de V tal que: T (u) = 0W , T (v) = 0W , entonces
T (u + v) = 0W
= 0W + 0W
= T (u) + T (v)

2. Sea u vector arbitrario de V y λ escalar arbitrario de IR, entonces
T (λu) = 0W
= λ(0W )
= λT (u)
Por lo tanto se cumplen:
T (u + v) = T (u) + T (v), T (λu) = λT (u)
Ejemplo 2.16. Sea T : IR3 −→ IR2 la transformación lineal definida por
T (x, y, z) = (x + y, z)
Sea u = 2v1 − v2 + v3 , donde v1 = (1, 0, 0), v2 = (1, 1, −1) y v3 = (1, 0, 1).

Halle:
1. T (v1 ), T (v2 ) y T (v3 )
2. T (u)
3. Comprobar que el conjunto {T (v1 ), T (v2 ), T (v3 )} es linealmente dependiente.
Solución.
1. De la definición de T se tiene
T (v1 ) = T (1, 0, 0) = (1 + 0, 0) = (1, 0)

T (v2 ) = T (1, 1, −1) = (1 + 1, −1) = (2, −1)
T (v3 ) = T (1, 0, 1) = (1 + 0, 1) = (1, 1)
2. Como T es lineal, tenemos:
T (u) = T (2v1 − v2 + v3 )
= 2T (v1 ) − T (v2 ) + T (v3 )
= 2(1, 0) − (2, −1) + (1, 1)
= (1, 2)
3. De acuerdo con los cálculos realizados tenemos
{T (v1 ), T (v2 ), T (v3 )} = {(1, 0), (2, 1), (1, −1)}
Este conjunto es linealmente dependiente ya que está formado por tres vectores de IR2 .
Obsérvese que el conjunto inicial {v1 , v2 , v3 } es linealmente independiente.

Ejemplo 2.17. Sea V = C[0, 1] el espacio vectorial de todas las funciones con valor real
continuas sobre el intervalo 0 ≤ x ≤ 1 y supóngase que W es el subespacio de C[0, 1]
que consta de todas las funciones con primeras derivadas continuas sobre el intervalo
0 ≤ x ≤ 1. Es decir, W = C ′ [0, 1]
Sea D : W → V la transformación lineal que aplica a la función f su derivada, es decir:
D(f) = f ′
Al aplicar las propiedades de la derivación, se tiene
D(f + g) = D(f) + D(g)
y
D(λ f) = λ D(f)
Por lo tanto, D es una transformación lineal.
En general si V = C[a, b] el espacio vectorial de todas las funciones con valor real
continuas sobre el intervalo a ≤ x ≤ b y W = C ′ [a, b] el subespacio de las funciones con
primera derivada continua, entonces la función derivada D es una transformación lineal.
Ejemplo 2.18. Sea V = C[a, b] el espacio vectorial de todas las funciones con valor real
continuas sobre el intervalo a ≤ x ≤ b y supóngase que se define la función J : C[a, b] → IR
por medio del operador ∫ b
J(f) = f(x)dx
a
Dado que:
∫b ∫b ∫b
J(f + g) = [f(x) + g(x)]dx = f(x)dx + g(x)dx = J(f) + J(g)
a a a
y ∫b ∫b
J(λ f) = λf(x)dx = λ f(x)dx = λJ(f)
a a
Se deduce que, el operador integral definida J es una transformación lineal.
2.0.3. Propiedades de las transformaciones lineales

Las dos propiedades de las transformaciones lineales del siguiente teorema son útiles y
fáciles de probar.
Teorema 2.1. Sean V y W dos espacios vectoriales sobre IR, sea T : V → W una transfor-
mación lineal entonces:
1. T (0V ) = 0W Preservación del cero
2. T (u − v) = T (u) − T (v) Preservación de la resta

para vectores arbitrarios u, v ∈ V

En efecto.
1) T (v + 0V ) = T (v) ⇒ T (v) + T (0V ) = T (v) ⇒ T (0V ) = 0W
2) T (u − v) = T (u + ([−1]v)) = T (u) + T ([−1]v) ⇒ T (u − v) = T (u) + [−1]T (v) = T (u) − T (v)

Ejemplo 2.19. Determinar si la aplicación f : IR2 → IR2 , definida por f(x, y) = (x + y, x + 1)
Solución. Usando el teorema.2.1, como f(0, 0) = (0, 1), vemos que f no preserva el cero, y
por lo tanto no puede ser una transformación lineal.
Sea f : X → Y una función, Q ⊂ X y S ⊂ Y. Recordemos los siguientes conjuntos:

f(Q) = {f(q) / q ∈ Q} ⊂ Y Imagen de Q bajo f
y
f−1 (S) = {x ∈ X / f(x) ∈ S} ⊂ X Imagen inversa de S bajo f
Por ejemplo, sea la función f : IR → R, f(x) = x , entonces
2
f({1, 2, 3}) = {1, 4, 9}
f−1 ({1, 4, 9}) = {1, −1, 2, −2, 3, −3}

Recuérdese también que para f : X → Y, el conjunto f(X) se llama conjunto imagen de
f o también es el Rango de la aplicación f. Nos ocuparemos el conjunto imagen de una
Teorema 2.2. Preservación de subespacios
Sean V y W dos espacios vectoriales sobre IR, sea T : V → W una transformación lineal
a) Si Q es un subespacio de V, entonces T (Q) es un subespacio de W
b) Si S es un subespacio de W, entonces T −1 (S) es un subespacio de V

En efecto.
a) Basta demostrar que T (Q) es cerrado bajo la suma vectorial y la multiplicación por
escalares. Sean T (v1 ), T (v2 ) vectores arbitrarios del conjunto T (Q), donde v1 , v2 son
vectores de Q, entonces,
T (v1 ) + T (v2 ) = T (v1 + v2 )
por la preservación de la suma. Ahora bien v1 + v2 está en Q, pues Q es cerrado bajo
la suma, de modo que T (v1 + v2 ) ∈ T (Q). Esto demuestra que T (Q) es cerrado bajo la
suma vectorial.
Además, si λ ∈ IR escalar arbitrario, entonces λv ∈ Q, y está claro que:

λT (v) = T (λv)
Esto demuestra que λT (v) ∈ T (Q), de modo que T (Q) es cerrado bajo la multiplicación
escalar. Ası́, T (Q) es un subespacio de W.

b) Sean x y y vectores arbitrarios de T −1 (S), de modo que T (x), T (y) ∈ S.

Entonces,
T (x + y) = T (x) + T (y)
también está en el subespacio S, de modo que x + y está en T −1 (S).
Para cualquier escalar λ, sabemos que
λT (x) = T (λx)
y λT (x) ∈ S, Ası́, λx también esta en T −1 (S). Esto demuestra que T −1 (S) también es
cerrado bajo la suma y multiplicación escalar, de modo que el conjunto T −1 (S) es un
subespacio de V.
Hay dos casos particulares del teorema.2.2 que son básicos para el estudio de las trans-
formaciones lineales.
Definición 2.2. Los subespacios Im(T ) y Ker(T )

Sean V y W dos espacios vectoriales sobre IR, sea T : V → W una transformación lineal,
entonces:
a) El subespacio T (V) ⊂ W, es el conjunto imagen de V vı́a la transformación lineal T

y se denota por Im(T ) = T (V) ⊂ W
Nota. Si T (V) = W, entonces T es una aplicación sobreyectiva.
b) El subespacio T −1 (0W ) = {v ∈ V / T (v) = 0W }, se llama núcleo o espacio nulo de T y

se denota por Ker(T )
2.0.4. Propiedades de TA : V → W
1. La imagen de TA es el espacio columna
2. El núcleo de TA es el espacio nulo de A
lo ilustraremos con los siguientes ejemplos
Ejemplo 2.20. Supóngase que T : V → W es la transformación cero. Supuesto que T

aplica a cada vector de V hacia el vector cero 0W , entonces Ker(T ) = V. Ya que 0W es la
única imagen posible bajo de T , entonces Im(T ) = {0W }
Ejemplo 2.21. Sea T : IRn → IRm la multiplicación por

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A= . .. .. 
 .. . . 
a11 a12 . . . a1n

El núcleo de T consta de todos los  

x1
 x2 
 
x= .. 
 . 
xn
que son solución del sistema lineal homogéneo siguiente:
   
x1 0
 x2   0 
   
A .  =  . 
 ..   .. 
xn 0
Y el conjunto imagen de T consta de los vectores
 
b1
 b2 
 
b= . 
 . 
.
bm
tales que el sistema lineal no homogéneo
   
x1 b1
 x2   b2 
   
A . = .. 
 ..   . 
xn bm
sea consistente.
Ejemplo 2.22. Determine el núcleo de la transformación lineal T : IR3 → IR2 definida por
T (x, y, z) = (x − 2y, y + 3z), sea el vector cero. Ası́, se debe resolver el sistema de ecuaciones
x − 2y = 0
y + 3z = 0,
que se puede escribir en forma matricial como
 
x ( ) ( )
  0 1 −2 0
A y  = , donde A =
0 0 1 3
z
La solución del sistema lineal homogéneo

[ ] [ ]
1 −2 0 0 1 0 6 0
∼
0 1 3 0 0 1 3 0
es (x, y, z) = (−6t, −3t, t) para cualquier escalar t. Ası́, el núcleo de T es el subespacio

unidimensional de IR3 generado por el vector (−6, −3, 1), es decir:
Ker(T ) = ⟨(−6, −3, 1)⟩

Ejemplo 2.23. Hallar la imagen de la transformación lineal T : IR3 → IR2 definida por
T (x, y, z) = (x − 2y, y + 3z)
Solución. Debemos hallar el conjunto de todos los T (v) para v ∈ IR3 . Escribiendo los vec-
tores como vectores columnas, debemos hallar todos los vectores de la forma
 
x ( ) ( ) ( ) ( )
  x − 2y 1 −2 0
T y = =x +y +z
y + 3z 0 1 3
z
Por lo tanto, la imagen de T es el espacio columna de la matriz

( ) ( )
1 −2 0 1 0 6
A= ∼
0 1 3 0 1 3
Como cualesquiera dos columnas de A son linealmente independientes, concluimos que

Im(T ) = IR2 .
Ejemplo 2.24. Sea T : IR3 → IR3 la transformación lineal
T (x, y, z) = (x + 2y + z, 3x + y − 2z, −x − 7y + 6z)
Determine explı́citamente su nucleo y su imagen (Hallar, una base para cada subespacio)
Solución.
Por definición
Ker(T ) = {(x, y, z) ∈ IR3 / T (x, y, z) = (0, 0, 0)}

= {(x, y, z) ∈ IR3 / (x + 2y + z, 3x + y − 2z, −x − 7y + 6z) = (0, 0, 0)}
Éste es un sistema lineal homogéneo en las incógnitas cuyo espacio solución es preci-
samente Ker(T ), entonces
   
1 2 1 0 1 0 −1 0
   
 3 1 −2 0  ∼  0 1 1 0 
−1 −7 6 0 0 0 0 0
de donde x = t, y = −t, z = t, ∀ t ∈ IR, representa la solución del sistema.
Entonces se concluye que (x, y, z) ∈ Ker(T ) si, y sólo si
Ker(T ) = {(x, y, z) ∈ IR3 / (x, y, z) = t(1, −1, 1)}
El vector v = (1, −1, 1) es entonces una base para el subespacio vectorial Ker(T ), que
geométricamente representa una recta que pasa por el origen y sigue la dirección del
vector v.

El vector b = (b1 , b2 , b3 ) ∈ Im(T ) si, y sólo si existe (x, y, z) ∈ IR3 , tal que T (x, y, z) =
(b1 , b2 , b3 ), es decir 

 x + 2y + z = b1
3x + y − 2z = b2

 −x − 7y + 6z = b
3
Procédase por operaciones elementales, para que el sistema lineal no homogéneo ten-
ga solución, entonces
   
1 2 1 b1 1 0 −1 − 15 b1 + 25 b2
   
 3 1 −2 b2  ∼  0 1 1 35 b1 − 15 b2 
4 1 1
−1 −7 6 b3 0 0 0 − 5 b1 + 5 b2 − 5 b3
Por lo tanto, el sistema lineal no homogéneo tiene solución si, y sólo si

4 1 1
− b1 + b2 − b3 = 0 ⇐⇒ −4b1 + b2 − b3 = 0
5 5 5
O sea
(x, y, z) ∈ Im(T ) ⇐⇒ 4x − y + z = 0
o bien,
Im(T ) = {(x, y, z) ∈ IR3 / 4x − y + z = 0}
(subespacio de IR3 que geométricamente representa un plano que pasa por el origen;
el plano es P : 4x − y + z = 0)
Una base de este subespaciose puede obtener si se escribe (x, y, z) ∈ Im(T ) como
(x, 4x + z, z) = x(1, 4, 0) + z(0, 1, 1)
los vectores v1 = (1, 4, 0) y v2 = (0, 1, 1) constituyen una base del subespacio Im(T ).
Recordemos que:
1. Una función f : X → Y es uno a uno o inyectiva si x1 ̸= x2 entonces f(x1 ) ̸= f(x2 ). O,

equivalentemente: Si f(x1 ) = f(x2 ) entonces x1 = x2
2. Una función f : X → Y es sobreyectiva si para cada y ∈ Y, existe un x ∈ X tal que

y = f(x).
Entonces la definición de la inyectividad y sobreyectividad para transformaciones lineales

es la misma
Sean V y W dos espacios vectoriales y T : V → W una transformación lineal, entonces
• T es un monomorfismo ⇐⇒ T es inyectiva
• T es un epimorfismo ⇐⇒ T es sobreyectiva
• T es un isomorfismo ⇐⇒ T es biyectiva

Sean V y W dos espacios vectoriales el conjunto de todas las transformaciones lineales

T : V → W, lo denotaremos por L(V, W)
L(V, W) = { T : V → W / T es una transformación lineal }
Si W = V entonces el conjunto de todas las transformaciones de un espacio vectorial

en si mismo, es llamado el conjunto de los operadores lineales y es denotado por
L(V) = L(V, W)
Si W = IR entonces el conjunto de todas las transformaciones de un espacio vecto-

rial en el campo de los números reales, es llamado el conjunto de los funcionales
lineales y es denotado por L(V, IR)
Ejemplo 2.25. Sea el operador lineal en el espacio vectorial IR3 , definido por
T (x, y, z) = (y, −x, z)
¿es biyectiva el operador lineal?

Solución.
T es inyectiva?
Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ), tales que:
T (u) = T (v) ⇐⇒ T (x1 , y1 , z1 ) = T (x2 , y2 , z2 )

⇐⇒ (y1 , −x1 , z1 ) = (y1 , −x2 , z2 ) ⇒ x1 = x2 ∧ y1 = y2 ∧ z1 = z2
luego
T (u) = T (v) ⇒u=v

∴ T es inyectiva.
T es sobreyectiva?
∀ (x, y, z) ∈ IR3 , ∃ (a, b, c) ∈ IR3 / T (a, b, c) = (x, y, z)

En efecto
T (a, b, c) = (x, y, z) ⇐⇒ (b, −a, c) = (x, y, z) ⇒ b = x, a = −y, c = z
Luego ∀(x, y, z) ∈ IR3 , ∃ (a, b, c) = (−y, x, z) ∈ IR3 tal que
T (a, b, c) = T (−y, x, z) = (x, y, z)

∴ T es sobreyectiva.
Ası́ T es biyectiva.
Teorema 2.3. Sean V y W dos espacios vectoriales y T : V → W una transformación lineal,

entonces:

T es inyectiva ⇐⇒ T (u) = 0W ⇒ u = 0V
En efecto.
Supongamos que T es inyectiva y sea T (u) = 0W y por otra parte T (0)V = 0W ,

entonces
T (u) = T (0V ) ⇒ T (u) − T (0V ) = T (u − 0V ) = 0W ⇒ u − 0V = 0V ⇒ u = 0V
Supongamos que
T (u) = 0W ⇒ u = 0W
y supongamos que
T (u) = T (v) ⇒ T (u) − T (v) = 0W ⇒ T (u − v) = 0W ⇒ u − v = 0W ⇒ u = v
Ejemplo 2.26. Sea T : IR2×2 → IR2 una transformación lineal

([ ])
a11 a12
T = (a11 + a22 , a21 )
a21 a22
¿T es inyectiva?
Solución. T es inyectiva si T (u) = 0W ⇒ u = 0W
[ ] ([ ])
a11 a12 a11 a12
u ∈ IR2×2 , u = ⇒ T = (0, 0)
a21 a22 a21 a22
{
a11 + a22 = 0,
(a11 + a22 , a21 ) = (0, 0) ⇒
a21 = 0
⇒ a11 = −a22 ∧ a21 = 0
Luego el sistema lineal homogéneo tiene infinitas soluciones, es decir:

[ ] [ ]
a11 a12 0 0
̸= ⇒ T no es inyectiva
a21 a22 0 0
Ejemplo 2.27. Sea la transformación lineal T : IR4 → IR6 , T (x1 , x2 , x3 , x4 ) = (0, x1 , 0, x2 , x3 , x4 )

¿T es inyectiva?
Solución
T (x1 , x2 , x3 , x4 ) = (0, 0, 0, 0, 0, 0) ⇒ (0, x1 , 0, x2 , x3 , x4 ) = (0, 0, 0, 0, 0, 0)

⇒ x1 = x2 = x3 = x4 = 0
⇒ (x1 , x2 , x3 , x4 ) = (0, 0, 0, 0) ⇒ T es inyectiva
Ejemplo 2.28. Determinar el núcleo de la transformación lineal
T : IR3 → IR2 , T (x, y, z) = (x − z, y − z)

como (x, y, z) ∈ Ker(T ) ⇐⇒ T (x, y, z) = (0, 0) de donde (x − z, y − z) = (0, 0) por igualdad

de vectores se tiene: {
x − z = 0,
⇒x=y=z
y−z=0
Luego Ker(T ) = {(x, y, z) ∈ IR3 / x = y = z = t, ∀ t ∈ IR}
El núcleo de T representa una recta, es decir: Ker(T ) = ⟨(1, 1, 1)⟩ = L ⊂ IR3
Ejemplo 2.29. Sea T : IR2 → IR3 la transformación lineal definida por
T (x, y) = (x + y, x − y, x + 2y).
Determine Im(T )
Solución
Im(T ) = {(x, y, z) ∈ IR3 / ∃ (a, b)IR2 ∧ T (a, b) = (x, y, z)}
entonces
T (a, b) = (x, y, z) ⇒ (a + b, a − b, a + 2b) = (x, y, z) por igualdad de vectores se tiene:

 { {
 a+b=x
2a = x + y a = x+y
a−b=y ⇒ ⇒ 2

 a + 2b = z 3a = 2y + z a = 2y+z
3
x+y 2y + z
⇒ = ⇒ 3x + 3y = 4y + 2z ⇒ 3x − y − 2z = 0
2 3
∴ Im(T ) = {(x, y, z) ∈ IR3 / 3x − y − 2z = 0}
Geométricamente este subespacio es un plano en el espacio vectorial IR3 con vector normal
n = (3, −1, −2).
Teorema 2.4. Sean V y W dos espacios vectoriales y T : V → W una transformación lineal,

se cumple las siguientes proposiciones:
1. T es inyectiva si y sólo si Ker(T ) = 0V
2. Sea M = {v1 , v2 , . . . , vn } un conjunto de vectores L. D. en V, entonces el conjunto

T (M) = {w1 = T (v1 ), w2 = T (v2 ), . . . , wn = T (vn )} es L. D. en W
3. Si {v1 , v2 , . . . , vn } es un conjunto de vectores en V tales que {T (v1 ), T (v2 ), . . . , T (vn )} son

L. I. en W, entonces {v1 , v2 , . . . , vn } son linealmente independiente.
4. Si {v1 , v2 , . . . , vn } es un conjunto L. I. en V y T es una transformación inyectiva, en-

tonces {T (v1 ), T (v2 ), . . . , T (vn )} es linealmente independiente en W.
En efecto.
1.

2. Como el conjunto M = {v1 , v2 , . . . , vn } es L. D. en V, entonces existe algún escalar

λi ̸= 0, λi ∈ IR tal que:
λ1 v1 + λ2 v2 + · · · + λi vi + · · · + λn vn = 0V
T (λ1 v1 + λ2 v2 + · · · + λi vi + · · · + λn vn ) = T (0V ) = 0W
λ1 T (v1 ) + λ2 T (v2 ) + · · · + λi T (vi ) + · · · + λn T (vn ) = 0W
como λi ̸= 0 entonces el conjunto {T (v1 ), T (v2 ), . . . , T (vn )} es L. D. en W

∑n
3. Consideremos una combinación lineal en V, i=1 λi vi = 0V , por demostrar que:
λ1 = λ2 = · · · = λn = 0
Aplicando la transformación lineal T se tiene:

( n )
∑ ∑
n
T λi vi = T (0V ) = 0W ⇒ λi T (vi ) = 0W
i=1 i=1
como {T (v1 ), T (v2 ), . . . , T (vn )} son L. I. entonces los escalares λi = 0, es decir: λ1 =

λ2 = · · · = λn = 0, entonces el conjunto de vectores {v1 , v2 , . . . , vn } son linealmente
independiente.
4. Consideremos una combinación lineal de vectores en el espacio vectorial W, es decir:

( n )
∑
T λi v i = 0 W
i=1
aplicando propiedades de la transformación lineal,

∑
n
T (λi vi ) = 0W ⇒ λi vi ∈ Ker(T )
i=1
como T es inyectiva, por la parte (1) se tiene:

∑
n
λi vi = 0V ⇒ λi = 0, i = 1, 2, . . . , n
i=1
pues los vectores {v1 , v2 , . . . , vn } son L. I., por lo tanto los vectores {T (v1 ), T (v2 ), . . . , T (vn )}
son L. I.
Ejemplo 2.30. Sea T : IR2 → IR2 una transformación lineal, probar que T es inyectiva
⇐⇒ T (1, 0) y T (0, 1) es linealmente independiente
En efecto
T es inyectiva ⇐⇒ T (1, 0) y T (0, 1) son linealmente independiente.

Consideremos la combinación lineal en IR2
αT (1, 0) + βT (0, 1) = (0, 0) ⇒ por demostrar α = β = 0

como T es una transformación lineal, entonces:
αT (1, 0) + βT (0, 1) = (0, 0) ⇐⇒ T [α(1, 0) + β(0, 1)] = (0, 0)

⇐⇒ T (α, β) = (0, 0) como T es inyectiva
⇐⇒ (α, β) = (0, 0) ⇒ α = β = 0
Por lo tanto T (1, 0) y T (0, 1) son linealmente independiente.
¿Cómo hallar la transformación lineal conociendo los vectores de la imagen de una

base?
Supóngase que {v1 , v2 , . . . , vn } es una base para el espacio vectorial V y T : V → W es una
transformación lineal. Si sucede que se conocen las imágenes de los vectores de esta base,
esto es
T (v1 ), T (v2 ), . . . , T (vn )
entonces se puede obtener la imagen T (v) de cualquier vector v, expresando primero v como
combinación lineal de los vectores de la base, por ejemplo
v = λ1 v1 + λ2 v2 + · · · + λn vn
y luego usar la linealidad de la transformación lineal, es decir:
T (v) = λ1 T (v1 ) + λ2 T (v2 ) + · · · + λn T (vn )
En pocas palabras, una transformación lineal está completamente determinada por sus
“valores” en una base.
Ejemplo 2.31. Considérese la base β = {v1 , v2 , v3 } para IR3 , donde
v1 = (1, 1, 1), v2 = (1, 1, 0), v3 = (1, 0, 0)
y sea T : IR3 → IR2 una transformación lineal tal que:
T (v1 ) = (1, 0), T (v2 ) = (2, −1), T (v3 ) = (4, 3)
Hállese T (2, −3, 5)
Solución. Expresemos el vector v = (2, −3, 5) como combinación lineal de los vectores
de la base β = {v1 , v2 , v3 }. Por lo tanto,
(2, −3, 5) = λ1 v1 + λ2 v2 + λ3 v3 = λ1 (1, 1, 1) + λ2 (1, 1, 0) + λ3 (1, 0, 0)
resolviendo el sistema lineal no homogéneo obtenemos
λ1 + λ2 + λ3 = 2
λ1 + λ2 = −3
λ1 = 5

Algebra lineal 78
lo cual conduce a λ1 = 5, λ2 = −8, λ3 = 5 de modo que
(2, −3, 5) = 5v1 − 8v2 + 5v3
entonces,
T (2, −3, 5) = 5T (v1 ) − 8T (v2 ) + 5T (v3 )

= 5(1, 0) − 8(2, −1) + 5(4, 3)
= (9, 23)
2.1. Dimensiones del núcleo y de la imagen

Definición 2.3. Si T : V → W es una transformación lineal, entonces la dimensión del
subespacio Im(T ) se conoce como el rango de T , y la dimensión del subespacio núcleo se
denomina nulidad de T .
El siguiente teorema que sigue establece una relación entre el rango y la nulidad de
una transformación lineal definida sobre un espacio vectorial de dimension finita.
Teorema 2.5. (Teorema de la dimensión.) Sea T : V → W una transformación lineal

desde un espacio vectorial V con dimensión finita n hacia un espacio vectorial W, entonces
dim(Im(T )) + dim(Ker(T )) = n
Ejemplo 2.32. Dada la transformación lineal
T : IR4 → IR3 , T (x, y, z, w) = (x − y + 2z + 3w, y + 4z + 3w, x + 6z + 6w).
Determine Ker(T ), Im(T ) y sus respectivas dimensiones.
Solución
Calculando el núcleo de la transformación
Ker(T ) = { (x, y, z, w) ∈ R4 / T (x, y, z, w) = (0, 0, 0)}
entonces
T (x, y, z, w) = (x − y + 2z + 3w, y + 4z + 3w, x + 6z + 6w) = (0, 0, 0)
por igualdad se tiene:

    

 x − y + 2z + 3w = 0 1 −1 2 3 0 1 0 6 6 0
   
y + 4z + 3w = 0 ⇐⇒  0 1 4 3 0  ≈  0 1 4 3 0 

 x + 6z + 6w = 0 1 0 6 6 0 0 0 0 0 0

Algebra lineal 79
Si (x, y, z, w) ∈ Ker(T ) ⇒ (x, y, z, w) = (−6z − 6w, −4z − 3w, z, w) equivalentemente

tenemos:
(x, y, z, w) = (−6z, −4z, z, 0) + (−6w, −3w, , w) = z(−6, −4, 1, 0) + w(−6, −3, 0, 1)
Luego Ker(T ) = ⟨(−6, −4, 1, 0), (−6, −3, 0, 1)⟩ de donde una base de Ker(T ) es
{(−6, −4, 1, 0), (−6, −3, 0, 1)},
de donde dim[Ker(T )] = 2
Calculando Im(T )
Im(T ) = { (x, y, z) ∈ R3 / ∃(a, b, c, d) ∈ IR4 ∧ T (a, b, c, d) = (x, y, z)}
T (a, b, c, d) = (x, y, z) ⇒ (a−b+2c+3d, b+4c+3d, a+6c+6d) = (x, y, z) por igualdad


 {
 a − b + 2c + 3d = x a + 6c + 6d = x + y
b + 4c + 3d = y ⇒ ⇒ P :x+y=z

 a + 6c + 6d = z a + 6c + 6d = z
entonces
Im(T ) = { (x, y, z) ∈ R3 / P : x + y = z}
Ahora calculemos una base para el subespacio Im(T ) ⊂ IR3 , z = x + y, entonces
(x, y, z) = (x, y, x + z) = (x, 0, x) + (0, y, y) = x(1, 0, 1) + y(0, 1, 1)
Luego Im(T ) = ⟨(1, 0, 1), (0, 1, 1)⟩ de donde una base para Im(T ) es el conjunto de
vectores {(1, 0, 1), (0, 1, 1)} ⇒ dim[Im(T )] = 2
Verificándose el teorema.2.5, es decir:
dim[IR4 ] = dim[Ker(T )] + dim[Im(T )] ⇐⇒ 4 = 2 + 2
Teorema 2.6. (Teorema fundamental de las transformaciones lineales)

Sea V y W dos espacios vectoriales y β = {v1 , v2 , . . . , vn } una base del espacio vectorial
V. Si w1 , w2 , . . . , wn un conjunto arbitrario de vectores de W entonces existe una única
transformación lineal T : V → W tal que wi = T (vi ), ∀ i = 1, 2, . . . , n
Ejemplo 2.33. Sea T : IR3 → IR2 una transformación lineal de tal manera que a los elemen-
tos de la base β = {v1 = (1, 1, 0), v2 = (1, 2, 1), v3 = (0, 1, 3)} de IR3 le hace corresponder los
vectores w1 = (1, 3), w2 = (5, 1), w3 = (0, 1) respectivamente.
Hallar la imagen de un vector cualquiera de IR3
Hallar la imagen del vector (3, −1, 5) y Ker(T )
Solución.

Algebra lineal 80
A) Como β es una base de IR3 y sea (x, y, z) un vector arbitrario de IR3 , expresemos como
combinación lineal de los elementos de la base, es decir
(x, y, z) = α(1, 1, 0) + β(1, 2, 1) + γ(0, 1, 3) = (α + β, α + 2β + γ, β + 3γ)
por igualdad de vectores tenemos el sistema lineal no homogéneo

 

 x=α+β 
 α=
5x−3y+z
2
y = α + 2β + γ ⇐⇒ β = 3y−z−3x

 z = β + 3γ 
 γ = x−y+z
2
2
5x − 3y + z 3y − z − 3x x−y+z
(x, y, z) = (1, 1, 0) + (1, 2, 1) + (0, 1, 3)
2 2 2
como T (1, 1, 0) = (1, 3), T (1, 2, 1) = (5, 1), T (0, 1, 3) = (0, 1) como T es una transforma-
ción lineal, tenemos
5x − 3y + z 3y − z − 3x x−y+z
T (x, y, z) = T (1, 1, 0) + T (1, 2, 1) + T (0, 1, 3)
2 2 2
5x − 3y + z 3y − z − 3x x−y+z
= (1, 3) + (5, 1) + (0, 1)
( 2 2 ) 2
13x − 7y + 3z
= 6y − 5x − 2z,
2
( )
61
B) Calculando T (3, −1, 5) = −31, y
2
Ker(T ) = {(x, y, z) ∈ IR3 / T (x, y, z) = (0, 0)}
entonces
( )
13x − 7y + 3z
T (x, y, z) = (0, 0) ⇐⇒ 6y − 5x − 2z, = (0, 0)
2
por igualdad de vectores tenemos

{  ( ) ( )
 x=−4z 4 11 4 11
6y − 5x − 2z = 0
⇒ 43 ⇒ (x, y, z) = z, − z, z = z ,− ,1
13x − 7y + 3z = 0 
 y= z
11 43 43 43 43
43
Luego el núcleo esta generado por el vector
⟨( )⟩
4 11
Ker(T ) = − , ,1 = ⟨(−4, 11, 43)⟩
43 43
2.2. Transformaciones lineales de IRn hacia IRm

En esta sección se estudian las transformaciones lineales de IRn hacia IRm y se obtienen
las propiedades geométricas de las transformaciones de IR2 hacia IR2 .

Algebra lineal 81
Primero se demuestra que toda T ∈ L(IRn , IRm ) es una transformación matricial. Más
concretamente, se demuestra que si T : IRn → IRm es una transformación lineal arbitraria,
entonces es posible encontrar una matriz A ∈ IRm×n tal que T es la multiplicación por A. A
fin de verificarlo, sea
β = {e1 , e2 , . . . , en }
la base canónica de IRn y supóngase que A es la matriz de IRm×n que tiene a
T (e1 ), T (e2 ), . . . , T (en ),
como sus vectores columnas.
Por ejemplo, si T : IR2 → IR2 esta dado por

([ ]) [ ]
x1 x1 + 2x2
T =
x2 x1 − x2
entonces
([ ]) [ ] ([ ]) [ ]
1 1 0 2
T (e1 ) = T = y T (e2 ) = T =
0 1 1 −1
entonces [ ]
1 2
A= = [ T (e1 ) | T (e2 ) ]
1 −1
De modo más general, si
     
a11 a12 a1n
 a21   a22   a2n 
     
T (e1 ) =  ..  , T (e2 ) =  ..  , . . . , T (en ) =  .. 
 .   .   . 
am1 am2 amn
entonces  
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A = [ T (e1 ) | T (e2 ) | . . . |T (en ) ] =  .. .. ..  (2.2)
 . . . 
am1 am2 . . . amn
Se demostrará que la transformación lineal T : IRn → IRm es la multiplicación por la
matriz A. Para verificarlo, observemos primero que
 
x1
 x2 
 
x =  .  = x1 e1 + x2 e2 + · · · + xn en
 .. 
xn
Por lo tanto por la linealidad de T , tenemos:
T (x) = x1 T (e1 ) + x2 T (e2 ) + · · · + xn T (en ) (2.3)

Algebra lineal 82
Por otra parte,

    
a11 a12 . . . a1n x1 x1 a11 + x2 a12 + · · · + xn a1n
 a21 a22 . . . a2n  x2   x1 a21 + x2 a22 + · · · + xn a2n 
    
Ax =  .. .. ..  .. = .. 
 . . .  .   . 
am1 am2 . . . amn xn x1 am1 + x2 am2 + · · · + xn amn
     
a11 a12 a1n
 a21   a22   a2n 
     
= x1  .  + x2  .  + · · · + xn  .. 
 . 
.  ..   . 
am1 am2 amn
= x1 T (e1 ) + x2 T (e2 ) + · · · + xn T (en )
Al comparar esta última ecuación se llega a T (x) = Ax, es decir, T es la multiplicación por
A.
A la matriz A que se da en (2.2) se le llamará la matriz estándar para T
Ejemplo 2.34. Hállese la matriz estándar para la transformación lineal T : IR3 → IR4
definida por  
  x+y
x  
   x − y 
T  y  =  
 z 
z
x
Solución. Hallemos la imagen de los vectores de la base canónica del espacio vectorial IR3 ,
es decir:
     
  1   1   0
1  1  0  −1  0  0 
           
T (e1 ) = T  0  =   , T (e2 ) = T  1  =   , T (e3 ) = T  0  =  
 0   0   1 
0 0 1
1 0 0
entonces utilizando a T (e1 ), T (e2 ) y T (e3 ) como vectores columnas, se obtiene la matriz
estándar de T ,  
1 1 0
 
 1 −1 0 
A= 
 0 0 1 
1 0 0
Como una verificación, obsérvese que
 
  x+y
x  
   x−y 
A y  =  
 z 
z
x

Algebra lineal 83
En el resto de esta sección se estudian las propiedades geométricas de las transforma-

ciones lineales en el plano, es decir, transformaciones lineales de IR2 hacia IR2 . Si T : IR2 → IR2
es una transformación lineal en general
[ ]
a b
A=
c d
sea la matriz estándar para T , entonces

([ ]) [ ][ ] [ ]
x a b x ax + by
T = =
y c d y cx + dy
Ejemplo 2.35. Sea T : IR2 → IR2 la transformación lineal que aplica cada vector en su
imagen simétrica respecto al eje Y. Hállese la matriz estándar para T
Solución
Figura 2.5: Transformación lineal simétrica con respecto al eje y
([ ]) [ ] ([ ]) [ ]
1 −1 0 0
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1
utilizando a T (e1 ) y T (e2 ) como vectores columna, se obtiene la matriz estándar
[ ]
−1 0
A=
0 1
Como una multiplicación, [ ][ ] [ ]

−1 0 x −x
=
0 1 y y
De modo que la multiplicación por A aplica el punto P = (x, y) en su imagen simétrica
(−x, y) respecto al eje Y.
Ahora se enfoca la atención sobre cinco tipos de transformaciones lineales planas que
tienen importancia especial: rotaciones, reflexiones, expansiones y deslizamientos cortan-
tes.

Algebra lineal 84
Rotaciones. Si T : IR2 → IR2 hace girar cada punto en el plano alrededor del origen,
hasta describir un ángulo θ, entonces sabemos que la matriz estándar de T es
[ ]
Cosθ −Senθ
Senθ Cosθ
Figura 2.6: Rotación en un ángulo θ
Reflexiones. Una reflexión respecto a una recta L que pasa por el origen, es una
transformación que aplica cada punto del plano en su imagen como un espejo, res-
pecto de la recta L. Se puede demostrar que las reflexiones son transformaciones li-
neales. Los casos más importantes son las reflexiones respecto a los ejes coordenados y
respecto a la recta L : y = x. Siguiendo el ejemplo(2.35), entonces se puede demostrar
que las matrices estándar para estas transformaciones son:
[ ]
−1 0
• Reflexión respecto al eje Y es
0 1
[ ]
1 0
• Reflexión respecto al eje X es
0 −1

Algebra lineal 85
[ ]
0 1
• Reflexión respecto a la recta L : y = x es
1 0
[ ]
−3/5 4/5
• Reflexión respecto a la recta L : y = 2x es
4/5 3/5
L: y = 2x
w y
v
x
Expansiones y comprensiones Si la coordenada x de cada punto del plano se mul-

tiplica por una constante positiva k, entonces el efecto es dilatar o comprimir cada
figura plana en la dirección del eje X. Si 0 < k < 1, el resultado es una comprensión
y si k > 1, una expansión en la dirección del eje X, con un factor k.

Algebra lineal 86
De manera análoga, si la coordenada y de cada punto del punto se multiplica por

una constante positiva k, se obtiene una expansión (o comprensión) en la dirección y
con el factor k. Estas expansiones y comprensiones son transformaciones lineales.
Si T : IR2 → IR2 es una expansión o comprensión en la dirección del eje X, con el factor
k, entonces
([ ]) [ ] ([ ]) [ ]
1 k 0 0
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1
de modo que la matriz estándar para T es

[ ]
k 0
0 1
De manera análoga, la matriz estándar para una expansión o comprensión en la

dirección del eje X, con el factor k, es
[ ]
1 0
0 k

Algebra lineal 87
Deslizamientos cortantes
• Un deslizamiento cortante en la dirección del eje X, con factor k, es una

transformación que mueve cada punto (x, y) paralelo al eje X, en una cantidad
k y, hacia la posición (x+ky, y). Bajo una transformación de este tipo, los puntos
que están sobre el eje X no se mueve mueven puesto que y = 0. Sin embargo,
conforme se avanza alejándose del eje X, la magnitud de y aumenta, por tanto,
aquellos puntos más alejados del eje X se mueven una distancia mayor que los
que se encuentran más cercanos.
• Un deslizamiento cortante en la dirección del eje Y, con factor k, es una

transformación que mueve cada punto (x, y) paralelo al eje Y, en una cantidad
k x, hacia la posición (x, y+k x). Bajo una transformación de este tipo, los puntos
sobre el eje Y permanecen fijos y los que se encuentran más alejados del eje Y se
mueven una distancia mayor que los que están más cercanos.
Se puede demostrar que los deslizamientos cortantes son transformaciones lineales.
Si T : IR2 → IR2 es un deslizamiento cortante en un factor k en la dirección del eje

X, entonces
([ ]) [ ] ([ ]) [ ]
1 1 0 k
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1

Algebra lineal 88
De modo que la matriz estándar para T es

[ ]
1 k
0 1
De modo análogo, la matriz estándar para un deslizamiento cortante en la dirección del

eje Y, de factor k es: [ ]
1 0
k 1
Observación. La multiplicación por la matriz identidad de orden 2 × 2 aplica a cada
punto en sı́ mismo. A esta transformación se le denomina transformación identidad.
Si se desea, es posible imaginar esta transformación como una rotación que describe un
ángulo de 0◦ , o bien, como un deslizamiento cortante a lo largo de cualquiera de los ejes,
con k = 1, o bien, como una comprensión o una expansión a lo largo de cualquiera de los
ejes, con un factor k = 1.
Si se efectúan una sucesión finita de transformaciones de IRn hacia IRn , entonces es po-
sible obtener el mismo resultado, mediante una sola transformación matricial, veamos el
siguiente ejemplo.
Ejemplo 2.36. Supóngase que se hace girar el plano hasta que describe un ángulo θ y, a
continuación, se sujeta a un deslizamiento cortante en un factor k en la dirección del eje X.
Encuéntrese una sola transformación matricial que produzca el mismo efecto que el de las
dos transformaciones sucesivas.
Solución.
Bajo la rotación de un ángulo θ, el punto (x, y) se transforma en el punto (x ′ , y ′ ), cuya
transformación esta dado por
[ ] [ ][ ]
x′ Cosθ −Senθ x
′ = (2.4)
y Senθ Cosθ y
Bajo el deslizamiento cortante, el punto (x ′ , y ′ ) se transforma entonces en el punto (x ′′ , y ′′ )

con las coordenadas dadas por
[ ] [ ][ ]
′′ ′
x 1 k x
′′ = (2.5)
y 0 1 y′
Al reemplazar (2.4) en (2.5) se llega a

[ ] [ ][ ][ ]
x ′′ 1 k Cosθ −Senθ x
′′ =
y 0 1 Senθ Cosθ y
o equivalentemente,
[ ] [ ][ ]
x ′′ Cosθ + k Senθ −Senθ + k Cosθ x
=
y ′′ Senθ Cosθ y

Algebra lineal 89
Por lo tanto, la rotación seguida por el deslizamiento cortante se pueden efectuar por medio
de la transformación matricial con matriz
[ ][ ]
Cosθ + k Senθ −Senθ + k Cosθ x
Senθ Cosθ y
En general, si se llevan a cabo una sucesión finita de transformaciones matriciales

T1 (x) = A1 x, T2 (x) = A2 x , . . . , Tn (x) = An x
de IRn hacia IRn (primero T1 , a continuación T2 , y ası́ sucesivamente), entonces se obtiene el
mismo resultado por medio de la transformación matricial única T (x) = Ax , en donde
A = Ak · · · A2 A1 (2.6)
Nótese que se obtiene el orden en el que se llevan a cabo las transformaciones al leer de
derecha a izquierda en (2.6).
Ejemplo 2.37. .
a) Hállese una transformación matricial de IR2 hacia IR2 que primero lleve a cabo un
deslizamiento cortante en un factor de 2 en la dirección del eje X y, a continuación,
realice una reflexión respecto a la recta L : y = x.
b) Hállese una transformación matricial de IR2 hacia IR2 que primero realice una refle-
xión respecto a la recta L : y = x, y a continuación lleve a cabo un deslizamiento
cortante en un factor de 2 en la dirección del eje X.
Solución.
a) La matriz estándar para el deslizamiento cortante es
[ ]
1 2
A1 =
0 1
y para la reflexión es [ ]
0 1
A2 =
1 0
de modo que la matriz estándar para el deslizamiento cortante seguido por la refle-
xión es: [ ][ ] [ ]
0 1 1 2 0 1
A2 A1 = =
1 0 0 1 1 2
b) La reflexión seguida por el deslizamiento cortante se representa por medio de:

[ ][ ] [ ]
1 2 0 1 2 1
A1 A2 = =
0 1 1 0 1 0
Observación. En este último ejemplo, vemos que A1 A2 ̸= A2 A1 , de manera que el efecto

de realizar primero un deslizamiento cortante y, a continuación, una reflexión es diferente
de realizar la reflexión y, a continuación, el deslizamiento cortante.

Algebra lineal 90
2.3. Valores y vectores propios

Definición 2.4. Sea T ∈ L(V) y V un espacio vectorial, dim(V) = n < ∞, el número λ se
llama valor propio de T si
T (v) = λv (2.7)
para algún vector v ̸= 0, v ∈ V.
El vector no nulo v que cumple (2.7) se llama vector propio de T asociado a λ
Sea la matriz A asociado al operador T en alguna base β de V, entonces (2.7) se puede

escribir del modo siguiente:
A(v) = λv (2.8)
Ejemplo 2.38. Sean T : IR3 7−→ IR3 , T (x, y, z) = (−2x, y + z, x + z).

Los valores propios y vectores propios asociados al operador T son:
λ1 = −2 y v1 = (−9, −1, 3), pues T (v1 ) = T (−9, −1, 3) = (18, 2, −6) = −2(−9, −1, 3) ⇒
T (v1 ) = λ1 v1
λ2 = 1 y v2 = (0, 1, 0), pues T (v2 ) = T (0, 1, 0) = (0, 1, 0) = 1(0, 1, 0) ⇒ T (v2 ) = λ2 v2

Ejemplo 2.39. Sean T : IR2 7−→ IR2 , T (x, y) = (3x, 8x − y).
Si λ = 3 y v = (1, 2), vemos que:
T (v) = T (1, 2) = (3, 6) = 3(1, 2) ⇒ T (v) = 3 (1, 2) = λ v
Ası́, λ = 3 y v = (1, 2) son valor propio y vector propio asociado al operador T .

Ejemplo 2.40. Sean T : IR2 7−→ IR2 , T (x, y) = (−2x − y, 5x + 2y).
Los números λ1 = i, λ2 = −i son los valores propios y los vectores propios son:
( ) ( )
−2 + i −2 − i
w1 = , 1 , w2 = , 1
5 5
son los vectores propios asociados a los valores propios respectivamente.
Observaciones.
1. El autovector v asociado a un valor propio λ no es único, ya que si T (v) = λv y para
α ̸= 0 el vector w = αv también es un vector propio asociado a λ.
2. Un vector v, v ̸= 0 no puede ser asociado a dos valores propios de T diferentes.
En efecto, si existen escalares α, β ∈ IR tales que
T (v) = αv, T (v) = βv
restando tenemos:
T (v) − T (v) = T (0) = (α − β)v
en consecuencia, tenemos que, α = β pues v ̸= 0.

Algebra lineal 91
La ecuación (2.8) que sirve para definir los valores propios y vectores propios se puede
escribir como:
(λI − A)v = 0, (2.9)
con lo que los vectores propios, si existen, son los vectores no nulos solución del sistema
lineal homogéneo
(λI − A)x = 0
Sabemos que este sistema tiene soluciones distintas de la trivial si y sólo si, la matriz λI−A
no es inversible, o equivalentemente si
Det(λI − A) = 0 (2.10)
Ası́ pues, los valores propios de la matriz A, son todos los escalares λ que verifican la
ecuación (2.10). Esta observación induce la siguiente definición.
Definición 2.5. Se llama polinomio caracterı́stico de una matriz cuadrada A al poli-

nomio
pA (λ) = Det(λI − A)
Nota.
1. El grado del polinomio caracterı́stico es igual a la dimensión del espacio vectorial V,

es decir:
grad(pA (λ) = n = dim(V)
2. Nótese que los valores propios de T son las raı́ces del polinomio caracterı́sticos. Además
estas raı́ces son números reales o números complejos. Los valores propios pueden ser
repetidos, con lo que podemos dar la siguiente definición.
Definición 2.6. Se llama multiplicidad algebraica de un valor propio, a su multiplici-

dad como raı́z del polinomio caracterı́stico, es decir, al número de veces que aparece como
raı́z de dicho polinomio.
Ejemplo 2.41. Calcular los valores propios y vectores propios del operador
T : IR3 7−→ IR3 , T (x, y, z) = (−2x, y + z, x + z),
cuya representación matricial en la base canónica de IR3 es:

 
−2 0 0
 
A= 0 1 1 
1 0 1
Solución. El polinomio caracterı́stico de la matriz A es:
pA (λ) = Det(λI − A) = (λ + 2)(λ − 1)2
Luego los valores propios de A son:

Algebra lineal 92
λ1 = −2 de multiplicidad algebraica 1
λ2 = 1 de multiplicidad algebraica 2
y los vectores propios asociados a sus valores propios son:
Si λ1 = −2 entonces v1 = (−9, −1, 3)
Si λ2 = 1 entonces v2 = (0, 1, 0)
Nota. En este último ejemplo, vimos que las soluciones del sistema lineal homogéneo son
los vectores del núcleo de la matriz de coeficientes del sistema. Entonces sabemos que el
núcleo de una matriz de tamaño n × n es un subespacio vectorial de IRn , por lo tanto
podemos dar la siguiente definición.
Definición 2.7. Sea λ un valor propio asociado a la matriz A de tamaño n × n. Se llama

subespacio propio de A asociado a λ al subespacio vectorial
EA (λ) = Ker(λI − A) = {x ∈ IRn / (λI − A)x = 0}
Ejemplo 2.42. Calcular los valores propios, vectores propios y los subespacios vectoriales
de la matriz A  
2 2 1
 
A= 1 3 1 
1 2 2
solución. El polinomio caracterı́stico de la matriz A es:
pA (λ) = Det(λI − A) = (λ − 5)(λ − 1)2
Por lo tanto los valores propios son λ1 = 5 y λ2 = 1, este último con multiplicidad algebrai-
ca 2.
Calculamos los vectores propios.
Para λ1 = 5 los vectores propios son las soluciones no nulas del sistema lineal homogéneo
(5I − A)x = 0, es decir, del sistema
         
3 −2 −1 x1 0 1 0 −1 x1 0
         
 −1 2 −1   x2  =  0  ⇐⇒  0 1 −1   x2  =  0 
−1 −2 3 x3 0 0 0 0 x3 0
cuyo conjunto solución es

{α(1, 1, 1) / α ∈ IR}
Por lo tanto, el subespacio propio es:
EA (5) = ⟨(1, 1, 1)⟩

Algebra lineal 93
siendo {(1, 1, 1)} base para el subespacio EA (5).
Para λ1 = 1 los vectores propios son las soluciones no nulas del sistema lineal homogéneo
(I − A)x = 0, es decir, del sistema
         
−1 −2 −1 x1 0 1 2 1 x1 0
         
 −1 −2 −1   x2   0  = ⇐⇒  0 0 0   x2   0 
=
−1 −2 −1 x3 0 0 0 0 x3 0
siendo
{(−2a − b, a, b) a, b ∈ IR}
el conjunto de soluciones, por lo tanto el subespacio propio es
EA (1) = ⟨(−2, 1, 0), (−1, 0, 1)⟩
y {(−2, 1, 0), (−1, 0, 1)} es una base del subespacio vectorial EA (1).
Teorema 2.7. Sea A ∈ IRn×n . Entonces
1. A y AT tienen los mismos valores propios con las mismas multiplicidades algebraicas.
2. Si λ es un valor propio de A y k ≥ 1, entonces λk es un valor propio de Ak .
Teorema 2.8. Si A ∈ IRn×n es una matriz triangular (superior o inferior) entonces sus
valores propios son los elementos diagonales.
Definición 2.8. Sean A, B ∈ IRn×n . Se dice que A y B son matrices semejantes si existe
una matriz inversible P ∈ IRn×n tal que:
B = P−1 AP
Ejemplo 2.43. Comprobar que B = P−1 AP, es decir las matrices A y B son matrices seme-
jantes, siendo:
     
1 0 2 1 −1 1 0 2 0
     
A =  −1 1 1  , B =  0 2 1  , P =  1 0 −1 
0 0 2 0 0 1 0 1 1
Teorema 2.9. Sean A y B dos matrices semejantes, entonces:
1. A y B tienen el mismo polinomio caracterı́sticos
2. A y B tienen los mismos valores propios con las mismas multiplicidades algebraicas.
Ejemplo 2.44. sabiendo que A = PBP−1 con

     
−3 −4 0 −2 1 0 0 0 1 0 4 1
     
 8 13 4 8   0 1 0 0   1 1 2 1 
A= , B =  , P= 
 4 6 3 4   0 0 −1 0   2 3 1 2 
−12 −20 −8 −13 0 0 0 −1 0 1 1 1

Algebra lineal 94
Calcular: A6 y 2A5 − 4A2
Son varias las propiedades que comparten las matrices semejantes. A continuación
estudiamos algunas de ellas, pero primero necesitamos recordar la definición de la traza
de una matriz y una propiedad de la misma dada.
Definición 2.9. Sean A ∈ IRn×n . Se llama traza de la matriz A a la suma de los elementos
de la diagonal principal de A, escribimos
∑
n
tr(A) = aii
i=1
Lema 2.10. Sean P, Q ∈ IRn×n , entonces

tr(PQ) = tr(QP)
Teorema 2.10. Sean A y B dos matrices semejantes de tamaño n × n, entonces:
i) Det(A) = Det(B)
ii) Rang(A) = Rang(B)
iii) tr(A) = tr(B)
En efecto. Como A y B es semejante, entonces existe una matriz P inversible tal que:
B = P−1 AP
i) Det(B) = Det(P−1 AP) = Det(P−1 )Det(A)Det(P) = Det(A)
ii)
iii)
2.4. Diagonalización
Una clase particular de matrices la constituyen aquellas que son semejantes a una ma-
triz diagonal. Justamente este hecho es el que aparece en la introducción de este capı́tulo.
Vamos a estudiar condiciones necesarias y suficientes para que una matriz cuadrada A
sea semejante a una matriz diagonal D. Empezaremos dando algunos resultados previos.
Teorema 2.11. Sea A una matriz cuadrada de tamaño n × n y sean λ1 , λ2 , . . . , λs los dis-
tintos valores propios de A. Entonces la suma de los correspondientes subespacios propios
EA (λi ), i = 1, 2, . . . , s, es directa.
Podemos deducir, como consecuencia del teorema anterior, que los vectores propios de
una matriz, asociados a valores propios distintos, son linealmente independientes.

Algebra lineal 95
Definición 2.11. Una matriz A de tamaño n × n se dice que es diagonalizable si es

semejante a una matriz diagonal, es decir, si existe una matriz P ∈ GL(IRn ) tal que:
P−1 AP = D
siendo D una matriz diagonal.
Teorema 2.12. Una matriz A de tamaño n × n es diagonalizable si y sólo si, tiene n vec-
tores propios linealmente independientes.
Demostración. Sean u1 , u2 , . . . , un los n vectores propios linealmente independientes, ta-

les que:
Aui = λi ui , i = 1, 2, . . . , n
Podemos escribir equivalentemente del modo siguiente:
 
λ1
 λ2 
 
Aui = λi ui ⇐⇒ A[u1 u2 . . . un ] = [λ1 u1 λ2 u2 . . . λn un ] = [u1 u2 . . . un ]  ... 
 
λn
que denotamos como AP = PD, donde

 
λ1
 λ2 
 
P = [u1 u2 . . . un ] y D= .. 
 . 
λn
Claramente P es inversible ya que los vectores u1 , u2 , . . . , un son linealmente independien-

tes. Luego
D = P−1 AP
es decir A es diagonalizable.
Recı́procamente, supongamos que A es diagonalizable, entonces podemos encontrar una

matriz inversible P tal que:
P−1 AP = D
es una matriz diagonal, o equivalentemente
AP = PD (2.11)
Si escribimos P por columnas como
P = [u1 u2 . . . un ]
se sigue de (2.11) que

Aui = λi ui , i = 1, 2, . . . , n

Algebra lineal 96
donde λi es el i−ésimo elemento de la matriz diagonal de D. Luego las columnas de la

matriz P son n vectores propios de A, que serán linealmente independientes ya que P es
inversible.
Cuando A es diagonalizable entonces el conjunto de los n vectores propios son una base
para el espacio vectorial IRn .
Ejemplo 2.45. Diagonalizar la matriz

 
1 1 1
 
A= 0 3 0 
2 −1 2
Solución Calculemos en primer lugar los valores propios de A. Para ello hallemos las
raı́ces del polinomio caracterı́stico

1−λ
1 1

pA (λ) = Det(A − λI) = 0 3−λ 0 =0

2 −1 2 − λ
= λ(λ − 3)2 = 0
Por lo tanto, los valores propios de A son λ1 = 0 y λ2 = 3, este último con multiplicidad
algebraica 2.
En segundo lugar hallaremos los vectores propios. Para λ1 = 0, los vectores propios son
las soluciones no triviales del sistema lineal homogéneo (A − 0 I)x = 0, es decir:
    
1 1 1 x 0
    
 0 3 0  y  =  0 
2 −1 2 z 0
cuyo conjunto solución es

EA (0) = Env{(−1, 0, 1)}.
Una base de vectores propios de EA (0) esta formado por el vector u1 = (−1, 0, 1). La dimen-
sión geométrica de este subespacio EA (0) es 1.
Para λ2 = 3 los vectores propios son las soluciones del sistema lineal homogéneo (A −
3I)x = 0, es decir:     
−2 1 1 x 0
    
 0 0 0  y  =  0 
2 −1 −1 z 0
siendo
EA (3) = Env{(1, 2, 0), (1, 0, 2)}

Algebra lineal 97
el conjunto de soluciones. Una base para el subespacio EA (3) está formado por los vectores
u2 = (1, 2, 0) y u3 = (1, 0, 2), por lo tanto la dimensión geométrica del subespacio EA (3) es
2.
Por el teorema.2.12 el conjunto {u1 , u2 , u3 }, es linealmente independiente, con lo que la

matriz
P = [u1 u2 u3 ]
es inversible.
Obsérvese por último que A = PDP−1 siendo

     
−1 1 1 −2/3 1/3 1/3 0 0 0
     
P =  0 2 0  , P−1 =  0 1/2 0  y D= 0 3 0 
1 0 2 1/3 −1/6 1/3 0 0 3
El orden de las columnas de P está en función del orden de colocación de los valores propios
en D ya que
A[u1 u2 u3 ] = [u1 u2 u3 ]D
Si tomamos los valores propios en otro orden, por ejemplo construimos
 
3 0 0
 
D1 =  0 0 0 
0 0 3
entonces la matriz de vectores propios correspondientes es

 
1 −1 1
 
P1 = [u2 u1 u3 ] ⇐⇒ P1 =  2 0 0 
0 1 2
ya que
A[u2 u1 u3 ] = [u2 u1 u3 ]D1
Las matrices D y D1 tienen los mismos elementos en la digonal principal. Aún podemos
decir más, dada la matriz D, si definimos
 
−1 1 1
 
P2 =  0 0 2 
1 2 0
se verifica que A = P2 DP2−1 . Lo cual nos permite afirmar que dada la matriz diagonal D,
la matriz P formada por los vectores propios no es, en general única.
Ejemplo 2.46. Dada la matriz  
1 0 6
 
A =  0 −1 0 
1 1 2

Algebra lineal 98
diagonalizarla si es posible.
Solución. Realizaremos el problema en dos etapas.

Primero calculemos los valores propios de A
pA (λ) = Det(A − λI) = (λ + 1)2 (λ − 4) = 0
Los valores propios son λ1 = −1 con multiplicidad algebraica 2 y λ2 = 4 con multiplicidad

algebraica 1.
En segundo lugar obtendremos los vectores propios asociados a cada uno de los valores
propios.
Para λ1 = −1, se resuelve el sistema lineal homogéneo (A + I)x = 0, es decir

    
2 0 6 x 0
    
 0 0 0  y  =  0 
1 1 3 z 0
obteniendo
EA (−1) = Env{(−3, 0, 1)}
Claramente dim(EA (−1)) = 1 y el vector u1 = (−3, 0, 1) constituye una base para el subes-
pacio EA (−1).
Para λ2 = 4, se resuelve el sistema lineal homogéneo (A − 4I)x = 0, es decir

    
−3 0 6 x 0
    
 0 −5 0  y  =  0 
1 1 −2 z 0
obteniendo
EA (4) = Env{(2, 0, 1)}
Claramente dim(EA (4)) = 1 y el vector u2 = (2, 0, 1) constituye una base para el subespacio
EA (4).
El conjunto de vectores propios {u1 , u2 } es linealmente independiente. Sin embargo, el

conjunto {u1 , u2 , z} donde z es otro vector propio de A, es linealmente dependiente, ya que
z o es un múltiplo de u1 o es múltiplo u2 . Por lo tanto no existe una base de IR3 formada por
los vectores propios de A, en consecuencia A no es diagonalizable.
Observando con detalle estos dos últimos ejemplos se puede deducir que la matriz dia-
gonalizable A del ejemplo.2.45 tiene la siguiente propiedad: la suma de las dimensiones
de los subespacios propios es justamente la dimensión del espacio IR3 . Mientras que es-
ta propiedad no se da en el ejemplo.2.46 puesto que la suma de las dimensiones de los
subespacios es 2. Este hecho es básico para caracterizar las matrices diagonalizables.

Algebra lineal 99
Teorema 2.13. Una matriz A de tamaño n × n es diagonalizable, si y sólo si, la suma de

las dimensiones de los subespacios propios es n.
Para obtener caracterizaciones más directas de diagonalización necesitamos el siguien-

te resultado.
Teorema 2.14. Sea A una matriz de tamaño n × n. Si λ0 es un valor propio de A de

multiplicidad algebraica m0 , entonces
1 ≤ dim(EA (λ0 )) ≤ m0
Teorema 2.15. Sea A una matriz de tamaño n × n. A es diagonalizable si, y sólo si, se
verifican las dos condiciones siguientes:
i) El polinomio caracterı́stico pA (λ) tiene n raı́ces reales no necesariamente distintas, es

decir
pA (λ) = (λ − λ1 )m1 (λ − λ2 )m2 · · · (λ − λs )ms
con m1 + m2 + · · · + ms = n
ii) La multiplicidad algebraica de cada valor propio de A, coincide con la dimensión del
subespacio propio correspondiente.
Ejemplo 2.47. Hallar los valores y vectores propios de la matriz

 
0 0 −1 0
 
 −3 2 2 2 
A= 
 1 0 0 0 
1 2 −2 2
diagonalizarla si es posible.
Solución El polinomio caracterı́stico es
pA (λ) = λ(λ − 4)(λ2 + 1) = 0
Obsérvese que el polinomio caracterı́stico pA (λ) tiene solamente dos raı́ces reales λ1 = 0
y λ2 = 4, el factor (λ2 + 1) sólo tiene raı́ces complejas. En consecuencia la matriz A no es
diagonalizable de acuerdo al teorema.2.15. Los vectores propios son:
1. Para λ1 = 0 entonces EA (0) = ⟨(0, −1, 0, 1)⟩
2. Para λ2 = 4 entonces EA (4) = ⟨(0, 1, 0, 1)⟩
Una consecuencia inmediata del teorema.2.15 es que las matrices cuadradas de tamaño
n × n que tiene n valores propios distintos son diagonalizables, es decir.
Corolario 2.48. Sea A una matriz de tamaño n × n. Si A tiene n valores propios distintos,
entonces A es diagonalizable.

Algebra lineal 100
Ejemplo 2.49. Comprobar que la matriz

 
2 −2 3 1
 1 1 −1 
 1 
A= 
 1 3 −1 3 
0 0 0 2
es diagonalizable.
Solución. Calculando los valores propios de A, es decir, las raı́ces del polinomio carac-
terı́stico
pA (λ) = Det(A − λI) = (λ + 2)(λ − 1)(λ − 2)(λ − 3) = 0
Ası́ pA (λ) posee cuatro raı́ces distintas: −2, 1, 2, 3 y por el corolario, A es diagonalizable.
2.5. Ejercicios
1. Sea [ ]
a b
A=
c d
demuestre que:
a) A es diagonalizable si: (a − d)2 + 4bc > 0

b) A no es diagonalizable si: (a − d)2 + 4bc < 0
[ ]
1 0
2. Calcular A10 , en donde A =
−1 2
2.6. Diagonalización de matrices simétricas

Mediante ejemplos hemos comprobado que no todas las matrices cuadradas son dia-
gonalizables, ahora veremos una clase especial de matrices que verifican dichas condicio-
nes la forman las matrices simétricas. Probaremos en esta sección que dada una matriz
simétrica cuadrada existe una base de vectores propios de A. En realidad comprobaremos
que existe una base de vectores propios ortonormales. Empezaremos dando un resultado
sobre la ortogonalidad de vectores propios asociados a valores propios distintos.
Teorema 2.16. Sea A una matriz simétrica de tamaño n×n. Entonces los vectores propios
asociados a valores propios son ortogonales respecto al producto interno escalar canónico
del espacio vectorial IRn
En efecto. Supongamos que Au = λu y Av = µv, con λ ̸= µ. Realicemos los siguientes

cálculos
⟨Au, v⟩ = ⟨λu, v⟩ = λ⟨u, v⟩,
⟨Au, v⟩ = (Au)T v = uT AT v
= uT Au = ⟨u, Av⟩ = ⟨u, λv⟩

Algebra lineal 101
Luego (λ − µ)⟨u, v⟩ = 0, y como λ ̸= µ, se tiene que ⟨u, v⟩ = 0, es decir los vectores u y v son
ortogonales.
Lema 2.12. Toda matriz simétrica tiene, al menos, un valor propio real.
Teorema 2.17. Sea A una matriz cuadrada de tamaño n × n. La matriz A es simétrica si,
y sólo si, A es diagonalizable mediante una matriz ortogonal. Es decir, existe una matriz
ortogonal Q. Es decir, existe una matriz ortogonal Q tal que Q−1 AQ es diagonal.
Nota. Puesto que se puede construir una base de vectores propios ortonormales de una
matriz simétrica, diremos que toda matriz simétrica es diagonalizable por una ma-
triz ortogonal. Es decir si A es simétrica entonces existe una matriz ortogonal Q tal que
Q−1 AQ es diagonal.
Ejemplo 2.50. Diagonalizar la matriz simétrica.

 
2 0 0
 
A= 0 3 −1 
0 −1 3
Solución. El polinomio caracterı́stico es
pA (λ) = det(A − λI) = (λ − 2)2 (λ − 4) = 0
Los valores propios son λ1 = 2 con multiplicidad algebraica 2 y λ2 = 4.
Para λ1 = 2, los vectores propios son las soluciones del sistema lineal homogéneo (A −
2I)x = 0, es decir, de     
0 0 0 x 0
    
 0 1 −1   y  =  0 
0 −1 1 z 0
por lo tanto
EA (2) = Env{(1, 0, 0), (0, 1, 1)}
La base del subespacio propio EA (2) es, por tanto {u1 , u2 }, donde u1 = (1, 0, 0) y u2 = (0, 1, 1)
Para λ2 = 4 hemos de resolver el sistema (A − 4I)x = 0, es decir

    
2 0 0 x 0
    
 0 1 1  y  =  0 
0 1 1 z 0
cuyo conjunto de soluciones es
EA (4) = Env{(0, −1, 1)}
Por lo tanto, una base de EA (4) está formado por el vector u3 = (0, −1, 1).

Algebra lineal 102
Ası́,{u1 , u2 , u3 } es una base de IR3 . Para construir la matriz ortogonal Q tal que QT AQ =
D sea diagonal, necesitamos una base ortonormal de vectores propios. Como el conjunto
{u1 , u2 , u3 } ya es ortogonal, sólo hace falta normalizarlo.
Los vectores ortonormales son:

1
w1 = u1 = (1, 0, 0)
||u1 ||
( )
1 1 1
w2 = u2 = 0, √ , √
||u2 || 2 2
( )
1 1 1
w3 = u3 = 0, − √ , √
||u3 || 2 2
La matriz ortogonal es  
1 0 0
 0 √1 − √12 
Q = [w1 w2 w3 ] =  2 
0 √1 √1
2 2
Se puede comprobar que:  
2 0 0
 
QT AQ =  0 4 0 
0 0 4
es la matriz diagonal semejante a la matriz A.
Ejemplo 2.51. Dada la matriz simétrica
 
1 1 1
 
A= 1 1 1 
1 1 1
Hallar una matriz ortogonal Q tal que QT AQ es diagonal.
Solución Hallemos primero los valores propios de A, entonces el polinomio caracterı́stico

es:
pA (λ) = λ2 (λ − 3) = 0
Luego los valores propios son λ1 = 0 de multiplicidad algebraica 2 y λ2 = 3 con multiplici-
dad algebraica 1.
Para λ1 = 0 los vectores propios son: u1 = (−1, 1, 0), u2 = (−1, 0, 1)
Para λ2 = 3 el vector propio es: u3 = (1, 1, 1)

Los vectores {u1 , u2 , u3 } constituyen una base del espacio vectorial IR3 .
Para hallar la matriz Q tenemos que obtener una base de vectores ortonormales. Sa-
bemos que el conjunto {u1 , u2 } es ortogonal a {u3 } porque son vectores propios asociados a
valores propios distintos. ası́ pues, ortogonalizamos solamente el conjunto {u1 , u2 } por el
algoritmo de Gram-Schmith

Algebra lineal 103
2.7. Formas cuadráticas, aplicación a las secciones

cuadráticas
En esta sección se aplican los resultados obtenidos acerca de las transformaciones
ortogonales de coordenadas, para el estudio de las ecuaciones cuadráticas, las formas
cuadráticas y las secciones cónicas. Las formas cuadráticas surgen en una diversidad de
problemas importantes referentes a áreas tan diversos como las vibraciones, la relatividad
y la geométria.
Una ecuación de la forma
ax2 + 2bxy + cy2 + dx + ey + f = 0 (2.12)
en donde a, b, c, . . . , f son números reales, y al menos uno de los números a, b, c no es cero,

se denomina ecuación cuadrática en x e y; la expresión
ax2 + 2bxy + cy2
se llama forma cuadrática asociada.

Ejemplo 2.52. En la ecuación cuadrática
3x2 + 5xy − 7y2 + 2x + 7 = 0
las constantes que se mencionan en (2.12) son:

5
a=3 b= c = −7 d=2 e=0 f=7
2
Ejemplo 2.53. ecuación cuadrática forma cuadrática asociada
3x2 + 5xy − 7y2 + 2x + 7 = 0 3x2 + 5xy − 7y2

4x2 − 5y2 + 8y + 9 = 0 4x2 − 5y2
xy + y = 0 xy
Las gráficas de las ecuaciones cuadráticas en x e y se llaman cónicas o secciones

cónicas. Las cónicas más importantes son las elipses, las hipérbolas y las parábolas, se
dice que éstas cónicas son cónicas no degeneradas. Las cónicas restantes se califican
como degeneradas e incluyen puntos aislados y parejas de rectas.
Se dice que una cónica no degenerada se encuentra en posición estandar, con relación
a los ejes de coordenadas, si su ecuación se pueden expresar en una de las formas dadas
en la Figura.
Ejemplo 2.54. La ecuación
x2 y2 x2 y2
+ = 1 es de la forma 2 + 2 = 1 con b = 2 y a = 3
4 9 a b
Por lo tanto, su gráfica es una elipse en posición estandar, la cual se intersecta con el
eje X en los puntos (−2, 0) y (2, 0), y se intersecta con el eje Y en los puntos (0, −3) y (0, 3).

Algebra lineal 104
y2 x2
La ecuación x2 − 8y2 = −16 se puede reescribir como − = 1, la cual de la forma
2 16
y2 x2 √
− = 1 con a = 2 y b = 4. Ası́ entonces, su gráfica es una hipérbola en posición
a 2 b 2
√ √
estandar que se intersecta con el eje Y en los puntos (0, − 2) y (0, 2).
2
La ecuación 5x2 + 2y = 0 se puede volver a escribir como x2 = − y, la cual es de la for-
5
2 2
ma x = ky con k = − . Dado que k < 0, su gráfica es una parábola en posición estandar
5
que se abre hacia abajo.
Obsérvese que ninguna cónica en posición estandar tiene el término xy (conocido como
el término de producto cruzado) en su ecuación, la presencia de un término xy, en la
ecuación degenerada, indica que tal cónica está girada a su posición estandar. (Ver Figu-
ra). También, ninguna cónica en posición estandar tiene tanto un término x2 como en x,
uno en y2 y en y. Si no existe término de producto cruzado, la presencia de cualquiera de
estos dos pares de términos en la ecuación de una cónica no degenerada indica que tal
cónica está trasladada respecto a su posición estandar (Ver Figura).
Una técnica para identificar la gráfica de una cónica no degenerada, que no se encuen-
tra en la posición estándar, consiste e n hacer girar y trasladar los ejes coordenados xy,
para obtener un sistema de coordenadas x ′ y ′ , con relación al cual la cónica esté en la po-
sición estándar. Una vez que se hace lo anterior, la ecuación de la cónica en el sistema x ′ y ′
tendrá una de las formas dadas en la Figura y, por consiguiente, es posible identificarla
con facilidad.
Ejemplo 2.55. Dado la ecuación cuadrática
2x2 + y2 − 12x − 4y + 18 = 0
contiene términos en x2 , x y2 e y, pero ningún término con producto cruzado, su gráfica es

una cónica que está traslada respecto de la posición estándar, pero no está girada.
Esta cónica se puede llevar a la posición estándar, trasladando apropiadamente los ejes
coordenados. Para hacerlo, agrúpense primero los términos en x e y. Esto conduce a
(2x2 − 12x) + (y2 − 4y) + 18 = 0
o bien
2(x2 − 6x) + (y2 − 4y) = −18
al completar cuadrados en las dos expresiones que están entre paréntesis, se obtiene
2(x2 − 6x + 9) + (y2 − 4y + 4) = −18 + 18 + 4
o bien
2(x − 3)2 + (y − 2)2 = 4 (2.13)

Algebra lineal 105
si se trasladan los ejes de coordenadas por medio de las ecauciones de traslación
x′ = x − 3 y′ = y − 2
entonces (2.13) queda

x ′2 y ′2
2x ′2 + y ′2 = 4 ⇐⇒ + =1
2 4
que es la ecuación de una elipse en posición estándar, en el sistema x ′ y ′ . En la Figura se
tiene un esquema de esta elipse.
Ahora se considera la identificación de las cónicas que están giradas respecto de la

posición estándar. En el resto de este sección se sigue una convención estándar de omitir
los corchetes en todas las matrices de orden 1×1. Por lo tanto, el número 8 se puede escribir
como la matriz [8] que es una matriz de orden 1×1. Con esta convención la expresión (2.12)
se puede escribir en la forma matricial
[ ][ ] [ ]
[ ] a b x [ ] x
x y + d e +f=0
b c y y
o bien
Xt AX + KX + f = 0 (2.14)
en donde [ ] [ ]
x a b [ ]
X= A= K= d e
y b c
con esta notación, la forma cuadrática asociada a (2.14) es
Xt AX
La matriz simétrica A se denomina matriz de la forma cuadrática Xt AX
Ejemplo 2.56. Las matrices de las formas cuadráticas
3x2 + 5xy + 7y2 y 8x2 − 4y2
son  
5 [ ]
 3 2  8 0
 5  y
7 0 −4
2
Considérese una cónica C con la ecuación
Xt AX + KX + f = 0 (2.15)
Ahora se demostrará que es posible hacer girar los ejes de coordenados xy de modo que la
ecuación de la cónica, en el sistema de coordenadas x ′ y ′ , no tenga término con producto
cruzado.

Algebra lineal 106
Paso 1. Se halla una matriz [ ]

p11 p12
P=
p21 p22
que diagonaliza ortogonalmente a A.
Paso 2. Se intercambian las columnas de P, si es necesario, para hacer que Det(P) = 1. Esto
asegura que la transformación ortogonal de coordenadas
[ ] [ ]
′
x x
X = PX ′ es decir =P (2.16)
y y′
es una rotación
Paso 3. A fin de obtener la ecuación para C en el sistema x ′ y ′ , se sustituye (2.16) en (2.15).

Esto conduce a
(PX ′ )t A(PX ′ ) + K(PX ′ ) + f = 0
o bien,
X ′t (Pt AP)X ′ + K(PX ′ ) + f = 0 (2.17)
Puesto que P diagonaliza ortogonalmente a A,
[ ]
λ 1 0
Pt AP =
0 λ2
en donde λ1 y λ2 son los autovalores de A. Por lo tanto, (2.17) se puede volver a escribir
como [ ][ ] [ ][ ]
[ ] λ 0 x ′ [ ] p p x ′
x′ y′
1 11 12
+ d e +f=0
0 λ2 y′ p21 p22 y′
o bien,
λ1 x ′2 + λ2 y ′2 + d ′ x ′ + e ′ y ′ + f = 0
(en donde d ′ = dp11 + ep21 y e ′ = dp12 + ep22 ). Esta ecuación no tiene término de producto
cruzado.
En el siguiente teorema se resume este análisis.
Teorema 2.18. (Teorema de los ejes coordenados para IR2 ). Sea
ax2 + 2bxy + cy2 + dx + ey + f = 0
la ecuación de una cónica C, y supóngase que
Xt AX = ax2 + 2bxy + cy2
es la forma cuadrática asociada. Entonces se puede hacer girar los ejes coordenados de
modo que la ecuación para C en el nuevo sistema de coordenadas x ′ y ′ tenga la forma
λ1 x ′2 + λ2 y ′2 + d ′ x ′ + e ′ y ′ + f = 0

Algebra lineal 107
en donde λ1 y λ2 son los autovalores de A. Se puede llevar a cabo la rotación por medio de
la sustitución
X = PX ′
en donde P diagonaliza ortogonalmente a A y det(P) = 1.
Ejemplo 2.57. Describase la cónica C cuya ecuación es 5x2 − 4xy + 8y2 − 36 = 0

20 80
Ejemplo 2.58. Describase la cónica C cuya ecuación es 5x2 − 4xy + 8y2 + √ x − √ y + 4 = 0
5 5
Ejemplo 2.59. Describase la cónica C cuya ecuación es 9x2 − 4xy + 6y2 − 10x − 20y = 5
2.8. Formas cuadráticas: Aplicación a las superficies

cuadricas
En esta sección, las técnicas de la sección anterior se extienden hacia las ecuaciones
cuadráticas en tres variables.
Una ecuación de la forma
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j = 0 (2.18)
en donde a, b, c, . . . , i, j ∈ IR y a ̸= 0, b ̸= 0, c ̸= 0, se denomina ecuación cuadrática en

x, y, z; la expresión
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz
es la forma cuadrática asociada.
La ecuación (2.18) se puede expresar en la forma matricial

    
[ ] a d e x [ ] x
    
x y z  d b f  y  + g h i  y  + f = 0
e f c z z
o bien
XT AX + KX + f = 0
en donde    
x a d e [ ]
   
X =  y , A =  d b f , K= g h i
z e f c
la matriz simétrica A se conoce como matriz de la forma cuadrática
XT AX = ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz

Algebra lineal 108
Ejemplo 2.60. La forma cuadrática asociada con la ecuación cuadrática
3x2 + 2y2 − z2 + 3xy − 8yz + 7x + 2y + 3z − 7 = 0
es
3x2 + 2y2 − z2 + 3xy − 8yz
La matriz de esta forma cuadrática es
 
1
3 2
 2

A= 2 2 −4 
1
2
−4 −1
Las gráficas de las ecuaciones cuadráticas en x, y, z se llaman cuádricas o superfi-

cies cuádricas. A continuación se dan algunos ejemplos de cuádricas y sus ecuaciones.
Ejemplo 2.61. Descrı́base la superficie cuádrica cuya ecuación es
4x2 + 36y2 − 9z2 − 16x − 216y + 304 = 0
Solución. Al reacomodar los términos da
4(x2 − 4x) + 36(y2 − 6y) − 9z2 = −304
completando cuadrados se tiene
4(x2 − 4x + 4) + 36(y2 − 6y + 9) − 9z2 = −304 + 16 + 324
ó bien
(x − 2)2 z2
4(x − 2)2 + 36(y − 3)2 − 9z2 = 36 ⇐⇒ + (y − 3)2 − =1
9 4
Al trasladar los ejes por medio de la ecuación
x ′ = x − 2, y ′ = y − 3, z′ = z
se llega a
x ′2 z ′2
+ y ′2 − =1
9 4
que es la ecuación de un hiperboloide de un manto.
El resultado que sigue indica que siempre es posible eliminar los términos de productos
cruzados, de la ecuación de una cuádrica, girando los ejes coordenados.
Teorema 2.19. Teorema de los ejes principales para IR3 Sea
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j = 0 (2.19)
la ecuación de una cuádrica Q y supóngase que
Xt AX = ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz

Algebra lineal 109
es la forma cuadrática asociada. Entonces es posible girar los ejes coordenados de modo
que la ecuación Q en el sistema de coordenadas x ′ y ′ z ′ tenga la forma
λ1 x ′2 + λ2 y ′2 + λ3 z ′2 + g ′ x ′ + h ′ y ′ + i ′ z ′ + j = 0 (2.20)
en donde λ1 , λ2 y λ3 son los valores propios de la matriz A. Se puede llevar a cabo la

rotación por medio de la sustitución
X = PX ′
en donde P diagonaliza ortogonalmente a la matriz A y det(P) = 1.
Este teorema sugiere el siguiente procedimiento para eliminar los términos de producto
cruzado, de una ecuación cuadrática en x, y e z.
Paso 1. Se encuentra una matriz P que diagonalice ortogonalmente a la matriz A.
Paso 2. Si es necesario, se intercambian dos de las columnas de P para hacer que det(A) = 1.
Esto asegura que la transformación ortogonal de coordenadas
   
x x′
   
X = PX ′ ⇐⇒  y  = P  y ′  (2.21)
′
z z
es una rotación.
Paso 3. Se sustituye (2.21) en (2.20)
Ejemplo 2.62. Descrı́base la superficie cuádrica cuya ecuación es
4x2 + 4y2 + 4z2 + 4xy + 4xz + 4yz = 3
Solución. La forma matricial de la ecuación cuadrática anterior es:
XT AX = 3 (2.22)
en donde  
4 2 2
 
A= 2 4 2 
2 2 4
Los valores propios de la matriz A son λ1 = λ2 = 2 y λ3 = 8, los vectores propios son:
1. Si λ = λ1 = 2 entonces los vectores propios son v1 = (−1, 1, 0), v2 = (−1, 0, 1)
2. Si λ = λ3 = 8 entonces el vector propio es v3 = (1, 1, 1)
Luego usando el proceso de ortonormalización de Gram-Smhith los vectores ortonormales

son
( ) ( ) ( )
1 1 1 1 2 1 1 1
u1 = − √ , √ , 0 , u2 = − √ , − √ , √ , u3 = √ , √ , √
2 2 6 6 6 3 3 3

Algebra lineal 110
entonces la matriz de cambio de coordenadas es:

 
− √12 − √16 √1
 3

P =  √12 − √16 √1
3 
0 √2 √1
6 3
como det(P) = 1, la transformación ortogonal de coordenadas es

   
x x′
   
X = PX ′ ⇐⇒  y  = P  y ′  (2.23)
z z′
Al reemplazar (2.23) en (2.22) se obtiene
(PX ′ )T A(PX ′ ) = 3
o, de manera equivalente
X ′T (PT AP)X ′ = 3 (2.24)
ya que  
2 0 0
 
PT AP =  0 2 0 
0 0 8
(2.23) queda   
′
[ ] 2 0 0 x
  
x′ y′ z′  0 2 0   y′  = 3
0 0 8 z′
o bien
2x ′2 + 2y ′2 + 8z ′2 = 3
Esto se puede reescribir como
x ′2 y ′2 z ′2
+ + =1
3/2 3/2 3/8
que es la ecuación de un elipsoide.
2.9. Trabajo Encargado

1. Determinar cual de las siguientes aplicaciones son transformaciones lineales
a) T : IR3 → IR2 definido por T (x, y, z) = (y, x)

b) T : IR3 → IR3 definido por T (x, y, z) = (x + 1, y + 2, 0)
c) T : IR2 → IR2 definido por T (x, y) = (x + 1, y + 2)
d) T : IR3 → IR3 definido por T (x, y, z) = (x y, z, x)
e) T : IR2 → IR3 tal que T (x, y) = (x, y, 0) + (−1, 0, 0)

Algebra lineal 111
f) T : IRn → IR definido por T (x1 , x2 , . . . , xn ) = x1 + x2 + · · · + xn

g) T : IR → IRn definido por T (x) = (x, x, . . . , x)
h) T : IR2 → IR definido por T (x, y, z) = x y
i) T : P2 → P1 definido por T (a0 + a1 x + a2 x2 ) = a0 + a1 x
j) T : P2 → P4 definido por T (a0 + a1 x + a2 x2 ) = [a0 + ax + a2 x2 ]2
2. Demuestre que si T : V → W es una transformación lineal, entonces
T (u − v) = T (u) − T (v), ∀ u, v ∈ V
3. Si T : IR2 → IR2 es una transformación lineal y si T (1, 1) = (2, 0) y T (0, 2) = (3, 1).
Halle la regla de correspondencia de T (x, y).
4. Si T : IR3 → IR2 es una transformación lineal y si T (1, −1, −1) = (1, 2), T (1, −1, 0) =
(3, 4) y T (1, 0, 0) = (5, 6). Hallar la regla de correspondencia de T (x, y, z) y T (1, 1, 1).
5. Sea T : IR2 → IR2 un operador lineal tal que T (1, 0) = (2, 1), T (0, 1) = (1, −1). Determi-
nar la imagen del triángulo rectángulo cuyos vértices son (1, 1), (4, 1) y (1, 5).
6. Sea T : IR3 → IR3 un operador lineal tal que
T (x, y, z) = (x + 3y + 4z, 3x + 4y + 7z, −2x + 2y).
Hallar: Ker(T ) y Im(T )
7. Sea T : IR3 → IR2 una transformación lineal tal que T (x, y, z) = (x + y + z, y + z).
Determinar Ker(T ), Im(T ) y sus dimensiones.
8. Determinar el núcleo, imagen y las dimensiones de las siguientes transformaciones

lineales.
a) T : IR3 → IR2 tal que T (x, y, z) = (x + y + z, y + z)

b) T : IR2 → IR tal que T (x, y) = x − 2y
9. Si T es una transformación lineal definido por T (x, y, z) = (x + 2y − z, y + z, x + y − 2z),

analizar si T es inyectiva. Halle una base, la dimensión de Ker(T ), Im(T )
10. Sea T : IR3 → IR3 la multiplicación por

 
1 3 4
 
 3 4 7 
−2 2 0
a) Demuestre que el núcleo de T es una recta que pasa por el origen y encuentre las
ecuaciones paramétricas de tal recta.
b) Demuestre que el recorrido de T es un plano que pasa por el origen y halle la
ecuación de este plano.

Algebra lineal 112
11. Halle la matriz estándar de cada uno de los operadores lineales siguientes:
(a) T (x, y) = (2x − y, x + y) (b) T (x, y) = (x, y)

(c) T (x, y, z) = (x + 2y + z, x + 5y, z) (d) T (x, y, z) = (4x, 7y, −8z)
12. Halle la matriz estándar de cada uno de las transformaciones lineales siguientes:
(a) T (x, y) = (x, −y, x + 3y, x − y) (b) T (x, y, z, w) = (7x + 2y − z + w, y + z, −x)

(c) T (x, y, z, w) = (w, x, z, y, x − z) (d) T (x, y, z) = (0, 0, 0, 0, 0)
13. Halle la matriz estándar para la transformación lineal en el plano T : IR2 → IR2 que
aplica un punto (x, y) en
a) su reflexión respecto de la recta L : y = −x

b) su reflexión respecto del origen
c) su proyección ortogonal sobre el eje X
d) su proyección ortogonal sobre el eje Y
14. Halle la matriz estándar para la transformación lineal en el plano T : IR3 → IR3 que
aplica un punto (x, y, z) en
a) su reflexión respecto al plano P : z = 0

b) su reflexión respecto al plano P : y = 0
c) su reflexión respecto al plano P : x = 0
15. En cada inciso, describa el efecto geométrico de la multiplicación por la matriz dada
[ ] [ ] [ ]
3 0 1 0 1 4
(a) (b) (c)
0 1 0 −5 0 1
16. Sea la transformación lineal T : IR2 → IR3 , T (x, y) = (x + 2y, −x, 0)
a) Encuentre la matriz de T con respecto a las bases β1 = {v1 = (1, 3), v2 = (−2, 4)}
y β2 = {w1 = (1, 1, 1), w2 = (2, 2, 0), w3 = (3, 0, 0)}
b) Use la matriz obtenida en a) para calcular T (8, 3)
17. Sean v1 = (1, 3) y v2 = (−1, 4), y suponga que

[ ]
1 3
A=
−2 5
es la matriz de la transformación lineal T : IR2 → IR2 con respecto a la base β = {v1 , v2 }
a) Halle [T (v1 )]β y [T (v2 )]β

Algebra lineal 113
b) Encuentre T (v1 ) y T (v2 )

([ ])
1
c) Halle
1
18. Sea β = {v1 , v2 , v3 , v4 } una base para un espacio vectorial V. Halle la matriz con
respecto a la base β del operador lineal T : V → V definido por T (v1 ) = v2 , T (v2 ) =
v3 , T (v3 ) = v4 y T (v4 ) = v1
19. Sea D : P2 → P2 el operador derivación definido D(p(x)) = p ′ (x). En los incisos a) y

b), halle la matriz de D con respecto a la base β = {p1 , p2 , p3 }
a) p1 = 1, p2 = x, p3 = x2
b) p1 = 2, p2 = 2 − 3x, p3 = 2 − 3x + 8x2
c) Use la matriz que se encontró en a) para calcular D(6 − 6x + 24x2 )
d) Use la matriz que se encontró en b) para calcular D(6 − 6x + 24x2 )
20. La matriz de la transformación lineal T : IR3 → IR3 respecto de la base

β1 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
de IR3 es:  
2 1 −1
 
A= 3 2 2 
4 3 2
Encuentra la matriz de T respecto de la base β2 = {(2, 1, 1), (3, 2, −4), (2, 3, 3)}
21. Sea T : IR3 → IR3 el operador lineal dado por

T (x, y, z) = (2x − y + z, x + z, 3y − 2z)
a) Determine la matriz de T respecto de la base canónica de IR3
b) Determine la matriz de T respecto de la base
β2 = {(1, 2, −1), (3, 0, 1), (0, −4, 0)}
22. En el espacio vectorial IR2 considere la base β1 = {(2, 3), (5, −1)}. Sea P la matriz
[ ]
1 4
P=
8 7
Determine la base β2 de IR2 tal que P es la matriz de cambio de la base β2 a β1 .
23. En el espacio vectorial IR3 considere la base β1 = {(1, 0, 0), (0, 2, 4), (0, 1, 1)}. Sea P la
matriz  
1 2 1
 
P= 3 4 5 
0 2 0
Determine la base β2 de IR3 tal que P es la matriz de cambio de la base β1 a β2 .

Algebra lineal 114
24. Demuestre que si las matrices A y B son semejantes entonces Det(A) = Det(B)
25. Sea T : IR3 → IR3 el operador lineal dado por
T (x, y, z) = (x + y, x + z, y + z)
Sean β1 , β2 , β3 las bases de IR3 dadas por:
β1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}

β2 = {(2, 1, 3), (3, 2, 2), (1, −1, 4)}
β3 = {(3, −1, 0), (2, 0, 3), (0, 1, 1)}
Sea
P la matriz de cambio de base de β1 a β2

Q la matriz de cambio de base de β2 a β3
R la matriz de cambio de base de β1 a β3
a) Obtenga la matriz de T respecto de la base β1

b) Obtenga la matriz de T respecto de la base β2
c) Obtenga la matriz de T respecto de la base β3
d) Verifique que:
[T ]β1 = P−1 [T ]β2 P
[T ]β2 = Q−1 [T ]β3 Q
[T ]β1 = R−1 [T ]β3 R
R = (QP)−1
26. Demuestre que las matrices

[ ] [ ]
8 4 7 1
A= B=
3 2 17 3
son semejantes.
27. Halle una matriz P que diagonalice ortogonalmente a A y determine P−1 AP

[ ] [ √ ]
3 1 5
√ 3 3
(a) A = , (b) A = ,
1 3 3 3 −1
 
[ ] −2 0 −36
−7 24  
(c) A = (d) A =  0 −3 0 
24 7
−36 0 −23
   
1 1 0 2 −1 −1
   
(e) A =  1 1 0  (f) A =  −1 2 −1 
0 0 0 −1 −1 2

Algebra lineal 115
28. Sea T : IR3 −→ IR3 el operador lineal definido por T (x, y, z) = (2x−y−z, x−z, −x+y−2z).
Halle una base para IR3 con relación a la cual la matriz de T sea diagonal.
29. Sea A ∈ IRn×n y P una matriz inversible de IRn×n . Demuestre que:
a) (P−1 AP)2 = P−1 A2 P

b) (P−1 AP)k = P−1 Ak P donde k ∈ ZZ+
[ ]
a b
30. Sea A =
c d
Demuestre que:
a) A es diagonalizable si: (a − d)2 − 4bc > 0

b) A no es diagonalizable si: (a − d)2 − 4bc < 0
31. a) Resuelva el sistema
y1′ = y1 + 4y2
y2′ = 2y1 + 5y2
b) Halle la solución que satisfaga las condiciones iniciales y1 (0) = 0, y2 (0) = 0
y1′ = y1 + 3y2
y2′ = 4y1 + 5y2
b) Halle la solución que satisfaga las condiciones iniciales y1 (0) = 2, y2 (0) = 1
y1′ = 4y1 + y3
y2′ = −2y1 + y2
y3′ = −2y1 + y3
b) Halle la solución que satisfaga las condiciones iniciales y1 (0) = −1, y2 (0) =
1, y3 (0) = 0
34. Halle las formas cuadráticas asociadas con las ecuaciones cuadráticas que siguen:
a) 2x2 − 3xy + 4y2 − 7x + 2y + 7 = 0

b) x2 − xy + 5x + 8y − 3 = 0
c) 5xy = 8
d) 4x2 − 2y2 = 7
e) y2 + 7x − 8y − 5 = 0

Algebra lineal 116
35. Encuentre las matrices de las formas cuadráticas que se dan en el ejercicio (34)
36. Nombre las cónicas siguientes
(a) 2x2 + 5y2 = 20, (b) x2 − y2 − 8 = 0, (c) x2 + y2 − 25 = 0 (d) − x2 = 2y

(e) 4x2 + 9y2 = 1, (f) 4y2 − 5y2 = 20, (g) 7y2 − 2x = 0 (h) 3x − 11y2 = 0
(i) y − x2 = 0, (j) x2 − 3 = −y2
37. En cada inciso, una traslación lleva la cónica a la posición estándar. Nombre la
cónica y dé su ecuación en el sistema de coordenadas trasladado
a) 9x2 + 4y2 − 36x − 24y + 36 = 0

b) x2 − 16y2 + 8x + 128y = 256
c) y2 − 8x − 14y + 49 = 0
d) x2 + y2 + 6x − 10y + 18 = 0
38. Las cónicas no degeneradas que siguen están giradas respecto a la posición estándar.
En cada inciso, gı́rense los ejes coordenadas a fin de eliminar el término x y. Nombre
la cónica y dé su ecuación en el sistema de coordenadas girado.
a) 2x2 − 4xy − y2 + 8 = 0
b) x2 + 2xy + y2 + 8x + y = 0
c) 5x2 + 4xy + 5y2 = 9
d) 11x2 + 24xy + 4y2 − 15 = 0
e) 9x2 − 4xy + 6y2 − 10x − 20y = 5
f) 3x2 − 8xy − 12y2 − 30x − 64y = 0
39. Halle las formas cuadráticas asociadas con las ecuaciones cuadráticas que siguen
a) x2 + y2 − z2 + 4xy − 5yz + 7x + 2z = 2
b) 3x2 + 7z2 + 2xy − 3xz + 4yz − 3x = 4
c) xy + xz + yz = 1
d) x2 + y2 − z2 = 7
e) 3z2 + 3xz − 14y + 9 = 0
f) 2z2 + 2xz + y2 + 2x − y + 3z = 0
40. Nombre las cuádricas siguientes
a) 36x2 + 9y2 + 4z2 = 36

b) 2x2 + 6y2 − 3z2 = 18
c) 6x2 − 3y2 − 2z2 = 6

Algebra lineal 117
d) 9x2 + 4y2 − z2 = 0
e) 16x2 + y2 = 16z
f) 7x2 − 3y2 + z = 0
g) x2 + y2 + z2 = 25
41. En cada inciso, halle una rotación X = PX ′ que elimine los términos de productos
cruzados. Nombre la cuádrica y dé su ecuación en el sistema x ′ y ′ z ′
a) 2x2 + 3y2 + 23z2 + 72xz + 150 = 0

b) 4x2 + 4y2 + 4z2 + 4xy + 4xz + 4yz = 5
c) 144x2 + 100y2 + 81z2 − 216xz − 540x − 720z = 0
d) 2xy + z = 0

Alg Lineal 02

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

Alg Lineal 02

Cargado por

Copyright:

Formatos disponibles

Índice general

1. Espacios vectoriales y transformaciones lineales 2

satisface las siguientes propiedades:

2. (x + y) + z = x + (y + z), (propiedad asociativa)

4. x + (−x) = (−x) + x = 0, (elemento opuesto)

5. λ(x + y) = λx + λy, (propiedad distributiva)

6. (λ + β)x = λx + βx, (propiedad distributiva)

donde x, y, z ∈ IRn y λ, β ∈ IR.

1.2. Espacios y subespacios

1. La suma de u y v, denotado con u + v, está en V, es decir:

+ : V × V 7−→ V, (u, v) 7−→ u + v

4. Existe un único vector cero 0, tal que u + 0 = u

5. Para cada u ∈ V, existe un único vector −u ∈ V tal que: u + (−u) = 0

6. El múltiplo escalar de u por λ, que se denota con λu ∈ V, es decir:

+ : IR × V 7−→ V, (λ, v) 7−→ λ v

2. En vista de la generalidad de la definición de espacio vectorial, se podrán tener, en-

Teorema 1.1. Sea V un espacio vectorial, entonces:

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

5. (−λ)v = −(λ v) = λ(−v ∀ u ∈ V, 8. Si λ ∈ IR, λ ̸= 0, λu = λv ⇒ u =

Ejemplo 1.1. Consideremos el conjunto

V = IRn = {x = (x1 , x2 , . . . , xn ) / i = 1, 2, . . . , n, xi ∈ IR}

x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

Demuestre que el conjunto de IRn es un espacio vectorial.

Ejemplo 1.2. Consideremos el conjunto

V = IR2 = {x = (x1 , x2 ) / i = 1, 2, xi ∈ IR}

x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 − y1 , x2 − y2 )

¿En IR2 con estas operaciones es un espacio vectorial?

Ejemplo 1.3. Consideremos el conjunto

V = IR3 = {x = (x, y, z) / x, y, z ∈ IR}

1. (x, y, z) + (x ′ , y ′ , z ′ ) = (x + x ′ , y + y ′ , z + z ′ ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

2. (x, y, z) + (x ′ , y ′ , z ′ ) = (x + x ′ , y + y ′ , 0), λ(x, y, z) = (λx, λy, 0), λ ∈ IR

3. (x, y, z) + (x ′ , y ′ , z ′ ) = (x x ′ , y y ′ , z z ′ ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Ejemplo 1.4. Considere el conjunto de las matrices IR2×2 , es decir:

Definamos en el conjunto IR2×2 la suma y el producto por escalares como:

Demuestre que el conjunto IR2×2 es un espacio vectorial.

Ejemplo 1.5. El espacio Pn

En este conjunto se define la suma de polinomios “coeficiente a coeficiente", o sea, sean

dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ∈ V

Para el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn y el escalar λ ∈ IR, se define el producto

λp(x) = λa0 + λa1 x + · · · + λan xn ∈ V

Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.

La igualdad en este conjunto se define como sigue:

El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + · · · 0xn ∈ Pn

Dado el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn , su inverso aditivo es el polinomio

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

IRm×n = {A = [aij ]m×n / ∀ i = 1, 2, . . . , m, ∀ j = 1, 2, . . . , n}

En el capı́tulo anterior se ha definido la suma de matrices de IRm×n , ası́ como la multipli-

Ejemplo 1.7. El espacio F(I).

(f + g)(x) = f(x) + g(x)

Si f ∈ F(I) y λ ∈ IR, defı́nase el producto de f por el escalar λ como la función λ g : I ⊂ IR 7→ IR

Teorema 1.2. (Reglas de productos nulos) Sean v ∈ V y λ ∈ IR, entonces:

Teorema 1.3. Reglas de simplificación Sean u, v ∈ V y λ, β ∈ IR, entonces:

¿Es W un espacio vectorial?

Veamos los dos ejemplos siguientes:

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

W = {(x, y) / x, y ∈ IR, y > 0}

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

Uno se pregunta si W es un espacio vectorial.

Ejemplo 1.9. Sin embargo, si W es el siguiente conjunto de IR2

W = {(x, y) / x, y ∈ IR, y = 2x}

Definición 1.2. Sea V un espacio vectorial, W ̸= ø y W ⊂ V, se dice que W es un subes-

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales