Algebra Lineal 20182019 Q 2

ÀLGEBRA I CÀLCUL MULTIVARIABLE
Álgebra Lineal y Geometría
1. Espacios Vectoriales
Objetivos
J
J Conocer el concepto de espacio vectorial y sus propiedades.
J Conocer los conceptos de sistema generador e independencia lineal.
J Saber determinar una base de un espacio vectorial.
Calcular la matriz de cambio de base.
1.1 Definiciones
Un espacio vectorial es una estructura algebraica creada a partir de un conjunto no vacío,
una operación interna y otra operación externa que cumplen ciertas propiedades fundamen-
tales. A los elementos de un espacio vectorial se les llama vectores y a los elementos del
cuerpo, escalares.
Definición Sea E un conjunto no vacío, en el que hay definidas una operación interna
y otra externa denominadas suma y producto por escalares, respectivamente.
+ : E × E −→ E · : R × E −→ E
(~u, ~v) −→ ~u + ~v (λ, ~u) −→ λ~u
Denominamos espacio vectorial sobre el cuerpo R de los números reales a la terna (E, +, ·),
si se cumplen las siguientes propiedades:
(i) El par (E, +) verifica las siguientes propiedades que lo dotan de estructura de grupo
abeliano.
(a) (~u + ~v) + w ~ (asociativa)
~ = ~u + (~v + w)
(b) ~u + ~v = ~v + ~u (commutativa)
(c) existe un elemento de E, ~0, denominado elemento neutro de E, tal que ~u +~0 = ~u,
para todo ~u ∈ E.
(d) para todo elemento ~u ∈ E, existe un elemento de E denotado por −~u, y
denominado elemento opuesto de ~u, tal que ~u + (−~u) = ~0.
1
2
(ii) Dados α, β ∈ R y ~u, ~v ∈ E se cumple.

(e) (α + β) · ~u = α · ~u + β · ~u.
(f) α · (~u + ~v ) = α · ~u + α · ~v .
(g) (α · β) · ~u = α · (β · ~u).
(h) 1 · ~u = ~u.
Los elementos de un espacio vectorial se denominan vectores, y los números reales reciben
el nombre de escalares.
Ejemplo Los siguientes conjuntos con las operaciones definidas en cada caso son espacios
vectoriales

(i) El conjunto R3 = (x, y, z) : x, y, z ∈ R con las operaciones
(x1 , y1, z1 ) + (x2 , y2, z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) y λ(x, y, z) = (λx, λy, λz).
(ii) El conjunto Rn [x] de los polinomios con coeficiente reales de grado menor o igual que
n con las operaciones habituales
p(x) + q(x) = (a0 + a1 x + · · · + an xn ) + (b0 + b1 x + · · · + bn xn )
= (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ,
λp(x) = λ(a0 + a1 x + · · · + an xn )
= λa0 + λa1 x + · · · + λan xn .
(iii) El conjunto MR (m, n) de las matrices de orden m × n con las operaciones suma de
matrices y producto por escalares visto en Càlcul.
Un subconjunto F no vacío de un espacio vectorial (E, +, ·) es un subespacio vectorial

de E si se cumplen las siguientes propiedades
(i) ~u, ~v ∈ F =⇒ ~u + ~v ∈ F .
(ii) λ ∈ R y ~u ∈ F =⇒ λ~u ∈ F .
De forma equivalente podríamos comprobar que para todo α, β ∈ R y ~u, ~v ∈ F se verifica

que α~u + β~v ∈ F .
Entre los subespacios vectoriales de (E, +, ·) tenemos los llamados triviales que son el
{0} y el total E.
c
Carmona, Á. & Encinas, A.M. ÀLGEBRA I CÀLCUL MULTIVARIABLE. EEBE, 2018
3
Proposición Si F es un subespacio vectorial de (E, +, ·), entonces ~0 ∈ F .

Demostración Sea ~u ∈ F , entonces −~u ∈ F =⇒ ~u + − ~u = ~0 ∈ F.
Ejemplos Probar si los siguientes subconjuntos son subespacios vectoriales o no del
espacio correspondiente.
( !)
a11 0
(1) F = A ∈ M2×2 (R) : A = ⊂ M2×2 (R).
a21 a22
!
0 0
En primer lugar observamos que ∈ F . Comprobamos el resto de propiedades:
0 0
! ! !
a11 0 b11 0 a11 + b11 0
+ = ∈ F,
a21 a22 b21 b22 a21 + b21 a22 + b22
ya que es una matriz con el elemento 12 nulo. Además,
! !
a11 0 λa11 0
λ = ∈ F,
a21 a22 λa21 λa22
ya que es una matriz con el elemento 12 nulo.

(2) F = (x, y) ∈ R2 : x + y = 0 ⊂ R2 .
En primer lugar observamos que (0, 0) ∈ F . Comprobamos el resto de propiedades:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) ∈ F,
ya que si sumamos las dos coordenadas obtenemos que
(x1 + x2 ) + (y1 + y2 ) = x1 + y1 + x2 + y2 = 0 + 0 = 0
mientras que
α(x1 , y1 ) = (αx1 , αy1 ) ∈ F,
ya que si sumamos las coordenadas obtenemos que
αx1 + αy1 = α(x1 + y1 ) = 0.

(3) F = (x, y) ∈ R2 : x + y = 1 ⊂ R2 .
En primer lugar observamos que (0, 0) ∈
/ F , por tanto F no es un subespacio vectorial
de R2 .
1.2 Combinación lineal de vectores

Sea S = ~v1 , . . . , ~vm un conjunto de vectores de un espacio vectorial E. Un vector ~u es
una combinación lineal de los vectores de S, si existen escalares λ1 , . . . , λm tales que
c
4
~u = λ1~v1 + · · · + λm~vm .
Una combinación lineal se denomina nula si es igual al vector ~0. Cuando todos sus escalares
son nulos obtenemos la combinación lineal trivial; es decir,
~0 = 0 · ~v1 + · · · + 0 · ~vm .

Definición Un conjunto S = ~v1 , . . . , ~vm de vectores de un espacio vectorial E se llama
libre si su única combinación lineal nula es la combinación lineal trivial. En caso contrario,
el conjunto S se denomina ligado. Los vectores de un conjunto libre se denominan lineal-
mente independientes, mientras que los de un conjunto ligado se denominan linealmente
dependientes.
Ejemplos
Expresar el vector ~u = (2, −1) ∈ R como combinación lineal de
2
(a) S = ~e1 = (1, 0), ~e2 = (0, 1)

Escribimos el vector como combinación lineal de los elementos de S
(2, −1) = λ(1, 0) + β(0, 1) = (λ, β).
Igualando componentes obtenemos que λ = 2 y β = −1. Por tanto,
(2, −1) = 2 · (1, 0) + (−1) · β(0, 1).

(b) S = ~v1 = (2, 2), ~v2 = (4, 1)
(2, −1) = λ(2, 2) + β(4, 1) = (2λ + 4β, 2λ + β).
Igualando componentes obtenemos el sistema

)
2 = 2λ + 4β
−1 = 2λ + β
cuya solución es λ = −1 y β = 1. Por tanto,
(2, −1) = (−1) · (2, 2) + 1 · (4, 1).

( c) S = w~ 1 = (0, 1), w
~ 2 = (2, 1), w
~ 3 = (−1, −2)
c
5

(2, −1) = λ(0, 1) + β(2, 1) + γ(−1, −2) = (2β − γ, λ + β − 2γ).
)
2 = 2β − γ
−1 = λ + β − 2γ
que es compatible e indeterminado y las soluciones son λ = −5 + 3β y γ = 2β − 2. Por
tanto,
(2, −1) = (−5 + 3β) · (0, 1) + β · (2, 1) + (2β − 2)(−1, −2).
Observamos que existen infinitas combinaciones lineales de los vectores de S que nos dan el
vector ~u.

( d) S = ~z1 = (4, −6), ~z2 = (−6, 9)
(2, −1) = λ(4, −6) + β(−6, 9) = (4λ − 6β, −6λ + 9β).
)
2 = 4λ − 6β
−1 = −6λ + 9β
que es incompatible. Por tanto, el sistema no tiene solución y el vector ~u no se puede expresar
como combinación lineal de los elementos de S. Observar que
3~z1 + 2~z2 = ~0.
Por lo que S es un sistema ligado y el vector ~u es independiente de los vectores de S.
Ejemplos Comprobar si los vectores ~u = (3, 1, 2) y ~v = (4, −1, 2) son linealmente
independientes o linealmente dependientes.
Planteamos el sistema que nos proporciona la combinación lineal nula
(0, 0, 0) = λ(3, 1, 2) + β(4, −1, 2) = (3λ + 4β, λ − β, 2λ + 2β).
Por tanto, 
0 = 3λ + 4β 



0=λ−β =⇒ λ = β = 0.




0=λ+β
c
6
Como la única solución del sistema es la nula, el sistema de vectores S = {~u, ~v } es linealmente
independiente.
Comprobar si los vectores ~u = (−1, 1, 0) y ~v = (3, −3, 0) son linealmente independientes
o linealmente dependientes.
Planteamos el sistema que nos proporciona la combinación lineal nula
(0, 0, 0) = λ(−1, 1, 0) + β(3, −3, 0) = (−λ + 3β, λ − 3β, 0).
Por tanto, 
0 = −λ + 3β 



0 = λ − 3β =⇒ λ = 3β.




0=0
Existen infinitas combinaciones lineales no nulas de los vectores ~u, ~v , por lo que el sistema
de vectores S = {~u, ~v} es linealmente dependiente. Observar que ~v = −3~u.
Proposición Un conjunto de vectores S con al menos 2 elementos, es libre si y sólo si
ningún vector de S es combinación lineal del resto.

Demostración Sea S = ~v1 , . . . , ~vm con m ≥ 2. Supongamos que
~vj = λ1~v1 + · · · + ~vbj + · · · + λm~vm ,
para algún j = 1, . . . , m, donde ~vbj significa que el vector ~vj no aparece en la combinación.
Entonces,
~0 = λ1~v1 + · · · − ~vj + · · · + λm~vm
es una combinación lineal de los vectores de S no trivial, ya que λj = −1 6= 0. Por tanto, S
es ligado.
Recíprocamente, si S es ligado existen λ1 , . . . , λm no todos nulos tales que
~0 = λ1~v1 + · · · + λj ~vj + · · · + λm~vm .
Supongamos que λj 6= 0, entonces

λ1 λm
~vj = − ~v1 − · · · − ~vbj − · · · − ~vm ;
λj λj
es decir, vj se puede obtener como una combinación lineal del resto.

Proposición Sea S = ~v1 , . . . , ~vm un subconjunto libre de un espacio vectorial E.
Entonces,
(i) ~0 ∈
/ S.
c
7
(ii) Todos los subconjuntos de S son libres.

(iii) Si S = ~v1 , S es libre si y sólo si ~v1 6= ~0.
( )
P
m
(iv) Dado ~v ∈ E, el conjunto S ∪ {~v } es libre si y sólo si ~v ∈
/ λj ~vj : λj ∈ R .
j=1
(v) Sean 0 6= λ ∈ R y ~vi ∈ S. El conjunto S1 obtenido al reemplazar en S el vector ~vi por

λ~vi es libre.
(vi) Sean λ ∈ R y ~vi , ~vj ∈ S. El conjunto S2 obtenido al reemplazar en S el vector ~vi por
v~i + λ~vj es libre.

Ejemplo Sea S = ~u, ~v , w
~ un subconjunto ligado de un espacio vectorial E. Demostrar,
o en caso contrario dar un contraejemplo, las siguientes afirmaciones.
(i) El vector ~u depende linealmente de los otros dos.
(ii) Uno de los tres vectores depende linealmente de los otros dos.
(i) No necesariamente el vector ~u es el que depende linealmente de los otros dos.

Supongamos que tomamos ~u y w
~ independientes. Entonces,

S = ~u, w,
~ −w~
es ligado, pero ~u no es combinación lineal de los otros dos.

(ii) En este caso la afirmación es verdadera.
Si S es ligado existen α, β, γ ∈ R no todos nulos tales que
~ = ~0.
α~u + β~v + γ w
Supongamos que α 6= 0, entonces
β γ
~u = − ~v − w.
~
α α
Ejemplo Consideramos el subconjunto de R3

S = ~u = (1, 1, 1), ~v = (1, 1, 0), w
~ = (k, 0, 1) .
¿ Para qué valores de k el conjunto S es ligado?.
c
8
Método 1 Como los vectores ~u, ~v son linealmente independientes, construimos la matriz
de coordenadas de los vectores e imponemos que tenga rango 2. Calculamos el determinante
e imponemos que se anule.
 
1 1 1
 
det 1 1 0 = −k.
k 0 1
Por tanto,
el conjunto S es ligado sii k = 0.
Método 2 Como los vectores ~u, ~v son linealmente independientes, imponemos que el
vector w
~ sea combinación lineal del resto.
     
k 1 1
     
0  = λ 1 + β 1 ;
1 1 0
es decir, tenemos que resolver el sistema


k =λ+β 

0=λ+β =⇒ λ = 1, β = −1.


1=λ
Por tanto,
el conjunto S es ligado sii k = 0.
1.3 Base de un espacio vectorial

Sea S = ~v1 , . . . , ~vm un subconjunto finito de un espacio vectorial E. Denominamos
conjunto generado por S, y se denota por hSi, a aquél subespacio cuyos elementos son todas
las combinaciones lineales de los elementos de S; es decir,

hSi = λ1~v1 + λ2~v2 + · · · + λm~vm ; λ1 , . . . , λm ∈ R .
Dados un conjunto finito S y F = hSi, el conjunto S recibe el nombre de sistema de

generadores de F .
c
9

Observación Si S = ~v1 , . . . , ~vm es un sistema de generadores de F , entonces todo
elemento de F se puede escribir como combinación lineal de los elementos de S.
Definición Sea E un espacio vectorial con un sistema de generadores finito S; es decir,
tal que E = hSi. Decimos que E es un espacio vectorial de dimensión finita.

Proposición Sea S = ~v1 , . . . , ~vm un sistema de generadores finito de un espacio
vectorial E.
(i) Si ~v ∈ E, entonces S ∪ {~v} es un sistema de generadores de E.
(ii) Si para algún i, ~vi ∈ S es tal que ~vi es combinación lineal de los elementos de S \ {~vi },
entonces S \ {~vi } es también es un sistema de generadores de E.
(iii) Existe un subconjunto B de S que es libre y sistema generador de E.
(iv) Sean 0 6= λ ∈ R y ~vi ∈ S. Entonces, el conjunto S1 obtenido al reemplazar el vector ~vi

de S por λ~vi es un sistema generador de E.
(v) Sean λ ∈ R y ~vi , ~vj ∈ S. Entonces, el conjunto S2 obtenido al reemplazar el vector ~vi
de S por ~vi + λ~vj es un sistema generador de E.
Definición Llamamos base de un espacio vectorial E a un sistema de generadores finito

del espacio vectorial E que sea libre.
Todas las bases de un espacio vectorial tienen el mismo número de vectores. Al número
de vectores de una base cualquiera se le llama dimensión del espacio vectorial.
Todo vector de un espacio vectorial E se puede expresar de forma única como combinación
lineal de los vectores de una base cualquiera B de ese espacio vectorial.

Se llaman coordenadas de un vector ~v ∈ E respecto de una base B = ~v1 , . . . , ~vm de E
a los números c1 , . . . , cm ∈ R que satisfacen
~v = c1~v1 + . . . + cm~vm .
Notación Las coordenadas de un vector se suelen denotar de la siguiente manera
 
c1
 . 
[~v ]B =  . 
 . .
cm
c
10

Ejemplo (1) El conjunto C = ~e1 = (1, 0, 0), ~e2 = (0, 1, 0), ~e3 = (0, 0, 1) es una base de
R3 , denominada base canónica.
En primer lugar tenemos que ver que el conjunto de vectores C genera R3 . Sea (x, y, z) ∈
R3 , entonces
(x, y, z) = x~e1 + y~e2 + z~e3 .
En segundo lugar debemos comprobar que son linealmente independientes. Para ello, basta
observar que la matriz formada por los vectores es invertible y por tanto tiene rango 3.
Observar que
dim(R3 ) = 3.

(2) El conjunto C = 1, x, . . . , xn es una base de Rn [x], denominada base canónica.
En primer lugar tenemos que ver que el conjunto de vectores C genera Rn [x]. Sea
p(x) ∈ Rn [x], entonces
p(x) = a0 · 1 + a1 · x + · · · + an · xn .
En segundo lugar, debemos comprobar que son linealmente independientes. Para ello, basta
observar que cada elemento de la base es un polinomio de grado diferente. Observar que las
coordenadas del vector p(x) en la base canónica son (a0 , a1 , . . . , an ), y que
dim(Rn [x]) = n + 1.
Ejemplo Demostrar que la dimensión de MR (2 × 2) es 4.

Consideramos el conjunto
( ! ! ! !)
1 0 0 1 0 0 0 0
C = C1 = , C2 = , C3 = , C4 = .
0 0 0 0 1 0 0 1
En primer lugar vemos que C es libre,

! ! ! ! !
1 0 0 1 0 0 0 0 0 0
α +β +γ +δ = ,
0 0 0 0 1 0 0 1 0 0
implica que
! !
α β 0 0
= =⇒ α = β = γ = δ = 0.
γ δ 0 0
c
11
Comprobamos ahora que el conjunto C genera,
! ! ! ! !
a11 a12 1 0 0 1 0 0 0 0
= a11 + a12 + a21 + a22 .
a21 a22 0 0 0 0 1 0 0 1
Por tanto el conjunto C es una base de MR (2 × 2), y la dimensión es 4.

Definición Sea S un conjunto de vectores de un espacio vectorial E y consideramos
F = hSi. Se llama rango de S a la dimensión de F ; es decir, al número de vectores linealmente
independientes de S.
Observación Para determinar si una colección de vectores es libre construimos la
matriz de coordenadas, hacemos su m.e.r.f. y estudiamos el rango de dicha matriz. El rango
de la matriz es la dimensión del espacio vectorial generado por los vectores y las filas no
nulas constituyen una base.
1.4 Cambio de base en un espacio vectorial

Si tenemos B = ~v1 , . . . , ~vn y B ′ = ~u1 , . . . , ~un dos bases de un mismo espacio vectorial
E, estamos interesados en conocer como expresar las coordenadas de un vector ~v en la base
B ′ , [~v ]B′ , en función de las coordenadas de [~v]B .

Ejemplo Sean las bases B = ~e1 = (1, 0), ~e2 = (0, 1) y B ′ = ~v1 = (−1, 1), ~v2 !=
1
(2, −1) . Consideramos el vector ~v = (1, 1) cuyas coordenadas en la base B son [~v ]B = .
1
Queremos calcular [~v ]B′ . Para ello debemos resolver el sistema que resulta de
(1, 1) = α(−1, 1) + β(2, −1);
es decir, )
1 = −α + 2β
=⇒ β = 2, α = 3.
1=α−β
Por tanto,
!
3
[~v ]B′ = = 3~v1 + 2~v2 .
2
¿Qué relación hay entre [~v ]B y [~v ]B′ ? ¿Podemos ver alguna regla? Observemos que las
coordenadas de ~v en la base B ′ se obtienen como la solución del sistema escrito en forma
c
12
matricial siguiente ! ! !
1 −1 2 α
= .
1 1 −1 β
Por tanto,
!
−1 2
[~v ]B = [~v]B′ .
1 −1
La matriz que aparece en la relación anterior esta formada por las coordenadas de los vectores
de la base B ′ en la base B.
Definición Sean B y B ′ dos bases de un mismo espacio vectorial E de dimensión n.
La matriz de cambio de base de B ′ a B, denotada por [IE ]B′ B es

[IE ]B′ B = [~u1 ]B , [~u2]B , . . . , [~un ]B ∈ MR (n),

donde B ′ = ~u1 , . . . , ~un .
En el ejemplo anterior, !
−1 2
[IE ]B′ B = .
1 −1
Proposición (Fórmula del cambio de base) Sean B y B ′ dos bases de un mismo

espacio vectorial E de dimensión n, y ~v ∈ E. Entonces,
[~v ]B = [IE ]B′ B [~v ]B′ .
Observación
[IE ]BB′ = [IE ]−1
B′ B
.
Ejemplo En el espacio vectorial E = R2 [x] consideramos las siguientes bases

C = 1, x, x2 , B = 1, 1 − x, x + x2 , B ′ = 1 + 3x, 2 + x + x2 , 1 + x + x2 .
Obtener las coordenadas del vector p(x) = 1 + 2x + 4x2 en cada una de las bases.
En primer lugar calculamos las coordenadas del vector p(x) en la base canónica C,
c
13
 
1
 
[p(x)]C = 2 .
4
Necesitamos ahora las matrices de cambio de base
   
1 1 0 1 2 1
   
[IE ]BC = 0 −1 1 y [IE ]B′ C = 3 1 1 .
0 0 1 0 1 1
Aplicando la fórmula del cambio de base obtenemos que

 −1       
1 1 0 1 1 1 −1 1 −1
        
[p(x)]B = [IE ]−1
BC
[p(x)]C = 0 −1 1 2 = 0 −1 1  2 =  2  ,
0 0 1 4 0 0 1 4 4
mientras que
 
2
 −1       − 
1 2 1 1 0 −1 1 1  3
    1    
− 7  .
[p(x)]B′ = [IE ]−1 [p(x)]C
= 3 1 1  2  = − −3 1 2  2  =  3
B′ C
3  
0 1 1 4 3 −1 −5 4  19 
3
c
14
Problemas Resueltos
Problema 1. Hallar la dimensión del siguiente subespacio vectorial y una base:
(i) F1 = {(x, y, z, t) ∈ R4 : 2x − y + z + t = 0} .
En primer lugar buscamos un sistema de generadores. Observar que t = −2x + y − z y

por tanto,
(x, y, z, t) = (x, y, z, −2x + y − z) = x(1, 0, 0, −2) + y(0, 1, 0, 1) + z(0, 0, 1, −1);
es decir,
~v1 = (1, 0, 0, −2), ~v2 = (0, 1, 0, 1), ~v3 = (0, 0, 1, −1) es un sistema de generadores.
Ahora estudiamos la dependencia o independencia lineal de los vectores analizando el rango

de la matriz de coordenadas.  
1 0 0 −2
 
0 1 0 1  .
0 0 1 −1
La matriz anterior tiene rango 3 y por tanto
los vectores ~v1 , ~v2 y ~v3 son base del F1 .
Problema
2. En el espacio vectorial de R4 se considera el conjunto de vectores S =
(2, 0, −1, 1), (−1, 1, −2, 0), (0, 2, −5, 1), (5, −1, 0, 2) y el espacio generado por S, F=hSi.
(i) Calcular el rango de F .
(ii) Dar una base de F .
(iii) Comprobar si los vectores w

~ 1 = (−4, 0, 2, −2) y w
~ 2 = (2, 1, −3, 1) están en F .
(i) El rango de S es el número máximo de vectores linealmente independiente de S.

       
2 0 −1 1 1 −1 2 0 1 −1 2 0 1 −1 2 0
       
−1 1 −2 0 0 2 −5 1 0 2 −5 1 0 2 −5 1
 ∼ ∼ ∼ .
0 2 −5 1      0 0
  2 0 −1 1 0 2 −5 1 0 0 
5 −1 0 2 5 −1 0 2 0 4 −10 2 0 0 0 0
c
15
Por tanto,
rang(F ) = 2.
(ii) De la expresión matricial anterior deducimos que una base de F es
~v1 = (1, −1, 2, 0), ~v2 = (0, 2, −5, 1).
(iii) Podemos proceder de dos formas.

Método 1 Un vector estará en F si es combinación lineal de los elementos de la base. Por
tanto, tenemos que resolver el sistema
(−4, 0, 2, −2) = λ(1, −1, 2, 0) + β(0, 2, −5, 1);
es decir, 
−4 = λ 



0 = −λ + 2β 
2 = 2λ − 5β 




−2 = β
El vector w
~ 1 si pertenece a F .
Método 2 Calculamos la m.e.r.f de la matriz formada por los vectores de la base y el

vector en estudio. Si el rango aumenta no estará en F , en caso contrario si.
     
1 −1 2 0 1 −1 2 0 1 −1 2 0
     
0 2 −5 1  ∼ 0 2 −5 1  ∼ 0 2 −5 1 .
−4 0 2 −2 0 −4 10 −2 0 0 0 0
El vector w
~ 1 si pertenece a F .
En el caso del vector w

~ 2, aplicando el segundo método obtendríamos que
     
1 −1 2 0 1 −1 2 0 1 −1 2 0
     
0 2 −5 1 ∼ 0 2 −5 1 ∼ 0 2 −5 1  .
2 1 −3 1 0 3 −7 1 0 0 1 −1
c
16
El vector w
~ 2 no pertenece a F .
Si aplicáramos el primer método obtendríamos un sistema incompatible.
c
17
Problemas
Problema 3. Determinar si los siguientes subconjuntos son subespacios vectorial del cor-
respondiente espacio vectorial:
( !)
a11 −a11
(i) F1 = A ∈ M2×2 (R) : A = ⊂ M2×2 (R).
a21 a22

(ii) F2 = (x, y) ∈ R2 : x − 3y = 0 ⊂ R2 .

(iii) F3 = (x, y) ∈ R2 : 2x + y = 2 ⊂ R2 .

(iv) F4 = p(x) ∈ Rn [x] : p(0) = 0 ⊂ Rn [x].
Problema 4. Calcular los subespacios generados por los subconjuntos que se indican:

(i) S = (1, −1), (1, 0) ⊂ R2 .

(ii) S = 1 − x, x2 ⊂ R2 [x].
( !)
1 −1
(iii) S = ⊂ M2 (R).
0 1

(iv) S = (1, −1, 0, 1), (1, 1, 1, 1) ⊂ R4 .
Problema 5. Expresar el vector r(x) = 3x3 − 2x + 4 ∈ R3 [x] como combinación lineal de

(i) S = p1 (x) = 1, p2 (x) = x, p3 (x) = x2 , p4 (x) = x3 .

(ii) S = p1 (x) = 3, p2 (x) = 1 − 2x, p3 (x) = 1 + x2 , p4 (x) = x3 .
c
18
Problema 6. Hallar el vector de R3 cuyas coordenadas con respecto de la base
B = {(2, −1, 1), (1, 0, 2), (0, −1, 4)}
sean
(i) (−1, 1, 2).
(ii) (2, 0, 2).
Problema 7. Determinar para que valores de z el vector ~v = (5, 1, z) pertenezca al sube-

spacio vectorial de R3 generado por los vectores
~u1 = (7, 0, −1), ~u2 = (−1, 3, 0), ~u3 = (−2, 1, 0).
Problema
8. En el espacio vectorial de R4 se considera el conjunto de vectores S =
(2, 0, −1, 1), (−1, 1, −2, 0), (0, 2, −5, 1), (5, −1, 0, 2) y el espacio generado por S, F=hSi.
(i) Calcular el rango de F .
(ii) Dar una base de F .
(iii) Comprobar si los vectores w

~ 1 = (−4, 0, 2, −2) y w
~ 2 = (2, 1, −3, 1) están en F .
Problema 9. Comprobar si los vectores que se indican son linealmente independientes o

linealmente dependientes:
(i) ~u1 = (1, 0, 1), ~u2 = (2, 3, 0) y ~u3 = (2, 3, 1).
(ii) p1 (x) = x, p2 (x) = 2x2 + x, p3 (x) = x2 + 3.
(iii) ~v1 = (2, 0, −1), ~v2 = (0, 1, 1) y ~v3 = (1, 1, 0).

Problema 10. Sea ~u, ~v , w~ un subconjunto ligado de un espacio vectorial E. Demostrar,
o en caso contrario dar un contraejemplo, las siguientes afirmaciones.
(i) El vector ~u depende linealmente de los otros dos.
(ii) Uno de los tres vectores depende linealmente de los otros dos.
c
19
Problema 11. Consideramos el subconjunto de R3

S = ~u = (1, 1, 1), ~v = (1, 1, 0), w
~ = (k, 0, 1) .
¿ Para qué valores de k el conjunto S es ligado?.
Problema 12. Consideramos el subconjunto de R4

S = ~u = (4, 1, 2, −5), ~v = (0, 1, h, k), w
~ = (2, 1, −1, 3) .
¿ Para qué valores de k, h el conjunto S es ligado?.
Problema 13. Sean E un espacio

vectorial y {~u, ~v , w}
~ un conjunto libre de vectores de
E. Demostrar que el conjunto ~u + ~v, ~v + w,
~ w~ + ~u es también libre.

Problema 14. Sea S = ~u, ~v, w ~ un conjunto
independiente de vectores de un espacio
vectorial E. Determinar si el conjunto B = ~u − 2~v + w,
~ ~u + ~v, ~u − ~v es linealmente
independiente o dependiente.
Problema 15. Comprueba si los siguientes subconjuntos son base de R3 , y en caso afir-
mativo halla las coordenadas en dicha base del vector ~v ∈ R3 que se indica:
B1 = {~u1 = (−1, 0, 1), ~u2 = (−1, 0, 0), ~u3 = (0, 2, −1)}, ~v = (−3, 2, 1).
B2 = {~u1 = (1, 1, 1), ~u2 = (−1, 0, 1), ~u3 = (5, 2, −1)}, ~v = (1, 2, 3).
B3 = {~u1 = (1, 1, 2), ~u2 = (2, 1, 2), ~u3 = (−1, 0, 1)}, ~v = (−3, 0, 2).
Problema 16. Hallar la dimensión de los siguientes subespacios vectoriales y una base de
cada subespacio:
(i) F1 = {(x, y, z, t) ∈ R4 : 2x − y + z + t = 0} .
(ii) F2 = {(x, y, z) ∈ R3 : x − y + z = 0, x + y = 0} .
(iii) F3 = h(2, −1, 4, 2), (0, 1, −3, 1)i.

(iv) F4 = (x, y, z, t) ∈ R4 : y + 2z − t = 0, x + 2y + 4z − 3t = 0 .
c
20
Problema 17. Hallar la condición que debe cumplir el vector (x, y, z) ∈ R3 para formar
una base de R3 , junto con los vectores (1, 1, 0) y (1, 0, −2).
Problema 18. Hallar la condición que debe cumplir el vector (x, y, z) ∈ R3 para formar
una base de R3 , junto con los vectores (1, 0, −1) y (3, 1, 0).

Problema 19. Sea B = ~v1 , ~v2 una base de R2 y los vectores ~u1 ,~u2 cuyas coordenadas
en la bese B son ! !
−1 2
[~u1 ]B = , [~u2 ]B = .
2 0

(i) Demostrar que B ′ = ~u1 , ~u2 también es una base de R2 .
(ii) Consideramos el vector w

~ = ~v1 + 3~v2 . Hallar las coordenadas de w
~ en la base B ′ .
(iii) Hallar las coordenadas de los vectores ~v1 y ~v2 en la base B ′ .

Problema 20. Sean B = ~v1 , ~v2 , ~v3 y B ′ = ~u1 , ~u2 , ~u3 dos bases de un espacio vectorial
de dimensión 3, E. Sabiendo que
~u1 = 2~v1 − ~v3

~u2 = ~v2 + ~v3
~u3 = ~v1 + ~v3 .
Hallar las matrices de cambio de base [IE ]BB′ y [IE ]B′ B .

Problema 21. Comprobar que B ′ = ~u1 = (2, 1, −1), ~u2 = (1, 0, 4), ~u3 = (2, 3, −2)
es una base de R3 , y dar las matrices de cambio [IR3 ]BB′ y [IR3 ]B′ B , donde B es la base
canónica de R3 . Hallar las coordenadas de un vector ~v , cuyas coordenadas en base B ′ son
[~v ]B′ = (1, 0, −1, 2).
c
21
Problema 22. En el espacio de polinomios de orden menos o igual que 3, R3 [x], consid-
eramos las bases canónic, C y N = {q1 (x), q2 (x), q3 (x), q4 (x)}, donde
q1 (x) = 1 − 2x + x2 − 3x3 , q2 (x) = −2x + 4x2 − x3 , q3 (x) = 2x2 − x3 , q4 (x) = −x2 − x3 .
(a) Hallar [I]NC y [I]CN .
(b) Hallar [q(x)]N , donde q(x) = 2 − x + x2 .

 
1
1
( c) Si [p(x)]N =  
−1, hallar [p(x)]C .
−1
c
22
2. Aplicaciones lineales
JObjetivos
J Conocer el concepto de aplicación lineal y matriz asociada (Identificación).
Conocer la relación entre las matrices asociadas a una misma aplicación lineal en difer-
entes
J bases.
J Calcular los valores y vectores propios de un endomorfismo ( o una matriz).
J Saber determinar si un endomorfismo (o una matriz) es diagonalizable.
Saber determinar una base de vectores propios y la matriz diagonal de un endomorfismo
diagonalizable (o una matriz).
2.1 Definiciones
En este apartado se estudian las funciones entre espacios vectoriales y sus propiedades más
relevantes así como su relación con las matrices. Una aplicación lineal es una correspondencia
entre espacios vectoriales que preserva las operaciones de suma de vectores y multiplicación
por un escalar.
Definición Sean E y F espacios vectoriales reales. Una correspondencia f : E −→ F
se denomina aplicación lineal si se cumplen las siguientes propiedades:
(i) Si ~u, ~v ∈ E, entonces f (~u + ~v) = f (~u) + f (~v).
(ii) Si λ ∈ R y ~u ∈ E, entonces f (λ~u) = λf (~u).
Ejemplos (a) Dado k ∈ R, la aplicación f : Rn −→ Rn definida por f (~u) = k~u es una

aplicación lineal.
Comprobamos que se cumplen las dos propiedades:
(i) Si ~u, ~v ∈ Rn , entonces f (~u + ~v) = k(~u + ~v ) = k~u + k~v = f (~u) + f (~v).
(ii) Si λ ∈ R y ~u ∈ Rn , entonces f (λ~u) = k(λ~u) = λ(k~u) = λf (~u).
(b) La aplicación f : Rn [x] −→ Rn−1 [x] definida por f (p(x)) = p′ (x) es una aplicación
lineal.
Comprobamos que se cumplen las dos propiedades:
(i) Si p(x), q(x) ∈ Rn [x], entonces f (p(x) + q(x)) = (p(x) + q(x))′ = p′ (x) + q ′ (x) =
f (p(x)) + f (q(x)).
c
23
(ii) Si λ ∈ R y p(x) ∈ Rn [x], entonces f (λp(x)) = (λp(x))′ = λp′ (x) = λf (p(x)).
Las siguientes propiedades nos permiten conocer las principales características de las
aplicaciones lineales.
Propiedades Sea f : E −→ F una aplicación lineal. Entonces,
(i) Conociendo las imágenes mediante f de los vectores de una base de E, se puede calcular
también la imagen de cualquier vector de E.
(ii) La imagen del vector nulo de E mediante la aplicación lineal f es el vector nulo de F .
(iii) La imagen de un subespacio vectorial de E mediante f es, a su vez, un subespacio

vectorial de F .
Clasificación de las aplicaciones lineales

Sea f : E −→ F una aplicación lineal. Entonces,
(i) Si f es inyectiva, se denomina monomorfismo.
(ii) Si f es sobreyectiva o exhaustiva, se denomina epimorfismo.
(iii) Si f es biyectiva, se denomina isomorfismo.
(iv) Si E = F , f se denomina endomorfismo.

(v) Si E = F y f es un isomorfismo, se denomina automorfismo.
2.2 Operaciones entre aplicaciones lineales

De ahora en adelante, denotamos por LR (E, F ) al conjunto de todas las aplicaciones
lineales entre los espacios vectoriales E y F .
Operaciones En el conjunto LR (E, F ) definimos las siguientes operaciones:
(i) Dadas f, g ∈ LR (E, F ), definimos la suma, f + g ∈ LR (E, F ), como la aplicación lineal
(f + g)(~u) = f (~u) + g(~u), para todo ~u ∈ E.
(ii) Para todo k ∈ R y f ∈ LR (E, F ), definimos el producto por un escalar, k · f ∈

LR (E, F ), como la aplicación lineal
(k · f )(~u) = k · f (~u), para todo ~u ∈ E.
(iii) Dadas f ∈ LR (E, F ) y g ∈ LR (F, G), definimos la composición, g ◦ f ∈ LR (E, G),

como la aplicación lineal

(g ◦ f )(~u) = g f (~u) , para todo ~u ∈ E.
c
24
(iv) Si f ∈ LR (E, F ) biyectiva, entonces existe g ∈ LR (F, E) tal que
(g ◦ f ) = IE y (f ◦ g) = IF .
Llamamos a dicha función inversa de f , y la denotamos por f −1 .
2.3 Núcleo e imagen de una aplicación lineal

Los siguientes subespacios son de gran importancia en el estudio de las aplicaciones
lineales.
Definiciones Dada f ∈ LR (E, F ) se llama núcleo de f , y se representa por Ker(f ), al
conjunto

Ker(f ) = ~u ∈ E : f (~u) = ~0 .
Es decir, el núcleo de f está formado por todos los elementos de E que se transforma en el
vector nulo de F . Observar que Ker(f ) ⊂ E.
Dada f ∈ LR (E, F ) se llama imagen de f , y se representa por Im(f ), al conjunto

Im(f ) = ~v ∈ F : existe ~u ∈ E, f (~u) = ~v = f (E).
Es decir, la imagen de f está formada por todos los elementos de F que son imagen de algún
vector de E. Observar que Im(f ) ⊂ F.
Proposición Sea f ∈ LR (E, F ). Entonces,
(i) Los conjuntos Ker(f ) y Im(f ) son subespacios vectoriales de E y F , respectivamente.
(ii) La aplicación f es inyectiva si y sólo si Ker(f ) = {~0}.
(iii) Si f es inyectiva y S ⊂ E es un conjunto de vectores linealmente independientes, el

conjunto f (S) es linealmente independiente.
(iv) dim(Im(f )) ≤ dim(E).
(v) Si los espacios vectoriales E y F tienen la misma dimensión, se puede asegurar que
existe entre ellos una aplicación lineal biyectiva.

(vi) Si el conjunto ~u1 , . . . , ~um es un conjunto de generadores de E, el conjunto f (~u1), . . . , f (~um)
es un conjunto de generadores de Im(f ).
c
25
Demostración (i)
(i) Sean ~u, w
~ ∈ Ker(f ), entonces de la linealidad de la aplicación f tenemos que
f (α~u + β w) ~ = ~0.
~ = αf (~u) + βf (w)
Por tanto, Ker(f ), es un subespacio de E.

Sean ~u1 , ~u2 ∈ Im(f ), y w ~ 2 ∈ E tales que f (w
~ 1, w ~ 1 ) = ~u1 y f (w
~ 2 ) = ~u2 , entonces de la
linealidad de la aplicación f tenemos que
f (αw
~ 1 + βw
~ 2 ) = αf (w ~ 2) = α~u1 + β~u2 .
~ 1 ) + βf (w
Por tanto, α~u1 + β~u2 está en la imagen y Im(f ), es un subespacio de F .

(iii) Supongamos que S = ~u1 , . . . , ~um , entonces f (~u1 ), . . . , f (~um) es un conjunto
independiente si la única solución del siguiente sistema es la trivial
λ1 f (~u1 ) + . . . + λm f (~um ) = ~0.
De la linealidad de la aplicación f tenemos que

~0 = λ1 f (~u1 ) + . . . + λm f (~um ) = f (λ1~u1 + . . . + λm~um ),
como la aplicación es inyectiva deducimos que
λ1~u1 + . . . + λm~um = ~0.
Finalmente, aplicando que el conjunto S es libre deducimos que
λ1 = · · · = λm = 0.

(iv) Supongamos que la dimensión de E es n y que el conjunto B = ~u1 , . . . , ~un es una
base. Sea ~v ∈ Im(f ), entonces existe ~u ∈ E talque f (~u) = ~v . Expresamos el vector ~u en la
base B,
~u = λ1~u1 + · · · + λn ~un .
Por la linealidad de f obtenemos que
~v = f (~u) = λ1 f (~u1) + · · · + λn f (~un ).

Por tanto, los vectores f (~u1), . . . , f (~un ) son un sistema de generadores de Im(f ) y en
consecuencia
c
26
dim(Im(f )) ≤ dim(E).
Teorema de la Dimensión Si E y F son espacios vectoriales de dimensión finita y

f ∈ LR (E, F ), entonces
dimE = dim Ker(f ) + dim Im(f ).
En particular, f es sobreyectiva si y sólo si dim Im(f ) = dimF . Mientras que, f es inyectiva

si y sólo si dim Im(f ) = dimE.
2.4 Matriz asociada a una aplicación lineal
En este apartado consideramos las bases de los espacios vectoriales E y F de dimensiones
n y m, dadas respectivamente por B1 = {~u1 , . . . , ~un } y B2 = {~v1 , . . . , ~vm }.
Definición Sea f ∈ LR (E; F ). La matrix asociada a f en las bases B1 , B2 es aquella
que tiene por columnas las coordenadas de los vectores f (~u1 ), . . . , f (~un ) en la base B2 ; es
decir,
 
a11 a12 · · · a1n
 .. .. .. ..  ∈ M (m × n),
[f ]B1 B2 = . . . .  R
am1 am2 · · · amn
donde f (u~i ) = a1i~v1 + · · · + ami~vm .

Ejemplo Sea f : R2 −→ R definida por f (x, y) = x − 2y. Hallar la matrix asociada a f
en las bases canónicas de R2 y R, respectivamente.
Consideramos C1 = {~e1 = (1, 0), ~e2 = (0, 1)} y C2 = {v~1 = 1} las bases canónicas de R2 y
R, respectivamente. Entonces, f (~e1 ) = 1 − 0 = 1 · v~1 y f (~e2 ) = 0 − 2 = −2 · v~1 . Por tanto,

[f ]C1 C2 = 1 −2 ∈ MR (1 × 2)
Ejemplo Sea f : R −→ R2 definida por f (x) = (x, 4x). Hallar la matrix asociada a f
en las bases canónicas de R y R2 , respectivamente.
Consideramos C1 = {v~1 = 1} y C2 = {~e1 = (1, 0), ~e2 = (0, 1)} las bases canónicas de R y R2 ,
respectivamente. Entonces, f (~v1 ) = (1, 4) = 1 · e~1 + 4 · ~e2 . Por tanto,
" #
1
[f ]C1 C2 = ∈ MR (2 × 1).
4
c
27
Ejemplo Sea f : R2 −→ R2 definida por f (x, y) = (x − 3y, 5x + y). Hallar la matrix

asociada a f en las bases canónicas de R2 y R2 , respectivamente.
Consideramos C1 = C2 = {~e1 = (1, 0), ~e2 = (0, 1)} la base canónica de R2 . Entonces,
f (~e1 ) = (1, 5) = 1 · e~1 + 5 · ~e2 y f (~e2 ) = (−3, 1) = −3 · e~1 + 1 · ~e2 . Por tanto,
" #
1 −3
[f ]C1 C2 = ∈ MR (2 × 2).
5 1
Ejemplo Sea f : R3 −→ R2 definida por f (x, y, z) = (x − y + z, 2x + 3y − z). Hallar la

matrix asociada a f en las bases canónicas de R3 y R2 , respectivamente.
Consideramos C1 = {~e1 = (1, 0, 0), ~e2 = (0, 1, 0), ~e3 = (0, 0, 1)} y C2 = {~v1 = (1, 0), ~v2 =
(0, 1)} las bases canónicas de R3 y R2 , respectivamente. Entonces, f (~e1 ) = (1, 2) = 1·v~1 +2·~v2 ,
f (~e2 ) = (−1, 3) = −1 · v~1 + 3 · ~v2 y f (~e3 ) = (1, −1) = 1 · v~1 − 1 · ~v2 . Por tanto,
" #
1 −1 1
[f ]C1 C2 = ∈ MR (2 × 3).
2 3 −1
Ejemplo Sea f : R2 −→ R definida por f (x, y) = 2x − 3y. Hallar la matrix asociada a

f en las bases B = {~u1 = (2, 1), ~u2 = (1, −1)} de R2 y C = {e~1 = 1} de R.
Valoramos la función en los elementos de la base, f (~u1) = 1 = 1 · e~1 y f (~u2 ) = 5 = 5 · e~1 .
Por tanto,

[f ]BC = 1 5 ∈ MR (1 × 2).
Ejemplo Sea f : R2 −→ R definida por f (x, y) = 2x − 3y. Hallar la matrix asociada a

1
f en las bases C = {~e1 = (1, 0), ~e2 = (0, 1)} de R2 y B = {u~1 = } de R.
3
Valoramos la función en los elementos de la base, f (~e1 ) = 2 = 6 · u~1 y f (~e2 ) = −3 = −9 · u~1 .
Por tanto,

[f ]CB = 6 −9 ∈ MR (1 × 2).
Teorema Sea f ∈ LR (E; F ). Entonces:
(a) [f ]B1 B2 es una matrix de orden m × n.

(b) Dado ~u ∈ E, [f (~u)]B2 = [f ]B1 B2 [~u]B1 .
c
28
(c ) f (B1 ) es un sistema generador de Im(f ).

(d) rang(f ) = rang [f ]B1 B2 y dimKer(f ) = n − rang [f ]B1 B2 .
Ejercicio Consideramos la aplicación lineal f : R2 [x] −→ R3 definida por
f (a + bx + cx2 ) = (a − b, b − 2c, 3a − 2b − 2c).
(i) Demostrar que f es una aplicación lineal

(ii) Calcular [f ]C1 C2 , donde Ci , i = 1, 2 son las bases canónicas.
(iii) Hallar las dimensiones de Ker(f ) y Im(f ).
(i) En primer lugar verificamos las propiedades de ser una aplicación lineal. Si λ ∈ R,
p1 (x) = a1 + b1 x + c1 x2 y p2 (x) = a2 + b2 x + c2 x2 , entonces

f (p1 (x) + p2 (x)) = (a1 + a2 ) − (b1 + b2 ), (b1 + b2 ) − 2(c1 + c2 ), 3(a1 + a2 ) − 2(b1 + b2 ) − 2(c1 + c2 )

= a1 − b1 , b1 − 2c1 , 3a1 − 2b1 − 2c1 + a2 − b2 , b2 − 2c2 , 3a2 − 2b2 − 2c2
= f (p1 (x)) + f (p2 (x)).

f (λp1 (x)) = λ(a1 − b1 ), λ(b1 − 2c1 ), λ(3a1 − 2b1 − 2c1 )

= λ a1 − b1 , b1 − 2c1 , 3a1 − 2b1 − 2c1
= λf (p1 (x)).
(ii) Consideramos las bases canónicas C1 = {1, x, x2 } y C2 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
de R2 [x] y R3 respectivamente. Entonces,
f (1) = (1, 0, 3), f (x) = (−1, 1, −2), f (x2 ) = (0, −2, −2).
Por tanto,
 
1 −1 0
 
[f ]C1 C2 = 0 1 −2 ∈ MR (3 × 3).
3 −2 −2
(iii) En primer lugar calculamos el Ker(f ) = {p(x) : f (p(x)) = 0}; es decir,
f (p(x)) = (a − b, b − 2c, 3a − 2b − 2c) = (0, 0, 0) =⇒ a = 2c, b = 2c.
Por tanto,
c
29
Ker(f ) = {(2c, 2c, c) : c ∈ R} =⇒ dim Ker(f ) = 1.
Aplicando el Teorema de las dimensiones obtenemos que
dim Im(f ) = 3 − dim Ker(f ) = 2.
Proposición Sean B1 , B2 y B3 bases de los espacios vectoriales E, F , y G, respectiva-

mente. Sean f, g ∈ LR (E; F ), h ∈ LR (F ; G) y λ ∈ R. Entonces:
(i) [f + g]B1 B2 = [f ]B1 B2 + [g]B1 B2 .
(ii) [λf ]B1 B2 = λ[f ]B1 B2 .
(iii) [h ◦ f ]B1 B3 = [h]B2 B3 [f ]B1 B2 .

−1
(iv) Si f es un isomorfismo, [f −1 ]B2 B1 = [f ]B1 B2 .
Cambios de bases
De ahora en adelante V1 , N1 serán bases del espacio vectorial E y V2 , N2 serán bases del
espacio vectorial F .
Proposición Sea f ∈ LR (E; F ). Entonces:
(i) [f ]N1 V2 = [f ]V1 V2 [IE ]N1 V1 .
(ii) [f ]V1 N2 = [IF ]V2 N2 [f ]V1 V2 .
(iii) [f ]N1 N2 = [IF ]V2 N2 [f ]V1 V2 [IE ]N1 V1 .
Ejercicio Sea f : R2 −→ R3 la aplicación lineal definida por
f (1, 0) = (−1, 2, 2) y f (0, 1) = (1, 0, 1).
(i) Calcular la matriz asociada a f en las bases canónicas.
(ii) Obtener la expresión explícita de la aplicación.
(iii) Dadas N = {(1, 1), (2, 3)}, obtener la matrix de [f ]N C2 .
(i) Para hallar [f ]C1 C2 , basta colocar las imágenes de la base canónica C1 en las columnas
de la matriz:
c
30
 
−1 1
 
[f ]C1 C2 =  2 0 ∈ MR (3 × 2).
2 1
(ii) Si las coordenadas de un vector de R2 en base canónica son (x, y), entonces:
 
" # −1 1 " #
x   x
f (x, y) = [f ]C1 C2 =  2 0 = (−x + y, 2x, 2x + y).
y y
2 1
(iii) Según la Proposición anterior [f ]N C2 = [f ]C1 C2 [IR2 ]N C1 , y por tanto
   
−1 1 " # 0 1
  1 2  
[f ]N C2 =  2 0 = 2 4
1 3
2 1 3 7
3. Endomorfismos
3.1 Vectores y valores propios

Definición Sea f : E −→ E un endomorfismo sobre un espacio vectorial E de dimensión
n. El escalar λ es un valor propio de f , si existe un vector ~v ∈ E no nulo, ~v 6= 0, tal que
f (~v ) = λ~v.
Entonces, cada vector ~u ∈ E tal que f (~u) = λ~u se denomina vector propio de f de valor
propio λ. El conjunto de vectores propios asociados a un autovalor es un espacio vectorial
de dimensión mayor o igual que 1; ya que ~0 ∈ E y verifica la condición f (~0) = λ~0.
A veces también se utiliza la nomenclatura autovalor (VAP) y autovector (VEP). El con-
junto de valores propios de un endomorfismo f se denota por σ(f ), y se denomina espectro
de f .
Observación Si λ1 y λ2 son valores propios distintos de f y ~u y ~v son vectores propios
no nulos asociados a cada uno ellos, entonces ~u y ~v son linealmente independientes.
c
31
Para ello basta considerar la combinación lineal
α~u + β~v = ~0 =⇒ α~u = −β~v
y aplicar imágenes a ambos lados de la igualdad, entonces

f α~u + β~v = f (~0) = ~0.
Aplicando la linealidad de la función tenemos que

~0 = αf ~u + βf ~v = αλ1~u + βλ2~v = −λ1 β~v + βλ2~v = β~v λ2 − λ1 ).
Teniendo en cuenta que λ2 − λ1 6= 0, ~v 6= 0 y ~u 6= 0, tenemos que
β = α = 0;
es decir los vectores ~u y ~v son linealmente independientes.

De ahora en adelante supondremos fijada una base E del espacio vectorial E y denotare-
mos por A = [f ]V .
Observación Para que λ sea un valor propio de f es necesario y suficiente que
Ker(f − λI) 6= 0,
o de forma equivalente que rang(f − λI) < n o que det(f − λI) = det(A − λI) = 0.
Definición Llamamos polinomio característico de f , y lo denotaremos por pf (x),
al polinomio
pf (x) = det(A − xI) ∈ Rn [x].
La ecuación pf (x) = det(A − xI) = 0, se denomina ecuación característica de f . Por

tanto,
los valores propios de f son las raíces de la ecuación característica de f .
Observación El polinomio característico, y por tanto la ecuación característica, de un

endomorfismo no depende de la base elegida.
Determinación de los vectores propios Una vez conocemos los valores propios de
un endomorfismo a través de su ecuación característica podemos hallar los vectores propios
asociados. Para ello basta determinar una base de los subespacios vectoriales
c
32
Ker(f − λI) = Ker(A − λI),
ya que si ~v ∈ E es vector propio de f entonces ~v 6= 0 y existe λ ∈ R tal que f (~v) = λ~v , y

por tanto (f − λI)(~v) = 0; es decir,
~v ∈ Ker(f − λI).
Ejemplo Sea f : R3 −→ R3 el endomorfismo dado por

f (x, y, z) = (4x − 2y + 5z, 5x − 3y + 5z, 4z).
Determinar la ecuación característica y el espectro de f . Hallar los vectores propios asocia-
dos.
En primer lugar sea C la base canónica de R3 , entonces
 
4 −2 5
 
A = [f ]C = 5 −3 5 .
0 0 4
Por tanto,

4 − λ −2 5
4 − λ −2

pf (λ) = det(A − λI) = 5 −3 − λ 5 = (4 − λ)
5 −3 − λ
0 0 4 − λ

= (4 − λ) (4 − λ)(−3 − λ) + 10 = (4 − λ)(2 − λ)(−1 − λ).
Por tanto, la ecuación característica de f es
(4 − λ)(2 − λ)(−1 − λ) = 0,
y el espectro es
σ(f ) = {−1, 2, 4}.
Para hallar los vectores propios asociados a cada uno de los valores propios basta hallar los
núcleos.
(a) Ker(A − 4I) = h(5, 5, 2)i, ya que
c
33
    
0 −2 5 x −2y + 5z
     5
(A − 4I)(~u) = 5 −7 5 y  = 5x − 7y + 5z  = ~0 ⇐⇒ x = y = z.
2
0 0 0 z 0
(b) Ker(A − 2I) = h(1, 1, 0)i, ya que
    
2 −2 5 x 2x − 2y + 5z
    
(A − 2I)(~u) = 5 −5 5  y  = 5x − 5y + 5z  = ~0 ⇐⇒ z = 0, x = y.
0 0 −2 z −2z
(c) Ker(A + I) = h(2, 5, 0)i, ya que
    
5 −2 5x 5x − 2y + 5z
     5
(A + I)(~u) = 5 −2 5 y  = 5x − 2y + 5z  = ~0 ⇐⇒ z = 0, y = x.
2
0 0 5 z 5z
3.2 Endomorfismo diagonalizables

Cuando queremos estudiar un endomorfismo a partir de su matriz asociada, resulta de
interés conocer si existe una base tal que la matriz asociada respecto a dicha base sea la más
simple posible; es decir, una matriz diagonal. Si existe tal base, se dice que el endomorfismo
es diagonalizable.
Observación: Si V = {~u1, . . . , ~un } es una base de un espacio vectorial E de dimensión
n, en la que el endomorfismo f diagonaliza, entonces
 
λ1 0 · · · 0
 
 0 λ2 · · · 0 
 
A = [f ]V =  . .. . . ,
 .. . . 0 
 
0 0 · · · λn
y por tanto
f (~ui ) = λi ~ui , para todo i = 1, . . . , n;
c
34
es decir, los escalares λi son valores propios de f y los vectores ~ui son vectores propios de f .
Caracterización de los endomorfismo diagonalizables Un endo-
morfismo f , es diagonalizable si y sólo si se cumplen las siguientes propiedades:
(i) pf (x) = (−1)n (x − λ1 )m1 (x − λ2 )m2 · · · (x − λs )ms .
(ii) mi = dimKer(f − λi I), para todo i = 1, . . . , s.
Observación: En general, se tiene que
1 ≤ dim Ker(f − λi I) ≤ mi ,
y el endomorfismo diagonaliza si la igualdad superior se da. Lo que en particular implica

que, si pf (x) descompone como producto de factores simple; es decir,
pf (x) = (−1)n (x − λ1 )(x − λ2 ) · · · (x − λn ),
f , es diagonalizable.
Observación Si f es un endomorfismo diagonalizable, y denotamos por B a la base de
vectores propios, entonces
[f ]C = [IE ]BC [f ]B [IE ]CB = [IE ]BC [f ]B [IE ]−1

BC
,
donde [IE ]BC es la matrix que expresa los vectores propios en la base canónica.
Matrices diagonalizables
Como cada matrix cuadrada de orden n se puede identificar con un endomorfismo sobre
un espacio vectorial de dimensión n, podemos extender los conceptos de valor propio, vector
propio, Ker, polinomio y ecuación característica y diagonalización al caso de matrices.
c
35
Problemas resueltos
Problema 23. Clasifica la siguiente función, halla una base y las ecuaciones implícitas de
Im(f ) y Ker(f )
f : R2 −→ R2 , f (x, y) = (3y, 0).
Indicación: Para encontrar una base o las ecuaciones implícitas del subespacio vectorial
Im(f ) basta hallar el subespacio vectorial generado por las columnas de la matrix asociada a
f en una base cualquiera, y después encontrar sus ecuaciones. Esto es debido a que ~u ∈ Im(f )
sii f (~v ) = ~u, y por tanto
~u = f (~v) = [f ]V [~v ]B ,
es decir, ~u ∈ Im(f ) si es combinación lineal de las columnas de [f ]V , y las coordenadas de la

combinación lineal serán [~v ]B .
(a) Calculamos la matriz asociada a f en base canónica C
" #
0 3
A = [f ]C =
0 0
Hallamos el núcleo de f :
Ker(f ) = h(1, 0)i, ya que
" #" # " #

0 3 x 3y
(A)(~u) = = = ~0 ⇐⇒ y = 0.
0 0 y 0
Por tanto, dimKer(f ) = 1, y las ecuaciones implícitas son
y = 0.
La aplicación no es ni inyectiva ni exhaustiva.

Aplicando el Teorema de las dimensiones tenemos que dim Im(f ) = 1. Una base de
Im(f ) está formada por las columnas l.i. de la matriz, en este caso
c
36
Im(f ) = h(3, 0)i =⇒ y = 0.
Problema 24. Sea f : R3 −→ R3 un endomorfismo que tiene como matriz asociada en

base canónica  
2 −2 1
 
A = [f ]C = −2 2 1 .
4 4 2
Determinar si f es diagonalizable, y en su caso, hallar una base de vectores propios.
En primer lugar calculamos el polinomio característico:

2 − λ −2 1

pf (λ) = det(A − λI) = −2 2 − λ 1 = −(λ − 4)2 (λ + 2).

4 4 2 − λ
(λ − 4)2 (λ + 2) = 0,
y el espectro es
σ(f ) = {−2, 4} con m1 = 1 y m2 = 2.
Para determinar si el endomorfismo es diagonalizable tenemos que hallar los subespacios de

vectores propios asociados a cada uno de los valores propios y estudiar la dimensión de cada
uno de ellos.
(a) Ker(A + 2I) = h(−1, −1, 2)i, ya que
    
4 −2 1 x 4x − 2y + z
     z
(A + 2I)(~u) = −2 4 1 y  = −2x + 4y + z  = ~0 ⇐⇒ x=y=− .
2
4 4 4 z 4(x + y + z)
(b) Ker(A − 4I) = h(1, 0, 2), (0, 1, 2)i, ya que
c
37
    
−2 −2 1 x −2x − 2y + z
    
(A − 4I)(~u) = −2 −2 1  y  = −2x − 2y + z  = ~0 ⇐⇒ z = 2x + 2y.
4 4 −2 z 4x + 4y − 2z
Como dimKer(A−4I) = 2 que coincide con la multiplicidad del autovalor en el polinomio

característico, el endomorfismo f diagonaliza. La matriz diagonal correspondiente y una base
de vectores propios son
   
−2 0 0 −1 1 0
   
0 4 0 y P = [I]N C = −1 0 1.
0 0 4 2 2 2
Por lo que se cumple
[f ]C = [I]N C [f ]N [I]CN = [I]N C [f ]N [I]−1

NC,
donde N es la base de vectores propios.

5 −2 2
 
A = [f ]C = 1 8 1 .
5 1 8
En primer lugar calculamos el polinomio característico:

5 − λ −2 2

pf (λ) = det(A − λI) = 1 8−λ 1 = (9 − λ)2 (3 − λ).

5 1 8 − λ
(9 − λ)2 (3 − λ) = 0,
c
38
y el espectro es
σ(f ) = {3, 9}, con m1 = 1 y m2 = 2.
Para determinar si el endomorfismo es diagonalizable tenemos que hallar los subespacios de

vectores propios asociados a cada uno de los valores propios y estudiar la dimensión de cada
uno de ellos.
(a) Ker(A − 3I) = h(1, 0, −1)i, ya que
    
2 −2 2 x 2x − 2y + 2z
    
(A − 3I)(~u) = 1 5 1 y  =  x + 5y + z  = ~0 ⇐⇒ y = 0, z = −x.
5 1 5 z 5x + y + 5z
(b) Ker(A − 9I) = h(0, 1, 1)i, ya que
    
−4 −2 2 x −4x − 2y + 2z
    
(A − 9I)(~u) =  1 −1 1  y  =  x − y + z  = ~0 ⇐⇒ x = 0, y = z.
5 1 −1 z 5x + y − z
Como dimKer(A − 9I) = 1 que no coincide con la multiplicidad del autovalor en el

polinomio característico que es 2, el endomorfismo f no diagonaliza.
Problemas propuestos
Problema 26. Determina si las siguientes aplicaciones son lineales y, en caso de que lo
sean, halla la matriz asociada a f en las bases canónicas.
(a) f : R2 −→ R2 , f (x, y) = (3y, x).
(b) f : R2 −→ R3 , f (x, y) = (x, −y + 5x, 3x + y).
( c) f : R2 −→ R2 , f (x, y) = (x2 , 2y).
( d) f : MR (n) −→ R, f (A) = tr(A).
c
39
Problema 27. Clasifica las siguientes funciones, halla una base y las ecuaciones implícitas
de Im(f ) y Ker(f ):
(a) f : R2 −→ R2 , f (x, y) = (3y, 0).
(b) f : R2 −→ R3 , f (x, y) = (4x, −y + 2x, 3x + y).
( c) f : R4 −→ R4 , f (x, y) = (x − y + t, 2x + y + z + 3t, x + y − t, y + z + t).
Problema 28. Demostrar que una aplicación lineal f es inyectiva si y sólo si Ker(f ) = {~0}.
Problema 29. Determinar la relación entre los parámetros a, b y c para que la matrix
 
1 a b
 
A = 0 4 c 
0 0 1
sea diagonalizable.

−1 −2 0 0
 
0 1 0 0
A = [f ]C =  .
1 1 0 1
1 1 1 0
Problema 31. Sea f : R2 [x] −→ R2 [x] el endomorfismo definido por
f (a + bx + cx2 ) = 3a + 2b + 2c + bx − (4a + 4b + 3c)x2 .
(a) Demostrar que f es un automorfismo.
(b) Demostrar que f 2 = IR2 [x] .
( c) Demostar que f es diagonalizable.
(d) Hallar una base de vectores propios.
c
40

15 0 0
 
A = [f ]C = −8 −1 −8 .
−4 −8 11
Determinar si f es diagonalizable, y en su caso, hallar una base de vectores propios y
determinar la forma diagonal de A.
Problema 33. Sea f un endomorfismo de R2 cuya matriz en la base B formada por los
vectores v1 = (1, 1), v2 = (1, 2) es

1 0
M= .
−1 2
(a) Calcular la matriz de f en la base canónica.
(b) Determinar si f es diagonalizable, y en su caso, hallar una base de vectores propios y

determinar la forma diagonal.
c

Algebra Lineal 20182019 Q 2

Cargado por

Información del documento

Título original

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Algebra Lineal 20182019 Q 2

Cargado por

Copyright:

ÀLGEBRA I CÀLCUL MULTIVARIABLE

Álgebra Lineal y Geometría

(~u, ~v) −→ ~u + ~v (λ, ~u) −→ λ~u

(ii) Dados α, β ∈ R y ~u, ~v ∈ E se cumple.

(x1 , y1, z1 ) + (x2 , y2, z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) y λ(x, y, z) = (λx, λy, λz).

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

= (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ,

= λa0 + λa1 x + · · · + λan xn .

Un subconjunto F no vacío de un espacio vectorial (E, +, ·) es un subespacio vectorial

De forma equivalente podríamos comprobar que para todo α, β ∈ R y ~u, ~v ∈ F se verifica

Proposición Si F es un subespacio vectorial de (E, +, ·), entonces ~0 ∈ F .

(a) S = ~e1 = (1, 0), ~e2 = (0, 1)

(2, −1) = λ(1, 0) + β(0, 1) = (λ, β).

Igualando componentes obtenemos que λ = 2 y β = −1. Por tanto,

(2, −1) = 2 · (1, 0) + (−1) · β(0, 1).

(2, −1) = λ(2, 2) + β(4, 1) = (2λ + 4β, 2λ + β).

Igualando componentes obtenemos el sistema

cuya solución es λ = −1 y β = 1. Por tanto,

(2, −1) = (−1) · (2, 2) + 1 · (4, 1).

Escribimos el vector como combinación lineal de los elementos de S

(2, −1) = (−5 + 3β) · (0, 1) + β · (2, 1) + (2β − 2)(−1, −2).

(0, 0, 0) = λ(−1, 1, 0) + β(3, −3, 0) = (−λ + 3β, λ − 3β, 0).

~vj = λ1~v1 + · · · + ~vbj + · · · + λm~vm ,

Supongamos que λj 6= 0, entonces

(ii) Todos los subconjuntos de S son libres.

(v) Sean 0 6= λ ∈ R y ~vi ∈ S. El conjunto S1 obtenido al reemplazar en S el vector ~vi por

(i) No necesariamente el vector ~u es el que depende linealmente de los otros dos.

es ligado, pero ~u no es combinación lineal de los otros dos.

Supongamos que α 6= 0, entonces

Ejemplo Consideramos el subconjunto de R3

¿ Para qué valores de k el conjunto S es ligado?.

el conjunto S es ligado sii k = 0.

es decir, tenemos que resolver el sistema

el conjunto S es ligado sii k = 0.

1.3 Base de un espacio vectorial

Dados un conjunto finito S y F = hSi, el conjunto S recibe el nombre de sistema de

(i) Si ~v ∈ E, entonces S ∪ {~v} es un sistema de generadores de E.

(iii) Existe un subconjunto B de S que es libre y sistema generador de E.

(iv) Sean 0 6= λ ∈ R y ~vi ∈ S. Entonces, el conjunto S1 obtenido al reemplazar el vector ~vi

Definición Llamamos base de un espacio vectorial E a un sistema de generadores finito

Notación Las coordenadas de un vector se suelen denotar de la siguiente manera

Ejemplo Demostrar que la dimensión de MR (2 × 2) es 4.

En primer lugar vemos que C es libre,

Comprobamos ahora que el conjunto C genera,

Por tanto el conjunto C es una base de MR (2 × 2), y la dimensión es 4.

(1, 1) = α(−1, 1) + β(2, −1);

Proposición (Fórmula del cambio de base) Sean B y B ′ dos bases de un mismo

[~v ]B = [IE ]B′ B [~v ]B′ .

Necesitamos ahora las matrices de cambio de base

Aplicando la fórmula del cambio de base obtenemos que

Problema 1. Hallar la dimensión del siguiente subespacio vectorial y una base:

En primer lugar buscamos un sistema de generadores. Observar que t = −2x + y − z y

Ahora estudiamos la dependencia o independencia lineal de los vectores analizando el rango

los vectores ~v1 , ~v2 y ~v3 son base del F1 .

(i) Calcular el rango de F .

(ii) Dar una base de F .

(iii) Comprobar si los vectores w

(i) El rango de S es el número máximo de vectores linealmente independiente de S.

(ii) De la expresión matricial anterior deducimos que una base de F es

~v1 = (1, −1, 2, 0), ~v2 = (0, 2, −5, 1).

(iii) Podemos proceder de dos formas.

(−4, 0, 2, −2) = λ(1, −1, 2, 0) + β(0, 2, −5, 1);

Método 2 Calculamos la m.e.r.f de la matriz formada por los vectores de la base y el

En el caso del vector w

Si aplicáramos el primer método obtendríamos un sistema incompatible.

Problema 5. Expresar el vector r(x) = 3x3 − 2x + 4 ∈ R3 [x] como combinación lineal de