Álgebra Lineal

Universidad Austral de Chile
Sede Puerto Montt
Ingenieria Civil Industrial
Algebra Lineal
CIBA 094-14
Pilar Johnson
Pilar Johnson Aburto
2 Centro de Docencia Superior en Ciencias Básicas

Índice general
1. Matrices 5
1.1. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. Inversión de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Matriz Escalonada Reducida por Fila . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5. Sistema de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1. Ejercicios de Pruebas Anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2. Espacios Vectoriales 29
2.1. Sub-espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2. Combinaciones Lineales y Dependecia Lineal . . . . . . . . . . . . . . . . . . . . . . . 33
2.3. Espacios Generados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4. Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5. Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6. Suma e Intersección de Espacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7. Suma Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.9. Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.10. Ortogonalidad y Ortonormalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.11. Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3. Transformaciones Lineales 57
3.1. Kernel o Núcleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2. Imagen o recorrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3. Transformaciones Lineales Biyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4. Algebra de Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5. Transformación lineal Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.6. Matriz Asociada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.7. Matriz Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.8. Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3
Pilar Johnson Aburto ÍNDICE GENERAL

Capı́tulo 1
Matrices
En este capı́tulo se introducirá el concepto de las matrices con sus operaciones y propiedades.
También estudiaremos el determinante y para terminar veremos resoluciones de sistemas de ecuaciones
lineales mediante matrices con la reducción de Gauss.
Definición 1. Una matriz de orden m×n con coeficientes reales, es un arreglo rectangular de números
reales, de m filas y n columnas, es decir:
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A= .
 
. .. .. 
 . . . 
am1 am2 ... amn
donde aij es un coeficiente que conforma la matriz , situado en la fila i y en la columna j.
Observación 1. Las matrices las denotaremos con letras mayúsculas de la forma A, B, C, ..., o indi-
cando su orden, es decir Am×n , o A = (aij ).
Ejemplo 1.
El coeficiente a32 denota el elemento situado en la fila 3 y en la columna 2 de la siguiente matriz A3×4 ,
es decir:
 
. . . .
A3×4 =  . . . . 
. a32 . .
Observación 2.
1) El conjunto de todas las matrices de orden m × n con coeficientes en R lo denotaremos por:
Mm×n (R) = {(aij ) : (aij ) es de orden m × n y aij ∈ R}
2) El conjunto de todas las matrices de orden n × n con coeficientes en R lo denotaremos por:
Mn (R) = {(aij ) : (aij ) es de orden n × n y aij ∈ R}
Definición 2. Dos matrices Am×n = (aij ) y Bp×q = (bij ) se dice que son iguales si y sólo si: m = p,
n = q y aij = bij con i = 1, ..., m, j = 1, ..., n.
5
CAPÍTULO 1. MATRICES
Ejemplo 2.
 
1 3
1 3
1)  2 −1  6= Fijarse que las matrices son de distintos ordenes, la primera matriz
2 −1
0 0
es de orden 3 × 2 y la segunda es de orden 2 × 2.

1 −1 0 0 −1 0
2) 6= Fijarse que el coeficiente a11 en cada matriz de orden 2 × 3
2 3 4 2 3 4
son distintos (1 6= 0).
Ejercicio 1.
a2 − a + 1 b

3 2a
Determine a y b en R de modo que las matrices , sean iguales.
a + 2b 1 6 1
1.1. Operaciones con matrices

Definición 3. Sean A = (aij ) y B = (bij ) matrices de orden m × n entonces la suma de A y B es la
matriz de orden m × n definida por
A + B = (cij ) donde cij = (aij + bij )
.
Ejemplo 3.

2 3 4 3 −3 −4
Sean A = yB= ∈ M2×3 (R) entonces la suma está definida de la
−1 7 1 −1 0 −7
siguiente forma:

2+3 3−3 4−4 5 0 0
A+B = =
−1 − 1 7 + 0 1 − 7 −2 7 −6
Definición 4. Sean α ∈ R y A ∈ Mm×n (R), entonces:
αA = Aα = (αaij )
este producto es llamado Producto por escalar.

Ejemplo 4.
 
1 0
Sea  −1 2  ∈ M3×2 y tomemos el escalar −5 ∈ R, entonces el producto por escalar queda dado
0 0
por:
   
1 0 −5 0
−5  −1 2  =  5 −10 
0 0 0 0
Definición 5.
Se llama Matriz Nula a la matriz 0 ∈ Mm×n (R) cuyas filas y columnas son nulas de la siguiente
forma:  
0 0 ... 0
 0 0 ... 0 
0m×n =  . .
 
..
 .. ..

. 
0 0 ... 0

Proposición 1. Sean A, B, C ∈ Mm×n (R) y α, β ∈ R entonces:
1) (A + B) + C = A + (B + C)
2) A + B = B + A
3) Existe la matriz 0 ∈ Mm×n tal que A + 0 = 0 + A = A
4) A + (−A) = 0m×n donde −A = (−aij )
5) α(A + B) = αA + αB
6) (α + β)A = αA + βA
Observación 3.
1) El conjunto Mm×n (R) con las operación de la adición cumple con las propiedades de ser un
Grupo Conmutativo y con las operaciones de adición y multiplicación por escalar cumple ser un
espacio vectorial.
2) Se llama Matriz inversa aditiva de A = (aij ) ∈ Mm×n (R)a la matriz −A ∈ Mm×n (R), donde
−A = (−aij ).
Definición 6. Sean Am×n = (aij ) y Bn×q = (bij ) definimos el producto de A y B como la matriz:
n
X
A · B = (cij )m×q donde cij = aik bkj
k=1
Ejemplo 5.
   
1 7 0 1 0
1) Sean A =  0 2 3  ∈ M3×3 y B =  1 −5  ∈ M3×2 entonces:
0 1 1 1 0
      
1 7 0 1 0 1 · 1 + 7 · 1 + 0 · 1 1 · 0 + 7 · (−5) + 0 · 0 8 −35
A·B =  0 2 3   1 −5  =  0 · 1 + 2 · 1 + 3 · 1 0 · 0 + 2 · (−5) + 1 · 0  =  5 −10 
0 1 1 1 0 0 · 1 + 1 · 1 + 1 · 1 0 · 0 + 1 · (−5) + 1 · 0 2 −5
   
1 0 1 7 0
Observar que B · A =  1 −5  ·  0 2 3  no se puede llevar a cabo la multiplicación, ya
1 0 0 1 1
que no coincide la cantidad de columnas de la B y la cantidad de filas de la A.

1 −3 1 √10
2) Sean A = yB= . Calcular AB y BA.
2 1 1 2
Desarrollo:
√
1 −3 1 √10 −2 10 − 3√2
AB = =
2 1 1 2
3 20 + 2
1 √10 1 −3 21
√ √7
BA = =
1 2 2 1 1 + 2 2 −3 + 2
Centro de Docencia Superior en Ciencias Básicas 7


1 7 3 1 2 0 8 1
3) Dadas las matrices: A = ,B= yC= .
−1 5 4 0 −4 −1 1/2 0
Determinar la matriz X tal que 2A + X − BC = 02×3
Desarrollo:
2A + X − BC = 0 \ −2A
−2A + 2A + X − BC = 0 − 2A
X − BC = −2A \ +BC
X − BC + BC = BC − 2A
X = BC − 2A
Luego:
1 7 3 2 14 6
2A = 2 =
−1 5 4 −2 10 8

1 2 0 8 1 −2 9 1
BC = =
0 −4 −1 1/2 0 4 −2 0
Ası́:
2 14 6 −2 9 1
X= −
−2 10 8 4 −2 0

4 −5 −5
Por lo tanto X =
−6 12 8
Ejercicio 2.

2 3 4 0 −1 1
1) Sean A = ,B= . Determinar la matriz X tal que A + 2X = 3B.
1 −1 0 2 3 4
2) Dadas las matrices A, B, C ∈ M3 (R)

     
2 −3 −5 −1 3 5 2 −2 −4
A =  −1 4 5  ; B =  1 −3 −5  ; C =  −1 3 4 
1 −3 −4 −1 3 5 1 −2 −3
Determinar X ∈ M3 (R) tal que:

1 2
2A + 3X = C · B
2 3
Observación 4. Dos matrices A y B conmutan si y sólo si AB = BA. Por lo general las matrices
no son conmutativas, pero existen algunas que si lo son.
Ejemplo 6.

1 2
Obtenga todas las matrices en M2 (R) que conmutan con
0 2
Desarrollo:

x y 1 2 1 2 x y x 2x + 2y x + 2z y + 2w
= ⇔ =
z w 0 2 0 2 z w z 2z + 2w 2z 2w

Es decir:
x = x + 2z
2x + 2y = y + 2w
z = 2z
2z + 2w = 2w
Resolviendo se obtiene que
y = 2w − 2x ∧ z=0
Ası́:
x y x 2w − 2x 1 −2 0 2
= =x +w
z w 0 w 0 0 0 1
Por lo tanto:

1 2 1 −2 0 2
Conm = x +w : x, w ∈ R
0 2 0 0 0 1

1 2
Denotamos el conjunto anterior como Conm ya que es el conjunto de todas las matrices
0 2

1 2
que conmutan con la matriz
0 2
Definición 7. Se llama Matriz Identidad a la matriz In ∈ Mn (R) la cual se caracteriza por su diagonal
de 1 y el resto de coeficientes cero, es decir:
 
1 0 ... 0
 0 1 ... 0 
In =  .
 
.. . 
 .. . .. 
0 0 ... 1
Proposición 2. Sean A, B, C matrices y suponiendo que cada suma y producto indicado existe, en-
tonces:
1) A(BC) = (AB)C
2) (A + B)C = AC + BC
3) A(B + C) = AB + AC
4) Sea A ∈ Mm×n (R) entonces existe In ∈ Mn (R) y Im ∈ Mm (R) tal que Im A = AIn = A
Definición 8. Si A es una matriz cuadrada de orden n. Se define, por recurrencia, la potencia de
una matriz como:
1) A0 = In
2) Ak+1 = Ak A con k ∈ N
Ejemplo 7.
 
0 −2 3
1) Sea A =  0 0 7 . Calcular A3 .
0 0 0
Desarrollo:
        
0 −2 3 0 −2 3 0 −2 3 0 0 15 0 −2 3 0 0 0
A3 =  0 0 7  0 0 7  0 0 7  =  0 0 0  0 0 7 = 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0


1 2
2) Dada la matriz A = y el polinomio p(x) = x3 + 3x + 1. Calcular p(A).
0 −1
Desarrollo:
p(A) = A3 + 3A + 1A0
3
1 2 1 2 1 0
= +3 +1
0 −1 0 −1 0 1
1 2 3 6 1 0
= + +
0 −1 0 −3 0 1
5 8
=
0 −3
Observación 5. A en el ejemplo7 la matriz se llama Matriz Triangular Estrictamente Superior,

debido a que forma un triángulo numérico no todos nulos en la parte superior de ella. Se llamará
Matriz Triangular Superior si considera la diagonal numérica no todos nulos para formar el triángulo.
Análogo para Matriz Triangular Estrictamente Inferior y Matriz Inferior.
Ejercicio 3.
1) Dadas las matrices A, B ∈ M2 (R)

1 2 1 5
A= ;B =
1 4 2 0
Calcular:
a) A + 2B
b) A2
c) (AB)2

1 1
2) Determine el conjunto de todas las matrices que conmuten con A =
0 0

2 1 3 0 −2 −5
3) Sean A = ,B= yC= y p(x) = (x − 3)(x − 1)
1 2 1 a 3 6
a) Calcular AC 2 A
b) Determinar el valor de a tal que p(B) = 0.
4) Decida si las siguientes proposiciones son verdaderas o falsas. Si son falsas dar un contraejemplo:
a) ∀A, B ∈ Mn (R) : (A − B)2 = A2 − 2AB + B 2 .

b) ∀A, B ∈ Mn (R) : (A − B)(A + B) = A2 − B 2 .
1.2. Inversión de Matrices

Definición 9. Sean A, B ∈ Mn (R).
1) Se dice que B es la matriz inversa de A si y sólo si AB = BA = In
2) Una matriz se dice regular (o invertible o no singular) si y sólo si existe inversa de ella .
Notación 1. Denotaremos A−1 como la inversa de A sobre la operación multiplicativa.

Teorema 1. Si existe una inversa de A en Mn (R) ella es única.

Observación 6. No toda matriz es regular.
Definición 10. Dada una matriz A de orden m × n. Llamaremos Operaciones Elementales Filas
(OEF) sobre A a cada una de las siguientes operaciones con filas de la matriz A.
1) Denotamos fij al intercambio de la fila i con la fila j.
2) Denotamos fi (k) a la multiplicación de la fila i por k, con k 6= 0.
3) Denotamos fij (k) a la multiplicación de la fila j por k y sumarsela con la fila i con i 6= j.
Teorema 2. Sea A ∈ Mn (R). Si al realizar un número finito de operaciones elementales fila a A se

f
obtiene la identidad, es decir A −
→ In entonces A es invertible.
Notación 2. Observar que la notación de la operaciones elementales filas pueden ser variadas y
equivalen decir lo mismo, las más recurrentes, para cada una de las definidas anteriormente son:
1) a) Denotamos fi fj al intercambio de la fila i con la fila j.
b) Denotamos fi (k) a la multiplicación de la fila i por k, con k 6= 0.
c) Denotamos (k)fi + fj a la multiplicación de la fila j por k y sumarsela con la fila i con
i 6= j.
2) a) Denotamos fij al intercambio de la fila i con la fila j.

b) Denotamos fi (k) a la multiplicación de la fila i por k, con k 6= 0.
c) Denotamos fi(k)+j a la multiplicación de la fila i por k y sumarla con la fila j con i 6= j.
Definición 11. Sea A ∈ Mm×n (R) y B ∈ Mm×p (R) entonces denotaremos por [A|B] a la matriz de
orden m × (n + p) formada por las columnas de A seguidas de las columnas de B. La cual llamaremos
Matriz Ampliada.
Observación 7.
Usando la notación dada en 2 podemos expresar en la forma:
f
→ [In |A−1 ], para A ∈ Mn (R) invertible
[A|In ] −
Esto nos da un método para hallar la inversa de una matriz (si existe).
Ejemplo 8.
 
1 2 6
Hallar, si existe, la inversa de  1 0 1 
0 1 2
Desarrollo:
     
1 2 6 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0
f12 f23
 1 0 1 0 1 0 − −→  1 2 6 1 0 0  −−→  0 1 2 0 0 1 
0 1 2 0 0 1 0 1 2 0 0 1  1 2 6 1 0 0 
1 0 1 0 1 0 1 0 1 0 1 0
f31 (−1) f32 (−2)
−−−−−→  0 1 2 0 0 1  −−−−−→  0 1 2 0 0 1 
 0 2 5 1 −1 0  0 0 1 1 −1 −2 
1 0 1 0 1 0 1 0 0 −1 2 2
f23 (−2) f13 (−1)
−−−−−→  0 1 0 −2 2 5  −−−−−→  0 1 0 −2 2 5 
0 0 1 1 −1 −2 0 0 1 1 −1 −2

Fijarse que la matriz del lado derecho es la matriz inversa multiplicativa, es decir:
   
−1 2 2 1 2 6
A−1 =  −2 2 5  es la matriz inversa de la matriz A =  1 0 1 
1 −1 −2 0 1 2
la cual cumple la propiedad A · A−1 = I3 .
Ejercicio 4.
 
3 −1 2
1) Sea A =  2 1 1 . Determinar A−1 .
1 −3 0
2) Sea A ∈ Mn (R) tal que cumple la siguiente ecuación I = 5A3 − 3A2 + 2A. Determine A−1 .
Definición 12. Una matriz elemental (M.E.) de orden n es la matriz identidad In luego de efectuarle
una operación elemental fila y la anotaremos del siguiente modo:
fij fi(k) fij(k)

In −−→ Fij ; In −−−→ Fii(k) ; In −−−→ Fij (k)
Ejemplo 9.
Tomando en cuenta el mismo ejemplo anterior, calculemos las Matrices Elementales de las operaciones
elementales realizadas anteriormente:
   
1 0 0 0 1 0
f12
 0 1 0 − −→  1 0 0  = F12
0 0 1 0 0 1
   
1 0 0 1 0 0
f23
 0 1 0 − −→  0 0 1  = F23
0 0 1 0 1 0
   
1 0 0 1 0 0
f13 (−1)
 0 1 0 − −−−−→  0 1 0  = F13(−1)
0 0 1 −1 0 1
Teorema 3. Toda matriz elemental es regular, y sus inversas están dadas por:
1) (Fij )−1 = Fij
2) (Fi(k) )−1 = Fi(k−1 ) con k 6= 0
3) (Fij(k) )−1 = Fij(−k) con i 6= j
Definición 13. Sean A, B matrices en Mm×n (R). Se dice que A es equivalente por fila a B si y sólo
F
si se obtiene por un número finito de operaciones elementales filas. En tal caso se denota por A −
→B
f
Teorema 4. Sea A ∈ Mn (R). Si A es equivalente por fila a la identidad, A −
→ In , entonces A es
producto de matrices elementales.
Ejemplo 10.
Del ejemplo anterior si multiplicamos la matriz A con las matrices elementales filas en el mismo orden
del cual hicimos las operaciones elementales filas obtenemos:
F31(−1) F32(−2) F23(−2) F13(−1) F23 F12 A = I3

Observar que la multiplicación de matrices es de adentro hacia afuera lo que hace que coincida con
el orden de las operaciones elementales filas.

Observación 8. De manera análoga a como se definieron conceptos relativos a las filas de una matriz,
se definen conceptos relativos a sus columnas. Ası́ tenemos:
1) Las operaciones elementales columnas se denotarán por: crs , ck(s) , crs(k)
2) Si A y B son equivalentes por columnas se anotará: A ∼c B
3) Las matrices elementales columna se denotarán por: Crs , Ck(s) , Crs(k)
4) Por cada matriz elemental columna C, hay asociada una operación elemental columna c y se
tiene que:
Si A ∈ Mm×n (R) entonces c(A) = A · C, donde C ∈ Mn (R), C = c(In )
5) Si A, B ∈ Mm×n (R), entonces:

A ∼c B ⇔ B = A · P,
donde P ∈ Mn (R) es producto de matrices elementales columnas.

A
6) Si denota la matriz formada por las filas de A seguidas de las filas de B, se tiene:
B

A In
∼c ,
In A−1
para A ∈ Mn (R) invertible. Esto nos dá otra forma de hallar la inversa de una matriz, si existe.
Ejercicio 5.
 
1 −1 1
1) Sea A =  −2 1 1 . Usando operaciones elementales:
1 −1 2
a) Determinar A−1
b) Exprese A−1 como producto de matrices elementales.
2) Sea A ∈ M2 (R) tal que A2 − A − I2 = 0. Demuestre que A es regular y encuentre su inversa.

1 2 2 4
3) Sabiendo que la inversa de la matriz A es y que la inversa de la matriz AB es
2 1 5 3
determine B ∈ M2 (R) .
1.3. Determinante
Definición 14. Sea A = (aij ) ∈ Mn (R), definimos el determinante de A, por recurrencia, como
número obtenido del siguiente modo:
1) Si n = 1, es decir, A = (a) entonces |A| = a
2) Si n > 1, entonces:

a11 a12 ... a1n
n
a a22 ... a2n X
|A| = 21 =
(−1)1+j a1j |A1j |
j=1
an1 an2 ... ann
donde |A1j | es el determinante de la submatriz, de orden n − 1, obtenida desde A al eliminar la

primera fila y la j-esima columna de A.

Ejemplo 11.

1 2
1)
= 1 · 4 − 2 · 3 = −2
3 4

1 1 2
(1+1)
2 −1 (1+2)
0 −1 (1+3)
0 2
2) 0
2 −1 = (−1)
· 1
+ (−1) · 1 + (−1) · 2
1 −2 −2 3 1 3 1 −2
3
= 1(6 + 2) − 1(0 + 1) + 2(0 − 2) = 3
Teorema 5. Sea A ∈ Mn (R) y sean i, j ≤ n entonces
1) Determinante por la i-ésima fila fija

n
X
|A| = (−1)i+k aik |Aki |
k=1
Donde |Aki | es el determinante de la submatriz que se obtiene, eliminando la i-ésima fila y la

k-ésima columna de A.
2) Determinante por la j-ésima columna fija

n
X
|A| = (−1)k+j akj |Akj |
k=1
Donde |Akj | es el determinante de la submatriz que se obtiene, eliminando la k-ésima fila y la

j-ésima columna de A.
Observar que el teorema anterior nos da la facilidad de tomar el cálculo del determinante por
cualquier fila o columna.
Ejemplo 12.
 
2 2 3 0
 1 0 5 −1  . Hallar |A|.
Sea A =  −7 1 2 2 
2 0 1 −1
Utilizando lo anterior
elijamos la columna que contiene más ceros:
1 5 −1 2 3 0 2 3 0
1+2
2+2
3+2

|A| = (−1) · 2 −7 2
2 + (−1)
· 0 −7 2
2 (−1)
· 1 1 5 −1 + (−1)4+2 ·

2 1 −1 2 1 −1 2 1 −1

2 3 0

0 1 5 −1
−7 2 2
= −2(−8) − 1(−11) = 27
Ejercicio 6.
1) Sean A y B ∈ M3 (R)
   
1 0 2 1 0 0
A =  0 1 3 , B =  1 −2 3 
−1 2 4 4 2 0

a) Calcular el valor de |AB| , 3 |A| , |−2B| , A5 y At A
b) Calcule |A| + |B| , |A + B| . ¿Qué se puede deducir de lo anterior?

2) Procediendo como en el ejemplo 12 calcular el determinante de

 
1 1 1 1
 1 2 3 4 
B=
 1

3 1 0 
1 0 3 0
3) Calcular el valor del determinante de las siguientes matrices, desarrollando por una fila o co-
lumna    
2 0 0 0 3 −1 2 1
 0 0 3 0   4 3 1 −2 
A=  0 −1 0 0  , B =  −1 0
  
2 3 
0 0 0 4 6 2 5 2
Observación 9.
1) Si A es una matriz diagonal entonces el determinante de A es la multiplicación de los elementos

de la diagonal,es decir:
|A| = a11 a22 · · · ann
2) El determinante de la identidad es 1, es decir: |In | = 1
3) El determinante de las matrices triangulares superiores o inferiores es la multiplicación de la

diagonal.
4) Sea A ∈ Mn (R). Si todos los coeficientes de cualquier fila o columna de A son ceros entonces
|A| = 0.
Ejemplo 13.

1 0 0
= 1 2 0 − 0 0 0 + 0 0 2

0 2 0 = 1(2 · 3 − 0) = 6
0 3 0 3 0 0
0 0 3
Definición 15. Sea A = (aij ) ∈ Mm×n (R). Se llama matriz traspuesta de A a la matriz:
At = (aji ) ∈ Mn×m (R)
Proposición 3. Sean A, B ∈ Mm×n (R), α ∈ R, entonces:
1) (A + B)t = At + B t .
2) (At )t = A.
3) (AC)t = C t At donde C ∈ Mn×l (R).
4) (αA)t = αAt
Definición 16.
1) Sea A ∈ Mn (R) es matriz simétrica si y sólo si At = A
2) Sea A ∈ Mn (R) es matriz antisimétrica si y sólo si At = −A
Ejemplo 14.

1) Sea A una matriz invertible de orden n, demostrar que, si A es simétrica entonces A−1 es
simétrica.
Desarrollo
Como A es una matriz invertible entonces se cumple que AA−1 = In pero A = At entonces
At A−1 = In
es decir que la matriz inversa de At es A−1 entonces: A−1 = (At )−1 . Por lo tanto A−1 es
simétrica.
2) Resuelva la siguiente ecuación matricial para X ∈ M3 (R):
X t (AB)t − 3A(B −1 )t = At − 3At (B t )−1 .

   
0 −1 1 1 0 0
Donde A =  −1 0 −1  , B =  −5 1 6 .
1 −1 0 −2 0 3
Desarrollo
X t (AB)t − 3A(B −1 )t = At − 3At (B t )−1

⇔ X t B t At − 3A(B t )−1 = At − 3At (B t )−1 /pues B es invertible (N)
⇔ X t B t A − 3A(B t )−1 t
= A − 3A (B )t −1 /pues A es simétrica
⇔ X tBtA = A /A−1 por derecha . A es invertible (F)
⇔ X tBt = I3 /()t
⇔ BX = I3 /B −1 por izquierda
⇔ X = B −1
1 0 0
1 6
N det(B) = −5 1 6 = = 3 6= 0
0 3
−2 0 3
0 −1 1
−1 −1 −1 0
F det(A) = −1 0 −1 = + = 1 + 1 = 2 6= 0
1 0 1 −1
1 −1 0
Cálculo de B −1
     
1 0 0 1 0 0 f21 (5) 1 0 0 1 0 0 1 0 0 1 0 0
 −5 1 6 0 1 0  −→  0 1 6 5 1 0  f23 (−2)  0 1 0 1 1 −2 
−→
−2 0 3 0 0 1 f31 (2) 0 0 3 2 0 1 0 0 3 2 0 1
 
1 0 0 1 0 0
f3 ( 31 )
 0 1 0 1 1 −2 
−→
0 0 1 23 0 31
Por lo tanto tenemos que  
1 0 0
B −1 =  1 1 −2  = X
2 1
3 0 3

Teorema 6. Sea A, B ∈ Mn (R), k ∈ R. Entonces:
1) A es invertible si y sólo si |A| =

6 0
2) |A · B| = |A| · |B|
3) |At | = |A|
4) |k · A| = k n |A|
1
5) |A−1 | = cuando |A| =
6 0
|A|
6) |(AB)−1 | = B −1 A−1
Ejemplo 15.
Sea A ∈ M3 (R), tal que |A| = 2.
1 1 1
Encuentre el valor de la expresión: |At | + 2|A−1 | + |A3 | + 4| A|
2 8 2
Desarrollo:
3
1 t 1 1 1 1 1 1
|A | + 2|A−1 | + |A3 | + 4| A| = |A| + 2 + |A||A||A| + 4 |A|
2 8 2 2 |A| 8 2
= 1+1+1+1
= 4
Proposición 4. Sea A, B ∈ Mn (R)

fij
1) Si A −−→ B entonces |B| = −|A|
fi(k)
2) Si A −−−→ B entonces |B| = k|A|
fi(k)+j
3) Si A −−−−→ B entonces |B| = |A|
4) |Fij | = −1 , |Fii(k) | = k y |Fij(k) | = 1
Ejemplo 16.
 
2 2 3 0
 1 0 5 −1 
Calculemos el determinante de la matriz A = 
 −7
 con operaciones elementales filas.
1 2 2 
2 0 1 −1

16 0 −1 −4
16 −1 −4
1 0 5 −1 3+2

|A| f1+(−2)3 = (−1) 1 5 −1
−−−−−−−→ −7 1 2 2

2 1 −1
2 0 1 −1
Ahora calculemos el determinante de la matriz de orden 3:
     
16 −1 −4
f1(−1) −16 1 4 f2+(−5)1 −16 1 4

−  1 5 −1 −−−−→  1 5 −1 −−−−−→  81 0 −21
f
2 1 −1 2 1 −1 3+(−1)1 18 0 −5
= (−1)1+2 · 1(81 · (−5) − 18 · (−21)) = 27

Definición 17. Dada una matriz A ∈ Mn (R), se define la matriz adjunta de A:
Adj(A) = (cij )t donde cij = ((−1)i+j |Aij |)ij
Teorema 7. Para toda matriz A ∈ Mn (R) se cumple:
A · Adj(A) = Adj(A) · A = |A|In
Corolario 1. Si A es una matriz regular entonces:
1
A−1 = Adj(A)
|A|
Ejemplo 17.
 
1 2 1
Hallar, si existe, la inversa de A por método de la adjunta, para A =  0 3 2 
−2 0 −1
Desarrollo:
Primero corroboremos que existe la inversa de la matriz A con el determinante distinto de cero:
|A| = 0 − 3(−1 + 2) + 2(0 + 4) = −3 + 8 = 5 6= 0. Por lo tanto existe inversa.
Luego  
c11 c12 c13
Adj(A) = (Aij )t =  c21 c22 c23 
c31 c32 c33
donde
3 2 0 2 0 3
c11 = = −3 c12 = − = −4 c13 = = 6
0 −1 −2 1 −2 0
2 1 1 1 1 2
c21 = − = 2 c22 = = 1 c23 = − = −4
0 −1 −2
−1 −2 0
2 1 1 1 1 2
c31 = = 0 c32 = − = −2 c33 = = 3
−2 −1 0 2 0 3
Ası́:  t  
−3 −4 6 −3 2 0
Adj(A) =  2 1 −4  =  −4 1 −2 
0 −2 3 6 −4 3
 
−3 2 0
1
Luego: A−1 = −4 1 −2 
5
6 −4 3
Ejercicio 7.
1) Dada la matriz  
1 2 4
A =  3 8 −2 
2 0 4
se pide:
a) Hallar la matriz Adj (A)

b) Calcular |A|

c) Comprobar que A · Adj (A) = Adj (A) · A = |A| I3

d) Calcular A−1
2) Determine a y
b para que la matriz sea regular, en cada caso:
 
10 0
a) A =  0 a 1 
01 b
 
a 0 1
b) B =  1 b 1 
−1 1 1
3) Sea A ∈ M2 (R). Pruebe que adj(adj(A)) = A
4) Sea A ∈ M5 (R), antisimétrica. Pruebe que det(A) = 0
5) Compruebe que el producto de dos matrices triangulares inferiores es triangular inferior.
6) Demostrar que si A es simétrica o antisimétrica, entonces A2 es simétrica.
1.4. Matriz Escalonada Reducida por Fila

Definición 18. Una matriz E ∈ Mm×n (R) se dice escalonada reducida por fila si y sólo si:
1) El primer elemento no cero de cada fila no nula es 1.
2) Cada columna que tiene no nulo el primer elemento de alguna fila, tiene todos sus otros elementos
cero.
3) El primer elemento no nulo de cada fila está a la derecha del primer elemento no nulo de la fila
anterior.
4) Las filas nulas, si las hay, van al final.
Observación 10. Las matrices identidad y nula son siempre matrices escalonadas reducidas por filas
(M.E.R.F.).
 
1 2 3 0
Ejemplo 18. 1) La matriz  0 0 0 1  es una matriz M.E.R.F.
0 0 0 0
 
1 2 3 4
2) La matriz  0 0 0 1  No es una matriz M.E.R.F.
0 0 0 0
Teorema 8. Toda matriz A ∈ Mm×n (R) es equivalente por fila a una única M.E.R.F.
Ejemplo 19.
Hallar la forma escalonada reducida por filas a la matriz
 
0 0 0 0 1 1 1
 0 2 6 2 0 0 4 
A=  0

1 3 1 1 0 1 
0 1 3 1 2 1 2

   
0 1 3 1
0 2 0 0 1 3 1 0 0 2
f12  0 0 0 0
1 1  1 f4+1(−1)  0 0 0 0 1 1 1 
A −−−−→   −− −−−→  
f1 (1/2)  0 1 3 1
0 1 1 f3+1(−1)  0 0 0 0 1 0 −1 
0 1 3 1
1 2 2 0 0 0 0 2 1 0
   
0
1 3 1 0 0 2 0 1 3 1 0 0 2
f3+2(−2)  00 0 0 1 1 1  f3(−1)  0 0 0 0 1 1 1 
−−−−−→   −−− −−→  
f3+2(−1)  00 0 0 0 −1 −2  f3+4(−1)  0 0 0 0 0 1 2 
0 0 0 0 −1 −2
0 0 0 0 0 0 0 0
 
0
1 3 1 0 0 2
f2+3(−1)  00 0 0 1 0 −1 
−−−−−→   0

0 0 0 0 1 2 
0
0 0 0 0 0 0
 
0 1 3 1 0 0 2
 0 0 0 0 1 0 1 
Observación 11. La matriz 
 0 0 0 0 0 1 2  es la Matriz escalonada reducida por fila.

0 0 0 0 0 0 0
Definición 19. Sea A ∈ Mm×n (R). Se llama Rango de A al número de filas no nulas de la matriz
escalonada reducida por filas de A.
Notación 3. Denotamos Rg(A) para Rango de la matriz A.
Proposición 5. Sea A, B ∈ Mm×n (R) entonces: A → B si y sólo si: Rg(A) = Rg(B).
Ejemplo 20.
 
1 2 −1 2 3
Sea A =  2 3 1 2 4 . Determinar el Rg(A).
3 4 −2 1 5
     
f2+1(−2)
1 2 −1 2 3 f3+2(2)
1 2 −1 2 3 f3(−1/5)
1 2 −1 2 3
A −−−−−→  0 −1 3 −2 −2  −−−−→  0 1 −3 2 2  −−−−−→  0 1 −3 2 2 
f3+1(−3) f2(−1)
0 −2 1 −5 −4 0 0 −5 −1 0 0 0 1 1/5 0
Por lo tanto Rg(A) = 3
Ejercicio 8.
 
1 2 1 −2 3
Sea B =  2 3 2 1 4 . Determinar el Rg(B).
3 4 3 4 5
Teorema 9. Sea A ∈ Mn (R). Son equivalentes:
1) A es no singular
2) Rg(A) = n
3) A es equivalente a In mediante Operaciones Elementales Filas.
Ejemplo 21.
 
1 −1 2
Sea A =  1 5 4  Determinar el rango de A.
3 2 −3
       
1 −1 2 f3+3(1)
1 −1 2 f2(1/4)
1 −1 2 f3+2(−5)
1 0 7/2
 1 5 4  −−−−→  0 4 6  −−−−→  0 1 3/2  −−−−−→  0 1 3/2 
f2+1(1) f1+2(1)
3 2 −3 0 5 −9 0 5 −9 0 0 −33/2

   
f3(−2/33)
1 0 7/2 f2+3(−3/2)
1 0 0
−−−−−→  0 1 3/2  −−−−−−→  0 1 0 
f1+3(−7/2)
0 0 1 0 0 1
Luego Rg(A) = 3. Además observe que A es invertible. Más aún, para hallar el rango de una
matriz cualquiera, bastarı́a con determinar una matriz equivalente por filas a ella que verifique las
condiciones 3 y 4 de la definición 18. El número de filas no cero será el rango de la matriz. Las
matrices que cumplen estas dos condiciones se denominan matrices escalonadas por filas.
Observación 12. Puede definirse matriz escalón reducida por columnas y matriz escalonada por
columnas y demostrarse que el rango, el número de columnas no cero, ası́ obtenido coincide con el ya
definido anteriormente.
   
1 2 0 0 2 3 −1 1
Ejercicio 9. 1) Dadas las matrices A = 1 1 −1 1 y B = 0 4 −3 0
2 −1 2 1 1 −2 3 0
a) Determine la matriz Escalonada Reducida por fila
b) La matriz A es equivalente por fila a B? Justifique.
2) Dada la matriz  
a 2a − 1 3 1
 1 1 1 1 
A= 
 0 −1 0 1 
3 5 3 a
determinar el rango de A según los valores del parámetro real a.
1.5. Sistema de Ecuaciones Lineales

Definición 20. Un sistema de ecuaciones lineales de n variables, es un conjunto finito de ecuaciones
lineales de n variables cuyas incognitas son comunes. Ası́ entonces:
    
a11 x1 +a12 x2 + · · · + a1n xn = b1 a11 a12 . . . a1n x1 b1
a21 x2 +a22 x2 + · · · + a2n xn = b2  a21 a22 . . . a2n   x2   b2 
.. ⇔  ..   ..  =  .. 
    
.. .. ..
. .  . . .   .   . 
an1 x1 +an2 x2 + · · · + ann xn = bn an1 an2 . . . ann xn bn
Que es equivalente a AX = B donde A es la matriz de coeficientes X es la matriz incognita y B es la

matriz constante.
Definición 21. El conjunto de solución de un sistema de ecuaciones lineales puede ser descrito de la
forma:     
 α1
 α1 

 ..   .. 
S =  .  ∈ Mn×1 (R) : A  .  = B
 
αn αn
 
Observación 13. La solución también puede aparecer como elementos en Rn , es decir:

   

 α1 

n  .. 
S = (α1 , ..., αn ) ∈ R : A  .  = B
 
αn
 
Definición 22. Diremos que dos sistemas de ecuaciones lineales son equivalentes si y sólo si tienen
el mismo conjunto de solución.

Teorema 10. Un sistema de ecuaciones lineales admite las siguientes transformaciones manteniendo
(invariante) su conjunto solución.
1) Intercambiar dos ecuaciones.
2) Multiplicar un escalar no nulo por una ecuación
3) Reemplazar una ecuación por k veces otra ecuación.
Corolario 2. Dos sistemas de ecuaciones son equivalentes si y sólo si tienen matrices aumentadas
equivalentes por filas.
Definición 23. Sea AX = B un sistema de ecuaciones. Diremos que un sistema es inconsistente si

y sólo si su conjunto solución es el conjunto es vacı́o. En caso contrario diremos que el sistema es
consistente.
Ejemplo 22.
1) Resolver:

1 2 x 1
=
2 1 y 3
Observemos que

1 2 x 1 1x + 2y 1 x + 2y = 1
= ⇔ = ⇔
2 1 y 3 2x + y 3 2x + y = 3

1 2 1 f(−2)2+1 1 2 1 f(−1/3)2 1 2 1 f(−2)2+1 1 0 5/3
−−−−−→ −−−−−→ −−−−−→
2 1 3 0 −3 1 0 1 −1/3 0 1 −1/3
Si interpretamos de forma correcta se tiene que:

1 0 x 5/3 x 5/3
= ⇔ =
0 1 y −1/3 y −1/3

5 −1
Por lo tanto S = , es la solución, es decir el sistema es consistente.
3 3
2) Resolver:

1 2 x 1 x + 2y = 1
= ⇔
2 4 y 3 2x + y = 3
Luego

1 2 1 f(−2)1+2 1 2 1 1 2 x 1 x + 2y = 1
−−−−−→ ⇒ = ⇔
2 4 3 0 0 1 0 0 y 1 0x + 0y = 1
Contradicción.
Por lo tanto S = ∅ el sistema es inconsistente.
3) Resolver:
x+y−z = 1
2x − 3y + 2z = 2
3x − 2y + z = 3

     
1 1 −1 1 f(−2)1+2
1 1 −1 1 f(−1)2+3
1 1 −1 1
 2 −3 2 2  −− −−−→  0 −5 4 0  −−−−−→  0 −5 4 0 
f(−3)1+3
3 −2 1 3 0 −5 4 0 0 0 0 0
   
f(−1/5)2
1 1 −1 1 f(−1)2+1
1 0 −1/5 1
−−−−−→  0 1 −4/5 0  −−−−−→  0 1 −4/5 0 
0 0 0 0 0 0 0 0
z 4z z 4z
Luego interpretando la matriz se tiene: x − = 1, y − = 0. Por lo tanto x = 1+ , y = ,
5 5 5 5
z ∈ R Por lo tanto la solución se escribe:
      
 x 1 1/5 
S =  y  =  0  + α  4/5  : α ∈ R
z 0 1
 
Definición 24. Dado el sistema AX = B. Diremos que el sistema es homogéneo si y sólo si B = 0.

En caso contrario se dice que el sistema es no homogéneo.
Teorema 11. Dado un sistema Am×n Xn×1 = Bm×1 con E matriz escalonada reducida por fila de A
y [A|B] → [E|b] entonces se cumple:
1) Si Rg[E|b] > Rg[E], entonces el conjunto solución del sistema es vacı́o.
2) Si Rg[E|b] = Rg[E] < n◦ de incognitas, entonces el conjunto de solución del sistema es infinito.
3) Si Rg[E|b] = Rg[E] = n◦ de incognitas, entonces el conjunto solución del sistema tiene un único
elemento.
Ejemplo 23.
1) Determine condiciones para a ∈ R, si es posible de modo que el sistema:
x1 + x2 + x3 = 1
2x1 + x3 = a
x1 − 2x2 + x3 = 1
La matriz ampliada mediante operaciones elementales filas:
   
1 1 1 1 1 0 0 a−1
 2 0 1 a ∼ 0 1 0 0 
1 −2 1 1 0 0 1 2−a
Luego si a = 2 entonces Rg[E|b] = Rg[E] = n◦ de incognitas. Por lo tanto solución única. si

a 6= 2 entonces Rg[E|b] = Rg[E] = n◦ de incognitas. Por lo tanto solución única. Análogo para
a=1
Por lo tanto, para todo a ∈ R el sistema tiene única solución.
2) Determine condiciones para c ∈ R si es posible para que el sistema tenga solución:
x + y + cz = 0
3x + 4y + 2z = 0
2x + 3y − z = 0
   
1 1 c 1 0 4c − 2
 3 4 2  ∼  0 1 2 − 3c 
2 3 −1 0 0 c−3

Luego si c 6= 0 entonces Rg[E|b] = Rg[E] = n◦ de incognitas. Por lo tanto solución única. Si

c = 0 entonces Rg[E|b] = Rg[E] < n◦ de incognitas. Por lo tanto tiene infinitas soluciones.
Además no existe posibilidad para que Rg[E|b] > Rg[E] ya que el sistema es homogeneo.
3) Determine condiciones para b ∈ R para que el sistema tenga solución:
x + y + bz = 3
x+y+z = 2

1 1 b 3 1 1 b 3
∼
1 1 1 1 0 0 1 − a −1
Luego si a = 1 entonces Rg[E|b] = Rg[E] < n◦ de incognitas. Por lo tanto infinitas soluciones.
Si a 6= 1 entonces Rg[E|b] > Rg[E] por lo tanto solución vacı́a.
Ejercicio 10.
1) Dado el sistema
x+y−z = 1
2x − 3y + 2z = 3
3x − 2y + az = b
Determinar a y b de modo que el sistema tenga infinitas soluciones
2) Según los parámetros ∧, µ analizar el sistema de cuaciones:
∧x + y + z = 1
x + ∧y + z = µ
x + y + ∧z = 2µ
De modo que tenga única solución, tenga solución vacı́a y tenga infinitas solucines.
3) Dado el sistema de ecuaciones:
x+y+z+w = 0
x = y+1
a) Encontrar el conjunto de solución.

b) Determine una solución particular del sistema de ecuación.
Observación 14. Si A ∈ Mn (R) es regular entonces el sistema AX = B tiene solución única dada
por X = A−1 B.
Teorema 12. (Regla de Cramer) Sea A matriz de orden n, B en Rn tal que M= |A| =
6 ∅ entonces el
sistema AX = B tiene única solución X = (x1 , x2 , . . . , xn ) y

a11 b1 . . . a1n

Mi a21 b2 . . . a2n
xi = , i = 1, . . . , n donde Mi =

.. .. ..
M

. . .

an1 bn . . . ann
.

Ejemplo 24.
x1 − x2 + x3 = 7
Resolver por Regla de Cramer, el sistema −x1 + 2x2 − x3 = 1 Veremos si el sistema tiene única
2x1 − x2 + x3 = 0
solución:

1 −1 1

−1 2 −1 = 1(2 − 1) + 1(−1 + 2) + 1(1 − 4) = −1 6= 0. Por lo tanto el sistema tiene única

2 −1 1
solución.
Luego calulamos cada
una de los coeficientes de la matriz incognita:
7 −1 1
7
x1 : 1 2 −1 = 7(2 − 1) − 1(−1 + 1) = 7 Por lo tanto x1 = = −7.
0 −1 −1
1

1 7 1

x2 : −1 1 −1 = 2(−7 − 1) + 1(1 + 7) = −8 Por lo tanto x2 = 8.

2 0 1

1 −1 7

x3 : −1 2 1 = −22 Por lo tanto x3 = 22.
2 −1 0
Ası́ la solución queda expresada como: S = {(−7, 8, 22)}
Ejercicio 11.
1) Dado el sistema de ecuaciones lineales
2x1 + 3x2 + x3 − x4 + x5 = 4
−x1 + x2 + 7x4 − x5 = 2
3x1 + 2x2 − x3 + x5 = 1
−x2 + 2x3 + x4 − 3x5 = 0
se pide:
a) Escribirlo en forma matricial

b) Determinar la matriz de coeficientes y la matriz ampliada
2) Encontrar el conjunto solución y determine una solución particular del siguiente sistema de
ecuaciones
x+y+z+w = 0
y+1 = x
3) Estudiar la existencia de solución para los distintos valores de los parámetros reales a y b en los
sistemas
x1 + x2 + x3 = 3 2x1 − 3x2 + 5x3 = b
(1) x1 − x2 + x3 = 1 (2) −x1 + 7x2 − x3 = 0
2x1 + ax3 = b 4x1 − 11x2 + ax3 = 0
4) En los siguientes sistemas lineales
x+y−z =2 ax − 2y + z = 1
(a) x + 2y +
z=3 ; (b) x + ay + 2z = a
x + y + a2 − 5 z = a x+z =a
x + y + az = 3
(c)
ax + y + z = 2
determinar para qué valores del parámetro real a, el sistema posee solución(es)
a : vacı́a b : única c : infinitas

1.5.1. Ejercicios de Pruebas Anteriores

1 7 3 1 2 0 8 1
1) Dadas las matrices: A = ,B= yC= . Determinar
−1 5 4 0 −4 −1 1/2 0
la matriz X tal que 2A + X − BC = 02×3
 
1 0 2
2) Sea D =  0 1 3. Calcule el determinante de D y justifique si es regular.
−1 2 4
 
1 1 1
3) Sea E = 1 2 4. Calcule, si existe, la matriz inversa de E.
0 1 4
4) Dado el sistema de ecuaciones:

x+y+z = 0
3x + 4y + 2z = 0
2x + 3y − az = 0
Determine para qué valores de a ∈ R el sistema tiene:
a) Infinitas soluciones.
b) Solución vacı́a.
c) Única solución.
5) Determine si las siguientes afirmaciones son Verdaderas o falsas. Justifique si son verdaderas y
de un contra ejemplo para las falsas.
a) La matriz A = (aij ) ∈ M3 (R) dada por:


 i(j + 1)
i=j
aij = 2
 0 i 6= j
para i, j = 1, 2, 3. es una matriz diagonal.

b) Sea A, B ∈ Mm×n (R). Si AB = 0 entonces A = 0 ∨ B = 0.
 
0 2 3
c) Sea A = 0 0 −1 y p(x) = x3 + 4x2 + x − 5 entonces p(A) = 0.
0 0 0
 
1 0 2
6) Sea A =  0 1 3. Calcule la matriz inversa de A.
−1 2 5
 
1 1 + k −2
7) Sea B = 0 1 −3 . Determine el o los valores de k ∈ R de modo que la matriz B sea
1 −2 k − 1
invertible.
8) Dado el sistema en x, y, z, w
x − y + 3z + w = −3
x + 4y − z + w = 6
x − y + 2az + w = b

a) Determine todos los valores de a, b ∈ R, si existen, de modo que el sistema tenga

i. Solución única.
ii. Solución vacı́a.
iii. Infinitas soluciones.
b) Para a = 1 y b = −2, explicite la solución.


Capı́tulo 2
Espacios Vectoriales
En este capitulo se estudián las propiedades de un conjunto para que sea reconocido como un espa-
cio vectorial y propiedades especificas que tienen estos consigo. Luego estudiaremos las operaciones que
se pueden hacer con estos conjuntos, como por ejemplo los subconjuntos de espacios vectoriales, la in-
tersección de espacios vectoriales, la unión de espacio vectoriales, la suma de espacios vectoriales y una
suma espacial que se da en estos conjuntos que se llama suma directa. En este capitulo terminaremos
con el concepto de Producto Interno y la relación que tiene esto con los espacios vectoriales.
Definición 25. Sea R un cuerpo, y V un conjunto con las siguientes operaciones:
V ×V → V R×V → V
+: ·:
(x, y) → x+y (k, x) → k·x
se dice que (V, +, ·) es un espacio vectorial sobre R o un R-espacio vectorial con las operaciones
definidas, si y sólo si cumple con:
1) (V, +) es un Grupo Abeliano, es decir:
a) Asociatividad: (∀x, y, z ∈ V se cumple: (x + y) + z = x + (y + z))

b) Existencia de elemento neutro: (∃e ∈ V tal que ∀x ∈ V se cumple: x + e = e + x = x)
c) Existencia de elemento inverso: (∀x ∈ V, ∃x0 ∈ V tal que x + x0 = x0 + x = e)
d) Conmutatividad: (∀x, y ∈ V se cumplex + y = y + x)
2) · : R × V → V es una función que cumple lo siguiente:
a) (∀x ∈ V ) (∀k, l ∈ R) (k · (l · x) = (k · l) · x)
b) (∀x, y ∈ V ) (∀k ∈ R) (k · (x + y) = k · x + k · y)
c) (∀x, y ∈ V ) (∀k, l ∈ R) ((k + l) · x = k · x + l · x)
d) (∀x ∈ V ) (1 · x = x)
Observación 15. Los elementos de V los llamaremos vectores y los elementos de R los llamaremos
escalares.
29
CAPÍTULO 2. ESPACIOS VECTORIALES
Ejemplo 25.
1) Las matrices de orden n × m denotado por Mn×m (R) es un espacio vectorial sobre R con la
suma de matrices y la multiplicación por escalar.
+ : Mn×m (R) × Mn×m (R) −→ Mn×m (R)

(A, B) −→ A+B
· : R × Mn×m (R) −→ Mn×m (R)

(α, A) −→ α·A
(Mn×m (R); +; ·) es un R-espacio vectorial.
2) El espacio euclideano, es decir: Rn = {(x1 , x2 , ..., xn ) : xi ∈ R} es un espacio vectorial sobre R
+ : Rn × Rn −→ Rn · :R × Rn −→ Rn
(x, y) −→ x+y (α, x) −→ α·x
(Rn ; +; ·) es un R-espacio vectorial.
3) Los polinomios de grado menor o igual a n, es decir: Rn [x] = {p(x) = a0 + a1 x + · · · + an xn :

ai ∈ R} con las siguientes operaciones:
+ : Rn [x] × Rn [x] −→ Rn [x] · : R × Rn [x] −→ Rn [x]

(p(x), q(x)) −→ p(x) + q(x) (α, p(x)) −→ α · p(x)
(Rn [x]; +; ·) es un R-espacio vectorial.
4) El espacio de las funciones, es decir: F (A, R) = {f : A → R : f es función } es un R-espacio

vectorial con las siguientes operaciones:
+ : F (A, R) × F (A, R) −→ F (A, R) · : R × F (A, R) −→ F (A, R)

(f, g) −→ f +g (α, f ) −→ α·f
5) Definamos las siguientes operaciones para el espacio vectorial R
∗: R×R −→ R ?: R×R −→ R
(x, y) −→ x ∗ y = x + y + xy (α, x) −→ α?x=α·x
Por ver que (R; ∗, ?) es un espacio vectorial sobre R, para eso partiremos comprobando que (R; ∗)
es un grupo abeliano.

a) Asociatividad
Sean x, y, z ∈ R
(x ∗ y) ∗ z = (x + y + xy) ∗ z
= (x + y + xy) + z + (x + y + xy)z
= x + y + xy + z + xz + yz + xyz
= x + (y + z + yz) + x(y + z + yz)
= x ∗ (y + z + yz)
= x ∗ (y ∗ z)
b) Existencia de elemento neutro.
x∗e=x
x + e + xe = x ⇒ e = 0
c) Existencia de elemento inverso.
x ∗ x0 = 0
x + x0 + xx0 = 0
x0 (1 + x) = −x x 6= −1
−x
x0 =
1+x
Como x = −1 con estas operaciones definidas no tiene elemento inverso, entonces (R; ∗)
no es un grupo abeliano.
∴ (R; ∗; ?) no es un R-espacio vectorial.
Ejercicio 12. 1) Sea V = R2 , en V se definen las siguientes operaciones:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
α(x1 , x2 ) = (αx1 , x2 )
¿V con estas operaciones es un R-espacio vectorial?
2) Sea V = R2 , en V se definen las siguientes operaciones:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , 0)
α(x1 , x2 ) = (αx1 , 0)
¿V con estas operaciones es un R-espacio vectorial?
Teorema 13. Sea (V, +, ·) un espacio vectorial sobre R entonces tenemos:
1) Sean u, v, w ∈ V entonces
(u + v = u + w) ⇔ (v = w)
2) Sean u, v ∈ V, k ∈ R − 0 entonces
(ku = kv) ⇔ (u = v)
3) Sean ~0 ∈ V , k ∈ R entonces
k~0 = ~0
4) Sean v ∈ V , k ∈ R entonces
0v = ~0
5) Sean v ∈ V, k ∈ R entonces
(kv = ~0) =⇒ (v = ~0 ∨ k = 0)

2.1. Sub-espacios Vectoriales

Definición 26. Sea V un R-espacio vectorial y U un subconjunto de V no vacı́o.
Se dice que U es un subespacio vectorial de V si y sólo si U es un R-espacio vectorial con las mismas
operaciones (suma y producto) de V .
Notación 4. Si U es un subespacio vectorial de V lo denotamos por U ≤ V
Observación 16. (Subespacios Triviales) Sea V espacio vectorial. V ≤ V y {0V } ≤ V , se llaman

subespacios vectoriales triviales o nulo.
Ejemplo 26.
1) Las matrices triangulares superiores de orden n, forman un subespacio de las matrices de orden
n.
T rianSup = {(aij ) ∈ Mn (R) : aij = 0 ∀i, j = 1, . . . , n, i > j} ≤ Mn (R)
2) Las matrices diagonales de orden n , forman un subespacio de las matrices de orden n.
Diag = {(aij ) ∈ Mn (R) : aii = 0 ∀i, j = 1, ..., n, i 6= j} ≤ Mn (R)
3) Cada recta que pasa por el origen en R2 , es un subespacio vectorial de R2
Teorema 14. Sea V un R-espacio vectorial y U un subconjunto de V . U es un subespacio de V si y

sólo si se cumple:
1) El neutro aditivo de V pertenece a U 0V ∈ U
2) La clausura aditiva con elementos de U . Para todo u, v ∈ U entonces u + v ∈ U
3) La clausura multiplicativa. Para todo u ∈ U ∧ α ∈ R entonces αu ∈ U
Ejemplo 27.
Verificar si los siguientes conjuntos son subespacios vectoriales:

x y
1) U = ∈ M2 (R) : x = y de M2 (R)
z t
Demostración:

0 0
a) ∈ U pues x = y = 0
0 0

x y a b
b) Sean , ∈U
z t c d

x y a b x+a y+b
+ = ∈ U pues x = y ∧ a = b ⇒ x + a = y + b
z t c d z+c t+d

x y
c) Sea α ∈ R y ∈U
z t

x y αx αy
α = ∈ U ya que x = y ⇒ αx = αy
z t αz αt
∴ De a), b) y c) se tiene que U ≤ M2 (R)

2) W = ax2 + bx + c ∈ R2 [x] : 2a + b = c

Demostración:
a) 0R2 [x] ∈ W , pues a = b = c = 0 luego se cumple que 2a + b = c

b) Sean ax2 + bx + c, dx2 + ex + f ∈ W se tiene que 2a + b = c y 2d + e = f
sumando se tiene
2(a + d) + (b + e) = c + f
Por lo tanto (ax2 + bx + c) + (dx2 + ex + f ) = (a + d)x2 + (b + e)x + (c + f ) ∈ W

c) Sea α ∈ R y ax2 + bx + c ∈ W
α(ax2 + bx + c) = (αa)x2 + (αb)x + (αc) ∈ W
Como ax2 + bx + c ∈ W entonces 2a + b = c / · α

2αa + αb = αc
∴ De a), b) y c) se tiene que W ≤ R2 [x]
3) V = (x, y, z) ∈ R3 : x2 + y 2 + z 2 = 1 de R3

a) (0, 0, 0) ∈ R3 pero (0, 0, 0) ∈

/ V ya que 02 + 02 + 02 6= 1
∴ V R3
4) V = A ∈ Mn (R)/ A2 = A de Mn (R)

a) 0n ∈ W pues 02 = 0
b) Sean A y B ∈ W es decir A2 = A y B 2 = B, entonces
(A + B)2 = A2 + 2AB + B 2 = A + B + 2AB 6= A + B
∴ W Mn (R)
Ejercicio 13. Determinar si:
1) [0, 1] es subespacio de R
2) U = {(x, y, z, w) ∈ R4 : x ≥ 0} de R4

a b
3) V = ∈ M2 (R) : a = b = c de M2 (R).
0 c
4) W = {ax2 + bx + c ∈ R2 [x] : ac − b = 0} de R2 [x].
2.2. Combinaciones Lineales y Dependecia Lineal

Definición 27. Sea V un R-espacio vectorial y v1 , v2 · · · vn elementos en V . Diremos que v es com-
binación lineal de v1 , v2 · · · vn , si y sólo si existen α1 , α2 · · · αn escalares en R tal que
v = α1 v1 + α2 v2 + · · · + αn vn

Ejemplo 28.
1) Determinar si (1, 2, 1) es combinación lineal de los vectores (−1, 2, 1), (1, 1, −2) y (1, 2, 3) en R3 .
Desarrollo:
(1, 2, 1) = α(−1, 2, 1) + β(1, 1, −2) + γ(1, 2, 3)

= (−α + β + γ, 2α + β + 2γ, α − 2β + 3γ)
   
−α + β + γ = 1 −1 1 1 1 1 0 0 1/8
2α + β + 2γ = 2 ⇒  2 1 2 2  →  0 1 0 1/2 
α − 2β + 3γ = 1 1 −2 3 1 0 0 1 5/8
Interpretando la matriz:
    
1 0 0 α 1/8
0 1 0 β  = 1/2 Esto implica que: α = 1 , β = 1 , γ = 5 .
8 2 8
0 0 1 γ 5/8
Por lo tanto (1, 2, 1) es combinación lineal de los vectores (−1, 2, 2), (1, 1, −2), (1, 2, 3).
2) Determinar si 1 + x + x2 es combinación lineal de los vectores −1 + x + 2x2 ,

1 + 3x + 2x2 , 1 − x + x2 ∈ R2 [x].
Desarrollo:
1 + x + x2 = α(−1 + x + 2x2 ) + β(1 + 3x + 2x2 ) + γ(1 − x + x2 )

= (−α + β + γ)1 + (α + 3β − γ)x + (2α + 2β + γ)x2
−α + β + γ = 1
α + 3β − γ = 1
2α + 2β + γ = 1
   
−1 1 1 1 1 0 0 −1/6
 1 3 −1 1  →  0 1 0 1/2 
2 2 1 1 0 0 1 1/3
    
1 0 0 α −1/6
Interpretando la matriz se obtiene:  0 1 0  β  =  1/2 .
0 0 1 γ 1/3
Ası́:
−1 1 1
1 + x + x2 = (−1 + x + 2x2 ) + (1 + 3x + 2x2 ) + (1 − x + x2 )
6 2 3

1 2 1 2 1 −1 0 1
3) Determinar si es combinación lineal de los vectores , , en
3 1 0 1 1 0 0 0
Mn (R).

Desarrollo:

1 2 1 2 1 −1 0 1
= α +β +γ
3 1 0 1 1 0 0 0
α + β 2α − β + γ
=
β α
para que las dos matrices sean iguales tiene que ocurrir el siguiente sistema de ecuación:
α+β = 1
2α − β + γ = 2
β = 3
α = 1
Si α = 1 y β= 3 entonces
la primera ecuación no se cumple, ası́ el
sistema
es
inconsistente.

1 2 1 2 1 −1 0 1
Por lo tanto no es combinación lineal de los vectores , , .
3 1 0 1 1 0 0 0
Ejercicio 14. 1) Sea B = {(1, 2, 3), (−1, −2, −3), (1, 1/2, 3)} ⊂ R3 ¿Es el vector (1, 3/5, 2) combi-
nación lineal de los vectores de B?.
2) ¿Para qué valores de k se tiene que x2 +kx+5 es combinación lineal de x2 −3x+2 y 2x2 −x+1?

3 −1
3) Encuentre los escalares para , si existe, para conformar la combinación lineal con los
1 −2

1 1 1 1 1 −1
vectores , ,
0 −1 −1 0 0 0
4) Dados los vectores →−

a1 = (2, 5, 1, 3) , →
−
a2 = (10, 1, 5, 10) y →
−
a3 = (4, 1, −1, 1) hallar el vector →
−
x ∈ R4
para el que se verifica que
a) 3 (→
−
a1 − →
−
x ) + 2 (→
−
a2 + →
−
x ) = 5 (→
−
a3 + →
−
x)
→
− →
− →
− →
−
b) a + 3a + 4a + 2 x = 0
1 2 3
Definición 28. Sea V un espacio vectorial sobre R y v1 , v2 , · · · vm
a) Diremos que {v1 , v2 , · · · vm } es linealmente independiente (l.i.) si y sólo si la única solución

de
α1 v1 + α2 v2 + · · · + αm vm = 0
es la trivial, es decir, α1 = α2 = · · · = αm = 0
b) Diremos que {v1 , v2 , · · · vm } es linealmente dependiente (l.d.) si y sólo si la ecuación
α1 v1 + α2 v2 + · · · + αm vm = 0
tiene una solución no trivial,es decir, α1 , α2 , · · · , αm no todos nulos.
Ejemplo 29.
1) Ver si el conjunto {(1, 0, 1); (1, 1, 0); (1, 1, 1)} es linealmente independiente o linealmente depen-
diente
Desarrollo:
α(1, 0, 1) + β(1, 1, 0) + γ(1, 1, 1) = (0, 0, 0)

(α + β + γ, β + γ, α + γ) = (0, 0, 0)

Para que los dos vectores sean iguales tienen que ser igual coordenada a coordenada es decir:
α+β+γ = 0
β+γ = 0 Reduciendo con operaciones elementales filas:
α+γ = 0
   
1 1 1 1 0 0
0 1 1 ∼ 0 1 0
1 0 1 0 0 1
Luego el sistema tiene única solución es decir α = β = γ = 0. Por lo tanto {(1, 0, 1); (1, 1, 0); (1, 1, 1)}
es linealmente independiente.
2) Ver si el conjunto {x2 + 2x + 1; x2 + x; x2 + 3x + 2} es linealmente independiente o linealmente
dependiente.
Desarrollo:
Escribimos el vector nulo como combinación lineal de los vectores dados.
α(x2 + 2x + 1) + β(x2 + x) + γ(x2 + 3x + 2) = 0R2 [x]
(α + β + γ)x2 + (2α + β + 3γ)x + (α + 2γ) = 0R2 [x]
Por igualdad de polinomios se tiene el siguiente sistema de ecucaiones
α+β+γ = 0
2α + β + 3γ = 0
α + 2γ = 0
Su matriz asociada y su MERF
   
1 1 1 1 0 2 α = −2γ
2 1 3 ∼ 0 1 −1 ⇒ β = γ
1 0 2 0 0 0 γ∈ R
Luego el sistema tiene infinitas soluciones. Por lo tanto {x2 + 2x + 1; x2 + x; x2 + 3x + 2} es

linealmente dependiente.
Ejercicio 15. 1) Determine si los siguientes conjuntos son l.i. o l.d.:
a) {(1, 5, 3); (2, 0, 1); (3, 0, 1)} en R3
  1  
 
2 −1
 1 0 1

2

 


b) A =  −2 −4 , −1 −1 , 0
    3  en M3×2 (R)
 5

 3 1 1 −2 −1 


2 2
c) B = {2x3 − 3x2 + x + 2, x3 − x2 − 5x + 1, x3 − x2 + 6x − 2} en R3 [x]
2) Sea B = {v1 , v2 , v3 } un conjunto l.i. de vectores de un espacio vectorial V . Muestre que el
conjunto {v1 − v2 , v1 + v3 , 2v1 − v2 + 3v3 } es l.i.
3) Determinar condiciones para α ∈ R, de modo que los siguientes conjuntos de vectores sean
linealmente independientes
(a) S1 = {(1, 1, 0) ; (3, α, 2) ; (0, −1, α)}
(b) S2 = {(1, 2, 0, 3, α) ; (0, 1, α, 1, −2) ; (1, 4, 2α, 5, −1)}
4) Sea {→
−
v1 , →
−
v2 , →
−
v3 } un conjunto de vectores linealmente independientes de Rn . Discutir si son li-
nealmente independientes o dependientes los siguientes conjuntos de vectores:
(a) S = {→ −
v +→1
−v ,→
−
v +→
2
−
v ,→
1
−
v +→
3
−
v }
2 3
(b) R = {→
−v1−→ −
v 2, →−
v3−→ −
v 1, →
−
v3−→
−
v 2}
→
− →
− →
−
(c) T = { v 1 + v 2 , v 3 }

2.3. Espacios Generados

Definición 29. Sea V un R-espacio vectorial y v1 , v2 , · · · , vm vectores de V . Diremos que {v1 , v2 , · · · vm }
genera a V si y sólo si todo vector de V es combinación lineal de v1 , v2 , · · · vm . Es decir, dado v ∈ V ,
existen α1 , α2 , · · · , αm escalares en R tal que
v = α1 v1 + α2 v2 + · · · + αm vm
Definición 30. Sea V un R-espacio vectorial y v1 , v2 , · · · , vm vectores de V .

El conjunto de todas las combinaciones lineales de v1 , v2 , · · · , vm es un subespacio vectorial de V
llamado subespacio generado por {v1 , . . . , vn }
Notación 5. El subespacio de todas las combinaciones lineales de v1 , v2 , · · · , vm se denota por hv1 , v2 , · · · , vm i.
Observación 17. Si un conjunto consta de sólo un vector, éste es L.I. si el vector es no nulo. Y es
L.D. si el vector es el vector nulo. Si un conjunto consta de dos vectores, éste el L.I. si son no nulos
y ninguno de ellos es múltiplo del otro; en caso contrario el conjunto es L.D.
Ejemplo 30.

1 0 0 1 0 0
1) Demostrar que ; ; genera el espacio de las matrices simétricas de
0 0 1 0 0 1
orden 2.
Desarrollo:
Sea una matriz simétrica de orden 2 es decir
t t
x y x y x y x z
= ⇔ =
z w z w z w y w
esto implica que y = z

x y 1 0 0 1 0 0
Por lo tanto =x +y +w
y w 0 0 1 0 0 1

1 0 0 1 0 0
Por lo tanto S = ; ; donde S es el espacio de las matrices simetricas
0 0 1 0 0 1
de orden 2.
2) Sea U = {(x, y) ∈ R2 : 2x + y = 0} ≤ R2 . Determine un conjunto generador de U .

Desarrollo:
Sea (x, y) ∈ U entonces 2x + y = 0 que es equivalente a y = −2x. Luego
U = {(x, y) ∈ R2 : 2x + y = 0}
= {(x, y) ∈ R : y = −2x}
= {(x, −2x) ∈ R : x ∈ R}
= {x(1, −2) : x ∈ R}
= h(1, −2)i
Ası́ todos los elementos de U se pueden escribir como combinacion lineal de (1, −2). Por lo
tanto: U = h(1, −2)i

2 2a + b + c = 0
3) Sea U = ax + bx + c ∈ R2 [x] : ≤ R3 . Determine un conjunto generador
a+b−c = 0
de U .
Desarrollo:

Analicemos el sistema de ecuación con una matriz ampliada, mediante operaciones elementales
filas se tiene la siguiente matriz equivalente:

2 1 1 1 0 2
→
1 1 −1 0 1 −3
entonces tenemos que:

2 a = −2c
U = ax + bx + c ∈ R2 [x] :
b = 3c
= −2cx2 + 3cx + c ∈ R2 [x] : c ∈ R

= {c(−2x2 + 3x + 1) : c ∈ R}
= h−2x2 + 3x + 1i
4) Sea A = h(1, 1, 0), (0, 1, 1)i caracterizemos este subespacio generado. Sea (x, y, z) ∈ A, es decir,
existen α, β ∈ R tal que :
(x, y, z) = α(1, 1, 0) + β(0, 1, 1)
= (α, α + β, β)
   
x = α 1 0 x 1 0 x
Por lo tanto y = α + β ⇒  1 1 y  →  0 1 y−x 
z = β 0 1 z 0 0 z−y+x
Es decir, existen α, β ∈ R si y sólo si z − y + x = 0, en otras palabras existe la combinación
lineal si la matriz es consistente. Por lo tanto
h(1, 1, 0), (0, 1, 1)i = {(x, y, z) ∈ R3 : z − y + x = 0}
Observación 18. Sea V un espacio vectorial real y {v1 , v2 , ..., vn } un conjunto l.i. sobre R. Si w ∈ V
y w es una combinación lineal de v1 , v2 , ...vn entonces dicha combinación lineal es única. Es decir:
∃! α1 , ...αn ∈ R tal que w = α1 v1 + ... + αn vn
En efecto; supongamos que w = α1 v1 + . . . + αn vn y w = β1 v1 + . . . + βn vn entonces:
α1 v1 + . . . + αn vn = β1 v1 + . . . + βn vn
(α1 − β1 )v1 + . . . + (αn − βn )vn = 0
Luego α1 − β1 = 0, α2 − β2 = 0, . . . , αn − βn = 0 pues {v1 , . . . , vn } es l.i.
Por lo tanto α1 = β1 , . . . αn = βn
Ejercicio 16. 1) Determinar si cada una de las siguientes propociciones son verdaderas o falsas.
Justifique adecuadamente.
a) (1, k, −2) ∈ h(1, 0, −1), (−1, 1, 0)i si y sólo si k = −1.

b) h(1, 2, 3), (1, 0, 1), (0, 1, 1)i = h(−1, 1, 0), (1, 0, 1)i
2) Sea U = {(x, y, z, w) ∈ R4 : x + y + z + w = 0} un subespacio de R4 . Escribir el conjunto

generador de U .
3) Determinar los valores de a y b para los cuales el vector → −

v = (a, 1, b, 3) pertenece al subespacio
vectorial
W = h(1, 2, 0, −3) ; (3, 1, 1, 0)i

4) Encontrar un conjunto de generadores de los subespacios

(a) W1 = (x, y, z) ∈ R3 : x = z de R3

(b) W2 = (x, y, z) ∈ R3 : x = y, 2x + z = 0 de R3

(c) W3 = (x, y) ∈ R2 : x − 3y = 0 de R2

(d) W4 = (x, y, z) ∈ R3 : x + y + z = 0 de R3

5) Sean A = {(1, −1, 2) , (3, 0, 1)} y B = {(−1, −2, 3), (3, 3, −4), (2, 1, −1)}
¿Generan A y B el mismo subespacio vectorial de R3 ?.
2.4. Base
Definición 31. Sea V un R-espacio vectorial. Un subconjunto B ⊆ V se dice Base de V , si:
1) B es l.i.
2) B genera a V .
Ejemplo 31.
1) Demostrar que {(1, 2, 1); (1, 2, 3); (3, 2, 1)} es una base de R3 .
Desarrollo:
a) Por ver que los elementos del conjunto son l.i.
(0, 0, 0) = α(1, 2, 1) + β(1, 2, 3) + γ(3, 2, 1)
(0, 0, 0) = (α + β + 3γ, 2α + 2β + 2γ, α + 3β + γ)
α + β + 3γ = 0
esto se traduce a: 2α + 2β + 2γ = 0
α + 3β + γ = 0
Si calculamos el determinante de la matriz asociada al sistema de ecuaciones tenemos:
 
1 1 3

2 2 2 = 8

1 3 1
Luego el sistema tiene única solución, es decir: α = β = γ = 0.

Por lo tanto {(1, 2, 1); (1, 2, 3); (3, 2, 1)} es l.i.
b) Por ver que el conjunto genera todo R3
(x, y, z) = α(1, 2, 1) + β(1, 2, 3) + γ(3, 2, 1)

(x, y, z) = (α + β + 3γ; 2α + 2β + 2γ; α + 3β + γ)
α + β + 3γ = x
Luego esto es equivalente lugar a lugar, por lo tanto: 2α + 2β + 2γ = y
α + 3β + γ = z
Por Cramer el sistema tiene única solución, es decir:

−4x + 8y − 4z −2y + 4z 4x − 2y
α= ;β = ;γ =
8 8 8
Por lo tanto α, β, γ existen en R. Luego {(1, 2, 1); (1, 2, 3); (3, 2, 1)} genera a R3 .
Por lo tanto de a) y b) se tiene que {(1, 2, 1); (1, 2, 3); (3, 2, 1)} es base de R3 .

2) Sea V = {p(x) ∈ R2 [x] : p0 (1) = p(0)} ≤ R2 [x]. Determinar una base de V .
Desarrollo:
a) Conjunto generador: Sea p(x) = ax2 + bx + c entonces p0 (x) = 2ax + b, ası́ para que
p0 (1) = p(0) entonces 2a + b = c con a, b ∈ R.
Luego
ax2 + bx + c = ax2 + bx + 2a + b
= a(x2 + 2) + b(x + 1)
para todo a, b ∈ R. Por lo tanto {(x2 + 2); (x + 1)} genera a V .
b) Por ver {(x2 + 2); (x + 1)} es un conjunto l.i.
0 = β + 2α
0 = α(x2 + 2) + β(x + 1)
⇔ 0 = β
0 = αx2 + βx + β + 2α
0 = α
es decir α = 0, β = 0. Luego {(x2 + 2); (x + 1)} es un conjunto l.i.
De a) y b) podemos concluir que el conjunto {(x2 + 2); (x + 1)} es un conjunto l.i. y además
genera entonces es base de V .
Teorema 15. Sea V un espacio vectorial real, y {v1 , ..., vn } una base de V . Si w ∈ V y w = α1 v1 +
... + αn vn tal que α1 6= 0 entonces {w, v2 , ..., vn } es base de V .
Ejemplo 32.
Sea U = h(1, 1, 1); (1, 0, 0)i subespacio de R3 . Si:
(3, 7, 7) = 7(1, 1, 1) − 4(1, 0, 0)
entonces h(1, 1, 1); (1, 0, 0)i = h(3, 7, 7); (1, 0, 0)i
Teorema 16. Sea V un espacio vectorial sobre R, y {v1 , ..., vn } una base de V . Si el conjunto
{w1 , ..., wm } es otra base de V , entonces n = m.
Ejercicio 17. Hallar una base de cada uno de los siguientes subespacios vectoriales:
1) A = {(x, y, z) ∈ R3 : x − 2z = 0, x + y = 0}
2) B = {ax2 + bx + c ∈ R2 [x] : a − b = 0}

a b
3) C = ∈ M2 (R) : a + b − 2c = 0
c d
4) Dado el conjunto L = {A ∈ M2x3 (R) / a11 + a12 + a13 = 0, 2a22 = a11 } se pide:
a) Comprobar que es un subespacio vectorial de M2x3 (R)

b) Hallar una base.
2.5. Dimensión
Definición 32. Sea V un espacio vectorial sobre R. Diremos que la dimensión de V es n si y sólo si
existe una base de V tal que su cardinalidad es n.
Notación 6. Cuando la dimensión de V es n sobre R (cuerpo) lo denotaremos por dimR V = n, o

simplemente dim V = n cuando es claro el cuerpo.

Ejemplo 33.
1) dim(Rn ) = n pues C = {e1 , ..., en } donde cada ei tiene un 1 en el lugar i y 0 en todos los otros.
2) dim(Rn [x]) = n + 1 pues la base canónica esta dada por: C = {1, x, x2 , ..., xn }
3) dim(M
m×n (R)) = mnpues  la base canónica
 esta dada por:

 1 0 · · · 0 0 1 · · · 0 0 0 ··· 0  
C =  ... ..  ;  .. ..  ;  .. .. 

 .   . .   . . 

0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
 
Teorema 17. Sea V un R-espacio vectorial de dimensión n y A un subconjunto de V , entonces:
1) Si el cardinal de A es n y A es un conjunto l.i. entonces A es una base de V .
2) Si el cardinal de A es n y A es un conjunto que genera a V entonces A es una base de V .
3) Si el cardinal de A es m tal que m > n entonces A es un conjunto l.d.
4) Si el cardinal de A es m tal que m < n entonces el generado por A es un subconjunto distinto

de V .
Corolario 3. Sea V un R-espacio vectorial de dimensión n y U un subespacio vectorial de V tal que

dim U = n entonces U = V
Ejemplo 34.
1) Determinar la dimensión del espacio

1 2 0 0
W = A ∈ M2 (R) : A = ≤ M2 (R)
3 6 0 0
Desarrollo:
a b
Supongamos A = ∈ W entonces
c d

a b 1 2 a + 3b 2a + 6b 0 0
= =
c d 3 6 c + 3d 2c + 6d 0 0
entonces:
a + 3b = 0
2a + 6b = 0
c + 3d = 0
2c + 6d = 0
a + 3b = 0
reduciendo esto es equivalente a:
c + 3d = 0
esto implica que a = −3b y c = −3d ası́:

−3b b −3 1 0 0
=b +d
−3d d 0 0 −3 1
Como a, b, c, d existen para todo R, entonces

−3 1 0 0
W = ;
0 0 −3 1


−3 1 0 0
Ahora veamos si el conjunto ; es un conjunto l.i.
0 0 −3 1

−3 1 0 0 0 0 −3α α 0 0
α +β = ⇔ = ⇒ α = 0, β = 0
0 0 −3 1 0 0 −3β β 0 0

−3 1 0 0
Por lo tanto BW = ; es base para W . Ası́ dim(W ) = 2.
0 0 −3 1
2) Determinar la dimensión de U = h1 + 2x + 4x2 , 1 + x2 , 5 + 4x + 11x2 i.

Desarrollo:
Por ver que {1 + 2x + 4x2 , 1 + x2 , 5 + 4x + 11x2 } es linealmente independiente.
α(1 + 2x + 4x2 ) + β(1 + x2 ) + γ(5 + 4x + 11x2 ) = 0

es decir:
 
α + β + 5γ = 0 1 1 5

2α + 4γ = 0 ⇒ 2 0 4  = 0
4α + β + 11γ = 0 4 1 11
Por lo tanto el sistema no tiene única solución. Luego {1 + 2x + 4x2 , 1 + x2 , 5 + 4x + 11x2 } es

linealmente dependiente. Ahora determinemos un conjunto l.i. a partir de el anterior, para ello
colocaremos los coeficientes de los vectores en fila y haremos operaciones elementales filas con
la intención de anular una fila completa, en efecto:
   
1 2 4 0 2 3
1 0 1  → 1 0 1 
5 4 11 0 2 3
Luego existen dos posibilidades
 oanulamos la primera fila o la tercera fila. SI anulamos la
0 2 3
tercera fila obtenemos: 1 0 1 lo cual indica que el vector correspondiente a esa fila (es
0 0 0
2
decir 5 + 4x + 11x ) esta en combinación lineal de los otros vectores (análogo si elegimos anular
la primera fila). Ası́
BU = {1 + 2x + 4x2 , 1 + x2 }
es l.i. y como genera entonces se tiene una base para el conjunto generador. Luego dim(U ) = 2.
Ejercicio 18.
De la misma forma que en el ejemplo, hallar la dimensión del espacio:
U = {(x, y, z, t) ∈ R4 : x + y − z = 0 ∧ x + 4t = 0}
2.6. Suma e Intersección de Espacios

Teorema 18. Sean V un R-espacio vectorial y U, W dos subespacios de V , entonces U ∩ W es un
subespacio de V .
Ejemplo 35.
1) Sean U = {(x, y, z) ∈ R3 : 3x + 2y − z = 0}, W = h(1, 1, 1); (2, 1, −1)i. Determinar una base de
U ∩ W.
Desarrollo:

Sea (x, y, z) ∈ U ∩ W ⇒ (x, y, z) ∈ U ∧ (x, y, z) ∈ W es decir:
3x + 2y − z = 0 ∧ (x, y, z) = α(1, 1, 1) + β(2, 1, −1) para α, β ∈ R
Ası́:
(x, y, z) = (α + 2β, α + β, α − β) ⇔ x = α + 2β, y = α + β, z = α − β
Reemplazando en las ecuaciones de U se tiene:
3(α + 2β) + 2(α + β) − (α − β) = 0

3α + 6β + 2α + 2β − α + β = 0
4α + 9β = 0
−9β
α =
4
Luego
−9β
(x, y, z) = (1, 1, 1) + β(2, 1, −1)
4
−9 −9 −9
= β( , , ) + β(2, 1, −1)
4 4 4
−9 −9 −9
= β( + 2, + 1, − 1)
4 4 4
−1 −5 −13
= β( , , )
4 4 4

−1 −5 −13 −1 −5 −13
Por lo tanto U ∩ W = , , . Como , , consta de un sólo vector
4 4 4 4 4 4
distinto del vector nulo es l.i.

−1 −5 −13
Por lo tanto BU ∩W = , , es base para U ∩ W .
4 4 4
2) Sea U = h(1, 2, 1, 1); (1, 3, 1, 2)i y W = h(2, 1, 1, 1), (2, 2, 1, −1)i subespacios de R4 . Determinar
una base para U ∩ W .
Desarrollo:
Sea (x, y, z, t) ∈ U ∩ W entonces (x, y, z, t) ∈ U ∧ (x, y, z, t) ∈ W ,
es decir;
(x, y, z, t) = α(1, 2, 1, 1) + β(1, 3, 1, 2)
= (α + β, 2α + 3β, α + β, α + 2β)
Además:
(x, y, z, t) = γ(2, 1, 1, 1) + δ(2, 2, 1, −1)
= (2γ + 2δ, γ + 2δ, γ + δ, γ − δ)
Ası́ :
(α + β, 2α + 3β, α + β, α + 2β) = (2γ + 2δ, γ + 2δ, γ + δ, γ − δ)
es decir:

α + β − 2γ − 2δ = 0 1
1 −2 −2
2α + 3β − γ − 2δ = 0 2 3 −1 −2
⇔ 6 0
=
α+β−γ−δ = 0 1 1 −1 −1
α + 2β − γ + δ = 0 1 2 −1 1

Por lo tanto las soluciones α = β = γ = δ = 0.

Entonces (x, y, z, t) ∈ U ∩ W ⇔ (x, y, z, t) = (0, 0, 0, 0), por lo que U ∩ W = {(0, 0, 0, 0)}, como
el vector es el nulo entonces no existe base para U ∩ W .
3) Sean U = {ax2 + bx + c ∈ R2 [x] : 2a + 3b + c = 0} y W = {ax2 + bx + c ∈ R2 [x] : a + b − 2c = 0}

Determinar una base de U ∩ W
Desarrollo:
Sea ax2 + bx + c ∈ U ∩ W , luego ax2 + bx + c ∈ U y ax2 + bx + c ∈ W .
Por lo tanto cumple 2a + 3b + c = 0 y a + b − 2c = 0. Estudiando la matriz asociada:
a = 7c
2 3 1 1 0 −7
→ ⇒ b = −5c
1 2 −2 0 1 5
c∈R
Ası́ tenemos que:
ax2 + bx + c ∈ U ∩ W ⇔ ax2 + bx + c = 7cx2 − 5cx + c = c(7x2 − 5x + 1) con c ∈ R
Por lo tanto U ∩ W = h7x2 − 5x + 1i.

Como el conjunto {7x2 − 5x + 1} es l.i, entonces {7x2 − 5x + 1} es una base de U ∩ W .
4) Sea U = {(x, y, z) ∈ R3 : x + 2y + z = 0}, W = h(1, 1, 1), (2, 0, 1)i. Determinar el conjunto

generador de U ∩ W .
Desarrollo:
Sea (x, y, z) ∈ W es decir (x, y, z) = α(1, 1, 1) + β(2, 0, 1). Luego la matriz asociada esta dada
por:    
α + 2β = x 1 2 x 1 0 y
α = y ⇒ 1 0 y → 0 1 z−y 
α+β = z 1 1 z 0 0 x − y − 2z
Luego el sistema es consistente si x − y − 2z = 0, ası́ la caracterización del subespacio generado
W es: W = {(x, y, z) ∈ R3 : x − y − 2z = 0}.
De ahı́ se obtiene que
U ∩ W = {(x, y, z) ∈ R3 : x − y − 2z = 0 ∧ x + 2y + z = 0}
Ası́:
5

1 −1 2 1 0 3
→ −1
1 2 1 0 1 3
Por lo que
(x, y, z) ∈ R3 : x = −5z z

U ∩W = 3 ∧y = 3
−5z z
= ( 3 , 3 , z) : z ∈ R
= z( −5 1

3 , 3 , 1) : z ∈ R
Luego U ∩ W = ( −5 1

3 , 3 , 1) .
Ejercicio 19. 1) Encuentre la dimensión de H ∩ L donde:
H = {ax2 + bx + c ∈ R2 [x] : 2a − b = 0} y L = hx2 + x + 2, x2 − x + 1i

2) Sean U y W subespacios 2-dimensionales de R3 . Pruebe que U ∩ W 6= {0}

2
3 U = 2 x (ax − b) / a, b en R y V = { cx(1 − x) + d / c, d en R} subespacio de R3 [x] =
3) Sean
ax + bx + cx + d / a, b, c, d en R
Determinar U ∩ V y su base y la dimensión de U ∩ V .
Definición 33. Sea V un R-espacio vectorial y U, W ≤ V entonces se define la suma de U y W como:
U + W = {u + w ∈ V : u ∈ U, w ∈ W }
Ejemplo 36.
Sean U = {(x, y) ∈ R2 : x + 3y = 0}, W = {(x, y) ∈ R2 : 2x + 5y = 0}. Determinar U + W .
Desarrollo:
W = {(x, y) ∈ R2 : 2x + 5y = 0}
−5
= {(x, y) ∈ R2 : x = y}
2

−5
= y, y : y ∈ R
2

−5
= ,1
2
U = {(x, y) ∈ R2 : x + 3y = 0}
= {(x, y) ∈ R2 : x = −3y}
= {(−3y, y) : y ∈ R}
= h(−3, 1)i
Ası́
U + W = {u + w ∈ R2 : u ∈ U, w ∈ W }
−5
= {α(−3, 1) + β(− , 1) : α, β ∈ R}
2
−5
= h(−3, 1); ( , 1)i
2

−3 1
Como {(−3, 1); (−5/2, 1)} es l.i. ya que = 1 6= 0 entonces {(−3, 1); (−5/2, 1)} es base
−5/2 1 2
de R . Luego U + W = h(−3, 1); (−5/2, 1)i = R2 porque U + W es subespacio de R2 y tienen la misma
2
dimensión.
Teorema 19.
1) Sean U, W ≤ V tales que U = hAi y W = hBi con A y B ⊂ V entonces U + W = hA ∪ Bi
2) Sea V un espacio vectorial de dimension finita y U, W ≤ V entonces
dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W )
Ejemplo 37. Sea U = h(1, 0, 1); (0, 2, 0)i y W = h(0, 0, 1)i espacios generadores entonces una base
para cada uno de ellos serı́a:
BU = {(1, 0, 1); (0, 2, 0)} y BW = {(0, 0, 1)}

ası́ dim(U ) = 2 dim(W ) = 1. Por otro lado se tiene:
U + W = h(1, 0, 1); (0, 2, 0); (0, 0, 1)i
luego de comprobar que son linealmente independiente tenemos que una base para U + W es
BU +W = {(1, 0, 1); (0, 2, 0); (0, 0, 1)}
es decir dim(U + W ) = 3. Luego para determinar la intersección basta con utilizar el teorema anterior
de la siguiente forma:
dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W )

3 = 2 + 1 − dim(U ∩ W )
Despejando obtenemos que dim(U ∩ W ) = 0 por lo tanto U ∩ W = {(0, 0, 0)}.
Ejercicio 20. Dados U y V, hallar (U+V)en cada caso.

x −x a b
1) U = A ∈ M2 (R) |A = y V = B ∈ M2 (R) |B = .
y z −b c
2) U = h1 − 2x; 3x + x2 , 1 − x2 i y V = hx2 + x + 1, 1 − x2 i
2.7. Suma Directa

Definición 34. Sea V un R-Espacios vectoriales, U, W ≤ V . Diremos que V es suma directa de U y
W si y sólo si todo vector de V se escribe en forma única como un vector de U más otro vector de W .
Notación 7. V = U ⊕ W , V es suma directa de U y W .
Teorema 20.
Sea V un R-espacio vectorial y U, W ≤ V . V es suma directa de U y W si y sólo si se cumple:
1) U ∩ W = {0V }
2) V = U + W
Ejemplo 38.
Sean U = {(x, y, z) ∈ R3 : 3x + 2y − z = 0} y W = h(1, 2, 1)i. Determinar si R3 es suma directa de U
y W . Es decir: R3 = U ⊕ W
1) Sea (x, y, z) ∈ U ∩ W esto implica que:

(x, y, z) ∈ U entonces 3x + 2y − z = 0 además (x, y, z) ∈ W esto implica que (x, y, z) = α(1, 2, 1)
es decir (x, y, z) = (α, 2α, α).
Reemplazando: 3α + 2(2α) + α = 0 ⇔ 6α = 0 ⇒ α = 0. Ası́ (x, y, z) = (0, 0, 0).
Por lo tanto U ∩ W = {(0, 0, 0)}
2) Ahora determinemos un conjunto generador de U , para ello: 3x + 2y − z = 0 ⇒ z = 3x + 2y. Ası́
(x, y, z) = (x, y, 3x + 2y)

= x(1, 0, 3) + y(0, 1, 2)
Por lo tanto U = h(1, 0, 3); (0, 1, 2)i.

Como W = h(1, 2, 1)i se tiene que U + W = h(1, 0, 3); (0, 1, 2); (1, 2, 1)i.
Por demostrar que BU +W = {(1, 0, 3); (0, 1, 2); (1, 2, 1)} es base para U + W .

Por ver si el conjunto es l.i., es decir:

1 0 1

0 1 2 = −6 6= 0

3 2 1
Como el determinante es distinto de cero entonces es l.i. y como genera entonces se concluye
que BU +W es base de U + W . Por tanto dim(U + W ) = 3 y como U + W ≤ R3 y dim(R3 ) = 3
se concluye que U + W = R3 .
Luego de 1) y 2) se tiene que U ⊕ W = R3

a + 2b − c = 0
Ejercicio 21. 1) Sea U = hx2 −3x+2; 2x2 +x+5i yW = ax2 + bx + c ∈ R2 [x] : .
b − 5c = 0
Determinar si R2 [x] = U ⊕ W
2) Sean U = h(1, 0, 0) , (0, 4, 2)i ≤ R3 y W = (x, y, z) ∈ R3 / x = z = 2y ≤ R3

Demuestre que U ⊕ W = R3
3) Dados los subespacios vectoriales de R3
W1 = (x, y, z) ∈ R3 : x + y = 0

W2 = (x, y, z) ∈ R3 : y − z = 0

se pide:
a) Calcular W1 ∪ W2 , W1 ∩ W2 y W1 + W2 .
b) Determinar cuáles de los tres subconjuntos anteriores son subespacios vectoriales de R3 .
c) Comprobar si se verifica que W1 ⊕ W2 = R3 .
4) Dado W = (x, y, z) en R3 / 2x = y, y = −z ≤ R3 , encuentre U subespacio vectorial de R3

tal que U ⊕ W = R3
Además, determine una base para el subespacio U .
5) Sean los conjuntos V y W
(x, y, z) en R3 / kx + y − sz = 0; k, s en R

V =
(0, y, z) en R3 / y + z = 0; x = 0

W =
Determinar s y k para que R3 = V ⊕ W
2.8. Coordenadas
Sea V un R-espacio vectorial de dimensión n y B = {v1 , ...vn } base ordenada de V . Todo elemento
de V es combinación lineal única de los elementos de la base, es decir,
v = α1 v1 + α2 v2 + ... + αn vn
Los escalares de la combinación lineal se llaman las coordenadas del vector v en la base B y se denotan
por:  
α1
 α2 
[v]B =  . 
 
 .. 
αn

Ejemplo 39.
Sea B = {1 − x, 1 + 2x + x2 , 1 + x2 } base de R2 [x]. Determinar las coordenadas de v = 1 en la base B.
Desarrollo:
1 = α(1 − x) + β(1 + 2x + x2 ) + γ(1 + x2 )

= (α + β + γ)1 + (−α + 2β)x + (β + γ)x2
Es decir:
1 = α+β+γ α=1
0 = −α + 2β ⇒ β = −1/2
0 = β+γ γ = 1/2
 
1
Por lo tanto [1]B = −1/2
1/2
Ejercicio 22. 1) Sea B = {1 − x, 1 + 2x + x2 , 1 + x2 } base de R2 [x]. Determinar las coordenadas

de v = a + bx + cx2 en la base B.
2) Determinar
las coordenadasdel vector

2 −1 1 1 2 0 0 1 0 0
en la base B = , , , .
4 6 −1 0 3 1 −1 0 −2 4
3) Determinar las coordenadas del vector 2x3 −3x2 +5x−6 en la base C = {1, 1+x, x+x2 , x2 +x3 }.
2.9. Producto Interno

Definición 35. Sea V un R-espacio vectorial. Un producto interno en V es una función
h, i : V × V → R
(u, v) → hu, vi
tal que para todo α ∈ R y u, v, w ∈ V se satisface que:
1) hu, ui ≥ 0; hu, ui = 0 ⇔ u = 0
2) hu, vi = hv, ui
3) hu + v, wi = hu, wi + hv, wi
4) hαu, wi = αhu, wi
Observación 19. Se llama espacio euclidiano a un espacio vectorial real de dimension finita, en el
que se ha definido un producto interno.
Ejemplo 40.
1) En Rn , el producto punto esta definido por:
h, i : Rn × Rn → R
(u, v) → hu, vi = u · v = x1 y1 + x2 y2 + ... + xn yn
donde u = (x1 , ..., xn ) y v = (y1 , ..., yn ) en Rn , es un producto interno, es más, se llama producto
interno usual o éstandar en Rn , en efecto;

a) Sea u ∈ Rn
hu, ui = x1 x1 + x2 x2 + ...xn xn = x21 + x22 + ... + x2n ≥ 0.
Además si u = 0 entonces
hu, ui = 0
x1 + x2 + . . . + x2n =
2 2 0
x1 = x2 = . . . = xn = 0
u = 0
por lo tanto cumple con la primera propiedad de producto interno.
b) Sean u, v ∈ Rn entonces:
hu, vi = x1 y1 + x2 y2 + ...xn yn = y1 x1 + y2 x2 + ...yn xx = hv, ui
c) Sean u, v, w ∈ Rn . Por demostrar que hu + v, wi = hu, wi + hv, wi:
hu + v, wi = ((x1 , ..., xn ) + (y1 , ..., yn )) · (z1 , ..., zn )

= (x1 + y1 , ..., xn + yn ) · (z1 , ..., zn )
= (x1 + y1 )z1 + ... + (xn + yn )zn
= x1 z1 + y1 z1 + ... + xn zn + yn zn
= x1 z1 + ...xn zn + y1 z1 + ...yn zn
= hu, wi + hv, wi
d) Sean α ∈ R, u, v ∈ Rn , entonces:
hαu, vi = α(x1 , ...xn ) · (y1 , ..., yn )

= αx1 y1 + ... + αxn yn
= α(x1 y1 + ... + xn yn )
= αhu, vi
De a,b,c,d se tiene que el producto punto definido anteriormente es un producto interno

para Rn .
2) Sean A = (aij ), B = (bij ) ∈ Mn (R), entonces

n X
X n
t
hA, Bi = tr(B A) = aij bij
j=1 i=1
se llama producto interno usual en Mn (R). Donde tr(A) es la traza de la matriz A, es decir,
la suma de los elementos
dela diagonal.

1 2 5 6
Ejemplo: Sean A = yB=
3 4 7 8

1 2 5 6
hA, Bi = ;
3 4 7 8

5 7 1 2
= tr ·
6 8 3 4

26 38
= tr
30 44
= 26 + 44 = 70
Observación 20. Este producto coincide en multiplicar los elementos respectivos de A y B, y

sumarlos, en efecto:


1 2 5 6
hA, Bi = ;
3 4 7 8
= 1·5+2·6+3·7+4·8
= 5 + 12 + 21 + 32
= 70
3) Sean p(x) = a0 + a1 x + ... + an xn y q(x) = b0 + b1 x + ... + bn xn ∈ Rn [x] entonces

n
X
hp(x), q(x)i = ai bi
i=1
es un producto interno en Rn [x].
4) Sea V = {f : [a, b] → R : f es continua } entonces

Z b
hf, gi = f (x)g(x)dx
a
es un producto interno para V .
5) (Producto interno asociado a una matriz) Sean u, v ∈ Rn y A ∈ Mn (R) entonces:
hu, vi = ut (At A)v

3 1
Ejemplo: Sea A = ∈ M2 (R) entonces:
2 1

3 2 3 1 v1
h(u1 , u2 ); (v1 , v2 )i = (u1 u2 )
1 1 2 1 v2
13 5 v1
= (u1 u2 )
5 2 v2
= 13u1 v1 + 5u1 v2 + 5u2 v1 + 2u2 v2
Ejercicio 23. Muestre que h(x1 , y1 ), (x2 , y2 )i = 2x1 x2 − 2x1 y2 − 2x2 y1 + 5y1 y2 es un producto interno
en R2 .
Definición 36. Sea (V ; h, i) un espacio vectorial

p sobre R con producto interno y sea v ∈ V . Se define
la norma de v asociada a h, i como ||v|| = hv, vi.
Proposición 6. Sea (V ; h, i) un espacio vectorial con producto interno:
1) Para cada v ∈ V , ||v|| ≥ 0 y ||v|| = 0 si y sólo si v = 0.
2) Sean α ∈ R y v ∈ V . Entonces ||αv|| = |α|||v||.
3) (Desigualdad triangular)Sean v, w ∈ V entonces ||v + w|| ≤ ||v|| + ||w||.
4) (Desigualdad de Cauchy-Shwartz) Sean v, w ∈ V entonces |hv, wi| ≤ ||v||||w||.
Ejemplo 41.
1) En R2 se define el siguiente producto interno.

1 0 a
< (x, y), (a, b) > = [x, y]
0 −4 b

Determine todos los valores de k ∈ R de modo que k (k, 2) k= 0.

Desarrollo:
p
k(k, 2)k = √ h(k, 2), (k, 2)i
= √k 2 − 4 · 4
= pk 2 − 16
= (k − 4)(k + 4)
como la norma siempre es mayor o igual a cero entonces se tiene: (k − 4)(k + 4) = 0 es decir
k = 4 o k = −4.
2) Sea V un espacio vectorial con producto interno. Pruebe que para todo u, v ∈ V se tiene hu, vi =
1 1
||u + v||2 − ||u − v||2 .
4 4
Desarrollo:
Si calculamos el primer termino se tiene:
||u + v||2 = h, u + v, u + vi
= hu, u + vi + hv, u + vi
= hu + v, ui + hu + v, ui
= hu, ui + hv, ui + hu, vi + hv, vi
= hu, ui + 2hu, vi + hv, vi
= ||u||2 + 2hu, vi + ||v||2
Por otra parte el segundo termino queda:
||u − v||2 = hu − v, u − vi
= hu, u − vi + h−v, u − vi
= hu, u − vi − hv, u − vi
= hu − v, ui − hu − v, vi
= hu, ui − hv, ui − hu, vi + hv, vi
= hu, ui − 2hu, vi + hv, vi
= ||u||2 − 2hu, vi + ||v||2
Luego:
1 1 1
(||u||2 + 2hu, vi + ||v||2 ) − (||u||2 − 2hu, vi + ||v||2 ) = [||u||2 + 2hu, vi + ||v||2 − ||u||2 + 2hu, vi − ||v||2 ]
4 4 4
1
= 4hu, vi
4
= hu, v, i
Definición 37. Sea V un R-espacio vectorial con producto interno h, i.

Se define d : V × V → R como la distancia entre v y w por:
d(v, w) = ||v − w||.
Observación 21. Utilizando las propiedades de la norma se puede verificar que la función d satisface
las siguientes propiedades:
1) d(v, w) ≥ 0, ∀v, w ∈ V
2) d(v, w) = 0 ⇔ v = w
3) d(v, w) = d(w, v)∀v, w ∈ V

4) d(v, z) ≤ d(v, w) + d(w, z)∀v, w, z ∈ V
Definición 38. Sea (V, h, i) un espacio euclı́deo y sean u, v ∈ V no nulos. Se define el ángulo entre
hu, vi
u, v como el único número real α ∈ [0, π] tal que cos(θ) = .
||u||||v||
Ejemplo 42.
1) Considere el siguiente producto interno en R2 [x]:
hax2 + bx + c, dx2 + ex + f i = 3ad − af + 2be − cd + cf
Calcule d(p(x), q(x)) donde p(x) = 2x2 + 1 y q(x) = x − 2.

Desarrollo:
d(p(x), q(x)) = ||p(x) − q(x)||
||2x 2
= p − x + 3||
2 2
= ph2x − x + 3, 2x − x + 3i
2 2 2
= √ 2 · 2 + (2 − 3) + 2(−1)
= 11
2) Halle el ángulo entre los vectores: (1, −3, 2) y (2, 1, 5) en R3

Desarrollo:
h(1, −3, 2), (2, 1, 5)i
cos(θ) =
k(1, −3, 2)kk(2, 1, 5)k
1 · 2 + (−3) · 1 + 2 · 5
= √ √
1 + 9 + 4 4 + 1 + 25
9
= √
420

9
Por lo tanto el ángulo queda determinado por: θ = arcos √ .
420
Ejercicio 24. En M2 (R) considere el producto interno definido por:

a b e f
, = ae + 2bf + 3cg + dh
c d g h

1 −1 2 1
Sean A = yB= . Calcule:
0 1 −1 1
1) kAk y kBk
2) d(A, B)
3) El ángulo comprendido entre Ay B.
2.10. Ortogonalidad y Ortonormalidad

Definición 39. Sea (V, h, i) un espacio vectorial con producto interno.
1) Dos vectores u, v ∈ V se dicen Ortogonales (o perpendiculares) si hu, vi = 0.
2) Dos vectores u, v ∈ V se dicen Ortonormales si hu, vi = 0 y ||u|| = ||v|| = 1.
Observación 22. Sea (V ; h, i) un espacio vectorial con producto interno. Se cumple:

1) 0v ∈ V es ortogonal a cualquier vector de V .

2) Sean u, v ∈ V , u, v 6= 0V con θ el ángulo entre ellos. Entonces:
a) u, v es l.d. ⇔ θ = 0 o θ = π.
π
b) u, v son ortogonales ⇔ θ = .
2
Ejemplo 43.
Si u, v son ortogonales, entonces ||u + v||2 = ||u||2 + ||v||2 .
Desarrollo:
Sean u, v son ortogonales, entonces hu, vi = 0. Ası́
||u + v||2 = hu + v, u + vi
= hu, u + vi + hv, u + vi
= hu, ui + hu, vi + hv, ui + hv, vi
= hu, ui + hv, vi
= ||u||2 + ||v||2
Ejercicio 25. Sea V un espacio vectorial sobre R con producto interno.
Probar ||u|| = ||v|| si u + v es ortogonal a u − v.
Definición 40. Sea (V ; h, i) un espacio vectorial dotado de un producto interno y S = {v1 , v2 , ..., vn } ⊂
V . Entonces:
1) S es un conjunto ortogonal si hvi , vj i = 0 para todo i, j = 1, ..., n, i 6= j.
2) S es un conjunto ortonormal si S es ortogonal y ||vi || = 1, para todo i = 1, ..., n.
Observación 23. A partir de un conjunto ortogonal, siempre podemos obtener un conjunto ortonor-
mal; es decir:

v1 v2 vn
Si {v1 , ..., vn } es ortogonal ⇒ ; ; ...; es ortonormal
||v1 || ||v2 || ||vn ||
Ejemplo 44.
Dado el conjunto W1 = −4, 6x, −1 2

3 x
1) Compruebe que W1 es un conjunto ortogonal.

Desarrollo:
h−4, 6xi = −4 · 0 + 0 · 6 = 0
h−4, −1 2
3 x i = −4 · 0 + 0 · −1
3 = 0
h6x, −1 2
3 x i = 6·0+0· 3 −1
= 0
Por lo propiedad 2 del producto interno, no es necesario calcular h6x, −4i, h −1 2 −1 2
3 x , −4i, h 3 x , 6xi.
Con estos calculos hemos comprobado que el conjunto es ortogonal.
2) Determine un conjunto ortonormal a partir de W1 .
Desarrollo:
p √
k − 4k = ph−4, −4i = √−4 · −4 = 4
k6xk = q h6x, 6xi = q 6·6 = 6
k −1 2
3 x k = h −1 2 −1 2
3 x , 3 x i =
−1 −1
3 · 3 = 31
Ası́ el conjunto ortonormal a partir de W1 esta dado por:
( )
−1 2
−4 6x 3 x
= −1, x, x2

, , −1 2
k − 4k k6xk k 3 x k


2 5
Ejercicio 26. En una base ortonormal los vectores u y v tienen coordenadas y respecti-
−3 4
vamente. Calcule:
1) hu, vi.
2) La norma de cada vector.
3) El ángulo que forman u y v.
Definición 41.
1) Una base ortogonal es una base que es un conjunto ortogonal.
2) Una base ortonormal es una base que es un conjunto ortonormal.
Observación 24. Sea (V ; h, i) un espacio vectorial sobre R con producto interno. Entonces
1) Si v es un vector ortogonal a u y a w entonces v es ortogonal a todo vector generado por u y w;
es decir:
hv, ui = hv, wi ⇒ hv, αu + βwi = 0
2) Todo conjunto ortogonal de vectores no nulos en V , es l.i., es decir S = {v1 , ..., vn } tal que
hvi , vj i = 0 para todo i, j entonces S es l.i.
Teorema 21.
Sea (V ; h, i) un espacio vectorial real con producto interno. Sea B = {v1 , ..., vn } un conjunto ortonormal
en V . Entonces:
1) B es una base de V y para todo v ∈ V , v = ni=1 αi vi con αi = hv, vi i para i = 1, ..., n.
P
2) Para todo v ∈ V se tiene que ||v||2 = ni=1 hv, vi i2

P
Corolario 4.
Si B es una base ortonormal de V entonces las coordenadas de v ∈ V en esa base se obtienen de:
v = hv, v1 iv1 + hv, v2 iv2 + ... + hv, vn ivn
 
hv, v1 i
 hv, v2 i 
es decir: [v]B =  . 
 
 .. 
hv, vn i
Ejemplo 45.
En R3 se define el siguiente producto interno
h(x, y, z); (a, b, c)i = ax + 2by + 3cz.
Sea S = {(1, 2 − a, 3), (b − 1, −1, 2), (3, 2, c + 1)} base de R3 . Determinar los valores de a, b, c ∈ R para
que S sea una base ortogonal de R3 .
Desarrollo:
h(1, 2 − a, 3); ((b − 1), −1, 2)i = 0 ⇒ 2a + b + 13 = 0

h(1, 2 − a, 3); (3, 2, c + 1)i = 0 ⇒ −4a + 9c + 20 = 0
h((b − 1), −1, 2); (3, 2, c + 1)i = 0 ⇒ 3b + 6c − 1 = 0
Luego formamos un sistema de ecuaciones lineales con:
2a + b + 13 = 0
−28
−4a + 9c + 20 = 0 Resolviendo obtenemos que a = −16, b = 19, c = .
3
3b + 6c − 1 = 0
Ejercicio 27.

2.11. Complemento Ortogonal

Definición 42. Sea (V ; h, i) un R-espacio vectorial con un producto interno y S ⊂ V . El complemento
ortogonal de S, denotado por S ⊥ , es el conjunto:
S ⊥ = {v ∈ V : hv, si = 0 ∀s ∈ S}
Observación 25.
1) Sean (V, h, i) un R-espacio vectorial con producto interno y S ⊂ V . Entonces, S ⊥ ≤ V
2) Sea A ⊂ V entonces A⊥ ≤ V , aún si A V
Proposición 7.
1) {0V }⊥ = V y V ⊥ = {0V }
2) Sea W = hv1 , ..., vn i ≤ V entonces v ∈ W ⊥ si y sólo si hv, vi i = 0 para todo i = 1, ..., n.
3) Sea (V ; h, i) un espacio vectorial real con producto interno y W ≤ V y W 0 ≤ V . Entonces
a) W ⊕ W ⊥ = V
b) (W ⊥ )⊥ = W
c) (W + W 0 )⊥ = W ⊥ ∩ W 0⊥
d) (W ∩ W 0 )⊥ = W ⊥ + W 0⊥
Ejemplo 46.

2 −1 2 −7
Sea F = ; ⊆ M2 (R). Determine un conjunto generador para F ⊥ .
1 1 1 −1
Desarrollo:

a b a b 2 −1 a b 2 −7
F⊥ = ∈ M2 (R) : , = , =0
c d c d 1 1 c d 1 −1
a b 2a − b + c + d = 0
= ∈ M2 (R) :
c d 2a − 7b + c − d = 0
Luego: a = −6b − 2d ∧ c = 13b + 3d, b, d ∈ R

Por lo tanto una base para F ⊥ es:

−6 1 −2 0
BF ⊥ = ,
13 0 3 1
Ejercicio 28. 1) Sea W = hx2 , xi un subespacio de R2 [x] Determine W ⊥
2) Sean W = h(1, 0, −1, 1), (2, 1, 1, 2)i y v = (4, 3, −1, 2)
a) Encuentre W ⊥
b) Encuentre el subespacio W ∩ W ⊥ ¿Es R4 = W ⊕ W ⊥ ?
c) Exprese v en la forma v = u + w con u ∈ W, w ∈ W ⊥ .


1) Determine si las siguientes afirmaciones son verdaderas o falsas, justifique su respuesta.
a) Sean U, V ≤ R3 , tal que dim(U ) = dim(V ) = 2 entonces dim(U ∩ V ) 6= 0.

b) W = {(x, y) ∈ R2 : xy = 0} es subespacio de R2 .
c) Sea V un R-Espacio Vectorial. Si W = hw1 , w2 , w3 i ≤ V entonces dim(W ) = 3.
2) Determinar la base del subespacio vectorial de R4 :
V = {(x, y, z, w) ∈ R4 : x + y = z ∧ y + z = w}
3) Sean U = {(a, b, c) ∈ R3 : a + b − c = 0} y W = h(2, 1, 1)i dos subespacios de R3 . Entonces:
a) Determine la dimensión de U ∩ W .
b) Determine la dimensión de U + W .
4) Sean U = {(x, y, z) ∈ R3 : x − 2y + z = 0} y V = h(1, 0, 3); (−2, 1, 0)i, subespacios de R3 .

¿Es R3 = U ⊕ V ?.
5) Determine si las siguientes afirmaciones son Verdaderas o Falsas. Justifique si son Verdaderas y
dé un contra-ejemplo para las falsas.
a) El vector (1, 2, 1) es combinación lineal de (−1, 2, 1), (1, 1, −2), (1, 2, 3).
b) Sea W = h(1, 2, −5), (2, 1, 3), (−4, 1, −19)i, entonces la dim(W ) = 3.
 
1
c) Sea B = {x + 1, x2 + 2x, 1} base de R2 [x] entonces [−3x2 − 4x + 6]B =  2 
−1
6) Sea V = {(a, b, c, d) ∈ R4 : a + b − c = 0 ∨ b + 3c − d = 0}. Determine una base para V y la

dimensión de V .
7) Sean U = {(x, y, z) ∈ R3 / x − 2y + z = 0} y V = h(1, 0, 3); (−2, 1, 0)i, subespacios de R3 . ¿Es

R3 = U ⊕ V ?.
8) En R2 se define el siguiente producto interno:
h(a, b), (c, d)i = ac − bc + 3bd − ad
Calcular:
a) d((1, 2), (1, −1))

b) Determine los valores de k ∈ R, si existen, de modo que el producto interno h(k, 2), (4, k +
1)i = 1

Capı́tulo 3
Transformaciones Lineales
En este capitulo se estudiarán funciones sobre espacios vectoriales y sus propiedades y algunos
espacios especiales asociados a la función. Veremos que una función se puede caracterizar como una
matriz, entendiendo que la información de una función se puede codificar en una matriz especial. Al
final del capitulo estudiaremos que las matrices en su gran mayorı́a están relacionadas entre ellas
mediante un proceso de utilidad debido a que este proceso simplifica la forma de la matriz inicial
transformando la matriz inicial en una matriz diagonal de manera que su manipulación es más sencilla.
Sean los siguientes espacios vectoriales con sus operaciones respectivas:
(R3 , +, ·)
+ : (a, b, c) + (x, y, z) = (a + x, b + y, c + z)
· : α ∈ R, (x, y, z) ∈ R3 α(x, y, z) = (αx, αy, αz)
(R2 [x], +, ·)
+: (ax2 + bx + c) + (dx2
+ ex + f ) = (a + d)x2 + (b + e)x + (c + f )
· : α ∈ R, ax + bx + c ∈ R2 [x] α(ax2 + bx + c) = αax2 + αbx + αc
2
Una función que respeta la suma y la multiplicación por un escalar de cada espacio vectorial es
una transformación lineal, es decir, si consideramos la siguiente función:
T : R3 −→ R2 [x]
2
(a, b, c) −→ ax + bx + c
Corroboremos si esta función es una transformación lineal con vectores particulares, para ejemplifi-
car y en segunda instancia demostremos que es una transformación lineal. Sean (1, 2, 3), (0, 2, −1) ∈ R3
y −2 ∈ R entonces:
T : R3 −→ R2 [x]
(1, 2, 3) −→ x2 + 2x + 3
(0, 2, −1) −→ 2x − 1
(1, 2, 3) + (0, 2, −1) = (1, 4, 2) −→ x2 + 4x + 2 = (x2 + 2x + 3) + (2x − 1)
−2(1, 2, 3) = (−2, −4, −6) −→ −2x2 − 4x − 6 = (−2)(x2 + 2x + 3)
Observar que sumar en R3 es análogo que sumar en R2 [x] mediante esta función. Ahora probe-
mos algebraicamente que esta función respeta las operaciones en cada espacio vectorial, es decir una
transformación lineal.
57
CAPÍTULO 3. TRANSFORMACIONES LINEALES
T ((a, b, c) + (d, e, f )) = T ((a + d, b + e, c + f ))

= (a + d)x2 + (b + e)x + (c + f )
= ax2 + dx2 + bx + ex + c + f
= (ax2 + bx + c) + (dx2 + ex + f )
= T (a, b, c) + T (d, e, f )
Sea α ∈ R, (x, y, z) ∈ R3 entonces:
T (α(a, b, c)) = T (αa, αb, αc)
= αax2 + αbx + αc
= α(ax2 + bx + c)
= αT (a, b, c)
∴ T es una Transformación lineal.
Definición 43. Sean U, V R- espacios vectoriales. Sea T : U → V una función. Se dice que T es una
transformación lineal si y sólo si satisface lo siguiente:
1) T respeta la suma
T (u + v) = T (u) + T (v) ∀u, v ∈ U
2) T respeta la multiplicación por escalar.
T (αu) = αT (u) ∀α ∈ R, ∀u ∈ U
Ejemplo 47.
Consideremos la siguiente funcón
T : R2 −→ R2
(x, y) −→ (2x + 3y, x − 3y)
Probaremos que es transformación lineal.

1) Sea (x, y), (a, b) ∈ R2 , entonces:
T ((x, y) + (a, b)) = T ((x + a, y + b))

= (2(x + a) + 3(y + b), (x + a) − 3(y + b))
= (2x + 2a + 3y + 3b, x + a − 3y − 3b)
= (2x + 3y, x − 3y) + (2a + 3b, a − 3b)
= T (x, y) + T (a, b)
2) Sea (x, y) ∈ R2 , α ∈ R, entonces:
T (α(x, y)) = T ((αx, αy))

= (2(αx) + 3(αy), (αx) − 3(αy))
= (α(2x + 3y), α(x − 3y))
= α(2x + 3y, x − 3y)
= αT (x, y)

De 1) y 2) se tiene que T es transformación lineal.

Ejercicio 29. Verificar si las siguientes funciones son Transformaciones Lineales.
1)
T : R3 −→ R2
(x, y, z) −→ (2x + 1, y + z)
2)
F : R3 [x] −→ R
ax3 2
+ bx + cx + d −→ ad − bc
3)
L: M2 (R2 ) −→
R
2
a b a b
L −→ L = (a + d, b + c)
c d c d
Observación 26. El conjunto de todas las transformaciones lineales de un espacio vectorial V en un
espacio vectorial W se denota por
L(V, W ) = {T : V → W : T es Transformación lineal}
Proposición 8. Sea T una función de U en V , entonces T es una transformación lineal si y sólo si
se cumple que :
(∀u, v ∈ U ) (∀α ∈ R) (T (u + αv) = T (u) + αT (v))
Teorema 22. Sean U , V espacios vectoriales reales, además sean {u1 , · · · , un } una base de U y
{v1 , · · · , vn } un subconjunto de V , entonces existe una única transformación lineal T de U en V tal
que T (ui ) = vi , i = 1, · · · , n
Es decir, una transformación lineal queda completamente determinada por sus imágenes en una base
del dominio.
Ejemplo 48.
Determinar una transformación lineal T de R2 en U = {(x, y, z) ∈ R3 : x + y + z = 0} tal que
T (1, 0) = (1, 2, −3) y T (1, 1) = (5, −3, −2).
Desarrollo:
Como {(1, 0), (1, 1)} es una base de R2 y los vectores (1, 2, −3) y (5, −3, −2) ∈ U por teorema existe
una única transformación lineal.
Sea (x, y) ∈ R2 . Escribimos éste como combinación lineal de los elementos de la base. Ası́:
(x, y) = (x − y)(1, 0) + y(1, 1)
Luego aplicamos T a ambos lados de la igualdad y desarrollamos el lado derecho reemplazando T (1, 0) =
(1, 2, −3) y T (1, 1) = (5, −3, −2) cuando corresponde.
(x, y) = (x − y)(1, 0) + y(1, 1) / T

T (x, y) = T ((x − y)(1, 0) + y(1, 1))
T (x, y) = T ((x − y)(1, 0)) + T (y(1, 1))
T (x, y) = (x − y)T (1, 0) + yT (1, 1)
T (x, y) = (x − y)(1, 2, −3) + y(5, −3, −2)
T (x, y) = (x − y + 5y, 2x − 2y − 3y, −3x + 3y − 2y)
T (x, y) = (x + 4y, 2x − 5y, −3x + y)

Finalmente T está definida
T : R2 −→ U
(x, y) −→ (x + 4y, 2x − 5y, −3x + y)
Ejercicio 30. Describir explicitamente la transformación lineal T : R3 → R3 tal que
T (1, 1, 1) = (1, 0, 2), T (1, 0, 1) = (0, 1, 1), T (0, 1, 1) = (1, 0, 1)
3.1. Kernel o Núcleo

Definición 44. Sea T : U → V transformación lineal.
Se define el Kernel o Núcleo de T , denotado por Ker(T ), como el conjunto de las preimagenes del
vector nulo. Es decir:
Ker(T ) = {u ∈ U : T (u) = 0V }
Ejemplo 49.
Sea
T : R3 −→ R2
(x, y, z) −→ (x − 2y + z, 2x + 3y + 2z)
Explicitar el Kernel de T .
Desarrollo:
Ker(T ) = {(x, y, z) ∈ R3 : (x − 2y + z, 2x + 3y + 2z) = (0, 0)}

3 x − 2y + z = 0
= (x, y, z) ∈ R :
2x + 3y + 2z = 0
Resolvemos el sistema mediante su matriz asociada

1 −2 1 1 0 1 x+z =0 x = −z
→ ⇒ ⇔
2 3 2 0 1 0 y=0 y=0
Luego
Ker(T ) = {(x, y, z) ∈ R3 : x = −z ∧ y = 0}
= {(−z, 0, z) ∈ R3 : z ∈ R}
= {z(−1, 0, 1) ∈ R3 : z ∈ R}
= h(−1, 0, 1)i
Por lo tanto Ker(T ) = h(−1, 0, 1)i
Teorema 23. Sea T : U → V transformación lineal entonces Ker(T ) ≤ U
Definición 45. Se define la Nulidad de una transformación lineal T como la dimensión del Kernel
de T. Lo cual denotamos por:
N ul(T ) = dim(Ker(T ))
Ejemplo 50.

Considere la transformación
T : R2 [x] −→ R3
(ax2 + bx + c) −→ (a − b, 2b − c, a + c)
Determinar N ul(T )
Desarrollo:
Ker(T ) = {ax2 + bx + c ∈ R2 [x] : T (ax2 + bx + c) = (0, 0, 0)}

= {ax2 + bx + c ∈ R2 [x] : (a − b, 2b − c, a + c) = (0, 0, 0)}
 
 a−b =0 
= ax2 + bx + c ∈ R2 [x] : 2b − c = 0
a+c =0
 
Resolvemos el sistema mediante su matriz asociada

   
1 −1 0 1 0 0 a=0
 0 2 −1  → 0 1 0 ⇒ b = 0
1 0 1 0 0 1 c=0
Luego:
Ker(T ) = {ax2 + bx + c ∈ R2 [x] : a = b = c = 0} = {0R2 [x] }
Como no existe una base para el Kernel, dim(Ker(T )) = N ul(T ) = 0.
3.2. Imagen o recorrido

Definición 46. Sea T : U → V transformación lineal. Se define la Imagen o recorrido T , denotado
por Im(T ), como el conjunto de todos los vectores que tienen una preimagen. Es decir,
Im(T ) = {v ∈ V : T (u) = v para algún u ∈ U }
Ejemplo 51.
Sea
T : R3 −→ R3
(x, y, z) −→ (2x − y + z, x − y + z, x)
Sea (a, b, c) ∈ R3 . Determinaremos qué condiciones debe cumplir a, b, c para que tenga preimagen, en
efecto:
T (x, y, z) = (a, b, c)
(2x − y + z, x − y + z, x) = (a, b, c)
   
2x − y + z = a 2 −1 1 a 1 0 0 c
x − y + z = b ⇒  1 −1 1 b  →  0 1 −1 c−b 
x =c 1 0 0 c 0 0 0 a−b−c
Ası́ (a, b, c) tiene preimagen si y sólo si el sistema es consistente, es decir:
Im(T ) = (a, b, c) ∈ R3 : a − b − c = 0

= (a, b, c) ∈ R3 : a = b + c

= {(b + c, b, c) : b, c ∈ R}
= {b(1, 1, 0) + c(1, 0, 1) : b, c ∈ R}
= h(1, 1, 0), (1, 0, 1)i

Teorema 24. Sea T : U → V transformación lineal entonces Im(T ) ≤ V .

Teorema 25. Sean U, V R- espacios vectoriales, con dim(U ) = n y dim(V ) = m. Sea T : U → V
transformación lineal. Si {u1 , u2 , · · · , un } es una base de U entonces
Im(T ) = h{T (u1 ), T (u2 ), · · · , T (un )}i
Ejemplo 52.
Considere la transformación
T : R2 [x] −→ R3
(ax2 + bx + c) −→ (a − b, 2b − c, a + c)
Determinar Im(T ).
Desarrollo:
Consideremos {1, x, x2 } base canónica de R2 [x], aplicando teorema anterior tenemos
Im(T ) = hT (1), T (x), T (x2 )i

es decir:
T (1) = (0, −1, 1)
T (x) = (−1, 2, 0)
T (x2 ) = (1, 0, 1)
Por lo tanto Im(T ) = h(0, −1, 1), (−1, 2, 0), (1, 0, 1)i
Definición 47. Se define el Rango de una transformación lineal T como la dimensión de la imagen
de T.
Rg(T ) = dim(Im(T ))
Teorema 26. Sea U un espacio Vectorial de dimensión finita y sea T : U → V transformación lineal,
entonces:
dim(U ) = N ul(T ) + Rg(T ).
Ejemplo 53.
Consideremos la siguiente transformación lineal.
T : R2 [x] −→ R3
(ax2 + bx + c) −→ (a − b, 2b − c, a + c)
Calcular el Rango de T .
Desarrollo:
En el ejemplo 52 calculamos que Im(T ) = h(0, −1, 1), (−1, 2, 0), (1, 0, 1)i, notemos que el conjunto
{(0, −1, 1), (−1, 2, 0), (1, 0, 1)} es linealmente independiente, en efecto:
(0, 0, 0) = α(0, −1, 1) + β(−1, 2, 0) + γ(1, 0, 1)
(0, 0, 0) = (−β + γ, −α + 2β, α + γ)
   
−β + γ = 0 1 −1 0 1 0 0 α=0
−α + 2β = 0 ⇐⇒  0 2 −1  → 0 1 0 ⇒ β = 0
α+γ =0 1 0 1 0 0 1 γ=0
Luego {(0, −1, 1), (−1, 2, 0), (1, 0, 1)} es una base para Im(T ). Por lo tanto Rg(T ) = 3.
Por otra parte, sabemos que dim(R2 [x]) = 3, y en el ejemplo 50 calculamos que N ul(T ) = 0, por lo
tanto se tiene:
dim(R2 [x]) = N ul(T ) + Rg(T )
3=0+3

Ejercicio 31. 1) Dada la transformación lineal
T : R3 −→ M2 (R)
x + 2y − z 2x + 5y − z
(x, y, z) −→
x + 3y y − 2z
a) Obtener Ker(T ) y N ul(T )

b) Obtener Im(T ) y Rg(T )
c) Verifique el teorema de la dimensión.
2) Considere la transformación lineal T : R3 → R3 definida por T (x, y, z) = (x − 2y, z + 4x, z − y).
a) Obtener los subespacios Ker(T ) y Im(T ).

b) Verifique el teorema de la dimensión
c) ¿(1, −2, 0) ∈ Ker(T )? ¿(−1, 3, 2) ∈ Im(T )?
3) Considere la transformación lineal T : R2 [x] → R2 [x] definida por

T (ax2 + bx + c) = (x − 3)(2ax + b).
a) Obtener Ker(T )
b) Obtener Im(T ).
c) Verifique el teorema de la dimensión
3.3. Transformaciones Lineales Biyectivas

Definición 48. Sean U, V espacios vectoriales. Sea T : U → V transformación lineal. Entonces:
1) T es Inyectiva si y sólo si (∀u, v ∈ U )(T (u) = T (v) ⇒ u = v)
2) T es sobreyectiva si y sólo si Im(T ) = V
3) T es biyectiva si y sólo si es inyectiva y sobreyectiva
Teorema 27.
Sean U, V espacios vectoriales. Sea T : U → V transformación lineal. Entonces:
1) T es Inyectiva ⇔ Ker(T ) = 0U
2) T es sobreyectiva ⇔ N ul(T ) + dim(V ) = dim(U )
Ejemplo 54.
Sea
T : R3 −→ R2 [x]
(a, b, c) −→ (a − 2b)x2 + (4a + c)x + (c − b)
¿Es T inyectiva? ¿Es T sobreyectiva?

Desarrollo:
Ker(T ) = {(a, b, c) ∈ R3 : T (a, b, c) = 0R2 [x] }

= {(a, b, c) ∈ R3 : (a − 2b)x2 + (4a + c)x + (c − b) = 0}

Por igualdad de polinomios se tiene el siguiente sistema de ecuaciones

   
a − 2b = 0 1 −2 0 1 0 0 a=0
4a + c = 0 ⇐⇒  4 0 1  →  0 1 0  ⇒ b = 0
c−b =0 0 −1 1 0 0 1 c=0
∴ Ker(T ) = {(0, 0, 0)}
Por lo tanto T es inyectiva.
Del teorema de la dimensión tenemos:
dim(R3 ) = N ul(T ) + Rg(T )
es decir 3 = 0+Rg(T ) luego Rg(T ) = 3. Ası́ dim(Im(T )) = 3. Como Im(T ) ≤ R2 [x] y dim(R2 [x]) = 3
se tiene que Im(T ) = R2 [x]. Por lo tanto T es epiyectiva. Luego T es biyectiva.
Teorema 28. Sean U, V K- espacios vectoriales, con dim(U ) = n y dim(V ) = m

Sea T : U → V transformación lineal. Entonces:
1) T es Inyectiva ⇔ Rg(T ) = n.
2) T es sobreyectiva ⇔ Rg(T ) = m.
Ejemplo 55.
Sea
T : R2 −→ R3
(x, y) −→ (2x − y, x + 3y, x + y)
¿Es T inyectiva?¿Es T sobreyectiva?

Desarrollo:
Determinemos Rg(T ). Consideremos {(1, 0), (0, 1)} base canónica de R2 .
T (1, 0) = (2, 1, 1)
T (0, 1) = (−1, 3, 1)
Luego por teorema 25 se tiene: Im(T ) = h(2, 1, 1), (−1, 3, 1)i. Notemos que los vectores son l.i ya
que ninguno es múltiplo del otro. Ası́ {(2, 1, 1), (−1, 3, 1)} es una base para Im(T ). Por lo tanto
Rg(T ) = 2. Además por el teorema de las dimensiones se tiene dim(R2 ) = N ul(T ) + Rg(T ), es decir,
2 = N ul(T ) + 2, por lo tanto N ul(T ) = 0, luego Ker(T ) = {(0, 0, 0)} Por lo tanto T es inyectiva.
Pero T no es epiyectiva ya que Rg(T ) 6= dim(R3 ).

x−y x+y+z
Ejercicio 32. 1) Sea T : R4 −→ M2 (R) definida por T (x, y, z, w) = .
x+y−z 2x + z
Determinar si T es biyectiva.

a + b a − 2b + c
2) Sea T : R2 [x] −→ M2 (R) definida por T (ax2 + bx + c) = . Determinar si
b − 2c a+c
T es biyectiva.

3.4. Algebra de Transformaciones Lineales

Definición 49. Sean U, V espacios vectoriales. Sean F, G transformaciones lineales de U en V . De-
finimos la suma de transformaciones lineales por
F + G : U −→ V
u → F (u) + G(u)
Definimos la multiplicación por el escalar α de la transformación lineal por
αF : U −→ V
u → α · F (u)
Definamos la transformación lineal identidad sobre el espacio vectorial U por
IdU : U → U
u → IdU (u) = u
Sean F : U → V y G : V → W transformaciones lineales. Se define la función compuesta de F

con G por
G ◦ F : U −→ W
u → G(F (u))
Donde F +G, αF y IdU son transformaciones lineales y la compuesta de transformaciones lineales

es una transformación lineal.
Ejemplo 56.
1) Sean las siguientes transformaciones lineales:
F :R2 −→ R3 ; G :R2 −→ R3
(x, y) −→ (x − 4y, 2x + y, x) (x, y) −→ (2x − y, x − 3y, y)
Explicitar la Transformación F + G y 3F .
Desarrollo:
Sea (x, y) ∈ R2
(F + G)(x, y) = F (x, y) + G(x, y)

= (x − 4y, 2x + y, x) + (2x − y, x − 3y, y)
= (3x − 5y, 3x − 2y, x + y)
Ası́
F +G: R2 −→ R3
(x, y) −→ (3x − 5y, 3x − 2y, x + y)
Por otra parte
(3F )(x, y) = 3F (x, y)

= 3(x − 4y, 2x + y, x)
= (3x − 12y, 6x + 3y, 3x)
Luego
3F : R2 −→ R3
(x, y) −→ (3x − 12y, 6x + 3y, 3x)

2) Sean las siguientes transformaciones lineales:
F :R2 −→ R3 ; G :R3 −→ R2
(x, y) −→ (x − 4y, 2x + y, x) (x, y, z) −→ (2x − y − z, x − 3y + 2z)
Explicitar F ◦ G.
Desarrollo:
Entonces: F ◦ G : R3 → R3 se obtiene por:
(F ◦ G) (x, y, z) = F (G(x, y, z))

= F (2x − y − z, x − 3y + 2z)
= ((2x − y − z) − 4(x − 3y + 2z), 2(2x − y − z) + (x − 3y + 2z), 2x − y − z)
= (−2x + 11y − 9z, 5x − 5y, 2x − y − z)
Luego:
F ◦G: R3 → R3
(x, y, z) → (−2x + 11y − 9z, 5x − 5y, 2x − y − z)
3.5. Transformación lineal Inversa

Definición 50. Sea T : U → V diremos que existe la inversa de T si y solo si existe L : V → U tal
que
L ◦ T = IdU y T ◦ L = IdV .
La notación para la transformación lineal inversa es T −1
Teorema 29. Sea T : U → V . La transformación lineal inversa de T existe si y sólo si T es biyectiva.
Observación 27.
1) Si T es una transformación lineal invertible entonces T −1 es transformación lineal.
2) Se cumple que: (T −1 )−1 = T
Ejemplo 57.
Sea
T : R3 −→ R3
(x, y, z) −→ (2x − y + z, x − y + 2z, x + z)
Demostraremos que T es biyectiva y encontraremos T −1 .
Desarrollo:
Sea (x, y, z) ∈ R3 tal que :
T (x, y, z) = (0, 0, 0)
(2x − y + z, x − y + 2z, x + z) = (0, 0, 0)
tenemos el siguiente sistema de ecuaciones
2x − y + z = 0
x − y + 2z = 0
x+z =0

cuya matriz asociada es equivalente a la identidad

   
2 −1 1 1 0 0 x=0
1 −1 2 → 0 1 0 =⇒ y = 0
1 0 1 0 0 1 z=0
Ası́ Ker(T ) = {(0, 0, 0)} por lo tanto T es inyectiva

Para determinar la epiyectividad determinanermos si se verifica la igualdad N ul(T ) + dim(V ) =
dim(U )
N ul(T ) + dim R3 = dim R3

0 + 3 =3
Se cumple la igualdad por lo tanto T es sobreyectiva. Luego T es biyectiva. Entonces existe T −1 .

Explicitemos la transformación inversa.
T (x, y, z) = (a, b, c)
(2x − y + z, x − y + 2z, x + z) = (a, b, c)
2x − y + z = a
x − y + 2z = b
x+z =c
cuya matriz asociada es equivalente a la identidad

   
2 −1 1 a 1 0 0 c
 1 −1 2 b  →  0 1 0 b − 2a + 3c 
1 0 1 c 0 0 1 c−a+b
Entonces
x= c
y = b − 2a + 3c
z = c−a+b
Ası́:
T (x, y, z) = (a, b, c)
T (c, b − 2a + 3c, c − a + b) = (a, b, c)
(c, b − 2aa + 3c, c − a + b) = T −1 (a, b, c)
Por lo tanto:
T −1 : R3 −→ R3
−1
(a, b, c) −→ T (a, b, c) = (c, b − 2aa + 3c, c − a + b)
Definición 51. 1) Sea T : U → V diremos que T es un isomorfismo si y sólo si T es una trans-

formación lineal biyectiva.
2) Sean U, V espacios vectoriales sobre R. Diremos que U es isomorfo a V si y sólo si existe un

isomorfismo T : U → V . Anotamos esto por U ' V .

Proposición 9. Dos espacios vectoriales de dimensión finita son isomorfos si y sólo si tienen la misma
dimensión, es decir,
U ' V ⇔ dim(U ) = dim(V )
Observación 28. Si dos espacios vectoriales son isomorfos no significa que sean iguales, pero toda
propiedad relacionada con la estructura de espacio vectorial que posea uno de ellos se transfiere al otro
a través del isomorfismo.
Ejemplo 58.
Consideremos la siguiente transformación lineal
T : R2 [x] −→ R3
ax2 + bx + c −→ (a, b, c)
Sea ax2 + bx + c ∈ R2 [x] tal que
T (ax2 + bx + c) = (0, 0, 0)
(a, b, c) = (0, 0, 0)
luego a = 0, b = 0, c = 0. Ker(T ) = {(0, 0, 0)} por lo tanto T es inyectiva.

Para determinar la epiyectividad verificaremos si N ul(T ) + dim(V ) = dim(U )
N ul(T ) + dim R3 = dim (R2 [x])

0 + 3 =3
De lo anterior T es sobreyectiva. Luego T es biyectiva. Como T es una transformación lineal biyectiva

entonces T es un Isomorfismo. O equivalente R2 [x] es isomorfo a R3
Ejercicio 33. 1) Dada la transformación lineal T : R2 →R2 , T (x, y) = (−2x + y, 3x + y)
a) Determinar (T ◦ T ) (x, y) .
b) Hallar,si existe, T −1 (a, b) .
2) Sea h : R3 →R2 [x] una transformación lineal definida por
h (a, b, c) = (a − 3b − 2c) x2 + (b + c) x − (a + c)
a) ¿ h es inyectiva ?
b) ¿ h es epiyectiva ?
c) ¿ h es isomorfismo?
3) Dada la transformación lineal T : R3 →R3 , donde:
T (x, y, z) = (x + 2y + z, x − y + 3z, − x + y + 2z)
a) Demostrar que T es un isomorfismo.

b) Calcular T −1 (x, y, z) .

3.6. Matriz Asociada

Definición 52. Sean U y V dos espacios vectoriales sobre R, además B = {u1 , ..., un } y C =
{v1 , ..., vm } bases ordenadas de U y V respectivamente. Sea T una transformación lineal de U en
V . Se define la matriz asociada a T en las bases B y C por:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
[T ]C = ..  ∈ Mm×n (R)
 
B  .. ..
 . . . 
am1 am2 · · · amn
donde T (uj ) = a1j v1 + a2j v2 + · · · + amj vm para j = 1, 2, . . . , n

Observación 29. 1) Observe que la columna j-ésima de la matriz [T ]C
B corresponde a las coorde-
nadas del vector T (uj ) en la base ordenada C, esto es:
 
a1j
 a2j 
[T (uj )]C =  . 
 
 .. 
amj
2) Si T : U → U y además la base B del espacio de partida es igual al del espacio de llegada, la

matriz asociada a la transformación lineal se denota por [T ]B (es decir, [T ]B = [T ]B
B ).
Ejemplo 59.
Sea
T : R3 → R2
(x, y, z) → T (x, y, z) = (5x − 2y + 3z, x + 4y − 2z)
Determinar la matriz asociada a T en la base canónica de cada espacio.
Desarrollo:
Consideremos CR3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} la base canónica de R3
y CR2 = {(1, 0), (0, 1)} la base canónica de R2 , entonces la transformación lineal actúa de la siguiente
forma:
T : R3 → R2
(1, 0, 0) → T (1, 0, 0) = (5, 1) = 5(1, 0) + 1(0, 1)
(0, 1, 0) → T (0, 1, 0) = (−2, 4) = −2(1, 0) + 4(0, 1)
(0, 0, 1) → T (0, 0, 1) = (3, −2) = 3(1, 0) + (−2)(0, 1)

CR2 5 −2 3
Por lo tanto [T ]C 3 =
R 1 4 −2
Ejercicio 34. 1) Sea T : R3 → R2 la transformación lineal definida por:
T (u1 , u2 , u3 ) = (u1 − u2 + 2u3 , u1 + 3u2 )
y las bases B1 = {(1, 0, −1) ; (2, 1, 0) ; (0, 1, 1)} y B2 = {(−2, 1) ; (1, −1)} de R3 y R2 respectiva-
mente. Se pide:
a) Matriz asociada a T en las bases canónicas de R3 y R2 .

b) Matriz asociada a T en las base B1 de R3 y la canónica de R2
c) Matriz asociada a T en las bases canónica de R3 y B2 de R2 .
d) Matriz asociada a T en las bases B1 de R3 y la base B2 de R2 .

Teorema 30. Sean U y V espacios vectoriales de dimensión finita y T una transformación lineal de
U y V , entonces:
[T (u)]C = [T ]C
B [u]B
donde B y C son bases de U y V respectivamente.
Ejemplo 60.
1) Sean B = {(1, 1, 1); (0, 1, 1); (1, 0, 1)} y D = {(1, 1); (0, 1)} bases de R3 y R2 respectivamente y
T una transformación lineal tal que:

4 2 −2
[T ]C
B =
−3 −1 1
Hallar T (x, y, z).

Desarrollo:
Reordenando la información tenemos:
T : R3 → R2
B D
Determinando (x, y, z) en B se tiene:
a(1, 1, 1) + b(0, 1, 1) + c(1, 0, 1) = (x, y, z)

   
a+c = x 1 0 1 x 1 0 0 x−z+y
a+b = y  1 1 0 y → 0 1 0 z−x 
a+b+c = z 1 1 1 z 0 0 1 z−y
Por lo tanto: a = x − z + y, b = z − x, c = z − y. Ası́:

 
x−z+y
[(x, y, z)]B =  z − x 
z−y
Por teorema se tiene: [T (u)]D = [T ]D

B [u]B . Luego
 
x−z+y
4 2 −2 
[T (x, y, z)]D = z−x 
−3 −1 1
z−y
4(x − z + y) + 2(z − x) − 2(z − y)
=
−3(x −
z + y) − (z − x)
+ (z − y)
2x − 4z + 6y
=
−2x + 3z − 4y
Luego T (x, y, z) = (2x − 4z + 6y)(1, 1) + (−2x + 3z − 4y)(0, 1) = (2x − 4z + 6y, −z + 2y).

Por lo tanto la transformación lineal queda definida por:
T : R3 −→ R2
(x, y, z) → (2x − 4z + 6y, −z + 2y)

2) Sea B = {(1, 1, 1), (0, 1, 1), (1, 0, 1)} y D = {(1, 1, 0), (1, 0, 1), (1, 2, 3)} bases de R3 y T una
transformación lineal tal que  
4 2 −2
[T ]D
B =
−3 −1 1 
1 2 −2
Determinar, sin explicitar T (x, y, z), una base para el Ker(T ) y para la Im(T ).
Desarrollo:
Sea u ∈ Ker(T ), luego T (u) = 0, por lo cual [T (u)]D = 0. Por el teorema anterior tenemos
[T (u)]D = [T ]D
B [u]B
es decir 0 = [T ]D
B [u]B , remplazando tenemos:
    
4 2 −2 a 0
−3 −1 1   b  = 0
1 2 −2 c 0
resolviendo el sistema homogéneo, mediante la matriz, obtenemos:

   
4 2 −2 1 0 0
−3 −1 1  → 0 1 −1
1 2 −2 0 0 0
   
a 0
es decir a = 0 y b = c por lo tanto [u]B = b = c  las coordenadas del vector u es decir:
  
c c
u = 0(1, 1, 1) + c(0, 1, 1) + c(1, 0, 1)

= (c, c, 2c)
= c(1, 1, 2)
Por lo tanto Ker(T ) = h(1, 1, 2)i. Como {(1, 1, 2)} es linealmente independiente, entonces
{(1, 1, 2)} es una base de Ker(T ).
Sabemos por lo anterior que Rg(T ) es igual a 2, luego basta encontrar dos vectores linealmente
independiente de Im(T ). Como
     
4 2 −2
[T (1, 1, 1)]D = −3 ; [T (0, 1, 1)]D = −1 ; [T (1, 0, 1)]D =  1 
1 2 −2
entonces
T (1, 1, 1) = 4(1, 1, 0) − 3(1, 0, 1) + 1(1, 2, 3) = (2, 6, 0)
T (0, 1, 1) = 2(1, 1, 0) − 1(1, 0, 1) + 2(1, 2, 3) = (3, 6, 5)
T (1, 0, 1) = −2(1, 1, 0) + 1(1, 0, 1) − 2(1, 2, 3) = (−3, −6, −5)
Luego por teorema 25 se tiene:
Im(T ) = hT (1, 1, 1), T (0, 1, 1), T (1, 0, 1)i

= h(2, 6, 0), (3, 6, 5), (−3, −6, −5)i
= h(2, 6, 0), (3, 6, 5)i
Además el conjunto {(2, 6, 0), (3, 6, 5)} es linealmente independiente, por lo tanto {(2, 6, 0), (3, 6, 5)}
es una base de Im(T ).

Ejercicio 35. Dada una transformación lineal T : R3 →R3 y B = {(1, 1, 0) , (1, 0, 1) , (1, 0, 0)} base

1 1 1
ordenada de R3 y C = {(1, 0, 1) , (0, 1, 1) (1, 1, 1)} base ordenada de R3 tal que [T ]C
B =  2 1 0 
1 2 3
1) Explicitar T ((x, y, z))
2) Hallar una base del Ker (T ) .
3) Hallar una base de Im (T ) .
Teorema 31. Sean U, V y W espacios vectoriales de dimensión finita sobre R con B, C, D bases de
U, V, W respectivamente. Si T, L son transformaciones lineales de U en V , F es otra transformación
lineal de V en W y α ∈ R entonces:
1) [T + αL]C C C
B = [T ]B + α[L]B
2) [F ◦ T ]C D C
B = [F ]C [T ]B
Corolario 5. Sea U un espacio vectorial de dimensión finita sobre R y B base de U . Si T es una

transformación lineal de U en U , entonces:
[T ◦ T ]B B B B 2
B = [T ]B [T ]B = ([T ]B )
Ejemplo 61.

1 3
1) Sean T : R2 → R2 tal que T (1, 0) = (2, 1) T (0, 1) = (1, 1), [L]C = donde C =
2 3
{(1, 0), (0, 1)}
Encontrar [T ◦ L]C
Desarrollo:
2 1
Calculando la matriz asociada a T en la base canónica es [T ]C =
1 1
Luego
2 1 1 3 4 9
[T ◦ L]C = [T ]C · [L]C = =
1 1 2 3 3 6
2) Sea T : R2 −→ 2
R una transformación lineal cuya matriz asociada en la base canonica es
3 2
[T ]C =
1 −4
Determinar (T ◦ T )(x, y)
Desarrollo:
Por Corolario anterior
2
2 3 2 11 −2
[T ◦ T ]C = ([T ]C ) = =
1 −4 −1 18

11 −2 x 11x − 2y
Luego [T (x, y)]C = · =
−1 18 y C −x + 18y
Luego se tiene que (T ◦ T )(x, y) = (11x − 2y)(1, 0) + (−x + 18y)(0, 1) = (11x − 2y, −x + 18y).
Teorema 32. Sean U y V espacios vectoriales de dimensión finita sobre R, además B y C bases de
U y V respectivamente. Si T es una transformación lineal de U en V , entonces:
1) T es un isomorfismo si y sólo si [T ]C
B es regular (invertible).

−1
2) Si T es un isomorfismo, entonces [T −1 ]B C
C = [T ]B .
Ejemplo 62.
Sean B = {(1, 1, 1); (0, 2, −1); (1, 0, 1)}, D = {(1, 2, 1); (1, 3, 2); (2, 1, 3)} bases de R3 y T una transfor-
mación lineal tal que:  
5 2 −2
[T ]D
B =
−3 −1 1 
1 4 −3
Demostrar que T es un isomorfismo y explicitar T −1 .
Desarrollo:
Para demostrar que T es un isomorfismo basta calcular el determinante de [T ]D

B y comprobar que
es distinto de 0.
 

5 2 −2
 −3 −1 1  = 1 6= 0

1 4 −3
Por lo tanto la matriz es invertible, luego T es un isomorfismo. Ahora, si queremos explicitar la
transformación lineal inversa, tenemos: [T −1 ]B D −1 . Ası́:

D = [T ]B
 −1  
5 2 −2 −1 −2 0
[T −1 ]B
D =
−3 −1 1  =  −8 −13 1
1 4 −3 −11 −18 1
Necesitamos determinar las coordenadas de (x, y, z) en base D. Ası́:
(x, y, z) = a(1, 2, 1) + b(1, 3, 2) + c(2, 1, 3)
= (a + b + 2c, 2a + 3b + c, a + +2b + 3c)
Luego:
7x y 5z
 
  1 0 0 4 + 4 −
a + b + 2c = x 1 1 2 x 4
y 5x 3z
 
2a + 3b + c = y reduciendo  2 3 1 y  →   0 1 0 4 − 4 + 
4 
a + 2b + 3c = z 1 2 3 z z x y
0 0 1 4 + 4 − 4
 7x y 5z 
4 + 4 − 4
 y 5x 3z 
Por lo tanto: [(x, y, z)]D =  4 − 4 + 4 
 
 z x y 
4 + 4 − 4
Luego:
[T −1 (x, y, z)]B = [T −1 ]B
D [(x, y, z)]D 
y

  7x 4 + 4 −
5z
4
−1 −2 0 
 y 5x

3z 
=  −8 −13 1  4 − 4 + 4 
−11 −18 1 y 
 z x
4 + 4 − 4
 3x 3y z 
4 − 4 − 4
 5x 11y z 
 
=  2 − 2 + 2
 7x 15y z 
2 − 2 + 2
 0
a
=  b0 
c0

Entonces se tiene que T −1 (x, y,

z) = a0 (1, 1, −1) + b0 (0, 2, −1) + c0 (1, 0, 1).
−1 17x 33y z 23x 47y 3z x 5y z
Por lo tanto: T (x, y, z) = − + ; − + ; − +
4 4 4 4 4 4 4 4 4
Ejercicio 36. Sea T : R3 → R3 una transformación lineal y B = {(1, 1, 1), (1, −1, 1), (1, 1, −1)} una
base ordenada de R3 y C = {(1, 1, 2), (2, 1, 1), (1, 2, 1)} una base ordenada de R3 tal que
 
1 1 −1
[T ]CB =  2 −1 1 
1 3 2
1) Hallar una base para Im(T )
2) Demostrar que T es un isomorfismo
3) Calcular T −1 (x, y, z)
3.7. Matriz Cambio de Base

Definición 53. Sea U un R-espacio vectorial de dimensión finita, B y C bases de U la transformación
lineal:
Id : U → U
u → u
tiene asociada su matriz en las bases B y C denotada por [Id]C
B.
Observación 30. Matriz cambio de base es un caso particular de la matriz asociada , en efecto, es
cuando la transformación lineal es la identidad.
Proposición 10. Sea U un espacio vectorial real de dimensión finita sobre R con B y C bases de U ,
entonces:
1) [Id]C
B [u]B = [u]C , es decir, cambia las coordenadas de un vector de base en base.
2) [Id]C B −1

B = [Id]C
3) [Id]B
B = In
Ejemplo 63.
Consideremos las siguientes bases en R3 , C = {(1, 0, 1), (1, 2, 3), (0, 0, −1)} y B = {(1, 1, 1), (1, 0, 0), (0, 1, 0)}.
La matriz cambio base de B en C esta dada por:
Id(1, 1, 1) = a(1, 0, 1) + b(1, 2, 3) + c(0, 0, −1)

Id(1, 0, 0) = a0 (1, 0, 1) + b0 (1, 2, 3) + c0 (0, 0, −1)
Id(0, 1, 0) = a00 (1, 0, 1) + b00 (1, 2, 3) + c00 (0, 0, −1)
Luego:
−1
1 
2 1 2
1 
1 
[Id]C 0
B =

2 2 
 
1 1 1
Sea (1, 3, −2) ∈ R3 , entonces se tiene:
R3 → R3
(1, 3, −2)B → [Id]C
B [(1, 3, −2)]B = [(1, 3, −2)]C

 
−2
en efecto, si [(1, 3, −2)]B =  3 , entonces las coordenadas del vector (1, 3, −2) en base C esta
5
dado por:
−1
1   −1 
2 1 2   2
1 1
 −2  −3 
2 0 2   3  =  2 
   
5
   
1 1 1 6
Es decir, el vector (1, 3 − 2) con la base B se escribe como: (1, 3, −2) = −2(1, 1, 1) + 3(1, 0, 0) +
−1 −3
5(0, 1, 0) y con la base C se escribe como: (1, 3, −2) = (1, 0, 1) + (1, 2, 3) + 6(0, 0, −1).
2 2
Teorema 33. Sean U y V dos espacios vectoriales de dimensión finita sobre R, además B y B 0 bases
de U , C y C 0 bases de V . Si T es una transformacion lineal de U en V entonces:
0 0
[T ]C C C B
B = [Id]C 0 [T ]B 0 [Id]B
Ejemplo 64.
Sean B = {(1, 1, −1); (0, 2, −1); (1, 0, 1)}, D = {(1, 2, 1); (1, 3, 2); (2, 1, 3)} bases de R3 y T una trans-
formación lineal tal que:  
5 2 −2
[T ]D
B =
−3 −1 1 
1 4 −3
Calcular [T ]B
B.
Desarrollo:
Usando el teorema anterior:
[T ]B B D B B D
B = [Id]D [T ]B [Id]B = [Id]D [T ]B I3
Calcularemos [Id]B
D:
Id(1, 2, 1) = a(1, 1, −1) + b(0, 2, −1) + c(1, 0, 1)

Id(1, 3, 2) = a0 (1, 1, −1) + b0 (0, 2, −1) + c0 (1, 0, 1)
Id(2, 1, 3) = a00 (1, 1, −1) + b00 (0, 2, −1) + c00 (1, 0, 1)
Ası́:    
1 0 1 1 1 2 1 0 0 −2/3 −5/3 −1
 1 2 0 2 3 1  →  0 1 0 4/3 7/3 1 
−1 −1 1 1 2 3 0 0 1 5/3 8/3 3
Entonces
     
−2/3 −5/3 −1
[(1, 2, 1)]B =  4/3  ; [(1, 3, 2)]B =  7/3  ; [(2, 1, 3)]B =  1
5/3 8/3 3
 
−2/3 −5/3 −1
B
Con lo cual obtenemos: [Id]D =  4/3 7/3 1
5/3 8/3 3
Finalmente:
[T ]B
B = [Id]
B D
 D [T ]B  
−2/3 −5/3 −1 5 2 −2
=  4/3 7/3 1  −3 −1 1 
 5/3 8/3 3 1 4 −3
2/3 −11/3 8/3
=  2/3 13/3 −10/3
10/3 38/3 −29/3

Ejercicio 37.
 
1 2 0
Dada T : R3 →R3 tal que [T ]B2
B1 =  1 1 1  , donde
3 −1 1
B1 = {(1, 1, 2) , (0, 1, 1) , (−1, 0, 0)} ; B2 = {(1, 1, 1) , (0, 1, 1) , (0, 0, 1)} ,
son bases de R3 .
1) Encuentre T (1, 3, 1) sin calcular T (x, y, z) .
2) Determine T −1 (x, y, z) , si existe.
3) Encuentre [T ]B4
B3 , sin calcular T (x, y, z) , donde
B3 = {(0, 1, 2) , (1, 1, 1) , (0, 1, 0)} , B4 = {(1, 1, 0) , (1, −1, 1) , (1, 0, 0)}
3.8. Diagonalización
Definición 54. Sean V un R-espacio vectorial y T una transformación lineal de V en V .
1) Se dice que λ ∈ R es un Valor Propio de T si y sólo si existe v ∈ V − {0V } tal que T (v) = λv.
2) Se dice que v ∈ V − {0V } es un Vector Propio de T si y sólo si existe λ ∈ R tal que T (v) = λv.
Ejemplo 65.
Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)
Determinar todos los valores propios asociados a F .
Desarrollo:
F (x, y) = λ(x, y)
⇔ (x + y, 3x − y) = λ(x, y)
⇔ (x + y, 3x − y) − λ(x, y) = (0, 0)
⇔ (x + y − λx, 3x − y − λy) = (0, 0)
Eso se reduce a:
x + y − λx = 0 (1 − λ)x + y = 0
⇔
3x − y − λy = 0 3x + (−1 − λ)y = 0
Como el sistema es homogéneo y buscamos una solución no trivial entonces el sistema debe tener
infinitas soluciones. Por lo tanto el determinante de la matriz asociada debe ser cero. En efecto:

(1 − λ) 1
= (1 − λ)(−1 − λ) − 3 = −1 − λ + λ + λ2 − 3 = λ2 − 4 = 0
3 (−1 − λ)
Como λ2 − 4 = (λ − 2)(λ + 2) = 0 entonces λ = 2 ∨ λ = −2. Por lo tanto los valores propios son
2, −2.
Definición 55. Sea A ∈ Mn (R) entonces:

→
−
1) Se dice que λ ∈ R es un valor propio de A, si existe v ∈ Rn − { 0 } tal que Av = λv.
→
−
2) Se dice que v ∈ Rn − { 0 } es un vector propio de A, si y sólo si existe λ ∈ R tal que Av = λv.
Observación 31. 1) Sea V un espacio vectorial, T : V → V una transformación lineal, λ ∈ R, λ

es un valor propio de T , si y sólo si existe v ∈ V − {0V }, tal que:
T (v) = λv con v 6= 0
⇔ (T − λI)v = 0 con v =6 0
⇔ v ∈ Ker(T − λI) con v 6= 0
⇔ Ker(T − λI) 6= {0V }
De aquı́ se obtienen los valores propios de T .
2) Si A ∈ Mn (R), λ valor propio de A, si y sólo si,
Av = λv con v 6= 0
⇔ Av − λv = 0
⇔ (A − λI)v = 0 con v 6= 0
Notar que I(v) = v. Este es un sistema de ecuaciones homogeneo con solución distinta de la
trivial, por lo tanto det(A − λI) = 0, de esta ecuación se obtienen los valores propios de A.
Ejemplo 66.

1 −2
Sea A = . Encontrar los valores propios de A y los vectores propios asociados a cada valor
−1 0
propio.
Desarrollo:
Sea λ un valor propio de A. En efecto, λ es valor propio de A si es solución de det(A − λI) = 0,
entonces se tiene:
1 − λ −2
−1 −λ = 0

Calculando obtenemos (−λ)(1 − λ) − 2 = 0 ⇔ (λ − 2)(λ + 1) = 0 de donde se obtienen los valores

propios de A,a saber, λ = 2, λ = −1
Definición 56.
1) Sea λ un valor propio de una transformación lineal T de V en V . Se define el espacio propio Vλ
como el conjunto de todos los vectores propios asociados a λ, además del vector nulo, es decir:
Vλ = {v ∈ V : T (v) = λv}
2) Sea λ un valor propio asociado a la matriz A. Se define el espacio propio asociado a λ como el
conjunto de todos los vectores propios asociados a λ, además del vector nulo, es decir:
Wλ = {v ∈ Rn : Av = λv}
Observación 32. Vλ , Wλ son subespacios vectoriales de V .
Ejemplo 67.
1) Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)

Determinar todos los espacios propios asociados a F , sabiendo que 2 y −2 son los únicos valores
propios.
Desarrollo:
Calculemos el espacio propio asociado al valor propio 2
V2 = {(x, y) ∈ R2
: T (x, y) = 2(x, y)}
= {(x, y) ∈ R2
: (x + y, 3x − y) = (2x, 2y)}
= {(x, y) ∈ R2
: (x + y − 2x, 3x − y − 2y) = (0, 0)}
{(x, 2
= y) ∈ R : (y − x, 3x − 3y) =(0, 0)}
y−x = 0
= (x, y) ∈ R2 :
3x − 3y = 0
= {(x, y) ∈ R2 : y = x}
= h(1, 1)i
Calculemos el espacio propio asociado al valor propio −2
V−2 = {(x, y) ∈ R2 : T (x, y) = −2(x, y)}

= {(x, y) ∈ R2 : (x + y, 3x − y) = (−2x, −2y)}
= {(x, y) ∈ R2 : (x + y + 2x, 3x − y + 2y) = (0, 0)}
= {(x, y) ∈ R2 : (3x + y, 3x + y) = (0, 0)}
= {(x, y) ∈ R2 : 3x + y = 0}
= h(1, −3)i

1 −2
2) Sea A = . Encontrar los vectores propios.
−1 0
Desarrollo:
Del ejercicio anterior relacionado podemos ver que los valores propios de la matriz A son λ1 = 2
y λ2 = −1.
Para el valor propio λ1 = 2 se tiene:
W2 = {v ∈ R2 : Av = 2v}
{v ∈ R2 : Av −
= 2v = 0}
2 1 −2 x 0
= (x, y) ∈ R : − 2I =
−1 0 y 0
−1 −2 x 0
= (x, y) ∈ R2 : =
−1 −2 y 0
2
= {(x, y) ∈ R : −x − 2y = 0}
= {(−2y, y) : y ∈ R}
= h(−2, 1)i
Para el valor propio λ1 = −1 se tiene:
W2 = {v ∈ R2 : Av = −1v}
= {v 2
∈ R : Av + 1v = 0}
2 1 −2 x 0
= (x, y) ∈ R : + 1I =
−1 0 y 0
2 −2 x 0
= (x, y) ∈ R2 : =
−1 −1 y 0
= {(x, y) ∈ R2 : 2x − 2y = 0}
= {(y, y) : y ∈ R}
= h(1, 1)i

Teorema 34. Sean U un espacio vectorial de dimensión n sobre R, B una base de U y T una transfor-
mación lineal de U en U entonces, λ ∈ R es un valor propio asociado a T si y sólo si [T ]B
B − λIn = 0

Ejemplo 68.
Dada
T : R3 → R3
(x, y, z) → (2x − y + z, x − y + z, x)
Determinar los valores propios de T .
Desarrollo:
El teorema anterior, nos permite escoger cualquier base del espacio vectorial entonces C = {e1 , e2 , e3 }
base canónica de R3 . La matriz asociada esta dada por:
T (1, 0, 0) = (2, 1, 1)
T (0, 1, 0) = (−1, −1, 0)
T (0, 0, 1) = (1, 1, 0)
Por lo tanto la matriz asociada a la base canónica esta dada por:
 
2 −1 1
[T ]C = 1 −1 1
1 0 0
Luego, λ es un valor propio de T si y sólo si:
  |[T ]C − λI3| = 0

2 −1 1 1 0 0

1 −1 1 − λ 0 1 0 = 0

1 0 0 0 0 1
 
2−λ −1 1

 1
−1 − λ 1  = −λ(2 − λ)(−1 − λ)
1 0 −λ
Ası́ los valores propios de T son 0, −1, 2.
Definición 57. 1) Sean U un espacio vectorial de dimensión n sobre R, B una base de U y T una
T.L. de U en U . Se define el Polinomio Caracteristico de T por:
pT (x) = |[T ]B − xIn |
2) Sean A ∈ Mn (R). Se define el Polinomio Caracteristico de A por:
pA (x) = |A − xIn |
Proposición 11. Sea p(x) un polinomio caracteristico de una T.L. o de una matriz. Las raices del
polinomio caracteristico son los valores propios de la T.L. o de la matriz.
Ejemplo 69.

a b
1) Sea [TB ] = , entonces
c d

a b 1 0 2
c d − x 0 1 = x − (a + d)x + (ad − bc)

Por lo tanto pT (x) = x2 − (a + d)x + (ad − bc) se llama polinomio caracterı́stico de T .


1 4
2) Sea A = , entonces
2 3

1−x 4 = x2 − 4x − 5

2 3−x
Por lo tanto pA (x) = x2 − 4x − 5 es el polinomio caracteristico de A y los valores propios estan

dados por las raices del polinomio, es decir, x1 = 5, x2 = −1.
3
 = (−x − z,−7x + 4y + 13z, x − 3z) si C es la base canónica de R , entonces
3) Sea T (x, y, z)
−1 0 −1
A = [T ]B = −7 4 13 
1 0 −3
El polinomio caracteristico de T ,es el polinomio caracterı́stico de A el cual esta dado por: pT (x) =
(4−x)(x+2)2 . Ası́ los valores propios son x1 = 4, x2 = −2 y los espacios propios estan generados
por los siguientes vectores propios:
W4 = h(0, 1, 0)i W−2 = h(1, −1, 1)i
Observación 33. Consideremos el ejemplo anterior.
1) Tomemos otra base en R3 , digamos B = {(1, 1, 0), (0, 1, 0), (0, 0, 1)}. Entonces:
 
−1 0 −1
[T ]B = −2 4 14 
1 0 −3
Luego su polinomio caracterı́stico esta dado por:

 
−1 − x 0 −1
14  = (4 − x)(x + 2)2

 −2 4−x

1 0 −3 − x
Observar que es el mismo polinomio caracteristico y ası́ los mismos valores propios, es decir no
depende de la base elegida.
2) Si consideramos dos matrices con el mismo polinomio caracterı́stico, no necesariamente sus

espacios propios son iguales. En efecto, sean
   
−1 0 −1 1 3 6
A = −7 4 13  y D = −3 −5 −6
1 0 −3 3 3 4
Las dos matrices tiene como polinomio caracteristico p(x) = (4 − x)(x + 2)2 y ası́ valores pro-
pios: x1 = 4, x2 = −2. Pero los espacios propios asociados a A son: W4 = h(0, 1, 0)i, W−2 =
h(1, −1, 1)i, y los espacios propios asociados a D son: W4 = h(1, −1, 1)i, W−2 = h(1, −1, 0), (0, −2, 1)i.
Definición 58. Sean A y B ∈ Mn (R). Diremos que A y B son similares o semejantes si existe una
matriz P invertible tal que A = P BP −1 o equivalentemente B = P −1 AP
Observación 34. 1) A = P BP −1 es equivalente con P B = AP .
2) Dos matrices similares tienen el mismo polinomio caracterı́stico.
3) Dos matrices similares tienen los mismos valores propios con las mismas multiplicidades.

4) Dos matrices que representan la misma transformación lineal respecto a diferentes bases son
similares, ya que [T ]B = P −1 [T ]B 0 P según teorema 33.
5) Dos matrices similares tienen igual determinante, traza y rango.
6) Si A es similar con B, denotamos por A ∼ B.
Ejemplo 70.
     
−3 −4 0 −2 1 0 0 0 1 0 4 1
8 13 4 8  0 1 0 0 1 1 2 1
Sabiendo que A = P BP −1 , con A = 
    
,B =  ,P =  
 4 6 3 4  0 0 −1 0  2 3 1 2
−12 −20 −8 −13 0 0 0 −1 0 1 1 1
6
Mostrar que A = I.
Desarrollo:
Como A6 = A5 · A, pero como A es similar con B, entonces:
A6 = (P BP −1 )6 = P BP −1 · · · · · P BP −1 = P B 6 P −1
 6   
1 0 0 0 1 0 0 0
 0 1 6 0 0  0 1
  0 0
Como B es diagonal entonces: B 6 = 
 0 0 (−1)6 = 
0  0 0 1 0
0 0 0 (−1)6 0 0 0 1
6 −1 −1
ası́ A = P I4 P = P P = I4 .
Definición 59. Sea A ∈ Mn (R) se dice diagonalizable si es similar a una matriz diagonal D, es decir
existe una matriz P invertible de tamaño n × n tal que D = P −1 AP .
Teorema 35. Sea A ∈ Mn (R) es diagonalizable si y sólo si A tiene n vectores propios linealmente
independientes.
Ejemplo 71.
Consideremos la matriz  
−1 0 −1
A = −2 4 14 
1 0 −3
sabemos que el polinomio caracteristico esta dado por p(x) = (4 − x)(x + 2)2 .
Veamos si es diagonalizable.
Desarrollo:
Para esto veremos que tenga 3 vectores linealmente independientes.
Para x1 = 4 se tiene que:
        
−5 0 −1 x 0 x 0
−2 0 14  y  = 0 ⇒ y  = y 
1 0 −7 z 0 z 0
 
0
Luego v1 = y  es un vector asociado a x1 = 4.
0
Para x2 = −2, vemos que:
        
1 0 −1 x 0 x z
−2 6 14  y  = 0 ⇒ y  = −2z 
1 0 −1 z 0 z z

 
1
Luego si z = 1 obtenemos que v2 = −2 es un vector propio asociado a x2 = −2.
1
Por lo tanto, A no es diagonalizable, pues tiene dos vectores propios no tres.
Observación 35.
1) No toda matriz cuadrada es diagonalizable.
2) Si A es digoanlizable, entonces el conjunto de n vectores propios es una base de Rn .
Definición 60. Sean V un espacio vectorial de dimensión n sobre R y T una transformación lineal
de V en V . Se dice que el operador T es diagonalizable si y sólo si existe una base B de V tal que
[T ]B es una matriz diagonal
Teorema 36. Sean V un espacio vectorial de dimensión finita y T : V → V transformación lineal, T

es diagonalizable (o T puede representarse por una matriz diagonal) si y sólo si, existe una base B de
V , cuyos elementos son los vectores propios de T .
Ejemplo 72.
Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)
1) Determinar la matriz asociada a F en la base canónica, es decir C = {(1, 0), (0, 1)}.
Desarrollo:
F (1, 0) = (1, 3) = 1(1, 0) + 3(0, 1)

F (0, 1) = (1, −1) = 1(1, 0) + (−1)(0, 1)
Por lo tanto
1 1
[F ]C =
3 −1
2) Determinar la matriz asociada a F en la base B = {(1, 1), (1, −3)}.

Desarrollo:
F (1, 1) = (2, 2) = 2(1, 1) + 0(1, −3)

F (1, −3) = (−2, 6) = 0(1, 1) + (−2)(1, −3)
Por lo tanto:
2 0
[F ]B =
0 −2
Observación 36. Observar que en el ejercicio anterior se calcula la matriz asociada a la transfor-
mación lineal mediante dos bases distintas, la cual en la segunda parte del ejercicio se obtiene una
matriz diagonal y en la primera no.
Teorema 37. Sea A ∈ Mn (R) es diagonalizable si y sólo si se verifican las siguientes dos condiciones:
1) El polinomio caracterı́stico asociado a A tiene n raices reales no necesariamente distintas, es

decir:
pA (x) = (x − a1 )m1 (x − a2)m2 . . . (x − as )ms
con m1 + m2 + . . . ms = n, con s ≤ n.
2) La multiplicidad algebraica mi de cada valor propio ai de A, coincide con la dimensión del

subespacio propio correspondiente

Ejemplo 73.
1) Sean v1 = (1, a, −1), v2 = (−1, 1, 2) y v3 = (1, −1, b), tres vectores propios de una matriz A ∈
M3 (R). Determinar los valores de a y b de modo que A sea diagonalizable.
Desarrollo:
Por el teorema anterior si {v1 , v2 , v3 } es l.i. entonces A será diagonalizable, es decir:
αv1 + βv2 + γv3 = (0, 0, 0) ⇒ α = β = γ = 0
α(1, a, −1) + β(−1, 1, 2) + γ(1, −1, b) = (0, 0, 0)

esto implica que:
   
α−β+γ = 0 1 −1 1 1 −1 1
aα + β − γ = 0 ⇒ a 1 −1 → 0 1 b+1 
−α + 2β + bγ = 0 −1 2 b 0 0 −(1 + a)(b + 2)
6 0 ⇒ a 6= −1 ∧ b 6= −2. Luego
en donde hay solución trivial si y sólo si (1 + a)(b + 2) =
si a ∈ R − {−1} y b ∈ R − {−2} entonces el conjunto de los vectores propios es l.i. y A
diagonalizable.
2) Sea T : R2 → R2 una transformación lineal tal que T (x, y) = (2x + 2y, x + y), veamos si T es
diagonalizable.
Desarrollo:
Para encontrar los valores propios de T :
Ker(T − λI) = {(x, y) ∈ R2 : (T − λI2 )(x, y) = (0, 0)}

= {(x, y) ∈ R2 : (2x + 2y − λx, x + y − λy) = (0, 0)}
x(2 − λ) + 2y = 0
Es decir, obtenemos el sistema homogéneo:
x + y(1 − λ) = 0

2−λ 2
Luego
= λ(λ − 3) = 0, por lo tanto los valores propios de T son λ = 0 y λ = 3.
1 1−λ
Para λ = 0 tenemos que:
T (x, y) = (0, 0) ⇒ (2x + 2y, x + y) = (0, 0) ⇒ x + y = 0 ⇒ v1 = (1, −1)
Ası́ v1 es el vector propio asociado a λ = 0.

Para λ = 3 tenemos que:
T (x, y) = 3(x, y) ⇒ (2x + 2y, x + y) = (3x, 3y) ⇒ x − 2y = 0 ⇒ v2 = (2, 1)

Ası́ v2 es el vector propio asociado a λ = 3.
Además B = {v1 , v2 } es una base de R2 conformado por los vectores propios asociados a cada
valor propio. Finalemnte por el teorema X se tiene que T es diagonalizable y

0 0
[T ]B =
0 3
En efecto:
T (−1, 1) = (0, 0) = 0(1, −1) + 0(2, 1)
T (2, 1) = (6, 3) = 0(1, −1) + 3(2, 1)

3) Sea
T : R2 [x] → R2
ax2 + bx + c → (2a − b + 4c)x2 + (2a + b)x + (2a + c)
Determinemos una base en R2 [x] tal que la matriz de T en esta base es una matriz diagonal.
Desarrollo:
Consideremos la base canonica C = {1, x, x2 } de R2 [x]. Ası́:
 
1 0 2
[T ]C = 0 1 2
4 −1 2
 
1−x 0 2

el polinomio caracteristico esta dado por: pT (x) =  0
1−x 2  = −4 + x + 4x2 − x3
4 −1 2 − x
factoriazando se obtiene que pT (x) = −(x − 1)(x − 4)(x + 1) ası́ los valores propios son: −1, 1, 4.
Y como cada raı́z tiene multiplicidad 1 la transformación lineal es diagonalizable. Calculemos
los espacios propios asociado a cada valor propio.
Para x = −1 se tiene
V−1 = ax2 + bx + c ∈ R2 [x] : ([T 2 + bx + c] = 0

 ] C − (−1)I3 ) [ax C
    
 1+1 0 2 α 0 
= ax2 + bx + c ∈ R2 [x] :  0 1+1 2  β  = 0
4 −1 2 + 1 γ 0
 
Ası́    
2 0 2 1 0 1
0 2 2 → 0 1 1
4 −1 3 0 0 0
 
−γ
2
Por lo tanto [ax + bx + c]C = −γ .

γ
Como C es la base canonica entonces: p(x) = −γ · 1 − γ · x + γ · x2 = γ(−1 − x + x2 )
Luego V1 = h−1 − x + x2 i.
Para x = 1 se tiene:
V1 = ax2 + bx + c ∈ R2 [x] : ([T ]C − (1)I3 ) [ax2 + bx + c]C = 0

Ası́    
1 − (1) 0 2 1 −1/4 0
 0 1 − (1) 2  → 0 0 1
4 −1 2 − (1) 0 0 0
 
1/4t
Por lo tanto [ax2 + bx + c]C =  t 
0
Luego
1 1
p(x) = t · 1 + t · x + 0 · x2 = t( + x)
4 4
1
Por lo tanto V1 = h + xi
4

Para x = 4 se tiene:
V4 = ax2 + bx + c ∈ R2 [x] : ([T ]C − (4)I3 ) [ax2 + bx + c]C = 0

Ası́    
1 − (4) 0 2 1 0 −2/3
 0 1 − (4) 2  ∼ 0 1 −2/3
4 −1 2 − (4) 0 0 0
 
2/3t
Por lo tanto [ax2 + bx + c]C = 2/3t
t
Luego
2 2 2 2
p(x) = t · 1 + t · x + t · x2 = t( + x + x2 )
3 3 3 3
Como dim(V−1 ) = mult(−1) = 1, dim(V1 ) = mult(1) = 1 y dim(V4 ) = mult(4) = 1 se tiene que

1 2 2
T es diagonalizable y la base a considerar es B = {−1 − x + x2 , + x, + x + x2 } de R2 [x]
4 3 3
entonces se obtiene que  
−1 0 0
[T ]B =  0 1 0
0 0 4

1 4
4) Sea A = un matriz cuadrada de orden 2 diagonalizar.
2 3
Desarrollo:

1 4 2
2 3 =x −x−5

Ası́ su polinomio caracterı́stico esta dado por: pA (x) = x2 − x − 5 = (x − 5)(x + 1). Luego sus
valores propios son:−1, 5.
Sus espacios propios estan dado por:
Para λ = −1 se tiene:

2 1+1 4 x 0
V−1 = (x, y) ∈ R : =
2 3+1 y 0

2 4 1 2
Ası́: →
2 4 0 0
V−1 = {(x, y) ∈ R : x = −2y}
= {(−2y, y) : y ∈ R}
= h(−2, 1)i
Para λ = 5 se tiene:

2 1 − (5) 4 x 0
V−1 = (x, y) ∈ R : =
2 3 − (5) y 0

−4 4 −1 1
Ası́ →
2 −2 0 0

V−1 = {(x, y) ∈ R : x = y}
= {(x, x) : x ∈ R}
= h(1, 1)i

1 −2 −1 1/3 2/3
Entonces P = donde P =
1 1 1/3 −1/3

−1 1/3 2/3 1 4 1 −2 5 0
de tal forma P AP = =
1/3 −1/3 2 3 1 1 0 −1

1) Resuelva los siguientes items:
a) Dada G : R2 → R2 , definida por G(x, y) = (x + 1, y + 2), ¿Es G una transformación lineal?.
b) Sea T : R2 −→ R2 , definida por T (x, y) = (x, x). ¿Es T un isomorfismo?

c) En R2 se define el siguiente producto interno.

1 0 a
< (x, y), (a, b) > = [x y]
0 5 b
Determine todos los valores de k ∈ R de modo que k (k + 1, 2k) k= 1.
2) Sea W = {(a, b, c) ∈ R3 : c − 7b = 0 ∧ b + 4a = 0}, encuentre:
a) Una base de W .
b) El conjunto generador de W ⊥ .
c) Un subespacio U de R3 , de manera que U W = R3
L
3) Considere la transformación lineal T : R3 −→ R2 [x], definida por
T (a, b, c) = (a − 2b − c)x2 + (2a − b)x + (c − a).
y las bases B1 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} y B2 = {−x2 + 1, 1, x + 1}, de R3 y R2 [x], respecti-
vamente. Determine :
a) N ul(T )
b) Rg(T ).
B2
c) [T ]B 1
.
4) Indique si las siguientes afirmaciones son verdaderas o falsas, justificando adecuadamente.
a) Si G : R2 → R2 , definida por G(x, y) = (x + 1, y + 2), entonces G es una transformación

lineal.
b) Sea B = {x2 − 1, x, x2 + x} y C = {2x + 1, x2 , x − 1} bases de R2 [x] entonces
 
1/3 1/3 −1/3
[Id]C
B =
 1 0 1 
2/3 1/3 −1/3
es la matriz cambio de base.

5) Dada la transformación lineal
T : R4 → R3
(a, b, c, d) → T (a, b, c, d) = (a + 3b, 4b + a, 5c + 9d)
Determine:
a) Una base para el Kernel de T .

b) El Rango de T .
6) Dada la transformación lineal:
F : R1 [x] → R2
ax + b → F (ax + b) = (a + b, 2a + 3b)
a) Prueba que F es biyectiva.

b) Explicite F −1 (a, b), indicando dominio codominio y función.
 
−1 2
2
7) Dada la transformación lineal T : R2 → R2 [x], con [T ]B
B1 =
 3 −6, la matriz asociada de
1 −2
T , donde B1 = {(−1, 0); (2, 1)}, B2 = {1, 2x, −x2 + x} bases de R2 y R2 [x], respectivamente.
Encuentre T (x, y), para todo (x, y) ∈ R2 .

Álgebra Lineal

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Álgebra Lineal

Cargado por

Copyright:

Formatos disponibles

Universidad Austral de Chile

Sede Puerto Montt

Ingenieria Civil Industrial

2 Centro de Docencia Superior en Ciencias Básicas

4 Centro de Docencia Superior en Ciencias Básicas

1) El conjunto de todas las matrices de orden m × n con coeficientes en R lo denotaremos por:

Mm×n (R) = {(aij ) : (aij ) es de orden m × n y aij ∈ R}

2) El conjunto de todas las matrices de orden n × n con coeficientes en R lo denotaremos por:

Mn (R) = {(aij ) : (aij ) es de orden n × n y aij ∈ R}

1.1. Operaciones con matrices

A + B = (cij ) donde cij = (aij + bij )

este producto es llamado Producto por escalar.

6 Centro de Docencia Superior en Ciencias Básicas

Proposición 1. Sean A, B, C ∈ Mm×n (R) y α, β ∈ R entonces:

3) Existe la matriz 0 ∈ Mm×n tal que A + 0 = 0 + A = A

4) A + (−A) = 0m×n donde −A = (−aij )

Centro de Docencia Superior en Ciencias Básicas 7

2) Dadas las matrices A, B, C ∈ M3 (R)

Determinar X ∈ M3 (R) tal que:

8 Centro de Docencia Superior en Ciencias Básicas

Centro de Docencia Superior en Ciencias Básicas 9

Observación 5. A en el ejemplo7 la matriz se llama Matriz Triangular Estrictamente Superior,

a) ∀A, B ∈ Mn (R) : (A − B)2 = A2 − 2AB + B 2 .

1.2. Inversión de Matrices

1) Se dice que B es la matriz inversa de A si y sólo si AB = BA = In

Notación 1. Denotaremos A−1 como la inversa de A sobre la operación multiplicativa.

10 Centro de Docencia Superior en Ciencias Básicas

Teorema 1. Si existe una inversa de A en Mn (R) ella es única.

1) Denotamos fij al intercambio de la fila i con la fila j.

2) Denotamos fi (k) a la multiplicación de la fila i por k, con k 6= 0.

Teorema 2. Sea A ∈ Mn (R). Si al realizar un número finito de operaciones elementales fila a A se

2) a) Denotamos fij al intercambio de la fila i con la fila j.

Centro de Docencia Superior en Ciencias Básicas 11

fij fi(k) fij(k)

1) (Fij )−1 = Fij

2) (Fi(k) )−1 = Fi(k−1 ) con k 6= 0

3) (Fij(k) )−1 = Fij(−k) con i 6= j

F31(−1) F32(−2) F23(−2) F13(−1) F23 F12 A = I3

12 Centro de Docencia Superior en Ciencias Básicas

1) Las operaciones elementales columnas se denotarán por: crs , ck(s) , crs(k)

2) Si A y B son equivalentes por columnas se anotará: A ∼c B

3) Las matrices elementales columna se denotarán por: Crs , Ck(s) , Crs(k)

Si A ∈ Mm×n (R) entonces c(A) = A · C, donde C ∈ Mn (R), C = c(In )

5) Si A, B ∈ Mm×n (R), entonces:

2) Sea A ∈ M2 (R) tal que A2 − A − I2 = 0. Demuestre que A es regular y encuentre su inversa.

donde |A1j | es el determinante de la submatriz, de orden n − 1, obtenida desde A al eliminar la

Centro de Docencia Superior en Ciencias Básicas 13

Teorema 5. Sea A ∈ Mn (R) y sean i, j ≤ n entonces

1) Determinante por la i-ésima fila fija

Donde |Aki | es el determinante de la submatriz que se obtiene, eliminando la i-ésima fila y la

2) Determinante por la j-ésima columna fija

Donde |Akj | es el determinante de la submatriz que se obtiene, eliminando la k-ésima fila y la

14 Centro de Docencia Superior en Ciencias Básicas

2) Procediendo como en el ejemplo 12 calcular el determinante de

1) Si A es una matriz diagonal entonces el determinante de A es la multiplicación de los elementos

2) El determinante de la identidad es 1, es decir: |In | = 1

3) El determinante de las matrices triangulares superiores o inferiores es la multiplicación de la

At = (aji ) ∈ Mn×m (R)

Proposición 3. Sean A, B ∈ Mm×n (R), α ∈ R, entonces:

3) (AC)t = C t At donde C ∈ Mn×l (R).

2) Sea A ∈ Mn (R) es matriz antisimétrica si y sólo si At = −A

Centro de Docencia Superior en Ciencias Básicas 15

2) Resuelva la siguiente ecuación matricial para X ∈ M3 (R):