2022-A

1. Espacios Vectoriales Con α1 , α2 , . . . , αm ∈ F. (Establezco el sistema con los

vectores con su respectiva componente e igualo a la componente
Def. espacio vectorial (e.v.) Un espacio vectorial es un correspondiente).
conjunto V donde se define una suma y un producto por escalar y Def. Conjunto generador o span. Es el conjunto (más
satisface las propiedades: pequeño) de todas las combinaciones lineales de vectores v1 , . . . , vm
a) Conmutatividad (suma): u + v = v + u ∀u, v ∈ V en V , denotado por:
b) Asociatividad: span(v1 , . . . , vm ) = genS
• Suma: = {α1 v1 , . . . , αm vm : α1 , . . . , α2 ∈ F}

u + (v + w) = (u + v) + w ∀u, v, w ∈ V Obs. El span de una lista vacı́a es el conjunto {0}.

• Producto por escalar:
(ab)(v) = a(bv) ∀a, b ∈ F, ∀v ∈ V
c) Identidad de la suma:
∃ 0∈V :u+0=0+u=u ∀u ∈ V
d) Inverso aditivo:
∀u ∈ V, ∃w ∈ V : u + w = 0 = u + (−u)
e) Identidad del producto por escalar:
∃1 ∈ F : 1u = u ∀u ∈ V
f) Distributivas:
• a(u + v) = au + av ∀a ∈ F, ∀v, u ∈ V
• (a + b)u = au + bu ∀a, b ∈ F, ∀u ∈ V
Prop. Espacios vectoriales:
a) Un espacio vectorial tiene una única identidad aditiva.
b) Todo elemento de un espacio vectorial tiene único inverso
aditivo y lo denotamos por: (−1)v = −v.
c) 0v = v ∀v ∈ V
d) a0 = 0 ∀a ∈ F. ¡¡Es el cero del espacio!!
Def. subespacio Sea V espacio vectorial, W ⊆ V . Si W es un
espacio vectorial con respecto a las operaciones en V , entonces W
es un subespacio vectorial.
Res. 1.1: Condiciones de un subespacio Un subconjunto U
de V es un subespacio si y solo si satisface las siguientes
propiedades:
i. Identidad aditiva: 0 ∈ U
ii. Cerrado bajo la suma: u, w ∈ U ⇒ u + w ∈ U
iii. Cerrado bajo el producto por escalar: a ∈ F ∧ u ∈ U ⇒ au ∈
U Res. 1.8 Todo subespacio de un espacio vectorial f-d es f-d.
Def. Suma de subespacios. Suponemos varios subconjuntos de
V . Entonces la suma de esos subconjuntos es el conjunto de todas
las posibles sumas de elementos de los subconjuntos, es decir, la
suma componente a componente de los espacios.
Res. 1.2 Suponemos U1 , . . . , Um ∈ V , entonces la suma de los
subespacios es el subespacio más pequeño de V que contiene a
U1 , . . . , Um
Def. Suma directa: La suma de subespacios es directa si cada
elemento de la suma puede ser escrito de manera única como la
suma de los elementos de los subespacios.
Res. 1.3 La suma de subespacios es directa si y solo si la única
manera de escribir al cero como la suma del conjunto es tomando
a los elementos como cero.
Res. 1.4 Condición para la suma directa. Suponemos U y W
como dos subespacios de V . Entonces U + W es una suma directa
si y solo si U ∩ W = {0}
Def. Combinación lineal. Sea v1 , v2 , . . . , vm ∈ V . v es una
combinación lineal de v1 , v2 , . . . , vm ∈ V si
v = α1 v1 + α2 v2 + . . . + αm vm
Def. Generar si span(v1 , . . . , vm ) = V , entonces v1 , . . . , vm
generan V .
Def. e.v. finito-dimensional Un e.v. es f-d si existe una lista finita
de vectores que genere al espacio.
Def. Independencia Lineal Una lista de vectores en V se dice
linealmente independiente (l.i.) si la única elección de α1 , . . . , αm ∈
F que satisfacen:
α1 v1 + α2 v2 + · · · + αm vm = 0
Es α1 = · · · = αm = 0 (solución trivial)
Def. Dependencia lineal. Una lista de vectores en V se dice
linealmente dependiente (l.d.) si no es linealmente independiente.
Obs.
Una lista de un solo vector es l.i. si y solo si ese vector es
distinto de cero.
Dos vectores son l.i. si y solo si ninguno de los dos vectores
es múltiplo escalar del otro (v1 = λv2 )
Bases canónicas:
• Polinomios de grado m: 1, x, x2 , x3 , . . . , xm
• Vectores: una componente es 1 y las demás es cero hasta
obtener el espacio deseado.
• Lo mismo con matrices
Si a una lista de vectores l.i. se le quita un vector esa lista
sigue siendo l.i.
Si una lista de vectores tiene el cero vector entonces esa lista
es l.d.
Si algún vector dentro de la lista de vectores es combinación
lineal de los elementos de la lista, entonces esa lista es l.d.
Res. 1.6 Si quito un vector que es combinación lineal del span
entonces ese span nuevo sigue generando al mismo espacio inicial.
Res. 1.7 En un e.v. f-d sucede:
tamaño de una lista l.i. ≤ tamaño de la lista que genera
Def. base Una base de V es una lista de vectores de V que es
linealmente independiente y genera V .
Res. 1.9 Toda lista que genera un e.v. puede reducirse (puedo
quitar los vectores de la base canónica) a una base del espacio del
espacio vectorial.
Res. 1.10 Todo espacio de dimension finita tiene una base.
Res. 1.11 Toda lista de vectores l.i. en un espacio
finito-dimensional puede extenderse a una base del espacio
vectorial.
Res. 1.12. Suponemos V un e.v. f-d y U un subespacio de V .
Entonces, existe un subespacio W de V tal que:
V =U ⊕W
Res. 1.13 Dos bases cualquiera de un espacio vectorial
finito-dimensional tienen la misma longitud.
Def. dimensión La dimensión es una espacio vectorial
finito-dimensional es la longitud de alguna base del espacio
vectorial. (dim V )
Obs. Algunos ejemplos pueden ser:

Formulario - Algebra lineal 1

2022-A

dim Fn = n Res. 2.4 Con las operaciones anteriores L(V, W ) es un espacio

vectorial.
dim{0} = 0
Def. Producto de T.L Dados T ∈ L(U, V ) y S ∈ L(V, W )
dim Pm (F) = m + 1 (polinomios donde m es el grado del entonces el producto o composición ST ∈ L(U, W ) está definida
polinomio) por (ojo el orden):
Res. 1.14 Dimensión de un subespacio. Si V es un espacio
(ST )(u) = S(T u) ∀u ∈ U
vectorial finito-dimensional y U un subespacio de V , entonces:

dim U ≤ dim V. Prop. del producto de TL.

Asociativa: (T1 T2 )T3 = T1 (T2 T3 )

Res. 1.15 Para V un e.v. f-d. Si encuentro una lista l.i. de V de
tamaño dim V , entonces esa lista es base de V (ya no pruebo que Identidad: Consideremos I como la transformación
la lista genera V ). identidad, entonces se cumple:
Res. 1.16 Supongamos V un e.v. f-d. Entonces toda lista de
vectores que genere V con tamaño dim V es una base de V . T IV = IW T = T
Res. 1.17 Dimensión de la suma. Si U1 + U2 dos subespacios
de un e.v. f-d entonces: donde T ∈ L(V, W )
Distributiva:
dim(U1 + U2 ) = dim U1 + dim U2 − dim(U1 ∩ U2 )
• (S1 + S2 )T = S1 T + S2 T
Y si es suma directa:
• S(T1 + T2 ) = ST1 + ST2
dim(U1 + U2 ) = dim U1 + dim U2
donde T, T1 , T2 ∈ L(U, V ) y S, S1 , S2 ∈ L(V, W )
puesto que dim(U1 ∩U2 ) = 0 por ser suma directa, y su intersección Obs. El producto NO es conmutativo.
es cero por el resultado 1.4
Res. 2.6 Si T es una transformación lineal de V en W , entonces
Deber 02 Ejercicio 7 Sea V un espacio finito-dimensional y U un
T (0) = 0W
subespacio de V tal que dim U = dim V entonces U = V.
Obs. Supongamos V un espacio f-d y U un subespacio de V tal Def. [espacio nulo de una T.L.] Para T ∈ L(V, W ) es espacio
que dim U = dim V . Entonces U = V nulo es el subconjunto de V que contiene a todos los elementos
Obs. Proceso para obtener bases cuando me dan un que se transforma en 0 a través de T , es decir,
conjunto extra:
N (T ) = {v ∈ V : T v = 0}
1. Encuentro una base del conjunto que me dan
2. Usando la base canónica del conjunto voy descartando uno Res. 2.7 Supongamos T ∈ L(V, W ). Entonces N (T ) es subespacio
por uno, que el vector en cuestión esté en el span. de V .
3. Si el vector está en el span entonces NO agregar a la base. Def. Inyectividad Una función T : V → W se dice inyectiva si

4. Si el vector no está en el span, entonces Sı́ agregar a la base. Tu = Tv ⇒ u = v

5. Seguir el mismo procedimiento hasta obtener un número de
vectores iguales a los de la dimensión. Esos vectores formarán Res. 2.8 Sea T ∈ L(V, W ). Entonces T es inyectiva si y solo si
parte de la base deseada. N (T ) = {0}.
Def. Imagen de una función Para T una función de V en W , la
imagen (rango) de T es un subconjunto de W que contiene a todos
2. Transformaciones lineales los vectores de la forma T v para algún v ∈ V , es decir,

Def. Transformación Lineal Una transformación lineal es una Img(T ) = {T v : v ∈ V }

función T : V → W que cumple:
Aditividad Res. 2.9 Si T ∈ L(V, W ), entonces Img(T ) es subespacio de W .
Def. sobreyectividad Una función T : V → W se dice
T (u + v) = T u + T v ∀u, v ∈ V
sobreyectiva si Img(T ) = W .
Homogeneidad Res. 2.11 [Teorema Fundamental de las T.L.] Suponemos que V
es f-d y T ∈ L(V, W ). Entonces Img(T ) es f-d y
T (λu) = λT u ∀u ∈ V, ∀λ ∈ F
dim V = dim N (T ) + dim Img(T )
Obs. El conjunto de todas las transformaciones lineales se denota
como L(V, W ). Res. 2.11 Si pasa esto dim V > dim W . Entonces no existe una
Res. 2.2 Suponemos v1 , . . . , vn una base de V y cualquier lista transformación lineal que sea inyectiva de V en W .
w1 . . . , wn ∈ W . Entonces, existe una única transformación lineal Res. 2.12 Si pasa eso dim V < dim W . Entonces no existe una
T : V → W tal que transformación lineal que sea sobreyectiva de V en W .
Def. Matriz de una T.L. Supongamos T ∈ L(V, W ) y sean
T vj = wj ∀j = 1, . . . , n v1 , . . . , vn base de V y w1 , . . . , wm una base de W . La matriz de
T respecto a estas bases es una matriz de m-filas (ver espacio W )
Def. Operaciones en L(V, W ) Suponemos S, T ∈ L(V, W ) y λ ∈ y n-columnas (ver espacio V ) notada por M(T ) cuyas entradas
F. están dadas por

Suma: (S + T )(v) = Sv + T v ∀v ∈ V m
X
T vk = a1k w1 + · · · + amk wm ≡ T vk = aik wi
Producto por escalar: (λT )(v) = λT (v) ∀v ∈ V. i=1

Formulario - Algebra lineal 2

2022-A

ası́ se tiene (a) T es invertible.

a11 a12 ··· a1k ··· a1n (b) T es inyectivo.
 
 a21 a22 ··· a2k ··· a2n  (c) T es sobreyectivo.
 .. .. .. .. 
 
.. ..
 . . . . . . 
M(T ) =  
 aj1 aj2 ··· ajk ··· ajn 

 . .. .. .. ..

..  3. Producto de espacios vectoriales
 .. . . . . . 
am1 am2 ··· amk ··· amn Def. producto de e.v. (Producto cartesiano). Supongamos
V1 , . . . , Vm sobre F. Se define el producto como
Obs. Usamos M(T ) si se entienden las bases definidas de V y
W . Sino usaremos la notación V1 × · · · × Vm = {(v1 , . . . , vm ) : v1 ∈ V1 , . . . , vm ∈ Vm }

M(T, (v1 , . . . , vn ), (w1 , . . . , wm )) Def. operaciones del producto de e.v.

Res. 2.13 Supongamos S, T ∈ L(V, W ). Entonces Adición: Definimos la suma como

M(S + T ) = M(S) + M(T ) (u1 , . . . , um ) + (v1 , . . . , vm ) = (u1 + v1 , . . . , um + vm )

Res. 2.14 Supongamos λ ∈ F y T ∈ L(V, W ). Entonces Producto por escalar: Definimos al producto por escalar
M(λT ) = λM(T ) como
λ(v1 , . . . , vm ) = (λv1 , . . . , λvm )
Res. 2.15 Supongamos T ∈ L(U, V ) y S ∈ L(V, W ). Entonces
Res. 3.2 Con las operaciones definidas anteriormente afirmamos
M(ST ) = M(S)M(T ) que dados V1 , . . . , Vm el producto de e.v. V1 ×· · ·×Vm es un espacio
vectorial.
Def. producto de matrices Supongamos A una matriz de tamaño Obs. R2 × R3 ̸= R5 pero son isomorfos. Y se tiene la
m × n y C una matriz de n × p. Entonces AC es una matriz de transformación lineal invertible T de R2 × R3 en R5 de la forma
m × p de tal forma que la entrada de la fila j y columna k está
dada por T ((x1 , x2 ), (y1 , y2 , y3 )) = (x1 , x2 , y1 , y2 , y3 )
n
Res. 3.3 Sean V1 . . . , Vm e.v. f-d. Entonces V1 × · · · × Vm es f-d y
X
(AC)jk = Fila j de A · Columna k de C = arj crk
r=1 además

Matriz simétrica Una matriz A de tamaño n × n se dice simétrica dim(V1 × · · · × Vm ) = dim V1 + · · · + dim Vm
si se cumple que
Res. 3.4 Supongamos U1 , . . . , Um subespacios de V . Se define la
AT = A transformación lineal:
Def. T.L. invertible/Inversa de una T.L. Dada una Γ: U1 × · · · × Um → U1 + · · · + Um
transformación lineal T ∈ L(V, W ), se dice que esta es invertible (u1 , . . . , um ) 7 → (u1 + · · · + um )
si existe una transformación lineal que al ser la única la notaremos
por T −1 ∈ L(W, V ) (inversa de T ) que cumple Entonces U1 + · · · + Um es suma directa si y solo si Γ e inyectiva.
Res. 3.5 Supongamos V es un e.v. f-d y U1 , . . . , Um son
T −1 T = IV y T T −1 = IW subespacios de V . Entonces:
Res. 2.16 Si una transformación lineal es invertible, entonces su U1 + · · · + Um son una suma directa si y solo si
inversa es única. dim(U1 + · · · + Um ) = dim U1 + · · · + dim Um
Res. 2.17 Una transformación lineal es invertible si y solo si es Def. suma de un vector con un subespacio Suponemos v ∈ V y
inyectiva y sobreyectiva. U subespacio de V . Entonces definimos:
Deber 04 Ejercicio 6 Sean T ∈ L(U, V ) y S ∈ L(V, W ) invertibles.
v + U = {v + u : u ∈ U }
Si ST ∈ L(U, W ) es invertible entonces (ST )−1 = T −1 S −1 .
Def. Isomorfismo Def. Conjunto afı́n/conjunto paralelo
Un isomorfismo es una transformación lineal invertible. Un conjunto afı́n de V es un conjunto de la forma v + U para
Dos espacios vectoriales son isomorfos si existe un isomorfismo algún v ∈ V y U subespacio de V .
entre ellos.
v + U se le llama conjunto paralelo a U .
Res. 2.18 Dos e.v. f-d sobre F son isomorfos si y solo si tienen las
Def. Espacio cociente: Suponemos U subespacio de V . Ası́ el
mismas dimensiones.
Res. 2.19 L(V, W ) y Fmn son isomorfos. Supongamos v1 , . . . , vn espacio cociente V /U es el conjunto de todos los conjuntos afines
es una base de V y w1 . . . , wn es una base de W . Entonces M es de V que son ∥ a U .
un isomorfismo entre L(V, W ) y Fmn . Res. 3.6 Si U subespacio de V y v, w ∈ V . Se tienen las
Res. 2.20 Sean V, W e.v. f-d. Entonces L(V, W ) es f-d y afirmaciones equivalentes:
v−w ∈U
dim L(V, W ) = dim V · dim W
v+U =w+U
Def. operador Una transformación lineal de un espacio vectorial
(v + U ) ∩ (w + U ) ̸= ∅
en sı́ mismo se denomina operador lineal y además notemos que
dado un espacio vectorial V , el conjunto de todos los operadores Def. operaciones en V /U Para U un subespacio de V . Se definen
lineales sobre V se denota por las operaciones:
L(V, V ) = L(V ) Suma en V/U Para v + U, w + U ∈ V /U , se tiene la
operación:
Res. 3.1 Supongamos V e.v. f-d y L(V ). Se tienen las
equivalencias (v + U ) + (w + U ) = (v + w) + U

Formulario - Algebra lineal 3

2022-A

Producto por escalar en V/U Sea λ ∈ F y además v +U ∈ ∀S, T ∈ L(V, W ) se tiene:

V /U , se tiene la operación:
(S + T )′ = S ′ + T.
λ(v + U ) = (λv) + U
∀λ ∈ F y ∀T ∈ L(V, W ) se tiene:
Res. 3.7 Suponemos U subespacio de V . Entonces V /U con las (λT )′ = λT ′
operaciones definidas anteriormente se concreta que es un espacio
vectorial. ∀T ∈ L(U, V ) y ∀S ∈ L(V, W ) se tiene:
Obs. Tener en cuenta: (ST )′ = T ′ S ′
La representación de un conjunto afı́n NO es única.
Def. Aniquilador U 0 Para U ⊂ V definimos:
La suma de dos conjuntos afines no se afecta con la elección
de representantes U 0 = {φ ∈ V ′ : φ(u) = 0; ∀u ∈ U } ⊆ V ′
Def. Aplicación cociente π . Para U subespacio de V . La Deber 05 Ejercicio 4 Sea U y W subespacios de V donde U ⊂ W ,
aplicación cociente π es una aplicación lineal definida por:
entonces W 0 ⊂ U 0
π: V −→ V /U Res. 3.13 Si U es un subespacio de V . Entonces U 0 es un
v 7−→ v+U subespacio de V ′
Obs. El aniquilador de U es un espacio relacionado a V ya que
Obs. Tener en cuenta respecto a la aplicación cociente: U ⊆ V . Si quiero ser más especı́fico usar la notación UV0 .
π no es inyectiva (casi siempre). Res. 3.14 Suponemos V un e.v. f-d y U subespacio de V .
π siempre es sobreyectiva. Entonces:
Res. 3.8 Supongamos que V es f-d y U es un subespacio de V . dim U + dim U 0 = dim V
Entonces: Res. 3.15 Suponemos V, W f-d y T ∈ L(V, W ). Entonces:
dim(V /U ) = dim V − dim U (a) N (T ′ ) = (Img T )0 .
Deber 05 Ejercicio 2 Sea φ ∈ L(V, F) y φ ̸= 0, entonces la (b) dim N (T ′ ) = dim N (T ) + dim W − dim V.
dimV/N (φ) =1 Res. 3.16 Suponemos V, W f-d y T ∈ L(V, W ). Entonces
Deber 05 Ejercicio 3 Sea U un subespacio de V tal que V /U es de T es sobreyectivo si y solo si T ′ es inyectivo.
dimensión finita. Existe un subespacio W de V tal que dim W = Res. 3.17 Suponemos V, W f-d y T ∈ L(V, W ). Entonces:
dim V /U y V = U ⊕ W.
(a) dim(Img T ′ ) = dim(Img T )
Def. Te Suponemos T ∈ L(V, W ). Definimos la aplicación Te como: (b) Img T ′ = (N (T ))0
Te : V /N (T ) −→ W Res. 3.18 Suponemos V, W f-d y T ∈ L(V, W ). Entonces
v + N (T ) 7−→ Te(v) = T v T es inyectiva si y solo si T ′ es sobreyectivo.
Def. Matriz transpuesta Si A es una matriz de tamaño m × n,
Res. 3.9 Suponemos T ∈ L(V, W ). Entonces:
con coeficientes (aij ), se denota la matriz transpuesta de A como
(a) Te es una aplicación lineal de V /N (T ) en W . AT = (aTij ) y se define como
(b) Te es inyectiva aTij =aji
(c) Img Te = Img T para todo i = 1, . . . , n y j = 1, . . . , m. Es decir, AT es de tamaño
(d) V /N (T ) es isomorfo a Img T n × m y consiste en reflejar los elementos de la matriz A a lo largo
Def. funcional lineal Es una aplicación lineal de V en F notado de su diagonal.
por φ, es decir, un funcional lineal es un elemento de L(V, F) Prop. de la Matriz Transpuesta
Def. Espacio dual V ′ Es el espacio vectorial de funcionales (A + C)T = AT + C T
lineales sobre V . Es decir, V ′ ∈ L(V, F) (λA)T = λAT
Res. 3.10 Suponemos que V es un e.v. f-d. Entonces V ′ es también Res. 3.19 Si A es una matriz de tamaño m × n y C es de tamaño
f-d y además: n × p, entonces (AC)T = C T AT .
dim V ′ = dim V Res. 3.20 Supongamos T ∈ L(V, W ). Entonces:
Def. Base dual Si v1 , . . . , vn es una base de V , entonces la base
M(T ′ ) = (M(T ))t
dual de v1 , . . . , vn es una lista φ1 , . . . , φn de elementos de V ′ ,
donde cada φj es un funcional lineal sobre V tal que: Def. rango y fila y rango columna Sea Am×n (matriz de m × n)
 con coeficientes en F
1 si k = j
φj (vk ) = El rango fila de A es
0 si k ̸= j
dim [span(Filas de A)]
Res. 3.11 Suponemos V f-d. entonces la base dual de una base de
1,n
V es una base de V ′ . en F .
Def. Aplicación Dual de T Sea T ∈ L(V, W ), entonces se define El rango columna de A es
la aplicación lineal T ′ como dim[span(columnas de A)]
′ ′ ′
T : W −→ V en F .m,1

φ 7−→ T ′ (φ) = φ ◦ T Res. 3.21 Supongamos V, W e.v. f-d y T ∈ L(V, W ). Entonces:

Deber 05 Ejercicio 4 Sea V de dimensión finita y v ∈ V con v ̸= 0,
entonces existe φ ∈ V ′ tal que φ(v) = 1
Deber 05 Ejercicio 6 Sea W de dimensión finita y T ∈ L(V, W ),
entonces T ′ = 0 si y solo si T = 0
Res. 3.12 Propiedades algebraicas de las aplicaciones
duales
dim Img(T ) = Rango columna de M(T ).
Res. 3.22 Supongamos A ∈ Fm,n . Entonces:
Rango fila de A = Rango columna de A
Def. Rango de una matriz El rango de una matriz cualquiera es
el rango fila o rango columna de esa matriz.

Formulario - Algebra lineal 4

2022-A

4. E.V. con producto interno (a) Para u ∈ V fijo, la función que toma v ∈ V y entrega el valor
de ⟨v, u⟩ es lineal de V en F.
4.1. Producto interno
Tu : V −→ F
Def. Producto punto Para x, y ∈ Rn , el producto punto entre v 7−→ ⟨v, u⟩
x y y está definido por:
n
X (b) ⟨0, u⟩ = 0 ∀u ∈ V
x · y = x1 y1 + · · · + xn yn = uj vj
(c) ⟨u, 0⟩ = 0 ∀u ∈ V
j=1
(d) ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, w⟩ ∀u, v, w ∈ V
donde x = (x1 , . . . , xn ) y y = (y1 , . . . , yn ) Obs. Algunas
propiedades del producto punto son: (e) ⟨u, λv⟩ = λ̄⟨u, v⟩ ∀λ ∈ F y ∀u, v ∈ V

x · x ≥ 0 ∀x ∈ Rn Deber 06 P.1 Ejercicio 2 Sean u, v ∈ V. Si se verifica que ⟨x, u⟩ =

x · x = 0 si y solo si x = 0 ⟨x, v⟩, para todo x ∈ V, entonces u = v.
Para y ∈ Rn fijo, la aplicación:
Ty : Rn −→ R
4.2. Norma
x 7−→ x·y Def. norma Para v ∈ V , la norma de v, denotada por ∥v∥, está
definida como sigue:
es lineal p
∥v∥ = ⟨v, v⟩
x · y = y · x ∀x, y ∈ Rn
Obs. Un espacio vectorial tiene varios productos internos.
Obs. El producto interno es una generalización del producto
punto para espacios vectoriales complejos. Para recordar que para Obs. Para z = (z1 , . . . , zn ) ∈ Fn , si Fn tiene producto interno
z = a + bi ∈ C con a, b ∈ R euclidiano
Módulo de z
p
p ∥z∥ = ⟨z, z⟩
|z| = a2 + b2 p
= |z1 |2 + · · · + |zn |2
Conjugado de z
z̄ = a − bi Res. 4.2 Propiedades de la norma. Supongamos v ∈ V :
Propiedad (a) ∥v∥ = 0 si y solo si v = 0
|z|2 = zz
(b) ∥λv∥ = |λ|∥v∥ ∀λ ∈ F
Propiedad
z=z Obs. Puedo usar ∥ · ∥2 para facilitar ciertas demostraciones.
Def. Producto interno sobre V Es una función que toma un par Def. vectores ortogonales Dados u, v ∈ V se dicen ortogonales
de elementos de (u, v) de V × V y se asocia un número ⟨u, v⟩ ∈ F si
y cumple con las propiedades: ⟨u, v⟩ = 0
Positividad Res. 4.3 Ortogonalidad y el vector 0
⟨v, v⟩ ≥ 0 ∀v ∈ V
0 es ortogonal a cualquier vector en V .
Definida positiva
0 es el único vector en v que es ortogonal a sı́ mismo.
⟨v, v⟩ = 0 si y solo si v=0 Res. 4.4 Teorema de Pitágoras. Dados dos vectores u, v ∈ V
ortogonales, entonces:
Aditividad en la primera componente
⟨u + v, w⟩ = ⟨u, w⟩ + ⟨v, w⟩ ∀u, v, w ∈ V ∥u + v∥2 = ∥u∥2 + ∥v∥2

Homogeneidad en la primera componente Res. 4.5 Descomposición ortogonal. Supongamos u, v ∈ V

⟨u, v⟩
⟨λu, v⟩ = λ⟨u, v⟩ ∀λ ∈ F y ∀u, v ∈ V con v ̸= 0. Sea c = y además w = u − cv. Entonces:
∥v∥2
Simetrı́a conjugada
⟨w, v⟩ = 0 y u = cv + w
⟨u, v⟩ = ⟨v, u⟩ ∀u, v ∈ V
Res. 4.6 [Cauchy-Schwarz (C-S)] Suponemos u, v ∈ V.
y para un espacio vectorial real se cumple que: ⟨u, v⟩ =
Entonces:
⟨v, u⟩ ∀u, v ∈ V .
|⟨u, v⟩| ≤ ∥u∥∥v∥
Obs. Notación producto interno:
La igualdad se alcanza si y solo si un vector es múltiplo escalar del
⟨·, ·⟩ : V ×V −→ F otro.
(u, v) 7−→ ⟨u, v⟩ Res. 4.7 [Desigualdad Triangular] Supongamos u, v ∈ V .
Entonces
Obs. Producto interno euclidiano en Fn ∥u + v∥ ≤ ∥u∥ + ∥v∥.
⟨u, v⟩ = ⟨(u1 , . . . , un ), (v1 , . . . , vn )⟩ La igualdad se alcanza si y solo si uno de los vectores es múltiplo
= u1 v1 + · · · + un vn escalar del otro; con un escalar positivo.
Res. [Igualdad del Paralelogramo] Sean u, v ∈ V se cumple
Def. Espacio Vectorial con producto interno Es un espacio
vectorial V provisto de un producto interno. Notación: ∥u + v∥2 + ∥u − v∥2 = 2(∥u∥2 + ∥v∥2 )
(V, ⟨·, ·⟩)
Def. lista ortonormal Una lista de vectores se dice ortonormal si
Res. 4.1 Propiedades básicas de un producto interno cada uno de los elementos de la lista tiene norma 1 y es ortonormal

Formulario - Algebra lineal 5

2022-A

a los demás vectores de la lista. Es decir, una lista e1 , . . . , en de 6. Subespacios Invariantes

vectores en V , es ortonormal si:
 Subespacios invariantes de dimensión 1 Suponemos v ∈ V tal
1, j = k
⟨ej , ek ⟩ =
0, j ̸= k
⟨ej , ej ⟩ = ∥ej ∥2 = 1
⟨ej , ek ⟩ = 0 j ̸= k
Res. 4.8 Si e1 , . . . , en es una lista ortonormal en V , entonces:
∥a1 e1 + · · · + an en ∥2 = |a1 |2 + · · · + |an |2
para todos a1 , . . . , an ∈ F.
Res. 4.9 Toda lista ortonormal es linealmente independiente.
Def. base ortonormal Una lista ortonormal que también es base
de V un espacio vectorial se dice base ortonormal.
Res. 4.10 Toda lista ortonormal de vectores en V con longitud
dim V es una base ortonormal de V .
Res. 4.11 Supongamos e1 , . . . , en una base ortonormal de V y
v ∈ V . Entonces:
v = ⟨v, e1 ⟩e1 + · · · + ⟨v, en ⟩en
y
∥v∥2 = |⟨v, e1 ⟩|2 + · · · + |⟨v, en ⟩|2
Res. 4.12 [Procedimiento de Gran-Schmidt (G-S)] Este
resultado sirve para obtener bases ortonormales a partir de
una lista linealmente independiente de un espacio vectorial.
Suponemos v1 , . . . , vn una lista linealmente independiente en V.
v1
e1 =
∥v1 ∥
v2 − ⟨v2 , e1 ⟩e1
e2 =
∥v2 − ⟨v2 , e1 ⟩e1 ∥
vj − ⟨vj , e1 ⟩e1 − · · · − ⟨vj , ej−1 ⟩ej−1
ej =
∥vj − ⟨vj , e1 ⟩e1 − · · · − ⟨vj , ej−1 ⟩ej−1 ∥
5. Complemento ortogonal
Def. complemento ortogonal: Si U es un subconjunto de V ,
entonces el complemento ortogonal de U es el conjunto de todos
los vectores en V que son ortogonales a todos los vectores de U :
U ⊥ = {v ∈ V : ⟨v, u⟩ = 0 ∀u ∈ U } ⊆ V
que v ̸= 0. Sea
U = span(v) = {λv : λ ∈ F}
Entonces dim U = 1 y se dice que U es unidimensional a V .
Def. subespacio invariante: Supongamos T ∈ L(V ). Un
subespacio U de V se dice invariante bajo la transformación T
si u ∈ U , entonces T u ∈ U .
Afirmación: U es invariante bajo el operador T si y solo si T v =
λv para algún λ ∈ F.
Def. Auto-valor / valor propio / eigenvalue de T: Supongamos
T ∈ L(V ). Un número λ ∈ F es un auto-valor de T , si existe
v ∈ V tal que v ̸= 0 y T v = λv.
Obs. No tomar en cuenta si el vector es cero porque es trivial.
Res. 5.1: Supongamos V un e.v. f-d, T ∈ L(V ) y λ ∈ F. Se tienen
las afirmaciones equivalentes:
(a) λ es un autovalor de T .
(b) T − λI no es inyectivo.
(c) T − λI no es sobreyectivo.
(d) T − λI no es invertible.
Def. vector propio / auto-vector / eigen vector: Supongamos
T ∈ L(V ) y λ ∈ F un auto-valor de T . Un vector v ∈ V se llama
auto-vector de T respecto a λ si v ̸= 0 y T v = λv.
Res. 5.2: Sea T ∈ L(V ). Supongamos λ1 , . . . , λm auto-valores
de T todos distintos y v1 , . . . , vn auto-vectores correspondientes.
Entonces v1 , . . . , vn son linealmente independientes.
Res. 5.3: Supongamos V un e.v. f-d. Entonces, todo operador
definido sobre V tiene a lo más dim V valores propios distintos.
Deber 06 P.2 Ejercicio 3 Sea V un espacio vectorial. Suponemos
que T ∈ L(V ) y que u, v son vectores propios de T tales que u +
v es también un vector propio de T. Entonces u y v son vectores
propios de T correspondientes al mismo valor propio.
Deber 06 P.2 Ejercicio 6 Sea V un espacio vectorial de dimensión
finita. Suponemos que S, T ∈ L(V ). Entonces ST y TS tienen los
mismos valores propios.
Deber 06 P.2 Ejercicio 7 Sean V un espacio vectorial de
dimensión finita y {v1 , . . . , vn } un conjunto de vectores en V.
Entonces se tiene que {v1 , . . . , vn } es linealmente independiente si,
y solo si, existe T ∈ L(V ) tal que v1 , . . . , vn son vectores propios
de T correspondientes a valores propios distintos.

Res. 4.13: Propiedades del complemento ortogonal:

(a) Si U es un subconjunto de V , entonces U ⊥ es un subespacio 7. Existencia de auto-valores
de V .
Def. T m Supongamos T ∈ L(V ) y m es un entero positivo.
(b) {0}⊥ = V .
Tm = T
| .{z
. . T}
(c) V ⊥ = {0}. m−veces

(d) Si U es subconjunto de V , entonces U ∩ U ⊥ ⊂ {0}. 0

T es el operador identidad I sobre V .
(e) Si U, W son subconjuntos de V tal que U ⊂ W , entonces Si T es invertible, existe T −1 , entonces T −m se define como
W ⊥ ⊂ U⊥
Res. 4.14: Supongamos U subespacio de V un e.v. f-d. Entonces: T −m = (T −1 )m

V = U ⊕ U⊥ Obs. Si T ∈ L(V ). Entonces

T m T n = T m+n
Res. 4.15: Si V es e.v. f-d y U un subespacio de V . Entonces
(T m )n = T m.n
⊥
dim U = dim V − dim U
• Si T es invertible, entonces m y n puede ser cualquier
Res. Suponemos U subespacio f-d de V . Entonces: entero.
• Si T no es invertible, entonces m y n deben ser enteros
U = (U ⊥ )⊥ positivos.

Formulario - Algebra lineal 6

2022-A
Def. polinomio aplicado a un operador: Suponemos T ∈ L(V ) y
p ∈ P(F) un polinomio de la forma
p(z) = a0 z 0 + a1 z + a2 z 2 + · · · + an z n
para z ∈ F. Entonces p(T ) es un operador de la forma
p(T ) = a0 T 0 + a1 T + · · · + an T n
lo que es equivalente a
p(T ) = a0 I + a1 T + · · · + an T n
Propiedades de p(T )
Para T ∈ L(V ). La función de P(F) en L(V ) dado por p 7→
p(T ) es lineal.
ΦT :P(F) → L(V )
p 7→ p(T )
Si T ∈ L(V ) y p, q ∈ P(F). Entonces
(pq)(T ) = p(T )q(T )
| {z }
comp. operadores
Si T ∈ L(V ) y p, q ∈ P(F). Entonces
p(T )q(T ) = q(T )p(T )
Res. 5.4 Todo operador en un e.v. f-d no nulo y complejo (F = C)
tiene un autovalor.
8. Matrices de operadores
Res. 5.5 [Condiciones para matriz triangular superior]
Suponemos T ∈ L(V ) y v1 , . . . , vn una base de V . Se tienen las
equivalencias.
La matriz respecto a la base mencionada es triangular
superior.
T vj = span(v1 , . . . , vj ) para cualquier j = 1 . . . , n
span(v1 , . . . , vj ) es invariante bajo T para cualquier j =
1, . . . , n
Res. 5.6 Si V es un e.v. f-d complejo y T ∈ L(V ). Entonces T
tiene una matriz triangular superior respecto a alguna base de V
Res. 5.7 Si T ∈ L(V ) tiene una matriz asociada a una matriz
triangular superior respecto a una base de V . Entonces los
autovalores de T son las entradas de la diagonal de la matriz
triangular superior.
Def. Espacio Nulo Si T ∈ L(V ) y λ ∈ F. Entonces se tiene
E(λ, T ) = N (T − λI)
Obs.
E(λ, T ) es el conjunto de todos los vectores propios de T
asociados a λ junto al vector 0.
Si λ es un valor propio, entonces E(λ, T ) ̸= {0}
Si T no tiene valores propios,entonces E(λ, T ) = {0}
E(λ, T ) es subespacio de V .
Deber 06 P.2 Ejercicio 5 Sea n ∈ N. Sean λ1 , ..., λn los valores
propios de una matriz cuadrada A de n × n. Si A−1 existe, entonces
sus valores propios son λ11 , ..., λ1n
Def. Valores y vectores propios de una matriz Sean n ∈ N y A
una matriz de n × n.
a) Un vector propio de A es un vector v ̸= 0 ∈ Rn , tal que Av = λv,
para algún escalar λ.
b)Un valor propio de A es un escalar λ, tal que la ecuación Av = λv
tiene una solución no trivial.
Si Av = λv para v ̸= 0, decimos que λ es el valor propio
correspondiente a v y que v el vector propio correspondiente a
λ.
Formulario - Algebra lineal
8.1. Espacios propios
Res. 5.8 Supongamos V e.v. f-d y T ∈ L(V ). Supongamos que
λ1 , . . . , λm son valores propios de T todos distintos. Entonces
E(λ1 , T ) + · · · + E(λm , T )
es suma directa y además
dim[E(λ1 , T )] + · · · + dim[E(λm , T )] ≤ dim V
De. operador diagonalizable Un operador T ∈ L(V ) se dice
diagonalizable si T tiene una matriz diagonal respecto a una base.
Res. 5.9 [Condiciones equiv. a la diagonalización] Supongamos
V e.v. f-d y T ∈ L(V ). Sean λ1 , . . . , λm valores propios de T todos
distintos. Entonces se tienen las equivalencias.
(a) T es diagonalizable.
(b) V tiene una base que consiste de vectores propios de T .
(c) Existen subespacios U1 , . . . , Un 1-dimensionales de V
invariantes bajo T tales que V = U1 ⊕ · · · ⊕ Un
(d) V = E(λ1 , T ) ⊕ · · · ⊕ E(λn , T )
(e) dim V = dim E(λ1 , T ) + · · · + dim E(λn , T )
Res. 5.10 Si T ∈ L(V ) tiene n = dim V valores propios distintos.
Entonces T es diagonalizable.
Res. 6.1[Teorema de representación de Riesz] Supongamos que
V es un e.v. f-d y que φ es un funcional lineal sobre V . Entonces
existe un único vector u ∈ V tal que
φ(v) = ⟨v, u⟩
para cualquier v ∈ V .
8.2. Operadores sobre un e.v. con producto
interno
En esta sección suponemos U, V, W con e.v. con producto interno.
Def. adjunto de una transformación Suponemos T L(V, W ). El
adjunto de T es una función T ∗ : W → V tal que
⟨T v, w⟩ = ⟨v, T ∗ w⟩
Deber 07 Ejercicio 2 Suponemos que T ∈ L(V, W ). Entonces
a) T es inyectivo, si y solo si, T ∗ es sobreyectivo.
b) T es sobreyectivo, si y solo si, T ∗ es inyectivo.
Deber 07 Ejercicio 5 Sean S, T ∈ L(V ). Suponemos que S y T
son normales y que satisfacen las siguientes igualdades ST ∗ = T ∗ S
y T S ∗ = S ∗ T . Entonces S + T y ST son normales.
8.3. Operador adjunto
Res. 7.1 Si T ∈ L(V, W ), entonces T ∗ ∈ L(W, V ).
Res. 7.2 [Propiedades del Adjunto]
(a) (S + T )∗ = S ∗ + T ∗ para todo S, T ∈ L(V, W ).
(b) (λT )∗ = λT ∗ para todo λ ∈ F, T ∈ L(V, W ).
(c) (T ∗ )∗ = T para todo T ∈ L(V, W ).
(d) I ∗ = I donde I es la aplicación identidad.
(e) (ST )∗ = T ∗ S ∗ para todo T ∈ L(V, W ) y S ∈ L(W, U ).
Res. 7.3 Supongamos T ∈ L(V, W ). Entonces
(a) N (T ∗ ) = (Img T )⊥
(b) Img(T ∗ ) = (N (T ))⊥
(c) N (T ) = (Img T ∗ )⊥
(d) Img(T ) = (N (T ∗ ))⊥
7
2022-A

Deber 07 Ejercicio 3 Suponemos que T ∈ L(V ) es normal.
Entonces
N (T k ) = N (T ) y Img(T k ) = Img(T ) para cada entero positivo k.
Def. Matriz Transpuesta Conjugada La matriz transpuesta
conjugada de una matriz de m × n se obtiene intercambiando filas
por columnas y tomando el conjugado complejo de cada entrada.
Res. 7.4 Sea T ∈ L(V, W ). Supongamos e1 , . . . , en es base
ortonormal de V y f1 , . . . , fn es base ortonormal de W . Entonces
M (T ∗ , (f1 , . . . , fn ), (e1 , . . . , en ))
es la transpuesta conjugada de
M (T, (e1 , . . . , en ), (f1 , . . . , fn ))
8.4. Operadores auto-adjuntos
Def. operador auto-adjunto Un operador T ∈ L(V ) se dice
auto-adjunto si T = T ∗ . Es decir, T ∈ L(V ) es auto-adjunto si
y solo si
⟨T v, w⟩ = ⟨v, T w⟩
para todo v, w ∈ V .
Res. 7.5 Todo valor propio de un operador auto-adjunto es un
número real.
Res. 7.6 Supongamos V e.v. complejo (F = C) con producto
interno y T ∈ L(V ). Si
Deber 07 Ejercicio 8 Demostrar que un operador normal en un
espacio con producto interno complejo es autoadjunto si, y solo si,
todos sus valores propios son reales.
Res. 7.12 Teorema espectral complejo Sea F = C y T ∈
L(V ), entonces, las siguientes son equivalentes.
1. T es normal.
2. V tiene una base ortonormal que consiste de los vectores
propios de T.
3. T tiene una matriz diagonal con respecto a alguna base
ortonormal de V.
Res. 7.13 Teorema espectral real Sea F = C y T ∈ L(V ),
entonces, las siguientes son equivalentes.
1. T es auto-adjunto.
2. V tiene una base ortonormal que consiste de los vectores
propios de T.
3. T tiene una matriz diagonal con respecto a alguna base
ortonormal de V.

⟨T v, v⟩ = 0

para todo v ∈ V . Entonces T = 0.

Res. 7.7 [Caracterización de operador auto-adjunto]
Supongamos V un e.v. complejo (F = C). Entonces

T es auto-adjunto si y solo si ⟨T v, v⟩ ∈ R

para todo v ∈ V.
Res. 7.8 Supongamos que T es un operador auto-adjunto sobre
V (e.v. con producto interno) tal que

⟨T v, v⟩ = 0

para todo v ∈ V . Entonces T = 0

8.5. Operadores normales

Def. operador normal Un operador sobre un e.v. con producto
interno se dice normal si este conmuta con su adjunto, es decir, si
T ∈ L(V ) entonces
T T ∗ = T ∗T
Res. 7.9 [Caracterización operador normal] Un operador T ∈
L(V ) es normal si y solo si

∥T v∥ = ∥T ∗ v∥

para todo v ∈ V .
Res. 7.10 Supongamos T ∈ L(V ) es normal y v ∈ V un
auto-vector de T asociado al auto-valor λ. Entonces v es un
auto-vector de T ∗ asociado a λ.
Res. 7.11 Supongamos T ∈ L(V ) normal. Entonces los
auto-vectores de T asociados a auto-valores distintos son
ortogonales.
Deber 07 Ejercicio 4 Un operador T ∈ L(V ) se dice isométrico
si ∥T v∥ = ∥v∥, para todo v ∈ V . Por tanto un operador lineal
isométrico T : V → V satisface T T ∗ = I, donde I es el operador
identidad en V .
Deber 07 Ejercicio 6 Sea T ∈ L(V ). T es autoadjunto si, y solo
si, todos los pares de vectores propios correspondientes a valores
propios distintos de T son ortogonales y
V = E(λ1 , T ) ⊕ ... ⊕ E(λm , T ),
donde λ1 , ..., λm denotan los valores propios distintos de T.

Formulario - Algebra lineal 8