Materiales Tercer Bloque 2021

DEPARTAMENTO DE MATEMATICA APLICADA
UNIVERSIDAD POLITECNICA DE VALENCIA Grado en Ingenierı́a Civil
Tema 7. Espacios vectoriales
Índice
7.1. Introducción 209
7.2. Definición. Subespacios y clausura lineal 210
7.3. Dependencia e independencia lineal 219
7.4. Bases, dimensión y coordenadas 221
7.5. Matrices cambio de base 225
7.6. Producto escalar y norma inducida 230
7.7. Vectores ortogonales. Método de Gram-Schmidt 231
7.8. Para entrenarte 239
Marı́a José Pérez Peñalver. Fundamentos Matemáticos de la IC (2021/2022) 208

7.1. Introducción
En Fı́sica y en muchas otras ciencias, además de las denominadas magnitudes esca-
lares, caracterizadas porque con un único valor numérico están completamente determi-
nadas (masa, altura, precio, ...) existen también otro tipo de magnitudes denominadas
magnitudes vectoriales, caracterizadas por el hecho de que, para estar determinadas, no
es suficiente con dar un valor numérico, sino además conocer su origen su sentido y su
dirección, por ejemplo la velocidad o la fuerza. Estas magnitudes vectoriales, matemati-
zadas, llevan a los conceptos de vectores fijos y vectores libres y la estructura matemática
que determina las operaciones entre ellos, de espacio vectorial.
Figura 1: La velocidad y la fuerza son magnitudes vectoriales.
El concepto de espacio vectorial tiene sus orı́genes más remotos en el siglo XVII, con
ideas sobre matrices y sistemas de ecuaciones. El matemático y filósofo italiano Giusep-
pe Peano (1858-1932) suele ser señalado como el responsable de la primera formulación
axiomática sobre el espacio vectorial, a finales del siglo XIX. Actualmente la represen-
tación gráfica de un espacio vectorial incluye a los vectores (con el sı́mbolo de flecha)
encadenados, con la unión de los extremos (figura 2).
Figura 2: Representación geométrica de un espacio vectorial.
Además de las aplicaciones en las magnitudes vectoriales, entre otras aplicaciones de

los espacios vectoriales, se pueden mencionar las rutinas de compresión de imágenes o
sonido, o la resolución de ecuaciones en derivadas parciales.
Figura 3: Base para la compresión de imágenes a jpg.
209
7.2. Definición. Subespacios y clausura lineal
Consideramos las expresiones de la forma (x, y) tal que x ∈ R e y ∈ R, es decir, los
puntos del plano R × R o R2 .
y
×
v = Hx, yL
Tenemos las siguientes operaciones en el plano R2 :

Suma: (x, y) + (z, t) = (x + z, y + t)
Producto por un escalar: α(x, y) = (αx, αy)
× ×
u+v 3v
u
× ×
v v
Figura 4: Suma y producto por un escalar en R2 .
Es decir, tenemos la operación interna

+ : R2 × R2 → R2
que cumple las propiedades conmutativa, asociativa, tiene elemento neutro (el (0, 0)) y
existencia de elemento opuesto (opuesto de (x, y) es (−x, −y) ).
Y la operación producto por un escalar,
· : R × R2 → R2 ,
que cumple las propiedades
α · ((x, y) + (a, b)) = α · (x, y) + α · (a, b)
(α + β) · (x, y) = α · (x, y) + β · (x, y)
(αβ) · (x, y) = α · (β · (x, y))
1 · (x, y) = (x, y)
Esta dos operaciones se extienden fácilmente al espacio R3 y en general al conjunto
Rn = {(x1 , x2 , . . . xn ) : x1 , x2 , . . . , xn ∈ R},
cumpliendo las mismas propiedades.
Estas operaciones y sus propiedades son las que subyacen a la idea genérica de espacio
vectorial.
210
DEFINICIÓN 1 (Espacio vectorial).
Sea V un conjunto con una operación interna
+ : V × V −→ V
que cumple las propiedades asociativa, conmutativa, existencia de elemento neutro y existencia
de elemento opuesto.
Y sea (R, +, ·) el cuerpo de los números reales,
Diremos que V es un espacio vectorial sobre el cuerpo R o espacio vectorial real, si existe
una operación
· : R × V −→ V
para la que se verifican las siguientes propiedades:
EV1) α · (β · ~u) = (αβ) · ~u
EV2) (α + β) · ~u = α · ~u + β · ~u
EV3) α · (~u + ~v ) = α · ~u + α · ~v
EV4) 1 · ~u = ~u
donde ~u, ~v ∈ V y α, β ∈ R.
A los elementos de V se les llama vectores y a los elementos de R se les llama también
escalares.
Denotaremos por ~0 al neutro de la suma en V y −~u al opuesto de ~u.
>Ejemplo 1. Son espacios vectoriales:
R2 , R3 , ..., y en general Rn .
El conjunto de las matrices reales de orden n × m, Rn×m , es un espacio vectorial real

con la suma de matrices y el producto por un escalar real.
El conjunto de los polinomios con coeficientes reales es un espacio vectoral real, con la
suma de polinomios y el producto de un número real por un polinomio.
El conjunto de todas las funciones continuas definidas en un intervalo [a, b] es un espacio

vectorial real con la suma de funciones y el producto por un número real.
Veamos otras propiedades que cumplen los espacios vectoriales:
211
Teorema 1 (Propiedades).
Dados ~u, ~v ∈ V y α, β ∈ R, se cumple:
1. −α · ~v = α · (−~v ) = −(α · ~v).
2. Si α · ~v = ~0 entonces α = 0 ó ~v = ~0.
Subespacios vectoriales
Un subespacio vectorial del espacio vectorial Rn , es un subconjunto de vectores de
n
R que forma por sı́ mismo un espacio vectorial. Es obvio que cualquier subconjunto H
hereda la asociatividad y conmutatividad de + y las propiedades EV1, EV2, EV3 y EV4.
Lo que no siempre se cumple es que la suma de elementos de H sea otro elemento de H,
que ~0 pertenezca a H, que exista en H el elemento opuesto de todos los elementos de H
y que el producto por un escalar de todos los elementos de H sea otro elemento de H.
Esto supone que al hacer operaciones con vectores del subespacio el resultado es un
vector del subespacio (es decir, la suma de dos vectores de dicho conjunto debe pertenecer
al conjunto, al igual que la multiplicación de un vector del conjunto por un número real).
Estas operaciones con vectores se denominan combinaciones lineales y es la clave para
la definición del concepto de subespacio vectorial que veremos a continuación.
DEFINICIÓN 2.
Sean v~1 , v~2 , . . . , v~n ∈ V , siendo V un espacio vectorial real.
Se dice que ~v es combinación lineal de los vectores v~1 , v~2 , . . . , v~n si se puede expresar como
~v = α1 v~1 + α2 v~2 + . . . + αn v~n
siendo α1 , α2 , . . . , αn ∈ R. A α1 , α2 , . . . , αn se les llama coeficientes de la combinación lineal.
×
Αu+ Βv
×
v=Λu
×
Βv
u × Αu
v
Figura 5: Combinación lineal de uno o dos vectores en R2 .
212
>Ejemplo 2. Todo vector de R2 es combinación lineal de (1, 0) y (0, 1), ya que si (x, y) ∈ R2
entonces
(x, y) = x(1, 0) + y(0, 1).
>Ejemplo 3. Todo polinomio de grado n, es combinación lineal de los monomios 1, x,

x2 , . . . , xn .
Nota. Al conjunto de todos los polinomios de grado n se le denota por Pn (R).
>Ejemplo 4. Comprueba si el vector ~u = (4, −2, 5) es combinación lineal de e~1 = (1, −1, 2)
y e~2 = (2, 0, 1).
Solución
Tenemos que ver si (4, −2, 5) = α(1, −1, 2) + β(2, 0, 1.)
Operando
(4, −2, 5) = (α, −α, 2α) + (2β, 0, β) = (α + 2β, −α, 2α + β),

luego

4 = α + 2β 
−2 = −α .

5 = 2α + β
Este sistema tiene la solución α = 2 y β = 1, ası́ que ~u = (4, −2, 5) es combinación
lineal de e~1 y e~2 y los coeficientes de la combinación lineal son 2 y 1 ası́ que
(4, −2, 5) = 2e~1 + 1e~2 = 2(1, −1, 2) + (2, 0, 1).
Gráficamente, esto lo podemos interpretar viendo que el vector ~u está contenido
en el plano determinado por los vectores u~1 y u~2 que pasa por el origen.
>Ejemplo 5. Comprueba si ~v = (1, −1, −1) es combinación lineal de e~1 = (1, −1, 2) y
e~2 = (2, 0, 1).
213
A partir de combinaciones lineales de vectores podemos construir los denominados
subespacios vectoriales, envoltura lineal o clausura lineal.
DEFINICIÓN 3 (Clausura lineal).
Sean v~1 , v~2 , . . . , v~p ∈ V , siendo V un espacio vectorial real.

Al conjunto de todas las combinaciones lineales de los vectores v~1 , v~2 , . . . , v~p se le llama subes-
pacio vectorial, envoltura lineal o clausura lineal generado por los vectores v~1 , v~2 , . . . , v~p .
Se denota por
hv~1 , v~2 , . . . , v~p i = {α1 v~1 + α2 v~2 + . . . + αp v~p : α1 , α2 , . . . , αp ∈ R}.
Además si S = hv~1 , v~2 , . . . , v~p i se dice que {v~1 , v~2 , . . . , v~p } es un sistema generador del
subespacio S.
>Ejemplo 6. R3 está generado por los vectores {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, es decir
R3 = h(1, 0, 0), (0, 1, 0), (0, 0, 1)i
>Ejemplo 7. El plano de ecuación z = 0, es un subespacio vectorial de R3 que está generado

por los vectores {(1, 0, 0), (0, 1, 0)}.
>Ejemplo 8. Sea S = {(x, y, z) ∈ R3 : x = y}. Comprueba que es un subespacio de R3 y

calcula un sistema generador.
Solución
S es el plano de ecuación x = y, su ecuación implı́cita (o cartesiana) es S =

{(x, y, z) ∈ R3 : x − y = 0} y podemos expresarlo en forma paramétrica:
S = {(x, y, z) ∈ R3 : x = y} = {(x, x, z) : x, z ∈ R}.
De esta manera podemos sacar fácilmente un sistema generador:

2
-1
S ={(x, x, z) : x, z ∈ R} = {(x, x, 0) + (0, 0, z) : x, z ∈ R} = -1

1
0
0
0
1
2
={x(1, 1, 0) + z(0, 0, 1) : x, z ∈ R} = h(1, 1, 0), (0, 0, 1)i. 2
-1
Ası́ {(1, 1, 0), (0, 0, 1)} es un sistema generador de S y S es un subespacio vecto-

rial.
214
>Ejemplo 9. Obtén las ecuaciones implı́citas del subespacio:
V = h(3, 2, 0), (1, 2, 0)i.
Solución
Tenemos:
V =h(3, 2, 0), (1, 2, 0)i = {α(3, 2, 0) + β(1, 2, 0) : α, β ∈ R} =

={(3α + β, 2α + 2β, 0) : α, β ∈ R} = {(3α + β, 2α + 2β, 0) : α, β ∈ R},
luego z = 0 y

3α + β = x
.
2α + 2β = y
Este sistema es compatible y determinado para cualquier valor de x e y, ya que

3 1 3 1 x
rang = rang = 2.
2 2 2 2 y
Entonces x e y toman cualquier valor real, ası́
h(3, 2, 0), (1, 2, 0)i = {(x, y, z) ∈ R3 : z = 0},
y se trata del plano z = 0.
0
2
2
>Ejemplo 10. Sea
W = {(x, y, z) ∈ R3 : x − y + z = 0, 2x + y − 4z = 0}.
Comprueba que es un subespacio de R3 y calcula un sistema generador.
215
>Ejemplo 11. Obtén las ecuaciones implı́citas de
V = h(1, 0, −2, 1), (1, −1, 0, 0)i.
Solución
Calculemos las primero las ecuaciones paramétricas de V :
(x, y, z, t) = α(1, 0, −2, 1) + β(1, −1, 0, 0) = (α + β, −β, −2α, α)
Ası́ que:

α+β = x 


−β = y
.
−2α = z 


α = t
Para sacar las ecuaciones cartesianas o implı́citas debo obtener las relaciones entre
x, y, z y t, es decir, deducir ecuaciones en las que no aparezcan los parámetros α
y β. De las dos últimas ecuaciones se deduce que
z = −2t
y sumando las dos primeras y sustituyendo se obtiene
x + y = t.
Luego podemos escribir de forma implı́cita:
V = {(x, y, z, t) : z + 2t = 0, x + y − t = 0}.
Otra forma de obtener las ecuaciones implı́citas es planteando la matriz del sistema
 
1 1 x
 0 −1 y 
(A|b) = 
 −2
,
0 z 
1 0 t
que al ser compatible, mediante operaciones elementales (aplicando el método de

Gauss) se pueden obtener ecuaciones en las que no aparezcan α ni β. Es decir,
con ceros en alguna/s fila/s de la matriz de coeficientes A:
     
1 1 x 1 1 x 1 1 x
 0 −1 y   0 −1 y  ∼  0 −1 y 

 ∼ .
 −2 0 z   0 2 z + 2x   0 0 z + 2x + 2y 
1 0 t 0 −1 t − x 0 0 t−x−y
Ası́ también podemos expresar
V = {(x, y, z, t) : z + 2x + 2y = 0, t − x − y = 0}.
216
Comentamos también que se pueden obtener las ecuaciones implı́citas razonando
que al ser el sistema compatible, rang A = 2 = rg(A|b), entonces los determinan-
tes de orden tres de la matriz (A|b) deben ser nulos:

1 1 x 0 −1 y

0 −1 y = 0 y −2 0 z = 0.

−2 0 z 1 0 t
Ası́ desarrollando se obtienen las ecuaciones implı́citas.
>Ejemplo 12. Consideremos en R3 el subespacio vectorial definido por
V = h(2, 1, 2), (−2, −2, 1)i.
Se pide:
(a) Calcula sus ecuaciones implı́citas o cartesianas.
(b) Indica si los vectores ~u = (2, 3, −4) y ~v = (1, 2, 1) pertenecen a V.
(c) Deduce si se trata de un plano o de una recta.
217
Como los espacios vectoriales que vamos a trabajar con más intensidad en este curso
son R2 , R3 , ...y en general Rn , a modo de resumen, con lo trabajado hasta ahora, de los
ejemplos y ejercicios anteriores podemos deducir que:
La clausura lineal de un vector no nulo de R2 es una recta que pasa por el origen y
que tiene asociada una ecuación implı́cita (ax + by = 0).
La clausura lineal de un vector no nulo de R3 es una recta que pasa por el origen y
que tiene asociadas dos ecuaciones implı́citas (ax + by + cz = 0, da + ey + f z = 0).
La clausura lineal de dos vectores no proporcionales de R3 es un plano que pasa por el

origen y que tiene asociada una ecuación implı́cita (ax + by + cz = 0).
En R2 y R3 no existen más subespacios que estas envolturas lineales, a excepción de ellos

mismos y el {~0}.
Las rectas o planos que no pasan por el origen NO son subespacios vectoriales.
>Ejemplo 13. Halla la forma paramétrica, la forma de clausura lineal del subespacio vectorial
de R4 dado por S = {(x, y, z, t) ∈ R4 : x + y + z − t = 0, y − t = 0, x − y + 2z = 0}.
218
Además, los subespacios vectoriales de Rn pueden expresarse de tres formas:
Clausura lineal
Ejemplo: S = h(1, 0, 1), (2, 1, 1)i.
Ecuaciones implı́citas : El subespacio son las soluciones de un sistema de ecua-

ciones lineales homogéneo S = {~x ∈ Rn : A · ~x = ~0}.
Ejemplo: S = {(x, y, z) ∈ R3 : x − y = 0, x − z = 0}
Forma paramétrica
Ejemplo: S = {(α, α − λ, 0, 0) : α, λ ∈ R}.
Debemos estar familiarizados con estas tres formas de expresar los subespacios y saber
pasar sin dificultad de una a otra forma.
7.3. Dependencia e independencia lineal

Dependencia lineal
DEFINICIÓN 4 (Dependencia e independencia lineal).
Sean v~1 , v~2 , . . . , v~n ∈ V , siendo V un espacio vectorial sobre el cuerpo R.

Si existe alguno de ellos que es combinación lineal de los demás, se dice que el sistema de
vectores {v~1 , v~2 , . . . , v~n } es ligado o linealmente dependiente. En caso contrario, se dice
que el sistema de vectores {v~1 , v~2 , . . . , v~n } es libre o linealmente independiente.
La dependencia e independencia lineal en Rn está directamente relacionada con el rango

de la matriz que podemos formar con esos vectores:
Teorema 2 (Dependencia e independencia lineal y rango).
Un conjunto de vectores {v~1 , v~2 , . . . , v~p } de Rn es linealmente independiente (o sistema libre)

si el rango de la matriz cuyas filas (o columnas) son los vectores v~1 , v~2 , . . . , v~p es p. Si el rango
de la matriz es menor que p, entonces el conjunto de vectores es linealmente dependiente (o
sistema ligado).
>Ejemplo 14. Comprueba si el sistema {(2, 1, 1), (1, 1, 0), (1, −3, 0)} es linealmente inde-
pendiente.
Solución
219
Para comprobarlo podemos probar que el rango de la matriz
 
2 1 1
A= 1 1 0 
1 −3 0
es tres. Como |A| = −4 6= 0 entonces rang(A) = 3 y concluimos que {(2, 1, 1, ), (1, 1, −3), (1, 0, 0)}
es un sistema linealmente independiente.
Teorema 3 (Consecuencias).
(1) Si ~0 ∈ {v~1 , v~2 , . . . , v~n } entonces {v~1 , v~2 , . . . , v~n } es linealmente dependiente.
(2) Si {v~1 , v~2 , . . . , v~n } es linealmente independiente, cualquier subconjunto suyo también es
linealmente independiente.
(3) Si {v~1 , v~2 , . . . , v~n } es linealmente dependiente, cualquier conjunto que lo contenga tam-
bién es linealmente dependiente.
(4) Si {v~1 , v~2 , . . . , v~n } un conjunto linealmente independiente y ~v ∈ hv~1 , v~2 , . . . , v~n i entonces
los coeficientes de la combinación lineal son únicos.
>Ejemplo 15. Comprueba si los sistemas son linealmente independientes o ligados. Esta-
bleciendo entre ellos las relaciones de dependencia lineal si existen.
1. {(1, −2), (−2, 4), (3, −6)},
2. {(1, 1), (0, 1)},
3. {(1, 0, 1), (3, −1, 2), (2, −1, 1)},
4. {(0, 1, 1), (1, 0, 1), (1, 2, 0)},
220
7.4. Bases, dimensión y coordenadas
DEFINICIÓN 5 (Base, dimensión y coordenadas).
Diremos que el conjunto de vectores {v~1 , v~2 , . . . , v~p } es una base de un subespacio vec-
torial V de Rn si:
1. {v~1 , v~2 , . . . , v~p } es linealmente independiente.

2. {v~1 , v~2 , . . . , v~p } es sistema generador de V, es decir, si V = hv~1 , v~2 , . . . , v~p i.
Se denomina dimensión del subespacio vectorial V al número de vectores que tiene una
base cualquiera de dicho espacio y lo denotaremos por dim V.
Si B = {v~1 , v~2 , . . . , v~p } es una base de V y ~v ∈ V entonces
~v = α1 v~1 + α2 v~2 + . . . + αp v~p
para ciertos α1 , α2 , . . . , αp ∈ R. A esos coeficientes se les llaman coordenadas del vector

~v ∈ V respecto a la base B y se escribe
~v = (α1 , α2 , . . . , αp )B .
>Ejemplo 16. Los vectores e~1 = (1, 0) y e~2 = (0, 1) forman una base de R2 . por lo que la
dimensión de R2 es 2.
>Ejemplo 17. Halla una base del subespacio vectorial de R3 dado por
V = {(α, 0, α, −λ) : α, λ ∈ R}
Solución
Operando obtememos
V = {α(1, 0, 1, 0) + λ(0, 0, 0, −1) : α, β ∈ R} = h(1, 0, 1, 0), (0, 0, 0, −1)i
Luego {(1, 0, 1, 0), (0, 0, 0, −1)} es un sistema generador de V . Como además es

un sistema libre {(1, 0, 1, 0), (0, 0, 0, −1)} es una base de V luego el subespacio
tiene dimensión 2.
221
DEFINICIÓN 6 (Base canónica).
Rn es un espacio vectorial de dimensión n y se llama base canónica de Rn a:
{(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)}
Las coordenadas de un vector de Rn respecto a la base canónica son exactamente las compo-
nentes del vector.
×
v = H3, 2L = 3 e1 + 2 e2
1
×
e2 v
e1
1 2 3
Figura 6: Representación geométrica de las coordenadas de un vector en la base canónica de R2 .
>Ejemplo 18. Veamos las bases y dimensiones de otros espacios importantes:

Una base de los polinomios de grado 3, P3 (R), es
{1, x, x2 , x3 },
luego dim(P3 (R)) = 4. En general, dim(Pn (R)) = n + 1.
Una base de las matrices cuadradas de orden 2, R2×2 , es

1 0 0 1 0 0 0 0
, , , ,
0 0 0 0 1 0 0 1
luego dim(R2×2 ) = 4. En general, dim(Rn×m ) = n · m.
Teorema 4.
Sea B = {v~1 , v~2 , . . . , v~p }, un subconjunto de p vectores en el subespacio vectorial V de dimen-

sión p, entonces son equivalentes:
(i) B es base de V .
(ii) B es libre.
(iii) B es sistema generador.
222
Luego si tenemos un sistema de p vectores de un subespacio vectorial de dimensión p y
queremos comprobar si es base basta comprobar que es un sistema libre, o bien, que es
un sistema generador.
>Ejemplo 19. Comprueba que B = {u~1 , u~2 } = {(2, 2), (−2, 1)} es una base de R2 y calcula
las coordenadas del vector ~v = (−1, 1) en base B.
Solución
Como
2 2
−2 1 = 6 6= 0,

B es un sistema libre de dos vectores en R2 . Además, como la dimensión de R2

es dos, por el teorema anterior B es base de R2 .
Hallamos las coordenadas de (−1, 1) en esa base. Para ello planteamos la combi-
nación lineal
(−1, 1) = α(2, 2) + β(−2, 1) = (2α − 2β, +2α + β),
luego debe cumplirse

2α − 2β = −1
2α + β = 1
1 2
Resolviendo el sistema obtenemos α = 6
yβ= 3
que son sus coordenadas en la
base B:
× 1 2
v = H-1, 1L = ,
6 3 B

1 2 × u1
(−1, 1) = , . v
6 3 B
u2
Coordenadas del vector ~v = (−1, 1) en la

base B.
Por otro lado, si tomamos C la base canónica de R2 , las coordenadas de ~v en C
son
1 2
~v = (−1, 1)C = ,
6 3 B

Las coordenadas de un vector dependen de la base del espacio que se escoja, de modo
que a un mismo vector, pueden corresponderle coordenadas distintas si las bases son
distintas.
223
Teorema 5 (Dimensión de un subespacio dado por ecuaciones implı́citas).
Si S es un subespacio vectorial de Rn que viene dado en forma de ecuaciones implı́citas como
S = {~x ∈ Rn : A · ~x = ~0},
entonces:
dim(S) = n − rang(A)
Si tenemos un subespacio dado en ecuaciones S = {~x ∈ Rn : A · ~x = ~0}, seguiremos

los siguientes pasos:
1. Resolveremos el sistema A · ~x = ~0, que será normalmente compatible e inde-

terminado con n − rang(A) parámetros.
2. Pondremos el subespacio S en forma paramétrica.
3. Pondremos el subespacio S en forma de envoltura lineal.
4. Los n − rang(A) vectores que generan el subespacio S son una base de S.
Teorema 6 (Base de un subespacio dado en forma de clausura lineal).
Sea S = hv~1 , v~2 , . . . , v~p i un subespacio vectorial de Rn . Sea A la matriz la matriz cuyas filas
son los vectores v~1 , v~2 , . . . , v~p . Si R es una forma escalonada de la matriz A entonces
1. el rango de A es la dimensión S.
2. una base de S es el conjunto de las filas no nulas de la matriz R.
>Ejemplo 20. Dados los subespacios vectoriales de R4 :
V = {(x, y, z, t) ∈ R4 : x + y + z − t = 0, x + z = 0}
S = h(1, 0, −1, 2), (4, −2, −1, 3), (2, −4, 4, −6), (−2, 2, −1, 1)i ,
(a) Halla una base de V.
(b) Comprueba que (1, 2, −1, 2) pertenece a V y calcula las coordenadas de ese vector en
la base que has calculado.
(c) Halla una base de S, su dimensión y sus ecuaciones implı́citas.
224
7.5. Matrices cambio de base
Al tener varias bases en un mismo espacio vectorial, un mismo vector tiene diferentes
coordenadas dependiendo de la base. En esta sección veremos cómo cambiar de manera
sencilla de unas otras utilizando la matriz de sistemas de vectores.
Cambios de base
Veámoslo primero sobre un ejemplo sencillo. Supongamos que tenemos un vector
~v = (3, 1) y una base B = {u~1 , u~2 } = {(1, 3), (2, −2)}
(3, 1) en R2 está expresado en función de la base canónica C = {(1, 0), (0, 1)}:
3(1, 0) + 1(0, 1) = (3, 1)

Veamos cómo obtenemos las coordenadas en la base B. Planteamos la combinación
lineal
(3, 1) = α(1, 3) + β(2, −2) = (α + 2β, 3α − 2β).
Ası́ (3, 1) = (α, β)B , y debemos hallarlas resolviendo el sistema:
α + 2β = 3
3α − 2β = 1
Cuya matriz de coeficientes es

1 2
BC = .
3 −2
Esta matriz, que llamaremos matriz cambio de base de la base B = {(1, 3), (2, −2)}
a la canónica C, se construye poniendo estos vectores por columna. Al ser un sistema
compatible y determinado esta matriz es invertible y se puede resolver el sistema de la
siguiente forma:

1 2 α 3 α −1 3 1
= ⇐⇒ = (BC ) =
3 −2 β B 1 C β 1 C 1 B
| {z }
BC
225
Multiplicando BC por la izquierda, permite cambiar de coordenadas en la base B,
(α, β)B = (1, 1)B , a coordenadas en la base canónica (3, 1)C . Y multiplicando a izquierda
por su inversa, (BC )−1 , permite cambiar de coordenadas en la base canónica, (3, 1)C , a
coordenadas en la base B, (α, β)B = (1, 1)B .
En general, para cualquier vector (x, y) se cumplirá:

α x α −1 x
BC = ⇐⇒ = (BC )
β B y C β B y C
Para describir el método de forma general, definiremos estas matrices como matriz
cambio de base.
DEFINICIÓN 7 (Matrices cambio de base con la canónica).
Sean B = {v~1 , v~2 , . . . , v~n } una base de Rn , y C la base canónica de Rn .
Llamaremos matriz cambio de base de la base B a la base canónica a la matriz BC

cuyas columnas son los vectores de la base B :
 
↑ ↑ ↑
BC =  v~1 v~2 . . . v~n 
↓ ↓ ↓
Llamaremos matriz cambio de base de la base canónica a la base B a la matriz CB

que es la inversa de la matriz cuyas columnas son los vectores de la base B :
 −1
↑ ↑ ↑
CB = (BC )−1 =  v~1 v~2 . . . v~n 
↓ ↓ ↓
Estas matrices cumplen que para todo ~x ∈ Rn :
~xC = BC · ~xB
~xB = CB · ~xC
siendo ~xC y ~xB los vectores columna formados por las coordenadas de ~x en la bases C y
B respectivamente.
>Ejemplo 21. Sean ~u = (3, 1, 1) y ~v = (−1, 0, 1) dos vectores de R3 y sea la base
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
Halla BC , CB y las coordenadas de ~u y ~v en la base B.
Solución
226
Tenemos que:  
1 1 1
BC =  1 1 0  ,
1 0 0
ası́ que
 −1  
1 1 1 0 0 1
CB = (BC )−1 = 1 1 0  = 0 1 −1  .
1 0 0 1 −1 0
Entonces
    
1 1 1 3 1
(~u)B = CB · (~u)C =  1 1 0   1  =  0 
1 0 0 1 2
y     
0 0 1 −1 1
(~v)B = CB · (~v )C =  0 1 −1   0  =  −1  .
1 −1 0 1 −1
Por lo tanto ~u = (1, 0, 2)B y ~v = (1, −1, −1)B
>Ejemplo 22. Calcula la matriz cambio de base de
B = {(1, −1, 1), (0, 0, 1), (1, 0, 1)},
a la canónica y la matriz cambio de base de la canónica a B. Halla las coordenadas de los

vectores (1, 0, 0) y (3, 1, 1) en la base B.
227
En general, si tomamos dos bases B y B ′ vamos a calcular una matriz que permite
pasar de coordenadas de una base a la otra de manera sencilla:
DEFINICIÓN 8.
Sean B = {v~1 , v~2 , . . . , v~n } y B ′ = {v~1′ , v~2′ , . . . , v~n′ } dos bases de Rn . Expresando cada uno de los
vectores de B ′ en coordenadas en la base B :
v~1′ = (a11 , a21 , . . . , an1 )B

v~2′ = (a12 , a22 , . . . , an2 )B
..
.
v~n′ = (a1n , a2n , . . . , ann )B
y poniéndolas en columna construimos una matriz

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
′  
BB =  .. .. .. 
 . . . 
an1 an2 . . . ann
que se llama matriz cambio de base de B ′ a B, que es la matriz del sistema de vectores B ′
en función de la base B.
Esta matriz se puede calcular mediante matrices cambio de base con la canónica C, pues se
cumple:
BB′ = CB · BC′ = (BC )−1 · BC′
Si denotamos por ~vB al vector columna formado por las coordenadas de un vector ~v en la base
B y ~vB′ al vector columna formado por las coordenadas de ~v en la base B ′ entonces se cumple
que
~vB′ = BB′ · ~vB y ~vB = B ′ B · ~vB′ .
Además la matrices cambio de base son invertibles y
(BB′ )−1 = BB′ .
228
>Ejemplo 23. Calcula la matriz cambio de base de la base
B ′ = {(1, 0, 1), (0, 0, 1), (1, 1, 0)}
a a la base
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
Si ~v = (0, −1, 1)B , calcula ~vB′ y ~v .
Solución
Como
BB′ = CB · BC′ = (BC )−1 · BC′
y en el ejemplo 21 calculamos CB = (BC )−1 . Sustituyendo y operando:
     
0 0 1 1 0 1 1 1 0
BB′ =  0 1 −1  ·  0 0 1  =  −1 −1 1  .
1 −1 0 1 1 0 1 0 0
Entonces
     
0 0 1 0 1
~vB′ = BB′ · ~vB = (BB′ )−1 · ~vB =  1 0 −1  ·  −1  =  −1 
1 1 0 1 −1
y      
1 1 1 0 0
~vC = BC · ~vB =  1 1 0  ·  −1  =  −1 
1 0 0 1 0
Concluimos que ~v = (0, −1, 0) = (1, −1, −1)B′ .
>Ejemplo 24. Calcula la matriz cambio de base de la base
B ′ = {(1, 1, 0), (0, 2, 1), (0, 0, −1)}
a la base
B = {(1, −1, 1), (0, 0, 1), (1, 0, 1)} .
Si ~v = (−2, 1, 0)B′ , calcula ~vB y ~v .
Nota: Se recomienda utilizar los resultados de un ejemplo anterior respecto a la base B.
229
7.6. Producto escalar y norma inducida
En un espacio vectorial se puede definir un producto entre vectores que de un escalar,
que se llamará producto interior o escalar. Este tipo de productos servirá para poder
definir ángulos y distancias entre vectores y la norma o módulo de un vector en un
espacio vectorial.
En Rn , que es el espacio vectorial que más utilizaremos se puede definir:
DEFINICIÓN 9 (Producto escalar).
Dados dos vectores de Rn ~x = (x1 , x2 , . . . xn ) e ~y = (y1 , y2 , . . . yn ) se llama producto escalar

de ~x por ~y a:
~x · ~y = h~x| ~yi = x1 y1 + x2 y2 + . . . + xn yn .
Habitualmente, se considera que los vectores son matrices columna. Ası́, el producto escalar
se puede escribir como un producto de una matriz fila por una matriz columna:
 
y1
 y2 
 
~x · ~y = h~x| ~y i = (x1 , x2 , . . . , xn )  ..  = xT · y
 . 
yn
Muchas veces a este producto se le llama producto escalar canónico.
DEFINICIÓN 10 (Norma o módulo).
Se llama norma o módulo de ~x = (x1 , x2 , . . . , xn ) ∈ Rn al número real no negativo

p q
k~xk = + h~x| ~xi = x21 + x22 + . . . + x2n ,
A los vectores cuya norma es 1, se les llama vectores unitarios.
Observemos que en R2 es la longitud del vector ~x :
Además se tiene que:
230
~x · ~y = k~xk · k~y k cos α ,
donde α es el ángulo determinado por los vectores ~x y ~y .
Luego se cumple que:
~x · ~y
α = arc cos ,
k~xk · k~y k
y de esta fórmula se puede definir el ángulo entre dos vectores cualesquiera de Rn .
Observemos también que si kyk = 1, ~x · ~y = k~xk cos α, que es la longitud de la
proyección del vector ~x sobre el vector ~y :
y
X x y\ ×
Figura 7: Proyección del vector ~x sobre el ~y si ~y es unitario.
7.7. Vectores ortogonales. Método de Gram-Schmidt
La ortogonalidad es una generalización de la perpendicularidad.

Dos vectores de R2 son perpendiculares si forman un ángulo de 90 grados (π/2 radia-
nes) entre sı́ y, como el coseno de π2 es 0, esto se traduce, en que su producto escalar es
0.
DEFINICIÓN 11 (Vectores ortogonales).
Sean ~u y ~v dos vectores no nulos de Rn . Se dice que ~u y ~v son ortogonales si h~u| ~vi = 0 y se
expresa ~u⊥~v .
>Ejemplo 25. Los vectores de la base canónica de Rn :
{(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)},
son ortogonales entre sı́.
>Ejemplo 26. Halla todos los vectores de R2 que son ortogonales al vector ~v = (1, 1) e
interpreta geométricamente el resultado.
231
El ejemplo anterior motiva la siguiente definición.
DEFINICIÓN 12 (Suplemento ortogonal).
Dado un subespacio vectorial no trivial S de Rn , al conjunto de todos los vectores de Rn

ortogonales a todos los vectores de S se le llama suplemento ortogonal de S y se denota
por S ⊥ . Por tanto,
S ⊥ = {~x ∈ Rn : h~x| ~si = 0 para todo ~s ∈ S}.
Se puede comprobar fácilmente que S ⊥ es un subespacio vectorial de Rn .

También se cumple que si B = {~v1 , . . . , ~vr } es una base de S entonces se verifica que
~x ∈ S ⊥ si, y solo si, hx| ~vi i = 0 para todo i = 1, . . . , r.
Por lo tanto, para determinar si un vector ~x pertenece a S ⊥ basta comprobar que es
ortogonal a todos los vectores de una base de S. Ası́, las ecuaciones implı́citas de S ⊥ se
obtienen de 
 h~x| ~v1 i = 0

..
 .
 h~x| ~v i = 0
r
Además, en cuanto a dimensiones, se verifica:
Teorema 7 (Dimensión del suplemento ortogonal).
Sea un subespacio vectorial no trivial S de Rn . Entonces
dimS + dimS ⊥ = n,
Por lo tanto, si tomamos una base B de S y B ′ una base de S ⊥ entonces
B ∪ B′
es una base de Rn .
>Ejemplo 27. Calcula el suplemento ortogonal de S = {(x1 , x2 , x3 ) ∈ R3 : x1 + x2 = 0}

e interpreta geométricamente el resultado. Halla bases para S y su suplemento ortogonal y
utilı́zalas para hallar una base de R3 .
Solución
Hallamos una base de S:
S ={(x1 , x2 , x3 ) ∈ R3 : x1 + x2 = 0} = {(x1 , −x1 , x3 ) : x1 , x3 ∈ R} =
={(x1 (1, −1, 0) + x3 (0, 0, 1) : x1 , x3 ∈ R} = h(1, −1, 0), (0, 0, 1)i
232
Luego el conjunto V = {~v1 = (1, −1, 0), ~v2 = (0, 0, 1)} es una base de S.
Entonces
S ⊥ ={~x ∈ R3 : h~x| ~v1 i = 0, h~x| ~v2 i = 0} = {(x1 , x2 , x3 ) : x1 − x2 = 0, x3 = 0} =

={(x1 , x1 , 0) : x1 ∈ R} = h(1, 1, 0)i
Por tanto, S ⊥ = h(1, 1, 0)i y una base de S ⊥ es B = {(1, 1, 0)}.

Geométricamente S es el plano de ecuación y = −x y su suplemento ortogonal
es la recta perpendicular a ese plano que pasa por el origen:
Además uniendo las bases de S y S ⊥
V ∪ B = {(1, −1, 0), (0, 0, 1), (1, 1, 0)}

obtenemos una base de R3 .
>Ejemplo 28. Calcula el suplemento ortogonal de
S = {(x, y, z) ∈ R3 : x − y = 0, 2y + z = 0}
e interpreta geométricamente el resultado.

Halla sus bases y utilı́zalas para hallar una base de R3 .
233
DEFINICIÓN 13 (Sistemas ortogonales).
Se dice que el sistema de vectores {v~1 , v~2 , . . . , v~n } de Rm es un sistema ortogonal si todos
sus vectores son ortogonales entre sı́, es decir, si son vectores no nulos y
h~
vi | v~j i = 0 siempre que j 6= i.
Teorema 8.
Todo sistema ortogonal de vectores es un sistema libre.
DEFINICIÓN 14 (Bases ortogonales y ortonormales).
Sea {v~1 , v~2 , . . . , v~n } una base de un subespacio S de Rm . Entonces:
Se dice que {v~1 , v~2 , . . . , v~n } es una base ortogonal de S si es un sistema ortogonal.
Se dice que {v~1 , v~2 , . . . , v~n } es una base ortonormal de S si es una base ortogonal y
cumple que todos sus vectores son unitarios, es decir,
k~
vi k = 1 para todo i = 1, 2, . . . , n.
>Ejemplo 29. En Rn , su base canónica {(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)} es una
base ortonormal de Rn .
>Ejemplo 30. Comprueba si la base {(1, 1, 0), (0, 0, 2)} es ortogonal. ¿Puedes construir a
partir de ella una base ortonormal?
234
Las bases ortonormales son importantes porque resulta fácil calcular las coordenadas
de un vector: son los productos escalares del vector con cada vector de la base.
Teorema 9 (Coordenadas de un vector en una base ortonormal).
Si B = {u~1 , u~2, . . . , u~n } es una base ortonormal de un subespacio S de Rm y ~v ∈ S, entonces:
~v = hu~1| ~viu~1 + hu~2 | ~viu~2 + . . . + hu~n | ~viu~n .
Es decir, las coordenadas del vector ~v en la base B son
~v = (hu~1| ~vi, hu~2 | ~vi, . . . , hu~n | ~vi)B .
>Ejemplo 31. Sea B = {(1, 1), (1, −1)} una base en R2 . Expresa el vector (2, 3) en base
B.
Solución
La base es ortogonal, ya que h(1, 1)|(1, −1)i = 0.
Para convertir una base ortogonal en ortonormal, se divide cada vector por su
norma:
′ 1 1
B = √ (1, 1), √ (1, −1) = {~u1, ~u2 }.
2 2
B B'
entonces B ′ es una base ortonormal y por la proposición anterior obtenemos:
5 1 5 1
(2, 3) = hu~1 |(2, 3)iu~1 + hu~2|(2, 3)iu~2 = √ u~1 − √ ~u2 = (1, 1) − (1, −1).
2 2 2 2

5 1
Por lo tanto (2, 3) = ,− .
2 2 B
>Ejemplo 32. En R3 comprueba que

1 1
B = √ (1, 1, 0), √ (1, −1, 0), (0, 0, 1)
2 2
es una base ortonormal y calcula las coordenadas de (2, 3, -1) en la base B.
235
Ya que en este tipo de bases las coordenadas de un vector son más sencillas de calcular
¿Serı́a posible encontrar una base ortogonal u ortonormal a partir de una base dada de
un subespacio vectorial? La respuesta es que sı́, y lo conseguiremos utilizando el método
de Gram-Schmidt.
Teorema 10 (Algoritmo de Gram-Schmidt).
Sea {v~1 , . . . , v~n } una base de un subespacio vectorial S de Rm . Tomamos:
Paso 1: w~1 = v~1

w~1
u~1 = ,
kw~1 k
Paso 2: w~2 = v~2 − hv~2 | u~1 iu~1
w~2
u~2 = ,
kw~2 k
Paso 3: w~3 = v~3 − hv~3 | u~1 iu~1 − hv~3 | u~2 iu~2

w~3
u~3 = ,
kw~3 k
..
.
Paso n: w~n = v~n − hv~n | u~1iu~1 − hv~n | u~2iu~2 − . . . − hv~n | ~un−1i~un−1 .

w~n
u~n =
kw~n k
Entonces {u~1 , . . . , u~n } es una base ortonormal de S y {w~1 , . . . , w~n } es una base ortogonal de
S.
>Ejemplo 33. Consideremos en R3 la base {(1, 1, 1), (0, 2, 0), (1, 0, 3)}. Halla una base or-
tonormal respecto al producto escalar canónico partiendo de la base anterior. Después calcula
las coordenadas de (1, 1, 1) respecto a la base ortonormal obtenida.
Solución
Tomamos:
~v1 (1, 1, 1)
u~1 = = √
k~v1 k 3
236

(1, 1, 1) (1, 1, 1) 2
w~2 =~v2 − h~v2 | u~1iu~1 = (0, 2, 0) − (0, 2, 0)| √ √ = (0, 2, 0) − (1, 1, 1) =
3 3 3

−2 4 −2
= , ,
3 3 3
−2 4 −2
−2 4 −2

w~2 , ,
3 3 3
, ,
3 3 3 −1 2 −1
~u2 = =q = 2
√ = √ ,√ ,√
kw~2 k 4
+ 16
+ 4
3
6 6 6 6
9 9 9
w
~ 3 =~v3 − h~v3 | u~1iu~1 − hv~3 | u~2iu~2 =

(1, 1, 1) (1, 1, 1) (−1, 2, −1) (−1, 2, −1)
=(1, 0, 3) − (1, 0, 3)| √ √ − (1, 0, 3)| √ √ =
3 3 6 6
(4, 4, 4) (−2, 4, −2)
=(1, 0, 3) − + = (−1, 0, 1)
3 3
w~3 (−1, 0, 1)
u~3 = = √
kw~3 k 2
Por lo tanto la base ortonormal será:

1 1 1 −1 2 −1 −1 1
B= √ , √ , √ , √ , √ , √ , √ , 0, √ .
3 3 3 6 6 6 2 2
√
Y las coordenadas de ~x = (1, 1, 1) con respecto a B son ( 3, 0, 0)B ya que
3 √
h~x| ~u1 i = √ = 3
3
h~x| ~u2 i = 0
h~x| ~u3 i = 0

>Ejemplo 34. Encuentra una base ortonormal, B, a partir de {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
y calcula las coordenadas del vector (2, −1, 1) en la base B.
237
>Ejemplo 35. Demuestra la veracidad o falsedad de las siguientes afirmaciones:
(a) Si {~v1 , ~v2 , ~v3 } es un conjunto linealmente dependiente de vectores entonces ~v1 es com-
binación lineal de ~v2 y ~v3 .
(b) Si V y W son subespacios de R3 de dimensiones 1 y 2 respectivamente entonces V ∪W =

R3 .
(c) Si V es un subespacio vectorial de Rn y ~v 6∈ V entonces ~v ∈ V ⊥ .
(d) Si ~v1 es ortogonal a ~v2 entonces {~v1 , ~v2 } es linealmente independiente.
>Ejemplo 36. (Diciembre 2015)

Sea el subespacio vectorial S = {(x, y, z) ∈ R3 : x + y + z = 0}.
(a) Halla la dimensión de S y una base S.
(b) Halla una base ortonormal de S.
(c) Halla las ecuaciones implı́citas y una base de S ⊥ .
238
7.8. Para entrenarte
Ejercicio 1. Halla un sistema generador de cada uno de los siguientes subespacios vectoria-
les:
(a) V = {(x, y) ∈ R2 : x + 2y = 0}.
(b) W = {(x, y, z) ∈ R3 : x + y + 2z = 0, y + z = 0}.
(c) U = {(x, y, z) ∈ R3 : 2x − y + z = 0}.
Solución: (a) {(2, −1)}; (b) {(1, 1, −1)}; (c) {(0, 1, 1), (1, 0, −2)}.
Ejercicio 2. Halla las ecuaciones implı́citas de los siguientes subespacios vectoriales:
(a) V = h(−2, 3)i.
(b) W = h(1, 2, −1)i.
(c) U = h(2, 1, 1), (−2, −2, −2), (0, −1, −1)i.
Solución: V = {(x, y) ∈ R2 : 3x+2y = 0}; W = {(x, y, z) ∈ R3 : x+z = 0, −2x+y = 0};

U = {(x, y, z) ∈ R3 : y − z = 0}.
Ejercicio 3. Halla una base de los siguientes subespacios vectoriales:
(a) V = h(1, 0, 1), (2, −1, −1), (3, −1, 0), (0, 1, 3)i.
(b) W = {(x, y, z) ∈ R3 : x + 2y + z = 0, 2x + 3y + z = 0}.
(c) U = {(x, y, z, t) ∈ R4 : x − y + 2z + 3t = 0, −x + 2y − 2z − t = 0, x + 2z + 5t =
0, x + 2t = 0}.
Solución: (a) {(1, 0, 1), (2, −1, −1)}; (b) {(−1, 1, −1)} (c) {(−4, −4, −3, 2)}.
Ejercicio 4. Comprueba que
H = {(x, y, z, t) ∈ R4 : x + y + z − t = 0, y − t = 0}
es un subespacio vectorial de R4 que tiene un sistema generador generado por dos vectores ~u
y ~v . Después comprueba que w ~ = (1, 2, −1, 2) pertenece a V y calcula los coeficientes de la
combinación lineal de ~u y ~v que da w.
~
Solución: H = h(−1, 0, 1, 0), (0, 1, 0, 1)i y w
~ = −1(−1, 0, 1, 0) + 2(0, 1, 0, 1). (Hay otras
soluciones posibles)
239
Ejercicio 5. Dados los vectores ~x = (1, 1, 1) , ~y = (1, 2, 3) y ~z = (3, 1, −1) , averigua si son
libres o ligados, estableciendo las relaciones de dependencia lineal, si existen. Halla una base,
su dimensión y las ecuaciones implı́citas del subespacio S = h~x, ~y, ~z i.
Solución: ~z = 5~x − 2~y ası́ que son ligados. {~x, ~y} es una base de S, tiene dimensión 2 y
S = {(x, y, z) ∈ R : 2y − x − z = 0}.
Ejercicio 6. Sean las bases de R3 :
B = {(1, 1, 1), (0, 1, 1), (1, 0, 1)} y B ′ = {(1, −1, 0), (0, 2, 1), (0, 0, 1)},
(a) Calcula las matrices cambio de base BC y BC′ .
(b) Calcula la matriz cambio de base de B ′ a B.

(c) Si ~v = (−2, 1, 0)B′ , halla ~v y las coordenadas de ~v en la base B.
     
1 0 1 1 0 0 0 1 −1
Solución: BC =  1 1 0  , BC′ =  −1 2 0  , BB′ =  −1 1 1 ,
1 1 1 0 1 1 1 −1 1
~v = (−2, 4, 1) = (1, 3, −3)B
Ejercicio 7. Sea C la base canónica de R3 , B = {~u1 , ~u2, ~u3 } una base de R3 y

 
1 0 1
BC =  1 0 0  .
1 1 1
(a) Halla las coordenadas del vector (0, 0, −1) en la base B.

(b) Halla una base ortonormal B ′ = {~v1 , ~v2 , ~v3 } a partir de B.
(c) Halla BB′ y las coordenadas de (0, 0, −1) en la base B ′ .

n q √ √ o
Solución: (0, 0, −1) = (0, −1, 0)B , B ′ = √1 , √1 , √1 , − √16 , − √16 , 23 , 1/ 2, −1/ 2, 0
3 3 3
 √1 1 
3
− 6√ − √12 q
es una base ortonormal a partir de B, BB′ =  0 √3 − √12  y (0, 0, −1) = − √13 , − 23 , 0 .
6 √ B′
0 0 2
Ejercicio 8. (Enero, 2011) Considerar el subespacio

S = ~x ∈ R3 : 2x1 + x2 − x3 = 0 , x1 − x2 + x3 = 0 .
(a) Dar las ecuaciones paramétricas y una base de S.
(b) Determinar las ecuaciones implı́citas y paramétricas de S ⊥ .
240
(c) Comprobar que los vectores ~u = (1, 1, −1) y ~v = (2, −1, 1) están en S ⊥ .
(d) A partir de los vectores ~u y ~v del apartado anterior, hallar una base ortonormal B de
S ⊥.
(e) Comprueba que el vector ~z = (0, −1, 1) pertenece a S ⊥ y halla las coordenadas de ~z en
la base B.
Solución: (a) S = {(0, t, t) : t ∈ R}, {(0, 1, 1)} es una base de S.

3
(b) S ⊥ =
n{(x, y, z) ∈ R : q y + z = 0} = {(x, o y, −y) : x, y ∈ R}.
(d)B = √1 , √1 , − √1 , 2
, − √16 , √16 (e) ~z = (− √23 , √26 ).
3 3 3 3
Ejercicio 9. (Diciembre 2011)

Considerar el subespacio H de R3 , dado por:
H =< (1, 0, 1), (2, 1, m), (3, 1, 1) >
(a) Hallar dim H según los valores de m.
(b) Para m = 0, calcular las ecuaciones implı́citas de H y una base B de H. Además,

calcular las coordenadas del vector v = (1, 2, −3) en la base B.
(c) Para m = 0, hallar H ⊥ , esto es, el suplemento ortogonal de H y una base ortonormal
de H.
(d) Para m = 0, halla a partir de las bases del apartado anterior, una base ortonormal de
R3 .
(e) Para m = 0, utiliza la base anterior para descomponer el vector z = (1, 2, 3) como suma
de un vector p ∈ H más otro vector q ∈ H ⊥ .
Solución: Si m = 0 dim H = 2, en otro caso dim H = 3. Si m = 0, H = {(x, y, z) ∈ R3 :

x − 2y − z = 0}, B n = {(1, 0, 1),(2,1, 0)} es una o base de H y (1, 2, 3) = (−3, 2)B . Una base
1 1 1 1 1
ortonormal de H es √ , 0, √
2
, √3 , √3 , − √3 y H ⊥ = h(1, −2, −1)i.
n 2 o
√1 , 0, √1
2 2
, √13 , √13 , − √13 , (1,−2,−1)
√
6
es una base ortonormal de R3 . (1, 2, 3) = (2, 0, 2)+
(−1, 2, 1)
Ejercicio 10. (Enero 2013) Considera el subespacio
S = {(x1 , x2 , x3 , x4 ) ∈ R4 : −2x1 + x2 + x3 = 0, x1 − 2x2 + x3 = 0, x1 + x2 − 2x3 = 0}.
(a) Halla las ecuaciones paramétricas y una base de S.
(b) Halla las ecuaciones implı́citas y una base de S ⊥ .
(c) A partir de los vectores ~u = (2, −1, −1, 0) y ~v = (−2, −2, 4, 0), halla una base ortonor-
mal de S ⊥ .
241
(d) Comprueba que el vector (0, −3, 3, 0) pertenece a S ⊥ y calcula sus coordenadas respecto
de la base B.
Solución: S = {(t, t, t, s) : t, s ∈ R}, {(1, 1, 1, 0), (0, 0, 0, 1)} es una base de S,

S ⊥ = {(x, y, z, t) ∈ R4 : t = 0, x + y + z = 0}, {(−1, 1, 0, 0), (−1, 0, 1, 0)} es una base de
S ⊥ , nq
2
o √
B= , − √1 , − √1 , 0 , 0, − √1 , √1 , 0 y (0, −3, −3, 0) = (0, 3 2)B
3 6 6 2 2
Ejercicio 11. Sea B = {~u1 , ~u2, ~u3 } tal que

 
1 0 1
CB =  1 0 0 
1 1 1
(a) Halla las coordenadas del vector ~x = (1, 0, −2) en la base B.
(b) Halla las coordenadas del vector ~x = (1, 1, 4)B en la base canónica.
(c) Halla las coordenadas de los vectores ~u1, ~u2 y ~u3 en la base canónica.
(d) Halla una base ortonormal B ′ = {~v1 , ~v2 , ~v3 } a partir de B.
(e) Halla BB′ y las coordenadas de (1, 1, 1) en la base B ′ .
(f) Dado S = h~u1i, halla las ecuaciones implı́citas de S y de S ⊥ .
Solución: (1, 0, −2) =

n(−1, 1, −1)B. (1,
q1, 4)B = (1, 3,0)C. v1 = (0, −1,
o1), v2 = (1, 0, −1)
y v3 = (0, 1, 0). B ′ = 0, − √12 , √12 , 2
3
, − √16 , − √16 , √13 , √13 , √13 es una base orto-
 1 
√ √1 √2
2 q6 3
  √
normal a partir de B. BB′ =  0 2
3
√1  y (1, 1, 1) = (0, 0, 3)B ′ . S = {(x, y, z) ∈
√3
0 0 3
R : x = 0, y + z = 0} y S = {(x, y, z) ∈ R3 : −y + z = 0}.
3 ⊥
Ejercicio 12. Demuestra la veracidad o falsedad de las siguientes afirmaciones:
(a) Dados ~v1 , ~v2 dos vectores de Rn entonces h~v1 , ~v2 i = h~v1 , ~v2 , ~v1 + ~v2 i.
(b) Cuatro vectores en R4 son sistema generador de R4 .
(c) Sea S un subespacio vectorial de R2 y {~v1 , ~v2 } una base de R2 . Si dim S = 1 entonces
S = h~v1 i o S = h~v2 i.
(d) Sea W un subespacio vectorial de R3 y B = {~v1 , ~v2 } una base de W . Entonces se verifica
que el vector w
~ = ~v1 − ~v2 pertenece al subespacio W y sus coordenadas respecto de la
base B son (1, −1).
242
(e) Si {~b1 , ~b2 } una base ortonormal de R2 entonces {~b1 +~b2 , ~b1 −~b2 } es una base ortonormal
de R2 .
(f) Si {~b1 , ~b2 } una base ortonormal de R2 entonces {~b1 + ~b2 , ~b1 − ~b2 } es una base ortogonal
de R2 .
(g) El conjunto {(x1 , x2 ) ∈ R2 : x1 + 2x2 = 1} es un subespacio vectorial de R2 .
(h) Cinco vectores en R4 son linealmente dependientes.
(i) Si {~v1 , . . . , ~vn−1 } es un conjunto de vectores de Rn linealmente independientes entonces

{~v1 , . . . , ~vn−1 , ~v} es una base de Rn para cualquier vector ~v de Rn .
~b1 , ~b2 } es una base de R2 entonces B ′ = {~b1 + ~b2 , ~b1 − ~b2 } es una base de R2
(j) Si B = {
′ 1 1
y BB = .
1 −1
(k) El subespacio suplemento ortogonal de una recta que pasa por el origen es un plano que
pasa por el origen.
(l) Dos vectores unitarios distintos son linealmente independientes.
(m) Todo sistema ortogonal de n vectores en Rn es base de Rn .
(n) El conjunto {(x, y) ∈ R2 : x − 2y = 0} es un subespacio de R2 .
Solución: V, F, F, V, F, V, F, V, F, V, V, F, V, V.
Ejercicio 13. Sea V = {v1 , v2 , v3 , v4 } una base de R4 y considerar los sistemas de vectores
W = {v1 + v2 , v1 + v2 − v3 , 2v3 }
B = {v1 − v2 , 2v3 , v1 + v4 , v2 − v4 }.
(a) Prueba que W es ligado y que B es base de R4 .
(b) Halla la matriz cambio de base de B a V, BV .

 
1 −1 0 1
 0 1 1 0 
(c) Si BC =  0
 , obtén la expresión de los vectores de V en la base canónica.
0 1 −1 
0 0 0 1
(d) Considerar el subespacio H =< W >. Hallar las ecuaciones implı́citas y una base
ortonormal B ′ de H.
(e) Comprueba que ~v = (2, 4, 0, 3) pertenece a H y halla las coordenadas de ~v en la base

B′.
243
 
1 0 1 0
 −1 0 0 1 
Solución: (b) BV =   0 2 0
.
0 
0 0 1 −1
(c) v1 = (1, 1/2, 0, 1/2), v2 = (0, 1/2, 0, 1/2), v3 = (−(1/2),
n1/2, 0, 0) y v4 = (−1,
1/2, 1, −(1/2)).o
4 ′ 1 1 1 √1 , √1 , 0, 0
(d) H = {(x, y, z, t) ∈ R : z = 0, −2t+x+y = 0} y B = √ , √ , 0, √
3 3 3
, − 2 2
√ √
es BON de H. (e) ~v = (3 3, 2)B′ .
244
Tema 8. Aplicaciones lineales
Índice
8.1. Introducción, definiciones y ejemplos 246
8.2. Matriz de una aplicación lineal (en las bases canónicas) 251
8.3. Núcleo e imagen de una aplicación lineal 254
8.4. Clasificación 258
8.5. Matriz de una aplicación lineal en otras bases 261
8.6. Apéndice: Antiimagen o imagen recı́proca 267
Marı́a José Pérez Peñalver. Fundamentos Matemáticos de la IC (2021/2022) 245

8.1. Introducción, definiciones y ejemplos
Introducción
En este tema vamos a estudiar aplicaciones entre espacios vectoriales, que cumplen
una determinada condición que denominaremos linealidad.
La idea de este tipo de funciones viene de las funciones reales de variable real f (x) = λx
que podemos leer de otra forma como f (x) es proporcional a x. Estas funciones son las
más sencillas después de las constantes y cumplen
f (αx) = αf (x) y f (x + y) = f (x) + f (y).
Estas trasformaciones lineales se generalizan a Rn y a cualquier espacio vectorial y

están presentes en muchos entornos. Algunos ejemplos fı́sicos de transformaciones lineales
son las dilataciones, las contracciones, las rotaciones y las cizalladuras. Podemos también
pensar, por ejemplo, en los dibujos por ordenador. En la siguientes figura se pueden
observar cómo actúan varias transformaciones lineales en el plano:
Una de las particularidades que se puede observar, es que este tipo de aplicaciones
transforma un segmento en otro segmento (situado quizás en otro sitio y con más o menos
longitud).
246
Aplicaciones lineales
DEFINICIÓN 1 (Aplicación lineal).
Sean U y V dos espacios vectoriales reales. Una aplicación f : U → V diremos que es una
aplicación lineal si:
(L1) f (~u + ~v ) = f (~u) + f (~v)
(L2) f (α~u) = αf (~u)
para cualesquiera ~u, ~v ∈ U y α ∈ R.

Equivalentemente, una aplicación es lineal si:
f (α~u + β~v) = αf (~u) + βf (~v)
para cualesquiera ~u, ~v ∈ U y α, β ∈ R.

Al conjunto de todas las aplicaciones lineales entre U y V lo denotamos como L(U, V ).
UV f V
V'
>Ejemplo 1. Las siguientes aplicaciones son lineales:
I :V →V f (~u) = ~u, denominada identidad.
0:V →V f (~u) = ~0, denominada aplicación nula.
>Ejemplo 2. Estudia si las funciones
1. f (x) = 2x,
2. g(x) = x2 ,
3. h(x, y) = x,
4. i(x, y) = (−x, y),

√
5. j(x) = x,
son lineales.
247
>Ejemplo 3. Estudia si f : R2 → R2 f (x, y) = (x, 2y) es una aplicación lineal.
Solución
En la figura siguiente se observa como actúa esta aplicación sobre un cuadrado.
Se trata de una dilatación.
2 2
1 1
-1.0 -0.5 0.5 1.0 -1.0 -0.5 0.5 1.0
-1 -1
-2 f→ -2
Figura 1: Como transforma la aplicación f (dilatación) un cuadrado de lado 2.
Veamos que es lineal. Sean ~u = (x, y) y ~v = (x′ , y ′) ∈ R2 , entonces:
f (~u + ~v ) = f ((x, y) + (x′ , y ′)) = f (x + x′ , y + y ′ ) =

= ((x + x′ ), 2(y + y ′ )) =
= (x + x′ , 2y + 2y ′)) =
= (x, 2y) + (x′ , 2y ′) = f (~u) + f (~v).
Y lo mismo ocurre con
f (α~u) = f (α(x, y)) = f (αx, αy) = (αx, 2αy) = α(x, 2y) = αf (~u),
si α ∈ R. Por lo tanto se trata de una aplicación lineal.
>Ejemplo 4. Estudia si f : R2 → R2 f (x, y) = (x + 2y, y) es una aplicación lineal.

Solución
1.0 1.0
0.5 0.5
-1.0 -0.5 0.5 1.0 -3 -2 -1 1 2 3
-0.5 -0.5
-1.0 f→ -1.0
Figura 2: Como transforma la aplicación f (cizalladura) un cuadrado de lado 2.
En la figura anterior vemos como se comporta esta aplicación sobre un cuadrado.

Se trata de una cizalladura.
248
Comprobamos que es lineal. Sean ~u = (x, y) y ~v = (x′ , y ′) ∈ R2 , entonces:
f (~u + ~v ) = f ((x, y) + (x′ , y ′ )) = f (x + x′ , y + y ′) =

= ((x + x′ ) + 2(y + y ′ ), (y + y ′)) =
= (x + x′ + 2y + 2y ′ + y + y ′ )) =
= (x + 2y, y) + (x′ + 2y ′ , y ′) = f (~u) + f (~v).
f (α~u) = f (α(x, y)) = f (α(x+2y), αy) = (αx+2αy, αy) = α(x+2y, y) = αf (~u),

>Ejemplo 5. Estudia si f : R2 → R2 f (x, y) = (x + y, x − y) es una aplicación lineal.

Solución
Sean ~u = (x, y) y ~v = (x′ , y ′) ∈ R2 , entonces:
f (~u + ~v ) = f ((x, y) + (x′ , y ′)) = f (x + x′ , y + y ′ ) =

= ((x + x′ ) + (y + y ′), (x + x′ ) − (y + y ′)) =
= ((x + y) + (x′ + y ′), (x − y) + (x′ − y ′ )) =
= (x + y, x − y) + (x′ + y ′, x′ − y ′ ) = f (~u) + f (~v ).
f (α~u) = f (α(x, y)) = f (αx, αy) = (αx−αy, αx−αy) = α(x+y, x−y) = αf (~u),

En la figura siguiente se observa como actúa esta aplicación sobre un cuadrado.
2
2
1
1
-1.0 -0.5 0.5 1.0 -2 -1 1 2
-1 -1
-2 f→ -2
249
>Ejemplo 6. Estudia si f : R2 → R dada por
f (x1 , x2 ) = x21 + x22
es una aplicación lineal.

Solución
Sean ~u = (1, 2) y α = 2 ∈ R, entonces:
f (α~u) = f (2(1, 2)) = f (2, 4) = 22 + 42 = 20.
Sin embargo
αf (~u) = 2f (1, 2) = 2(12 + 22 ) = 10.
Por lo tanto no se cumple la propiedad (L2) de la linealidad y esta aplicación f

no es lineal.
>Ejemplo 7. Estudia si g : R2 → R2 dada por
g(x1 , x2 ) = (x1 + 7, x2 )

Solución
Sean ~u = (0, 2) y α = 3 ∈ R, entonces:
g(α~u) = g (3(0, 2)) = f (0, 6) = (7, 6)
Pero
αg(~u) = 3g(0, 2) = 3(7, 2) = (21, 14).
Luego no se trata de una aplicación lineal.
>Ejemplo 8. Estudia si f : R3 → R3 , dada por
f (x, y, z) = (2x, 0, y − z),

Solución
Sean ~u = (x1 , x2 , x3 ) ∈ R3 y ~v = (y1, y2 , y3 ) ∈ R3 , entonces
f (~u + ~v ) = f (x1 + y1 , x2 + y2 , x3 + y3 ) = (2(x1 + y1 ), 0, x2 + y2 − (x3 + y3 ))

f (~u) + f (~v) = (2x1 , 0, x2 − x3 ) + (2y1 , 0, y2 − y3 ) = (2(x1 + y1 ), 0, (x2 − x3 ) + (y2 − y3 )) =
= (2(x1 + y1 ), 0, x2 + y2 − (x3 + y3 )) = f (~u + ~v ),
250
entonces se cumple (L1). Y
f (α~u) = f (αx1 , αx2 , αx3 ) = (2αx1 , 0, αx2 − αx3 )
αf (~u) = αf (x1 , x2 , x3 ) = α(2x1 , 0, x2 − x3 ) = (2αx1 , 0, αx2 − αx3 ) = f (α~u).
Luego también se cumple (L2). Concluimos que sı́ es una aplicación lineal.
>Ejemplo 9. La función I : C([0, 1]) → R, siendo C([0, 1]) las funciones continuas en el
intervalo [0, 1], dada por
Z 1
I(f ) = f (x)dx,
0
es una función lineal.
>Ejemplo 10. Dada A una matriz real de tamaño m × n. La aplicación f : Rn → Rm

definida por
f (~x) = A~x,
para todo ~x ∈ Rn , es lineal.
8.2. Matriz de una aplicación lineal en las bases canóni-

cas
Sea la aplicación lineal f (x, y, z) = (x, y + z).
Esta aplicación, y cualquier aplicación lineal, se puede escribir como un producto de una
matriz por el vector columna de las variables, en nuestro caso (x, y, z), de la siguiente
manera:
 
x
1 0 0
f (x, y, z) = ·  y  = (x, y + z)t
0 1 1
z
A la matriz anterior se le llama matriz de la aplicación lineal f en las bases
canónicas. Si C = {~e1 , ~e2 , ~e3 } es la base canónica de R3 y C ′ es la base canónica de R2
se escribe
1 0 0
fC×C ′ = .
0 1 1
Si calculamos
f (~e1 ) = f (1, 0, 0) = (1, 0),
f (~e2 ) = f (0, 1, 0) = (0, 1)
y
f (~e3 ) = f (0, 0, 1) = (0, 1),
nos damos cuenta que las imágenes de los vectores de la base canónica están en la matriz
fC×C ′ colocados por columnas.
251
DEFINICIÓN 2 (Matriz de una aplicación lineal en las bases canónicas).
Sea una aplicación lineal f : Rn → Rm si C = {~e1 , ~e2 , . . . ~en } es la base canónica de Rn y C ′

es la base canónica de Rm , definimos matriz de la aplicación f en las bases canónicas
 
↑ ↑ ↑
fC×C ′ =  f (e~1 ) f (e~2 ) . . . f (e~n ) 
↓ ↓ ↓
Es una matriz de tamaño m × n que cumple:

 
x1

 x2 

f (x1 , x2 , . . . , xn ) = fC×C ′ ·  .. 
 . 
xn
>Ejemplo 11. Sea f : R3 → R2 dada por
f (x1 , x2 , x3 ) = (x1 − x3 , 2x2 − x3 ).
Calcula la matriz de la aplicación lineal en las bases canónicas.

Solución
Calculamos las imágenes de los vectores de la base canónica de R3 :

f (1, 0, 0) = (1, 0) 
f (0, 1, 0) = (0, 2) .

f (0, 0, 1) = (−1, −1)
Entonces
1 0 −1
fC×C ′ = ∈ R2×3 ,
0 2 −1
denotando por C a la base canónica de R3 y C ′ a la base canónica de R2 .
Una vez conocida esta matriz, se puede usar la forma matricial en lugar de usar
las ecuaciones para calcular los valores de f :
   
x1 x1
1 0 −1  x1 − x3
fC×C ′ ·  x2  = x2  =
0 2 −1 2x2 − x3
x3 x3
f (x1 , x2 ) = (x1 , x1 ).
252
Calcula la matriz de la aplicación lineal.
Solución
Calculamos las imágenes de los vectores de la base canónica de R2 a la que

denotaremos por C:
f (1, 0) = (1, 1)
.
f (0, 1) = (0, 0)
Entonces
1 0
fC×C = .
1 0
Podemos observar también cómo actúa esta aplicación sobre un cuadrado:
1.0
1.0
0.5 0.5
-1.0 -0.5 0.5 1.0

-1.0 -0.5 0.5 1.0
-0.5 -0.5
-1.0 f→ -1.0
>Ejemplo 13. Calcula la matriz de la aplicación lineal en las bases canónicas a
f (x, y) = (2x − y, 3y, 3x − 4y).
g(x1 , x2 , x3 , x4 ) = (x1 − x4 , 2x3 ).
253
8.3. Núcleo e imagen de una aplicación lineal
Ahora vamos a estudiar dos subespacios interesantes que se generan en una aplicación
lineal f : U → V, el núcleo, que es un subespacio de U, y la imagen, que es un subespacio
de V. Estos subespacios tienen muchas propiedades que, entre otras cosas nos permitirán
clasificar las aplicaciones lineales.
DEFINICIÓN 3 (Subespacio imagen de una aplicación lineal).
Sea f : U → V una aplicación lineal, definimos imagen de f a
Im f = f (U) = {f (~u) : ~u ∈ U} ⊆ V.
Es fácil demostrar que f (U) = Im f es un subespacio vectorial de V.
DEFINICIÓN 4 (Subespacio núcleo de una aplicación lineal).
Sea f : U → V una aplicación lineal. Se llama núcleo de f y se denota Ker f al conjunto:
Ker f = {~u ∈ U : f (~u) = ~0V }.
El núcleo de una aplicación lineal es un subespacio del espacio inicial U.
>Ejemplo 14. Sea la aplicación lineal proyección sobre el plano XY, p : R3 → R3 , dada
por p(x, y, z) = (x, y, 0). Calcula sus subespacios núcleo e imagen de f.
Solución
Tenemos:
Im p = {p(x, y, z) : (x, y, z) ∈ R3 } = {(x, y, 0) : x, y ∈ R} = h(1, 0, 0), (0, 1, 0)i
Es decir, el subespacio imagen de p es el plano XY y no es una aplicación sobre-

yectiva.
Por otro lado:
Ker p = {(x, y, z) ∈ R3 : p(x, y, z) = (0, 0, 0)} = {(x, y, z) ∈ R3 : (x, y, 0) = (0, 0, 0)} =

={(0, 0, z) : z ∈ R} = h(0, 0, 1)i
Es decir, en este caso el núcleo es el eje Z.

Como todos los elementos del núcleo tienen la misma imagen la aplicación p no
es inyectiva.
254
ker P (x,y,z)
P
0
P (x)
(x,y,0)
Im P
Figura 3: Núcleo e imagen de la aplicación lineal proyección sobre el plano XY.

f (x1 , x2 , x3 ) = (x1 − x3 , 0, x2 − x3 ).
Halla el núcleo de la aplicación lineal f, una base y su dimensión. Halla también una base del
subespacio imagen y su dimensión.
Solución
Ker f ={~u ∈ U : f (~u) = ~0} = {(x1 , x2 , x3 ) ∈ R3 : (x1 − x3 , 0, x2 − x3 ) = (0, 0, 0)} =

={(x1 , x2 , x3 ) ∈ R3 : x1 − x3 = 0, x2 − x3 = 0} = {(x1 , x2 , x3 ) ∈ R3 : x1 = x3 = x2 } =
={(x1 , x1 , x1 ) : x1 ∈ R} = {x(1, 1, 1) : x ∈ R} = h(1, 1, 1)i
Luego Ker f tiene dimensión 1 y {(1, 1, 1)} es una de sus bases.
Im f ={f (x1 , x2 , x3 ) : (x1 , x2 , x3 ) ∈ R3 } = {(x1 − x3 , 0, x2 − x3 ) : x1 , x2 , x3 ∈ R} =

={(x1 , 0, 0) + (0, 0, x2 ) + (−x3 , 0, −x3 ) : x1 , x2 , x3 ∈ R} =
={x1 (1, 0, 0) + x2 (0, 0, 1) + x3 (−1, 0, −1) : x1 , x2 , x3 ∈ R} =
=h(1, 0, 0), (0, 0, 1), (−1, 0, −1)i = h(1, 0, 0), (0, 0, 1)i.
Ası́ que Im f tiene dimensión dos y {(1, 0, 0), (0, 0, 1)} es una de sus bases.


f (x, y) = (x, x).
Calcula los subespacios núcleo e imagen de f e interpreta geométricamente el resultado.
255
Teorema 1 (Cálculo de Im f y de su dimensión).
Sea f : Rn → Rn una aplicación lineal y {u~1 , u~2 , . . . , u~n } una base de Rn . Entonces
hf (u~1 ), f (u~2), . . . , f (u~n )i = Im f.

Además si A es una matriz de la aplicación lineal f respecto a bases cualesquiera entonces
rang(A) = dim(Im f ).
Para calcular Im f podemos calcular la matriz de la aplicación en las bases canónicas,

fC×C ′ , que tiene por columnas f (e~1 ), f (e~2 ), . . . , f (e~n ) y hacer su envoltura lineal:
hf (e~1 ), f (e~2), . . . , f (e~n )i = Im f.
Y para calcular su dimensión:
rang(fC×C ′ ) = dim(Im f ).
>Ejemplo 17. Sea la aplicación lineal f : R3 → R2 definida por
f (x, y, z) = (2x − y, z + 5y).
Halla la matriz de la aplicación lineal f en las bases canónicas. Calcula su núcleo y su imagen,
sus dimensiones, ası́ como bases para ambos.
256
>Ejemplo 18. Sea f : R2 → R3 tal que
 
1 1
fC×C ′ =  1 −1  ,
2 0
siendo C y C ′ las bases canónicas de R2 y R3 .

Calcula la aplicación f, es decir, el valor de f (x, y) con (x, y) ∈ R2 . Después halla las ecua-
ciones implı́citas del subespacio imagen de f, su dimensión y una base de su núcleo.
257
Como podemos observar en los ejemplos precedentes, existe una relación entre las
dimensiones del núcleo y la imagen de una aplicación y la dimensión del espacio inicial.
Teorema 2.
Sea U un espacio vectorial de dimensión finita y f una aplicación lineal f : U → V . Entonces:
dim U = dim(Ker f ) + dim(Im f )
>Ejemplo 19. En la figura 2 se observa como se cumple la fórmula de las dimensiones del
núcleo y la imagen para la aplicación proyección sobre el plano XY.
>Ejemplo 20. Sea f : R3 → R3 del ejemplo 15 dada por
f (x1 , x2 , x3 ) = (x1 − x3 , 0, x2 − x3 ).
Halla la dimensión de su imagen sin calcularla.

Solución
Como vimos en ejemplo 15 dim Ker f = 1, entonces dim Im f = dim R3 −

dim Ker f = 3 − 1 = 2.
8.4. Clasificación
DEFINICIÓN 5.
Sea f : U → V una aplicación lineal:
A una aplicación lineal f se le llama también homomorfismo.
Si el espacio final es igual al espacio final, f : U → U, se le llama endomorfismo.
Si f es inyectiva se le llama monomorfismo.
Si f es sobreyectiva (o suprayectiva) se le llama epimorfismo.
Si f es biyectiva se le llama isomorfismo.
258
Teorema 3 (Caracterización).
Sea f : U → V una aplicación lineal, con dim U = n y dim V = m. Entonces:
f es un monomorfismo ⇔ Ker f = {~0U } ⇔ dim(Im(f )) = n.
f es un epimorfismo ⇔ Im(f ) = V ⇔ dim(Im(f )) = m.
f es un isomorfismo ⇔ dim(Im(f )) = m = n.
f (x1 , x2 , x3 ) = (x1 − x3 , 0, x2 − x3 ).
Solución
Como vimos en ejemplos anteriores dim Ker f = 1, luego no es monomorfismo y

dim(Im f ) = 2 6= dim R3 entonces tampoco es un epimorfismo.
f (x, y, z) = (2x, 0, y − z)
una aplicación lineal. Clasifı́cala.

Solución
Ker f ={(x, y, z) ∈ R3 : f (x, y, z) = (0, 0, 0)} =

={(x, y, z) ∈ R3 : (2x, 0, y − z) = (0, 0, 0)} = {(x, y, z) ∈ R3 : x = 0, y = z)} =
={(0, z, z) : z ∈ R} = {z(0, 1, 1) : z ∈ R} = h(0, 1, 1)i
Ası́ que dim Ker f = 1 y no es inyectiva. Tampoco es sobreyectiva porque dim Im f =

dim R3 − dim Ker f = 3 − 1 = 2 6= dim R3 .
Observemos que no puede ser sobreyectiva porque los elementos de R3 cuya se-
gunda componente no es 0, por ejemplo el (0,1,0), no son imagen por f de ningún
elemento de R3
>Ejemplo 23. Sea f : R2 → R3 tal que (−2, 1) ∈ Ker f y f (1, 0) = (1, 2, −1).
Halla su matriz asociada en las bases canónicas y la expresión analı́tica de la aplicación f.
Clasifı́cala, halla una base del núcleo y las ecuaciones implı́citas de su imagen.
259
>Ejemplo 24. Sea f (x1 , x2 , x3 ) = (2x1 − x2 , x1 + x2 ). Halla Ker f, Im f y clasifı́cala.
Solución
f : R3 → R2 , hallamos la matriz de la aplicación en las bases canónicas:

2 −1 0
A = fC×C ′ = .
1 1 0 2×3
Observamos que rang A = 2 = dim(Im f ) = dim R2 , por lo tanto es sobreyectiva.
Por otro lado dim(Ker(f )) = dim(R3 ) − dim(Im f ) = 3 − 2 = 1, lo que nos dice
que no es inyectiva. Se trata por tanto de un epimorfismo.
Hallamos Ker f :
   
 x1 
2 −1 0  0
Ker f = (x1 , x2 , x3 ) ∈ R3 : x2  = =
 1 1 0 0 
x3
3

= (x1 , x2 , x3 ) ∈ R : 2x1 − x2 = 0, x1 + x2 = 0 =

= (x1 , x2 , x3 ) ∈ R3 : x1 = x2 = 0 = {(0, 0, x3 ) : x3 ∈ R} = {x(0, 0, 1) : x ∈ R} =
=h(0, 0, 1)i
Y como es sobreyectiva Im f = R2 .
>Ejemplo 25. Indica razonadamente si las siguientes afirmaciones son verdaderas o falsas:
(a) La aplicación f (x, y) = (x2 , y) es lineal.
(b) Si f : Rn → Rn es una aplicación lineal inyectiva entonces f es biyectiva.
(c) Sea f : Rn → Rm una aplicación lineal. Si ~u es un vector de Rn y ~v ∈ Ker f entonces

f (~u + ~v) = f (~u).
260
8.5. Matriz de una aplicación lineal en otras bases
En esta sección veremos como se puede definir una matriz de una aplicación lineal, tra-
bajando en otras bases en el dominio y el codominio. También veremos cómo se relacionan
entre ellas.
DEFINICIÓN 6.
Sea f : U → V una aplicación lineal entre dos espacios vectoriales de dimensión finita U y V
sobre R.
Sean B = {~u1 , . . . , ~un } una base de U y B ′ = {~v1 , . . . , ~vm } una base de V.
Entonces f (~u1), . . . , f (~un ) son elementos de V y los podemos expresar en coordenadas en
función de la base B ′ . Si sus coordenadas son:

f (u~1) = a11~u1 + a21~u2 + . . . , am1~um = (a11 , a21 , . . . , am1 )B′  

f (u~2) = a12~u1 + a22~u2 + . . . , am2~um = (a12 , a22 , . . . , am2 )B′ 
.. ,
. 


f (u~n ) = a1n ~u1 + a2n ~u2 + . . . , amn ~um = (a1n , a2n , . . . , amn )B′ 
podemos construir una matriz poniéndolas por columnas:
 
  a11 a12 . . . a1n
↑ ↑ ↑  a21 a22 . . . a2n 
 
fB×B′ =  f (u~1 )B′ f (u~2)B′ . . . f (u~n )B′  =  .. .. ..  .
 . . . 
↓ ↓ ↓
am1 am2 . . . amn m×n
Entonces si ~u ∈ U tiene de coordenadas en la base B
~u = (α1 , . . . , αn )B
y f (~u) ∈ V tiene de coordenadas en la base B ′
f (~u) = (β1 , . . . , βm )B′ ,
entonces es fácil comprobar que:

 
  a11 a12 . . . a1n  
β1 α1

 ..   a21 a22 . . . a2n 
  .. 
 . = .. .. .. ·  . .
 . . . 
βm αn
am1 am2 . . . amn
O de forma abreviada,
f (~u)B ′ = fB×B ′ · ~uB . (1)
Esta matriz, de tamaño m × n, es la llamada matriz de la aplicación lineal f en las bases

B y B′.
261
Dada f : U → V una aplicación lineal entre U y V, B una base de U y B ′ una base
de V existe una única matriz de tamaño m × n que cumple (1).
E inversamente, dada una matriz A de tamaño m×n existe una única aplicación lineal
f : U → V tal que
f (~u)B′ = A · ~uB .
Por lo tanto existe una correspondencia biyectiva entre Rm×n y las aplicaciones lineales
de U a V.

f (x1 , x2 ) = (x1 − x2 , −x1 + x2 ).
Halla fC×C , fB×C y fB×B con B = {(1, 0), (1, 1)} = {b~1 , b~2 } y C la base canónica.
Solución
Calculamos primero fC×C :
f (e~1 ) = f (1, 0) = (1, −1),
f (e~2 ) = f (0, 1) = (−1, 1),
ası́ que
1 −1
fC×C = .
−1 1
Calculamos ahora fB×B :
f (b~1 ) = f (1, 0) = (1, −1)C = 2(1, 0) − (1, 1) = 2b~1 − b~2 = (2, −1)B
.
f (b~2 ) = f (1, 1) = (0, 0)C = 0b~1 + 0b~2 = (0, 0)B
Entonces:
1 0 2 0
fB×C = y fB×B = .
−1 0 −1 0
Podemos observar también cómo actúa esta aplicación sobre un cuadrado:
2
2
1
1
-1.0 -0.5 0.5 1.0 -2 -1 1 2
-1 -1
-2 f→ -2

f (x1 , x2 , x3 ) = (x1 + x3 , x2 − x3 ).
Calcula la matriz de la aplicación lineal en las bases canónicas fC×C ′ .Y dadas las bases
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B ′ = {(2, 0), (0, 1)}, halla fB×C ′ . ¿Podrı́amos calcular
fB×B′ a partir de ellas?
262
Las matrices de una aplicación en diferentes bases están relacionadas a través de las
matrices cambio de base de los espacios de salida y llegada. Nos lo explica el teorema
siguiente.
Teorema 4 (Cálculo de la matriz de la aplicación lineal en otras bases).
Sea f : Rn → Rn una aplicación lineal.

Sean B una base de Rn , B ′ una base de Rm y C y C ′ las bases canónicas de Rn y Rm
respectivamente. Entonces:
−1
fB×B ′ = C ′B ′ · fC×C ′ · BC = (B ′ C ′ ) · fC×C ′ · BC
Figura 4: Matriz de una aplicación lineal en otras bases.
f (x1 , x2 ) = (x1 − x2 , −x1 + x2 ).
Halla fB×B con B = {(1, 0), (1, 1)} = {~b1 , ~b2 } partiendo de fC×C y matrices cambio de base.
Solución

1 −1
Como f (1, 0) = (1, −1) y f (0, 1) = (−1, 1) podemos calcular fC×C =
−1 1
y, a partir de ella:
−1
−1 1 1 1 −1 1 1
fB×B = CB · fC×C · BC = (BC ) · fC×C · BC = =
0 1 −1 1 0 1

2 0

−1 0
263
f (x1 , x2 ) = (x1 + x2 , x1 − x2 , 2x1 + 3x2 ).
Halla fC×C ′ , fB×C ′ ,fB×B′ siendo:
 
1 1 1
1 1
BC = BC′ ′ =  0 1 1 ,
0 1
0 0 1
siendo C y C ′ las bases canónicas de R2 y R3 respectivamente, B una base de R2 y B ′ una
base de R3 .
Solución
Calculando las imágenes de los vectores de C = {(1, 0), (0, 1)} obtenemos:
 
1 1
fC×C ′ =  1 −1  .
2 3
Por otro lado:
   
1 1 1 2
1 1 
fB×C ′ = fC×C ′ · BC =  1 −1  · 1 0 .
0 1
2 3 2 5
Además:
 
0 2
fB×B′ = CB′ ′ · fC×C ′ · BC = (BC′ ′ )−1 · fC×C ′ · BC =  −1 −5  .
2 5
Podemos hallar de otra forma fB×C ′ ; mirando las columnas de BC sabemos que
B = {(1, 0), (1, 1)} y después calculamos sus imágenes:
 
1 2
f (1, 0) = (1, 1, 2) f (1, 1) = (2, 0, 5) por lo tanto fB×C ′ =  1 0  .
2 5


f (x, y, z, t) = (2x + y + z, x + y + z + t, y − z + 2t).
Calcula la matriz de la aplicación lineal en las bases canónicas, ası́ como en las bases:
B = {(1, 1, −1, 2), (0, 1, 2, 1), (0, 0, 1, −2), (0, 0, 0, 1)}

y
B ′ = {(1, −2, −1), (2, 1, 0), (1, 0, 0)}.
Además, si ~xB = (1, −1, 0, 0) calcula f (~x)B′ .
264
>Ejemplo 31. Sea una aplicación lineal f : R3 → R2 tal que

−3 −4 1
fB×C ′ = ,
2 −1 0
siendo B = {(1, 1, 0), (0, 1, 0), (0, 0, −1)} una base de R3 y C ′ la base canónica de R2 .
(a) Calcula la matriz de la aplicación en las bases canónicas.
(b) Calcula la expresión analı́tica de f, es decir, f (x, y, z) para todo (x, y, z) ∈ R3 .
(c) Halla también su núcleo y su imagen, sus dimensiones, ası́ como bases para ambos.
265
Relacionaremos estas matrices de endomorfismos con unos tipos de matrices: las ma-
trices semejantes.
Si tenemos un endomorfismo f : U → U, las matrices de esta aplicación lineal en la
misma base de salida que de entrada, por el teorema 4 cumplen
fB×B = CB · fC×C · BC = BC−1 · fC×C · BC
para cualesquiera bases B y C de U.

Esta relación existente entre la matriz fC×C y la matriz fB×B se denomina relación de
semejanza.
Teorema 5.
Sea f : Rn → Rn un endomorfismo y sea B una base de Rn Entonces se verifica que
fB×B = BC−1 · fC×C · BC
donde BC es la matriz de cambio de base de la base B a la base canónica C de Rn

Cuando dos matrices A y B verifican que existe una matriz regular P tal que
B = P −1 · A · P
entonces A y B se dice que son semejantes. Por tanto, las matrices asociadas a un endomor-
fismo respecto a bases distintas son semejantes.
Teorema 6.
Sean A y B dos matrices semejantes. Entonces:
det(A) = det(B);
rang(A) = rang(B).
266
8.6. Apéndice: Antiimagen o imagen recı́proca
DEFINICIÓN 7.
Sea f : U → V una aplicación lineal sobre un cuerpo K y sea ~v ∈ V. Llamaremos imagen
recı́proca o antiimagen de ~v por f a
f −1 (~v ) = {~u ∈ U : f (~u) = ~v }.
En particular
Ker f = f −1 (~0V ).
Teorema 7 (Cálculo de la antiimagen).
Sea f : U → V una aplicación lineal sobre un cuerpo K y sea ~v ∈ V.

Si ~u0 ∈ f −1 (~v ), es decir f (~u0 ) = ~v entonces
f −1 (~v ) = ~v0 + Ker f.
Lo podemos constatar en el siguiente ejemplo:
>Ejemplo 32. Sea f : R3 → R3 la aplicación lineal dada por
f (x1 , x2 , x3 ) = (x1 − x2 − 2x3 , x1 + x2 + 3x3 , −x1 + 3x2 + 7x3 ).
(a) Halla f −1 (0, −1, −1).
(b) Halla Ker f.
(c) Indica la relación que existe entre las soluciones de los dos apartados anteriores.
267
Ejercicio 1. Indica si las siguientes aplicaciones son lineales y, en caso afirmativo halla sus
matrices asociadas:
(a) f (x1 , x2 ) = (2x1 − x2 , x2 , −x1 + 3x2 ) (b) g(x1 , x2 , x3 ) = (x1 + 2, x1 + 2x2 − x3 , x2 − x3 )
(c) h(x1 , x2 , x3 ) = (x21 + x2 , 0) (d) p(x1 , x2 , x3 ) = (x1 + x2 − 2x3 , 3x1 − x2 + x3 )
 
2 −1
Solución: (a) fC×C ′ =  0 1 ; (b) g no es una aplicación lineal; (c) h no es una
−1 3
1 1 −2
aplicación lineal; pC×C ′ =
3 −1 1
Ejercicio 2. Halla, para las siguientes aplicaciones lineales, las ecuaciones implı́citas y una
base del núcleo y de la imagen e indica si son inyectivas, sobreyectivas o biyectivas:
(a) f (x1 , x2 ) = (x1 − 2x2 , 2x1 + x2 , −x1 + x2 )
(b) f (x1 , x2 , x3 ) = (−x1 + 2x2 + x3 , 3x1 + x2 − x3 )
(c) f (x1 , x2 , x3 ) = (x1 + x2 + x3 , −2x1 + 3x2 − x3 , 5x2 + x3 )
(d) f (x1 , x2 ) = (2x1 + 3x2 , −x1 − x2 )
Solución: (a) Ker f = h(0, 0)i, Imf = h(1, 2, −1), (−2, 1, 1)i = {(x1 , x2 , x3 ) ∈ R3 :
3x + y + 5z = 0} (f es inyectiva pero no es sobreyectiva); (b) Ker f = h(3, −2, 7)i =
{(x1 , x2 , x3 ) ∈ R3 : 2x + 3y = 0, 7y + 2z = 0}, Imf = R2 (f no es inyectiva pero sı́ es
sobreyectiva); (c) Ker f = h(−4, −1, 5)i = {(x1 , x2 , x3 ) ∈ R3 : x − 4y = 0, 5y + z =
0}, Imf = h(1, −2, 0), (1, 3, 5)i = {(x1 , x2 , x3 ) ∈ R3 : 2x + y − z = 0} (f no es ni inyectiva
ni sobreyectiva); (d) Ker f = {(0, 0)}, Imf = R2 (f es biyectiva).

Sea la aplicación lineal:
f (x, y, z, t) = (z, 3x + 3y − 2z, x − t)
(a) Halla la matriz asociada a f en las bases canónicas.
(b) Halla una base de Im f y clasifica la aplicación.
(c) Si B = {(1, 0, 0), (1, −1, 0), (0, 1, 1)} es una base de R3 calcula la matriz de f de la
base canónica C de R4 a B.
(d) Halla una base de ker f.
268
 
0 0 1 0
Solución: fC×C ′ =  3 3 −2 0  . {(0, 3, 0), (1, −2, 0), (0, 0, −1)} es una base
1 0 0 −1  
2 3 −1 −1
de Im f. Es sobreyectiva pero no inyectiva. fC×B =  −2 −3 2 −1  . {(1, −1, 0, 1)}
1 0 0 −1
es una base de ker f.
Ejercicio 4. Sea la aplicación lineal f : R3 → R2 dada por

f (x1 , x2 , x3 ) = (x1 − 2x2 − x3 , x1 + x2 + 2x3 ).
(a) Halla la matriz asociada a f respecto de la base B = {(1, 1, 1), (1, 0, 1), (1, −1, 0)} de
R3 y la base canónica de R2 .
(b) Halla la matriz asociada a f respecto de la base canónica de R3 y la base V =
{(−1, 1), (−1, 2)} de R2 .
(c) Halla la matriz asociada a f respecto de la base B de R3 y la base V de R2 .

−2 0 3 −3 3 0
Solución: (a) fB×C ′ = ; (b) fC×V = ;
4 3 0 2 −1 1
0 −3 −6
(c) fB×V =
2 3 3

Sean C y C ′ las bases canónicas de R3 y R2 , respectivamente. Sea f : R3 −→ R2 una
aplicación lineal tal que
1 2 −1
fC×C ′ =
0 1 0
(a) Calcula la expresión analı́tica de f.
(b) Dada la base de R3 B = {(0, 1, 0), (1, 0, 1), (1, 1, −1)}, calcula la matriz de la aplicación
cuando se considera en el dominio la base B y en el codominio la base C ′ .
(c) Dada la base de R2 B ′ = {(1, −1), (1, 0)}, halla la matriz de la aplicación fB×B′ .

2 0 4
Solución: (a) f (x, y, z) = (x + 2y − z, y). ; (b) fB×C ′ = ; (c) fB×B′ =
1 0 1

−1 0 −1
.
3 0 5
Ejercicio 6. Sea f : R2 → R2 una aplicación lineal. Sea B = {~v1 = (1, 1), ~v2 = (1, 0)} una
base de R2 . Si f (v~1 ) = (−1, 1) y f (v~2 ) = (2, 1) :
269
(a) Halla la matriz asociada a la aplicación lineal f cuando en el dominio se considera la
base B y en el codominio la base canónica de R2 .
(b) Halla la matriz asociada a la aplicación lineal f respecto de la base canónica de R2 .
(c) Halla la matriz asociada a la aplicación lineal f cuando en el dominio se considera la

base canónica de R2 y en el codominio la base B.

−1 2 2 −3 1 0
Solución: (a) fB×C = ; (b) fC×C = ; (c) fC×B =
1 1 1 0 1 −3
Ejercicio 7. Sean C = {~e1 , ~e2 , ~e3 } y C ′ las bases canónicas de R3 y R2 , respectivamente.

Sea f : R3 → R2 una aplicación lineal tal que
f (~e1 ) = f (~e2 ) = (1, 1) y f (~e3 ) = (2, −1)
(a) Halla la matriz de la aplicación en las bases canónicas.
(b) Halla una base de su núcleo y otra de su imagen.
(c) Halla una base del núcleo de f. Clasifı́cala.
(d) Sean B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base de R3 y B ′ = {(1, −1), (1, 1)} una
base de R2 . Halla fC×B′ y fB×B′ .

1 1 2
Solución: fC×C ′ = . {(1, 1), (2, −1)} es una base de Im f, {(1, −1, 0)}
1 1 −1
0 0 23
es una base de ker f y es sobreyectiva pero no inyectiva. fB′ ×C = 1 y fB×B′ =
3 1 1 2
2
0 0
5 .
2
2 1
Ejercicio 8. (Enero 2012)

Sean C y C ′ las bases canónicas de R2 y R3 , respectivamente. Sea f : R2 → R3 una
aplicaciónn lineal tal que  
1 2
fC×C ′ =  2 4 
−1 −2
(a) Halla las ecuaciones implı́citas de Im f y clasifica la aplicación.
(b) Halla α y β para que (α, β, 1) ∈ Im f.
(c) Halla una base del núcleo de f.
(d) Sea V = {(1, −1), (1, 1)} una base de R2 y W = {(1, 0, 1), (1, 1, 0), (0, 1, 1)} una base
de R3 , halla la matriz asociada a f en las bases V y W.
270
Solución: Im f = h(1, 2, −1)i = {(x, y, z) ∈R3 : x + z 
= 0, 2x − y = 0}. α = −1 y
1 −3
β = −2. {(−2, 1)} es una base de ker f. fV ×W =  −2 6 .
0 0
Ejercicio 9. Sea T una aplicación lineal tal que:
T (1, 1, 0) = (3, 1, 2), T (0, 0, 1) = (1, 0, 1), T (0, 1, 1) = (1, 2, −1).
(a) Halla la matriz de la aplicación T en las bases canónicas y una expresión analı́tica de T.
(b) Da una base de ker(T ) y las ecuaciones implı́citas de Im(T ).
(c) Clasifica la aplicación T.
 
3 0 1
Solución: TC×C =  −1 2 0  , f (x, y, z) = (3x + z, −x + 2y, 4x − 2y + z).
4 −2 1
{(2, 1, −6)} es una base de ker T y Im T = {(x, y, z) ∈ R3 : x − y − z = 0}. T no es inyectiva
ni sobreyectiva (tampoco biyectiva).
Ejercicio 10. Indica razonadamente si las siguientes afirmaciones son verdaderas o falsas:
(a) Si f : Rn → Rn es una aplicación lineal entonces f (~x − ~y ) = f (~x) − f (~y ).
(b) Si fC×C ′ es una matriz es de tamaño 2 × 3 y es la matriz asociada a una aplicación

lineal f entonces f es sobreyectiva.
(c) Si f : Rn → Rn es una aplicación lineal sobreyectiva entonces f es biyectiva.
(d) Si f : R2 → R3 es una aplicación lineal inyectiva entonces dim(Im f ) = 2.
(e) Si f : R4 → R3 es una aplicación lineal entonces no es inyectiva.
(f) Si f : R2 → R2 es una aplicación lineal entonces si ~x⊥~y entonces f (~x)⊥f (~y ).
(g) Si f : Rn → Rn es una aplicación lineal entonces f (~0) = ~0.
(h) Si f : Rn → Rn es una aplicación lineal inyectiva entonces f es biyectiva.
(i) Si f : Rn → Rm es una aplicación lineal sobreyectiva entonces f es inyectiva.
(j) La aplicación f (x, y) = (x + 1, 2y) es lineal.
(k) Si f : Rn → Rn es una aplicación lineal con ker f = {~0} entonces f es biyectiva.
(l) Sea f : R3 → R una aplicación lineal tal que f (~v ) = 0 ∀~v ∈ R3 , entonces f es inyectiva.
(m) Si f : Rm → Rn es una aplicación lineal tal que Im(f ) = Rn entonces m ≥ n.
271
(n) No hay aplicaciones lineales f : R3 −→ R2 inyectiva.
(o) La aplicación f (x, y) = (x, x) es sobreyectiva.
(p) f : E → F es una aplicación lineal biyectiva entonces dim E = dim F .
(q) La aplicación f (x, y) = (x, x) es inyectiva.
(r) La aplicación f (x, y, z) = (3x, y − 2x) es una aplicación lineal.
(s) Si la matriz asociada la aplicación f, fC×C ′ , es de tamaño 2 × 3 entonces f : R2 → R3 .
Solución: V, F, V, V, V, F, V, V, F, F, V, F, V, V, F, V, F, V, F.
Ejercicio 11. Sea f : R3 → R3 una aplicación lineal tal que

Kerf = {(x, y, z) ∈ R3 : x−z = 0, x+y−2z = 0} Imf = {(x, y, z) ∈ R3 : x+y−z = 0}.
(a) Halla la matriz asociada a la aplicación f respecto de la base canónica de R3 .
(b) Clasifica la aplicación f.
(c) Halla la matriz asociada a f respecto de la base B = {(1, 0, 1), (1, 1, 0), (0, 1, 1)} de
R3 .
 
1 0 −1
Solución: (a) fC×C =  1 1 −2 ; (b) No es ni inyectiva ni sobreyectiva; (c) fB×B =
  2 1 −3
0 1 −1
 0 0 0 
−1 2 −1
Ejercicio 12. Sean C y C ′ las bases canónicas de R3 y R2 , respectivamente. Sea f : R3 −→

R2 una aplicación lineal tal que
f (1, 0, 1) = (1, 2), f (0, 1, 0) = (1, α) y (0, 0, 1) ∈ Ker f.
(a) Calcula la expresión analı́tica y la matricial de f en las bases C y C ′ .
(b) Para α = 2 calcula una base de Ker f y las ecuaciones implı́citas de Im f .
(c) Para α = 1, calcula una base de Ker f.
(d) Clasifica la aplicación según los valores de α.

1 1 0
Solución: (a) f (x, y, z) = (x + y, 2x + αy), fC×C ′ =
2 α 0
(b) {(1, −1, 0), (0, 0, 1)} es una base del núcleo y Im f = {(x, y) ∈ R2 : y = 2x}.
(c) {(0, 0, 1)} es una base del núcleo.
(d) Si α = 2 f no es sobreyectiva ni inyectiva. En otro caso f es sobreyectiva pero no inyectiva.
272
Tema 9. Valores y vectores propios de

matrices cuadradadas
Índice
9.1. Introducción: Valores y vectores propios 274
9.2. Definiciones 275
9.3. Cálculo de los valores propios: Polinomio y ecuación caracterı́stica 277
9.4. Cálculo de los vectores propios: Subespacios propios 279
9.5. Diagonalización de matrices cuadradas. Semejanza 283
9.6. Aplicaciones: Potencia y exponencial de una matriz 292
Marı́a José Pérez Peñalver. Fundamentos Matemáticos de la IC ( 2021/2022) 273

9.1. Introducción: Valores y vectores propios
En álgebra lineal, los vectores propios de un operador lineal f : U → U (un endo-
morfismo), son los vectores no nulos que, cuando son transformados por el operador, dan
lugar a un múltiplo escalar de si mismos, con lo que no cambian su dirección. Este esca-
lar λ recibe el nombre valor propio. Un ejemplo podrı́a ser el movimiento de rotación de
Figura 1: Vector propio de la aplicación lineal f.
nuestro planeta. A medida que la tierra rota, los vectores en el eje de rotación permanecen
invariantes. Si se considera la transformación lineal que sufre la tierra tras una hora de
rotación, una flecha que partiera del centro de la tierra al Polo Sur geográfico serı́a un
vector propio de esta transformación, pero una flecha que partiera del centro a un punto
del ecuador no serı́a un vector propio. Dado que la flecha que apunta al polo no cambia
de longitud por la rotación, su valor propio es 1.
Otro ejemplo serı́a una lámina de metal que se expandiera uniformemente a partir de
un punto de tal manera que las distancias desde cualquier punto al punto fijo se duplicasen.
Esta expansión es una transformación con valor propio 2. Cada vector desde el punto fijo
a cualquier otro es un vector propio.
El cálculo de los valores y vectores tiene gran importancia en la ingenierı́a y en las
matemáticas, una de sus aplicaciones es el cálculo de los momentos de inercia y de los
ejes principales de inercia de un sólido rı́gido. Servirá también para calcular de manera
sencilla potencias de matrices y resolución de ciertas ecuaciones diferenciales.
La importancia matemática de los valores y vectores propios de un endomorfismo y
que se aplica después a otras disciplinas, tiene que ver con las propiedades intrı́nsecas del
operador lineal. Si tenemos una representación matricial de la aplicación, que será una
matriz cuadrada, ciertas caracterı́sticas permanecen constantes independientemente de su
representación matricial. Una de ellas es su determinante.
La idea es encontrar una representación matricial de la aplicación lo más sencilla
posible, en una cierta base. La representación que obtendremos de la aplicación será una
matriz diagonal utilizando los valores propios y sus vectores propios asociados.
274
9.2. Definiciones
De este modo, intentaremos encontrar una representación matricial del endomorfismo
f : Rn → Rn en una cierta base B, fB×B , donde la matriz fB×B sea diagonal, es decir,
buscamos una base B = {~u1 , . . . , ~un } de Rn tal que
 
λ1 0 . . . 0
 0 λ2 . . . 0 
 
D = fB×B =  .. .. . . ..  .
 . . . . 
0 0 . . . λn
Por lo tanto la expresión del endomorfismo f en esa base será muy sencilla:
f (x1 , x2 , . . . , xn )B = fB×B · ~x = (λ1 x1 , λ2 x2 , . . . , λn xn ) .
Además, como las coordenadas de f (~u1), . . . , f (~un ) en la base B son las columnas de esta
matriz D tenemos

f (u~1 ) = (λ1 , 0, . . . , 0)B 

f (u~2 ) = (0, λ2 , . . . , 0)B 
.. ,
. 


f (u~n ) = (0, 0, . . . , λn )B 
entonces

f (u~1 ) = λ1~u1 ⇔ u1 es vector propio asociado al valor propio λ1 


f (u~2 ) = λ2~u2 ⇔ u2 es vector propio asociado al valor propio λ2 
.. .
. 


f (u~n ) = λn~un ⇔ un es vector propio asociado al valor propio λn 
Por lo tanto, se tratará de encontrar una base B = {~u1 , . . . , ~un } en Rn formada por
vectores vectores propios de f.
DEFINICIÓN 1 (Valor propio, vector propio).
Sea f : Rn → Rn un endomorfismo y A la matriz de la aplicación f, es decir, f (~x) = A · ~x

para todo ~x ∈ Rn .
Diremos que λ ∈ R es un valor propio o autovalor de f o de A si verifica que
f (~x) = λ~x ⇔ A~x = λ~x (1)
para algún vector ~x ∈ Rn no nulo. Al vector ~x no nulo que cumple (1) se le denomina
vector propio o autovector de f o de A asociado al valor propio λ.
Se llama espectro de f o de A denotado σ(A) o σ(f ) al conjunto de todos sus valores

propios. Lo denotaremos por σ(f ) o por σ(A).
275
Observación importante: Un vector propio no puede ser nulo pero un valor propio
sı́ puede ser el número real cero.
>Ejemplo 1. Sea
1 1
A=
1 1
Comprueba que 2 ∈ σ(A) y que 3 ∈
/ σ(A).
Solución
Para el primer caso hemos de comprobar A~x = 2~x para algún vecor ~x no nulo:

1 1 x1 x1 x1 + x2 = 2x1
=2 ⇔ ⇔ x1 = x2 .
1 1 x2 x2 x1 + x2 = 2x2
Ası́ que cualquier vector de la forma (α, α) con α ∈ R es vector propio de A, con
valor propio λ = 2.
Por ejemplo:

1 1 1 1 2 1
A = = =2
1 1 1 1 2 1
Veamos ahora que 3 no es valor propio de A:

1 1 x1 x1 x1 + x2 = 3x1
=3 ⇔ ⇔ x1 = x2 = 0.
1 1 x2 x2 x1 + x2 = 3x2
Su única solución es (0, 0) ası́ que no existe ningún vector no nulo.

DEFINICIÓN 2 (Endomorfismo o matriz diadonalizable).
Sea f : Rn → Rn un endomorfismo y A la matriz de la aplicación f, es decir, f (~x) = A · ~x

para todo ~x ∈ Rn .
Diremos que f (respectivamente A) es diagonalizable si y sólo si existe una base B de

Rn formada por vectores propios del endomorfismo f (respectivamente de la matriz A).
En ese caso, la matriz del endomorfismo en esa base, fB×B , es una matriz diagonal.
276
9.3. Cálculo de los valores propios: Polinomio y ecua-
ción caracterı́stica
Sea A ∈ Rn×n . Como losvalores propios verifican
A~x = λ~x ⇔ A~x − λ~x = ~0 ⇔ (A − λIn ) · ~x = ~0,
se obtiene un sistema lineal homogéneo, con matriz asociada (A − λIn ).

Si la matriz A tiene vector propio asociado al valor propio λ entonces este sistema
tiene soluciones no triviales, es decir, es un sistema compatible e indeterminado. Lo que
se traduce en que el rango de la matriz del sistema (A − λIn ) debe ser menor que n.
Entonces concluimos el siguiente teorema.
Teorema 1 (Cálculo de los valores propios).
Sea A ∈ Rn×n , entonces:

A tiene vector propio asociado al valor propio λ si y solo si det(A − λIn ) = 0.
Consideremos:
   

a11 a12 . . . a1n 1 0 . . . 0 a11 − λ a12 ... a1n


 a21 a22 . . . a2n 


 0 1 ... 0  a21
 a22 − λ ... a2n

|A−λIn | =  .. .. .. ..  − λ  .. .. . . ..  = .. .. .. ..
 . . . .   . . . .  . . . .

an1 an2 . . . ann 0 0 ... 1 an1 an2 . . . ann − λ
El desarrollo de este determinante nos lleva a un polinomio de grado n en λ que

definimos a continuación.
DEFINICIÓN 3 (Polinomio caracterı́stico).
Sea A una matriz cuadrada de orden n.

Llamaremos polinomio caracterı́stico al polinomio de grado n:

a11 − λ a12 ... a1n

a21 a22 − λ . . . a2n

p(λ) = |A − λIn | = .. .. . .. .. .

. . .

an1 an2 . . . ann − λ
Llamaremos ecuación caracterı́stica a la ecuación |A − λIn | = p(λ) = 0.
Por la nota anterior ya tenemos un método para hallar los valores propios de una
matriz (o de un endomorfismo), lo enunciamos en el siguiente resultado.
277
Teorema 2 (Cálculo de los valores propios).
Sea A una matriz cuadrada real de orden n, entonces el σ(A) lo componen las raı́ces del
polinomio caracterı́stico, es decir, las soluciones de la ecuación caracterı́stica |A − λIn | =
p(λ) = 0.
DEFINICIÓN 4 (Multiplicidad algebraica de un valor propio).
Sea A una matriz cuadrada real de orden n y λ un valor propio de A.

Llamaremos multiplicidad algebraica u orden del valor propio λ, a la multiplicidad de λ
como raı́z del polinomio caracterı́stico |A − λIn | = p(λ). La denotaremos por ma (λ).
Si la multiplicidad algebraica de un valor propio es 1 diremos que el valor propio es simple.

1 1
>Ejemplo 2. Halla el espectro de A = y la multiplicidad algebraica de sus valores
1 1
propios.
Solución
Calculamos su polinomio caracterı́stico

1 1 λ 0 1−λ 1
p(λ) = − = = (1−λ)2 −1 = 1+λ2 −2λ−1
1 1 0 λ 1 1−λ
y hallamos sus raı́ces:
p(λ) = λ(λ − 2) = 0 ⇒ λ = 0 ó λ = 2.
Por lo tanto , A tiene 2 valores propios, el 0 y el 2, σ(A) = {0, 2} y, como son

raı́ces simples del polinomio caracterı́stico, sus multiplicidades algebraicas ma (0) =
ma (2) = 1.
>Ejemplo 3. Calcula los valores propios de las matrices:

   
2 0 0 1 −1 0
−2 1
A= B =  −3 2 3  C =  1 −1 0 
1 −2
3 0 −1 1 1 −1
y sus respectivas multiplicidades algebraicas.
278
Teorema 3 (Propiedades de los valores propios).
Sea A una matriz cuadrada real de orden n y λ1 , λ2 , . . . , λr los valores propios distintos de
A, reales y/o complejos. Si λi es un valor propio de orden (multiplicidad algebraica) ki , para
i = 1, 2, . . . , r, entonces:
k1 + k2 + . . . + kr = n y su polinomio caracterı́stico se puede escribir:
p(λ) = (λ1 − λ)k1 · (λ2 − λ)k2 · . . . · (λr − λ)kr .
El producto de los n valores propios de A, teniendo en cuenta su multiplicidad, es igual

a su determinante:
det(A) = det(A − 0In ) = p(λ = 0) = λk11 · λk22 · . . . · λkr r
La suma de los valores propios de una matriz, teniendo en cuenta su multiplicidad,

coincide con la traza de la matriz, que es la suma de los elementos de la diagonal de
dicha matriz:
k1 λ1 + k2 λ2 · · · + kr λr = traza(A) = a11 + a22 + · · · + ann .
Si A es regular entonces no puede tener el valor propio 0.
Una matriz triangular tiene como valores propios los elementos de la diagonal principal.
Si ker(A) 6= {~0} entonces λ = 0 es un valor propio de A.
9.4. Cálculo de los vectores propios: Subespacios pro-

pios
Como queremos obtener una base de vectores propios de un endomorfismo o matriz
vamos a buscar todos los vectores propios asociados a un mismo valor propio.
DEFINICIÓN 5 (Subespacio propio asociado a un valor propio).
Sea A una matriz cuadrada real de orden n y λ un valor propio real de A. El subespacio
propio de A asociado al valor propio λ es el conjunto:
Eλ = {~x ∈ Rn : A~x = λ~x} = {~x ∈ Rn : (A − λIn ) · ~x = ~0} = Ker (A − λIn )
Todo subespacio propio es un subespacio vectorial ya que todo núcleo es subespacio vectorial.
279
Observaciones:
El subespacio vectorial propio asociado al valor propio λ es el conjunto de

todos los vectores propios asociados a λ y, además, el vector nulo.
Para poder hallar las ecuaciones y la base del subespacio propio asociado al
valor propio λ resolveremos el sistema de ecuaciones homogéneo:
(A − λIn )~x = ~0,
que debe ser un sistema compatible indeterminado, es decir, no puede

dar Eλ = {(0, 0, . . . , 0)}. Sus soluciones constituyen el núcleo de la aplicación
lineal de matriz asociada (A − λIn ).
DEFINICIÓN 6 (Multiplicidad geométrica de un valor propio).
Sea A una matriz cuadrada real de orden n y λ un valor propio real de A.

Se llama multiplicidad geométrica de λ y se denota por mg (λ) a la dimensión del subespacio
propio asociado a λ, Eλ .
>Ejemplo 4. Sea f : R2 → R2 , el endomorfismo en R2 definido por f (x, y) = (2x, 2y).

Calcula sus subespacios propios y las multiplicidades algebraicas y geométricas de sus valores
propios.
Solución
f (x, y) = (2x, 2y) = 2(x, y). Ası́ que λ = 2 es su único valor propio.
Además, como para todo (x, y) ∈ R2 se tiene que f (x, y) = (2x, 2y),
Eλ = Ker (f − 2I) = R2 .
Ası́ mg (2) = dim(Eλ=2 ) = 2.
>Ejemplo 5. Halla los subespacios vectoriales propios de la matriz

1 1
A= .
1 1
Halla las multiplicidades algebraicas y geométricas de sus valores propios.
Solución
Calculamos primero sus valores propios, mediante el polinomio caracterı́stico y su
factorización:

1−λ 1
p(λ) = |A − λI| = = λ(λ − 2).
1 1−λ
De donde tenemos que los valores propios son λ = 0 y λ = 2, ambos simples,
luego ma (0) = 1 y ma (2) = 1.
Estudiemos cada uno por separado:
280
λ=0

2 1 1 x 0
E0 = Ker (A − 0I) = Ker A = (x, y) ∈ R : = =
1 1 y 0
={(x, y) ∈ R2 : x + y = 0} = {(x, −x) : x ∈ R} = h(1, −1)i
λ=2

1 1 2 0 −1 1
E2 = Ker (A − 2I) = Ker − = Ker =
1 1 0 2 1 −1

2 −1 1 x 0
= (x, y) ∈ R : = =
1 −1 y 0
={(x, y) ∈ R2 : x − y = 0} = {(x, x) : x ∈ R} = h(1, 1)i
Observamos que los dos subespacios propios de A tienen dimensión 1, luego

mg (0) = 1 y mg (2) = 1.
>Ejemplo 6. Halla los subespacios vectoriales propios y compara las multiplicidades alge-
braicas y geométricas de sus valores propios.
(a) f (x, y) = (−2x + y, x − 2y)
(b) g(x, y, z) = (2x, −3x + 2y + 3z, 3x − z).
(c) h(x, y, z) = (x − y, x − y, x + y − z).
281
(continuación ejemplo 6)
282
La relación entre la multiplicidad geométrica y la algebraica de un valor propio nos la
proporciona el siguiente teorema.
Teorema 4 (Relación entre las multiplicidades algebraica y geométrica).
Sea A una matriz cuadrada real de orden n y λ un valor propio de A. Entonces:
1 ≤ mg (λ) ≤ ma (λ)
Teorema 5 (Propiedades de los subespacios propios).
Sea A una matriz cuadrada real de orden n y λ1 , λ2 , . . . , λr los valores propios reales distintos
de A. Entonces:
Todo vector propio de A está asociado a un único valor propio de A:
Eλi ∩ Eλj = {~0}
para todo i 6= j.
Vectores propios asociados a valores propios distintos son linealmente independientes, o

dicho de otra forma si tomamos para cada i un vector propio ~xi asociado al valor propio
λi , es decir, ~xi ∈ Eλi − {~0}, entonces
{~x1 , ~x2 , . . . , ~xr }
es un sistema libre.
Si λ no es un valor propio de A entonces Ker(A − λIn ) = {~0}.
9.5. Diagonalización
>Ejemplo 7. Sea f : R3 → R3 un endomorfismo tal que su matriz asociada respecto a la
base B = {(1, 1, 1), (1, 1, −1), (0, 1, −1)} es
 
2 0 0
fB×B =  0 2 0 .
0 0 −1
(a) Comprueba que B es una base de R3 formada por vectores propios de f.
(b) Halla la expresión del endomorfismo f respecto a la base B.
(c) Halla la expresión del endomorfismo f respecto a la base canónica de R3 .
283
Como hemos visto en el ejemplo, si f : Rn → Rn es diagonalizable, existe una base
B = {~u1 , . . . , ~un } en Rn formada por vectores vectores propios de f y
 
λ1 0 . . . 0
 0 λ2 . . . 0 
 
fB×B = D =  .. .. . . .. 
 . . . . 
0 0 . . . λn
cumpliendo

f (u~1 ) = λ1~u1 ⇔ u~1 es vector propio asociado al valor propio λ1 


f (u~2 ) = λ2~u2 ⇔ u~2 es vector propio asociado al valor propio λ2 
.. .
. 


f (u~n ) = λn~un ⇔ u~n es vector propio asociado al valor propio λn 
Si C es la base canónica de Rn y A = fC×C entonces:
fC×C = BC · fB×B · CB .
Llamando BC = P obtenemos que:
A = P · D · P −1 .
Por lo tanto, A es semejante a una matriz diagonal.
Teorema 6 (Diagonalización).
Sean f : Rn → Rn un endomorfismo, C la base canónica de Rn y A una matriz cuadrada real

de orden n.
f es diagonalizable si admite una representación matricial con matriz diagonal respecto

a una base B de Rn , formada por vectores propios de f y se cumple:
fC×C = BC · fB×B · CB .
A es diagonalizable si es semejante a una matriz diagonal D, es decir, si existe una

matriz regular P de orden n tal que
A = P · D · P −1
o equivalentemente
D = P −1 · A · P.
>Ejemplo 8. Dada la matriz del ejemplo 5

1 1
A= ,
1 1
estudia si es diagonalizable y en caso afirmativo halla su diagonalización.
Solución
284
Tenı́amos σ(A) = {0, 2} y
E0 = h(1, −1)i
.
E2 = h(1, 1)i
Ası́ que B = {(1, −1), (1, 1)} la forman dos vectores propios linealmente indepen-
dientes y B es base de R2 . Luego A es diagonalizable.
Veamos como es semejante a una matriz diagonal. Sea la matriz cambio de base
de B a la base canónica C :

1 1
BC = = P.
−1 1
Si f : R2 → R2 es la aplicación

x
f (x, y) = A ,
y
entonces A es la matriz de esa aplicación lineal en la base canónica fC×C y fB×B :

−1 1 1 −1 1 1 1 −1 0 0
fB×B = CB ·fC×C ·BC = P ·A·P = = .
2 1 1 1 1 1 1 0 2
| {z }
A
Ası́ fB×B es una matriz diagonal semejante a A.
>Ejemplo 9. Dado el endomorfismo f : R3 → R3 tal que

f (x1 , x2 , x3 ) = (3x1 + 2x2 , −x1 , 3x3 ).
Estudia si es diagonalizable, hallando fC×C y diagonalı́zala, si es posible.
Solución
Calculamos las imágenes de los vectores de la base canónica de R3 :
f (1, 0, 0) = (3, −1, 0)
f (0, 1, 0) = (2, 0, 0) ,
f (0, 0, 1) = (0, 0, 3)
entonces  
3 2 0
fC×C = A =  −1 0 0 
0 0 3
Calculamos su polinomio caracterı́stico y lo factorizamos para hallar los valores
propios:

3−λ 2 0

p(λ) =|A − λI| = −1 −λ
0 = (3 − λ)(−(3 − λ)λ + 2) =

0 0 3−λ
=(3 − λ)(λ2 − 3λ + 2) = (3 − λ)(λ − 2)(λ − 1)
Y obtenemos que σ(A) = {1, 2, 3}.
Estudiemos ahora sus subespacios propios:
285
λ=1
     
 2 2 0 x1 0 
Eλ=1 = Ker (A − I) = (x1 , x2 , x3 ) ∈ R3 :  −1 −1 0   x2  =  0  =
 
0 0 2 x3 0
 
 2x1 + 2x2 = 0 
= (x1 , x2 , x3 ) ∈ R3 : −x1 − x2 = 0 =
 
2x3 = 0
3

= (x1 , x2 , x3 ) ∈ R : x1 = −x2 , x3 = 0 = {(x1 , −x1 , 0) : x1 ∈ R}
Por lo tanto E1 = h(1, −1, 0)i.

λ=2
     
 1 2 0 x1 0 
3 
Eλ=2 = Ker (A − 2I) = (x1 , x2 , x3 ) ∈ R : −1 −2 0   x2  =  0  =
 
0 0 1 x3 0
 
 x1 + 2x2 = 0 
= (x1 , x2 , x3 ) ∈ R3 : −x1 − 2x2 = 0 =
 
x3 = 0

= (x1 , x2 , x3 ) ∈ R3 : x1 = −2x2 , x3 = 0 = {(−2x2 , x2 , 0) : x2 ∈ R}
Por lo tanto E2 = h(−2, 1, 0)i.

λ=3
     
 0 2 0 x1 0 
3 
Eλ=3 = Ker (A − 3I) = (x1 , x2 , x3 ) ∈ R : −1 −3 0   x2  =  0  =
 
0 0 0 x3 0
 
 2x2 = 0 
3
= (x1 , x2 , x3 ) ∈ R : −x1 − 3x2 = 0 =
 
0=0

= (x1 , x2 , x3 ) ∈ R3 : x1 = x2 = 0 = {(0, 0, x) : x ∈ R}
Por lo tanto E3 = h(0, 0, 1)i.
Como B = {(1, −1, 0), (−2, 1, 0), (0, 0, 1)} es una base de R3 formada por vec-
tores propios de f, se tiene que f es diagonalizable y
   
−1 −2 0 3 2 0 1 −2 0
fB×B = CB ·fC×C ·BC = D = P −1 ·A·P =  −1 −1 0   −1 0 0   −1 1 0 
0 0 1 0 0 3 0 0 1
con    
1 0 0 1 −2 0
fB×B = D =  0 2 0  y BC = P =  −1 1 0 
0 0 3 0 0 1

286
Importante: La matriz P = BC , denominada matriz de paso, se construye por
columnas con la base B = {~u1 , . . . , ~un } de Rn formada por vectores propios de A :
 
↑ ↑ ↑
P = BC =  ~u1 ~u2 . . . ~un 
↓ ↓ ↓
Nótese que el orden de las columnas de P depende del orden de colocación de

los valores propios en D, y viceversa, es decir, si el primer valor propio que
colocamos en la matriz D es λ1 , la primera columna de la matriz P debe ser
un vector propio asociado al valor propio λ1 , y ası́ sucesivamente.
Además, si la ma (λi )) = 1, ese valor propio aparecerá una vez en la diagonal

de la matriz D, si la ma (λi ) = 2, ese valor propio aparecerá dos veces en la
diagonal de la matriz D, y ası́ sucesivamente.
>Ejemplo 10. Diagonaliza, si es posible, los endomorfismos del ejemplo 6:
(a) f (x, y) = (−2x + y, x − 2y)
(b) g(x, y, z) = (2x, −3x + 2y + 3z, 3x − z).
(c) h(x, y, z) = (x − y, x − y, x + y − z).
287
Ya hemos visto como diagonalizar una matriz o un endomorfismo encontrando una base
de vectores propios. Y es un proceso largo. Serı́a interesante encontrar procedimientos más
cortos que nos permitieran dilucidar si una matriz o un endomorfismo es diagonalizable
sin necesariamente hallar una base de vectores propios. A continuación se enuncia un
resultado que nos va a permitir de forma posiblemente más cómoda saber si una matriz
cuadrada es diagonalizable.
Teorema 7 (Caracterización de los matrices o endomorfismos diagonalizables).
Sean A una matriz cuadrada real de orden n y f : Rn → Rn un endomorfismo. Si λ1 , λ2 , . . . , λr

los valores propios reales distintos de A (respectivamente de f ). Entonces los siguientes enun-
ciados son equivalentes:
(i) A (respectivamente, f ) es diagonalizable.
(ii ) La suma de las multiplicidades geométricas de los valores propios es n :
mg (λ1 ) + mg (λ2 ) + . . . + mg (λr ) = n.
(iii) Las multiplicidades algebraica y geométrica de todos los valores propios coinciden
ma (λi ) = mg (λi ) para i = 1, 2, . . . , r
y solo tiene valores propios reales
ma (λ1 ) + ma (λ2 ) + . . . + ma (λr ) = n.
Es consecuencia directa de este resultado que:
Teorema 8 (Consecuencia).
Una matriz cuadrada A de orden n con n valores propios reales distintos, es diagonalizable.
(Análogo para un endomorfismo f ).
>Ejemplo 11. Sea  

2 3 0
A= 3 2 0 ,
0 0 −1
razona si esta matriz es diagonalizable sin calcular todos sus subespacios propios.
Solución
Calculamos su polinomio caracterı́stico y lo factorizamos para hallar sus valores
288
propios:

2−λ 3 0

p(λ) = 3 2−λ 0 = (−1 − λ) (2 − λ)2 − 9 =

0 0 −1 − λ

= − (1 + λ) −5 − 4λ + λ2 = −(λ − 5)(λ + 1)2
Ası́ que σ(A) = {−1, 5}, siendo ma (−1) = 2, ma (5) = 1. Como la multiplicidad
geométrica es siempre menor o igual que la algebraica y mayor o igual que 1,
tenemos que mg (5) = ma (5) = 1. Luego la dimensión del subespacio propio
asociado al valor propio λ = 5 es uno. Faltarı́a comprobar si la dimensión del
subespacio propio asociado al valor propio λ = −1 es dos, es decir, si mg (−1) = 2.
Sabemos que
mg (−1) = dim(Eλ=−1 ) = dim(Ker (A + I)) = dim(R3 ) − dim(Im(A + I)) =

 
3 3 0
=3 − rg(A + I) = 3 − rg  3 3 0  = 3 − 1 = 2
0 0 0
Ası́ que A es diagonalizable por la proposición anterior.

Podrı́amos haber calculado mg (−1) hallando el directamente el subespacio propio:
     
 3 3 0 x1 0 
Eλ=−1 = Ker (A + I) = (x1 , x2 , x3 ) ∈ R3 :  3 3 0   x2  =  0  =
 
0 0 0 x3 0

= (x1 , x2 , x3 ) ∈ R3 : 3x1 + 3x2 = 0 =

= (x1 , x2 , x3 ) ∈ R3 : x1 = −x2 = {(x1 , −x1 , x3 ) : x1 , x3 ∈ R} =
= {(x1 , −x1 , 0) + (0, 0, x3 ) : x1 , x3 ∈ R}
Luego Eλ=−1 = h(1, −1, 0), (0, 0, 1)i y dim Eλ=−1 = mg (−1) = 2. Y se concluirı́a
de la misma manera que A es diagonalizable.
>Ejemplo 12. Sea  

2 3 0
A= 3 2 0 ,
0 0 −1
la matriz del ejemplo anterior. Halla una diagonalización de A.
Solución
En el ejemplo anterior calculamos uno de los subespacios propios Eλ=−1 , calcula-
289
mos ahora Eλ=5 :
     
 −3 3 0 x1 0 
3 
E5 = Ker (A − 5I) = (x1 , x2 , x3 ) ∈ R : 3 −3 0   x2  =  0  =
 
0 0 −6 x3 0

3 −3x1 + 3x2 = 0
= (x1 , x2 , x3 ) ∈ R : = (x1 , x2 , x3 ) ∈ R3 : x1 = x2 , x3 = 0 =
−6x3 = 0
= {(x1 , x1 , 0) : x1 ∈ R}
Con lo que E5 = h(1, 1, 0)i.

Ası́ B = {(1, −1, 0), (0, 0, 1), (1, 1, 0)} es una base formada por vectores propios
de A, A es semejante a la matriz diagonal
 
−1 0 0
D=  0 −1 0 
0 0 5
y la matriz de paso es
 
1 0 1
P = BC =  −1 0 1 
0 1 0
de forma que D = P −1AP.

a 1
>Ejemplo 13. Discute si A = es o no diagonalizable en función de los valores
0 2−a
de a ∈ R.
Solución

a−λ 1
p(A) = |A − λI| = = (a − λ)(2 − a − λ)
0 2−a−λ
Cuyas raı́ces son λ = a y λ = 2 − a, o lo que es equivalente, estos son los valores
propios de A. Habrá un único valor propio cuando estos valores sean coincidan, es
decir cuando:
a=2−a⇔a=1
Entonces tenemos dos posibilidades:
Que a 6= 1: En ese caso, A tiene dos valores propios distintos entonces, por
la consecuencia, A es diagonalizable.
Que a = 1, en ese caso A tiene un único valor propio λ = 1 con multiplicidad
algebraica ma (1) = 2 :

1−λ 1
= (1 − λ)2
0 1−λ
290
Y su subespacio propio:

2 0 0 x1 0
Eλ=1 = E1 = Ker (A − I) = (x1 , x2 ) ∈ R : = =
0 1 x2 0

= (x1 , x2 ) ∈ R2 : x2 = 0 = {(x1 , 0) : x1 ∈ R}
Luego, E1 = h(1, 0)i y dim E1 = 1 = mg (1) 6= ma (1) = 2. Por lo tanto, A

no es diagonalizable.
>Ejemplo 14. Estudia si A es diagonalizable

 
1 0 0 1
 1 0 0 1 
A=  0 1
.
1 0 
0 1 1 0
291
9.6. Aplicaciones: Potencia y exponencial de una ma-
triz
Potencias de una matriz diagonalizable
El cálculo de potencias de una matriz cuadrada puede ser bastante largo cuando el
exponente es alto. Veremos que en el caso de matrices diagonalizables este proceso se
pueden reducir.
Si A es diagonalizable, entonces sabemos que existen P regular y D diagonal tales que
A = P · D · P −1 .
Si utilizamos esta propiedad de semejanza para calcular potencias de matrices, tenemos
que:
A2 = P · D · |P −1 −1 2
{z· P} ·D · P = P · D · P
−1
I
2
y calcular D es fácil, ya que es una matriz diagonal y simplemente tendremos que elevar
al cuadrado los elementos de la diagonal.
Este hecho se generaliza fácilmente al cálculo de Ak ası́ que podemos afirmar:
Ak = P · D k · P −1
además si
   
λ1 0 ... 0 λk1 0 ... 0

 0 λ2 ... 0 
 k

 0 λk2 ... 0 

D= .. .. .. ..  entonces D =  .. .. .. .. 
 . . . .   . . . . 
0 0 . . . λn 0 0 . . . λkn
>Ejemplo 15. Sea el endomorfismo f : R3 → R3 dado por

f (x, y, z) = (x, y, x + y + 2z).
Prueba que f es diagonalizable y obtén una base de R3 de vectores propios de f . Finalmente
calcula An siendo A = fC×C .
Solución
Primero calculamos la matriz de la aplicación en la base canónica:
 
f (1, 0, 0) = (1, 0, 1) 1 0 0
f (0, 1, 0) = (0, 1, 1) ⇒ A = fC×C =  0 1 0  .
f (0, 0, 1) = (0, 0, 2) 1 1 2
Veamos que es diagonalizable. Calculamos su polinomio caracterı́stico y lo facto-
rizamos:

1−λ 0 0

|A − λI| = 0 1−λ 0 = (1 − λ)2 (2 − λ)
1 1 2−λ
Ası́ que σ(A) = {1, 2}, siendo 1 doble y 2 simple (ma (1) = 2, ma (2) = 1).
A continuación hallamos los subespacios propios asociados a cada valor propio.
292
λ=1 :
     
 0 0 0 x1 0 
Eλ=1 = Ker (A − I) = (x1 , x2 , x3 ) ∈ R3 :  0 0 0   x2   0  =
 
1 1 1 x3 0

= (x1 , x2 , x3 ) ∈ R3 : x1 + x2 + x3 = 0 = {(−β − α, β, α) : α, β ∈ R} =
={β(−1, 1, 0) + α(−1, 0, 1) : α, β ∈ R} = h(−1, 1, 0), (−1, 0, 1)i.
λ=2 :
     
 −1 0 0 x1 0 
3 
Eλ=2 = Ker (A − 2I) = (x1 , x2 , x3 ) ∈ R : 0 −1 0   x2   0  =
 
1 1 0 x3 0
 
 −x1 = 0 
= (x1 , x2 , x3 ) ∈ R3 : −x2 = 0 = {(0, 0, x3 ) : x3 ∈ R} = h(0, 0, 1)i
 
x1 + x2 = 0
Como dim E1 = mg (1) = 2 = ma (1) y dim E2 = mg (2) = 1 = ma (2), f

es diagonalizable y B = {(−1, 1, 0), (−1, 0, 1), (0, 0, 1)} es una base de R3
formada por vectores propios.
Por lo tanto tomando las matrices
     
−1 −1 0 0 1 0 1 0 0
P = BC =  1 0 0  , P −1 =  −1 −1 0  y D = fB×B =  0 1 0  ,
0 1 1 1 1 1 0 0 2
tenemos que D = P −1AP.

En base a estos resultados, para calcular An , necesitamos D n :
 
1 0 0
Dn =  0 1 0 
0 0 2n
y operando:
 
1 0 0
An = P · D n · P −1 = 0 1 0 
−1 + 2 −1 + 2n 2n
n
>Ejemplo 16. Calcula A12 , siendo A la matriz:

2 2
A= .
−1 −1
293
La exponencial de una matriz diagonalizable
Por otro lado, el cálculo de la exponencial de una matriz consiste en encontrar una
matriz a la que se denota por eA .
DEFINICIÓN 7.
Si D es una matriz diagonal  
λ1 0 ... 0

 0 λ2 ... 0 

D= .. .. .. .. ,
 . . . . 
0 0 . . . λn
se define de forma natural  
eλ1 0 ... 0
D

 0 eλ2 ... 0 

e = .. .. .. .. .
 . . . . 
0 0 . . . eλn
Si A es una matriz cuadrada diagonalizable de forma que A = P · D · P −1 entonces se define
eA = P · eD · P −1.
Nota. Podremos calcular cualquier función de una matriz (sen(A), log(A), ...), realizando
un proceso análogo, cuando la matriz A es diagonalizable.
 
0 0 0
>Ejemplo 17. Halla eAt siendo A =  −2 2 0 .
−2 0 2
Solución
Primero calculamos el polinomio caracterı́stico y lo factorizamos:

−λ 0 0

p(λ) = −2 2 − λ 0 = −λ(2 − λ)2
−2 0 2−λ
Con lo que σ(A) = {0, 2} con multiplicidades algebraicas ma (0) = 1 y ma (2) = 2.
A continuación, obtenemos los subespacios propios asociados a cada valor propio.
λ=0 :
     
 0 0 0 x1 0 
3 
Eλ=0 = Ker (A) = (x1 , x2 , x3 ) ∈ R : −2 2 0   x2  =  0  =
 
−2 0 2 x3 0

3 −2x1 + 2x2 = 0
= (x1 , x2 , x3 ) ∈ R : = (x1 , x2 , x3 ) ∈ R3 : x1 = x2 = x3 =
−2x1 + 2x3 = 0
= {(x, x, x) : x ∈ R} .
294
Luego E0 = h(1, 1, 1)i y dim E0 = 1 = mg (0) = ma (0).
λ=2 :
     
 −2 0 0 x1 0 
3 
Eλ=2 = Ker (A − 2I) = (x1 , x2 , x3 ) ∈ R : −2 0 0   x2  =  0  =
 
−2 0 0 x3 0

= (x1 , x2 , x3 ) ∈ R3 : x1 = 0 = {(0, x2 , x3 ) : x2 , x3 ∈ R} =
= {x2 (0, 1, 0) + x3 (0, 0, 1) : x2 , x3 ∈ R} =
Ası́ E2 = h(0, 1, 0), (0, 0, 1)i y dim E2 = 2 = mg (2) = ma (2).
De donde extraemos que B = {(1, 1, 1), (0, 1, 0), (0, 0, 1)} es una base de R3
formada por vectores propios de A y que A es diagonalizable con matrices de paso
y diagonal
     
1 0 0 1 0 0 0 0 0
P = BC =  1 1 0  P −1 =  −1 1 0  D = fB×B =  0 2 0  .
1 0 1 −1 0 1 0 0 2
Cumpliéndose que D = P −1 AP y que A = P DP −1.

Y finalmente calculamos la exponencial de At:
   0t    
1 0 0 e 0 0 1 0 0 1 0 0
eAt =  1 1 0   0 e2t 0   −1 1 0  =  1 − e2t e2t 0 
1 0 1 0 0 e2t −1 0 1 1 − e2t 0 e2t
>Ejemplo 18. Halla eA siendo siendo A la matriz del ejemplo 16:

2 2
A= .
−1 −1
295
>Ejemplo 19. Razona la veracidad o falsedad de las siguientes afirmaciones:
(a) Toda matriz diagonalizable es una matriz regular.
(b) Si f es un endomorfismo inyectivo entonces 0 no es valor propio de f.
(c) Si A es una matriz cuadrada de orden tres con rango uno y traza 2 entonces ker(A−2I)
tiene dimensión uno.
296
Ejercicio 1. Prueba que son diagonalizables los siguientes endomorfismos, diagonalizando

sus matrices asociadas en la base canónica:
f (x, y) = (2x + 2y, 3x + y).
g(x, y, z) = (−5x − 3y − 3z, −2y, 6x + 6y + 4z).
h(x, y, z, t) = (x + 3y, −2y, 3x + 3y + z − 3t, 3x + 3y − 2t)

1 −2
Solución: f es diagonalizable, D = diag(4, −1), P = con fC×C = P DP −1.
 1 3
−1 −1 −1
g es diagonalizable, D = diag(−2, −2, 1), P =  0 1 0  con gC×C = P DP −1. h
1 0 2
 
0 −1 1 0
 0 1 0 0 
es diagonalizable, D = diag(−2, −2, 1, 1), P =   con hC×C = P DP −1.
 1 0 0 1 
1 0 1 0
Ejercicio 2. Diagonaliza, si es posible, las matrices

     
−1 0 0 3 0 8 1 −3 3
A= 3 1 0  B =  3 −1 6  C = 0 −5 6
 
4 2 −3 −2 0 −5 0 −3 4
 
−2 0 0
Solución: A es diagonalizable, tomando D = diag(−1, 1, −3) y P =  3 2 0  se
−1 1 1
tiene A = P DP −1. B tiene un único valor propio λ = −1 yno es diagonalizable. C es
1 0 1
′ ′
diagonalizable, tomando D = diag(1, 1, −2) y P = 0 1 2  se tiene A = P ′ D ′ P ′−1 .
0 1 1
Ejercicio 3. Sea la matriz  

1 −3 3
C =  0 −5 6  ,
0 −3 4
4
utiliza el resultado 
del ejercicio 2 para
 calcular de manera sencilla C .
1 15 −15
4
Solución: C =  0 31 −30 
0 15 −14
297
Dada la matriz  
1 −1 0
A= 0 b 1 .
0 b 1
(a) Calcula el espectro de A según los valores de b.
(b) Razona si es diagonalizable para b = 0.
(c) Diagonaliza la matriz A para b = 1.
Solución: Los valores propios de A son 1, 0 y 1+b, ası́ que, si b = 0 o b = −1 σ(A) = {1, 0},
y, en otro caso σ(A) = {1, 0, 1 + b}.  Para b = 0 noes diagonalizable. Para b = 1 sı́ es
−1 1 −1
diagonalizable: D = diag(2, 1, 0), P =  1 0 −1  con A = P DP −1.
1 0 1
Ejercicio 5. (Enero 2011)

1 2b 0
A =  2b 1 0  .
0 0 b
(a) Calcula los valores propios de A según los valores de b.
(b) Razona si es diagonalizable para b = −1.
(c) Diagonaliza A, si es posible, para b = 1.
Solución: Los valores propios de A son b, 1 + 2by 1 − 2b. Para

 b = −1 sı́ es diagonalizable.
0 1 1
Para b = 1 tomando D = diag(−1, −1, 3) y P =  0 −1 1  se cumple A = P DP −1.
1 0 0
Ejercicio 6. Considera la matriz

 
1 −2 0 0
 −2 1 α 0 
A=
 0
.
0 1 −2 
0 0 −1 0
(a) Calcula el espectro de A.
(b) Estudia si A es diagonalizable en función de los valores de α.
(c) Para α = 0 diagonaliza, si es posible, la matriz A.
298
(d) Si A = P DP −1 calcula eD .
Solución:
 τ (A) ={−1, 3, 2}, A es diagonalizable
 1si y sólo si α =
0. D = diag(−1, −1, 3, 2),
1 0 −1 0 e
0 0 0
 1 0 1
1 0 
 con A = P DP −1. eD = 
 0 0 0 
P = 0 1  0 0 e3 0  .
e 
0 2 
0 6 0 1 0 0 0 e2
Ejercicio 7. (Diciembre 2011) Dada la matriz

 
−1 4 0 0
 1 −1 a 0 
A=  0
.
0 a 0 
0 0 0 −3
(a) Calcula el espectro de A según los valores de a.
(b) Razona si es diagonalizable para a = −1. En caso afirmativo, calcula las matrices P y
D tales que A = P DP −1.
Solución: (a) τ (A) = {−3, a, 1}, si a distinto de 

-3 y 1, en otro caso
 τ (A) = {−3, 1}. (b)
−2 0 1 2
 1 0 0 1 
Es diagonalizable y D = diag(−3, −3, −1, 1), P =   con A = P DP −1.
 0 0 1 0 
0 1 0 0
Ejercicio 8. Razona la veracidad o falsedad de las siguientes afirmaciones:

(a) El vector nulo es un vector propio asociado a cualquier valor propio.
(b) Todo valor propio tiene asociados infinitos vectores propios.
(c) Toda matriz cuadrada diagonalizable es invertible.
(d) Si A es una matriz cuadrada de orden dos con traza(A) = 0 entonces A es diagonali-
zable.
(e) Si A es una matriz cuadrada y ker(A + 2I) tiene dimensión uno entonces λ = 2 es un
valor propio de A.
(f) Si A es una matriz cuadrada y ker(A − 2I) tiene dimensión uno entonces λ = 2 es un
valor propio de A.
(g) Si A es una matriz cuadrada de orden dos con σ(A) = {−2, 3} entonces |A| = −6 y
traza(A) = 1.
(h) Si A es una matriz cuadrada de orden dos y σ(A) = {1, 2} entonces ker(A + 2I) tiene
dimensión uno.
299
(i) Si A es una matriz cuadrada de orden tres con rango uno y traza 2 entonces σ(A) =
{0, 2}.
(j) Si A es una matriz cuadrada diagonalizable de orden tres con ker(A − 2I) de dimensión
2 y determinante 4 entonces σ(A) = {1, 2}.
(k) Si A es una matriz cuadrada regular entonces λ = 0 es un valor propio de A.
(l) Si A es una matriz cuadrada de orden tres y σ(A) = {1, −1, 2} entonces ker(A + I)
tiene dimensión uno.
(m) Si A es una matriz cuadrada de orden tres con rango uno y traza 2 entonces σ(A) =
{0, 1}
(n) Si A es una matriz cuadrada singular entonces λ = 0 es un valor propio de A.
(o) Si ~v , w
~ son vectores propios de la matriz A entonces ~v + w
~ es un vector propio de dicha
matriz.
(p) Toda matriz regular es una matriz diagonalizable.
(q) Si A es una matriz diagonalizable tal que σ(A) = {1, 0} entonces An = A para todo
n ∈ N.
(r) Si λ es un valor propio de la matriz cuadrada A entonces αλ es un valor propio de la

matriz αA.
(s) Si f es un endomorfismo inyectivo entonces 0 no es valor propio de f.
(t) Si A diagonalizable, de orden 3, con determinante 4, con A(−1, 0, 0)t = 2(−1, 0, 0)t y
con valor propio λ = 1 entonces la traza de A es 5.
Solución: F, V, F, F, F, V, V, F, V, V, F, V, F, V, F, F, V, V, V, V.
Ejercicio 9. Sea A ∈ R3×3 una matriz singular de la que se conoce que Ker(A − 2I) =
h(1, 1, 0)i y que (0, −2, 1) es vector propio asociado al valor propio λ = 1.
(a) Obtén σ(A).
(b) Si A(1, 2, −1)t = (0, 0, 0)t halla una base de vectores propios de A.
(c) Halla A.
(d) Halla de manera sencilla A5 .
Solución: σ(A) = {2, 1, 0}. {(1, 1, 0), (0, −2, 1), (1, 2, −1)} es una base de vectores propios
de A.    
0 2 4 0 32 64
A =  −2 4 6  y A5 =  −2 34 66  .
1 −1 −1 1 −1 −1
300
Ejercicio 10. Sea A ∈ R3×3 una matriz diagonalizable cuyo determinante vale 4, que
cumple A(3, 0, −3)t = 2(3, 0, −3)t , (1, a, 1) es un vector propio asociado al valor propio
λ = 1 y es ortogonal al vector propio (1, 1, 1).
(a) Determina a.
(b) Obtén σ(A) y una base de vectores propios de A.
(c) Halla A.
Solución: a = −2, σ(A)

 = {1, 2}, {(1,
 −2, 1), (1, 1, 1), (3, 0, −3)} es una base de vectores
11 2 −1
propios de A y A = 61  2 8 2 
−1 2 11
Ejercicio 11. Sean f : R2 → R2 , aplicación lineal, tal que fC×C = A , y V = { ~v1 , ~v2 }
una base de R2 , de modo que
A ~v1 = A ~v2 ; A ~v1 = 2 ~v1 . (2)
(a) Dar una base de Ker f y otra de Im f .
(b) Obtener el espectro de A y razonar que es una matriz diagonalizable.
(c) Encontrar una base de vectores propios de A.
(d) Si ~v1 = (1, 2) y ~v2 = (−1, 1) y A ∈ R2×2 verifica (2). Hallar las matrices P , D y A
tales que A = P DP −1 .
Solución: {~v1 − ~v2 } es una base de Ker f y {~v1 } es una base de Im f. σ(A)
= {2, 0}
1 2
y {~v1 , ~v1 − ~v2 } es una base de vectores propios. D = diag(2, 0), P = con A =
2 1

−2/3 4/3
.
−4/3 8/3
301
Fundamentos Matemáticos de la IC
Grado en Ingenierı́a Civil
UNIVERSIDAD POLITECNICA DE VALENCIA 2021/2022
PROBLEMAS TEMA 7
Espacios vectoriales
Problema 1
Completa el siguiente recuadro, expresando cada uno de los subespacios vectoriales dados en las
formas que faltan:
Ecuaciones implı́citas Clausura lineal Forma paramétrica
U = {(x, y) ∈ R2 : x − 2y = 0}
V = {(x, y, z) ∈ R3 : x + 2y − 3z = 0}
W = {(x, y) ∈ R2 : 2x + y = 0}
R = ⟨(0, 1, 1), (−2, 0, 1)⟩
S = ⟨(−1, 2)⟩
T = {(α + λ, α − λ, λ) : α, λ ∈ R}
Problema 2
Halla una base y la dimensión de los siguientes subespacios vectoriales:
(a) V = ⟨(1, 0, 1, 1), (2, −2, −1, 0), (2, 1, 1, 1), (−1, 1, −2, −2)⟩.
(b) W = {(x, y, z) ∈ R3 : x + y − z = 0, 2x − 2y − z = 0}.
(c) U = {(x, y, z, t) ∈ R4 : x + y − z + t = 0, x + 2y + z + 2t = 0}.
Problema 3
Sean los conjuntos de vectores de R2 dados por
B = {(0, −1), (−1, 1)} y B ′ = {(−1, −1), (1, −1)},
(a) Comprueba que B y B ′ son bases de R2 .
(b) Calcula las matrices de cambio de base BC y BC′ , donde C es la base canónica de R2 .
(c) Calcula las matrices de cambio de base CB y CB ′ .
(d) Halla las coordenadas del vector ⃗v = (1, −2) en las bases B y B ′ .
(e) Halla la matriz de cambio de base de la base B a la base B ′ .
(f) Si w ⃗ en la base B ′ y en la base canónica.

⃗ = (1, 1)B halla las coordenadas de w
Problema 4
Sea C la base canónica de R3 , B = {u⃗1 , u⃗2 , u⃗3 } una base de R3 y
 
1 1 1
CB =  1 1 0 .
1 0 0
(a) Halla las coordenadas del vector (1, 0, 1) en la base B.
(b) Halla la matriz de cambio de base BC .
(c) Halla la base B.
Problema 5
Sean B y B ′ dos bases de R3 tales que la matriz de cambio de base de la base B a la base B ′ es:
 
0 1 0
BB ′ =  1 0 1  .
−1 1 0
(a) Halla las coordenadas de los vectores (1, 0, 0)B , (0, 1, 0)B y (0, 0, 1)B en la base B ′ .
(b) Si B ′ = {(1, 2, −1), (−2, 0, 1), (−1, −1, −1)}, halla las coordenadas de los vectores de la base
B en la base canónica de R3 .
(c) Si ⃗v = (2, −1, −2)B ′ , halla las coordenadas de ⃗v en la base B.
Problema 6
(Enero 2017)
Considera el subespacio vectorial S de R3 dado por S = {(x, y, z) ∈ R3 : x − 2y = 0}.
(a) Halla la dimensión y una base de S.
(b) Halla una base ortonormal de S.
(c) Halla las ecuaciones implı́citas y una base del suplemento ortogonal de S.
(d) Halla una base ortonormal B de R3 de modo que contenga una base de S y otra de S ⊥ .
(e) Halla las coordenadas del vector ⃗v = (−1, 0, 3) en la base B.
2
Problema 7
(Diciembre 2016)
Considera el subespacio vectorial de R3 dado por S = ⟨(1, 0, −1), (2, 1, 0), (−1, 2, 5)⟩.
(a) Halla la dimensión de S y una base de S.
(b) Halla las ecuaciones implı́citas de S.
(c) Halla una base ortonormal de S.
(d) Halla las ecuaciones implı́citas y una base del suplemento ortogonal de S.
Problema 8
(a) Halla una base del subespacio W = {(x, y, z) ∈ R3 : x + y − z = 0, −2x + y − 4z = 0} y su

dimensión.
(b) Halla las ecuaciones implı́citas y una base del suplemento ortogonal de W.
(c) Halla una base ortonormal del subespacio vectorial W ⊥ .
(d) Halla una base ortonormal B de R3 de modo que contenga una base de W y W ⊥ .
(e) Halla las coordenadas del vector ⃗v = (1, 1, 1) en la base B.
3
PROBLEMAS TEMA 8
Aplicaciones Lineales
Problema 1
Halla, para las siguientes aplicaciones lineales, las matrices asociadas en las bases canónicas, las
ecuaciones implı́citas y una base del núcleo y de la imagen e indica si son inyectivas, sobreyectivas
o biyectivas:
(a) f (x1 , x2 , x3 ) = (x1 − x2 , x2 − x3 , −x1 + x3 )
(b) f (x1 , x2 ) = (x1 , x1 + x2 , x1 )
(c) f (x1 , x2 , x3 ) = (x1 − x2 + 2x3 , −x1 + 3x2 )
(d) f (x1 , x2 ) = (2x1 − x2 , x1 + x2 )
(e) f (x1 , x2 , x3 ) = (x1 + x2 , 2x1 − x2 , x3 )
(f) f (x1 , x2 ) = (x1 + x2 , 2x1 − x2 , 0)
Problema 2
(Diciembre 2016)
Sea C la base canónica de R3 y C ′ la base canónica de R2 . Sea f : R3 −→ R2 una aplicación
lineal dada por
f (x, y, z) = (x − y + z, x − 2y − z)
(a) Calcula la matriz de la aplicación fC×C ′ respecto de las bases canónicas C y C ′ .
(b) Halla una base de Ker(f ). e indica si la aplicación es inyectiva.
(c) Clasifica la aplicación.
(d) Dada la base de R2 , B ′ = {(2, −1), (1, 0)}, calcula la matriz de cambio de base de la base
canónica C ′ de R2 a la base B ′ .
(e) Calcula la matriz fC×B ′ de la aplicación lineal f cuando se considera en el dominio la base
canónica C y en el codominio la base B ′ .
Problema 3
(Enero 2017)
Sean C y C ′ las bases canónicas de R2 y R3 , respectivamente. Sea f : R2 −→ R3 una aplicación
lineal tal que la matriz asociada a f respecto de dichas bases canónicas es
 
1 −2
fC×C ′ =  1 1 
0 −1
(a) Calcula la expresión analı́tica de f.
(b) Halla una base y las ecuaciones implı́citas de Im(f ).
(c) Clasifica la aplicación.
(d) Dada la base de R2 , B = {(2, −1), (1, 0)}, calcula la matriz fB×C ′ asociada a aplicación f
cuando se considera en el dominio la base B y en el codominio la base C ′ .
(e) Dada la base de R3 B ′ = {(0, 1, 0), (1, 0, 1), (1, 1, 0)}, calcula la matriz fB×B ′ asociada a la
aplicación f cuando se considera en el dominio la base B y en el codominio la base B ′ .
Problema 4
Sea f : R2 → R2 una aplicación lineal. Sea B = {⃗v1 = (−1, 1), ⃗v2 = (1, −2)} una base de R2 . Si
[ ]
2 0
fB×B =
0 3
(a) Halla la matriz asociada a la aplicación lineal f cuando en el dominio se considera la base B
y en el codominio la base canónica de R2 .
(b) Halla f (−1, 1) y f (1, −2).
(c) Halla la matriz asociada a la aplicación lineal f cuando en el dominio se considera la base
canónica de R2 y en el codominio la base B.
(d) Halla la matriz asociada a la aplicación lineal f respecto de la base canónica de R2 .
(e) Calcula la expresión analı́tica de f.
(f) Clasifica la aplicación.
2
PROBLEMAS TEMA 9
Valores y vectores propios de matrices cuadradas
Problema 1
Comprueba si los siguientes endomorfismos son diagonalizables y, en caso afirmativo, halla una base
respecto de la cual la matriz asociada al endomorfismo es diagonal:
(a) f (x, y) = (−2x − 2y, −5x + y).
(b) g(x, y, z) = (y, z, x − 3y + 3z).
(c) h(x, y, z) = (x − y, −x + 2y − z, −y + z).
Problema 2
(Diciembre 2016)
Considera el endomorfismo f : R3 → R3 dado por
f (x, y, z) = (2x, 4y − z, y + 2z).
(a) Calcula A la matriz del endomorfismo en las base canónica de R3 .
(b) Calcula los valores propios de f y sus multiplicidades algebraicas.
(c) Calcula una base y la dimensión de los subespacios propios de f.
(d) Justifica razonadamente si f es diagonalizable y, en caso afirmativo, halla la expresión del

endomorfismo respecto de una base de R3 formada por vectores propios de f.
Problema 3
(Diciembre 2013)
 
1 a 0
 
Considera la matriz A =  a 1 0 .
0 −1 3
(a) Si a = 1 halla, si es posible, las matrices P regular y D diagonal, tales que A = P DP −1 .
(b) Si a = −2 estudia si A es diagonalizable.
(c) Calcula el espectro de A, σ(A), según los valores de a.

Problema 4
(Diciembre 2014)
−1 0 −a 0
 −2 1 a 0 
A=
 0
.
0 1 −2 
0 0 −1 0
(a) Si a = 0 halla, si es posible, las matrices P y D tales que A = P DP −1 .
(b) Estudia para a = 1 si A es diagonalizable.
(c) Calcula el espectro de A, τ (A).

Materiales Tercer Bloque 2021

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

Materiales Tercer Bloque 2021

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE MATEMATICA APLICADA

UNIVERSIDAD POLITECNICA DE VALENCIA Grado en Ingenierı́a Civil

Tema 7. Espacios vectoriales

7.2. Definición. Subespacios y clausura lineal 210

7.3. Dependencia e independencia lineal 219

7.4. Bases, dimensión y coordenadas 221

7.5. Matrices cambio de base 225

7.6. Producto escalar y norma inducida 230

7.7. Vectores ortogonales. Método de Gram-Schmidt 231

7.8. Para entrenarte 239

Marı́a José Pérez Peñalver. Fundamentos Matemáticos de la IC (2021/2022) 208

Figura 1: La velocidad y la fuerza son magnitudes vectoriales.

Figura 2: Representación geométrica de un espacio vectorial.

Además de las aplicaciones en las magnitudes vectoriales, entre otras aplicaciones de

Figura 3: Base para la compresión de imágenes a jpg.

Tenemos las siguientes operaciones en el plano R2 :

Figura 4: Suma y producto por un escalar en R2 .

Es decir, tenemos la operación interna

Sea V un conjunto con una operación interna

EV1) α · (β · ~u) = (αβ) · ~u

>Ejemplo 1. Son espacios vectoriales:

El conjunto de las matrices reales de orden n × m, Rn×m , es un espacio vectorial real

El conjunto de todas las funciones continuas definidas en un intervalo [a, b] es un espacio

Veamos otras propiedades que cumplen los espacios vectoriales:

Dados ~u, ~v ∈ V y α, β ∈ R, se cumple:

1. −α · ~v = α · (−~v ) = −(α · ~v).

~v = α1 v~1 + α2 v~2 + . . . + αn v~n

siendo α1 , α2 , . . . , αn ∈ R. A α1 , α2 , . . . , αn se les llama coeficientes de la combinación lineal.

Figura 5: Combinación lineal de uno o dos vectores en R2 .

>Ejemplo 3. Todo polinomio de grado n, es combinación lineal de los monomios 1, x,

Nota. Al conjunto de todos los polinomios de grado n se le denota por Pn (R).

(4, −2, 5) = (α, −α, 2α) + (2β, 0, β) = (α + 2β, −α, 2α + β),

DEFINICIÓN 3 (Clausura lineal).

Sean v~1 , v~2 , . . . , v~p ∈ V , siendo V un espacio vectorial real.

hv~1 , v~2 , . . . , v~p i = {α1 v~1 + α2 v~2 + . . . + αp v~p : α1 , α2 , . . . , αp ∈ R}.

R3 = h(1, 0, 0), (0, 1, 0), (0, 0, 1)i

>Ejemplo 7. El plano de ecuación z = 0, es un subespacio vectorial de R3 que está generado

>Ejemplo 8. Sea S = {(x, y, z) ∈ R3 : x = y}. Comprueba que es un subespacio de R3 y

S es el plano de ecuación x = y, su ecuación implı́cita (o cartesiana) es S =

S = {(x, y, z) ∈ R3 : x = y} = {(x, x, z) : x, z ∈ R}.

De esta manera podemos sacar fácilmente un sistema generador:

S ={(x, x, z) : x, z ∈ R} = {(x, x, 0) + (0, 0, z) : x, z ∈ R} = -1

={x(1, 1, 0) + z(0, 0, 1) : x, z ∈ R} = h(1, 1, 0), (0, 0, 1)i. 2

Ası́ {(1, 1, 0), (0, 0, 1)} es un sistema generador de S y S es un subespacio vecto-

V = h(3, 2, 0), (1, 2, 0)i.

V =h(3, 2, 0), (1, 2, 0)i = {α(3, 2, 0) + β(1, 2, 0) : α, β ∈ R} =

h(3, 2, 0), (1, 2, 0)i = {(x, y, z) ∈ R3 : z = 0},

y se trata del plano z = 0.

>Ejemplo 10. Sea

Comprueba que es un subespacio de R3 y calcula un sistema generador.

V = h(1, 0, −2, 1), (1, −1, 0, 0)i.

(x, y, z, t) = α(1, 0, −2, 1) + β(1, −1, 0, 0) = (α + β, −β, −2α, α)

y sumando las dos primeras y sustituyendo se obtiene

Luego podemos escribir de forma implı́cita:

que al ser compatible, mediante operaciones elementales (aplicando el método de

Ası́ también podemos expresar

Ası́ desarrollando se obtienen las ecuaciones implı́citas.

>Ejemplo 12. Consideremos en R3 el subespacio vectorial definido por

V = h(2, 1, 2), (−2, −2, 1)i.

(a) Calcula sus ecuaciones implı́citas o cartesianas.

(b) Indica si los vectores ~u = (2, 3, −4) y ~v = (1, 2, 1) pertenecen a V.

(c) Deduce si se trata de un plano o de una recta.

La clausura lineal de dos vectores no proporcionales de R3 es un plano que pasa por el

luego debe cumplirse