Lgebra Lineal

Águeda Mata y Miguel Reyes, Dpto.
de Matemática Aplicada, FI-UPM 1
1 Matrices y Sistemas lineales de ecuaciones

Sea Mn×m = Mn×m (R) el espacio vectorial de las matrices reales con n filas y m columnas.
1.1 Operaciones elementales por filas

En una matriz, se consideran operaciones elementales por filas a las siguientes:
1. Intercambiar dos filas.
2. Multiplicar una fila por un número real no nulo.
3. Sustituir una fila por la suma de ella misma con el producto de otra por un número real.
Ejemplo
       
2 1 0 0 1 0 0 1 0 0 1 0
f1 ↔f3 2f2 →f2 f2 −f3 →f2
1 2 −1 −
−−−→ 1 2 −1 −−−−−→ 2 4 −2 −−−−−−→ 0 3 −2
0 1 0 2 1 0 2 1 0 2 1 0
1.2 Matrices elementales

Se llaman matrices elementales a aquellas matrices cuadradas que resultan de aplicar una
operación elemental a la matriz identidad.
Ejemplo
       
1 0 0 0 1 0 1 0 0 1 0 0
f1 ↔f2 −2f3 →f3
 
I = 0 1 0 −−−−→ E = 1  0 0 ; I = 0 1 0 −−−−−−→ E = 0 1 0 
0 0 1 0 0 1 0 0 1 0 0 −2
   
1 0 0 1 0 0
f3 −2f2 →f3
I = 0 1 0 −−−−−−−→ E = 0 1 0
0 0 1 0 −2 1
1.3 Relación entre operaciones y matrices elementales

El resultado de hacer una operación elemental a una matriz A ∈ Mn×m coincide con el resultado
de multiplicar la matriz elemental E ∈ Mn×n , asociada a dicha operación elemental, por A.
Ejemplo
     
1 2 −1 1 1 2 −1 1 1 0 0
f2 −2f1 →f2
A = 2 −1 1 0  −−−−−−−→ 0 −5 3 −2 = −2 1 0 · A
1 0 3 −2 1 0 3 −2 0 0 1
     
1 2 −1 1 1 0 3 −2 0 0 1
f1 ↔f3
A = 2 −1 1 0  −−−−→ 0 −5 3 −2 = 0 1 0 · A
1 0 3 −2 1 2 −1 1 1 0 0
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 2
     
1 2 −1 1 1 2 −1 1 1 0 0
−f3 →f3
A = 2 −1 1 0  −−−−−→  2 −1 1 0 = 0 1 0  · A
1 0 3 −2 −1 0 −3 2 0 0 −1
1.4 Formas escalonada y canónica de una matriz. Rango

Se llama matriz escalonada o reducida de A ∈ Mn×m a cualquier matriz Ar ∈ Mn×m que
se obtiene a partir de A mediante operaciones elementales, y en la que el primer elemento no
nulo de cada fila se encuentra a la derecha del primer elemento no nulo de la fila anterior. Las
filas nulas, si las hay, en una matriz escalonada deben estar al final.
Se llama rango de A al número de filas no nulas de una matriz escalonada de A.
Se llama matriz canónica por filas de A ∈ Mn×m a la matriz Ac ∈ Mn×m , que se obtiene
a partir de A mediante operaciones elementales, en la que el primer elemento no nulo de cada
fila es un uno, se encuentra a la derecha del primer elemento no nulo de la fila anterior, y por
encima de él todos los elementos son nulos.
Observa que si B se obtiene a partir de A ∈ Mn×m después de p operaciones elementales,
entonces
B = Ep · Ep−1 · . . . · E2 · E1 · A
donde Ei es la matriz elemental asociada a la operación i-ésima. Además, si I ∈ Mn×n es la
matriz identidad de orden n, se tiene que
operaciones elementales
(A | I) −−−−−−−−−−−−−−→ (B | E) con B =E·A
donde E = Ep · Ep−1 · . . . · E2 · E1 se llama matriz de paso de A a B.
Ejemplo
Si se quiere hallar una matriz escalonada, y la matriz de paso asociada, de la matriz
 
1 1 0 1 1
2 −1 3 1 3
A= 1 −1 2 1 1

1 1 0 0 2
se hacen las operaciones elementales necesarias adosándole la matriz identidad:

 ¯  f −2f →f
1 1 0 1 1 ¯¯ 1 0 0 0 2 1
f3 −f1 →f3
2
 2 −1 3 1 3 ¯ 0 1 0 0  f4 −f1 →f4
(A | I) =  ¯ 
 1 −1 2 1 1 ¯ 0 0 1 0  −−−−−−−→
¯
1 1 0 0 2 ¯ 0 0 0 1
 ¯   ¯ 
1 1 0 1 1 ¯¯ 1 0 0 0 1 1 0 1 1 ¯¯ 1 0 0 0
 0 −3 3 −1 1 ¯ −2 1 0 0  f2 ↔f3  0 −2 2 0 0 ¯ −1 0 1 0 
 ¯   ¯ 
 0 −2 2 0 0 ¯ −1 0 1 0  −−−−→  0 −3 3 −1 1 ¯ −2 1 0 0 
¯ ¯
0 0 0 −1 1 ¯ −1 0 0 1 0 0 0 −1 1 ¯ −1 0 0 1
 ¯ 
−1
f2 →f2
1 1 0 1 1 ¯¯ 1 0 0 0 1
f3 →f3
3f2 −2f3 →f3  0 1 −1 ¯ 1/2 0 −1/2 0  2f24 +f3 →f4
2
 0 0 ¯ 
−−−−−−−−→  −−−−−−−→
0 0 0 2 −2 ¯¯ 1 −2 3 0 
0 0 0 −1 1 ¯ −1 0 0 1
 ¯ 
1 1 0 1 1 ¯¯ 1 0 0 0
 0 1 −1 0 0 ¯¯ 1/2 0 −1/2 0 
  = (Ar | E r ) con Ar = E r · A
 0 0 0 1 −1 ¯¯ 1/2 −1 3/2 0 
0 0 0 0 0 ¯ −1 −2 3 2
Puesto que la matriz escalonada tiene tres filas no nulas, su rango es tres:
rg A = 3
Para hallar la matriz canónica por filas, y la matriz de paso asociada, se continúan las operaciones
elementales:
 ¯ 
1 0 1 1 1 ¯¯ 1/2 0 1/2 0
f1 −f2 →f1  0 1 −1 0 0 ¯¯ 1/2 0 −1/2 0 
(A | I) → (Ar | E) −−−−−−→   0 0 0 1 −1 ¯ 1/2 −1 3/2 0 

¯
0 0 0 0 0 ¯ −1 −2 3 2
 ¯ 
1 0 1 0 2 ¯¯ 0 1 −1 0
f1 −f3 →f1  0 1 −1 0 0 ¯ 1/2 0 −1/2 0 
¯
−−−−−−→  
 0 0 0 1 −1 ¯ 1/2 −1 3/2 0  = (Ae | E ) con Ae = E · A
e e
¯
0 0 0 0 0 ¯ −1 −2 3 2
1.5 Matriz inversa

Se llama matriz inversa de una matriz cuadrada A ∈ Mn×n a otra matriz A−1 ∈ Mn×n tal
que
A · A−1 = A−1 · A = I
No todas las matrices cuadradas tienen inversa. Una matriz cuadrada A se llama regular si
tiene matriz inversa, y se llama singular si no la tiene.
Es fácil observar que todas las matrices elementales tienen inversa:
1. La matriz inversa de la matriz elemental asociada a intercambiar dos filas es ella misma.
2. La matriz inversa de la matriz elemental asociada a multiplicar una fila por un número,
distinto de cero, es la asociada a multiplicar la misma fila por su inverso.
3. La matriz inversa de la matriz elemental asociada a sustituir una fila por ella misma más
otra multiplicada por un número es la asociada a la misma operación pero multiplicando
la fila por el número opuesto.
Es conocido que la existencia de matriz inversa se puede caracterizar, en términos de deter-
minantes, como
A ∈ Mn×n tiene inversa (es regular) ⇐⇒ |A| 6= 0
También se puede caracterizar, en términos de operaciones elementales, por el siguiente teorema:
Teorema
Una matriz cuadrada es regular si y sólo si se puede reducir a la matriz identidad por operaciones
elementales de filas.
Además, si
operaciones elementales
(A | I) −−−−−−−−−−−−−−→ (I | E) con I =E·A
se tiene que A−1 = E.
Algoritmo para el cálculo de la matriz inversa

Para hallar la matriz inversa de una matriz cuadrada A se procede ası́:
1. Se considera la matriz (A | I).
2. Se obtiene una forma escalonada (Ar | E r ).
3. Si Ar tiene algún cero en la diagonal principal, entonces la matriz A es singular (no es

invertible).
4. Si Ar no tiene ceros en la diagonal principal, entonces A es regular (es invertible) y se

siguen haciendo operaciones elementales hasta llegar a (I | E).
5. La matriz inversa es A−1 = E.
Ejemplo
Halla, si existe, la matriz inversa de:
 
1 −1 1
A = 2 1 −1
1 1 1
   
1 −1 1 1 0 0 f2 −2f1 →f2 1 −1 1 1 0 0 f2 /3→f2
f3 −f1 →f3 f3 −2f2 /3→f3
(A | I) =  2 1 −1 0 1 0  −−−−−−−→  0 3 −3 −2 1 0  −−−−−−−−→
1 1 1 0 0 1 0 2 0 −1 0 1
  f3 /2→f3  
1 −1 1 1 0 0 f2 +f3 /2→f2 1 −1 0 5/6 1/3 −1/2
f1 −f3 /2→f1
 0 1 −1 −2/3 1/3 0  −−−−−−−−→  0 1 0 −1/2 0 1/2 
0 0 2 1/3 −2/3 1 0 0 1 1/6 −1/3 1/2
 
1 0 0 1/3 1/3 0 ¡ ¢
f1 +f2 →f1
−−−−−−→  0 1 0 −1/2 0 1/2  = I | A−1
0 0 1 1/6 −1/3 1/2
de donde    
1/3 1/3 0 2 2 0
1
A−1 = −1/2 0 1/2 = −3 0 3
6
1/6 −1/3 1/2 1 −2 3
1.6 Sistemas lineales

Un sistema lineal de m ecuaciones con n incógnitas es


 a11 x1 + a12 x2 + . . . + a1n xn = b1

 a21 x1 + a22 x2 + . . . + a2n xn = b2
..

 .


am1 x1 + am2 x2 + . . . + amn xn = bm
con aij , bi ∈ R, que se puede expresar en forma matricial como

     
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
     
 .. .. ..  ·  ..  =  .. 
 . . .   .   . 
am1 am2 . . . amn xn bm
o también como
Ax = b con A ∈ Mm×n , x ∈ Mn×1 , y b ∈ Mm×1
Las matrices A ∈ Mm×n y A = (A | b) ∈ Mm×(n+1) se llaman, respectivamente, matriz de

coeficientes y matriz ampliada. Cuando b = 0 el sistema se llama homogéneo.
Se llama solución del sistema Ax = b a cualquier vector x0 = (x01 , x02 , . . . , x0n )t ∈ Mn×1 tal
que Ax0 = b. Resolver un sistema es hallar todas sus soluciones.
Dos sistemas se llaman equivalentes si tienen las mismas soluciones.
Teorema
Si un sistema Ax = b tiene más de una solución entonces tiene infinitas soluciones.
Demostración: Si x0 , x1 ∈ Mn×1 son dos soluciones distintas del sistema, entonces, para
cualesquiera α, β ∈ R con α + β = 1, se cumple que x = αx0 + βx1 ∈ Mn×1 es también solución:
¡ ¢
Ax = A αx0 + βx1 = αAx0 + βAx1 = αb + βb = (α + β)b = b
Luego si el sistema tiene dos soluciones distintas, entonces tiene infinitas soluciones.
Clasificación de sistemas lineales

Según el número de soluciones, los sistemas se clasifican en
Sistema incompatible ⇐⇒ No tiene soluciones

Sistema compatible determinado ⇐⇒ Tiene solución única
Sistema compatible indeterminado ⇐⇒ Tiene infinitas soluciones
Teorema
Si (A0 | b0 ) es la matriz que se obtiene después de aplicar un número finito de operaciones
elementales a la matriz (A | b), los sistemas Ax = b y A0 x = b0 son equivalentes.
Demostración: Sea (A0 | b0 ) = Er · . . . · E2 · E1 · (A | b), es decir
A0 = Er · . . . · E2 · E1 · A y b0 = Er · . . . · E2 · E1 · b
Entonces:
x0 es solución de A0 x = b0 ⇐⇒ A0 x0 = b0 ⇐⇒ Er . . . E2 E1 Ax0 = Er . . . E2 E1 b
⇐⇒ E1−1 E2−1 . . . Er−1 Er . . . E2 E1 Ax0 = E1−1 E2−1 . . . Er−1 Er . . . E2 E1 b
⇐⇒ IAx0 = Ib ⇐⇒ Ax0 = b ⇐⇒ x0 es solución de Ax = b
Es decir, los sistemas Ax = b y A0 x = b0 son equivalentes.

1.7 Método de Gauss

Todo sistema lineal Ax = b de n ecuaciones con n incógnitas y |A| =
6 0 (o rg A = n) es
compatible determinado. Se puede resolver por el método de Gauss:
1. Se considera la matriz ampliada (A | b).
2. Se obtiene una matriz escalonada (Ar | br ).
3. Se resuelve el sistema equivalente Ar x = br por el método de ascenso.
Ejemplo
Para resolver el sistema 
 x−y+z =4
2x + y − z = −1

x + 2y − z = −3
por el método de Gauss, se procede ası́:
     
1 −1 1 4 f2 −2f1 →f2 1 −1 1 4 f3 −f2 →f3 1 −1 1 4
f3 −f1 →f3 f2 /3→f2
 2 1 −1 −1  −− −−−−−→  0 3 −3 −9  −−−−−−→  0 1 −1 −3 
1 2 −1 −3 0 3 −2 −7 0 0 1 2
y se resuelve, por el método de ascenso, el sistema equivalente:

 
 x−y+z = 4  x=1
y − z = −3 =⇒ y = −1
 
z= 2 z=2
1.8 Teorema de Rouché-Frobenius

Si Ax = b es un sistema de m ecuaciones con n incógnitas, entonces:
1. Si rg A 6= rg (A | b), el sistema es incompatible.
2. Si rg A = rg (A | b) = n, el sistema es compatible determinado.
3. Si rg A = rg (A | b) = k < n, el sistema es compatible indeterminado, y su solución depende

de n − k parámetros.
1.9 Resolución de sistemas lineales por el método de Gauss

Para resolver el sistema lineal Ax = b, de m ecuaciones con n incógnitas, se procede como sigue:
1. Se considera la matriz ampliada (A | b).
2. Se obtiene una matriz escalonada (Ar | br ).
3. Entonces, se pueden presentar los siguientes casos:
(a) Si rg Ar 6= rg (Ar | br ), el sistema es incompatible. No hay soluciones.

(b) Si rg Ar = rg (Ar | br ) = n, el sistema es compatible determinado. Sus única solución

se obtiene resolviendo por el método de Gauss el sistema resultante después de elimi-
nar las ecuaciones nulas (si las hay).
(c) Si rg Ar = rg (Ar | br ) = k < n, el sistema es compatible indeterminado. Su solución
se obtiene resolviendo por el método de ascenso el sistema que se obtiene al pasar al
segundo miembro, como parámetros, las n−k incógnitas que no son comienzo (primer
elemento no nulo) de alguna fila de Ar .
Ejemplo
Para resolver el sistema de 3 ecuaciones con 5 incógnitas:

 x1 + x2 + x4 = −1
x1 + x2 + x3 + 2x4 + x5 = 0

x1 + x2 + x4 + x5 = −1
se obtiene, en primer lugar, la matriz reducida de la ampliada:

   
1 1 0 1 0 −1 f2 −f1 →f2 1 1 0 1 0 −1
f3 −f1 →f3
(A | b) =  1 1 1 2 1 0  −−−−−−→  0 0 1 1 1 1  = (Ar | br )
1 1 0 1 1 −1 0 0 0 0 1 0
Puesto que rg Ar = rg (Ar | br ) = 3 < 5 el sistema es compatible indeterminado. Sus soluciones

se obtienen pasando al segundo miembro, como parámetros, las incógnitas que no son comienzo
de alguna ecuación, x2 = λ y x4 = µ, y resolviendo el sistema resultante por el método de
ascenso:

 
 x1 = −1 − λ − µ

 x2 = λ
 x1 = −1 − λ − µ 
x2 + x5 = 1 − µ =⇒ x3 = 1 − µ , λ, µ ∈ R
 

x5 = 0 
 x =µ
 4
x5 = 0
1.10 Sistemas lineales homogéneos

Puesto que rg A = rg (A | 0), el sistema lineal homogéneo Ax = 0, de m ecuaciones con n
incógnitas, siempre es compatible:
1. Si rg A = n, el sistema homogéneo es compatible determinado, y la única solución es la
solución trivial x1 = x2 = . . . = xn = 0.
2. Si rg A = k < n, el sistema homogéneo es compatible indeterminado, y su solución depende

de n − k parámetros.
Ejemplo
Para resolver el sistema lineal homogéneo

 2x + 3y − z = 0
x− y+ z =0

x + 9y − 5z = 0
se calcula una matriz escalonada de la matriz de coeficientes (no es necesario considerar la

columna de los términos independientes pues son siempre nulos):
       
2 3 −1 1 −1 1 f2 −2f1 →f2 1 −1 1 1 −1 1
f1 ↔f2 f3 −f1 →f3 f3 −2f2 →f3
1 −1 1  − −−−→ 2 3 −1 −−−−−−−→ 0 5 −3 −−−−−−−→ 0 5 −3
1 9 −5 1 9 −5 0 10 −6 0 0 0
Puesto que rg A = 2, el sistema es compatible indeterminado con solución dependiente de

3 − 2 = 1 parámetro. Pasando x3 = λ al segundo miembro, y resolviendo el sistema resultante
por el método de ascenso, se obtiene la solución:
 
½  x = −2λ  x = −2λ
x − y = −λ 5
=⇒ 3λ =⇒ y = 3λ , λ∈R
y= 5
5y = 3λ  
z=λ z = 5λ
1.11 Eliminación de parámetros

Eliminar parámetros en


 x1 = b1 + a11 λ1 + a12 λ2 + . . . + a1r λr

 x2 = b2 + a21 λ1 + a22 λ2 + . . . + a2r λr
..

 .


xn = bn + an1 λ1 + an2 λ2 + . . . + anr λr
es equivalente a encontrar un sistema del que sea solución, y ésto es equivalente a obtener los
valores (x1 , x2 , . . . , xn ) para los que el sistema


 a11 λ1 + a12 λ2 + . . . + a1r λr = x1 − b1

 a21 λ1 + a22 λ2 + . . . + a2r λr = x2 − b2
..

 .


an1 λ1 + an2 λ2 + . . . + anr λr = xn − bn
es compatible, es decir que se verifica:

   
a11 a12 . . . a1r a11 a12 . . . a1r x1 − b1
 a21 a22 . . . a2r   a21 a22 . . . a2r x2 − b2 
   
rg  . .. ..  = rg  .. .. .. 
 .. . .   . . . 
an1 an2 . . . anr an1 an2 . . . anr xn − bn
Ejemplo
Para eliminar los parámetros a, b ∈ R en la expresión:


 x1 = a + 2b

x2 = a − b

 x =1+b
 3
x4 = a + b − 1
se impone la condición de que el sistema



 a + 2b = x1

a − b = x2

 b = x3 − 1

a + b = x4 + 1
tiene solución (es compatible), para lo que se necesita que:

   
1 2 1 2 x1
 1 −1   1 −1 x2 
rg   
 0 1  = rg  0 1 x3 − 1


1 1 1 1 x4 + 1
Para imponer esta condición, se busca una matriz escalonada de ambas matrices, lo que se hace
simultáneamente considerando la segunda matriz:
   
1 2 x1 f2 −f1 →f2
1 2 x1
 1 −1 x2   x2 − x1 
  f4 −f1 →f4  0 −3 
 0 1 x3 − 1  −−−−−−→  0 1 x3 − 1 
1 1 x4 + 1 0 −1 x4 − x1 + 1
 
3f3 +f2 →f3
1 2 x1
3f4 −f2 →f4  0 −3 x2 − x1 
−−−−−−−→   0 0


3(x3 − 1) + (x2 − x1 )
0 0 3(x4 − x1 + 1) − (x2 − x1 )
Para que las dos matrices tengan el mismo rango, es necesario que en la tercera columna los
elementos de las filas tercera y cuarta sean nulos, es decir que:
½
3(x3 − 1) + (x2 − x1 ) = 0
3(x4 − x1 + 1) − (x2 − x1 ) = 0
con lo que se tiene la condición:

½
x1 − x2 − 3x3 = −3
2x1 + x2 − 3x4 = 3
2 Espacios vectoriales
2.1 Espacio vectorial
Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V 6= ∅ sobre el que
hay definidas dos operaciones:
1. Suma:
+ : V × V −→ V
(u, v) −→ u + v
verificando las siguientes propiedades:
(a) Conmutativa: u + v = v + u, ∀u, v ∈ V .

(b) Asociativa: (u + v) + w = u + (v + w), ∀u, v, w ∈ V .
(c) Elemento neutro: Existe 0 ∈ V tal que u + 0 = 0 + u = u, ∀u ∈ V .
(d) Elemento opuesto: Para todo u ∈ V existe −u ∈ V tal que u + (−u) = (−u) + u = 0
2. Producto por un escalar:
· : K × V −→ V
(λ, u) −→ λ · u
verificando las siguientes propiedades:
(a) 1 · u = u, ∀u ∈ V .
(b) λ · (µ · u) = (λµ) · u, ∀λ, µ ∈ K, ∀u ∈ V .
(c) (λ + µ) · u = λ · u + µ · u, ∀λ, µ ∈ K, ∀u ∈ V .
(d) λ · (u + v) = λ · u + λ · v, ∀λ ∈ K, ∀u, v ∈ V .
Los elementos de un espacio vectorial se llaman vectores.

Un espacio vectorial real es un espacio vectorial sobre el cuerpo R de los números reales.
Nota: En lo sucesivo, siempre que no haya confusión se omitirá el punto (·) en la operación
producto por escalar.
Ejemplos
Son espacios vectoriales reales, con las operaciones que se indican, los siguientes:
1. El conjunto de n-uplas de números reales:
Rn = {x = (x1 , x2 , . . . , xn ) = (xi )1≤i≤n : xi ∈ R, 1 ≤ i ≤ n}
con las operaciones:
x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn )
λx = (λx1 , λx2 , . . . , λxn )
2. El conjunto de matrices de dimensión n × m:

½ ¾
Mn×m (R) = A = (aij ) 1≤i≤n : aij ∈ R, 1 ≤ i ≤ n, 1 ≤ j ≤ m
1≤j≤m
con las operaciones: suma de matrices y producto por números reales.
3. El conjunto de todos los polinomios con coeficientes reales en la variable x:

( n )
X
k
P(R) = ak x : n ∈ N, ak ∈ R
k=0
con las clásicas operaciones de suma y producto por números reales.
4. El conjunto de todos los polinomios, con coeficientes reales en la variable x, de grado

menor o igual que n: ( n )
X
k
Pn (R) = ak x : ak ∈ R
k=0
con las mismas operaciones anteriores.
5. El conjunto de todas las funciones reales:
F(R) = {f : R −→ R}
con las operaciones: suma de funciones y producto por números reales.
6. El conjunto de todas las sucesiones de números reales:
S = {(xn )∞
n=0 : xn ∈ R, n ≥ 1}
con las operaciones: suma de sucesiones y producto por números reales.
7. Si Z2 = {0, 1}, entonces Zn2 es un espacio vectorial sobre el cuerpo Z2 , con las operaciones:
0+0=1+1=0, 0+1=1+0=1 y 0·0=0·1=1·0=0, 1·1=1
2.2 Propiedades
Si V es un espacio vectorial, entonces
1. 0 · u = 0.
2. (−1) · u = −u.
para todo u ∈ V .
2.3 Subespacio vectorial

Se llama subespacio vectorial de un espacio vectorial V a cualquier subconjunto no vacı́o
S ⊂ V que es espacio vectorial con las mismas operaciones definidas sobre V .
2.4 Caracterización de subespacios vectoriales

Si V es un espacio vectorial y S ⊂ V , S 6= ∅, entonces
(
(1) u + v ∈ S, ∀u, v ∈ S
S es subespacio vectorial de V ⇐⇒
(2) λu ∈ S, ∀λ ∈ K y ∀u ∈ S
Demostración:
(⇒) Evidente, pues S es espacio vectorial.
(⇐) (1) y (2) garantizan que las operaciones están bien definidas sobre S, al ser éste un conjunto
cerrado respecto de ellas. Además, por ser S un subconjunto de V , se verifican todas las
propiedades de la suma y el producto siempre que sea cierto que 0 ∈ S y que el opuesto de
cualquier elemento de S está en S. Ahora bien, para cualquier u ∈ S,
0=0·u∈S y − u = (−1) · u ∈ S
luego S es un subespacio vectorial de V .
2.5 Corolario
Si V es un espacio vectorial y S ⊂ V , S 6= ∅, entonces
S es subespacio vectorial de V ⇐⇒ λu + µv ∈ S , ∀λ, µ ∈ K , ∀u, v ∈ S
Ejemplos
1. En todo espacio vectorial V , el conjunto {0} es un subespacio vectorial llamado subespa-
cio trivial.
2. Sea F(R) = {f : R −→ R} el espacio vectorial de las funciones reales. Son subespacios

vectoriales:
S1 = {f ∈ F(R) : f (0) = 0} S2 = {f ∈ F(R) : f continua}

S3 = {f ∈ F(R) : f acotada} S4 = {f ∈ F(R) : f derivable}
y no lo son
S5 = {f ∈ F(R) : f (x) > 0, ∀x ∈ R} S6 = {f ∈ F(R) : |f (x)| ≤ 1, ∀x ∈ R}
3. Son subespacios vectoriales del espacio vectorial P(R), de todos los polinomios en x con
coeficientes reales, los siguientes:
© ª
S1 = p ∈ P(R) : p0 (0) = 0 S2 = {p ∈ P(R) : a0 = a1 = 0}
donde a0 y a1 son los coeficientes de grado 0 y 1, respectivamente. No son subespacios

vectoriales:
S3 = {p ∈ P(R) : grado(p) = 4} S4 = {p ∈ P(R) : el grado de p es par}
4. En el espacio vectorial de todas las matrices cuadradas de orden n, el subconjunto de las

matrices simétricas es un subespacio vectorial, y no lo son el subconjunto de las matrices
regulares ni el de las matrices singulares.
5. El conjunto de soluciones del sistema homogéneo Ax = 0, A ∈ Mm×n (R), es un subespacio

vectorial de Rn .
6. Son subespacios vectoriales de M2×2 (R):

½µ ¶ ¾ ½µ ¶ ¾
0 a 0 a
S1 = : a, b ∈ R S2 = : a∈R
b 0 −a 0
y no lo es ½µ ¶ ¾
0 1
S3 = : a∈R
a 0
2.6 Combinación lineal

Sea V un espacio vectorial. Se dice que v ∈ V es combinación lineal de los vectores
{v1 , v2 , . . . , vn } ⊂ V , si existen α1 , α2 , . . . , αn ∈ K tales que
n
X
v= αi vi
i=1
Ejemplos
1. En R3 , para averiguar si el vector v = (1, 2, 3) es combinación lineal de v1 = (1, 1, 1),
v2 = (2, 4, 0) y v3 = (0, 0, 1), se plantea la ecuación vectorial:
(1, 2, 3) = α(1, 1, 1) + β(2, 4, 0) + γ(0, 0, 1)
que equivale al siguiente sistema de ecuaciones, cuyas soluciones son las que se indican:
 
 α + 2β =1  α=0
α + 4β = 2 =⇒ β = 1/2
 
α +γ =3 γ=3
Luego v = 0v1 + 12 v2 + 3v3 , y el vector v es combinación lineal de {v1 , v2 , v3 } (y también

de {v2 , v3 }).
µ ¶
−1 0
2. En M2×2 (R), para averiguar si la matriz A = es combinación lineal de A1 =
2 4
µ ¶ µ ¶
1 1 3 2
y A2 = , se plantea la ecuación matricial:
2 2 3 5

µ ¶ µ ¶ µ ¶ 
 α + 3β = −1

−1 0 1 1 3 2 α + 2β = 0
=α +β =⇒
2 4 2 2 3 5 
 2α + 3β = 2

2α + 5β = 4
Este sistema es incompatible, luego A no es combinación lineal de {A1 , A2 }.

2.7 Dependencia e independencia lineal de vectores

Sea V un espacio vectorial. Se dice que el conjunto de vectores {v1 , v2 , . . . , vn } ⊂ V es li-
nealmente dependiente si y sólo si existen α1 , α2 , . . . , αn ∈ K, con algún αi 6= 0, tales que
P n
i=1 αi vi = 0. En caso contrario, se dice que el conjunto {v1 , v2 , . . . , vn } es linealmente
independiente.
Para estudiar si un conjunto de vectores {v1 , v2 , . . . , vn } es linealmente dependiente o inde-
pendiente, se plantea la ecuación
Xn
αi vi = 0
i=1
y se estudian sus soluciones. Si admite alguna solución no nula el conjunto de vectores es

linealmente dependiente, y si sólo admite la solución nula es linealmente independiente.
Ejemplos
1. En R4 , los vectores v1 = (1, 0, −1, 2), v2 = (1, 1, 0, 1) y v3 = (2, 1, −1, 1) son linealmente
independientes, pues


 α + β + 2γ = 0

β+ γ=0
αv1 + βv2 + γv3 = 0 =⇒ =⇒ α = β = γ = 0

 −α − γ=0

2α + β + γ = 0
2. En R4 , los vectores v1 , v2 , y v3 , del ejemplo anterior, y v4 = (1, 0, −1, 4) son linealmente

dependientes, pues
 

 α + β + 2γ + δ = 0 
 α = −2t
 
β+ γ =0 β = −t
αv1 + βv2 + γv3 + δv4 = 0 =⇒ =⇒ , t∈R

 −α − γ− δ=0 
 γ=t
 
2α + β + γ + 4δ = 0 δ=t
que admite soluciones no nulas. Por ejemplo, para t = −1, 2v1 + v2 − v3 − v4 = 0.
2.8 Propiedades
En un espacio vectorial V se cumplen las siguientes propiedades:
1. {v} linealmente dependiente ⇐⇒ v = 0
2. 0 ∈ A ⊂ V =⇒ A es linealmente dependiente
3. {u, v} linealmente dependiente ⇐⇒ u = λv (son proporcionales)
4. A linealmente independiente y B ⊂ A =⇒ B es linealmente independiente
5. A linealmente dependiente y A ⊂ B =⇒ B es linealmente dependiente
6. A linealmente dependiente ⇐⇒ Existe v ∈ A que es combinación lineal de A \ {v}
7. A linealmente independiente ⇐⇒ No existe v ∈ A que sea combinación lineal de A \ {v}

2.9 Lema
Si V es un espacio vectorial y A = {v1 , . . . , vm } ⊂ V , entonces
(m )
X
L(A) = αi vi : αi ∈ K
i=1
es un subespacio vectorial de V , que se llama subespacio generado por A. El conjunto A se
llama sistema de generadores
Pm de L(A). P
Demostración: Si u = i=1 αi vi ∈ L(A), v = m i=1 βi vi ∈ L(A), y λ, µ ∈ K, entonces
m
X
λu + µv = (λαi + µβi )vi ∈ L(A)
i=1
Ejemplos
1. Si V = R3 y A = {v1 = (1, 0, 1), v2 = (1, 1, −1)}, entonces
L(A) = {v = αv1 + βv2 : α, β ∈ R} = {v = (α + β, β, α − β) : α, β ∈ R}
Las ecuaciones 
 x=α+β
y=β ; α, β ∈ R

z =α−β
se llaman ecuaciones paramétricas de L(A). Las ecuaciones paramétricas son útiles
para obtener, dándo valores reales a los parámetros α y β, los diferentes vectores de L(A).
Ası́, por ejemplo, para α = 2 y β = −1 se obtiene el vector v = (1, −1, 3) ∈ L(A).
Eliminando parámetros en las ecuaciones paramétricas, se obtiene:
x − 2y − z = 0
que se llaman ecuaciones implı́citas de L(A) (en este caso sólo una). Las ecuaciones
implı́citas son útiles para comprobar si un determinado vector pertenece a L(A) (el vector
debe verificar todas las ecuaciones). Por ejemplo, el vector (3, 1, 1) ∈ L(A) pues 3−2·1−1 =
0, y el vector (−1, 2, 1) 6∈ L(A), pues −1 − 2 · 2 − 1 6= 0.
2. En R4 , las ecuaciones paramétricas e implı́citas del subespacio generado por
A = {v1 = (1, −1, 1, −1), v2 = (1, 2, −1, 3)}
son 

 x1 =α+β ½

x2 = −α + 2β x1 − 2x2 − 3x3 = 0
; α, β ∈ R =⇒

 x =α−β x1 − 2x3 − x4 = 0
 3
x4 = −α + 3β
2.10 Propiedades
Si A y B son dos subconjuntos finitos de un espacio vectorial V , entonces:
1. A ⊂ B =⇒ L(A) ⊂ L(B).
2. A ⊂ L(B) ⇐⇒ L(A) ⊂ L(B).
3. L(A) = L(B) ⇐⇒ A ⊂ L(B) y B ⊂ L(A).
2.11 Proposición
Sea V un espacio vectorial y {v1 , . . . , vm } ⊂ V . Si vm es combinación lineal de {v1 , . . . , vm−1 },
entonces
L ({v1 , . . . , vm }) = L ({v1 , . . . , vm−1 })
Demostración:
(⊃) Si v ∈ L ({v1 , . . . , vm−1 }), entonces
m−1
X m−1
X
v= αi vi = αi vi + 0vm ∈ L ({v1 , . . . , vm })
i=1 i=1
Pm−1
(⊂) Sea vm = i=1 βi vi . Si v ∈ L ({v1 , . . . , vm }), entonces
m
X m−1
X m−1
X m−1
X
v= αi vi = αi vi + αm βi vi = (αi + αm βi )vi ∈ L ({v1 , . . . , vm−1 })
i=1 i=1 i=1 i=1
2.12 Base de un espacio vectorial

Se llama base de un espacio vectorial (o subespacio vectorial) a cualquiera de sus sistemas de
generadores que esté formado por vectores linealmente independientes.
2.13 Teorema de la base

Todo espacio vectorial V 6= {0} (o subespacio vectorial) con un sistema de generadores finito
posee al menos una base.
Demostración: Sea Am = {v1 , . . . , vm } un sistema de generadores de V . Si Am es linealmente
independiente, entonces B = Am es una base de V . En caso contrario habrá un vector, que se
puede suponer vm , que es combinación lineal de los restantes, por lo que
V = L (Am ) = L (Am−1 ) con Am−1 = {v1 , . . . , vm−1 }
Si Am−1 es linealmente independiente, entonces B = Am−1 es una base de V . En caso contrario,

se repite el razonamiento anterior hasta llegar a algún Ai = {v1 , . . . , vi } que sea linealmente
independiente y que será la base.
El final del proceso anterior está asegurado pues, en el peor de los casos, después de m − 1 pasos
se llegarı́a a A1 = {v1 } con v1 6= 0 (pues L(A1 ) = V 6= {0}), y este serı́a la base.
2.14 Coordenadas respecto de una base

Si B = {v1 , . . . , vn } es una base del espacio vectorial V , entonces para todo v ∈ V se tiene que
n
X
v = x1 v1 + . . . + xn vn = xi vi
i=1
Se llaman coordenadas de v respecto de la base B a la n-upla (x1 , . . . , xn ) ∈ Kn , y se indica
v = (x1 , . . . , xn )B
2.15 Unicidad de las coordenadas

En un espacio vectorial, las coordenadas de un vector respecto de una base finita son únicas.
Demostración: Si B = {v1 , . . . , vn } es una base de V , y v ∈ V , entonces
½ P n
X
v = (x1 , . . . , xn )B = Pni=1 xi vi
=⇒ (xi − x0i )vi = 0 =⇒ xi = x0i , 1 ≤ i ≤ n
v = (x01 , . . . , x0n )B = ni=1 x0i vi
i=1
ya que los vectores de B son linealmente independientes. Luego las coordenadas de cualquier
vector respecto de la base son únicas.
2.16 Bases usuales

En cada uno de los siguientes espacios vectoriales, la base usual es la que se indica:
1. En Rn ,
Bc = {e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)}
que también se llama base canónica.
2. En Mn×m (R), B=
      

 1 0 ··· 0 0 1 ··· 0 0 0 ··· 0 


  0     

 0 ··· 0   0 0 ··· 0   0 0 ··· 0 
= E1 =  . .. ..  , E2 =  .. .. ..  , . . . , En·m =  .. .. .. 

  .. . .   . . .   . . . 


 

0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
3. En Pn (R), © ª
B = 1, x, x2 , . . . , xn
Siempre que no haya confusión, se suele omitir la indicación de la base en la expresión de las
coordenadas respecto de las bases usuales.
2.17 Uso de operaciones elementales para obtención de bases

Sea V = Rn y A = {v1 , . . . , vm } ⊂ V . Si se representa también por A la matriz cuyas filas son
los vectores de A, y Ar es una matriz reducida de A, entonces una base de L(A) está formada por
los vectores correspondientes a las filas no nulas de Ar . Si la matriz reducida que se considera
es la escalonada, la base que se obtiene es la más sencilla posible.
Todo lo anterior es igualmente válido cuando V es un espacio vectorial arbitrario con base
finita, y sus vectores vienen expresados por sus coordenadas respecto de dicha base.
Ejemplos
1. Si A = {v1 = (1, 3, 4), v2 = (2, −1, 1), v3 = (3, 2, 5), v4 = (5, 15, 20)} ⊂ R3 , entonces
     
1 3 4 1 3 4 1 3 4
2 −1 1     
  −→ 0 7 7 −→ 0 1 1
3 2 5   0 7 7   0 0 0
5 15 20 0 0 0 0 0 0
y B = {u1 = (1, 3, 4), u2 = (0, 1, 1)} es una base de L(A). Para hallar las coordenadas del
vector v = (2, −1, 1) respecto de dicha base, se procede ası́:

 α =2 ½
α=2
v = αu1 + βu2 =⇒ (2, −1, 1) = α(1, 3, 4) + β(0, 1, 1) =⇒ 3α + β = −1 ⇒
 β = −7
4α + β = 1
de donde v = 2u1 − 7u2 = (2, −7)B . En referencia a esta base, las ecuaciones paramétricas
e implı́citas de L(A) son:

 x=α
y = 3α + β ; α, β ∈ R =⇒ x + y − z = 0

z = 4α + β
2. Antes de proceder a hallar una base del subespacio generado por

© ª
A = p1 = 1 − x3 , p2 = x − x3 , p3 = 1 − x, p4 = 1 + x − 2x3 ⊂ P3 (R)
se expresan los vectores (polinomios) respecto de la base usual:
A = {p1 = (1, 0, 0, −1), p2 = (0, 1, 0, −1), p3 = (1, −1, 0, 0), p4 = (1, 1, 0, −2)}
Entonces      
1 0 0 −1 1 0 0 −1 1 0 0 −1
0 1 0 −1 0 1 0 −1 0 1 0 −1
    −→  
1 −1 0 0  −→ 0 1 0 −1 0 0 0 0
1 1 0 −2 0 1 0 −1 0 0 0 0
y una base de L(A) es:
© ª
B = q1 = (1, 0, 0, −1) = 1 − x3 , q2 = (0, 1, 0, −1) = x − x3
Para hallar las coordenadas del polinomio p = −1 + 2x − x3 = (−1, 2, 0, −1) respecto de

dicha base, se procede ası́:


 α = −1 ½

β=2 α = −1
p = (−1, 2, 0, −1) = α(1, 0, 0, −1) + β(0, 1, 0, −1) =⇒ ⇒

 0 = 0 β=2

−α − β = −1
de donde p = −q1 + 2q2 = (−1, 2)B . En referencia a esta base, y representando un

polinomio arbitrario por p = a + bx + cx2 + dx3 = (a, b, c, d), las ecuaciones paramétricas
e implı́citas de L(A) son:


 a=α ½

b=β a+b+d=0
; α, β ∈ R =⇒

 c = 0 c =0

d = −α − β
3. Antes de proceder a hallar una base del subespacio generado en M2×2 (R) por A =
½ µ ¶ µ ¶ µ ¶ µ ¶ µ ¶¾
1 −1 0 0 2 −2 −3 3 −1 1
= M1 = , M2 = , M3 = , M4 = , M5 =
0 −1 1 1 2 −2 5 3 3 1
se expresan los vectores (matrices) respecto de la base usual:

½ ¾
M1 = (1, −1, 0, −1), M2 = (0, 0, 1, 1), M3 = (2, −2, 2, −2), M4 = (−3, 3, 5, 3),
A=
M5 = (−1, 1, 3, 1)
Entonces
       
1 −1 0 −1 1 −1 0 −1 1 −1 0 −1 1 −1 0 0
0 0 1 1 0 0 1 1  0 0 1 0  0 0 1 0
       
 2 −2 2 −2      
  −→ 0 0 2 0  −→ 0 0 0 1  −→ 0 0 0 1
−3 3 5 3   0 0 5 0  0 0 0 0  0 0 0 0
−1 1 3 1 0 0 3 0 0 0 0 0 0 0 0 0
y una base de L(A) es B =

½ µ ¶ µ ¶ µ ¶¾
1 −1 0 0 0 0
N1 = (1, −1, 0, 0) = , N2 = (0, 0, 1, 0) = , N3 = (0, 0, 0, 1) =
0 0 1 0 0 1
Puesto que la base se ha obtenido llegando hasta la matriz escalonada, ahora es mucho
más fácil obtener las coordenadas de una matriz respecto de ella. De esta manera
µ ¶
2 −2
M= = (2, −2, 3, −2) = 2N1 + 3N2 − 2N3 = (2, 3, −2)B
3 −2
En referencia a esta base, y representando una matriz arbitraria por

µ ¶
a b
M= = (a, b, c, d)
c d
las ecuaciones paramétricas e implı́citas de L(A) son:



 a=α

b = −α
; α, β, γ ∈ R =⇒ a+b=0

 c=β

d=γ
2.18 Proposición
Si V 6= {0} es un espacio vectorial con una base formada por n vectores, entonces cualquier
conjunto de n + 1 vectores es linealmente dependiente.
Demostración: Sea B = {v1 , . . . , vn } una base de V y A = {u1 , . . . , un , un+1 } ⊂ V , con
n
X
ui = aij vj = (ai1 , ai2 , . . . , ain )B , 1 ≤ i ≤ n + 1
j=1
Para que una combinación lineal de los vectores de A sea igual al vector cero, se ha de cumplir:
 Pn+1
Ã ! 
 i=1 ai1 αi = 0
n+1
X n+1
X n+1
X n+1
X  Pn+1 ai2 αi = 0

i=1
αi ui = ai1 αi , ai2 αi , . . . , ain αi = 0 ⇐⇒ ..

 .
i=1 i=1 i=1 i=1 
 Pn+1
i=1 ain αi = 0
que es un sistema lineal homogéneo de n ecuaciones con n + 1 incógnitas, y tiene por tanto
infinitas soluciones (α1 , α2 , . . . , αn+1 ) 6= (0, 0, . . . , 0). Luego A es linealmente dependiente.
2.19 Teorema del cardinal o de la dimensión

Todas las bases de un espacio vectorial V 6= {0} tienen el mismo número de elementos (cardinal).
Demostración: Sean B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um } dos bases de V . Puesto que B1
es base y B2 es linealmente independiente, m ≤ n, y puesto que B2 es base y B1 es linealmente
independiente, n ≤ m. Luego m = n.
2.20 Dimensión de un espacio vectorial

Se llama dimensión de un espacio vectorial V 6= {0}, que se representa por dim V , al cardinal
de una cualquiera de sus bases. La dimensión de V = {0} es cero.
Observación: Una base de un espacio vectorial V 6= {0} de dimensión n está formada por
cualesquiera n vectores linealmente independientes.
2.21 Teorema de extensión de la base

Sea V 6= {0} un espacio vectorial de dimensión n y A = {v1 , . . . , vr } ⊂ V un conjunto li-
nealmente independiente de r < n vectores. Entonces existen {vr+1 , . . . , vn } ⊂ V tales que
{v1 , . . . , vr , vr+1 , . . . , vn } es base de V .
Demostración: Puesto que A es linealmente independiente y su cardinal es r < n, A no
es sistema de generadores de V , luego existirá vr+1 ∈ V tal que vr+1 6∈ L(A). Entonces
A1 = A ∪ {vr+1 } es linealmente independiente.
Si r + 1 = n, A1 es base. En caso contrario, se repite el proceso anterior para obtener A2
linealmente independiente con r + 2 vectores, y ası́ sucesivamente.
2.22 Interpretación geométrica de subespacios

Sean V = Rn y S ⊂ Rn es un subespacio vectorial.
1. Si dim S = 0, S = {0} es un punto (el origen).
2. Si dim S = 1, S = L({u}) es la recta que pasa por el origen con vector de dirección u.
3. Si dim S = 2, S = L({u, v}) es el plano que pasa por el origen con vectores de dirección
u y v.
4. Si 2 < k = dim S < n − 1, S es un k-plano que pasa por el origen.
5. Si dim S = n − 1, S es un hiperplano que pasa por el origen.
6. Si dim S = n, S = Rn es todo el espacio.

2.23 Suma e intersección de subespacios

Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial V , se define su inter-
sección y suma como
S ∩ T = {v ∈ V : v ∈ S y v ∈ T } y S + T = {u + v ∈ V : u ∈ S y v ∈ T }
respectivamente. Los conjuntos S ∩ T y S + T son subespacios vectoriales.
Ejemplo
Sean S = {(x, y, z) : y = 0} y T = {(x, y, z) : x − z = 0} dos subespacios vectoriales de R3 .
Los vectores de S ∩ T son aquellos que están S y T , por lo que sus ecuaciones implı́citas son la
unión de las de ambos subespacios. Por lo tanto, las ecuaciones y una base de S ∩ T son

½  x=α
y=0
=⇒ y = 0 ; α ∈ R =⇒ BS∩T = {(1, 0, 1)}
x−z =0 
z=α
Un sistema de generadores de S + T es la unión de una base de S con otra de T . Puesto que

BS = {(1, 0, 0), (0, 0, 1)} y BT = {(0, 1, 0), (1, 0, 1)}, entonces
   
1 0 0 1 0 0
0 0 1 0 1 0
    3
0 1 0 −→ 0 0 1 =⇒ BS+T = {e1 , e2 , e3 } =⇒ S + T = R
1 0 1 0 0 0
Se puede observar que la representación de un vector de S + T como suma de un vector de S y

otro de T no es única. Por ejemplo,
u = (1, 1, 1) = (1, 0, 1) + (0, 1, 0) = (3, 0, 3) + (−2, 1, −2)
siendo, en cada suma, el primer vector de S y el segundo de T .
2.24 Suma directa de subespacios

Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial V , se dice que S + T es
suma directa de los subespacios S y T , que se representa por S ⊕ T , si es única la expresión
de cada vector de la suma como un vector de S más otro de T .
2.25 Caracterización de la suma directa

Sean S y T dos subespacios vectoriales de V . Entonces
La suma de S y T es directa ⇐⇒ S ∩ T = {0}
Demostración:
(⇒) Si S ∩ T 6= {0}, entonces existe v 6= 0 con v ∈ S ∩ T , de donde v = v + 0 = 0 + v, y la
suma no serı́a directa.
(⇐) Si u = v1 +w1 = v2 +w2 , entonces v1 −v2 = w2 −w1 ∈ S ∩T , luego v1 −v2 = w2 −w1 = 0
de donde v1 = v2 y w1 = w2 , y la suma serı́a directa.
2.26 Fórmula de la dimensión

Sean S y T subespacios vectoriales de un espacio vectorial V de dimensión finita. Entonces
dim(S ∩ T ) + dim(S + T ) = dim S + dim T
Demostración: Si dim S = n, dim T = m, dim(S ∩ T ) = r y {v1 , . . . , vr } es una base de S ∩ T ,

usando el teorema de extensión de la base, sean
BS = {v1 , . . . , vr , vr+1 , . . . , vn } y BT = {v1 , . . . , vr , wr+1 , . . . , wm }
bases de S y T , respectivamente. Para demostrar la fórmula de la dimensión, es suficiente

demostrar que
B = {v1 , . . . , vr , vr+1 , . . . , vn , wr+1 , . . . , wm }
es una base de S + T . En primer lugar, B es linealmente independiente:
n
X m
X m
X n
X m
X r
X
αi vi + βj wj = 0 =⇒ βj wj = − αi vi ∈ S ∩ T =⇒ βj wj = βj vj
i=1 j=r+1 j=r+1 i=1 j=r+1 j=1
Xr m
X
=⇒ βj vj − βj wj = 0 =⇒ βj = 0 , 1 ≤ j ≤ m =⇒ βj = 0 , r + 1 ≤ j ≤ m
j=1 j=r+1
pues BT es base de T , y entonces

n
X
αi vi = 0 =⇒ αi = 0 , 1 ≤ i ≤ n
i=1
pues BS es base de S. Finalmente, B es sistema de generadores de S + T , pues si u ∈ S + T

entonces
n
X r
X m
X r
X n
X m
X
u= αi vi + βi vi + βi wi = (αi + βi )vi + αi vi + βi wi
i=1 i=1 i=r+1 i=1 i=r+1 i=r+1
Ejemplo
En R4 se consideran los subespacios vectoriales
S = L ({(1, 0, −1, 2), (0, 1, 1, 0)}) y T = L ({(1, 0, 1, −1), (0, 1, −1, 3)})
Puesto que
     
1 0 −1 2 1 0 −1 2 1 0 −1 2
0 1 1 0 0 1 1 0 0 1 1 0
  −→   −→  
1 0 1 −1 0 0 2 −3 0 0 2 −3
0 1 −1 3 0 0 2 −3 0 0 0 0
una base de S + T es BS+T = {(1, 0, −1, 2), (0, 1, 1, 0), (0, 0, 2, −3)}, y sus ecuaciones son:


 x1 = α

x2 = β
; α, β, γ ∈ R =⇒ x1 + 3x2 − 3x3 − 2x4 = 0

 x3 = −α + β + 2γ

x4 = 2α − 3γ
Usando la fórmula de la dimensión, dim(S ∩ T ) = 2 + 2 − 3 = 1. Las ecuaciones implı́citas de S

y T son


 x1 = α ½

x2 = β x1 − x2 + x3 = 0
S≡ ; α, β ∈ R =⇒

 x = −α + β 2x1 − x4 = 0
 3
x4 = 2α


 x1 = α ½

x2 = β x1 − x2 − x3 = 0
T ≡ ; α, β ∈ R =⇒

 x 3 = α − β x1 − 3x2 + x4 = 0

x4 = −α + 3β
y las ecuaciones y base de S ∩ T son

 
 x1 − x2 + x3 = 0   x1 =α

  x1 − x2 = 0 

2x1 − x4 = 0 x2 =α
=⇒ 2x2 − x4 = 0 =⇒ ; α ∈ R =⇒ BS∩T = {(1, 1, 0, 2)}

 x1 − x 2 − x3 = 0  
 x =0
 x3 = 0  3
x1 − 3x2 + x4 = 0 x4 = 2α
2.27 Subespacios suplementarios

Dos subespacios S y T de un espacio vectorial V se llaman suplementarios si V = S ⊕ T .
Si S ⊕ T = U V , se dice que S y T son suplementarios en U .
Si V = S ⊕ T , entonces dim V = dim S + dim T . Además,
½
{v1 , . . . , vr } base de S
=⇒ {v1 , . . . , vr , vr+1 , . . . , vn } base de V
{vr+1 , . . . , vn } base de T
y también:
½
{v1 , . . . , vr } base de S
=⇒ L ({vr+1 , . . . , vn }) es suplementario de S
{v1 , . . . , vr , vr+1 , . . . , vn } base de V
3 Geometrı́a afı́n
3.1 Variedad o subespacio afı́n
Se llama variedad afı́n o subespacio afı́n de un espacio vectorial V a cualquier conjunto de
la forma
u + S = {u + v : v ∈ S} ⊂ V
con u ∈ V y S un subespacio vectorial de V , que se llama subespacio de direcciones.
Si S = L ({v1 , v2 , . . . , vm }), entonces
( m
)
X
u+S = u+ αi vi : αi ∈ K, 1 ≤ i ≤ m ⊂ V
i=1
Se llama dimensión del subespacio afı́n u + S a la dimensión del subespacio vectorial

asociado S:
dim(u + S) = dim S
3.2 Observaciones
1. u ∈ u + S
2. 0 ∈ u + S ⇐⇒ u ∈ S ⇐⇒ u + S = S
3. Si V = Rn , entonces


un punto , si dim S = 0




una recta , si dim S = 1
u + S es un plano , si 2 ≤ dim S < n − 1



un hiperplano , si dim S = n − 1



el espacio V = Rn , si dim S = n
3.3 Ejemplos
1. En R3 , la recta que pasa por P (1, −1, 0) con vector de dirección v = (1, 1, 1) es:
−−→
OP + L ({v}) = {(x, y, z) = (1, −1, 0) + α(1, 1, 1) : α ∈ R}
cuyas ecuaciones paramétricas e implı́citas son:

 x=1+α ½
x−y =2
y = −1 + α ; α ∈ R =⇒
 x−z =1
z=α
2. En R3 , la recta que pasa por P (0, 1, 1) y Q(1, 0, 1) es:

−−→ ³n−−→o´
OP + L P Q = {(x, y, z) = (0, 1, 1) + α(1, −1, 0) : α ∈ R}


 x=α ½
x+y =1
y = 1 − α ; α ∈ R =⇒
 z=1
z=1
3. En R3 , el plano que pasa por P (1, 0, 0) con vectores de dirección u = (1, 1, 0) y v = (0, 0, 1)
es:
−−→
OP + L ({u, v}) = {(x, y, z) = (1, 0, 0) + α(1, 1, 0) + β(0, 0, 1) : α, β ∈ R}

 x=1+α
y=α ; α, β ∈ R =⇒ x−y =1

z=β
4. En R4 , el hiperplano que pasa por P1 (1, 0, 0, 0), P2 (0, 1, 0, 0), P3 (0, 0, 1, 0) y P4 (0, 0, 0, 1)
es:
−−→ ³n−−−→ −−−→ −−−→o´
OP1 + L P1 P2 , P1 P3 , P1 P4 =
= {(x1 , x2 , x3 , x4 ) = (1, 0, 0, 0) + α(−1, 1, 0, 0) + β(−1, 0, 1, 0) + γ(−1, 0, 0, 1) : α, β, γ ∈ R}



 x1 = 1 − α − β − γ

x2 = α
; α, β, γ ∈ R =⇒ x1 + x2 + x3 + x4 = 1

 x3 = β

x4 = γ
3.4 Igualdad de variedades afines

Sean V un espacio vectorial, S y T subespacios vectoriales de V , y u, v ∈ V . Entonces
½
S=T
u + S = v + T ⇐⇒
u−v ∈S∩T
Demostración:
(⇐) Puesto que S = T y u − v ∈ T :
u + S = (u − v) + v + T = v + T
(⇒)
½
u ∈ v + T =⇒ u − v ∈ T
u + S = v + T =⇒ =⇒ u − v ∈ S ∩ T
v ∈ u + S =⇒ v − u ∈ S =⇒ u − v ∈ S
y además
S = −u + u + S = −u + v + T = −(u − v) + T = T
3.5 Ejemplo
Para estudiar la igualdad de las variedades afines
  

 x1 = 1 + α 
 x1 = 2 + α + β + γ 
 x1 = −1 + α + β
  
x2 = −α + β x2 = −α + γ x2 = −α − 2β
A≡ B≡ C≡

 x = β 
 x = 1 + β + 2γ 
 x = −β
 3  3  3
x4 = −1 + β x4 = β + 2γ x4 = −1 − β
se determina un vector y un subespacio de direcciones de cada una de ellas:

½
uA = (1, 0, 0, −1)
A = uA + SA con
SA = L ({(1, −1, 0, 0), (0, 1, 1, 1)})
½
uB = (2, 0, 1, 0)
B = uB + SB con
SB = L ({(1, −1, 0, 0), (1, 0, 1, 1), (1, 1, 2, 2)})
½
uC = (−1, 0, 0, −1)
C = uC + SC con
SC = L ({(1, −1, 0, 0), (1, −2, −1, −1)})
En primer lugar se comprueba, hallando la matriz escalonada de la matriz asociada a sus vectores
de dirección, si coinciden los subespacios vectoriales asociados:
µ ¶ µ ¶
1 −1 0 0 1 0 1 1
SA ≡ −→
0 1 1 1 0 1 1 1
     
1 −1 0 0 1 −1 0 0 1 0 1 1
SB ≡ 1 0 1 1 −→ 0 1 1 1 −→ 0 1 1 1
1 1 2 2 0 2 2 2 0 0 0 0
µ ¶ µ ¶ µ ¶
1 −1 0 0 1 −1 0 0 1 0 1 1
SC ≡ −→ −→
1 −2 −1 −1 0 1 1 1 0 1 1 1
Luego S = SA = SB = SC = L ({v1 = (1, 0, 1, 1), v2 = (0, 1, 1, 1)}) y las tres variedades afines
verifican la primera condición. Para verificar la segunda se comprueba, mediante operaciones
elementales, si las diferencias entre cada dos vectores de los que definen las variedades pertenecen
al subespacio vectorial:
     
v1 1 0 1 1 1 0 1 1
 v2  0 1 1 1 0 1 1 1
     
. . . . . . . .  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
     
uA − uB  −→ −1 0 −1 −1 −→ 0 0 0 0
     
uA − uC  2 0 0 0 0 0 −2 −2
uB − uC 3 0 1 1 0 0 −2 −2
de donde uA − uB ∈ S, uA − uC ∈
/ S y uB − uC ∈
/ S. Luego A = B 6= C.
3.6 Posición relativa de variedades afines

Sean u + S y v + T dos variedades afines en un espacio vectorial V . Entonces, si
½
u + S, se dice que u + S está contenida en v + T .
• u+S∩v+T =
v + T , se dice que v + T está contenida en u + S.
• (u + S) ∩ (v + T ) = ∅, y S ⊂ T o T ⊂ S, se dice que u + S y v + T son paralelas.
• (u + S) ∩ (v + T ) = ∅, y S 6⊂ T y T 6⊂ S, se dice que u + S y v + T se cruzan.


 ∅
• (u + S) ∩ (v + T ) 6= u + S , se dice que u + S y v + T se cortan.

v+T
3.7 Posiciones relativas en R2 y R3

1. Sean r ≡ ur + L ({vr }) y s ≡ us + L ({vs }) dos rectas del plano R2 . Entonces si
rg (vr , vs ) rg (vr , vs , ur − us ) Posición relativa de r y s

1 1 iguales
1 2 paralelas
2 2 se cortan en un punto
2. Sean r ≡ ur + L ({vr }) y s ≡ us + L ({vs }) dos rectas del espacio R3 . Entonces si
rg (vr , vs ) rg (vr , vs , ur − us ) Posición relativa de r y s

1 1 iguales
1 2 paralelas
2 3 se cruzan
3. Sean r ≡ ur + L ({vr }) y π ≡ uπ + L ({vπ , wπ }) una recta y un plano del espacio R3 .

Entonces si
rg (vr , vπ , wπ ) rg (vr , vπ , wπ , ur − uπ ) Posición relativa de r y π

2 2 la recta está contenida en el plano
2 3 paralelos
4. Sean π ≡ uπ + L ({vπ , wπ }) y σ ≡ uσ + L ({vσ , wσ }) dos planos del espacio R3 . Entonces

si
rg (vπ , wπ , vσ , wσ ) rg (vπ , wπ , vσ , wσ , uπ − uσ ) Posición relativa de π y σ

2 2 iguales
2 3 paralelos
3 3 se cortan en una recta
3.8 Ejemplos
1. En R2 , las rectas
½ ½
x=α−1 x=α−1
r1 ≡ x − y = −1 r2 ≡ r3 ≡
y =α+3 y = 3α − 2
verifican: r1 k r2 , r1 ∩ r3 = {(0, 1)}, y r2 ∩ r3 = {(3/2, 11/2)}.

½
3 x=0
2. En R , la recta r ≡ corta al plano π1 ≡ y−z = 1 en un punto y está contenida
y+z =1
en el plano π2 ≡ y + z = 1. Los planos se cortan en una recta. Más concretamente:

½  x=α
y−z =1
r ∩ π1 = {(0, 1, 0)} y π1 ∩ π2 ≡ ≡ y=1 ; α∈R
y+z =1 
z=0
3. En R3 , las rectas

½  x=α
x−y =0
r1 ≡ ≡ y=α ≡ (0, 0, 1) + L ({(1, 1, −1)})
x+z =1 
z =1−α

½  x = 1 + 2α
x − 2z = 1
r2 ≡ ≡ y=1 ≡ (1, 1, 0) + L ({(2, 0, 1)})
y=1 
z=α

½  x=1+α
x−y =0
r3 ≡ ≡ y = 1 + α ≡ (1, 1, 3) + L ({(1, 1, −1)})
x+z =4 
z =3−α
verifican: r1 ∩ r2 = {(1, 1, 0)}, r1 y r3 son paralelas, y r2 y r3 se cruzan.

½
4 x1 − x2 + x4 = 2
4. En R , el hiperplano H ≡ x1 − x4 = −1 y el plano π ≡ se cortan
x1 − x3 + 2x4 = −1
en la recta

  x1 = −1 + α
 x1 − x4 = −1 

x2 = −3 + 2α
H ∩π ≡ x1 − x2 + x4 = 2 ≡ ≡ (−1, −3, 0, 0) + L ({(1, 2, 3, 1)})
 
 x = 3α
x1 − x3 + 2x4 = −1  3
x4 = α
½ ½
x1 − x3 = −1 x2 + x3 + x4 = 1
5. En R4 ,los planos π1 ≡ y π2 ≡ se cruzan, pues su
x1 − x4 = −1 x3 − x4 = 1
intersección es vacı́a y ninguno de los subespacios de direcciones, L ({(1, 0, 1, 1), (0, 1, 0, 0)})
de π1 y L ({(1, 0, 0, 0), (0, 2, −1, −1)}) de π2 , está contenido en el otro.
½ ½
4 x1 − x3 = −1 x1 − x4 = 2
6. En R , los planos π1 ≡ y π2 ≡ son paralelos, pues su
x1 − x4 = −1 x3 − x4 = 1
intersección es vacı́a y sus subespacios de direcciones coinciden.
4 Aplicaciones lineales
4.1 Aplicación lineal
Sean V y W dos espacios vectoriales sobre el mismo cuerpo K (en general, R o C). Una aplicación
f : V −→ W se llama aplicación lineal u homomorfismo si
• f (u + v) = f (u) + f (v), ∀u, v ∈ V .
• f (αu) = αf (u), ∀u ∈ V , ∀α ∈ K.
Estas dos condiciones son equivalentes a la única condición:
f (αu + βv) = αf (u) + βf (v) , ∀u, v ∈ V , ∀α, β ∈ K
4.2 Ejemplos
1. Las siguientes aplicaciones, f : R2 −→ R2 , son aplicaciones lineales:
(a) Homotecia: f (u) = λu, con λ ∈ R.

(b) Proyección: f (x, y) = (x, 0).
(c) Simetrı́a: f (x, y) = (x, −y)
2. Si A ∈ Mm×n (R), la aplicación f : Rn −→ Rm definida por f (u) = Au es una aplicación

lineal (asociada a la matriz A). Obviamente, para que tenga sentido el producto Au, se
entiende que el vector u se escribe en columna, como se hará siempre que esté implicado
en operaciones matriciales.
 
1 −1
3. La aplicación lineal asociada a la matriz A =  1 0  es f : R2 −→ R3 definida por:
−1 2
     0
1 −1 µ ¶ x−y  x =x−y
  x  
f (x, y) = 1 0 = x =⇒ y0 = x
y  0
−1 2 −x + 2y z = −x + 2y
4.3 Propiedades
Si f : V −→ W es una aplicación lineal, se cumple:
1. f (0) = 0.
2. f (−u) = −f (u).
3. S subespacio vectorial de V =⇒ f (S) es subespacio vectorial de W .
4. T subespacio vectorial de W =⇒ f −1 (T ) es subespacio vectorial de V .
4.4 Núcleo e imagen de una aplicación lineal

Si f : V −→ W es una aplicación lineal, se llama imagen al subespacio vectorial Im f = f (V ),
y núcleo al subespacio vectorial Ker f = f −1 ({0}).
4.5 Definiciones
Una aplicación lineal (homomorfismo) se llama monomorfismo si es inyectiva, epimorfismo
si es sobreyectiva, e isomorfismo si es biyectiva. Cuando los espacios inicial y final coinci-
den, la aplicación lineal y el isomorfismo se suelen llamar endomorfismo y automorfismo,
respectivamente.
4.6 Condición necesaria y suficiente de monomorfismo

Sea f : V −→ W es una aplicación lineal. Entonces
f es monomorfismo ⇐⇒ Ker f = {0}
Demostración:
(⇒) Si f es inyectiva, entonces:
f (u) = 0 =⇒ f (u) = f (0) =⇒ u = 0
luego Ker f = {0}.

(⇐) Inversamente, si Ker f = {0}, entonces
f (u) = f (v) =⇒ f (u − v) = 0 =⇒ u − v = 0 =⇒ u = v
luego f es inyectiva.
4.7 Dimensión del subespacio imagen

Sea f : V −→ W es una aplicación lineal. Si B = {v1 , v2 , . . . , vn } es una base de V , entonces
Im f = L ({f (v1 ), f (v2 ), . . . , f (vn )}) y, en consecuencia dim Im f ≤ dim V
Demostración: Si w ∈ Im f , existe v = (x1 , x2 , . . . , xn )B ∈ V tal que

Ã n ! n
X X
w = f (v) = f xi vi = xi f (vi )
i=1 i=1
luego w ∈ L ({f (v1 ), f (v2 ), . . . , f (vn )}). Inversamente, si w ∈ L ({f (v1 ), f (v2 ), . . . , f (vn )}),
entonces Ã n !
Xn X Xn
w= αi f (vi ) = f αi vi y v= αi vi ∈ V
i=1 i=1 i=1
luego w ∈ Im f .
4.8 Determinación de una aplicación lineal

Si B = {v1 , v2 , . . . , vn } es una base de V y {w1 , w2 , . . . , wn } son n vectores cualesquiera de
W , entonces existe una única aplicación lineal f : V −→ W tal que
f (vi ) = wi , para 1 ≤ i ≤ n
Pn
Demostración: Para cada v = i=1 xi vi ∈ V se define
n
X
f (v) = xi wi
i=1
Es fácil ver que f es aplicación lineal y que f (vi ) = wi , para 1 ≤ i ≤ n. Además es única, pues
si g : V −→ W verifica la misma condición, entonces
Ã n ! n n
X X X
g(v) = g xi vi = xi g(vi ) = xi wi = f (v)
i=1 i=1 i=1
4.9 Observaciones
Si f : Rn −→ Rm viene definida por f (u) = Au, A ∈ Mm×n (R), entonces
• Ker f son las soluciones del sistema homogéneo Au = 0.
• Si B = {e1 , e2 , . . . , en } es la base canónica de Rn , entonces
Im f = L ({f (e1 ), f (e2 ), . . . , f (en )}) = L ({c1 , c2 , . . . , cn })
donde ci es la columna i-ésima de la matriz A.
4.10 Ejemplo
 
1 0 1
Si f : R3 −→ R3 es la aplicación lineal asociada a la matriz A = 0 1 0, entonces
1 1 1
Im f = L ({(1, 0, 1), (0, 1, 1), (1, 0, 1)}) = L ({(1, 0, 1), (0, 1, 1)})
Ker f = {u : Au = 0} = L ({(1, 0, −1)})
ya que     
1 0 1 1 0 1  x=λ
0 1 0 −→ 0 1 0 =⇒ y=0 , λ∈R

1 1 1 0 0 0 z = −λ
4.11 Matriz de una aplicación lineal

Como se ha visto, una áplicación lineal f : V −→ W queda unı́vocamente determinada por las
imágenes de los elementos de una base BV = {v1 , v2 , . . . , vn } de V . Si BW = {w1 , w2 , . . . , wm }
es una base de W , y
m
X
f (vj ) = aij wi , 1 ≤ j ≤ n
i=1
entonces la imagen de cualquier u = (x1 , x2 , . . . , xn )BV ∈ V , expresada en la base BW de W , es

   
n
X n
X X n m
X m
X Xn
f (u) = f  xj vj  = xj f (vj ) = xj aij wi =  aij xj  wi
j=1 j=1 j=1 i=1 i=1 j=1
 Pn    
a x a11 a12 · · · a1n x1
Pnj=1 1j j
 a x   a2n   x2 
 j=1 2j j   a21 a22 · · ·  
= ..  =  .. .. ..   ..  = Au
 .   . . .  . 
Pn
j=1 amj xj am1 am2 · · · amn xn
donde las columnas de la matriz A ∈ Mm×n (R), llamada matriz de la aplicación respecto
de las bases BV y BW , son las coordenadas en la base BW de las imágenes de los vectores de la
base BV . Se suele indicar A = M (f, BV , BW ).
Fijadas las bases BV y BW , a cada aplicación lineal le corresponde una matriz y viceversa.
En el caso particular de que V = W y que la base B en ambos es la misma, se indica simplemente
A = M (f, B).
4.12 Ejemplo
La expresión matricial de la aplicación lineal f : R4 −→ R3 definida, respecto de las bases
canónicas, por
f (x1 , x2 , x3 , x4 ) = (x1 + x4 , x1 + x2 + x3 , x1 + x2 + x3 )
es  
  x
1 0 0 1  1
x2 
f (x1 , x2 , x3 , x4 ) = 1 1 1 0 
x3 
1 1 1 0
x4
Para hallar el núcleo, se resuelve el sistema:

½ 
 x1 =α

x1 + x4 = 0 x2 =β
f (u) = Au = 0 =⇒ =⇒ , α, β ∈ R
x1 + x2 + x3 = 0 
 x = −α − β
 3
x4 = −α
de donde Ker f = {(1, 0, −1, −1), (0, 1, −1, 0)}. La imagen es
Im f = {(1, 1, 1), (0, 1, 1), (0, 1, 1), (1, 0, 0)} = {(1, 0, 0), (0, 1, 1)}
4.13 Dimensiones de la imagen y el núcleo

Si f : V −→ W es una aplicación lineal, entonces
dim(Ker f ) + dim(Im f ) = dim V
Demostración: Sean dim V = n, dim(Ker f ) = r ≤ n, y
B1 = {v1 , . . . , vr } una base del Ker f

B = {v1 , . . . , vr , vr+1 , . . . , vn } una base de V
Entonces B2 = {f (vr+1 ), . . . , f (vn )} es una base de Im f , ya que

• B2 es un sistema de generadores:
n
X
w ∈ Im f =⇒ w = f (v) con v = xi vi ∈ V
i=1
Ã n ! n n
X X X
=⇒ w = f (v) = f xi vi = xi f (vi ) = xi f (vi )
i=1 i=1 i=r+1
• B2 es linealmente independiente:
n
Ã n ! n n r
X X X X X
αi f (vi ) = f αi vi = 0 =⇒ αi vi ∈ Ker f =⇒ αi vi = (−αi )vi
i=r+1 i=r+1 i=r+1 i=r+1 i=1
n
X
=⇒ αi vi = 0 =⇒ αi = 0 , 1 ≤ i ≤ n =⇒ αi = 0 , r + 1 ≤ i ≤ n
i=1
Por lo tanto dim(Ker f ) + dim(Im f ) = dim V .
4.14 Rango de una aplicación lineal

Si A es la matriz asociada a una aplicación lineal f : V −→ W , respecto de las bases BV y BW ,
entonces, puesto que el núcleo es el espacio de soluciones del sistema Au = 0, se ha de cumplir
que
dim(Ker f ) = dim V − rg A =⇒ dim(Im f ) = rg A
Luego el rango de cualquier matriz asociada a f (respecto de bases cualesquiera), que se llama
rango de la aplicación lineal, ha de ser constante e igual a la dimensión de la imagen.
4.15 Proposición
Si f : V −→ W es una aplicación lineal con dim V = dim W = n < ∞, entonces
f es isomorfismo ⇐⇒ f es monomorfismo ⇐⇒ f es epimorfismo
Demostración:
f es epimorfismo ⇐⇒ dim(Im f ) = dim W = n ⇐⇒ dim(Ker f ) = 0 ⇐⇒ f es monomorfismo
4.16 Composición de aplicaciones lineales

Si f : U −→ V y g : V −→ W son aplicaciones lineales, entonces g ◦ f : U −→ W es aplicación
lineal, y
M (g ◦ f, BU , BW ) = M (g, BV , BW ) · M (f, BU , BV )
Demostración: Sean A = M (g ◦ f, BU , BW ), B = M (g, BV , BW ) y C = M (f, BU , BV ).
Entonces
³ ´
(g ◦ f ) (uBU ) = g (f (uBU )) = g (Cu)BV = (BCu)BW =⇒ A = BC
4.17 Ejemplo
Si f : R2 −→ R3 y g : R3 −→ R2 vienen definidas por
   
1 −1 µ ¶ µ ¶ x
x 1 0 1  
f (x, y) =  0 −1 g(x, y, z) = y
y 0 1 0
−1 1 z
respecto de las bases canónicas, entonces g ◦ f : R2 −→ R2 y f ◦ g : R3 −→ R3 vienen definidas

por
 
µ ¶ 1 −1 µ ¶ µ ¶µ ¶ µ ¶
1 0 1  x 0 0 x 0
g ◦ f (x, y) = 0 −1 = =
0 1 0 y 0 −1 y −y
−1 1
        
1 −1 µ ¶ x 1 −1 1 x x−y+z
1 0 1   
f ◦ g(x, y, z) =  0 −1 y = 0 −1 0  y  =  −y 
0 1 0
−1 1 z −1 1 −1 z −x + y − z
respecto de las bases canónicas.
4.18 Matriz de un cambio de base

Sea V un espacio vectorial de dimensión n y sean
© ª
B = {v1 , . . . , vn } y B 0 = v10 , . . . , vn0
dos bases de V . La aplicación que hace corresponder a cada vector u ∈ V en la base B el mismo
vector expresado en la base B 0 es la apl8icación identidad:
0
Id : V B −→ V B
uB −→ uB 0 = AuB
donde A ∈ Mn×n (R) es la matriz cuya columna i-ésima es la imagen de vi , es decir las coorde-
nadas de vi en la base B 0 .
Puesto que esta aplicación es un isomorfismo, rg A = n y la matriz A es regular. Su inversa A−1
es la que pasa de las coordenadas respecto de B 0 a las coordenadas respecto de B. Resumiendo:
A = M (Id, B, B 0 ) = ((v1 )B 0 , . . . , (vn )B 0 ) y AuB = uB 0

¡ ¢
A−1 = M (Id, B 0 , B) = (v10 )B , . . . , (vn0 )B y A−1 uB 0 = uB
4.19 Ejemplo
Si en R3 se considera la base canónica Bc = {e1 , e2 , e3 } y la base
B = {v1 = (1, 0, −1), v2 = (0, 1, 2), v3 = (1, 1, 0)}
entonces 

1 0 1
A = M (Id, B, Bc ) =  0 1 1 y uBc = AuB
−1 2 0
De esta manera, si u = (3, 2, −1)B , entonces

    
1 0 1 3 2
uBc =  0 1 1  2  = 1
−1 2 0 −1 1
es decir u = (2, 1, 1)Bc = (2, 1, 1). Además:
 
2 −2 1
A−1 = M (Id, Bc , B) =  1 −1 1  y uB = A−1 uBc
−1 2 −1
de donde e1 = (2, 1, −1)B , e2 = (1, −1, 1)B y e3 = (−1, 2, −1)B .
4.20 Cambios de base en una aplicación lineal

Sea f : V −→ W una aplicación lineal cuya matriz, respecto de las bases BV en V y BW en
W , es A. ¿Cuál es la matriz de f respecto de nuevas bases BV0 en V y BW0 en W ?
Sean P = M (IdV , BV0 , BV ) y Q = M (IdW , BW 0 , B ) las matrices del cambio de base en V y

W
W , respectivamente. Observando el diagrama
A
V BV −−−−→ W BW
x 
  −1
P yQ
0 C 0
V BV −−−−→ W BW
se deduce que ¡ ¢
C = M f, BV0 , BW
0
= Q−1 AP
4.21 Ejemplo
Sea f : R3 −→ R3 la aplicación lineal que respecto de la base canónica Bc tiene asociada la
matriz
    
1 0 2 1 0 2 x
A = M (f, Bc , Bc ) = M (f, Bc ) = 1 −1 3 , es decir f (x, y, z) = 1 −1 3 y 
1 1 1 1 1 1 z
1. ¿Cuál es la matriz de f respecto de la base
B = {v1 = (1, 0, −1), v2 = (0, 1, 2), v3 = (1, 1, 0)} ?
Se construye el diagrama
A
(R3 )Bc −−−−→ (R3 )Bc  
x  1 0 1
  −1 donde P = M (Id, B, Bc ) =  0 1 1
P yP
C
−1 2 0
(R3 )B −−−−→ (R3 )B
y entonces  
2 1 4
C = M (f, B, B) = M (f, B) = P −1 AP =  1 2 3 
−3 3 −3
es decir, que si u = (x, y, z)B entonces su imagen, también expresada en la base B, es

  
2 1 4 x
f (x, y, z) =  1 2 3   y
−3 3 −3 z
2. ¿Cuál es la matriz de f respecto de la base B en el espacio inicial y la base canónica en el

espacio final? Siendo I la matriz identidad, el nuevo diagrama, y la matriz buscada, son
A
(R3 )Bc −−−−→ (R3 )Bc  
x  −1 4 1
  de donde D = M (f, B, Bc ) = IAP = AP = −2 5 0
P yI
D
0 3 2
(R3 )B −−−−→ (R3 )Bc
5 Diagonalización de endomorfismos
5.1 Endomorfismo
Se llama endomorfismo a una aplicación lineal f : V −→ V de un espacio vectorial V en si
mismo.
5.2 Cambio de base en un endomorfismo

Sea V un espacio vectorial y f : V −→ V un endomorfismo cuya matriz respecto de la base B
(lo usual, en endomorfismos, es considerar la misma base en los espacios inicial y final) es A, es
decir:
f (u) = Au donde A = M (f, B, B) = M (f, B)
¿Cuál es la matriz de f respecto de otra base B 0 ? Si P = M (Id, B 0 , B) es la matriz del cambio
de base de B 0 a B, es decir la matriz cuyas columnas son las coordenadas de los vectores de B 0
en la base B, entonces
A
V B −−−−→ V B
x 
  −1 de donde C = M (f, B 0 ) = P −1 AP
P yP
0 C 0
V B −−−−→ V B
y f (u) = Cu respecto de la base B 0 .
5.3 Endomorfismo o matriz diagonalizable

Un endomorfismo f sobre un espacio vectorial real V es diagonalizable si existe una base
B ∗ respecto de la cuál su matriz D = M (f, B ∗ ) es diagonal, es decir si existe B ∗ = {v1 , . . . , vn }
y {λ1 , . . . , λn } ⊂ R tales que f (vi ) = λi vi , 1 ≤ i ≤ n.
Identificando el endomorfismo con su matriz real asociada, una matriz cuadrada A ∈ Mn×n (R)
se dice diagonalizable si existe una matriz regular P ∈ Mn×n (R) tal que D = P −1 AP es
diagonal.
Nota: Aunque aquı́ sólo se consideran espacios vectoriales y matrices reales, con lo que se
obtienen diagonalizaciones reales, todo lo que se diga es igualmente cierto para otro cuerpo K,
con lo que se obtienen diagonalizaciones en K.
5.4 Autovalores y autovectores

Sea A la matriz asociada a un endomorfismo f sobre el espacio vectorial real V de dimensión n.
Se dice que λ ∈ R es autovalor si existe un vector v 6= 0, que se llamará autovector, tal que
f (v) = Av = λv. Puesto que
Av = λv ⇐⇒ (A − λI)v = 0
que es un sistema homogéneo, la existencia del vector no nulo (solución no nula del sistema
homogéneo) viene garantizada si
rg(A − λI) < n lo que equivale a que |A − λI| = 0

Por lo tanto, los autovalores de la matriz A (o endomorfismo asociado) son las raı́ces reales del
polinomio caracterı́stico P (λ) = |A − λI| = 0, y los autovectores asociados son los vectores
no nulos del núcleo de la aplicación asociada a la matriz A − λI.
Se llama espectro de A, que se representa por σ(A), al conjunto de todos sus autovalores, y
subespacio propio asociado al autovalor λ a todos sus autovectores asociados más el vector
nulo, es decir a
S(λ) = {v : (A − λI)v = 0} = Ker(A − λI)
5.5 Ejemplo
 
0 0 1
Sea f : R3 −→ R3 el endomorfismo asociado a la matriz A = −4 2 2, respecto de la base
−2 0 3
canónica. El polinomio caracterı́stico, y sus raı́ces, son
¯ ¯
¯−λ 0 1 ¯¯ ½
¯ λ = 1, con m(1) = 1
P (λ) = |A − λI| = ¯¯ −4 2 − λ 2 ¯¯ = −(λ − 2) (λ − 1) = 0 =⇒
2
¯ −2 λ = 2, con m(2) = 2
0 3 − λ¯
donde m(λ) indica la multiplicidad del autovalor λ. El espectro es σ(A) = {1, 2}.
Los subespacios propios asociados a estos autovalores son:
    
 −1 0 1 x  ½ ¾
x − z = 0
S(1) = Ker(A − I) = v : −4 1 2 y  = 0 = v : = L ({(1, 2, 1)})
  y − 2z = 0
−2 0 2 z
    
 −2 0 1 x 
S(2) = Ker(A − 2I) = v : −4 0 2 y  = 0 = {v : 2x − z = 0}
 
−2 0 1 z
= L ({(1, 0, 2), (0, 1, 0)})
Es fácil comprobar que los autovectores v1 = (1, 2, 1) ∈ S(1), v2 = (1, 0, 2) ∈ S(2), y v3 =

(0, 1, 0) ∈ S(2) forman base. Puesto que f (v1 ) = v1 , f (v2 ) = 2v1 y f (v3 ) = 2v3 , la matriz
respecto de esta base B = {v1 , v2 , v3 } es
 
1 0 0
D = M (f, B) = 0 2 0
0 0 2
que es diagonal, luego el endomorfismo f y la matriz A son diagonalizables. Para relacionar las
matrices A y D se recurre al diagrama:
A
(R3 )Bc −−−−→ (R3 )Bc  
x  1 1 0
  −1 donde P = M (Id, B, Bc ) = 2 0 1
P yP
D
1 2 0
(R3 )B −−−−→ (R3 )B
Es fácil comprobar la relación D = P −1 AP .

Es inmediato de las definiciones la siguiente caracterización:
5.6 Caracterización de endomorfismo diagonalizable

Un endomorfismo f sobre un espacio vectorial real V , de dimensión n, es diagonalizable si y
sólo si existen n autovalores reales (algunos de ellos pueden ser iguales) y una base formada por
autovectores.
5.7 Independencia de autovectores asociados a distintos autovalores

Autovectores asociados a autovalores distintos son linealmente independientes.
Demostración: Sea f un endomorfismo sobre V , y u y v autovectores asociados, respectiva-
mente, a los autovalores λ y µ, λ 6= µ. Entonces
½ ½
f (αu + βv) = f (0) = 0 αλu + βµv = 0
αu + βv = 0 =⇒ =⇒ =⇒
λ(αu + βv) = 0 αλu + βλv = 0
=⇒ β(λ − µ)v = 0 =⇒ β = 0 =⇒ α = 0
Luego u y v son linealmente independientes.
5.8 Algoritmo de diagonalización

Sea f el endomorfismo sobre V asociado a la matriz A. El algoritmo que hay que seguir para
diagonalizar es:
• Se resuelve la ecuación P (λ) = |A − λI| = 0. Si alguna de sus raı́ces no es real, el

endomorfismo no es diagonalizable.
• Para cada autovalor λ ∈ σ(A) se halla su subespacio propio S(λ) = Ker(A − λI), compro-
bando que
dim S(λ) = m(λ) (multiplicidad de λ)
Si algún autovalor no verifica lo anterior, el endomorfismo no es diagonalizable.
• La base respecto de la que el endomorfismo es diagonal es la formada por la unión de todas

las bases de los subespacios propios, y la matriz diagonal es aquella cuyos elementos son,
y en el mismo orden, los autovalores asociados a cada autovector de la base.
5.9 Propiedades
1. El polinomio caracterı́stico de un endomorfismo, respecto de cualquier base, es siempre el
mismo.
Demostración: Si A y C son las matrices de un endomorfismo f respecto de dos bases
distintas, están relacionadas por la matriz del cambio de base por una relación del tipo
C = P −1 AP . Entonces:
¯ ¯ ¯ ¯ ¯ ¯
|C − λI| = ¯P −1 AP − λIP −1 P ¯ = ¯P −1 (A − λI)P ¯ = ¯P −1 ¯ · |A − λI| · |P | = |A − λI|
¯ ¯
pues ¯P −1 ¯ = |P |−1 .
2. La suma de todos los autovalores de una matriz, contando cada uno de ellos tantas veces
como indica su multiplicidad, es igual a su traza.
Demostración: Sean λ1 , . . . , λn los n autovalores de una matriz cuadrada A = (aij ) de
dimensión n. Puesto que los autovalores son las raı́ces del polinomio caracterı́stico, se tiene
que
|A − λI| = (a11 − λ) · . . . · (ann − λ) + Pn−2 (λ) = (λ1 − λ) · . . . · (λn − λ)
donde Pn−2 (λ) es un polinomio de grado menor o igual que n − 2 en λ. Igualando los
coeficientes de grado n − 1, en cada una de las dos expresiones anteriores, se obtiene:
(−1)n−1 (a11 + . . . + ann ) = (−1)n−1 (λ1 + . . . + λn )
de donde
λ1 + . . . + λn = a11 + . . . + ann = traza(A)
3. El producto de todos los autovalores de una matriz, contando cada uno de ellos tantas
veces como indica su multiplicidad, es igual a su determinante.
Demostración: Sean λ1 , . . . , λn los n autovalores de una matriz cuadrada A = (aij ) de
dimensión n. Entonces
|A − λI| = (λ1 − λ) · . . . · (λn − λ)
Haciendo λ = 0 en la expresión anterior, se obtiene:
|A| = λ1 · . . . · λn
5.10 Consecuencias inmediatas de las propiedades anteriores

• Los autovalores de un endomorfismo son los mismos respecto de cualquier base.
• Cualquier matriz de un endomorfismo, respecto de cualquier base, tiene la misma traza y

el mismo determinante.
• Una matriz es singular si y sólo si λ = 0 es autovalor.

6 Espacios euclı́deos
6.1 Producto escalar. Espacio euclı́deo
Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación
< · , · > : V × V −→ R
(u, v) −→< u, v >
que verifica las siguientes propiedades:

• Conmutativa: < u, v >=< v, u >, ∀u, v ∈ V .
½
< u, λv + µw >= λ < u, v > +µ < u, w >
• Bilineal: , ∀u, v, w ∈ V , ∀λ, µ ∈ R
< λv + µw, u >= λ < v, u > +µ < w, u >
½
< u, u >≥ 0 , ∀u ∈ V
• Definida positiva:
< u, u >= 0 ⇐⇒ u = 0
Un espacio vectorial con un producto escalar definido sobre él se llama espacio euclı́deo.
6.2 Ejemplos
1. Si u = (x1 , . . . , xn ) y v = (y1 , . . . , yn ) son dos vectores de Rn en la base canónica, el
producto
Xn
< u, v >= xi yi
i=1
es un producto escalar, que se llama producto usual y se representa, simplemente, por
u · v.
2. En R2 , es un producto escalar:
µ ¶ µ ¶µ ¶
1 1
t
¡ ¢ 1 1 x2
< u, v >= u v = x1 y1
1 2 1 2 y2
ya que es:
· µ ¶ ¸t µ ¶
1 1 1 1
• Conmutativo: < u, v >=< u, v >t = ut v =v t u =< v, u >.
1 2 1 2
µ ¶
1 1
• Bilineal: < u, λv + µw >= ut (λv + µw) = λ < u, v > +µ < u, w >, y por la
1 2
propiedad conmutativa se verifica también en la primera variable.
• Definido positivo: Si u = (x, y), < u, u >= (x + y)2 + y 2 ≥ 0, y es cero sólo si
x = y = 0.
Por el contrario, la aplicación:

µ ¶
1 1 t
< u, v >= u v
1 −1
no es un producto escalar. Es bilineal y conmutativo pero no es definido positivo pues,

por ejemplo, < (0, 1), (0, 1) >= −1 < 0.
3. En Rn la aplicación definida por
< u, v >= ut Av
con A ∈ Mn×n (R) simétrica (A = At ) es siempre conmutativo y bilineal, por lo que será
un producto escalar si es definido positivo.
6.3 Matriz de Gram de un producto escalar

Sea V un espacio vectorial real de dimensión n, B = {v1 , . . . , vn } una base, y < u, v > un
producto escalar sobre V . Entonces, si u = (x1 , x2 , . . . , xn )B y v = (y1 , y2 , . . . , yn )B ,
 
Xn n
X Xn X n Xn Xn
< u, v > =< xi vi , yj vj >= xi < vi , yj vj >= xi  yj < vi , vj >
i=1 j=1 i=1 j=1 i=1 j=1
 Pn 
yj < v1 , vj >
Pj=1
¢ 
n
¡  j=1 yj < v2 , vj > 
= x1 x2 · · · xn  .. 
 . 
Pn
j=1 yj < vn , vj >
  
< v1 , v1 > < v1 , v2 > · · · < v1 , vn > y1
¡ 
¢  < v2 , v1 > < v2 , v2 > · · ·  
< v2 , vn >   y2 

= x1 x2 · · · xn  .. .. ..   .. 
 . . .  . 
< vn , v1 > < vn , v2 > · · · < vn , vn > yn
de donde
 
< v1 , v1 > < v1 , v2 > · · · < v1 , vn >
 < v2 , v1 > < v2 , v2 > · · · < v2 , vn > 
 
< u, v >= ut Gv con G =  .. .. .. 
 . . . 
< vn , v1 > < vn , v2 > · · · < vn , vn >
que se llama matriz de Gram del producto escalar respecto de la base B.
6.4 Ejemplo
En Rn , la matriz de Gram del producto escalar usual, respecto de la base canónica, es la matriz
identidad:
  
1 0 ··· 0 y1
¾ 
u = (x1 , x2 , . . . , xn ) Xn
¡ ¢ 0 1 ··· 0  y2 
 

=⇒ u · v = xi yi = x1 x2 · · · xn  . .. ..   .. 
v = (y1 , y2 , . . . , yn )  .. . .  . 
i=1
0 0 ··· 1 yn
6.5 Matrices de Gram respecto de bases distintas

Sea V un espacio vectorial euclı́deo, y sean G y G0 las matrices de Gram de su producto escalar
respecto de las bases B y B 0 , respectivamente, es decir:
< u, v >= utB GvB = utB 0 G0 vB 0

Si P = M (B 0 , B) es la matriz del cambio de base de B 0 a B, entonces:

¾
uB = P uB 0
=⇒< u, v >= utB GvB = (utB 0 P t )G(P vB 0 ) = utB 0 (P t GP )vB 0 = utB 0 G0 vB 0
vB = P vB 0
Luego G0 = P t GP .
6.6 Propiedades de la matriz de Gram

Si G = (aij ) ∈ Mn×n (R) es la matriz de Gram de un producto escalar, entonces
• G es simétrica (G = Gt ), y
• aii > 0, para 1 ≤ i ≤ n,
por las propiedades conmutativa y definida positiva, respectivamente.
6.7 Normas, ángulos y distancias

Sea V un espacio euclı́deo, y sea < · , · > su producto escalar. Se llama norma, o longitud, del
vector u ∈ V a
√
kuk = < u, u >
Se llama ángulo que forman los vectores u, v ∈ V a
< u, v >
dv) = arccos
(u, dv) ≤ 180◦ ,
, con 0 ≤ (u,
kuk · kuk
que está bien definido, pues
ku + λvk2 =< u + λv, u + λv >= kvk2 λ2 + 2 < u, v > λ + kuk2 ≥ 0
para cualesquiera u, v ∈ V , y si la ecuación que se ha obtenido, de segundo grado en λ, es

siempre mayor o igual que cero, entonces su discriminante será menor o igual que cero:
∆ = 4 < u, v >2 −4 kuk2 kvk2 ≤ 0 =⇒ < u, v >2 ≤ kuk2 kvk2
de donde se obtiene que:
|< u, v >| ≤ kuk · kvk (desigualdad de Schwarz)
La distancia entre los vectores u, v ∈ V se define como d(u, v) = ku − vk.
6.8 Ejemplo
La norma usual de Rn , inducida por el producto usual, de u = (x1 , . . . , xn ) ∈ Rn es
v
u n
uX
kuk = t x2i
i=1
y el ángulo que forman u = (x1 , . . . , xn ), v = (y1 , . . . , yn ) ∈ Rn es

Pn
xi yi
dv) = arccos qP i=1qP
(u,
n 2 n 2
i=1 xi i=1 yi
que está bien definido, pues

¯ n ¯ v v
¯X ¯ u u n
X
u n
uX
¯ ¯ t
¯ xi yi ¯ ≤ xi t
2 yi2 (desigualdad de Schwarz)
¯ ¯
i=1 i=1 i=1
La distancia entre u = (x1 , . . . , xn ) y v = (y1 , . . . , yn ) es

v
u n
uX
d(u, v) = t (xi − yi )2
i=1
6.9 Vector unitario, vector normalizado y vectores ortogonales

Sea V un espacio euclı́deo, y sea < · , · > su producto escalar. Se llama vector unitario a
u
cualquier vector de norma uno. Si u =
6 0 entonces kuk es un vector unitario:
° ° µ ¶1/2 Ã !
2 1/2
° u ° u u 1 kuk
° ° 1/2
° kuk ° =< kuk , kuk > = kuk2 < u, u > =
kuk2
=1
que se llama vector normalizado de u.

dv) = 90◦ .
Dos vectores no nulos u y v se llaman ortogonales si < u, v >= 0, es decir si (u,
6.10 Ejemplos
√
1. Sean u = (1, 2) y v = (3, 4) vectores de R2 , con el producto
³ usual.
´ Puesto que kuk = 5
u
y kvk = 5, ninguno de ellos es unitario, siendo kuk = √15 , √25 el vector normalizado de
dv) = arccos 511
u. Además no son ortogonales, pues u · v = 11, siendo (u, √ .
5
2. En R4 con el producto usual, los vectores normalizados de los siguientes son los que se
indican:
µ ¶
√ u 1 1
u = (1, 0, 1, 0) =⇒ kuk = 2 =⇒ = √ , 0, √ , 0
kuk 2 2
µ ¶
√ v 1 1
v = (0, 1, 0, 1) =⇒ kvk = 2 =⇒ = 0, √ , 0, √
kvk 2 2
µ ¶
w 1 1 1 −1
w = (1, 1, 1, −1)=⇒ kwk = 2 =⇒ = , , ,
kwk 2 2 2 2
Los vectores u y v son ortogonales, pues u · v = 0, mientras que u y w no lo son, pues

d
u · w = 2, siendo (u, w) = arccos √12 = 45◦ .
6.11 Bases ortogonales y ortonormales

Un conjunto de vectores no nulos, de un espacio vectorial euclı́deo V , se llama ortogonal si
son ortogonales dos a dos. Si además todos son unitarios, el conjunto se llama ortonormal.
Es decir:
(
< ui , uj >= 0 , para i 6= j
{u1 , . . . , um } es ortogonal ⇐⇒
kui k 6= 0 , para 1 ≤ i ≤ m
(
< ui , uj >= 0 , para i 6= j
{u1 , . . . , um } es ortonormal ⇐⇒
kui k = 1 , para 1 ≤ i ≤ m
Es claro que:
½ ¾
u1 um
{u1 , . . . , um } ortogonal =⇒ ,..., ortonormal
ku1 k kum k
Una base ortogonal es una base formada por un conjunto ortogonal, y una base ortonormal
es una base formada por un conjunto ortonormal. Es fácil observar que:
• La matriz de Gram de un producto escalar respecto de una base ortogonal es una matriz
diagonal.
• La matriz de Gram de un producto escalar respecto de una base ortonormal es la matriz
identidad. Por lo tanto: < u, v >= ut Iv = ut v.
6.12 Independencia lineal de vectores ortogonales

Todo conjunto ortogonal de vectores es linealmente independiente.
Demostración: Sea {u1 , . . . , um } un conjunto ortogonal de vectores en el espacio vectorial
eculı́deo V . Si α1 u1 + . . . + αm um = 0, entonces:
m
X m
X
0 =< ui , 0 >=< ui , αj uj >= αj < ui , uj >= αi kui k2 =⇒ αi = 0
j=1 j=1
para cada 0 ≤ i ≤ m. Luego {u1 , . . . , um } es linealmente independiente.
6.13 Ejemplo
En R3 , el conjunto de vectores
{u1 = (1, 1, 0), u2 = (1, −1, 0), u3 = (0, 0, 1)}
es linealmente independiente, pues u1 ·u2 = u1 ·u3 = u2 ·u3 = 0, luego forma una base ortogonal.
Una base ortonormal es
½ µ ¶ µ ¶ ¾
u1 1 1 u2 1 −1 u3
v1 = = √ , √ , 0 , v2 = = √ , √ , 0 , v3 = = (0, 0, 1)
ku1 k 2 2 ku2 k 2 2 ku3 k
6.14 Proceso de ortogonalización de Gram-Schmidt

Si {v1 , . . . , vm } son vectores linealmente independientes en el espacio vectorial euclı́deo V , en-
tonces existen vectores {u1 , . . . , um } ortogonales tales que
L ({v1 , . . . , vi }) = L ({u1 , . . . , ui }) , 1 ≤ i ≤ m
El método para conseguir este conjunto ortogonal, llamado proceso de ortogonalización de
Gram-Schmidt, es el siguiente:
• En primer lugar, se elige u1 = v1 .
• Ahora se elige u2 = v2 + α21 u1 con la condición de que < u2 , u1 >= 0, para lo que se
necesita que
− < v2 , u1 >
< u2 , u1 >=< v2 , u1 > +α21 < u1 , u1 >= 0 =⇒ α21 =
ku1 k2
Por lo tanto
< v2 , u1 >
u2 = v2 − u1
ku1 k2
• A continuación se elige u3 = v3 + α31 u1 + α32 u2 con la condición de que < u3 , u1 >=

=< u3 , u2 >= 0, para lo que se necesita que
− < v3 , u1 >
< u3 , u1 > =< v3 , u1 > +α31 < u1 , u1 > +0 = 0 =⇒ α31 =
ku1 k2
− < v3 , u2 >
< u3 , u2 > =< v3 , u2 > +0 + α32 < u2 , u2 >= 0 =⇒ α32 =
ku2 k2
Por lo tanto
< v3 , u1 > < v3 , u2 >
u3 = v3 − 2 u1 − u2
ku1 k ku2 k2
• Y ası́ sucesivamente, se obtiene:

k−1
X < vk , uj >
uk = vk − uj
j=1
kuj k2
para 2 ≤ k ≤ m.
Para obtener una base ortonormal, se aplica el proceso de normalización después de aplicar
Gram-Schmidt:
Gram-Schmidt Normalización
Base −−−−−−−−−→ Base ortogonal −−−−−−−−−→ Base ortonormal
6.15 Ejemplo
Sea S el subespacio de R4 generado por el conjunto de vectores
B = {v1 = (1, 1, 0, 0), v2 = (1, −1, 1, 1), v3 = (−1, 0, 2, 1)}
que es linealmente independiente (es una base de S). Aplicando el proceso de Gram-Schmidt:
u1 = v1 = (1, 1, 0, 0)
v2 · u1 0
u2 = v2 − 2 u1 = v2 − 2 u1 = (1, −1, 1, 1)
ku1 k
µ ¶
v3 · u1 v3 · u2 −1 2 3 1
u3 = v3 − u1 − u2 = v3 − u1 − u2 = −1, 1, ,
ku1 k2 ku2 k2 2 4 2 2
Una base ortogonal de S es

½ µ ¶¾
3 1
BOT G = u1 = (1, 1, 0, 0), u2 = (1, −1, 1, 1), u3 = −1, 1, ,
2 2
y una base ortonormal:
½ µ ¶ µ ¶
u1 1 1 u2 1 −1 1 1
BOT N = w1 = = √ , √ , 0, 0 , w2 = = , , , ,
ku1 k 2 2 ku2 k 2 2 2 2
Ã √ √ √ √ !)
u3 − 2 2 2 2
w3 = = , , ,
ku3 k 3 3 2 6
6.16 Coordenadas de un vector respecto de una base ortonormal

Si B = {e1 , . . . , en } es una base ortonormal de un espacio vectorial euclı́deo V , entonces:
n
X
v= < v, ei > ei = (< v, e1 >, . . . , < v, en >)B
i=1
6.17 Subespacios ortogonales. Complementario ortogonal

Dos subespacios vectoriales S y T de un espacio vectorial euclı́deo V se llaman subespacios
ortogonales, que se indica S ⊥ T , si < u, v >= 0, ∀u ∈ S y ∀v ∈ T .
Se llama complementario ortogonal de S al subespacio vectorial
S ⊥ = {v ∈ V : < u, v >= 0, ∀u ∈ S}
6.18 Ejemplo
En R4 , con el producto usual, el complementario ortogonal del subespacio
S = L ({u1 = (1, −1, 0, 1), u2 = (1, 1, 1, 0)})
es el subespacio:
© ª
S ⊥ = v ∈ R4 : < u, v >= 0, ∀u ∈ S = {v = (x1 , x2 , x3 , x4 ) : < u1 , v >=< u2 , v >= 0} =
 
½ ¾  x1 = α 

 
4 x1 − x 2 + x4 = 0 4 x 2 = β
= v∈R : = v∈R : , α, β ∈ R =
x1 + x2 + x3 = 0 
 x3 = −α − β 

 
x4 = −α + β
= L ({v1 = (1, 0, −1, −1), v2 = (0, 1, −1, 1)})
6.19 Teorema
Si S es un subespacio vectorial del espacio vectorial euclı́deo V , se cumple que
V = S ⊕ S⊥
Como consecuencia: dim S + dim S ⊥ = dim V .

Demostración:
• S ∩ S ⊥ = {0}:
u ∈ S ∩ S ⊥ =⇒< u, u >= kuk2 = 0 =⇒ u = 0
• S + S⊥ = V :
– Si S = {0}, entonces S ⊥ = V y el resultado es evidente.

– Si S 6= {0}, se amplı́a una base ortogonal {v1 , . . . , vk } de S a una base ortogonal
{v1 , . . . , vk , vk+1 , . . . , vn } de V , y entonces cualquier vector u ∈ V se puede expresar
como
n
X k
X n
X
u= xi vi = xi vi + xi vi = v + w con v ∈ S y w ∈ S ⊥
i=1 i=1 i=k+1
6.20 Proyecciones
Si S un subespacio vectorial del espacio vectorial euclı́deo V , cada vector u ∈ V se descompone
de forma única como suma de un vector de S y otro de S ⊥ , que se llaman, respectivamente,
proyección de u sobre S y sobre S ⊥ , y se representan:
½ ½
v∈S v = proyS u
u = v + w con =⇒ y u = proyS u + proyS ⊥ u
w ∈ S⊥ w = proyS ⊥ u
Se define el ángulo que forman un vector u ∈ V con un un subespacio S como el ángulo que
forma con su proyección, es decir:
d < u, proyS u >

(u, S) = (u, \
proyS u) = arccos
kuk · kproyS uk
y la distancia entre ellos como la norma de su proyección sobre S ⊥ , es decir:
d(u, S) = kproyS ⊥ uk = ku − proyS uk
6.21 Cálculo de la proyección

Sea S un subespacio vectorial del espacio vectorial euclı́deo V . Para hallar la proyección de un
vector u ∈ V sobre S se puede proceder, según el caso, de cualquiera de las siguientes formas:
• Si u = v + w con v ∈ S y w ∈ S ⊥ , entonces v = proyS u.
• Si B = {w1 , . . . , wk } es una base ortonormal de S, entonces

k
X
proyS u = < u, wi > wi
i=1
• Si B = {v1 , . . . , vk } es una base arbitraria de S, se buscan {α1 , . . . , αk } tales que

k
X
u − proyS u = u − αi vi ∈ S ⊥
i=1
para lo que se debe cumplir que

 Pk
 < u − i=1 αi vi , v1 >= 0

..
 .
 Pk
< u − i=1 αi vi , vk >= 0
que es
Pun sistema lineal de ecuaciones, cuya solución {α1 , . . . , αk } proporciona la proyección
u = ki=1 αi vi .
6.22 Ejemplo
En R4 con el producto usual, para hallar la proyección de u = (0, 2, 1, −1) sobre el subespacio
S = {(x1 , x2 , x3 , x4 ) : x1 + x2 = 0} hay que hallar una base, a ser posible ortonormal. Puesto
que
 

 x1 = α 

 
x2 = −α
S = (x1 , x2 , x3 , x4 ) : , α, β, γ ∈ R =

 x3 = β 

 
x4 = γ
= L ({u1 = (1, −1, 0, 0), u2 = (0, 0, 1, 0), u3 = (0, 0, 0, 1)})
una base ortogonal es {u1 , u2 , u3 }, y una base ortonormal:

½ µ ¶ ¾
1 −1
w1 = √ , √ , 0, 0 , w2 = (0, 0, 1, 0), w3 = (0, 0, 0, 1)
2 2
La proyección de u sobre S es
−2
proyS u = (u · w1 )w1 + (u · w2 )w2 + (u · w3 )w3 = √ w1 + w2 − w3 = (−1, 1, 1, −1)
2
y sobre S ⊥ es
proyS ⊥ u = u − proyS u = (1, 1, 0, 0)
El ángulo que forman u y S, y la distancia entre ellos, es:
d u · proyS u 4 2
(u, S) = (u, \
proyS u) = arccos = arccos √ = arccos √
kuk · kproyS uk 6·2 6
√
d(u, S) = kproyS ⊥ uk = ku − proyS uk = k(1, 1, 0, 0)k = 2
6.23 Diagonalización ortogonal

Una matriz A ∈ Mn×n (R) (o aplicación lineal asociada) es ortogonalmente diagonalizable
si es diagonalizable respecto de una base ortogonal (u ortonormal), lo que equivale a que exista
una base ortogonal (u ortonormal) de autovectores. Se puede probar que:
A es ortogonalmente diagonalizable ⇐⇒ A es simétrica

6.24 Ejemplos
 
0 1 0
1. La matriz A = 1 0 0 es simétrica y, por tanto, ortogonalmente diagonalizable. Sus
0 0 1
autovalores son 1, con multiplicidad 2, y −1. Los subespacios propios asociados, y la base
ortogonal respecto de la que es diagonalizable, son:
½
S(1) = L ({(1, 1, 0), (0, 0, 1)})
=⇒ B = {(1, 1, 0), (0, 0, 1), (1, −1, 0)}
S(−1) = L ({(1, −1, 0)})
Las matrices diagonal y de cambio de base son:

   
1 0 0 1 0 1
D = P −1 AP con D = 0 1 0  y P = 1 0 −1
0 0 −1 0 1 0
 
−1 2 0
2. La matriz A =  0 1 0 no es simétrica y, por tanto, no es ortogonalmente diago-
−2 2 1
nalizable. Se puede ver que si es diagonalizable, pero respecto de una base que no es
ortogonal.
7 Aplicaciones ortogonales
7.1 Aplicación ortogonal
Se llama aplicación ortogonal a un endomorfismo f : V −→ V sobre un espacio vectorial
euclı́deo (V, < · , · >) que conserva el producto escalar, es decir que
< f (u), f (v) >=< u, v > , ∀u, v ∈ V
7.2 Matriz ortogonal

Una matriz cuadrada A ∈ Mn×n (R) se llama matriz ortogonal si At A = I.
7.3 Ejemplos
µ ¶
√1
1 −1
1. La matriz A = es ortogonal, pues
2 1 1
µ ¶ µ ¶ µ ¶
t 1 1 1 1 1 −1 1 2 0
AA= √ √ = =I
2 −1 1 2 1 1 2 0 2
µ ¶
√1
1 −1
2. La matriz A = no es ortogonal, pues
2 1 2
µ ¶ µ ¶ µ ¶
t 1 1 1 1 1 −1 1 2 1
AA= √ √ = 6= I
2 −1 2 2 1 2 2 1 5
7.4 Teorema
Sea A = M (f, B) la matriz de la aplicación ortogonal f : V −→ V respecto de una base
ortonormal B de (V, < · , · >). Entonces:
La aplicación f es ortogonal ⇐⇒ La matriz A es ortogonal
Demostración: Basta observar que
< f (u), f (v) > = (f (u))t f (v) = (Au)t Av = ut At Av

< u, v > = ut v
de donde se deduce que f es aplicación ortogonal si y sólo si At A = I, es decir si y sólo si A es

una matriz ortogonal.
7.5 Observación
Si A = (aij )1≤i,j≤n ∈ Mn×n (R), entonces At = (bij = aji )1≤i,j≤n y At A = (cij )1≤i,j≤n donde
n
X n
X
cij = bik akj = aki akj = ci · cj
k=1 k=1
donde ci · cj es el producto escalar usual en Rn de las columnas ci y cj de la matriz A. Por

lo tanto, una matriz es ortogonal si sus columnas forman una base ortonormal en Rn con el
producto escalar usual.
7.6 Lema
La matriz de un cambio de base entre bases ortonormales es ortogonal.
7.7 Teorema
Sea f : V −→ V una aplicación sobre el espacio euclı́deo (V, < · , · >). Entonces, la aplicación
f es ortogonal si y sólo si conserva la norma, es decir:
f es ortogonal ⇐⇒ kf (v)k = kvk , ∀v ∈ V
Demostración:
(⇒) Si f es ortogonal, entonces
p √
kf (v)k = < f (v), f (v) > = < v, v > = kvk
para todo v ∈ V , es decir conserva la norma.

(⇐) Si f conserva la norma:
kf (u − v)k2 =< f (u − v), f (u − v) >=< f (u) − f (v), f (u) − f (v) >

= kf (u)k2 + kf (v)k2 − 2 < f (u), f (v) >= kuk2 + kvk2 − 2 < f (u), f (v) >
ku − vk2 =< u − v, u − v >= kuk2 + kvk2 − 2 < u, v >
y, puesto que kf (u − v)k = ku − vk, entonces
< f (u), f (v) >=< u, v >
para cualesquiera u, v ∈ V , es decir f es ortogonal.
7.8 Observación
Las aplicaciones ortogonales conservan normas, distancias, ángulos.
7.9 Teorema
Sea f : V −→ V una aplicación sobre el espacio euclı́deo (V, < · , · >). Entonces, la aplicación
f es ortogonal si y sólo si transforma bases ortonormales en bases ortonormales.
Demostración:
(⇒) Si f es ortogonal, y B = {e1 , e2 , . . . , en } es una base ortonormal, entonces:
(
0 , si i 6= j
< f (ei ), f (ej ) >=< ei , ej >=
1 , si i = j
de donde se deduce que {f (e1 ), f (e2 ), . . . , f (en )} es una base ortonormal.

(⇐) Si B = {e1 , e2 , . . . , en } es una base ortonormal,
P entonces fP (B) = {f (e1 ), f (e2 ), . . . , f (en )}
también es una base ortonormal, y si u = ni=1 xi ei y v = ni=1 yi ei son vectores de V , se
cumple que
Xn
< u, v >=< (x1 , x2 , . . . , xn )B , (y1 , y2 , . . . , yn )B >= xi yi
i=1
y también que
n
X n
X
< f (u), f (v) > =< xi f (ei ), yi f (ej ) >=< (x1 , x2 , . . . , xn )f (B) , (y1 , y2 , . . . , yn )f (B) >
i=1 i=1
n
X
= xi yi
i=1
luego < f (u), f (v) >=< u, v >, y la aplicación f es ortogonal.
7.10 Ejemplos de aplicaciones ortogonales

Sea Rn con el producto escalar usual respecto de su base canónica.
1. En R2 , el giro de centro el origen y ángulo α es una aplicación ortogonal. Usando números

complejos, la imagen de x + iy mediante un giro centrado en el origen de ángulo α es
eiα (x + iy) = (cos α + i sin α)(x + iy) = (x cos α − y sin α) + i(x sin α + y cos α)
y, volviendo al plano R2 , la ecuación del giro en la base canónica es:

µ ¶µ ¶
cos α − sin α x
Gα (x, y) =
sin α cos α y
2. En R2 , la simetrı́a respecto de la recta r ≡ ax + by = 0 (que pasa por el origen) es una

aplicación ortogonal. Puesto que u1 = (b, −a) es el vector de dirección de la recta y
u2 = (a, b) el vector perpendicular, se tiene que Sr (u1 ) = u1 y Sr (u2 ) = −u2 , luego la
matriz de la simetrı́a respecto de la base B = {u1 = (b, −a), u2 = (a, b)} es
µ ¶
1 0
A = M (Sr , B) =
0 −1
Teniendo en cuenta el diagrama:

A
(R2 )B −−−−→ (R2 )B µ ¶
x  b a
 −1  siendo P = M (B, Bc ) =
P yP −a b
C
(R2 )Bc −−−−→ (R2 )Bc
se tiene que:
µ 2 ¶
−1 1 b − a2 −2ab
C = M (Sr , Bc ) = P AP = 2
a + b2 −2ab a2 − b2
Luego la ecuación de la simetrı́a, respecto de la recta r ≡ ax + by = 0, en la base canónica

es: µ 2 ¶µ ¶
1 b − a2 −2ab x
Sr (x, y) = 2 2 2
a +b 2 −2ab a − b y
3. En R3 , un giro cuyo eje pasa por el origen es una aplicación ortogonal. Sean α y r ≡
L ({u1 }), con ku1 k = 1, el ángulo y eje de giro. Completando el vector de dirección
del eje hasta formar una base B = {u1 , u2 , u3 } ortonormal que verifique |P | > 0, donde
P = (u1 , u2 , u3 ) = M (B, Bc ), las matrices del giro respecto de esta base y la canónica son:
 
1 0 0
M (Gr,α , B) = A = 0 cos α − sin α y M (Gr,α , Bc ) = P AP −1
0 sin α cos α
4. En R3 , la simetrı́a respecto del plano π ≡ L ({u1 , u2 }) (que pasa por el origen) es una
aplicación ortogonal. Añadiendo a los vectores de dirección del plano un vector u3 , que
sea ortogonal a ambos, se obtiene una base B = {u1 , u2 , u3 } respecto de la cual la matriz
de la simetrı́a es  
1 0 0
M (Sπ , B) = A = 0 1 0 
0 0 −1
La matriz respecto de la base canónica será:
M (Sπ , Bc ) = P AP −1 donde P = (u1 , u2 , u3 ) = M (B, Bc )
7.11 Teorema
El determinante de una matriz ortogonal es ±1.
Demostración: Si A ∈ Mn×n (R) es una matriz ortogonal se cumple que At A = I, y tomando
determinantes: ¯ t ¯
¯A A¯ = |A|2 = 1 =⇒ |A| = ±1
7.12 Teorema
Los autovalores reales de una aplicación ortogonal sólo pueden ser 1 o −1.
Demostración: Si λ ∈ R es un autovalor de la aplicación ortogonal f : V −→ V , existen
autovectores no nulos v ∈ V tales que f (v) = λv. Puesto que las aplicaciones ortogonales
conservan la norma:
kvk = kf (v)k = kλvk = |λ| · kvk =⇒ |λ| = 1 =⇒ λ = ±1
7.13 Clasificación de las aplicaciones ortogonales en R2

Sea f : R2 −→ R2 una aplicación ortogonal cuya matriz respecto de una base ortonormal es A,
es decir: µ ¶ µ ¶
x a b
f (x, y) = A con A=
y c d
siendo At A = I y |A| = ±1. Puesto que At = A−1 , se ha de cumplir que
µ ¶ µ ¶ ½
a c 1 d −b b = −c |A|
= =⇒
b d |A| −c a d = a |A|
Luego la matriz de la aplicación ortogonal, respecto de una base ortonormal, será:
µ ¶
a −c |A|
A= con |A| = ±1
c a |A|
Pueden presentarse dos casos:
1. Si |A| = 1, entonces
µ ¶
a −c
A= con |A| = a2 + c2 = 1
c a
luego existe un único α ∈ [0, 2π) tal que a = cos α y c = sin α de donde
µ ¶
cos α − sin α
A=
sin α cos α
y la aplicación ortogonal es un giro, centrado en el origen, de ángulo α con
traza(A)
traza(A) = 2a = 2 cos α =⇒ α = arccos
2
donde la traza de una matriz es la suma de los elementos de su diagonal principal.
2. Si |A| = −1, entonces

µ ¶
a c
A= con |A| = −(a2 + c2 ) = −1 y P (λ) = λ2 − 1
c −a
Sus autovalores son λ = 1 y λ = −1, y existirán autovectores u1 y u2 tales que

½
f (u1 ) = u1
y u1 · u2 = 0
f (u2 ) = −u2
ya que las aplicaciones ortogonales conservan el producto escalar:
f (u1 ) · f (u2 ) = u1 · u2 =⇒ u1 · (−u2 ) = u1 · u2 =⇒ −(u1 · u2 ) = u1 · u2 =⇒ u1 · u2 = 0
Luego la aplicación ortogonal es una simetrı́a respecto de la recta r ≡ L ({u1 }) = S(1),

donde S(1) es el subespacio propio asociado al autovalor λ = 1.
En resumen, se tiene la siguiente clasificación:

Aplicación ortogonal
|A| = 1 Giro de centro el origen y ángulo α = arccos traza(A)
2
|A| = −1 Simetrı́a respecto de recta r ≡ S(1)
En el caso particular de un giro de ángulo α = 0, la aplicación ortogonal es la identidad.
7.14 Clasificación de las aplicaciones ortogonales en R3

Sea f : R3 −→ R3 una aplicación ortogonal cuya matriz respecto de una base ortonormal es A,
es decir:  
x
f (x, y, z) = A y  con At A = I
z
Puesto que los autovalores reales de A sólo pueden ser ±1, y el polinomio caracterı́stico tiene
grado 3, alguno de ellos debe ser 1 o −1. Si S(1) = Ker(A − I) es el subespacio propio asociado
a λ = 1, se pueden presentar los siguientes casos:
1. Si dim S(1) = 3, la aplicación ortogonal es la identidad y A = I.

2. Si dim S(1) = 2, se considera una base ortonormal B = {u1 , u2 , u3 }, siendo S(1) =
L ({u1 , u2 }). Puesto que las aplicaciones ortogonales conservan bases ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {u1 , u2 , f (u3 )} es ortonormal =⇒ f (u3 ) = −u3
ya que f (u3 ) 6= u3 al ser dim S(1) = 2. Luego la aplicación ortogonal f es una simetrı́a
respecto del plano π ≡ S(1) y su matriz respecto de la base B es
 
1 0 0
M (f, B) = 0 1 0 
0 0 −1
3. Si dim S(1) = 1, se considera una base ortonormal B = {u1 , u2 , u3 }, siendo S(1) =

L ({u1 }) y |(u1 , u2 , u3 )| > 0. Puesto que las aplicaciones ortogonales conservan bases
ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {u1 , f (u2 ), f (u3 )}
es ortonormal. Por lo tanto
L ({f (u2 ), f (u3 )}) = L ({u2 , u3 }) = S(1)⊥
y la aplicación f en el plano S(1)⊥ , que no puede ser una simetrı́a, es un giro centrado
en el origen. Luego la aplicación ortogonal f es un giro con eje en la recta r ≡ S(1) y su
matriz respecto de la base B es
 
1 0 0

M (f, B) = 0 cos α − sin α
0 sin α cos α
Puesto que las matrices asociadas a un endomorfismo respecto de cualquier base tienen la
misma traza, se ha de cumplir que
traza(A) − 1
1 + 2 cos α = traza(A) =⇒ α = arccos
2
4. Si dim S(1) = 0, entonces λ = −1 es autovalor, ya que λ = 1 no puede serlo. Se considera
una base ortonormal B = {u1 , u2 , u3 }, siendo u1 ∈ S(−1) y |(u1 , u2 , u3 )| > 0. Puesto que
las aplicaciones ortogonales conservan bases ortonormales:
f (B) = {f (u1 ), f (u2 ), f (u3 )} = {−u1 , f (u2 ), f (u3 )}
es ortonormal. Por lo tanto
L ({f (u2 ), f (u3 )}) = L ({u2 , u3 }) = L ({u1 })⊥
y la aplicación f en el plano L ({u1 })⊥ es un giro centrado en el origen. Luego la aplicación

ortogonal f es una simetrı́a respecto del plano π ≡ L ({u1 })⊥ compuesta con un giro de
eje la recta r ≡ L ({u1 }), y su matriz respecto de la base B es
 
−1 0 0
M (f, B) =  0 cos α − sin α
0 sin α cos α
Puesto que las matrices asociadas a un endomorfismo respecto de cualquier base tienen la
misma traza, se ha de cumplir que
traza(A) + 1
−1 + 2 cos α = traza(A) =⇒ α = arccos
2
En el caso particular de que α = π, entonces
 
−1 0 0
M (f, B) =  0 −1 0 
0 0 −1
y f es una simetrı́a central con centro en el origen. En este caso dim S(−1) = 3.
dim S(1) dim S(−1) Aplicación ortogonal

3 0 Identidad
2 1 Simetrı́a respecto del plano π ≡ S(1)
1 0 ó 2 Giro de eje r ≡ S(1) y ángulo α = arccos traza(A)−1
2
Simetrı́a respecto del plano π ≡ S(−1)⊥ compuesta con
0 1
giro de eje r ≡ S(−1) y ángulo α = arccos traza(A)+1
2
0 3 Simetrı́a central, con centro el origen
8 Movimientos
8.1 Movimiento
Se llama movimiento a una aplicación f : Rn −→ Rn , no necesariamente lineal, que se puede
escribir en la forma:
½
A una matriz ortogonal (At A = I)
f (u) = Au + b con
b ∈ Rn
Obviamente, cuando b = 0 el movimiento es una aplicación lineal ortogonal, y en caso contrario

no es aplicación lineal.
8.2 Observaciones
1. Un movimiento, f (u) = Au + b, es la composición de una aplicación ortogonal con una
traslación: )
n A n Tb n
R −→ R −→ R =⇒ f = Tb ◦ A
u −→ Au −→ Au + b
2. Los movimientos conservan las distancias: Si f (u) = Au + b, entonces
d (f (u), f (v)) = k(Au + b) − (Av + b)k = kA(u − v)k = ku − vk = d(u, v)
ya que las aplicaciones ortogonales conservan la norma.
8.3 Puntos fijos de un movimiento

Se llama punto fijo de un movimiento f (u) = Au + b a cualquier punto w ∈ Rn tal que
f (w) = Aw + b = w.
8.4 Movimientos en R2
1. Traslación de vector v = (α, β):
Tv (u) = u + v = Iu + v
En forma cartesiana:
µ ¶µ ¶ µ ¶ µ ¶ ½ 0
1 0 x α x+α x =x+α
Tv (x, y) = + = =⇒
0 1 y β y+β y0 = y + β
No tiene puntos fijos, salvo en el caso trivial de que v = 0 (en este caso el movimiento es
la identidad y todos los puntos son fijos).
2. Giro de centro c = (x0 , y0 ) y ángulo α: Se puede obtener como la composición de una

traslación de vector −c (que traslada el centro de giro al origen), con un giro centrado en
el origen de ángulo α, y con una traslación de vector c (que devuelve el centro de giro a
su posición inicial). Por lo tanto:
Gc,α (u) = A(u − c) + c = Au + (c − Ac)

donde A es la matriz del giro centrado en el origen de ángulo α. En forma cartesiana:

µ ¶µ ¶ µ ¶
cos α − sin α x − x0 x0
Gc,α (x, y) = +
sin α cos α y − y0 y0
El único punto fijo es el centro de giro, salvo en el caso trivial de que α = 0 o α = 2π (en
estos casos el movimiento es la identidad y todos los puntos son fijos).
3. Simetrı́a respecto de la recta r ≡ ax + by + c = 0: Si c ∈ r es un punto de la recta,

esta simetrı́a se puede obtener como la composición de una traslación de vector −c (que
transforma la recta en otra paralela que pasa por el origen), con una simetrı́a respecto de
la recta ax + by = 0, y con una traslación de vector c (que devuelve la recta a su posición
inicial). Por lo tanto:
Sr (u) = A(u − c) + c = Au + (c − Ac)
donde µ ¶µ ¶µ ¶−1 µ 2 ¶
b a 1 0 b a 1 b − a2 −2ab
A= = 2
−a b 0 −1 −a b a + b2 −2ab a2 − b2
es la matriz de la simetrı́a respecto de la recta ax + by = 0. Todos los puntos de la recta
r son puntos fijos.
4. Simetrı́a deslizante respecto de la recta r ≡ ax + by + c = 0 con vector v k r: Es

la composición de una simetrı́a respecto de la recta r ≡ ax + by + c = 0 con una traslación
de vector v. Por lo tanto, si c ∈ r, su ecuación es:
SDr,v (u) = Tv ◦ Sr (u) = [A(u − c) + c] + v = Au + (v + c − Ac)
donde A es la matriz de la simetrı́a respecto de la recta ax + by = 0. No hay puntos fijos,

salvo en el caso en que v = 0 (el movimiento es una simetrı́a sin deslizamiento y los puntos
fijos son los de la recta r).
8.5 Ejemplos
1. Las ecuaciones de la traslación de vector v = (1, −1) son
µ ¶µ ¶ µ ¶ µ ¶ ½ 0
1 0 x 1 x+1 x =x+1
Tv (x, y) = + = =⇒
0 1 y −1 y−1 y0 = y − 1
2. Las ecuaciones de un giro con centro en c = (1, 2) y ángulo α = π2 son:

µ ¶µ ¶ µ ¶ ½ 0
0 −1 x−1 1 x =3−y
Gc,α (x, y) = + =⇒
1 0 y−2 2 y0 = x + 1
3. Para hallar las ecuaciones de una simetrı́a respecto de la recta r ≡ y − x = 1 se considera

uno de sus puntos, por ejemplo (0, 1), y la matriz de la simetrı́a respecto de su recta
paralela que pasa por el origen (x − y = 0):
µ ¶µ ¶µ ¶−1 µ ¶
−1 1 1 0 −1 1 0 1
A= =
−1 −1 0 −1 −1 −1 1 0
Las ecuaciones de la simetrı́a son:

µ ¶µ ¶ µ ¶ ½ 0
0 1 x 0 x =y−1
Sr (x, y) = + =⇒
1 0 y−1 1 y0 = x + 1
4. Para hallar las ecuaciones de la simetrı́a deslizante respecto de la recta r ≡ y − x = 1 con

vector v = (3, 3) se halla la matriz de la simetrı́a respecto de su recta paralela que pasa
por el origen (x − y = 0), que es la misma matriz A del ejemplo anterior, y un punto de
la recta, por ejemplo (0, 1). Las ecuaciones de la simetrı́a deslizante son:
·µ ¶µ ¶ µ ¶¸ µ ¶ ½ 0
0 1 x 0 3 x =y+2
SDr,v (x, y) = + + =⇒
1 0 y−1 1 3 y0 = x + 4
8.6 Movimientos en R3
1. Traslación de vector v:
Tv (u) = u + v
No tiene puntos fijos, salvo en el caso trivial de que v = 0 (en este caso el movimiento es
la identidad y todos los puntos son fijos).
2. Giro de ángulo α y eje la recta r ≡ u0 +L({u1 }): Se puede obtener como la composición
de una traslación de vector −u0 (que hace pasar el eje de giro por el origen), con un giro
de eje L({u1 }) y ángulo α, y con una traslación de vector u0 (que devuelve el eje de giro
a su posición inicial). Por lo tanto:
Gr,α (u) = A(u − u0 ) + u0 = Au + (u0 − Au0 )
donde A es la matriz del giro de ángulo α y eje L({u1 }). Los únicos puntos fijos son los
del eje de giro, salvo en el caso trivial de que α = 0 o α = 2π (en estos casos el movimiento
es la identidad y todos los puntos son fijos). Si α = π, el giro se suele llamar simetrı́a
axial de eje r.
3. Movimiento helicoidal de ángulo α, eje r ≡ u0 + L({u1 }) y vector de traslación

v k r: Es la composición de un giro de ángulo α y eje r ≡ u0 + L({u1 }) con una traslación
de vector v. Por lo tanto, su ecuación es:
M Hr,α,v (u) = Tv ◦ Gr,α (u) = [A(u − u0 ) + u0 ] + v = Au + (v + u0 − Au0 )
donde A es la matriz del giro de ángulo α y eje L({u1 }). En general, no hay puntos fijos.
4. Simetrı́a respecto del plano π ≡ u0 + L({u1 , u2 }): Se puede obtener como la com-
posición de una traslación de vector −u0 (que hace pasar al plano de simetrı́a por el
origen), con una simetrı́a respecto del plano L({u1 , u2 }), y con una traslación de vector
u0 (que devuelve el plano de simetrı́a a su posición inicial). Por lo tanto:
Sπ (u) = A(u − u0 ) + u0 = Au + (u0 − Au0 )
donde A es la matriz de la simetrı́a respecto del plano L({u1 , u2 }). Todos los puntos del
plano π son puntos fijos.
5. Simetrı́a deslizante respecto del plano π ≡ u0 + L({u1 , u2 }) con vector v k π: Es

la composición de una simetrı́a respecto del plano π ≡ u0 + L({u1 , u2 }) con una traslación
de vector v. Por lo tanto, su ecuación es:
SDπ,v (u) = Tv ◦ Sπ (u) = [A(u − u0 ) + u0 ] + v = Au + (v + u0 − Au0 )
donde A es la matriz de la simetrı́a respecto del plano L({u1 , u2 }). No hay puntos fijos,
salvo en el caso en que v = 0 (el movimiento es una simetrı́a sin deslizamiento y los puntos
fijos son los del plano π).
6. Simetrı́a rotacional: Es la composición de una simetrı́a respecto del plano π ≡ u0 +

L({u1 , u2 }) con un giro de ángulo α y eje la recta r ≡ u0 + L({u3 }) perpendicular a π
(r ∩ π = {u0 }). Su ecuación es:
SR(u) = A(u − u0 ) + u0 = Au + (u0 − Au0 )
donde A es la matriz de la composición de una simetrı́a respecto del plano L({u1 , u2 }) con
un giro de ángulo α y eje L({u3 }). El único punto fijo es el punto u0 de intersección de la
recta y el plano, salvo en el caso de que α = 0 o α = 2π en que la simetrı́a rotacional se
reduce a la simetrı́a respecto del plano π. En el caso particular α = π la simetrı́a rotacional
se llama simetrı́a central y su ecuación es:
SC(u) = −(u − u0 ) + u0 = −u + 2u0
8.7 Ejemplos
½
y=1
1. Para hallar la ecuación de un giro de ángulo α = π/2 y de eje la recta r ≡ , hay
z=2
que comenzar hallando la matriz del giro del mismo ángulo y eje la recta y = z = 0, que
es    
1 0 0 1 0 0
 π
A = 0 cos 2 − sin 2 = 0 0π  −1
0 sin π2 cos π2 0 1 0
y puesto que (0, 1, 2) ∈ r, la ecuación del giro es:
      
1 0 0 x 0 x
Gr,α (x, y, z) = 0 0 −1 y − 1 + 1 = 3 − z 
0 1 0 z−2 2 y+1
½
y=1
2. La simetrı́a axial respecto de la recta r ≡ es el giro con eje en la misma recta y
z=2
ángulo α = π. Como en el ejemplo anterior, su ecuación es:
    
1 0 0 x 0

Gr,π (x, y, z) = 0 cos π − sin π   y − 1 + 1
 
0 sin π cos π z−2 2
      
1 0 0 x 0 x
= 0 −1 0  y − 1 + 1 = 2 − y 
0 0 −1 z−2 2 4−z
½
y=1
3. Para hallar la ecuación del movimiento helicoidal de eje r ≡ , ángulo α = π2 y
z=2
vector v = (2, 0, 0), se halla la matriz del giro del mismo ángulo y eje la recta y = z = 0,
que es    
1 0 0 1 0 0
A = 0 cos π2 − sin π2  = 0 0 −1
0 sin π2 cos π2 0 1 0
y puesto que (0, 1, 2) ∈ r, la ecuación del movimiento helicoidal es:
        
1 0 0 x 0 2 x+2
M Hr,α,v (x, y, z) = 0 0 −1 y − 1 + 1 + 0 =  3 − z 
0 1 0 z−2 2 0 y+1
4. Para hallar la ecuación de la simetrı́a respecto del plano π ≡ y − z = 1, hay que hallar la
matriz de la simetrı́a respecto del plano y − z = 0, que es
 
1 0 0
A = 0 0 1
0 1 0
y, puesto que (0, 1, 0) ∈ π, la ecuación de la simetrı́a es:

      
1 0 0 x 0 x
Sπ (x, y, z) = 0 0 1 y − 1 + 1 = z + 1
0 1 0 z 0 y−1
5. La simetrı́a deslizante respecto del plano π ≡ y − z = 1 con vector de deslizamiento

v = (1, 2, 2), es la composición de la simetrı́a respecto del plano π (la del ejemplo anterior)
con la traslación de vector v. Por lo tanto, su ecuación es:
        
1 0 0 x 0 1 x+1
SDπ,v (x, y, z) = Tv ◦ Sπ (x, y, z) = 0 0 1 y − 1 + 1 + 2 =  z + 3 
0 1 0 z 0 2 y+1
½
y=1
6. La simetrı́a rotacional de eje r ≡ , ángulo α = π/2 y plano π ≡ x = −1 tiene
z=2
por matriz la asociada a la composición de una simetrı́a respecto del plano x = 0 ≡
L({e2 = (0, 1, 0), e3 = (0, 0, 1)}) con un giro de ángulo π/2 y eje la recta y = z = 0 ≡
L({e1 = (1, 0, 0)}), es decir:
       
−1 0 0 1 0 0 −1 0 0 1 0 0 −1 0 0
A =  0 1 0 0 cos π2 − sin π2  =  0 1 0 0 0 −1 =  0 0 −1
0 0 1 0 sin π2 cos π2 0 0 1 0 1 0 0 1 0
Puesto que r ∩ π = (−1, 1, 2), la ecuación de la simetrı́a rotacional es

      
−1 0 0 x+1 −1 −x − 2
SR(x, y, z) =  0 0 −1 y − 1 +  1  =  −z + 3 
0 1 0 z−2 2 y+1
7. La ecuación de la simetrı́a central respecto del punto Q(−1, 1, 2) es

     
x+1 −1 −x − 2
SC(x, y, z) = − y − 1 +  1  = −y + 2
z−2 2 −z + 4
8.8 Clasificación de movimientos en R2

Sea f (u) = Au + b, At A = I, un movimiento, y sea S(1) = Ker(A − I) el subespacio de vectores
invariantes de A. Se pueden presentar los siguientes casos:
1. Si dim S(1) = 2, entonces A = I y el movimiento es una traslación de vector b.
2. Si dim S(1) = 1, la aplicación ortogonal asociada a la matriz A es una simetrı́a, y se pueden
presentar dos casos:
(a) Hay puntos fijos: el movimiento es una simetrı́a respecto de la recta {u : f (u) = u}.
(b) No hay puntos fijos: el movimiento es una simetrı́a deslizante con vector v que ha de
verificar:
1
f (f (0)) = f 2 (0) = 2v =⇒ v = f 2 (0)
2
y recta de simetrı́a r ≡ {u : f (u) = u + v}.
3. Si dim S(1) = 0, el movimiento es un giro de centro el único punto fijo c, es decir tal que
f (c) = c, y ángulo α = arccos traza(A)
2 .
dim S(1) Puntos fijos Movimiento: f (u) = Au + b
2 Traslación de vector b
1 Si Simetrı́a respecto de la recta {u : f (u) = u}
Simetrı́a deslizante de vector v = 12 f 2 (0)
1 No
y eje la recta r ≡ {u : f (u) = u + v}
Giro de centro el vector c, tal que f (c) = c,
0
y ángulo α = arccos traza(A)
2
8.9 Clasificación de movimientos en R3

Sea f (u) = Au + b, At A = I, un movimiento, y sea S(1) = Ker(A − I) el subespacio de vectores
invariantes de A. Se pueden presentar los siguientes casos:
1. Si dim S(1) = 3, entonces A = I y el movimiento es una traslación de vector b.
2. Si dim S(1) = 2, la aplicación ortogonal asociada a la matriz A es una simetrı́a, y se pueden
(a) Hay puntos fijos: el movimiento es una simetrı́a respecto del plano {u : f (u) = u}.
(b) No hay puntos fijos: el movimiento es una simetrı́a deslizante con vector v que ha de
verificar:
1
f (f (0)) = f 2 (0) = 2v =⇒ v = f 2 (0)
2
y plano de simetrı́a π ≡ {u : f (u) = u + v}.
3. Si dim S(1) = 1, la aplicación ortogonal asociada a la matriz A es un giro, y se pueden

(a) Hay puntos fijos: el movimiento es un giro respecto de la recta {u : f (u) = u} y

ángulo α = arccos traza(A)−1
2 .
(b) No hay puntos fijos: el movimiento es un movimiento helicoidal con eje la recta
r ≡ {u : f (u) − u ∈ S(1)}, ángulo α = arccos traza(A)−1
2 , y vector de deslizamiento
v = f (v0 ) − v0 , con v0 ∈ r.
4. Si dim S(1) = 0, se pueden presentar dos casos:
(a) Si dim S(−1) = 3, entonces A = −I y el movimiento es una simetrı́a central con

centro en su único punto fijo c (f (c) = c).
(b) Si dim S(−1) = 1, el movimiento es una simetrı́a rotacional. Si c es su punto fijo
(f (c) = c), el eje de giro es c + S(−1), el plano de simetrı́a es c + S(−1)⊥ , y el ángulo
de giro α = arccos traza(A)+1
2 .
dim S(1) Movimiento: f (u) = Au + b

3 Traslación de vector b
2 Hay puntos fijos Simetrı́a respecto del plano {u : f (u) = u}
Simetrı́a deslizante de vector v = 12 f 2 (0)
2 No hay puntos fijos
respecto del plano π ≡ {u : f (u) = u + v}
Giro respecto de la recta r ≡ {u : f (u) = u},
1 Hay puntos fijos
y ángulo α = arccos traza(A)−1
2
Movimiento helicoidal de eje r ≡ {u : f (u) − u ∈ S(1)},
1 No hay puntos fijos ángulo α = arccos traza(A)−1
2 ,
y vector de deslizamiento v = f (v0 ) − v0 , con v0 ∈ r
0 dim S(−1) = 3 Simetrı́a central respecto de c, con f (c) = c
Simetrı́a rotacional de eje v0 + S(−1)
0 dim S(−1) = 1 y plano v0 + S(−1)⊥ ,con f (v0 ) = v0 ,
y ángulo α = arccos traza(A)+1
2
9 Cónicas
9.1 Cónicas
Se llama cónica a cualquiera de las secciones planas que se producen al cortar en el espacio un
doble cono recto por un plano.
Si el doble cono recto tiene vértice O, eje r y ángulo α, 0 < α < π2 , y el plano Π forma un
ángulo β con el eje del cono, se pueden presentar los siguientes casos:
1. Si β = π2 , es decir si r ⊥ Π, la cónica es una circunferencia (si O ∈

/ Π) o un punto (si
O ∈ Π).
2. Si α < β < π2 , la cónica es una elipse (si O ∈

/ Π) o un punto (si O ∈ Π).
3. Si β = α, la cónica es una parábola (si O ∈

/ Π) o una recta (si O ∈ Π).
4. Si 0 ≤ β < α, la cónica es una hipérbola (si O ∈

/ Π) o un par de rectas (si O ∈ Π).
Cuando O ∈ Π, la cónica se llama cónica degenerada.

La ecuación analı́tica de una cónica es:
a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a ∈ R, que también se llama ecuación general de la cónica.
9.2 Ecuación reducida de una cónica

Mediante un movimiento (giro y/o traslación) la ecuación general de una cónica se reduce a una
de las siguientes ecuaciones reducidas:
x2 y2
1. a2
+ b2
= p, con a, b > 0 y p = −1, 0, 1 (cónica de tipo elı́ptico).
• Si p = 1, la cónica reducida es
– una elipse, si a 6= b, con centro el origen, ejes los cartesianos y focos en los puntos
(±c, 0), si a > b (c2 = a2 − b2 ), o (0, ±c), si a < b (c2 = b2 − a2 ).
– una circunferencia, si a = b, con centro el origen y radio a.
• Si p = 0, la cónica reducida es un punto (el origen).
• Si p = −1, la cónica reducida carece de puntos, y se llama elipse imaginaria.
x2 y2
2. a2
− b2
= p, con a, b > 0 y p = −1, 0, 1 (cónica de tipo hiperbólico).
• Si p = 1, la cónica reducida es una hipérbola con centro el origen, ejes los cartesianos
y focos en los puntos (±c, 0), con c2 = a2 + b2 .
• Si p = 0, la cónica reducida es un par de rectas secantes.
• Si p = −1, la cónica reducida es una hipérbola con centro el origen, ejes los carte-
sianos y focos en los puntos (0, ±c), con c2 = a2 + b2 .
3. y 2 = 2px, con p 6= 0 (cónica de tipo parabólico). La cónica reducida es una parábola con
centro o vértice en el origen, ejes los cartesianos, foco ( p2 , 0) y directriz x = − p2 .
4. x2 = 2py, con p 6= 0 (cónica de tipo parabólico). La cónica reducida es una parábola con
centro el origen, ejes los cartesianos, foco (0, p2 ) y directriz y = − p2 .
5. y 2 = q o x2 = q (cónica de tipo parabólico). La cónica reducida es un par de rectas

paralelas (si q > 0), una recta doble (si q = 0) o un par de rectas imaginarias (si
q < 0).
9.3 Obtención de la ecuación reducida de una cónica

Sea
a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a ∈ R, la ecuación general de una cónica, que se puede expresar matri-
cialmente como:
a11 a12

2 x x
x y a12 + a1 a2 +a=0
2 a22 y y
donde la matriz
a12

a11 2
A= a12
2 a22
es simétrica y, por tanto, diagonalizable ortogonalmente (respecto de una base ortonormal de
autovectores). El proceso a seguir, para obtener la ecuación reducida, es el siguiente:
1. Si a12 6= 0, los ejes de la cónica no son paralelos a los ejes cartesianos, por lo que se hace
un giro para obtener una una cónica equivalente con los ejes paralelos a los cartesianos.
Se determinan los autovalores de la matriz A, σ(A) = {λ1 , λ2 }, y una base ortonormal
de autovectores B = {u 1 , u 2 } con u 1 u 2
= 1. La matriz del cambio de base P =
u1 u2 = M (B, Bc ) es ortogonal, es decir P −1 = P t , y se cumple que

t λ1 0
P −1
AP = P AP = D =
0 λ2

x1 t x x x1
Aplicando el giro = P , se tiene que = P y, sustituyendo en la
y1 y y y1
ecuación de la cónica, queda:

t x1 x1
x1 y1 P AP + a1 a2 P +a=0
y1 y1
es decir:
λ1 0 x1 x1
x 1 y1 + b1 b2 +a=0
0 λ2 y1 y1

donde b1 b2 = a1 a2 P . Operando, la ecuación de la cónica después del giro es
λ1 x21 + λ2 y12 + b1 x1 + b2 y1 + a = 0
que ya no tiene término en xy.

Si a12 = 0, los ejes de la cónica ya son paralelos a los cartesianos y se pasa directamente
al paso siguiente.
2. Si (b1 , b2 ) 6= (0, 0), el centro de la cónica (si es una cónica con centro) no es el origen o la
cónica (si no tiene centro) no pasa por el origen. En este caso se aplica una traslación para
que el centro (si es una cónica con centro) sea el origen o la cónica (si no tiene centro)
pase por el origen. Se pueden presentar los siguientes casos:
(a) Si δ = |A| = λ1 λ2 > 0, la cónica es de tipo elı́ptico. Completando cuadrados en su
expresión:
b1 2 b2 2 b2 b2

λ1 x 1 + + λ 2 y1 + = 1 + 2 −a=c
2λ1 2λ2 4λ1 4λ2
(
b1
x2 = x1 + 2λ
Aplicando la traslación b2
1 , se obtiene la ecuación reducida de la
y2 = y1 + 2λ 2
cónica:

 una elipse real, si cλ1 > 0
λ1 x22 + λ2 y22 = c que es un punto, si c = 0
una elipse imaginaria, si cλ1 < 0

(b) Si δ = |A| = λ1 λ2 < 0, la cónica es de tipo hiperbólico. Completando cuadrados

como en el apartado anterior, y aplicando la misma traslación, se obtiene la ecuación
reducida de la cónica:

2 2 una hipérbola, si c 6= 0
λ1 x2 + λ2 y2 = c que es
un par de rectas secantes, si c = 0
(c) Si δ = |A| = λ1 λ2 = 0, la cónica es de tipo parabólico. Se puede suponer, sin pérdida
de generalidad, que λ1 = 0 y λ2 6= 0 (los dos no se pueden anular simultáneamente),
la expresión de la cónica serı́a:
λ2 y12 + b1 x1 + b2 y1 + a = 0
Completando cuadrados, se obtiene
b2 2 b2

λ 2 y1 + = 2 − a − b 1 x1
2λ2 4λ2
Entonces: (
b22
x2 = x1 + ba1 − 4λ2 b1
i. Si b1 6= 0, aplicando la traslación b2
, se obtiene la ecuación
y2 = y1 + 2λ 2
reducida de la cónica:
λ2 y22 = −b1 x2 que es una parábola

x2 = x 1
ii. Si b1 = 0, aplicando la traslación b2 , se obtiene la ecuación re-
y2 = y1 + 2λ 2
ducida de la cónica:

b2  un par de rectas paralelas, si cλ2 > 0
λ2 y22 = 2 − a = c que es una recta doble, si c = 0
4λ2
un par de rectas imaginarias, si cλ2 < 0

Si b1 = b2 = 0, el centro de la cónica (si es una cónica con centro) es el origen o la cónica (si
no tiene centro) pasa por el origen, y la ecuación obtenida después del giro es la ecuación
reducida de la cónica.
9.4 Centro o vértice, y ejes de una cónica no degenerada

Cuando la cónica es no degenerada, su centro o vértice se obtiene aplicando al origen (que es
el centro o vértice de la cónica reducida) los movimientos inversos a los usados para obtener la
ecuación reducida: en primer lugar la traslación de vector opuesto, y después el giro de ángulo
opuesto.
Si la cónica es una elipse o una hipérbola, sus ejes son las rectas que pasan por el centro de la
cónica con la dirección de los autovectores de la matriz A.
Si la cónica es una parábola, su eje principal es la recta que pasa por el centro con la dirección
del autovector asociado al autovalor nulo, y su eje secundario es la recta que pasa por el centro
con la dirección del autovector asociado al autovalor no nulo.
9.5 Ejemplos
1. Para hallar la ecuación reducida de la cónica 3x2 + 3y 2 − 2xy − 2 = 0, se expresa en forma
matricial:
3 −1 x
x y −2=0
−1 3 y
La matriz asociada y sus autovalores son

3 −1 3 − λ −1 λ1 = 2
A= ; |A − λI| = = (λ − 2)(λ − 4) =⇒
−1 3 −1 3 − λ λ2 = 4
Los subespacios propios son

1 −1 x
S(2) = v : (A − 2I)v = = 0 = {v : x − y = 0} = L ({(1, 1)})
−1 1 y

−1 −1 x
S(4) = v : (A − 4I)v = = 0 = {v : x + y = 0} = L ({(−1, 1)})
−1 −1 y
La matriz diagonal y la matriz de paso son:

2 0 1 1 −1
D= y P =√ con P t AP = D
0 4 2 1 1
Aplicando a la cónica el giro

x1 t x 1 1 1 x
=P =√
y1 y 2 −1 1 y
con centro el origen y ángulo −45o , se obtiene

x1
x1 y1 P t AP

−2=0
y1
y operando:
y12
2x21 + 4y12 = 2 =⇒ x21 + =1
1/2
que es la ecuación reducida de la cónica, que corresponde a una elipse. No es necesario usar
traslaciones. La ecuación reducida también se suele expresar renombrando las variables
(x1 , y1 ) como (x, y), es decir como
y2
x2 + =1
1/2
Puesto que no se ha aplicado traslación, el centro de la elipse coincide con el de la cónica
reducida, es decir es el origen. Sus ejes son las rectas que pasan por el origen con la
dirección de los autovectores:
x y
−1 = 1 =⇒ x+y =0
x y
1 = 1
x−y =0
La representación gráfica de la cónica es la de la figura.
Figure 1: Representación gráfica de la cónica 3x2 + 3y 2 − 2xy − 2 = 0
2. Para hallar la ecuación reducida de la cónica x2 + y 2 + 4xy − x + y + 1 = 0, se expresa en

forma matricial:
1 2 x x
x y + −1 1 +1=0
2 1 y y

1 2 1 − λ 2 = (λ − 3)(λ + 1) =⇒ λ1 = 3

A= ; |A − λI| =
2 1 2 1 − λ λ2 = −1

−2 2 x
S(3) = v : (A − 3I)v = = 0 = {v : x − y = 0} = L ({(1, 1)})
2 −2 y

2 2 x
S(−1) = v : (A + I)v = = 0 = {v : x + y = 0} = L ({(−1, 1)})
2 2 y
La matriz diagonal y la matriz de paso son:

3 0 1 1 −1
D= y P =√ con P t AP = D
0 −1 2 1 1
Aplicando a la cónica el giro

x1 t x 1 1 1 x
=P =√
y1 y 2 −1 1 y
con centro el origen y ángulo −45o , se obtiene

t x1 x1
x1 y1 P AP + −1 1 P +1=0
y1 y1
y operando:
√ 1 2

3
3x21 y12 2
− + 2y1 + 1 = 0 =⇒ 3x1 − y1 − √ =−
2 2
Si ahora se aplica la traslación (
x2 = x 1
y2 = y1 − √12
se llega a
−3 x2 y2
3x22 − y22 = =⇒ 2 − 2 = −1
2 1/2 3/2
que es la ecuación reducida de la cónica, que corresponde a una hipérbola. La ecuación
reducida también se suele expresar renombrando las variables (x2 , y2 ) como (x, y), es decir
como
x2 y2
− = −1
1/2 3/2
Aplicando la traslación opuesta y el giro inverso al centro de la cónica reducida, se obtienen
el centro de la cónica original. El centro es

1 1 1 −1 −1/2 −1 1
C = (0, 0)2 =⇒ C = (0, √ )1 =⇒ C = √ =⇒ C = ,
2 2 1 1 1/2 2 2
Los ejes son las rectas que pasan por el centro y cuyos vectores de dirección son los vectores
propios, es decir: ( x+ 1 y− 12
−1 = 1 x+y =0
2
x+ 12 y− 12
=⇒
x−y+1=0
1 = 1
La representación gráfica de la cónica es la de la figura.
Figure 2: Representación gráfica de la cónica x2 + y 2 + 4xy − x + y + 1 = 0

9.6 Clasificación de cónicas por invariantes

Para clasificar una cónica, de ecuación general
a11 x2 + a12 xy + a22 y 2 + a1 x + a2 y + a = 0
con a11 , a12 , a22 , a1 , a2 , a ∈ R, no es necesario encontrar el movimiento (giro y/o traslación) que
la transforma en su ecuación reducida. Se puede hacer a partir de las matrices:
a11 a212 a21

 
a12

a11 2
A = a12 y A =  a212 a22 a22 
2 a 22 a1 a2
2 2 a

Si σ(A) = {λ1 , λ2 } son los autovalores de A, δ = |A| y ∆ = A, entonces:
Tipo Ecuación reducida Cónica

Elipse real, si λ1 ∆ < 0
δ>0 Elı́ptico λ 1 x2 + λ 2 y 2 = −∆
δ Elipse imaginaria, si λ1 ∆ > 0
Punto, si ∆ = 0
δ<0 Hiperbólico λ 1 x2 + λ 2 y 2 = −∆
δ Hipérbola, si ∆ 6= 0
q Par de rectas secantes, si ∆ = 0
λ2 y 2 = ±2 λ2 x
−∆
Parábola, si ∆ 6= 0
δ=0 Parabólico Par de rectas paralelas, si ∆ = 0 y cλ2 > 0
(λ1 = 0) λ2 y2 =c Recta doble, si ∆ = 0 y c = 0
(λ2 6= 0) Par de rectas imaginarias, si ∆ = 0 y cλ2 < 0
Tema 1: Matrices y Sistemas lineales de ecuaciones

Ejercicios
1. Halla una forma escalonada, el rango, y las matrices canónica por filas y de paso
para cada una de las siguientes matrices:
     
1 1 0 1 −1 1 −1 1 2 1
(a) A =  0 2 1 ; (b) B = −2 2  ; (c) C =  3 −3 8 10 3  .
−1 0 1 3 −3 −2 2 −1 −3 −4
µ ¶ µ ¶
1 −1 1 1 2 1
2. Siendo A = yB= , ¿qué condición debe verificar
−1 0 −1 −1 −2 −1
k ∈ R para que rg(A + kB) < 2?
3. Calcula la inversa, si existe, de las siguientes matrices:

     
1 −1 1 1 −1 2 1 0 0
(a) A = 2 1 2 ; (b) B = 2 1 1 ; (c) C = a 1 0 ;
0 0 1 3 0 3 b c 1
   
  1 0 0 0 1 1 2 3 4 5
1 0 0 0 1
2 1 0 0 0 0 1 2 3 4
1 0 0    
(d) D = 
3
 ; (e) E = 0
 1 1 0 0
 ; (f) F = 0
 0 1 2 3
.
3 1 0 0  0
0 1 1 0 0 0 1 2
4 4 4 1
0 0 0 1 1 0 0 0 0 1
 
1 a a2 a3
0 1 a a2 
4. Calcula la inversa, si existe, de la matriz A = 
0
.
0 1 a
0 0 0 1
5. Calcula, según los valores de n, el rango de las matrices:
   
n+1 1 1 n+1 1 n
(a) An =  1 n+1 1 ; (b) Bn =  1 n + 1 1 .
1 1 n+1 0 0 n
Obtén la matriz inversa en los casos que se pueda.
6. Resuelve, por el método de Gauss, los siguientes sistemas de ecuaciones lineales:


  x + y + z + t = −2
 x − 3y + z = −2 

x − y − z + t = −4
(a) 2x + y − z = 6 ; (b) ;
 
 x − y + z + t = −6
x + 2y + 2z = 2 
x+y−z+t=0

 3x + y − z = 10 

  2x + 3y − z = 0
x − 2y − z = −2
(c) ; (d) x−y+z =0 .

 −x + y + z = 0 
 x + 9y − 5z = 0
2x − y − 3z = 7
7. Discute, según los valores reales de los parámetros, los siguientes sistemas lineales:
  
 x − 3y + 5z = 2  x + y + az = 1  x − 2y + 3z = 1
(a) 2x − 4y + 2z = 1 ; (b) x + ay + z = 1 ; (c) 2x + ky + 6z = 6 ;
  
5x − 11y + 9z = k ax + y + z = 1 −x + 3y + (k − 3)z = 0
  
 y+z =2  ax + by + z = 1  ax + by + z = 1
(d) x+y+z =a ; (e) ax + y + bz = 1 ;(f) x + aby + z = b ;
  
x+y =2 ax + y + z = b x + by + az = 1

 ax + by + 2z = 1
(g) ax + (2b − 1)y + z = 1 .

ax + by + (b + 3)z = 2b − 1
Resuelve, cuando sea posible, los que dependen de un único parámetro.
8. Resuelve la ecuación matricial Ax = b donde
µ ¶ µ ¶ µ ¶
1 −1 −1 1
A= y (a) b = o (b) b =
−1 1 1 −1
9. Resuelve las siguientes ecuaciones matriciales:

       
1 0 1 6 4 2 1 −2 2 1 0 1
(a) 2 1 0 X =  7 6 5 (b) X 0 1 0 = −2 1 0 
3 1 0 10 8 6 1 −1 1 1 3 −2
   
1 2 −1 −1 −4 6 2 2
−1 −1 −2 0  −2 −2 1 4
(c) 
1
X =  
1 1 0 0 3 0 −2
0 1 1 −1 2 0 −1 −2
µ ¶
1 2
10. Siendo A = , m ∈ R, encuentra todas las matrices B ∈ M2×2 tales que
3 m
AB = 0.
11. Obtén
µ ¶todas las matrices B ∈ M2×2 que conmutan con la matriz diagonal D =
x 0
con x, y ∈ R.
0 y
12. Encuentra todos los polinomios p(x) de grado 2, con coeficientes reales, tales que:
(a) p(1) = 2, p(−1) = 4 y p(3) = 16; (b) p(1) = p(−1) = 0.
13. Elimina parámetros en las siguientes ecuaciones paramétricas:
  
 x=1+α  x = 1 − 3α + β  x=α
(a) y = 2 + α ; (b) y = α − 2β ; (c) y=β ;
  
z = 1 − 3α z =2+β z=γ
 

 x1 = a + 2b − c 
 x1 = a + b + 2c

 

 2x = a − b  x2 = a + 2b + 3c
(d) x3 = 3b ; (e) x3 = a + c .

 


 x = b + c 
 x = 0
 4  4
x5 = a − b + 2c x5 = a − b
Soluciones
     
1 1 0 1 0 0 2 −1 1
1. (a) Ae = 0 1 1, rg(A) = 3, Ac = 0 1 0, y E = −1 1 −1;
0 0 1 0 0 1 2 −1 2
   
1 −1 1 0 0
(b) Be = Bc = 0 0 , rg(B) = 1, y E =  2 1 0;
0 0 −3 0 1
   
1 −1 1 2 1 1 −1 0 0 13
(c) Ce = 0 0 1 1 −2, rg(C) = 3, Cc = 0 0 1 0 8 ,
0 0 0 −1 10 0 0 0 1 −10
 
−14 1 −6
y E = −11 1 −4.
13 −1 5
2. k = −1.
   
1 1 −3 1 0 0
3. (a) A−1 = 13 −2 1 0 ; (b) No existe B −1 ; (c) C −1 =  −a 1 0;
0 0 3 ac − b −c 1
 
  1 1 −1 1 −1
1 0 0 0 −1 1
 1 −1 1 
 −2 1 0 0 

1

−1
(d) D =  
−1
; (e) E = 2  1 −1 1 1 −1 ;
3 −3 1 0 −1 1 −1 1 1
−8 8 −4 1
1 −1 1 −1 1
 
1 −2 1 0 0
0 1 −2 1 0 
 
(f) F = 
−1
0 0 1 −2 1  .
0 0 0 1 −2
0 0 0 0 1
 
1 −a 0 0
0 1 −a 0 
4. A−1 =  0 0
.
1 −a
0 0 0 1
  

3 , si n 6= 0 y n 6= −3 n + 2 −1 −1
5. (a)rg(An ) = 2 , si n = −3 ; A−1
n
1
= n(n+3)  −1 n + 2 −1 , si


1 , si n = 0 −1 −1 n + 2
n 6= 0 y n 6= −3.
(
3 , si n 6= 0 y n 6= −2
(b) rg(Bn ) = ;
2 , si n = 0 o n = −2
 
n(n + 1) −n −n2 − n + 1
1
Bn−1 = n2 (n+2)  −n n(n + 1) −1 , si n 6= 0 y n 6= −2.
0 0 n(n + 2)
6. (a) x = 2, y = 1, z = −1.
(b) x = −3 − λ, y = 2, z = −1, t = λ; λ ∈ R.
(c) Sistema incompatible.

(d) x = −2λ, y = 3λ, z = 5λ; λ ∈ R.
7. (a) Si k 6= 4 el sistema es incompatible; y si k = 4 es compatible indeterminado

(x = −5/2 + 7λ, y = −3/2 + 4λ, z = λ; λ ∈ R).
(b) Si a = −2 el sistema es incompatible; si a = 1 es compatible indeterminado
(x = 1 − λ − µ, y = λ, z = µ; λ, µ ∈ R); y si a 6= −2 y a 6= 1 es compatible
1
determinado(x = y = z = a+2 ).
(c) Si k = −4 el sistema es incompatible; si k = 0 es compatible indeterminado
(x = 3 − 3λ, y = 1, z = λ; λ ∈ R); y si k 6= −4 y k 6= 0 es compatible determinado
(x = k+9 4 1
k+4 , y = k+4 , z = k+4 ).
(d) Para cualquier valor de a el sistema es compatible determinado (x = a − 2,
y = 4 − a, z = a − 2).
(e) Si a = 0 y b = −2 el sistema es compatible indeterminado con un grado de
indeterminación; si b = 1 es compatible indeterminado con dos grados de indetermi-
nación; si a = 0, b 6= −2 y b 6= 1 es incompatible; y si a 6= 0 y b 6= 1 el sistema es
compatible determinado.
(f) El sistema es incompatible si b = 0, si 0 6= b 6= −2 y a = −2, o si 0 6= b 6= 1
y a = 1; es compatible determinado si b 6= 0, a 6= 1 y a 6= −2; y es compatible
indeterminado si a = b = −2 (con un grado de indeterminación) o a = b = 1 (con
dos grados de indeterminación).
(g) El sistema es incompatible si b = −1 o si a = 0 y b 6= 1; es compatible indeter-
minado con un grado de indeterminación si b = 1; y es compatible determinado si
a 6= 0, b 6= 1 y b 6= −1.
µ ¶ µ ¶
λ−1 λ+1
8. (a) x = , λ ∈ R; (b) x = , λ ∈ R.
λ λ
   
3 2 1 0 1 1
9. (a) X = 1 2 3; (b) X =  2 1 −4;
3 2 1 −3 1 4
 
−2 − α 3 − β 1 − γ −δ
 α 1+β γ δ 
(c) X =   2
, α, β, γ, δ ∈ R.
−1 −1 −2
α β γ δ
µ ¶
−2α −2β
10. Si m 6= 6, B = 0; y si m = 6, B = , α, β ∈ R.
α β
µ ¶
a 0
11. Si x = y, B es arbitraria; y si x 6= y, B = con a, d ∈ R.
0 d
12. (a) p(x) = 2x2 − x + 1; (b) p(x) = λ(x2 − 1), λ ∈ R.

½
x − y = −1
13. (a) ; (b) x + 3y + 5z = 11;
3x + z = 4
(c) Al eliminar parámetros no aparece ninguna condición, pues esas ecuaciones
paramétricas representan a todo R3 ; 

½  2x1 − x2 − x3 = 0
3x1 − 3x2 − 4x3 + 3x4 = 0
(d) ; (e) 3x1 − 2x2 − x5 = 0 .
x1 − 2x3 + 3x4 − x5 = 0 
x4 = 0
Tema 2: Espacios vectoriales

Ejercicios
1. En R2 se definen las siguientes operaciones:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) y α ? (x, y) = (αx, y)
¿Es un espacio vectorial?
2. ¿Cuáles de los siguientes subconjuntos, de R3 o P3 (R), son subespacios vectoriales?
(a) S = {(x, y, z) : y = 0} (e) S = {(x, y, z) : x + z ≤ 0}

(b) S = {(x, y, z) : x + y + z = 0} (f) S = {(x, y, z) : xy = 0}
© ª
(c) S = {(x, y, z) : x + z = 1} (g) S = p(x) = x3 + ax + b : a, b ∈ R
© ª
(d) S = {(x, y, z) : x + z = 0} (h) S = p(x) = ax3 + b : a, b ∈ R
3. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

en R3 :
(a) {(0, 1, 0), (1, 1, −1), (−1, 0, 1)} (c) {(1, 0, a), (a, 1, 0), (0, a, 1)}
(b) {(0, 0, 1), (1, 1, 0), (1, 0, 0)} (d) {(1, 0, a), (a, 1, 0), (a, 0, 1)}
4. Estudia la dependencia o independencia lineal de los siguientes conjuntos de vectores

en P2 (R):
© ª © ª
(a) 1, 1 + x, 1 + x + x2 (c) 1 − x2 , 1 + x, x2 − x, x + x2
© ª © ª
(b) x, x2 , x + x2 (d) 1 + x2 , 2 + x2
5. Sean f, g, h : {a, b, c} −→ R definidas como: f (a) = 0, f (b) = f (c) = 1; g(a) =

g(c) = 1, g(b) = 0; h(a) = h(b) = 1, h(c) = 0. Estudia la dependencia o indepen-
dencia lineal del conjunto {f, g, h}.
6. Determina si los siguientes conjuntos de vectores son linealmente dependientes o

independientes. En el primer caso, encuentra una combinación lineal entre ellos y
un subconjunto con un número máximo de vectores linealmente independientes.
(a) {(3, 5, 1), (2, 1, 3)} (c) {(1, 0, 1, 0), (2, 1, 3, 1), (0, 1, 1, 1), (2, 2, 4, 2)}
© ª
(b) {(1, 2, 3), (1, 3, 2), (0, −1, 1)} (d) 1 + 3x + 4x2 , 4 + x2 , 3 + x + 2x2 ⊂ P2 (R)
7. ¿Para qué valores de a el conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)} es base de R3 ?
Para a = 2, calcula las coordenadas del vector v = (−1, 1, 3) respecto de dicha base.
© ª
8. En P3 (R) se considera la base B = 1, 1 − x, (1 − x)2 , (1 − x)3 . Halla las coorde-
nadas del polinomio p = 2 − 3x + x2 + 2x3 respecto de dicha base.
© ª
9. En P2 (R) se considera el conjunto B = 1, x + 3, (x + 3)2 . Prueba que es una base,
y halla las coordenadas del polinomio p = a + bx + cx2 respecto de dicha base.
10. Averigua si los vectores u = (1, −1, 0) y w = (2, −3, 1) pertenecen al espacio vectorial
generado por el conjunto de vectores {v1 = (2, 5, 1), v2 = (3, 4, 1), v3 = (5, 9, 2)}.
11. Determina a y b para que el vector (2, a, 3, −b) pertenezca al subespacio generado
por los vectores (2, 3, 1, −5) y (0, 2, −1, 3).
12. Sean los conjuntos: A = {(1, 0, −1), (1, 1, 0), (0, 1, 1)}, B = {(2, 1, −1), (1, 2, 1)} y
C = {(2, 1, −1), (1, −1, 0)}. Demuestra que A y B generan el mismo subespacio, y
que éste no coincide con el generado por C.
13. Halla una base del espacio vectorial generado por el conjunto de vectores:
{v1 = (3, 2, 0, 5), v2 = (−1, 0, 3, −4), v3 = (2, 2, 3, 1), v4 = (0, 2, −9, 17)}
14. Se consideran los vectores de R4 : (1 + a, 1, 1, 1), (1, 1 + a, 1, 1), (1, 1, 1 + a, 1) y

(1, 1, 1, 1 + a), a ∈ R. Determina, en función de a, la dimensión y una base del
espacio vectorial S que generan.
15. Halla la dimensión y una base del espacio vectorial

½µ ¶ ¾
a + b + 3c 2a − b
M= : a, b, c ∈ R
−a − c a + 2b + 5c
16. Estudia si es subespacio vectorial de R4 el conjunto de soluciones de cada uno de los

siguientes sistemas:
½ ½
x1 + x2 = 0 x1 + x2 = 1
(a) (b)
x3 + x4 = 0 x3 + x4 = 1
En caso afirmativo, determina una base.
17. Encuentra un sistema de generadores, una base y la dimensión del subespacio vec-
torial de soluciones del sistema:


 x1 + 2x2 − 3x4 + x5 = 0

x1 + 2x2 + x3 − 4x4 − x5 = 0

 x + x3 − 2x4 − x5 = 0
 2
x1 + x3 − 2x4 − 3x5 = 0
 
3 1 1
18. Si A = 0 3 1, determina la dimensión y una base del espacio vectorial generado
0 0 3
por {An : n ≥ 0}.
19. En R3 se consideran S = {(x, y, z) : x = −z} y T = {(x, y, z) : x = z − y}.
(a) Prueba que S y T son subespacios vectoriales de R3 .

(b) Encuentra una base de S, y halla las coordenadas de un vector arbitrario de S
respecto de dicha base.
(c) Prueba que BT = {(0, 1, 1), (−1, 1, 0)} es una base de T , y encuentra las coor-
denadas de (−2, 1, −1) ∈ T respecto de dicha base.
20. En R4 se consideran los subespacios vectoriales:
S = L ({(1, 0, 1, 1), (1, −1, −1, 0), (0, 1, 2, 1)})

T = {(x1 , x2 , x3 , x4 ) : x1 − x3 − x4 = 0, x2 + x3 = 0}
Obtén las ecuaciones paramétricas e implı́citas y una base de S + T y de S ∩ T .
21. En P3 (R) se consideran los conjuntos

© ª
S = {p(x) : p(−1) = 0} y T = p(x) = ax3 + bx2 + (a + b)x + 2b : a, b ∈ R
(a) Prueba que S y T son subespacios vectoriales.

(b) Obtén las ecuaciones paramétricas e implı́citas y una base de S y de T .
(c) Calcula S ∩ T y S + T .
22. En M2×2 (R) se consideran los subespacios vectoriales

½µ ¶ ¾ ½µ ¶ ¾
a b a b
V1 = : a, b ∈ R V2 = : a, b, c ∈ R
−b a c −a
Halla la dimensión y una base de los subespacios V1 , V2 , V1 + V2 y V1 ∩ V2 .


  x1 = α + β + 2γ
 x1 + x2 + x3 + x4 = 0 

x2 = β + γ
S≡ 2x1 − x2 + 2x3 − x4 = 0 T ≡ ; α, β, γ ∈ R
 
 x = −α + β
4x1 + x2 + 4x3 + x4 = 0  3
x4 = 3β + 3γ
Halla bases y dimensiones de S, T , S + T y S ∩ T .
U = L ({(1, 0, −1, 0, 0), (2, 1, 0, 1, −1), (4, 1, −2, 1, −1)})

W = L ({(1, −1, 1, −1, 1), (−2, 0, 0, 0, 3), (0, 1, 2, 1, −1), (0, −2, 2, −2, 5)})
Halla bases de U , W , U + W y U ∩ W .
U = {(x, y, z) : z = 0} y W = L ({(0, 1, 1), (2, 0, 1), (2, 1, 2)})
Halla un sistema de generadores y las dimensiones de los subespacios U , W , U + W

y U ∩ W.
S = L ({(1, 0, 2, −1), (0, −1, 2, 0), (2, −1, 6, −2)})

T = L ({(1, −1, 4, −1), (1, 0, 0, 1), (−1, −2, 2, 1)})
Demuestra que dim(S + T ) = 3 y que dim(S ∩ T ) = 2.

27. En R3 se consideran los subespacios:
U = {(a, b, c) : a = c, a, b, c ∈ R}
V = {(0, 0, c) : c ∈ R}
W = {(a, b, c) : a + b + c = 0, a, b, c ∈ R}
Prueba que R3 = U + V = U + W = V + W . ¿Cuál de las sumas anteriores es

directa?
S = L ({(1, 0, 1), (1, 1, −1), (2, 1, 0)}) T = L ({(1, 0, 1), (0, 0, 1), (3, 0, −1)})
Halla un subespacio U tal que R3 = S ⊕ U , y T + U no sea suma directa.
S1 = L ({(1, 0, 1, 0), (2, 1, 0, 2), (0, −1, 2, −2)})

S2 = L ({(1, 1, 1, 0), (−1, −1, 1, −2)})
¿Es S1 + S2 suma directa? Halla una base de dicha suma.
30. Determina a, b ∈ R para que el vector v = (2, a, b, 1) pertenezca al subespacio

vectorial S = L ({(1, 0, 2, 0), (0, −1, 1, 1)}). Obtén un subespacio suplementario de
S en R4 .
31. En P3 (R) se consideran los subespacios vectoriales:

¡© ª¢
V = L 1 + x3 , 1 + x + x2 , 2x − x2 , 2 + 3x2
¡© ª¢
W = L 1 + 3x2 − x3 , 1 + 4x + x2 − x3 , 2x − x2
Demuestra que W ⊂ V , y halla un suplementario de W en V .
32. En P3 (R) se consideran los subespacios vectoriales:

¡© ª¢
V = L x + x2 , x − x2 , 2x + x2
© ª
W = a + bx + cx2 + dx3 : b + c = 0, 2b − c = 0
© ª
T = a + bx + cx2 + dx3 : a = 0, b = −µ, c = 0, d = λ + µ, λ, µ ∈ R
(a) Halla V ∩ W y V + W . ¿Son V y W suplementarios?

(b) Halla una base de W ∩ T y las ecuaciones implı́citas de V + T .
Soluciones
1. No.
2. (a), (b), (d) y (h) Si; (c), (e), (f) y (g) No.
3. (a) l.d.; (b) l.i.; (c) l.d. si a = −1, y l.i. si a 6= −1; (d) l.i. si a 6= ±1, y l.d. si
a = ±1.
4. (a) y (d) l.i.; (b) y (c) l.d.
5. Son l.i.
6. (a) l.i.; (b) l.d., {v1 = (1, 2, 3), v2 = (1, 3, 2)} es l.i., y v3 = (0, −1, 1) = v1 − v2 ;
(c) l.d., {v1 = (1, 0, 1, 0), v2 = (0, 1, 1,©1)} es l.i., y v3 = (2, 1, 3, 1) = 2v1ª+ v2 y
v4 = (2, 2, 4, 2) = 2v1 + 2v2 ; (d) l.d., p1 (x) = 1 + 3x + 4x2 , p2 (x) = 4 + x2 es l.i.,
y p3 (x) = 3 + x + 2x2 = 31 p1 (x) + 32 p2 (x).
¡ ¢
7. Es base para a 6= 0 y a2 6= 2. Para a = 2, v = − 12 , 0, 23 B .
8. p = 2 − 3x + x2 + 2x3 = (2, −5, 7, −2)B .
9. p = a + bx + cx2 = (a − 3b + 9c, b − 6c, c)B .
10. u ∈ L ({v1 , v2 , v3 }), siendo u = −v1 + v2 , y w 6∈ L ({v1 , v2 , v3 }).
11. a = −1 y b = 11.
12. L(A) = L(B) = L ({(1, 0, −1), (0, 1, 1)}) = S, y L(C) 6= S porque (1, −1, 0) 6∈ S.
13. B = {(3, 2, 0, 5), (0, 2, 9, −7), (0, 0, 3, −4)}.
14. Si a = 0: dim S = 1 y B = {(1, 1, 1, 1)}.

Si a = −4: dim S = 3 y B = {(1, 1, 1, −3), (0, 1, 0, −1), (0, 0, 1, −1)}.
Si a 6= 0 y a 6= −4: dim S = 4, es decir S = R4 , y una base es la canónica.
½ µ ¶ µ ¶¾
1 2 0 3
15. dim M = 2 y B = E1 = , E2 = .
−1 1 −1 −1
16. (a) Sı́, es un subespacio vectorial de dimensión 2 y base {(−1, 1, 0, 0), (0, 0, −1, 1)}.
(b) No es un subespacio vectorial.
17. Un sistema generadores y base es {(1, 1, 1, 1, 0), (1, −1, 2, 0, 1)}. Su dimensión es 2.
      
 1 0 0 0 1 0 0 0 1 
18. La dimensión es 3, y la base I = 0 1 0 , B = 0 0 1 , C = 0 0 0
 
0 0 1 0 0 0 0 0 0
19. (b) BS = {(1, 0, −1), (0, 1, 0)} y u = (a, b, −a) = (a, b)BS .
(c) (−2, 1, −1) = (−1, 2)BT


 x1 = α

x2 = β
20. S + T : , α, β, γ ∈ R; x1 + x2 − x4 = 0;

 x3 = α + γ

x4 = α + β
y BS+T = {(1, 0, 1, 1), (0, 1, 0, 1), (0, 0, 1, 0)}.
 x1 = 3α 

  x1 + 2x2 − x3 = 0
x2 = −α
S ∩ T: , α ∈ R; x2 − x3 + x4 = 0 ; y BS∩T = {(3, −1, 1, 2)}.

 x =α 
 3 2x3 − x4 = 0
x4 = 2α
21. (b) Representando p(x) = a0 + a1 x + a2 x2 + a3 x3 = (a0 , a1 , a2 , a3 ), respecto de la

baseusual en P3 (R), entonces

 a0 = α − β + γ

a1 = α
S: , α, β, γ ∈ R; a0 − a1 + a2 − a3 = 0;
 a2 = β


a3 = γ
© ª
y BS = (1, 1, 0, 0) = 1 + x, (−1, 0, 1, 0) = −1 + x2 , (1, 0, 0, 1) = 1 + x3 .


 a0 = 2β ½

a1 = α + β a0 − 2a2 = 0
T: , α, β ∈ R; ;

 a2 = β a1 − a2 − a3 = 0

a3 = α
© ª
y BT = (0, 1, 0, 1) = x + x3 , (2, 1, 1, 0) = 2 + x + x2 .

 a0 = 2α 

  a0 − a1 + a2 − a3 = 0
a1 = 2α
(c) S ∩ T : , α ∈ R; a0 − 2a2 = 0 ;

 a2 = α 
 a1 − a2 − a3 = 0
a =α
© 3 ª
y BS∩T = (2, 2, 1, 1) = 2 + 2x + x2 + x3 .
S + T = P3 (R).
½µ ¶ µ ¶¾
1 0 0 1
22. dim V1 = 2, y BV1 = , .
0 1 −1 0
½µ ¶ µ ¶ µ ¶¾
1 0 0 1 0 0
dim V2 = 3, y BV2 = , , .
0 −1 0 0 1 0
dim (V1 + V2 ) = 4, luego V1 + V½µ 2 = M2×2 ¶¾(R) y una base es la usual.
0 −1
dim (V1 ∩ V2 ) = 1, y BV1 ∩V2 = .
1 0
23. dim S = 2, y BS = {(1, 0, −1, 0), (0, 1, 0, −1)}.
dim T = 2, y BT = {(2, 1, 0, 3), (−1, 0, 1, 0)}.
dim(S + T ) = 3, y BS+T = {(1, 0, −1, 0), (0, 1, 0, −1), (0, 0, 1, 2)}.
dim(S ∩ T ) = 1, y BS∩T = {(1, 0, −1, 0)}.
24. BU = {(1, 0, −1, 0, 0), (0, 1, 2, 1, −1)}.

BW = {(1, −1, 1, −1, 1), (0, 1, 2, 1, −1), (0, 0, 2, 0, 1)}.
BU +W = {(1, 0, −1, 0, 0), (0, 1, 2, 1, −1), (0, 0, 1, 0, 0), (0, 0, 0, 0, 1)}.
BU ∩W = {(0, 1, 2, 1, −1)}.
25. dim U = 2, y BU = {(1, 0, 0), (0, 1, 0)}.

dim W = 2, y BW = {(2, 0, 1), (0, 1, 1)}.
dim(U + W ) = 3, luego U + W = R3 y BU +W = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
dim(U ∩ W ) = 1, y BU ∩W = {(2, −1, 0)}.
26. dim S = 2, dim T = 3, y dim(S + T ) = 3, de donde dim(S ∩ T ) = 2. Por lo tanto

S + T = T y S ∩ T = S, es decir S ⊂ T .
27. R3 = U ⊕ V = V ⊕ W , y la suma U + W no es directa.
28. U = L ({(0, 0, 1)}).
29. La suma S1 + S2 no es directa. BS1 +S2 = {(1, 0, 1, 0), (0, 1, −2, 2), (0, 0, 1, −1)}.
30. a = −1 y b = 5. R4 = S ⊕ T , con T = L ({(0, 0, 1, 0), (0, 0, 0, 1)}).

¡© ª¢
31. W ⊂ V , y V = W ⊕ U con U = L 3x2 − 2x3 .
32. (a) V ∩ W = ©{0}ªy V + W = P3 (R), luego V y W son suplementarios.

(b) BW ∩T = x3 . Las ecuaciones implı́citas de V + T son a = 0.
Tema 3: Geometrı́a afı́n

Ejercicios
1. Sean P (1, 1, 1), Q(0, 1, 2), u = (−1, 2, 0) y v = (1, −1, −1). Halla las ecuaciones
paramétricas e implı́citas de las siguientes rectas:
(a) Recta que pasa por P con vector de dirección u − v.

(b) Recta que pasa por P y Q.
(c) Recta que pasa por Q con vector de dirección 3v.
2. Halla½las ecuaciones de la recta que pasa por el punto (1, 1, 1) y es paralela a la recta
3x − y + z = 1
r≡ .
x + y − 3z = 0
3. Sean P (1, 2, 3), Q(−1, −2, −3), R(0, 1, −1), u = (0, 1, −1) y v = (5, 1, 2). Halla las
ecuaciones paramétricas e implı́citas de los siguientes planos:
(a) Plano que pasa por P , Q y R.

(b) Plano que pasa por P y R, y es paralelo a la recta que pasa por Q con vector
de dirección u − v.
(c) Plano que contiene a R con subespacio de direcciones L ({u + 2v, 2u + v}).
4. Halla las ecuaciones paramétricas e implı́citas de las siguientes variedades afines:

x−2 y+1 z−1/2
(a) Recta que pasa por P (1/2, −1, 2) y es paralela a s ≡ −1 = 2 = −3 .
(b) Recta paralela a la recta s del apartado anterior y que pasa por el origen.
(c) Plano paralelo al eje OY que pasa por los puntos (2, −1, 4) y (3, 0, −1).
(d) Plano paralelo al plano 3x + 4y + z = −7 que corta al eje OX en el punto
x = −2.
(e) Plano paralelo al plano x + y + 3z = 8 que pasa por el punto (2, −1, 0).
(f) Plano paralelo al plano 2x−3y+6z = −7 y que pasa por el punto de intersección
de los planos
x − z = 1 ; y − 2z = 1 ; 3x − y = −2
(g) Recta que pasa por (1, −1, 2) y es paralela a los planos

 x = 1 − 3λ + µ
π ≡ x − 3y + 2z = −1 σ≡ y = λ − 2µ ; λ, µ ∈ R

z =2+µ
5. Halla la recta que pasa por (1, −1, 0) y (−2, 1, 1), y su punto de intersección con el
plano 3x − y + z = 0.
y−1
6. Halla la ecuación del plano que contiene a la recta r ≡ x = = z + 3 y es paralelo
½ 2
2x + y + z = 1
a la recta .
x − y + 2z = 0
7. Sea r la recta que para por (−1, 1, 0) y (−3, 2, 1), y s la recta que pasa por (1, 0, −1)
con subespacio de direcciones {(x, y, z) : x + y = 0, 2y + z = 0}. Prueba que se cor-
tan y halla la ecuación del plano que determinan.
8. Obtén las ecuaciones
½ implı́citas de la recta
½ paralela a t ≡ x = y = z y que se apoya
x − z = −1 x − 5z = 4
en las rectas r ≡ ys≡ .
y + 3z = 2 y − 4z = −3
9. Determina la posición relativa, y la intersección en su caso, de los siguientes pares
de rectas:
(a) (x, y, z) = (−1, 2, 1) + α(4, 3, 2) y (x, y, z) = (0, 1, 0) + α(1, 3, 2).
(b) x+4 = y−3 z+1 x+9 y−1
2 = −4 y −5 = 3 = 2 .
z−3
½5 ½
2x − 3y − z = 3 x+y =2
(c) y .
x − 3y = 4 y − z = −1
10. Halla la intersección de los siguientes pares de planos:
(a) x − y + z = 1 y 2x + 2y − 3z = 4.
(b) (x, y, z) = α(1, 1, −1) + β(0, 1, −2) y (x, y, z) = (0, 1, 0) + α(0, 1, −1) + β(2, 3, 5).
11. Averigua la posición relativa de los siguientes planos:
π1 ≡ 2x + 2y − z = −1 π3 ≡ 4y + 7z = 3
π2 ≡ x − y − 4z = −2 π4 ≡ 2x + 2y − z = 3
12. En R4 , halla la ecuación del hiperplano paralelo a x1 − 2x2 + x3 − x4 = 0 y que pasa

por el punto P (0, 1, 1, 1).
13. Halla, según los valores del parámetro a ∈ R, la intersección de los planos:
½
x1 + x4 = 0
π1 ≡
x2 − x3 = 1
π2 ≡ (x1 , x2 , x3 , x4 ) = (0, 0, 1, −1) + L ({(a, 2, 2, −4), (1, 0, 1, 0)})
14. Halla el valor de a para que los planos

 

 x1 = a + 3λ + 2µ 
 x1 = 2 + λ + 2µ
 
x2 =1−λ−µ x2 =1
π1 ≡ π2 ≡

 x3 =4+λ 
 x =1+λ+µ
  3
x4 = 6 + 5λ + 2µ x4 = 3λ
tengan intersección no vacı́a.
15. Halla la ecuación de un hiperplano que pase por P (1, −1, 0, 0) y Q(−1, 0, 0, 1), y que
sea paralelo al plano π ≡ (−1, 0, 1, 0) + L ({(2, −1, −1, 1), (−1, 1, 2, 0)}).
16. Halla la ecuación de una recta que pase por el punto P (2, −1, 1, 1) y que no corte al
plano
π ≡ (x1 , x2 , x3 , x4 ) = (1, 0, 0, −1) + L ({(0, 1, −1, 0), (2, 1, 0, −2)})
Halla la ecuación implı́cita de un hiperplano que contenga a π y a la recta.
Soluciones

 x = 1 − 2α ½
x + 2z = 3
1. (a) y = 1 + 3α , α ∈ R; y
 y − 3z = −2
z =1+α

 x=1−α ½
x+z =2
(b) y=1 , α ∈ R; y
 y=1
z =1+α

 x=α ½
x+y =1
(c) y = 1 − α , α ∈ R; y
 x+z =2
z =2−α
2. x = 1 + α, y = 1 + 5α, z = 1 + 2α; α ∈ R.

 x=α−β
3. (a) y = 1 + α − 3β , α, β ∈ R; y 5x − y − z = 0

z = −1 + 4α − 2β

 x = α + 5β
(b) y =1+α , α, β ∈ R; y 3x + 17y − 5z = 22

z = −1 + 4α + 3β

 x = 10α + 5β
(c) y = 1 + 3α + 3β , α, β ∈ R; y 3x − 5y − 5z = 0

z = −1 + 3α

 x = 1/2 − λ ½
2x + y = 0
4. (a) y = −1 + 2λ , λ ∈ R; y .
 3y + 2z = 1
z = 2 − 3λ

 x = −λ ½
2x + y = 0
(b) y = 2λ , λ ∈ R; y .
 3y + 2z = 0
z = −3λ

 x=3+λ
(c) y =λ+µ , λ, µ ∈ R; y 5x + z = 14.

z = −1 − 5λ

 x=λ
(d) y=µ , λ, µ ∈ R; y 3x + 4y + z = −6.

z = −6 − 3λ − 4µ

 x = 1 − λ − 3µ
(e) y=λ , λ, µ ∈ R; y x + y + 3z = 1.

z=µ

 = 3λ
x
(f) y = 3 + 2λ + 2µ , λ, µ ∈ R; y 2x − 3y + 6z = −9.

z=µ

 x = 8 − 7λ ½
x − 3y + 2z = 8
(g) y = −λ , λ ∈ R; y .
 x + 3y + 5z = 8
z = 2λ
5. x = 1 + 3λ, y = −1 − 2λ, z = −λ, λ ∈ R. P (−1/5, −1/5, 2/5).
6. x − 2y + 3z = −11.
7. r ∩ s = {(1, 0, −1)}. 3x + 5y + z = 2.
½
4x − 4y = 23
8. .
x − z = −1
9. (a) y (c) Se cruzan. (b) Se cortan en el punto (−9, 1, 3).
10. (a) (x, y, z) = (2, 3, 2) + λ(1, 5, 4); (b) (x, y, z) = (0, −1, 2) + λ(1, −3, 7).
x−1 y+1 z−1
11. π1 ∩ π2 ∩ π3 = r ≡ 9 = −7 = 4 ; π4 k π1 ; y π4 ∩ π2 = s1 y π4 ∩ π3 = s2 con
s1 k s2 .
12. x1 − 2x2 + x3 − x4 = −2.

(
∅ ³(se cruzan) ´ , si a = 4 .
13. π1 ∩ π2 = a+8 6 10−a −a−8
P a−4 , a−4 , a−4 , a−4 , si a 6= 4
14. a = 6.
15. 3x1 + 7x2 − 2x3 − x4 = −4.
16. Recta: (x1 , x2 , x3 , x4 ) = (2, −1, 1, 1) + α(0, 1, −1, 0).

Hiperplano: 2x1 − 6x2 − 6x3 − x4 = 3.
Tema 4: Aplicaciones lineales

Ejercicios
1. Estudia la linealidad de las siguientes aplicaciones:
(a) f : R2 −→ R3 , definida por f (x, y) = (x + y, x − y, x).

(b) f : R −→ R2 , definida por f (x) = (−3x, 2x).
(c) f : R2 −→ R2 , definida por f (x, y) = (x + y, 1).
(d) f : R2 −→ R, definida por f (x, y) = xy.
(e) f : R2 −→ R2 , definida por f (x, y) = (x cos φ − y sen φ, x sen φ + y cos φ), con
0 ≤ φ < 2π.
(f) f : R3 −→ P2 (R), definida por f (a, b, c) = a + bx + cx2 .
2. Estudia la linealidad de las siguientes aplicaciones:

© ª t
(a) f : Mn×n (R) −→ A ∈ Mn×n (R) : A = At , definida por f (A) = A+A2 (At
es la matriz traspuesta de A).
© ª
(b) f : M2×2 (R) −→ A ∈ M2×2 (R) : A = At , definida por f (A) = AAt .
(c) f : Pn (R) −→ Pn (R), definida por f (p(x)) = p(x + 1).
(d) f : Pn (R) −→ Pn (R), definida por f (p(x)) = p(x) + 1.
3. Prueba que las siguientes aplicaciones, definidas sobre el espacio vectorial de los
polinomios P(R), son lineales. Obtén la imagen y el núcleo de cada una de ellas.
Z x
0
(a) f (p(x)) = p (x) (b) g(p(x)) = p(t) dt
0
4. Sean f, g : R3 −→ R2 definidas por
(a) f (1, −1, 0) = (2, 1), f (0, −1, 2) = (1, 1), f (3, 0, 1) = (0, 3).
(b) g(1, −1, 0) = (2, 1), g(0, −1, 2) = (1, 1), g(1, −2, 2) = (−1, 4), g(3, 0, 1) = (0, 3).
Averigua si son homomorfismos y, en caso afirmativo, si son monomorfismo, epimor-

fismo o isomorfismo.
5. Sea f : P3 (R) −→ P2 (R) definida sobre el conjunto

© ª
p1 = 1 + x2 + 2x3 , p2 = 1 + x, p3 = 1 + x3 , p4 = x − x3
como f (p1 ) = x − 1, f (p2 ) = 1 + 3x2 , f (p3 ) = x2 y f (p4 ) = 1.
(a) ¿Es aplicación lineal?

(b) ¿Existe una aplicación lineal g : L ({p1 , p2 , p3 }) −→ P2 (R) tal que g(p1 ) =
2x − 3, g(p2 ) = x2 − 1, g(p3 ) = 1 + x?
(c) Extiende la aplicación g a una aplicación
© lineal h2 ª: P3 (R) −→ P2 (R) tal que
h(pi ) = g(pi ), i = 1, 2, 3, y Ker h = L( 1 + x + x ).
6. Halla una aplicación lineal f : R3 −→ R3 tal que Ker f = {(x, y, z) : x + z = 0},

f (1, 0, 0) sea proporcional a (0, 0, 1) y f ◦ f = f . ¿Es f única?
7. Halla una aplicación lineal f : R4 −→ R3 tal que
Ker f = L ({(2, 1, 0, 1), (0, 1, 3, 0)}) Im f = L ({(0, 1, 2), (1, 1, 0)})
8. Halla una aplicación lineal f : R3 −→ R3 tal que
Ker f = L ({(0, 0, 1)}) Im f = L ({(1, 0, 1), (1, 1, −1), (2, 1, 0)})
9. En R3 se consideran los subespacios S = L ({(0, 1, 0), (1, 1, 0)}) y T = L ({(1, 0, 1)}).
(a) Expresa cada vector u = (x, y, z) ∈ R3 como suma de un vector uS ∈ S y otro

uT ∈ T .
(b) Demuestra que la aplicación f : R3 −→ R3 , definida por f (u) = uS es lineal.
(c) Si L es un subespacio vectorial de R3 de dimensión 2, ¿cuál es la dimensión de
f (L)?
10. (a) Sean f, g : V −→ V aplicaciones lineales. Prueba que Ker(g ◦ f ) = f −1 (ker g ∩

Im f ).
(b) Sea f : R3 −→ R3 definida por f (x, y, z) = (x + 2z, x + 3y, 3y − 2z). Obtén
una base de f −1 (ker f ∩ Im f ).
11. Sea B = {v1 , v2 } una base de V , y f y g dos endomorfismos sobre V definidos por
½ ½
f (v1 ) = −3v1 + v2 g(v1 ) = v1 + v2
f (v2 ) = v1 − v2 g(v2 ) = v1
Encuentra las matrices, respecto de la base B, asociadas a f , g, f ◦g, g◦f y 2f 2 −3g 2 .
12. Sea f : R3 −→R3 la aplicación

 lineal cuya matriz, respecto de la base canónica
1 3 2
{e1 , e2 , e3 }, es 0 1 1. Calcula f (e1 ), f (e2 ), f (e3 ) y f (e1 + 2e2 − e3 ). ¿Es
2 −1 0
un isomorfismo?
13. Sea
 f : R3 −→ 3
 R la aplicación lineal cuya matriz, respecto de la base canónica es
2 0 −1
3 1 −1. Encuentra bases de la imagen y del núcleo.
−1 1 1
14. Encuentra la matriz, respecto de las bases usuales en los correspondientes espacios,
de las siguientes aplicaciones lineales:
µ ¶
1
(a) f : M2×2 (R) −→ M2×1 (R), definida por f (A) = A .
−1
µ ¶ µ ¶
1 1 1 1
(b) f : M2×2 (R) −→ M2×2 (R), definida por f (A) = A − A.
0 1 0 1
(c) f : P3 (R) −→ P3 (R), definida por f (1) = x2 + 1, f (x) = x + 2, f (x2 ) = x3 − x

y f (x3 ) = 1.
³ R1 ´
(d) f : P3 (R) −→ R2 , definida por f (p(x)) = p(1), 0 p(x) dx .
µ ¶
a a+b
15. Sea f : P3 (R) −→ M2×2 (R) definida por f (a + bx + cx2 + dx3 ) = .
c−d a−b
Obtén la matriz de la aplicación lineal, su imagen y su núcleo.


 y1 = x + 2z

3 4 y2 = −x − y − z
16. Sea f : R −→ R la aplicación lineal de ecuaciones

 y3 = 2y − 3z

y4 =x−z
(a) Halla las ecuaciones paramétricas e implı́citas de Ker f e Im f .

(b) Si T = L ({(1, 1, −1, 0), (0, 1, 1, 2)}), halla las ecuaciones paramétricas e implı́-
citas de f −1 (T ).
17. Sean f : R3 −→ M2×2 (R) y g : M2×2 (R) −→ P3 (R) las aplicaciones definidas por
µ ¶ µ ¶
x1 − x2 x2 ¡ ¢ x
f (x1 , x2 , x3 ) = g(A) = 1 x A 2
x2 x2 − x3 x
(a) Prueba que son aplicaciones lineales.

(b) Halla sus matrices respecto de las bases usuales. ¿Cuáles son sus rangos?
(c) Halla sus núcleos e imágenes.
(d) Halla la matriz de g ◦ f , su rango, y su núcleo e imagen.
18. En R3se defineel endomorfismo f cuya matriz, respecto de la base canónica, es

a 1 1
Aa = 1 a 1.
1 1 a
(a) Halla los valores de a para los que f no es automorfismo. En estos casos, halla
bases del núcleo y de la imagen.
(b) Para a = 2, encuentra un vector u 6= 0 tal que f (u) ∈ L({u}).
19. Sea M el subespacio vectorial de M2×2 (R) definido por

½µ ¶ ¾
α + β 2α − β
M= : α, β ∈ R
−α α + 2β
(a) Construye f : M2×2 (R) −→ R3 tal que Ker f = M .

(b) ¿Existe f : M2×2 (R) −→ R3 que verifique (a) y sea epimorfismo?
20. Sea f : R3 −→ R3 una aplicación lineal tal que f (0, 0, −1) = (2, −5, −3) y f (v) =
3v, para todo v ∈ S = {(x, y, z) : x + z = 0}. Halla½su matriz respecto de la base
2x + 4y + 3z = 0
canónica y f −1 (r) donde r es la recta de ecuaciones .
x + 2y + z = 0

1 2 1
0 1 0
21. Sea f : R3 −→ R4 la aplicación lineal definida por la matriz A = 
−1 1
.
0
1 −1 −1
(a) Halla el valor de a para que (1, a, −a, 0) ∈ Im f .

(b) Halla f −1 (1, 0, 0, 0).
(c) En R3 se considera el subespacio vectorial U generado por la base B1 =
{(1, 1, 1), (1, 1, 0)} y en R4 el subespacio vectorial V generado por la base
B2 = {(1, 0, 0, −1), (1, 1, 1, −1), (2, 0, −1, 1)}. Halla la matriz de f : U −→ V
respecto de las bases dadas.
22. Halla las matrices del cambio de base de B1 a B2 en los siguientes casos:
(a) B1 = {(1, −1), (3, 1)} y B2 = {(1, 0), (0, 1)}.

(b) B1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y B2 = {(2, 3, 4), (1, 2, 6), (1, 3, 5)}.
23. Sea V un espacio vectorial de dimensión 3 sobre R, y sean B = {e1 , e2 , e3 } y B 0 =

{e01 , e02 , e03 } dos bases de V relacionadas por las ecuaciones:
e01 = 2e1 − e2 − e3 e02 = −e2 e03 = 2e2 + e3
Encuentra los vectores de V que tienen las mismas coordenadas respecto de ambas
bases.
24. Sea f : R3 −→ R3 una aplicación lineal tal que: f (1, 1, 1) = (1, 1, 0), f (−1, 1, 1) =
(0, 0, 1) y f (−1, −2, 1) = (0, 0, 0).
(a) Halla su matriz respecto de la base canónica.

(b) Halla su matriz respecto de la base B = {((1, 1, 1), (−1, 1, 1), (−1, −2, 1)}.
µ ¶ µ ¶ µ ¶ µ ¶
0 1 1 0 4 1 5 0
25. Sean A = ,B= ,C = ,D= , S = L({A, B, C}) y
3 1 2 0 3 2 2 1
g : S −→ P2 (R) definida por g(A) = x, g(B) = x2 + 1 y g(C) = x2 + x + 1.
(a) Halla bases del núcleo e imagen de ©g. Hallaª las ecuaciones de g respecto de
las bases B1 = {A, B, C} y B2 = 1, x, x2 , y respecto de las bases B3 =
½ µ ¶¾
3 0 © ª
A, B, E = y B4 = x, x2 + 1, 1 .
−2 1
(b) Estudia si existe algún homomorfismo f : S −→ P2 (R) tal que f (A) = x,
f (B) = x2 + 1, f (C) = x2 + x + 1 y f (D) = 2x2 + x.
26. Sea B = {e1 , e2 , e3 } la base canónica de R3 y f : R3 −→ R3 definida por
f (e1 ) + f (e2 ) = ae1 + (a + 1)e2 + e3

f (e1 ) + f (e3 ) = −e1 + ae2 + 2e3
f (e3 ) = −e1 + e3
(a) Halla la matriz de f respecto de B. ¿Para qué valores de a es f biyectiva?

(b) Para a = 1 se considera el subespacio vectorial W = L({(1, 1, 0), (2, 0, 1)}). ¿Es
Ker f ⊕ W = R3 ? ¿Es Im f ⊕ Ker f = R3 ? Calcula f −1 (−2, −2, 0).
(c) Para a = 2, sea B 0 = {u1 = e1 − e2 , u2 = e3 , u3 = 2e2 + e3 }. Prueba que B 0
es base y halla la matriz de f respecto de B 0 .
27. Sea f : R3 −→ R3 una aplicación lineal tal que dim(Im f ) = 1, las ecuaciones
del
½ Ker f respecto de la base B 0 = {u1 = (1, 0, 0), u2 = (1, 1, 0), u3 = (1, 1, 1)} son
x + y0 = 0
0
, y tal que existe v = (b, 0, 0) 6= (0, 0, 0) verificando que
ax0 − y 0 + (a + 1)z 0 = 0
f (v) = f 2 (v) = u1 + u2 + u3 . Halla las ecuaciones de f respecto de la base canónica.
28. Seafk : R3 −→R3 una aplicación lineal cuya matriz respecto de la base canónica
1 0 1
es −1 k 0, k ∈ R.
2 −1 1
(a) ¿Para qué valores de k es fk isomorfismo?

 
1 0 0
(b) Halla, si es posible, bases respecto de las cuales la matriz de f1 es 0 1 0.
0 0 0
(c) Halla f −1 (S) donde S = L ({(2, 1, −1), (−3, 2, 1)}).
29. Sea f : R3 −→ R3 una aplicación lineal y B = {e1 , e2 , e3 } la base canónica. Sabi-

endo que dim(Ker f ) = 2, e1 − e2 ∈ Im f , f 2 = f y que la matriz de f respecto de
B coincide con la matriz de f respecto de B 0 = {u1 , u2 , u3 }, siendo B 0 la base de R3
tal que u1 = 2e1 − e2 , u2 = −e1 + 2e2 y u3 = e1 + e2 + 2e3 .
(a) Halla la matriz de f respecto de B.

(b) Halla las ecuaciones implı́citas de Ker f y de Im f .
30. Sea f : M2×2 (R) −→ P2 (R) la aplicación lineal definida por

µ ¶
a b
f = a(x + x2 ) + bx + dx2
c d
(a) Halla la matriz de f respecto de las bases usuales.

(b) Halla una base de Im f , y un suplementario de Im f en P2 (R).
(c) Halla una µbase de
¶ S = Ker f , un suplementario T de S en M2×2 (R), y escribe
2 4
la matriz como suma de una de S y otra de T .
6 8
½ µ ¶ µ ¶¾
2 −2 1 −1
(d) Comprueba que B = M1 = , M2 = es una base de S y
0 −2 1 −1
µ ¶
2 −2
halla las coordenadas de M3 = respecto de dicha base.
3 −2
(e) Amplı́a la base B = {M1 , M2 } a una base de M2×2 (R), de forma que las dos
primeras coordenadas de M1 , M2 y M3 respecto de dicha base sean nulas.
¡ ¡© ª¢¢
(f) Halla f −1 L 3x + 4x2 .
31. Sean U = L ({(1, 1, 1, 0), (0, 1, 1, 1), (1, 0, 0, 1)}), V = L ({(0, 0, 0, 1), (−1, 1, −1, 0)})
y f : U −→ V definida por f (1, 1, 1, 0) = (0, 0, 0, 1), f (0, 1, 1, 1) = (−1, 1, −1, 1) y
f (1, 0, 0, 1) = (0, 0, 0, 0).
(a) Obtén bases de U y V de forma que al colocar los vectores de dichas bases como
filas de una matriz, se obtenga una forma canónica por filas.
(b) Halla la matriz de f respecto de las bases obtenidas en el apartado anterior.
Soluciones
1. (a), (b), (e) y (f) son aplicaciones lineales, mientras que (c) y (d) no lo son.
2. (a) y (c) son aplicaciones lineales, mientras que (b) y (d) no lo son.
3. (a) Im f = P(R) y Ker f = P0 (R) = R.

(b) Im f = {q(x) ∈ P(R) : q(0) = 0} y Ker f = {0}.
4. f es epimorfismo, y g no es homomorfismo.
5. (a) No, pues p4 = p2 − p3 y f (p4 ) 6= f (p2 ) − f (p3 ).

(b) Si, pues {p1 , p2 , p3 } es base del subespacio
© que generan.ª
(c) h viene definida sobre la base B = p1 , p2 , p3 , p4 = x3 como h(pi ) = g(pi ),
i = 1, 2, 3, y h(p4 ) = −5 + x + x2 .
6. Es única: f (1, 0, −1) = f (0, 1, 0) = 0 y f (1, 0, 0) = (0, 0, 1).

 
  x1
−1/2 0 0 1  
x2 
7. No es única. Por ejemplo: f (x1 , x2 , x3 , x4 ) =  1 −3 1 1 x3 .
3 −6 2 0
x4
  
1 0 0 x
8. Respecto de la base canónica: f (x, y, z) = 0 1 0   y .
1 −2 0 z
9. (a) uS = (x − z, y, 0) y uT = (z, 0, z). (b) Es lineal.

(c) La dimensión de f (L) es 1 (si T ⊂ L) o 2 (si T ∩ L = {0}).
10. (b) {(6, −2, −3)}.

µ ¶ µ ¶ µ ¶ µ ¶
−3 1 1 1 −2 −3 −2 0
11. M (f ) = , M (g) = , M (f ◦g) = , M (g ◦f ) =
1 −1 1 0 0 1 −3 1
µ ¶
14 −11
y M (2f 2 − 3g 2 ) = .
−11 1
12. f (e1 ) = (1, 0, 2), f (e2 ) = (3, 1, −1), f (e3 ) = (2, 1, 0) y f (e1 + 2e2 − e3 ) = (5, 1, 0).
Es un isomorfismo.
13. {(1, 1, −1), (0, 1, 1)} es base de la imagen y {(1, −1, 2)} del núcleo.
   
µ ¶ 0 0 −1 0 1 2 0 1
1 −1 0 0 1 0 0 −1  
14. (a) . (b)  . (c) 0 1 −1 0.
0 0 1 −1 0 0 0 0 1 0 0 0
0 0 1 0 0 0 1 0
µ ¶
1 1 1 1
(d) .
1 1/2 1/3 1/4
 
1 0 0 0 ½µ ¶ ¾
1 1 0 0  α α+β ¡© ª¢

15.  ; Im f = : α, β, γ ∈ R ; Ker f = L x2 + x3 .
0 0 1 −1  γ α−β
1 −1 0 0
16. (a) Ker f = {0}.


 y1 = α

y2 = −α + β
Im f : , α, β, γ ∈ R; 7y1 + 6y2 + 3y3 − y4 = 0.
 y3 = −2β + γ


y4 = α + 3γ

 x = 11α ½
−1 3x + 3y + 2z = 0
(b) f (T ): y = −5α , α ∈ R; .
 5x + 2y + 5z = 0
z = −9α
   
1 −1 0 0 0 0 0
0 1 0  
17. (b) M (f ) =  ; M (g) = 1 0 0 0; rg M (f ) = rg M (g) = 3.
0 1 0   0 1 1 0
0 1 −1 0 0 0 1
µ½µ ¶ µ ¶ µ ¶¾¶
1 0 0 1 0 0
(c) Im f = L , , ; y Ker f = {0}.
0 0 1 0 0 1
µ½µ ¶¾¶
¡© 2 3
ª¢ 0 1
Im g = L x, x , x ; y Ker g = L .
−1 0
 
0 0 0
1 −1 0  ¡© ª¢
(d) M (g ◦ f ) = 0 2
; rg M (g ◦ f ) = 3; Im(g ◦ f ) = L x, x2 , x3 ; y

0
0 1 −1
Ker(g ◦ f ) = {0}.
18. (a) a = 1 y a = −2. Para a = 1, BIm f = {(1, 1, 1)} y BKer f = {(1, −1, 0), (1, 0, −1)}.
Para a = −2, BIm f = {(1, 1, −2), (0, 1, −1)} y BKer f = {(1, 1, 1)}. (b) u = (1, −1, 0).
µ ¶
a b ¡ ¢
19. (a) No es única. Por ejemplo: f = 0, a+b
3 + c, −5a+b
3 + d ; (b) No.
c d
 
1 0 −2
20. M (f, Bc ) = 5 3 5 ; y f −1 (r) = L ({(6, −11, 0)}).

0 0 3
 
1 0
21. (a) a = 1/5; (b) f −1 (1, 0, 0, 0) = ∅; (c) 1 1.
1 1
 
µ ¶ 8 −1 −1
1 3 1
22. (a) ; (b) 9 3 −6 3 .
−1 1
−10 8 −1
23. {u = (0, α, α) : α ∈ R}.

   
3 0 3 3 3 0
24. (a) 16  3 0 3; (b) 16 −1 1 0.
−3 2 1 −2 2 0
½µ ¶¾
© 2
ª −3 0
25. (a) BIm g = x, 1 + x y BKer g = .
2 −1

 α=b+c
g : (a, b, c)B1 −→ (α, β, γ)B2 con β =a+c .

γ =b+c

 α=a
g : (a, b, e)B3 −→ (α, β, γ)B4 con β=b .

γ=0
(b) No existe.
 
0 a −1
26. (a) M (f, B) = a 1 0 ; f es biyectiva si a 6= ±1.
1 0 1
(b) Ker f ⊕ W =  R3 y Ker f ⊕ Im 3 −1
f = R ; f (−2, −2, 0) = (0, −2, 0) + Ker f .
−4 −2 6
(c) M (f, B 0 ) = 12  3 3 −3.
−1 −1 5
¡ 3x−3z x−z
¢
27. f (x, y, z) = 2 , x − z, 2 .
28. (a) k 6= 1. (b) B1 = {u1 , u2 , u3 = (1, 1, −1)} y B2 = {f (u1 ), f (u2 ), v3 }.

(c) f −1 (S) = L ({(3, 8, 0), (−5, 0, 8)}).
 
1 −1 0
29. (a) M (f, B) = 12 −1 1 0.
0 0 0
½
x+y =0
(b) Im f ≡ ; Ker f ≡ x − y = 0.
z=0
 
0 0 0 0
30. (a) 1 1 0 0.
1 0 0 1
© ª
(b) BIm f = x, x2 . L({1}) es suplementario de Im f en P2 (R).
½µ ¶ µ ¶¾ ½µ ¶ µ ¶¾
1 −1 0 0 0 1 0 0
(c) BS = , y, por ejemplo, BT = , . En este
0 −1 1 0 0 0 0 1
µ ¶ µ ¶ µ ¶
2 4 2 −2 0 6
caso: = + .
6 8 6 −2 0 10
(d) M3 = − 12 M1 + 3M2 = (−1/2, 3)B .
½µ ¶ µ ¶ ¾
0 1 0 0
(e) , , M1 , M2 .
0 0 0 1
µ½µ ¶ µ ¶ µ ¶¾¶
¡ ¡© ª¢¢ −4 1 0 0 3 0
(f) f −1 L 3x + 4x2 =L , , .
0 0 1 0 0 1
31. (a) BU = {(1, 0, 0, 0), (0,

µ 1, 1, 0), (0, 0,
¶0, 1)} y BV = {(1, −1, 1, 0), (0, 0, 0, 1)}.
1 −1 −1
(b) M (f, BU , BV ) = 12 .
0 2 0
Tema 5: Diagonalización de endomorfismos

Ejercicios
1. Halla los subespacios propios de cada una de las siguientes aplicaciones o matrices.
¿Qué representa geométricamente cada uno de ellos?
(a) f (x, y)
µ = (x,
¶ 2y); (b) g(x, y) = (x + y, 0); (c) h(x, y) = (2x − y, x − 2y); y
1 4
(d) A = .
2 3
2. Halla los subespacios propios de cada una de las siguientes aplicaciones lineales:
(a) f (x, y, z) = (x, z, −y) ; (c) f (x, y, z) = (x − y + 3z, y − 3z, −z) ;

(b) f (x, y, z) = (x − y + 3z, 2y − 3z, −z) ; (d) f (x, y, z) = (x − y + z, 2y − z, z) .
3. ¿Es diagonalizable en R el endomorfismo f (x, y, z) = (−z, 0, x)?
4. Siendo Bc = {e1 , e2 , e3 } la base canónica, estudia la diagonalización del endomor-

fismo:
f (e1 − e2 ) = (−3, −2, 1) ; f (e1 + e3 ) = (−3, −3, 0) ; f (3e2 − 3e3 ) = (4, 3, 1)

 0
 x = 2x + y − z
5. Sea f el endomorfismo sobre R3 de ecuaciones: y 0 = −x − y
 0
z = −x + y + 2z
(a) Halla una base de la imagen y otra del núcleo de f .

(b) Averigua si f es diagonalizable. En caso afirmativo, obtén su forma diagonal y
la matriz del cambio de base.
 
2 3 3
6. Sea A = a −1 −2. Estudia para qué valores de a la matriz A es diagonalizable.
a 0 1
Calcula para a = 0 la matriz diagonal D y la matriz P tales que D = P −1 AP .
7. (a) Determina,
 según
 los valores de a y b, cuándo es diagonalizable la matriz:
a b 0
A = 0 −1 0.
0 0 1
(b) Determina, según los valores de a, cuándo los endomorfismos siguientes son
diagonalizables:
i. f (x, y, z) = (x − 2y − (2 + a)z, y + az, z).
ii. f (x, y, z) = (x + a(x − y + z), (a + 2)x − ay + (a − 1)z, 2x − y)
Diagonaliza en los casos posibles.
8. Sea f : R4 −→ R4 definida por f (x1 , x2 , x3 , x4 ) = (x1 , 2x1 , x1 , x1 + ax2 ). Calcula

a ∈ R para que f sea diagonalizable y, en estos casos, halla una base B respecto de
la cuál la matriz de f sea diagonal.
9. Diagonaliza el endomorfismo f (a + bx + cx2 + dx3 ) = d + cx + bx2 + ax3 .
10. Halla los autovalores y subespacios propios del endomorfismo f : P3 (R) −→ P3 (R)
definido por f (p(x)) = p(x + 1).
11. Sea f : M2×2

µ (R) ¶
−→ M2×2 (R) una aplicación lineal definida por f (A) = AF − F A
1 2
siendo F = . Se pide:
0 3
(a) Ecuaciones de f en la base usual de M2×2 (R).

(b) Base y ecuaciones implı́cita de Ker f .
(c) Polinomio caracteı́stico y espectro de f .
(d) La base de autovectores, si existe, respecto de la que la matriz de f es diagonal.
12. Halla la matriz de f : R3 −→ R3 respecto de la base canónica si sus autovalores son

1, 2 y −1, y sus autovectores asociados (1, 1, 1), (0, 1, 2) y (1, 2, 1), respectivamente.
13. Halla la potencia An de cada una de las siguientes matrices:

   
1 1 0 a b b
(a) A =  0 2 0 ; (b) A =  b a b  .
−2 1 3 b b a
14. Sea f un endomorfismo sobre R3 y B = {e1 , e2 , e3 } una base. Sabiendo que u1 =

e1 − e3 es un autovector, f (2e1 + e2 + 2e3 ) = 3e1 + 6e2 + 3e3 , f (2e1 − e2 ) = −e1 + e3 ,
y que la suma de sus autovalores es 2, calcula:
(a) Las ecuaciones de f respecto de la base B.

(b) Una base de autovectores de f respecto de la que su matriz sea diagonal.
15. De un endomorfismo sobre R3 se sabe que los vectores (1, 0, 0), (1, 1, 0), (0, 1, 0) y
(0, 0, 1) son autovectores, y que hay vectores que no lo son. Halla todos los autovec-
tores del endomorfismo.
 
1 1 0 0
1 0 0 1
16. Sea f el endomorfismo definido sobre R4 cuya matriz asociada es  0 0 1 0, y

0 1 0 1
sea U = L ({(1, 0, −2, −1)}).
(a) Comprueba que f (U ) ⊂ U .

(b) Halla otro subespacio V , de R4 , tal que f (V ) ⊂ V y {0} U V R4 .
17. Se sabe que el endomorfismo f : R2 −→ R2 es diagonalizable, que (1, 2) y (3, 1) son

autovectores y que f (5, −5) = (2, −1). Halla sus autovalores y su matriz en la base
canónica.
½µ ¶ ¾
a b
18. Sea G = : a, b, c, d ≥ 0, a + c = b + d = 1 .
c d
(a) Estudia qué matrices M ∈ G son diagonalizables.

(b) Para las matrices M ∈ G diagonalizables, obtén P regular y D diagonal tales

que M = P −1 DP .
(c) Para cada M ∈ G, halla M n .
Soluciones
1. (a) S(1) = L ({(1, 0)}) y S(2) = L ({(0, 1)}).
(b) S(1)
√ = L ({(1,
¡© 0)}) y√S(0)ª¢= L ({(1,
√ −1)}). ¡© √ ª¢
(c) S( 3) = L (1, 2 − 3) y S(− 3) = L (1, 2 + 3) .
(d) S(−1) = L ({(2, −1)}) y S(5) = L ({(1, 1)}).
Todos los subespacios propios son rectas que pasan por el origen.
2. (a) S(1) = L ({(1, 0, 0)}).

(b) S(−1) = L ({(1, −1, −1)}), S(1) = L ({(1, 0, 0)}) y S(2) = L ({(1, −1, 0)}).
(c) S(1) = L ({(1, 0, 0)}) y S(−1) = L ({(3, −6, −4)}).
(d) S(1) = L ({(1, 0, 0), (0, 1, 1)}) y S(2) = L ({(1, −1, 0)}).
3. No es diagonalizable, pues tiene autovalores complejos.
4. No es diagonalizable, pues dim S(−1) 6= m(−1).
5. (a) BIm f = {(1, 0, −2), (0, 1, −3)} y BKer f = {(1, −1, 1)}
(b) No es diagonalizable, pues dim S(0) 6= m(0).
6. La matriz A es diagonalizable si −3 < a < −1

3 y si a >
−1
.
8   3 
−1 0 0 1 0 1
Si a = 0, D = P −1 AP con D =  0 1 0 y P = −1 1 0.
0 0 2 0 −1 0
7. (a) A es diagonalizable
 si si a= −1 y b= 0, caso en 
que ya es diagonal, y si a 6= −1
a 0 0 1 0 −b
y b ∈ R con D = 0 1 0  y P = 0 0 a + 1.
0 0 −1 0 1 0
(b-i) Para cualquier a ∈ R no es diagonalizable.    
−1 0 0 0 1 1
(b-ii) Es diagonalizable si a = 0, en cuyo caso D =  0 1 0 y P = 1 2 0.
0 0 1 1 0 2
8. Es diagonalizable si a = 0, y una base respecto de la cual es diagonal es B =
{(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1), (1, 2, 1, 1)}.
 
1 0 0 0
© ª  0 1 0 0
9. Si B = 1 + x3 , x + x2 , 1 − x3 , x − x2 , la matriz es D = 
0
.
0 −1 0 
0 0 0 −1
10. El único autovalor es λ = 1 con m(1) = 4. S(1) = L({(1, 0, 0, 0)}).

11. (a) f (a, b, c, d)

½µ= (−2c,¶2aµ + 2b −¶¾2d, ½
−2c, 2c).
−1 1 1 0 a+b−d=0
(b) BKer f = , ; .
0 0 0 1 c=0
= λ2 (λ −¶2)(λ
(c) P (λ) ½µ µ + 2); ¶σ(fµ) = {−2,
¶ µ0, 0, 2}.
¶¾
−1 1 −1 1 1 0 0 1
(d) B = , , , .
−1 1 0 0 0 1 0 0
 
2 −2 1
12. M (f, Bc ) = 3/2 −3 5/2.
0 −2 3
 
1 2n − 1 0
13. (a) An =  0 2n 0 ;
1 − 3 2 − 1 3n
n n
    
2 −1 −1 1 1 1
(b) An = 13 −1 2 −1 (a − b)n + 1 1 1 (a + 2b)n .
−1 −1 2 1 1 1
14. (a) f (x, y, z) = (y + z, x + 2y + z, x + y); (b) B 0 = {(1, −1, 1), (1, 0, −1), (1, 2, 1)}.
15. S(λ1 ) = L ({(1, 0, 0), (0, 1, 0)}) y S(λ2 ) = L ({(0, 0, 1)}), con λ1 6= λ2 .
16. (b) S2 = L ({(1, 0, 0, −1), (0, 0, 1, 0)}).

µ7 ¶
©1 1ª − 201
17. σ(f ) = 4 , 3 y M (f, Bc ) = 1 20 .
7
30 30
18. (a) Todas.

(b) Si a = d = 1, D = µ M y P = I; ¶ µ ¶
a+d−1 0 1 d−1
Si a 6= 1 o d 6= 1, D = yP = .
0 1 −1 a − 1
(c) Si a = d = 1, M n = I; y si a 6= 1 o d 6= 1, entonces
µ ¶
n 1 (a + d − 1)n (a − 1) + (d − 1) −(a + d − 1)n (d − 1) + (d − 1)
M =
a + d − 2 −(a + d − 1)n (a − 1) + (a − 1) (a + d − 1)n (d − 1) + (a − 1)
Tema 6: Espacios euclı́deos

Ejercicios
1. Demuestra que la aplicación < A, B >= traza(AB t ), ∀A, B ∈ Mm×n (R), es un
producto escalar sobre Mm×n (R). En el caso particular de m = n = 2, halla su
matriz de Gram respecto de la base usual.
R1
2. En CR ([−1, 1]) se considera el producto escalar < f, g >= −1 f (t)g(t) dt. Halla los
ángulos del triángulo de vértices x1 (t) = 1, x2 (t) = t y x3 (t) = 1 − t. ¿Son los
mismos ángulos si el triángulo se considera en el espacio P2 (R) con el producto
escalar < p, q >= p(−1)q(−1) + p(0)q(0) + p(1)q(1)?
3. En Rn con el producto usual, halla los ángulos que forma la recta x1 = x2 = . . . = xn

con los ejes de coordenadas.
4. Se define sobre R3 un producto escalar de tal manera que el conjunto de vectores

{(−2, −1, 1), (0, −1, 0), (1, −1, 0)} sea una base ortonormal. ¿Cuál es su matriz de
Gram respecto de la base canónica?
5. Sea W = L ({u1 = (1, 2, 0, 0), u2 = (1, 0, 0, 2), u3 = (1, −1, −1, 2)}) en R4 con el pro-
ducto usual.
(a) Encuentra una base ortonormal de W .

(b) Completa dicha base hasta una base ortonormal de R4 .
6. Halla una base ortonormal, y el subespacio ortogonal, de los siguientes subespacios:
(a) S = {(x, y, z) : x + 2y − z = 0}, en R3 con el producto usual.

R1
(b) T = L ({1 − x, 1 + x}), en P2 (R) con el producto < p, q >= 0 p(x)q(x) dx.
(c) U = L ({(1, 0, 1, 0), (0, 1, 1, 0), (0, 1, 0, −1)}), en R4 con el producto usual.
7. En R3 se considera una base B = {v1 , v2 , v3 } y un producto escalar tal que kv1 k =

kv3 k = 3, kv2 k = 2, (\ v2 , v3 ) = π3 y (\
v1 , v2 ) = (\ v1 , v3 ) = π2 .
(a) Halla la matriz de Gram respecto de la base B.

(b) Halla la matriz de Gram respecto de la base B 0 = {v1 − v3 , v2 + v3 , −v2 + v3 }.
(c) Halla una base respecto de la que < u, v >= ut v.
8. En R2 con el producto usual, se considera f : R2 −→ R2 tal que u · f (u) = 0, para

todo u ∈ R2 . Estudia si f ha de ser la aplicación nula y, en caso contrario, da un
ejemplo de una aplicación no nula que lo verifique.
9. En R4 con el producto usual, halla la proyección ortogonal de u = (0, 2, 1, −1) sobre

U = {(x1 , x2 , x3 , x4 ) : x1 + x2 = 0}.
10. En
 un espaciovectorial euclı́deo, cuyo producto escalar tiene por matriz de Gram
1 0 0
0 2 −1 en la base B = {u1 , u2 , u3 }, calcula la proyección ortogonal de u3
0 −1 2
sobre S = L ({u1 , u2 }).
11. En R3 se considera
 el 
producto escalar cuya matriz de Gram, respecto de la base
1 1 1

canónica, es 1 2 2, y sea U = {(x, y, z) : x = −z = y}. Halla:
1 2 3
(a) El ángulo que forman los vectores (1, 0, 0) y (0, 1, 0).

(b) Una base de U ⊥ .
(c) La proyección ortogonal de (1, −2, 0) sobre U ⊥ .
12. En R3 con la base canónica B = {e1 , e2 , e3 }, se considera el producto escalar que

π
verifica: ke1 k = ke2 k = ke3 k = 1 y (e[
i , ej ) = 3 , para 1 ≤ i < j ≤ 3. Halla:
(a) La matriz de Gram respecto de B.

(b) La distancia del punto P (1, 2, 3) al origen.
(c) Las ecuaciones de la proyección ortogonal de la recta x = y = z sobre el plano
y = 0.
13. En R½4 con el producto usual, halla la distancia del vector (1, 0, −1, 0) al subespacio
x1 + x2 = 0
S≡ . Calcula S ⊥ .
x2 + x3 − x4 = 0
14. Se considera P2 (R) con el producto escalar
< p, q >= p(−1)q(−1) + p(0)q(0) + p(1)q(1)
Halla:
(a) Una base ortonormal.

(b) La matriz de Gram respecto de la base usual.
(c) El complementario ortogonal de L ({1}).
(d) La proyección ortogonal de x2 − 1 sobre L ({1, x}).
(e) El vector de L ({1, x}) más cercano a x2 − 1.
 
1 1 2
15. En R3 se considera el producto escalar definido por la matriz 1 2 2, respecto
2 2 3
de la base canónica, y se define f : R3 −→ R3 por f (u) =< v, u > w, con v, w ∈ R3
fijos. Halla los autovalores de f y el núcleo e imagen de f . ¿Cuál es el plano ortogonal
al vector (1, 1, 0)?
16. Sean B = {(1, 1, 0), (1, 0, 1), (1, 2, 0)} una base de R3 . Estudia si son simétricas las
aplicaciones lineales f, g : R3 −→ R3 cuyas matrices respecto de B son:
   
1 −4 2 −4 −5 −6
M (f, B) = A1 = 2 2 3 M (g, B) = A2 =  4 2 7
0 3 0 3 5 4
17. Diagonaliza ortogonalmente las matrices:

 
  4 0 4 6  
0 1 1 0 −1 −1 5 0
0 0
(a) A = 1 0 1 (c) C = 
4 0
 (e) E =  5 −1 0
0 2
1 1 0 0 0 4
6 0 2 5
   
a 1 −1 5 4 −4
(b) B =  1 a 1  (d) D =  4 5 4
−1 1 a −4 4 5
18. Diagonaliza, si es posible, las aplicaciones lineales T1 , T2 : M2 (R) −→ M2 (R)

definidas por T1 (A) = At y T2 (A) = A − At con el producto escalar dado por
< A, B >= traza(AB t ).
 
α λ µ
19. Sea A = λ β γ  ∈ M3 (R) tal que α 6= 0, rg(A) = 1 y traza(A) = 1.
µ γ ν
¿Es A diagonalizable? En caso afirmativo, halla sus autovalores. ¿Qué representa
geométricamente A?
20. Sea A ∈ M2 (R) una matriz simétrica tal que σ(A) = {1, 9} y u = (1, 1) es un
autovector asociado al autovalor 1. Halla razonadamente:
(a) Un autovector asociado al autovalor 9.

(b) La matriz A.
(c) Una matriz B tal que B 2 = A.
21. Sea f un endomorfismo de R3 . Calcula la matriz A = M (f, Bc ) sabiendo que:
(a) Ker f = L {(1, −1, 1)}.

(b) A es simétrica y sin elementos negativos.
½
x + 7y + z = 0
(c) S−1 es la recta de ecuaciones: .
2x − y + 2z = 0
√
(d) kf (0, 1, 0)k = 6.
22. Sabiendo que f (1, 0, 0) = (1, 0, 1), f (1, 1, 0) = (1, 1, 1) y f (1, 1, 1) = (2, 1, 2), estudia
si f es diagonalizable ortogonalmente y, en caso afirmativo, diagonalı́zala.
23. Halla la matriz A, respecto de la base canónica, de la proyección ortogonal de R3

sobre la recta generada por el vector (1, 1, 1).
24. Halla una base ortonormal de vectores propios de la proyección ortogonal de R3

sobre el plano x + y + z = 0.
25. Sabiendo que el núcleo de una proyección ortogonal f es la recta generada por el
vector (1, −1, 1), halla su matriz respecto de la base canónica.
26. Decide cuáles de las siguientes matrices corresponden a proyecciones ortogonales:

     
0 0 0 1 4 2 −1 −1 0
1 1 1
A = 0 1 −1 B = 0 5 0 C = −1 −1 0
2 5 2
0 −1 1 2 −2 4 0 0 2
27. Sean f y g las proyecciones ortogonales de R3 sobre los planos x + 2y − z = 0 y

−2x + y = 0, respectivamente. ¿Es una proyección ortogonal la composición de f
con g? ¿Y la de g con f ?
Soluciones
1. La matriz identidad.
2. En CR ([−1, 1]): arccos −1 ◦ √2 5

2 = 120 , arccos 7 y arccos 2 7 .
√
En P2 (R): arccos √−2

10
, arccos √755 y arccos √422 .
3. arccos √1n .
 
2 1 5
4. G = 1 1 3 .
5 3 14
n o
5. (a) w1 = √15 (1, 2, 0, 0), w2 = √130 (2, −1, 0, 5), w3 = √1 (2, −1, −6, −1)
42
.
n o
(b) w1 , w2 , w3 , w4 = √17 (2, −1, 1, −1) .
n o
6. (a) √1 (1, 0, 1), √1 (−1, 1, 1) ; S ⊥ = L ({(1, 2, −1)}).
©√2 3 ª ¡© ª¢
(b) n 3(1 − x), 3x − 1 ; T ⊥ = L x2 − x + 16 . o
(c) √12 (1, 0, 1, 0), √16 (−1, 2, 1, 0), √112 (1, 1, −1, −3) ; U ⊥ = L ({(1, 1, −1, 1)}).
   
9 3 0 18 −9 −9
7. (a) G(B) = 3 4 3. (b) G(B 0 ) = −9 19 5 .
0 3 9 −9 5 7
n o
1 1 −1
(c) 3 (1, 0, 0), 3 (0, 0, 1), 3√2 (1, −3, 1) .
8. f (x, y) = (−y, x).
9. proyU u = (−1, 1, 1, −1).

−1
10. proyS u3 = 2 u2 .
π
11. (a) (b) {(1, −1, 0), (0, 0, 1)}; (c) ( 32 , −3
4;
−1
2 , 2 ).
 
2 1 1 ½ ¾
1  x=z
12. (a) G(B) = 2 1 2 1 ; (b) d(P, O) = 5; (c) (x, y, z) : .
y=0
1 1 2
√
35
13. 5 ;S ⊥ = L ({(1, 1, 0, 0), (0, −1, −1, 1)}).
 
n √ ¡ ¢o 3 0 2 ¡© ª¢
14. (a) √13 , √x2 , 26 x2 − 23 ; (b) G = 0 2 0; (c) L x, x2 − 32 ; (d) −1
3 ;
2 0 2
(e) −1
3 .
15. Si v = 0 o w = 0, entonces f (u) = 0, ∀u ∈ R3 , y por tanto Ker f = R3 , Im f = {0}

y σ(f ) = {0}.
Si v 6= 0 6= w, entonces Im f = L ({w}), Ker f = L ({v})⊥ y σ(f ) = {0, < v, w >}.
L ({(1, 1, 0)})⊥ = {(x, y, z) : 2x + 3y + 4z = 0}.
16. f no es simétrica, y g si es simétrica.
17. (a) σ(A) = {−1 doble, 2}; S−1 = L {(−1, 1, 0), (−1, 0, 1)}; S2 = L {(1, 1, 1)}.
(b) σ(B) = {a + 1 doble, a − 2}; Sa+1 = L {(1, 1, 0), (−1, 0, 1)};
Sa−2 = L {(1, −1, 1)}.
(c) σ(C) = {0, 12, −1, −3}; S0 = L {(1, 0, 2, −2)}; S12 = L {(2, 0, 1, −2)};
S−1 = L {(0, 1, 0, 0)}; S−3 = L {(−2, 0, 2, 1)}.
(d) σ(D) = {9 doble, −3}; S9 = L {(1, 1, 0), (−1, 0, 1)}; S−3 = L {(1, −1, 1)}.
(e) σ(E) = {4 doble, −6}; S4 = L {(1, 1, 0), (0, 0, 1)}; S−6 = L {(−1, 1, 0)}.
18. Las matrices de las aplicaciones lineales respecto de la base usual son:
   
1 0 0 0 0 0 0 0
0 0 1 0 0 1 −1 0
M (T1 , Bu ) = A1 = 
0 1 0 0
 M (T 2 , B u ) = A2 =  
0 −1 1 0
0 0 0 1 0 0 0 0
σ(A1 ) = {1 triple, −1}; S1 = L {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)};

S−1 = L {(0, −1, 1, 0)}.
σ(A2 ) = {0 triple, 2}; S0 = L {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)};
S2 = L {(0, −1, 1, 0)}.
19. Es ortogonalmente diagonalizable con:

σ(A) = {0 doble, 1}; S0 = {(x, y, z) : αx + λy + µz = 0} y S1 = L {(α, λ, µ)}.
Geométricamente, A representa una proyección sobre S1 .
µ ¶
5 −4
20. (a) v = (1, −1) ∈ S9 ; (b) A = ;
−4 5
µ ¶ µ ¶
±1 0 −1 1 1
(c) Hay cuatro posibles matrices: B = P P con P = .
0 ±3 1 −1
 
0 1 1
21. A = 1 2 1.
1 1 0
22. Sı́ es ortogonalmente diagonalizable:
σ(A) = {0, 1, 2}, S0 = L {(−1, 0, 1)}, S1 = L {(0, 1, 0)} y S2 = L {(1, 0, 1)}.
 
1 1 1
23. A = 13 1 1 1.
1 1 1
n o
24. B = √12 (1, 0, −1), √1 (1, −2, 1), √1 (1, 1, 1)
6 3
.
 
2 1 −1
25. M (f, Bc ) = 13  1 2 1 .
−1 1 2
26. (a) Sı́, corresponde a la proyección ortogonal sobre S1 = L {(0, 1, −1)}.

(b) No corresponde a una proyección ortogonal.
(c) No corresponde a una proyección ortogonal.
27. Por ser (1, 2, −1) ⊥ (−2, 1, 0), ambas composiciones son la proyección ortogonal
sobre la recta intersección de los dos planos: S = L {(1, 2, 5)} y
 
1 2 5
1 
f ◦g ≡g◦f ≡ 2 4 10
30
5 10 25
Tema 7: Aplicaciones ortogonales

Ejercicios
1. En R2 , estudia la ortogonalidad de las aplicaciones lineales cuyas matrices, respecto
de la base canónica, son:
µ ¶ µ ¶ µ√ ¶
1 4 1 2 3/2 √−1/2
(a) A = (c) C = (e) E =
1 5 2 5 1/2 3/2
µ ¶ µ √ ¶ µ√ ¶
1 3 1/2 3/2 3/2 1/2
(b) B = (d) D = √ (f) F = √
1 2 3/2 −1/2 1/2 − 3/2
2. En R3 , clasifica las aplicaciones ortogonales cuyas matrices, respecto de la base

canónica, son:
 √ √   
1/ 2 0 1/ 2 1 −2 −2
1
(a) A =  0√ 1 0√  (c) C = 2 −1 2 
3
1/ 2 0 −1/ 2 2 2 −1
 √ 
0 3/2 −1/2
√
(b) B =  0 −1/2 − 3/2
−1 0 0
3. Halla el subespacio complementario ortogonal de F = L ({(−1, 0, 0, 1), (1, −1, 0, 0)})

en R4 , y la matriz de la proyección ortogonal de R4 sobre F , respecto de la base
canónica. ¿Es una aplicación ortogonal?
4. Sea f : V −→ V una aplicación lineal, definida sobre el espacio euclı́deo V , cuyas

ecuaciones respecto de una base ortonormal B son:
 0 1
 x = 3 (x − 2y − 2z)
y 0 = 1 (−2x + y − 2z)
 0 13
z = 3 (−2x − 2y + z)
(a) Halla la matriz de f respecto de la base B.

(b) Prueba que f es una aplicación ortogonal.
(c) Halla el subespacio S de vectores invariantes de f . ¿Es f (S ⊥ ) = S ⊥ ?
(d) ¿Cuál es el significado geométrico de la aplicación f ?
5. Halla la matriz, respecto de la base canónica de R2 , de cada una de las siguientes

aplicaciones ortogonales:
(a) Simetrı́a respecto de la recta x − y = 0.

(b) Simetrı́a respecto de la recta x + 2y = 0.
(c) Giro de centro el origen y ángulo π/6.
6. Halla la matriz, respecto de la base canónica de R3 , de cada una de las siguientes

aplicaciones:
(a) Proyección ortogonal sobre la recta r ≡ L ({(2, −1, 0)}).

(b) Simetrı́a respecto del plano 2x − y = 0.

(c) Giro de eje L ({(0, 1, 1)}) y ángulo π/2.
(d) Composición de las aplicaciones (b) y (c).
7. Sea f : R3 −→ R3 una aplicación lineal respecto de la que son invariantes los

subespacios S = L ({(1, 0, 1)}) y T = {(x, y, z) : x + z = 0}.
(a) ¿Se puede asegurar que f es ortogonal?

(b) ¿Se puede asegurar que f es diagonalizable?
8. Halla la matriz, respecto de la base canónica, de una aplicación lineal simétrica

f : R3 −→ R3 que conserva la norma de todos los vectores del plano x − z = 0 y tal
que S(−1) = {(x, y, z) : x + 2y + z = 0}.
9. Sea f : R3 −→ R3 una aplicación lineal que verifica: (i) su matriz respecto de

la base canónica es simétrica, (ii) L ({(2, −2, −1)}) es un subespacio propio, y (iii)
f (1, 0, 0) = (3, 2, 2) y f (0, 1, 0) = (2, 2, 0).
(a) ¿Es una aplicación ortogonal?

(b) Halla sus autovalores y subespacios propios.
(c) Halla una forma diagonal de f y obtén, si es posible, una base ortonormal
respecto de la cuál sea diagonal.
10. Encuentra todas las aplicaciones ortogonales y simétricas f : R3 −→ R3 que trans-

forman el eje de abscisas y = z = 0 en la recta 4x − 3y = z = 0. Clasifı́calas dando
sus subespacios invariantes.
Soluciones
1. No son aplicaciones ortogonales: √ (a), (b) y (c). Sı́ son aplicaciones ortogonales: (d)
Simetrı́a respecto de la recta x − 3y = 0, (e) √ Giro de centro el origen y ángulo π/6,
y (f) Simetrı́a respecto de la recta x − (2 + 3)y = 0.
√ √
2. (a) Simetrı́a respecto del plano (2 − 2)x − 2z = ³n³0. ´o´
−3
(b) Giro de ángulo α = arccos 4 y eje la recta L 1, √13 , −1 .
(c) Composición de½una simetrı́a respecto del plano y − z = 0 con un giro de ángulo
x=0
α = arccos 31 y eje .
y+z =0
 
2 −1 0 −1
−1 2 0 −1
3. F ⊥ = L ({(0, 0, 1, 0), (1, 1, 0, 1)}), y M (proyF , Bc ) = 13  0
. No es
0 0 0
−1 −1 0 2
una aplicación ortogonal.
 
1 −2 −2
4. (a) M (f, B) = A = 13 −2 1 −2. (b) At A = I.
−2 −2 1
(c) S = S(1) = L ({(1, 0, −1), (0, 1, −1)}), y f (S ⊥ ) = S ⊥ .
(d) Simetrı́a respecto del plano x + y + z = 0.
µ ¶ µ ¶ µ√ ¶
0 1 1 3 −4 3/2 √ −1/2
5. (a) . (b) 5 . (c) .
1 0 −4 −3 1/2 3/2
     √ √ 
4/5 −2/5 0 −3/5 4/5 0 0√ −1/ 2 1/ 2
6. (a) −2/5 1/5 0. (b)  4/5 3/5 0. (c)  1/ √2 1/2 1/2 .
0 0 0 0 0 1 −1/ 2 1/2 1/2
 √ √ √   √ √ √ 
−2 2 −3 2 2 2 2 4+3 2 4−3 2
 5√2 10√ 2
1   √ 5 10√ 10√
3+4 2 .
(d) c ◦ b =  4−3
10√
3+4 2
10√ 2 
y b ◦ c =  3102 3−4 2
10 10 
4+3 2 3−4 2 1 −1
√ 1 1
10 10 2 2 2 2
7. (a) No. (b) No.

 
−2 2 1
8. 13  2 1 2 .
1 2 −2
9. (a) No. (b) σ(f ) = {0, 3, 6} con S(0) = L ({(2, −2, −1)}), S(3) = L ({(1, 2, −2)}) y
S(6) = L ({(2, 1,
2)}). 
0 0 0 ©¡ ¢ ¡ 1 2 −2 ¢ ¡ 2 1 2 ¢ª
(c) M (f, B) = 0 3 0 con B = 23 , −2 −1
3 , 3 , 3, 3, 3 , 3, 3, 3 .
0 0 6
 
3/5 4/5 0
10. (a) M (f, Bc ) = 4/5 −3/5 0, con S(1) = L ({(2, 1, 0), (0, 0, 1)}) y
0 0 1
S(−1) = L ({(1, −2, 0)}). Simetrı́a respecto del plano S(1).
 
3/5 4/5 0
(b) M (f, Bc ) = 4/5 −3/5 0 , con S(1) = L ({(2, 1, 0)}) y
0 0 −1
S(−1) = L ({(1, −2, 0), (0, 0, 1)}). Giro de eje S(1) y ángulo π.
 
−3/5 −4/5 0
(c) M (f, Bc ) = −4/5 3/5 0, con S(1) = L ({(1, −2, 0), (0, 0, 1)}) y
0 0 1
S(−1) = L ({(2, 1, 0)}). Simetrı́a respecto del plano S(1).
 
−3/5 −4/5 0
(d) M (f, Bc ) = −4/5 3/5 0 , con S(1) = L ({(1, −2, 0)}) y
0 0 −1
S(−1) = L ({(2, 1, 0), (0, 0, 1)}). Giro de eje S(1) y ángulo π.
Tema 8: Movimientos
Ejercicios
1. Halla las ecuaciones de las simetrı́as respecto de las rectas:
√
(a) x − 3y = 2 (b) x + 2y = 4 (c) 2x − y = 1
2. Halla las ecuaciones de la simetrı́a deslizante de eje y = x − 2 y vector v = (3, 3).
3. Encuentra, si existe, las ecuaciones de un giro que transforme P (2, 0) en P 0 (−1, 1)

y Q(4, 1) en Q0 (0, −1).
4. Halla las ecuaciones de los siguientes movimientos:
(a) Giro de centro (1, 0) y ángulo 135◦ .

(b) Simetrı́a deslizante de eje paralelo a la recta 2x + y = 3 y que transforma (2, 1)
en (1, 0).
(c) Giro de ángulo 60◦ que transforme (2, 1) en (1, 0).
(d) La composición de los movimientos (a) y (b).
5. Determina todos los movimientos que transforman (1, 0) en (2, 1) y (0, 1) en (1, 0).
6. En R3 , halla las ecuaciones de los siguientes movimientos:
(a) Giro de ángulo 90◦ respecto de la recta que pasa por (1, 0, 1) con vector director
u = (1, 1, 0).
(b) Composición del giro de ángulo 180◦ respecto de la recta r ≡ (x, y, z) =
(0, 0, 1) + (0, 1, 1)t, con la traslación de vector v = (1, 1, 0). ¿Qué movimiento
se obtiene?
(c) Simetrı́a respecto del plano que pasa por (0, 1, 1) y es perpendicular al vector
u = (2, 1, 1). Obtén el punto simétrico de P (2, 1, −1).
½
x−z =0
(d) Simetrı́a axial respecto de la recta r ≡ . Obtén el punto simétrico
y − 3z = 2
de P (1, 1, 1).
(e) Simetrı́a rotacional (simetrı́a
½ compuesta con ½
giro) respecto del plano que con-
x − 3y = 1 x=4
tiene a las rectas r1 ≡ y r2 ≡ , con ángulo de giro
y−z =3 y−z =3
½
x=2
180◦ y eje de giro r ≡ .
y+z =0
(f) Movimiento helicoidal de eje r ≡ {(1, −1, 0)t : t ∈ R}, ángulo 180◦ y vector de
traslación v = (2, −2, 0).
(g) Giro respecto de la recta que pasa por los puntos (1, 1, 0) y (0, 0, 1), y que
transforma P (0, 1, 0) en P 0 (1, 1, 1).
(h) Composición de la simetrı́a respecto del plano 3x−y +2z = 1 con el movimiento
helicoidal del apartado (f).
7. Dados los planos π1 ≡ x + y = 1 y π2 ≡ x + y = 4, encuentra las ecuaciones del

movimiento M = Sπ1 ◦ Sπ2 . Comprueba que es una traslación y halla su vector
asociado.
8. Clasifica los siguientes movimientos sobre R2 :
( ( (
x0 = −y + 1 x0 = −y + 3 x0 = 53 x + 54 y
(a) (c) (e)
y 0 = −x + 1 y 0 = −x − 1 y 0 = 45 x − 53 y + 1
( (
x0 = x + 3 x0 = −y + 3
(b) (d)
y0 = y − 1 y0 = x − 1
9. Clasifica los siguientes movimientos sobre R3 :

   
 x0 = −y + 1  x0 =z+1  0  0
  x = z + 1 x = z + 1
(a) y 0 = −x + 1 (c) y 0 = y + 1 (e) y 0 = −y + 1 (g) y 0 = y

 0 
 0 
 
 0
z =z+1 z = −x + 1 z 0 = −x − 1 z = −x + 1
  
 0  0  0
x = −x + 1 x = −y + 1 x = x + 1
(b) y 0 = −y + 1 (d) y 0 = −x + 1 (f) y 0 = y + 1

 0 
 0 
 0
z = −z − 1 z =z z =z−1
Soluciones
µ √ ¶µ ¶ µ ¶
1 √ 1 3 x 1
√
1. (a) S(x, y) = 2 + ;
3 −1 y − 3
·µ ¶ µ ¶ µ ¶¸
1 3 −4 x 8
(b) S(x, y) = 5 + ;
−4 −3 y 16
·µ ¶ µ ¶ µ ¶¸
−3 4 x 4
(c) S(x, y) = 15 + .
4 3 y −2
µ ¶µ ¶ µ ¶
0 1 x 5
2. SD(x, y) = + .
1 0 y 1
µ ¶µ ¶ µ ¶
0 1 x −1
3. G(x, y) = + .
−1 0 y 3
·µ ¶µ ¶ µ √ ¶¸
1 −1 −1 x 1+ 2
4. (a) G(x, y) = 2√ + ;
1 −1 y −1
µ ¶µ ¶ µ ¶
−3 −4 x 3
(b) SD(x, y) = 15 + ;
−4 3 y 1
·µ √ ¶µ ¶ µ √ ¶¸
1 √ 1 − 3 x 3 √
(c) G(x, y) = 2 + ;
3 1 y −1 − 2 3
·µ ¶µ ¶ µ √ ¶¸
1 7 1 x 5 2 − 15
(d) M(a) ◦ M(b) (x, y) = 5√2 + ;
1 −7 y 5
·µ ¶µ ¶ µ √ ¶¸
1 −1 7 x √ 2+1 .
12
M(b) ◦ M(a) (x, y) = 5√ +
2 7 1 y 2−7
5. Giro de centro (1, 1) y ángulo 90◦ , o simetrı́a deslizante de eje 2y = 1 y vector

v = (1, 0).µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
0 −1 x 2 1 0 x 1
G(x, y) = + ; SD(x, y) = +
1 0 y 0 0 −1 y 1
 √    √ 
1 1 √2 x 1 − √2
6. (a) G(x, y, z) = 12  √ 1 √1 − 2
 y  + −1 + 2.
√
− 2 2 0 z 2+ 2
    
−1 0 0 x 1
(b) T ◦ G(x, y, z) =  0 0 1 y  + 0. Es un movimiento helicoidal de eje
0 1 0 z 1

 x = 1/2 ¡ ¢
r≡ y = −1/2 + λ , ángulo α = π y vector de deslizamiento v = 0, 12 , 12 .

z=λ
     
−1 −2 −2 x 4 ¡ ¢
1   
(c) S(x, y, z) = 3 −2 2 −1 y + 2; S(P ) = P 0 23 , 13 , −5
 
3 .
−2 −1 2 z 2
    
−9 6 2 x −12 ¡ ¢
1 
(d) SA(x, y, z) = 11 6 7 6  y  +  8 ; SA(P ) = P 0 −13 27 −13
11 , 11 , 11 .
2 6 −9 z −12
    
−1 0 0 x 4
(e) SR(x, y, z) =  0 −1 0  y  +  3 .
0 0 −1 z −3
    
0 −1 0 x 2
(f) M H(x, y, z) = −1 0 0  y  + −2.
0 0 −1 z 0
    
0 1 0 x 0
(g) G(x, y, z) =  0 0 −1 y  + 1.
−1 0 0 z 1
    
−3 −6 −2 x 15
(h) M H ◦ S(x, y, z) = 17  2 −3 6  y  + −17.
6 −2 −3 z −2
    
1 0 0 x −3
7. M (x, y, z) = 0 1 0 y  + −3; v = (−3, −3, 0).
0 0 1 z 0
8. (a) Simetrı́a respecto de la recta r ≡ x + y = 1.
(b) Traslación de vector v = (3, −1).
(c) Simetrı́a deslizante respecto de la recta r ≡ x + y = 1, con vector de traslación
v = (2, −2).
(d) Giro de centro C(2, 1) y ángulo α = π/2.
(e) Simetrı́a
¡ 2 1 ¢ deslizante respecto de la recta r ≡ x−2y+1 = 0, con vector de traslación
v = 5, 5 .
9. (a) Simetrı́a deslizante respecto del plano π ≡ x + y = 1 con vector de deslizamiento

v = (0, 0, 1). ¡ ¢
(b) Simetrı́a central de centro C 12 , 12 , −1
2 .
π
(c) Movimiento helicoidal con eje de giro r ≡ {x = 1, z = 0}, ángulo α = 2 y vector
v = (0, 1, 0).
(d) Simetrı́a respecto del plano π ≡ x + y = 1.
(e) Simetrı́a rotacional respecto del plano π ≡ y = 1/2, eje de giro
r ≡ {x = 0, z = −1} y ángulo α = π2 .
(f) Traslación de vector v = (1, 1, −1).
(g) Giro de eje r ≡ {x = 1, z = 0} y ángulo α = π2 .
Tema 9: Cónicas
Ejercicios
Clasifica las siguientes cónicas dando su ecuación reducida, centro o vértice y ejes, cuando
corresponda, y dibujándolas si es posible.
1. 3x2 − 2xy + 3y 2 + 2x − 4y + 1 = 0.
2. x2 − 2xy + y 2 + 4x − 6y + 1 = 0.
3. x2 + 2xy − y 2 − 6x + 4y − 3 = 0.
4. x2 + 3xy + 2y 2 + 2x + 5y − 3 = 0.
5. x2 + 4xy + 4y 2 − 2x − 4y − 3 = 0.
6. 3x2 − 2xy + 3y 2 + 2x − 4y + 2 = 0.
7. x2 + y 2 + 2x + 1 = 0.
8. x2 + 4xy + 4y 2 − 2x − 4y + 1 = 0.
9. x2 + 4xy + 4y 2 + 2x + 4y + 2 = 0.
10. x2 + y 2 + 2xy − 7x − 5y + 7 = 0.
11. −2x2 + y 2 + 4xy + 2x − 1 = 0.
12. x2 + y 2 + 4x − 4y − 2xy − 5 = 0.
13. 2x2 + y 2 + 2xy + 2x + 1 = 0.
14. 8x2 + 17y 2 + 12xy − 8x − 16y − 8 = 0.
15. x2 + 4y 2 + 4xy − 6x − 12y + 9 = 0.
16. x2 − y 2 + 2x + 6y − 13 = 0.
17. x2 − 2y 2 − xy + 2x + 5y − 3 = 0.
18. x2 + y 2 + x − 1 = 0.
19. x2 − 4y 2 − 2x − 8y − 3 = 0.
Soluciones
x2 y2 −1
1. Elipse de ecuación reducida 3/16 + 3/32 = 1, centro 8 , 58 , y ejes x − y + 3
4 =0y
x + y − 12 = 0.
√
2
−31
2. Parábola de ecuación reducida y 2 = 2 x, vértice 8 , −11
8 , y eje x − y +
5
2 = 0.
2 2 1
3. Hipérbola de ecuación reducida 1/2x √2 − 1/2y √2 = −1, centro 5
2, 2 , y ejes x − (1 +
√ √ √ √
2)y = −2 − 5 2 2 y (1 + 2)x + y = 3 + 22 .
4. Par de rectas secantes: x + y = −3 y x + 2y = 1.
5. Par de rectas paralelas: x + 2y = 3 y x + 2y = −1.

x2 y2
6. Elipse imaginaria de ecuación reducida 5/16 + 5/32 = −1.
7. Punto: (−1, 0).
8. Recta doble: x + 2y = 1.
9. Par de rectas imaginarias: x + 2y = −1 + i y x + 2y = −1 − i.

10. Parábola de ecuación reducida y 2 = √12 x, vértice 12 , 25 , y eje x + y = 3.
x2 y2 1 −1
2
11. Hipérbola de ecuación reducida 5/12 − 5/18 = 1, centro 6, 3 , y ejes 2x − y = 3 y
x + 2y = −12 .
12. Par de rectas paralelas: x − y = 1 y x − y = −5.
13. Punto: (−1, 1).

x2 y2 1 2

14. Elipse de ecuación reducida 12/5 + 3/5 = 1, centro 5, 5 , y ejes x + 2y = 1 y
2x − y = 0.
15. Recta doble: x + 2y = 3.

x2 y2
16. Hipérbola de ecuación reducida 5 − 5 = 1, centro (−1, 3), y ejes x = −1 e y = 3.
17. Par de rectas secantes: x − 2y = −3 y x + y = 1.

x2 y2 −1 √
5
18. Circunferencia de ecuación reducida 5/4 + 5/4 = 1, centro 2 , 0 , y radio 2 .
19. Par de rectas secantes: x − 2y = 3 y x + 2y = −1.

FACULTAD DE INFORMATICA CURSO 99/00
DPTO. DE MATEMA TICA APLICADA ALGEBRA LINEAL
EXAMEN FINAL DE JUNIO (9/06/00)
Ejercicio 1. (20 puntos)

En P3 (R), el espacio vectorial de los polinomios de grado menor o igual que 3, se consideran los
subespacios vectoriales:
S = fp(x) 2 P3 (R) : p(1) + p(0) = 0; p(;1) + p(0) = 0g
;
T = L ;1 + x + x2 + x3 ; x + x3 ; b(1 + x2 ) + x3; ;1 + 2x + x2 + bx3
(a) Obten las ecuaciones implcitas y parametricas de S .
(b) Halla, segun los valores del parametro b 2 R, las dimensiones de T , S + T y S \ T .

Sea f : R4 ;! R4 un endomorsmo tal que
f (1; 1; 0; 0) = (0; 1; 0; ;1) ; f (1; 0; 1; 0) = (1; 1; 1; 0) ; y Ker f = Im f
Halla su matriz respecto de la base canonica.
Sea f : V ;! V un endomorsmo sobre el espacio vectorial V de dimension n. Dene el con-
cepto de endomorsmo diagonalizable y enuncia condiciones necesarias y sucientes para que f sea
diagonalizable en R.
En R4 , con el producto escalar usual, se considera el hiperplano

H = (x1 ; x2; x3 ; x4 ) 2 R4 : x1 ; x3 ; x4 = 0
Halla:
(a) Una base ortonormal de H .
(b) La distancia del vector ;!
OA = (1; 0; 1; 1) al hiperplano H .
(c) La proyeccion sobre H de la recta que pasa por A(1; 0; 1; 1) y B (2; 0; 0; 1).

(a) Halla las ecuaciones del movimiento pM = GP; Sr , en R2 , que se obtiene al componer la
simetra respecto de la recta r x ; 3y = 1 con el giro de centro P (1; 0) y angulo = =2.
(b) Determina el tipo de movimiento que es M y halla, si existen, sus puntos jos.
SOLUCIONES
Ejercicio 1. En P3 (R), el espacio vectorial de los polinomios de grado menor o igual

que 3, se consideran los subespacios vectoriales:
S = fp(x) 2 P3 (R) : p(1) + p(0) = 0; p(;1) + p(0) = 0g
;
T = L ;1 + x + x2 + x3 ; x + x3 ; b(1 + x2 ) + x3; ;1 + 2x + x2 + bx3

(a) Obten las ecuaciones implcitas y parametricas de S .
(b) Halla, segun los valores del parametro b 2 R, las dimensiones de T , S + T y S \ T .
Solucion: Respecto de la base usual, p(x) = a0 + a1 x + a2x2 + a3x3 = (a0 ; a1 ; a2 ; a3).
(a) Ecuaciones implcitas:
p(1) + p(0) = 0 2a + a + a + a = 0 2a + a = 0
p(;1) + p(0) = 0 =) 2a ; a + a ; a = 0 =) a0 + a2 = 0
0 1 2 3
0 1 2 3 1 3
Ecuaciones parametricas:
8 a =
>
< a01 =
> ; 2 R
: aa23 == ;;2
(b) Del apartado anterior, dim S = 2 y una base

BS = (1; 0; ;2; 0) = 1 ; 2x2 ; (0; 1; 0; ;1) = x ; x3

Haciendo operaciones elementales con los generadores de T y S + T , se obtiene:
0;1 1 1 11 0;1 1 1 1 1 0;1 1 1 1 1
BB 0 1 0 1CC ;! BB 0 1 0 1 C B0 1 0 1 C
@ b 0 b 1A @ 0 b 2b b + 1C A ;! B@ 0 0 2b 1 C A
;1 2 1 b 0 1 0 b;1 0 0 0 b;2
01 0 ;2 0
1 1
0 0 ;2 0
1 1
0 0 ;2 0 1
BB 0 1 0 C
;1 C B0 B 1 0 C
;1 C B0 B 1 0 ;1CC
BB;11 1 1 C
C ;!
B
B0 1 ;1 1 C
C ;!
B
B0 0 1 ;2CC
BB 0
1 0 1 C
CA B B0 0 0 2 C
C B
B0 0 0 2CC
@
0 0 2b 1 @0 0 2b 1 A @0 0 0 0A
0 0 0 b;2 0 0 0 b;2 0 0 0 0
de donde:
(
dim(S + T ) = 4 dim T = 3 , si b = 0 o b = 2
4 , si b 6= 0 y b 6= 2
(
dim(S \ T ) = dim S + dim T ; dim(S + T ) = 1 , si b = 0 o b = 2
2 , si b 6= 0 y b 6= 2
1
Ejercicio 2. Sea f : R4 ;! R4 un endomorsmo tal que
f (1; 1; 0; 0) = (0; 1; 0; ;1) ; f (1; 0; 1; 0) = (1; 1; 1; 0) ; y Ker f = Im f
Halla su matriz respecto de la base canonica.
Solucion: En R4 se considera la base canonica Bc = fe1; e2 ; e3 ; e4 g, y la base
B = fu1 = (1; 1; 0; 0); u2 = (1; 0; 1; 0); u3 = (0; 1; 0; ;1); u4 = (1; 1; 1; 0)g
Segun los datos del problema f (u1 ) = u3 , f (u2 ) = u4 y Ker f = Im f = L (fu3 ; u4 g), es decir
f (u3) = f (u4) = 0. Por lo tanto
8 f (u ) = f (e ) + f (e ) 8 f (e ) = (1; 2; 1; ;1)
>
< f (u2) = f (e1) = (0; 1; 0; ;1) >
= (1; 1; 1; 0) =) < f (e2 ) = (;1; ;1; ;1; 0)
1 1 2 1
+ f (e3 )
>
: ff ((uu34)) == f (e1) + ff ((ee22)) + f (e3) ; f (e4) == (0; 0; 0; 0) >
: ff ((ee34)) == (0(;;1;; 1;;10;;;1)1; 0)
(0; 0; 0; 0)
La matriz de f , respecto de la base canonica, es
0 1 ; 1 0 ;1 1
B 2 ; 1 ; 1 ;1 C
M (f; Bc) = B
@ 1 ; 1 0 ;1 C A
;1 0 1 0
Ejercicio 3. Sea f : V ;! V un endomorsmo sobre el espacio vectorial V de dimension

n. Dene el concepto de endomorsmo diagonalizable y enuncia condiciones necesarias
y sucientes para que f sea diagonalizable en R.
Solucion: Un endomorsmo es diagonalizable si existe una base respecto de la que su matriz es
diagonal.
La condicion necesaria y suciente para que un endomorsmo sea diagonalizable en R es que
admita una base formada por autovectores, para lo que es necesario que todos sus autovalores sean
reales y que la dimension de cada subespacio propio coincida con la multiplicidad del autovalor
correspondiente.
2
Ejercicio 4. En R4 , con el producto escalar usual, se considera el hiperplano

H = (x1 ; x2; x3 ; x4 ) 2 R4 : x1 ; x3 ; x4 = 0

Halla:
(a) Una base ortonormal de H .
(b) La distancia del vector ;! OA = (1; 0; 1; 1) al hiperplano H .
(c) La proyeccion sobre H de la recta que pasa por A(1; 0; 1; 1) y B (2; 0; 0; 1).
Solucion: Las ecuaciones parametricas y una base de H son:
8 x =
>
< x12 =
x1 ; x3 ; x4 = 0 =) > x = ; ; 2 R
: x34 = ;
B = fu1 = (1; 0; 0; 1); u2 = (0; 1; 0; 0); u3 = (0; 0; 1; ;1)g
(a) Aplicando el proceso de Gram-Schmidt:
v1 = u1 = (1; 0; 0; 1)
v2 = u2 = (0; 1; 0; 0) 1 ;1
v3 = u3 ; u 3 v1
v ; u 3 v2 ; 1 0
v = u ; v ; v = ; 0; 1; 2 == (1; 0; 2; ;1)
kv1k2 1 kv2 k2 2 3 2 1 1 2 2
Dividiendo cada uno de los vectores obtenidos por su norma, se obtiene la base ortonormal:
1 1

BOT N = w1 = p (1; 0; 0; 1); w2 = (0; 1; 0; 0); w3 = p (1; 0; 2; ;1)
2 6
(b) Se halla la proyeccion del vector sobre H :

proyH ;!
OA = ;! OA w1 w1 + ;! OA w2 w2 + ;!
OA w3 w3 = p2 w1 + 0w2 + p2 w3
1 2 ;1 4 2 2 2 6
= (1; 0; 0; 1) + 3 ; 0; 3 ; 3 = 3 ; 0; 3 ; 3
y entonces, la distancia es
;! ;! ;! ;1 1 1 1
d OA; H = OA ; proyH OA = 3 ; 0; 3 ; 3 = p
3
(c) La proyeccion de la recta que pasa por A y B es la recta que pasa por los puntos
;;! ;!
4 2 2
0 0
A = OA = proyH OA = 3 ; 0; 3 ; 3

B0 = ; ;!0 = proy ;!
OB H OB = ;! OB w w + ;! OB w w + ;! OB w w
1 ;1 5
1 1 2 2 3 3
= p3 w1 + 0w2 + p1 w3 = ( 23 ; 0; 0; 23 ) + 6 ; 0; 31 ; 6 = 3 ; 0; 13 ; 3 4
2 6
luego la recta proyeccion es
;;! ;;! 4 2 2 1 ;1 2
0 0 0
u = OA + A B =) (x1; x2 ; x3; x4 ) = 3 ; 0; 3 ; 3 + 3 ; 0; 3 ; 3
3
Ejercicio 5.
(a) Halla las ecuaciones del movimiento M = GP; pSr , en R2 , que se obtiene al
componer la simetra respecto de la recta r x ; 3y = 1 con el giro de centro
P (1; 0) y angulo = =2.
(b) Determina el tipo de movimiento que es M y halla, si existen, sus puntos jos.
Solucion:
(a) La matriz de la simetra Sr (u) = A1u + b1 es
p3 1 1 0 p3 1 ;1 1 1 p3
A1 = 1 ;p3 0 ;1 1 ;p3 = 2 p3 ;1
y, puesto que los puntos de la recta son jos y (1; 0) 2 r, entonces
1 1 1 1
Sr (1; 0) = A1 0 + b1 = 0 =) b1 = 0 ; A1 0 = 21 ;p
1
3
La matriz del giro GP;(u) = A2 u + b2 es
cos =2 ; sen =2 0 ;1
A2 = sen =2 =
cos =2 1 0
y, puesto que el centro de giro (1; 0) es un punto jo, entonces

GP;(1; 0) = A2 10 + b2 = 10 =) b2 = 10 ; A2 10 = ;11
Las ecuaciones del movimiento son
M (u) = GP; Sr (u) = GP; (Sr (u)) = A2 (A1 u + b1 ) + b2 = A2A1 u + A2 b1 + b2
Operando:
p p
M (u) = Au + b = 21 ;1 3 p13 u + 12 2 +;1 3
(b) Se halla el subespacio invariante S (1) asociado a la matriz A:
1
;p3 ; 2 1 x ;(p3 + 2)x + y = 0 x = (2 ; p3)
(A ; I )u = 2 p p
1 3 ; 2 y = 0 =) x + ( 3 ; 2)y = 0 =) y =
Puesto que dim S (1) = 1, el movimiento es una simetra o simetra deslizante. Se buscan, si existen,
los puntos jos:
;(p3 + 2)x + y = ;2 ; p3 p
Au + b = u =) (A ; I )u = ;b =) x + (p3 ; 2)y = 1 =) x + ( 3 ; 2)y = 1
p
Luego los puntos jos son los puntos de la recta x + ( 3 ; 2)y = 1 y el movimiento es una simetra
respecto de dicha recta.
4

DPTO. DE MATEMATICA APLICADA
ALGEBRA LINEAL
EXAMEN FINAL DE SEPTIEMBRE (15/09/00)

(a) Sean V y W dos espacios vectoriales, y f : V ! W una aplicacion lineal. Demuestra que
el conjunto Ker f es un subespacio vectorial de V .

a b
(b) En el espacio vectorial M22 (R) = : a; b; c; d 2 R se considera el subespa-
c d
a b
cio vectorial V = : a; b 2 R . Encuentra un subespacio vectorial W tal que
b a
M22(R) = V W .
Sea f : R3 ! R4 un homomorsmo que verica:
Ker f = L (f(1; 1; 1); (2; 1; 2); (0; 1; 0)g)

Im f = (x; y; z; t) 2 R4 : x + 2t = 0; x + z + t = 0; z + t = 0
(a) Halla una base del Ker f , y extiendela a una base B de R3 .
(b) Halla una base de Im f , y extiendela a una base B 0 de R4 .
(c) Halla la matriz de f respecto de las bases B y B 0 .
(d) Halla su matriz de f respecto de las bases canonicas de R3 y R4 .

Sea f : R3 ! R3 el endomorsmo denido, respecto de la base canocica, por la matriz
0 1
1 2 2
A = @2 1 2A
2 2 3
(a) Halla los autovalores de f y los subespacios propios asociados.
(b) Estudia si f es diagonalizable y, en caso armativo, halla una base en la que su matriz sea
diagonal.
(c) Halla A198 .

(a) En R3 , dado el plano 2 x + y z = 2, encuentra las ecuaciones de la simetra S2 respecto
de 2 .
(b) Sea S1 la simetra respecto del plano 1 z = 1, cuya ecuacion es:
0 01 0 1 0 10 1
x 0 1 0 0 x
@y0 A = @0A + @0 1 0 A @y A
z0 2 0 0 1 z
Halla las ecuaciones del movimiento M = S1 Æ S2 , demuestra que es un giro y encuentra su
eje.

ALGEBRA LINEAL
SOLUCIONES
Ejercicio 1.
(a) Sean V y W dos espacios vectoriales, y f : V ! W una aplicacion lineal. De-
muestra que el conjunto Ker f es un subespacio vectorial de V .

(b) En el espacio vectorial M22 (R) = a b : a; b; c; d 2 R se considera el subespa-

c d

cio vectorial V = ab ba : a; b 2 R . Encuentra un subespacio vectorial W tal
que M22 (R) = V W .
Solucion:
(a) Si u; v 2 Ker f y ; 2 R, entonces
f (u + v) = f (u) + f (v) = 0 + 0 = 0
de donde u + v 2 Ker f . Luego Ker f es un subespacio vectorial de V .
(b) Una base de V es

1 0
BV = 0 1
; 01 10 = f(1; 0; 0; 1); (0; 1; 1; 0)g
siendo esta ultima expresion respecto de la base usual de M22 (R). Extendiendo esta base con los
vectores (matrices):

0 0
f(0; 0; 1; 0); (0; 0; 0; 1)g = 1 0
; 00 01
se obtiene una base de M22(R). Luego

0 0
W =L 1 0
; 00 01
es un subespacio vectorial que verica: V W = M22 (R).
Ejercicio 2. Sea f : R3 ! R4 un homomorsmo que verica:

Ker f = L (f(1; 1; 1); (2; 1; 2); (0; 1; 0)g)

Im f = (x; y; z; t) 2 R4 : x + 2t = 0; x + z + t = 0; z + t = 0
(a) Halla una base del Ker f, y extiendela a una base B de R3 .
(b) Halla una base de Im f, y extiendela a una base B 0 de R4 .
(c) Halla la matriz de f respecto de las bases B y B 0 .
1
(d) Halla su matriz de f respecto de las bases canonicas de R3 y R4 .
Solucion:
(a) Usando operaciones elementales:
0 1 0 1 0 1
1 1 1 1 1 1 1 0 1
@2 1 2A ! @0 1 0A ! @0 1 0A
0 1 0 0 1 0 0 0 0
se obtiene una base del Ker f , BKer f = f(1; 0; 1); (0; 1; 0)g, que se completa con el vector (0; 0; 1)
para formar una base de R3 :
B = f(1; 0; 1); (0; 1; 0); (0; 0; 1)g

(b) Las ecuaciones parametricas de Im f son:
8
8
x + 2t = 0 >
> x=0
< <
x + z + t = 0 =) x = z = t = 0 =) y= ; 2R
:
z+t=0 >
>
:
z=0
t=0
Luego una base de Im f es BIm f = f(0; 1; 0; 0)g , que se puede extender hasta formar la base de R4 :
B 0 = f(1; 0; 0; 0); (0; 1; 0; 0); (0; 0; 1; 0); (0; 0; 0; 1)g = Bc0
que es la base canonica.
(c) La matriz de f respecto de las bases B y B 0 es
0 1
0 0 0
B
M f; B; B 0 = A = B0 0 aC
C ; a 6= 0
@0 0 0A
0 0 0
(d) Teniendo en cuenta que B 0 = Bc0 , que la matriz del cambio de base en R3 de B a Bc es
0 1
1 0 0
M (B; Bc) = P = 0 1 0A
@
1 0 1
y el siguiente diagrama:
(R3 )B
x
A
! (R4?)B0
? ?
?P 1 yI
(R3 )Bc
C
! (R4 )B0 c
la matriz de f respecto de las bases canonicas es:

0 1 0 1
0 0 0 0 0 1 0 0
1 0 0
B
M f; Bc; Bc0 = C = IAP 1 = B0 0 aC @ 0 1 0A = B a 0
C B aC
C ; a 6= 0
@0 0 0A @ 0 0 0A
1 0 1
0 0 0 0 0 0
2
Ejercicio 3. Sea f : R3 ! R3 el endomorsmo denido, respecto de la base canocica,
por la matriz
0 1
1 2 2
A = @2 1 2A
2 2 3
(a) Halla los autovalores de f y los subespacios propios asociados.
(b) Estudia si f es diagonalizable y, en caso armativo, halla una base en la que su
matriz sea diagonal.
(c) Halla A198 .
Solucion:
(a) El polinomio caracterstico es

1
2 2

P () = jA I j = 2 1 2
= ( + 1)2 ( 1)
2 2 3
luego los autovalores de f son = 1, de multiplicidad 2, y = 1, de multiplicidad 1. Los
subespacios propios son:
8 0 10 1 9
< 2 2 2 x =
S ( 1) = fv : (A + I )v = 0g = (x; y; z ) : @2 2 2A @y A = 0
: ;
2 2 2 z
= f(x; y; z ) : x + y z = 0g = L (f(1; 0; 1); (0; 1; 1)g )
8 0 10 1 9
< 0 2 2 x =
S (1) = fv : (A I )v = 0g = (x; y; z ) : @2 0 2A @y A = 0
: ;
2 2 4 z

= (x; y; z ) :
y z = 0 = L (f(1; 1; 1)g)
x z=0
(b) S, es diagonalizable porque todos los autovalores son reales y la dimension de los subespacios
propios coincide con la multiplicidad de los autovalores correspondientes. Respecto de la base
B = f(1; 0; 1); (0; 1; 1); (1; 1; 1)g
la matriz es diagonal:
0 1 0 1
1 0 0 1 0 1
D=@ 0 1 0A = P 1
AP con P = @0 1 1A
0 0 1 1 1 1
(c) Puesto que A = P DP 1 , se cumple que:
0 1
( 1)198 0 0
A = PD P = P
198 198 1 @ 0 ( 1)198 0 AP 1
= P IP 1
=I
0 0 1 198
3
Ejercicio 4.
(a) En R3 , dado el plano 2 x + y z = 2, encuentra las ecuaciones de la simetra S2
respecto de 2 .
(b) Sea S1 la simetra respecto del plano 1 z = 1, cuya ecuacion es:
0 01 0 1 0 10 1
x 0 1 0 0 x
@y 0 A = @0A + @0 1 0 A @ yA
z0 2 0 0 1 z
Halla las ecuaciones del movimiento M = S1 Æ S2 , demuestra que es un giro y
encuentra su eje.
Solucion:
(a) La matriz de la simetra respecto del plano 2 x + y z = 2 en la base B =
fv1 = (1; 0; 1); v2 = (0; 1; 1); v3 = (1; 1; 1)g, formada por dos vectores paralelos a 2 (v1 y v2 )
y otro ortogonal (v3 ), y en la base canonica son:
0 1
1 0 0
M (S2 ; B ) = @0 1 0A
0 0 1
0 10 10 1 1 0 1
1 0 1 1 0 0 1 0 1
1 1 2 2
M (S2 ; Bc ) = @0 1 1 A @0 1 0 A @0 1 1A = @ 2 1 2A = A
3
1 1 1 0 0 1 1 1 1 2 2 1
La simetra respecto del plano 2 sera S2 (u) = Au + b manteniendo jos los puntos del plano,
por ejemplo (1; 1; 0), luego:
0 1 0 1 0 1 0 1
1 1 @ 1A
1
4@ 1 A
S2 (1; 1; 0) = A 1 + b =
@ A 1 + b = 1A
@ =) b= 1
3 3
0 4 0 1
Por lo tanto:
0 1 0 1
1 2 2 1
1 4
S2 (u) = @ 2 1 2A u + @ 1 A
3 2 2 1 3 1
(b) Las ecuaciones del movimiento M = S1 Æ S2 son
0 12 0 1 0 13 0 1
1 0 0
1 1
2 2
4 1
0
M (u) = @0 1 0 A 4 @ 2 1 2A u + @ 1 A5 + @0A
0 0 1 3 2 2 1 3 1 2
0 1 0 1
1 2 2 4
1 1
= @ 2 1 2 Au + @ 4 A
3 2 2 1 3 10
El conjunto de vectores invariantes por este movimiento es

0 10 1 0 1 0 1
1@
1 2 2 x 1
4 x
x+y =3
M (u) = u () 2 1 2 A @y A + @ 4 A = @y A ()
z=1
3 2 2 1 z 3 10 z
que corresponde a una recta, luego el movimiento es un giro y este es el eje de giro.
4

ALGEBRA LINEAL

Para cada a 2 R se considera el subespacio vectorial
V (a) = L (f(1; a; 1; 1); (1; a; 1 a; 0); (0; 1; 2a; 2); (1; 1 + a; 1 + a; 2)g)
1. Hallar una base de V (a).
2. Estudiar si, para algun a 2 R, el vector u = (1; 1 + a; 1 + 2a; a + 3) pertenece a V (a).
3. Obtener las dimensiones de los subespacios V (0) + V (1) y V (0) \ V (1).

Sea f : R4 ! IP2 (R) una aplicacion lineal dada por f (a; b; c; d) = (a + b)x2 + bx + (c d).
1. Calcular la matriz de la aplicacion con respecto a las bases canonicas de R4 y usual de IP2 (R).
2. Calcular las ecuaciones implcitas de Ker f y las parametricas de Im f , especicando una base
de cada uno de ellos.
3. Razonar si f es monomorsmo (inyectiva), epimorsmo (sobreyectiva), isomorsmo (biyec-
tiva).

Sea la matriz
0 1
0 1 1
A=@ 1 2 1A
1 1 0
1. Hallar los autovalores de A, los subespacios propios asociados y la matriz P de cambio de
base tal que D = P 1 AP .
2. Demostrar que si y son dos autovalores distintos del endomorsmo f , y u y v son au-
tovectores de f asociados a y , respectivamente, entonces el conjunto fu; vg es linealmente
independiente.

Consideremos el subespacio vectorial S = (x; y; z ) 2 R3 : x + z = 0 .
1. Dar una base ortonormal del subespacio S .
2. Calcular la proyeccion ortogonal de v = (1; 1; 1) sobre S , y la distancia de v a S .
3. Obtener las ecuaciones, en la base canonica de R3 , de la simetra respecto del plano S .

Sea la conica de ecuacion x2 + y2 + 4xy x + y + 1 = 0.
1. Hallar su ecuacion reducida, dando el giro y la traslacion utilizadas.
2. Hallar el centro y los ejes. Dibujar la conica.

ALGEBRA LINEAL

Sea f : IP2 (R) ! IP2 (R) dada por
2
2
f ax + bx + c = 2(a )
c x + (c ) + b + 2c
a x
1. Calcular la matriz de la aplicacion f con respecto a la base usual de IP2 (R).

2. Calcular las ecuaciones implcitas de Ker f y las ecuaciones parametricas de Im f , especi-
cando una base de cada uno de ellos.
3. Razonar si f es isomorsmo (biyectiva).
1

4. Calcular f L 2x2 x +1 .

Sea
0 1
0 1 0
A = @ 0 0 1A
1 0 0
la matriz de una aplicacion ortogonal f : R3 ! R3 en la base canonica. Clasicar la aplicacion

f dando el plano de simetr a y/o el eje y angulo de giro, en su caso.

Probar que si fv1 ; ; vk g es un conjunto ortogonal de vectores en un espacio eucldeo V , entonces
el conjunto fv1 ; ; vk g es linealmente independiente.

En el espacio eucldeo R4 , con el producto escalar usual, se considera el subespacio vectorial

S = (x; y; z; u) 2 R4 : x +z u =0
Se pide:
1. Dar una base ortonormal de S .
2. Hallar el complementario ortogonal de S .
3. Calcular la proyeccion ortogonal de v = (1; 1; 1; 1) sobre S y la distancia de v a S .

Se considera la siguiente conica: 3x2 + 3y2 2xy 2 = 0.
2. Hallar el centro y los ejes. Dibujar la conica del enunciado.

ALGEBRA LINEAL
SOLUCIONES
Ejercicio 1. Para cada a 2 R se considera el subespacio vectorial

V (a) = L (f(1; a; 1; 1); (1; a; 1 a; 0); (0; 1; 2a; 2); (1; 1 + a; 1 + a; 2)g)
1. Hallar una base de V (a).
2. Estudiar si, para algun a 2 R, el vector u = (1; 1 + a; 1 + 2a; a + 3) pertenece a V (a).
3. Obtener las dimensiones de los subespacios V (0) + V (1) y V (0) \ V (1).
Solucion:
1.
0 1 0 1 0 1 0 1
1 a 1 1 1 a 1 1 1 a 1 1 1 a 1 1
B0 1 2a 2C B0 1 2a 2C B0 1 2a 2C B0 1 2a 2 C
B
@1 a 1 a
C
0A
!B
@0 0 a 1A
C !B
@0 0 a 1A
C !B
@0 0 a 1A
C
1 1+a 1+a 2 0 1 a 1 0 0 a 1 0 0 0 0
luego una base de V (a) es:
BV (a) = fu1 = (1; a; 1; 1); u2 = (0; 1; 2a; 2); u3 = (0; 0; a; 1)g
2.
0 1 0 1 0 1 0 1
u1 1 a 1 1 1 a 1 1 1 a 1 1
Bu2 C B0 1 2a 2 C B0 1 2a 2 C B0 1 2a 2C
B C=B
@u3 A @0 0 a 1 A
C !B
@0 0 a 1 A
C !B
@0 0 a 1A
C
u 1 1 + a 1 + 2a a + 3 0 1 2a a + 2 0 0 0 a
luego u 2 V (a) s y solo s a = 0.
3. Puesto que
BV (0) = f(1; 0; 1; 1); (0; 1; 0; 2); (0; 0; 0; 1)g y BV (1) = f(1; 1; 1; 1); (0; 1; 2; 2); (0; 0; 1; 1)g
entonces

V (0) + V (1) = L BV (0) [ BV (1) = R4
de donde dim(V (0) + V (1)) = 4, y de aqu:
dim(V (0) \ V (1)) = dim V (0) + dim V (1) dim(V (0) + V (1)) = 3 + 3 4=2
Ejercicio 2. Sea f : R4 ! IP (R) una aplicacion lineal dada por

2
f (a; b; c; d) = (a + b)x2 + bx + (c d)
1
1. Calcular la matriz de la aplicacion con respecto a las bases canonicas de R4 y
usual de IP2 (R).
2. Calcular las ecuaciones implcitas de Ker f y las parametricas de Im f, especi-
cando una base de cada uno de ellos.
3. Razonar si f es monomorsmo (inyectiva), epimorsmo (sobreyectiva), isomor-
smo (biyectiva).
Solucion:
1. Considerando la base canonica Bc de R4 y la usual B = 1; x; x2 de IP2 (R),
0 1
0
0 0 1
1
1 B C
a 0 0 1
0 1
1
f (a; b; c; d) = (c d; b; a + b) = @0 1 0 0 AB
bC luego M (f; Bc ; B ) = @0 1 0 0A
@cA
1 1 0 0 1 1 0 0
d
2. Las ecuaciones implcitas del nucleo son:
8 8
< c d=0 < a=0
f (a; b; c; d) = (c d; b; a + b) = 0 =) b = 0 =) b=0
: :
a+b =0 c d=0
luego una base del nucleo es BKer f = f(0; 0; 1; 1)g . La imagen es
Im f = L (ff (1; 0; 0; 0); f (0; 1; 0; 0); f (0; 0; 1; 0); f (0; 0; 0; 1)g )
= L (f(0; 0; 1); (0; 1; 1); (1; 0; 0); ( 1; 0; 0)g )

= L (1; 0; 0) = 1; (0; 1; 0) = x; (0; 0; 1) = x2 = IP2 (R)
luego sus ecuaciones parametricas y una base son:

8
< p0 =
p1 = ; ; ; 2 R y BImgf = 1; x; x2
:
p2 =
3.

Ker f 6= f0g =) f no es monomorsmo
=) f no es isomorsmo
Im f = IP2 (R) =) f es epimorsmo
Ejercicio 3. Sea la matriz

0 1
0 1 1
A=@ 1 2 1A
1 1 0
1. Hallar los autovalores de A, los subespacios propios asociados y la matriz P de
cambio de base tal que D = P 1 AP .
2. Demostrar que si y son dos autovalores distintos del endomorsmo f, y u y
v son autovectores de f asociados a y , respectivamente, entonces el conjunto
fu; vg es linealmente independiente.
2
Solucion:
1. El polinomio caractrstico y sus autovalores son:

1 1
= 0 (simple)
P () = jA I j = 1 2 1 = ( 1) = 0 =)
2
= 1 (doble)
1 1
Los subespacios propios son:
8 0 10 1 9
< 0 1 1 x =
S (0) = v : (A 0 I )v = @ 1 2 1A @y A = 0
: ;
1 1 0 z
8 9
< y z=0 =
x y =0

= v : x + 2y z = 0 = v : y z = 0 = L (f(1; 1; 1)g)
:
x+y =0 ;
8 0 10 1 9
< 1 1 1 x =
S (1) = v : (A I )v = @ 1 1 1A @y A = 0 = fv : x + y z = 0g
: ;
1 1 1 z
= L (f(1; 0; 1); (0; 1; 1)g )
Puesto que el subespacio propio asociado al autovalor de multiplicidad dos tiene dimension dos, la
matriz es diagonalizable, siendo la matriz diagonal y la matriz del cambio de base, respectivamente:
0 1 0 1
0 0 0 1 1 0
D = @0 1 0A y P = @1 0 1A
0 0 1 1 1 1
con D = P 1 AP .
2. Consultar la teora de la asignatura.

Ejercicio 4. Consideremos el subespacio vectorial S = (x; y; z ) 2 R3 : x + z = 0 .
1. Dar una base ortonormal del subespacio S.
2. Calcular la proyeccion ortogonal de v = (1; 1; 1) sobre S, y la distancia de v a S.
3. Obtener las ecuaciones, en la base canonica de R3 , de la simetra respecto del
plano S.
Solucion:
1. Una base ortogonal de S es BOTG = f(1; 0; 1); (0; 1; 0)g , luego una base ortonormal es:

1
BOTN = u1 = p (1; 0; 1); u2 = (0; 1; 0)
2
2.
proyS v = hv; u1 i u1 + hv; u2 i u2 = p1 0 u 1 + ( 1) u2 = (0; 1; 0)
2
p
d(v; S ) = kproyS ? vk = kv proyS vk = k(1; 0; 1)k = 2
3
3. La base ortogonal de S se completa con un vector u3 = (1; 0; 1) 2 S ? para formar una base de
R3 :
B = fu1 = (1; 0; 1); u2 = (0; 1; 0); u3 = (1; 0; 1)g
En esta base, la matriz de la simetra respecto del plano S es
0 1
1 0 0
M (f; B ) = A = 0 1
@ 0A
0 0 1
siendo la matriz de cambio de la base B a la base canonica Bc :
0 1
1 0 1
M (B; Bc ) = P = @ 0 1 0A
1 0 1
Luego la matriz de la simetra respecto de la base canonica, y sus ecuaciones son:
0 1
0 0 1
M (f; Bc ) = P AP 1 = @ 0 1 0A de donde f (x; y; z ) = ( z; y; x)
1 0 0
Ejercicio 5. Sea la conica de ecuacion x2 + y2 + 4xy x + y + 1 = 0.

2. Hallar el centro y los ejes. Dibujar la conica.
Solucion:
1. La forma matricial de la conica es

x y
1 2 x + 1 1
x +1=0
2 1 y y

A = 12 21 jA I j
1 2 1 = 3
; =
2 1 = ( 3)( + 1) =) 2 = 1

S (3) = v : (A 3I )v = 22 22 xy = 0 = fv : x y = 0g = L (f(1; 1)g)

2 2 x
S ( 1) = v : (A + I )v = 2 2 y = 0 = fv : x + y = 0g = L (f( 1; 1)g)
y los vectores que forman la base ortonormal de autovectores son
v1 = p1 (1; 1) 2 S (3) y v2 = p1 ( 1; 1) 2 S ( 1)
2 2
Aplicando a la conica el giro
t
x1 = P t x = p1 11 1 x = p1 1 1 x
y1 y 2 1 y 2 1 1 y
4
que corresponde a un giro de centro el origen y angulo 45o , se obtiene

y1 P t AP x1 + x

x1 y1 1 1 P 1 +1=0
y1
y operando:
p 2
3x21 y12 + 2y1 + 1 = 0 =) 3x21 y1 p1 =
3
2
2
Si ahora se aplica la traslacion
(
x1 = x2
y1 = y2 + p12
se llega a
3 x2 y22
3x22 y22 = =) 12 = 1
2 2
3
2
que es la ecuacion reducida de la conica, que corresponde a una hiperbola.

2. Aplicando la traslacion y el giro al centro y ejes de la conica reducida, se obtienen el centro y
ejes de la conica original. El centro es

1 1 1 =2 1 1
C = (0; 0)2 =) C = (0; p )1 =) C = p 11 1
1
1=2
=) C = ;
2 2 2 2
Los ejes son las rectas que pasan por el centro y cuyos vectores de direccion son los trasladados y
girados de los vectores (1; 0)2 y (0; 1)2 , que coinciden con los vectores propios, luego:
(
x+ 21 = y 12
x+y =0
x+ 21 = y 12 =) x y + 1 = 0
1 1
1 1
La representacion graca de la conica es la de la gura.
Figure 1: Representacion graca de la conica x2 + y2 + 4xy x+y+1=0
5

ALGEBRA LINEAL
SOLUCIONES
Ejercicio 1. Sea f : IP2 (R) ! IP2(R) dada por

f ax2 + bx + c = 2(a c)x2 + (c a)x + b + 2c
1. Calcular la matriz de la aplicacion f con respecto a la base usual de IP2 (R).
2. Calcular las ecuaciones implcitas de Ker f y las ecuaciones parametricas de Im f,
especicando una base de cada uno de ellos.
3. Razonar si f es isomorsmo (biyectiva).

4. Calcular f 1 L 2x2 x+1 .
Solucion:
1. Si B = 1; x; x2 es la base usual de IP2 (R), entonces
0 10 1 0 1
2 1 0 c 2 1 0
f (c; b; a) = (b + 2c; c a; 2a 2c) = @ 1 0 1A @ b A =) M (f; B ) = A = @ 1 0 1A
2 0 2 a 2 0 2
2. Las ecuaciones implcitas del nucleo son
0 10 1 8
2 1 0 c < 2c + b = 0
c a=0
f (c; b; a) = 1 0
@ 1 A @ b A = 0 =) c a = 0 =) Ker f 2c + b = 0
:
2 0 2 a 2c + 2 a = 0
de donde las ecuaciones parametricas, y una base del nucleo, son
8
< c=
Ker f : b = 2 =) BKer f = f(1; 2; 1)g = 1 2x + x2
a=
La imagen es el subespacio generado por las columnas de la matriz, luego
0 1 0 1
2 1 2 1 0 0
At = @1 0 0 A ! @0 1 2A =) Im f = L (f(1; 0; 0); (0; 1; 2)g )
0 1 2 0 0 0
de donde una base de la imagen, y sus ecuaciones parametricas, son
8
< c0 =
BIm f = f(1; 0; 0); (0; 1; 2)g = 1; x 2x 2
e Im f : b0 =
a0 = 2
3. Puesto que Ker f 6= f0g, f no es isomorsmo.
1

4. Se hallan las ecuaciones implcitas de L 2x2 x+1 :
8
< c0 = 0 0 0
b = =) 2cc0 + ab0 =
0
L 2x 2
x+1 = L (f(1; 1; 2)g) =)
=0
:
a0 = 2
y entonces

f 1
L 2x2 x + 1 = (c; b; a) : f (c; b; a) = (b + 2c; c a; 2a 2c) 2 L 2x2 x + 1

(b + 2c) + (c a) = 0
= (c; b; a) : = f(c; b; a) : 3c + b a = 0g
2(b + 2c) (2a 2c) = 0
8 9
< c= =
= (c; b; a) : b = = L (f(1; 0; 3); (0; 1; 1)g )
:
a = 3 + ;

= L 1 + 3x2 ; x + x2
Ejercicio 2. Sea
0 1
0 1 0
A=@ 0 0 1A
1 0 0
la matriz de una aplicacion ortogonal f : R3 ! R3 en la base canonica. Clasicar la

aplicacion f dando el plano de simetra y/o el eje y angulo de giro, en su caso.
Solucion:

1 0
jA I j = 0 1 = 3 + 1 = ( 1)(2 + + 1)
1 0
Puesto que = 1 es el unico autovalor real, y su multiplicidad es uno, la aplicacion f es un giro de
eje S (1). Las ecuaciones de S (1) son:
0 10 1
1 1 0 x
x y = 0

@ 0 1 1A @y A = 0 =)
1 0 1 z x+z =0
que corresponde a la recta x = y = z que pasa por el origen con vector de direccion (1; 1; 1). El
angulo de giro es
traza(A) 1 1 2
= arccos = arccos = 120o =
2 2 3
Ejercicio 3. Probar que si fv1 ; ; vk g es un conjunto ortogonal de vectores en un

espacio eucldeo V , entonces el conjunto fv1 ; ; vk g es linealmente independiente.
Solucion: Consultar la teora de la asignatura.
2
Ejercicio 4. En el espacio eucldeo R4 , con el producto escalar usual, se considera el
subespacio vectorial

S = (x; y; z; u) 2 R4 : x + z u = 0
Se pide:
1. Dar una base ortonormal de S.
2. Hallar el complementario ortogonal de S.
3. Calcular la proyeccion ortogonal de v = (1; 1; 1; 1) sobre S y la distancia de v a S.
Solucion:
1. Las ecuaciones parametricas y una base de S son
8
>
> x= +
<
y= =) B = fv1 = (1; 0; 0; 1); v2 = (0; 1; 0; 0); v3 = ( 1; 0; 1; 0)g
>
>
:
z=
u=
Aplicando el proceso de ortogonalizacion de Gram-Schmidt:
u1 = v1 = (1; 0; 0; 1)
u2 = v2 = (0; 1; 0; 0)

u3 = v3
hv3; u1 i u hv3; u2 i u = ( 1; 0; 1; 0) 1
(1; 0; 0; 1)
0
(0; 1; 0; 0) =
1
; 0; 1;
1
ku1k2 1 ku2 k2 2 2 1 2 2
con lo que se obtiene la base ortogonal:
BOTG = f(1; 0; 0; 1); (0; 1; 0; 0); (1; 0; 2; 1)g
y, normalizando, la base ortonormal:

(1; 0; 0; 1) (1; 0; 2; 1)
BOTN = w1 = p ; w2 = (0; 1; 0; 0); w3 = p
2 6
2. La dimension de S ? es
dim S ? = dim R4 dim S = 4 3=1
luego
8 9
< a+d=0 =
?
S = fw = (a; b; c; d) : hw; w1 i = hw; w2 i = hw; w3 i = 0g = w = (a; b; c; d) : b=0
: ;
a 2c d = 0
= fw = (; 0; ; ) : 2 Rg = L (fw = (1; 0; 1; 1)g )
3. Si v = (1; 1; 1; 1), entonces
proyS v = hv; w1 i w1 + hv; w2 i w2 + hv; w3 i w3 = p2 0 w1 + 1 w2 + p2 w3

2
6
1 2 1 2 2 4
= (1; 0; 0; 1) + (0; 1; 0; 0) + ; 0; ; = ; 1; ;
3 3 3 3 3 3

1 1 1
d(v; S ) = kproyS ? vk = kv proyS vk = ; 0; ; = p1
3 3 3 3
3
Ejercicio 5. Se considera la siguiente conica: 3x2 + 3y2 2xy 2 = 0.
2. Hallar el centro y los ejes. Dibujar la conica del enunciado.
Solucion:
1. La forma matricial de la conica es

x y
3 1 x 2=0
1 3 y

3 1
jA I j
3 1 1 = 2
A= 1 3
; =
1 3 = ( 2)( 4) =) 2 = 4

1 1 x
S (2) = v : (A 2I )v =
1 1 y = 0 = fv : x y = 0g = L (f(1; 1)g)

1 1 x
S (4) = v : (A 4I )v = = 0 = fv : x + y = 0g = L (f( 1; 1)g)
1 1 y
y los vectores que forman la base ortonormal de autovectores son
v1 = p1 (1; 1) 2 S (2) y v2 = p1 ( 1; 1) 2 S (4)

2 2
Aplicando a la conica el giro
t
x1 = P t x = p1 11 1 x = p1 1 1 x
y1 y 2 1 y 2 1 1 y
con centro el origen y angulo 45o , se obtiene

y1 P t AP x1

x1 y1 2=0
y operando:
y12
2x21 + 4y12 = 2 =) x21 + 1 =1
2
que es la ecuacion reducida de la conica, que corresponde a una elipse. No es necesario usar
traslaciones.
2. Aplicando el giro al centro y ejes de la conica reducida, se obtienen el centro y ejes de la conica
original. Por lo tanto, el centro de la conica es el origen, y los ejes son las rectas que pasan por el
centro y cuyos vectores de direccion son los girados de los vectores (1; 0)1 y (0; 1)1 , que coinciden
con los vectores propios, luego:
x =y
1 1 =) x+y =0
x=y x y=0
1 1
La representacion graca de la conica es la de la gura.
4
Figure 1: Representacion graca de la conica 3x2 + 3y2 2xy 2=0
5

ALGEBRA LINEAL
PARCIAL (31/03/00) GRUPO 12M
Problema 1.
En R4 se consideran los subespacios
S = L (f(1; 0; 1; 2); (1; 1; 1; 1); (1; 2; 5; 8)g )
T = f(x1 ; x2 ; x3 ; x4 ) : x1 2x2 3x3 = 0; x2 + 2x3 x4 = 0g
(a) (4 puntos) Halla, si es posible, un subespacio que sea a la vez suplementario de S y de T .

(b) (4 puntos) Halla la dimension y una base de los subespacios S \ T y S + T .
(c) (4 puntos) Halla las ecuaciones implcitas del hiperplano paralelo a S que pasa por los puntos
A(1; 0; 2; 1) y B (2; 1; 3; 1).
Problema 2.
Sea f : P2 (R) ! R3 la aplicacion lineal denida por

f a + bx + cx2 = (a + 2b + c; b + c; a + b + 2c)
(a) (4 puntos) Halla su matriz (respecto de las bases canonicas) y bases del nucleo e imagen.
(b) (4 puntos) Halla una base de f 1 (L (f(2 1 1)g)).
; ;
(c) (3 puntos) >Es un subespacio vectorial la imagen de todos los polinomios que se anulan en
x = 0? En caso armativo, halla una base de dicho subespacio.
(d) (2 puntos) Si S es un subespacio suplementario de Im f en R3 , >quien es f 1 (S )?


ALGEBRA LINEAL
SOLUCIONES
Problema 1. En R4 se consideran los subespacios

S = L (f(1; 0; 1; 2); (1; 1; 1; 1); (1; 2; 5; 8)g )
T = f(x1 ; x2 ; x3 ; x4 ) : x1 2x2 3x3 = 0; x2 + 2x3 x4 = 0g
(a) Halla, si es posible, un subespacio que sea a la vez suplementario de S y de T .
(b) Halla la dimension y una base de los subespacios S \ T y S + T .
(c) Halla las ecuaciones implcitas del hiperplano paralelo a S que pasa por los puntos
A(1; 0; 2; 1) y B (2; 1; 3; 1).
Solucion:
(a) Se halla una base de S :
0 1 0 1 0 1
1 0 1 2 1 0 1 2 1 0 1 2
@1 1 1 1A ! @0 1 2 3A ! @0 1 2 3A
1 2 5 8 0 2 4 6 0 0 0 0
de donde BS = fu1 = (1; 0; 1; 2); u2 = (0; 1; 2; 3)g , y una base de T :
8
x1 = + 2
>
>
<
x1 2x2 3x3 = 0
=)
x2 = 2 + ; ; 2R
x2 + 2x3 x4 = 0 > x3 =
>
:
x4 =
de donde BT = fv1 = ( 1; 2; 1; 0); v2 = (2; 1; 0; 1)g , o mejor:

1 2 1 0 1 2 1 0
! =) BT0 = v10 = (1; 2; 1; 0); v20 = (0; 3; 2; 1)
2 1 0 1 0 3 2 1
Estas dos bases se pueden extender, con los vectores e3 = (0; 0; 1; 0) y e4 = (0; 0; 0; 1), para formar
una base de R4 , luego
R = L (f(0; 0; 1; 0); (0; 0; 0; 1)g )
es, a la vez, suplementario de S y de T .
(b) S + T es el subespacio generado por BS [ BT , luego
0 1 0 1 0 1 0 1
1 0 1 2 1 0 1 2 1 0 1 2 1 0 1 2
B 0 1 2 3C B0 1 2 3C B0 1 2 3C B0 1 2 3C
B
@ 1 2 1 0A
C !B
@0 2 0 2A
C !B
@0 0 4
C
4A
!B
@0 0 1
C
1A
2 1 0 1 0 1 2 3 0 0 0 0 0 0 0 0
de donde
BS +T = f(1; 0; 1; 2); (0; 1; 2; 3); (0; 0; 1; 1)g y dim(S + T ) = 3
1
y, por tanto, dim(S \ T ) = 1. Para que un vector u = u1 + u2 = (; ; + 2; 2 3 ) 2 S
pertenezca tambien a T , ha de vericar sus ecuaciones implcitas, es decir:

2 3( + 2 ) = 0
+ 2( + 2 ) (2 3 ) = 0 =) 2 = 0 =) = 2
Luego
S \ T = fu = 2u1 + u2 = (2; ; 0; ) : 2 Rg = L (f(2; 1; 0; 1)g )
y BS \T = f(2; 1; 0; 1)g .
(c) Puesto que S = L (fu1 = (1; 0; 1; 2); u2 = (0; 1; 2; 3)g ), el hiperplano pedido es
H ! + L nu ; u ; AB
OA !o
1 2
!
con AB = (1; 1; 1; 2), cuyas ecuaciones parametricas son:
8
>
> x1 = 1 + +
<
x2 = ; ; ; 2 R
>
> x3 = 2 + 2 +
:
x4 = 1 + 2 3 + 2
Eliminando parametros:
0 1 0 1
1 0 1 x1 1 1 0 1 x1 1
B
B 0 1 1 x2 C C
B 0
!B 1 1 x2 C
C !
@ 1 2 1 x3 2 A @ 0 2 2 x1 + x3 3 A
2 3 2 x4 + 1 0 30 2x1 + x4 + 3
0 1 0 1
1 0 1 x1 1 1 0 1 x1 1
B
B 0 1 1 x2 C
C
B 0
!B 1 1 x2 C
C
@ 0 0 4 x1 2x2 + x3 3 A @ 0 0 4 x1 2x2 + x3 3 A
0 0 3 2x1 + 3x2 + x4 + 3 0 0 0 5x1 + 6x2 + 3x3 + 4x4 + 3
la ecuacion implcita del hiperplano es 5x1 6x 2 3x3 4x4 = 3.
Problema 2. Sea f : P (R) ! R la aplicacion lineal denida por

2
3

f a + bx + cx2 = (a + 2b + c; b + c; a + b + 2c)
(a) Halla su matriz (respecto de las bases canonicas) y bases del nucleo e imagen.
(b) Halla una base de f 1
(L (f(2; 1; 1)g)).
(c) >Es un subespacio vectorial la imagen de todos los polinomios que se anulan en
x = 0? En caso armativo, halla una base de dicho subespacio.
(d) Si S es un subespacio suplementario de Im f en R3 , >quien es f 1 (S )?
Solucion:
(a) La matriz de la aplicacion lineal es
0 10 1 0 1
1 2 1 a 1 2 1
f a + bx + cx 2
= f (a; b; c) = 0 1 1
@ A @ b =) M (f; Bc; Bc ) = 0 1 1A
A @
1 1 2 c 1 1 2
2
Una base de la imagen es
0 1 0 1 0 1
1 0 1 1 0 1 1 0 1
@2 1 1A ! @0 1 3A ! @0 1 3 A =) BIm f = f(1; 0; 1); (0; 1; 3)g
1 1 2 0 1 3 0 0 0
Las ecuaciones del nucleo son:
8 8
< a + 2b + c = 0
a +b=0 < a=
f (a; b; c) = 0 =) b+c=0 =)
b + c = 0 =) : bc = ; 2R
:
a + b + 2c = 0 =

y una base BKer f = (1; 1; 1) = 1 x + x2 .
(b) Se hallan las ecuaciones implcitas de L (f(2; 1; 1)g ):
8
< x = 2
y = ; 2 R =) xx 22yz =
=0
0
:
z=
y entonces
f 1
(L (f(2; 1; 1)g)) = fp = (a; b; c) : f (a; b; c) = (a + 2b + c; b + c; a + b + 2c) 2 L (f(2; 1; 1)g)g

a + 2b + c 2(b + c) = 0
= p = (a; b; c) :
a + 2b + c 2( a + b + 2c) = 0 = fp = (a; b; c) : a c = 0g
Una base es
8
< a=
a c = 0 =) b = ; ; 2 R =) B = (1; 0; 1) = 1 + x2 ; (0; 1; 0) = x
:
c=
(c) Si, pues el conjunto P de todos los polinomios que se anulan en x = 0 es un subespacio vectorial:

P = p = p(x) = a + bx + cx2 : p(0) = 0 = p = bx + cx2 : b; c 2 R = L x; x2
Ademas

f (P ) = L f (x); f (x2 ) = L (ff (0; 1; 0); f (0; 0; 1)g ) = L (f(2; 1; 1); (1; 1; 2)g )
de donde Bf (P ) = f(2; 1; 1); (1; 1; 2)g .

(d) Si R3 = S Im f , entonces S \ Im f = f0g, de donde
f 1 (S ) = f 1 (0) = Ker f
3
APELLIDOS: NOMBRE:
Teora. (5 puntos)
Demostrar que, en un espacio vectorial , las coordenadas de un vector respecto de una base
V
B =f 1 2 n g son u
v ;v ;::: ;v nicas.
Problema 1. (5 puntos)
En R4 se consideran los subespacios vectoriales
S = (f(1 0 1 0) (1 ;1 0 0)g )
L ; ; ; ; ; ; ;
T = f( 1 2 3 4 ) : 1 = 0 2 ;
x ;x ;x ;x x ; x x3 = 0g
Obtener bases de \ y de + .
S T S T
Problema 2.
Sea : R3 ;! R3 un endomorsmo cuya matriz respecto de la base canonica,
f Bc =f e1 ; e2 ; e3 g, es
0 0 2 11
M ( f; Bc ) = @ ;1 ;3 ;1 A
2 4 1
Se pide:
1. (5 puntos) Hallar las ecuaciones implcitas del nucleo y de la imagen.
2. (5 puntos) Hallar la matriz del endomorsmo respecto de la base
B = f 1 = (;1 1 1)
u ; ; ; u2 = (1 ;1 0)
; ; ; u3 = (;1 0 2)g
; ;
3. (5 puntos) Hallar los autovalores, subespacios propios asociados y, si es diagonalizable, dar la

matriz diagonal y la matriz asociada de cambio de base.

ALGEBRA LINEAL
SOLUCIONES
Problema 1. En R4 se consideran los subespacios vectoriales

S = L (f(1; 0; 1; 0); (1; 1; 0; 0)g )
T = f(x1 ; x2 ; x3 ; x4 ) : x1 = 0 ; x2 x3 = 0g
Obtener bases de S \ T y de S + T .
Solucion: Las ecuaciones parametricas de S son
8
>
>
>
x1 = +
>
<
x2 =
>
>
>
x3 =
>
:
x4 = 0
y, eliminando par
ametros, se obtienen sus ecuaciones impl
citas:
0 1 0 1 0 1
1 1

x1 1 1

x1 1 1

x1
x2 C !B x2 !B x2 x1 + x2 x3 = 0
x1 + x2 x3 A =)
B0 1 B0 1 C B0 1 C
B C C C
@1 0

x3 A @ 0 1

x1 x3 A @ 0 0

x4 = 0
0 0
x4 0 0
x4 0 0
x4
Las ecuaciones param
etricas, y una base de T son:
8
>
>
x1 = 0
<
x2 = ) BT f ; ; ; ; ; ; ; g
>
>
:
x3 = = = (0 1 1 0) (0 0 0 1)
x4 =
Las ecuaciones impl
citas y param
etricas de S\T son:
8 8
>
>
x1 + x2 x3 = 0 8
x1 >
>
x1 = 0
<
x4 = 0
):
<
x2 x3
= 0
)>
<
x2 =
>
>
:
x1 = 0
=
x4
= 0 =
>
:
x3 =
x2 x3 = 0
= 0
x4 = 0
luego una base de S\T es BS \T = f ; ; ; g
(0 1 1 0) .
El subespacio S + T es generado por la uni

on de las bases de los dos subespacios, entre cuyos
vectores se busca un sistema de generadores linealmente independientes:
0 1 0 1 0 1
1 0 1 0 1 0 1 0 1 0 1 0
!B !B
B1 1 0 0C B0 1 1 0C B0 1 1 0C
B C C C
@0 1 1 0A @ 0 0 0 1A @ 0 0 0 1A
0 0 0 1 0 1 1 0 0 0 0 0
Luego una base de S+T es:
BS +T = f ; ; ; ; ; ; ; ; ; ; ; g
(1 0 1 0) (0 1 1 0) (0 0 0 1)
1
Problema 2. Sea f : R3 ! R3 un endomorsmo cuya matriz respecto de la base
canonica, Bc = fe1 ; e2 ; e3 g, es
0 1
0 2 1
M (f; Bc) = @ 1 3 1 A
2 4 1
Se pide:
1. Hallar las ecuaciones implcitas del nucleo y de la imagen.
2. Hallar la matriz del endomorsmo respecto de la base
B = fu1 = ( 1; 1; 1); u2 = (1; 1 0); ; u3 = ( ; ;
1 0 2) g
3. Hallar los autovalores, subespacios propios asociados y, si es diagonalizable, dar
la matriz diagonal y la matriz asociada de cambio de base.
Solucion:
1. Las ecuaciones implcitas del nucleo son
0 10 1 8
0 2 1 x < 2y + z = 0
x + 4y + z = 0
@ 1 3 1 A @ y = 0 =)
A x 3y z = 0 )
=
2
2y + z = 0
:
2 4 1 z 2x + 4y + z = 0
La imagen est
a generada por las im
agenes de los vectores de la base, que son las columnas de la
matriz de la aplicaci
on.
0 1 0 1 0 1 0 1
0 1 2 1 1 1 1 1 1 1 1 1
@2 3 4A !@ 0 1 2A !@ 0 1 2A !@ 0 1 2A
1 1 1 2 3 4 0 1 2 0 0 0
luego una base es BIm f = f ; ; ; ; ;

(1 1 1) (0 1 g
2) , de la que se obtienen sus ecuaciones param
etricas
y, a partir de
estas eliminando par
ametros, las impl
citas:
8
< x=
:
y = + = )x +2 y+z =0
z = 2
2. Sean A = M (f; Bc), y B = M (f; B ). El cambio de base se puede expresar en el siguiente
diagrama:
Rx3Bc A! R3 0 1
Bc
x 1 1 1
?
?P
?
? P donde P = M (B; Bc ) = @ 1 1 0 A
R3B B! R3 1 0 2
B
de donde:
0 10 10 1 0 1
2 2 1 0 2 1 1 1 1 3 2 2
B = M (f; B ) = P 1 AP = @ 2 1 1A @ 1 3 1A @ 1 1 0 A = @6 4 3 A
1 1 0 2 4 1 1 0 2 0 0 1
2
3. El polinomio caractr
stico y sus autovalores son:

2 1
= 0 (simple)
P () = jA I j

= 1

1 = ) 2 = 0 =)

2
3
4 1

( + 1)
= 1 (doble)
Los subespacios propios son:
S (0) = fv : ( A 0 I v Av
) = = 0 g = Ker f = L (f(1; 1; 2)g)
8 0 10 1 9
< 1 2 1 x =
S( 1) = v : ( A + I )v = @ 1 2 1A @ y A = 0 = f v : x + 2 y + z = 0g =
: ;
2 4 2 z
= L (f(1; 0; ; ; ;
1) (0 1 2) )g
Puesto que el subespacio propio asociado al autovalor de multiplicidad dos tiene dimensi
on dos, la
matriz es diagonalizable, siendo la matriz diagonal y la matriz del cambio de base, respectivamente:
0 1 0 1
0 0 0 1 1 0
D = @0 1 0 A y Q=@ 1 0 1 A
0 0 1 2 1 2
con D = Q 1 AQ.

Lgebra Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lgebra Lineal

Cargado por

Copyright:

Formatos disponibles

Águeda Mata y Miguel Reyes, Dpto.

de Matemática Aplicada, FI-UPM 1

1 Matrices y Sistemas lineales de ecuaciones

1.1 Operaciones elementales por filas

1. Intercambiar dos filas.

2. Multiplicar una fila por un número real no nulo.

1.2 Matrices elementales

1.3 Relación entre operaciones y matrices elementales

1.4 Formas escalonada y canónica de una matriz. Rango

donde E = Ep · Ep−1 · . . . · E2 · E1 se llama matriz de paso de A a B.

se hacen las operaciones elementales necesarias adosándole la matriz identidad:

1.5 Matriz inversa

Algoritmo para el cálculo de la matriz inversa

1. Se considera la matriz (A | I).

2. Se obtiene una forma escalonada (Ar | E r ).

3. Si Ar tiene algún cero en la diagonal principal, entonces la matriz A es singular (no es

4. Si Ar no tiene ceros en la diagonal principal, entonces A es regular (es invertible) y se

5. La matriz inversa es A−1 = E.

1.6 Sistemas lineales

con aij , bi ∈ R, que se puede expresar en forma matricial como

Ax = b con A ∈ Mm×n , x ∈ Mn×1 , y b ∈ Mm×1

Las matrices A ∈ Mm×n y A = (A | b) ∈ Mm×(n+1) se llaman, respectivamente, matriz de

Clasificación de sistemas lineales

Sistema incompatible ⇐⇒ No tiene soluciones

Es decir, los sistemas Ax = b y A0 x = b0 son equivalentes.

1.7 Método de Gauss

1. Se considera la matriz ampliada (A | b).

2. Se obtiene una matriz escalonada (Ar | br ).

3. Se resuelve el sistema equivalente Ar x = br por el método de ascenso.

y se resuelve, por el método de ascenso, el sistema equivalente:

1.8 Teorema de Rouché-Frobenius

1. Si rg A 6= rg (A | b), el sistema es incompatible.

2. Si rg A = rg (A | b) = n, el sistema es compatible determinado.

3. Si rg A = rg (A | b) = k < n, el sistema es compatible indeterminado, y su solución depende

1.9 Resolución de sistemas lineales por el método de Gauss

1. Se considera la matriz ampliada (A | b).

2. Se obtiene una matriz escalonada (Ar | br ).

3. Entonces, se pueden presentar los siguientes casos:

(a) Si rg Ar 6= rg (Ar | br ), el sistema es incompatible. No hay soluciones.

(b) Si rg Ar = rg (Ar | br ) = n, el sistema es compatible determinado. Sus única solución

se obtiene, en primer lugar, la matriz reducida de la ampliada:

Puesto que rg Ar = rg (Ar | br ) = 3 < 5 el sistema es compatible indeterminado. Sus soluciones

1.10 Sistemas lineales homogéneos

2. Si rg A = k < n, el sistema homogéneo es compatible indeterminado, y su solución depende

se calcula una matriz escalonada de la matriz de coeficientes (no es necesario considerar la

Puesto que rg A = 2, el sistema es compatible indeterminado con solución dependiente de

1.11 Eliminación de parámetros

es compatible, es decir que se verifica:

se impone la condición de que el sistema

tiene solución (es compatible), para lo que se necesita que:

con lo que se tiene la condición:

verificando las siguientes propiedades:

(a) Conmutativa: u + v = v + u, ∀u, v ∈ V .

2. Producto por un escalar:

verificando las siguientes propiedades:

Los elementos de un espacio vectorial se llaman vectores.

1. El conjunto de n-uplas de números reales:

Rn = {x = (x1 , x2 , . . . , xn ) = (xi )1≤i≤n : xi ∈ R, 1 ≤ i ≤ n}

con las operaciones:

2. El conjunto de matrices de dimensión n × m:

con las operaciones: suma de matrices y producto por números reales.

3. El conjunto de todos los polinomios con coeficientes reales en la variable x:

con las clásicas operaciones de suma y producto por números reales.

4. El conjunto de todos los polinomios, con coeficientes reales en la variable x, de grado