MATEMATICA BASICA II

(NOCIONES DE ALGEBRA LINEAL)

MATRICES, DETERMINANTES Y SISTEMAS DE

ECUACIONES LINEALES

MATRIZ
Es un arreglo rectangular de números ordenandos en filas y columnas, que
presenta la siguiente estructura:

a11 a12 ⋯ a1 j ⋯ a 1n

( )
a21 a22 ⋯ a2 j ⋯ a 2n
⋮ ⋮ ⋮
ai 1 a i2 ⋯ aij ⋯ a¿
⋮ ⋮⋮
a m 1 a m 2 ⋯ amj ⋯ a mn mxn

Los aij son los elementos de la matriz; las “m-n” uplas horizontales son las filas,
y las “m-n” uplas verticales son las columnas.
El orden de la matriz está dado por el número de filas y columnas (matriz de
orden mxn)
A= [aij]mxn
Dónde: i= 1, 2,3,…, m
j=1, 2,3,…, n
Observación:
Los elementos de una matriz no necesariamente son números, también
pueden ser funciones.
La matriz no tiene valor numérico, no se le puede identificar con un número.
Igualdad de matrices
Dos matrices Ay B son iguales si y solo si son idénticas, es decir si son del
mismo orden y sus respectivos elementos son iguales.
CLASES DE MATRICES
Matriz cuadrada
Se presenta cuando el número de filas es igual al número de columnas, se
denota Anxn , An

Matriz nula
Es una matriz en la cual todos sus elementos son ceros.
Ejemplo:

0= (00 00)
Matriz diagonal
Es una matriz cuadrada en la cual los elementos fuera de la diagonal principal
son ceros. Ejemplo:
3 0 0
( 0 2 0
0 0 5 )
Matriz escalar
Es una matriz diagonal en al cual los elementos de la diagonal principal son
iguales.
Ejemplo:
7 0 0
( 0 7 0
0 0 7 )
Matriz identidad
Es una matriz escalar donde los elementos de la diagonal principal es el 1.
Ejemplo:
1 0 0
( 0 1 0
0 0 1 )
Notación: I n , I
Transpuesta de una matriz
La transpuesta de una matriz A mxn es la matriz construida a partir de A ubicando
la i-ésima fila de A en la i-ésima columna de la matriz transpuesta.
Notación: At
Si A=[ aij ]mxn →At =[ a ijt ]nxm= [ a ji ]nxm

Matriz simétrica
Se presenta cuando A= At
La matriz debe ser cuadrada, los elementos de la diagonal principal
permanecen fijos al efectuar la transposición.

Matriz anti simétrica

Se presenta cuando A= - At
La matriz debe ser cuadrada, los elementos de la diagonal principal son ceros.

Matriz nilpotente
Es aquella matriz tal que si existe algún p entonces A p = 0( 0 matriz nula)
Se dice que el grado de nilpotencia es p.

Matriz idempotente
Se dice que una matriz cuadrada A es idempotente si A2= A.

Matriz involutiva
Se dice que una matriz cuadrada A es involutiva si A2 = I.

Traza de una matriz

Sea A una matriz cuadrada, la traza de A: tr(A) es la suma de elementos de la
diagonal principal de la matriz A.
tr(A) = a 11 +a22+…+ann

Propiedades
Sean A y B dos matrices y c un escalar tal que con A y B se puedan hacer
operaciones, entonces:
1) tr(A+B) = tr(A) + tr(B)
2) tr(AB) = tr(BA)
 3) tr(c A) = ctr(A)
4) tr(At) = tr(A)
5) (A+B)t = At + Bt
6) (c A)t = c At
7) (AB)t = BtAt
8) (At)t = A
9) Si A es cuadrada entonces A+ A t es simétrica y A−A t es anti
simétrica
10) Toda matriz cuadrada A se puede expresar como la suma de
una matriz simétrica y anti simétrica.

Matriz triangular superior

Una matriz cuadrada se llama triangular superior si y solo si a ij=0 para i¿j
Ejemplo:
1 2 3
( 0 4 5
0 0 6 )
Matriz triangular inferior
Una matriz cuadrada A=[ aij ]nxnes triangular inferior si y solo si a ij=0 para i<j
Ejemplo:
1 0 0 0

( 0
1
2
2
0
1
0
3
0
0
0
4
)
OPERACIONES CON MATRICES
Dadas las matrices A y B del mismo orden se tiene:
A+B = B +A
k(A+B) =kA+kB ; k es un escalar
A-B = A+ (-B)

Producto de matrices
A=[ aij ]mxn
B=[ b jk ] nxp

Entonces AB=C = [ c ik ]mxp

Propiedades

1) A(BC) = (AB)C
2) (A+B)C =AC + BC
3) A(B+C) = AB + AC
4) No siempre: AB = BA (no conmutan)
5) 0.A = 0
6) AB = 0 no implica A= 0 ó B = 0
7) Si AB=AC no implica B=C

Matrices con elementos complejos

Los elementos de una matriz pueden ser números complejos Z= a + bi, el
complejo conjugado se define Ź =a-bi
Respecto a las operaciones tomemos como ejemplo:

A= (2+i4 3−2 i
5i ), B= (1+i3 2i
2+3 i )
Luego:

A+B= (5+i
5+i
3
2+ 8i ) AB= (11+ 4i
7+5 i
10+ 9i
−15+ 18i )
2A= ( 4+28 i 6−4 i
10 i )

El conjugado de una matriz denotado por Ā se obtiene al tomar el conjugado de

cada uno de los elementos de la matriz A.
La traspuesta conjugada de una matriz A se denota por A*= Āt
Ejemplo:

A=(2+36 i 1−4 i
7i )
2−3i 1+ 4 i
Ā=(
6 −7 i )
A* = (2−3i
1+4 i
6
−7 i )
Se dice que la matriz cuadrada “E” es hermitiana si E = E*
Ejemplo:

E= (3+24 i 3−4 i
6 )
Ē=(3−42 i 3+46 i )
2 3−4 i
E=(
6 )
*
=> E = E*
3+ 4 i

PROPIEDADES
Sean “A” y “B” matrices con elementos complejos y “z” un número complejo.
1. (A + B)* = A* + B* transpuesta conjugada de una matriz
2. (zA)* = ź A ¿ traspuesta conjugada de un múltiplo escalar
3. (AB)* = B*A* traspuesta conjugada de un producto
4. (A*)* = A traspuesta conjugada de una traspuesta conjugada

Matriz Ortogonal
Es aquella matriz cuadrada donde se cumple: (A -1 = At)
Ejemplo:
1 0 0
A= 5 4 0
2 8 7( )
Es una matriz ortogonal?
1 5 2
At = 0 4 8
0 0 7 ( )
1 0 0 1 0 0 1 0 0 1 0 0
( 5 4 0 0 1 0  0 4 0 −5 1 0
2 8 7 0 0 1 0 0 7 8 −2 1 )( )
1 0
0 1 0 0


(
0 1 0

0 0 1
−5
4
1
7
1
4
0
−2 1
7 7
)
 1 0 0
−5
A-1 = 4
8
7
( ) 1
4
−2
7
0
1
7

A no es ortogonal

Matriz normal:
Una matriz es normal si conmuta con su transpuesta. Las matrices simétricas,
anti simétricas u ortogonales son necesariamente normales.
A.At = At.A
Ejemplo: Hallar todas las matrices de orden 4x4 que sean conmutables con la
matriz A:
0 1 0 0
A=
0
0
0
( 0
0
0
1
0
0
0
1
0
)
Solución: AB = BA
0 1 0 0 a b c d a b c d 0 1 0 0

( 0
0
0
0
0
0
1
0
0
)( ) (
0 e f g h
1 i j k i
0 m n o p
=
e f
i j
m n
)(
g h 0 0 1
k i 0 0 0
o p 0 0 0
0
1
0
)
e f g h 0 a b c

( i
m
0
j k l
n o p
0 0 0
=
)( )
0 e f g
0 l j k
0 m n o
Luego:
a b c d
B=
0
0
0
( a
0
0
b c
a b
0 a
)
Ejemplo: Dadas las matrices
A = [aij] = [|i− j|]12x12 y
B = [bij] = [ i+j ]3x12
Hallar los elementos de C69 y C96 de “C = ABAt = [cij]
Ejemplo: Sea A = [aij] una matriz triangular superior de orden n tal que a ij = 1, si
i≤j
De A3 = [bij] hallar el elemento bij si:
a) i = 3 ; j = n
b) i = n ; j = 3
c) i = 3 ; j = 3

DETERMINANTES

El concepto de determinante surge con el problema de solución de un sistema

de ecuaciones lineales por ejemplo dado el sistema:
ax + by = r
cx + dy = s

Donde “x” e “y” son las incógnitas eliminando variables y despejando se tiene:

dr −sb
x = ad−bc

as−cr
y = ad−bc

El numero ad-bc se encuentra como denominador en “x” e “y”.

En la forma matricial se tiene:

( ac db )( xy ) = (rs)
Se dice que el determinante de la matriz de los coeficientes denotado por:

det (A) = detA = | A| = |ac db| = ad-bc

el sistema tendrá solución si | A| ≠ 0
Definición
El determinante viene a ser una función que aplicada a una matriz cuadrada da
un único valor numérico.

Sea A un matriz cuadrada

Φ :Knxn R ó C

a11 a12 a
⋯ 1n

(
A= a21 a22
⋮
a2 n
⋱ ⋮
an 1 an 2 ⋯ a nn
)
Cuyas filas son:

A1 = (a11, a12,…, a1n)

.
.
An = (an1, an2, …,ann)

La matriz A por filas es:

A = (A1,A2,…,Ai , … , An)entonces el determinante es
| A| = det (A1 , A2 , … , Ai , … , An)
En el determinante se verifica que
1. det(A1 , A2 , … , Ai , … , An)
2. det(B) = det(A1 , A2 , … , rAi , … , An)= r det(A1 , A2 , … ,Ai , … , An)= r det(A)
Observación: Si cualquier fila de A se multiplica por “r” , entonces |B| = r| A|
3. det(A1 , A2 ,… , Ai + Aj , … , An) = det(A1 , A2 ,… , Ai , … , An) + det(A1 , A2 ,
… ,Aj ,… , An)
para todo i = 1,2,3,…, n
4. det(In) = 1

Definición
Sea una matriz cuadrada de orden 2x2
a11 a12
A= ( a21 a22 )
El determinante de segundo orden es el número definido por:
| A| = a11 . a22- a12 . a21

Definición:
Sea una matriz cuadrada de orden 3x3

a11 a12 a 13

(
A = a21 a22 a 23
a31 a32 a 33 )
El determinante de tercer orden es el número definido por:
| A| = a11 .a22 .a33+ a12 .a23 .a31+ a13 .a21.a32- a31 .a22 .a13-a32 .a23 .a11 - a21 .a12 .a33

MENORES Y COFACTORES
Sea la siguiente matriz cuadrada de orden nxn
 a11 a12 ⋯ a1 j ⋯ a1 n

( )
a21 a22 ⋯ a2 j ⋯ a2 n
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
A=
ai 1 ai 2 ⋯ a ij ⋯ a¿
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
a¿ an 2 ⋯ a nj ⋯ ann

Sea Mij la submatriz cuadrada de orden n-1 que resulta de eliminar la fila “i” y la
columna “j” de la matriz A.
Entonces:
1) |M ij| se llama menor complementario del elemento aijde A.
2) El cofactor del elemento aij que se simboliza por Aij se define por:

A
⏟ ⏟
(−1)i+ j
¿ M ij ∨ ¿⏟ ¿
ij
= menor
cofactor signo

Como “i+j” puede ser par o impar

 Aij = ±|M ij|

Desarrollo de un determinante por cofactores

El determinante de una matriz cuadrada A = [aij]nxn es igual a la suma de los
productos de los elementos de cualquier fila o columna por sus respectivos
cofactores.
Para aplicar este desarrollo es necesario elegir una fila o una columna y
efectuar el desarrollo por dicha fila o dicha columna.

a) Si elegimos la fila “k” el desarrollo del determinante es

n
| A| = ∑ ¿¿ ¿)
j=1

b) Si elegimos la columna “j” el desarrollo del determinante es:

n
| A| = ∑ ¿¿ ¿)
k =1
 3 6 −9
Ejemplo:
(
A= 0 2 1
3 −1 2 )
Si elegimos la primera fila:
3
| A| = ∑ ¿¿ ¿) = (a ¿ ¿11 A 11 )¿ + (a ¿ ¿12 A12) ¿ + (a ¿ ¿13 A13 )¿
j=1

=3 |−12 12| + 6(-1)|03 12| + (- 9)|03 −12 | = 87

Obs:si elegimos la primera columna:
n
| A| = ∑ ¿¿ ¿) = (a ¿ ¿11 A 11 )¿ +(a ¿ ¿ 21 A21 )¿ + (a ¿ ¿31 A31)¿
k =1

= 3 |−12 12| + 0(-1)|−16 −92 | + 3|62 −91 | = 87

MATRIZ DE COFACTORES
Sea A una matriz cuadrada de orden nxn y A ij es el cofactor de aij entonces la
matriz:
A11 A12 ⋯ A1 n
Cofact A = ⋮
A n1 ( ⋮ ⋱ ⋮
A n 2 ⋯ A nn )
Se llama matriz de cofactores de A.
La transpuesta de esta matriz es conocida como Matriz adjunta de A.
Propiedades de la matriz adjunta de A
1) adj (In) = In
2) adj (At) = (adj (A))t
3) adj (An) = (adj (A))n
4) adj (AB) = adj (B) adj (A)
A
5) adj (A-1) = (adj (A))-1 =
detA
6) |adj ( A)|= | A|n−1
7) adj (xA) = x-1adj (A)
TEOREMA
Una matriz A de orden n es no singular si y solo si el determinante no es nulo (
| A| ≠ 0).
PROPIEDAD:
La matriz A es invertible si y solo si el determinante no es nulo.

TEOREMA:
A (adj A) = det A (In)
COLORARIO:
Si A es una matriz no singular de orden n entonces:

1 1
A-1 = adj(A). | A| = (cofact (A))t . | A| ; | A| ≠ 0

Ejemplo: Halle la matriz inversa de A:

5 −1 8

( )
87 29 29
3 6 −9 5 −3 24
A= 0 2
(
3 −1 2 )
1  A-1 = 3 33 −3 .
−6 21 6 ( 1
87
=
1
29
−2
) 11
29
7
−1
29
2
29 29 29

Observación:
1. Si una matriz tiene inversa entonces esta es única.
2. Si B es una matriz inversa de A entonces también se puede decir que A es la
matriz inversa de B.
3. No siempre una matriz cuadrada tiene inversa.
4. Se dice que una matriz cuadrada A es singular si y solo si su
determinante es cero.
5. Si una fila o columna de una matriz A se le suma el múltiplo de
otra fila o columna, entonces el valor del determinante no varía.
6. Si los elementos de una fila o columna cualquiera constan de dos
términos, el determinante puede expresarse como la suma de
otros dos determinantes.
7. El determinante de una matriz triangular superior o inferior es
igual al producto de los elementos de la diagonal principal.
8. det (A + B) ≠det(A) + det(B)
En general el determinante de una matriz triangular superior o
inferior es igual al producto de los elementos de la diagonal
principal.
9. det(AB) = det(A)det(B)
En general el determinante de un producto de matrices es igual al
producto de los determinantes de las matrices siempre y cuando
la matriz sea cuadrada del mismo orden.
PROBLEMAS
Calcule el determinante de las siguientes matrices
1 2 3 n

[ −1 0 3
1. −1 −2 0
⋮
⋯ n
n
⋱ ⋮
−1 −2 −3 ⋯ 0
]
DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
REGLA DE CRAMER
Es un teorema en el álgebra lineal que da solución a un sistema de ecuaciones
lineales trabajando con los determinantes.
Recibe el nombre en honor a Gabriel Cramer (1704 – 1752) quien publico un
trabajo dando nociones sobre el método.
Si: AX = b es un sistema de ecuaciones lineales siendo: X = (x 1 , x2, … , xn) el
vector de las incógnitas; b el vector de los términos independientes y A es la
matriz de los coeficientes, entonces las soluciones del sistema se representan:
 det ( A j )
xj = det( A)

Donde Aj es la matriz que resulta al remplazar la J-esima columna de A por el

vector columna b.

Ejemplo: Sea
x1 b1

() ()
a11 ⋯ a1 n
X=
x2
⋮
xn
; A= ⋮ ⋱ ⋮
an 1 ⋯ ann ( ) nxn
b
; B= 2
⋮
bn

a11 ⋯ a1 , j−1 b1 a 1, j +1 ⋯ a 1n

Aj =
( a21 ⋯ a2 , j−1
⋮ ⋱ ⋮
b2
⋮
an−1,1 ⋯ a n−1 , j−1 bn−1
an 1 ⋯ an , j−1

Usando propiedades:
bn
a 2, j +1 ⋯
⋮ ⋱

a n , j +1 ⋯
a 2n
⋮
a n−1, j +1 ⋯ an −1 , n
ann
)
AX = B
A-1 AX = A-1B
I X = A-1 B
X = A-1 B
adj( A ) B
X=
|A|
t
A 11 A 12 ⋯ A1 n b1 x1

X = A-1 B =
adj( A ) B
|A| =
(cofactA ) B
| A|
t

= ( ⋮ ⋮ ⋱
A n1 A n 2 ⋯
⋮
A nn )( ) ( )
⋮
bn =
⋮
xn
| A| | A|
n

∑ A ji b j
Xi= j =1
| A|

Obtención de la matriz inversa de una matriz mediante operaciones

elementales:
Se aplica el método de Gauss-Jordán.
Sea: A=[ aij ]nxn
(A: I) O: E (I: B)
Entonces; B=A-1
Siendo: “I” la matriz identidad, B es la matriz inversa.
Ejemplo:
1 0 2
(
A = 2 −1 3
4 1 8 )
Solución:
1 0 2 1 0 0 1 f0 −2 f2 1 0 0
( 2 −1 3 0 1 0 0 −1
4 1 8 0 0 1 0 1
2
−1
1
f 3−4 f 1 −2 1 0
0 −4 0 1 )( )
1 0 0 −11 2 2
( 0 1 0 −4
0 0 1
0 1
6 −1 1 )
−11 2 2
-1
A = −4 0 1
6 −1 1 ( )
1 0 2 −11 2 2 1 0 0
(
Obs: 2 −1 3 −4 0 1 = 0 1 0
4 1 8 6 −1 1 0 0 1 )( )( )
Ejemplo:
Encuentre le matriz inversa de A, si existe.
1 2 3 0
A=
2 4 3
3 2 1
6 8 7
( 2
3
5
)
Solución:
1 2 3 0 1 0 0 0 6 0 0 5 3 0 5 −2

( 2 4 3
3 2 1
6 8 7
2
3
5
0
0
0
1
0
0
0
1
0
0
0
1
)( 0 12 0 7 −15 0 −11 8
0 0 3 −2
0 0 0 0
3
1
0
1
1
1
−1
−1
)
∄matriz inversa
Ejemplo:
Halle la inversa de la matriz A de orden “n”
Donde:
a ij=0 si i=j ; a ij=1 si i≠j

Matrices y sistemas de ecuaciones lineales

Dado el siguiente sistema de m ecuaciones lineales
Donde los a ij son los coeficientes, los x i son las variables o incógnitas y los b i
son los términos independientes o constantes

a 11 x 1 +a12 x 2 +…+ a1 n x n=b1

a 21 x1 + a22 x 2+ …+a2 n x n=b2
…
a m 1 x 1+ am 2 x2 +…+ amn x m =bm

Matricialmente se presenta

AX=b

Dónde:
A: es la matriz de los coeficientes
X: es la matriz de las incógnitas
b: es la matriz de los términos independientes

Matrices equivalentes
Se dice que una matriz A=[ aij ]mxnes equivalente por filas a una matriz B=[ bij ]mxn.Si
B se puede obtener de A por medio de un numero finito de las llamadas
operaciones elementales por filas.

Operaciones elementales
Se llaman operaciones elementales o transformaciones elementales por filas
sobre una matriz A:
[ E1 ]: intercambiar la fila i-ésima y la fila j- ésima
[ E2 ]: multiplicar la fila i-ésima por un escalar k (k≠0)
[ E3 ] : reemplazar la fila i-ésima por k veces la fila j- ésima más la fila i-ésima
Ri → kR j + Ri

Matriz escalonada
Se dice que una matriz se encuentra en su forma escalonada si el número de
ceros anteriores a la primera componente distinta de cero de una fila crece fila
por fila.
A los números diferentes de cero que se encuentran solos en una columna se
les llaman elementos distinguidos.

Rango de una matriz

Una de las definiciones está dada por la cantidad de filas no nulas en una
matriz escalonada.

Matriz ampliada
Es aquella matriz que se forma con los coeficientes y los términos
independientes de un sistema de ecuaciones lineales.
Se denota: [A: b]
El siguiente diagrama resulta útil para resolver un sistema de ecuaciones
lineales.
 Inicio

AX= b
[A:b]

≠ el sistema es
r(A):r(Ab)
incompatible

no existe sistema
solución compatible ¿

existe
r:n solución
única

existe
infinitas
soluciones

n-r = k
k: numero de
parametros

hallar las
soluciones

fin

Ejemplo: resolver
x1- 2x2+ x3- x4- x5= -6
2x1+ 2x2- x3- x5= -4
4x1- 3x2+ x3- 2x4- 3x5= -16
3x1- 6x2+ 3x3- 3x4- 3x5= -18
Solución:
 1 −2 1 −1 −1 −6 1 0 1 −1 −1 −6

( 2 2 −1 0 −1 −4 0
4 −3 1 −2 −3 −16 0
3 −6 3 −3 −3 −18 0
)( 0 −3 2
1 0
0 0
0
0
1
0
0
8
0
0
)
3 0 0 −1 −2 −10

( 0
0
0
1 0 0
0 −3 2
0 0 0
0
1
0
0
8
0
)
r(A) = 3 , r(AB) = 3 ,

∃ soluciones 5−3=2 parametros

3x1- x4-2 x5= -10
x2= 0
-3 x3+ 2x4+ x5= 8
x4 = a
x5= b
2b+ a−10
x 1=
3
x2= 0
2 a+b−8
x 3= ; aybϵR
3
Ejemplo:
Resolver:
x1+ x2- x3+ x4= 0
3x1- x2+ 2x3+ 3x4= 7
x1+ 2x2- 2x3- x4= -1
3x3+ x4= 9
Solución:
1 1 −1 1 0 1 0 0 0 1

( 3 −1 2

0 0 3
3

1
7 0
1 2 −2 −1 −1 0
9 0
)( 1
0
0
0
1
0
0
0
1
2
3
0
)
r(A) = r(AB) = 4 = n x1= 1 x2= 2 x3=3 x4 = 0

Ejemplo:
Para que valores de x el rango de la matriz es menor que 4.
 x 1 0 x

( 0
1
x
x
x
0
x
x
1
1
0
x
)
Solución:
x 1 0 x x 0 1 x x 0 1 x

( 0 x x 1
1 0 0 −1
0 −1 1 0
x≠0
) ( 0 0 −1 −2 x
0 0 2x
0 −1 1
1
0
)( 0 0 −1 −2 x
0 0 2 x+1 2 x +1
0 −1 1 0
)
1 0 0 −1

( 0
0
0
1 −1
0 1
0
2x
0 0 1−2 x
)
Observación:
Se dice que un sistema es homogéneo cuando los términos independientes
son ceros, es decir:
a 11 x 1 +a12 x 2 +…+ a1 n x n=0
…
a m 1 x 1+ am2 x2 +…+ amn x n = 0
El sistema tiene por lo menos una solución (llamada solución trivial)
x 1=x 2=…=x n=0 , por lo cual es consistente o compatible.
Una condición necesaria y suficiente para que un sistema de ecuaciones
lineales tenga más de una solución es que r(A) =r(Ab) = k ¿n , donde n es el
número de incógnitas, en este caso el sistema posee soluciones no triviales.
Ejemplo
Resolver

Obtención de la matriz inversa de una matriz mediante operaciones

elementales:

Se aplica el método de Gauss-Jordán.

Sea: A=[ aij ]nxn
(A: I) O: E (I: B)
Entonces; B=A-1
Siendo: “I” la matriz identidad, B es la matriz inversa.
Ejemplo:
1 0 2
(
A = 2 −1 3
4 1 8 )
Solución:
1 0 2 1 0 0 1 f0 −2 f2 1 0 0
( 2 −1 3 0 1 0 0 −1
4 1 8 0 0 1 0 1
2
−1
1
f 3−4 f 1 −2 1 0
0 −4 0 1 )( )
1 0 0 −11 2 2
( 0 1 0 −4
0 0 1
0 1
6 −1 1 )
−11 2 2
-1
A = −4 0 1
6 −1 1 ( )
1 0 2 −11 2 2 1 0 0
(
Obs: 2 −1 3 −4 0 1 = 0 1 0
4 1 8 6 −1 1 0 0 1 )( )( )
Ejemplo:
Encuentre le matriz inversa de A, si existe.
1 2 3 0
A=
2 4 3
3 2 1
6 8 7
( 2
3
5
)
Solución:
1 2 3 0 1 0 0 0 6 0 0 5 3 0 5 −2

( 2 4 3
3 2 1
6 8 7
2
3
5
0
0
0
1
0
0
0
1
0
0
0
1
)( 0 12 0 7 −15 0 −11 8
0 0 3 −2
0 0 0 0
3
1
0
1
1
1
−1
−1
)
∄matriz inversa
Ejemplo:
Halle la inversa de la matriz A de orden “n”
Donde:
a ij=0 si i=j ; a ij=1 si i≠j

APUNTES SOBRE LOS NUMEROS COMPLEJOS

Definición: El conjunto de los números complejos es el conjunto R 2 de pares
ordenados de números reales, dotado con las operaciones internas de adición y
multiplicación, definidas de la siguiente forma:

Adición:

(a ; b)+(c ; d) = (a+c ; b+d)

Multiplicación:

(a ; b).(c ; d) = (ac-bd ; ad+bc)

Notación
    a; b  / a  , b  

Todo elemento de  se denomina número complejo.

Definición de número complejo

Un numero complejo es todo par ordenado de números reales (x ; y) que

pertenecen a C.

z    z  (x; y),x,y  

El primer elemento x, se denomina parte real de z y se denota por Re(z)

El segundo elemento y, se denomina parte imaginaria de z y se denota

por Im(z)

Ejemplo:

 3  Re(z)
z  (3;  4) 
 4  Im(z)

Propiedades
Sea z1 ;z 2  

a) Re(z1  z2 )  Re(z1)  Re(z2 )

b) Im(z1  z2 )  Im(z1)  Im(z2 )

c) Re(i z)   Im(z)

d) Im(iz)  Re(z)

Representación gráfica de un numero complejo

Cada número complejo z = (a ; b), se puede representar por un punto P

de un plano; las partes real “ a “ e imaginaria “ b “ son las coordenadas
de P en un sistema cartesiano ortogonal cuyos ejes se llaman eje real y
eje imaginario.

El plano usado para representar el conjunto C de los números complejos

se denomina plano complejo (diagrama de Argand).
Como también cada punto del plano representa un vector de origen (0 ;
0) y extremo P, la correspondencia anterior nos permite representar a

cada numero complejo z por un vector OP .

Los números complejos como una extensión de los números reales

R '     0
Sea un subconjunto de C, formado por los pares ordenados cuya
R '   (a,b)   / b  0
segunda componente es cero: .

f :   R'
Consideremos la función: x  (x , 0)

Podemos observar que f es inyectiva y suryectiva y por lo tanto biyectiva,

además f conserva las operaciones de adición y multiplicación:

f(a)+f(b) = f(a+b), (a ; 0)+(b ; 0) = (a+b ; 0)

f(a).f(b) = f(ab), (a ; 0).(b ; 0) = (a.b ; 0)

Como existe una función biyectiva f :   R ' que conserva las operaciones
de adición y multiplicación, diremos que  y R ' son isomorfos.Esto
significa que operar con (a,0) lleva a resultados análogos a los obtenidos
al operar con x, por este motivo podemos escribir:

a  (a , 0)  a  
Forma binomica de un número complejo

La notación cartesiana de un numero complejo z como par ordenado

z  (a,b) no es conveniente para operar, por ejemplo, si z  (2,  3) resulta
5 5
muy laborioso calcular z  (2 ,  3) .

La unidad imaginaria

Al número complejo (0,1) se le denomina la unidad imaginaria y lo

representamos por i, entonces i  (0,1)

Usando la multiplicación de complejos y la identificación de  con

   0
:

i2  i  i  (0,1)  (0,1)  ( 1,0)  1

Entonces z  (a,b)  (a,0)  (0,b) como: (0,b)  (b,0)  (0,1) , podemos escribir:

z  (a,0)  (b,0)  (0,1)  a  bi

Proposición

Todo número complejo z  (a,b) puede ser representado en forma única

en la forma z  a  bi , denominada forma binomica de z
Potencias de la unidad imaginaria

i1  i i5  i i9  i

i2  1 i6  1 i10  1

i3  i i7  i i11   i

i4  1 i8  1 i12  1

De la tabla podemos deducir:

in (i  i2  i3  i4 )  in (0) . n  
2 3 4 n1  in  2  in  3  in  4  0
1) i  i  i  i  0 , entonces  i
La suma de cuatro potencias enteras consecutivas de la unidad
imaginaria es cero.

4k  1 i4k  a  ia
2) i , , k es entero.

Corolario

ia1a2a3 ...an1 an 2  ian1 an2

(4k a)n  ian 

3) i , a,kenteros, n  

Definiciones

NúmeroReal: a   : z  (a,0)  a  a  0i

Imaginario Puro: b  

z  (0;b)  (b;0).(0;1)  bi

Complejo nulo: z  (0,0)  0  0i  0

Opuesto de un complejo: si z  (a,b) , su opuesto es

 z  (a ,  b)  a  bi

Im
Z

Re

–Z

Conjugado de un complejo:

Si z  x  yi , se denomina conjugado de z al complejo z definido por:

z  x  yi
Im Z=(a; b)

Re

= (a; –b)
La conjugación nos permite calcular fácilmente el inverso de un complejo

z  x  yi  0 en forma binomica

1 1  1  x  yi 
   
z x  yi  x  yi  x  yi 
x  yi 1 x  y 
    i
x 2  y2 z x2  y 2  x2  y 2 

Complejos iguales:sea z1 y z2  


Re(z1)  Re(z 2 )
z1  z2  Im(z
1)  Im(z2 )

Modulo de un número complejo

Z
Sea Z  a  bi , el modulo del complejo Z denotado por , se define como:

Z  a2  b2 , a,b  

Ejemplo:

2 2
Z = 4 + 3i  Z  4  3  25  5

Propiedadesdel conjugado de un numerocomplejo

1. Z   Z ;   

2. Z1  Z 2  Z1  Z 2

3. Z1.Z2  Z1.Z2
  Z1  Z1
Z  ;  Z2  0
4.  2  Z 2

Re  Z   Z  Z
5. 2

Im  Z   Z  Z
6. 2i
7. Z  Z  Z

II. Del módulo de un complejo

1. Z  ; | Z |  0

2. Z  0  Z  0 (Complejo nulo)
3. | Z1 . Z2 | = | Z1 | | Z2 |
4.  Z   Z ;   
Z1 Z1
 ; Z2  0
Z2 Z2
5.
6. |Z|=| Z |=|–Z|
7. | Z |2 = Z . Z
8. | Z1 + Z2 |  | Z1 | + | Z2 |
(Desigualdad triangular)
9. | Zn | = | Z |n ; n   \  0
Operaciones en forma cartesiana
Adición:

(a + bi) + (c + di) = (a + c) + (b + d)i

Sustracción:

(a + bi) - (c + di) = (a - c) + (b - d)i

Multiplicación:

(a + bi) (c + di) = (ac - bd) + (ad + bc)i

a  bi (a  bi)(c  di) ac  bd bc  ad
   i
c  di (c  di)(c  di) c 2  d2 c 2  d2
División:
 n
(a  bi)n   Cnkank (bi)k
Potencia: k 1 ,

la potencia se vuelve laboriosa

n n
Radicación: x  yi  a  bi  x  yi  (a  bi) ,

la radicación se vuelve complicada

Argumento de un número complejo no nulo

El argumento de un número complejo, es el ángulo que forma el semieje

positivo de abscisas, con la semirrecta que une el origen de
coordenadas con el afijo de z. No se define el argumento del numero
complejo (0 ; 0)

z   \  (0 , 0)
Dado , un argumento de z es cualquier  tal que:

Re(z) Im(z)
cos   , sen  
z z

Podemos definir el conjunto de los argumentos de un número complejo z

no nulo y denotarlo por arg z.

 Re(z) Im(z) 
argz     / cos   ,sen   
 z z 

Argumento principal de un número complejo no nulo

z   \  (0 , 0)
Un número complejo , tiene infinitos argumentos si uno de
ellos es  los demás están expresados por la fórmula:   2k , k  
.Para que θ sea único, basta con imponer la condición adicional que
pertenezca a un cierto intervalo semiabierto de longitud 2 tal como
[0,2  ,   , ] , etc.Entonces, de entre los infinitos argumentos de z,
 z   \  (0 , 0)
se denomina argumento principal de y se denota Arg z, al
que verifica la condición 0    2 .

arg z   Arg z  2k ,k  

Es decir 0  Arg z  2 , además

z   \  (0 , 0)
Nota: En otros países, el argumento principal de , es el
valor de Arg z , tal que   Arg z  

Propiedades

1) arg(z)  2  argz

arg z   , 0  arg z  
arg( z)  
2) arg z   ,   arg z  2

1
arg( )  2  arg z
z
3)

Forma polar o trigonométrica de un número complejo

z  C \  (0,0)
Dado el número

Im

b (a; b)
Afijo de z
r=|z|

a Re
De la figura:
a  r cos  , a  r cos 
b
  arctg   ,    2 2
a , r  a b ,

r = módulo de complejo Z
 = argumento principal del complejo Z
Como z  a  ib , entonces:
z  r cos   ir sen   r(cos   isen ) , es la forma polar o trigonométrica de
z.
Operaciones en forma polar o trigonométrica

Sean: z1  r1(cos 1  isen 1) z2  r2 (cos 2  isen 2 )

a) z1.z2  r1 r2  cos(1  2 )  isen( 1  2 )

z r
b) 1  1  cos( 1  2 )  isen( 1  2 )
z2 r2
c)z1n  r1n  cos(n1)  isen(n1) ; n  Z
   2k   2k 
d) n z1  n r1 cos( 1 )  isen( 1 )
 n n 
, k  0 , 1, 2 , 3 , ... , (n  1), n   ,n  2
Fórmula de “De Moivre”
Se usa para calcular senos y cosenos de ángulos múltiples

(cos   i sen )n  cosn  i senn

Ejemplo: Si n = 2

(cos   isen )2  cos 2  isen 2

cos2   sen2   i(2sen  cos ) 
           
cos 2 sen 2
cos 2  isen2 ,
igualamos parte real y parte imaginaria
entonces cos 2  cos2   sen2 
y sen2  2sen  cos 
Identidades notables

Si z  cos   isen 

1
 z 1  cos   isen 
a) z

1  2cos 
b) z  z

1 n n n
c) (z  z )  2 cos 
 zn  cos(n)  isen(n) y
z n  cos(n)  isen(n)
n n  2cos(n)
d)  z  z

Ejemplo:

1 6 6 6
Si n = 6 (z  z )  2 cos  ;

(z  z 1)6  z6  6z 4  15z2  20
15z 2  6z 4  z 6

(z  z 1)6  (z 6 z 6 )  6(z 4  z 4 )
     
2 cos(6) 2 cos(4)
2 
15(z  z )  20  2 cos6 
2 6
  
2cos (2)

1 3 15 5
cos6   cos 6  cos 4  cos 2 
32 16 32 16

Notación fasorial

Se usa en el análisis de circuitos con corriente alterna

z  r(cos   isen )  z  r 

Notación científica

Se usa para abreviar la escritura de la forma polar:

z  r(cos   isen )  z  r cis 

Operaciones:
Z  r Cis1 , Z2  r2Cis2
Sea: 1 1
Entonces:
Z1 r1
 Cis  1  2 
Z1Z2  r1r2 Cis  1  2  Z2 r2
Propiedades:

1. Cis    1
Cis  1  .Cis  2   Cis  1  2 
2.
 cos  1  2   isen  1  2 
 Cis  1 
 Cis  1  2 
Cis  2 
3.
 cos  1  2   isen  1  2 

4. Cis     cos   isen

5.  Cis  n  Cis  n   cos  n   isen  n  ;

n
6.  1  2
Cis   Cis  1 2     2k,
k  
Forma exponencial de un número complejo
Formula de Euler

ei  cos   isen  ,   

Como z  r(cos   isen )

z  rei (Forma exponencial de z)

Propiedades
i(0)  1
1) e
i
2)     : e  0

   : ei   1
3)
i( 2k)  ei  , k  
4) e

i 1 i 2
5) e  e  1  2  2k , k  
 i i 
6)    : (e )  e

i 1 i 2 i( 1 2 )
7)  1, 2  : e e  e

i n in 
8)  n  ,    : (e )  e

Operaciones en forma exponencial

z1  r1 ei1 , z2  r2 e
i 2
Sean:

z1.z2  r1r2 ei(12 )

a)

z1 r1 i(12 )
 e
z2 r2
b)

zn  r n ei(n1) ; n  
c) 1 1

  2k
i( 1 )
nz  nr e n ,
1 1
d) k  0 , 1, 2 , 3 , ... , (n  1)

Ejemplo: Sea Z = 1 – i
2 2
Z  r   1   1 , entonces r  2
Z=1–i

El argumento
Re

  2  
1

4
  7
4
–1
Im

7 i
 Z  1 i  2e 4

Raíz enésima de la unidad

 2k
i( )
n 1  e n , k  0,1,2,3,.....,(n  1)

2 2 k
i i
k
Si hacemos w  e n , entonces w  e n , las n raíces forman el
conjunto


Gn  wk ,k  0,1,2,3,...,(n  1) 

 1,w ,w 2 ,w 3 ,...,w n 1 
w se denomina raíz enésima de la unidad.De la forma exponencial de las

raíces enésima de la unidad vemos que están en el círculo de radio uno

2
n
centrado en el origen y están uniformemente espaciadas sobre el cada
radianes. Cuando n = 2 estas raíces son 1, cuando n  3 las raíces
corresponden a puntos situados en los vértices de un polígono regular de n
lados, este polígono está inscrito en el circulo de radio uno centrado en el
origen y tiene un vértice en el punto correspondiente a la raíz z  1 (k  0) ;
además el eje real es eje de simetría de dicho polígono regular.

61
Calcular
Ejemplo:

Solución:


G6  wk ,k  0,1,2,3,4,5 
G6   1,w,w 2 ,w3 ,w 4 ,w 5 / w  ei(2 /6) 
 
G6  1,ei( /3) ,ei(2 /3) ,ei( ) ,ei(4  /3) ,ei(5  /3) 
 1 3 1 3 1 3 1 3 
G6  1,  i ,  i ,  1,   i , i 
 2 2 2 2 2 2 2 2 

Nota:

a) La suma de las raíces enésimas de la unidad es cero.

n 1
b) El producto de las raíces enésimas de la unidad es ( 1)

Raíces cubicas de la unidad

2k
i( )
3 1  e 3 , k  0,1,2

Si k  0  R1  1

1 3
k  1  R 2  w  ei(2 /3)   i
Si 2 2

1 3
k  2  R3  w 2  ei(4  /3)   i
Si 2 2
Propiedades

 
3 4 3 3  a  wa
a) w  1 , w  w , w  1 , w
2
b) 1  w  w  0

4 2
c) w  w  1  0

2
d) w  w
La exponencial compleja

z a
Si z  a  bi  e  e (cosb  isenb)

Propiedades

 z  : e z  0
1)

 z   : (ez )  ez
2)

 z1 , z2   : e z1.e z2  e z1 z2
3)

e z  1  z  2k i ; k  
4)

 z   : e z  eRe(z)
5)
z
6) arg(e )  Im(z)  2k , k  
z  2k i  e z ,k  
7) e

z1 z2
8)  z1 , z2   : e  e  z1  z2  2k i

i
e w  2i  w  ln2   2ki , k  
2

Lugar geométrico de números complejos

Para graficar el lugar geométrico o identificar geométricamente los

conjuntos de números complejos z que verifican determinadas
condiciones, se remplazan en las condiciones z  x  yi o según
i
convenga z  re .

Ejemplo: Graficar los números complejos z que verifican la condición:

z r

Solución:

z  r  x 2  y2  r  x 2  y 2  r 2

Es la ecuación de una circunferencia centrada en el origen de radio r

Ejemplo: Graficar los números complejos z que verifican la condición:

z  z0  r, r  0, z0 fijo

Solución:

z  z0  r  (x  x 0 )2  (y  y0 )2  r

(x  x 0 )2  (y  y0 )2  r 2

Es la ecuación de una circunferencia centrada en (x0 ,y0 ) de radio r

Ejemplo: Determine la gráfica del conjunto
 
A  i  z / iz  1  i  1

Solución:

iz  1  i  1  i (x  iy)  1  i  1

 1  y  i(x  1)  1 (x  1)2  (y  1)2  1.. (1)

Sea
z1  i  z  i  (x  iy)   x  i(y  1)
 x1  y1   x  i(y  1) ,

 x   x1
y  y1  1
, en la relación (1),
Entonces
( x1  1)2  (y1  1  1)2  1 (x1  1)2  (y1  2)2  1 , es la ecuación de una
circunferencia de centro ( -1 , 2) y radio 1.

El polinomio complejo

Z  C ,un polinomio definido sobre el conjunto de los números

Sea
n n 1  .........  a z  a a  0
complejos tiene la forma: P(z)  anz  an 1z 1 0, n

n  N , es el grado del polinomio, ai  C , son los coeficientes

Donde:
complejos
Teorema fundamental del algebra

Todo polinomio no constante con coeficientes complejos tiene al menos

un cero complejo.

Teorema
n1  a zn a  0
Sea P(z)  a0  a1z  .........  an 1z n , n un polinomio complejo
,
de grado n  1, P(z) tiene n raíces complejas(contando cada una según
su multiplicidad). Es decir, existen n números complejos (iguales o

distintos) z1,z2,z3,...,zn   , tal que:

P(z)  an(z  z1)(z  z2 )(z  z3 )....(z  zn )

Teorema

1) Todo polinomio de grado impar con coeficientes reales tiene al menos

una raíz real.

2) En los polinomios con coeficientes reales si z  a  bi es una raíz del

polinomio, entonces su conjugado z  a  bi también lo es.

Nota

Todo polinomio de grado n  1, con coeficientes reales se puede

factorizar:

a) como un producto de polinomios reales de grados uno y dos.

P(x)  (ax  b)n (cx 2  dx  e)m

b) como un producto de polinomios complejos de grado uno.

DETERMINANTES

El concepto de determinante surge con el problema de solución de un sistema

de ecuaciones lineales por ejemplo dado el sistema:
ax + by = r
cx + dy = s

Donde “x” e “y” son las incógnitas eliminando variables y despejando se tiene:

dr −sb
x = ad−bc
 as−cr
y = ad−bc

El numero ad-bc se encuentra como denominador en “x” e “y”.

En la forma matricial se tiene:

( ac db )( xy ) = (rs)
Se dice que el determinante de la matriz de los coeficientes denotado por:

det (A) = detA = | A| = |ac db| = ad-bc

el sistema tendrá solución si | A| ≠ 0

Definición
El determinante viene a ser una función que aplicada a una matriz cuadrada da
un único valor numérico.

Sea A un matriz cuadrada

Φ :Knxn R ó C

a11 a12 a
⋯ 1n

(
A= a21 a22
⋮
a2 n
⋱ ⋮
an 1 an 2 ⋯ a nn
)
Cuyas filas son:

A1 = (a11, a12,…, a1n)

.
.
An = (an1, an2, …,ann)
 La matriz A por filas es:
A = (A1,A2,…,Ai , … , An)entonces el determinante es
| A| = det (A1 , A2 , … , Ai , … , An)

En el determinante se verifica que

5. det(A1 , A2 , … , Ai , … , An)
6. det(B) = det(A1 , A2 , … , rAi , … , An)= r det(A1 , A2 , … ,Ai , … , An)= r det(A)
Observación: Si cualquier fila de A se multiplica por “r” , entonces |B| = r| A|
7. det(A1 , A2 ,… , Ai + Aj , … , An) = det(A1 , A2 ,… , Ai , … , An) + det(A1 , A2 ,
… ,Aj ,… , An)
para todo i = 1,2,3,…, n
8. det(In) = 1

Definición
Sea una matriz cuadrada de orden 2x2
a11 a12
A= ( a21 a22 )
El determinante de segundo orden es el número definido por:
| A| = a11 . a22- a12 . a21

Definición:
Sea una matriz cuadrada de orden 3x3

a11 a12 a 13

(
A = a21 a22 a 23
a31 a32 a 33 )
El determinante de tercer orden es el número definido por:
| A| = a11 .a22 .a33+ a12 .a23 .a31+ a13 .a21.a32- a31 .a22 .a13-a32 .a23 .a11 - a21 .a12 .a33

MENORES Y COFACTORES
Sea la siguiente matriz cuadrada de orden nxn

a11 a12 ⋯ a1 j ⋯ a1 n

( )
a21 a22 ⋯ a2 j ⋯ a2 n
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
A=
ai 1 ai 2 ⋯ a ij ⋯ a¿
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
a¿ an 2 ⋯ a nj ⋯ ann

Sea Mij la submatriz cuadrada de orden n-1 que resulta de eliminar la fila “i” y la
columna “j” de la matriz A.
Entonces:
3) |M ij| se llama menor complementario del elemento aijde A.
4) El cofactor del elemento aij que se simboliza por Aij se define por:

A
⏟ i+ j
¿⏟ ¿
⏟ ¿ M ij∨menor
ij
= (−1)
cofactor signo

Como “i+j” puede ser par o impar

 Aij = ±|M ij|

Desarrollo de una determinante por cofactores

El determinante de una matriz cuadrada A = [aij]nxn es igual a la suma de los
productos de los elementos de cualquier fila o columna por sus respectivos
cofactores.
Para aplicar este desarrollo es necesario elegir una fila o una columna y
efectuar el desarrollo por dicha fila o dicha columna.

c) Si elegimos la fila “k” el desarrollo del determinante es:

n
| A| = ∑ ¿¿ ¿)
j=1

d) Si elegimos la columna “j” el desarrollo del determinante es:

 n
| A| = ∑ ¿¿ ¿)
k =1

3 6 −9
Ejemplo: A= 0 2 1
3 −1 2( )
Si elegimos la 1rafila:
3
| A| = ∑ ¿¿ ¿) = (a ¿ ¿11 A 11 )¿ + (a ¿ ¿12 A12) ¿ + (a ¿ ¿13 A13 )¿
j=1

=3 |−12 12| + 6(-1)|03 12| + (- 9)|03 −12 | = 87

Obs:si elegimos la primera columna
n
| A| = ∑ ¿¿ ¿) = (a ¿ ¿11 A 11 )¿ +(a ¿ ¿ 21 A21 )¿ + (a ¿ ¿31 A31)¿
k =1

= 3 |−12 12| + 0(-1)|−16 −92 | + 3|62 −91 | = 87

MATRIZ DE COFACTORES
Sea A una matriz cuadrada de orden nxn y A ij es el cofactor de aij entonces la
matriz:

A11 A12 ⋯ A1 n
Cofact A = ⋮
A n1 ( ⋮ ⋱ ⋮
A n 2 ⋯ A nn )
Se llama matriz de cofactores de A. La transpuesta de esta matriz es conocida
como Matriz adjunta de A.

Propiedades de la matriz adjunta de A

8) adj (In) = In
9) adj (At) = (adj (A))t
10) adj (An) = (adj (A))n
11) adj (AB) = adj (B) adj (A)
A
12) adj (A-1) = (adj (A))-1 =
detA
13) |adj ( A)|= | A|n−1
14) adj (xA) = x-1adj (A)

TEOREMA
Una matriz A de orden n es no singular si y solo si el determinante no es nulo (
| A| ≠ 0).

PROPIEDAD:
La matriz A es invertible si y solo si el determinante no es nulo.

TEOREMA:
A (adj A) = det A (In)

COLORARIO:
Si A es una matriz no singular de orden n entonces:

1 1
A-1 = adj(A). | A| = (cofact (A))t . | A| ; | A| ≠ 0

Ejemplo: Halle la matriz inversa de A:

5 −1 8

( )
87 29 29
3 6 −9 5 −3 24
A= 0 2
(
3 −1 2 )
1  A-1 = 3 33 −3 .
−6 21 6
1
87(=
1
29
−2
) 11
29
7
−1
29
2
29 29 29

Observación:
10. Si una matriz tiene inversa entonces esta es única.
11. Si B es una matriz inversa de A entonces también se puede decir que A
es la matriz inversa de B.
12. No siempre una matriz cuadrada tiene inversa.
13. Se dice que una matriz cuadrada A es singular si y solo si su
determinante es cero.
14. Si una fila o columna de una matriz A se le suma el múltiplo de otra fila o
columna, entonces el valor del determinante no varía.
15. Si los elementos de una fila o columna cualquiera constan de dos
términos, el determinante puede expresarse como la suma de otros dos
determinantes.
16. El determinante de una matriz triangular superior o inferior es igual al
producto de los elementos de la diagonal principal.
17. det(A + B) ≠det(A) + det(B)
En general el determinante de una matriz triangular superior o inferior es igual
al producto de los elementos de la diagonal principal.
18. det(AB) = det(A)det(B)
En general el determinante de un producto de matrices es igual al producto de
los determinantes de las matrices siempre y cuando las matrices sea
cuadradas del mismo orden.
PROBLEMAS
Calcule el determinante de las siguientes matrices
1 2 3 n

[ −1 0 3
1. −1 −2 0
⋮
⋯ n
n
⋱ ⋮
−1 −2 −3 ⋯ 0
]
DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
REGLA DE CRAMER
Es un teorema en el álgebra lineal que da solución a un sistema de ecuaciones
lineales trabajando con los determinantes.
Recibe el nombre en honor a Gabriel Cramer (1704 – 1752) quien publico un
trabajo dando nociones sobre el método.
Si: AX = b es un sistema de ecuaciones lineales siendo: X = (x 1 , x2, … , xn) el
vector de las incógnitas; b el vector de los términos independientes y A es la
matriz de los coeficientes, entonces las soluciones del sistema se representan:

det ( A j )
xj = det( A)

Donde Aj es la matriz que resulta al remplazar la J-esima columna de A por el

vector columna b.

Ejemplo: Sea
x1 b1

() ()
a11 ⋯ a1 n
X=
x2
⋮
xn
; A= ⋮ ⋱ ⋮
an 1 ⋯ ann ( ) nxn
b
; B= 2
⋮
bn

a11 ⋯ a1 , j−1 b1 a 1, j +1 ⋯ a 1n

Aj =
( a21 ⋯ a2 , j−1
⋮ ⋱ ⋮
b2
⋮
an−1,1 ⋯ a n−1 , j−1 bn−1
an 1 ⋯ an , j−1

Usando propiedades:
bn
a 2, j +1 ⋯
⋮ ⋱

a n , j +1 ⋯
a 2n
⋮
a n−1, j +1 ⋯ an −1 , n
ann
)
AX = B
A-1 AX = A-1B
I X = A-1 B
X = A-1 B
adj( A ) B
X=
|A|
t
A 11 A 12 ⋯ A1 n b1 x1

X = A-1 B =
adj( A ) B
|A| =
(cofactA ) B
| A|
t

= ( ⋮ ⋮ ⋱
A n1 A n 2 ⋯
⋮
A nn )( ) ( )
⋮
bn =
⋮
xn
| A| | A|
n
A bj
Xi= ∑ j =1
ji

| A|
PROBLEMAS
1. Indique si las siguientes proposiciones son verdaderas o falsas, fundamente su

respuesta de manera rigurosa (demostrar).

a) Sea AX=0 un sistema homogéneo de n ecuaciones con n incógnitas, supongamos

que el rango o característica de A es R=n−1 entonces un vector no nulo cuyas

componentes sean los adjuntos de una fila de A es solución de AX=0

b) Si A es una matriz cuadrada de orden n y rango menor que n−1 entonces adjA =0

C) Si A es una matriz simétrica entonces también lo es la adj ( A) 6 puntos

2. Discutir la compatibilidad según los valores de a ∈ R del sistema de ecuaciones

lineales. Determine la solución para los casos de compatibilidad.

ax + y−z =a2

x− y + z=1

3 x− y−z =1

6 x− y + z=3 a 4 puntos

3. Usando propiedades hallar el determinante de

x y x+ y
( y
x+ y
x+ y
x
x
y ) 3 puntos

4. Dada la matriz A ¿Que relación deben satisfacer las constantes a , b , c , d y d

Para que el rango de la matriz sea 2,3 y 4?

0 1 a b

(
A= −1 0
a c
b d
c d
0 −e
e 0
) 4 puntos

5. El sistema AX=b tiene solución por única solución (2 ;−2; 3)t si la matriz de

8 −4 −4
(
Cofactores de A es −5 7
−1 −1 5
1
) . Determine los elementos de la matriz

columnab , si el determinante de A positivo. 3 puntos

Ejemplo 1:
Resolver utilizando la regla de Cramer el siguiente sistema de ecuaciones
lineales:
x1 + 3x2 + 3x3 = -2
2x1 + 2x2 + 3x3 = -5
x1+ 2x2 + 3x3 = 6
Ejemplo 2:
Sea: (m + 1)x + y + z = 2-m
x+(m + 1)y + z = -2
x + y + (m + 1)z= m
Halle “m” para que el sistema tenga solución única
Solución:
m+1 1 1 m+3 1 1
|
| A|= 1
1
m+1
1 ||
1 = m+3 m+ 1
m+ 1 m+3 1
1 =
m+1 |
1 1 1 0 1 1

1 |
( m+3 ) 1 m+1
1
1 =( m+ 3 ) −m m+1
m+1 0 1
1
| |
m+1 |
¿

( m+3 ) ( m ) 1 1 =( m+3 ) ( m )( m ) m≠ 0
| |
1 m+1
Para m=0
x + y + z=2
x + y + z=−2
x + y + z=0
1 1 1 2 1 1 10
( 1 1 1−2 → 0 0 0 1
1 1 1 0 0 0 00 )( )
r(A)=1 r(Aa)=2

Solución
Para m=−3
−2 1 1 5 −3 0 3 0
(1 −2 1 −2 → 0 −3 3 1
1 1 −2 −3 0 0 00 )( )
r(A)=2 = r(Aa) < 3 depende de un parámetro

Conclusión:

1º Para que tenga solución única: m 0m≠−¿ ¿3

2º Solución: m= 0
3º Más de una solución: m = -3

Ejemplo 3:
Realice un análisis de la compatibilidad del sistema para todos los valores de a
y b si:
ax +by + z=1
x +aby + z=b
x +by +az=1
Solución:
Analizando para la existencia de una solución:
a b 1
|
1 ab 1 =a
1 b a |
ab 1 = b 1 + b 1
| || || |
b a b a ab 1

¿ b ( a−1 )2 (a+2)≠ 0
b ≠ 0 ∧a ≠ 1∧ a ≠−2

PROBLEMAS
1. Halle el rango de la matriz A para todos los valores de a y b.
2 a b a+b
A= a
b
a+b
( a
0
0
0 0
b 0
0 a+b
)
2. Determine el rango de la matriz, para cualquier valor de t
3 0 6 3t

(
A= t 2 2(t +1) 0
−2 4 0 2 t−t 2 )
3. Halle la inversa de la matriz de orden “n” donde:
aij=0 , si i=j
 aij=1 , si i j
4. Indique si es verdadero (v) o falso (f) (fundamente)
A) Si A y B son matrices cuadradas de orden “n” tal que AB=A y BA=B

A y B son idempotentes.
B) Si A es una matriz cuadrada de orden n entonces A + A T, ATA y AATson
matrices simétricas.
C) Si A y B son matrices ortogonales entonces A + B también es ortogonal.
D) Si A es nilpotente entonces es invertible.
E) Si A2 es simétrico entonces A es simétrico.

PROBLEMAS RESUELTOS
1. Que valores debe tener m para que el sistema tenga solución
( m+1 ) x + y + z=2−m
x + ( m+ 1 ) y + z=−2
x + y + ( m+ 1 ) z=m
Solución
Para que el sistema de ecuaciones lineales tenga solución el determinante de
la matriz de coeficientes debe ser diferente de cero. │ A │ ≠ 0
 m+1 1 1 m+3 1 1 1 1 1 0 1 1
|
det ( A )= 1
1
m+1
1
1 = m+3 m+1
m+ 1 m+3 1 ||1 = ( m+3 ) 1 m+1
m+1 1 1 | |
1 =( m+3 ) −m m+1
m+ 1 0 1 m+1| |
1 =( m
|
El sistema tiene solución si y solo si ( m+3 ) m 2 ≠ 0 ↔m ≠∨ m≠−3
Si m=0 tenemos el sistema x + y + z=2
x + y + z=−2
x + y + z=0 es un sistemainconsistente
Si m=−3 tenemos el sistema −2 x+ y+ z =5
x−2 y + z=−2
x + y−2 z=−3
Trabajando con la matriz ampliada (dándole una forma escalonada)
−2 1 1 5 1 −2 1 −2 1 −2 1 −2 1 −2
|
1 1 −2 −3 |
Aa = 1 −2 1 −2 → ( f 1 x f 2 ) −2 1
1 | 1 5
1 −2 −3
→ f f
|
; f
|
0 3 −3 −1
→ f
( 2 1 3 1 ) 0 −3 3 1 ( 3 2) 0 −3
+2 −f +f
0 0| |
r ( Aa ) =r ( A )=2<3 (tiene mas de una solucion)
1 8
Depende de un parámetro la solución es z=t , y =t− , x=t− , t ∈ R
3 3

2.

ESPACIOS VECTORIALES
Un espacio vectorial sobre un cuerpo K (en los reales o complejos) es un

conjunto V ϕ sobre el cual se define:

(Un espacio vectorial es un conjunto V de elementos llamados vectores, cuyas
operaciones de adición y multiplicación por un escalar se encuentran definidas
en dicho conjunto (u,v, w son vectores y c, d son escalares reales o
complejos).V es un conjunto no vacio.)
Axiomas de cerradura:
1º u+ v existe y es un elemento de V (V cerrado bajo la adición, ley de la
cerradura o clausura)
2º c.u es un elemento de V (V es cerrado bajo la multiplicación por un escalar).
Axiomas de adición:
3º u + v= v + u (propiedad conmutativa)
4º u + (v + w) = (u + v) + w (propiedad asociativa)
5ºExiste un elemento de V denominado vector cero o vector nulo tal que: u + 0
= u (0 es el elemento nulo o neutro)
6ºPara todo elemento de V existe un elemento llamado el negativo de u tal que:
u + (-u) = 0
Axiomas de la multiplicación por un escalar:
7º c (u + v) = cu + cv
8º (c + d) u= cu + du
9º c (du)= (cd) u
10º 1.u=u
Nota:
Un espacio vectorial es el conjunto V de elementos llamados vectores, cuyas
operaciones de adición y multiplicación por un escalar se encuentran definidas
en él y satisfacen los axiomas mencionados donde u, v y w son vectores de V ,
c, d son escalares.
Ejemplo:
Dado el conjunto A definido por:
(x1,y1) + (x2,y2) = (x1 + x2 + 1; y1 + y2 +1)

(x;y)= (∝+∝ x−1;∝+∝y -1)

Verifique si dicho conjunto se puede considerar como un espacio vectorial.
Solución:
Axiomas de la cerradura
Sea:
u=(x1;y1)
v=(x2;y2)

1º u+ v= (x1 + x2 + 1; y1 + y2 +1) =( z1;z2) A

2º (x1;y1)= (∝+∝ x 1−1; ∝+∝ y 1−1 ¿= (d1,d2) A

Axiomas de la adición:
3°(x1;y1) + (x2;y2) = ( x1 + x2 + 1 ; y1 + y2 + 1) = ( x2 + x1+1 ; y2 + y1+ 1)
=(x2;y2) + ( x1; y1)
4º (u1;u2) + (( v1;v2) + ( w1;w2)) =(u1;u2) + ( v1 + w1 + 1; v2 + w2 + 1)
=(u1 + v1 + w1 + 2 ; u2 + v2 + w2 + 2)= ((u1;u2) + ( v1;v2)) + ( w1;w2)
5º Sea a = (a1;a2) el vector nulo tal que:

(u1,u2) + (a1;a2) =(u1,u2) (u1 + a1 + 1,u2+ a2 + 1)=(u1,u2)

a=(-1;-1) vector nulo de A.

6º (u1;u2) + (b1;b2)=(-1,-1)
(u1+b1 + 1; u2 + b2 + 1)= (-1;-1)⟹ (b1;b2)=(-2-u1,-2-u2)
Axiomas de la multiplicación por un escalar:
7ºc(u+v)=c(u1+v1+1;u2+v2+1)=(c+c(u1+v1+1)-1;c+c(u2+v2+1)-1)
cu+cv=(c+cu1-1;c+cu2-1)+(c+cv1-1;c+cv2-1)
=(2c+cu1+cv1-1;2c+cu2+cv2-1)
=(c+c (u1+v1+1)-1; c+c(u2+v2+1)-1)
8º(c+d) u=cu+du
(c+d+(c+d)u1-1;c+d+(c+d)u2-1)
cu+du= (c+cu1-1;c+cu2-1)+(d+du1-1;d+du2-1)
=(c+d+(c+d)u1-1;c+d+(c+d)u2-1)
Ejemplo
Dado el conjunto A definido por A=¿
Donde ( x 1 , x 2 ) + ( y 1 , y2 ) =(| x1 + y 1|, y 2)

Los siguientes ejemplos son espacios vectoriales:

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

Rn =¿{x=(x1,x2,x3,x4,x5,…,xn-1,xn) ; x=( x i) donde 1 i n ; xi∈ R }, con las

operaciones x+y = (x1+y1,x2+y2,…,xn+yn)
λx=(λx1,λx2,…,λxn)
Observación

Ejemplo Sea V={ 1 } no es un espacio vectorial, si 1+1=2, pero 2 V no se

cumple la ley de la clausura o cerradura en la adición V no es espacio vectorial
2. El conjunto de matrices de dimensión nxm:

Mnxm ( ) ={ A=( a ij ) 1≤ i≤ n ; 1≤ j ≤ m }
con las operaciones: suma de matrices y productos por números reales.
3. El conjunto de todos los polinomios con coeficientes reales en la variable x.
n

P( )= {∑
k=0
a k x k : n∈ N , ak ∈ R }
con las operaciones de suma y producto por números reales
4.El conjunto de todas las funciones reales:

F( )={ R → R } con las operaciones suma de funciones y producto por números

reales.
5. El conjunto de todas las sucesiones de números reales:
∞
S={ ( x n) n=0 : x n ∈ R , n ≥1 }
Ejemplo:
1) Sea V={ 0 } satisface los 10 axiomas, es un espacio vectorial, se le conoce
como ESPACIO VECTORIAL TRIVIAL
2) Sea V={ ( x ; y ) / y =2 x +1 , x ∈ R }
(x1,y1)+(x2,y2)=(x1+x2,y1+y2)
=(x1+x2;2x1+1+2x2+1) = (x1+x2;2(x1+x2)+2)
No es un espacio vectorial, no cumple con el Axioma de la cerradura.

PROPIEDADES:
Si V es un espacio vectorial, entonces:
1° 0.u=0
2° (-1).u=-u ∀ u ∈V

SUBESPACIOS VECTORIALES
Se llama subespacio vectorial de un espacio vectorial V a cualquier
subconjunto no vacio S⊂V que es un espacio vectorial con las mismas
operaciones definidas sobre V
Si V es un espacio vectorial y S⊂V, S ≠ ϕ
⟹ S es un subespacio vectorial de V ⟺ { u+ v ∈ S , ∀ u , v ∈ S }
{ λu ∈ S , ∀ λ ∈ K , ∀ u ∈ S }

TEOREMA:
Sea U un Subespacio de un espacio Vectorial V, U tiene como elemento al
vector cero de V.
COMBINACIÓN LINEAL DE VECTORES
Sea V un espacio vectorial, se dice que v ∈ V es combinación lineal de los
vectores { v 1 , v 2 , v 3 , … , v n } ∈V, si existen α 1 , α 2 , … , α n ∈ K tal que:
n
V= ∑ α i v i
i=0

Ejemplo:
Expresar el vector (4,4,5) como una combinación lineal de los vectores (1,2,3);
(-1,1,4) y (3,3,2)
Solución:
(4,4,5)= x(1,2,3) + y(-1,1,4) + z(3,3,2)
x – y + 3z= 4
2x + y + 3z = 4
3x + 4y + 2z = 5
1 −1 3 4 1 0 20
( 2 1 34
3 4 25
⟶
) ( )
0 1 1 0 no existen x,y,z , el sistema no tiene solución no se
0 0 01
puede formar una combinación lineal.
Ejemplo

Determinar si la matriz (−18 −17 ) es una combinación lineal de las matrices

{ (12 01) , ( 02 10 ) ,(02 −32 ) } en el espacio vectorial M 2x2

Solución:

(−18 −17 )=x (12 01 )+ y ( 02 10)+ z (20 −3

2 )
Luego

DEPENDENCIA E INDEPENDENCIA LINEAL

Sea V un espacio vectorial, se dice que el conjunto de vectores { v 1 , v 2 , v 3 , … , v n }
es linealmente dependiente si y solo si existen α 1 , α 2 , … , α n que pertenecen a K,

n
con algún α i ≠ 0 tales que la ∑ α i vi =0
i=0

En caso contrario se dice que el conjunto { v 1 , v 2 , v 3 , … , v n } es linealmente

independiente.
Si α i=0 ∀ i=1,2 ,… ,n entonces los vectores son LI
Observación:
Para estudiar si un conjunto de vectores { v1 , v2 , v3 , … , vn } es linealmente

n
dependiente o independiente se plantea la ecuación ∑ αi v i=0
i=0

Se estudian las soluciones, si admite alguna solución no nula el conjunto de

vectores es linealmente dependiente y si solo admite la solución nula es
linealmente independiente.
Ejemplo
v1=(1,0,-1,2) , v2=(1,1,0,1) y v3=(2,1,-1,1)
Indique sin son linealmente independientes.
Solución
x(1,0,-1,2) + y(1,1,0,1) + z(2,1,-1,1) = 0
x + y + 2z = 0
y+z=0
-x –z = 0
2x + y + z = 0
1 1 20 1 0 00

( )( )
0
1
2
1
0
1
10 ⟶ 0 1
10
10
0 0
0 0
00
10
01
x=0, y=0 , z=0
Son vectores linealmente independientes

PROPIEDADES
1° { v } es linealmente dependiente si y solo si v=0
2° 0 ∈ A ⊂V ⇒ A es linealmente dependiente
3° { u , v } es linealmente dependiente ⟺ u = λv (λ ≠ 0 ¿
4° Si A es L.I. y B⊂A ⇒B es linealmente independiente
5° A linealmente dependiente y A ⊂ B ⇒ B es linealmente dependiente.
6° A linealmente dependiente ⟺ ∃ v ∈ A que es combinación lineal de A.

OBSERVACIÓN
1. El conjunto { v 1 , v 2 , v 3 , … , v n } se llama conjunto dependiente o independiente
según sean los vectores LD ó LI
2. Se define al conjunto vació como independiente
3. Si dos de los vectores { v 1 , v 2 , v 3 , … , v n } son iguales entonces los vectores son
dependientes
4. Dos vectores v1 y v 2 son dependientes si y solo sí uno de ellos es múltiplo
escalar del otro.
5. Todo vector no nulo de un espacio vectorial constituye un conjunto LI
6. El vector nulo de cualquier espacio vectorial constituye un conjunto LD
7. Un conjunto finito y no vacio de vectores es LD si y solo si algún vector es
combinación lineal de los demás
8. Un conjunto finito y ordenado de vectores al que no pertenece el vector nulo
es LD si y solo si algún vector es combinación lineal de los precedentes
DEFINICION
Los elementos del conjunto A={ ai tal que i=1,2 , .. ,n } si son linealmente
independientes determinan una base.
Es decir el conjunto A es una base

Ejemplo:
Indique si el conjunto de vectores { 2 t−1 ,t +cos 2 t , 3+e 3 t , cos 2 t+ e3 t } es LI
SOLUCION
α ( 2 t−1 ) + β ( t +cos 2 t )+θ ( 3+ e 3t ) +δ ( cos 2t +e 3 t )=0
t ( 2 α + β ) + cos 2t ( β+θ )+ e3 t ( δ +θ ) + (−α +3 θ )=0
2 α + β =0
β +δ =0
θ+ δ=0
3 θ−α =0
 2 1 000 1 0 000

(0
0
−1
1
0
0
)(
010 ⟶ 0 1
110
300
0 0
0 0
000
100
010
)
α =0 , β=0 , δ =0 , θ=0
Es un conjunto L.I.

Ejemplo:
Sea V= R3, Luego ¿Es un subespacio?
2
{
W1= ( x , y , z ) talque
√3
x + √ 5 y + z=0 ; x , y , z ∈ Z }
Solución:
El único punto que satisface es (0, 0, 0) W1 es un subespacio de R3

Ejemplo:

W2={( x , y , z ) /2 y +3 z ≥ 0 }¿ es un subespacio?
Solución:
Con un contraejemplo:
u W2
Para 1
(1) (3 , 2 , 0)  (4)  3 (0) ≥ 0 (F)
W2 no es un subespacio

Lema:
Si V es un espacio vectorial y A v1 , v2 , … , vn está contenido en V,
entonces:
n
L(A) ∑ i v i, i K es un subespacio vectorial de V que se llama subespacio
i1

generado por A. El conjunto A se llama Sistema de Generadores de L(A).

Ejemplo:
Si V  R3 y A v1  (1,0,1) , v2  (1,1,1), entonces:
L(A) v v1v2 ; , Rv  (,,) ; , R
Las ecuaciones:
X 
Y 
Z 
Se llaman ecuaciones paramétricas de L(A)

Proposición:
Sea V un espacio vectorial y v1, v2, … , vn V, si vm es una combinación lineal
de v1, v2, … , vm-1 entonces L(v1, v2, … , vm)  L(v1, v2, … , vm-1)

BASE DE UN ESPACIO VECTORIAL

Definicion de base de un espacio vectorial
Un conjunto finito de vectores { v 1 , v 2 , … , v n } recibe el nombre de base de un
espacio vectorial V si el conjunto genera al espacio V y dicho conjunto es
linealmente independiente.
Ejemplo:
Halle una base del sistema:
3x1 x2 8x3 2x4 x5 0
2x1 2x2 3x3 7x4 2x5 0
x1 11x2 12x3 34x4 5x5 0
x1 5x2 2x3 16x4 3x5 0
Solución:

8x1 19x3 3x4 4x5 0

8x2 7x3 25x4 4x5 0

−4 c+3 b +19 a
Sea: x3 a x1
8
4 c−25 b+7 a
x4 b x2
8
 x5 c
−4 c+3 b +19 a 4 c−25 b+7 a
(x1 , x2 , x3 , x4 , x5)  ( , , a , b , c)
8 8
 a(19/8,7/8,1,0,0) + b(3/8,-25/8,0,1,0) + c(-4/8,4/8,0,0,1)
Una base del sistema es (19/8,7/8,1,0,0) , (3/8,-25/8,0,1,0) , (-4/8,4/8,0,0,1)
también es una base (19,7,8,0,0) , (3,-25,0,8,0) , (-1,1,0,0,2)
V (19,7,8,0,0) + (3,-25,0,8,0) + (-1,1,0,0,2)  (0,0,0,0,0)
19 + 3 -  0
7 - 25 +  0
8 0
8 0
2 0
Como estos vectores son Linealmente Independientes entonces forman una
base.
Obs. Desde el punto de vista intuitivo una base es un conjunto eficiente para
representar un espacio vectorial, en el sentido de que cualquier vector se
puede expresar como una combinación lineal de los vectores de la base,
además los vectores de la base son Linealmente Independientes.

Definición
Se dice que un espacio vectorial V tiene dimensión finita “n” o es n-dimensional
denotado: dimV  n, si existen vectores linealmente independientes e 1, e2, …,
en que generan a V , el conjunto e1, e2, …, en se llama base de V y tiene
como dimensión n.
OBSERVACIONES
1. El origen es un subespacio de R3 , la dimension de este subespacio es cero
2. Los subespacios de una dimensión de R3 son rectas que pasan por el origen.
3. Los subespacios de dos dimensiones de R3 son planos que pasan por el
origen.
Definición.- Si un espacio vectorial V tiene una base que consta de n vectores
entonces la dimensión de V es n, que se denota por dim(V).
PROBLEMAS RESUELTOS

1. Para qué valor de “a” o valores el conjunto:  (00 a 0 0 1 0 0 1 0

)(
, )(
,
1 0 0 a a 0 a 0)

es linealmente dependiente y no forma una base.

Solución:

 (00 a 0
1 0 ) (
+
0 1 0
0 a a
+
0 1 0 0 0 0
) (

0 a 0 0 0 0 )( )
u + v + w  0
Es L.I. si 0
a 0
a +  +  0
 + a + a  0
0 00 0 1 0a 0
( a 11 0
1 aa 0 ) 
( 0 10 0
a 01 0 ) ,a0

Para a1:
1 01 0 1 01 0
( 0 10 0
1 01 0 ) 
( 0 10 0
0 00 0 )
 +  0  ,  0
Para a  -1:
1 0 −1 0
( 0 1 0 0
0 0 0 0 )
 -  0  ,  0
Para a  -1, 0,1 es un conjunto L.D.

2. Sean los vectores: (1+a,1,1,1) ; (1,1+a,1,1) ; (1,1,1+a,1) ; (1,1,1,1+a)

Determine según los valores del parámetro “a”, la dimensión y una base del
subespacio que generan.
Solución:
x(1+a,1,1,1) + y(1,1+a,1,1) + z(1,1,1+a,1) + w(1,1,1,1+a)  0
x(1+a) + y + z + w  0
x + y(1+a) + z + w  0
x + y + z(1+a) + w  0
x + y + z + w(1+a)  0

1 0 0 0
 0 1 0 0 , a  -4 , a  0
0 0 1 0
0 0 0 1

x y  z  w  0
Para a  -4 a  0 (1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1) es una base, dim4. Es
la base canónica usual.

3. Determine un vector v de R3 sabiendo que:

- La suma de sus coordenadas es 3.
- v es combinación lineal de (2, 2,2) y (-1, 1,0)
- Los vectores (1, 0,1), (0, 1,0) y v son linealmente dependientes.
Solución:
Sea v  (a, b, c) R3
a+b+c3
x(2,2,2) + y(-1,1,0)  (a,b,c)
(1, 0,1) + (0,1,0) + (a,b,c)  (0,0,0)
2x – y  a
2x + y  b
2x  c
x 1/2 , c  1 , a + b  2
Luego: (1,0,1) + (0,1,0)  (a,b,c)
1 a 1 b
1 c  1  a  b  1
v (1,1,1)
4. Sea F un subespacio vectorial de R 3 formado por los vectores v  (x, y, z)
tales que x – 2y + 4z  0. Halle una base a, b, c R3 tal que a, b F.
Solución:
F (x,y,z) / (x,y,z)  R3 x -2y + 4z  0
(2y – 4z,y,z)  y(2,1,0) + z(-4,0,1)
(2,1,0) , (-4,0,1)
(2,1,0) + (-4,0,1) = 0
Es una base: (2, 1,0), (-4, 0,1)del subespacio vectorial F de R3
Determina un plano que pasa por el origen y cuya ecuación está dado por
π : x −2 y + 4 z=0
5. Sean S y T subespacios de R4 definidos por S (x , y, z , t) / x + y + z + t 
0, 2x – y + 2z – t  0, 4x + y + 4z + t  0
T (x , y , z , t) / x  a + b + 2c, y  b + c, z  -a + b, t  3b +3c
Obtener una base y la dimensión de T + S.
Solución:
En S: (x, y , z , t)
x+y+z+t0
2x – y + 2z – t  0
4x + y + 4z + t  0

x+z0
y+t0
(x , -t , -x , t)  x(1,0,-1,0) + t(0,-1,0,1)
(1,0,-1,0) , (0,-1,0,1)

En T:
(a+b+2c,b+c,-a+b,3b+3c)  a(1,0,-1,0) + b(1,1,1,3) + c(2,1,0,3)
(1,0,-1,0) , (1,1,1,3) , (2,1,0,3)
S + T:
 

(1,0,0,2) , (0,1,0,-1) , (0,0,1,2)

TEOREMA
Sean U y W dos subespacios de dimensión finita de un espacio vectorial V
entonces dim (U+W)= dim (U) + dim (W) – dim (U∩W)

SUMA DIRECTA
La suma de V1 y V2 subespacios de V se llama suma directa si V1∩ V2 0, en
este caso se dice que dicha suma es directa y se denota V 1V2, tanto V1 como
V2 se llaman sumandos directos.
Ejemplo:
 En R3 sea U el plano xy y W el eje z, luego:
U (a, b, 0) / a, b R
W (0, 0, c) / c  R
Verificar si U y W determinan una suma directa
SOLUCION
Cualquier vector (a, b, c)  R3 se puede escribir como la suma de un vector
u y un vector w, es decir:
(a, b, c)  (a,b,0) + (0,0,c)

En consecuencia R3 es la suma directa de U y W:

R3 U  W
Ejemplo
R2se puede expresar como una suma directa de dos rectas arbitrarias, pero
distintas que pasan por el origen.
SOLUCION
Consideramos dos rectas arbitrarias que pasan por origen , dichas rectas son
subespacios de R2
L1= { x (−3,7 ) tal que x ϵ R }y L2= { y (−2,5 ) tal que y ϵ R }
Sea (a , b) un vector de R2 donde ( a , b )=x (−3,7 )+ y (−2,7)
a=−3 x−2 y
b=7 x+ 5 y
Despejando obtenemos x=−5 a−2 b ; y=7 a+3 b
( a , b )=(−5 a−2b )(−3,7 )+ ( 7 a+3 b ) (−2,5) , a y b ∈ R
R2=L1 + L2
Por otro lado, si ( a , b ) ∈ L1 ∩ L2, entonces ( a , b )=x (−3,7) y ( a , b )= y (−2,5)
Lo cual implica que −3 x+ 2 y =0 y 7 x−5 y=0 entonces x= y=0
L1 ∩ L2 ={ 0 } , R2=L1 ⊕ L2
COORDENADAS
Para indicar que [v1,v2, … ,vn] es una base del espacio vectorial definido por (V,
+, K, . ) se utiliza la notación [v], es decir cada vector “v” se puede expresar de
modo único como la combinación lineal de la base, dado que los vectores son
linealmente independientes, es decir si x  V siendo x1, x2, … ,xn escalares
entonces:
x=x 1 v 1+ x2 v 2 +…+ x n v n
Respecto a la base dada el vector x  V queda caracterizado por los
coeficientes de la combinación lineal.
Ejemplo: Determine las coordenadas de x=(−2,3) respecto de la base
[ v ]= { ( 1,1 ) ,(1,0) }
Solucion

x=(−2,3 )=α ( 1,1 ) + β (1,0) , resolviendo α =3 , β=−5 , luego x [v ]= 3

( ) las
−5
coordenadas de x relativas a la base dada son 3 y -5
PROBLEMAS RESUELTOS

1. En el espacio P2 de los polinomios de grado ≤3, verifique si los siguientes

polinomios son linealmente independientes o linealmente dependientes

P(X)=x3-3x2-5x+1, Q(X)=-x3-x2+5x+2, R(X)=-x3-7x2+4x

SOLUCION
Formamos una combinación lineal e igualamos a cero.

aP(X)+bQ(X)+cR(X)=0x3+0x2+0x+0→a(x3-3x2-5x+1)+b(-x3-x2+5x+2)+c(-x3-
7x2+4x)=0x3+0x2+0x+0→(a-b-c)x3+(-3a-b-7c)x2+(-5a+5b+4c)x+(a+2b)=
0x3+0x2+0x+0
Comparando:

a-b-c=0 -3a-b-7c=0
-5a+5b+4c=0
a+2b+0c=0

Resolvemos con la matriz ampliada:

1 −1 −1 0 1 0 0 0

(−3 −1 −7 0
−5 5 4 0
1 2 0 0
) ( )
→
0
0
0
1
0
0
0
1
0
0
0
0

Como r(A)=r(Ab)=n=3 ⇒ el sistema es compatible, solución única.

∴ a=b=c=0, e deduce que los polinomios P(X), Q(X) y R(X) forman un conjunto
linealmente independiente.

2. Determine un base tal que en R2 un vector e encuentre en la recta L={x-

y+z=0, 2x-z=0} y otros dos en el plano x+y+z=0

SOLUCION

Un vector de la base se encuentra en la recta L={x-y+z=0, 2x-z=0}

→x-y+z=0 y 2x-z=0 ⇒ x=t, y=3t y z=2t donde t es un parámetro.

entonces la recta está dada por L={(t;3t;2t)} → (t;3t;2t)= t(1;3;2); entonces

(1;3;2) es vector contenido en L.

Dos vectores de la base se encuentran en P: x+y+z=0, si x=s y y=t

⇒ P:{(s;t;-s-t)} ⇒ P:{s(1;0;-1)+t(0;1;-1)}

Solo queda demostrar que el conjunto B= {(1; 3; 2), (1;0;-1),(0;1;-1)} es

linealmente independiente.

→a(1;3;2)+b(1;0;-1)+c(0;1;-1)=(0;0;0) → (a+b;3a+c;2a-b-c)=(0;0;0)

Comparando

→a+b=0; 3a+c=0; 2a-b-c=0, resolvemos con la matriz ampliada:

1 1 0 0 1 0 0 0
( 3 0 1 0
2 −1 −1 0 ) ( 0 1 0 0
→ 0 0 1 0
) , comor(A)=r(Ab)=n=3 ⇒ el sistema es
compatible, solución única.
→ a=0, b=0 y c=0
∴ La base es B={(1;3;2),(1;0;-1),(0;1;-1)}

3. Dado el conjunto de matrices B, indique si determinan una base.

i) B={
(10 00 ) (10 10 ) (11 10 ) (00 01 )
; ; ; } 2i) B={
(10 01 ) (−11 −10 )
; ;

(11 00 ) (10 11 )
; }

SOLUCION

Para saber si B determina una base se debe demostrar

a) Si el conjunto es LI
b) Si el conjunto genera A2x2

Demostración de a)

a
(10 00 ) +b
(10 10 ) (11 10 )
+c +d
(00 01 ) (00 00 )
=

→
(a+b+c
c
b+c
d ) (00 00 )
= , por comparación:

→a+b+c=0; b+c=0; c=0 y d=0

Resolviendo: a=b=c=d=0 ∴ El conjunto es linealmente independiente.

Demostración de b)

a
(10 00 ) +b
(10 10 ) (11 10 )
+c +d
(00 01 ) (mp nq )
=

→
(a+b+c
c
b+c
d ) (mp nq )
= ; por comparación:

→a+b+c=m; b+c=n; c=p y d=q, resolviendo con la matriz ampliada:

 1 1 1 0 m 1 0 0 0 m−n

( 0
0
0
1
0
0
1
1
0
0
0
1
n
p
q
) (
→
0
0
0
sistema es compatible, solución única.
1
0
0
0
1
0
0 n− p
0
1 q
p ) , comor(A)=r(Ab)=n=4 ⇒ el

∴ El conjunto si genera a A2x2

⇒ El conjunto si es una base.

1 0 −1 −1 1 0 1 1
2i) B={ 0 1
( ) ( ; 1 0 ; 1 0
) ( ) ( ) ; 0 1 }, utilizando un procedimiento
análogo al anterior.

Demostración de a)

a
(10 00 ) +b
(10 10 ) (11 10 )
+c +d
(00 01 ) (00 00 )
=

→
(a−b+c+d
b+c
−b+d
a+d ) (00 00 )
= , por comparación:

→a-b+c+d=0; -b+d=0; b+c=0 y a+d=0

Resolviendo: a=b=c=d=0 ∴ El conjunto es linealmente

independiente.

Demostración de b)

a
(10 00 ) +b
(10 10 ) (11 10 )
+c +d
(00 01 ) (mp nq )
=

→
(a−b+c+d
b+c
−b+d
a+d ) (mp nq )
= , por comparación:

→a-b+c+d=m; -b+d=n; b+c=p y a+d=q, resolviendo con la matriz ampliada:

1 −1 1 1 m 1 0 0 0 m/2−n− p/2+q /2

( 0 −1 0 1 n
0 1 1 0 p
1 0 0 1 q
) (
→
0
0
0
1
0
0
0
1
0
0 −m/2+ p/2+q /2
0 m/2+n+ p /2−q /2
1 −m/2+n+ p /2+q /2
) comor(A)=r(Ab)=n
=4 ⇒ el sistema es compatible, solución única.
∴ El conjunto si genera a A2x2
 ⇒ El conjunto si es una base.

4. A) Extender el conjunto S={(1;1;-1;1),(1;1;0;1),(1;2;1;1)} para que formen una

base de R4

B) si V es un espacio vectorial de dimensión 1. ¿Cómo son sus bases?

SOLUCION

A) La base pedida será S={(1;1;-1;1),(1;1;0;1),(1;2;1;1);(m;n;p;q)}

Primero demostraremos que el conjunto S es LI

a(1;1;-1;1)+b(1;1;0;1)+c(1;2;1;1)+d(m;n;p;q)=(0;0;0;0)

→(a+b+c+md;a+b+2c+nd;-a+c+pd;a+b+c+qd)=(0;0;0;0), por comparación

→ a+b+c+md=0; a+b+2c+nd=0; -a+c+pd=0 y a+b+c+qd=0; resolviendo con la

matriz ampliada

1 1 1 m 0 1 0 0 −m+n− p 0

( 1
−1
1
1
0
1
2
1
1
n
p
q
0
0
0
) (
→
0
0
0
1
0
0
0 −3 m−2 n+ p
1
0
−m+n
−m+q
0
0
0
)
Pero para que tenga la forma que nos conviene hacemos:

-m+n-p=0; -3m-2n+p=0; -m+n=0 y –m+q=1, resolviendo con la matriz ampliada

−1 1 −1 0 0 1 0 0 0 0

(−3 −2 1 0 0
−1 1 0 0 0
−1 0 0 1 0
) (
→
0
0
0
1
0
0
0
1
0
0
0
1
0
0
1
) , luego m=n=p=0 y q=1

Rpta: La base será S={(1;1;-1;1),(1;1;0;1),(1;2;1;1);(0;0;0;1)}

B) Se sabe que la dimensión de una base viene dado por la cantidad de

elementos de la base.

Si dim=1 ⇒ La base solo tiene un elemento. Todas las bases del espacio
vectorial deben ser equivalentes( es decir, multiplicados por un escalar)

Rpta: Las bases son conjuntos cuyos únicos elementos resulta de la

multiplicación escalar del elemento de otra base.

5. Sean los subespacios del espacio vectorial de las matrices cuadradas de

orden 2
U={
( xz yt ) tal que x-y+z-t=0}; V={
( xz yt ) , tal que x=λ, y=-λ, z=μ, t=-μ};

W{
(10 −10 ) (11 11 )
; }

SOLUCION

En el conjunto U notamos: t=x-y+z, reemplazamos U={

( xz x−yy+z )
}

separamos según nos convenga:

( xz y
x− y+z ) =x
(10 01 ) (00 −11 )
+y +z

(01 01 )
⇒ Una base de U es {
(10 01 ) (00 −11 ) (01 01 )
; ; }; dim(U)= 3

En el conjunto V notamos: v={

( λμ −μ−λ ) } separamos según nos convenga:

λ −λ 1 −1 0 0
( μ −μ ) ( )
=λ 0 0
( )
+μ 1 −1

⇒ Una base de V es {
(10 −10 ) (01 −10 )
; }; dim(V)= 2

En el conjunto W se debe verificar que sus elementos son linealmente

independientes

→a
(10 −10 ) +b
(11 11 ) (00 00 ) (a+bb
= →
b
−a+b ) (00 00 )
=

Comparando: a+b=0; b=0 y –a+b=0; resolviendo: a=b=0

Verifiquemos si genera a A2x2:

a
(10 −10 ) (11 11 ) (mp nq ) (a+bb
+b = →
b
−a+b ) (mp nq )
=

Comparando: a+b=m; b=n; b=p y –a+b=q

Resolviendo con la matriz ampliada:

1 1 m 1 0 m−n

[ ] [
0
0
−1
1
1
1
n
p
q →
incompatible
0
0
0
1
0
n
p−n
0 (m+q)/2−n
] ; luego r(A)≠r(Ab); el sistema es

⇒ el conjunto W no es una base de A2x2

6. Dados los subespacios vectoriales de R3, s={(a;2a;a+b) tal que a y b R},

T={(x;y;z) tal que x=0, y=0}. Calcular una base y dimensión de ST, S+T

SOLUCION

ParaSᴒT: (a;2a;a+b)=(0;0;z), resolviendo a=0 y b=z ambos pertenecen a

los reales

→SᴒT={(0;0;z)}, notamos

(0;0;z)=z(0;0;1)

⇒ Una base de SᴒT es {(0;0;1)}, entonces dim(SᴒT)= 1

Para S+T

→S+T={(a;2a;a+b+z)} pero notamos:

(a;2a;a+b+z)=a(1:2:1)+(b+z)(0;0;1), entonces dim(S+T)=2

7.-Indique si los siguientes subconjuntos son espacios vectoriales: S={(x;y)

tal que X≥0 y y≥0} de R2; T={(x;y)tal que ex+y=0}; W={(x;y;z) tal que
x2+y2+z=0}

SOL:

Para que S sea un subespacio vectorial debe ser cerrada sobre la suma y la
multiplicación escalar. Sean u y v que pertenecen a S.

u=(u1;u2) y v=(v1;v2) → u1;u2;v1;v2≥0→u1+v1≥0 y u2+v2≥0

→u+v=(u1+v1;u2+v2) pertenece a S

Sea k un escalar cualquiera →ku=k(u1;u2)=(ku1;ku2); pero si k≤0 ⇒ ku1≤0

yku2≤0
 ⇒ ku no pertenece a S

∴ S no es un subespacio vectorial.

Para que T sea un subespacio vectorial debe ser cerrada sobre la suma y la
multiplicación escalar. Sean u y v que pertenecen a T.

u=(u;eu) y v=(v;ev)

→u+v=(u+v;eu+ev), pero este vector no pertenece a T

∴ T no es un subespacio vectorial.

Para que W sea un subespacio vectorial debe ser cerrada sobre la suma y
la multiplicación escalar. Sean u y v que pertenecen a W.

u=(u1;u2;-u12-u22) y v=(v1;v2;-v12-v22)

→u+v=(u1+v1;u2+v2;-u12-u22-v12-v22), pero este vector no pertenece a W

∴ W no es un subespacio vectorial.

5 0 0
( )
1 5 0
8. Sea A= 0 1 5 , para qu valores de X existe un escalar “a” tal que
AX=aX. Donde X es una matriz columna.

SOLUCION

AX=aX→ AX=aIX donde “I” es la matriz identidad

→(A-aI)X=0

5−a 0 0

→A-aI= 0 (
1 5−a 0
1 5−a ) , formando la mtriz ampliada

5−a 0 0 0 1 0 0 0

→ 0 (
1 5−a 0 0
1 5−a 0 ) ( 1 5−a 0 0
→ 0 1 5−a 0 ) ;

si a≠5
 1 0 0 0
(
0 1 0 0
→ 0 0 1 0
) , esto genera una solución trivial.

Si a=5

1 0 0 0
(
1 0 0 0
→ 0 1 0 0
) , este sistema tiene infinitas soluciones.

0 0

∴
0
X m
() 0
si a=5; X= 0
() si a≠5

9. A) Determine una base y la dimensión para el conjunto W definido por las

matrices simétricas de orden 2.

1 a b
−a 1 c
B) Averiguar si la matriz A= −b −c 1
( ) es no singular.

SOL:

A) Sea W={
(ac cb )
ϵ M2x2 tal que a,b,cϵ R}; separamos la matriz
convenientemente

(ac cb ) =a
(10 00 ) +b
(00 01 ) (01 10 )
+c

Además se prueba que {

(10 00 ) (00 01 ) (01 10 )
; ; } son LI

1 0 0 0 0 1
⇒ una base de W es { 0 0
( ) ( ) ( ) ; 0 1 ; 1 0 }; dim(W)= 3

B) A es singular si det(A)=0

Aplicando menores y cofactores a la f1

Det(A)=1(1+c2)-a(-a+bc)+b(ac+b)=1+a2+b2+c2 y esta expresión obviamente

es mayor que 1
 ∴ A es no singular.

0 1/2 1/2
(
1 /3 1/3 1/3
10. Resolver el sistema XTB=XT; donde B= 1/4 0 3/ 4
) .

SOLUCION

(XTB)T= (XT)T

→ BTX=X →(BT-I)X=0

−1 1/3 1/ 4
(
1/2 −2/3 0
→BT-I= 1/2 1/3 −1/ 4
) , formando la matriz ampliada

−1 1/3 1/ 4 0 1 −4/3 0 0
( 1/2 −2/3 0 0
1/2 1/3 −1/ 4 0 ) (0
→ 0
1 −1/4 0
0 0 0 ) resolviendo el sistema.

X1=(4/3)t; x2=t y x3=4t

( 4 /3)t

∴ X=
( )t
4t , donde “t” es un parámetro lo cual no indica que hay
infinitas soluciones.

11.-Dados los subespacios vectoriales en R3. U={(x;y;z)ϵ R3 tal que x+y=0} y

W={(x;y;z)ϵR3 tal que y-z=0}.Determina una base y dimensión de UᴒW,

UᴗW, U+W.

SOLUCION

Sea u ϵ U →u=(x;-x;z)=x(1;-1;0)+z(0;0;1) → Una base de U es {(1;-1;0);

(0;0;1)}, dim(U)= 2

Sea wϵ W →w=(x;y;y)=x(1;0;0)+y(0;1;1) →Una base de W es {(1;0;0);

(0;1;1)}; dim(W)=2

i) UᴒW :(x;-x;z)= (x;y;y) →x=-y=y → x=0 → (0;0;0)

Una base (UᴒW) es {(0;0;0)}; entonces dim(UᴒW)=0

ii) UᴗW: (x;-x;z) y (x;y;y); sea a=(3;-3;1) ϵUᴗW y b=(-3;1;1) ϵUᴗW

→a+b=(0;-2;2) no pertenece a UᴗW

⇒ UᴗW no es un espacio vectorial. ∴ no tiene base.

iii)U+W: aϵ U y bϵ W → m(1;-1;0)+n(0;0;1)+p(1;0;0)+q(0;1;1)=0

1 0 1 0 0 1 0 1 1 0
(
−1 0 0 1 0
→ 0 1 0 1 0
) ( 0 1 0 0 0
→ 0 0 1 0 0
) el sistema presenta solución
única , entonces las vectores son LI

Una base de UᴗW es {(1;-1;0);(0;0;1);(0;0;1);(0;1;1)}. Dim(UᴗW)=4

12.- En R4 sean los vectores u=(1;0;-1;2); v=(λ;-1;0;1) y w=(0;λ;-1;1). Para

que valores de λ el conjunto {u;v;w} es LD.

SOLUCION

Analizamos la independencia o dependencia lineal.

a.u+b.v+c.w=0 → a(1;0;-1;2)+b(λ;-1;0;1)+c(0;λ;-1;1)=0; formando la matriz

ampliada.

1 λ 0 0 1 1 0 0

( 0 −1 λ 0
−1 0 −1 0
2 1 1 0
) (
→
0
0
0
1 −1 0
0 λ−1 0
0 0 0
) ; si analizamos λ=1

→R(A)=2<n=3; entonces presenta infinitas soluciones para λ=1. LD

13. Sean los subespacios S={(x;y;t;z) ϵ R4 tal que –x+y=0 y t=z} y T={(x;y;t;z)
ϵ R4 tal que x=ay-at y z=-ay+at}. Determine las bases y la dimensión se S;
T; SᴒT; SᴗT. Hallar “a” para que S+T tenga dimensión 3 y con “a” determine
una base para SᴒT

SOLUCION

Sea s=(x;y;t;z)=(x;x;z;z)= x(1;1;0;0)+(0;0;1;1)

→Una base de S es {(1;1;0;0);(0;0;1;1)}, →dim(S)=2

Sea t=(x;y;t;z)=(ay-at;y;-ay+at;t)=y(a;1;-a;0)+t(-a;0;a;1)

→Una base de T es {(a;1;-a;0);(-a;0;a;1)}, →dim(T)=2

 SᴒT: (x;x;z;z)= (ay-at;y;-ay+at;t)

→ resolviendo x=y=-z →(x;x;-x;-x)=x(1;1;-1;-1)

Una base de SᴒT es {(1;1;-1;-1)} →dim(SᴒT)=1

SᴗT: {(x;x;z;z) o (ay-at;y;-ay+at;t)} si a=(2;2;1;1) ϵSᴗTy b=(a+2;4;1-a;19)ϵ

SᴗT

→a+b=(a+2;4;1-2;2), pero este vector no pertenece a SᴗT ∴ SᴗT no es

espacio vectorial.

→dim(S+T)= dim(S) +dim(T)-dim(SᴗT)→ dim(S+T)= 3

S+T: m(1;1;0;0)+n(0;0;1;1)+p(a;1;-a:0)+ q(-a;0;a;1), se construye la matriz

ampliada.

1 0 a −a 0

( 1
0
0
0 1 0 0
1 −a a 0
1 0 1 0
) ; por lo menos uno debe ser dependiente →det(A)=0

0 1 0 0 a −a
|1 −a a | |1 −a a |
Det(A)= 1 0 1 - 1 0 1 =-(1-a)-a(1-a)-a2=-1+2a=0
∴ a=1/2

Problemas Resueltos

1. En el espacio P3de los polinomios de grado ≤ 3, verifique si los siguientes polinomios son

linealmente independientes o linealmente dependientes

P(x)=x ³−3 x ²+5 x +1 ,Q (x) =x ³−x ²+6 x+ 2 , R(x) =x ³−7 x ²+4 x

Planteamos la combinación lineal

0=α 1 ( x 3−3 x 2+ 5 x +1 ) +α 2 ( x 3− x2 +6 x +2 ) +α 3 ( x 3−7 x 2 +4 x )

0=β 3 ( α 1 +α 2+ α 3 ) −β2 ( 3 α 1+ α 2 +7 α 3 )+ β(5 α ¿ ¿ 1+6 α 2+ 4 α 3)+(α 1+2 α 2)¿

Igualando coeficientes
α 1+ α 2 +α 3=0

3 α 1+ α 2 +7 α 3=0

5 α 1+6 α 2 +4 α 3 =0

α 1+ 2α 2=0

Llevando a una matriz.

1 11 0 0 0 0 0

( )(
3
5
1
17
64
20
0 → 0 0 2
0
0
0 −1 1
1 2 0
0
0
0
)
Dando forma escalonada a la matriz se obtiene que:

2 α 3 =0

−α 2+ α 3 =0

α 1+ 2α 2=0

¿> α 3=0 y α 2=0 y α 1=0

Se cumple que son Linealmente Independientes.

2. Determine una base tal que en R3 un vector se encuentre en la recta L =

{ x− y + z=0; 2 x−z=0 }y otros dos en el plano π : x + y + z=0

Elegimos un vector (x,y,z)

( x , y , z )=( x , 3 x , 2 x )=x ( 1,3,2 ) → Base en larecta { (1,3,2) }

( x , y , z )=(− y−z , y , z )= y (−1,1,0 ) + z (−1,0,1 ) → Base en el plano {(−1,1,0 ) ,(−1,0,1) }

Una base será { ( 1,3,2 ) , (−1,1,0 ) , (−1,0,1) }

3. Dado el conjunto de matrices B, indique si determinan una base

1 0 , 1 1 , 1 1 , 0 0
i) B = {( ) ( ) ( ) ( )}
0 0 0 0 1 0 0 1

Para ser bases deben ser L.I.

(00 00)=α (10 00)+α ( 10 10)+ α (11 10)+ α (00 10)

1 2 3 4

α 1+ α 2 +α 3=0

α 2+ α 3 =0

α 3=0

α 4=0

¿> α ¿ =α 3=α 4=0∴ si, determinan una base de B1 ¿

1 0 , −1 −1 , 1 0 , 1 1
2i) B= {( ) (
0 1 1 0 ) ( ) ( )}
1 0 0 1

(00 00)=β (10 01)+ β (−10 −10 )+ β (11 00)+ β ( 10 11)

1 2 3 4

β 1−β 2+ β3 + β 4 =0

−β 2+ β3 =0

β 2+ β3 =0

β 1+ β 4=0
Llevando a una matriz

1 −1 1 10 0 01 00

( 0 −1 0 10 → −1
0 1 1 00
1 0 0 10
0
1
)( 01
11
00
00
00
10
)
Dando forma escalonada a la matriz se obtiene que:

β 3=0

β 3=β 1=0

β 2+ β3 =0

β 1+ β 4=0

¿> β 1=β 2=β 3= β 4=0 ∴ si , determinanuna base de B2

4. A) Extender el conjunto S={ ( 1,1 ,−1,1 ) , ( 1,1,0,1 ) ,(1,2,1,1) } para que formen una base de

R4

S=a ( 1,1,−1,1 )+ b ( 1,1,0 ,−1 ) +c ( 1,−2,1,1 )

S= ( a+b+ c ; a+ b−2 c ;−a+c ; a+b+ c )

S= ( a+b+ c )( 1 ; 0 ; 0 ;1 )+ ( a+b−2 c ) ( 0 ; 1 ; 0 ; 0 ) +(−a+c )( 0 ; 0 ; 1; 0)

R4 =S={( 1; 0; 0; 1 ) , ( 0 ; 1; 0 ; 0 ) , ( 0 ; 0 ; 1 ; 0 ) }

5. Sean los subespacios del espacio vectorial de las matrices cuadradas de orden 2
 x y tal que x− y + z−t=0
U= {( )
z t }
x y tal que x=λ , y=−λ , z=μ ,t=−μ
V={( )z t }
1 0 , 1 1
W= {( 0 −1 1 1 ) ( )} .Calcular la base y dimensión de U,V ,W ,U∩W,U+W
Solución

U:

U=y (10 10)+ z(−11 00)+t (10 01)

U = 1 1 , −1 0 , 1 0 =¿ dim ( U )=3
{( ) (
0 0 1 0 0 1 ) ( )}
V:

V =α ( 10 −10 )+ β (01 −10 )

V = 1 −1 , 0 0 =¿ dim ( V )=2
{(
0 0 1 −1 )( )}
W:

W = 1 0 , 2 1 =¿ dim ( W )=2
{(
0 −1 1 0 ) ( )}
U ∩W :

( ac db )=α (10 10 )+ α (−11 00)+α (10 11 )=β (10

1 2 3 1
1
−1 ) ( )
+ β2
2 1
1 0
a=α 1−α 2+ α 3=β 1 +2 β2

b=α 1=β 2

c=α 2=β 2

d=α 3 =−β 1

¿>U ∩W = 1 1 ; dim ( U ∩W )=1

1 1 {( )}
U +W :

a (10 10)+ b (−11 00 )+ c (10 11)+d ( 10 −11 )+e (21 10)=( 00 00 )

U +W = ( a−b+cb++de +2 e a+e
c−d )
¿>U + W = 1 0 , 0 1 , 0 0 , 0 0 =¿ dim ( U +W )=4
{( ) ( ) ( ) ( )}
0 0 0 0 1 0 0 1

6. Dados los subespacios vectoriales de R3

3
S={ ( a , 2 a , a+b ) tal que a y bϵ R } , T¿ {( x , y , z ) ϵ R tal que x =0 , y=0 }

Determine una base y la dimensión de S ∩T , S+T

Solución

S=a ( 1,2,1 )+ b ( 0,0,1 )=¿ S= { (1,2,1 ) , ( 0,0,1 ) }=¿ dim ( S ) =2

T =( 0,0 , x )=x (0,0,1)=¿ T ={ ( 0,0,1 ) }=¿ dim ( T )=1

S ∩T : ( a , b , c )=α 1 (1,2,1 ) + α 2 ( 0,0,1 )=β 1 ( 0,0,1 )

a=α 1=0

b=2 α 1=0

c=α 1 +α 2=β 1

¿> S ∩T = {( 0,0,1 ) }=¿ dim ( S ∩ T ) =1

S+T :

1 2 1 1 2 0
(
S+T = 0 0 1 = 0 0 1
0 0 1 0 0 0 )( )
S+T = {( 1,2,1 ) , ( 0,0,1 ) }=¿ dim ( S+T )=2

7. Indique si los siguientes conjuntos son subespacios vectoriales

2 2 x
S={( x , y ) ϵ R talque x ≥ 0 , y ≥ 0 } de R2; T={( x , y ) ϵ R talque e + y=0 } de R2,

3
W¿ {( x , y , z ) ϵ R talquex ²+ y ²+ z=0 } de R3

 ∀ u ∈ S ,∃−u∈ S /u+ (−u ) =0

Seau=( 3,3 ) ∈ S

¿> ( 3,3 )+ (−u )=0

(−u ) =(−3 ,−3 ) ∋ S=¿ No es subespacio vectorial de R2

 ∃! 0 ∈ T /0+ a=a , a∈ T
Sea a=( x ,−e x )

0+ ( x ,−e x )=( x ,−e x )

0=( 0 , 0 ) ∋T =¿ No es un subespacio vectorial de R2

 ∀ w ∈W ,θ ∈ R , θ ∈θw ∈W

W ={x , y ,−( x 2+ y 2 ) }

θw=2 ( x , y ,−( x 2 + y 2 ) ) =(2 x , 2 y ,−( 2 x2 +2 y 2 ) )

θw=(2 x , 2 y ,−( 2 x2 +2 y 2 ) )

No tiene laforma ( A , B ,−( A2 + B2 ) )

¿> No es subespacio vectorial de R 2

5 0 0
( )
8. Sea A = 1 5 0 para que valores de X existe un escalar “a” tal que AX=Ax donde X es
0 1 5

una matriz columna.

m
X= n
p ()
AX =ax

5 0 0 m m
( 0 1 5 )() ()
1 5 0 x n =a n
p p

5m am
( )( )
m+5 n
n+5 p
= an
ap
5 m=am … ( 1 )

m+5 n=an … ( 2 )

n+5 p=ap …(3)

De ( 1 ) → a=5 … ( 4 )

( 4 ) en(2)

m+5 n=5 a=¿ m=0

( 4 ) en(3)

n+5 p=5 p=¿ n=0

0
 X ={
()
0 / p ∈ R}
p

9. A) Determine una base y la dimensión para el conjunto W, definido por las matrices

Simétricas de orden 2.

w={ a m /a ,b ,m , n ∈ R }
( )
b m

w=a (10 00)+ m( 01 10)+ b(00 01)

α 1 0 +β 0 1 +γ 0 0 = 0 0
( ) ( ) ( )( )
0 0 1 0 0 1 0 0

α =β=γ =0=¿ ES L . I .

1 0 ; 0 1 ; 0 0 es una base de W
{( ) ( ) ( )}
0 0 1 0 0 1
¿> Dim (W )=3

1 a b

[
B) Averigüe si la matriz A= −a 1 c es no singular
−b −c 1 ]
1 a b
1 c +a a b +(−b) a b
| A|=¿ −a 1
−b −c
c ∨¿ 1
1
|
−c 1 | |
−c |
1 | |
1 c

| A|=1 ( 1+c 2 ) +a ( a+ cb )−b (ac−b)

| A|=1+c 2 +a2 +abc−abc+ b2

| A|=1+a 2+b 2+ c 2> 0

 | A|>0=¿ es no singular

11. Dados los subespacios vectoriales de R3

U ={( x , y , z ) ∈ R3 tal que x + y=0 } , W ={ ( x , y , z ) ∈ R3 tal que y −z=0 }

Determine una base y dimensión de U ∩W , U ∪W ,U +W , ¿Es U ⊕W =R 3?

U =( x , y , z )= (− y , y , z ) =(− y , y , 0 ) + ( 0,0 , z )= y (−1,1,0 ) + z ( 0,0,1 ) =¿ { (−1,1,0 ) , ( 0,0,1 ) }=¿ Es L. I . , es una ba

W =( x , y , z ) =( x , y , y ) =( x , 0,0 ) + ( 0 , y , y )=x ( 1,0,0 ) + y ( 0,1,1 )=¿ {( 1,0,0 ) , ( 0,1,1 ) }=¿ Es L . I . ,es una base de W

U +W

−1 1 0 1

( )( )
0
1
0
00
0¿
1
1
0¿
1
→ 0 00
1 0¿
0 0
1
0¿
1

{ ( 0,1,0 ) , ( 0,0,1 ) , ( 1,0,0 ) } → Es unabase de U +W y su dimensión es 3

Si se sabe que=¿ dim ( U +W ) =dim ( U ) +dim ( W )−dim ( U ∩W )

→ Ladimensión y base de U ∪W es igual a U +W

U ∩W

SeaV ϵ U ∩W =¿ V ϵ U y V ϵ W

V = ( a , b , c ) =α 1 (−1,1,0 ) +α 2 ( 0,0,1 ) =β1 ( 1,0,0 ) + β 2 (0,1,1)

−α 1=β 1 ; α 1=β 2 ; α 2=β 2=¿ α 2=α 1

V =α 1 (−1,1,0 ) +α 1 ( 0,0,1 )=α 1 (−1,1,1 )={ (−1,1,1 ) } es una base y su dimensión es 1.

Como U ∩W ≠ 0=¿U ⊕W no existe ∄

12. En R4 sean los vectores u=( 1,0 ,−1,2 ) , v=( λ ,−1,0,1 ) , w=(0 , λ ,−1,1)

Para que valores de λ el conjunto {u , v , w } es LD

Para que U,V,W sean LD deben formar una combinación lineal y tener una solución no

trivial.

αU + βV +γW =0

α ( 1,0 ,−1,2 )+ β ( θ ,−1,0,1 )+ γ ( 0 , θ ,−1,1 )=(0,0,0,0)

α +θβ=0

−β +θγ=0

−α −γ=0

2 α + β + γ=0
Llevando a una matriz.

1 θ 0 0

( 0 −1 θ 0
−1 0 −1 0
2 1 1 0
)
Llevando a la forma de la matriz escalonada.

1 θ 0 0

( 0 −1 θ
0 θ −1
0 1−θ 0
0
0
0
)
Para θ=1

1 1 0 0 1 1 0 0

( 0 1 −1 0
0 0 0 0
)(
0 −1 1 0 → 0 −1 1 0
0 0 0 0
0 0 0 0
)
γ =b ; β =b ; α =−b=¿ Es L. D .

13. Sean los subespacios

S={( x , y ,t , z )∈ R 4 tal que−x+ y=0 , t=z }

T ={( x , y , t , z)∈ R4 tal que x=ay−at , z=−ay +at }

Determine una base y la dimensión de S , T , S ∩ T , S ∪ T ,

Hallar a para que S+T tenga dimensión 3 y con a determine una base para S ∩T .

S= ( x , y ,t , z )= ( x , x , t , t )=( x , x , 0,0 ) + ( 0,0 , t , t ) =x ( 1,1,0,0 ) +t ( 0,0,1,1 ) =¿ { ( 1,1,0,0 ) , ( 0,0,1,1 ) }

¿> Es una base de S y de dimensión2

T =( x , y , t , z )=( ay−at , y ,t , at −ay )=( ay , y , 0 ,−ay ) + (−at , 0 ,t , at ) = y ( a ,1,0 ,−a ) +t (−a , 0,1, a )=¿ {( a , 1,
¿> Es una base de T y de dimensión 2

Llevando a una matriz y a continuación dándole forma escalonada

1 10 0 1 1 0 0

( 0
a
−a
01 1 → 0
1 0 −a
01 a
)(
−1 0
0 1−2 a 0
2 1 1
1
0
0
)
Para que tenga dimensión3=¿1−2 a=0=¿ a=1/2

SeaV ϵ S ∩T

V = ( p , q , r ) =α 1 ( 1,1,0,0 ) +α 2 ( 0,0,1,1 )=β 1 ( 1,2,0 ,−1 ) + β 2 (−1,0,2,1 )

α 1=β 1−β 2 ; α 1=2 β 1 ; α 2=2 β2 ; α 2=β 2−β 1=¿ α 1 =−α 2

V =α 1 ( 1,1,0,0 )−α 1 ( 0,0,1,1 ) =α 1 ( 1,1,−1 ,−1 )=¿ { (1,1 ,−1,−1 ) } es una base de S ∩ T

PRODUCTO INTERNO

Sea V un espacio vectorial, un producto interno o producto escalar sobre V es una

aplicación donde se verifica:

1. ⟨ au+bv , w ⟩=a ⟨ u , w ⟩+ b ⟨ v , w ⟩
2. ⟨ u , v ⟩= ⟨ v , u ⟩
3. ⟨ u ,u ⟩ ≥0 , ∀ u ∈V ; ⟨ u , u ⟩ =0 ↔u=0
donde u , v , w son vectores y a , b son escalares

Un espacio vectorial necesita de una métrica, el producto interno garantiza una métrica en
un espacio vectorial, el símbolo ⟨ x , y ⟩ se lee producto interno entre los vectores x e y.

Todo producto interno de un espacio vectorial real asigna a cada par de vectores un único
escalar real.

Ejemplo: Se define sobre R2

β ( x , y )=3 x 1 y 1 +2 x 1 y 2+ 6 x 2 y 2+ 2 x 2 y 1

Donde x = ( x 1 , y 1); y = ( y 1 , y 2)

Indique si β es un producto interno.

Solución: Para que β sea un producto interno se deben cumplir los axiomas:
i) ⟨ x , y ⟩ =⟨ y , x ⟩
⟨ x , y ⟩ =3 x 1 y 1+ 2 x 1 y 2 +6 x 2 y 2 +2 x 2 y 1
⟨ y , x ⟩ =3 y 1 x 1+ 2 y 1 x2 +6 y 2 x2 +2 y 2 x 1
Se cumple:

ii) ⟨ x + y , z ⟩= ⟨ x , z ⟩ + ⟨ y , z ⟩ , ∀ x , y , z ∈V

⟨ ( x 1 , x 2 ) + ( y 1 , y 2) , ( z 1 , z 1 ) ⟩
¿ 3 ( x 1+ y1 ) z 1+ 2 ( x 1 + y 1 ) z2 +6 ( x 2+ y 2 ) z 2 +2 ( x2 + y 1 ) z 1

¿ ( 3 x 1 z 1+ 2 x 1 z 2 +6 x 2 z 2 +2 x 2 z1 ) + ( 3 y 1 z 1+2 y 1 z 2 +6 y 2 z 2 +2 y 1 z 1 )

¿ ⟨ ( x 1 , x 2 ) , ( z1 , z2 ) ⟩ + ⟨ ( y 1 , y 2 ) , ( z1 , z 2) ⟩

¿ ⟨ x , z ⟩ +⟨ y , z ⟩

iii) ⟨ ax , y ⟩ =a ⟨ x , y ⟩ , ∀ x , y ϵ R , a ϵ R
⟨ a ( x 1 , x 2 ) , ( y 1 , y 2 ) ⟩ + ⟨( a x 1 , ax 2) , ( y 1 , y 2) ⟩
3 a x 1 y 1 +2 a x1 y +6 a x 2 y 2 +2 a x2 y 1
a ( 3 x 1 y 1 +2 x1 y +6 x 2 y 2 +2 x2 y 1 )=a ⟨ x , y ⟩
iv) ⟨ x , x ⟩ ≥0 ∀ xϵV ; ⟨ x , x ⟩=0 ⟺ x=0
⟨ x , x ⟩=3 x 12+ 2 x 1 x 2 +6 x 22+2 x 2 x 1=3 x 12+ 4 x 1 x 2 +6 x 22=( x 12+ 4 x 22)
2
¿ ( 2 x 12+ 4 x 1 x 2 +2 x 22 )=( x 12 + 4 x 22) + 2 ( x 1 + x 1 ) ≥ 0
v) ⟨ x , x ⟩=0 ⟺ x=0⟹ ( x 12 +4 x 22 ) +2 ( x 1+ x 1 )2=0 ;
x 1 ¿ 0 ∧ x 2=0
x=( 0,0 )
β es un producto interno
Ejemplo
Indique si la expresión sobre R3,θ ( x , y , z ) =x1 y 1+ 2 x 2 y 2+3 x 3 y3
es un producto interno , donde u=(u1 , u2 ,u3 ) es un vector de R3
Ejemplo
Indique si la siguiente relación es un producto interno en R2 , donde
α =(a1 , a2) , β (b1 , b2 ) y ⟨ α , β ⟩=a12+ b12+ a1 b1 +a2 b2
DEFINICIÓN.-C – espacio vectorial con producto interno se llama espacio unitario,
mientras R – espacio vectorial se llama espacio euclideo o espacio euclidiano.
ESPACIO EUCLIDIANO (o Euclideo)
Es todo espacio vectorial real con producto interno, la adjunción de un producto
interno permite establecer una métrica en él, los conceptos de distancia, módulo de un
vector, ángulo de dos vectores y ortogonalidad son nociones que dependen de un producto
interno.

Ejemplo: Sea ( R2 ,+, R , . ) y la matriz A= 1 (−2 −25 )

2 ❑ t
La función ⟨ , ⟩ : R x R ⟶ R ⟨ X ,Y ⟩= X AY ¿ es un producto interno ?
❑

PRUEBA:
1. ⟨ X ,Y ⟩= X t AY
⟨ Y , X ⟩=Y t AX
t
( X t AY ) =Y t At X=Y t AX
Entonces:
⟨ X ,Y ⟩= ⟨ Y , X ⟩

y1 y1
⟨ X ,Y ⟩=( x1 x 2 )1 x2 1 −2
) ( )
(−2 5 2x 2 y2 2x 1
=( x 1−2 x 2 −2 x 1+5 x 2 )1 x 2
()
y2 2 x1

¿ ( x 1−2 x2 ) y 1 + (−2 x 1+5 x 2 ) y 2= x1 y 1−2 x2 y 1−2 x 1 y 2 +5 x2 y 2 … ( 1 )

(−2 −25 ) ( xx )
⟨ Y , X ⟩=( y 1 y 2 )1 x 2 1
2x 2
1

2 2 x1
=( y 1−2 y 2 −2 y 1+5 y 2 )1 x2
x1
()
x2 2x 1

¿ ( y 1−2 y 2 ) x1 + (−2 y 1 +5 y 2 ) x 2= y 1 x1−2 y 2 x 1 −2 y 1 x 2+5 y 2 x2 … ( 2 )

2. ⟨ X +Y , Z ⟩ =( X +Y )t AZ=( X t +Y t ) AZ= X t AZ+Y t AZ

¿ ⟨ X , Z ⟩+ ⟨Y , Z ⟩

3. ⟨ ∝ X , Y ⟩ =( ∝ X )t AY =∝ X t AY =∝ ⟨ X , Y ⟩

4. ⟨ X , X ⟩ ≥ 0 ⇔ X t AX =( x 1 x 2 ) 1(−2 −25 )( xx ) 1

¿ x 12−2 x 1 x 2−2 x 1 x 2 +5 x22=x 12−4 x 1 x 2+ 5 x 22=( x 1−2 x 2 )2+ x22 ≥0

⟨ X , X ⟩ =0 ⇔ X =0
2 2
( x 1−2 x 2) + x 2 =0 ⇔ x1=0 y x 2=0

NORMA DE UN VECTOR
La norma de un vector v que pertenece a un espacio vectorial V se define:
|v|=‖v‖=√ ⟨ v , v ⟩
OBSERVACION
PRODUCTOS INTERNOS USUALES

1. En el espacio vectorial de las funciones continuas sobre un intervalo

acotado por a y b:
b
⟨ f , g ⟩ =∫ f ( x ) g ( x ) dx
a

2. En el espacio vectorial de las matrices de orden mxn :

⟨ A , B ⟩ =tr ( A Bt )

3. En el espacio vectorial Rn :
⟨ a , b ⟩ =⟨ ( a 1, a2 ,… , a n ) , ( b1 ,b 2 , … , bn ) ⟩
¿ a1 b1 +…+ an bn
4. En el espacio vectorial C n :
⟨ A , B ⟩ =a1 b́1 +a 2 b́ 2+ …+an b́n
5. En el espacio vectorial de los polinomios de grado ≤ n
⟨ p , q ⟩ =p ( x 1 ) q ( x 1 ) + p ( x2 ) q ( x 2 ) + …+ p ( x n ) q ( x n )

PROPIEDAD

. Sea u ϵ V y λ ϵ R se verifica que:

|λu|=|λ||u|
ANGULO ENTRE VECTORES

Sea V un espacio vectorial, sean u y v vectores de dicho espacio, existe un único θ que
pertenece [ 0 , π ] tal que:

⟨u , v ⟩
cos θ=
|u||v|
A este número θ se le llama ángulo entre los vectores u y v y se denota por:

θ=ang ( u , v )

PROPIEDADES

. ‖u‖ ≥0
. ‖u‖=0 ⟺ u=0

. ‖∝ u‖=|∝|‖u‖

.‖u+ v‖≤‖u‖+‖v‖( Desigualdad triangular)

. |⟨ u , v ⟩|≤‖u‖‖v‖(Desigualdad de CAUCHY −SCHWARZ )

2 2 2 2
. ‖u+ v‖ +‖u−v‖ =2‖u‖ +2‖v‖ (Ley del paralelogramo)
OBSERVACION

. En todo espacio con producto interno, el producto interno de cualquier vector y el vector
nulo es 0 : ⟨ u ,0 ⟩= ⟨ 0 , u ⟩ =0

. Si u y v son dos vectores ortogonales en un espacio euclideo V entonces la norma de

2 2 2
‖u+ v‖ =‖u‖ +‖v‖ (teorema de pitágoras )
ORTOGONALIDAD

Sea V un espacio con producto interno, sean u y v vectores del espacio vectorial V,
se dice que u y v son ortogonales si el producto interno de estos vectores es cero
( ⟨ u , v ⟩ =0 ) .

Dos vectores son ortogonales ⟺ su producto interno es nulo o cero

x ⊥ y ⟺ ⟨ x , y ⟩=0

Ejemplo:

Sean las funciones reales continuas f ( x )=

√ 2 y g ( x )= √ 3 x , definidas en el intervalo
2 √2
[ −1 ,1 ], dichas funciones son ortogonales:
1
√2 , √3 x = √ 2 √ 3 x dx= √3 x 2 ¿ 1 =0 ⟹ son ortogonales
⟨ 2 √2 ⟩
∫ 2 √2
−1 2 2 −1

CONJUNTO ORTOGONAL DE VECTORES

Un conjunto de vectores { x 1 , x 2 ,… , x n } en un espacio vectorial con producto interno es

ortogonal si y solo si dos vectores cualesquiera distintos son ortogonales:

{ x 1 , x 2 ,… , x n } es ortogonal ⟺i ≠ j⟹ ⟨ x i , x j ⟩ =0
PROPOSICION

Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es L I

3 4 4 3
Ejemplo: { ( )(
( 1, 0 , 0 ) , 0 , , , 0 , ,−
5 5 5 5 )} es un conjunto ortogonal
3 4
(
( 1 , 0 ,0 ) . 0 , , =0
5 5 )
(0 , 35 , 45 ).( 0 , 54 ,− 35 )=0
4 3
(
( 1 , 0 ,0 ) . 0 , ,− =0
5 5 )
Es un conjunto ortogonal

DEFINICION. - Se dice que un conjunto es ortonormal si es ortogonal y cada vector

es unitario (la norma de cada vector es la unidad).

DEFINICION. -Si una base es un conjunto ortogonal, se dice que es una base
ortogonal. Si una base es un conjunto ortonormal se dice que es una base
ortonormal.

TEOREMA

Sea { u1 , … , un } una base ortonormal de un espacio vectorial Rn . Sea v un vector,

dicho vector se puede expresar como una combinación lineal de los vectores de la
base de la manera siguiente:

v=⟨ v , u1 ⟩ u1 + ⟨ v , u2 ⟩ u2 +…+ ⟨ v ,u n ⟩ un

Ejemplo: v=( 7 ,−5 , 10 )

3 4 4 3
{ ( )(
( 1, 0 , 0 ) , 0 , , , 0 , ,−
5 5 5 5 )}
base ortonormal

Solución:
3 4
⟨ (
( 7 ,−5 ,10 ) =⟨ (7 ,−5 , 10 ) , ( 1 , 0 , 0 ) ⟩ ( 1 , 0 , 0 ) + (7 ,−5 , 10 ) , 0 , ,
5 5 ) ⟩( 0 , 35 , 45 )+⟨ ( 7 ,−5 , 10) ,(0 , 45 ,− 35 )⟩ (0 , 45
3 4 4 3
( )
¿ 7 ( 1 ,0 , 0 )+5 0 , , + (−10 ) 0 , ,−
5 5 5 5 ( )
DEFINICIÓN.- La proyección de un vector v sobre un vector distinto de 0 (vector nulo) se
denota:

⟨ v , u⟩
Proy u v= u
‖u‖‖u‖
PROCESO DE ORTOGONALIZACION DE GRAM-SCHMIDT

Sea { v 1 , … , v n } una base del espacio vectorial V , el conjunto de vectores { u1 , … , un }

definido de la siguiente manera es ortogonal:

Para tener una base ortonormal, se normaliza cada uno de los vectores u1 , … ,u n :

u1=v 1

u2=v 2−Proy u v 2 1

u3=v 3−Proy u v 3 −Proy u v 3

1 2

⋮
 un =v n−Proy u v n−…−Proy u v n
1 n−1

Ejemplo:

Dado el conjunto { ( 1 , 2, 0 , 3 ) , ( 4 , 0 , 5 , 8 ) , ( 8 ,1 , 5 ,6 ) } es L.I. en R4 , los vectores forman una

base para el subespacio de 3 dimensiones de R4 . Construir una base ortonormal.

Solución:
Sean v1 =( 1, 2 , 0 ,3 ) , v 2=( 4 ,0 , 5 , 8 ) , v 3=( 8 , 1 ,5 ,6 )

Aplicando GRAM-SCHMIDT

Sea { u1 , u2 ,u3 } un conjunto ortogonal

u1=v 1=( 1 , 2, 0 , 3 )

u2=v 2−Proy u v 2=( 4 , 0 , 5 , 8 )−

⟨ ( 4 , 0 ,5 , 8 ) , ( 1, 2 , 0 ,3 ) ⟩ ( 1 ,2 , 0 , 3 )=( 2 ,−4 , 5 , 2 )
1
‖( 1 , 2, 0 , 3 )‖‖(1 , 2 , 0 ,3 )‖

u3=v 3−Proy u v 3 −Proy u v 3=( 8 , 1 ,5 , 6 )−

⟨ ( 8 , 1, 5 , 6 ) , ( 1, 2 , 0 ,3 ) ⟩ (1 , 2 , 0 ,3 )
1 2
‖( 1, 2 , 0 ,3 )‖‖( 1 ,2 , 0 , 3 )‖
− ⟨ ( 8 , 1, 5 , 6 ) , ( 2,−4 ,5 , 2 ) ⟩
( 2 ,−4 , 5 , 2 )=( 8 , 1 ,5 , 6 ) −( 2, 4 , 0 , 6 )−( 2 ,−4 , 5 , 2 )=¿
‖( 2 ,−4 , 5 , 2 )‖‖( 2 ,−4 , 5 , 2 )‖
¿( 4 , 1 , 0 ,−2)

{ ( 1 , 2, 0 , 3 ) , ( 2,−4 ,5 , 2 ) ,(4 ,1 , 0 ,−2) } Conjunto ortogonal

⟨ u1 ,u 2 ⟩=0 , ⟨ u1 , u3 ⟩ =0 , ⟨ u2 , u3 ⟩=0
1 2 3 2 4 5 2 4 1 2
{( √ ,
14 √ 14
,0 ,
√14 7 7 )(
, ,− , , ,(
7 7
,
√ 21 √21
, 0 ,− )
√21
) Conjunto ortonormal
}
PROYECCIONES SOBRE SUBESPACIOS

. Sea V un espacio euclideo y sea U un subespacio vectorial de V .

. Se llaman ortogonal U en V →U ⊥ al conjunto de todos los vectores de V ortogonales a

cualquiera de U .

U ⊥ ={ vϵV / ⟨ u , v ⟩=0 ∀ u ∈U }

. Sea V un espacio euclideo y U un subespacio vectorial de dimensión finita, entonces todo

⊥
vector v de V se puede expresar de forma única como u1 +u2 , donde u1 ∈U y u 2 ∈ U .

. Al vector u1 se le llama “Proyección ortogonal de v sobre U ” y se denota Proy u v .

. El vector u2 se conoce como “Componente de v sobre ” o proyección ortogonal de
⊥
v sobre U .u2 =v−Proy u v

TEOREMA DE LA MEJOR APROXIMACIÓN

Sea V un espacio vectorial euclideo y U un subespacio vectorial de dimensión finita dado

v ∈V se cumple:

‖v−Proyu v‖≤‖v−u‖ ∀ u ∈U
OBSERVACION

Las series de FOURIER { 1 , cos x , sin x , cos 2 x ,sin 2 x , … , cos nx , sin nx } es un conjunto
ortogonal con respecto al producto usual definido en [ 0 , 2 π ] .

Ejemplo:

3
Considere el vector v=( 3,2,6 ) ∈ R , sea W un subespacio de R 3

que consta de todos los vectores ( a , b , b ) . Descomponer v

en la suma de un vector que se encuentra en W y un
vector ortogonal a W .
Solución:
Se necesita una base ortonormal a W , cualquier vector de W se puede expresar como

( a , b , b ) =a ( 1,0,0 ) +b ( 0,1,1 )

Sea el conjunto { ( 1,0,0 ) , ( 0,1,1 ) } una base (es un conjunto L . I .)

Sea { u1 , u2 } una base ortonormal

1 1
u1= (1,0,0 ) , u2= 0 , ( ,
√2 √ 2 )
1 1
⟨ (
w=Proy w v =⟨ v ,u 1 ⟩ u1 + ⟨ v ,u 2 ⟩ u2= ⟨ ( 3 , 2 ,6 ) , ( 1 , 0 , 0 ) ⟩ ( 1 , 0 ,0 )+ ( 3 , 2 , 6 ) , 0 , ,
√2 √ 2 )⟩ (0 , √12 , √12 )
8 1 1
¿ ( 3 , 0 , 0) + (
0, ,
√2 √2 √ 2 )
=( 3 , 4 , 4 )

w ⊥=V −Proy w v=( 3 , 2 ,6 )−( 3 , 4 , 4 ) =(0 ,−2 ,2)

Luego:

( 3 , 2 ,6 )=( 3 , 4 , 4 ) + ( 0 ,−2 ,2 )

Ejemplo: Sea ⟨ u , v ⟩=u1 v 1+3 u2 v 2 +5 u3 v 3

u=(u1 , u2 ,u3 )

v=( v1 , v 2 , v 3 )

Si es un producto interno, ortonormalice por GRAM-SCHMIDT

{ (−1 , 1 ,−1 ) , (−1 , 1 ,0 ) , ( 3 , 0 , 0 ) }
Solución: Verificando que la expresión es un producto interno
i) ⟨ x , y ⟩ =⟨ y , x ⟩
⟨ u , v ⟩=v 1 +3 u2 v 2+ 5u 3 v 3
⟨ v ,u ⟩=v 1 u 1+3 v 2 u2 +5 v 3 u3
⟨ u , v ⟩= ⟨ v , u ⟩
ii) ⟨ x + y , z ⟩= ⟨ x , z ⟩ + ⟨ y , z ⟩
⟨ ( x 1 + y 1 , x 2+ y 2 , x 3+ y 3 ) , ( z 1 , z 2 , z 3 ) ⟩=( x 1+ y 1) z 1 +3 ( x2 + y 2 ) z 2+5 (x ¿ ¿3+ y 3) z3 ¿
x 1 z 1 + y 1 z 1 +3 x 2 z 2+3 y 2 z2 +5 x 3 z 3 +5 y 3 z 3= ⟨ x , z ⟩ + ⟨ y , z ⟩
iii) ⟨ αx , y ⟩=α ⟨ x , y ⟩
⟨ α ( x1 , x2 , x3 ) , ( y 1 , y2 , y 3 ) ⟩=α x1 y 1+ 3∝ x 2 y 2 +5 ∝ x 3 z 3
¿ ∝ ( x 1 y 1+3 x 2 y 2+5 x 3 y 3 ) =∝ ⟨ x , y ⟩
iv) ⟨ x , x ⟩ ≥0
⟨ x , x ⟩=x 12 +3 x22 +5 x 32 ≥ 0
Sea u1= (−1, 1 ,−1 ) , u2=(−1 , 1, 0 ) , u3=(3 , 0 , 0)
Sea b 1=u1=(−1 , 1,−1 )
⟨ u 2 , b1 ⟩
b 2=u2−Proy b u1=(−1 , 1 ,0 )− 2
b1
1
‖b 1‖
¿ (−1 ,1 , 0 ) −
⟨ (−1 ,1 , 0 ) , (−1 ,1 ,−1 ) ⟩ (−1 , 1 ,−1 )
2
√|(−1 ,1 ,−1 )|
4 −5 5 4
b 2=(−1 ,1 , 0 )− (−1 , 1 ,−1 )=
9
, ,
9 9 9 ( )
b 3=u3−Proy b u3 −Proy b u3
1 2

⟨ (3 ,0 , 0 ) , (−1 ,1 ,−1 ) ⟩ (−1 , 1 ,−1 )− ⟨ ( −59 , 59 , 49 )⟩ −5 , 5 , 4

( 3 , 0 ,0 ) ,
¿ ( 3 , 0 , 0 )−
√|(−1 ,1 ,−1 )|
2 2 ( 9 9 9)
√|( 9 , 9 , 9 )|
−5 5 4

(−13 , 13 ,− 13 )+ 34 ( −59 , 59 , 49 )=( 3512 , 121 , 23 )

¿ ( 3 , 0 , 0 )−

{(−1 ,1 ,−1) ,( −59 , 59 , 49 ) ,( 3512 , 121 , 23 )}

 PRODUCTO INTERNO
Sea V un espacio vectorial, un producto interno o producto escalar sobre V es
una aplicación ,:V. V C que verifica:
1. au + bv, w au, w + bv, w
2. u, vv, u
3. u, u0, u  V, u, u 0  u  0
Un espacio vectorial necesita de una métrica, el producto interno, llamado
también producto escalar, garantiza una métrica en un espacio vectorial.
El símbolo ¿ x , y >¿ se lee “producto interno entre los vectores x e y”. Para que
la aplicación se llame producto interno, entonces deberá cumplir los siguientes
axiomas:
i. ¿ x , y ≥¿ y , x >, ∀ x , y ∈ V
ii. ¿ x+ y , z≥¿ x , z >+¿ y , z> , ∀ x , y , z ∈ V
iii. ¿ αx , y≥α < x , y > , ∀ x , y ∈V ∧α ∈ R
iv. ¿ x , x >≥ 0 , ∀ x ∈ V ∧< x , x ≥0 ⇔ x=0 ∀ x ∈V

Todo producto interno en un espacio vectorial real asigna a cada par de

vectores un único escalar real.
ESPACIO EUCLIDIANO
Es todo espacio vectorial real con producto interno, la adjunción de un producto
interno permite establecer una métrica en él, los conceptos de: distancia,
módulo de un vector, ortogonalidad y ángulo entre dos vectores; son nociones
que dependen de un producto interno que se establezca en un espacio
vectorial.
Ejemplo:
Se define sobre ℝ2:
β ( x , y )=3 x 1 y 1 +2 x 1 y 2+ 6 x 2 y 2+ 2 x 2 y 1
Donde: x=( x 1 , x 2 ) ; y=( y 1 , y 2) Indique si β es un producto interno.

Solución:
Para que β se llamado producto interno, entonces deberá cumplir los 4
axiomas.
i) ¿ x , y ≥¿ y , x >, ∀ x , y ∈ V
.¿ ( x 1 , x 2 ) , ( y 1 , y 2 )≥3 x 1 y 1 +2 x1 y 2 +6 x 2 y 2 +2 x 2 y 1=3 y 1 x 1+ 2 y 1 x 2+6 y 2 x 2+2 y 2 x 1
.¿ ( y 1 , y 2 ) , ( x 1 , x 2 )≥3 y 1 x1 +2 y 1 x 2 +6 y 2 x 2 +2 y2 x 1

ii) ¿ x+ y , z≥¿ x , z >+¿ y , z> , ∀ x , y , z ∈ V

.
¿ x+ y , z≥¿ ( x 1 , x 2 ) + ( y 1 , y 2 ) , ( z 1 , z 2 ) ≥¿ ( x1 + y 1 , x 2 + y 2 ) , ( z1 , z 2) ≥3 ( x 1+ y 1) ( z 1 ) +2 ( x 1+ y 1 ) ( z 2 ) +6 ( x 2+ y 2 )( z 2 ) +2

iii) ¿ αx , y≥α < x , y > , ∀ x , y ∈V ∧α ∈ R

.¿ ( α x 1 , α x 2) , ( y 1 y 2 )≥3 α x 1 y1 +2 α x 1 x 2 +6 α x 2 y 2+2 α x 2 y 1=α < x , y >¿

iv)¿ x , x >≥ 0 , ∀ x ∈ V ∧< x , x ≥0 ⇔ x=0 ∀ x ∈V

.
2
¿ ( x 1 , x 2 ) , ( x 1 , x 2 ) >¿ 3 x 21+ 2 x 1 x 2 +6 x 22+ 2 x 1 x 2=( x 1 +2 x2 ) +2 ( x 21 + x 22) ≥ 0 ∧ si x 1=x 2=0⇒ < ( x 1 , x 2 ) , ( x1 , x2 ) >¿ 0

Ejemplo:
En ( Rn ,+, R ,∙ ) se define:
¿ ,>: Rn × R n → R
¿ x , y >¿ x t y
x1 y1
x
⋮
xn
() ()
Donde: x= 2 , y=
y2 .
⋮
yn
Indique si es un producto interno.

Solución:
y1 x1

() ()
n n
t y x 2 =¿ y , x >¿
i) ¿ x , y ≥x y =( x 1 x 2 … x n ) 2 =∑ xi y i=∑ y i x i=( y 1 y 2 … y n )
⋮ i=1 i=1 ⋮
yn xn

ii) ¿ x+ y , z≥(x+ y)t z=( x t + y t ) z=x t z+ y t z=¿ x , z>+ ¿ y , z >¿

iii) ¿ αx , y≥(αx)t y=α x t y =α < x , y> ¿
n
t 2
iv) ¿ x , x≥x x=∑ x i ≥0
i=1

PROPIEDAD
En todo espacio con producto interno, el producto interno de cualquier vector y
el vector nulo es cero.
¿ 0 , x≥¿ x , 0≥0
Definición
La norma de todo vector v que pertenece a V es un número real no negativo:
‖v‖=|v|=√ ¿ v , v >¿ ¿
En el espacio Euclidiano Rn representa la longitud del segmento de extremo O
y v=( x 1 , x 2 , … , x n ) en general la distancia entre dos puntos P y Q.

ORTOGONALIDAD
Sea (V ,+, R ,∙) un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales sí y sólo sí su producto interno es nulo.
ORTOGONALIDAD
Sea (V, +, R, .) un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales sí y sólo sí su producto interno es nulo.
Ejemplo:
Sea el conjunto de funciones reales continuas sobre el intervalo [ −1,1 ]
1
⟨ f , g ⟩ =∫ f x g x dx
−1

Es una función definida en dicho espacio. Indique si los polinomios

√2 y √3 x
2 √2
son ortogonales.
Solución:
Realicemos el producto interno:
1
√2 , √3 x = √ 2 √ 3 xdx= √ 3 x 2 1 =0
⟨ 2 √2 ⟩∫ 2 √2
−1 4 | −1
Como vemos, el producto interno si es nulo, por lo tanto si son ortogonales.

PROPIEDADES
1.- Desigualdad de Schawrs
En todo espacio vectorial euclidiano se cumple que el valor absoluto del
producto interno es menor o igual que el producto d los módulos de dichos
vectores.
¿
2.- Desigualdad triangular
En todo espacio con producto interno, el modulo de la suma de dos vectores
cualquiera es menor o igual que la suma de sus módulos.
|x + y|≤| x|+| y|
3.- Ángulo entre dos vectores
Sean x e y dos vectores no nulos en un espacio con producto interno. De la
desigualad de Schawrs:
¿
−|x|| y|≤< x , y >≤|x|| y|
−1 ≤¿ x , y > ¿ ≤ 1 ¿
|x|| y|
Para 0 ≤ θ ≤ π
cosθ=¿ x , y > ¿ ¿
|x|| y|
→< x , y ≥|x|| y| cosθ

CONJUNTO ORTOGONAL DE VECTORES

Un conjunto de vectores { x 1 ,… , x n } en un espacio vectorial con producto interno
es ortogonal sí y sólo sí dos vectores cualesquiera y distintos son ortogonales.
Es decir si ⟨ x i , x j ⟩ =0 ∀ i ≠ j/1 ≤i ≤ j≤ n

Proposición:
Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es
linealmente independiente.
Demostración:
Sea { x 1 ,… , x r } un conjunto ortogonal tal que x i ≠ 0 ∀ i=1,2 ,… , r y sea la

r
combinación lineal: ∑ α j x j =0
j=1

Entonces para cada i=1 , 2… r consideramos:

r

⟨ ∑ α j x j , xi
j=1
⟩ =¿ 0 , xi ≥0

Luego
r

∑ α j ⟨ x j , x i ⟩ =0
j=1

Como i≠ j → ⟨ x j , x i ⟩ =0, la sumatoria se reduce a un único termino que se

obtiene si i= j es decir α i ⟨ x i , x i ⟩ =0 siendo x i ≠ 0 entonces ⟨ x i , x i ⟩ ≠ 0 lo que indica

que α i=0 ∀ i=1 ,2 , … , r
Finalmente decimos que { x 1 ,… , x r } es L.I.

Definición:
Un conjunto de vectores en un espacio vectorial V se dice que es un conjunto
ortogonal si cada par de vectores es ortogonal.
Se dice que es un conjunto ortonormal si es ortogonal y cada vector es unitario.
Ejemplo:
3 4 4 3
{ 5 5 ( 5 5 ) }
Un conjunto ortonormal es: ( 1,0,0 ) , 0 , , ,(0 , ,− ) debido a que:

3 4 4 3
 ( 5 5 )
( 1,0,0 ) , 0 , , y ( 0 , ,− ) son vectores unitarios
5 5
 El producto interno, tomado de dos en dos, es 0

TEOREMA:
Un conjunto ortogonal de vectores diferentes del vector nulo en un espacio
vectorial V es L.I. en consecuencia determinan una base.

DEFINICIÓN
Una base que es un conjunto ortogonal se dice que es una base ortogonal. Una
base que es un conjunto ortonormal, se dice que es una base ortonormal.
Observación
Hay muchas bases para un espacio vectorial, la base que se utilice depende
del problema en consideración, se recomienda utilizar la base más
conveniente, a menudo la base más adecuada es un conjunto ortogonal o un
conjunto ortonormal.

ALGUNAS APLICACIONES DEL PRODUCTO INTERNO PARA R2

Ejemplos
01) Una recta L que pasa por P0 ∈ R2 y en la dirección ⃗μ ≠ 0 es un conjunto
L= { P 0+ t ⃗μ /t ∈ R }
Si P=P 0+t ⃗μ es un punto arbitrario de L y ⃗v es un vector ortogonal a ⃗μ tal que
⃗μ= (−b , a ) ; ⃗v =(a , b)
Entonces ¿ ( P−P 0 ) , v≥¿ t ⃗μ , ⃗v ≥t< ⃗μ , ⃗v ≥0
Es decir la ecuación cartesiana de L es:
Si P= ( x , y ) , P0= ( x0 , y 0 ) , v=( a ,b )
¿ ( x−x 0 , y− y 0 ) , ( a , b ) >¿ 0
ax +by +c=0
Donde: L= {( x , y ) ∈ R2 /ax +by +c=0 }

02) DISTANCIA DE UN PUNTO A UNA RECTA

La distancia de un punto Q ∈ R2 a la recta L= { P 0+ tμ/t ∈ R } μ≠ 0 , μ=(−b ,a), es la
´ , donde P ∈ L
longitud del segmento QP

d ( Q , P ) =|Q−P|,
vemos que Q−P=γv, con v ortogonal a μ , γ ∈ R
O sea Q−P /¿ v de donde
P=Q−γv =(r−γa, s−γb ), siendo Q=(r , s)
En la ecuación cartesiana reemplazando :a ( r −γa )+ b ( s−γb ) +c =0
ar +bs +c
γ=
a 2 + b2
ar +bs+ c
d (Q , P)=
| a2 +b2
(a , b)
|
|ar +bs+ c|
d (Q , P)=
√ a2 +b2

03) ÁREA DEL TRIÁNGULO

h es la distancia desde el punto final del radio vector μ a la recta L /

L= {tv /t ∈ R }={( x , y ) ∈ R2 / – bx+ ay=0 } donde w es ortogonal a v

|−bc+ ad|
h= =¿ ¿
√ a2 +b 2
1
Dado que Área = h|v| , se tendrá:
2
1
Área del triangulo= |⟨ μ , w ⟩|
2

04) FUNCIONES TRIGONOMÉTRICAS

Por la ley de cosenos

|μ−v|2 =|u|2 +|v|2−2|μ||v| cosθ

2 2 2
Pero |μ−v| =⟨ ( μ−v ) , ( μ−v ) ⟩ =|u| +|v| −2 ⟨ μ , v ⟩
Además vemos que w es ortogonal a v
Luego:
⟨μ,v ⟩
cosθ= ,|w|=|u|
|μ||v|

senθ=cos ( π2 −θ )= ⟨|μμ||, wv|⟩

⟨μ , w⟩
senθ=
|μ||v|

TEOREMA
Sea {μ1 , … , μ n } una base ortonormal, sea “ν” un vector en V , el vector ν se
puede expresar como una C.L de los vectores de las base de la manera
siguiente:
ν=( ν . μ1 ) μ 1+ ( ν . μ 2) μ2 +…+ ( ν . μ n ) μ n

Es decir ν=⟨ ν , μ 1 ⟩ μ1 + ⟨ ν , μ 2 ⟩ μ2 +…+ ⟨ ν , μn ⟩ μ n

Ejemplo:
Dado el vector ν=(7 ,−5,10) se puede trabajar como C.L de los vectores:

3 4 4 −3
( ) (
µ1=( 1,0,0 ) , µ2= 0 , , , µ3= 0 , ,
5 5 5 5 )
, que determinan una base ortonormal

donde: ν . µ 1=7 , ν . µ2=5 , ν . µ3 =−10.

3 4 4 −3
(
ν=7 ( 1,0,0 ) +5 0 , , −10 0 , ,
5 5 ) (
5 5 )
Definición
La proyección de un vector ν sobre un vector µ≠ 0, denotada por Proy µ ν se
define:
υ. µ
Proy µ ν= µ
‖µ‖‖µ‖

PROCESO DE ORTOGONALIZACIÓN DE GRAM-SCHIMDT

Sea {ν 1 , … , ν n }una base para el espacio vectorial V , el conjunto de vectores

{μ1 , … , μ n }definido de la manera siguiente es ortogonal ( ⟨ µi , µ j ⟩=0 ,i ≠ j ) . Para

Obtener una base ortonormal de ν , se normaliza cada uno de los vectores
μ1 , … , μ nes decir:
μ1=ν 1
μ2=ν 2−Proy µ ν 2 1

μ3=ν 3−Proy µ ν 3−Proy µ ν 3

1 2

………………………………….
μn=ν n−Proy µ ν n −Proy µ ν n−…−Proy µ ν n
1 2 n−1

Ejemplo:
El conjunto { ( 1,2,0,3 ) , ( 4,0,5,8 ) , ( 8,1,5,6 ) } es L.I en R4 , los vectores forman una
base para el subespacio de 3 dimensiones de Vde R4 . Construya una base
ortonormal para ν .
Solución:
Sean ν1 =( 1,2,0,3 ) , ν 2=( 4,0,5,8 ) , ν 3= ( 8,1,5,6 ), aplicando Gram-Schmidt para
construir un conjunto ortogonal.
Sea: μ1=ν 1=( 1,2,0,3 )
ν2 . µ1
μ2=ν 2−Proy µ ν 2=( 4,0,5,8 )− µ
1
‖µ1‖‖µ1‖ 1
( 4,0,5,8 ) . ( 1,2,0,3 )
μ2=( 4,0,5,8 )− ( 1,2,0,3 )=( 2 ,−4,5,2 )
( 1,2,0,3 ) . (1,2,0,3 )
μ3=ν 3−Proy µ ν 3−Proy µ ν 3
1 2

( 8,1,5,6 ) . (1,2,0,3 ) ( 8,1,5,6 ) . ( 2 ,−4,5,2 )

μ3= ( 8,1,5,6 )− ( 1,2,0,3 )− ( 2 ,−4,5,2 )
( 1,2,0,3 ) . ( 1,2,0,3 ) ( 2,−4,5,2 ) . ( 2,−4,5,2 )
μ3= ( 8,1,5,6 )−( 2,4,0,6 )−( 2 ,−4,5,2 )=( 4,1,0 ,−2 )
El conjunto ortogonal { ( 1,2,0,3 ) , ( 2,−4,5,2 ) , ( 4,1,0 ,−2 ) } es una base ortogonal para
ν.

⟹ ({ √114 , √214 ,0 , √314 ) ,( 27 , −47 , 75 , 72 ) ,( √421 , √121 , 0 , √−221 )} es una base

ortonormal de ν.

LEMA:
Un conjunto ortonormal{μ1 , … , μ n } es L.I y cualquier vector "𝜈" que pertenece a
V , es tal que el vector ω=ν−⟨ ν , μ 1 ⟩ μ1− ⟨ ν , μ2 ⟩ μ2 −…− ⟨ ν , μn ⟩ μ n es ortogonal a
cada uno de los μi .

OBSERVACION
Las bases ortonormales desempeñan un papel importante en las espacios con
producto interno, en el lema anterior se muestra que siempre existe una base
ortonormal.
Ejemplo
Se define el producto interno ⟨ u , v ⟩= ( u1 v 1+ 3u 2 v 2+5 u3 v 3 )ortonormalice por Gram-

Schmidt la base { (−1,1 ,−1 ) , (−1,1,0 ) , (1,0,0 ) }

Para u=( u1 ,u 2 , u3 ) , v=(v1 , v 2 , v 3)
Solución
Sea x 1=( 1,0,0 ) , x 2= (−1,1,0 ) , x 3=(−1,1 ,−1 )
Hacemos y 1=x 1=(1,0,0)

y 2=x 2−Proy y x 2=(−1,1,0 )−

⟨ ( 1,0,0 ) , (−1,1,0 ) ⟩ ( 1,0,0 )=¿
1
⟨ ( 1,0,0 ) , ( 1,0,0 ) ⟩
( 1 ) (−1 )+ 3 ( 0 )( 1 ) +5 ( 0 ) ( 0 )
y 2=(−1,1,0 )−
( )
( 1 ) (1 ) +3 ( 0 )( 0 ) +5 ( 0 )( 0 )
( 1,0,0 )=(0,1,0)

⟨ x3 , y 1 ⟩ ⟨ x3 , y2 ⟩
y 3=x 3−Proy y x 3−Proy y x3 =x3 − y 1− y
1 2
⟨ y1 , y1 ⟩ ⟨ y2 , y2⟩ 2
( 1 ) (−1 ) +3 (1 )( 0 ) +5 (−1 ) ( 0 ) (−1 )( 0 )+3 ( 1 ) ( 1 )+ 5 (−1 )(0)
y 3=(−1,1 ,−1 )− ( )
( 1 ) ( 1 ) +3 (1 )( 0 ) +5 ( 1 ) ( 0 ) (
( 1,0,0 )−
)
( 0 )( 0 )+3 ( 1 ) ( 1 )+ 5 ( 0 ) (0)
(0,1,0)

y 3=(−1,1 ,−1 )+ ( 1,0,0 )−( 0,1,0 ) =(0,0 ,−1)

La base ortonormal es { ( 1,0,0 ) , ( 0,1,0 ) ,(0,0 ,−1) }

TEOREMA
Sea {ν 1 , … , ν n } una base arbitraria con producto interno ν entonces existe una

base ortonormal {μ1 , … , μ n } de ν talque la matriz de transición de { ν i } a { μ i } es

triangular para i=1 , … . ,n. Se cumple:
μi=ai 1 ν 1+ ai 2 ν 2+ …+aii ν i
Prueba:
 ν1
Consideremos μ1= entonces { μ1 } es ortonormal, luego consideramos un
‖ν 1‖

ω2
ω 2=ν 2 −⟨ ν 2 , μ1 ⟩ μ 1 , μ2= ⟹ω es ortogonal a μ1 , entonces {μ1 , μ2 } es
‖ω2‖ 2
ortogonal.
Por el lema ω 2 es ortogonal a μ1 , entonces { μ1 , μ 2 } es un conjunto ortogonal.

ω3
ω 3=ν3 −⟨ ν 3 , μ1 ⟩ μ 1−⟨ ν 3 , μ 2 ⟩ μ2 , tal que μ3= , nuevamente por el lema ω 3 es
‖ω3‖
ortogonal, en general al obtener {μ1 , … , μ n } consideramos los siguiente:

ωi +1
ω i+1=ν i+1− ⟨ νi +1 , μ1 ⟩ μ 1−…− ⟨ ν i+1 , μ i ⟩ μi , μi+ 1= se puede observar que
‖ωi +1‖
ω i+1 ≠ 0 , νi +1 ∉ L(μ 1 , … , μn ) , {μ1 , … , μ n } es ortonormal que forma una base de “𝜈“.

Ejemplo:
Sea { ν 1=( 1,1,1 ) , ν 2=( 0,1,1 ) , ν 3=( 0,0,1 ) } una base de R3 , encuentre una base
Ortonormal utilizando el proceso de ortogonalización de Gram – Schmidt.
Solución:
ν 1 ( 1,1,1 ) 1 1 1
Sea μ1= =
‖ν 1‖ √3
= , ( ,
√3 √ 3 √ 3 )
2
Hacemos: ω 2=ν 2 −⟨ ν 2 , μ1 ⟩ μ 1=( 0,1,1 )−
√3 ( √13 , √13 , √13 )=( −23 , 13 , 13 )
ω2 −2 1 1
μ2= = (
, ,
‖ω2‖ √6 √6 √ 6 )
, luego ω 3=ν3 −⟨ ν 3 , μ1 ⟩ μ 1−⟨ ν 3 , μ 2 ⟩ μ2

1 1 1 1 1 −2 1 1 −1 1
ω 3=( 0,0,1 )− ( , , − ) (
, ,
√ 3 √3 √ 3 √3 √ 6 √ 6 √ 6 √ 6
= 0, ,
2 2 )( ) ,

ω3 −1 1
μ3=
‖ω3‖
= 0,( ,
√2 √ 2 )
1 1 1 −2 1 1 −1 1
La base ortonormal es μ 1= { ( , ,
√ 3 √ 3 √3
, μ2= ) (
, ,
√6 √6 √ 6
μ3 = 0 , ,
√ 2 √2
. ) ( )}
PROYECCIÓN DE UN VECTOR SOBRE UN SUBESPACIO
Sea W un subespacio de Rn , sea {μ1 , … , μ n } una base ortonormal para W . Si
es un vector en Rn , la proyección de ν sobre W , denotada Proy w ν se
define como:
Proy w ν =⟨ ν , μ1 ⟩ μ 1+ ⟨ ν , μ2 ⟩ μ 2+ …+ ⟨ ν , μ n ⟩ μn

TEOREMA:
Sea W un subespacio de Rn, cada vector ν en Rn se puede expresar de forma
única de la siguiente manera:
ν=w+ w⊥
Donde w se encuentra en W y w ⊥ es ortogonal a W, los vectores w y w ⊥ son:
w=Proy w ν y w⊥ =ν −Proy w ν
Ejemplo:
Considere el vector ν=( 3,2,6 ) en R3, seaW el subespacio de R3 que consta de
todos los vectores ( a , b , b ) . Descomponga ν en la suma de un vector que se
encuentra en W y un vector ortogonal a W .
Solución:
Se requiere una base ortonormal para W , cualquier vector de W se pueda
expresar de la siguiente manera: ( a , b , b ) =a ( 1,0,0 ) +b ( 0,1,1 ) .
El conjunto { ( 1,0,0 ) , ( 0,1,1 ) } genera a W, es L.I formara una base para W .Los
vectores ( 1,0,0 ) y ( 0,1,1 ) son ortogonales, busquemos una base ortonormal

{ μ1 , μ 2 }
1 1
Para W, donde μ1=( 1,0,0 ) y μ 2= 0 , ( ,
√ 2 √2
, )
1 1
⟨ (
w=Proy w ν =⟨ ν , μ 1 ⟩ μ1+ ⟨ ν , μ2 ⟩ μ2 w= ⟨ ( 3,2,6 ) , ( 1,0,0 ) ⟩ ( 1,0,0 ) + ( 3,2,6 ) , 0 , ,
√2 √2 )⟩ (0 , √12 , √12 )=( 3,4,4 ) w =
⊥

, luego se obtiene tiene lo pedido:

( 3,2,6 ) =( 3,4,4 ) + ( 0 ,−2,2 , )

Ejemplo:
Dado los vectores:μ= ( 2,−1,2 ) , ν=( 1,2,1 ) y w=(−2,3,3 ). Determine un vector de R3
que es la proyección ortogonal de w sobre el plano generado por μ y ν .
Solución

(21 −1 2
2 1
⟶
1 0 1
) (
0 1 0 )
Sea H= { ( 1,0,1 ) , ( 0,1,0 ) } donde h1 =( 0,1,0 ) ,h 2=( 1,0,1 ); ⟨ h1 , h2 ⟩ =0 , H es ortogonal.

⟨ w , h1 ⟩ ⟨ w , h2 ⟩
Proy H w=
⟨ |⟨ h1 ,h 1 ⟩| ⟩ ⟨
h 1+
|⟨ h2 , h2 ⟩| ⟩ 1
( 1 1
)
h2=3 ( 0,1,0 ) + ( 1,0,1 )= , 3 , .
2 2 2

Otro método:
Sea μ= ( 2,−1,2 ) , ν=( 1,2,1 ) vectores que pertenecen a H entonces
μ × ν=(−5,0,5 )=w1.
(−2,3,3 )(−5,0,5 ) 1 1
Proy H w=w−Proy H w1= (−2,3,3 )−
‖(−5,0,5 )‖‖(−5,0,5 )‖ (
(−5,0,5 )= ,3 ,
2 2 )
OBS:
Sea V una espacio euclideo yU un subespacio vectorial de V . Se llama
ortogonal de U en V al conjunto de todos los vectores de V ortogonales a
cualquier vector de U .
U ⊥ ={ v ∈V / ⟨ v , u ⟩ =0 , ∀ u ∈U }

PROPIEDADES:
1) Si v ∈V es ortogonal a todos lo elementos de una base de U , entonces
v ∈U ⊥ .
2) Si U ⊂W ⟹W ⊥ ⊂U ⊥ .
COMPLEMENTO ORTOGONAL
Sea un subespacioSde un espacio vectorial V , cuando los elementos de un
subespacio vectorial son ortogonales a S, se dice que dicho subespacio es un
complemento ortogonal .Se denota como S⊥ y se denomina complemento
ortogonal porque la suma de las dimensiones de S y S ⊥ es igual a la dimensión
del espacio vectorial V .
Ejemplo
a −a tal que a , c ∈ R
Dado el subespacio vectorial N=
a c {( ) } su complemento

ortogonal con respecto al producto interno ⟨ A , B ⟩ =tr ( A ⊥ B) , en el espacio

vectorial de las matrices cuadradas de orden dos es igual al subespacio cuyos
vectores son ortogonales a cualquier base de N , entonces tomando una base

1 −1 , 0 0
arbitraria B=
1 0 {(0 1 ) ( )} y aplicando las condiciones de ortogonalidad con
un vector genérico del espacio vectorial, tenemos
1 −1 w x w+ y x+ z
⟨( ) ( )⟩ (
1 0
,
y z
=0=tr
−w −x )
=0=w−x + y → x=w+ y

0 0 w x 0 0
⟨( ) ( )⟩ ( )
,
0 1 y z
=0=tr
y z
=0=z+ 0

w w+ y tal que w , y ∈ R
⊥
Tendremos el complemento ortogonal N =
y 0 {( ) }
OBSERVACION
En un espacio vectorial lineal complejo, un producto interno ⟨ x , y ⟩ es un número
complejo que satisface los mismos axiomas que los del producto interno real

excepto el de la simetría que se reemplaza por la relación ⟨ x , y ⟩ =⟨ y ´, x ⟩ (simetría

hermitiana)
Ejemplo
Sea el espacio vectorial de las matrices cuadradas de orden dos con
elementos complejos y el producto interno definido por
⟨ A , B ⟩ =a11 b´11 +a12 b´12 +a21 b´21+ a22 b´22
−i 2 y 2−i −i
Calcular la distancia entre los vectores (1+i )(
1−i 5 5i )
Solución
−i 2 2−i −i −2 2+i
Sea (1+i 1−i
−
5)(5i
= )(
−4+i 1−6 i )
Luego

2+i
)‖ √ ⟨(−4−2+i 2+i 2+i ´
(‖ −4−2+i 1−6 i
= ,
−2
)(
1−6i −4+i 1−6 i
= (−2 ) (−2 )⟩ √
´ )+ ( 2+ i ) (2+i)+(−4+i)
´ (−4 +i¿)+(1−6 i

Ejemplo

Dados los vectores (0i 2 1+i −3 4 −2+i

−3 i 1
y
2i 0 )(
i ) , se define el producto
¿
interno ⟨ A , B ⟩ =tr (A B) .Determine el ángulo entre dichos vectores
Solución
 −i 0 3i −4 i 1+2i
⟨ A , B ⟩ =tr
( )( 2 3i
1−i 1
−3
2i
4 −2+ i =tr
0 i ) ) ( −12 8
−3+5 i 4−4 i −1+ 4 i )
−7+2 i =7+7 i

−i 0 1 −2i 1−i
También: ⟨ A , A ⟩=tr
(( )(
2 3i
1−i 1
i 2 1+i =tr
0 −3i 1
2i )) (
13
1+ i 2−5 i
2+5 i =17
3 )
−3 −2 i 13 −12 8−3i
⟨ B , B ⟩ =tr
( 4 0
−2−i −i
2i 0)(
−3 4 −2+i =tr
i
−12
) (
)
16
8+3 i −8−4 i
−8+4 i =35
6 )
i)
φ=arc cos ( ℜ(7+7
√ 17 √ 35 )
=73,32 0

TEOREMA DE LA MEJOR APROXIMACIÓN

El teorema de la mejor aproximación resuelve el problema de la mínima
distancia de un punto a un subespacio vectorial. Dado un subespacio vectorial
S de Rn y un vector x de Rn , se debe minimizar la distancia de xa un vector
genérico w ∈ S ; min {‖x −w‖: w ∈ S }se debe obtener un vector donde s alcanza
un mínimo.
Sea V un espacio vectorial euclideo y U ⊂ V un subespacio vectorial de
dimensión finita. Dado v ∈V . Se cumple:
‖v−Proyu v‖≤‖v−u‖ , ∀ u ∈U
EJEMPLOS
1

1. Para el espacio vectorial con producto interno ⟨ f , g ⟩ =∫ f ( x ) g ( x ) dxde las

−1

funciones continuas en un intervalo [ −1,1 ] .Determine el polinomio de grado

menor o igual que dos más próximo a la función f ( x )=cos( πx)
2.
Encuentre la mejor aproximación para cos x en el intervalo [ 0,1 ]
PROBLEMA 1

Ses f (u, v)¿6x1y1−¿ 4(x1y2 + x2y1) + 7x2y2 ; con un u¿(x1,x2), v¿(y1,y2)

¿Es un f (u, v) un producto interno?, de ser un producto interno determine la

norma de (1,2).
SOLUCION

 Para que f (u, v) sea un producto interno debe satisfacer las

condiciones.

1. ⟨ αu+ γv ; z ⟩=¿<α(x1,x2)+γ (y1,y2);(z1,z2)> = < (αx1 + γ y1,αx2 + γ y2);(z1,z2) >

= 6(αx1 + γ y1)z1 – 4[(αx1 + γ y1)z2 + (αx2 + γ y2)z1] + 7z2 (αx2 + γ y2) ……(1)

También:

α<x,z> + γ <y,z> = α(6x1z1 – 4(x1z2 + x2z1) + 7x2z2) + γ (6y1z1 – 4(y1z2 +

y2z1) + 7y2z2) ……..(2)

De (1) y (2)

⟨ αu+ γv ; z ⟩=α<x,z> + γ <y,z>

2. ⟨ u , v ⟩ = 6x1y1−¿ 4(x1y2 + x2y1)+ 7x2y2 ……(3)

⟨ v ,u ⟩ = 6y1x1−¿ 4(y1 x2 + y2x1)+ 7 y2x2 …….(4)
De (3) y (4) por definición ⟨ u , v ⟩ = ⟨ v ,u ⟩

3. ⟨ u ,u ⟩ = 6x21−¿ 4(x1x2 + x2x1)+ 7x22

= 6x21−¿ 8x1x2+ 7x2
= (2x1 – 2x2)2 + 2x21 + 3x22≥ 0

⟨ u ,u ⟩ = 0 ↔ u = 0

f (u, v)¿6x1y1−¿ 4(x1y2 + x2y1)+ 7x2y2 ; es un producto interno.

La norma de u = ⟨ 1,2 ⟩

‖u‖= √⟨ u ,u ⟩= √18=3 √2

PROBLEMA 2

Sea el espacio vectorial R4 sobre R , se define el subespacio

vectorial

W = {(x, y, t, z) / x + y – t + z = 0} y el vector v = { 1, -1, 2, 3}

a) Construir una base ortogonal H para W

b)Exprese v como una Combinación Lineal de H y H ⊥

SOLUCIÓN

a) (x,y,t,z) Si t = x + y + z  ( x , y , x + y + z , z) = x( 1,0,1,0) +
y(0,1,1,0) + z(0,0,1,1)
{ ( 1,0,1,0) ; (0,1,1,0) ; (0,0,1,1) } el conjunto LI y por lo tanto una
base del subespacio W
Si consideramos V1 = ( 1,0,1,0) , V2 = (0,1,1,0) y V3 = (0,0,1,1)

u1=¿V1 = (1, 0, 1,0)

¿
u2=¿ V2 - Proy Vu = (0,1,1,0) - ¿ V 2 ,u 1> ¿<u , u >¿ u 1 ¿
2

1
1 1

¿
u2=¿(0,1,1,0) - ¿ ( 0,1,1,0 ) , ( 1,0,1,0 )> ¿ .( 1,0,1,0) = (0,1,1,0) -
1 +0 +12 +02
2 2

1
(1,0,1,0)
2

1 1
u2=¿ (- , 1, ,0)
2 2

¿
u3=¿V3 - Proy Vu - Proy Vu = (0, 0, 1,1) - ¿( 0,0,1,1), (1,0,1,0 )>
3 3 ¿
1 +0 +12 +02
1 2
2 2

−1 1 1 1
(1, 0, 1,0) - ¿( 0,0,1,1),( , 1 , , 0)> ¿ ¿(- , 1, ,0)
2 2 ¿ ¿ 2 2

1
1 2 1 1 1 1 1 1 1
u3= (0, 0, 1,1) - (1, 0, 1,0) - (- , 1, ,0) = (- , 0, ,1) - (- , 1,
2 3 2 2 2 2 3 2 2
2
,0)
1 1 1
u3= (- ,- , ,1)
3 3 3

Entonces la base ortogonal H para W es

1 1 1 1 1
H = { (1,0,1,0) ; (- , 1, ,0) ; (- ,- , ,1) }
2 2 3 3 3

b) Sea ( x , y , t , z ) ∈ wtal que w ⊥ H

⟨ ( x , y ,t , z ) , ( 1,0,1,0 ) ⟩ =0 → x +t=0

⟨ ( x , y ,t , z ) , ( −12 , 1 , 12 ,0)⟩=0 →−x+2 y +t=0

 ⟨ ( x , y ,t , z ) , ( −13 , −13 , 31 , 1)⟩=0→−x− y +t−3 z=0
1 0 1 0 0 1 0 0 −1 0
( −1 2 1 0 0 → 0 1 0 −1 0
−1 −1 1 3 0 )( 0 0 1 1 0 )
x−z=0 , y −z=0 , t+ z=0
( x , y , t , z )=( x , x ,−x , x )=x (1,1 ,−1,1)
Se obtiene{ (1,1,−1,1) }
Luego
−1 1 −1 −1 1
( 1 ,−1,2,3 ) =α 1 ( 1,0,1,0 ) +α 2
2 2 (
,1 , , 0 + α 3 ,
3 3 3 ) (
, 1 + β (1,1 ,−1,1) )
Resoviendo tendremos α 1 , α 2 , α 3 , β

PROBLEMA 3

En R3 se define el producto interno ¿ x , y >¿x1y1+ 3x2y2 + 5x3y3 con un x¿(x1,

x2,x3) y y¿(y1,y2,y3)

Mediante el proceso de Gram-Schmidt transformar la base

{( 1,1,1 ) ; ( 1,0,0 ) ; (1 ,−1,0)} en una base ortonormal.

SOLUCION

 Sea v1=(1,1,1); v2=(1,0,0); v3=(1,-1,0) aplicando Gram-Schmidt para

construir un conjunto ortonormal {u1,u2,u3} a partir de los vectores
indicados.

Sea:

u1=v1= (1,1,1)

1 8 −1 −1
u2=(1,0,0)−¿ ( 1,0,0 ) , ( 1,1,1 )> ¿¿¿ ¿= (1,0,0)− (1,1,1)=( , , )
9 9 9 9

8 −1 −1
⟨
− (1 ,−1,0 ) ,( , ,
9 9 9
) ⟩ 8 −1 −1 ⟨ ( 1 ,−1,0 ) ,(1,1,1) ⟩
( , , )−
u3=(1,-1,0) 9 9 9 |⟨ (1,1,1 ) ,(1,1,1)⟩|
(|⟨ 89 , −19 , −19 ) ,( 89 , −19 , −19 )⟩|
(1,1,1)

−11 8 −1 −1 2 −5 3
u3=(1,-1,0) ( , , )+ (1,1,1)=(0, , )
8 9 9 9 9 8 8
 8 −1 −1 −5 3
{(1,1,1), ( , , ), (0, , )} Es un conjunto ortogonal
9 9 9 8 8

8 −1 −1 8 3 5
⟨ (1,1,1),( , ,
9 9 9
) = - - =0
9 9 9 ⟩
−5 3 15 15
⟨ (1,1,1),(0 , , ) =-
8 8 8 ⟩
+
8
=0

8 −1 −1 −5 3 15 15
⟨ ( , ,
9 9 9
) ,(0 , , )=
8 8
-
72 72
=0 ⟩
Luego:

|u1|=√ ⟨ u 1 , u1 ⟩ =¿3
2
|u2|=√ ⟨ u 2 , u2 ⟩ = 3 √ 2

15
|u3|=√ ⟨ u 3 , u3 ⟩= √ 8

La base ortonormal

1 1 1 4 −1 −1 −5 2 3 2
{( , , ), (
3 3 3
, ,
3 √ 2 6 √2 6 √2
), (0, ,
4 15 4 15
)}
√ √
PROBLEMA 4

Sea el espacio euclideo de las funciones continúas en <-1,1> (intervalo),

1

definido el producto interno ¿ x , y >¿ ∫ x ( y) y (t)dt, para que valor de λ los vectores
−1
2 2
x(t )=t + 1 y y (t )= λ(t +1), son ortogonales.

SOLUCION
1 1
2 2 2

dt = ∫ ( λ2(t +1) ¿ +1) λ(t +1 ) ¿dt

(t +1)
¿ x , y >¿ ∫ x (λ 2
(t + 1)
)
λ
−1 −1

1
2 2
3(t +1)
= ∫( λ ¿ + λ(t +1 )) ¿dt
−1

Si x e y son ortogonales: ¿ x , y >¿ 0

PROBLEMA 5

Sean U1,U2,U3, los siguientes subespacios de R3

U1¿{(a,b,c)/a+b+c¿0}

U2¿{(a,b,c)/a¿c}

U3¿{(0,0,c)/c ∈ R3}

Probar que R3¿U1+U2¿U2+U3¿U1+U3 e indicar en qué caso la suma es directa.

SOLUCION

 En U1 a + b + c = o → a = -b –c
(a,b,c ) = (-b -c,b,c) = b(-1,1,0) + c(-1,0,1)
{(-1,1,0); (-1,0,1)}
Luego α(-1,1,0) + β(-1,0,1) = (0,0,0)
α =β=0 ; es un conjunto LI entonces es una base de U1
 En U2 a=c
(a,b,c ) =(a,b,a)= a(1,0,1) + b(0,1,0)
{(1,0,1) ;(0,1,0)}
Luego α(1,0,1) + β(0,1,0)= (0,0,0)
α =β=0 ; es un conjunto LI entonces es una base de U2
 En U3
(0,0,c ) = c(0,0,1)
{(0,0,1) } ; es una base de U3
 En U1+U2
U1 ∩U2 ∈V → U1 ∈ V ∩ U2 ∈ V
V= m(-1,1,0) + n(-1,0,1)= p(1,0,1) + q(0,1,0)= (a,b,c )
-m-n=p; m=q; n=p → q=m= -2p
V=(a,b,c)= (p, -2p, p) = p(1,-2,1)
U1 ∩U2 ={(1,-2,1)} ; (NO HAY SUMA DIRECTA DE U1 ⊕U2 )

−1 1 0 −1 0 0 1 0 0

( )( )( )
−1
1
0
0
0
1
1 → 0
1
0
1
0
0
0
1
2 → 0 1
1
0
0 0
0 0
0
1
0

{(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U 1+U2)

 En U2+U3
 U2 ∩U3 ∈V → U2 ∈ V ∩ U3 ∈ V
V= k(1,0,1) + g(0,1,0)= f(0,0,1)= (a,b,c )
K=0 ; g=0 ; k=f=0 → k=g=f=0
V=(a,b,c)=(0,0,0)
U2 ∩U3 = 0; (SI HAY SUMA DIRECTA DE U2 ⊕U3)

1 0 1 1 0 0
( )(
0 1 0 → 0 1 0
0 0 1 0 0 1 ) {(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U 2+U3)

 En U1+U3
U1 ∩U3 ∈V → U1 ∈ V ∩ U3 ∈ V
V= ñ(-1,1,0) + s(-1,0,1)= d(0,0,1)= (a,b,c )
-ñ -s = 0 ; ñ = 0 ; s = d → ñ = s = d = 0
V=(a,b,c)=(0,0,0)
U1 ∩U3 = 0; (SI HAY SUMA DIRECTA DE U1 ⊕U3)

−1 1 0 −1 1 0 0 1 0 1 0 0
( )( )(
−1 0 1 → −1 0 0 → 1 0 0 → 0 1 0
0 0 1 0 0 1 0 0 1 0 0 1 )( )
{(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U 1+U3)
Luego del desarrollo comprobamos que se cumple que R 3¿ U1+U2 ¿
U2+U3 ¿ U1+U3

PROBLEMA 6

Dado L = { t(1,-1,2) / tϵ IR }

Determine un plano P talque IR3 = L ⊕ P

SOLUCION

(x,y,z) pertenece a L y P
Dado que P es un plano tiene dimensión 2
(x,y,z) = α(1,-1,2) = β(a,b,c) + θ(m,n,p) Si L y P hacen una suma directa
entonces (x,y,z) = 0
1=a+m (a,b,c) ; (1-a ; -1-b ; 2 - c)
 -1 = b + n 
2=c+p

Entonces el Plano P de dimensión 2 tiene como base a:

{ (a,b,c) ; (1-a ; -1-b ; 2 - c) }

PROBLEMA 7

Si V1,V2,V3 son LI del espacio ( V, +,k, . ).Investigar la DL o IL de:

i) {V1+aV2+bV3,V2+cV3 ,V3}

ii) { V1,V2+aV3 , V3+bV2}

SOLUCION

Como sabemos que V1,V2,V3es LI

i) α(V1+aV2+bV3)+ β(V2+cV3) + γ (V3)¿0

V1(α) + V2(αa+β)+ V3(αb+γ +cβ)=0

α=0

αa+β=0 → α =β=γ =0 Por lo tanto es IL

αb+γ +cβ=0

ii) α(V1)+ β(V2+aV3) + γ (V3+bV2)¿0

V1(α ) + V2(β +b γ ¿ + V3(βa +γ ) = 0

α =0

β +b γ = 0 → α =β=γ =0 Por lo tanto es IL

βa +γ = 0

PROBLEMA 8
 Determine una base para el subespacio
U = { A = (a ij ¿4x4 / tr(A) = 0 ; a 12 - 2 a 13 = 0 }

SOLUCION

a11 2 a13 a 13 a14

( a21 a22
a31 a32
a 41 a42
a 23
a 33
a 43
a24
a34
)
a 44
a 11 +a22 +a33 +a 44 =0

−(a ¿ ¿ 22+ a33+ a44 )¿ 2 a13 a 13 a14

( a21
a ¿a ¿a ¿a ¿a ¿ a ¿a ¿a ¿ a ¿ =
a22 ¿ 24 31 32 33 34 41 42 43 44 )
0 2 1 0
a 13
( 0
0
0
0
0
0
0
0
0
0
0
0
+
)
0 0 0 1 0 0 0 0 −1 0 0 0
a 14
( 0
0
0
0
0
0
0
0
0
0 a
0
0
)
+ 21
( 1
0
0
0
0
0
0
0
0
)( )
0 a
0
0
+ 22
0
0
0
1
0
0
0
0
0
0
0
0
+

0 0 0 0 0 0 0 0 0 0 0 0
a 23
( 0
0
0
0
0
0
1
0
0
0 a
0
0
)
+ 24
( 0
0
0
0
0
0
0
0
0
)( )
1 a
0
0
+ 31
0
1
0
0
0
0
0
0
0
0
0
0
+

0 0 0 0 −1 0 0 0 0 0 0 0
a 32
( 0
0
0
0
1
0
0
0
0
0 a
0
0
)
+ 33
( 0
0
0
0
0
0
0
1
0
) ( )
0 a
0
0
+ 34
0
0
0
0
0
0
0
0
0
0
1
0
+

0 0 0 0 0 0 0 0 0 0 0 0
a 41
( 0
0
1
0
0
0
0
0
0
0 a
0
0
)
+ 42
( 0
0
0
0
0
1
0
0
0
0 a
0
0
)( )
+ 43
0
0
0
0
0
0
0
0
1
0
0
0
+
 −1 0 0 0
a 44
(0
0
0
0
0
0
0
0
0
0
0
1
)
Entonces una base para el subespacio es:

0 2 1 0 0 0 0 1 0 0 0 0 −1 0 0 0
{0
0
0
( 0
0
0
0
0
0
)( )( )( )
0 ; 0 0
0 0 0
0 0 0
0
0
0
0 ; 1 0
0 0 0
0 0 0
0
0
0
0 ; 0
0
0
0
0
1
0
0
0
0
0
0 ;
0
0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

( 0
0
0
0
0
0
1
0
0
)( )( )( )
0 ; 0 0
0 0 0
0 0 0
0
0
0
1 ; 0 0
0 1 0
0 0 0
0
0
0
0 ; 0 0
0 0 1
0 0 0
0
0
0
0 ;
0
0
−1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

( 0
0
0
0
0
0
0
1
0
)( )( )( )
0 ; 0 0
0 0 0
0 0 0
0
0
0
0 ; 0 0
1 0 0
0 1 0
0
0
0
0 ; 0 0
0 0 0
0 0 1
0
0
0
0 ;
0
0
0 0 0 0 −1 0 0 0

( 0
0
0
0
0
0
0
0
1
)( )
0 ; 0
0
0
0
0
0
0
0
0
0
0
0 }
0
1

PROBLEMA 9

¿Los polinomios 1; x-1; x2-3x+1; forman una base de P2, de ser cierto, exprese
el polinomio 2x2-5x+6 como una C.L. de los vectores de dicho base?

SOLUCION

 Verificar si es una base {1; x-1; x2-3x+1}

α + β ( x−1)+ γ(x2-3x+1)¿0

γ x2 + x(β−3 γ)+(α −β +γ )=0

γ =0

β−3 γ=0 α =β=γ =0 Luego es un conjunto LI entonces es una base

de P2

α −β +γ =0

Como es una base expresar el polinomio 2x2-5x+6 como una C.L. de los
vectores de dicha base.

2x2-5x+6 = a(1)+b( x-1)+ c( x2-3x+1)

2x2-5x+6 = (c)x2+(b-3c)x+(a-b+c)

a-b+c =6

b-3c =-5

c=2

1 −1 1 6 1 −1 0 4 1 0 0 5
( 0 0 1 2 )(
0 1 −3 −5 → 0 1 0 1 → 0 1 0 1
0 0 1 2 0 0 1 2 )( )
a=5, b=1, c=2  2x2-5x+6 = 5(1)+1( x-1)+ 2( x2-3x+1)

PROBLEMA 10

Indique si las siguientes proposiciones son V o F (fundamente)

a) Un conjunto de vectores que contenga 2 vectores iguales es LI

b) Cualquier conjunto de vectores al que pertenece el vector nulo es LD
c) Cualquier conjunto S de vectores LD contiene un subconjunto que es
LI
d) Es LI el conjunto { e x , e3 x , x 2 , x }
e) Es W1 = { (x,y,z) / 3y – 2z = 0 } un subespacio vectorial
f) Es W2 = { (A ϵV / At = A } un subespacio vectorial

a) α(a,b,c,d) + β(a,b,c,d) + θ(x,y,z,t) = (0,0,0,0)

αa + βa + θx = 0
αb + βb + θy = 0  Si α = β = 0 Necesariamente θ = 0
αc + βc + θz = 0
αd +βd + θt = 0 Entonces es V

b) α (0,0,0,0) + β(a,b,c,d) + θ(x,y,z,t) = (0,0,0,0)

α0 + βa + θx = 0
 α0 + βb + θy = 0  Si β = θ = 0 No necesariamente α = 0
α0 + βc + θz = 0Entonces es LD
α0 +βd + θt = 0 Por lo tanto es V

c) Es V porque en un conjunto LD siempre hay un coeficiente diferente

que cero y los restantes son ceros por lo cual estos coeficientes
restantes forman un conjunto LI.

d) αe x +θe3 x + βx2 + λx = 0

Si α = β = θ = 0 , Necesariamente λ = 0 Por lo tanto es LI

Entonces es V

3 3
e) (x,y, y) = x(1,0,0) + y(0,1, )
2 2
3
Tiene una base {(1,0,0) ; (0,1, ) }
2
3
α (1,0,0) + β(0,1, ) = 0  α = β = 0 es LI
2
Por lo tanto es un subespacio vectorial.

a11 b c 1 0 0 0 0 0
f)
( c d a33) ( ) ( )
b a22 d = a 11 0 0 0 + a22 0 1 0 +¿
0 0 0 0 0 0

0 0 0 0 1 0 0 0 1 0 0 0
a 33
( )( )(
0 0 0 +b 1 0 0 +c 0 0 0 + d 0 0 1
0 0 1 0 0 0 1 0 0 0 1 0 )( )
Tiene base:

1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0
( )( )( )( )(
{0 0 0 ; 0 1 0 ; 0 0 0 ; 1 0 0 ; 0 0 0 ; 0 0 1 }
0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 )( )
Y es LI Por lo tanto es un subespacio vectorial.

PROBLEMAS PROPUESTOS

1. Exprese v=( 1 ,−2 , 3,4 ) en funcion de w y w ⊥

Sabiendo que w= {( x , y , z ,t ) tal que 5 x−2 y + 8 z−t=0 }

2. Dadas las matrices A= (13 36 ) y B=(01 30), indique si las siguientes
expresiones corresponden a un producto interno ⟨ X ,Y ⟩= X ⊥ A Y ;
⟨ X ,Y ⟩= X ⊥ A Y

3. Considere en R3 el producto interno de α =( a1 , a 2 , a3 ) y β=(b1 ,b 2 , b3 )

como la relacion dada por ⟨ α , β ⟩=a1 b 1+ 3 a2 b 2+ 5 a3 b3, luego mediante el
proceso de Gram-Schmidt transformar la base { ( 1,1,1 ) , (1,0,0 ) ,(1 ,−1,0) } en
una base ortonormal.
4. Calcule el ángulo que forman los vectores
3 2 1 1 0 −1
(
A= 1 0 6 y B= 0 1 1
8 −1 5 1 1 1 ) ( ) con el producto interno usual de

matrices
5. Sean x=( x 1 , x 2 ) , y=( y 1 , y 2) dos vectores, indique si las siguientes
expresiones corresponden a un producto interno (en R o en C )
a) f ( x , y )=2 x1 y 1+ 4 x 2 y 2
b) g ( x , y )=x 1 y 1+2 x 1 y 2 +2 x2 y 1+ 4 x 2 y 2
c) φ ( x , y ) =x1 ý 1−i x 1 ý 2+i x 2 ý 1 +2 x 2 ý 2
6. Determine el complemento ortogonal de los siguientes subespacios
a) V =R 5 , W ={ ( 2,2,1 ,−1,0 ) , (−1,2 ,−2,2,1 ) , ( 0,1,−3,2 ,−1 ) } para el producto
interno usual
b) V =R 3 , W 1 ={ ( 1,2,1 ) , ( 0,1,2 ) } para el producto interno definido por
⟨ x , y ⟩ =x1 y 1+ 2 x 2 y 2+ x 3 y 3−x 1 y 2−x 2 y 1
c)
V =C 4 , W 2= {( x 1 , x 2 , x 3 , x 4 ) ∈ C 4 tal que x1 +2 i x 2−x 3 + ( 1+i ) x 4 =0 ; x2 + ( 2−i ) x 3+ x 4 =0 }
para el producto interno ⟨ x , y ⟩ =x1 ý 1+ 2 x 2 ý 2+ x 3 ý 3+ 3 x 4 ý 4
 TRANSFORMACIONES LINEALES
TRANSFORMACION LINEAL ENTRE DOS ESPACIOSVECTORIALES
SOBRE UN MISMO CUERPO
Sean ( V ,+, K ,∙ ) y ( W ,+, K ,∙ ) dos espacios vectoriales sobre un mismo cuerpo K
.La función f :V →W es una transformación lineal u homomorfismo si y solo si:
1) La imagen de la suma de dos vectores cualesquiera de V es igual a la suma
de sus imágenes enW es decir:
f ( x + y )=f ( x )+ f ( y )
2) La imagen del producto de cualquier escalar por todo vector deV es igual al
producto del escalar por la imagen de dicho vector:
f ( αx )=αf ( x )
Ejemplo:
Sean los espacios vectoriales ( R3 ,+, R , . ) y ( R2 ,+, R , ∙ ) . La función: R3 → R2

definida por f ( x 1 , x 2 , x3 ) =( x 1−x 3 , x 2−x 3 ) indique si es una transformación lineal.

Solución
1) f [ ( x1 , x2 , x3 ) + ( y 1 , y 2 , y 3 ) ]=f ( x 1 + y 1 , x 2 + y 2 , x 3 + y 3 )=( x 1 + y 1−x 3− y 3 , x 2+ y 2 −x3 − y 3 )
f ( x 1 , x 2 , x3 ) + f ( y 1 , y 2 , y 3) =( x 1−x 3 , x 2−x 3 ) + ( y 1− y3 , y 2− y 3 ) =( x 1+ y 1 −x3 − y 3 , x 2+ y 2−x 3− y 3 )
2)

f ( α ( x 1 , x 2 , x 3 ) ) =f ( αx 1 , αx 2 , αx 3 ) =( α x 1−α x 3 , α x 2−α x 3 )=α ( x 1−x 3 , x 2−x 3 )=αf ( x 1 , x 2 , x 3 )

Se comprueba las dos condiciones por los tanto si una transformación lineal.
Observación: Una aplicación, función o transformación lineal es un conjunto de
operaciones que se realizan sobre un elemento de un subespacio vectorial,
para transformarlo en un elemento de otro subespacio, en las transformaciones
lineales se preservan las operaciones de suma de vectores y producto de un
escalar por un vector. El termino función lineal es usado incorrectamente en el
análisis matemático y en la geometría para designar una recta o en general una
variedad lineal.
Ejemplo:
Supongamos que f : R 2 → R 3 es una transformación lineal que verifica
f ( 1,0 )=( 1,2,3 ) , f ( 0,1 )=( 0 ,−1,2 ) .Halle la imagen de f ( 2 ,−3 )
Solución:
f ( 2 ,−3 )=f ( ( 2,0 ) + ( 0 ,−3 ) )=f ( 2,0 )+ f ( 0 ,−3 )=f ( 2 ( 1,0 ) ) + f (−3 ( 0,1 ) )
f ( 2 ,−3 )=2 f ( 1,0 ) −3 f ( 0,1 )=2 ( 1,2,3 ) + (−3 ) ( 0 ,−1,2 ) =( 2,7,0 )

PROPIEDADES DE LAS TRANSFORMACIONES LINEALES

Sea f :V →W una transformación lineal, denotemos mediante 0V y 0W a los
vectores nulos en V y W respectivamente.
1) La imagen del vector nulo del primer espacio por toda transformación lineal
es el vector nulo del segundo espacio.
f ( 0v )=f ( 0 w ) =0=0W =0v
2) La imagen del opuesto de todo vector del primer espacio es igual al opuesto
de su imagen.
f (−x )=f ( (−1 ) x ) =(−1 ) f ( x )=−f ( x )

NUCLÉO DE UNA TRANSFORMACIÓN LINEAL

El núcleo de una transformación lineal f , entre dos espacios vectoriales sobre
un mismo cuerpo, es el conjunto de los vectores del dominio cuyas imágenes
por f son el vector nulo del codominio. El símbolo N ( f ) se lee nucleo def , por

definición N ( f )={ x ∈ V ∕ f ( x )=0W }. El nucleo de toda transformación lineal es la

preimagen del vector nulo del segundo espacio. x ∈ N (f ) ⇔ f ( x )=0W

Ejemplo
Sean los espacios vectoriales ( R3 ,+, R , ∙ ) y ( R2 ,+, R ,∙ ) , la función f : R3 → R 2

definida por: f ( x 1 , x 2 , x3 ) =( x 1−x 3 , x 2−x 3 ). Determine el nucleo de f .

Solución
1)

f [ ( a ,b )+ ( c , d ) ] =f [ ( a+c , b+d ) ] = a+ c+ b+d 0 = a+b 0 + c +d 0 =f ( a , b ) + f ( c , d )

( 0 a+b+ c+ d 0 )(
a+b 0 )( c+ d )
2 ¿ f ( α ( a ,b ) )=f ( αa, αb )= (αa+αb
0
0
αa +αb
=α
a+ b
) (0
0
a+ b )
=αf ( a , b )

Si cumple las dos condiciones es una T.L

Hallando su núcleo:
x +x 0
N ( f )={( x 1 , x 2 ) ∈ R2 ∕ f ( x1 , x 2) ∈ R 2× 2 } , ( x 1 , x 2) ∈ N (f ) ⇔ f ( x 1 , x 2 )= 0 0 = 1 2
( )( 0 0 0 )
x1 + x2
⇔ x 1+ x2 =0 ⇔ x 1=−

Hallando su imagen:
x +x 0
I (f )= { A ∈ R2 ×2 / f ( x 1 , x 2 ) ∈ A } , A= a b ∈ I ( f ) ⇔ ∃ ( x1 , x2 ) ∈ R 2 /f ( x1 , x 2) ∈ A ⇔ 1 2 = a b ⇔ x1
( ) c d ( 0 )( )
x 1+ x 2 c d

I (f )Esta dado por A= a 0 , La matriz 1 0 es un sistema de generadores de I (f ),

( ) ( )
0 a 0 1
constituye una base de dimensión 1.

TRANSFORMACIONES LINEALES

TRANSFORMACION LINEAL ENTRE DOS ESPACIOS VECTORIALES SOBRE UN

MISMOCUERPO

Sean ( V ,+, R ,. ) y ( W ,+, K , . ) dos espacios vectoriales sobre un mismo cuerpo K .

La función f :V → W es una transformación lineal u Homomorfismo si y sólo si:

i) La imagen de la suma de dos vectores cualquiera de V es igual a la suma de sus

imágenes en W, es decir f ( x+ y )=f ( x ) + f ( y ) .
ii) La imagen del producto de cualquier escalar por todo vector de V es igual al
producto del escalar por la imagen de dicho vector.

f (αx )=α f (x )

x f (x)
y f ( y)
x + y f (x+ y) =f (x) + f ( y)
αx f (αx)=αf (x)
Ejemplo 1:
3 2
Sean los espacios vectoriales ( R ,+ , R , . ) y ( R ,+, R , . ) la función f : R3 → R 2definida por

f(x ,x
1 2
=( x 1−x 3 , x2 −x3 ). Indique si es una transformación lineal.
, x3 )

Solución:
i) f [ ( x1 , x2 , x3 ) + ( y 1 , y 2 , y 3 ) ]=f ( x + y
1 1 , x2 + y 2 ,x 3 + y 3)
=( x 1− y1 −x3 − y 3 , x 2− y 2−x3 − y 3 )
f ( x 1 , x 2 , x3 ) + f ( y 1 , y 2 , y 3) =( x 1−x 3 , x 2−x 3 ) + ( y 1 − y 3 , y 2 − y 3 )=( x 1 + y 1−x 3 − y 3 , x 2+ y 2−x 3− y 3 ) …
ii) f¿

Ejemplo 2:
Supongamos que f : R 2 → R 3 es una transformación lineal que verifica
f ( 1 , 0 )= (1 , 2 ,3 ) yf ( 0 , 1 )=( 0 ,−1 ,2 ) , halle la imagen de f ( 2 ,−3 ) .

Solución:
f ( 2 ,−3 )=f ( ( 2, 0 )+ ( 0 ,−3 ) ) =f ( 2 , 0 ) +f ( 0 ,−3 )=f ( 2 ( 1 , 0 ) ) + f (−3 ( 0 ,1 ) ) =¿
2 f ( 1 , 0 )+ (−3 ) f ( 0,1 )=2 ( 1 ,2 , 3 ) + (−3 ) ( 0 ,−1 , 2 )=(2 ,7 ,0)
Ejemplo3:
Determine una transformación lineal o aplicación lineal generado por F : R3 → R 4 , si las
imágenes están dadas por ( 1,2,0 ,−4 ) y (2,0 ,−1,−3)
Solución
Sea
F ( x , y , z )=F ( x e1 + y e 2+ z e 3 )=xF ( e 1 )+ yF ( e2 ) + zF ( e 3 )=x (1,2,0 ,−4 ) + y (2,0 ,−1 ,−3 ) + z ( 0,0,0,0 )=( x+ 2 y ,
Luego F ( x , y , z )=(x +2 y ,2 x ,− y ,−4 x−3 y )
Ejemplo 4:

PROPIEDADES DE TRANSFORMACIONES LINEALES

Sea f :V → W una transformación lineal, denotemos mediante 0 v Y 0 w a los vectores nulos
en V y W respectivamente.
I) La imagen del vector nulo del primer espacio por toda transformación lineal es
el vector nulo del segundo espacio.
f ( 0v )=f ( 0 x )=0 f ( x )=0 w
II) La imagen del opuesto de todo vector del primer espacio es igual al opuesto de
su imagen.
f (−x )=f ((−1) x )=(−1 ) f ( x )=−f ( x )
NUCLEO DE UNA TRANSFORMACIÓN LINEAL
El núcleo de una transformación lineal f, entre dos espacios vectoriales sobre un mismo
cuerpo, es el conjunto de los vectores del dominio cuyas imágenes por f son el vector nulo
del codominio.

V W

N (f ) 0w

El símbolo N ( f ) se lee núcleo de f , por definición N ( f ) ={ xϵV /f ( x)=0w }

El núcleo de toda transformación lineal es la preimagen del vector nulo del segundo
espacio.

x ϵ N ( f ) ⟺ f ( x ) =0w

Ejemplo:

Sean los espacios vectoriales ( R 3 ,+ , R , . ) y ( R 2 ,+, R , . ) La función f : R3 ⟶ R2definida por

f ( x 1 , x 2 , x3 ) =( x 1−x 3 , x 2−x 3 ) es una transformación lineal. Determine el núcleo de f .

Solución:
N ( f ) ={( x 1 , x 2 , x 3 ) ϵ R3 / f ( x 1 , x 2 , x3 ) =( 0 ,0) }

( x 1 , x 2 , x 3 ) ϵ N ( f ) ⟺ f ( x 1 , x 2 , x 3 )= ( 0 ,0 ) ⟺ ( x 1−x 3 , x 2−x 3 )= ( 0 , 0 ) ⟺ ( x 1=x 3 ∧ x 2=x 3 ) ⟺ x 1=x 2=x 3=a N

,el núcleo de f es el conjunto de todos los múltiplos escalares del vector ( 1 ,1 , 1 ) .

Ejemplo

Sea la transformación lineal f : R 2 → R 3

IMAGEN DE UNA TRANSFORMACIÓN LINEAL:

La imagen de una T.L. f :V → W es el conjunto imagen del dominio, es decir, es la totalidad

de las imágenes de los vectores del primer espacio. El símbolo Ι ( f ) se lee imagen de f.

Ι ( f )= { f ( x )/x ϵ V }

También se sabe que f ( 0v )=0w en consecuencia 0 w ϵ Ι ( f ) lo que significa que Ι ( f ) ≠ ϕ ,

Ι ( f )⊂W

PROPIEDAD
La imagen de toda T.L. entre dos espacios vectoriales es un subespacio del codominio.

Ejemplo:

Sea f : R 2 ⟶ R 2 x 2definida por f ( a ,b )= (a+b0 0

a+ b )
Indique si es una T.L., halle su núcleo e imagen

Solución:

f [ ( a ,b )+ ( c , d ) ] =f [ ( a+c , b+d ) ]= a+ b+c +d 0

0( a+b+ c+ d )
( a+b
0
0
a+b
+
c +d
)(
0
0
c +d )
=f ( a , b ) + f ( c , d )

También:

f ( ∝ ( a , b ) ) =f ( ∝ a ,∝ b )= (∝ a+∝
0
b 0
∝ a+∝ b
=∝
a+ b
) (
0
0
a+ b )
=∝ f ( a , b )

Es una Transformación lineal

Hallando su núcleo:

N ( f ) = { ( x 1 , x 2 ) ∈ R 2 / f ( x1 , x2 ) ∈ R 2 x 2 }

x +x 0
( x 1 , x 2 ) ∈ N ( f ) ⟺ f ( x 1 , x 2 )= 0 0 ⟺ 1 2
(0 0 ) ( )
⟺ x 1 + x 2=0 ⟺ x 1=−x 2
0 x1 + x2

N ( f ) ={ α ( 1 ,−1 ) /α ∈ R }( el núcleo de f es el conjunto de los pares ordenados de

componentes opuestos )

La imagen se puede definir también por I ( f )= { y ∈W tal que existe x ∈V y f ( x )= y }

La imagen:

I ( f )= { A ϵ R2 x 2 /f ( x 1 , x 2 ) ϵ A }

A= a b ϵ I ( f ) ⟺ ∃ ( x 1 , x 2 ) ϵ R2 /f ( x 1 , x 2 ) ϵ A ⟺
( )
c d

x1 + x2 0
= a b ⟺ x 1 + x 2=a=d ∧b=c=0
( 0 x1 + x 2 )( )
c d

I ( f ) está dado por A= a 0 ( )

0 a
La matriz (10 01) es un sistema de generadores de la I ( f ), constituye una base de
dimensión 1.

TEOREMA:

Sea V un espacio vectorial de dimensión finita, entonces la dimensión de V está dada por:

dim ( V )=dim ( N )+ dim ⁡(I )

Observación

Sea f una transformación lineal, entonces el rango de f se define como la dimensión de su

imagen y la nulidad de f se define como la dimensión de su núcleo, es decir:

ran ( f )=dim ( I ( f ) )

nulidad ( f )=dim ( ker ( f ) )

ran ( f ) +nulidad ( f )=dim ( V )

Ejemplos

1. Determine el núcleo, la imagen y las dimensiones de ambos en la siguiente

transformación lineal f : R3 → R 2 definida por f ( x 1 , x 2 , x3 ) =( x 1 + x 2+ x 3 , x2 + x 3)

Solución

Determinamos el núcleo de la transformación lineal: x 1+ x2 + x 3=0 , x 2+ x3 =0 resolviendo

este sistema de ecuaciones tenemos x 1=0 , x 2=−x 3 , luego el núcleo esta dado por t(0,1,-
1) , es decir los múltiplos escalares del vector (0,1 ,−1) , se obtiene una base { (0,1 ,−1) }
cuya dimensión es uno.

Determinamos la imagen, sea ( x , y ) ∈ Imf entonces ( x , y ) =(x 1+ x2 + x 3 , x 2 + x 3)

Luego formando la combinación lineal ( x , y ) =x1 ( 1,0 ) + x 2 ( 1,1 ) + x 3 (1,1)

1 0 1 0 1 0
Luego 1 1
1 1( )( )( )
→ 1 1
0 0
→ 0 1 , la imagen de f es generada por { ( 1,0 ) ,(0,1) }
0 0

Cuya dimensión es dos.

2. Ejemplo
2 3
Sea la transformación lineal f : R → R definida por f ( x 1 , x 2 ) =( x 1+ x2 , x1 −x2 , x1 +2 x 2) ;
determine el núcleo y la imagen e indique una base y la dimensión

Solución
Determinando el núcleo f ( x 1 , x 2 ) =( x 1+ x 2 , x 1−x 2 , x 1 +2 x2 ) =( 0,0,0 )

Se tiene el siguiente sistema de ecuaciones lineales x 1+ x2=0 , x 1−x 2=0 , x 1−2 x 2=0

Entonces x 1=0 , x 2=0 , se obtiene f ( v )=0 R tal que v=(0,0) , cuya base { ( 0,0 ) } es de
3

dimensión cero.

Calculando la imagen f ( x 1 , x 2 ) =( x 1+ x 2 , x 1−x 2 , x 1 +2 x2 ) =u

Donde u=x1 ( 1,1,1 )+ x2 ( 1 ,−1,2 ) , llevando a la forma matricial

(11 1 1
−1 2
→
2 0 3
) (
1 −1 2
→
2 0 3
0 −2 1 ) ( )
, luego la imagen es generada por los vectores

que forman la base { ( 2,0,3 ) , ( 0 ,−2,1 ) } de dimensión dos.

PROBLEMAS

1.Sea la aplicación T :R2→ R2 tal que T(x,y)=(2x-y,3y-2x), y sean v=(3,4) un vector y

B1={( 1 , 2 ) ,(−1 ,1)} ,B2=={( 2 , 1 ) ,(−1 ,−3) } bases de R2 calcule verifique según sea el
caso :

Sean los vectores B1={( 1,2 ) ,(−1,1) }, B2=={( 2,1 ) ,(−1,3) }

hacemos una combinación lineal de los vectores de la Base B2
(1,2)=a(2,1) +b(-1,-3) (μ1)=[1/5 -3/5]
(-1,1)=c(2,1)+d(-1,-3) (μ2)=[-4/5 -3/5]

hacemos una combinación lineal de los vectores de la Base B1

(2,1)=a(1,2)+b(-1,1) (μ1’)=[1 -1]

(-1,-3)=c(1,2)+d(-1,1) (μ2’)=[-4/3 -1/3]

1 −4 −4
1
P=
( ) ( )
5
−3
5
5
−3
5
Q=
−1
3
−1
3

Para demostrar si PQ=QP=I Reemplazamos en P y en Q

1 −4 −4 5
1 0

( )( ) ( )
5
−3
5
5
−3
5
−1
3
−1
3
=
5
0
5
5
=I
 −4 1 −4 5
1 0

( )( ) ( )
−1
3
−1
3
5
−3
5
5
−3
5
=
5
0
5
5
=I

Para verificar si [T]B2=Q[T]B1P Solamente reemplazamos lo hallado

[T]B2= (31 −1
−7 )
[T]B1=
0 4
−3 5 ( ) por lo tanto

−4 1 −4
1
( 3 −1
1 −7
= ) ( )( )( )
−1
3 0 4 5
−1 −3 5 −3
3 5
5
−3
5

−4
1
(31 −1
−7
= ) (3/5)
( )(
−1
3 −4 −4
−1 −6 −1
3
)

(31 −1
−7
=
3 −1
) (
1 −7 )
2.Si Q-1AQ=B donde B es un matriz triangular cuyos elementos de la diagonal principal
son valores propios de λ1, λ2, λ3, …… λn Demostrar que Bk es un matriz triangular y los
elementos de la diagonal principal son los valores propios de A elevados a la K

λ1 0 ⋯ λ1 0 ⋯ λ1 0 ⋯

B=
( 0

⋮
λ2
0 ⋱
⋯ 0
0 ⋯
⋯
0 ⋮
⋱ 0
0 λn
) ( B2=
0

⋮
λ2
0 ⋱
⋯ 0
0 ⋯
⋯
0 ⋮
⋱ 0
0 λn
)( 0

⋮
λ2
0 ⋱
⋯ 0
0 ⋯
⋯
0 ⋮
⋱ 0
0 λn
)
B2=¿

→ por inducción Bn+1=¿

Bn B1=¿
Bn B1=¿ Bk=¿

por lo tanto queda demostrado por inducción que B k es un matriz triangular y los
elementos de la diagonal principal son los valores propios de A elevados a la K

1 1 1 1 1
0
3. Es posible diagonalizar la matriz A= 0
0
0
( 1
0
0
0
1
1
0
0
1
1
0
0
1
1
1
1
)
Solución:

Hallamos el polinomio característico P(x)=/A –λI/

1 1 1 1 1 1 0 0 0 0
0
P(x)=/ 0
0
0
( 1
0
0
0
1
1
0
0
1
1
0
0
1

1
1
)( 0 1
1 -λ 0 0
0 0
0 0
0
1
0
0
0
0
1
0
0
0 /¿
0
1
)
1−λ 1 1 1 1
0
P(x)=/ 0
0
0
(
1−λ
0
0
0
0
0
1 1 1
1−λ 1
−λ 1
0 1−λ
)
1 /¿ P(x)=(1--λ)4 (-λ ¿=0

λ=1 de multiplicidad 4 ; es el único que analizamos ya que tiene multiplicidad 4

nos debe de salir 4bases.
λ= 0 de multiplicidad 1
 p p
3❑

()()
q q
Sea V(1)=¿ ( p , q , r , s , t ) ϵ R ❑ A r = r > ¿
s
t
s
t

1 1 1 1 1 p p

( 0
0
0
0
1
0
0
0
1
1
0
0
1
1
0
0
1
1
1
1
)( ) ( )
q q
r = r
s
t
s
t

p+q+r+s+t=0
q+r+s+t=0
r+s+t=0
t=s
t=0
resolviendo nos sale que

q=0, r=0, s=0, t=0 como no aparece p entonces es un definido con un parámetro
α
por lo tanto quedaría:

(p,q, r,s,t)ϵV(1)⇒( p,q,r,s,t)=[(1,0,0,0,0)]

por lo tanto la matriz A no será diagonlizable.

4. Sea la aplicación lineal F: R3 → R3 definida como

F(-1,1,3)=(6,-4,16), F(-2,1,1)=(-2,-5,1) y F(3,2,-1)=(1,14,-12)

a) Calcule la matriz asociada con respecto a la base canónica de R3.

b) Calcule el núcleo y la imagen de la aplicación.
c) Calcule la aplicación inversa si es posible.
Solución:

a)
F(-1,1,3)=(6,-4,16) → (-1)F(1,0,0) +(1)F(0,1,0) + (3)F(0,0,1) =(6,-4,16) ……….(1)
F(-2,1,1)=(-2,-5,1) → (-2)F(1,0,0) +(1)F(0,1,0) + (1)F(0,0,1) =(-2,-5,1) ……….(2)
F(3,2,-1)=(1,14,-12) →(3)F(1,0,0) +(2)F(0,1,0) + (-1)F(0,0,1) =(1,14,12) ………..(3)

Resolviendo (1),(2) y (3)

 F(1,0,0)=(2,3,1) , F(0,1,0)=(-1,2,4) , F(0,0,1)=(3,-1,7)

por lo tanto la matriz asociada con respecto a la base canónica de R 3 será:

2 −1 3
(
A= 3 2 −1
1 4 7 )
b)

2 −1 3 x 0

1 4(
A= 3 2 −1 y = 0
7 z 0 )( ) ( )
De la matriz asociada A obtenemos.
Restando filas….

2 −1 3 x 0 1 0 0 x 0
( 1 4 7 z )( ) ( ) (
3 2 −1 y = 0 → 0 1 0 y = 0
0 0 0 1 z 0 )( ) ( )
Por lo tanto el núcleo o Kerf será =¿ ¿

La imagen de la aplicación = F(x,y,z)=(2x-y+3z,3x+x2y-z,x+4y+7z)

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL

Supongamos que { e 1 , e2 , … , en } es una base de un espacio vectorial V sobre un cuerpo K y

para v ϵ V , supongamos que v=a1 e 1+ a2 e2 +…+ an en , entonces el vector coordenado de v
relativo a { e i } el cual se escribe como un vector columna a menos que se especifique lo
contrario, está dado por:

a1

()
[ V ] e = a2
⋮
an

REPRESENTACIÓN MATRICIAL DE UN OPERADOR LINEAL

Sea T un operador lineal en un espacio vectorial V sobre un cuerpo K supongamos que

{e 1 , e2 , … , en } es una base de V y por tanto se puede expresar una combinación lineal de los
vectores de la base, es decir:
T (e )=a11 e 1+ a12 e 2+ …+a 1n e n
1

T (e )=a21 e 1 +a22 e2 +…+ a2 n en

2

T (e )=an 1 e1 +a n2 e 2+ …+ann e n
n

DEFINICION.-La transpuesta de la matriz de los coeficientes de la representación anterior

denotada por [ T ]e se llama representación matricial de T relativa a la base { e i } .

a 11 a21 … an 1

(
[ T ]e = a12 a22 … an 2 a2 n ¿ … ¿ a nn¿
⋮ ¿⋱ ¿ ¿ )
Ejemplo 1:

Sea el espacio vectorial de todos los polinomios en T sobre R de grado ≤ 3y D :V → V el

d P( t )
operador derivación definido por D ( P(t ) ) = , sea la base { 1 , t , t 2 , t 3 }
dt
2 3
D (1 )=0=0+0 t+ 0 t +0 t

D(t )=1=1+0 t+ 0t 2 +0 t 3

D ( t )=2t=0+ 2t +0 t 2+0 t 3
2

D ( t ) =3 t 2=0+0 t+3 t 2+ 0 t 3
3

0 1 0 0

(
[ D ]e= 0
0
0
0
0
0
2
0
0
0
3
0
)
Ejemplo 2:

Sea T el operador lineal sobre R2 definido por T (x , y )=( 4 x−2 y ,2 x+ y ) . Calculamos la

matriz de T en la base { f 1=( 1 , 1 ) ; f 2=(−1 , 0 ) }
Solución

Tenemos:

T (f )=T (1 ,1 )=( 2 ,3 )=3 ( 1 ,1 ) + (−1 , 0 )=3 f 1+ f 2

1

T (f )=T (−1 , 0)=(−4 ,−2 )=−2 ( 1 ,1 ) +2 (−1 , 0 )=−2 f 1+2 f 2

2
[ T ] f = 3 −2
(1 2 )
TEOREMA

Sea { e 1 , e2 , … , en } una base de V y sea T un operador lineal cualquiera sobre V entonces

∀ v ϵ V se cumple que:

[ T ]e [ V ]e =[ T (V ) ]e

Es decir si multiplicamos el vector coordenado de v por la representación matricial de T se

obtiene el vector coordenado de T (V ) .

Ejemplo 3:

Sea el operador lineal T : R2 → R 2 definido por T (x , y )=( 4 x−2 y ,2 x+ y ) y sea v=( 5 ,7 ) ,

siendo la base { f 1=( 1 , 1 ) ; f 2=(−1 , 0 ) }
v=( 5 ,7 )=7 ( 1 ,1 )+2(−1,0)=7 f 1 +2 f 2

T (V )=T (5 ,7) =( 6 , 17 )=17 ( 1 , 1 )+11 (−1 , 0 ) =17 f 1 +11 f 2

[ V ]f = 7
(2 )
[ T (V ) ]f = 17
( )
11

[ T ] f [ V ] f = 3 −2 7 = 17 =[ T (V ) ]f
( )( ) ( )
1 2 2 11

TEOREMA

Sea { e 1 , e2 , … , en } una base de V sobre un cuerpo K y sea A el álgebra de las matrices

cuadradas de orden n entonces la aplicación: T → [ T ] es un isomorfismo de un espacio
vectorial A( v ) sobre A es decir que la aplicación es de 1 a 1 y sobre, para cualquier
S , T ϵ A( v ) y para cualquier k ϵ K

[ T + S ]e = [ T ] e + [ S ] e y [ kT ] e=k [ T ] e
TEOREMA

Para operadores cualesquiera S , T ϵ A( v ), se tiene:[ ST ] e =[ S ] e [ T ] e

Ejemplo

Sea dimV =2 , supongamos que { e 1 , e2 } es una base de V, T y S son operadores sobre V

tales que:
 T (e )=a1 e1 +a2 e 2 S( e )=c 1 e1 +c 2 e2
1 1

T (e )=b1 e1 +b2 e 2 S( e )=d 1 e1 + d2 e 2

2 2

a1 b 1 c d
[ T ]e =
( a2 b 2 ) (
[ S ]e= 1 1
c2 d2 )
( T + S )(e )=T ( e )+ S (e )=a1 e1 +a2 e 2+ c1 e 1+ c 2 e 2
1 1 1

( T + S )(e )=T ( e )+ S (e )=b1 e1 +b2 e 2+ d 1 e 1+ d 2 e 2

2 2 2

a 1+ c1 b1 +d 1 a b c d
[ T + S ]e =
( a 2+ c2 b2 +d 2
= 1 1+ 1 1
)(
a2 b 2 c 2 d 2 )( )
¿ [ T ]e + [ S ] e

También para k ϵ K

( kT )e =kT ( e )=k ( a 1 e 1+ a2 e2 ) =ka1 e 1+ k a2 e2

1 1

( kT )e =kT ( e )=k ( b 1 e 1+ b2 e2 ) =kb1 e 1+ kb2 e 2

2 2

ka1 k b 1 a b
[ kT ] e =
( k a2 kb2 ) (
=k 1 1 =k [ T ] e
a 2 b2 )
CAMBIO DE BASE
Definición.- Sea { e 1 , e2 , … , en } una base de V y sea { f 1 , f 2 ,… , f n } otra base, supongamos
que:

f 1=a11 e1 +a12 e2 +… + a1 n e n

f 2=a21 e1 + a22 e 2+ … +a2 n e n

f n=a n 1 e 1+ an 2 e2 +… +a nn e n

La traspuesta P de la matriz de los coeficientes se llama matriz de transición de la base

antigua o primitiva { e i } a lanueva base { f i }. ( i=1,2 , … , n )

a11 a21 … an 1

(
P= a 12 a22 … an 2 … ¿ ann ¿
⋮ ¿ ⋱ ¿ a1 n ¿ )
Como los vectores f 1 , f 2 , … , f n son linealmente independientes, la matriz P es invertible,
su inversa P−1 es la matriz de transición de la nueva base a la base antigua.
Ejemplo

Sean las bases { e1=( 1 , 0 ) , e2 =(0 , 1) } y { f 1=( 1 , 1 ) , f 2=(−1 , 0 ) } luego

f 1=( 1 ,1 ) =( 1, 0 ) + ( 0 ,1 )=e1 +e 2

f 2=(−1 , 0 )=−1 ( 1 ,0 )+ 0 ( 0 ,1 ) =−e 1+ 0 e2

P= (11 −10 )
e 1=( 1 , 0 )=0 ( 1 , 1 )+ (−1 )(−1 , 0 )=0 f 1−f 2

e 2=(0 ,1)=1 ( 1 ,1 ) +1 (−1 ,0 )=f 1+ f 2

P−1=Q= 0 1 ( )
−1 1

PQ= ( 11 −10 )(−10 11)=(10 01)=I

TEOREMA

Sea P la matriz de transición de una base { e i } a una base{ f i } en un espacio vectorial V

entonces ∀ v ϵ V se cumple que:

P [ V ] f =[ V ] e

Es decir:

[ V ] f =P−1 [ V ] e
TEOREMA

Sea P la matriz de transición de una base { e i } a una base { f i } en un espacio V entonces ∀

operador lineal T sobre V se cumple que:

[ T ] f =P−1 [ T ] e P
SIMILARIDAD

Supongamos que A y B son matrices cuadradas para los cuales existe una matriz invertible
P tal que: B=P−1 AP, entonces se dice que B es similar a A o que se obtiene de A por una
transformación de similaridad. La similaridad de matrices es una relación de equivalencia.

TEOREMA

Dos matrices A y B representan el mismo operador lineal T si y solo si son similares la una
a la otra. Todos los representantes matriciales del operador lineal T forman una clase de
equivalencia de matrices similares.
Ejemplo

Sea T el operador lineal sobre R2 definido por T (3 ,1) =( 2 ,−4 ) y T (1 ,1) =( 0 ,2 ) , por el teorema
el operador lineal existe y es único, hallar T (a , b) en particular T (7 , 4) .

Solución
Sea un vector( a , b ) tal que se forma la combinación lineal: ( a , b )=x ( 3 , 1 ) + y ( 1 , 1 )

a−b
a=3 x+ y x=
2

−a+3 b
b=x+ y y =
2

Expresando T (a , b) como una combinación lineal de T (3,1) y T (1,1 ) , tenemos

a−b −a+3 b
T (a , b)=T a−b −a+3 b
= T (3 ,1) + T (1, 1)
( 2
( 3 ,1) +
2
( 1 , 1) ) 2 2

a−b −a+3 b
T ( a , b) = (2 ,−4 )+ ( 0 ,2 )= ( a−b ,−3 a+5 b )
2 2

Para el caso particular de T (7,4 ) se tiene

T (7 , 4)= (3 ,−11 )
 VALORES Y VECTORES PROPIOS

En los diversos campos de la ingeniería y las matemáticas surge el problema de

calcular los valores escalares λ y los vectores x ≠ 0 tales que para la matriz
cuadrada A se cumple AX=λX …(1)

Algunos campos de aplicación son:

Las Ecuaciones diferenciales, Estabilidad de sistemas lineales, Sistemas eléctricos,

Polos y ceros de transferencia, diagonalizacion de matrices, etc.

Podemos averiguar si el problema planteado en (1) tiene solución si tenemos

( A−λI ) X =0 …(2) , el problema se transforma en un sistema lineal homogéneo
BX=0 , el cual tiene solución para X =0 , cuando det ( B ) ≠ 0 , es justamente lo que no
nos interesa .El numero λ se dice que es el valor propio de la matriz cuadrada A si
y solo si det ( A−λI )=0 …(3) esta es la ecuación característica de la matriz A .El
polinomio que surge de la ecuación (3) resulta un polinomio en potencias de λ , la
expresión a ( λ )=det ( A−λI ) se le llama polinomio característico de la matriz A .El
polinomio característico de una matriz de dimensión nxn es de grado n , por lo que
se tiene n valores propios λ que satisfacen la ecuación (3) .

VALOR PROPIO

Sea T :V →V un operador lineal sobre un espacio vectorial V sobre un cuerpo K . Un

escalar λ ϵ K se llama valor propio de T si existe un vector diferente de cero,
v ϵ V tal que T ( v )=λv .

Todo vector que satisface esta relación se llama “vector propio” de T perteneciente al valor
propio λ .

Observación: Las transformaciones lineales del espacio como la rotación, la reflexión, el

ensanchamiento o cualquier combinación de las anteriores pueden interpretarse mediante
el efecto que producen en los vectores .De forma geométrica los vectores se visualizan
como flechas de cierta longitud apuntado en una dirección y sentido determinado. Los
vectores propios de las transformaciones lineales son vectores que no se ven afectados
por la transformación.

Ejemplo: Sea λ un valor propio de un operador T :V →V . Sea V λ el conjunto de todos los

vectores propios de T pertenecientes al valor propio λ (llamado el espacio propio de λ )
Demostrar que V λ es un subespacio de V .
Demostración

Sean v , w ∈ V λ ; es decir T ( v )=λv ,T ( w ) =λw . Entonces para todo escalar a , b ∈ K ,

T ( av + bw )=aT ( v ) +bT ( w )=a ( λv )+ b ( λw )=λ (av +bw) , luego av +bw es un vector propio
perteneciente a λ es decir V λes un subespacio de V .

TEOREMA

Sea T :V →V un operador lineal sobre un espacio vectorial V , entonces λ ϵ K es un valor

propio de T si y solo si λ Ι −T es singular, el espacio propio de λ es entonces el núcleo de
λ Ι −T .

TEOREMA

Vectores propios diferentes de cero pertenecientes a valores propios diferentes son

linealmente independientes.

POLINOMIO CARACTERISTICO

Sea una matriz cuadrada A sobre un cuerpo K

a 11 a12 … a1 n

(
A= a21 a22 … a2 n
⋮ ⋮ ⋱ ⋮
an 1 an 2 … ann
)
La matriz t Ι n− A se llama matriz característica, el determinante det ( t Ι n− A ) =0 se llama
ecuación característica, el polinomio característico es de la forma:

Δ ( t )=( t−a11 ) ( t−a22) … ( t−ann ) , ntérminos con máximo n−2 factores de la forma t−an

Ejemplo

Sea la matriz A= (12 43)

i) Hallar los valores propios de A y los correspondientes vectores propios

2i) Hallar una matriz invertible P tal que P−1 AP sea diagonal

Solución:

Ejemplo: El polinomio característico de la matriz A es:

1 3 0
(
A= −2 2 1
4 0 −2 )
 t−1 −3 0
|
Δ ( t )=( t Ι −A )= 2
−4
3 2

|
t−2 −1 =t −t +2 t+ 4
0 t +2

Es un polinomio característico, polinomio Mónico de tercer grado.

El polinomio característico de una matriz de dimensión nxn es de grado n , por lo cual

tendrá n posibles valores propios.

Si λ es un valor propio de A y si X es el vector no nulo tal que AX=λX ⟹ X se dice vector

propio de A correspondiente al valor propio de λ .

OBSERVACION: λ también llamado autovalor, valor característico o “eigen valor”.

Ejemplo

3 1 −1
Dada la matriz A= 2
( )
2 −1 determine el polinomio característico y los valores
2 2 0
propios de A

Solución

3 1 −1 1 0 0 3− λ 1

|( )| |
−1

2 2 0 0 0 1 )(
P ( λ )=det 2 2 −1 −λ 0 1 0 = 2
2
2−λ −1 =( 2−λ )( 2−λ ) ( 1−λ )=0Entonc
2 −λ |
es los valores propios son λ=2 , λ=2 , λ=1

POLINOMIO DE MATRICES Y OPERADORES LINEALES

Sea un polinomio f ( t )=an t n +a n−1 t n−1+ …+a1 t+ a0 , si A es una matriz cuadrada,

entonces definimos:

f ( A )=a n An + an−1 A n−1 +…+ a1 A +a0 Ι

Se dice que A es una raíz o un cero del polinomio si f ( A )=0.

TEOREMA

Sean f y gdos polinomios sobre un cuerpo k , y sea A una matriz cuadrada de orden n ,
sobre k , entonces:

i) ( f + g)( A) =f ( A )+ g (A )
ii) ( f . g)( A )=f ( A ) . g( A)
iii) (kf )(A )=kf ( A )

OBSERVACION
1. Los vectores propios de las transformaciones lineales son vectores que no se ven
afectados por la transformación.
 2. El valor propio de un vector propio es el factor de escala por el que ha sido
multiplicado.
3. Un espacio propio es un espacio formado por todos los vectores propios del mismo
valor propio, además del vector nulo que no es un vector propio.
4. La multiplicidad geométrica de un valor propio es la dimensión del espacio propio
asociado.

Ejemplo: Hallar los vectores propios de la matriz A= (13 22 )

SOLUCION:

AX=λX

( A−λ Ι ) X =0

(1−λ
3
2
2−λ )
X=0

Hallando los valores propios:

|1−λ3 2 =0
2−λ |
λ 2−3 λ−4=0

λ 1=−1 , λ 2=4

Para λ 1=−1 |23 23||xx |=0

1

2 x1 +2 x 2=0

3 x 1+3 x 2=0

⟹ x1 + x 2=0 ⟺ x 1=−x 2

x1
=x 1 ⟶ vector propio 1
Vector propio: ( ) ( )
−x 2 −1 −1 ( )
Para λ 2=4

|−33 −22 ||xx |=0

1

−3 x 1+2 x 2=0

3 x 1−2 x 2=0

3 x 1=2 x2
 x1
=t 2 ⟶ vector propio 2
( ) ()
x2 3 3 ()

TEOREMA DE CAYLEY-HAMILTON

Toda matriz es un cero de su polinomio característico.

Ejemplo: A= 1 2
( )
3 2

P ( λ )= λ2−3 λ−4
2
P ( A )= 1 2 −3 1 2 −4 1 0 = 7 6 − 3 2 − 4
( ) ( ) ( )( ) ( ) ( 04)=(00 00)
3 2 3 2 0 1 9 10 9 6 0

TEOREMA

Si A es una matriz cuadrada de orden n y λ es un valor propio de A ⟹ λ es una raíz del

polinomio característico.

MULTIPLICIDAD ALGEBRAICA

La multiplicidad algebraica de un valor propio λ como cero del polinomio característico.

Ejemplo: Si los valores propios de una matriz A son 4 , 4 , 3 , 3 ,3,3 , 2 , 2, 1 significan que la
multiplicidad algebraica del valor propio4 es 2, la de 3 es 4, la de 2 es 2, la de 1 es 1.

( λ−4 )2( λ−3)4 (λ−2)2 ( λ−1)=0

DIAGONALIZACION

Sea T :V ⟶ V un operador lineal sobre un espacio vectorial V con dimensión finita

entonces T es un operador lineal que se puede representar por una matriz diagonal.

T =¿

Si y solo si existe una base { v 1 , v 2 , … , v n }de V tal que:

T ( v 1 )=k 1 v 1

T ( v 2 )=k 2 v 2

T ( v n )=k n v n

Es decir los vectores { v 1 , v 2 , … , v n }son vectores propios de T perteneciente a los valores

propios k 1 , k 2 , … , k n .
OBSERVACION

¿Qué es diagonalizar?

Es determinar un sistema de referencia conveniente donde se tenga una simplicidad para

los cálculos.

Para estudiar una matriz suele ser conveniente expresarla lo más sencilla posible,
diagonalizar una matriz A es precisamente escribirla de manera simple encontrando una
matriz invertible P y una diagonal D (si es posible) tal que A=PD P−1 , la matriz P se
denomina matriz de paso.

MATRIZ DIAGONALIZABLE

Una matriz n x nes diagonalizable si existe una matriz diagonal D tal que
A es semejante a D . Si D es una matriz diagonal entonces los valores propios son sus
componentes en la diagonal .Si A es semejante a D entonces tienen los mismos valores
propios, entonces si A es diagonalizable, A es semejante a una matriz diagonal.

FORMAS CUADRATICAS O CUADRICAS

Se llama forma cuadrática a un polinomio homogéneo de grado 2. Una forma cuadrática P

tiene la siguiente expresión matricial:
n n
P ( X )= X t AX =∑ ∑ aij x j 1 x i 1
i=1 j=1

Donde X es una matriz columna de orden nx 1, A es una matriz cuadrada de orden nxn

OBSERVACION

Dadas las matrices A y X se presenta una forma cuadrática P ( λ )= X t AX

Ejemplo: P ( X )=2 x 2+ 6 xy+ y 2

P ( X ) =( x y )1 x2 ( 23 31 )( xy )2x 1
=( 2 x+3 y 3 x + y )1 x 2 x
() y 2x 1
2
=2 x +6 xy + y
2

Ejemplo: P ( X )=x 2 + y 2 +2 xy + z 2−5 xz +6 yz

−9
1 1
P ( X ) =( x y z) 1
−9
2
( )( ) 1 2
2
2

1
x
y
z

Ejemplo: P ( X )=3 x 2− y 2 +t 2+ w2−5 z 2 + xt + wz+ xy

 1 1
3 0 0
2 2

( )
1
−1 0 0 0 x
2
P ( X ) =( x y t w z)
1
2
0
0 1

0 0
0

1
1
0
1
2
()
y
t
w
z

0 0 0 −5
2

DIAGONALIZACION DE FORMAS CUADRÁTICAS

Una forma cuadrática P se dice que se encuentra en su forma diagonal si en ella no aparece
ningún término mixto:

x i 1 x j 1 con i≠ j

P=a11 x12 +a 22 x 22 +…+ ann x nn2= X t AX

Donde A es la matriz diagonal:

a11 0 … 0

(
A= 0 a22 … 0 … ¿ ann ¿
⋮ ¿⋱ ¿0 ¿ )
DEFINICION.- Se dice que una forma cuadrática q ( X )=X t AX es diagonalizable si existe
una matriz no singular B, tal que al hacer la transformación X =BY ,resulta:

q ( Y ) =( BY )t A ( BY )=Y t Bt ABY =Y t D Y , donde D es una matriz diagonal tal que

q ( Y ) =d 11 y 12+ d 22 y 22+ …+d nn y nn2

Es una forma diagonal en las nuevas variables y 1 , y 2 , y 3 , … , y n. Se dice que B diagonaliza

a la matriz A, esta matriz B siempre existe, para ello A es una matriz simétrica, B es una
matriz no singular.

En muchos casos los elementos de la matriz diagonal en la diagonal principal son los
valores propios de A.

Ejemplo: Diagonalizar la forma cuadrática, considere q ( X )=x 2+ 4 xy +5 y 2

→ A= (12 25) , considere B=(10 −21 )

Solución:
q ( X ) =( x y) (12 25)( xy)
A= 1 2
( )
2 5

Sea X=BY

( xy )=(10 −2 y 1
1 y2)( )
y
y 2 ) 1 0 1 2 1 −2 1
( )( )( )( )
t
q ( y ) =( BY ) A ( BY ) =( y 1
−2 1 2 5 0 1 y 2

y
¿ ( y1 y 2 ) 1 2 1 −2 1
( )( )( )
0 1 0 1 y2

q ( y ) =( y 1 ( ) ( yy )=( y
y 2 )1 x 2 1 0
0 1 2x 2
1

2
1 y 2 )1 x2
y1
( )
y2 2x 1
= y 1 2+ y 22

OBS:

A= (12 25)
det ( A−λ Ι )=det 1−λ 2 =0 ⟺ λ2−6 λ +1=0
2 5−λ ( )
2 2
NOTA.- En el ejemplo la forma cuadrática diagonalizable es: q ( y ) = y 1 + y 2

Hemos hablado de la transformación X =BY , la cual se interpreta como una rotación de

coordenadas.

DIAGONALIZACION ORTOGONAL DE FORMAS CUADRÁTRICAS

Dada una forma cuadrática P ( X )= X t AX , es posible hallar una matriz P ortogonal

−1 t
( P =P ) que diagonalice ortogonalmente a la matriz A, para ello se debe tener en cuenta
que:

1. Hallar los valores propios y vectores propios de la matriz A linealmente

independientes.
2. Los vectores v1 , v 2 , … , v n forman una base ortonormal para lo cual se utiliza el
proceso de GRAM-SCHMIDT, es decir, hacer:
u1
a. v1 =
‖u1‖
b. v k+1=u k+1−[ ⟨ u k+1 , v 1 ⟩ v 1 + ⟨ uk +1 , v 2 ⟩ v 2 +…+ ⟨ uk +1 , v k ⟩ v k ]
 '
Calculamos los vectores v k+1 que son ortogonales entre si, y son ortogonales a los
vectores { v 1 , v 2 , … , v k } , formamos la matriz P de modo que cada uno de los
vectores v1 , v 2 , … , v n son vectores columna de la matriz P.

3. Se tiene la forma diagonalizable:

P ( X )= X t AX ⇒ P ( Y )=Y t ( Pt AP ) Y =Y t DY
Donde D es una matriz diagonal formada por valores propios de A.

Ejemplo: Diagonalizar ortogonalmente la forma cuadrática

P=3 w2 +3 x2 +9 y 2 +6 z 2+ 2 wx−4 yz

Solución:

3 1 0 0
A= 1
0
0
( 3 0 0
0 9 −2
0 −2 6
)
3−λ 1 0 0

0
0
3− λ
|
| A−λ Ι|= 1 3− λ 0
0
0
0
0 =0
9−λ −2
−2 6−λ
0 1 0 0
|
¿ 3− λ 0
( )
|
0
9−λ −2 − 0 9−λ −2
−2 6−λ 0 −2 6−λ || |
¿ ( 3− λ ) ( 3−λ )( λ−5 ) ( λ−10 )−( λ−5 ) ( λ−10 )=0

¿ ( λ−5 ) ( λ−10 )( λ−4 ) ( λ−2 )=0

Los valores propios son:

λ 1=2 , λ 2=4 , λ3=5 , λ 4=10

Para λ 1=2:

1 1 0 0 1 1 0 0

|
1
0
0
1 0 0 ⟶0 0
0 7 −2
0 −2 4
0 0
0 0
|| | 1
0
0
0
1
0

x 1+ x2=0

x 3=0 ( x 1 x 2 x 3 x 4 ) =t ( 1 −1 0 0 )
x 4 =0

Para λ 2=4 :
−1 1 0 0 1 −1 0 0

|1 −1 0
0
0
0
0 ⟶0 0 0 0
5 −2
0 −2 2
0 0 1 0
0 0 0 1
|| |
( x 1 x 2 x 3 x 4 ) =s (1 1 0 0 )
Para λ 3=5 : ( 0 0 1 2)

Para λ 4=10 : ( 0 0 −2 1 )

u1 1 1
v1 =
‖u1‖
=( 1 ,−1 , 0 , 0 )= (
,− , 0 , 0
√2 √ 2 )
'
⟨
v 2=u2− ⟨ u1 , v 1 ⟩ v 1=( 1, 1 , 0 , 0 )− ( 1 ,1 , 0 , 0 ) , ( √12 ,− √12 , 0 , 0)⟩ ( √12 ,− √12 , 0 , 0)=( 1 , 1, 0 , 0)
v 2' 1 1
v 2=
‖v 2 ‖ '
= ( ,
√2 √ 2
,0,0 )

[⟨
v'3 =u3−[ ⟨ u3 , v 1 ⟩ v 1+ ⟨ u 3 , v 2 ⟩ v 2 ]= ( 0 , 0 ,1 , 2 )− ( 0 , 0 , 1, 2 ) , ( √12 ,− √12 , 0 , 0)⟩( √12 ,− √12 ,0 , 0)+⟨ ( 0 , 0 ,1 , 2) ,( √1
v 3' 1 2
v3 =
‖v 3 ‖ ' (
= 0,0, ,
√ 5 √5 )
v'4=u 4−[ ⟨ u 4 , v 1 ⟩ v 1 + ⟨ u4 , v2 ⟩ v 2 + ⟨ u4 , v 3 ⟩ v 3 ]

[⟨
v'4=( 0 , 0 ,−2 ,1 )− ( 0 ,0 ,−2 ,1 ) , ( 1 −1
,
√ 2 √2
,0,0 ) ⟩( 1 −1
,
√ 2 √2 )⟨
, 0 , 0 + ( 0 , 0 ,−2, 1 ) ,
1 1
( ,
√2 √ 2
,0,0 )⟩( 1 1
,
√ 2 √2
,0

v 4' −2 1
v 4=
‖v 4 ‖' (
= 0,0, ,
√5 √5 )
1 1
0 0

[ ]
√2 √2
−1 1
0 0
P= √2 √2
1 −2
0 0
√5 √5
2 1
0 0
√5 √5

Luego:
 1 −1 1 1
0 0 0 0

( ) ( )
√2 √2 √2 √2
1 1 3 1 0 0 −1 1 2 0 0 0
0 0 0 0
t
D=P AP= √2
0
√2
0
1
√5
−2
2 0
1

√5 0
1
( 3 0 0
0 9 −2
0 −2 6
) √2
0
√2
0
1
√5
2
−2
√5 0
1
(
=0
0
4
0
0
0 0
5 0
0 10
)
0 0 0 0
√5 √5 √5 √5

2 0 0 0 y1
P ( X )= X t AX ⟺ P ( Y )=Y t DY =( y 1 y2 y3
(
y4 ) 0
0
0
4
0
0
5 0 y3)( )
0 0 y 2 =2 y 2+ 4 y 2 +5 y 2+10 y 2

0 10 y 4
1 2 3 4

Forma diagonalizada

NOTAS COMPLEMENTARIAS

Superficies
Definición.
Dada la ecuación φ ( x , y , z )=0 en las variables x , y , z; la gráfica de esta ecuación

en el espacio tridimensional ( R3) es el conjunto de todos los puntos P( x , y , z)

cuyas coordenadas satisfacen la ecuación; a dicha grafica se denomina superficie.

Ejemplo.
El plano, la esfera, etc.

Nota.
Existen ecuaciones tales como

a) x 2+( y−2)2 + z 2+ 8=0 , ∄ ( a ,b ,c ) ∈ R3

b) ( x +2)2 +9 ( y +1)2 +5(z −1)2=0, ∃! punto.

Que no representan a una superficie (a estos casos se denomina degenerado).

Esfera.
Definición.
Una esfera es el conjunto de todos los puntos del espacio que equidistan de un punto
fijo llamado centro. La distancia de cualquier punto al centro es llamado radio.
 Sea P ( x , y , z ) cualquier punto de la esfera c (x 0 , y 0 , z 0) y radio r >0 , luego la
distancia
d ( P ,c ) =r ; r >0 ↔ d 2 ( P , c )=r 2 ; c (x 0 , y 0 , z 0)

( x−x 0 )2+( y− y 0 )2 +(z−z 0 )2=r 2 …(¿)

Si el centro es el origen, entonces la esfera es x 2+ y 2+ z 2=r 2.

La ecuación (¿) es de la forma

x 2+ y 2+ z 2 + Dx+ Ey + Fz+G=0

Discusión y gráfica de la ecuación de una superficie.

De manera similar a la discusión que se efectúa antes de trazar la gráfica de una
curva plana, en el caso de las superficies es también ventajoso discutir previamente
su ecuación antes de construirla. Para discutir la ecuación E ( x , y , z ) =0 de una
superficie se siguen los siguientes pasos:

I) INTERSECCIONES CON LOS EJES COORDENADOS.

Son las intersecciones de la superficie con cada uno de los ejes coordenados.

i) Con el eje X . Se reemplaza y=z =0 en la ecuación de la superficie y

se analiza la ecuación resultante.
ii) Con el eje Y . Se reemplaza x=z=0 en la ecuación de la superficie y se
analiza la ecuación resultante.
 iii) Con el eje Z . Se reemplaza x= y =0 en la ecuación de la superficie y se
analiza la ecuación resultante.

II) TRAZAS SOBRE LOS PLANOS COORDENADOS.

La traza de una superficie sobre un plano coordenado es la intersección de la
superficie y el plano coordenado.

i) Con el plano XY . Se reemplaza z=0 en la ecuación de la superficie.

ii) Con el plano YZ . Se reemplaza x=0 en la ecuación de la superficie.
iii) Con el plano XZ . Se reemplaza y=0 en la ecuación de la superficie.

III) SECCIONES TRANSVERSALES O SECCIONES PARALELAS A LOS

PLANOS COORDENADOS.
Son las intersecciones de la superficie con planos paralelos a los planos
coordenados.

i) Al plano XY . Se reemplaza z=k en la ecuación de la superficie.

ii) Al plano XZ . Se reemplaza y=k en la ecuación de la superficie.
iii) Al plano YZ . Se reemplaza x=k en la ecuación de la superficie.

IV) EXTENSION DE LA SUPERFICIE:

Se entiende por extensión de la superficie a los valores reales que toman las
variables x , y , z en la ecuación.
El paso anterior facilita la determinación de la extensión; por ejemplo, si al
estudiar las secciones paralelas al plano XY se determina que hay intersección
con los planos z=k cuando k ∈ [−3 ; 3 ]. Esto indica que en la superficie z
varia entre −3y 3, es decir z ∈ [ −3 ; 3 ].

V) SIMETRIAS CON RESPECTO A LOS PLANOS COORDENADOS,

ALOS EJES COORDENADOS Y AL ORIGEN:
Previamente, se dice que dos puntos P y Q son simétricos con respecto a un
plano si el plano es perpendicular al segmento que los une en su punto medio.
 Por otro lado, se dice que una superficie es simétrica con respecto al plano Π ,
si el simétrico de cada punto de la superficie, respecto al plano Π , es también
un punto de la superficie.

Si P ( x , y , z ) es un punto del espacio, entonces:

a) El simétrico de P con respecto al plano XY es Q ( x , y ,−z ).

b) El simétrico de P con respecto al plano XZ es Q ( x ,− y , z ).
c) El simétrico de P con respecto al plano YZ es Q (−x , y , z ) .
Considerando que el lector está familiarizado a las simetrías con respecto a una recta y
a un punto se sigue:

d) El simétrico de P con respecto al eje X es Q ( x ,− y ,−z ).

e) El simétrico de P con respecto al eje Y es Q (−x , y ,−z ).
f) El simétrico de P con respecto al eje Z es Q (−x ,− y , z ).
g) El simétrico de P con respecto al origen es Q (−x ,− y ,−z ).

Se dice que una superficie es simétrica con respecto a una recta L si el simétrico da
cada punto, respecto a la recta L, es también un punto de la superficie.

Se dice que una superficie es simétrica con respecto a una recta C si el simétrico de
cada punto, respecto a la recta C , es también un punto de la superficie.

De las consideraciones anteriores, se deduce fácilmente la siguiente tabla:

Si la ecuación de la superficie no se La superficie es simétrica con

altera cuando se reemplaza: respecto al:
x por – x plano YZ
y por – y plano XZ
z por – z plano XY
z por −z ∧ y por – y
eje X
x por −x ∧ z por – z
eje Y
x por −x ∧ y por – y
eje Z
x por – x , y por – y ∧ z por −z
origen
VI) CONSTRUCCION DE LA SUPERFICIE (GRÁFICA)
Con la ayuda de los pasos anteriores se construye la gráfica de una superficie.

Ejemplo 1.
Discutir y graficar la ecuación 9 x 2+ 4 y 2−12 z=0 .

Solución.
I. INTERSECCION CON LOS EJES.
i) Con el eje X .
Haciendo y=z =0 en la ecuación se obtiene 9 x 2=0 → x =0.
La superficie intercepta al eje X en el origen de coordenadas.
Al estudiar las otras intersecciones se comprueba que el origen es el único
punto de intersección.

II. TRAZAS SOBRE LOS PLANOS COORDENADOS.

i) Sobre el plano XY .
Haciendo z=0 se obtiene 9 x 2+ 4 y 2=0. Esta ecuación, en el plano XY ,
representa al origen de coordenadas.

ii) Sobre el plano XZ .

Haciendo y=0 se obtiene 9 x 2−12 z=0. Esta ecuación, en el plano XZ ,
representa a una parábola.

iii) Sobre el plano YZ .

Haciendo x=0 se obtiene la parábola 4 y 2−12 z =0.

III. SECCIONES TRANSVERSALES A LOS PLANOS COORDENADOS.

i) Al plano XY .
Haciendo z=k en la ecuación de la superficie se obtiene 9 x 2+ 4 y 2=12k
.
Se observa que hay intersección solamente cuando k ≥ 0 (si k =0 es un
punto, si k > 0 es una elipse)

ii) Al plano XZ .
 Haciendo y=k en la ecuación de la superficie se obtiene

9 x 2−12 z+ 4 k 2 =0.
Esta ecuación representa a una parábola ∀ x ∈ R .

iii) Al plano YZ .
Haciendo x=k en la ecuación se tiene 4 y 2−12 z +9 k 2=0.
Esta ecuación representa a una parábola ∀ x ∈ R .

IV. EXTENSION.
De III (iii) se obtiene x ∈ R.
De III (ii) se obtiene y ∈ R .
De III (i) se obtiene z ∈ [ 0 ; +∞ ⟩.

V. SIMETRIAS.
La superficie es simétrica con respecto al plano YZ , al plano XZ y al eje Z .

VI. GRÁFICA.
La gráfica de esta
ecuación se denomina
paraboloide elíptico.

Ejemplo 2.
Discutir y graficar la superficie
cuya ecuación es y 2−4 y +2 z=0.

Solución
I. INTERSECCION CON LOS EJES.
i) Con el eje X .
Haciendo y=z =0 en la ecuación se obtiene 0=0, esto significa que todo
punto del eje satisface la ecuación de la superficie, es decir, la intersección
de la superficie con el eje X es el eje X .

ii) Con el eje Y .

Haciendo x=z=0→ y 2−4 y=0 → y=0 ∨ y =4 .
 Las intersecciones son los puntos P1 (0,0,0) y P2 (0,4,0).

iii) Con el eje Z .

Haciendo x= y =0 →2 z=0.
La intersección es el origen de coordenadas.

II. TRAZAS SOBRE LOS PLANOS COORDENADOS.

i) Sobre el plano XY .
Las trazas son las rectas: y=0 (eje X ) ∧ y =4 (paralelo al eje X )

ii) Sobre el plano XZ .

La traza es la recta: z=0 (eje X ).

iii) Sobre el plano YZ .

La traza es la parábola y 2−4 y +2 z=0.

III. SECCIONES TRANSVERSALES A LOS PLANOS COORDENADOS.

i) Al plano XY .
Haciendo z=k → y 2−4 y +2 z =0 → y=2± √ 4−2 k .
Existe intersección k ≤ 2 (Para k =2 es una recta, para k < 2 son dos rectas
paralelas)

ii) Al plano XZ .
Haciendo y=k en la ecuación de la superficie se obtiene 2 z=4 k−k 2, es
una recta ∀ k ∈ R .

iii) Al plano YZ .
Haciendo x=k en la ecuación se tiene y 2−4 y +2 z=0, es una parábola
∀ k ∈ R.

IV. EXTENSION
x ∈ R (De III – iii)
y ∈ R (De III – ii)
z ∈ ⟨−∞ ; 2 ] (De III – i)

V. SIMETRIAS
 Existe simetría con respecto al plano YZ .

VI. GRÁFICA
La gráfica de esta ecuación se denomina cilindro parabólico.

Superficies cuadráticas
Una superficie cuádrica o simplemente cuádrica o cuadrática es la gráfica de una ecuación
de segundo grado en las variables x , y , z.

Algunas superficies cilíndricas o superficies de revolución son ejemplo de cuádricas. En

esta sección se dará algunas formas estándar de las superficies cuádricas cuyas ecuaciones
están en su forma más simple.

Considerando que el alumno está en condiciones de discutir la ecuación de una superficie,

nos limitaremos a describir algunas propiedades de estas superficies.

Elipsoide.
Su ecuación es de la forma:
x2 y 2 z 2
+ + =1
a2 b 2 c2
Dondea , b y c son números positivos.
x ∈ [ −a ;a ]
y ∈ [ −b ; b ]
z ∈ [ −c ; c ]

Si a 2=b2=c 2, es una esfera.

Si a 2=b2 (o b 2=c 2, o a 2=c 2) es un elipsoide de revolución o esferoide.
 Un esferoide cuyo tercer
número es mayor que los
dos números iguales, se
llama esferoide alargado (la
elipse que la genera gira
alrededor de su eje mayor).
Si el tercer número es menor
que los dos números iguales,
se llama esferoide achatado
(la elipse que la genera gira
alrededor de su eje menor).

Las secciones transversales a los planos coordenados son elipses o circunferencias.

(en los planos x=± a, y=± b , z=± c , se reduce a un punto).
Esta superficie es simétrica con respecto a uno de los planos coordenados, simétrica
con respecto a cada uno de los ejes coordenados y simétrica con respecto al origen.
La gráfica se muestra arriba.

El origen es el centro del elipsoide. Si el centro del elipsoide es el punto

C ( x 0 , y 0 , z 0 ), su ecuación es de la forma
2 2 2
( x−x 0 ) ( y− y 0 ) ( z−z 0 )
+ + =1
a2 b2 c2

Hiperboloide elíptico (o circular) de una hoja.

Su ecuación es de la forma:

x2 y 2 z 2 x2 y 2 z 2 x 2 y 2 z2
+ −
a2 b 2 c 2
=1 o − +
a2 b2 c 2 (=1 ,o− + + =1
a2 b 2 c 2 )
En la figura de abajo se muestra la gráfica de
x2 y 2 z 2
+ − =1
a2 b 2 c 2
 A continuación se describe algunas propiedades de esta superficie.
x ∈ ⟨−∞ ; −a ] ∪ [ a ; +∞ ⟩
y ∈ ⟨ −∞ ; −b ] ∪ [ b ; + ∞ ⟩
z ∈ ⟨−∞ ;+ ∞ ⟩

Si a 2=b2, es una superficie de revolución (hiperboloide circular de una hoja)

Si a 2 ≠ b2, es el hiperboloide elíptico de una hoja.

Las secciones transversales al plano XY son elipses o circunferencias según si

a 2 ≠ b2oa 2=b2

Las secciones transversales al plano XZ o el plano YZ son hipérbolas. (En los planos
y=b, x=a son dos rectas que se cortan).

Esta superficie es simétrica con respecto: a los ejes coordenados, a los planos
coordenados y al origen.

El centro de esta superficie es el origen de coordenadas. Si su centro es C ( x 0 , y 0 , z 0 )

, su ecuación es de la forma:
2 2 2
( x−x 0 ) ( y− y 0 ) ( z−z 0 )
+ − =1
a2 b2 c2

Hiperboloide elíptico (o circular) de dos hojas.

Su ecuación es de la forma:

−x 2 y 2 z 2 x2 y2 z2 x2 y 2 z 2
+ −
a2 b 2 c 2
=1 ó (− −
a 2 b2 c 2
=1 , ó− − + =1
a2 b2 c 2 )
Dondea , b y c son números positivos.

En la figura de abajo se muestra la gráfica de

−x 2 y 2 z 2
+ − =1
a2 b 2 c 2

En lo que sigue, se describe algunas propiedades de esta superficie.

x ∈ ⟨−∞ ;+ ∞ ⟩
y ∈ ⟨ −∞ ; −b ] ∪ [ b ; + ∞ ⟩
z ∈ ⟨−∞ ;+ ∞ ⟩

Si a 2=c 2, es una superficie de revolución (hiperboloide circular de dos hojas).

Si a 2 ≠ c 2, es el hiperboloide elíptico de dos hojas.

Las secciones transversales al plano XZ son circunferencias o elipses según si

a 2=c 2 o a 2 ≠ c 2. (En el plano y=b, es un punto).

Esta superficie es simétrica con respecto a los ejes coordenados, a los planos
coordenados y al origen.
El centro de esta superficie es el origen de coordenadas. Si su centro es C ( x 0 , y 0 , z 0 )
, su ecuación es de la forma:
 −( x−x 0 )2 ( y − y 0 )2 ( z−z 0 ) 2
+ − =1
a2 b2 c2

Observación
Las tres superficies cuádricas (elipsoide, hiperboloide de una hoja e hiperboloide de
dos hojas) también se denominan cuádricas centrales. En general cualquier ecuación
de la forma:
2 2 2
( x−x 0 ) ( y− y 0 ) ( z−z 0 )
± ± ± =1
a2 b2 c2
Dondea , b y c son positivos, representa a una cuádrica central con centro en

C ( x 0 , y 0 , z 0 ).

Si los tres signos son positivos: elipsoide.

Si dos signos son positivos y uno es negativo: hiperboloide de una hoja.
Si dos signos son negativos y uno es positivo: hiperboloide de dos hojas.
Si los tres signos son negativos: es el conjunto vacío.

Paraboloide elíptico (o circular)

Su ecuación es de la forma

x2 y 2 x 2 z2 y2 z2
a2 b 2 a b (
+ =cz o 2 + 2 =cy , o 2 + 2 =cx
a b )
Dondea , b y c son números positivos y c ≠ 0.

En la figura de abajo se muestra la gráfica de

x2 y 2
+ =cz
a2 b 2
 Conc >0 , (si c <0 el paraboloide se extiende hacia la parte negativa del eje Z ). Las
propiedades de esta superficie son:
x ∈ ⟨−∞ ;+ ∞ ⟩
y ∈ ⟨ −∞ ; +∞ ⟩
z ∈ ⟨−∞ ; 0 ]
(sic <0 , z ∈ ⟨−∞ ; 0 ] )

Si a 2=b2, es una superficie de revolución (paraboloide circular).

Si a 2 ≠ b2, es el paraboloide elíptico.

Las secciones transversales al plano XY son circunferencias o elipses según si

a 2=b2 o a 2 ≠ b2. (En el plano z=0 , la traza es un punto).

Esta superficie es simétrica con respecto al eje Z , al plano XZ y al plano YZ .
El vértice de esta superficie es el origen de coordenadas. Si el vértice es

V ( x 0 , y 0 , z0 ) , su ecuación es de la forma:
2 2
( x−x 0 ) ( y− y 0 )
+ =c ( z−z 0)
a2 b2

En los otros casos, la ecuación es de la forma:

2 2 2 2
( x−x 0 ) ( z−z 0 ) ( y− y 0) ( z−z 0 )
+ =c ( y− y 0 ) o + =c (x−x 0)
a2 b2 a2 b2

Paraboloide hiperbólico.
Su ecuación es de la forma
y2 x2 z2 x2 z2 y 2
b2 a 2 b a (
− =cz o 2 − 2 =cy , o 2 − 2 =cx
b a )
Dondea , b y c son números positivos y c ≠ 0.

En la figura de abajo se muestra la gráfica de

y2 x2
− =cz
b2 a 2
Con c >0 .

Las propiedades de esta superficie son:

x ∈ ⟨−∞ ;+ ∞ ⟩
y ∈ ⟨ −∞ ; +∞ ⟩
z ∈ ⟨−∞ ;+ ∞ ⟩

Las secciones transversales al plano XY son hipérbolas (En el plano z=0 son dos
rectas que se cortan). Las secciones transversales al plano XZ y al plano YZ son
parábolas.
Esta superficie es simétrica con respecto al eje Z , al plano XZ y al plano YZ .
El origen de coordenadas es el punto de silla (de montar) de esta superficie. Si el

punto de silla es S ( x 0 , y 0 , z0 ) , su ecuación es de la forma:

2 2
( y− y 0 ) ( x−x 0 )
− + ¿ c( z−z 0)
b2 a2

En los otros casos, la ecuación es de la forma:

2 2 2 2
( z−z 0 ) ( x −x0 ) ( z −z0 ) ( y− y 0 )
− =c ( y − y 0 ) o − =c ( x−x 0)
b2 a2 b2 a2
Cono elíptico (o circular)
Su ecuación es de la forma:

x2 y 2 z 2 x 2 z 2 y 2 x2 y 2 z2
+ = o (
+ =
a2 b 2 c 2 a2 b 2 c 2
=, o + =
a2 b 2 c 2 )
Dondea , b y c son números positivos.
En la figura de abajo se muestra la gráfica de la superficie
x2 y 2 z 2
+ =
a2 b 2 c 2

Esta superficie tiene las siguientes propiedades:

x∈ R
y ∈R
z∈ R

Si a 2=b2, es una superficie de revolución (cono circular).

Si a 2 ≠ b2 es el cono elíptico.

Las secciones transversales al plano XY son circunferencias o elipses según si

a 2=b2, o a 2 ≠ b2. (En el plano z=0 la traza es el origen de coordenadas).

Las secciones transversales al plano XZ y al plano YZ son hipérbolas (En los planos
y=0 y x=0 son dos rectas que se cortan).

Esta superficie es simétrica con respecto: a los ejes coordenados, a los planos
coordenados y al origen.
 El origen de coordenadas es el vértice de esta superficie. Si el vértice es

V ( x 0 , y 0 , z0 ) , la ecuación es de la forma:
2 2 2
( x−x 0 ) ( y− y 0 ) ( z−z 0 )
+ =
a2 b2 c2

En los otros casos, la ecuación es de la forma:

2 2 2 2 2 2
( x−x 0 ) ( z−z 0 ) ( y− y 0 ) ( z−z 0 ) ( y− y 0 ) ( x−x 0 )
+ = o + =
a2 b2 c2 a2 b2 c2

PROBLEMAS

1. Reconocer y graficar con respecto a los nuevos ejes 7 x 2 + 6 y 2 + 5 z 2 - 4xy + 6x - 6y +

19
12z - =0, indique los valores y vectores propios.
2

Solución:

Se expresa la ecuación en su forma matricial

7 −2 0 x x
(x
( )( )
y z ) −2 6 0 y + 6 ( 1 −1 2 ) y -
0 0 5 z z
19
2
=0
()
Hallamos los valores y vectores propios de:

7 −2 0
(
−2 6 0
0 0 5 )
7−λ −2 0
|−2 6−λ
0 0
0 = (λ−5)( λ 2−13 λ+38)=0
5−λ |
λ 1=5 , λ 2= 13−√ 17 , λ 3 = 13+ √17
2 2

Para λ 1=5:

2 −2 0 x 0
( −2 1 0 y = 0
0 0 0 z 0 )( ) ( )
 0
()
x=y=0 , z=t ⇒ v 1= 0
1

13−√ 17
Para λ 2= :
2

1+ √17
−2 0

( )( ) ( )
2
x 0
−1+ √ 17
−2 0 y =0
2 z 0
−3+ √17
0 0
2

0
x=y=z=0
()
⇒ v 2= 0
0

13+ √17
Para λ 3 = :
2

1−√ 17
−2 0

( )
2
x 0
−2
−1−√ 17
2
0

−3− √17
( )()
y =0
z 0
0 0
2

0
x=y=z=0
()
⇒ v 3= 0
0

Entonces:

'
x 0 0 0 x
( )(
y = 0 0 0 y'
z 1 0 0 z' )( )
Luego:

5 0 0

( x' y' z' )

( 0

0
13−√17

0
2
0
13+ √ 17
2
)( )
x' x
()
y ' + 6( 1 −1 2 ) y - 19/2 = 0
z' z
 5 0 0

( x' y' z' )

( 0

0
13−√17

0
2
0
13+ √ 17
2
)( )
x' x'

()
y ' + 6( 2 0 0 ) y ' - 19/2 = 0
z' z'

13−√ 17 2 13+ √17 2

5x ' 2 + y' + z ' + 12x’ - 9.5 = 0
2 2

2 13−√ 17 2 13+ √17 2

5( x ' + 1.2 ) + y' + z ' - 16.7= 0
2 2

Reemplazando por traslación:

x ' +1.2 =x’’

13−√ 17 2 13+ √17 2

⇒5 x ' ' 2 + y' + z ' - 16.7= 0
2 2

 Haciendo x constante:
13−√ 17 2 13+ √17 2
y' + z ' - 16.7 + c x= 0
2 2
Formaelipsoideal
 Haciendo y constante:
13+ √17 2
5x ' ' 2 + z ' - 16.7 + c y = 0
2
Formaelipsoideal
 Haciendo z constante:
13−√ 17 2 c
5x ' ' 2 + y ' + z=0
2
Formaelipsoideal
Entonces en conjunto formarían un esferoide o un elipsoide de revolución.
2. Resolver el sistema de ecuaciones diferenciales

2 −1 0 9
( )
X '(t) = −1 2 −1 X(t ) , X (0) = 10
0 −1 2 11 ()
Solución:

2 −1 0
(
Sea A= −1 2 −1
0 −1 2 )
Luego hallamos los valores y vectores propios de A:

2−λ −1 0
|
−1 2−λ −1 = 0
0 −1 2−λ | → ( λ−2 ) ( λ2−4 λ+ 2 )=0

λ 1=2, λ 2=2-√ 2, λ 3=2+√ 2

Para λ 1=2:

0 −1 0 x 0 1
(
−1 0 −1 y = 0
0 −1 0 z 0 )( ) ( ) y=0, -x-z=0
()
⇒ v 1= 0
−1

Para λ 2=2-√ 2:

√ 2 −1 0 x 0 1

(
−1 √ 2 −1 y = 0
0 −1 √ 2 z 0 )( ) ( ) x=z, y=√ 2 x
()
⇒ v 2= √ 2
1

Para λ 2=2+√ 2:

− √2 −1 0 x 0 1

(
−1 −√2 −1 y = 0
0 −1 −√ 2 z 0 )( ) ( ) x=z, y=-√ 2 x
( )
⇒ v 2= − √2
1

1 1 1 2 0 −2
Luego P= 0
−1 ( √2 −√ 2 ,
1 1 ) 1
P = 2 √2
−1
4 (
1 −√ 2 1
2
)
Se sabe:
 e2 t 0 0
e At = P. e Jt . P−1 , Jt

(
e = 0 e
0
( 2− √ 2) t

0 e
0
(2+ √ 2)t )
1 1 1 e2 t 0 0 2 0 −2
→ e At =
1
4 ( 0
−1
√ 2 −√ 2 0 e
1 1 0
)(
(2− √ 2 )t

0 e
0
(2+ √2)t
2 √2
)(
1 −√ 2 1
2
)
e2 t e (2−√ 2) t e(2+ √2)t 2 0 −2
e At =
1
4
0
−e2 t
( √2 e
e
( 2− √2 )t

(2− √ 2) t
− √2 e
e
)(
(2+ √ 2)t

(2+ √2)t
2 √2
1 − √ 2
2
1 )
2e 2 t +2 e (2−√ 2) t +e (2 +√ 2)t √2 e (2−√ 2) t −√2 e(2+ √2)t −2 e 2t +2 e( 2−√2 )t +e(2+√ 2)t
e At =
1
4 (
2 √ 2 e (2−√ 2) t −√2 e(2+ √2)t
−2 e2 t +2 e (2−√ 2) t + e(2 +√ 2)t
2 e (2−√ 2) t +2 e (2+ √2)t 2 √ 2 e( 2−√2 )t −√ 2 e(2+√ 2)t
√2 e (2−√ 2) t −√2 e(2+ √2)t 2 e 2t +2 e( 2−√2 )t +e(2+√ 2)t
)
2e 2 t +2 e (2−√ 2) t +e (2 +√ 2)t √2 e (2−√ 2) t −√ 2 e(2+ √2)t −2 e 2t +2 e( 2−√2 )t +e(2+√ 2)t 9
4 (
X t = 1 2 √ 2 e (2−√ 2) t −√2 e(2+ √2)t
−2 e2 t +2 e (2− √ 2) t + e(2 +√ 2)t
2 e (2−√ 2) t +2 e (2+ √2)t
)( )
2 √ 2 e( 2−√2 )t −√ 2 e(2+√ 2)t 10
√2 e (2−√ 2) t −√ 2 e(2+ √2)t 2 e 2t +2 e( 2−√2 )t +e(2+√ 2)t 11

3. Determine los valores propios de A10, sabiendo que

3 4 −2 8
A=
0
0
0
( 1 −1 0
0 −1 5
0 0 4
)
Solución:

Como es una matriz triangular superior, solo la diagonal principal es afectada.

310 0 0 0 310 0 0 0
A10=
0
0
(
0 110 0
0 (−1 )
0 0
10

4
0
0
10
=
0
0
0
)( 1
0
0
0 0
1 0
0 4 10
)
Hallando los valores propios:
 310 −λ 0 0 0

| 0
0
0
1−λ
0
0
0
1−λ
0
0
0
4 10 −λ
=0
|
(310− λ) (1− λ) (1− λ) (4 10−λ )=0

λ 1= 310, λ 2= λ 3= 1, λ 4=4 10

Para λ 1=310:

0 0 0 0 x 0

( 0 1−3
0
0
0
0
10
0
1−3
0
10

10
4 −3
0
0
10 )( ) ( )
y 0
=
z 0
t 0

1
↪y=z=t=0 ⇒ v1 =
0
0
0
()
Para λ 2= λ 3= 1:

310−1 0 0 0 x 0

( 0
0
0
0
0
0
0
0
0
0
)( ) ( )
y =0
z 0
0 4 −1 t 0
10

0 0
↪x=t=0 ⇒ v 2=
1
0
0
() ()
y v3 =
0
1
0

Para λ 4=4 10:

310−4 10 0 0 0

( 0
0
0
1−4
0
0
10
0
1−4 10
0
0
0
0
)
0
↪x=y=z=0 ⇒ v 4=
0
0
1
()
 3
3.-Sea T : M 2 x 2 → R una transformación lineal tal como:

T a b =(a+2 b−c , a+4 b+d , b+8 c +d )

(| |)
c d

a) Calcule una base y la dimensión del núcleo

b) Calcule la imagen
1 1 , 1 0 , 0 0 , 0 1 en M
c) Obtener la matriz de T respecto a las bases {[ ] [ ] [ ] [ ] }
1 1 1 0 0 1 1 1 2x 2

d) Hallar la imagen de [−12 32]

Solución:
Calculamos la base canónica:

T 1 0 =(1,1,0)
(| |)
0 0

T 0 1 =(2,4,1)
(| |)
0 0

T 0 0 =(−1,0,8)
(| |)
1 0

T 0 0 =(0,1,1)
(| |)
0 1

Entonces la matriz será:

1 2 −1 0

[
A= 1 4 0 1
0 1 8 1 ]
Desarrollando se llega a:

1 0 00

[
A= 0 1 0 0
0 0 10 ]
Con lo que se puede decir que:

Dim I=3

Dim k=1
Además la imagen generada seria:

1 2 −1

0 1 {( ) ( ) ( )}
T= 1 , 4 , 0
8

Ahora hallaremos la Matriz T:

T 1 1 =(2,6,10)
(| |)
1 1

T 1 1 =(0,1,8)
(| |)
0 0

T 0 0 =(0,1,1)
(| |)
0 1

T 0 1 =(1,5,10)
(| |)
1 1

Por tanto la Matriz T será:

2 0 01
(
T= 6 1 1 5
10 8 1 10 )
La imagen de [−12 32]:

[−12 32]=−1(10 00)+3( 00 10)+2( 01 00)+2( 00 01)

De aquí:

−1 6 −2 0
2 2
0
] (
T −1 3 = −1 12 0 2
[ 3 16 2 )
1 0 00
(
¿ 0 1 00
0 0 10 )
La imagen generada seria:

−1 6 −2

{( ) ( ) ( )}
T = −1 , 12 , 0
0 3 16

0 cosθ −senθ

1 |
5.a) Sea la matriz Aθ = 0 senθ cosθ
0 0 |
3 3
Si Aθ : R → R describa A θ en términos geométricos , grafique

b) Una matriz A tiene valores propios 6 y12.Además correspondiente a 6 que es de

multiplicidad 2, se tiene los vectores propios (1,0,-1) y (1,1,1) y para 12 se tiene el vector
propio (1,-2,1) si se sabe que A es simétrica, determine la matriz A.

Solución:

a)

0 cosθ −senθ
| 2

| 2
0 senθ cosθ =cosθ + senθ =1
1 0 0

Sabes que la ecuación de la gráfica es:

cosθ 2+ senθ 2=x 2 + y 2 =1

Por tanto la gráfica es:

b)

Sabemos que:

A=P.B.P -1

Entonces los datos nos dan los vectores propios con lo cual:

1 1 1
(
P= 0 1 −2
−1 1 1 )
De este hallamos su inversa la cual es:

3 6 −3
1
(
P−1= ∗ 2 2
6
2
1 −2 1 )
Además sabemos su diagonalización gracias a los valores propios dados también:

6 0 0
B= 0 6 0
(
0 0 12 )
Por tanto reemplazando en A=P.B.P-1 nos debe salir:

1 1 1 6 0 0
(
−1 1 1
∗
0 0 12)(
0 1 −2 0 6 0 ∗1
3 0 −3 )
A=
6
∗2 2 2
1 −2 1 ( )
7 −2 1
(
A= −2 10 −2
1 −2 7 )
 SISTEMA DE ECUACIONES DIFERENCIALES LINEALES DE
PRIMER ORDEN

Sea el sistema
d x1
=g1 (t , x 1 , x 2 , … , x n)
dt
d x2
=g2 (t , x 1 , x 2 ,… , x n)
dt
⋮
d xn
=gn (t , x 1 , x 2 , … , x n )
dt

Se trata de un sistema de n ecuaciones de 1er orden, se le conoce

como sistema de primer orden.
d x1
=a11 ( t ) x 1 +a12 ( t ) x 2+ …+a1 n ( t ) x n+ f 1 ( t )
dt
d x2
=a21 ( t ) x 1+ a22 ( t ) x 2 +…+a 2 n ( t ) x n + f 2 ( t )
dt
⋮
d xn
=a n1 ( t ) x 1+ an 2 ( t ) x2 +…+ ann ( t ) x n+ f n ( t )
dt

Se denomina sistema lineal, los coeficientes a ij , f i se supone son

continuos en un intervalo común I .
Cuando f i ( t )=0 ; i=1,2,3 , … , n se dice que el sistema lineal es
homogéneo.
Matricialmente se tiene
X ' = AX + F

x1 a11 ( t ) a12 ( t ) … a1 n ( t ) x 1 f 1 ( t )

( )(
d x2
dt ⋮
xn
⋮ ⋮
x
)( ) ( )
= a21 ( t ) a 22 ( t ) … a 2n ( t ) x 2 + f 2 ( t )
⋮
an 1 ( t ) an 2 (t ) … ann ( t ) n f n ( t )

Es homogéneo si X ' = AX
EJEMPLO
dx
=6 x+ y + z +t
dt

6 1 1 x t
dy
dt
=8 x+7 y−z+ 10t ⇒
'

(
2 9 −1 z)( ) ( )
X = 8 7 −1 y + 10 t
6t
dz
=2 x +9 y−z +6 t
dt

Un vector solución en un intervalo I es cualquier matriz columna de la forma que

satisface al sistema.
x1 ( t )

()
X = x2 ( t )
⋮
xn ( t )

Cuyos elementos son funciones diferenciales que satisfacen el sistema.

Un vector solución equivale a n ecuaciones escalares:

x 1=ϕ1 ( t ) , x 2=ϕ2 ( t ) , … , x n=ϕ n ( t )

 Y tienen la interpretación de un conjunto de ecuaciones paramétricas en el espacio.
METODO MATRICIAL PARA SISTEMAS DE PRIMER ORDEN CON COEFICIENTES
CONSTANTES
Sea el sistema homogéneo
dx 1
=a11 x1 + a12 x 2+ …+a1 n x n
dt
dx 2
=a21 x 1 +a22 x 2 +…+ a2 n x n
dt
…

dx n
=an 1 x 1 +a n2 x 2+ …+ann x n
dt

Donde los coeficientes a ij son constantes

El vector solución está dado por
λt 0 λt 0 λt 0
{ x 1=e x 1 , x 2=e x 2 , … , x n =e x n }
Para λ y x 0 constantes
n
λ e λt x 0i =∑ aij e λt x 0 j ; i=1,2 , … ,n
j=1

Dividiendo por e λt se obtiene

( a 11−λ ) x01 +a 12 x 02+ …+a1 n x 0n =0
a 21 x 01 + ( a22−λ ) x 02 +…+a 2n x 0n=0
…
a n1 x 01+ an 2 x 02 +…+(ann− λ) x 0n=0

El sistema de n ecuaciones lineales con n incógnitas x 01 , x 02 , … , x 0n

es homogéneo .Por consiguiente tiene una solución no nula si
y solo si se anula el determinante, es decir

a11−λ a 12 … a1 n

| a21
…
an 1
a 22−λ
…
an 2
… …
… ann−λ
|
… a2 n =0 , es decir det ( A−λI )=0
El polinomio característico asociado con el sistema de primer
orden determina las n raíces de la ecuación polinomica P ( λ )=0 ,
se llaman valores propios .Cada raíz determina un conjunto de
números x 01 , x 02 , … , x 0n y por lo tanto es una solución del sistema
de ecuaciones diferenciales.
Dos soluciones correspondientes a dos valores diferentes λ 1 , λ2
son linealmente independientes, entonces para todas las n
raíces distintas existirán n soluciones linealmente
independientes (LI), entonces la solución del sistema
homogéneo será la combinación lineal de estas n soluciones
LI.

PROBLEMA DE VALOR INICIAL

Sea t 0 un punto en un intervalo I donde x que depende de
t0

x 1 ( t0 ) γ1

( ) ()
X ( t 0 )= x 2 ( t 0 ) , X=
⋮
x n ( t0 )
γ2
⋮
γn
'
El problema consiste en resolver X = A X + F (t ) (t)

sujeto a X ( )=X , es un problema de valor inicial en

t0 0

el intervalo.

PRINCIPIO DE SUPERPOSICION
Sean x , x , … , x un conjunto de vectores solución
1 2 n

de un sistema homogéneo en un intervalo I

entonces la combinación lineal:

x=c 1 x1 +c 2 x2 +…+ c k x k
 En las que los C , i=1,2,3 , … , k son constantes
i

arbitrarias, también es una solución en el

intervalo.

TEOREMA.- Criterio para las soluciones

linealmente independientes.
Sean:
x 11 x 12 x1 n

() () ()
x 1= x 21 , x 2=
⋮
xn 1
x 22 , … , x =
⋮
x n2
n
x2 n
⋮
x nn

n vectores, solución del sistema homogéneo en

un intervalo I ⟹ el conjunto de vectores solución
es L.I. en I si y solo si el WRONSKIANO es
diferente de cero
x 11 x 12 … x 1n

[ ]
W ( x 1 , x 2 ,… , x n )= x 21 x 22 … x 2n ≠ 0
⋮ ⋮ ⋮
xn 1 x n2 … x nn

SISTEMA LINEAL HOMOGENEO CON COEFICIENTES CONSTANTES

Si una matriz A tiene n valores propios reales y distintos
λ 1 , λ2 , … , λn siempre es posible determinar un conjunto de n vectores
propios Linealmente independientes k 1 , k 2 , … , k n , donde:

x 1=k 1 e λ t , x 2=k 2 e λ t , … , x n=k n e λ t

1 2 n

El cual es un conjunto solución del sistema de ecuaciones diferenciales

homogéneo.
La solución general queda expresada por:
X =C1 k 1 e λ t +C2 k 2 e λ t +…+C n k n e λ t
1 2 n

Ejemplo: Resolver

X'= 2 3 X
( )
2 1

Solución:
Busquemos los valores y vectores propios de la matriz de los coeficientes:

A= (22 31 )
det ( A−λ Ι )= 2−λ 3 =0
2 |
1−λ |
λ 2−3 λ−4=( λ+1 ) ( λ−4 )=0
λ 1=−1 y λ 2=4
Para λ 1=−1

|32 32|→|10 10||xx |=|00|1

x 1+ x2=0⟹ x 1=−x 2

k 1= 1
( )
−1
Para λ 2=4

|−22 −33 |→|−20 30||xx |=|00| 1

−2 x1 +3 x 2=0

k 2= (32)
x 1= 1 e−1 t , x2 = 3 e 4 t
( ) ()
−1 2

x=c 1 (−11 ) e −1t

+c 2 (32) e 4t

VALORES PROPIOS REPETIDOS

Cuando los valores propios de una matriz A de orden nxn no necesariamente son
diferentes como por ejemplo en el sistema:

X=
'
(32 −18
−9
X )
det ( A−λ Ι )= 3−λ −18 =( λ+3 )2=0
| |
2 −9−λ
λ 1=λ2=−3
Es una raíz de multiplicidad algebraica 2, se obtiene el vector propio de modo que:

k 1= 3 es un vector propio , x = 3 e−3 t es la solucion del sistema

() ()
1 1
Observación:
m
En general si m es un entero positivo y ( λ−λ 1) es un factor de la ecuación característica,
m+1
mientras que ( λ−λ 1) no lo es, entonces se dice que λ 1 es un valor propio de
multiplicidad m.

Ejemplo: Resolver
1 −2 2
(
X ' = −2 1 −2 X
2 −2 1 )
Solución:
1−λ −2 2
|
det ( A−λ Ι )= −2 1−λ −2 =0
2 −2 1−λ |
λ 1=λ2=−1 y λ3=5
Para λ 1=λ2=−1

2 −2 2 1 −1 1 x1 0
| ||
−2 2 −2 → 0 0 0 x2 = 0
2 −2 2 0 0 0 x3 0 | | ||
x 1−x 2 + x 3=0

1 0
() ()
k 1= 1 ; k 2 = 1
0 1

1 0
() ()
x 1= 1 e−t , x 2= 1 e−t
0 1

Para λ 3=5
−4 −2 2 −1 0 1 x1 0
|
−2 −4 −2
2 −2 −4
→
||
0 1 1 x2 = 0
0 0 0 x3 0 | | ||
−x 1+ x3 =0
x 2+ x3 =0
 1 1
( ) ( )
k 3= −1 ; x3 = −1 e−5 t
1 1

1 0 1

0() () ( )
x= 1 e−t + 1 e−t + −1 e−5 t
1 1

FORMA CANONICA DE JORDAN

Sea una matriz cuadrada de orden nxn dicha matriz tiene n valores propios L.I.
λ 1 , λ2 , … , λn
La matriz diagonal D:
D=diag ( λ 1 , λ 2 , … , λn ) generan los vectores propios v 1 , v 2 , … , v n .

DEFINICION.- Sea λ ∈ R , se dice que la matriz es un bloque de Jordán si es de la forma:

λ10…0 0

( )
0 λ1…0 0
B ( λ )= 0 0 λ … 0 0
⋮⋮⋮ ⋱ ⋮ ⋮
000… λ 1
000…0 λ

B ( λ )es una matriz cuadrada de orden k con λ en la diagonal, cifras 1 como se indica y
cifras 0 en el resto.

Ejemplo: Sean las matrices de orden 1, 2, 3, 4 respectivamente (son formas canonícas de

Jordán)

3 1 0 0

)( )
−2 1 0
(−5 ) ,(10 1
0 10
0
)(
, 0 −2 1 , 0
0 −2
0
3
0
1
3
0
1
0 0 0 3

DEFINICION.- Una matriz de Jordán

B ( λ )=¿

Donde cada Bi ( λi ) es un bloque de Jordan

Ejemplo: Matrices de orden 2 x 2 ( λ0 0μ) λ y μ pueden ser iguales.

Matrices de Jordán de orden 3 x 3:
 λ 0 0 λ 1 0 λ 0 0 λ 1 0
( 0
0 )( )(
μ 0 , 0 λ 0 , 0 μ 1 , 0 λ 1
0 ϕ 0 0 μ 0 0 μ 0 0 λ )( )
TEOREMA: Sea A una matriz de orden nxm ⟹∃una matriz C invertible de orden n tal que
J=C −1 A C , donde J es una matriz de Jordan cuyos elementos en la diagonal son los
valores propios de A, la matriz de Jordan J es única salvo por el orden en el que aparecen
los bloques. Esta matriz se llama forma canónica de Jordán.

Ejemplo: Si A es semejante a la matriz de Jordán.

2 1 0 0 0 0

( )
0 2 1 0 0 0
0 0 3 1 0 0
0 0 0 3 1 0
0 0 0 0 3 0
0 0 0 0 0 5

Tambien lo es la matriz

2 1 0 0 0 0

( )
0 2 1 0 0 0
0 0 3 1 0 0
0 0 0 3 1 0
0 0 0 0 3 0
0 0 0 0 0 5

OBSERVACIONES

1. ¿Cómo saber si v es un vector propio de A?

Calcule el vector u=Av
v es vector propio si y solo si u es multiplo escalar de v , esto se puede hacer
formando la matriz ampliada y reduciendo a una forma escalonada, v es el
vector propio si el sistema es consistente.
2. ¿Cómo saber si ∝ es una valor propio de A?
Formar y reducir el sistema [ A−∝ Ι ] =[ 0 ] ∝ es un valor propio si y solo si el
sistema tiene al menos una variable libre.
3. ¿Cómo determinar la multiplicidad algebraica de un valor propio de A?
- Calcule el polinomio característico de A

P ( A )=det ( A−Ι t )

- Aplique división repetidamente para determinar cuantas veces divida r −α al

polinomio característico.
4. ¿Cómo determinar la multiplicidad geométrica de un valor propio de A?
Formar y reducir el sistema [ A−∝ Ι ] =[ 0 ] , el numero de variables libre es la
dimensión o multiplicidad geométrica del valor propio.
TEOREMA

1 ≤dim geom de λ ≤ multiplicidad algebraica de λ

TEOREMA

Si los vectores x 1 , x 2 , … , x k son vectores propios diferentes entonces {x 1 , x 2 , … , x k } es L.I.

Ejemplos

1. Diagonalizar la matriz A= (−22 −5

−1 )

Solución:
Calculamos los valores y vectores propios de la matriz A.

|2−λ
−2 −1−λ |
−5 =0 ⟹ λ ¿−3 , λ =4
1 2

λ=−3
5 −5 ⟶ 1 −1 ⟶ 1 −1 x = 0
|−2 2 | |
−1 1 0 0 y 0 | | || | | |
x− y =0 v 1= 1
1 ()
λ=4
−2 −5 ⟶ −2 −5 ⟶ 2 5 x = 0
|−2 −5 0 | |
0 0 0 y 0 | | || | | |
2 x+5 y =0 v 2= −5
2 ( )
1 −5
P=
1 2 ( )
Determinando P−1

|10 −1 1 0
0 0 1
⟶
1 0 2/7 5 /7
| |
0 1 −1/7 1 /7 |
P−1= 2/7 5/7 ( )
−1/7 1/7

2/7 5 /7 2 −5 1 −5 −3 0
−1
P A P= (−1/7 )(
1 /7 −2 −1 1 2
= )(
0 4 )( )
2. Diagonalizar para obtener la ecuación canónica de la siguiente cónica:
3 x −10 xy+ 3 y 2 −14 √ 2 x +18 √ 2 y +38=0
2

Solución: Expresar la ecuación en su forma matricial

(x y) (−53 −53 )( xy )+2 (−7 √2 9 √ 2) ( xy )+ 38=0 … (¿)

Hallamos los valores y vectores propios de la matriz
(−53 −5
3 )
|3−λ
−5 |
−5 = λ2−6 λ−16=( λ+2 ) ( λ−8 )=0
3−λ

Ortonormalización: La matriz P= (1/1/ √√ 22 −1/ √ 2

1/ √ 2 )
Planeando una rotación:

'
x = 1/ √ 2 −1/ √ 2 x
()(
y 1/ √ 2 1/ √ 2 y ' )( )
1 ' 1 ' 1 1 '
x= x− y , y = x' + y
√2 √2 √2 √2
Reemplazando en ( ¿ )

1 −1
¿(x
' '
y )1 x 2 ( −2 0
0 8 ) ( )
2 x2
x'

y' 2x 1
+2 (−7 √ 2 9 √2 )1 x2
( )()
√2
1
√2
√2
1
√2 2 x2
x'
y' 2x 1

2 2

¿−2 ( x' −2 x ' +1−1 ) +8 ( y ' −4 y ' + 4−4 ) +38=0

2 2
¿−2 ( x ' −1 ) +8 ( y' −2 ) + 8=0
2 2
¿−( x ' −1 ) + 4 ( y ' −2 ) + 4=0

Si: x '' =x ' −1

y ' ' = y ' −2

2 2

¿−x' ' + 4 y ' ' + 4=0

2

x' ' 2

H : − y ' ' =1
4

OBS: x'' y x'

y'
 x

y' '
3. Hallar la ecuación canónica de la siguiente cuádrica o cuadrática:

2 y 2+ 4 xy−8 xz −4 yz+ 6 x −5=0

Solución: Expresión matricial

0 2 −4 x x
(x y z) 2
( )( )
2 −2 y + ( 6 0 0 ) y −5=0 …(¿)
−4 −2 0 z z ()
Hallamos los valores y vectores propios:

−λ 2 −4
| |
2 2−λ −2 =0 ⟹ ( λ+4 ) ( λ−6 ) λ=0
−4 −2 − λ

Para λ 1=−4

4 2 −4 1 0 −1 x 0
|2 6 −2
−4 −2 4
⟶
||
0 1 0 y=0
0 0 0 z 0 | | ||
1
x−z=0
()
v1 = 0
1

y=0

Para λ 2=0

0 2 −4 0 1 −2 1 0 1 x 0
|2
||
2 −2 ⟶ 1 0 1 ⟶ 0 1 −2 y = 0
−4 −2 0 0 0 0 0 0 0 z 0 || | | ||
−1
x + z=0
()
v 2= 2
1

y−2 z=0
 Para λ 3=6

−6 2 −4 1 0 1 x 0
|2 −4 −2 ⟶ 0 1 1 y = 0
−4 −2 −6 0 0 0 z 0 | | | | ||
'
x 1/ √ 2 −1/ √ 6 −1/ √3 x

()( y = 0
z
2/ √ 6 −1/ √3 y '
1/ √ 2 1/ √ 6 1 / √3 z ' )( )
Luego:
'
−4 0 0 x x'

0 0 6 z' ( )( )
( x y z ) 0 0 0 y ' + ( 6 / √2 −6 / √ 6 −6/ √ 3 )1 x3 y '
z' ()3x 1
−5=0

2
6 ' 6 ' 6 ' 2

−4 x' +6 z ' + x− y − z −5=0

√2 √6 √3
2
6 ' 3 1 '
( ( )) ( 2
2 2

− 4x −
'

√2
x+
2 √2
'
+6 z −
√3
z + ( 1/2 √3 ) )
1
∗4
5∗8 9 2
−√ 6 y ' − + − =0
8 8 4
3 2 1 2 35
(
− 2 x'−
2 √2
+6 z ' −
2 √3 ) (
− √6 y ' +
8 √6
=0 ) ( )
Reemplazando por traslación:

3
2 x' − =x ' '
√2
1
z' − =z ''
2√ 3

35
y' + = y' '
8 √6
2 2
''
−x ' ' +6 z ' ' − √6 y =0

y' ' y' '

x'' x''
 6 z ' =√ 6 y ' '

z ''

y' '

Sea z ' ' =k

2

−x ' ' +6 √ 2 k− √6 y ' ' =0

2

−x ' ' − √6 y ' ' =−6 √ 2 k

Paraboloide hiperbólico

MATRIZ EXPONENCIAL

Es una función definida sobre las matrices cuadradas, se parece a la función exponencial.
Sea X una matriz cuadrada de orden n de números reales o complejos, la exponencial de x
∞
x xk
denotada por e =∑ ,es decir
k=0 k!
n
Ak A2 A 3
e A =lim ∑ =Ι + A+ + +…
n →∞ k=0 k! 2! 3!

PROPIEDADES

Sean X e Y dos matrices cuadradas de orden n, a y b son reales o complejos, donde Ο es la

matriz nula e Ι es identidad .

1. e Ο=Ι (identidad )
2. exp ( aX ) exp ( bX ) =e(a+b )X (linealidad)
3. exp ( X ) exp (−X )=Ι
−1
4. ( e A ) =e− A ( inversa )
5. det e X =etrazX ( relación traza , determinante )
6. exp X t =( exp X )t
7. Si XY =YX ⟹ e x e y =e x+ y =e y e x ( preservación de la conmutación )
'
8. Si Y es invertible ⟹ e yx y = y e x y −1
9. Acotaciónde la norma: |e A|≤ e‖A‖
10. Exponencial de una matriz nilpotente :
 Definida la exponencial de una matriz cuadrada:
A A2 A 3 An
e =Ι + A+ + +…+
2! 3! n!

Luego A tiene alguna potencia nula Ak =0 , A es nilpotente de orden k.

0 0 0
Ejemplo:
(
A= 1 0 0
0 1 0 )
0 0 0 0 0 0
2

(
1 0 0
3

) (
A = 0 0 0 ,A = 0 0 0
0 0 0 )
Las matrices de potencias superiores a 3 son nulas.

Luego:
0 0 0
(e )= 10
1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0
0 1 0

( )( ) (
1 0 + 1 0 0 + 0 0 0 + 0 0 0 +…
0 0 1 0 1 0
2
1 0 0
6
0 0 0 ) ( )
0 0 0
( )=
1 0 0 1 0 0
0 1 0
e
( 1 1 0
1/2 1 1 )
MATRICES DIAGONALES Y DIAGONALIZABLES

Si una matriz A es diagonal

a1 0 … 0

(
A= 0 a2 … 0
⋮ ⋮ ⋱ ⋮
0 0 … an
)
Una matriz M diagonalizable entonces M =P−1 DP donde D es la matriz diagonal y es una
matriz no singular, P puede elegirse como una matriz unitaria, la exponencial de matrices
diagonalizables se puede reducir a:

e M =P−1 e j P

EXPONENCIAL Y FORMA DE JORDAN:

- Matrices que admiten formas de Jordán

Las matrices cuadradas reales o complejas pueden ser interpretadas como expresiones en
una base dada de una aplicación lineal, mediante este hecho se puede expresar con mayor
comodidad la exponencial de una matriz.
Si A representa a la matriz de cierta aplicación lineal entonces la exponencial puede
obtenerse a partir de la forma canónica de Jordán, es decir:

M =P−1 JP
∞ k ∞
−1 ( P−1 JP ) P−1 J k P
e M =e P JP
=∑ =∑ =P−1 e J P
k=0 k! k=0 k!

e A , eJ

Entonces la expresión anterior representa la descomposición de Jordán de una matriz A ,

calcular e A, la exponencial de una matriz de Jordan se tiene:

J=¿

⟹ J n=¿

Si tenemos una matriz diagonal de bloque como la de Jordán, sus potencias resultan ser
una matriz diagonal de bloque, donde cada bloque es la potencia del correspondiente
bloque.

Ejemplo:

1 0 0
1. Sea la matriz A= 1

2
( )
3 0 , el polinomio característico de dicha matriz es:
1 1 1
P ( λ )= (1−λ ) ( 3−λ )
El polinomio mínimo coincide con m ( λ )=P ( λ )
Los valores propios son 1ma 2 y 3 de ma 1.
Se puede establecer la forma de Jordán y una matriz de paso P.

1 0 0 0 0 0
(
J= 1 3 0
1 1 3 ) (
P= 2 0 0
1 1 1 )
−1

e M =e P JP
=P−1 e J P

e 0 0
J

(
e =e e 0
0 0 e3 )
e
0 −e

( )
2
−1/2 0 0 e e 0 −2 0 0

1/4 (
e A =P−1 eJ P= −1 /12 −1/6 1/3 e e 0 1 0 2 = e
1/2 0 0 0 e3 0 3 1 4
−3 e
)( )( ) e3
e3 e
−
3 2
3e
0
4 2
2. Resolver:
x '1 ( t )=3 x 1 ( t )−x 2 ( t )
x '2 ( t )=−2 x 1 ( t ) +2 x 2 ( t )

Con x 1 ( 0 )=120 y x 2 ( 0 )=150

Solución:
x '1 (t ) x (t )
= 3 −1 1
( )('
x 2 (t ) −2 2 x 2 ( t ) )( )
Para (−23 −12 )
Buscando sus valores y vectores propios se obtiene: λ 1=1 y λ2 =4

v1 = 1 y v 2= 1
2() −1 ( )
Entonces:

C= 1 1 y C−1= −1 −1
−1
(
2 −1 −2 1 )3 ( )( )
J=D= ( 10 04)
et 0
e Jt = ( 0 e4 t )
Luego:

−1 1 1 e t 0 −1 −1
e At=Ce Jt C−1= ( )(
3 2 −1 0 e 4 t −2 1 )( )
−1 −e t−2 e 4 t −et +e 4 t
e At= (
3 −2 e t +2 e 4 t −2 et −e 4 t )
At
x (t ) −1 −et −2 e 4 t −et +e 4 t 120
( )
x t= 1 =e X 0=
x2 ( t ) (
3 −2 e t +2 e 4 t −2e t −e 4 t 150 )( )