Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Índice
7.1. Introducción 209
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).
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
× ×
u+v 3v
u
× ×
v v
Estas operaciones y sus propiedades son las que subyacen a la idea genérica de espacio
vectorial.
210
DEFINICIÓN 1 (Espacio vectorial).
+ : 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:
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.
R2 , R3 , ..., y en general Rn .
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.
211
Teorema 1 (Propiedades).
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
×
Αu+ Βv
×
v=Λu
×
Βv
u × Αu
v
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 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
>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.
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
-1
0
1
2
-1
214
>Ejemplo 9. Obtén las ecuaciones implı́citas del subespacio:
Solución
Tenemos:
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
0
2
2
W = {(x, y, z) ∈ R3 : x − y + z = 0, 2x + y − 4z = 0}.
215
>Ejemplo 11. Obtén las ecuaciones implı́citas de
Solución
Calculemos las primero las ecuaciones paramétricas de V :
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
x + y = t.
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
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
Se pide:
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).
>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.
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.
>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.
220
7.4. Bases, 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:
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.
~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
221
DEFINICIÓN 6 (Base canónica).
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
Teorema 4.
(i) B es base de V .
(ii) B es libre.
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,
1 2 × u1
(−1, 1) = , . v
6 3 B
u2
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).
S = {~x ∈ Rn : A · ~x = ~0},
entonces:
dim(S) = n − rang(A)
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.
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 ,
(b) Comprueba que (1, 2, −1, 2) pertenece a V y calcula las coordenadas de ese vector en
la base que has calculado.
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)}:
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.
~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.
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
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 :
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:
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
228
>Ejemplo 23. Calcula la matriz cambio de base de la base
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′ .
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:
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\ ×
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 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.
dimS + dimS ⊥ = n,
B ∪ B′
es una base de Rn .
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, y, z) ∈ R3 : x − y = 0, 2y + z = 0}
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.
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.
>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'
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
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.
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 .
238
7.8. Para entrenarte
Ejercicio 1. Halla un sistema generador de cada uno de los siguientes subespacios vectoria-
les:
Solución: (a) {(2, −1)}; (b) {(1, 1, −1)}; (c) {(0, 1, 1), (1, 0, −2)}.
(a) V = h(1, 0, 1), (2, −1, −1), (3, −1, 0), (0, 1, 3)i.
(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)}.
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}.
B = {(1, 1, 1), (0, 1, 1), (1, 0, 1)} y B ′ = {(1, −1, 0), (0, 2, 1), (0, 0, 1)},
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.
(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 ⊥ .
(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.
(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.
(a) Dados ~v1 , ~v2 dos vectores de Rn entonces h~v1 , ~v2 i = h~v1 , ~v2 , ~v1 + ~v2 i.
(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 .
(k) El subespacio suplemento ortogonal de una recta que pasa por el origen es un plano que
pasa por el origen.
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 }.
(d) Considerar el subespacio H =< W >. Hallar las ecuaciones implı́citas y una base
ortonormal B ′ de H.
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
DEPARTAMENTO DE MATEMATICA APLICADA
UNIVERSIDAD POLITECNICA DE VALENCIA Grado en Ingenierı́a Civil
Índice
8.1. Introducción, definiciones y ejemplos 246
8.2. Matriz de una aplicación lineal (en las bases canónicas) 251
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
Sean U y V dos espacios vectoriales reales. Una aplicación f : U → V diremos que es una
aplicación lineal si:
UV f V
V'
1. f (x) = 2x,
2. g(x) = x2 ,
3. h(x, y) = 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 -1
-2 f→ -2
f (α~u) = f (α(x, y)) = f (αx, αy) = (αx, 2αy) = α(x, 2y) = αf (~u),
1.0 1.0
0.5 0.5
-0.5 -0.5
-1.0 f→ -1.0
248
Comprobamos que es lineal. Sean ~u = (x, y) y ~v = (x′ , y ′) ∈ R2 , entonces:
f (α~u) = f (α(x, y)) = f (αx, αy) = (αx−αy, αx−αy) = α(x+y, x−y) = αf (~u),
2
2
1
1
-1 -1
-2 f→ -2
249
>Ejemplo 6. Estudia si f : R2 → R dada por
Sin embargo
αf (~u) = 2f (1, 2) = 2(12 + 22 ) = 10.
g(x1 , x2 ) = (x1 + 7, x2 )
Pero
αg(~u) = 3g(0, 2) = 3(7, 2) = (21, 14).
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.
251
DEFINICIÓN 2 (Matriz de una aplicación lineal en las bases canónicas).
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
1.0
1.0
0.5 0.5
-0.5 -0.5
-1.0 f→ -1.0
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.
Im f = f (U) = {f (~u) : ~u ∈ U} ⊆ V.
>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:
254
ker P (x,y,z)
P
0
P (x)
(x,y,0)
Im P
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
rang(A) = dim(Im f ).
rang(fC×C ′ ) = dim(Im f ).
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
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.
>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.
f (x1 , x2 , x3 ) = (x1 − x3 , 0, x2 − x3 ).
8.4. Clasificación
DEFINICIÓN 5.
Sea f : U → V una aplicación lineal:
258
Teorema 3 (Caracterización).
f es un isomorfismo ⇔ dim(Im(f )) = m = n.
f (x1 , x2 , x3 ) = (x1 − x3 , 0, x2 − x3 ).
Solución
f (x, y, z) = (2x, 0, y − z)
>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
Y como es sobreyectiva Im f = R2 .
>Ejemplo 25. Indica razonadamente si las siguientes afirmaciones son verdaderas o falsas:
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
~u = (α1 , . . . , αn )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.
1
1
-1 -1
-2 f→ -2
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.
−1
fB×B ′ = C ′B ′ · fC×C ′ · BC = (B ′ C ′ ) · fC×C ′ · BC
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
>Ejemplo 29. Sea f : R2 → R3 dada por
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
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 .
(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
Teorema 5.
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.
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
En particular
Ker f = f −1 (~0V ).
(c) Indica la relación que existe entre las soluciones de los dos apartados anteriores.
267
8.7. Para entrenarte
Ejercicio 1. Indica si las siguientes aplicaciones son lineales y, en caso afirmativo halla sus
matrices asociadas:
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 )
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).
(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.
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.
−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
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 .
−1 2 2 −3 1 0
Solución: (a) fB×C = ; (b) fC×C = ; (c) fC×B =
1 1 1 0 1 −3
(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
(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
(a) Halla la matriz de la aplicación T en las bases canónicas y una expresión analı́tica de 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 ).
(l) Sea f : R3 → R una aplicación lineal tal que f (~v ) = 0 ∀~v ∈ R3 , entonces f es inyectiva.
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.
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
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
DEPARTAMENTO DE MATEMATICA APLICADA
UNIVERSIDAD POLITECNICA DE VALENCIA Grado en Ingenierı́a Civil
Índice
9.1. Introducción: Valores y vectores propios 274
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:
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.
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.
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
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
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
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.
1 1
>Ejemplo 2. Halla el espectro de A = y la multiplicidad algebraica de sus valores
1 1
propios.
Solución
p(λ) = λ(λ − 2) = 0 ⇒ λ = 0 ó λ = 2.
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:
Una matriz triangular tiene como valores propios los elementos de la diagonal principal.
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:
Todo subespacio propio es un subespacio vectorial ya que todo núcleo es subespacio vectorial.
279
Observaciones:
Para poder hallar las ecuaciones y la base del subespacio propio asociado al
valor propio λ resolveremos el sistema de ecuaciones homogéneo:
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
>Ejemplo 6. Halla los subespacios vectoriales propios y compara las multiplicidades alge-
braicas y geométricas de sus valores propios.
281
(continuación ejemplo 6)
282
La relación entre la multiplicidad geométrica y la algebraica de un valor propio nos la
proporciona el siguiente teorema.
1 ≤ mg (λ) ≤ ma (λ)
Sea A una matriz cuadrada real de orden n y λ1 , λ2 , . . . , λr los valores propios reales distintos
de A. Entonces:
para todo i 6= j.
es un sistema libre.
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
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).
fC×C = BC · fB×B · CB .
A = P · D · P −1
o equivalentemente
D = P −1 · A · P.
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
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}
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
↓ ↓ ↓
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.
(iii) Las multiplicidades algebraica y geométrica de todos los valores propios coinciden
Teorema 8 (Consecuencia).
Una matriz cuadrada A de orden n con n valores propios reales distintos, es diagonalizable.
(Análogo para un endomorfismo f ).
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
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.
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}
y la matriz de paso es
1 0 1
P = BC = −1 0 1
0 1 0
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}
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
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
y operando:
1 0 0
An = P · D n · P −1 = 0 1 0
−1 + 2 −1 + 2n 2n
n
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} =
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
295
>Ejemplo 19. Razona la veracidad o falsedad de las siguientes afirmaciones:
(c) Si A es una matriz cuadrada de orden tres con rango uno y traza 2 entonces ker(A−2I)
tiene dimensión uno.
296
9.7. Para entrenarte
297
Ejercicio 4. (Diciembre 2010)
Dada la matriz
1 −1 0
A= 0 b 1 .
0 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 noes 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
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
(b) Razona si es diagonalizable para a = −1. En caso afirmativo, calcula las matrices P y
D tales que A = P DP −1.
(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}.
(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}
(o) Si ~v , w
~ son vectores propios de la matriz A entonces ~v + w
~ es un vector propio de dicha
matriz.
(q) Si A es una matriz diagonalizable tal que σ(A) = {1, 0} entonces An = A para todo
n ∈ N.
(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.
(b) Si A(1, 2, −1)t = (0, 0, 0)t halla una base de vectores propios de A.
(c) Halla A.
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.
(c) Halla A.
Ejercicio 11. Sean f : R2 → R2 , aplicación lineal, tal que fC×C = A , y V = { ~v1 , ~v2 }
una base de R2 , de modo que
(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
DEPARTAMENTO DE MATEMATICA APLICADA
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)⟩.
Problema 3
Sean los conjuntos de vectores de R2 dados por
(b) Calcula las matrices de cambio de base BC y BC′ , donde C es la base canónica de R2 .
(d) Halla las coordenadas del vector ⃗v = (1, −2) en las bases B y 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 .
Problema 6
(Enero 2017)
Considera el subespacio vectorial S de R3 dado por S = {(x, y, z) ∈ R3 : x − 2y = 0}.
(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 ⊥ .
2
Problema 7
(Diciembre 2016)
Considera el subespacio vectorial de R3 dado por S = ⟨(1, 0, −1), (2, 1, 0), (−1, 2, 5)⟩.
(d) Halla las ecuaciones implı́citas y una base del suplemento ortogonal de S.
Problema 8
(b) Halla las ecuaciones implı́citas y una base del suplemento ortogonal de W.
(d) Halla una base ortonormal B de R3 de modo que contenga una base de W y W ⊥ .
3
Fundamentos Matemáticos de la IC
Grado en Ingenierı́a Civil
DEPARTAMENTO DE MATEMATICA APLICADA
UNIVERSIDAD POLITECNICA DE VALENCIA 2021/2022
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:
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)
(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
(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 .
(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.
2
Fundamentos Matemáticos de la IC
Grado en Ingenierı́a Civil
DEPARTAMENTO DE MATEMATICA APLICADA
UNIVERSIDAD POLITECNICA DE VALENCIA 2021/2022
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:
Problema 2
(Diciembre 2016)
Considera el endomorfismo f : R3 → R3 dado por
Problema 3
(Diciembre 2013)
1 a 0
Considera la matriz A = a 1 0 .
0 −1 3