III Transformaciones Lineales y Matrices

Dr.
Isaias Ochoa Landín Página 1 08/12/2021
3. Transformaciones Lineales y Matrices

3.1 Espacios vectoriales
3.1.1 Espacio euclidiano n-dimensional
La idea de usar parejas de números para localizar puntos en el plano y
ternas para localizar puntos en el espacio tridimensional se concibió por
primera vez con claridad a mediados del s. XVII. A fines del s. XIX,
matemáticos y físicos empezaron a darse cuenta que no era necesario
quedarse en las ternas. Se reconoció que los conjuntos ordenados de cuatro
números (a1, a2, a3, a4) podían considerarse como puntos en el espacio
“tetradimensional”, los conjuntos ordenados de cinco números (a1, a2, a3, a4, a5)
como puntos en el espacio “pentadimensional”, etc. Aún cuando la concepción
geométrica no se extiende más allá del espacio tridimensional, es posible
extender muchas ideas conocidas más allá de tal espacio, trabajando con
propiedades analíticas o numéricas de puntos y vectores, en lugar de las
propiedades geométricas.
DEFINICION 1: Si n es un entero positivo, entonces una n-ada ordenada es
una sucesión de n números reales (a1, a2,… an). El conjunto de todas las n-
adas se conoce como espacio n-dimensional euclidiano y se denota por R n
Cuando n = 2, o bien n = 3, es común usar los términos “parejas
ordenadas” y “terna ordenada”. Cuando n = 1, cada n-ada ordenada consta de
un número real y, por tanto, R1 se puede concebir como el conjunto de los
números reales. Para este conjunto, es común escribir R en lugar de R 1.
En el estudio del espacio tridimensional, el símbolo (a1, a2, a3) tiene dos
interpretaciones geométricas diferentes. Puede interpretarse como un punto, en
cuyo caso a1, a2 y a3 son las coordenadas o puede interpretarse como un
vector, en cuyo caso a1, a2 y a3 son las componentes:
A(a1,a2,a3) a = (a1,a2,a3)
Figura 3.1 Interpretación geométrica de una terna de números: Como punto o como vector.
Dr. Isaias Ochoa Landín Página 2 08/12/2021
Por lo tanto, se concluye que una n-ada ordenada (a1, a2,…, an) puede
concebirse como un “punto generalizado” o como un “vector generalizado.”
DEFINICION 2: Se dice que dos vectores u = (u1, u2,…,un) y v = (v1, v2,…,vn) en
Rn son iguales si:
u1 = v1, u2 = v2,…un=vn
La suma u + v se define por:
u + v = (u1+v1, u2+v2,…,un+vn)
y si k es cualquier escalar, el múltiplo escalar ku se define por:
ku = (ku1, ku2,…,kun)
Las operaciones de adición y multiplicación escalar dadas en esta
definición se denominan operaciones estándar sobre R n.
Se define el vector cero en Rn como el vector
0 = (0, 0,…, 0)
Si u es un vector cualquiera en R n, entonces el negativo (o inverso
aditivo) de u se denota por – u y se define por:
- u = (-u1, -u2,…,-un)
Se define la sustracción de vectores en R n por v – u = v + (−u) o, en
términos de las componentes:
v – u = (v1-u1, v2-u2,…, vn-un)
Las propiedades más importantes de la adición y la multiplicación
escalar de vectores en Rn se listan en el siguiente teorema:
TEOREMA 1: Si u = (u1, u2,…un), v = (v1, v2,…,vn) y w = (w1, w2,…, wn) son
vectores en Rn y k y l son escalares, entonces:
a). u + v = v + u
b). u + (v + w) = (u + v) + w
c). u + 0 = 0 + u = u
d). u + (−u) = 0
e). k(lu) = (kl)u
f). k(u + v) = ku + kv
g). (k + l)u = ku + lu
h). 1 u = u
Con este teorema los vectores en R n pueden manipularse sin
expresarlos en términos de componentes, casi de la misma manera como se
manipulan los números reales. Por ejemplo, si deseamos despejar x en la

siguiente expresión vectorial:
x+u=v
(x + u) + (−u) = v + (−u)
x + (u – u) = v – u
x+0=v–u
x=v–u
A fin de extender las nociones de norma y ángulo entre vectores en R n,
se principia con la generalización siguiente del producto escalar sobre R 2 y R3.
DEFINICION 3: Si u = (u1, u2,…un) y v = (v1, v2,…,vn) son vectores cualesquiera
en Rn, entonces el producto euclidiano interior u•v se define por:
u•v = u1v1 + u2v2 + …+ unvn
TEOREMA 2: Si u y v son vectores en Rn y k es un escalar cualquiera,
entonces:
a). u•v = v•u
b). (u + v)•w = u•w + v•w
c). (ku)•v = k(u•v)
d). v•v ≥ 0. Además, v•v = 0 si y solo si v = 0.
Por analogía con las conocidas fórmulas en R 2 y R3, se define la norma
euclidiana de un vector u = (u1, u2,…un) en Rn por
u   u  u
1/ 2
 u12  u 22    u n2
De modo análogo, si se conocen los puntos inicial y terminal del vector

U(u1, u2,…un) y V(v1, v2,…,v3), respectivamente, entonces la norma del vector
viene dada por:

UV  (v1  u1 ) 2  (v 2  u 2 ) 2    (v n  u n ) 2
La notación matricial para representar vectores, también es muy

recurrida por algunos autores. Así, si u y v son vectores columnas en R n, las
siguientes operaciones matriciales pueden llevarse a cabo:
 u1   v1   u1  v1   u1   ku1 
u  v  u  v  u   ku 
u v 2 2 2 2
y ku  k  2    2 
            
         
u n  v n  u n  v n  u n  ku n 
Las cuales producen los mismos resultados que las operaciones vectoriales.
Además, el producto escalar de dos vectores columnas u y v en Rn, expresado
en forma matricial, es:
 v1 
v 
u  v  u T v   u1 u2  u n   2    u1v1  u 2 v 2    u n v n 
 v3 
 
v 4 
Si θ es el ángulo formado por dos vectores u y v en Rn, entonces::
uv
cos  
u v
3.1.2 Espacios vectoriales
Para generalizar todavía más el concepto de vector, se definen los
espacios vectoriales bajos ciertas propiedades tales que, si son cumplidas por
los objetos que conforman el espacio vectorial, dichos objetos reciben el
nombre de vectores. Las propiedades son elegidas por medio de la abstracción
de las propiedades más importantes de los vectores en R n; como
consecuencia, los vectores en Rn automáticamente satisfacen estas
propiedades. Por lo tanto, este nuevo concepto de vector incluye tanto a los
que se dieron con anterioridad como a muchas nuevas clases de vectores.
DEFINICION 4: Sea V un conjunto arbitrario de objetos sobre los cuales se
definen dos operaciones, la adición y la multiplicación por escalares. Por
adición se entiende una regla para asociar, con cada pareja de objetos u y v en
V, un elemento u + v llamado suma de u y v; por multiplicación escalar se
entiende una regla para asociar, con cada escalar k y cada objeto u en V, un
elemento ku, llamado múltiplo escalar de u por k. Si los axiomas siguientes
son satisfechos por todos los objetos u, v, w en V y todos los escalares k y l,
entonces V recibe el nombre de espacio vectorial y a los objetos en V se les
denomina vectores.
Propiedades de la suma
1. Si u є V y v є V, entonces u + v є V. Propiedad de cerradura
2. u + v = v + u Propiedad conmutativa
3. u + (v + w) = (u + v) + w Propiedad Asociativa
4. Existe un objeto 0 є V tal que: Existencia del elemento
u + 0 = 0 + u = u para todo u є V. identidad
5. Para cada u є V, existe un objeto –u є V,
tal que u + (-u) = (-u) + u = 0 Existencia del inverso aditivo
Propiedades de la multiplicación por un escalar

6. Si k es cualquier número real y u є V,
entonces ku є V. Propiedad de cerradura
7. k(lu) = (kl)u Propiedad asociativa
8. k(u + v) = ku + kv Primera propiedad distributiva
9. (k + l)u = ku + lu Segunda propiedad distributiva
10. 1 u = u Donde “1” es el número real 1
Algunos ejemplos de espacios vectoriales se muestran a continuación.

Como se mencionó anteriormente, para saber si un conjunto de vectores es un
espacio vectorial es necesario verificar los axiomas dados arriba, si alguno de
ellos no se cumple, el conjunto analizado no es un espacio vectorial.
Ejemplo 1. El conjunto de puntos en R2 que están en una recta que pasa por el
origen constituye un espacio vectorial:
Sea V = {(x,y)│y = mx, m es constante, m є R, x є R}, es decir, V
consiste en todos los puntos que están sobre la recta y = mx que pasa por el
orígen y tiene pendiente m.
1. Si u1 = (x1, y1) y u2 = (x2, y2) є V, entonces:
y1 = mx1
y2 = mx2
la suma (u1 + u2) є V como se muestra enseguida:
u1 + u2 = (x1, y1) + (x2, y2) (3.1a)
u1 + u2 = (x1, mx1) + (x2, mx2) (3.1b)
u1 + u2 = (x1 + x2, mx1 + mx2) (3.1c)
u1 + u2 = (x1 + x2, m(x1 + x2)) є V (3.1d)
2. Esta propiedad se cumple si aplicamos la propiedad conmutativa de los
números reales en la ecuación (3.1c):
u1 + u2 = (x2 + x1, mx2 + mx1) = u2 + u1
u2 + u1 = (x2 + x1, m(x2 + x1)) є V
3. Si existe un tercer vector u3 = (x3, y3), entonces la suma u1 + u2 + u3, es:
u1 + u2 + u3 = (x1, y1) + (x2, y2) + (x3, y3)
u1 + u2 + u3 = (x1, m x1) + (x2, m x2) + (x3, m x3)
u1 + u2 + u3 = (x1+ x2 + x3, m x1 +m x2 + m x3)
Aplicando la propiedad asociativa de los números reales, tenemos:
u1 + u2 + u3 = (x1+ (x2 + x3), m x1 + m(x2 + x3)) = u1 + (u2 + u3)
u1 + u2 + u3 = ((x1+ x2) + x3, m (x1 + x2 )+ m x3) = (u1 + u2) + u3
4. Como la recta pasa por el origen, podemos decir que u2 = 0 = (0, 0) є V.

Sustituyendo en (3.1d):
u1 + 0 = (x1 + 0, m(x1 + 0)) є V
5. Del mismo modo, si u2 = -u1 = (-x1, -y1) en (3.1d), tenemos:
u1 + (-u1) = (x1 + (-x1), mx1 + m(-x1))
u1 - u2 = (x1 – x1, m(x1 – x1)) = (0, 0) є V
6. Si el punto u1 = (x1, y1) є V y k є R es un número cualquiera, entonces el
producto por un escalar, es decir, el punto:
k u1 = k (x1, y1) (3.2a)
k u1 = (k x1, k (m x1)) є V (3.2b)
7. Sea l є R, entonces
k (l u1) = k (l x1, l y1)
k (l u1) = (k l)( x1, m x1) = (k l) u1 є V
8. Si k є R y u1 y u2 є V, entonces, de (3.1c)
k (u1 + u2) = k (x1 + x2, mx1 + mx2)
k (u1 + u2) = (k x1 + k x2, k mx1 + k mx2)
k (u1 + u2) = (k x1, k mx1) + (k x2, k mx2)
k (u1 + u2) = k (x1, mx1) + k (x2, mx2) = k u1 + k u2 є V
9. Si k y l є R, entonces:
(k + l) u1 = (k + l) (x1, y1)
(k + l) u1 = ((k + l) x1, (k + l) y1)
(k + l) u1 = ((k x1+ l x1), (k y1+ l y1))
(k + l) u1 = (k x1, k y1) + (l x1, l y1)
(k + l) u1 = k u1 + l u1 є V
10. Si hacemos k = 1 en (3.2b), tenemos:
1 u1 = (1 x1, 1 (m x1)) є V
Ejemplo 2. Sea V = {1}, es decir, V consiste solamente del número 1. Este no
es un espacio vectorial pues no cumple la propiedad de cerradura para la
suma:
1  1  2 V
La cerradura del producto por un escalar tampoco se cumple. Si r є R,
entonces:
r  1  r  V si r  1
por lo que podemos decir que V NO es un espacio vectorial.

1 
Ejemplo 3: Verificar que el conjunto de matrices de 2 × 2 de la forma  
 1 
con las operaciones usuales de la suma y multiplicación por un escalar, NO es

un espacio vectorial.
1. Verificamos la propiedad de cerradura para la suma. Sean dos matrices A y
B є V de la forma:
 1 1   1 2 
A  y B 
1 1   2 1 
Entonces, la suma A + B viene dada por:
 1 1   1  2   2 1   2 
A B       V
 1 1    2 1   1   2 2 
Como no cumple esta propiedad, entonces el conjunto de matrices NO es un

espacio vectorial.
3.1.3 Subespacios
Si V es un espacio vectorial, entonces ciertos subconjuntos de V forman
por sí mismos espacios vectoriales bajo la adición vectorial y la multiplicación
escalar definidas para V.
DEFINICION 5: Un subconjunto W de un espacio vectorial V es un subespacio
de V, si W es a sí mismo un espacio vectorial bajo la adición y multiplicación
escalar definidas sobre V.
En general, se deben verificar los diez axiomas de los espacios
vectoriales para demostrar que un conjunto W, con la adición y la multiplicación
escalar, forma un espacio vectorial. Sin embargo, si W es parte de un conjunto
mayor V del que ya se sabe que es un espacio vectorial, entonces ciertos
axiomas se “heredan” de V y no es necesario verificarlos para W. En este caso,
hablamos de los axiomas 2, 3, 4, 5, 7, 8, 9 y 10. Por lo tanto, para demostrar
que un conjunto W es un subespacio de un espacio vectorial V, solo es
necesario verificar los axiomas 1 y 6 correspondientes a la cerradura.
TEOREMA 3: Si W es un conjunto de uno o más vectores de un espacio
vectorial V, entonces W es un subconjunto de V si y solo si se cumplen las
siguientes propiedades:
i. Si u y v son vectores en W, entonces (u + v) є W.
ii. Si k є R y u є W entonces (k u) є W.
Estas propiedades se resumen diciendo que W es cerrado bajo la

adición y es cerrado bajo la multiplicación escalar.
Todo espacio vectorial V tiene al menos dos subespacios. El propio V es
un subespacio y el conjunto {0} que solo consta del vector cero en V es otro
subespacio denominado subespacio cero. Todos los otros subespacios se
conocen como subespacios propios.
 x1  
Ejemplo 4: Verificar si S    x 2  2x1  es un subconjunto de R2.
 x 2  
a b  a   b   ab 

i. Si 2a  y  2b  є S, entonces: 2a   2b  2( a  b)   S
         
c c c 
ii. Si 2c   S y α є R, entonces:  2c   2 c   S
     
por lo que el conjunto de vectores S es un subconjunto de R 2.

Ejemplo 5: Sea S = {[x1 x2 x3]T │ x1 = x2}. ¿Es S un subespacio de R3?
i. Si [a a b]T є S y [c c d]T є S, entonces
[a a b]T + [c c d]T = [a+c a+c b+d]T є S
ii. Si x = [a a b]T є S y α є R, entonces:
[αa, αa, αb]T є S
y por lo tanto S es un subespacio de R3.
Ejemplo 6: El espacio nulo de una matriz. Sea A una matriz de m×n. Sea que
N(A) denote el conjunto de todas los vectores solución al sistema homogéneo
AX = 0, es decir, N(A) = {X є R n │ AX = 0}. Verificar que N(A) es un subespacio
de Rn:
i. Si X e Y є N(A), entonces:
A(X + Y) = AX + AY = 0 + 0 = 0 є N(A)
por la propiedad distributiva del producto de matrices compatibles para la
multiplicación
.
ii. Si X є N(A) y α є R, entonces:
A(α X) = α AX = α 0 = 0 є V
por lo que, el espacio nulo de una matriz, N(A), es un subespacio de R n.
3.1.4 Combinación lineal y espacio generado

DEFINICION 7: Sean v1, v2,…,vn vectores en un espacio vectorial V. Una suma
de la forma α1 v1 + α2 v2 +…+ αn vn, donde α1, α2,…,αn son escalares, recibe el
nombre de combinación lineal de v1, v2,…,vn.
Ejemplo 7: Todo vector v = (vx, vy, vz) є R3 puede escribirse en la forma:
v = vx i + vy j + vz k
es decir, v es una combinación lineal de los tres vectores unitarios i, j, k.
v x  1 0  0 
v  v y   v x 0  v y 1  v z 0
     
 v z  0 0 1
Ejemplo 8: Una matriz de 2×2 puede escribirse como combinación lineal de

matrices “unitarias”:
a b 1 0 0 1 0 0 0 0
c   a   b   c   d
 d 0 0 0 0 1 0 0 1
DEFINICION 8: Sean v1, v2,…,vk k vectores en un espacio vectorial V. El

espacio generado por {v1, v2,…,vk} es el conjunto de combinaciones lineales de
v1, v2,…,vk. En otras palabras:
gen{ v1, v2,…,vk} = {v │v = a1 v1 + a2 v2 +…+ ak vk}
donde a1, a2,…,ak son escalares arbitrarios.
Por lo estudiado anteriormente, se sabe que un espacio vectorial es

generado por un conjunto de vectores S = {v1, v2, … , vr}, si cada vector en V
es una combinación lineal de v1, v2, … , vr . Los conjuntos generadores resultan
útiles en una gran diversidad de problemas ya que, a menudo, es posible
estudiar un espacio vectorial V estudiando primero los vectores en un conjunto
generador S y, a continuación, extendiendo los resultados hacia el resto de V.
TEOREMA 4: Si v1, v2,…,vk son vectores en un espacio vectorial V, entonces
gen{ v1, v2,…,vk} es un subespacio de V.
Ejemplo 9: Espacio generado por dos vectores v1 = (2, -1, 4) y v2 = (4, 1, 6).
Solución: Cualquier vector v contenido en el espacio generado por v1 y v2
puede escribirse como una combinación lineal de estos dos vectores:
v  a1v 1  a 2 v 2
O bien, en términos de coordenadas:
( x, y , z )  a1 (2,  1, 4)  a 2 (4, 1, 6)
De aquí podemos escribir el sistema de ecuaciones siguientes para encontrar

las constantes a1 y a2:
2 a1  4a 2  x
 a1  a 2  y
4 a1  6a 2  z
Resolviendo el sistema, tenemos:

 1   1 
 1   x  1 x 
 2 4 x 1  1 2 x 1 2 2 2 2
  2 R1  2  1   1 
 1 1 y    1 1 y  R
1  R2
0 3 x  y  
4 R1  R3
  0 3 x y
   2   2 
 4 6 z   4 6 z   2  2x  z
4 6 z  0
     
 1   1 2   1 2 
1 x  1 x  y  x y 
2 2 0 6 3 1 0 6 3
1
R2  1 1   1 1  2 R2  R3  1 1 
 0
3 1 x  y   2 R2  R1
  0 1 x  y   0 1 x y 
 6 3   6 3   6 3 
0  2  2x  z  0  2  2x  z   0 0 5 2
      x  y  z 
3 3 
Para que este sistema tenga solución, el último renglón debe de
satisfacerse, es decir:
5 2
 x yz 0
3 3
O bien:
 5x  2 y  3z  0
la cual es la ecuación de un plano que pasa por el origen. Las trazas del plano
se obtienen al hacer cero cada una de las variables una por una. (Las trazas
son curvas en el espacio obtenidas de la intersección de dos superficies y es
por eso que deben especificarse las ecuaciones de ambas superficies. El que
una variable sea cero, representa un plano formado por las dos variables que
no aparecen en la ecuación.)
2
x  0, z   y
3
5
y  0, z  x
3
5
z  0, y  x
2
Así, cualquier vector que se encuentre en el plano definido por los

vectores v1 y v2, puede escribirse como una combinación lineal de ellos. Por
ejemplo, si consideramos el vector w = (-3, 0, -5), este vector puede escribirse:
1 1
w   v1  v 2
2 2
Un bosquejo del plano -5x+2y+3z=0 se muestra a continuación. Los
planos XY, XZ y YZ del primer octante han sido coloreados de gris para
resaltarlos. El perímetro de la porción del plano se ha coloreado de verde. La
porción del plano en el primer octante se ha coloreado de amarillo. De igual
manera, las porciones del plano que se verían en otros octantes se han
coloreado de azul y anaranjado.
Figura 3.2 Bosquejo del plano de ecuación -5x + 2y + 3z = 0.

Las trazas se han indicado de diferentes colores y su ecuación se ha
escrito del mismo color para fácil identificación. Las líneas continuas
representan intersecciones visibles de planos, mientras que las líneas
discontinuas representan líneas que se encuentran en la parte posterior o
inferior de otros planos.
En general, podemos decir que el espacio generado por dos vectores

diferentes de cero en R3 que no son paralelos, es un plano que pasa por el
origen.
Ejemplo 10: Espacio generado por dos vectores en R 3. Sean v1 = (3, -2, 1) y v2
= (1, 3, -4) dos vectores en R 3. El espacio generado, H, por los vectores v1 y v2
en R3 es el conjunto de todos los vectores que se pueden escribir como
combinación lineal de ellos, es decir,
H = gen{v1, v2} = {v │ v = a1 v1 + a2 v2}
Solución: Para escribir un vector v = (x, y, z) є H como combinación lineal de
v1 y v2, debemos determinar las constantes a1 y a2 de la expresión:
v = (x, y, z) = a1 (3, -2, 1) + a2 (1, 3, -4) = (3a1 + a2, -2a1 + 3a2, a1 – 4a2)
El sistema de ecuaciones asociado se obtiene igualando componente a
componente los vectores anteriores:
3a1 + a2 = x
-2a1 + 3a2 = y
a1 – 4a2 = z
La matriz asociada al sistema no homogéneo y la matriz escalonada se
muestran enseguida: el proceso para escalonar la matriz se ha obviado.
 3 1 x 1 0 (3 x  y ) / 11 
   
 2 3 y   0 1 ( 2 x  3 y ) / 11 
 1  4 z  0 0 (5 x  13 y  11 z ) / 11
Del último renglón tenemos:

5x + 13y +11z = 0
Esta es la ecuación de un plano que pasa por el origen del sistema
coordenado cuyo bosquejo se muestra en la Figura 3.3.
Únicamente aquellos vectores que estén contenidos en ese plano
podrán escribirse como combinación lineal de los vectores generadores v1 y v2.
Figura 3.3 Bosquejo del plano cuya ecuación es 5x + 13y +11z = 0.
Por lo estudiado anteriormente, se sabe que un espacio vectorial es

generado por un conjunto de vectores S = {v1, v2, … , vr}, si cada vector en V
es una combinación lineal de v1, v2, … , vr . Los conjuntos generadores resultan
útiles en una gran diversidad de problemas ya que, a menudo, es posible
estudiar un espacio vectorial V estudiando primero los vectores en un conjunto
generador S y, a continuación, extendiendo los resultados hacia V.
Ejemplo 11: Una compañía de concreto almacena tres mezclas básicas, dadas
en la tabla. Las cantidades se miden en gramos y cada “unidad” de mezcla
pesa 60 gramos. Puede formular mezclas especiales revolviendo
combinaciones de las tres mezclas básicas; entonces las mezclas especiales
posibles pertenecen al espacio generado por los tres vectores que representan
las tres mezclas básicas:
A B C
Cemento 20 18 12
Agua 10 10 10
Arena 20 25 15
Grava 10 5 15
Tobas* 0 2 8
TOTAL 60 60 60
*Piedra caliza porosa
a). ¿Puede hacer una mezcla que consiste en 1000 g de cemento, 200 g de
agua, 1000 g de arena, 500 g de grava y 300 g de tobas? ¿Porqué puede o
porqué no? Si puede, ¿cuántas unidades de cada una de las mezclas A, B y C
se necesitan para formular la mezcla especial?
Solución: Llamemos MA, MB y MC a la cantidad de la mezcla A, B y C,
respectivamente, necesaria para la mezcla final. Cada mezcla proporcionará
una determinada cantidad de cada componente, como sigue:
20 18 12
MA  MB  MC  u
60 60 60
10 10 10
MA  MB  MC  v
60 60 60
20 25 15
MA  MB  MC  w
60 60 60
10 5 15
MA  MB  MC  x
60 60 60
2 8
M B  MC  y
60 60
El vector (u, v, w, x, y) es el vector composición deseado. A pesar de
que sabemos la composición deseada de la mezcla, resolveremos el sistema
en forma general para usar el resultado en la parte (b).
La matriz asociada al sistema NO homogéneo, es:
 20 18 12 60u 
 
10 10 10 60v 
 20 25 15 60 w
 
10 5 15 60 x 
0 2 8 60 y 
 
El escalonamiento conduce a la siguiente matriz:

1 0 0 (10u  3v  6 w)(6 / 5) 
 
0 1 0 ( 5u  6v  8w)(6 / 5) 
0 0 1 ( 5u  14v  2 w)(6 / 5) 
 
0 0 0 ( 3v  w  x)(60) 
0 0 0 (u  2v  y )(60) 
 
Cada una de las mezclas especiales A, B y C son vectores en R 5 que
nos definen un espacio vectorial. Una mezcla obtenida de combinar estas
mezclas se puede expresar como combinación lineal de estas tres mezclas
especiales y esto solo es posible si la composición deseada de la mezcla
cumple las siguientes condiciones obtenidas de la matriz escalonada B:
(3v  w  x)(60)  0
(u  2v  y )(60)  0
En particular, deseamos una mezcla cuya composición sea:

 u  1000
 v   200 
   
 w  1000
   
 x   500 
 y   300 
entonces vemos que al sustituir estos valores en las ecuaciones, tenemos:

(3v  w  x)(60)  [3(200)  1000  500](60)  54000  0
(u  2v  y )(60)  [1000  2(200)  300](60)  54000  0
por lo que dicha mezcla no es posible de realizar.

b). Suponga que quiere hacer 5000 g de concreto que tiene una razón de agua
a cemento de 2 a 3, con 1250 g de cemento. Si debe incluir 1500 g de arena y
1000 g de grava en las especificaciones, encuentre la cantidad de tobas para
hacer 5000 g de concreto. ¿Se puede formular ésta como una mezcla
especial? Si es así, ¿cuántas unidades de cada mezcla se necesitan para
formular la mezcla especial?
Solución: Para esta mezcla, el vector composición es:
 u   1250 
 v  2500 / 3
   
 w   1500 
   
 x   1000 
 y   y 
Las componentes de este vector están especificadas por las

componentes de la mezcla deseada. La componente v ha sido determinada de
la razón agua/cemento también especificada y requerida:
2 2500
v u
3 3
Para saber si es posible realizar esta mezcla debe cumplirse que:
(3v  w  x )(60)  [1000  1500  3(2500 / 3)](60)  0
Además:
(u  2v  y )(60)  [1250  2( 2500 / 3)  y ](60)  0
de donde obtenemos que la cantidad de tobas requerida es:

1250
y
3
Para calcular la cantidad requerida de cada mezcla especial, tenemos de

la matriz B:
6
MA  (10u  3v  6 w)
5
6
MA  [10(1250)  3( 2500 / 3)  6(1500)]  1200 g
5
6
MB  (5u  6v  8w)
5
6
MB  [ 5(1250)  6(2500 / 3)  8(1500)]  900 g
5
6
MC  ( 5u  14v  2 w)
5
6
MC  [ 5(1250)  14( 2500 / 3)  2(1500)]  2900 g
5
Es importante notar la diferencia entre el espacio generado por un
conjunto de vectores y los vectores generadores de un espacio vectorial. En los
ejemplos anteriores hemos trabajado con el espacio generado por un conjunto
de vectores. En este caso, los vectores en el espacio generado pueden
escribirse como combinación lineal de dichos vectores. La siguiente definición
trata de los vectores generadores de un espacio vectorial.
Definición 9: Se dice que los vectores v1, v2,..., vn en un espacio vectorial V
generan a V si todo vector en V puede escribirse como una combinación lineal
de ellos. Es decir, para todo v є V, existen escalares a1, a2,..., an tales que
v = a1 v1 + a2 v2 + ... + an vn
Teorema: Si v1, v2,..., vk son vectores en un espacio vectorial V, entonces

gen{ v1, v2,..., vk} es un subespacio de V.
Demostración: Sean u y v dos vectores en gen{ v1, v2,..., vk} entonces deben
poder escribirse como combinación lineal de los vectores generadores:
u = a1 v1+ a2 v2 +... + ak vk
v = b1 v1+ b2 v2 +... + bk vk
Además, para que gen{ v1, v2,..., vk} sea una subespacio de V, deben de
cumplirse la propiedad de cerradura para la suma y el producto por un escalar:
u + v = (a1 v1+ a2 v2 +... + ak vk) + (b1 v1+ b2 v2 +... + bk vk)
u + v = (a1+ b1) v1+ (a1 + b2) v2 +... + (ak + bk) vk
Por lo tanto, la propiedad de cerradura se cumple. De la misma manera,

si α es número real:
α u = α (a1 v1+ a2 v2 +... + ak vk)
α u = α a1 v1+ α a2 v2 +... + α ak vk
la propiedad de cerradura para el producto de un vector por un escalar también
se cumple. De aquí que gen{ v1, v2,..., vk} es un subespacio de V.
3.1.5 Dependencia e independencia lineal

Sean v1, v2,…, vn, n vectores en un espacio vectorial V. Entonces se dice
que los vectores son linealmente dependientes si existen n escalares c1, c2,
…, cn no todos cero tales que:
c1 v1 + c2 v2 +…+ cn vn = 0
Si la única manera de satisfacer la relación anterior es que c1 = c2 =…=
cn = 0, se dice que v1, v2,…, vn son linealmente independientes.
 2  6
 1  3
Ejemplo 12: Determinar si los vectores v 1    y v 2    son linealmente
0 0
   
 3   9
independientes.
Solución: Necesitamos encontrar constantes ci diferentes de cero tales que:
 2   6 0
  1  3  0
c1    c2     
 0  0  0
     
 3   9  0
El sistema de ecuaciones asociado para encontrar c1 y c2, es:

2c1  6c 2  0  c1  3c 2
 c1  3c 2  0  c1  3c 2
0c1  0c 2  0
3c1  9c 2  0  c1  3c 2
Podemos escribir el sistema de ecuaciones como sigue:

c1 v 1  c 2 v 2  0
3c 2 v 1  c 2 v 2  0
v 2   3v 1
Como los vectores v1 y v2 son proporcionales, entonces son linealmente

dependientes.
Ejemplo 13: ¿Son los siguientes vectores linealmente independientes?
 1  2 0 
v 1   2 , v 2   2 , v 3  1 
   
 3   0  7 
Solución: Si v1, v2 y v3 son linealmente dependientes, deben existir constantes

c1, c2 y c3 tales que:
c1 v1 + c2 v2 + c3 v3 = 0
O bien:
 1  2 0  0
c1  2  c 2   2  c3 1   0
   
 3   0  7  0
El sistema asociado para determinar c1, c2 y c3 es:

c1  2c 2 0
 2c1  2c 2  c3  0
3c1  7c3  0
Como es un sistema homogéneo, la matriz aumentada no es necesaria y

trabajaremos solamente con la matriz de coeficientes para encontrar los
valores de ci’s:
 1 2 0 1 2 0  1 2 0 1 1 2 0
 2  2 1  2  1   2 R2  R1
 0 2 1    0 2 1  
R2
R1  R2 3 R1  R3
    0
2
1    
 2
 3 0 7  3 0 7  0  6 7 
0  6 7
1 0  1 1 0  1 1 1 0 1 1 0 0 1 0 0 
 1  6 R2  R3  1  10 R3  1  R3  R1 
1
1   2 R3  R2 
0 1    0 1 
 0 1  0 1    0 1 0
 2 0 0 2  0 0 2  0 0 2 
0  6 7  10   1  1  0 0 1
De aquí que, como c1 = 0, c2 = 0 y c3 = 0, los vectores v1, v2 y v3 son

linealmente independientes
Note que en este caso tenemos un sistema cuadrado, es decir, el
número de ecuaciones y de incógnitas es el mismo (n = m). Note también que
el determinante de la matriz A es:
1 2 0 1 2
2 2 1 2  2  (1)( 2)(7)  ( 2)(1)(3)  ( 2)(2)(7)  20  0
3 0 7 3 0
Esto significa que la inversa existe y que por lo tanto el sistema tiene
solución, pero también implica que la solución del sistema homogéneo es la
solución trivial y por lo tanto los vectores son linealmente independientes.
Teorema 5: Sea A una matriz de n × n. Entonces las ocho afirmaciones

siguientes son equivalentes:
i. A es invertible.
ii. La única solución del sistema homogéneo AX = 0 es la solución trivial.
iii. El sistema AX = B tiene una solución única para todo n-vector B.
iv. A es equivalente por renglones a la matriz identidad de n × n, I n.
v. A se puede escribir como el producto de matrices elementales.
vi. La forma escalonada por renglones de A, tiene n pivotes.
vii. det (A) ≠ 0.
viii. Las columnas (y renglones) de A son linealmente independientes.
Ejemplo 14: Los siguientes vectores, ¿son linealmente independientes?
 1  3  11 
v 1    3 , v 2  0 , v 3   6
   
 0   4  12 
Solución: La matriz asociada del sistema y la matriz escalonada son:

 1 3 11  1 3 11  1 1 3 11 1 0 2 1 0 2
 3 0  6 0
 3 R1  R2
9   0
27 
9
R2
1  0
3 R2  R1
3    0
 4 R2  R3
1 3    1 3

 0 4 12  0 4 12  0 4 12 0 4 12 0 0 0
de donde obtenemos: c1 = -2c3

c2 = -3c3
c3 = c3
Podemos encontrar valores de c 1, c2 y c3 diferentes de cero por lo que
los vectores son linealmente dependientes. En otras palabras, tenemos:
 2c3 v 1  3c3 v 2  c3 v 3  0
(3.3)
 2v 1  3v 2  v 3  0 si c3  0
por lo que los vectores son linealmente dependientes.

Nuevamente tenemos un sistema en el que n = m. Sin embargo, el
determinante de A en este caso, es:
1 3 11 1 3
3 0 6 3 0  (11)(3)( 4)  (1)(6)(4)  (3)(3)(12)  0
0 4 12 0 4
Esto implica que la inversa de la matriz no existe y que por lo tanto los
vectores son linealmente dependientes al no cumplir el punto i del Teorema 5.
Ejemplo 15: Los vectores v1 = (-2, -3) y v2 = (1,6) en R2, ¿son linealmente
independientes?
Solución: La matriz asociada del sistema homogéneo es:

 2 1
A
 3 6
El determinante de A es:
2 1
det A   9  0
3 6
por lo que los vectores son linealmente independientes.

Ejemplo 16: Si incluimos un vector v3 = (-2, 5) a los dos vectores del ejemplo
anterior, ¿son los vectores linealmente independientes?
Solución: La matriz del sistema y la matriz escalonada son:
 2 1  2 1 0 17 / 9
A  
 3 6 5 0 1 16 / 9
De la matriz escalonada obtenemos que:

17
c1   c3
9
16
c2   c3
9
c3  c3
de aquí que ahora los vectores son linealmente dependientes pues se ha

introducido un vector adicional al conjunto de vectores que antes eran
linealmente independientes. En otras palabras, en el sistema de ecuaciones
tenemos más incógnitas que ecuaciones (n > m) y los vectores son linealmente
dependientes al tener el sistema un infinito número de soluciones.
Ejemplo 17: Tres matrices linealmente independientes en M 23. Determine si las
siguientes matrices son linealmente independientes o no.
1 0 2  1 1 4  1 0 1
A1   , A2   y A3  
3 1  1  2 3 0  1 2 1
Solución: Si son linealmente independientes existen constantes c i tales que:

ci A1  c 2 A2  c3 A3  0
donde 0 en la ecuación anterior representa la matriz con componentes 0:

1 0 2  1 1 4  1 0 1 0 0 0
c1    c2    c3  
3 1  1  2 3 0  1 2 1 0 0 0
Desarrollando, tenemos:
 c1  c 2  c3 c2 2c1  4c 2  c3  0 0 0
3c  2c  c 
 1 2 3 c1  3c 2  2c3  c1  c3  0 0 0
El sistema de ecuaciones para determinar las c i es:

c1  c 2  c3  0
c2  0
2c1  4c 2  c3  0
3c1  2c 2  c3  0
c1  3c 2  2c3  0
 c1  c3  0
de donde se obtiene que c 1 = c2 = c3 = 0 y por lo tanto A 1, A2 y A3 son

linealmente independientes.
Ejemplo 18: Los siguientes polinomios (2x), (x 3 – 3), (1 + x - 4x 3), (x3 + 18x – 9)
en P3, ¿son linealmente independientes?
Solución: Debemos encontrar constantes tales que:
c1 (2 x)  c 2 ( x 3  3)  c3 (1  x  4 x 3 )  c 4 ( x 3  18 x  9)  0
Para escribir el sistema de ecuaciones para calcular las constantes c i,

damos a x valores arbitrarios (tantos valores como constantes haya):
x = 0; -3c2 + c3 -9c4 = 0
x = 1; 2c1 – 2c2 – 2c3 + 10c4 = 0
x = -1; -2c1-7c2 + 4c3 – 28c4 = 0
x = 2; 4c1 + 5c2 – 29c3 + 35c4 = 0
La matriz asociada al sistema homogéneo es:
 0 3 1 9 
 2 2 2 10 
A
 2 4 4  28
 
 4 5  29 35 
El determinante de A es:
0 3 1 9
2 2 2 10
det A  0
2 4 4  28
4 5  29 35
por lo que los polinomios son linealmente dependientes.

Escalonando la matriz de coeficientes obtenemos:
 2  4 4  28 1 0 0 96 / 11
 0 3 1 9  0 1 0 35 / 11
 
 2  2  2 10  0 0 0 0 
   
 4 5  29 35  0 0 1 6 / 11 
De donde obtenemos que c1 = 96, c2 = 35, c3 = 6 y c4 = -11.

El sistema de ecuaciones para determinar las constantes ci también

pudo obtenerse derivando los polinomios tres veces (número de constantes
menos uno):
c1 (2 x)  c 2 ( x 3  3)  c3 (1  x  4 x 3 )  c 4 ( x 3  18 x  9)  0
2c1  c 2 (3x 2 )  c3 (1  12 x 2 )  c 4 (3x 2  18)  0
c 2 (6 x)  c 3 (24 x)  c 4 (6 x)  0
6 c 2  24 c 3  6 c 4  0
Así, la matriz de coeficientes es:

2 x x3  3  4x 3  x 1 x 3  18 x  9
 
2 3x 2  12 x 2  1 3 x 2  18 
0 6x  24 x 6x 
 
 0 6  24 6 
El escalonamiento de esta matriz produce el siguiente resultado:
1 0 0 96 / 11
0 1 0 35 / 11

0 0 1 6 / 11 
 
0 0 0 0 
de donde se obtiene que c1 = 96, c2 = 35, c3 = 6 y c4 = -11 como anteriormente.

De los ejercicios anteriores podemos extraer la siguiente propiedad de

Conjuntos Linealmente Dependientes:
Teorema 6: Un conjunto H = {v1, v2, …, vk}, k  2, es linealmente
dependiente sí y sólo si por lo menos uno de los vectores vj puede
expresarse como una combinación lineal de los demás vectores en H.
Un corolario del teorema anterior es el siguiente:
Dos vectores u y v en un espacio vectorial V son linealmente
dependientes sí y sólo si uno de ellos es un múltiplo escalar del otro.
Las siguientes definiciones son muy importantes para la independencia

lineal de funciones reales de variable real.
Definición 10: Sea dado un sistema finito de n funciones y1(x), y2(x), ..., yn(x)
definidas en un intervalo (a, b). Se dice que éstas son linealmente
dependientes en el intervalo (a, b), si existen constantes α1, α2, ..., αn, no
simultáneamente iguales a cero, tales que para todos los valores de x de este
intervalo se cumple la identidad:
α1 y1(x) + α2 y2(x) + ... + αn yn(x) ≡ 0
Si esta identidad se cumple solamente para α1 = α2 = ... = αn = 0, se dice que
las funciones y1(x), y2(x), ..., yn(x) son linealmente independientes en el intervalo
(a, b).
Definición 11: Sean y1, y2, ..., yn, funciones que admiten derivadas hasta el
orden (n-1), continuas en el intervalo a ≤ x ≤ b. El determinante:
y1 y2  yn
y '1 y'2  y'n
W  y1 , y 2 , ..., y n  
   
y1( n 1) ( n 1)
y2  ( n 1)
yn
se llama determinante de Wronsky (o wronskiano) de estas funciones.

Obsérvese que, por lo general, el wronskiano es una función de x definida en
cierto intervalo.
El wronskiano se usa para determinar si dos o más funciones son
linealmente dependientes o independientes:
Teorema 7: Si las funciones y1(x), y2(x), ..., yn(x) son linealmente dependientes
en el segmento [a, b], su wronskiano es idénticamente nulo en [a, b].
Demostración: A continuación se prueba el teorema para el caso n = 2 por

contradicción. Supóngase que W(f1(x0), f2(x0)) ≠ 0 para un valor x0 fijo en un
intervalo I y que f1(x) y f2(x) son linealmente dependientes en el intervalo. Esto
último significa que existen constantes c1 y c2, no simultáneamente nulas, para
las cuales:
c1 f1(x) + c2 f2(x) = 0
para todo x є I. Derivando esta combinación, resulta:
c1 f1’(x) + c2 f2’(x) = 0
obteniendo así un sistema de ecuaciones lineales. La dependencia lineal
implica que dicho sistema tiene una solución no trivial para cada x del intervalo.
Consecuentemente:
f1 ( x) f 2 ( x)
W  f 1 ( x ), f 2 ( x )   0
f 1 ' ( x) f 2 ' ( x)
para todo x є I. Esto contradice el haber supuesto que W(f1(x0), f2(x0)) ≠ 0. Se

concluye que f1 y f2 son linealmente independientes.
Este teorema solamente indica la condición necesaria para la
dependencia lineal de un sistema de funciones. El recíproco no se cumple,
puesto que el wronskiano puede ser nulo también cuando las funciones
consideradas forman en el intervalo un sistema linealmente independiente.
Volviendo al ejemplo 18, si tratamos los polinomios como funciones
polinomiales definidas en un intervalo [a, b], entonces las funciones (2x), (x 3 –
3), (1 + x - 4x3), (x3 + 18x – 9) son linealmente independientes si existen
constantes no todas cero simultáneamente tales que:
c1 (2 x)  c 2 ( x 3  3)  c3 (1  x  4 x 3 )  c 4 ( x 3  18 x  9)  0
Como existen cuatro constantes por determinar, debemos derivar esta

ecuación tres veces y escribir el sistema de ecuaciones como sigue:
c1 (2 x)  c 2 ( x 3  3)  c3 (1  x  4 x 3 )  c 4 ( x 3  18 x  9)  0
2c1  3c 2 x 2  c3 (1  12 x 2 )  c 4 (3 x 2  18)  0
6c 2 x  24c 3 x  6c 4 x  0
6c 2  24c3  6c 4  0
El wronskiano de este sistema de ecuaciones es:
2x x3  3  4x3  x  1 x 3  18 x  9
2 3x 2 1  12 x 2 3 x 2  18
W
0 6x  24 x 6x
0 6  24 6
La solución por cofactores se facilita tomando la primera columna. Así,

los menores M11 y M21 y sus respectivos determinantes son:
3 x 2 1  12 x 2 3 x 2  18
 
M 11   6x  24 x 6x 
 6  24 6 
 
M 11  (432x 3 )  (36 x  432x 3 )  (432x 3  2592x)  (432x 3  2592x)  ( 432x 3 )  (36 x  432x 3 )
x3  3 x 3  18 x  9
 4x 3  x  1
 
M 21   6x  24 x 6x 
 6  24 6 
 
M 21  ( 144x  432 x)  ( 144x  36 x  36 x)  ( 144x  2592x 2  1296x)
4 4 2 4
 ( 144 x 4  2592x 2  1296x)  ( 144x 4  432 x)  ( 144x 4  36 x 2  36 x)  0
Como los menores son cero, se concluye que W = 0 y que las funciones
polinomiales son LI.
3.1.6 Interpretación geométrica de la dependencia lineal en R 3

Si u, v y w son tres vectores en R3 linealmente dependientes, entonces
existen constantes c1, c2 y c3 є R y no todas cero tales que:
c1u  c 2 v  c3 w  0
Si suponemos que c3 ≠ 0, entonces:

c1 c
w u 2 v
c3 c3
Es fácil demostrar que u, v y w son coplanares pues se cumple que:

w  (u  v)  0
Sustituyendo la expresión para w, tenemos:

 c c 
w  (u  v)    1 u  2 v   (u  v)
 c3 c3 
De la propiedad v Teorema 1.5, tenemos para el triple producto escalar:
c1 c
w  (u  v)   u  (u  v)  2 v  (u  v)
c3 c3
De la propiedad vi de teorema 1.5, sabemos que:

u  (u  v)  v  (u  v)  0
Esto es cierto dado que el vector u × v es perpendicular al plano formado por

los vectores u y v por lo que es perpendicular a cada uno de estos vectores.
Entonces:
c1 c
w  (u  v)   (0)  2 (0)  0
c3 c3
lo que implica que u, v y w son coplanares.

En resumen podemos decir que tres vectores en R3 son linealmente
dependientes si y solo si son coplanares.
Ejemplo 19: En el Ejemplo 14 anterior, es importante notar que podemos
despejar v3 de la ecuación (3.3) para obtener:
v3 = 2v1 + 3v2 (3.4)
esto significa que cuando los vectores son L.D., es posible expresar uno de
ellos en términos de los otros. Pero lo más importante es que los vectores
linealmente dependientes son coplanares:
v 3  (v 1  v 2 )  0 (3.5)
Recordando que el producto vectorial de dos vectores, v1 y v2, da como
resultado otro vector que es perpendicular al plano formado por los vectores v1
y v2. Si otro vector v3 es perpendicular a este vector resultante (v1 × v2),
entonces el producto escalar debe ser cero, tal como lo indica la ecuación (3.5).
Esto puede demostrarse sustituyendo (3.4) en (3.5) y aplicando la
propiedad distributiva:
(2v 1  3v 2 )  (v 1  v 2 )  2v 1  (v 1  v 2 )  3v 2 ( v 1  v 2 )
Ahora, es posible ver que cada término del lado derecho es igual a cero:
i j k
v 1  v 2  1  3 0  12i-4 j  9k
3 0 4
v 1  (v 1  v 2 )  ( 1,  3, 0)  (12,  4, 9)  (1)(12)  (3)(4)  (0)(9)  0

v 2  (v1  v 2 )  (3, 0, 4)  (12,  4, 9)  (3)(12)  (0)(4)  (4)(9)  0
Con lo que queda demostrada la ecuación (3.5) y además que tres vectores
en R3 son linealmente dependientes si y solo si son coplanares.
Ejemplo 20: Determinar si los siguientes vectores son linealmente
independientes o no:
 2  4   18   2 
  3 ,  7  ,  11 y  7
       
 4   6  4   3 
.
Solución: El sistema asociado para determinar las constantes c i es:

2c1  4c 2  18c3  2c 4  0
 3c1  7c 2  11c3  7c 4  0
4c1  6c 2  4c3  3c 4  0
La matriz de coeficientes y la matriz escalonada se muestran enseguida:
 2 4 18 2 1 0 0  47 / 64
 3 7  11  7   0 1 0  3 / 4 


 4  6 4 3 0 0 1 23 / 64 
De aquí que, si hacemos c 4 = 64, las otras constantes son: c 1 = 47, c2 = 48 y c3

= -23 y por lo tanto los vectores son linealmente dependientes.
Con estas constantes, podemos escribir:
 2  4  18   2  0 
47   3  48 7   23 11  64  7   0
     
 4   6  4   3  0
En este ejemplo se obtuvo un sistema que tenía un mayor número de

incógnitas que de ecuaciones. Como resultado, la matriz de coeficientes
contenía más columnas que renglones y para este tipo de sistemas siempre
habrá un número infinito de soluciones y por lo tanto los vectores serán
linealmente dependientes.
Lo anterior puede generalizarse como sigue: Un conjunto de n vectores en
Rm siempre serán Linealmente Dependientes si n > m.
Teorema 8: Cualquier conjunto de n vectores linealmente independientes en Rn
genera a Rn.
Ejemplo 21: Del Ejemplo 13, los vectores v1 = (1, -2, 3), v2 = (2, -2, 0) y v3 = (0,
1, 7) son linealmente independientes. Ahora queremos ver como estos vectores
generan R3. Para esto, cualquier vector w en R3 debe poder escribirse como
combinación lineal de los vectores vi como sigue:
w  b1 v1  b2 v 2  b3 v 3
o, expresado en forma analítica:

 x  1  2 0 
 y   b   2   b   2   b 1 
  1  2  3 
 z   3   0  7 
(3.6)
El sistema de ecuaciones para determinar las b i es:
b1  2b2 x
 2b1  2b2  b3  y
3b1  7b3  z
y la matriz aumentada y escalonada nos da:
 7 7 1 
  x  y  z
 1 2 0 x 1 0 0 1710 10 10 
  
7 1

 2  2 1 y   0 1 0 20 x  20 y  20 z 
 3 0 7 z  0 0 1 3 3 1 
 x y z 
 10 10 10 
Así, las constantes vienen dadas por:
7 7 1
b1   x y z
10 10 10
17 7 1
b2  x y z
20 20 20
3 3 1
b3  x  y  z
10 10 10
Como no hay ninguna condición a ser cumplida (como sucedió en los
ejemplos 9 y 10), los vectores vi generan R3 y cualquier vector en R3 puede
escribirse como una combinación lineal de los vecotres vi. Por ejemplo, para
escribir el vector w = (-5, 2, -1) como combinación lineal de v 1, v2 y v3,
calculamos bi:
7 7 1
b1   (5)  (2)  (1)  2
10 10 10
17 7 1 7
b2  (5)  (2)  (1)  
20 20 20 2
3 3 1
b3  ( 5)  (2)  (1)  1
10 10 10
7
w  2v 1  v 2  v 3
2
Una expresión analítica se obtiene de la ecuación (3.6)
Geométricamente lo que esto significa se muestra en la Figura 3.4:
Figura 3.4 Generación de R3 por tres vectores en R3 linealmente independientes.

Note como los vectores v1, v2 y v3 se ven afectados por las
correspondientes bi para localizar el vector w en R3.
3.2 Base de un espacio vectorial
Definición 9: Un conjunto finito de vectores {v1, v2,…,vn} es una base para un
espacio vectorial V si
1. {v1, v2,…,vn} es linealmente independiente
2. {v1, v2,…,vn} genera a V
De acuerdo al Teorema 6, dado que cualquier conjunto de n vectores en R n
linealmente independientes genera a R n, todo conjunto de n vectores L.I. en R n
es una base para Rn.
Así como en R2 se definen los vectores unitarios i = (1, 0) y j = (0, 1) y
esta idea se extiende a R3 con i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1), en Rn se
definen los vectores e1 = (1, 0,…, 0), e2 = (0, 1,…, 0),…, en = (0, 0,…, 1). Estos
vectores son las columnas de una matriz identidad obtenida al escribir un
vector v = (v1, v2,…, vn) є Rn como combinación lineal de los vectores ei:
v  a1e 1  a 2 e 2    a n e n
es decir:
1 0  0  v1 
0  1 0  v 
a1    a2      an     2 
        
       
0  0  1 v n 
En forma matricial lo anterior queda expresado como:
1 0  0  a1   v1 
0
 1  0 a 2  v 2 

        
    
0 0  1   a n  v n 
La matriz identidad, In, en el lado izquierdo de la igualdad anterior tiene

por determinante:
det( I n )  (1)(1)(1)...(1)  1  0
entonces los vectores ei son linealmente independientes. Esta base en R n

constituida por ei se llama base canónica en Rn.
Ejemplo 22: Haciendo referencia de nuevo al Ejemplo 13, ya se vio como los
vectores v1 = (1, -2, 3), v2 = (2, -2, 0) y v3 = (0, 1, 7) generan a R 3 y cómo
podemos escribir el vector w = (-5, 2, -1) como una combinación lineal de estos
vectores (Ejemplo 21). Entonces, estos tres vectores v i es una base para R3.
Sin embargo ésta base no es única, ya que existen los vectores unitarios i, j y k
que son L.I. y que también generan a R3:
1  0  0 
i  0, j  1 y k  0
   
0 0 1
y el vector w = (-5, 2, -1) queda expresado como una combinación lineal de los
vectores unitarios como sigue:
w  5i  2 j  k
Ejemplo 22: Encontrar una base para los vectores que están en el plano -5x +
2y + 3z = 0.
Solución: Queremos encontrar los vectores que generen el espacio vectorial
de los vectores contenidos en el plano -5x + 2y + 3z = 0:
 x  
  
   y   5 x  2 y  3 z  0
 z  
  
Estos vectores generadores del espacio vectorial nos permitirán

expresar cualquier vector en el plano Π como combinación lineal de ellos. Para
hallar estos vectores generadores, despejamos una de las variables del plano,
digamos la variable z:
5 2
z x y
3 3
Por lo que cualquier vector v = (x, y, z) puede escribirse como:
         
 x   x   0  1  0
 y   0  y   x0   y 1 
5  5   2  5  
 x2 y   x   y    2 
 3 3   3   3  3  3 
Una pareja de vectores generadores es entonces v1 = (1, 0, 5/3) y v2 =

(0, 1, -2/3). Estos vectores son linealmente independientes y generan el
espacio vectorial de los vectores contenidos en el plano Π.
Por ejemplo, el vector w = (2, -1, 4) está contenido en el plano y puede
expresarse como combinación lineal de v1 y v2:
 1   0   2
w  a1  0   a 2  1    1
 
5 / 3  2 / 3  4
Al resolver el sistema encontramos que a1 = 2 y a2 = -1 por lo que tenemos:

w  2v 1  v 2
3.2.1 Cambio de base

Enseguida veremos como pasar de una base a otra para expresar
cualquier vector en Rn en otra base. Para facilitar la explicación y obtener
resultados generales, supongamos que deseamos pasar de una base B 1
formada por los vectores v1, v2 y v3 en R3 a otra base B2 formada por los
vectores unitarios i, j y k. Sabemos que es más fácil utilizar la base canónica
para expresar un vector como combinación lineal de los vectores unitarios, pero
esto nos servirá para generalizar los resultados.
Como v1, v2 y v3 generan R3, cualquier vector w puede expresarse como
combinación lineal de ellos:
w  a1 v1  a 2 v 2  a3 v 3 (3.7)
Supongamos que la base B1 está perfectamente bien definida y se
conocen las constantes ai para expresar el vector w en términos de los vectores
vi.
Este vector w también puede escribirse como combinación lineal de los

vectores unitarios de la base B2, la base canónica:
w  b1i  b2 j  b3k (3.8)
En este caso las constantes bi se “desconocen” y hay que determinarlas. Para
esto, expresemos la base anterior B 1 en términos de la nueva base B 2 como
sigue:
v1x  1  0  0 
v 1  v1 y   c11 0  c 21 1  c31 0  c11i  c 21 j  c31k
     
 v1z  0 0 1
v 2 x  1  0  0 
v 2  v 2 y   c12 0  c 22 1  c32 0  c12 i  c 22 j  c32 k
     
 v 2 z  0 0 1
 v3 x  1 0  0 
v 3  v3 y   c13 0  c 23 1  c33 0  c13i  c 23 j  c33k
     
 v3 z  0 0 1

Los subíndices de las constantes ci’s se han escrito así por conveniencia.
Sustituyendo en (3.7):
w  a1  c11i  c 21 j  c31k   a 2  c12i  c 22 j c32k   a3  c13i  c 23 j  c33k 
w   a1c11  a 2 c12  a3 c13  i   a1c 21  a 2 c 22  a3 c 23  j   a1c31  a 2 c32  a3 c33  k
Comparando término a término con le ec.(3.8), vemos que:

 b1   c11 c12 c13   a1 
b   c c 22 c 23  a 2 
 2   21 (3.9)
b3  c31 c32 c33   a3 
Las constantes ci’s tienen el valor de las componentes escalares de los

vectores vi’s de la base vectorial:
v 1  v1 x i  v1 y j  v1 z k
v 2  v2 x i  v2 y j v 2 z k
v 3  v3 x i  v3 y j  v3 z k
por lo que el vector w queda expresado como

w   a1v1x  a 2 v 2 x  a3 v3 x  i   a1v1 y  a 2 v 2 y  a3 v3 y  j   a1v1z  a 2 v2 z  a3 v3 z  k
y la ec (3.9), queda de la siguiente manera:

 b1  v1x v2 x v3 x   a1 
b   v v2 y v3 y  a 2 
 2   1y
b3   v1z v2 z v3 z   a3 
Este producto de matrices nos dará los valores de las b’s para expresar w en
términos de los vectores de la base B 2. Está por demás decir que estos valores
de bi son precisamente las componentes escalares del vector w pues esa es la
ventaja de trabajar con una base canónica. Pero ahora, si lo que queremos es
pasar de la base canónica B2 a la base B1, simplemente despejamos el vector
de coeficientes a’s de (3.9):
1
 a1  v1x v2 x v3 x   wx 
 a   v v2 y v3 y  w 
 2   1y  y
 a3   v1z v2 z v3 z   wz 
(3.10)
La matriz de la Ec (3.9) se llama matriz de transición de la base B1 a la base B2
y, como puede verse, los componentes de la matriz de transición son las
componentes escalares de los vectores v’s que conforman la base B1.
Ejemplo 23: Supongamos que deseamos encontrar una base B 2 formada por
u1 = (-4, 2) y u2 = (1, 7) para expresar el vector w = (-3, -5) en términos de B2 a
partir de la base canónica B1.
Solución: Deseamos expresar w como:
w  a1u1  a 2u 2
La matriz de transición de B1 a B2 es la inversa de la matriz de transición
de B2 a B1.formada por las componentes de los vectores u 1 y u2:
1
 4 1  1  7 1
 2 7 
  30  2 4
Así, los coeficientes ai son de acuerdo a (3.10):
 8
 a1  1  7 1  3  15 
a   30  2 4  5   13 
 2      
 15 
entonces el vector w en términos de la nueva base B 2 es:
8 13
w u1  u 2
15 15
 3 8  4 13 1 
 5  15  2  15 7 
     
La siguiente figura muestra la representación gráfica de w en términos
de las dos bases B1 y B2:
Figura 3.5 Representación geométrica del vector w = (-3, -5) en términos de una base B2
formada por los vectores u1 = (-4, 2) y u2 = (1, 7)
En el ejemplo 22, cualquier otro par de vectores que se encuentren en el

plano pueden servir como base para generar el espacio vectorial. Estos
vectores coplanares deben de ser NO colineales (paralelos) para que sean
linealmente independientes. Por ejemplo, en el Ejemplo 18, los vectores (2, -1,
4) y (4, 1, 6) son coplanares (porque satisfacen la ecuación del plano) y
generan el espacio vectorial porque son linealmente independientes. Cualquier
vector en el plano puede escribirse como combinación lineal de ellos. En
particular el vector (-1, 2, -3) puede escribirse como:
  1  2  4
 2    3  1  1 1 
  2  2 
 3  4 6
Puede verse, entonces, que la base que genera un espacio vectorial no

es única. El siguiente ejemplo muestra como pasar de una base a otra donde
ninguna de ellas es la base canónica.
Ejemplo 24: Construir una base B2 formada por los vectores:
 4  0  1
u1  0 , u 2    5
  y u 3   2
0  1  0 
a partir de una base B1 formada por los vectores:

 1  2 0 
v1   2 , v 2   2 y v 3  1 
 3   0  7 
para expresar el vector w = (-5, 2 ,-1)

Solución: El vector w en términos de vi de la base B1 es:
w  b1 v1  b2 v 2  b3 v 3
en donde suponemos que está bien definido pues es la base de donde

partimos. Entonces, el vector w puede expresarse como combinación lineal de
los vectores vi’s, como sigue:
7
w  2v 1  v2  v3
2
O bien:
 -5   1  2  0 
 2   2   2  7   2   1 
    2   
 -1   3   0  7 
En la base B2, el vector w queda en términos de los vectores ui, como:

w  a1u1  a 2u 2  a3u 3
La base B1 expresada en términos de la base nueva B2 es:

 1  4  0  1
v1   2  c11 0  c 21   5  c31  2
     
 3  0  1  0
 2  4  0  1
v 2   2  c12 0  c 22  5  c32  2
     
 0  0  1   0 
0  4  0  1
v 3  1   c13 0  c 23  5  c33  2
     
7  0  1  0 
Esta vez, encontrar las constantes ci no es tan directo como cuando se

involucra una base canónica. Sin embargo, el sistema de ecuaciones para
encontrar sus valores no es difícil de resolver:
4c11  c31  1  c11  15 / 8

 5c 21  2c31  2  c31  13 / 2
c 21  3  c 21  3
c 22  0  c 22  0
 5c 22  2c32  2  c32  1
4c12  c32  2  c12  1 / 4
c 23  7  c 23  7
 5c 23  2c33  1  c33  18
4c13  c33  0  c13  9 / 2
La base B1 en términos de la base B2, es:

 1  4  0   1
  15     13   15 13
v1   2  0  3  5   2  u1  3u 2  u 3
8 2 8 2
 3  0  1  0
 2  4  0   1
1  1
v 2   2  0  0  5   2  u1  u 3
 
4 4
 0  0  1   0 
0   4  0  1
9 9
v 3  1   0  7  5  18 2  u1  7u 2  18u 3
2 2
7  0  1  0 
Entonces, la matriz de transición es:

 a1   15 / 8 1 / 4 9 / 2   b1 
a    3 0 7  b2 
 2 
 a3   13 / 2 1  18 b3 
Como los valores de bi ya se conocen, los valores de las a i pueden ser

estimados para dar:
 a1   15 / 8 1 / 4 9 / 2   2   13 / 8
a    3 0 7   7 / 2    1 
 2 
 a3   13 / 2 1  18   1   3 / 2 
y así escribir w como:

13 3
w u1  u 2  u 3
8 2
2  1
 6 en términos de la base nueva B
Ejemplo 25: Escribir la matriz 4 2
  1 1   2 0   0 1  0  2 
 , , , 
   1 0 3 1   1 0 0 4  
formada por las matrices .
Solución: Queremos expresar la matriz como:

2  1  1 1 2 0  0 1 0  2 
4 6   a   1 0  a 3 1   a   1 0  a 0 4 
1 2 3 4
         (3.11)
Desarrollando la suma del lado derecho de (3.11), tenemos:
 a1  2a 2 a1  a3  2a 4  2  1
 a  3a  a 
 1 2 3 a 2  4a 4  4 6
Igualando componente a componente, tenemos el sistema de

’
ecuaciones siguientes para determinar las a i s:
a1  2a 2  2
a1  a3  2a 4  1
 a1  3a 2  a3  4
a2  4a 4  6
La matriz de transición de B1 a B2 es la inversa de la matriz de transición

de B2 a B1:
1
 1 2 0 0  14  8  8  4
 1 0 1  2  2
 1  0 4 4

 1 3 1 0 14   14 20 6 10 
   
 0 1 0 4  0 1 1 3
Generalizando la Ec. (3.10), los valores de las ai son:

 a1   14  8  8  4  2  10 / 7 
a   2  1  12 / 7 
 2  1  0 4 4

 a3  14   14 20 6 10   4  18 / 7 
      
a 4   0 1 1 3   6  15 / 14
Sustituyendo en (3.11), tenemos:

2  1 10  1 1 12 2 0 18  0 1 15 0  2
4 6   7  1 0  7 3 1  7   1 0  14 0 4 
        
Ejemplo 26: Expresar el polinomio 2x3 – 3x2 + 5x – 6 en P3 en términos de la
nueva base B2 formada por los polinomios: (1), (1 + x), (x + x2), (x2 + x3).
Solución: Una vez más, deseamos expresar el polinomio en términos de la
nueva base:
2x3 – 3x2 + 5x – 6 = a1 (1) + a2 (1 + x) + a3 (x + x2) + a4 (x2 + x3)
Como en los ejemplos anteriores, la matriz de transición de la base canónica B 1
a la nueva base B2 es la inversa de la matriz de transición de la base B 2 a la
base canónica B1. Para facilitar la escritura de esta matriz de transición
hagamos analogía con la forma de escribir un vector en términos de vectores

unitarios y escribamos la base nueva B2 en términos de la base anterior
canónica B1:
1 
 

1  1(1)  0( x)  0( x 2 )  0( x 3 )  1 x x2 x 
3 0 
0 
 
0 
1
 
1  x  1(1)  1( x )  0( x )  0( x )  1 x x
2 3
2
x 3 1 
0 

 
0 
0 
 
x  x  0(1)  1( x)  1( x )  0( x )  1 x x
2 2 3 2
 x 3 1 
1

 
0 
0 
 
x  x  0(1)  0( x)  1( x )  1( x )  1 x x
2 3 2 3 2
 x 3 0 
1 

 
1 
Los vectores columnas forman la matriz de transición. Dicha matriz y su inversa
se muestran enseguida:
1
1 1 0 0 1  1 1  1
0 1 1 0 0 1  1 1
  
0 0 1 1 0 0 1  1
   
0 0 0 1 0 0 0 1
Los valores de las ai’s son entonces:

1
 a1  1 1 0 0    6  1 1 1  1  6  16
 a  0 1 1 0   5  0 1 1 1   5   10 
 2   
 a 3  0 0 1 1    3  0 0 1  1   3   5 
          
 a 4  0 0 0 1   2  0 0 0 1  2   2 
3.2.2 Bases ortonormales

Definición 9: Se dice que un conjunto de vectores S={v1, v2, … , vn} en Rn es
un conjunto ortonormal si
1. vi · vj = 0 si i ≠ j
2. vi · vi = 1
Si sólo se satisface la condición [1], se dice que el conjunto es ortogonal. La
condición [2] solamente asegura que los vectores sean unitarios.
Se ha mencionado anteriormente que dos vectores son linealmente
independientes si ellos no son proporcionales, es decir, uno no se puede
escribir en términos del otro. Esto mismo sucede con los vectores ortogonales
(los que cumplen la propiedad [1] anterior). Como ellos son perpendiculares, no
hay manera de encontrar constantes que nos permitan expresar uno en
términos del otro. Así, los vectores ortogonales son linealmente
independientes.
La base canónica en Rn está formada por vectores ortogonales, o mejor
dicho, ortonormales dado que sus magnitudes son igual a uno. Es posible
encontrar una base ortonormal a partir de una base del espacio vectorial. Este
es el proceso de ortonormalización de Gram-Schmidt que se explica a
continuación con un ejemplo.
Antes de ver el ejemplo, recordaremos algunas expresiones importantes.
La primera de ellas es la de la obtención de un vector unitario n a partir de otro
vector m:
m
n (3.12)
m
Otra expresión a recordar es la del cálculo de la proyección de un vector

a sobre otro vector b:
a b
proy b a  2
b
b
a b
ca 2
b
b
a
b a b
proy b a  2
b
b
X
Figura 3.6 Proyección ortogonal de un vector.

No siempre la proyección de a y el vector b tendrán la misma dirección. Si
sucede que estos vectores tienen direcciones opuestas, entonces tendremos
a b
0
que el término b
2 .
Otra expresión a recordar es la del vector c el cual es la componente

perpendicular de a sobre b, también mostrado en la figura. La expresión para c
se obtiene de la suma de a, c y proyba:
a b
c a b
b
2 (3.12)
En el caso particular de que el vector b sea un vector unitario, es decir,

║b║= 1, La Ec. (3.12) se simplifica a:
c  a   a  b b (3.13)
Aunque estas expresiones se obtuvieron en su momento para vectores
en R2, éstas se cumplen también para vectores en R n.
Es fácil verificar que si c y b son perpendiculares, su producto escalar es
cero:
b  c  b   a   a  b b 
b  c   b  a    a  b  b  b 
b  c  b  a  b  a  0
Para esta última expresión se utilizó el hecho de que b · b = 0 y la propiedad

conmutativa del producto escalar.
Por último, también utilizaremos la siguiente expresión basada en la Ec.
(3.13). Sea
c  a  (a  b 1 )b 1  (a  b 2 )b 2    (a  b k )b k (3.14)
Si multiplicamos escalarmente ambos miembros de (3.14) por bi, i = 1,2,…,k y
sabiendo que bi · bj = 0 si i ≠ j y que bi · bi = 1 por ser b un vector unitario,
entonces:
c  b i  (a  b i )  (a  b 1 )(b 1  b i )  (a  b 2 )(b 2  b i )    (a  b k )(b k  b i )  0
Esto nos dice que el conjunto {b1, b2,…, bk, c/║c║} es linealmente
independiente y ortonormal.
Ejemplo 28: Construya una base ortonormal en R 4 a partir de la base formada
 1  1   1    1 
        
 2 1  2 2 
por los vectores  v1 , v 2 , v 3 , v 4      ,  ,   ,    .
 0  2  3    1 
        
  1   2  1   4  
Solución:
1. Elección del primer vector unitario: Primero escribimos el primer vector
unitario de la siguiente manera:
v1  6
  1
 
v1 1  2
u1  
v1 6  0
 
 1
2. Cálculo de un vector ortogonal a u 1: El siguiente paso es encontrar un

vector perpendicular al vector unitario u1. Llamemos a este vector v2’ y
utilicemos la Ec. (3.13) para calcularlo:
v' 2  v 2  (u1  v 2 )u1 (3.15)
La Ec (3.15) comprende el cálculo de la proyección de v2 sobre u1 (Ec.
(3.13)) y el de la componente perpendicular a u1.
Las componentes del vector v2’ son, de acuerdo a (3.15):
 1
  1
 1  1
u1  v 2   1 2 0 1     
 6  2 6
 
 2
 1   1
 2  
 u1  v 2  u1    1 

1  

1 2
  
 6  6   0 6  0
   
 1  1
 1  1  5 / 6 
 1     2 / 3
 1 2
v '2  v 2  (u1  v 2 ) u1            
 2  6   0   2 
     
 2  1   13 / 6
cuya norma es:

354
v' 2 
6
Así, el segundo vector unitario, u2, es:

 5
 
v' 2 1   4
u2  
v' 2 354  12
 
 13
Si u1 y u2 son perpendiculares, entonces, u1 · u2 = 0

 5
  4
 1  1 
u1  u 2    1 2 0 1  0
 6   354   12
 
 13
3. Cálculo de un tercer vector ortogonal a u 1 y u2: El tercer vector unitario se

obtiene con la Ec. (3.14). Primero obtenemos un vector, llamémosle v3’, que
sea perpendicular a los vectores unitarios u1 y u2:
v '3  v 3  (v 3  u1 )u1  (v 3  u 2 )u 2
 1
 2
1 4
v 3  u1  1 2 3 1    
6  0 6
 
 1
 5
  4
1 62
v 3  u2  1 2 3 1  
354  12  354
 
 13 
 1  1  5
  2  2  
 4  1     62  1    4
v '3            
 3  6  6   0   354  354   12 
     
 1  1  13 
 1   1  5   32
  2  2   4  
   2     31    1  2
v3 
'
    
 3   3   0  177   12  59  53 
       
 1  1  13    36
La norma del vector es

5133 87
v '3  
59 59
y el tercer vector unitario es:
 32
 
1  2
u3 
5133  53
 
 36
4. Cálculo del cuarto vector ortogonal a u 1, u2 y u3: El cuarto y último vector

unitario se obtiene de la misma forma con la Ec. (3.14). Primero obtenemos un
vector al cual llamaremos v4’, que será perpendicular a los vectores unitarios
u1, u2 y u3:
v '4  v 4  (v 4  u1 )u1  (v 4  u 2 )u 2  (v 4  u 3 )u 3
 1
 2
1 9
v 4  u1  1 2 1 4   
6  0 6
 
1
 
 5
  4
1 27
v 4  u2  1 2  1 4  
354  12  354
 
 13 
  32 
 2
1 161
v 4  u3  1 2  1 4  
5133  53  5133
 
  36 
 1  1  5  32
 2  2   4  
 9  1     27  1  
v '4               161  1   2 
 1  6  6   0  354  354   12   5133  5133   53
       
 4  1  13   36
 1  1  5  32  7
 2  2   4  2  
3
v '4          
 9 
    161     11   5 
 1  2   0   118   12   5133   53 87   2 
         
 4  1  13   36  3
La norma del vector es

11 11
v '4  87 
87 87
y el tercer vector unitario es:

 7 
 
1   5
u4 
87   2 
 
 3
Así, una base ortonormal para los vectores en R4 siguientes
 1  1   1    1 
        
 2 1  2 2 
 v1 , v 2 , v 3 , v 4    ,  ,  ,   
 0  2  3    1 
        
  1   2  1   4  
es:
   1  5  32  7  
  2   4  2  
 1   1   1   1   5 
 , , , 
 6  0  354  12 5133  53 87   2  
        
  1  13  36  3 
Definición 12: Una matriz Q de n × n se llama matriz ortogonal si Q es
invertible y su inversa es igual a su transpuesta:
Q 1  Q T
Para escribir una matriz ortogonal de n × n, podemos usar una base

ortonormal para Rn.
Teorema 10: La matriz Q de n × n es ortogonal si y sólo si las columnas de Q
forman una base ortonormal para Rn.
Por ejemplo, considere los siguient
es vectores ortonormales:
 1   1   1 
 
2    
  6  3
1  1  1 
u1   , u2   , u 3  
 2  6   3
   2   1 
     
 0   6  3
Estos vectores son ortonormales pues tienen las siguientes propiedades:
ui  u j  0 , i j
ui  u i  0
Entonces, una matriz ortogonal puede construirse a partir de estos

vectores:
 1 1 1 
  
 2 6 3
1 1 1 
Q 
 2 6 3
 2 1 
 0 
 6 3
Es fácil verificar que Q -1 = QT y por lo tanto, Q es una matriz ortogonal:
 1 1 
 0 
 2 2 
1 1 2 
Q  Q  
1 T
 6 6 6 
 1 1 1 
  
 3 3 3
Definición 13: Sea H un subespacio de Rn con base ortonormal {u1, u2, ..., uk}
Si v є Rn, entonces la proyección ortogonal de v sobre H, denotada proyH v,
está dada por:
proy H v   v  u1  u1   v  u 2  u 2     v  uk  uk
Como puede verse, esta expresión es una generalización de la
proyección de un vector sobre otro, sólo que esta vez se está proyectando un
vector sobre una base, es decir, sobre un conjunto de vectores.
  x 
  
Ejemplo 29: Dado el plano:     y  3 x  3 y  z  0
 z 
  
Encuentre una base ortonormal para el conjunto de vectores en R3 que están

en el plano π y encuentre la proyección del vector m = (3, -2, 4) sobre el plano.
Solución: Para encontrar el conjunto de vectores generadores del
subespacio vectorial, despejamos una de las variables de la ecuación del
plano:
z  3x  3 y
y cualquier vector w = (x, y, z) є π lo escribimos como sigue:

 x  x  1   0
  
w   y       
y   x 0  y  1

z  3 x  3 y 
 
 3
 
 3

por lo que una base del subespacio vectorial es la formada por los vectores:
 1   0  
 
B  0 ,  1  
  3   3  
   
Para encontrar una base ortonormal obtenida a partir de la base B,

procedemos como anteriormente:
1. Encontramos un vector unitario:
1
v 1 0 
u1  1 
v1 10  
3
2. La proyección de v2 sobre u1 se obtiene como sigue:

1 
 9  
proy u1v 2   u1  v 2 u1     0
 10   
3
3. El vector v’2 ortogonal al vector unitario u1, es:

v' 2  v 2  proy u1v 2
 0 1  9
  9   1 
v' 2   1  0  10
10   10  
 3
   3
  
  3

4. El segundo vector unitario u2 es, entonces,

 9
v' 2 1  10
u2  
v' 2 190  

  3

Una manera alternativa de encontrar una base para el plano π, es darle

valores a las variables x e y en la ecuación del plano y calcular el valor de z
para cada una de las parejas. Esto nos conduce al siguiente conjunto de
vectores: v3 = (1, 2, -3) y v4 = (-2, -3, 3) los cuales generan el plano π.
La base ortonormal a partir de esta base se construye igual y,
obviamente, se obtendrá una base diferente. Esto nos conduce a la siguiente
base ortonormal:
 1 11
1 2 , 1 8
u3  u4  
14   266  
  3  9 
Esta base ortonormal es diferente a la encontrada anteriormente pues se

obtuvieron a partir de bases diferentes.
La proyección del vector m = (3, -2, 4) є R3 sobre el plano π en términos
de la base B1 = {u1, u2}, es:
proy  m   u1  m u1   u 2  m u 2
  3 1    3  9
 1    1     1    1  
proy  m   1 0 3  2    0    9 10  3  2     10
 10     190
 4   
 10  190 
  4   3    3
1   9  24 
 15     1   1 
proy  m    0   10    5
 10     38   19 
3   3  87 
La proyección del vector m = (3, -2, 4) є R3 sobre el plano π en términos

de la base B1 = {u3, u4}, es:
proy  m   u 3  m u 3   u 4  m u 4
  3  1   3  3
 1   1    1   1 
proy  m   1 2  3  2    2  11 8 9  2       2

 14  14     266  266 
  4     3   4    4 
 1 11  24 
 13      53   8  1   5
proy  m     2   266    19 
 14   
 3  9  87 
De aquí que “la proyección del vector m = (3, -2, 4) є R3 sobre el plano π,
es independiente de la base ortonormal elegida.”
Teorema 11: Sea B = {u1, u2, ..., uk} una base ortonormal para Rn y sea v є Rn.
Entonces v = proyRn v, esto es:
v   v  u1  u1   v  u 2  u 2     v  uk  uk
Este teorema nos permite expresar un vector en el plano π del ejemplo
anterior en términos de los vectores generadores de la base ortonormal. Por
ejemplo para expresar el vector (1, 1, 0) є π, en términos de la base ortonormal
formada por los vectores
1   9
1 0  , 1  10
u1  u2 
10   190  
3   3
procedemos como lo dice el teorema anterior:

1   1   1   1    9
1   1 1    1     1
3 1    0    9 10    1   
 3 1    10
   10 0
 10     190  190   
0  
0  3  
0   3
1  1   9
1   1 0  1  10 
  10   10  

0 
 
 3
 
 3
De la misma manera, para la base ortonormal formada por los vectores:

 1 11
1
 2 , 1 8
u3  u4  
14   266  
  3  9 
1   1    1  1  11
1   1 1     1 
 3 1  

  2   
1
11

9 1   
1  
 8
   14 2 8
266   
   14    3  266 
0  0     0   9 
1  1 11
1   3   2   19   8 
   14     266   
0   3  9 
Ejemplo 30: Encuentre una base ortonormal para los vectores en R 3 que están
en el plano XY.
Solución: Cualquier conjunto de dos vectores en R 3 con z = 0 y que sean LI es
una base para R3. Una base vectorial podría ser el conjunto de vectores:
1   2 
 
B1  3 ,  5  
 0   0  
   
Cualquier vector en el plano Z = 0 puede escribirse en términos de B1:

 x 1   2
 y  a  3  a  5
  1   2  
 0
    0
   
 0 

Los coeficientes se encuentran al pasar de una base canónica a la base B 1:

1
 a1  1  2  x 
a   3 5   y 
 2 
 a1  1  5 2  x 
o bien: a   11  3 1   y 
 2   
De aquí obtenemos las siguientes expresiones para ai:
1 1
a1   5x  2 y  , a2    3x  y 
11 11
Así, el vector w = (-6, 5, 0) se escribirá en términos de B1 como:
  6 1    2
20   23 
w   5    3  5 
11   11 
 0  0  0 
Una base ortonormal encontrada a partir de B 1 es:

 1   3 
 1   1  
B2    3 ,  1 
 10 0 10  0  
    
Cualquier vector en el plano XY puede escribirse como combinación

lineal de estos vectores ortonormales. Los coeficientes se encuentran utilizando
el teorema 11. Por ejemplo, el vector w = (-½, ¼, 0), se expresa como:
w   u 1  w  u1   u 2  w  u 2
  1 / 2    1 / 2  1     1 / 2   3
 1 / 4    1 1 3  1   
0  1 / 4     3 
 1
 3 1
 1   
0  1 / 4      1 
   10 
 0   
10 
 0   
 10 10 
 0   0   0 
  1 / 2 1   3
 1 / 4   1  3  7  1 
  40   40  

 0 
  0
   
 0 

3.2.3 Ajuste de curvas por mínimos cuadrados

En muchos problemas de las ciencias biológicas, físicas y sociales
resulta útil describir la relación entre las variables del problema por medio de
una expresión matemática.
Desafortunadamente, no es fácil obtener una fórmula como las que uno
está familiarizado. Una manera común de encontrar la relación entre las
variables de un problema es ajustar una curva entre los distintos grupos de
datos. Esta curva puede ser recta, cuadrática, cúbica, etc. El objetivo es
encontrar la curva del tipo específico que se ajuste mejor a los datos dados.
Estudiaremos el caso en que se tienen dos variables suponiendo que existen n
pareja de datos (x1, y1), (x2, y2), …, (xn, yn).
Aproximación por una recta. Buscamos la recta de la forma y = b + mx que

mejor represente a los n datos (x1, y1), (x2, y2), …, (xn, yn).
Si los valores x y y están relacionados por la fórmula y = b + mx,
entonces para x = x1 el valor correspondiente de y es b + mx1 que puede ser
igual al valor real y1. Esto se muestra en el siguiente esquema:
y = b + mx (x1, y1) Y
(x1, b+mx1)
(x2, b+mx2)
Datos reales (x3, y3)
Datos estimados (x2, y2)
(x3, b+mx3)
(x4, b+mx4)
(x4, y4)
Figura 3.7 Ajuste lineal de datos por el método de mínimos cuadrados.
Lo que se busca es la recta que pase lo más cerca posible de todos los
puntos, es decir, aquella recta que minimiza la suma de los cuadrados de las
diferencias entre los valores reales y los estimados con la recta
correspondiente:
 y1  (b  mx1 ) 2   y 2  (b  mx2 ) 2     y n  (b  mxn ) 2
Claro que si los puntos caen sobre la recta, entonces se cumple que:
 y1  (b  mx1 ) 2   y 2  (b  mx2 ) 2     y n  (b  mx n ) 2  0
o bien:
y1  (b  mx1 )  0
y 2  (b  mx 2 )  0

y n  (b  mx n )  0
que expresado en forma matricial nos queda:

Y  AU  0
O bien:
 y1  1 x1  0 
 y  1 
x 2   b  0
 2    (3.16)
      m  
     
 y n  1 xn  0 
Si los puntos NO caen sobre la recta, entonces:
Y  AU  0
y debemos encontrar el valor de U tal que la norma euclidiana Y  AU sea
mínima. Gráficamente, en R3, esto significa lo siguiente:
Y − AU
Y
AU
X
Figura 3.8 Diferencia entre vectores de valores reales y valores ajustados.
Si U es el vector que minimiza la norma Euclideana, entonces: AU ┴
Y  AU  , es decir:
AU  (Y  AU )  0
( AU ) T (Y  AU )  0
(U T AT )(Y  AU )  0
U T ( AT Y  AT AU )  0
como UT ≠ 0, entonces AT Y  AT AU  0 y de aquí obtenemos:

U  ( AT A) 1 AT Y (3.17)
Ejemplo 31: Encuentre la recta que mejor ajusta los puntos: (1, 4), (-2, 5), (3,
-1) y (4, 1)
Solución: Un bosquejo de la gráfica se da en la Figura 3.9. Para encontrar U
de la Ec.(3.17), debemos encontrar los términos de dicha expresión. La matriz

A del sistema es, de acuerdo a la Ec. (3.16):
1 1
1  2
A
1 3
 
1 4
y su transpuesta es:
1 1 1 1
AT  
1 2 3 4
Figura 3.10 Datos experimentales y recta de ajuste obtenida por mínimos cuadrados.
Así, de acuerdo con (3.16), primero debemos encontrar el producto ATA:

1 1
1 1 1 1  1  2 4 6
AT A   
1 2 3 4 1 3  6 30
 
1 4
Ahora debemos encontrar la inversa de este producto:

1  30  6  5 / 14  1 / 14 
 A AT 1

1
A
Adj ( A) 
84   6

4    1 / 14 1 / 21 

Después realizamos el producto (AT A)-1 AT:

 5 / 14  1 / 14  1 1 1 1 1 12 21 6 3
 A A
T 1
AT   
1 / 21  1

4 42  1 5
  1 / 14 2 3 7 3
Y por último, calculamos los parámetros de la recta de ajuste como

sigue:
 4
b  1 12 21 6 3  5 1  150 
U     ( AT A) 1 AT Y  
m  42   1 7 3 5   1  42  37

 
 1
Así, la recta que mejor ajusta los puntos tiene por ecuación:
25 37
y  x
7 42
Ejemplo 32: Estimación de g. Se dejó caer un cuerpo desde una altura de 200
m y se midieron los tiempos en que dicho cuerpo pasó por ciertas posiciones
dadas en seguida:
Tiempo (s) 0 1 2 4 6
Altura (m) 200 195 180 120 25
Solución: Sabemos que la forma en que se relaciona la posición, s, con el

tiempo, t, de un cuerpo en caída libre es:
1 2
s  s0  gt
2
Así que para estimar el valor de g debemos usar un polinomio de segundo
grado:
y  a 0  a1 x  a 2 x 2
Para facilitar la solución del problema, se usarán solamente los datos de

las celdas marcadas de color gris. La matriz del sistema y su transpuesta son:
1 0 0 1 1 1
A  1 2 4  y AT  0 2 6 
1 6 36 0 4 36
El producto de estas dos matrices es:

1 1 1  1 0 0 3 8 40 
 A A  0
T
2 6  1 2 4    8 40 224 
0 4 36 1 6 36  40 224 1312
La inversa de esta matriz es:

 2304  1536 192 
1 1 
T
( A A) 1
 adj ( A A) 
T
 1536 2336  352
det( AT A) 2304 
 192  352 56 
Después calculamos el producto (AT A)-1 AT:

 2304  1536 192  1 1 1  2304 0 0 
1  1 
( AT A) 1 AT   1536 2336  352 0 2 6    1536 1728  192
2304  2304 
 192  352 56  0 4 36  192  288 96 
y por último el producto (AT A)-1 ATY, es:

 a1   2304 0 0  200  460800   200 
  1     1 
1 T
U  a 2   ( A A) A Y 
T
 1536 1728  192 180   30720   13.33
2304  2304 
 a3   192  288 96   25    11040    4.79 
Así, la ecuación cuadrática que mejor ajusta los datos es:

y  200  13.33 x  4.79 x 2
Por comparación con la ecuación cuadrática de movimiento, tenemos lo

siguiente:
1
 g  4.79 m / s 2
2
g  (2)( 4.79 m / s 2 )  9.58 m / s 2
3.3 Dimensión de una base de un espacio vectorial

A continuación se da una serie de las definiciones relacionadas con el
tema de Base y Dimensión.
Definición 14: Si el espacio vectorial V tiene una base finita, entonces la
dimensión de V, denotada dim (V), es el número de vectores en todas las
bases y V se llama espacio vectorial de dimensión finita. De otra manera, V se
llama espacio vectorial de dimensión infinita. Si V = {0}, entonces se dice que V
tiene dimensión cero.
Definición 15: El espacio nulo de una matriz o KERNEL, denotado como NA,
es el conjunto de vectores en Rn que satisfacen el sistema homogéneo:

N A  x  R n AX  0 
Definición 16: La nulidad de NA, denotado por (A), se refiere al número de
vectores en la base que genera dicho espacio vectorial NA:
 ( A)  dim( N A )
Definición 17: La imagen de una matriz A de m × n, denotada por Imagen(A),
se refiere al conjunto de vectores formado por los términos independientes en
el sistema de ecuaciones:

imagen( A)  Y  R m AX  Y para alguna X  R n 
Definición 18: El rango de una matriz A de m × n, denotado por ρ(A), es la
dimensión de la imagen de la matriz A:
 ( A)  dim(imagen( A))
Definición 19: El espacio de las columnas, CA, y de los renglones, RA, de
una matriz A de m × n son los espacios generados por las columnas y los
renglones, respectivamente, de la matriz A:
RA = gen{r1, r2, … , rm}
CA = gen{c1, c2, … , cn}
Es decir, solamente aquellas columnas y renglones que sean linealmente
independientes generarán dichos espacios de columnas y renglones. En
algunas ocasiones se usarán todas las columnas y todos los renglones de la
matriz A para generar dichos espacios y en algunas ocasiones solamente se
usarán ciertas columnas y ciertos renglones para generarlos. Esto se sabe
después de verificar si las columnas y los renglones son o no L.I. o no. Sin
embargo, existe un teorema que nos permite determinar la dimensión de estos

espacios vectoriales fácilmente:
dim(RA) = dim (CA) = ρ(A)
Además, existe un teorema que dice: la imagen de una matriz A es igual
al espacio de las columnas. Esto nos permite estimar la imagen de la matriz A,
imagen(A), a partir de la matriz de coeficientes como se verá más adelante.
Otro teorema nos permite conocer todos estos elementos de una matriz
a partir de la forma escalonada por renglones:
Teorema 12: Si A es equivalente por renglones a B, entonces R A = RB, ρ(A) =
ρ(B), (A) = (B).
Apliquemos estas definiciones en los siguientes ejemplos:
Ejemplo 33: Encuentre el rango (ρ(A)) y la nulidad ((A)), una base para la
imagen y el espacio nulo de la matriz dada:
1 1 2
A  3 1 4
5 1 8 
Solución: Esta matriz A es la matriz de coeficientes de un sistema de

ecuaciones. Podemos decir que es la matriz de un sistema homogéneo como
el siguiente:
x1  x 2  2 x3  0
3 x1  x 2  4 x3  0
5 x1  x 2  8 x3  0
y también de un sistema no homogéneo cuyos términos independientes no

conocemos pues depende de cada caso particular. Sin embargo, podemos
llamar a esta vector Y con componentes Y = (y 1, y2, y3). El sistema no
homogéneo es entonces:
x1  x 2  2 x3  y1
3 x1  x 2  4 x3  y 2
5 x1  x 2  8 x3  y 3
Resolveremos éste último sistema para ver la conveniencia de trabajar

con las definiciones anteriores. La matriz aumentada del sistema es entonces:
1  1 2 y1 
 
A  3 1 4 y2 
5  1 8 y 3 
Cuando esta matriz se escalona, obtenemos los siguiente:

 3 1 1 
1 0 y1  y 2 
1  1 2 y1   2 4 4 
  1 3 1
A  3 1 4 y2   0 1   y1  y 2  (3.18)
 2 4 4 
5  1 8 y 3  0 0 0  2 y1  y 2  y 3 
 
 
Primero trabajaremos con el lado izquierdo de esta matriz equivalente.
Esto es similar a trabajar con el sistema homogéneo. Entonces tendremos:
 3
 1 2 1 0
2
1  1
A  3 1 4  0 1   (3.19)
 2
5  1 8  0 0 0
 
Si quisiéramos construir el espacio de las columnas, tendríamos que

verificar si las columnas de la matriz son o no L.I. Para esto tendríamos las
siguientes tres columnas:
1  1 2
c 1  3 , c 2   1 y c 3  4
5  1 8 
Después, si c1, c2 y c3 son L.I., encontraríamos las constantes, ai, que nos
permitieran escribir a1c1 + a2c2 + a3c3 = 0. En términos de componentes
quedaría expresado como:
1  1  2  0 
a1 3  a 2  1  a3  4  0
   
5  1 8  0
El sistema homogéneo para encontrar las constantes ai sería, entonces,

el mismo sistema mencionado arriba con la misma matriz A de coeficientes
escalonada anteriormente (vea (3.19)). De aquí podemos ver que como el
último renglón son solamente ceros, las columnas ci son L.D. pues las
constantes ai son, de acuerdo a (3.19):
3 1
a1   a 3 , a 2  a3 , a3  a3
2 2
De acuerdo con esto, dado que las columnas son L.D., entonces no
debemos tomarlas todas para formar el espacio de las columnas; dos de ellas
serán suficientes, digamos c1 y c2. Así, tenemos que:
CA = gen{c1, c2}
Solo como comprobación, si c1 y c2 generan el espacio de columnas,

entonces c3 puede expresarse como combinación lineal de ellas, tal como se
muestra a continuación:
 2 1   1
 4  3 3  1  1
  2  2 
8  5   1
Además, como se requieren dos vectores, c1 y c2, para generar CA,

entonces:
dim (CA) = 2
Todo esto se refleja en el número de pivotes de la Ec. (3.19). Hay dos
pivotes y por lo tanto se requieren dos vectores para generar el espacio
vectorial de las columnas.
Siguiendo con la matriz del sistema homogéneo, para determinar una

base del espacio nulo, NA, de la matriz volvemos a (3.19). La solución del
sistema homogéneo la expresamos como:
3
x1  x3  0
2
1
x 2  x3  0
2
x3  x3
Esto nos permite expresar el sistema solución, X, como:

  3 / 2
X  x 3  1 / 2 
 1 
 3 1 
es decir, una base para el espacio nulo, NA, es el vector   , , 1
 2 2 
entonces la nulidad es (A) = 1.

Para obtener la imagen de A, imagen(A), utilizamos el sistema no
homogéneo. De (3.18) vemos que para que el sistema tenga solución, debe
ocurrir que:
-2y1 – y2 + y3 = 0
Despejando cualquiera de las variables, tenemos:
y2 = -2y1 + y3
Lo que nos permite escribir el conjunto de términos independientes como:
 y1   y1   1  0
Y   y 2    2 y1  y 3   y1  2  y 3  1 
     
 y 3   y3   0   1
  1  0  
    
Así, una base para la imagen de A es: imagen( A)   2, 1 
  0  1  
    
De aquí que, dado que se requieren dos vectores para formar una base para la
imagen de A, el rango de A es: ρ(A) = dim(imagen(A)) = 2.
Toda esta información también se ve en la matriz escalonada por

renglones (3.19). No es una coincidencia que el número de pivotes sea igual al
rango de A, ρ(A), y que una base para la imagen de A sean las columnas
tomadas para construir el espacio de las columnas. Es decir, otra base para la
imagen de A es:
 1  1 
 
imagen( A)   3,  1 
 5  1 
    
Una manera de comprobar el resultado obtenido, es tomando un vector
X cualquiera y evaluando el sistema NO HOMOGENEO para obtener un vector
Y y entonces escribir este vector como combinación lineal de los vectores que
forman la base de Y:
 2
Así, si X   0  , sustituyendo en el sistema no homogéneo tenemos
 4 
6
Y  10  el cual se puede escribir como:
22
6  1 0
10   6  2  22 1
     
22  0  1
o utilizando las columnas c1 y c2:

6 1   1
10   4 3  2  1
     
22 5   1
Para generar el espacio de los renglones, R A, también necesitamos

solamente dos vectores, pues ρ(A) = 2. Así, por ejemplo r1 = (1, -1, 2) y r2 = (3,
1, 4) generan el espacio de los renglones RA. El otro renglón, r3, es una
combinación lineal de ellos:
 5  1 3
 1  2  1  1 
     
 8   2 4
Ahora que ya sabemos la relación entre los sistemas de ecuaciones

homogéneo y no homogéneo con las definiciones, obtendremos estos
elementos de la matriz a partir de la propia matriz en el siguiente ejemplo.
Ejemplo 34: Encuentre el espacio nulo, la nulidad, C A, RA, imagen (A), el rango,
de la matriz
1 1 2 3
A  0 1 4 3
1 0 6 5
Solución Primero obtenemos la matriz equivalente de A escalonada por

renglones, para obtener la información requerida.
1 1 2 3 1 1 2 0
A  0 1 4 3  0
 1 4 0 (3.20)
1 0 6 5 0 0 0 1
Esta matriz tiene 3 pivotes, por lo tanto el rango de la matriz A es 3 y

además:
dim(CA) = dim(RA) = ρ(A) = 3
Esto quiere decir, que para construir el espacio de las soluciones de A, el
espacio de las columnas y el espacio de los renglones, se requieren tres
vectores que formen las respectivas bases:
1  1 2 
 
C A  gen c 1 , c 2 , c 3   0 ,  1 , 4 
1  0  6 
      
1  1 2 
 
imagen( A)  C A  0 ,  1 , 4 
1  0 6 
      
 1 0 1 
      
 1 1 0 
R A  genr1 , r2 , r3     ,   ,   
  2   4  6  
      
  3   3  5  

Para obtener el espacio nulo, de (3.20) podemos escribir las variables xi

como sigue:
x1  x 2  2 x3  0
x 2  4 x3  0
x 3  x3
x4  0
Con lo que escribimos el vector X como:

  6 x3   6
 4 x    4
X  3
 x3  
 x3   1
   
 0   0
Este vector forma la base del espacio vectorial que contiene los vectores
X solución del sistema homogéneo. Por lo tanto, la nulidad es (A) = 1 y el
espacio nulo:
  6 
  
 4 
N A    
 1  
  
 0  
3.4 Transformaciones lineales

Definición 20: Sean V y W espacios vectoriales reales. Una transformación
lineal T de V en W es una función que asigna a cada vector v en V un vector
único Tv en W y que para cada u y v en V y cada escalar k, satisface las
siguientes dos condiciones:
i). T(u + v) = T(u) + T(v)
ii). T(kv) = k T(v)
Ejemplo 35: La proyección ortogonal de un vector v = (vx, vy) sobre la línea
recta en la dirección del vector u = (2, 1) es una transformación de R 2 en R2
definida en cada vector v como:
u x   u xvx  u y v y 
v x 
vy  
u
 2
ux 
v u  y  u x   u 
T (v )  u   u v  u v
 
2   (3.21)
u
2
u
ux  u y  y  
2 2 x x y y
u y
2
 u 
Sustituyendo las componentes del vector u en (3.21), tenemos:
 5  2v x  v y  
2 
T (v)    (3.22)
  2v x  v y  
1
5 
Así, para encontrar la proyección de un vector v1 sobre el vector u
aplicamos (3.22) a dicho vector. Por ejemplo, sea el vector v1 = (-3, 1),
Aplicando (3.22) a v1 = (-3, 1), obtenemos:
2 
  3   5  ( 2)(3)  1    2 
T (v 1 )  T          
  1   1
   ( 2)(3)  1     1 
5 
Para otro vector v2 = (3, -2), con (3.22), tenemos:
 8   2  (2)( 8 )  4    8 
   
5 5 5 5   5 
T (v 1 )  T      
  1
4  8 4   4 
    (2)( )     
5 5 5 5   5 
La Figura 3.11 muestra la proyección de v1 y v2 sobre u.
Figura 3.11 Proyección ortogonal como transformación lineal.

La transformación por proyección es una Transformación Lineal
pues satisface las condiciones (i) y (ii) dadas en la Definición 15.
Si definimos dos vectores v = (vx, vy) y w = (wx, wy), la proyección sobre
un vector u se obtiene aplicando (3.21):
 u xvx  u y v y u x wx  u y w y 
 u x  ux 
 v x   wx    v x  wx   u
2
u
2

T (v  w )  T         T    u v  u v
 vy w  v  w u w  u w 
   y   y y

x x y y
uy 
x x y y
uy 
2 2
 u u 
T (v  w)  T (v)  T ( w )
Si ahora definimos un número real α, entonces:

uxvx  u y vy  u v  u v 
  u x    x x 2 y y u x 
 v x   u
2
u
T  v   T             T  v
 v y   u x vx  u y v y  u x vx  u y v y 
   
2
 u y    2
uy 
 u   u 
La matriz de transformación A T, para una transformación por proyección

T: R2→ R2 se obtiene aplicando (3.21) a los vectores de la base canónica:
 ux   u x2 
 u 
 2 x   2 
1  u  u 
T  
0  u y  u    u x u y 
 2 x  2
 u   u 
 ux  u xu y 
 2 u y   2 
0 u  u 
T     2 
1  y  u    u y 
u
 2 y  2
 u   u 
Entonces, AT es:
1  ux uxu y 
2
AT  2   (3.23)
u u x u y u y2 
Para el ejemplo particular con v = (-3, 1) y u = (2, 1), aplicando (3.23),

tenemos:
 3 1  u u x u y  v x  1 4 2  3  2
2
T    AT v  2  x    
 1 u u x u y u 2y  v y  5 2 1   1   1 
Teorema: Sea T: Rn → Rm una transformación lineal. Entonces existe una

matriz única AT de m × n tal que:
T x = AT x para todo x є Rn
Definición: Si AT es una matriz de m × n y una transformación T: Rn → Rm está
definida por Tx = ATx, entonces T es una transformación lineal.
Definición: Sean V y W dos espacios vectoriales y sea T: V → W una
transformación lineal. Entonces:
1. El núcleo de la transformación, denotado núcleo (T), está dado por:
nucleo(T) = {v є V│Tv = 0}
2. La imagen de T, denotada Imagen (T), está dada por:
Imagen (T) = {w є W │ w = Tv para algún v є V}
3. La nulidad de T, denotada ν(T), se define como:
ν(T) = dim(nucleo(T))
4. El rango de T, denotado ρ(T), se define como:
ρ(T) = dim(Imagen(T))
Dado que una transformación lineal posee una matriz de transformación,
entonces las definiciones dadas arriba pueden referirse a dicha matriz:
nucleo(T) = N(AT)
Imagen(T) = Imagen(AT) = CAT
ν(T) = ν(AT)
ρ(T) = ρ(AT)
Siguiendo con el ejemplo 35, sabemos que los vectores ortonormales
1  0  2
0 y 1 , es una base canónica para el espacio vectorial R y que cualquier
   
vector en R2 puede escribirse como combinación lineal de ellos. Un vector

cualquiera v = (vx , vy) є R2, es entonces expresado como:
v x  1  0 
v     vx    v y 1 
v y  0   
Si aplicamos la transformación T sobre el vector v, y por las propiedades
de linealidad de la transformación, tenemos:
 v x    1  0    1   0  
T ( v)  T      T  v x    v y 1   v x T  0   v y T  1 
 vy 
   0       
La transformación aplicada sobre los vectores de la base canónica nos
da por resultado otros vectores con los que puede escribirse una matriz
llamada matriz de transformación.
La matriz de transformación, AT, para una transformación por proyección
T: R2→ R2 se obtiene aplicando (3.21) a los vectores de la base canónica:
 ux   u x2 
 2
ux   2 
u   u 
  
1
T     
0   uy   uxu y 
 2
 u x    2

 u   u 
 uxu y 

ux
2
u 
y  2 
u  u 
  
0 
T     
1   uy   2 
 u y   u y 2 
  u 
2
 u  
Entonces, AT es:
1  ux uxu y 
2
AT  2  
u u x u y u 2y 
(3.23)
Para el ejemplo particular con v = (-3, 1) y u = (2, 1), aplicando (3.23),
tenemos:
 3 1  ux u x u y  v x  1 4 2  3  2
2
T    AT v  2     
 1 u u x u y u 2y  v y  5 2 1   1   1
Ejemplo 34: Encuentre la representación matricial AT de la transformación

lineal:
  x    x  2 y  z 
 
T   y     2 x  4 y  2 z 
  z    3 x  6 y  3z 
   
Aplicamos la transformación a los vectores de la base canónica:
 1    1  0    2  0    1 
         
T  0    2  , T  1    4 , T  0    2
 0   3  0    6   1    3 
           
Entonces, la matriz de transformación es:
1 2 1
AT   2  4  2

 3 6 3 
Si queremos determinar el núcleo, la imagen, la nulidad y el rango de la

transformación, partimos de su matriz de transformación AT y la escalonamos
para encontrar una matriz equivalente:
1 2 1  1  2  1  1  2  1 1  2  1
 2  4  2 
R1  2  4  2 
2 R1  R2
  0 0   0
3 R1  R3
0   0 0
   
 3 6 3   3 6 3   3 6 3 0 0 0
El espacio nulo de la matriz AT se obtiene de la matriz equivalente por

renglones:
 x  2 y  z  2  1
 y    y   y 1   z  0 
       
 z   z  0  1 
Así, una base para generar N(AT) son los vectores anteriores. Por lo
tanto, el núcleo de la transformación T, es el espacio nulo de AT:
 2  1 
    
nucleo(T) = N(AT) = gen  1  ,  0 
 0   1  
    
y la nulidad de la transformación es entonces ν(T) = 2.

Además, como la matriz equivalente por renglones contiene únicamente
un pivote, el rango de AT, y por lo tanto de la transformación T, es:
ρ(T) = ρ(AT) = 1
De igual manera, la imagen de la transformación es la imagen de AT:
   1 
  
Imagen(T) = Imagen(AT) = CAT = gen  2  
  3 
  
Ejemplo 36: Considere la transformación de rotación y determine las

imágenes bajo una rotación de φ = ½ π de la curva:
 t  
B   2  t  R 
t  
Primero encontraremos la transformación por rotación de un vector v.

Supongamos que tenemos un vector v = (vx , vy) en el plano XY. Este vector v
tiene una dirección θ medido desde la parte positiva del eje X en sentido
contrario a las manecillas del reloj. Si este vector v se rota un ángulo φ medido
desde su posición inicial y en sentido contrario a las manecillas del reloj, su
norma ║v║ no cambia, pero sus componentes escalares SÍ. Llamemos a este
nuevo vector v’ = (v’x , v’y).
v’ = ( v’x , v’y)
v = (vx , vy)
θ+φ
φ
θ
De la figura tenemos figura tenemos las siguientes relaciones:

v x  v cos  , v y  v sin 
v ' x  v cos(   ) , v ' y  v sin(   )
Desarrollando el coseno y el seno de la suma de dos ángulos, tenemos:

v' x  v cos(   )  v  cos cos   sin  sin  
v' x   v cos   cos    v sin   sin 
v ' x  v x cos   v y sin 
y para v’y: v ' y  v x sin   v y cos 
Así, la transformación de rotación aplicada a un vector v nos da otro

vector v’ cuyas componentes son:
 v x   v ' x   v x cos   v y sin  
T      
 v y  v' y
       v x sin   v y cos  
La matriz de transformación se obtiene al aplicar esta transformación por
rotación a los vectores de la base canónica:
 1   cos    0   sin  
T        y T       
 0   sin    1    cos  
y la matriz de transformación AT, es:
cos   sin  
AT  
 sin  cos  
La transformación por rotación puede, entonces expresarse como:

 v x   cos   sin   v x 
T    
 v y   sin 
  cos   v y 
o de forma más compacta:

T ( v )  AT v
Volviendo al problema inicial, si v = (t , t2) y φ = ½ π, entonces la
transformación T sobre v es:
     
 cos   sin  
 x  2  2   x   0  1  x    x 
2
T   2        2   2  
  x    sin    cos     x  1 0   x   x 
  2   2  
20
18
16
14
12
10
8
6
4
2
0
-2
-4
-6
-8
-10
-20 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 2 4 6
Ejemplo 34: Transformación de proyección ortogonal de un vector en R 3 sobre

un plano que pasa por el origen del sistema coordenado tridimensional.
Un plano, Π, que pasa por el origen tiene por ecuación:
Ax  By  Cz  0
Este plano tiene una base ortonormal formada por los vectores unitarios u1 y
u2. Así, es posible estimar la proyección ortogonal sobre el plano Π de
cualquier vector w є R3mediante la expresión:
proy  w   w  u 1  u 1   w  u 2  u 2
Ahora consideremos el vector w = (wx, wy, wz) y estimemos su
proyección sobre el plano coordenado XY. La base ortonormal para el plano XY
son los vectores unitarios:
 1   0  
 
B1  0 , 1 
 0  0  
    
Entonces, la proyección de w sobre el plano XY es el vector con
coordenadas:
proy XY w   w  u 1  u 1   w  u 2  u 2
 1  1  0   0  w x 

   
proy XY w   wx  wy 
wz 0  0   wx  wy 
wz 1  1   w y 
 0  0  0  0  0 

Así, la transformación de proyección de un vector w є R3 sobre el plano

coordenado XY es:
  wx    wx 
 
T   w y     w y 
 w    0 
 z   
Aplicando esta transformación a los vectores unitarios, tenemos:
 1   1   0   0   0   0
         
T  0   0 , T  1   1 , T  0   0
 0   0   0   0   1    0 
           
y la matriz de transformación es:
1 0 0
AT  
0 1 0


0 0 0

Como puede verse, esta matriz ya está escalonada por renglones, el

núcleo de la transformación es el vector (0, 0, wz) por lo que la nulidad de la
transformación es ν(T) = 1. Solamente hay dos pivotes por lo que el rango de la
transformación es ρ(T) = 2 y la imagen de la transformación es
 1   0  
    
Imagen(T) = Imagen(AT) = gen 0 , 1 
 0  0  
    
3.4.1 Geometría de las transformaciones lineales

Existen otras transformaciones que pueden considerarse elementales y
que se definen a continuación:
Transformación por REFLEXIÓN. Existen tres tipos elementales de
transformación por reflexión:
Reflexión respecto al eje X:
 x  x
T    
 y   y 
1  1  0   0  1 0
T      , T       AT  
0   0  1   1 0  1
Cuando esta transformación se aplica sobre un vector lo que se obtiene

es otro vector simétrico al primero con respecto al eje X.
Reflexión sobre el eje Y: Como la anterior, esta reflexión, produce un vector

simétrico pero respecto al eje Y como se muestra en la figura. La
transformación y la matriz, son:
 x   x 
T    
 y  y 
1  1 0  0    1 0
T      , T       AT   
0
    0 1
   1  0 1
Observe que las matrices de transformación son como matrices

elementales obtenidas de realizar el producto por -1 sobre los renglones de las
matrices identidad.
La representación geométrica de la reflexión sobre los ejes X y Y se
muestra enseguida:
Y Y
v = (x, y) T(v) = (−x, y) v = (x, y)
X
X
T(v) = (x, −y)
Figura 3.12 Transformación de reflexión sobre los ejes X y Y.

Reflexión sobre la recta y = x. Esta reflexión viene dada por:
 x   y
T    
 y  x 
la cual tiene la siguiente matriz de transición:

1  0 0 1 0 1
T      , T       AT  
0 1 1  0 1 0
Note que esta reflexión es equivalente a una permutación aplicada sobre

la matriz identidad. Geométricamente, esto significa lo siguiente:
Y y=x
v
T(v)
Figura 3.13 Reflexión sobre la recta y = x.

Transformación por EXPANSIÓN y COMPRESIÓN. En este tipo de
transformaciones existen también dos tipos de ellas: a lo largo del eje X y del
eje Y.
La transformación a lo largo del eje X se define como sigue:
 x  cx 
T    
 y  y 
donde c es un número real. La matriz de transformación, A T, es:

c 0
AT  
0 1
La transformación a lo largo del eje Y se define como:

 x  x 
T    
 y  cy 
y la matriz elemental es:

1 0
AT  
0 c 
Así, las matrices de transformación son equivalentes a multiplicar el

renglón correspondiente de la matriz identidad por el número real c.
En ambos casos, si c > 1, la transformación es una EXPANSIÓN, si 0 <
c < 1, la transformación es una COMPRESIÓN.
En la Figura 3.14 se muestra la expansión a lo largo del eje X y la
compresión a lo largo del eje Y como ejemplo de estas transformaciones.
Y Y
v =(a, b)
(0, b)
c>1
0<c<1
v =(a, b) T(v) = (ac, b) T(v) = (a, bc)

(0, b) (0, bc)
X X
(a, 0) (ac, 0) (a, 0)
Figura 3.14 Expansión a lo largo de los ejes X y Y.

Transformación por CORTE, Un “corte” a lo largo del eje X es una
transformación que toma al vector (x, y) y lo convierte en un nuevo vector
(x+cy, y) donde c es un número real, es decir:
 x   x  cy 
T    
 y  y 
La matriz de transformación es:

1 c
AT  
0 1
la cual es equivalente a la siguiente matriz elemental:

1 0 cR2  R1 1 c 
0 1  0 1
   
La Figura 3.15 muestra un “corte” a lo largo del eje X:
Y Y
c>0
(a+bc, b)
(0, b) (a, b) (0, b) (bc, b)
X X
(0, 0) (a, 0) (0, 0) (a, 0)
Figura 3.15 Corte a lo largo del eje X.
Note como la base del rectángulo sombreado no cambia al aplicar el

“corte”. De hecho, si aplica la transformación a estos puntos sus coordenadas
no cambiarán.
El “corte” a lo largo del eje Y viene dado por:
 x  x 
T    
 y  cx  y 
y su matriz de transformación es:

1 0
AT  
c 1
Como antes, la matriz de transformación es equivalente a la matriz elemental

siguiente:
1 0 cR1  R2 1 0
0 1 c 1
   
y la siguiente figura muestra un “corte” a lo largo del eje Y:
Y Y (a, ac + b)
(0, b) (a, b) (0, b) c>0
(a, ac)
X X
(0, 0) (a, 0) (0, 0) (a, 0)
Figura 3.16 Corte a lo largo del eje Y.
En el corte a lo largo del eje Y, son las coordenadas de lado del

paralelogramo sobre el eje Y cuyas coordenadas no cambian al aplicarles la
transformación.
La siguiente tabla resume las transformaciones anteriores:

Respecto al Matriz de
Transformación Condiciones
eje Transformación, AT
1 0
X 0 1
 
  1 0
REFLEXIÓN Y  0 1
 
Recta 0 1 
y=x 1 0 
 
 c 0 
X 0 1  Si c > 0 se trata de una Expansión.
EXPANSIÓN &  
Si 0 < c < 1 se trata de una
COMPRESIÓN 1 0
Y Compresión.
0 c
 
1 c Si c > 0, el Corte es en el sentido
X 0 positivo del eje coordenado y en
 1
sentido opuesto en caso contrario.
CORTE
1 0
Y c
 1 
Ejercicios: Exprese la matriz de transformación dada como una sucesión de

EXPANSIÓN, COMPRESIÓN, REFLEXIÓN Y CORTE.
2  1  3 2 0  2 3 6
1. AT  5 0
2. AT   1 4 3. AT  3  5 4. AT  4 2
      
0 3 0  2  3 7   1 10
5. AT  1  2 6. AT  5 7. AT   4  8 8. AT   6
   7     2 
Resolveremos algunos de los ejercicios para explicar el procedimiento:

 3 2
Ejercicio 2. La matriz de transformación es AT   1 4 . Para expresar esta
 
matriz como el producto de matrices, primero encontramos su inversa:

 3 2 13 R1  1 2 / 3 R1  R2 1 2 / 3  143 R2 1 2 / 3  23 R2  R1 1 0
 1 4  1 4  0 14 / 3  
1 
   
      0 0 1 
Como se vio anteriormente, la matriz de transformación AT puede

escribirse como un producto de inversas de matrices elementales. La ventaja
de las matrices elementales es que su inversa se calcula rápidamente por
inspección. Así, AT puede escribirse como sigue:
 3 2  3 0  1 0 1 0  1 2 / 3
AT   
 1 4 0 1  1 1 0 14 / 3 0 1 
De acuerdo a la tabla anterior, la matriz de transformación, AT, es el

resultado de un conjunto simultáneo de transformaciones:
Etapa Transformación Elemental Resultado de la transformación
1 2 / 3 Como el valor de la constante c = 2/3, la
1 0 transformación consiste en un Corte a lo largo del
 1  eje X.
1 0  Esta transformación se trata de una Expansión a lo
2 0
 14 / 3 largo del eje Y pues c = 14/3 > 0.
 1 0 Esta es una transformación de Corte a lo largo del
3  1 1
  eje Y con c = -1.
 3 0  Esta es una expansión a lo largo del eje X pues c =
4 0 1 
  3 > 0.
Veamos ahora que significa geométricamente lo anterior. Cuando se

aplican todas estas transformaciones a un vector, digamos v = (-2, 5), tenemos:
Etapa 1: Corte a lo largo del eje X. Esta transformación aplicada al vector es:
1 2 / 3  2  4 / 3
0 
 1   5   5 
Figura 3.17 Etapa 1: Corte a lo largo del eje X.

Etapa 2. La siguiente etapa consiste en una expansión a lo largo del eje Y. La
matriz de transformación es aplicada al vector resultante de la Etapa 1:
1 0  4 / 3  4 / 3 
0 14 / 3  5   70 / 3
    
Figura 3.18 Etapa 2: Expansión a lo largo del eje Y.

Etapa 3. Esta es otra transformación por Corte aplicada al vector resultante de
la etapa anterior, pero en esta ocasión el corte es realizado a lo largo del eje Y
en la dirección negativa dado que c = -1:
 1 0  4 / 3  4 / 3
  1 1  70 / 3   22 
    
En la figura se incluyen, nuevamente, el vector resultado de la

transformación anterior (etapa 2) y el vector resultado de la transformación de
la etapa 3. Note que, como el Corte se hizo en el sentido negativo del eje Y, la
longitud del vector se ha reducido ligeramente. Note, también, que el lado del
paralelogramo que descansa sobre el eje Y se mantiene intacto, es decir, sus
coordenadas se mantienen igual a pesar de aplicarles la transformación.
Figura 3.19. Etapa 3: Corte a lo largo del eje Y.

Etapa 4: Finalmente el vector resultante de la transformación anterior,
experimenta una expansión a lo largo del eje Y:
3 0 4 / 3  4 
0 
 1   22  22
Figura 3.20 Etapa 4: Expansión a lo largo del eje Y.

El resultado final es igual al que se obtendría si se efectúa la
transformación total sobre el vector como puede verse a continuación:
 3 2   2  4 
AT v   
 1 4  5   22
Para resolver el ejercicio (3), empezamos nuevamente escalonando la

matriz de transformación:
0  2 R12 3  5 13 R1 1  5 / 3  12 R2 1  5 / 3 53 R2  R1 1 0
3  5 0  2 0  2 
 
1 
  
     0 0 1 
La matriz AT puede entonces escribirse como el producto de matrices

elementales inversas:
0  2  0 1  3 0  1 0  1  5 / 3
3 
  5 1 0 0 1 0  2 0 1 
Transformación
Etapa Resultado de la Transformación
Elemental
Reflexión sobre la recta y = x. Note que esto es
0 1
1 1 0
similar a una permutación hecha sobre la matriz
 
identidad.
3 0 Debido a que c > 1, la transformación se trata de
2 0 1
  una Expansión a lo largo del eje Y.
Esta transformación es, en realidad, una
1 0
3 0  2
combinación de una Expansión a lo largo del eje

Y seguida de una Reflexión respecto al eje X.
1  5 / 3 Esta transformación consiste en un corte a lo
4 0 1 
 largo de la parte negativa del eje X pues c < 0.
Respecto a la Etapa 3, a primera vista y por la posición que tiene el

parámetro c, podríamos pensar que se trata de una “Expansión” o
“Compresión” a lo largo del eje Y. Sin embargo, el hecho de que este
parámetro sea menor que cero nos hace pensar que no puede ser ni una ni la
otra pues aquéllas ocurren cuando c > 1 y 0 < c < 1, respectivamente, y no se
ha dicho nada acerca de otro valor de c. Como se menciona en la tabla, la
Etapa 3 es, en realidad, una combinación de dos transformaciones. Para ver
esto, es necesario descomponer, aún más, la matriz de transformación
correspondiente:
1 0  1 0 t u
0 
  2 0  1 v w
Los valores de las constantes t, u, v y w, pueden obtenerse por

inspección o realizando el producto de matrices e igualando las matrices de
ambos, componente a componente:
1 0 1 0  t u  t u
0  
  2 0  1 v w  v  w
De este producto obtenemos que t = 1, u = 0, v = 0 y w = 2. Así, la matriz

para esta etapa queda descompuesta como sigue:
1 0  1 0  1 0
0 
  2 0  1 0 2
Con esto, es fácil ver que la primera parte es una Expansión a lo largo
del eje Y, seguida por una Reflexión sobre el eje X, como se mencionó
anteriormente.

III Transformaciones Lineales y Matrices

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

III Transformaciones Lineales y Matrices

Cargado por

Copyright:

Formatos disponibles

Dr.

Isaias Ochoa Landín Página 1 08/12/2021

3. Transformaciones Lineales y Matrices

manipulan los números reales. Por ejemplo, si deseamos despejar x en la

De modo análogo, si se conocen los puntos inicial y terminal del vector

La notación matricial para representar vectores, también es muy

Propiedades de la multiplicación por un escalar

Algunos ejemplos de espacios vectoriales se muestran a continuación.

4. Como la recta pasa por el origen, podemos decir que u2 = 0 = (0, 0) є V.

por lo que podemos decir que V NO es un espacio vectorial.

con las operaciones usuales de la suma y multiplicación por un escalar, NO es

Como no cumple esta propiedad, entonces el conjunto de matrices NO es un

Estas propiedades se resumen diciendo que W es cerrado bajo la

a b  a   b   ab 

por lo que el conjunto de vectores S es un subconjunto de R 2.

3.1.4 Combinación lineal y espacio generado

Ejemplo 8: Una matriz de 2×2 puede escribirse como combinación lineal de

DEFINICION 8: Sean v1, v2,…,vk k vectores en un espacio vectorial V. El

Por lo estudiado anteriormente, se sabe que un espacio vectorial es

De aquí podemos escribir el sistema de ecuaciones siguientes para encontrar

Resolviendo el sistema, tenemos:

Así, cualquier vector que se encuentre en el plano definido por los

Figura 3.2 Bosquejo del plano de ecuación -5x + 2y + 3z = 0.

En general, podemos decir que el espacio generado por dos vectores

Del último renglón tenemos:

Figura 3.3 Bosquejo del plano cuya ecuación es 5x + 13y +11z = 0.

Por lo estudiado anteriormente, se sabe que un espacio vectorial es

El escalonamiento conduce a la siguiente matriz:

En particular, deseamos una mezcla cuya composición sea:

entonces vemos que al sustituir estos valores en las ecuaciones, tenemos:

por lo que dicha mezcla no es posible de realizar.

Las componentes de este vector están especificadas por las

de donde obtenemos que la cantidad de tobas requerida es:

Para calcular la cantidad requerida de cada mezcla especial, tenemos de

Teorema: Si v1, v2,..., vk son vectores en un espacio vectorial V, entonces

Por lo tanto, la propiedad de cerradura se cumple. De la misma manera,

3.1.5 Dependencia e independencia lineal

El sistema de ecuaciones asociado para encontrar c1 y c2, es:

Podemos escribir el sistema de ecuaciones como sigue:

Como los vectores v1 y v2 son proporcionales, entonces son linealmente

Solución: Si v1, v2 y v3 son linealmente dependientes, deben existir constantes

El sistema asociado para determinar c1, c2 y c3 es:

Como es un sistema homogéneo, la matriz aumentada no es necesaria y

De aquí que, como c1 = 0, c2 = 0 y c3 = 0, los vectores v1, v2 y v3 son

Teorema 5: Sea A una matriz de n × n. Entonces las ocho afirmaciones

Solución: La matriz asociada del sistema y la matriz escalonada son:

de donde obtenemos: c1 = -2c3

por lo que los vectores son linealmente dependientes.

Solución: La matriz asociada del sistema homogéneo es:

por lo que los vectores son linealmente independientes.

De la matriz escalonada obtenemos que:

de aquí que ahora los vectores son linealmente dependientes pues se ha

Solución: Si son linealmente independientes existen constantes c i tales que:

donde 0 en la ecuación anterior representa la matriz con componentes 0:

El sistema de ecuaciones para determinar las c i es:

de donde se obtiene que c 1 = c2 = c3 = 0 y por lo tanto A 1, A2 y A3 son

Para escribir el sistema de ecuaciones para calcular las constantes c i,

por lo que los polinomios son linealmente dependientes.

De donde obtenemos que c1 = 96, c2 = 35, c3 = 6 y c4 = -11.

El sistema de ecuaciones para determinar las constantes ci también

2c1  c 2 (3x 2 )  c3 (1  12 x 2 )  c 4 (3x 2  18)  0

Así, la matriz de coeficientes es:

de donde se obtiene que c1 = 96, c2 = 35, c3 = 6 y c4 = -11 como anteriormente.

De los ejercicios anteriores podemos extraer la siguiente propiedad de