1

1 Espacios vectoriales

1.1 Espacio vectorial

Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto
V 6= ; sobre el que hay de…nidas dos operaciones :

1. Suma :
+ : V V ! V
(u; v) ! u+v
que veri…ca las siguientes propiedades :

(a) Conmutativa : u + v = v + u; 8 u; v 2 V
(b) Asociativa : (u + v) + w = u + (v + w) ; 8 u; v; w 2 V
(c) Elemento neutro : Existe 0 2 V tal que u + 0 = 0 + u = u,
8u 2 V
(d) Elemento opuesto : Para todo u 2 V existe u 2 V tal que
u+ ( u) = ( u) + u = 0

2. Producto por un escalar :

: K V ! V
( ; u) ! u

que veri…ca las siguientes propiedades :

(a) 1 u = u; 8 u 2 V
(b) ( u) = ( ) u; 8 ; 2 K; 8 u 2 V )
(c) ( + ) u = u+ u; 8 ; 2 K; u 2 V
(d) (u + v) = u+ v; 8 2 K; 8 u; v 2 V

Los elementos de un espacio vectorial V sobre K, se llaman vectores.

Un espacio vectorial real es un espacio vectorial V sobre el cuerpo R
de los números reales. Se denota V (K) o VK .

Nota : En lo sucesivo, siempre que no haya confusión se omitirá el punto

( ) en la operación producto por escalar.

2
 Ejemplos :
Son espacios vectoriales reales, con las operaciones que se indican, los
siguientes conjuntos:

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

Rn = x = (x1 ; x2 ; :::; xn ) = (xi )1 i n : xi 2 R; 1 i n

con las operaciones :

x + y = (x1 + y1 ; x2 + y2 ; :::; xn + yn )
x = ( x1 ; x2 ; :::; xn )

2. El conjunto de matrices de dimensión m n:

Mm n (R) = fA = [aij ] : aij 2 R; 1 i m; 1 j ng

con las operaciones: suma de matrices y producto por números reales.

3. El conjunto de todos los polinomios con coe…cientes reales en la variable

x: ( )
Xn
P (R) = p (x) = ak xk : n 2 N; ak 2 R
k=0

con las clásicas operaciones de suma de polinomios y producto de poli-

nomios por números reales.

4. El conjunto de todos los polinomios, con coe…cientes reales en la vari-

able x, de grado menor o igual que n :
( )
Xn
Pn = Pn (R) = p (x) = ak x k : ak 2 R
k=0

con las mismas operaciones anteriores.

5. El conjunto de todas las funciones reales :

F (R) = ff : R ! Rg

con las operaciones : suma de funciones y producto por números reales.

3
 6. El conjunto de todas las sucesiones de números reales :

S = f(xn )1
n=0 : xn 2 R; n 1g

con las operaciones : suma de sucesiones y producto por números

reales.

7. Si Z2 = f0; 1g ; entonces Zn2 es un espacio vectorial sobre el cuerpo

Z2 , con las operaciones :

0 + 0 = 1 + 1 = 0; 0 + 1 = 1 y 0 0 = 0 1 = 1 0 = 0, 1 1 = 1

1.2 Propiedades
Si V es un espacio vectorial sobre K, entonces

1. 0 u = 0

2. ( 1) u = u

para todo u 2 V .

1.3 Subespacio vectorial

Se llama subespacio vectorial de un espacio vectorial V (K) a cualquier
subconjunto no vacío S V que es espacio vectorial con las mismas opera-
ciones de…nidas sobre V . Se denota por : S 4 V

1.4 Caracterización de subespacios vectoriales

Si V (K) es un espacio vectorial y S V , S 6= ; entonces

(1) u + v 2 S; 8 u; v 2 S
S es subespacio vectorial de V (K) ()
(2) u 2 S; 8 2 K y 8 u 2 S

4
 Demostración :
(=)) Evidente, pues S es espacio vectorial
((=) (1) y (2) garantizan que las operaciones están bien de…nidas sobre
S, al ser éste un conjunto cerrado respecto de ellas. Además, por ser S
subconjunto de V , se veri…can todas las propiedades de la suma y el producto
siempre que sea cierto que 0 2 S y que el opuesto de cualquier elemento
de S está en S. Ahora bien, para cualquier u 2S,

0 = 0 u 2S y u = ( 1) u 2 S

luego S es un subespacio vectorial de V (K).

1.5 Corolario
Si V (K) es un espacio vectorial y S V; S 6= ;, entonces

S es subespacio vectorial de V (K) () u+ v 2 S; 8 ; 2 K; 8 u; v 2 S

Ejemplos

1. En todo espacio vectorial V (K), los conjuntos f0g y V son subespacios

vectoriales de V (K); llamados subespacio trivial. Los subespacios
de V (K), distintos de los subespacios triviales se llaman subespacios
propios de V (K).

2. Si F (R) es espacio vectorial de las funciones reales. Son subespacios

vectoriales :

S1 = ff 2 F (R) : f (0) = 0g S2 = ff 2 F (R) : f continuag

S3 = ff 2 F (R) : f acotadag S4 = ff 2 F (R) : f derivableg

y no lo son

S5 = ff 2 F (R) : f (x) > 0; 8 x 2 Rg

S6 = ff 2 F (R) : j f (x)j 1; 8 x 2 Rg

5
 3. Son subespacios vectoriales del espacio vectorial P (R), de todos los
polinomios en x con coe…cientes reales, los siguientes :

S1 = fp 2 P (R) : p0 (0) = 0g S2 = fp 2 P (R) : a0 = a1 = 0g

donde a0 y a1 son los coe…cientes de grado 0 y 1, respectivamente.

No son subespacios vectoriales :

S3 = fp 2 P (R) : gr (p (x)) = 4g
S4 = fp 2 P (R) : el grado de p (x) es parg

4. En el espacio vectorial de todas las matrices cuadradas de orden n, el

subconjunto de las matrices simétricas es un subespacio vectorial, y no
lo son el subconjunto de las matrices invertibles ni el de las matrices
singulares.

5. El conjunto N ul (A) = fx 2 Rn = Ax = 0g, con A 2 Mm n (R) es un

subespacio vectorial de Rn .

6. Son subespacios vectoriales de M2 2 (R) :

0 a 0 a
S1 = : a; b 2 R S2 = :a2R
b 0 a 0

y no lo es
0 1
S3 = :a2R
a 0

1.6 Combinación lineal

Sea V (K) un espacio vectorial. Se dice que v 2 V es combinación lineal
de los vectores fv1 ; v2 ; :::; vn g V , si existen 1 ; 2 ; :::; n 2 K tales que

X
n
v= i vi
i=1

Ejemplos

6
 1. En R3 , para averiguar si el vector v = (1; 2; 3) es combinación lineal
de v1 = (1; 1; 1) ; v2 = (2; 4; 0) y v3 = (0; 0; 1), se plantea la ecuación
vectorial :
(1; 2; 3) = (1; 1; 1) + (2; 4; 0) + (0; 0; 1)
que equivale al siguiente sistema de ecuaciones que es consistente, cuyas
soluciones son las que se indican :
8 8
< +2 = 1 < = 0
+ = 2 =) = 1=2
: :
+ = 3 = 3
Luego v = 0v1 + 12 v2 + 3v3 , y el vector v es combinación lineal de
fv1 ; v2 ; v3 g (y también de fv2 ; v3 g).
1 0
2. En M2 2 (R), para averiguar si la matriz A = es com-
2 4
1 1 3 2
binación lineal de A1 = y A2 = , se plantea la
2 2 3 5
ecuación matricial :
8
>
> +3 = 1
<
1 0 1 1 3 2 +2 = 0
= + =)
2 4 2 2 3 5 >
> 2 +3 = 2
:
2 +5 = 4

Este sistema es inconsistente, luego A no es combinación lineal de

fA1 ; A2 g.

1.7 Dependencia e independencia lineal de vectores

Sea V (K) un espacio vectorial. Se dice que el conjunto de vectores
fv1 ; v2 ; :::; vn g V es línealmente dependiente (L. D.) Pnsi y sólo si
existen escalares 1 ; 2 ; ::: n 2 K, con algún i 6= 0, tales que i=1 i vi =
0. En caso contrario, se dice que el conjunto fv1 ; v2 ; :::; vn g es linealmente
independiente. (L. I.).
Para estudiar si un conjunto de vectores fv1 ; v2 ; :::; vn g es linealmente
dependiente o independiente, se plantea la ecuación
X
n

i vi = 0
i=1

7
y se estudian sus soluciones. Si admite alguna solución no nula el conjunto
de vectores es linealmente dependiente, y si sólo admite la solución nula es
linealmente independiente.

8
 Ejemplos

1. En R4 , los vectores v1 = f1; 0; 1; 2g ; v2 = (1; 1; 0; 1) y

v3 = (2; 1; 1; 1) son linealmente independientes, pues
8
>
> + +2 = 0
<
+ = 0
v+ v2 + v3 = 0 =) =) = = =0
>
> = 0
:
2 + + = 0

2. En R4 , los vectores v1 ; v2 y v3 ; del ejemplo anterior, y

v4 = (1; 0; 1; 4) son linealmente dependientes, pues
8
>
> + +2 + = 0
<
+ = 0
v1 + v2 + v3 + v4 = 0 =)
>
> = 0
:
2 + + +4 = 0
8
>
> = 2t
<
= t
=) ; t2R
>
> = t
:
= t

que admite soluciones no nulas. Por ejemplo, para

t= 1; 2v1 + v2 v3 v4 = 0:

1.8 Propiedades
En un espacio vectorial V (K) se cumplen las siguientes propiedades :

1. fvg linealmente dependiente () v = 0

2. 0 2 S V =) S es linealmente dependiente

3. fu; vg linealmente dependiente () u = v (son proporcionales)

4. S1 linealmente independiente y S2 S1 =) S2 es linealmente inde-

pendiente

9
 5. S1 linealmente dependiente y S1 S2 =) S2 es linealmente depen-
diente
6. S linealmente dependiente () Existe v 2 S que es combinación
lineal de S fvg
7. S linealmente independiente () No existe v 2 S que sea combi-
nación lineal de S fvg

1.9 Lema
Si V es un espacio vectorial y S = fv1 ; :::; vm g V , entonces
( m )
X
< S > = Gen (S) = i vi : i 2 K
i=1

es un subespacio vectorial de V , que se llama subespacio generado por

S. El conjunto S se llama sistema de generadores de Gen (S).
P Pm
Demostración : Si u = m i=1 i vi 2 Gen (S) ; v = i=1 i vi 2
Gen (S), y ; 2 K, entonces
X
m
u+ v = ( i + i ) vi 2 Gen (S)
i=1

Ejemplos :

1. Si V = R3 y S = fv1 = (1; 0; 1) ; v2 = (1; 1; 1)g, entonces

Gen (S) = v 2 R3 : v = v1 + v2 ; ; 2R
= v 2 R3 : v = ( + ; ; ) ; ; 2R

Las ecuaciones 8
< x = +
y = ; ; 2R
:
z =
se llaman ecuaciones paramétricas de Gen (S). Las ecuaciones
paramétricas son útiles para obtener, dando valores reales a los parámet-
ros y , los diferentes vectores de Gen (S). Así, por ejemplo,

10
 para =2 y = 1 se obtiene el vector v = (1; 1; 3) 2 Gen (S).
Eliminando parámetros en las ecuaciones paramétricas, se obtiene :

x 2y z=0

que se llaman ecuaciones implícitas de Gen (S) (en este caso sólo
una). Las ecuaciones implícitas son útiles para comprobar si un de-
terminado vector pertenece a Gen (S) (el vector debe veri…car to-
das las ecuaciones). Por ejemplo, el vector (3; 1; 1) 2 Gen (S) pues
3 2 1 1 = 0, y el vector ( 1; 2; 1) 2
= Gen (S), pues 1 2 2 1 6= 0.

2. En R4 , las ecuaciones paramétricas e implícitas del subespacio gener-

ado por
S = fv1 = (1; 1; 1; 1) ; v2 = (1; 2; 1; 3)g
son
8
>
> x1 = +
<
x2 = +2 x1 2x2 3x3 = 0
; ; 2 R =)
>
> x3 = x1 2x3 x4 = 0
:
x4 = +3

1.10 Propiedades
Si A y B son dos subconjuntos …nitos de un espacio vectorial V (K),
entonces :

1. S1 S2 =) Gen (S1 ) Gen (S2 )

2. S1 Gen (S2 ) () Gen (S1 ) Gen (S2 )

3. Gen (S1 ) = Gen (S2 ) () S1 Gen (S2 ) y S2 Gen (S1 )

1.11 Proposición
Sea V (K) un espacio vectorial y fv1 ; :::; vm g V . Si vm es combinación
lineal de fv1 ; :::; vm 1 g, entonces

Gen (fv1 ; :::; vm g) = Gen (fv1 ; :::; vm 1 g)

Demostración :

11
 ( ) Si v 2 Gen (fv1 ; :::; vm 1 g), entonces

X1
m X1
m
v= i vi = i vi + 0vm 2 Gen (fv1 ; :::; vm g)
i=1 i=1

Pm 1
( ) Sea vm = i=1 i vi . Si v 2 Gen (fv1 ; :::; vm g), entonces

X
m X1
m X1
m
v = i vi = i vi + m i vi
i=1 i=1 i=1
X1
m
= ( i + m i ) vi 2 Gen (fv1 ; :::; vm 1 g)
i=1

1.12 Base de un espacio vectorial

Se llama base de un espacio vectorial (o subespacio vectorial) a cualquiera
de sus sistemas de generadores que esté formado por vectores linealmente
independientes.

1.13 Teorema de la base

Todo espacio vectorial V (K) 6= f0g (o subespacio vectorial) con un sistema
de generadores …nito posee al menos una base.
Demostración : Sean Sm = fv1 ; :::; vm g un sistema de generadores
de V (K). Si Sm es linealmente independiente, entonces B = Sm es una
base de V . En caso contrario habrá un vector, que se puede suponer vm ,
que es combinación lineal de los restantes, por lo que

V = Gen (Sm ) = Gen (Sm 1 ) con Sm 1 = fv1 ; :::; vm 1 g

Si Sm 1 es linealmente independiente, entonces B = Sm 1 es una base

de V . En caso contrario, se repite el razonamiento anterior hasta llegar a
algún Si = fv1 ; :::; vi g que sea linealmente independiente y que será la base.
El …nal del proceso anterior está asegurado pues, en el peor de los casos,
después de m 1 pasos se llegaría a S1 = fv1 g con v1 6= 0 (pues
Gen (S1 ) = V 6= f0g), y este sería la base de V (K).

12
1.14 Coordenadas respecto de una base
Si B = fv1 ; :::; vn g es una base del espacio vectorial V (K), entonces para
todo v 2 V se tiene que
X
n
v= 1 v1 + ::: + n vn = i vi
i=1

Se llaman coordenadas de v respecto de la base B a la n upla

n
( 1 :::; n ) 2 K , y se indica
;

[v]B = [ 1 ; :::; n ]B

1.15 Unicidad de las coordenadas

En un espacio vectorial, las coordenadas de un vector respecto de una base
…nita son únicos.

Demostración : Si B = fv1 ; :::; vn g es una base de V , y v 2 V

entonces P
v = [ 1 ; :::; n ]B = P ni=1 i vi P
0 0 n =) ni=1 ( i 0
i ) vi = 0 =)
v = [ 1 ; :::; n ]B = i=1 i 0vi
0
i = i; 1 i n
ya que los vectores de B son linealmente independientes. Luego las
coordenadas de cualquier vector respecto de la base son únicas.

1.16 Bases canónicas

En cada uno de los siguientes espacios vectoriales, la base usual es la que se
indica :

1. En Rn

Bc = fe1 = (1; 0; 0; :::; 0) ; e2 = (0; 1; 0; :::; 0) ; :::; en = (0; 0; 0; :::; 1)g

que también se llama base canónica de Rn .

13
 2. En Mn (R) ;
m
8 2 3 2 3
>
> 1 0 0 0 1 0
>
< 6 7 6 7
6 0 0 0 7 6 0 0 0 7
B = E1 = 6 .. .. .. 7 ; E2 6 .. .. .. 7 ; :::;
>
> 4 . . . 5 4 . . . 5
>
: 0 0 0 0 0 0
2 39
0 0 0 >
>
6 0 0 07>
=
6 7
En m = 6 .. .. 7
..
4 . . 5>
.>
>
0 0 1 ;

llamada base canónica de Mn m (R).

3. En Pn (R)
B = 1; x; x2 ; :::; xn
llamada base canónica de Pn (R).
Siempre que no haya confusión, se suele omitir la indicación de la base
en la expresión de las coordenadas respecto de las bases usuales.

1.17 Uso de operaciones elementales para obtención

de bases
Sea V = Rn y S = fv1 ; :::; vm g V . Si se representa por la matriz A
aquella cuyas …las son los vectores de S, y Ar es una matriz escalonada por
…las equivalente a la matriz A, entonces una base de Gen (S) está formada
por los vectores correspondientes a las …las no nulas de Ar . Si la matriz Ar
que se considera es la escalonada por …las, la base que se obtiene es la más
sencilla posible.
Todo lo anterior es igualmente válido cuando V es un espacio vectorial
arbitrario con base …nita, y sus vectores vienen expresados por sus coorde-
nadas respecto de dicha base.

Ejemplos

1. Si S = fv1 = (1; 3; 4) ; v2 = (2; 1; 1) ; v3 = (3; 2; 5) ;

14
 v4 = (5; 15; 20)g R3 , entonces
2 3 2 3 2 3
1 3 4 1 3 4 1 3 4
6 2 1 1 7 6 0 7 7
7 7 6 0 1 1 7
6 7 !6 !6 7
4 3 2 5 5 4 0 7 7 5 4 0 0 0 5
5 15 20 0 0 0 0 0 0

y B = fu1 = (1; 3; 4) ; u2 = (0; 1; 1)g es una base de Gen (S). Para

hallar las coordenadas del vector v = (2; 1; 1) respecto de dicha
base, se procede así :

v = u1 + u2 =)
(2; 1; 1) = (1; 3; 4) + (0; 1; 1) =)
8
< = 2
=2
3 + = 1 =)
: = 7
4 + = 1

de donde v = 2u1 7u2 , luego [v]B = [2; 7]. En referencia a esta

base, las ecuaciones paramétricas e implícitas de Gen (S) son :
8
< x =
y = 3 + ; ; 2 R =) x + y z = 0
:
z = 4 +

2. Antes de proceder a hallar una base del subespacio generado por

S = fp1 (x) = 1 x3 ; p2 (x) = x x3 ; p3 (x) = 1 x;

fp4 (x) = 1 + x 2x3 g P3 (R)

se expresan los vectores (polinomios) respecto de la base canónica :

S = fp1 = (1; 0; 0; 1) ; p2 = (0; 1; 0; 1) ; p3 = (1; 1; 0; 0) ;

p4 = (1; 1; 0; 2)g

Entonces
2 3 2 3 2 3
1 0 0 1 1 0 0 1 1 0 0 1
6 0 1 0 7
1 7 6 0 1 0 7
1 7 6 0 1 0 1 7
6 !6 !6 7
4 1 1 0 0 5 4 0 1 0 1 5 4 0 0 0 0 5
1 1 0 2 0 1 0 1 0 0 0 0

15
 y una base de Gen (S) es :

B = fq1 = (1; 0; 0; 1) ; q2 = (0; 1; 0; 1)g

= q1 (x) = 1 x3 ; q2 (x) = x x3

Para hallar las coordenadas del polinomio p (x) = 1 + 2x x3 ó

p = ( 1; 2; 0; 1) respecto de dicha base, se procede así:

p = ( 1; 2; 0; 1)
= (1; 0; 0; 1) + (0; 1; 0; 1) =)
8
>
> = 1
<
= 2 = 1
=)
>
> 0 = 0 =2
:
= 1

de donde p = q1 + 2q2 , luego [p]B = [ 1; 2]. En referencia a

esta base, y representando un polinomio arbitrario por p(x) = a + bx
cx2 + dx3 ó p = (a; b; c; d) ; las ecuaciones paramétricas e implícitas
de Gen (S) son :
8
>
> a =
<
b = a+b+d = 0
; ; 2 R =)
>
> c = 0 c = 0
:
d =

3. Antes de proceder a hallar una base del subespacio generado en M2 2 (R)

por

1 1 0 0 2 2
S = M1 = ; M2 = ; M3 = ;
0 1 1 1 2 2
3 3 1 1
M4 = ; M5 =
5 3 3 1

se expresan los vectores (matrices) respecto de la base canónica :

S = fM1 = (1; 1; 0; 1) ; M2 = (0; 0; 1; 1) ; M3 = (2; 2; 2; 2) ;

M4 = ( 3; 3; 5; 3) ; M5 = ( 1; 1; 3; 1)g

16
Entonces
2 3 2 3
1 1 0 1 1 1 0 1
6 0 0 1 1 7 6 0 0 1 1 7
6 7 ! 6 7 !
4 3 3 5 2 5 4 0 0 2 0 5
1 1 3 1 0 0 3 0
2 3 2 3
1 1 0 1 1 1 0 0
6 0 0 1 0 7 6 0 0 1 0 7
6 7 ! 6 7
4 0 0 0 1 5 4 0 0 0 1 5
0 0 0 0 0 0 0 0

y una base de Gen (S) es

B = fN1 = (1; 1; 0; 0) ; N2 = (0; 0; 1; 0) ;

N3 = (0; 0; 0; 1)g
1 1 0 0 0 0
= N1 = ; N2 = ; N3 =
0 0 1 0 0 1

Puesto que la base se ha obtenido llegando hasta la matriz escalon-

ada, ahora es mucho más fácil obtener las coordenadas de una matriz
respecto de ella. De esta manera

2 2
M= = (2; 2; 3; 2) = 2N1 + 3N2 2N3
3 2

luego, [M ]B = [2; 3; 2].

En referencia a esta base, y representando una matriz arbitraria por

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

las ecuaciones paramétricas e implícitas de Gen (S) son :

8
>
> a =
<
b =
; ; ; 2 R =) a + b = 0
>
> c =
:
d =

17
1.18 Proposición
Si V (K) 6= f0g es un espacio vectorial con una base formada por n vectores,
entonces cualquier conjunto de n + 1 vectores es linealmente dependiente.

Demostración : Sea B = fv1 ; :::; vn g una base de V y

S = fu1 ; :::; un ; un+1 g V , con
X
n
ui = aij vj = [(ai1 ; ai2 ; :::; ain )]B ; 1 i n+1
j=1

Para que una combinación lineal de los vectores de S sea igual al vector
cero, se ha de cumplir :
!
X
n+1 X
n+1 X
n+1 X
n+1

i ui = ai1 i ; ai2 i ; ::::; ain i = 0

i=1 i=1 i=1 i=1
8 Pn+1
>
> ai1 i = 0
< Pi=1
n+1
() i=1 ai2 i = 0
>
>
: Pn+1
i=1 ain i = 0
que es un sistema lineal homogéneo de n ecuaciones con n + 1 incógnitas,
y tiene por tanto in…nitas soluciones ( 1 ; 2 ; :::; n+1 ) 6= (0; 0; :::; 0). Luego
S es linealmente dependiente.

1.19 Teorema del cardinal o de la dimensión

Todas las bases de un espacio vectorial V 6= f0g tienen el mismo número
de elementos (cardinal).

Demostración : Sean B1 = fv1 ; :::; vn g y B2 = fu1 ; :::; um g dos

bases de V . Puesto que B1 es base y B2 es linealmente independiente,
m n, y puesto que B2 es base y B1 es linealmente independiente, n m.
Luego m = n

1.20 Dimensión de un espacio vectorial

Se llama dimensión de un espacio vectorial V (K) 6= f0g, que se denota
por dim V , al cardinal de una cualquiera de sus bases. La dimensión de
V = f0g es cero.

18
 Observación : Una base de un espacio vectorial V (K) 6= f0g de
dimensión n está formada por cualesquiera n vectores linealmente inde-
pendientes de V .

1.21 Teorema de extensión de la base

Sea V 6= f0g un espacio vectorial de dimensión n y S = fv1 ; :::; vr g V
un conjunto linealmente independiente de r < n vectores. Entonces existen
fvr+1 ; :::; vn g V tales que fv1 ; :::; vr ; vr+1 ; :::; vn g es una base de V .

Demostración : Puesto que S es linealmente independiente y su

cardinal es r < n; S no es sistema de generadores de V , luego existirá
vr+1 2 V tal que vr+1 2
= Gen (S). Entonces S1 = S [fvr+1 g es linealmente
independiente.
Si r + 1 = n; S1 es base de V . En caso contrario, se repite el proceso
anterior para obtener S2 linealmente independiente con r + 2 vectores, y
así sucesivamente.

1.22 Interpretación geométrica de subespacios

Sean V = Rn y S Rn es un subespacio vectorial.

1. Si dim S = 0; S = f0g es un punto (el origen)

2. Si dim S = 1; S = Gen (fug) es la recta que pasa por el origen con

vector de dirección u:

3. Si dim S = 2; S = Gen (fu; vg) es el plano que pasa por el origen

con vectores de normal u v

4. Si 2 < k = dim S < n 1; S es un k-plano que pasa por el origen

5. Si dim S = n 1; S es un hiperplano que pasa por el origen

6. Si dim S = n; S = Rn es todo el espacio

19
1.23 Suma e intersección de subespacios
Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial
V (K), se de…ne su intersección y suma como

S \ T = fv 2 V : v 2 S ^ v 2 T g y
S + T = fw = u + v 2 V : u 2 S ; v 2 T g

respectivamente. Los conjuntos S \ T y S + T son subespacios vectoriales

de V (K).
Sin embargo, la unión no es necesariamente un subespacio vectorial de
V (K).
Ejemplo
Sean S = f(x; y; z) : y = 0g y T = f(x; y; z) : x z = 0g dos subespa-
cios vectoriales de R3 (R). Los vectores de S \ T son aquellos que están
S y T , por lo que sus ecuaciones implícitas son la unión de las de ambos
subespacios. Por lo tanto, las ecuaciones y una base de S \ T son
8
< x =
y=0
=) y = 0 ; 2 R =) BS\T = f(1; 0; 1)g
x z=0 :
z =

Un sistema de generadores de S+T es la unión de una base de S con otra

de T . Puesto que BS = f(1; 0; 0) ; (0; 0; 1)g y BT = f(0; 1; 0; ) ; (1; 0; 1)g,
entonces
2 3 2 3
1 0 0 1 0 0
6 0 0 1 7 6 7
6 7 ! 6 0 1 0 7 =) BS+T = fe1 ; e2 ; e3 g =) S + T = R3
4 0 1 0 5 4 0 0 1 5
1 0 1 0 0 0

Se puede observar que la representación de un vector de S + T como

suma de un vector de S y otro de T no es única. Por ejemplo,

u = (1; 1; 1) = (1; 0; 1) + (0; 1; 0) = (3; 0; 3) + ( 2; 1; 2)

siendo, en cada suma, el primer vector de S y el segundo de T .

20
1.24 Suma directa de subespacios
Si S y T son dos subespacios vectoriales, de un espacio vectorial V (K), se
dice que el subespacio Z = S + T es suma directa de S y T , que se denota
por Z = S T , si 8w 2 Z; w se escribe de manera única como w = u + v;
u 2 S; v 2 T .

1.25 Caracterización de la suma directa

Sean S; T y Z subespacios vectoriales de V (K). Entonces
Z=S T () (Z = S + T ) ^ (S \ T = f0g)

Demostración :
(=)) Como Z es suma directa de S y T , 8w 2 Z; 9!u 2 S; v 2 T tal que
w = u + v; luego Z = S + T
Supongamos ahora que w 2 S \ T; entonces w = w + 0 = 0 + w: Es decir,
w admite dos formas de ser escrito en S + T;
luego necesariamente w = 0
((=) Como Z = S + T; 8w 2 Z; w = u + v; u 2 S; v 2 T . Veamos que
esta descomposición es única. Supongamos que
w = u + v y w = u0 + v0 entonces u u0 = w0 w; de donde u u0 2 S
y w0 w 2T; luego u u0 2 S \ T =) u u0 = 0 =) u = u0 =) w = w0 :
Una propiedad interesante de la suma directa es:
Si V = S T y V es de dimensión …nita, entonces dim V = dim S +
dim T dim S \ T

1.26 Fórmula de la dimensión

Sean S y T subespacios vectoriales de un espacio vectorial V de dimensión
…nita. Entonces
dim (S \ T ) + dim (S + T ) = dim S + dim T

Demostración : Si dim S = n; dim T = m; dim (S \ T ) = r y

fv1 ; :::; vr g es una base de S \ T , usando el teorema de extensión de la base,
sean
BS = fv1 ; :::; vr ; vr+1 ; :::; vn g y BT = fv1 ; :::; vr ; wr+1 ; :::; wm g

21
bases de S y T , respectivamente. Para demostrar la fórmula de la dimen-
sión, es su…ciente demostrar que

B = fv1 ; :::; vr ; vr+1 ; :::; vn ; wr+1 ; :::; wm g

es una base de S + T . En primer lugar, B es linealmente independiente :

X
n X
n X
n X
n

i vi + j wj = 0 =) j wj = i vi 2S\T
i=1 j=r+1 j=r+1 i=1
X
m X
r
=) j wj = j vj
j=r+1 j=1
Xr X
m
=) j vj j wj = 0 =) j = 0; 1 j m
j=1 j=r+1
=) j = 0; r + 1 j m

pues BT es base de T , y entonces

X
n

i vi = 0 =) i = 0; 1 i n
i=1

pues BS es base de S. Finalmente, B es sistema de generadores de S + T ,

pues si u 2 S + T , entonces
X
n X
r X
m X
n X
n X
m
u= i vi + i vi + i wi = ( i + i ) vi + i vi + i wi
i=1 i=1 i=r+1 i=1 i=r+1 i=r+1

Ejemplo :
En R4 se consideran los subespacios vectoriales

S = Gen (f(1; 0; 1; 2) ; (0; 1; 1; 0)g) y T = Gen (f(1; 0; 1; 1) ; (0; 1; 1; 3)g)

Puesto que
2 3 2 3 2 3
1 0 1 2 1 0 1 2 1 0 1 2
6 0 1 1 7
0 7 6 0 1 1 7
0 7 6 0 1 1 0 7
6 !6 !6 7
4 1 0 1 1 5 4 0 0 2 3 5 4 0 0 2 3 5
0 1 1 3 0 0 2 3 0 0 0 0

22
una base de S + T es BS+T = f(1; 0; 1; 2) ; (0; 1; 1; 0) ; (0; 0; 2; 3)g, y sus
ecuaciones son :
8
>
> x1 =
<
x2 =
; ; ; 2 R =) x1 + 3x2 3x3 2x4 = 0
>
> x3 = + +2
:
x4 = 2 3

Usando la fórmula de la dimension, dim (S \ T ) = 2 + 2 3 = 1. Las

ecuaciones implícitas de S y T son
8
>
> x1 =
<
x2 = x1 x2 + x3 = 0
S ; ; 2 R =)
>
> x3 = + 2x1 x4 = 0
:
x4 = 2

8
>
> x1 =
<
x2 = x1 x2 x3 = 0
T ; ; 2 R =)
>
> x3 = x1 3x2 + x4 = 0
:
x4 = +3

y las ecuaciones y base de S \ T son

8 8
> x1 x2 + x3 = 0 8 > x1 =
>
< < x1 x2 = 0 >
<
2x1 x4 = 0 x2 =
=) 2x2 x4 = 0 =) ;
>
> x1 x2 x3 = 0 : >
> x3 = 0
: x3 = 0 :
x1 3x2 + x4 = 0 x4 = 2
2 R =) BS\T = f(1; 1; 0; 2)g

1.27 Subespacios suplementarios

Dos subespacios S y T de un espacio vectorial V (K) se llaman suple-
mentarios si V = S T . Si S T = U V , se dice que S y T son
suplementarios en U .
Si V = S T , entonces dim V = dim S + dim T . Además,

fv1 ; :::; vr g base de S

=) fv1 ; :::; vr+1 ; :::; vn g base de V
fvr+1 ; :::; vn g base de T

23
y también :

fv1 ; :::; vr g base de S

=) Gen (fvr+1 ; :::; vn g)
fv1 ; :::; vr ; vr+1 ; :::; vn g base de V
es suplementario de S

24
 GUÍA DE EJERCICIOS
UNIDAD : ESPACIOS VECTORIALES

1. En R2 se de…nen las siguientes operaciones :

(x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 ) y (x; y) = ( x; y)

¿ Es un espacio vectorial ?

2. ¿Cuales de los siguientes subconjuntos, de R3 o P3 (R), son sube-

spacios vectoriales ?

(a) S = f(x; y; z) : y = 0g
(b) S = f(x; y; z) : x + y + z = 0g
(c) S = f(x; y; z) : x + z = 1g
(d) S = f(x; y; z) : x + z = 0g
(e) S = f(x; y; z) : x + z 0g
(f) S = f(x; y; z) : xy = 0g
(g) S = fp (x) = x3 + ax + b : a; b 2 Rg
(h) S = fp (x) = ax3 + b : a; b 2 Rg

3. Estudia la dependencia o independencia lineal de los siguientes conjun-

tos de vectores en R3 :

(a) S = f(0; 1; 0) ; (1; 1; 1) ; ( 1; 0; 1)g

(b) S = f(0; 0; 1) ; (1; 1; 0; ) ; (1; 0; 0)g
(c) S = f(1; 0; a) ; (a; 1; 0) ; (0; a; 1)g
(d) S = f(1; 0; a) ; (a; 1; 0) ; (a; 0; 1)g

4. Estudia la dependencia o independencia lineal de los siguientes conjun-

tos de vectores en P2 (R)

(a) S = f1; 1 + x; 1 + x + x2 g
(b) S = fx; x2 ; x + x2 g
(c) S = f1 x2 ; 1 + x; x2 x; x + x2 g

25
 (d) S = f1 + x2 ; 2 + x2 g

5. Sean f; g; h : fa; b; cg ! R de…nidas como : f (a) = 0; f (b) =

f (c) = 1 ; g (a) = g (c) = 1; g (b) = 0 ; h (a) = h (b) = 1; h (c) =
0. Estudia la dependencia o independencia lineal del conjuntos S =
ff; g; hg.
6. Determina si los siguientes conjuntos de vectores son linealmente de-
pendientes o independientes. En el primer caso, encuentra una com-
binación lineal entre ellos y un subconjunto con un número máximo de
vectores linealmente independientes

(a) S = f(3; 5; 1) ; (2; 1; 3)g

(b) S = f(1; 2; 3) ; (1; 3; 2) ; (0; 1; 1)g
(c) S = f(1; 0; 1; 0) ; (2; 1; 3; 1) ; (0; 1; 1; 1) ; (2; 2; 4; 2)g
(d) S = f1 + 3x + 4x2 ; 4 + x2 ; 3 + x + 2x2 P2 (R)g

7. ¿Para qué valores de el conjunto B = f(a; 1; 0) ; (1; a; 1) ; (0; 1; a)g

3
es una base de R ? Para = 2, calcula las coordenadas del vector
v = ( 1; 1; 3) respecto de dicha base.
8. En P3 (R) se considera la base B = 1; 2 x; (1 x)2 ; (1 x)3 .
Halla las coordenadas del polinomio p (x) = 2 3x + x2 + 2x3 respecto
de dicha base.
9. En P2 (R) se considera el conjunto B = 1; x + 3; (x + 3)2 . Prueba
que es una base, y halla las coordenadas del polinomio p (x) = a +
bx + cx2 respecto de dicha base.
10. Averigua si los vectores u = (1; 1; 0) y w = (2; 3; 1) pertenecen al
espacio vectorial generado por el conjunto de vectores fv1 = (2; 5; 1),
v2 = (3; 4; 1) ; v3 = (5; 9; 2)g.
11. Determina a y b para que el vector (2; a; 3; b) pertenezca al
subespacio generado por los vectores (2; 3; 1; 5) y (0; 2; 1; 3).
12. Sean los conjuntos : A = f(1; 0; 1) ; (1; 1; 0) ; (0; 1; 1)g,
B = f(2; 1; 1) ; (1; 2; 1)g y C = f(2; 1; 1) ; (1; 1; 0)g. Demuestra
que A y B generan el mismo subespacio, y que éste no coincide con
el generado por C.

26
13. Halla una base del espacio vectorial generado por el conjunto de vec-
tores :

v1 = (3; 2; 0; 5) ; v2 = ( 1; 0; ; 3; 4) ; v3 = (2; 2; 3; 1) ; v4 = (0; 2; 9; 17)

14. Se consideran los vectores de R4 : (1 + a; 1; 1; 1) ; (1; 1 + a; 1; 1) ; (1; 1; 1 + a; 1)

y (1; 1; 1; 1 + a) ; a 2 R. Determina, en función de a, la dimensión y
una base del espacio vectorial S que generan.

15. Halla la dimensión y una base del espacio vectorial

a + b + 3c 2a b
M= : a; b; c 2 R
a c a + 2b + 5c

16. Estudia si es subconjunto vectorial de R4 el conjunto de soluciones de

cada uno de los siguientes sistemas :

x1 + x2 = 0
(a) W = (x1 ; x2 ; x3 ; x4 ) 2 R4 :
x3 + x4 = 0
x1 + x2 = 1
(b) W = (x1 ; x2 ; x3 ; x4 ) 2 R4 :
x3 + x4 = 1
En caso a…rmativo, determina una base.

17. Encuentra un sistema de generadores, una base y la dimensión del

subespacio vectorial de soluciones del sistema :
8 9
>
> x 1 + 2x 2 3x 4 + x 5 = 0 >
>
< =
5 x 1 + 2x 2 + x 3 4x 4 x 5 = 0
W = (x1 ; x2 x3 ; x4 ; x5 ) 2 R :
>
> x2 + x3 2x4 x5 = 0 > >
: ;
x1 + x3 2x4 3x5 = 0
2 3
3 1 1
18. Si A = 4 0 3 1 5, determina la dimensión y una base del espacio y
0 0 3
una base del espacio vectorial generado por fAn : n 0g

19. En R3 se consideran S = f(x; y; z) 2 R3 : x = zg y

T = f(x; y; z) 2 R3 : x = x yg :

27
 (a) Prueba que S y T son subespacios vectoriales de R3 :
(b) Encuentra una base de S, y halla las coordenadas de un vector
arbitrario de S respecto de dicha base.
(c) Prueba que BT = f(0; 1; 1) ; ( 1; 1; 0)g es una base de T , y
encuentra las coordenadas de ( 2; 1; 1) 2 T respecto de dicha
base.

20. En R4 se consideran los subespacios vectoriales :

S = Gen (f(1; 0; 1; 1) ; (1; 1; 1; 0) ; (0; 1; 2; 1)g)
T = f(x1 ; x2 ; x3 ; x4 ) 2 R4 : x1 x3 x4 = 0; x2 + x3 = 0g
Obtén las ecuaciones paramétricas e implícitas y una base de S + T y
de S \ T
21. En P3 (R) se consideran los conjuntos
S = fp (x) 2 P3 (R) : p ( 1) = 0g y
T = p (x) 2 P3 (R) : p (x) = ax + bx2 + (a + b) x + 2b
3

(a) Prueba que S y T son subespacios vectoriales

(b) Obtén las ecuaciones paramétricas e implícitas y una base de S
y de T
(c) Calcula S \ T y S + T

22. En M2 2 (R) se consideran los subespacios vectoriales

a b a b
W1 = : a; b 2 R W2 = : a; b; c 2 R
b a c a
Halle la dimensión y una base de los subespacios W1 ; W2 ; W1 + W2 y
W1 \ W2
23. En R4 se consideran los subespacios vectoriales :
8 9
< x1 + x2 + x3 + x4 = 0 =
S = (x1 ; x2 ; x3 ; x4 ) 2 R4 : 2x1 x2 2x3 x4 = 0
: ;
4x1 + x2 + 4x3 + x4 = 0
8 9
>
> x1 = + + >
>
< =
4 x2 = +
T = (x1 ; x2 ; x3 ; x4 ) 2 R : ; ; 2R
>
> x3 = + >
>
: ;
x4 = 3 + 3

28
 Halla bases y dimensiones de S; T; S + T y S \ T
24. En R5 se consideran los subespacios vectoriales
U = Gen (f(1; 0; 1; 0; 0) ; (2; 1; 0; 1; 1) ; (4; 1; 2; 1; 1)g)
W = Gen (f(1; 1; 1; 1; 1) ; ( 2; 0; 0; 0; 3) ; (0; 1; 2; 1; 1) ; (0; 2; 2; 2; 5)g)
Halla bases de U; W; U + W y U \ W.
25. En R3 se consideran los subespacios vectoriales

U = f(x; y; z) : z = 0g y W = Gen (f(0; 1; 1; ) ; (2; 0; 1) ; (2; 1; 2)g)

Halla un sistema de generadores y las dimensiones de los subespacios

U; W; U + W y U \ W .
26. En R4 se consideran los subespacios vectoriales
S = Gen (f(1; 0; 2; 1) ; (0; 1; 2; 0) ; (2; 1; 6; 2)g)
T = Gen (f(1; 1; 4; 1) (1; 0; 0; 1) ; ( 1; 2; 2; 1)g)
Demuestre que dim (S + T ) = 3 y que dim (S \ T ) = 2
27. En R3 se consideran los subespacios :

U = f(a; b; c) : a = c; a; b; c 2 Rg
V = f(0; 0; c) : c 2 Rg
W = f(a; b; c) : a + b + c = 0; a; b; c 2 Rg

Prueba que ¿Cuál de las sumas anteriores es directa ?

28. En R3 se consideran los subespacios vectoriales :

S = Gen (f(1; 0; 1) ; (1; 1; 1) ; (2; 1; 0)g)

T = Gen (f(1; 0; 1) ; (0; 0; 1) ; (3; 09; 1)g)

Halla un subespacio U tal que R3 = S no sea suma directa

29. En R4 se consideran los subespacios vectoriales :

S1 = Gen (f(1; 0; 1; 0) ; (2; 1; 0; 2) ; (0; 1; 2; 2)g)

S2 = Gen (f(1; 1; 1; 0) ; ( 1; 1; 1; 2)g)

¿Es S1 + S2 suma directa? Halla una base de dicha suma.

29
30. Determina a; b 2 R para que el vector v = (2; a; b; 1) pertenezca
al subespacio vectorial S = Gen (f(1; 0; 2; 0) ; (0; 1; 1; 1)g). Obtén un
subespacio suplementario de S en R4 .

31. En P3 (R) se consideran los subespacios vectoriales :

V = Gen 1 + x3 ; 1 + x + x2 ; 2x x2 ; 2 + 3x2
W = Gen 1 + 3x2 x2 x3 ; 1 + 4x + x2 x3 ; 2x x2

Demuestra que W V y halla un suplementario de en W en V .

32. En P3 (R) se consideran los subespacios vectoriales :

V = Gen x + x2 ; x x2 ; 2x + x2
W = a + bx + cx2 + dx3 : b + c = 0; 2b c = 0
T = a + bx + cx2 + dx3 : a = 0; b = ; c = 0; d = + ; ; 2R

(a) Halla V \ W y V + W . ¿ Son V y W suplementarios ?

(b) Halla una base de W \ T y las ecuaciones implícitas de V + T

Soluciones :

1. No

2. (a) ; (b) ; (d) y (h) Si ; (c) ; (e) ; (f ) y (g) No.

3. (a) 1.d. ; (b) 1.i. ; (c) 1.d. si a = 1, y 1.i. si a 6= 1 ; (d) 1.i. si

a 6= 1, y 1.d. si a = 1:

4. (a) y (d) 1.i. ; (b) y (c) 1.d.

5. Son 1.i.

6. (a) l.i. (b) l.d., fv1 = (1; 2; 3) ; v2 = (1; 3; 2)g es l.i. y

v3 = (0; 1; 1) = v1 v2 ; (c) l.d., fv1 = (1; 0; 1; 0) ; v2 = (0; 1; 1; 1)g
1
7. Es base para a 6= 0 y a2 6= 2. Para a = 2; v = 2
; 0; 23 B
.

8. p (x) = 2 3x + x2 + 2x3 = [(2; 5 7)]B .

30
 9. p (x) = a + bx + cx2 = [(a 3b + 9c; b 6c; c)]B .

10. u 2 Gen (fv1 ; v2 ; v3 g), siendo u = v1 + v2 ; y w 2

= Gen (fv1 v2 v3 g).

11. a = 1 y b = 11.

12. Gen (A) = Gen (B) = Gen (f(1; 0; 1) (0; 1; 1)g) = S, y Gen (C) 6= S
porque (1; 1; 0) 2
= S.

13. B = f(3; 2; 0; 5) (0; 2; 9; 7) ; (0; 0; 3; 4)g

14. Si a = 0 : dim S = 1 y B = f(1; 1; 1; 1)g

Si a = 4 : dim S = 3 y B = f(1; 1; 1; 3) ; (0; 1; 0; 1) ; (0; 0; 1; 1)g
Si a 6= 0 y a 6= 4 : dim S = 4, es decir S = R4 , y una base es la
canónica
1 2 0 3
15. dim M = 2 y B = E1 = ; E2 =
1 1 1 1

16. (a) Sí, es un subespacio vectorial de dimensión 2 y base

f( 1; 1; 0; 0) ; (0; 0; 1; 1)g
(b) No es un subespacio vectorial

17. Un sistema generadores y base es f(1; 1; 1; 1; 0) ; (1; 1; 2; 0; 1)g. Su

dimensión es 2.
8 0 1 0 1
< 1 0 0 0 1 0
18. La dimensión es 3, y la base I = @ 0 1 0 A ; B = @ 0 0 1 A ,
:
0 0 1 0 0 0
0 19
0 0 1 =
C=@ 0 0 0 A
;
0 0 0

19. (b) BS = f(1; 0; 1) ; (0; 1; 0)g y u = (a; b; a) = [a; b]BS

(c) ( 2; 1; 1) = [ 1; 2]BT
8
>
> x1 =
<
x2 =
20. S + T : ; ; ; 2 R; x1 + x2 x4 = 0 ;
>
> x3 = +
:
x4 = +

31
 y BS+T = f(1; 0; 1; 1) ; (0; 1; 0; 1) ; (0; 0; 1; 0)g.
8
> x1 = 3 8
>
< < x1 + 2x2 x3 = 0
x2 =
S\T : ; 2 R; x2 x3 + x4 = 0; y BS\T = f(3; 1; 1; 2)g .
>
> x3 = :
: 2x3 x4 = 0
x4 = 2

21. (b) Representando p (x) = a0 + a1 x + a2 x2 + a3 x3 = (a0 ; a1 ; a2 ; a3 ),

respecto de la base usual en P3 (R)
8
>
> a0 = +
<
a1 =
S: ; ; ; 2 R; a0 a1 + a2 a3 = 0;
>
> a2 =
:
a3 =
y BS = f(1; 1; 0; 0) = 1 + x; ( 1; 0; 1; 0) = 1 + x2 ; (1; 0; 0; 1) = 1 + x2 g.
8
> a0 = 2
>
<
a1 = + a0 2a2 = 0
T : ; ; 2 R; ;
>
> a2 = a1 a2 a3 = 0
:
a3 =
y BT = f(0; 1; 0; 1) = x + x3 ; (2; 1; 1; 0) = 2 + x + x2 g.
8
> a0 = 2 8
>
< < a0 a1 + a2 a3 = 0
a1 = 2
(c) S \ T : ; 2 R; a0 2a2 = 0
>
> a2 = :
: a1 a2 a3 = 0
a3 =
y BS\T = f(2; 2; 1; 1) = 2 + 2x + x2 + x3 g.
S + T = P3 (R)
1 0 1 0
22. dim V1 = 2 y BV1 = ;
0 1 1 0
1 0 0 1 0 0
dim V2 = 3, y BV2 = ; ;
0 1 0 0 1 0
dim (V1 + V2 ) = 4, luego V1 + V2 = M2 2 (R) y una base es la usual
0 1
dim (V1 \ V2 ) = 1, y BV1 \V2 = .
1 0

23. dim S = 2, y BS = f(1; 0; 1; 0) ; (0; 1; 0; 1)g

dim T = 2, y BT = f(2; 1; 0; 3) ; ( 1; 0; 1; 0)g

32
 dim (S + T ) = 3, y BS+T = f(1; 0; 1; 0) ; (0; 1; 0; 1) ; (0; 0; 1; 2)g
dim (S \ T ) = 1, y BS\T = f(1; 0; 1; 0)g

24. BU = f(1; 0; 1; 0; 0) ; (0; 1; 2; 1; 1)g

BW = f(1; 1; 1; 1; 1) ; (0; 1; 2; 1; 1) ; (0; 0; 2; 0; 1)g
BU +W = f(1; 0; 1; 0; 0) ; (0; 1; 2; 1; 1) ; (0; 0; 1; 0; 0) ; (0; 0; 0; 0; 1)g
BU \W = f(0; 1; 2; 1; 1)g

25. dim U = 2, y BU = f(1; 0; 0) ; (0; 1; 0)g

dim W = 2, y BU = f(2; 0; 1) ; (0; 1; 1)g
dim (U + W ) = 3, luego U + W = R3 y
BU +W = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g
dim (U \ W ) = 1; y BU \W = f(2; 1; 0)g

26. dim S = 2; dim T = 3, y dim (S + T ) = 3, de donde dim (S \ T ) =

2. Por lo tanto, S + T = T y S \ T = S, es decir S T

27. R3 = U V =V W , y la suma U + W no es directa.

28. U = Gen (f0; 0; 1g)

29. La suma S1 +S2 no es directa. BS1 +S2 = f(1; 0; 1; 0) ; (0; 1; 2; 2) ; (0; 0; 1; 1)g.

30. a = 1 y b = 5. R4 = S T , con T = Gen (f(0; 0; 1; 0) ; (0; 0; 0; 1)g)

31. W V =W U con U = Gen (f3x2 2x3 g).

32. (a) V \ W = f0g y V + W = P3 (R), luego V y W son suplemen-

tarios.
(b) BW \T = fx3 g. Las ecuaciones implícitas de V + T son a = 0.

33
2 Transformaciones lineales
2.1 Transformación
Sean V y W dos espacios vectoriales sobre el mismo cuerpo K (en general,
R o C). Una función T : V ! W se llama transformación lineal u
homomor…smo si
T (u + v) = T (u) + T (v) ; 8 u; v 2 V
T ( u) = T (u) ; 8 u 2 V; 8 2 K
Estas dos condiciones son equivalentes a la única condición :

T ( u + v) = T (u) + (v) ; 8 u; v 2 V; 8 ; 2K

2.2 Ejemplos
1. Las siguientes aplicaciones, T : R2 ! R2 , son transformaciones
lineales :

(a) Homotecia : T (u) = u, con 2R

(b) Proyección : T (x; y) = (x; 0)
(c) Simetría : T (x; y) = (x; y)

2. Si A 2 Mm n (R), la aplicación T : Rn ! Rn de…nida por

T (u) = Au es una transformación lineal (asociada a la matriz A).
Obviamente, para que tenga sentido el producto Au, se entiende que
el vector u se escribe en columna, como se hará siempre que esté
implicado en operaciones matriciales.
2 3
1 1
3. La transformación lineal asociada a la matriz A = 4 1 0 5 es
1 2
T : R2 ! R3 de…nida por :
2 3 2 3 8
1 1 x y <x0 = x y
x
T (x; y) = 4 1 0 5 =4 x 5 =) y0 = x
y : 0
1 2 x + 2y z = x + 2y

34
2.3 Propiedades
Si T : V ! W es una transformación lineal, se cumple :

1. T (0) = 0

2. T ( u) = T (u)

3. S subespacio vectorial de V =) T (S) es subespacio vectorial de W

1
4. S subespacio vectorial de W =) T (S) es subespacio vectorial de
V

2.4 Núcleo e imagen de una transformación lineal

Si T : V ! W es una transformación lineal, se llama imagen al subespacio
vectorial de W; Im T = T (V ), y núcleo o kernel al subespacio vectorial de
V; KerT = T 1 (f0g) = fv 2 V : T (v) = 0W g.

2.5 De…niciones
Una transformación lineal (homomor…smo) se llama monomor…smo si es
inyectiva, epimor…smo si es sobreyectiva, e isomor…smo si es biyectiva.
Cuando los espacios inicial y …nal coinciden, la transformación lineal y el
isomor…smo se suelen llamar endomor…smo y automor…smo, respectiva-
mente.

2.6 Condición necesaria y su…ciente de monomor…smo

Sea T : V ! W es una transformación lineal. Entonces

T es monomor…smo () KerT = f0g

Demostración
(=)) Si T es inyectiva, entonces :

T (u) = 0 =) T (u) = T (0) =) u = 0

luego KerT = f0g

35
 ((=) Inversamente, si KerT = f0g, entonces

T (u) = T (v) =) T (u v) = 0 =) u v = 0 =) u = v

luego T es inyectiva.

2.7 Dimensión del subespacio imagen

Sea T : V ! W es una transformación lineal. Si B = fv1 ; v2 ; :::; vn g es
una base de V , entonces

Im T = Gen (fT (v1 ) ; T (v2 ) ; :::; T (vn )g) y, en consecuencia

dim Im T dim V

Demostración : Si w 2 Im T, existe v = (x1 ; x2 ; :::; xn )B 2 V tal que

!
Xn Xn
w = T (v) = T xi vi = xi T (vi )
i=1 i=1

luego w 2 Gen (fT (v1 ) ; T (v2 ) ; :::T (vn )g). Inversamente, si

w 2 Gen (fT (v1 ) ; T (v2 ) ; :::; T (vn )g), entonces
!
X n Xn Xn
w= i T (vi ) = T i vi y v= i vi 2 V
i=1 i=1 i=1

luego w 2 Im T .

2.8 Determinación de una transformación lineal

Si B = fv1 ; v2 ; :::vn g es una base de V y fw1 ; w2 :::; wn g son n vectores
cualesquiera de W , entonces existe una única transformación lineal
T : V ! W tal que

T (vi) = wi , para 1 i n
P
Demostración : Para cada v = ni=1 xi vi 2 V se de…ne

X
n
T (v) = xi wi
i=1

36
 Es fácil ver que T es transformación lineal y que T (vi ) = wi ; para
1 i n. Además es única, pues si T1 : V ! W veri…ca la misma
condición, entonces
!
Xn Xn X
n
T1 (v) = T1 xi vi = xi T1 (vi ) = xi wi = T (v)
i=1 i=1 i=1

2.9 Observaciones
Si T : Rn ! Rn viene de…nida por T (u) = Au; A 2 Mm n (R), entonces
- KerT son las soluciones del sistema homogéneo Au = 0
- Si B = fe1 ; e2 ; :::; en g es la base canónica de Rn , entonces
Im T = Gen (fT (e1 ) ; T (e2 ) ; :::; T (en )g) = Gen (fc1 ; c2 ; :::; cn g)
donde ci es la columna i-ésima de la matriz A.

2.10 Ejemplo
Si T : R23 ! R3 es
3 la transformación lineal asociada a la matriz
1 0 1
A = 4 0 1 0 5, entonces
1 1 1
Im T = Gen (f(1; 0; 1) ; (0; 1; 1) ; (1; 0; 1)g) = Gen (f(1; 0; 1) ; (0; 1; 1)g)
KerT = fu : Au = 0g = Gen (f(1; 0; 1)g)
ya que
2 3 2 3 8
1 0 1 1 0 1 < x=
4 0 1 0 5 ! 4 0 1 0 5 =) y=0 ; 2R
:
1 1 1 0 0 0 z=

2.11 Matriz asociada a una transformación lineal

Como se ha visto, una transformación lineal T : V ! W queda unívoca-
mente determinada por las imágenes de los elementos de una base
BV = fv1 ; v2 ; :::; vn g de V . Si BW = fw1 ; w2 ; :::; wm g es una base de
W, y
X
m
T (vj ) = aij wi ; 1 j n
i=1

37
entonces la imagen de cualquier u = (x1 x2 ; :::; xn )BV 2 V , expresada en la
base BW de W , es
!
Xn X n X n Xm
T (u) = T xj vj = xj T (vj ) = xj aij wi
j=1 j=1 j=1 j=1
!
X
m X
n
= aij xj wi
i=1 j=1
0 Pn 1 2 32 3
a1j xj a11 a12 a1n x1
B Pj=1
B
n
j=1 a2j xj C
C 6
6 a21 a22 a2n 7
76
6 x2 7
7
= B .. C = 6 .. 76 .. 7 = Au
@ . A 4 . 54 . 5
Pn
j=1 amj xj am1 am2 amn xn

donde las columnas de la matriz A 2 Mm n (R), llamada matriz asociada

a la transformación respecto de las bases BV y BW , son las coordenadas
en la base BW de las imágenes de los vectores de la base BV . Se suele
indicar A = [T ]B W
BV ó [T ]BV BW
Fijadas las bases BV y BW , a cada transformación lineal le corresponde
una matriz y viceversa.
En el caso particular de que V = W y que la base B en ambos es la
misma, se indica simplemente A = [T ]B

2.12 Ejemplo
La matriz asociada a la transformación lineal T : R4 ! R3 de…nida,
respecto de las bases canónicas, por

T (x1 ; x2 ; x3 ; x4 ) = (x1 + x4 ; x1 + x2 + x3 ; x1 + x2 + x3 )

es 2
3
2 3x1
1 0 0 1 6
x2 7
T (x1 ; x2 ; x3 ; x4 ) = 4 1 1 1 0 5 6 7
4 x3 5
1 1 1 0
x4

38
 Para hallar el núcleo, se resuelve el sistema :
8
>
> x1 =
<
x1 + x4 = 0 x2 =
T (u) = Au = 0 =) =) ; ; 2R
x1 + x2 + x3 = 0 >
> x3 =
:
x4 =
de donde KerT = f(1; 0; 1 1) ; (0; 1; 1; 0)g. La imagen es
Im T = f(1; 1; 1) ; (0; 1; 1) ; (0; 1; 1) ; (1; 0; 0)g = f(1; 0; 0) ; (0; 1; 1)g

2.13 Dimensiones de la imagen y el núcleo

Si T : V ! W es una transformación lineal, entonces
dim (KerT ) + dim (Im T ) = dim V

Demostración : Sean dim V = n; dim (KerT ) = r n, y

B1 = fv1 ; :::; vr g una base del KerT
B = fv1 ; :::; vr ; vr+1 ; :::; vn g una base de V
Entonces B2 = fT (vr+1 ) ; :::; T (vn )g es una base de Im T , ya que
- B2 es un sistema de generadores :
Xn
w 2 Im T =) w = T = v con v = xi vi 2 V
i=1
!
X
n X
n X
n
=) w = T (v) = T xi vi = xi T (vi ) = xi T (vi )
i=1 i=1 i=r+1

- B2 es linealmente independiente :
!
X
n X
n X
n

iT (vi ) = T i vi = 0 =) i vi 2 KerT
i=r+1 i=r+1 i=r+1
X
n X
r
=) i vi = ( i ) vi
i=r+1 i=1
Xn
=) i vi = 0 =) i = 0; 1 i n
i=1
=) i = 0; r + 1 i n

39
 Por lo tanto dim (KerT ) + dim (Im T ) = dim V

2.14 Rango de una transformación lineal

Si S es la matriz asociada a una transformación lineal T : V ! W ,
respecto de las bases BV y BW , entonces, puesto que el núcleo es el
espacio de soluciones del sistema Au = 0, se ha de cumplir que
dim (KerT ) = dim V rA =) dim (Im T ) = rA
Luego el rango de cualquier matriz asociada a T (respecto de bases
cualesquiera), que se llama rango de la tranformación lineal, ha de ser
constante e igual a la dimensión de la imagen.

2.15 Proposición
Si T : V ! W es una transformación lineal con dim V = dim W = n < 1,
entonces
T es isomor…smo () es monomor…smo () es epimor…smo

Demostración :
T es epimor…smo () dim (Im T ) = dim W = n () dim (KerT ) =
0 () T es monomor…smo

2.16 Composición de transformaciones lineales

Si T1 : U ! V y T2 : V ! W son transformaciones lineales, entonces
T2 T1 : U ! W es transformación lineal, y
[T2 T1 ]B W BW
BU = [T2 ]BV [T1 ]B
BU
V

Demostración : Sean A = [T2 T1 ]B W BW

BU , B = [T2 ]BV y C = [T1 ]B V
BU .
Entonces
(T2 T1 ) (uBU ) = T2 (T1 (uBU )) = T2 (Cu)BV = (BCu)BW =) A = BC

40
2.17 Ejemplo
Si T1 : R2 ! R3 y T2 : R3 ! R2 vienen de…nidas por
2 3 2 3
1 1 x
4 x 1 0 1
T1 (x; y) = 0 1 5 T2 (x; y; z) = 4 y 5
y 0 1 0
1 1 z
respecto de las bases canónicas, entonces T2 T1 : R2 ! R2 y
T1 T2 : R3 ! R3 vienen de…nidas por
2 3
1 1
1 0 1 4 x
(T2 T1 ) (x; y) = 0 1 5
0 1 0 y
1 1
0 0 x 0
= =
0 1 y y
2 3 3 2
1 1 x
1 0 1 4 5
(T1 T2 ) (x; y; z) = 4 0 1 5 y
0 1 0
1 1 z
2 32 3 2 3
1 1 1 x x y+z
= 4 0 1 0 54 y 5=4 y 5
1 1 1 z x+y z
respecto de las bases canónicas.

2.18 Matriz de un cambio de base

Sea V un espacio vectorial de dimensión n y sean
B = fv1 ; :::; vn g y B 0 = fv10 ; :::; vn0 g
dos bases de V . La transformación que hace corresponde a cada vector
v 2 V en la base B el mismo vector expresado en la base B 0 es la
transformación identidad :
0
Id : VB !VB
[u]B ! [u]B 0 = A [u]B
donde A 2 Mn n (R) es la matriz cuya columna i-ésima es la imagen de
vi , es decir, las coordenadas de vi en la base B 0 .

41
 Puesto que esta transformación es un isomor…smo, rA = n y la matriz
A es invertible. Su inversa A 1 es la que pasa de las coordenadas respecto
de B 0 a las coordenadas respecto de B. Resumiendo :
0
A = [Id]B
B = [[v1 ]B 0 ; :::; [vn ]B 0 ] y A [u]B = [u]B 0
A 1
= [Id]B
B0 = [[v10 ]B ; :::; [vn0 ]B ] y A 1
[u]B 0 = [u]B

2.19 Ejemplo
Si es R3 se considera la base canónica Bc = fe1 ; e2 ; e3 g y la base

B = fv1 = (1; 0; 1) ; v2 = (0; 1; 2) ; v3 = (1; 1; 0)g

entonces 2 3
1 0 1
A = [Id]B
B
c
=4 0 1 1 5 y [u]BC = A [u]B
1 2 0
De esta manera, si u = (3; 2; 1)B , entonces
2 32 3 2 3
1 0 1 3 2
[u]Bc = 4 0 1 1 54 2 5 = 4 1 5
1 2 0 1 1

es decir u = (2; 1; 1)Bc = (2; 1; 1). Además :

2 3
2 2 1
A 1
= [Id]B = 4 1 1 1 5 y [u]B = A 1
[u]Bc
Bc
1 2 1

de donde e1 = [2; 1; 1]B ; e2 = [1; 1; 1]B y e3 = [ 1; 2; 1]B .

2.20 Cambios de base en una transformación lineal

Sea T : V ! W una transformación lineal cuya matriz, respecto de las
bases BV en V y BW en W , es A. ¿Cuál es la matriz asociada a T
respecto de nuevas bases BV0 en V y BW
0
en W ?

42
 Sean P = [IdV ]B V
BV0 y Q = [IdW ]B
BW
W
0 las matrices del cambio de base en
V y W , respectivamente. Observando el diagrama
V BV A! W BW
x ?
? ?
? ?
? P ? Q 1
? ?
? y
0 0
V BV C ! W BW

se deduce que
B0 1
C = [T ]BW
0 =Q AP
V

2.21 Ejemplo

Sea T : R3 ! R3 la transformación lineal que respecto de la base canónica

Bc tiene asociada la matriz
2 3 2 32 3
1 0 2 1 0 2 x
4
A = [T ]Bc = 1 5 4
1 3 , es decir T (x; y; z) = 1 1 3 5 4 y 5
1 1 1 1 1 1 z
1. ¿ Cuál es la matriz asociada a T respecto de la base
B = fv1 = (1; 0; 1) ; v2 = (0; 1; 2) ; v3 = (1; 1; 0)g ?

Se construye el diagrama
Bc B
(R3 ) A! (R3 ) c
x ?
? ?
? ?
? P ? P 1
? ?
? y
B B
(R3 ) C! (R3 )
2 3
1 0 1
donde P = [Id]B
B
c
=4 0 1 1 5 y entonces
1 2 0
2 3
2 1 4
C = [T ]B = P 1 AP = 4 1 2 3 5
3 3 3

43
 es decir, que si u = [x; y; z]B entonces su imagen, también expresada
en la base B, es
2 32 3
2 1 4 x
T (x; y; z) = 4 1 2 3 5 4 y 5
3 3 3 z

2. ¿ Cuál es la matriz asociada a T respecto de la base B en el espacio

inicial y la base canónica en el espacio …nal ? Siendo I la matriz
identidad, el nuevo diagrama, y la matriz buscada, son
Bc Bc
(R3 ) A! (R3 )
x ?
? ?
? ?
? P ? I
? ?
? y
B Bc
(R3 ) C ! (R3 )
23
1 4 1
de donde D = [T ]B
B
c
= IAP = AP = 4 2 5 0 5
0 3 2

44
 GUÍA DE EJERCICIOS
UNIDAD: TRANSFORMACIONES LINEALES

1. Estudia la linealidad de las siguientes transformaciones :

(a) T : R2 ! R3 , de…nida por T (x; y) = (x + y; x y; x)

(b) T : R ! R2 , de…nida por T (x) = ( 3x; 2x)
(c) T : R2 ! R2 , de…nida por T (x; y) = (x + y; 1)
(d) T : R2 ! R, de…nida por T (x; y) = xy
(e) T : R2 ! R3 , de…nida por T (x; y) = (x cos ysen ; xsen + y cos ),
con 0 <2
(f) T : R3 ! P2 (R), de…nida por T (a; b; c) = a + bx + cx2

2. Estudia la linealidad de las siguientes transformaciones

(a) T : Mn n (R) ! fA 2 Mn n (R) : A = A2 g, de…nida por

t
T (A) = A+A
2
(b) T : M2 2 (R) ! fA 2 Mn n (R) : A = At g, de…nida por
T (A) = AAt
(c) T : P2 (R) ! Pn (R), de…nida por T (p (x)) = p (x + 1)
(d) T : P2 (R) ! Pn (R), de…nida por T (p (x)) = p (x) + 1

3. Prueba que las siguientes transformaciones, de…nidas sobre el espacio

vectorial de los polinomios P (R), son lineales. Obtén la imagen y el
núcleo de cada una de ellas.

(a) T (p (x)) = p0 (x)

Rx
(b) T (p (x)) = 0 p (t) dt

4. Sean T1 , T2 : R3 ! R2 de…nidas por

(a) T (1; 1; 0) = (2; 1) ; T (0; 1; 2) = (1; 1) ; T (3; 0; 1) = (0; 3)

(b) T2 (1; 1; 0) = (2; 1) ; T2 (0; 1; 2) = (1; 1) ; T2 (1; 2; 2) = ( 1; 4),
T3 (3; 0; 1) = (0; 3)

45
 Averigua si son homomor…smos y, en caso a…rmativo, si son monomor-
…smo, epimor…smo o isomor…smo.

5. Sea T : P3 (R) ! R de…nida sobre el conjunto

p1 (x) = 1 + x2 + 2x3 ; p2 (x) = 1 + x; p3 (x) = p4 = (x) = x x3

como T (p1 ) = x 1; T (p2 ) = 1 + 3x2 ; T (p3 ) = x2 y T (p4 ) = 1

(a) ¿ Es transformación lineal ?

(b) ¿ Existe una transformación lineal
T1 : Gen (fp1 ; p2 ; p3 g) ! P2 (R) tal que T1 (p1 ) = 2x
3: T1 (p2 ) = x2 1, T1 (p3 ) = 1 + x ?
(c) Extiende la aplicación T1 a una aplicación lineal
T2 : P3 (R) ! P2 (R) tal que T2 (pi ) = T1 (pi ) ; i = 1; 2; 3 y
KerT2 = Gen (f1 + x + x2 g).

6. Halla una transformación lineal T : R3 ! R3 tal que

KerT = f(x; y; z) : x + z = 0g, T (1; 0; 0) sea proporcional a (0; 0; 1)
y
T T = T . ¿ Es T única ?

7. Halla una transformación lineal T : R4 ! R3 tal que

KerT = Gen (f(2; 1; 0; 1) ; (0; 1; 3; 0)g) Im T = (f(0; 1; 2) ; (1; 1; 0)g)

8. Halla una aplicación lineal T : R3 ! R3 tal que

KerT = Gen (f(0; 0; 1)g) Im T = Gen (f(1; 0; 1) ; (1; 1; 1) ; (2; 1; 0)g)

9. En R3 se consideran los subespacios W1 = Gen (f(0; 1; 0) ; (1; 1; 0)g)

y W2 = Gen (f(1; 0; 1)g)

(a) Expresa cada vector u = (x; y; x) 2 R3 como suma de un vector

uW1 2 W1 y otro uW2 2 W2
(b) Demuestra que la aplicación T : R3 ! R3 , de…nida por
T (u) = uW1 es lineal

46
 (c) Si W es un subespacio vectorial de R3 de dimensión 2, ¿ cuál
es la dimensión de T (W ) ?

10.

(a) Sean T1 ; T2 : V ! V transformaciones lineales. Prueba que

Ker (T2 T1 ) = T1 1 (ker T2 \ Im T1 )
(b) Sea T : R3 ! R3 de…nida por T (x; y; z) = (x + 2z; x + 3y; 3y 2z).
Obtén una base de T 1 (ker T \ Im T ).

11. Sea B = fv1 ; v2 g una base de V , y T1 y T2 dos endomor…smos

sobre V de…nidos por

T (v1 ) = 3v1 + v2 T (v1 ) = v1 + v2

T (v2 ) = v1 v2 T2 = v1

Encuentra las matrices, respecto de la base B, asociada a T1 ; T2 ; T1 T2 ,

T2 T1 y T1 3T2

12. Sea T : R3 ! R3 la aplicación2 lineal3cuya matriz, respecto de la base

1 3 2
canónica fe1 ; e2 ; e3 g, es 4 0 1 1 5. Calcula T (e1 ) ; T (e2 ) ; T (e3 )
2 1 0
y T (e1 + 2e2 e3 ) . ¿ Es un isomor…smo ?

13. Sea T : R3 ! R23 la aplicación

3 lineal cuya matriz, respecto de la
2 0 1
base canónica es 4 3 1 1 5. Encuentra bases de la imagen y
1 1 1
del núcleo.

14. Encuentra la matriz, respecto de las bases usuales en los correspondi-

entes espacios, de las siguientes aplicaciones lineales :

1
(a) T : M2 2 (R) ! M2 1 (R), de…nida por T (A) = A
1
(b) T : M2 (R) ! M2
2 2 (R), de…nida por
1 1 1 1
T (A) = A A.
0 1 0 1

47
 (c) T : P3 (R) ! P3 (R), de…nida por T (1) = x2 + 1,
T (x) = x + 2; T (x2 ) = x3 x
R1
(d) T : P3 (R) ! R2 , de…nida por T (p (x)) = p (1) ; 0
p (x) dx

15. Sea T : P3 (R) ! M2 2 (R) de…nida por

a+b a
T (a + bx + cx2 + dx3 ) = . Obtén la matriz de la
c d a b
transformación lineal, su imagen y su núcleo.

16. Sea T : R3 ! R4 la transformación lineal de ecuaciones

8
>
> y1 = x + 2x
<
y2 = x y z
>
> y3 = 2y 3z
:
y4 = x z

(a) Halla las ecuaciones paramétricas e implícitas de KerT e Im T

(b) Si W = Gen (f(1; 1; 1; 0) ; (0; 1; 1; 2)g), halla las ecuaciones paramétri-
cas e implícitas de T 1 (W )

17. Sean T : R3 ! M2 2 (R) y T2 : M2 2 (R) ! P3 (R) las transfor-

maciones de…nidas por

x1 x2 x2 x
T1 (x1 ; x2 ; x3 ) = T2 (A) = (1 x) A
x2 x2 x3 x2

(a) Prueba que son transformaciones lineales.

(b) Halla sus matrices respecto de las bases canónicas. ¿ Cuáles son
sus rangos ?
(c) Halla sus núcleos e imágenes.
(d) Halla la matriz de T2 T1 , su rango, y su núcleo e imagen.

18. En R3 se de…ne el 2
endormor…smo
3 T cuya matriz, respecto de la base
a 1 1
canónica, es Aa = 4 1 a 1 5
1 1 a

48
 (a) Halla los valores de a para los que T no es automor…smo. En
estos casos, halla bases del núcleo y de la imagen
(b) Para a = 2, encuentra un vector u 6= 0 tal que
T (u) 2 Gen (fug)

19. Sea W el subespacio vectorial de M2 2 (R) de…nido por

+ 2
W = : ; 2R
+2

(a) Construye T : M2 2 (R) ! R3 tal que KerT = W

(b) ¿ Existe T : M2 2 (R) ! R3 que veri…que (a) y sea epimor-
…smo ?

20. Sea T : R3 ! R3 una transformación lineal tal que

T (0; 0; 1) = (2; 5; 3) y T (v) = 3v, para todo
v 2 S= f(x; y; z) : x + z = 0g. Halla su matriz respecto de la base
2x + 4y + 3z = 0
canónica y T 1 (r) donde r es la recta de ecuaciones
x + 2y + z = 0

21. Sea T : R3 ! R4 la aplicación lineal de…nida por la matriz

2 3
1 2 1
6 0 1 0 7
A=6 4 1
7
1 0 5
1 1 1

(a) Halla el valor de a para que (1; a; a; 0) 2 Im T

1
(b) Halla T (1; 0; 0; 0)
(c) En R3 se considera el subespacio vectorial U generado por la
base B1 = f(1; 1; 1) ; (1; 1; 0)g y en R4 el subespacio vectorial W
generado por la base B2 = f(1; 0; 0; 1) ; (1; 1; 1; 1) ; (2; 0; 1; 1)g.
Halla la matriz de T : U ! W respecto de las bases dadas.

22. Halla las matrices del cambio de base de B1 a B2 en los siguientes

casos :

(a) B1 = f(1; 1) ; (3; 1)g y B2 = f(1; 0) ; (0; 1)g

49
 (b) B1 = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g y B2 = f(2; 3; 4) ; (1; 2; 6) ; (1; 3; 5)g

23. Sea V un espacio vectorial de dimensión 3 sobre R, y sean

B = fe1 ; e2 ; e3 g y B 0 = fe01 ; e02 ; e03 g dos bases de V relacionadas por
las ecuaciones :

e01 = 2e1 e2 e3 e02 = e2 e03 = 2e2 + e3

Encuentra los vectores de V que tienen las mismas coordenadas re-

specto de ambas bases.

24. Sea T : R3 ! R3 una transformación lineal tal que :

T (1; 1; 1) = (1; 1; 0) ; T ( 1; 1; 1) = (0; 0; 1) y T ( 1; 2; 1) = (0; 0; 0)

(a) Halla su matriz respecto de la base canónica

(b) Halla su matriz respecto de la base
B = f(1; 1; 1) ; ( 1; 1; 1) ; ( 1; 2; 1)g

0 1 1 0 4 1 5 0
25. Sean A = ; B= ; C= ; D= ;
3 1 2 0 3 2 2 1
S = Gen (fA; B; Cg) y T : S ! P2 (R) de…nida por T (A) =
x; T (B) = x2 + 1 y T (C) = x2 + x + 1

(a) Halla bases del núcleo, de la imagen de T . Halla las ecuaciones

de T respecto de las bases B1 = fA; B; Cg y B2 = f1; x; x2 g,
3 0
y respecto de las bases B3 = A; B; E = y
2 1
B4 = fx; x2 + 1; 1g
(b) Estudia si existe algún homomor…smo T : S ! P2 (R) tal que
T (A) = x, T (B) = x2 + 1; T (C) = x2 + x + 1 y T (D) = 2x2 + x

26. Sea B = fe1 ; e2 ; e3 g la base canónica de R3 y T : R3 ! R3

de…nida por

T (e1 ) + T (e2 ) = ae1 + (a + 1) e2 + e3

T (e1 ) + T (e3 ) = e1 + ae2 + 2e3
T (e3 ) = e1 + e3

50
 (a) Halla la matriz de T respecto de B. ¿ Para qué valores de a
es T biyectiva ?
(b) Para a = 1 se considera el subespacio vectorial.
W = Gen (f(1; 1; 0) ; (2; 0; 1)g). ¿ Es KerT W = R3 ? ¿ Es
Im T K erf = R3 ? Calcula T 1 ( 2; 2; 0)
(c) Para a = 2, sea B 0 = fu1 = e1 e2 ; u2 = e3 ; u3 = 2e3 g. Prueba
que B 0 es base y halla la matriz de T respecto de B 0

27. Sea T : R3 ! R3 una aplicación lineal tal que dim (Im T ) = 1, las
ecuaciones del KerT respecto de la base
B 0 = fu1 = (1; 0; 0) ; u2 = (1; 1; 0) ; u3 = (1; 1; 1)g son
x0 + y 0 = 0
, y tal que existe v = (b; 0; 0) 6= (0; 0; 0)
ax0 y 0 + (a + 1) z 0 = 0
veri…cando que
T (v) = T 2 (v) = u1 + u2 + u3 . Halla las ecuaciones de T respecto
de la base canónica

28. Sea Tk = R3 ! 2 R3 una aplicación

3 lineal cuya matriz respecto de la
1 0 1
base canónica es 4 1 k 0 5 ; k 2 R
2 1 1

(a) ¿ Para qué valores de k es Tk isomor…smo ?

(b) Halla,
2 si es posible,
3 bases respecto de las cuales la matriz de T1
1 0 0
es 4 0 1 0 5
0 0 0
1
(c) Halla T (S) donde S = Gen (f(2; 1; 1) ; ( 3; 2; 1)g)

29. Sea T : R3 ! R3 una aplicación lineal y B = fe1 ; e2 ; e3 g la base

canónica. Sabiendo que dim (KerT ) = 2; e1 e2 2 Im T; T 2 = T
y que la matriz de T respecto de B coincide con la matriz de T
respecto de B 0 = fu1 ; u2 ; u3 g, siendo B 0 la base de R3 tal que
u1 = 2e1 e2 ; u2 = e1 + 2e2 + 2e3

(a) Halla la matriz de T respecto de B

51
 (b) Halla las ecuaciones implícitas de KerT y de Im T

30. Sea T : M2 2 (R) ! P2 (R) la transformación lineal de…nida por

a b
T = a x + x2 + bx + dx2
c d

(a) Halla la matriz de T respecto de las bases usuales

(b) Halla una base de Im T , y un suplementario Im T en P2 (R)
(c) Halla una base de S = KerT , un suplementario W de S en
2 4
M2 2 (R), y escribe la matriz como suma de una de S
6 8
y otra de W
2 2 1 1
(d) Comprueba que B = M1 = ; M2 = es
0 2 1 1
2 2
una base de S y halla las coordenadas de M3 =
3 2
respecto de dicha base
(e) Amplía la base B = fM1 ; M2 g a una base de M2 2 (R), de forma
que las dos primeras coordenadas de M1 ; M2 y M3 respecto de
dicha base sean nulas.
1
(f) Halla T (Gen (f3x + 4x2 g))

31. Sean U = Gen (f(1; 1; 1; 0) ; (0; 1; 1; 1) ; (1; 0; 0; 1)g),

V = Gen (f(0; 0; 0; 1) ; ( 1; 1; ; 1; 0)g) y T : U ! V de…nida
por T (1; 1; 1; 0) = (0; 0; 0; 1) ; T = (0; 1; 1; 1) = ( 1; 1; 1; 1) y
T (1; 0; 0; 1) = (0; 0; 0; 0)

(a) Obtén bases de U y V de forma que al colocar los vectores

de dichas bases como …las de una matriz, se obtenga una forma
canónica por …las
(b) Halla la matriz de T respecto de las bases obtenidas en el
apartado anterior.

Soluciones

52
 1. (a) ; (b) ; (e) y (f ) son aplicaciones lineales, mientras que (c) y (d)
no lo son

2. (a) y (c) son aplicaciones lineales, mientras que (b) y (d) no lo son

3.

(a) Im T = P (R) y KerT = P0 (R) = R

(b) Im T = fq (x) 2 P (R) : q (0) = 0g y KerT = f0g

4. T1 es epimor…smo, y T2 no es homomor…smo

5.

(a) No, pues p4 = p2 p3 y T (p4 ) 6= T (p2 ) T (p3 )

(b) Si, pues fp1 ; p2 ; p3 g es base del subespacio que generan
(c) T2 viene de…nida sobre la base B = fp1 ; p2 ; p3 ; p4 = x3 g como
T2 (pi ) = T1 (pi ), i = 1; 2; 3, y T2 (p4 ) = 5 + x + x2

6. Es única : T (1; 0; 1) = T (0; 1; 0) = 0 y T (1; 0; 0) = (0; 0; 1)

7. No es única. Por ejemplo :

2 3
2 1 3 x1
2
0 0 1 6 7
x2
T (x1 ; x2 ; x3 ; x4 ) = 4 1 3 1 1 56
4 x3
7
5
3 6 2 0
x4
2 32 3
1 0 0 x
8. Respecto de la base canónica : T (x; y; z) = 4 0 1 0 54 y 5
1 2 0 z
9.

(a) uS = (x z; y; 0) y uT = (z; 0; z)
(b) Es lineal
(c) La dimensión de T (W ) es 1 (si W2 W) o
2 (si W2 \ W = f0g)

10.

53
 (b). f(6; 2; 3)g

3 1 1 1 2 3
11. [T1 ]B = , [T2 ]B = , [T1 T2 ]B = ,
1 1 1 0 0 1
2 0
[T2 T1 ]B = y [2T12 3T22 ]B
3 1

12. T (e1 ) = (1; 0; 2), T (e2 ) = (3; 1; 1), T (e3 ) = (2; 1; 0) y

T (e1 + e2 :e3 ) = (5; 1; 0). Es un isomor…smo

13. f(1; 1; 1; ) ; (0; 1; 1)g es base de la imagen y f(1; 1; 2)g del núcleo

14.

1 1 0 0
(a)
0 0 1 1
2 3
0 0 1 0
6 1 0 0 1 7
(b) 6
4 0
7
0 0 0 5
0 0 1 0
2 3
1 2 0 1
6 0 1 1 0 7
(c) 6
4 1
7
0 0 0 5
0 0 1 0
1 1 1 1
(d)
1 21 13 14
2 3
1 0 0 0
6 1 1 0 0 7 +
15. 6
4 0
7 ; Im T = : ; ; 2R ;
0 1 1 5
1 1 0 0
KerT = Gen = (fx2 + x3 g)

16.

(a) KerT = f0g

54
 8
>
> y1 =
<
y2 = +
Im T : ; ; ; 2 R ; 7y1 + 6y2 + 3y3 y4 = 0
>
> y3 = 2 +
:
y4 = +3
1 x = 11 3x + 3y + 2z = 0
(b) T (W ) : ; 2R;
y= 5 ; 5x + 2y + 5z = 0

17.
2 3 2 3
1 1 0 0 0 0 0
6 0 1 0 7 6 1 0 0 0 7
(b). [T1 ]C2 C2 = 64 0
7 ; [T2 ] = 6 7
4 0 1 1 0 5 ;
1 0 5 C2 C2

0 1 1 0 0 0 1
rg [T1 ]C1 C2 = rg [T2 ]C2 C3 = 3
donde C1 base canónica de R3 , C2 base canónica de M2 2 (R)
y C3 base canónica de P3 (R)
1 0 0 1 0 0
(c). Im T1 = Gen ; ; ; y KerT1 = f0g
0 0 1 0 0 1
0 1
ImT2 = Gen (fx; x2 ; x3 g) ; y KerT2 = Gen
1 0
2 3
0 0 0
6 1 1 0 7
(d). [T2 T1 ]C2 C2 = 6
4 0
7 ; rg [T2 T1 ]
C2 C3 = 3 ;
2 0 5
0 1 1
Im [T2 T1 ] = Gen (fx; x ; x3 g) ; y Ker [T2 T1 ] = f0g
2

18.

(a) a = 1 y a = 2. Para a = 1; BIm T = f(1; 1; 1)g y

BKerT = f(1; 1; 0) ; (1; 0; 1)g
Para a = 2, BIm T = f(1; 1; 2) ; (0; 1; 1)g y
BKerT = f(1; 1; 1)g
(b) u = (1; 1; 0)

19.

55
 (a) No es única. Por ejemplo :
a b a+b 5a + b
T = 0; + c; +d
c d 3 3
(b) No
2 3
1 0 2
20. [T ]Bc 4
= 5 3 5 5 ; y T 1
(r) = Gen (f(6; 11; 0)g)
0 0 3
21.

(a) a = 1=5
1
(b) T (1; 0; 0; 0) =
2 3
1 0
(c) 4 1 1 5
1 1

22.

1 3
(a)
1 1
2 3
8 1 1
14
(b) 3 6 3 5
9
10 8 1

23. fu = (0; ; ) : 2 Rg

24.
2 3
3 0 3
14
(a) 3 0 3 5
6
3 2 1
2 3
3 3 0
1
(b) 4 1 1 0 5
6
2 2 0

25.

56
 3 0
(a) BIm T = fx; 1 + x2 g y BKerT =
2 1
8
< =b+c
T : [a; b; c]B1 ! [ ; ; ]B2 con =a+c
:
=b+c
8
< =a
T : [a; b; e]B3 ! [ ; ; ]B4 con =b
:
=0
(b) No existe

26.
2 3
0 a 1
4
(a) [T ]B = a 1 0 5 ; T es biyectiva si a 6= 1
1 0 1
(b) KerT W = R3 y KerT Im T = R3 ;
T 1 ( 2; 2; 0) = (0; 2; 0)
2 3
4 2 6
1
(c) [T ]B 0 = 4 3 3 3 5
2
1 1 5

3x 3z x z
27. T (x; y; z) = ;x z;
2 2
28.

(a) k 6= 1
(b) B1 = fu1 ; u2 ; u3 = (1; 1; 1)g y B2 = fT (u1 ) ; T (u2 ) ; v3 g
1
(c) T (S) = Gen (f(3; 8; 0) ; ( 5; 0; 8)g)

29.
2 3
1 1 0
14
(a) [T ]B = 1 1 0 5
2
0 0 0
x+y =0
(b) Im T ; KerT x y=0
z=0

57
30.
2 3
0 0 0 0
(a) 4 1 1 0 0 5
1 0 0 1
(b) BIm T = fx; x2 g. Gen (f1g) es suplementario de Im T en P2 (R)
1 1 0 0
(c) BS = ; y, por ejemplo,
0 1 1 0
0 1 0 0 2 4 2 2
BT = ; . En este caso : = +
0 0 0 1 6 8 6 2
0 6
0 10
1 1
(d) M3 = M1 + 3M2 = ;3
2 2 B

0 1 0 0
(e) ; ; M1 ; M2
0 0 0 1
1 4 1 0 0 3 0
(f) T (Gen (f3x + 4x2 g)) = Gen ; ;
0 0 1 0 0 1

31.

(a) BU = f(1; 0; 0; 0) ; (0; 1; 1; 0) ; (0; 0; 0; 1)g y

BV = f(1; 1; 1; 0) ; (0; 0; 0; 1)g
1 1 1 1
(b) [T ]BU BV =
2 0 2 0

58
3 Diagonalización de endomor…smos
3.1 Endomor…smo
Se llama endomor…smo a una transformación lineal T : V ! V de un
espacio vectorial V en si mismo. También se le llama operador lineal

3.2 Cambio de base en un endomor…smo

Sea V un espacio vectorial y T : V ! V un endomor…smo cuya matriz
respecto de una base B (lo usual, en endomor…smos, es considerar la misma
base en los espacios inicial y …nal) es A, es decir :

T (u) = Au donde A = [T ]B

¿ Cuál es la matriz de T respecto de otra base B 0 ? Si P = [Id]B B 0 es

0
la matriz del cambio de base de B a B, es decir la matriz cuyas columnas
son las coordenadas de los vectores de B 0 en la base B , entonces

VB A! VB
x ?
? ?
? ?
? P ? P 1
? ?
? y
0 0
VB C! VB

1
de donde C = [T ]B 0 = P AP y T (u) = Cu respecto de la base B 0 .

3.3 Endomor…smo o matriz diagonalizable

Un endomor…smo T sobre un espacio vectorial real V es diagonalizable
si existe una base B respecto de la cual su matriz D = [T ]B es diagonal, es
decir si existe B = fv1 ; :::; vn g y f 1 ; :::; n g R tales que T (vi ) = i vi ,
1 i n.
Identi…cando el endomor…smo con su matriz real asociada, una matriz
cuadrada A 2 Mn n (R) se dice diagonalizable si existe una matriz in-
vertible P 2 Mn n (R) tal que D = P 1 AP es diagonal.

59
 Nota : Aunque aquí sólo se consideran espacios vectoriales y matrices
reales, con lo que se obtienen diagonalizaciones reales, todo lo que se diga es
igualmente cierto para otro cuerpo K, con lo que se obtienen diagonaliza-
ciones en K.

3.4 Autovalores y autovectores

Sea A la matriz asociada a un endomor…smo T sobre el espacio vectorial
real V de dimensión n. Se dice que 2 R es autovalor o valor propio
si existe un vector v 6= 0, que se llamará autovector o vector propio, tal
que T (v) = Av = v. Puesto que

Av = v () (A I) v = 0

que es un sistema homogéneo, la existencia del vector no nulo (solución no

nula del sistema homogéneo) viene garantizada si

rg (A I) < n lo que equivale a que jA Ij = 0.

Por lo tanto, los autovalores de la matriz A (o endomor…smo asociado)

son las raíces reales del polinomio característico P ( ) = jA Ij = 0, y
los autovectores asociados son los vectores no nulos del núcleo de la aplicación
asociada a la matriz A I.
Se llama espectro de A, que se representa por (A), al conjunto de
todos sus autovalores, y subespacio propio asociado al autovalor a
todos sus autovectores asociados más el vector nulo, es decir a

S ( ) = fv 2Rn : (A I) v = 0g = Ker (A I)

Ejemplo :
2 T : R3 !
Sea 3 R3 el endomor…smo asociado a la matriz
0 0 1
A= 4 4 2 2 5, respecto de la base canónica. El polinomio caracterís-
2 0 3
tico, y sus raíces, son :
0 1
= 1, con m.a. (1) = 1
p( ) = 4 2 2 = ( 2)2 ( 1) = 0 =)
= 2, con m.a. (2) = 2
2 0 3

60
donde m.a.( ) indica la multiplicidad algebraica del autovalor . El
espectro es (A) = f1; 2g. Los subespacios propios asociados a estos
autovalores son : 8 2 32 3 9
< 1 0 1 x =
4 5 4 5 x z=0
S (1) = Ker (A I) = v : 4 1 2 y =0 = v: =
: ; y 2z = 0
2 0 2 z
Gen (f(1; 2; 1)g) 8 2 32 3 9
< 2 0 1 x =
S (2) = Ker (A 2I) = v : 4 4 0 2 5 4 5
y = 0 = fv : 2x z = 0g
: ;
2 0 1 z
= Gen (f(1; 0; 2) ; (0; 1; 0)g)
Es fácil comprobar que los autovectores v1 = (1; 2; 1) 2 S (1),
v2 = (1; 0; 2) 2 S (2), y v3 = (0; 1; 0) 2 S (2) forman base. Puesto que
T (v1 ) = v1 , T (v2 ) = 2v1 y T (v3 ) = 2v3 , la matriz respecto de esta base
B = fv1 ; v2 ; v3 g es 2 3
1 0 0
D = [T ]B = 4 0 2 0 5
0 0 2
que es diagonal, luego el endomor…smo T y la matriz A son diagonalizables.
Para relacionar las matrices A y D se recurre al diagrama :
Bc B
(R3 ) A! (R3 ) c
x ?
? ?
? ?
? P ? P 1
? ?
? y
B Bc
(R3 ) D! (R3 )
2 3
1 1 0
donde P = [Id]B c 4 2 0 1 5
B =
1 2 0
Es fácil comprobar la relación D = P 1 AP
Es inmediato de las de…niciones la siguiente caracterización :

3.5 Caracterízación de endomor…smo diagonalizable

Un endomor…smo T sobre un espacio vectorial real V , de dimensión n,
es diagonalizable si y sólo si existen n autovalores reales (algunos de ellos
pueden ser iguales) y una base formada por autovectores.

61
3.6 Independencia de autovectores asociados a distin-
tos autovalores
Autovectores asociadoa a autovalores distintos son linealmente independi-
entes.

Demostración : Sea T un endormor…smo sobre V , y u y v

autovectores asociados, respectivamente, a los autovalores y ; =
6 .
Entonces
T ( u + v) = T (0) = 0 u+ v=0
u+ v = 0 =) =) =)
( u + v) = 0 u+ v=0
=) ( ) v = 0 =) = 0 =) = 0

Luego u y v son linealmente independientes.

3.7 Algoritmo de diagonalización

Sea T el endomor…smo sobre V asociado a la matriz A. El algoritmo

que hay que seguir para diagonalizar es:
- Se resuelve la ecuación p ( ) = jA Ij = 0. Si alguna de sus raíces
no es real, el endomor…smo no es diagonalizable.
- Para cada autovalor 2 (A) se halla su subespacio propio S ( ) =
Ker (A I), comprobando que

dim S ( ) = m.a. ( ) (multiplicidad algebraica de )

Si algún autovalor no veri…ca lo anterior, el endomor…smo no es diago-

nablizable.
- La base respecto de la que el endomor…smo es diagonal es la formada por
la unión de todas las bases de los subespacios propios, y la matriz diagonal es
aquella cuyos elementos son, y en el mismo orden, los autovalores asociados
a cada autovector de la base.

62
3.8 Propiedades
1. El polinomio característico de un endomor…smo, respecto de cualquier
base, es siempre el mismo.
Demostración : Si A y C son las matrices de un endomor…smo
T respecto de dos bases distintas, están relacionadas por la matriz del
cambio de base por una relación del tipo C = P 1 AP . Entonces :
1 1 1 1
jC Ij = P AP IP P = P (A I) P = P jA Ij jP j = jA Ij

pues jP 1
j = jP j 1 .
2. La suma de todos los autovalores de una matriz, contando cada uno de
ellos tantas veces como indica su multiplicidad, es igual a su traza.
Demostración : Sean 1 ; 2 ; :::; n los n autovalores de una matriz
cuadrada A = [aij ] de dimensión n. Puesto que los autovalores son
las raíces del polinomio característico, se tiene que
jA Ij = (a11 ) ::: (ann ) + pn 2 ( )=( 1 ) ::: ( n )
donde pn 2 ( ) es un polinomio de grado menor o igual que n 2 en
. Igualando los coe…cientes de grado n 1, en cada una de las dos
expresiones anteriores, se obtiene :
( 1)n 1
(a11 + ::: + ann ) = ( 1)n 1
( 1 + ::: + n)

de donde
1 + ::: + n = a11 + ::: + ann = traza (A)
3. El producto de todos los autovalores de una matriz, contando cada
uno de ellos tantas veces como indica su multiplicidad, es igual a su
determinante.
Demostración : Sean 1 ; :::; n los n autovalores de una matriz
cuadrada A = [aij ] de dimensión n. Entonces
jA Ij = ( 1 ) ::: ( n )

Haciendo = 0 en la expresión anterior, se obtiene:

jAj = 1 ::: n

63
3.9 Consecuencias inmediatas de las propiedades an-
teriores
- Los autovalores de un endomor…smo son los mismos respecto de cualquier
base.

- Cualquier matriz de un endomor…smo, respecto de cualquier base, tiene

la misma traza y el mismo determinante.

- Una matriz es singular si y sólo si = 0 es autovalor.

64
 GUÍA DE EJERCICIOS
UNIDAD: DIAGONALIZACIÓN

1. Halla los subespacios propios de cada una de las siguientes aplicaciones

o matrices.
¿Qué representa geométicamente cada uno de ellos?

(a) T (x; y) = (x; 2y)

(b) g (x; y) = (x + y; 0)
(c) h (x; y) = (2x y; x 2y)
1 4
(d) a =
2 3

2. Halla los subespacios propios de cada una de las siguientes aplicaciones

lineales

(a) T (x; y; z) = (x; z; y)

(b) T (x; y; z) = (x y + 3z; 2y 3z; z)
(c) T (x; y; z) = (x y + 3z; y 3z; z)
(d) T (x; y; z) = (x y + z; 2y z; z)

3. ¿Es diagonalizable en R el endomor…smo T (x; y; z) = ( z; 0; x)?

4. Siendo Bc = fe1 ; e2 e3 g, la base canónica, estudia la diagonalización

del endomor…smo :

T (e1 e2 ) = ( 3; 2; 1) ; T (e1 + e3 ) = ( 3; 3; 0) ; T (3e2 3e3 ) = (4; 3; 1)

5. Sea T el endomor…smo sobre R3 de ecuaciones :

8 0
< x = 2x + y z
y0 = x y
: 0
z = x + y + 2z

(a) Halla una base de la imagen y otra del núcleo de T

(b) Averigua si T es diagonalizable. En caso a…rmativo, obtén su
forma diagonal y la matriz del cambio de base.

65
 2 3
2 3 3
6. Sea A = a4 1 2 5. Estudia para qué valores de a la matriz
a 0 1
A es diagonalizable. Calcula para a = 0 la matriz diagonal D y la
matriz P tales que D = P 1 AP

7.

(a) Determina, según los valores de a y b, cuando es diagonalizable

la matriz : 2 3
a b 0
A=4 0 1 0 5
0 0 1
(b) Determina, según los valores de a, cuando los endomor…smos
siguientes son diagonalizables :
i) T (x; y; z) = (x 2y (2 + a) z; y + az; z)
ii)T (x; y; z) = (x + a (x y + z) ; (a + 2) x ay + (a 1) z; 2x y)
Diagonaliza en los casos posibles.

8. Sea T : R4 ! R4 de…nida por T (x1 ; x2 ; x3 ; x3 ) = (x1 ; 2x1 ; x1 ; x1 + ax2 ).

Calcula a 2 R para que T sea diagonalizable y, en estos casos, halla
una base B respecto de la cual la matriz de T sea diagonal.

9. Diagonaliza el endomor…smo T (a + bx + cx2 + dx3 ) = d+cx+bx2 +ax3

10. Halla los autovalores y subespacios propios del endomor…smo

T : P3 (R) ! P3 (R) de…nido por T (p (x)) = p (x + 1)

11. Sea T : M2 2 (R) ! M2

(R) una aplicación lineal de…nida por
2
1 2
T (A) = AF F A siendo F = . Se pide :
0 3

(a) Ecuaciones de T en la base usual de M2 2 (R)

(b) Base y ecuaciones implícita de KerT
(c) Polinomio característico y espectro de T
(d) La base de autovectores, si existe, respecto de la que la matriz de
T es diagonal

66
12. Halla la matriz de T : R3 ! R3 respecto de la base canónica si sus au-
tovalores son 1,2 y -1, y sus autovectores asociados (1; 1; 1) ; (0; 1; 2)
y (1; 2; 1), respectivamente.
13. Halla la potencia An de cada una de las siguientes matrices :
2 3
1 1 0
(a) A = 4 0 2 0 5
2 1 3
2 3
a b b
(b) B = 4 b a b 5
b b a

14. Sea T un endomor…smo sobre R3 y B = fe1 ; e2 ; e3 g una base.

Sabiendo que u1 = e1 e3 es un autovector, T (2e1 + e2 + 2e3 ) =
3e1 + 6e2 + 2e3 ; T (2e1 e2 ) = e1 + e3 ; y que la suma de sus
autovalores es 2, calcula :

(a) Las ecuaciones de T respecto de la base B

(b) Una base de autovectores de T respecto de la que su matriz sea
diagonal

15. De un endomor…smo sobre R3 se sabe que los vectores (1; 0; 0) ; (1; 1; 0) ; (0; 1; 0)
y (0; 0; 1) son autovectores, y que hay vectores que no lo son: Halla
todos los autovectores del endomor…smo.
16. Sea
2 T el endomor…smo
3 de…nido sobre R4 cuya matriz asociada es
1 1 0 0
6 1 0 0 1 7
6 7, y sea U = Gen (f(1; 0; 2; 1)g).
4 0 0 1 0 5
0 1 0 1

(a) Comprueba que T (U ) U

(b) Halla otro subespacio W de R4 , tal que T (W ) W y
f0g ( U ( W ( R4

17. Se sabe que el endomor…smo T : R2 ! R2 es diagonalizable, que

(1; 2) y (3; 1) son autovectores y que T (5; 5) = (2; 1). Halla sus
autovalores y su matriz en la base canónica.

67
 a b
18. Sea G = : a; b; c; d 0; a + c = b + d = 1
c d

(a) Estudia que matrices M 2 G son diagonalizables.

(b) Para las matrices M 2 G son diagonalizables, obtén P regular
y D diagonal tales que M = P 1 DP
(c) Para cada M 2 G, halla M n .

68
Soluciones

1.

(a) S (1) = Gen (f(1; 0)g) y S (2) = Gen (f(0; 1)g)

(b) S (1) = Gen (f(1; 0)g) y S = (0) = Gen (f(1; 1)g)
p p p p
(c) S 3 = Gen 1; 2 3 y S 3 = Gen 1; 2 + 3
(d) S ( 1) = Gen (f(2; 1)g) y S (5) = Gen (f(1; 1)g)
Todos los subespacios propios son rectas que pasan por el origen

2.

(a) S (1) = Gen (f(1; 0; 0)g)

(b) S ( 1) = Gen (f(1; 1; 1)g) ; S (1) = Gen (f(1; 0; 0)g) y S (2) =
Gen (f(1; 1; 0)g)
(c) S (1) = Gen (f(1; 0; 0)g) y S ( 1) = Gen (f(3; 6; 4)g)
(d) S (1) = Gen (f(1; 0; 0) ; (0; 1; 1)g) y S (2) = Gen (f(1; 1; 0)g)

3. No es diagonalizable, pues tiene autovalores complejos

4. No es diagonalizable, pues dim S ( 1) 6= m:a: ( 1)

5.

(a) BIm T = f(1; 0; 2) ; (0; 1; 3)g y BKerT = f(1; 1; 1)g

(b) No es diagonalizable, pues dim S (0) 6= m:a: (0)

3 1 1
6. La matriz A es diagonalizable si <a< y si a >
8 3 3
2 3 2 3
1 0 0 1 0 1
Si a = 0; D = P 1 AP con D = 4 0 1 0 5 y p = 4 1 1 0 5
0 0 2 0 1 0

69
 7.

(a) A es diagonalizable si y solo si a = 1 y b=20, caso en que

3 ya
a 0 0
es diagonal, y si a 6= 1 y b 2 R con D = 4 0 1 0 5 y
2 3 0 0 1
1 0 b
P =4 0 0 a+1 5
0 1 0
(b)
(b-i). Para cualquier a 2 R no es diagonalizable
2 3
1 0 0
(b-ii). Es diagonalizable si a = 0, en cuyo caso D = 4 0 1 0 5 y
2 3 0 0 1
0 1 1
P =4 1 2 0 5
1 0 2

8. Es diagonalizable si a = 0 y una base respecto de la cual es diagonal

es B = f(0; 1; 0; 0) ; (0; 0; 1; 0) ; (0; 0; 0; 1) ; (1; 2; 1; 1)g

9. Si B = f1 + x3 ; x + x2 ; 1 x3 ; x x2 g, la matriz es
2 3
1 0 0 0
6 0 1 0 0 7
D=6 4 0 0
7
1 0 5
0 0 0 1

10. El único autovalor es = 1 con m:a: (1) = 4. S (1) = Gen (f(1; 0; 0; 0)g)

11.

(a) T (a; b; c; d) = ( 2c; 2a + 2b 2d; 2c; 2c)

1 1 1 0 a+b d=0
(b) BKer T = ; ;
0 0 0 1 c=0
2
(c) p ( ) = ( 2) ( + 2) ; (T ) = f 2; 0; 0; ; 2g
1 1 1 1 1 0 0 1
(d) B = ; ; ;
1 1 0 0 0 1 0 0

70
 2 3
2 2 1
12. [T ]BC = 4 3
2
3 25 5
0 2 3
13.
2 3
2n 1 0
1
(a) An = 4 2n
0 5 5
2
1 3n 2 3
02 3 2 3 1
2 1 1 1 1 1
1
(b) An = @4 1 2 1 5 (a b)n + 4 1 1 1 5 (a + 2b)n A
3
1 1 2 1 1 1

14.

(a) T (x; y; z) = (y + z; x + 2y + z; x + y)
(b) B 0 = f(1; 1; 1) ; (1; 0; 1) ; (1; 2; 1)g

15. S ( 1 ) = Gen (f(1; 0; 0) ; (0; 1; 0)g) y S ( 2 ) = Gen (f(0; 0; 1)g), con

1 6= 2

16.

( b). S2 = Gen (f(1; 0; 0; 1) ; (0; 0; 1; 0)g)

1 1 7 1
17. (T ) = ; y [T ]BC = 20 20
1 7
4 3 30 30

(a) Todas
(b) Si a = d = 1; D = M y P = I
a+d 0 1 d 1
Si a 6= 1 o d 6= 1; D = y P =
0 1 1 a 1
(c) Si a = d = 1; M n = I ; y si a 6= 1 o d 6= 1, entonces
1 (a + d 1)n (a 1) + (d 1) (a + d 1)n (d 1) + (d 1)
Mn =
a+d 2 (a + d 1)2 (a 1) + (a 1) (a + d 1)n (d 1) + (a 1)

71
4 Espacios euclídeos
4.1 Producto escalar. Espacio euclídeo
Se llama producto escalar sobre un espacio vectorial real V a cualquier
aplicación
< ; >: V V ! R
(u; v) !< u; v >
que veri…ca las siguientes propiedades :
- Conmutativa : < u; v >=< v; u >; 8 u; v 2 V
< u; v + w >= < u; v > + < u; w >
- Bilineal : ;
< v + w; u >= < v; u > + < w; u >
8 u; v; w 2 V; 8 ; 2 R
< u; u > 0; 8 u 2 V
- De…nida positiva :
< u; u >= 0 () u = 0
Un espacio vectorial con un producto escalar de…nido sobre él se llama
espacio euclídeo.

4.2 Ejemplos
1. Si u = (x1 ; :::; xn ) y v = (y1 ; :::; yn ) son dos vectores de Rn en la
base canónica, el producto
X
n
< u; v >= xi yi
i=1

es un producto escalar, que se llama producto usual o producto

punto y se representa, simplemente, por u v

2. En R2 , es un producto escalar :

1 1 1 1 x2
< u; v >= uT v = [x1 y2 ]
1 2 1 2 y2
ya que es :
T
1 1 1 1
- Conmutativo : < u; v >= uT v= vT u
1 2 1 2

72
 = < v; u >T =< v; u >
1 1
- Bilineal : hu; v + wi = uT ( v + w) = hu; vi +
1 2
hu; wi, y por la propiedad conmutativa se veri…ca también en la
primera variable.
- De…nido positivo : Si u = (x; y) ; hu; ui = (x + y)2 + y 2 0, y es
cero sólo si x = y = 0
Por el contrario, la aplicación :
1 1
hu; vi = uT v
1 1
no es un producto escalar. Es bilineal y conmutativo pero no es de…nido
positivo pues, por ejemplo, h(0; 1) ; (0; 1)i = 1 < 0.
3. En Rn la aplicación de…nida por
hu; vi = uT Av
con A 2 Mn n (R) simétrica A = AT es siempre conmutativo y
bilineal, por lo que será un producto escalar si es de…nido positivo.

4.3 Matriz de Gram de un producto escalar

Sea V un espacio vectorial real de dimensión n, B = fv1 ; :::; vn g una base,
y hu; vi un producto escalar sobre V . Entonces, si u = [x1 ; x2 ; :::; xn ]B y
v = [y1 ; y2 ; :::; yn ]B
* n + * + !
X X
n X
n X
n Xn Xn
hu; vi = xi vi ; yj vj = xi vi ; yj vj = xi yj hvi ; vj i
i=1 j=1 i=1 j=1 i=1 j=1
2 3
X
n

6 yj hv1 ; vj i 7
6 j=1 7
6 n 7
6 P 7
6 yj hv2 ; vj i 7
= [x1 x2 xn ] 6
6 j=1
7
7
6 .. 7
6 . 7
6 n 7
4 P 5
yj hvn ; vj i
j=1

73
 2 32 3
hv1 ; v1 i hv1 ; v2 i hv1 ; vn i y1
6 hv2 ; v1 i hv2 ; v2 i 6 7
hv2 ; vn i 7
76
y2 7
= [x1 x2 xn ] 6
4 56 .. 7
4 . 5
hvn ; v1 i hvn ; v2 i hvn ; vn i yn
de donde
2 3
hv1 ; v1 i hv1 ; v2 i hv1 ; vn i
6 hv2 ; v1 i hv2 ; v2 i hv2 ; vn i 7
6 7
hu; vi = uT Gv con G = 6 .. .. .. 7
4 . . . 5
hvn ; v1 i hvn ; v2 i hvn ; vn i

que se llama matriz de Gram del producto escalar respecto de la base B.

4.4 Ejemplo :
En Rn , la matriz de Gram del producto escalar usual, de la base canónica,
es la matriz identidad :
2 32 3
1 0 0 y1
Xn 6 0 1 0 7 6 y2 7
u = (x1 ; x2 ; :::; xn ) 6 76 7
=) u v = xi yi = [x1 x2 : : : xn ] 6 .. .. .. 7 6 .. 7
v = (y1 ; y2 ; :::; yn ) 4 . . . 54 . 5
i=1
0 0 1 yn

4.5 Matrices de Gram respecto de bases distintas

Sea V un espacio vectorial euclídeo, y sean G y G0 las matrices de Gram
de su producto escalar respecto de las bases B y B 0 , respectivamente, es
decir :
hu; vi = [u]TB G [v]TB = [v]B 0 G0 [u]TB 0
Si P es la matriz del cambio de base de B 0 a B, entonces :

[u]B = P [u]B 0
=) hu; vi = [u]TB G [v]B = uTB 0 P T G (P vB 0 )
[v]B = P [v]B 0
= uTB 0 P T GP vB 0 = [u]TB 0 G0 [v]B 0

Luego G0 = P T GP .

74
4.6 Propiedades de la matriz de Gram
Si G = [aij ] 2 Mn n (R) es la matriz de Gram de un producto escalar,
entonces
- G es simétrica G = GT , y
- aii > 0, para 1 i n;
por las propiedades conmutativa y de…nida positiva respectivamente.

4.7 Normas, ángulos y distancias

Sea V un espacio euclídeo, y sea h ; i su producto escalar. Se llama
norma, o longitud, del vector u 2 V a
p
kuk = hu; ui
Se llama ángulo que forman los vectores u; v 2 V a
hu; vi
cos = , con 0 ; = ^ (u; v)
kuk kuk
La distancia entre los vectores u; v 2 V se de…ne como
d (u; v) = ku vk

4.8 Ejemplo
La norma usual de Rn , inducida por el producto usual, de
u = (x1 ; :::; xn ) 2 Rn es v
u n
uX
kuk = t x21
i=1

y el ángulo que forman u = (x1 ; :::; xn ) ; v = (y1 ; :::; yn ) 2 Rn es

Pn
xi yi
cos = pPn i=12 pPn 2
i=1 xi i=1 yi

La distancia entre u = (x1 ; :::; xn ) y v = (y1 ; :::; yn ) es

v
u n
uX
d (u; v) = t (xi yi )2
i=1

75
4.9 Vector unitario, vector normalizado y vectores or-
togonales
Sea V un espacio euclídeo, y sea h ; i su producto escalar. Se llama
u
vector unitario a cualquier vector de norma uno. Si u 6= 0 entonces
kuk
es un vector unitario. En efecto,
1 1
! 12
u u u 2 u 2 kuk2
= ; = hu; ui = =1
kuk kuk kuk kuk2 kuk2

que se llama vector normalizado de u.

Dos vectores no nulos u y v se llaman ortogonales si hu; vi = 0,
es decir si = 90o , donde = ^ (u; v)

4.10 Ejemplos
1. Sean u = (1; 2) y vp= (3; 4) vectores de R2 , con el producto usual.
Puesto que kuk = 5 y kvk = 5, ninguno de ellos es unitario,
u 1 2
siendo = p ;p el vector normalizado de u. Además no
kuk 5 5
11
son ortogonales, pues u v = 11, siendo = arc cos p
5 5
2. En R4 , con el producto usual, los vectores normalizados de los sigu-
ientes son los que se indican :
pu 1 1
u = (1; 0; 1; 0) =) kuk = = p ; 0; p ; 0
2 =)
kuk 2 2
p v 1 1
v = (0; 1; 0; 1) =) kvk = 2 =) = 0; p ; 0; p
kvk 2 2
w 1 1 1 1
w = (1; 1; 1; 1) =) kwk = 2 =) = ; ; ;
kwk 2 2 2 2

Los vectores u y v son ortogonales, pues u v = 0, mientras que

u v = 0, mientras que u y w no lo son, pues u w = 2, siendo
1
= arc cos p = 45o
2

76
4.11 Bases ortogonales y ortonormales
Un conjunto de vectores no nulos, de un espacio vectorial euclídeo V , se
llama ortogonal si son ortogonales dos a dos. Si además todos son unitarios,
el conjunto se llama ortonormal.
Es decir :
hui ; uj i = 0; para i 6= j
fu1 ; :::; um g es ortogonal ()
kui k = 6 0, para 1 i m
hui ; uj i = 0, para i 6= j
fu1 ; :::; um g es ortonormal ()
kui k = 1, para 1 i m

Es claro que :

u1 um
fu1 ; :::; um g ortogonal =) ; :::; ortonormal
ku1 k kum k

Una base ortogonal es una base formada por un conjunto ortogonal,

y una base ortonormal es una base formada por un conjunto ortonormal.
Es fácil observar que:
- La matriz de Gram de un producto escalar respecto de una base ortog-
onal es una matriz diagonal.
- La matriz de Gram de un producto escalar respecto de una base orto-
normal es la matriz identidad. Por lo tanto : hu; vi = uT Iv = uT v:

4.12 Independencia lineal de vectores ortogonales

Todo conjunto ortogonal de vectores es linealmente independiente.

Demostración : Sea fu1 ; :::; um g un conjunto ortogonal de vectores

en el espacio vectorial euclídeo V . Si 1 u1 + ::: + m um = 0, entonces :
* +
X
m X
m
2
0 = hui ; 0i = ui ; j uj = j hui ; uj i = i kui k =) i = 0
j=1 j=1

para cada 0 i m. Luego fu1 ; :::; um g es linealmente independiente.

77
4.13 Ejemplo
En R3 , el conjunto de vectores

fu1 = (1; 1; 0) ; u2 = (1; 1; 0) ; u3 = (0; 0; 1)g

es linealmente independiente, pues u1 u2 = u1 u3 = u2 u3 = 0, luego

forma una base ortogonal. Una base ortonormal es

u1 1 1 u2 1 1 u3
v1 = = p ; p ; 0 ; v2 = = p ; p ; 0 ; v3 = = (0; 0; 1)
ku1 k 2 2 ku2 k 2 2 ku3 k

4.14 Proceso de ortogonalización de Gram-Schmidt

Si fv1 ; :::; vm g son vectores linealmente independientes en el espacio vec-
torial euclídeo V , entonces existen vectores fu1 ; :::; um g ortogonales tales
que
Gen (fv1 ; :::; vi g) = Gen (fu1 ; :::; ui g) ; 1 i m
El método para conseguir este conjunto ortogonal, llamado proceso de
ortogonalización de Gram-Schmidt, es el siguiente :
- En primer lugar, se elige u1 = v1
- Ahora se elige u2 = v2 + 21 u1 con la condición de que hu2 ; u1 i = 0,
para lo que se necesita que

hv2 ; u1 i
hu2 ; u1 i = hu2 ; u1 i + 21 hu1 ; u1 i = 0 =) 21 =
ku1 k2

Por lo tanto
hv2 ; u1 i
u2 = v2 u1
ku1 k2
- A continuación se elige u3 = v3 + 31 u1 + 32 u2 con la condición de
que hu3 ; u1 i = hu3 ; u2 i = 0, para lo que se necesita que

hv3 ; u1 i
hu3 ; u1 i = hu3 ; u1 i + 31 hu1 ; u1 i + 0 = 0 =) 31 =
ku1 k2
hv3 ; u2 i
hu3 ; u2 i = hu3 ; u2 i + 32 hu2 ; u2 i = 0 =) 32 =
ku2 k2

78
 Por lo tanto
hv3 ; u1 i hv3 ; u2 i
u3 = v3 u1 u2
ku1 k2 ku2 k2
- Y así sucesivamente, se obtiene :
X
k 1
hvk ; uj i
uk = vk 2 uj
j=1
ku j k
para 2 k m.
Para obtener una base ortonormal, se aplica el proceso de normalización
después de aplicar Gram-Schmidt :
Base Gram Schmidt Base ortogonal N ormalizacion
! Base ortonormal
!

4.15 Ejemplo
Sea S el subespacio de R4 generado por el conjunto de vectores
B = fv1 = (1; 1; 0; 0) ; v2 = (1; 1; 1; 1) ; v3 = ( 1; 0; 2; 1)g
que es linealmente independiente (es una base de S). Aplicando el proceso
de Gram-Schmidt :
u1 = v1 = (1; 1; 0; 0)
hv2 ; u1 i 0
u2 = v2 u1 u1 = (1; 1; 1; 1)
ku1 k2 2
hv3 ; u1 i hv3 ; u2 i 1 3 1
u3 = v3 u1 2 u2 = v3 u1 = 1; 1; ;
ku1 k2 ku2 k 2 2 2
Una base ortogonal de S es
3 1
BOT G = u1 = (1; 1; 0; 0) ; u2 = (1; 1; 1; 1) ; u3 = 1; 1; ;
2 2
y una base ortonormal :
u1 1 1 u2 1 1 1 1
BOT N = w1 = = p ; p ; 0; 0 ; w2 = = ; ; ;
ku1 k 2 2 ku2 k 2 2 2 2
p p p p !)
u3 2 2 2 2
w3 = = ; ; ;
ku3 k 3 3 2 6

79
4.16 Coordenadas de un vector respecto de una base
ortonormal
Si B = fe1 ; :::; en g es una base ortonormal de un espacio vectorial euclídeo
V , entonces :
X
n
v= hv; ei i ei = [hv; e1 i ; :::; hv; en i]B
i=1

4.17 Subespacios ortogonales. Complementario or-

togonal
Dos subespacios vectorial S y W de un espacio vectorial euclídeo V se
llaman subespacios ortogonales, que se indica S?W , si
hu; vi = 0; 8 u 2 S y 8 v 2 W .
Se llama complementario ortogonal de S al subespacio vectorial

S ? = fv 2 V : hu; vi = 0; 8 u 2 Sg

4.18 Ejemplo
En R4 , con el producto usual, el complementario ortogonal del subespacio

S = Gen (fu1 = (1; 1; 0; 1) ; u2 = (1; 1; 1; 0)g)

es el subespacio :

S? = v 2 R4 : hu; vi = 0; 8 u 2 S = fv = (x1 ; x2 ; x3 ; x4 ) : hu1 ; vi = hu2 ; vi = 0g =

8 9
>
> x 1 = >
>
< =
4 x1 x2 + x4 = 0 4 x2 =
= v2R : = v2R : ; ; 2R =
x1 + x2 + x3 = 0 >
> x3 = >
>
: ;
x4 = +
= Gen (fv1 = (1; 0; 1; 1) ; v2 = (0; 1; 1; 1)g)

80
4.19 Teorema
Si S es un subespacio vectorial del espacio vectorial euclídeo V , se cumple
que
V = S S?
Como consecuencia : dim S + dim S ? = dim V .
Demostración :
- S \ S ? = f0g :
u 2 S \ S ? =) hu; ui = kuk2 = 0 =) u = 0
- S + S?
- Si S = f0g, entonces S ? = V y el resultado es evidente.
- Si S 6= f0g, se amplía una base ortogonal fv1 ; :::; vk g de S a una
base ortogonal fv1 ; :::; vk ; vk+1 ; :::; vn g de V , y entonces cualquier vector
u 2 V se puede expresar como
X
n X
k X
n
u= xi vi = xi vi + xi vi = v + w con v 2 S y w 2 S ?
i=1 i=1 i=k+1

4.20 Proyecciones
Si S un subespacio vectorial del espacio vectorial euclídeo V , cada vector
u 2 V se descompone de forma única como suma de un vector de S y otro
de S ? , que se llaman, respectivamente, proyecciones de u sobre S y
sobre S ? , y se representan :
v2S v = proyS u
u = v+w con =) y u = proyS u+proyS ? u
w 2 S? w = proyS ? u
Se de…ne el ángulo que forman un vector u 2 V con un subespacio S
como el ángulo que forma con su proyección, es decir :
hu; proyS ui
cos = ; = ^ (u; S) = ^ (u; proyS u)
kuk kproyS uk
y la distancia entre ellos como la norma de su proyección sobre S ? , es
decir:
d (u; S) = kproyS ? uk = ku proyS uk

81
4.20.1 Cálculo de la proyección
Sea S un subespacio vectorial del espacio vectorial euclídeo V . Para hallar
la proyección de un vector u 2 V sobre S se puede proceder, según el caso,
de cualquiera de las siguientes formas :
- Si u = v + w con v 2 S y w 2 S ? , entonces v = proyS u
- Si B = fw1 ; :::; wk g es una base ortonormal de S, entonces

X
k
proyS u = hu; wi i wi
i=1

- Si B = fv1 ; :::; vk g es una base arbitraria de S, se buscan f 1 ; :::; kg

tales que
X k
?
u proyS u = u i vi 2 S
i=1

para lo que se debe cumplir que

8 D Pk E
>
> u i vi ; v1 =0
>
< i=1
..
> D . E
>
> Pk
: u i=1 i vi ; vk =0

que es un sistema lineal

P de ecuaciones, cuya solución f 1 ; :::; kg proporciona
la proyección u = ki=1 i vi sobre S:

4.21 Ejemplo
En R4 con el producto usual, para hallar la proyección de u = (0; 2; 1; 1)
sobre el subespacio S = f(x1 ; x2 ; x3 ; x4 ) : x1 + x2 = 0g hay que hallar una
base, a ser posible ortonormal. Puesto que
8 9
>
> x 1 = >
>
< =
x2 =
S = (x1 ; x2 ; x3 ; x4 ) : ; ; ; 2R =
>
> x3 = >
>
: ;
x4 =
= Gen (fu1 = (1; 1; 0; 0) ; u2 = (0; 0; 1; 0) ; u3 = (0; 0; 0; 1)g)

82
una base ortogonal es fu1 ; u2 ; u3 g, y una base ortonormal :

1 1
w1 = p ; p ; 0; 0 ; w2 = (0; 0; 1; 0) ; w3 = (0; 0; 0; 1)
2 2
La proyecciónd e u sobre S es
2
proyS u = (u w1 ) w1 +(u w2 ) w2 +(u w3 ) w3 = p w1 +w2 w3 = ( 1; 1; 1; 1)
2

y sobre S ? es

proyS ? u = u proyS u = (1; 1; 0; 0)

El ángulo que forman u y S, y la distancia entre ellos, es :

u proyS u 4 2
= arc cos = arccos p = arccos p
kuk kproyS uk 6 2 6
p
d (u; S) = kproyS ? uk = ku proyS uk = k(1; 1; 0; 0)k = 2

4.22 Diagonalización ortogonal

Una matriz A 2 Mn n (R) (o transformación lineal asociada) es ortogonal-
mente diagonalizable si es diagonalizable respecto de una base ortogonal
(u ortonormal), lo que equivale a que exista una base ortogonal (u ortonor-
mal) de autovectores. Se puede probar que :

A es ortogonalmente diagonalizable () A es simétrica

4.23 Ejemplos
2 3
0 1 0
1. La matriz S = 1 4 0 0 5 es simétrica y, por lo tanto, ortogonal-
0 0 1
mente diagonalizable. Sus autovalores son 1, con multiplicidad 2, y

83
 1. Los subespacios propios asociados, y la base ortogonal respecto
de la que es diagonalizable, son :

S (1) = Gen (f(1; 1; 0) ; (0; 0; 1)g)

=) B = f(1; 1; 0) ; (0; 0; 1) ; (1; 1; 0)g
S ( 1) = Gen (f1; 1; 0g)

Las matrices diagonal y de cambio de base son :

2 3 2 3
1 0 0 1 0 1
1
D = P AP con D = 0 1 0 4 5 4
y P = 1 0 1 5
0 0 1 0 1 0
2 3
1 2 0
2. La matriz A = 4 0 1 0 5 no es simétrica y, por tanto, no es
2 2 1
ortogonalmente diagonalizable. Se puede ver que si es diagonalizable,
pero respecto de una base que no es ortogonal.

84
 GUÍA DE EJERCICIOS
UNIDAD: ESPACIOS EUCLÍDEOS

1. Demuestra que la aplicación hA; Bi = traza AB T ; 8 A; B 2 Mm n (R),

es un producto escalar sobre Mm n (R). En el caso particular de
m = n = 2, halla su matriz de Gram respecto de la base usual.
R1
2. En CR ([ 1; 1]) se considera el producto escalar hf; gi = f (t) g (t) dt.
1
Halla los ángulos del triángulo de vértices x1 (t) = 1; x2 (t) = t y
x3 (t) = 1 t. ¿ Son los mismos ángulos si el triángulo se considera
en el espacio P2 (R) con el producto escalar hp; qi = p ( 1) q ( 1) +
p (0) q (0) + p (1) q (1) ?
3. En Rn con el producto usual, halla los ángulos que forma la recta
x1 = x2 = ::: = xn con los ejes de coordenadas.
4. Se de…ne sobre R3 un producto escalar de tal manera que el conjunto
de vectores f( 2; 1; 1) ; (0; 1; 0) ; (1; ; 1; 0)g sea una base ortonor-
mal. ¿Cuál es su matriz de Gram respecto de la base canónica?
5. Sea W = Gen (fu1 = (1; 2; 0; 0) ; u2 = (1; 0; 0; 2) ; u3 = (1; 1; 1; 2)g)
en R4 con el producto usual.

(a) Encuentra una base ortonormal de W .

(b) Completa dicha base hasta una base ortonormal de R4

6. Halla una base ortonormal, y el subespacio ortogonal, de los siguientes

subespacios :

(a) S1 = f(x; y; z) : x + 2y z = 0g, en R3 con el producto usual.

(b) S2 = Gen (f1 x; 1 + xg), en P2 (R) con el producto
R1
hp; qi = 0 p (x) q (x) dx.
(c) S3 = Gen (f(1; 0; 1; 0) ; (0; 1; 1; 0) ; (0; 1; 0; 1)g), en R4 con el
producto usual.

7. En R3 se considera una base B = fv1 ; v2 ; v3 g y un producto escalar

tal que kv1 k = kv3 k = 3; kv2 k = 2; 12 = 23 = y 13 = ; donde
3 2
ij = ^ (vi ; vj )

85
 (a) Halla la matriz de Gram respecto de la base B
(b) Halla la matriz de Gram respecto de la base
B 0 = fv1 v3 ; v2 + v3 ; v2 + v3 g
(c) Halla una base respecto de la que hu; vi = uT v

8. En R2 con el producto usual, se considera f : R2 ! R2 tal que

u f (u) = 0, para todo u 2 R2 . Estudia si f ha de ser la transfor-
mación nula y, en caso contrario, da un ejemplo de una transformación
no nula que lo veri…que.

9. En R4 con el producto usual, halla la proyección ortogonal de

u = (0; 2; 1; 1) sobre W = f(x1 ; x2 ; x3 ; x4 ) : x1 + x2 = 0g.

10. En un espacio
2 vectorial euclídeo,
3 cuyo producto escalar tiene por matriz
1 0 0
de Gram 4 0 2 1 5 en la base B = fu1 u2 ; u3 g, calcula la
0 1 2
proyección ortogonal de u3 sobre S = Gen (fu1 ; u2 g).

11. En R3 se considera el 2 producto escalar

3 cuya matriz de Gram, respecto
1 1 1
de la base canónica, es 4 1 2 2 5, y sea W = f(x; y; z) : x = z = yg.
1 2 3
Halla :

(a) El ángulo que forman los vectores (1; 0; 0) y (0; 1; 0)

(b) Una base de W ?
(c) La proyección ortogonal de (1; 2; 0) sobre W ?

12. En R3 con la base canónica B = fe1 ; e2 ; e3 g se considera el producto

escalar que veri…ca : ke1 k = ke2 k = ke3 k = 1 y ij = , para
3
1 i < j 3 donde ij = ^ (ei ; ej ). Halla :

(a) La matriz de Gram respecto de B.

(b) La distancia del punto P (1; 2; 3) al origen
(c) Las ecuaciones de la proyección ortogonal de la recta x = y = z
sobre el plano y = 0

86
13. En R4 con el producto usual, halla la distancia del vector (1; 0; 1; 0)
x1 + x2 = 0
al subespacio S . Calcula S ?
x2 + x3 x4 = 0
14. Se considera P2 (R) con el producto escalar

hp; qi = p ( 1) q ( 1) + p (0) q (0) + p (1) q (1)

(a) Una base ortonormal

(b) La matriz de Gram respecto de la base usual
(c) El complementario ortogonal de Gen (f1g)
(d) La proyección ortogonal de x2 1 sobre Gen (f1; xg)
(e) El vector de Gen (f1; xg) más cercano a x2 1.
2 3
1 1 2
15. En R3 se considera el producto escalar de…nido por la matriz 4 1 2 2 5,
2 2 3
respecto de la base canónica, y se de…ne T : R3 ! R3 por
T (u) = hv; ui w, con v; w 2 R3 …jos. Halla los autovalores de T y
el núcleo e imagen de T . ¿Cuál es el plano ortogonal al vector (1; 1; 0)
?

16. Sean B = f(1; 1; 0) ; (1; 0; 1) ; (1; 2; 0)g una base de R3 . Estudia si son
simétricas las aplicaciones lineales T1 ; T2 : R3 ! R3 cuyas matrices
respecto de B son :
2 3 2 3
1 4 2 4 5 6
[T1 ]B = A1 = 4 2 2 3 5 [T2 ]B = A2 = 4 4 2 7 5
0 3 0 3 5 4

17. Diagonaliza ortogonalmente las matrices :

2 3
0 1 1
(a) A = 4 1 0 1 5
1 1 0
2 3
a 1 1
(b) B = 4 1 a 1 5
1 1 a

87
 2 3
4 0 4 6
6 0 1 0 0 7
(c) C = 6
4 4
7
0 0 2 5
6 0 2 5
2 3
5 4 4
(d) D = 4 4 5 4 5
4 4 5
2 3
1 5 0
(e) E = 4 5 1 0 5
0 0 4

18. Diagonaliza, si es posible, las transformaciones lineales

T1 ; T2 : M2 (R) ! M2 (R) de…nidas por T1 (A) = AT y T2 (A) =
A AT con el producto escalar dado por hA; Bi = tr AB T
2 3

19. Sea A = 4 5 2 M3 (R) tal que 6= 0, rg (A) = 1 y

tr (A) = 1. ¿ Es A diagonalizable ? En caso a…rmativo, halla sus

autovalores. ¿ Qué representa geométricamente A ?

20. Sea A 2 M2 (R) una matriz simétrica tal que (A) = f1; 9g y
u = (1; 1) es un autovector asociado al autovalor 1. Halla razonada-
mente :

(a) Un autovector asociado al autovalor 9

(b) La matriz A
(c) Una matriz B tal que B 2 = A

21. Sea T un endomor…smo de R3 . Calcula la matriz A = [T ]Bc sabiendo

que :

(a) KerT = Gen f(1; 1; 1)g

(b) A es simétrica y sin elementos negativos
x + 7y + z = 0
(c) S 1 es la recta de ecuaciones :
2x y + 2z = 0

88
 p
(d) kT (0; 1; 0)k = 6

22. Sabiendo que T (1; 0; 0) = (1; 0; 1) ; T (1; 1; 0) = (1; 1; 1) y

T (1; 1; 1) = (2; 1; 2), estudia si T es diagonalizable ortogonalmente
y, en caso a…rmativo, diagonalízala.

23. Halla la matriz A, respecto de la base canónica, de la proyección

ortogonal de R3 sobre la recta generada por el vector (1; 1; 1).

24. Halla una base ortonormal de vectores propios de la proyección ortog-

onal de R3 sobre el plano x + y + z = 0.

25. Sabiendo que el núcleo de una proyección ortogonal T es la recta

generada por el vector (1; 1; 1), halla su matriz respecto de la base
canónica.

26. Decide cuáles de las siguientes matrices corresponden a proyecciones

ortogonales :
2 3 2 3 2 3
0 0 0 1 4 2 1 1 0
14 14 14
A= 0 1 1 5 B= 0 5 0 5 C= 1 1 0 5
2 2 2
0 1 1 2 2 4 0 0 2

27. Sean T y T las proyecciones ortogonales de R3 sobre los planos

x + 2y z = 0 y 2x + y = 0, respectivamente. ¿Es una proyección
ortogonal la composicion de T1 con T2 ? ¿Y la de T2 con T1 ?

Soluciones

1. La matriz identidad.
1 2 5
2. En CR ([ 1; 1]) : arccos = 120o , arccos p y arccos p
2 7 2 7
2 7 4
En P2 (R) : arccos p ; arccos p y arccos p
10 55 44
1
3. arccos p
n

89
 2 3
2 1 5
4. G = 4 1 1 3 5
5 3 14
5.
1 1 1
(a) w1 = p (1; 2; 0; 0) ; w2 = p (2; 1; 0; 5) ; w3 = p (2; 1; 6; 1)
5 30 42
1
(b) w1 ; w2 ; w3 ; w4 = p (2; 1; 1; 1)
7
6.
1 1
(a) p (1; 0; 1) ; p ( 1; 1; 1) ; S1? = Gen (f(1; 2; 1)g)
2 3
1 1
(b) p (1 x) ; 3x 1 ; S2? = Gen x2 x +
3 6
1 1 1
(c) p (1; 0; 1; 0) ; p ( 1; 2; 1; 0) ; p (1; 1; 1; 3) ; S3? = Gen (f1; 1; 1; 1g)
6 6 12
7.
2 3
9 3 0
(a) G (B) = 4 3 4 3 5
0 3 9
2 3
18 9 9
(b) G (B 0 ) = 4 9 19 5 5
9 5 7
1 1 1
(c) (1; 0; 0) ; (0; 0; 1) ; p (1; 3; 1)
3 3 3 2

8. T (x; y) = ( y; x)

9. proy Wu = ( 1; 1; 1; 1)
1
10. proyS u3 = u2
2

90
11.

(a)
4
(b) f(1; 1; 0) ; (0; 0; 1)g
3 3 1
(c) ; ;
2 2 2

12.
2
3
2 1 1
1
(a) G (B) = 4 1 2 1 5
2
1 1 2
(b) d (P; 0) = 5
x=z
(c) (x; y; z) :
y=0
p
35
13. ; S ? = Gen (f(1; 1; 0; 0) ; (0; 1; 1; 1)g)
5
14.
( p )
1 x 6 2
(a) p ; p ; x2
3 2 2 3
2 3
3 0 2
(b) G = 4 0 2 0 5
2 0 2
2
(c) Gen x; x2
3
1
(d)
3
1
(e)
3
15. Si v = 0 o w = 0, entonces T (u) = 0; 8 u 2 R3 , y por tanto
Kert = R3 ; imT = f0g y (T ) = f0g

16. GenT no es simétrica, y T2 si es simétrica

91
17.

(a) (A) = f 1 doble, 2g ; S 1 = Gen (f( 1; 1; 0) ; ( 1; 0; 1)g) ; S2 =

Gen (f(1; 1; 1)g)
(b) (B) = fa + 1 doble, a 2g ; Sa+1 = Gen (f(1; 1; 0) ; ( 1; 0; 1)g)
(c) (C) = Gen (f0; 12; 1; 3g) ; S0 = Gen (f(1; 0; 2; 2)g) ; S12 =
Gen (f(2; 0; 1; 2)g) ;
(d) (D) = f9 doble, 3g ; S9 = Gen (f(1; 1; 0) ; ( 1; 0; 1)g) ; S 3 =
Gen (f(1; 1; 1)g)
(e) (E) = f4 doble, 6g ; S4 = Gen (f(1; 1; 0) ; (0; 0; 1)g) ; S 6 =
Gen (f( 1; 1; 0)g)

18. Las matrices de las transformaciones lineales respecto de la base usual

son :
2 3 2 3
1 0 0 0 0 0 0 0
6 0 0 1 0 7 6 0 1 1 0 7
[T1 ]Bu = A1 = 6
4 0
7 [T2 ]Bu = A2 = 6 7
1 0 0 5 4 0 1 1 0 5
0 0 0 1 0 0 0 0

(A1 ) = f1 triple, 1g ; S1 = Gen (f(1; 0; 0; 0) ; (0; 1; 1; 0) ; (0; 0; 0; 1)g) ;

S 1 = Gen (f(0; 1; 1; 0)g)
(A2 ) = f0 triple, 2g ; S0 = Gen (f(1; 0; 0; 0) ; (0; 1; 1; 0) ; (0; 0; 0; 1)g) ;
S2 = Gen (f(0; 1; 1; 0)g)

19. Es ortogonalmente diagonalizable con :

(A) = f0 doble, 1g ; S0 = f(x; y; z) : x + y + zg y S1 = Gen f( ; ; )g.
Geométricamente, A representa una proyección sobre S1

20.

(a) v = (1; 1) 2 S9
5 4
(b) A =
4 5

92
 1 0 1
(c) Hay cuatro posibles matrices : B = P P con
0 3
1 1
P =
1 1
2 3
0 1 1
21. A = 4 1 2 1 5
1 1 0
22. Si es ortogonalmente diagonalizable :
(A) = f0; 1; 2g ; S0 = Gen (f( 1; 0; 1)g) ; S1 = Gen (f(0; 1; 0)g) y
S2 = Gen (f(1; 0; 1)g)
2 3
1 1 1
1
23. A = 4 1 1 1 5
3
1 1 1

1 1 1
24. B = p (1; 0; 1) ; p (1; 2; 1) ; p (1; 1; 1)
2 6 3
2 3
2 1 1
14
25. [T ]c = 1 2 1 5
3
1 1 2
26.

(a) Si, corresponde a la proyección ortogonal sobre S1 = Gen (f(0; 1; 1)g)

(b) No corresponde a una proyección ortogonal
(c) No corresponde a una proyección ortogonal

27. Por ser (1; 2; 1) ? ( 2; 1; 0), ambas composiciones son la pro-

yección ortogonal sobre la recta intersección de los dos planos :
S = Gen (f(1; 2; 5)g) y
2 3
1 2 5
1 4
T1 T2 T2 T1 2 4 10 5
30
5 10 25

93
5 Transformaciones ortogonales
5.1 Transformación ortogonal
Se llama transformación ortogonal a un endomor…smo T : V ! V
sobre un espacio vectorial euclídeo (V; < ; >) que conserva el producto
escalar, es decir que

hT (u) ; T (v)i = hu; vi ; 8 u; v 2 V

5.2 Matriz ortogonal

Una matriz cuadrada A 2 Mn n (R) se llama matriz ortogonal si
At A = I.

5.3 Ejemplos
1 1 1
1. La matriz A = p es ortogonal, pues
2 1 1

1 1 1 1 1 1 1 2 0
AT A = p p = =I
2 1 1 2 1 1 2 0 2

1 1 1
2. La matriz A = p no es ortogonal, pues
2 1 2

1 1 1 1 1 1 1 2 1
AT A = p p = 6= I
2 1 2 2 1 2 2 1 5

5.4 Teorema
Sea A = [T ]B la matriz de la transformación ortogonal T : V ! V
respecto de una base ortonormal B de (V; < ; >). Entonces :

La transformación T es ortogonal () La matriz A es ortogonal

94
 Demostración : Basta observar que

hT (u) ; T (v)i = (T (u))T T (v) = (Au)T Av = uT AT Av

hu; vi = uT v

de donde se deduce que T es una transformación ortogonal si y sólo si

AT A = I, es decir si y sólo si A es una matriz ortogonal.

5.5 Observación
Si A = [aij ]1 i;j n 2 Mn n (R), entonces AT = [bij = aji ]1 i;j n y
AT A = [cij ]1 i;j n donde

X
n X
n
cij = bik akj = aki akj = ci cj
k=1 k=1

donde ci cj es el producto escalar usual en Rn de las columnas ci y

cj de la matriz A. Por lo tanto, una matriz es ortogonal si sus columnas
forman una base ortonormal en Rn con el producto escalar usual.

5.6 Lema
La matriz de un cambio de base entre bases ortonormales es ortogonal

5.7 Teorema
Sea T : V ! V una transformación sobre el espacio euclídeo (V; < ; >).
Entonces, la transformación T es ortogonal si y sólo si conserva la norma,
es decir :
T es ortogonal () kT (v)k = kvk , 8 v 2 V

Demostración :
(=)) Si T es ortogonal, entonces
p p
kT (v)k = hT (v) ; T (v)i = hv; vi = kvk

95
para todo v 2 V , es decir conserva la norma.

((=) Si T conserva la norma :

kT (u v)k2 = hT (u v) ; T (u v)i = hT (u) T (v) ; T (u) T (v)i

= kT (u)k2 + kT (v)k2 2 hT (u) ; T (v)i = kuk2 + kvk2
2 hT (u) ; T (v)i
ku vk2 = hu v; u vi = kuk2 + kvk2 2 hu; vi
y, puesto que kT (u v)k = ku vk, entonces

hT (u) ; T (v)i = hu; vi

para cualesquiera u; v 2 V , es decir T es ortogonal.

5.8 Observación
Las transformaciones ortogonales conservan normas, distancias, ángulos.

5.9 Teorema
Sea T : V ! V una transformación sobre el espacio euclídeo (V; h ; i).
Entonces, la transformación T es ortogonal si y sólo si transforma bases
ortonormales en bases ortonormales.

Demostración :
(=)) Si T es ortogonal, y B = fei ; ej ; :::; en g es una base ortonormal,
entonces :
0 ; si i 6= j
hT (ei ) ; T (ej )i = hei ; ej i =
1 ; si i = j
de donde se deduce que fT (e1 ) ; T (e2 ) ; :::; T (en )g es una base ortonormal.

((=) Si B = fe1 ; e2 ; :::en g es una base ortonormal, entonces

T (B)P= fT (e1 ) ; T (e2 ) ; :::;
PnT (en )g también es una base ortonormal, y si
n
u = i=1 xi ei y v = i=1 yi ei son vectores de V , se cumple que

X
n
hu; vi = h[(x1 ; x2 ; :::; xn )]B ; [(y1 ; y2 ; :::; yn )]B i = xi yi
i=1

96
y también que
* n +
X X
n D E
hT (u) ; T (v)i = xi T (ei ) ; yi T (ej ) = [(x1 ; x2 ; :::; xn )]f (B) ; [(y1 ; y2 ; :::; yn )]f (B)
i=1 i=1

X
n
= xi yi
i=1
luego hT (u) ; T (v)i = hu; vi, y la aplicación T es ortogonal.

5.10 Ejemplos de transformaciones ortogonales

Sea Rn con el producto escalar usual respecto de su base canónica.
1. En R2 , el giro de centro el origen y ángulo es una transformación
ortogonal. Usando números complejos, la imagen de x + iy mediante
un giro centrado en el origen de ángulo es
ei (x + iy) = (cos + i sin ) (x + iy) = (x cos y sin )+i (x sin + y cos )
y volviendo al plano R2 , la ecuación del giro en la base canónica es :
cos sin x
G (x; y) =
sin cos y

2. En R2 , la simetría respecto de la recta r ax+by = 0 (que pasa por el

origen) es una transformación ortogonal. Puesto que u1 = (b; a) es
el vector de dirección de la recta y u2 = (a; b) el vector perpendicular,
se tiene que Sr (u1 ) = u1 y Sr (u2 ) = u2 , luego la matriz de la
simetría respecto de la base B = fu1 = (b; a) ; u2 = (a; b)g es
1 0
A = [Sr ]B =
0 1

Teniendo en cuenta el diagrama :

B B
(R2 ) A! (R2 )
b a
"P 1 #P siendo P = ,
B B a b
(R2 ) c C ! (R2 ) c
la matriz respecto de las bases B y Bc

97
 se tiene que :

1 1 b2 a2 2ab
C = [Sr ]Bc = P AP = 2
a + b2
2 2ab a b2

Luego la ecuación de la simetría, respecto de la recta r ax + by = 0,

en la base canónica es :
1 b2 a2 2ab x
Sr (x; y) =
a2 + b 2 2ab a2 b2 y

3. En R3 , un giro cuyo eje pasa por el origen es una transformación

ortogonal. Sean y r Gen (fu1 g), con ku1 k = 1, el ángulo y
eje de giro. Completando el vector de dirección del eje hasta formar
una base B = fu1 ; u2 ; u3 g ortonormal que veri…que jP j > 0, donde
P = [u1 ; u2 ; u3 ], es la matriz respecto de las bases B y Bc las matrices
del giro respecto de esta base y la canónica son :
2 3
1 0 0
[Gr; ]B = A = 4 0 cos sin 5 y [Gr; ]Bc = P AP 1
0 sin cos

4. En R3 , la simetría respecto del plano E Gen (fu1 ; u2 g) (que

pasa por el origen) es una transformación ortogonal. Añadiendo a
los vectores de dirección del plano un vector u3 , que sea ortogonal a
ambos, se obtiene una base B = fu1 ; u2 ; u3 g respecto de la cual la
matriz de la simetría es
2 3
1 0 0
[SE ]B = A = 4 0 1 0 5
0 0 1

La matriz respecto de la base canónica será :

[SE ]Bc = P AP 1 donde P = [u1 ; u2 ; u3 ]

es la matriz respecto de las bases B y Bc

98
5.11 Teorema
El determinante de una matriz ortogonal es 1.
Demostración : Si A 2 Mn n (R) es una matriz ortogonal se cumple
que AT A = I, y tomando determinantes :
AT A = jAj2 = 1 =) jAj = 1

5.12 Teorema
Los valores propios reales de una transformación ortogonal sólo pueden ser
1 ó 1.
Demostración : Si 2 R es un valor propio de la transformación
ortogonal T : V ! V , existen vectores propios no nulos v 2 V tales
que T (v) = v. Puesto que las transformaciones ortogonales conservan la
norma:
kvk = kT (v)k = k vk = j j kvk =) j j = 1 =) = 1

5.13 Clasi…cación de las transformaciones ortogonales

en R2
Sea T : R2 ! R2 una transformación ortogonal cuya matriz respecto de
una base ortonormal es A, es decir :
x a b
T (x; y) = A con A =
y c d
siendo AT A = I y jAj = 1. Puesto que AT = A 1 , se ha de cumplir
que
a c 1 d b b = c jAj
= =)
b d jAj c a d = a jAj
Luego la matriz de la transformación ortogonal, respecto de una base orto-
normal, será :
a c jAj
A= con jAj = 1
c a jAj
Pueden presentarse dos casos :

99
1. Si jAj = 1, entonces
a c
A= con jAj = a2 + c2 = 1
c a
luego existe un único 2 [0; 2 ) tal que a = cos y c = sen de
donde
cos sen
A=
sen cos
y la transformación ortogonal es un giro, centrado en el origen, de
ángulo con
tr (A)
tr (A) = 2a = 2 cos =) = ar cos
2
2. Si jAj = 1, entonces
a c 2
A= con jAj = a2 + c 2 = 1 y P( )= 1
c a

Sus valores propios son =1 y = 1, y existirán vectores propios

u1 y u2 tales que
T (u1 ) = u1
y u1 u2 = 0
T (u2 ) = u2
ya que las transformaciones ortogonales conservan el producto escalar:
T (u1 ) T (u2 ) = u1 u2 =) u1 ( u2 ) = u1 u2 =) (u1 u2 ) = u1 u2 =) u1 u2 = 0

Luego la transformación ortogonal es una simetría respecto de la recta

r Gen (fu1 g) = S (1), donde S (1) es el subespacio propio asociado
al vector propio = 1
En resumen, se tiene la siguiente clasi…cación :
Transformación ortogonal
jAj = 1 Giro de centro el origen y ángulo = arc cos tr(A)
2
jAj = 1 Simetría respecto de recta r S (1)

En el caso particular de un giro de ángulo = 0, la transformación

ortogonal es la identidad.

100
5.14 Clasi…cación de las transformaciones ortogonales
en R3
Sea T : R3 ! R3 una transformación ortogonal cuya matriz respecto de
una base ortonormal es A, es decir :
2 3
x
4
T (x; y; z) = A y 5 con AT A = I
z

Puesto que los valores propios de A sólo pueden ser 1, y el polinomio

característico tiene grado 3, alguno de ellos debe ser 1 o 1. Si S (1) =
Ker (A I) es el subespacio propio asociado a = 1, se pueden presentar
los siguientes casos :

1. Si dim S (1) = 3, la transformación ortogonal es la identidad y A = I.

2. Si dim S (1) = 2, se considera una base ortonormal B = fu1 ; u2 ; u3 g,

siendo S (1) = Gen (fu1 ; u2 g). Puesto que las transformaciones or-
togonales conservan bases ortonormales :

T (B) = fT (u1 ) ; T (u2 ) ; T (u3 )g = fu1 ; u2 ; T (u3 )g es ortonormal =) T (u3 ) = u3

ya que T (u3 ) 6= u3 al ser dim S (1) = 2. Luego la transformación

ortogonal T es una simetría respecto del plano E S (1) y su matriz
respecto de la base B es :
2 3
1 0 0
[T ]B = 4 0 1 0 5
0 0 1

3. Si dim S (1) = 1, se considera una base ortonormal B = fu1 ; u2 ; u3 g,

siendo S (1) = Gen (fu1 g) y j(u1 ; u2 ; u3 )j > 0. Puesto que las
transformaciones ortogonales conservan bases ortonormales :

T (B) = fT (u1 ) ; T (u2 ) ; T (u3 )g = fu1 ; T (u2 ) ; T (u3 )g

es ortonormal. Por lo tanto

Gen (fT (u2 ) ; T (u3 )g) = Gen (fu2 ; u3 g) = S (1)?

101
 y la transformación T en el plano S (1)? , que no puede ser una
simetría, es un giro centrado en el origen. Luego la transformación
ortogonal T es un giro con eje en la recta r S (1) y su matriz
respecto de la base B es
2 3
1 0 0
[T ]B = 4 0 cos sin 5
0 sin cos

Puesto que las matrices asociadas a un endormor…smo respecto de

cualquier base tienen la misma traza, se ha de cumplir que

tr (A) 1
1 + 2 cos = tr (A) =) = arccos
2

4. Si dim S (1) = 0, entonces = 1 es valor propio, ya que =1

no puede serlo. Se considera una base ortonormal B = fu1 ; u2 ; u3 g,
siendo u1 2 S ( 1) y j(u1 ; u2 ; u3 )j > 0. Puesto que las transforma-
ciones ortogonales conservan bases ortonormales :

T (B) = fT (u1 ) ; T (u2 ) ; T (u3 )g = f u1 ; T (u2 ) ; T (u3 )g

es ortonormal. Por lo tanto

Gen (fT (u2 ) ; T (u3 )g) = Gen (fu2 ; u3 g) = Gen (fu1 g)?

y la transformación T en el plano Gen (fu1 g)? es un giro centrado

en el origen. Luego la transformación ortogonal T es una simetría
respecto del plano E Gen (fu1 g)? compuesta con un giro de eje la
recta r Gen (fu1 g), y su matriz respecto de la base B es
2 3
1 0 0
[T ]B = 4 0 cos sin 5
0 sin cos

Puesto que las matrices asociadas a un endomor…smo respecto de cualquier

base tienen la misma traza, se ha de cumplir que

tr (A) + 1
1 + 2 cos = tr (A) =) rc cos
2
102
En el caso particular de que = , entonces
2 3
1 0 0
[T ]B = 4 0 1 0 5
0 0 1

y T es una simetría central con centro en el origen. En este caso

dim S ( 1) = 3
En resumen, se tiene la siguiente clasi…cación :
dim S (1) dim S ( 1) Transformación ortogonal
3 0 Identidad
2 1 Simetría respecto del plano E S (1)
1 0 ó 2 Giro de eje r S (1) y ángulo = arccos traza(A)
2
1

0 1 Simetría respecto del plano E S ( 1)? compuesta con

giro de eje r S ( 1) y ángulo = arccos traza(A)+1
2
0 3 Simetría central, con centro el origen

103
 GUÍA DE EJERCICIOS
UNIDAD: TRANSFORMACIONES ORTOGONALES
1. En R2 , estudia la ortogonalidad de las transformaciones lineales cuyas
matrices, respecto de la base canónica, son :

1 4
(a) A =
1 5
1 3
(b) B =
1 2
1 2
(c) C =
2 5
" p #
1 3
(d) D = p2 2
3 1
2 2
" p #
3 1
(e) E = 2 p2
1 3
2 2
" p #
3 1
(f) F = 2 p2
1 3
2 2

2. En R3 , clasi…ca las transformaciones ortogonales cuyas matrices, re-

specto de la base canónica, son :
2 1 3
p
2
0 p12
(a) A = 4 0 1 0 5
p1 0 p12
2
2 p 3
0 23 p2
1

(b) B = 4 0 1
2 2
3 5

1 0 0
2 3
1 2 2
(c) C = 4 2 1 2 5
2 2 1

3. Halla es subespacio complementario ortogonal de W = Gen (f( 1; 0; 0; 1) ; (1; 1; 0; 0)g)

en R4 , y la matriz de la proyección orgonal de R4 sobre W respecto
de la base canónica. ¿ Es una transformación ortogonal ?

104
4. Sea T : V ! V una transformación lineal, de…nida sobre el espacio
euclídeo V , cuyas ecuaciones respecto de una base ortonormal B son
: 8 0 1
< x = 3 (x 2y 2x)
y 0 = 31 ( 2x + y 2z)
: 0 1
z = 3 ( 2x 2y + z)

(a) Halla la matriz de T respecto de la base B

(b) Prueba que T es una transformación ortogonal
(c) Halla el subespacio S de vectores invariantes de T . ¿ Es
T S? = S? ?
(d) ¿ Cuál es el signi…cado geométrico de la transformación T ?

5. Halla la matriz, respecto de la base canónica de R2 , de cada una de

las siguientes transformaciones ortogonales :

(a) Simetría respecto de la recta x y=0

(b) Simetría respecto de la recta x + 2y = 0
(c) Giro de centro el origen y ángulo
6
6. Halla la matriz, respecto de la base canónica de R3 , de cada una de las
siguientes transformaciones

(a) Proyección ortogonal sobre la recta r Gen (f(2; 1; 0)g)

(b) Simetría respecto del plano 2x y=0
(c) Giro de eje Gen (f(0; 1; 1)g) y ángulo
2
(d) Composición de (b) y (c)

7. Sea T : R3 ! R3 una transformación lineal respecto de la que son in-

variantes los subespacio S = Gen (f(1; 0; 1)g) y W = f(x; y; z) : x + z = 0g

(a) ¿ Se puede asegurar que T es ortogonal ?

(b) ¿ Se puede asegurar que T es diagonalizable ?

105
 8. Halla la matriz, respecto de la base canónica, de una transformación
lineal simétrica T : R3 ! R3 que conserva la norma de todos los vec-
tores del plano x z = 0 y tal que S ( 1) = f(x; y; z) : x + 2y + z = 0g

9. Sea T : R3 ! R3 una transformación lineal que veri…ca :

(a) i. Su matriz respecto de la base canónica es simétrica

ii. Gen (f(2; 2; 1)g) es un subespacio propio, y
iii. T (1; 0; 0) = (3; 2; 2) y T (0; 1; 0) = (2; 2; 0)
(b) ¿ Es una transformación ortogonal ?
(c) Halla sus autovalores y subespacio propios
(d) Halla una forma diagonal de T y obtén, si es posible, una base
ortonormal respecto de la cual sea diagonal

10. Encuentra todas las transformaciones ortogonales y simétricas T :

R3 ! R3 que transforman el eje de abscisas y = z = 0 en la recta
4x 3y = z = 0. Clasifícalas dando sus subespacios invariantes.

Soluciones

1. No son transformaciones ortogonales : (a) ; (b) y (c). Si sonp

transfor-
maciones ortogonales : (d) Simetría respecto de la recta x 3y = 0,
(e) Giro de centro el origen y ángulo , y (f ) Simetría respecto de
p 6
la recta x 2+ 3 y =0

2.
p p
(a) Simetría respecto del plano 2 2 x2z = 0
3 n o
(b) Giro de ángulo = arccos y eje la recta Gen 1; p13 ; 1
4
(c) Composición de una simetría respecto del plano y z = 0 con
1 x=0
un giro de ángulo = arccos y
3 y+z =0

106
 2 3
2 1 0 1
6 1 2 0 1 7
3. W ? = Gen (f(0; 0; 1; 0) ; (1; 1; 0; 1)g) y [Pr oyW ]Bc = 13 6
4
7.
0 0 0 0 5
1 1 0 2
No es una transformación ortogonal.

4.
2 3
1 2 2
14
(a) [T ]B = A = 2 1 2 5
3
2 2 1
(b) AT A = I
(c) S = S (1) = Gen (f(1; 0; 1) ; (0; 1; 1)g), y T S ? = S ?
(d) Simetría respecto del plano x + y + z = 0

5.

0 1
(a)
1 0
1 3 4
(b)
5 4 3
p
3 1
(c) 2 p2
1 3
2 2

6.
2 4
3 2
5
0 5
(a) 4 5
2
0 5 1
5
0 0 0
2 3 4 3
5 5
0
(b) 4 45 35 0 5
0 0 1
2 3
0 p12 p12
6 1 7
(c) 4 p12 1
2 2 5
p1 1 1
2 2 2

107
 2 p p p 3 2 p p p 3
2 2 2 2 2 2 5 4+3 2 4 3 2
5p 10
p 2 p5 10p 10p
6 4 3 2 3+4 2 1 7 6 3 2 3 4 2 3+4 2 7
(d) c b = 4 10p 10p 2 5 y b c=4 10 10 10
5
4+3 2 3 4 2 1 p1 1 1
10 10 2 2 2 2

7.

(a) No
(b) No
2 3
2 2 1
14
8. 2 1 2 5
3
1 2 2
9.

(a) No
(b) (T ) = f0; 3; 6g con S (0) = Gen (f(2; 2; 1)g) ; S (3)
= Gen (f(1; 2; 2)g) y S (6) = Gen (f(2; 1; 2)g)
0 1
0 0 0
2 2 1 1 2 2 2 1 2
(c) Gen = @ 0 3 0 A con B = ; ; ; ; ; ; ; ;
3 3 3 3 3 3 3 3 3
0 0 6

10.
2 3 4
3
5
0
5
(a) [T ]Bc = 4 4
5
0 5, con S (1) = Gen (f(2; 1; 0) ; (0; 0; 1)g) y
3
5
0 0 1
S ( 1) = Gen (f(1; 2; 0)g). Simetría respecto del plano S (1)
2 3 4
3
5 5
0
(b) [T ]Bc = 4 45 3
5
0 5, con S (1) = Gen (f(2; 1; 0)g) y
0 0 1
S ( 1) = Gen (f(1; 2; ; 0) ; (0; 0; 1)g). Giro de eje S (1) y ángulo
.
2 3 4
3
5 5
0
(c) [T ]Bc = 4 45 3
5
0 5, con S (1) = Gen (f(1; 2; 0) ; (0; 0; 1)g)
0 0 1
y
S ( 1) = Gen (f(2; 1; 0)g). Simetría respecto del plano S (1)

108
 2 3 4
3
5 5
0
(d) [T ]Bc = 4 4
5
3
5
0 5, con S (1) = Gen (f(1; 2; 0)g) y
0 0 1
S ( 1) = Gen (f(2; 1; 0) ; (0; 0; 1)g). Giro de eje S (1) y ángulo
.

(Chapter head:)MATRICES y DETERMINANTES

6 Nociones básicas
De…nicion 1 Una matriz A de orden m n es un arreglo rectangular de
mn números reales o complejos ordenados en m …las y n columnas. En
general, A tiene la siguiente forma
2 3
a11 a12 aij a1n
6 a21 a22 a2j a2n 7
6 . .. .. .. 7
6 . 7
6 . . . . 7
A=6 7 = [aij ]m n
6 ai1 ai2 aij ain 7
6 . .. .. .. 57
4 .. . . .
am1 am2 amj amn m n

los números aij se llaman entradas o elementos de la matriz A y se ubican

en la i ésima …la y j ésima columna, con 1 i m y 1 j n,
respectívamente.

Observacion 2

1. Si m = n, entonces decimos que A es una Matriz Cuadrada de orden

n:
2. Denotamos al conjunto de las matrices rectangulares de orden m n
por Mm n (IK) y al conjunto de las matrices cuadradas de orden n
por: Mn n (IK). Es decir,
Mm n (IK) = A = [aij ]m n = aij 2 IK
Mn n (IK) = A = [aij ]n n = aij 2 IK
Aquí IK = R ó C.

109
 3. Si A = [aij ] es una matriz cuadrada de orden n, la diagonal principal
de la matriz A está conformada por las entradas: a11 ; a22 ; :::::; ann .
4. Si A = [aij ] es una matriz cuadrada de orden n, la traza de A se de…ne
y denota por:
X
n
tr (A) = akk
k=1

5. Si m = 1, entonces decimos que A es una matriz …la de orden 1 n

y se escribe
A = a11 a12 a1j a1n
= a1 a2 aj an

6. Si n = 1, entonces decimos que A es una matriz columna de orden

m 1 y se escribe 2 3 2 3
a11 a1
6 a21 7 6 a2 7
6 . 7 6 . 7
6 . 7 6 . 7
6 . 7 6 . 7
A=6 7=6 7
6 ai1 7 6 ai 7
6 . 7 6 . 7
4 .. 5 4 .. 5
am1 am
7. La matriz rectangular o cuadrada cuyas entradas son todas cero se
llama matriz nula. Se denota por: O. Es decir, la matriz nula es de
la forma 2 3
0 0 ::: ::: 0
6 0 0 ::: ::: 0 7
6 7
O = 6 .. .. .. 7
4 . . . 5
0 0 ::: ::: 0
Ejemplo 3
1. Las entradas a23 y a31 de la matriz
2 1 3
2
0 p1
A=4 5 1 2 5
1
3 4
0
p
son: a23 = 2 y a31 = 3.

110
 2. Determinar la matriz A de orden 2 3 cuyas entradas se de…nen por:
1
aij = (i j)
2
Solucion 4
1 i 2
Notamos que: luego,
1 j 3
a11 = 0 ; a12 = 12 ; a13 = 1
a21 = 12 ; a22 = 0 ; a23 = 1
2

Por tanto,
1
0 2
1
A= 1 1
2
0 2

7 Tipos especiales de matrices

De…nicion 5 Sea A = [aij ] una matriz de orden n. Se de…nen y denotan:
1. La matriz escalar por:
8
< k si i = j
aij =
:
0 si i 6= j
es decir, 2 3
k 0 0
6 .. 7..
6 0 k . 7 .
6 .. .. .. .. 7 ..
A=6
6 . . . . 7
7 .
6 .. ... ... 7
4 . 0 5
0 0 k n n

2. La matriz identidad por:

2 3
1 0 0
6 ... .. 7
6 0 1 . 7
6 . . .. . . .. 7
In = 6
6 .. . . . . . 7
7
6 . ... ... 7
4 .. 0 5
0 0 1 n n

111
 Notar que la matriz identidad es un caso particular de matriz escalar,
cuando k = 1.

3. La matriz diagonal por:

8
< aii si i = j
aij =
:
0 si i 6= j

es decir,
2 3
a11 0 0
6 .. 7..
6 0 a22 . 7 .
6 .. ... ... ... 7 ..
D = 6
6 . 7
7 .
6 .. .. .. 7
4 . . . 0 5
0 0 ann n n
= diag fa11 ; a22 ; :::::; ann g

4. La matriz triangular superior o sobre triangular por:

aij = 0; 8i > j

es decir, 2 3
a11 a12 a1n
6 ... .. 7
6 0 a22 . 7
6 .. .. .. .. .. 7
T=6
6 . . . . . 7
7
6 .. ... ... 7
4 . a(n 1)n 5
0 0 ann n n

y la matriz triangular superior estricta por:

aij = 0; 8i j

5. La matriz triangular inferior o bajo triangular por:

aij = 0; 8i < j

112
 es decir, 2 3
a11 0 0
6 .. .. 7
6 a21 a22 . . 7
6 .. .. .. .. ..7
T=6
6 . . . . .7
7
6 .. .. .. 7
4 . . . 0 5
an1 an(n 1) ann n n

y la matriz triangular inferior estricta por:

aij = 0; 8i j

De…nicion 6 Sea A una matriz de orden m n. Una submatriz de A es

una matriz que se obtiene de A al eliminar algunas de sus …las y/o columnas.
Se denota por: A0 1 , donde : son las …las eliminadas en
@
= 1; 2; 3; :::; p A
= 1; 2; 3; :::; q
la matriz A y : son las columnas eliminadas en la matriz A.

Ejemplo 7 Dada la matriz

2 3
1 2 3
6 4 5 6 7
A=6
4
7
7 8 9 5
0 1 2

las siguientes son submatrices de A:

4 6
1. A0 1 =
@
= 1; 4 A 7 9
=2

2. A( =2;3;4) = 1 2 3

3. A0 1
@
= 2; 3; 4 A
= 1; 2

De…nicion 8 Dadas las matrices A = [aij ]m1 n1 y B = [bij ]m2 n2 , entonces

estas se dicen matrices iguales, y se denota por: A = B, si tienen el mismo
orden (m1 = m2 ^ n1 = n2 ) y aij = bij , 8i; j.

113
De…nicion 9 Sea A = [aij ]m n y B = [bij ]m n matrices del mismo orden,
se de…ne y denota

1. La matriz suma por

h i
A+B = [! ij ]m n = (A + B)ij donde ! ij = (A + B)ij = aij +bij , 8i; j
m n

2. El producto de un escalar por una matriz por

h i
kA = k [aij ]m n = [kaij ]m n = (kA)ij ,k2K
m n

Teorema 10

I) La igualdad de matrices cumple las siguientes propiedades:

1. A = B =) B = A, 8A; B matrices
2. (A = B ^ B = C) =) A = C, 8A; B; C matrices

II) La adición de matrices cumple las siguientes propiedades:

1. A + B = B + A, 8A; B matrices
2. (A + B) + C = A + (B + C), 8A; B; C matrices
3. A + O = A, 8A matriz
4. Si A = [aij ]m n y A = [ aij ]m n, entonces

A + ( A) = O

III) El producto de un escalar por una matriz cumple las siguientes propiedades:

1. k (A + B) = kA + kB, 8A; B matrices, 8k escalar

2. (k1 + k2 ) A = k1 A + k2 A, 8A matriz, 8k1 , k2 escalares
3. k1 (k2 A) = k2 (k1 A) = (k1 k2 ) A, 8A matriz, 8k1 , k2 escalares
4. 1A = A, 0A = O, ( 1) A = A

Ejemplo 11

114
1. Dadas las matrices
2 3
2 1 3 3
2 6 2 4 7
6 2 7 6 7
A=4 1 1 5 y B = 6 5 3 7
4 1 5
0 4 6
4
Calcular:
2 3
2 1 3 3 2 3
2 6 4 7 1 6
6 7 6 2 7 6 7
a) A + B = 4 12 1 5+6 5 3 7=4 6 2 5
4 1 5 15
0 4 6 6
4 4
2 3
3 2 3
6 2 4 7 6 16
6 7 4 5
b) 4B = 4 6 5 3 7 = 20 12
4 1 5
6 24 1
4
2 3
2 3 3
1
2 6 2 4 7 2 5 20
3
6 7 6 7
c) 10A 4B = 10 4 12 1 5 46 5 3 7 = 4 10 10 5
4 1 5
0 4 6 0 40
2 3 2 3 4
6 16 11 4
4 20 12 5 = 4 10 22 5
24 1 24 41

2. Sean A, B, C y D matrices de orden n tales que AB = In y CD = B,

resolver la siguiente ecuación matricial

(B + C) D BX = C + B

115
Solucion 12

(B + C) D BX = C + B = (B + C) D
O BX = (B + C) D + C + B
BX = (B + C) D + C + B = ( 1)
BX = (B + C) D C B
BX = BD + CD C B
BX = BD + B C B
BX = BD C = A
ABX = ABD AC
In X = In D AC
X = D AC
2 3
b1
6 b2 7
6 . 7
6 7
De…nicion 13 Sean A = a1 a2 an y B = 6 .. 7 matrices
6 . 7
4 .. 5
bn
…la y columna respectivamente, se de…ne la matriz producto AB por
2 3
b1
6 b2 7
6 . 7
6 7
AB = a1 a2 an 6 .. 7
6 . 7
4 .. 5
bn
= a1 b1 + a2 b2 + :::: + an bn
Xn
= ak b k
k=1

Mas general aún, si A = [aij ]m1 n1 y B = [bij ]m2 n2 son matrices de orden
m1 n1 y m2 n2 respectivamente, la matriz producto AB está de…nida
si y sólo si n1 = m2 , es decir cuando el número de columnas de A es igual
al numéro de …las de B, y en este caso
h i
AB = [! ij ]m1 n2 = (AB)ij
m1 n2

116
donde

! ij = F ili (A) Colj (B)

2 3
b1j
6 b2j 7
6 .. 7
6 7
= ai1 ai2 ain 6 . 7
6 .. 7
4 . 5
bnj
= ai1 b1j + ai2 b2j + :::: + ain bnj
Xn
= aik bkj
k=1

Observacion 14

Notar que

1. F ili (AB) = F ili (A) B = F ili (A) Col1 (B) F ili (A) Col2 (B) F ili (A) Coln
2 3
F il1 (A) Coli (B)
6 F il2 (A) Coli (B) 7
6 .. 7
6 7
2. Coli (AB) = AColi (B) = 6 . 7
6 .. 7
4 . 5
F ilm1 (A) Coli (B) m1 1

Ejemplo 15

Dadas las matrices

2 3
1 2 3 2 3
6 4 0 1 7 8
5 6 7
A=6
4 7
7 yB=4 5 4 3 2 5
8 9 5
6 8 5 3
10 11 12
determinar:
2 3
1
1. (AB)32 = F il3 (A) Col2 (B) = 7 8 9 4 4 5= 7 + 32 72 =
8
47

117
 2 3
2
6 5 7
2. (BA)22 = F il2 (B) Col2 (A) = 5 4 3 2 6
4
7 = 10 20 +
8 5
11
24 22 = 8
2 3
0 1 7 8
3. F il4 (AB) = F il4 (A) B = 10 11 12 4 5 4 3 2 5 = 17 62 97 94
6 8 5 3
2 3
2 3 1 2 3
0 1 7 8 6 35
4 7
4
4. Col1 (BA) = BCol1 (A) = 5 4 3 2 56 7 4
4 7 5 = 10
5
6 8 5 3 21
10
2 3 2 3
1 3 2
2 3 8 17 16 13
6 4 0 1 7 8
6 7
5 6 11 32 43 40 7
5. AB = 6
4 7
74 5 4 3 2 5=6 7
9 5
8 4 14 47 70 67 5
6 8 5 3
10 11
12 17 62 97 94
2 3
2 3 1 2 3 2 3
0 1 7 8 6 7 35 37 39
4 5 6 7 4
6. BA = 4 5 4 3 2 5 6
4 7 = 10 8 6 5
8 9 5
6 8 5 3 21 21 21
10 11 12

Observacion 16

1. En general el producto de matrices no es conmutativo, es decir AB 6=

BA

2. AB = O no implica que A = O _ B = O. Por ejemplo, si A =

1 2 4 6
yB= , entonces
2 4 2 3

0 0
AB =
0 0

pero A 6= O y B 6= O.

118
 1 2
3. AB = AC no implica que B = C. Por ejemplo, si A = ,
2 4
2 1 2 7
B= yC= , entonces
3 2 5 4

1 2 2 1 8 5
AB = =
2 4 3 2 16 10
1 2 2 7 8 15
AC = =
2 4 5 4 16 30

pero B 6= C.

Teorema 17 Sean A, B y C matrices de orden para los cuales la suma y el

producto indicados a continuación están de…nidos:

1. A (BC) = (AB) C

2. A (B + C) = AB + AC

3. (A + B) C = AC + BC

4. k (AB) = (kA) B = A (kB), para cualquier escalar k.

5. Im A = AIn = A, donde A es una matriz de orden m n.

Observacion 18

Si en el teorema 5. anterior la matriz es cuadrada de orden n, es decir si

m = n, entonces In = Im y

In A = AIn = A

De…nicion 19 Sea A una matriz de orden n, se de…ne y denota la potencia

de A por la matriz
8
>
> In si k = 0
<
Ak = k 1
>
> AAA {z :::: A} = AA si k 2 N
: |
k veces

Ejemplo 20

119
 1 1
1. Sea A = , determinar la matriz
2 3

3A3 2A2 + 5A + 4I2

Solucion 21
1 1 1 1 1 4
A2 = =
2 3 2 3 8 7
1 4 1 1 9 11
A3 = A2 A = =
8 7 2 3 22 13

luego,
9 11 1 4 1 1 1 0
3A3 2A2 + 5A + 4I2 = 3 2 +5 +4
22 13 8 7 2 3 0 1

27 33 2 8 5 5 4 0
= + +
66 39 16 14 10 15 0 4

16 30
=
60 44

1 1
2. Sea A = , determinar
0 1

a) Ak
Xn
b) Ak
k=1

Solucion 22

120
 a)
1 1 1 1 1 2
A2 = =
0 1 0 1 0 1

1 2 1 1 1 3
A3 = A2 A = =
0 1 0 1 0 1
.. ..
. .
.. ..
. .

1 k
Ak = , ¡Demostrar por inducción!
0 1

b)
X
n X
n
1 k
k
A =
0 1
k=1 k=1
1 1 1 2 1 n
= + + +
0 1 0 1 0 1
n 1+2+ n
=
0 n
" #
n (n + 1)
= n , ¡Demostrar por inducción!
2
0 n

De…nicion 23 Sea A una matriz de orden m n. La matriz, de orden

n m, que se obtiene de A por intercambio de sus …las y columnas se llama
matriz traspuesta de A. Se denota por: AT .

De…nicion 24 Sea A una matriz de orden m n. La matriz que se obtiene

de A tomando el complejo conjugando de cada una de sus entradas se llama
matriz conjugada de A. Se denota por: A.
T
Se llama matriz traspuesta conjugada de A a la matriz A ,
de orden n m, y se denota por: A .

Teorema 25
T
1. a) AT = A, 8A

121
 b) (A ) = A, 8A

2. a) (A + B)T = AT + BT , 8A; B
b) (A + B) = A + B , 8A; B

3. a) (AB)T = BT AT , 8A; B
b) (AB) = B A , 8A; B

4. a) (kA)T = kAT , 8A y 8k
b) (kA) = kA , 8A y 8k

Ejemplo 26
2 3 2 3
1 6 2 i 0 2
1. Si A = 4 0 5 5 4
8 y B= 6 2+i 1 5, entonces
9 4 3 0 3 3
2 3 2 3
1 0 9 1 0 9
a) AT = 4 6 5 4 5 y A = 4 6 5 4 5
2 8 3 2 8 3
2 3 2 3
i 6 0 i 6 0
b) BT = 4 0 2 + i 3 5y B =4 0 2 i 3 5
2 1 3 2 1 3

122
 c) Veri…car la propiedad: (AB)T = BT AT
2 32 3
1 6 2 i 0 2
AB = 4 0 5 8 54 6 2 + i 1 5
9 4 3 0 3 3
2 3
36 i 6 + 6i 14
= 4 30 14 + 5i 29 5
24 + 9i 17 + 4i 23
2 3
36 i 30 24 + 9i
(AB)T = 4 6 + 6i 14 + 5i 17 + 4i 5
14 29 23
2 32 3
i 6 0 1 0 9
BT AT = 4 0 2 + i 3 54 6 5 4 5
2 1 3 2 8 3
2 3
36 i 30 24 + 9i
= 4 6 + 6i 14 + 5i 17 + 4i 5
14 29 23

3
2p+ i 1 2
2. Si A = , entonces
2 i 5 2i
2 p 3 2 p 3
2+i 2 2 i 2
T
A = 4 1 i 5 y A =4 1 i 5
3 3
2
5 2i 2
5 + 2i

De…nicion 27 Sea A una matriz de orden n, esta es llamada:

1. Matriz Simétrica, si A = AT
2. Matriz Antisimétrica, si A = AT
Observacion 28
1. Si A = [aij ]n n es una matriz simétrica, entonces
A = AT () [aij ]n n = [aji ]n n
() aij = aji , 8i; j
es decir, en una matriz simétrica las entradas opuestas a la diagonal
principal son iguales.

123
 2. Si A = [aij ]n n es una matriz antisimétrica, entonces

A= AT () [aij ]n n = [aji ]n n
() aii = aii ^ aij = aji , 8i; j
() 2aii = 0 ^ aij = aji , 8i; j
() aii = 0 ^ aij = aji , 8i; j

es decir, en una matriz antisimétrica las entradas de la diagonal son

todas cero y las entradas opuestas a la diagonal principal son iguales y
con signos opuestos.

Ejemplo 29
23
1 2 3
1. La matriz A = 4 2 4 5 5 es simétrica porque A = AT
3 5 6
2 3
0 1 2
2. La matriz A = 4 1 0 3 5 es antisimétrica porque A = AT
2 3 0

Teorema 30 Si A es una matriz de orden n, entonces existen matrices As ,

simétrica, y Aa , antisimétrica, tales que

A = As + Aa

Indicación: De…nir
1 1
As = (A + AT ) y Aa = (A AT ) y probar que ambas son simétrica
2 2
y antisimétrica y respectivamente.

De…nicion 31 Una matriz A de orden n se dice que es invertible o no

singular si existe una matriz B de orden n tal que

AB = BA = In

La matriz B es la matriz inversa de A y se denota por: B = A 1 .

1
Observacion 32 Si la matriz A no existe, entonces decimos que A no
es invertible o es singular.

124
Teorema 33
1. Si una matriz tiene inversa, entonces su inversa es única.
1
2. Si A es una matriz no singular, entonces A es no singular y
1 1
A =A

3. Si A y B son matrices no singulares, entonces AB también es una

matriz no singular y
(AB) 1 = B 1 A 1
4. Si A es una matriz no singular, entonces AT también es no singular y
1 1 T
AT = A
1
1. Si la matriz A no existe, entonces decimos que A no es invertible
o es singular.

Ejemplo 34
1. Determine la relación que deben cumplir las entradas a, b, c y d para
que la matriz
a b
A=
c d
sea invertible.
3 4
2. Determine si la matriz A = es invertible, en caso a…rmativo,
5 6
encontrar A 1 .
Solucion 35
1 x y 1
1. Sea la matriz A = tal que AA = A 1 A = I2 , luego
z w

1 a b x y
AA =
c d z w
ax + bz ay + bw
=
cx + dz cy + dw
1 0
=
0 1

125
 Por igualdad de matrices, se tiene que:

ax + bz = 1 ay + bw = 0
y
cx + dz = 0 cy + dw = 1

resolviendo ambos sistemas de ecuaciones se tiene que:

d c
x= , z=
ad bc ad bc
b a
y= , w=
ad bc ad bc
Por tanto, A es una matriz invertible si ad bc 6= 0 y su inversa es

1 1 d b
A =
ad bc c a

1. Notar que ad bc = 3 6 4 5= 2 6= 0, entonce la matriz A es

invertible y

1 1 6 4
A =
2 5 3
3 2
= 5 3
2 2

Teorema 36 Una matriz A de orden n es no singular si y sólo si es equiv-

alente por …las a la matriz In .

Algoritmo para encontrar A 1 :

Paso 1: Formar la matriz ampliada [A : In ] de orden n 2n con la matriz

dada A de orden n y la matriz identidad In .

Paso 2: Reducir la matriz [A : In ] a su forma equivalente escalonada re-

ducida por …las, digamos [B : P].

126
Paso 3: Si B = In , entonces P = A 1 . Si B 6= In , entonces A no es
invertible.

Ejemplo 37 Determinar, si es posible, la inversa de la matriz A, donde

2 3
1 1 1
1. A = 4 0 2 3 5
5 5 1
2 3
1 2 3
2. A = 4 1 2 1 5
5 2 3

Solucion 38
2 3 2 3
.. .
1 1 1 . 1 0 0 1 1 1 .. 1 0 0 1
6 . 7 f31 ( 5) 6 . 7 f2 2
6
1. [A : I3 ] = 4 0 2 3 .. 0 1 0 5 7 6 3 .. 0 1 0 7 !
! 4 0 2 5 1
.. . f3
5 5 1 . 0 0 1 0 0 4 .. 5 0 1 4

2 3 2 3
.. .. 1 1
1 1 1 . 1 0 0 1 1 0 . 0
6 . 7 f13 ( 1) 6 ..
4 4 7 f12 ( 1)
6 0 1 3 .. 0 1 0 7 ! 6 0 1 0 . 15 1 3 7
4 2 2 5 3
4 8 2 8 5 !
.. 5 1 f23 2
.. 5 1
0 0 1 . 4
0 4
0 0 1 . 4
0 4
2 3
.
1 0 0 .. 13 1 1
6 8 2 8 7
6 0 1 0 ... 15 1 3 7. Por tanto,
4 8 2 8 5
.
0 0 1 .. 5
4
0 1
4
2 13 1 1
3
8 2 8
A 1
=4 15
8
1
2
3
8
5
5 1
4
0 4

2 3 2 3
. .
1 2 3 .. 1 0 0 1 2 3 .. 1 0 0
6 .. 7 f21 ( 1) 6 . 7 f32 ( 3)
2. [A : I3 ] = 6
4 1 2 1 . 0 1 0 75 ! 6 0
4 4 4 .. 1 1 0 7
5 !
.. f31 ( 5) .
5 2 3 . 0 0 1 0 12 12 .. 5 0 1

127
 2 3 2 3
. .
1 2 3 .. 1 0 0 1 2 3 .. 1 0 0
6 . 7 f2 1 6 . 7 f12 ( 2)
6 0 4 4 .. 1 1 0 57 4 6 0 1 1 .. 1 1
0 7
4 ! 4 4 4 5 !
. .
0 0 0 .. 2 3 1 0 0 0 .. 2 3 1
2 3
.
1 0 1 .. 1 1
0
6 .
2 2 7
6 0 1 1 .. 0 7
5. Por tanto A no es invertible porque
1 1
4 4 4
.
0 0 0 .. 2 3 1
2 3
1 0 1
4 0 1 1 5=6 I3
0 0 0

Observacion 39
2 3
j j j
0 0 1 0
Si In = 4 e1 e2 en 5, donde ei = |{z}
i ésima posición
j j j
es el i - ésimo vector columna de la matriz In , entonces reducir la matriz
[A : In ] a la matriz [In : A 1 ] es equivalente a resolver los siguientes n sis-
temas de ecuaciones:

AX1 = e1 , AXn = e2 ,...., AXn = en

donde X1 , X2 ,...., Xn son las columnas de la matriz A 1 .

(Chapter head:)Determinantes

De…nicion 40 Sea A = [aij ] una matriz de orden n, se de…ne y denta el

determinante de A por:
8
>
> a11 si n = 1
>
<
det A = jAj = X n
>
> ( 1)k+1 a1k det A1k si n 2
>
:
k=1

donde A1k denota la submatriz de orden (n 1) que se obtiene de la matriz

A eliminando la primera …la y la k-ésima columna.

Ejemplo 41 Calcular el determinante de las siguientes matrices:

128
 a11 a12
1. A =
a21 a22

Solucion 42 Solucion 43

X
2
det A = ( 1)k+1 a1k det A1k
k=1
= a11 det A11 a12 det A12
= a11 det [a22 ] a12 det [a21 ]
= a11 a22 a12 a21
2 3
a11 a12 a13
2. A = 4 a21 a22 a23 5
a31 a32 a33

Solucion 44
X
3
det A = ( 1)k+1 a1k det A1k
k=1
= a11 det A11 a12 det A12 + a13 det A13
a a a a a a
= a11 22 23 a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32
= a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 )
2 3
1 2 3
3. A = 4 3 1 2 5,
2 3 1

Solucion 45
X
3
det A = ( 1)k+1 a1k det A1k
k=1
= a11 det A11 a12 det A12 + a13 det A13
1 2 3 2 3 1
= 1 ( 2) +3
3 1 2 1 2 3
= 1 (1 6) + 2 (3 4) + 3 (9 2)
= 5 2 + 21
= 14

129
Observacion 46 Para matrices de orden 3, podemos calcular el determi-
nante usando la regla de Sarrus, que consiste en:
(1 ) Repetir la primera y segunda columna de la matriz A, como se mues-
trará mas adelante.
(2 ) Formar la suma de los productos de las entradas sobre las líneas que
van de izquierda a derecha y restamos a este número los productos de
las entradas en las líneas que son de derecha a izquierda.
& & & . . .
a11 a12 a13 a11 a12
& & . & . .
& . & . & .
a21 a22 a23 a21 a22
. & . & . &
. . & . & &
a31 a32 a33 a31 a32
(4) . (5) . (6) . &(1) &(2) &(3)
es decir,
a11 a12 a13
det A = a21 a22 a23
a31 a32 a33
0 1

= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 @a13 a22 a31 + a11 a23 a32 + a12 a21 a33 A
| {z } | {z } | {z } | {z } | {z } | {z }
(1) (2) (3) (4) (5) (6)

Ejemplo 47 Calcular, usando la regla de Sarrus, el siguiente determinante

1 2 3
det A = 3 1 2
2 3 1
Solucion 48
12 3 1 2
det A = 3
1 2 3 1
2
3 1 2 3
= 1 8 + 27 (6 + 6 6)
= 20 6
= 14

130
De…nicion 49 Sea A = [aij ] una matriz de orden n. El cofactor Cij de la
entrada aij es:
Cij = ( 1)i+j det Aij
donde Aij denota la submatriz de orden (n 1) que se obtiene de la matriz A
eliminando la i-ésima …la y la j-ésima columna y det Aij se llama el menor
de la entrada aij de la matriz A.

Teorema 50 Sea A = [aij ] una matriz de orden n. Entonces

1. (Desarrollo con respecto a la i - ésima …la)

X
n
det A = aik Cik
k=1
X
n
= ( 1)i+k aik det Aik , con 1 i n
k=1

2. (Desarrollo con respecto a la j - ésima columna)

X
n
det A = akj Ckj
k=1
X
n
= ( 1)k+j akj det Akj , con 1 j n
k=1

Ejercicio 51 Calcular

1 3 2 4
4 1 2 3
1. =
3 1 0 3
2 2 0 3

131
Solucion 52 Desarrollo con respecto a la columna j = 3
X
4
= ( 1)k+3 ak3 det Ak3
k=1
= a13 det A13 a23 det A23 + a33 det A33 a43 det A43
4 1 3 1 3 4
= 2 3 1 3 2 3 1 3
2 2 3 2 2 3
= 2 ( 12 6 18 6 + 24 9) 2 (3 + 18 24 8 6 + 27)
= 2 ( 27) 2 (10)
= 74
2 1 5 4 1
0 3 2 3 2
2. = 0 0 1 2 0
0 0 2 1 1
0 0 0 2 0

Solucion 53 Desarrollo con respecto a la …la i = 5

X
5
= ( 1)5+k a5k det A5k
k=1
2 1 5 1
0 3 2 2
= ( 2) , desarrollo con respecto a la …la i = 3
0 0 1 0
0 0 2 1
2 1 1
= ( 2) (1) 0 3 2 , desarrollo con respecto a la …la i = 3
0 0 1
2 1
= ( 2) (1) ( 1)
0 3
= 2 6
= 12

Teorema 54 Sea A una matriz de orden n, entonces se cumplen:

1. det AT = det A

132
2. Si la matriz B se obtiene de la matriz A al intercambiar dos …las de
A, entonces
det A = det B

3. Si la matriz B se obtiene de la matriz A al multiplicar una …la de A

por un número k 6= 0, entonces
1
det A = det B
k

4. Si la matriz B se obtiene de la matriz A sumando a cada entrada de la

i - ésima …la de A una constante k 6= 0 por la entrada correspondiente
de la l - ésima …la de A, entonces

det A = det B

5. Si A es una matriz triangular, entonces

Y
n
det A = akk = a11 a22 ::::ann
k=1

6. Si B es una matriz de orden n, entonces

det (AB) = (det A) (det B)

7. Si dos …las (ó columnas) de la matriz A son iguales, entonces

det A = 0

8. Si una …la (ó columna) de la matriz A consta sólo de ceros, entonces

det A = 0

p+a b c p b c a b c a b c
9. q+d e f = q e f + d e f y d e f =
r+g h i r h i g h i p+g q+h r+i
a b c a b c
d e f + d e f . Esta propiedad se puede generalizar.
p q r g h i

133
Teorema 55 La matriz A, de orden n, es invertible si y sólo si det A 6= 0.
Además
1
det A 1 =
det A
Ejemplo 56

1. Calcular el determinante de las siguientes matrices

2 3
2 0 1 4
6 3 2 4 2 7
a) A = 6 4 2 3
7
1 0 5
11 8 4 5

Solucion 57
3
f21
2 0 1 4 2 2 0 1 4 3
11 f32
3 2 4 2 = 0 2 2
8 2
det A =
2 3 1 0 f31 ( 1) 0 3 2 4 =
11 19
11 8 4 5 0 8 2
17 f42 ( 4)
f41
2

2 0 1 4 2 0 1 4
11 11
0 2 2
8 f43 ( 2) 0 2 2
8
25 25 = 25
0 0 4
8 = 0 0 4
8
25
0 0 2
15 0 0 0 1
2 3
2 1 3 4
6 0 1 7 12 7
b) A = 6
4
7
8 5 5 4 5
3 1 3 1

Solucion 58

2 1 3 4 2 1 3 4
f31 (4)
0 1 7 12 0 1 7 12
det A = = = 0, porque
8 5 5 4 0 1 7 12
f41 32 5 15
3 1 3 1 0 2 2
5
tiene dos …las iguales

134
 1. Demostrar, usando propiedades, que

1 a a2
1 b b2 = (b a) (c a) (c b)
1 c c2

Demostración:
1
1 a a2 f21 ( 1) 1 a a2 f2 b a 1 a a2
f32 ( 1)
1 b b2 = 0 b a b 2 a2 = (b a) (c a) 0 1 b a
1 =
1 c c2 f31 ( 1) 0 c a c 2 a2 f31 c a
0 1 c a
1 a a2
(b a) (c a) 0 1 b a = (b a) (c a) (c b)
0 0 c b

1. Sistemas de ecuaciones lineales

7.1 Introducción

De…nición 5.1. Una ecuación del tipo

ax = b

que expresa la variable b en términos de la variable x y la constante a, es

una ecuación lineal.

Observación 5.1. El término lineal se debe a que la representación

geométrica de una ecuación lineal es una línea recta.

a1 x1 + a2 x2 + ::: + an xn = b (5.1)

que expresa b en términos de las variables x1 ; x2 ; :::; xn y las constantes

conocidas a1 ; a2 ; :::; an es una ecuación lineal. Las variables x1 ; x2 ; :::; xn
son llamadas incógnitas.

Observación 5.3. Una solución de la ecuación (5:1) es una sucesión de

n números s1 ; s2 ; :::; sn , con la propiedad de que (5:1) es una sucesión de
n números s1 ; s2 ; :::; sn , con la propiedad de que (5:1) se satisface cuando
x1 = s1 ; x2 = s2 ; :::; xn = sn se sustituye en (5:1)

135
 Ejemplo 5.1. x1 = 8; x2 = 0 y x3 = 1 es una solución de la ecuación
lineal
2x1 + 3y1 12z1 = 4
pues
2(8) + 3 (0) 12(1) = 4

Observación 5.4. La solución anterior, no es la única soluciòn de la

ecuaciòn lineal dada, pues x1 = 5; x2 = 6 y x3 = 2 es otra solución. Se
pueden encontrar in…nitas soluciones más.

De…nición 5.2. Un sistema de m ecuaciones lineales en n incógnitas,

o simplemente un sistema lineal, es un conjunto de m ecuaciones lineales,
cada una en n incógnitas. Un sistema lineal se puede denotar de manera
conveniente como
9
a11 x1 + a12 x2 + + a1n xn = b1 >
>
>
a21 x1 + a22 x2 + + a2n xn = b2 =
.. (1)
. >
>
>
am1 x1 + am2 x2 + + amn xn = bn ;

Observación 5.5.

1. Una solución de un sistema lineal del tipo (5:2) es una sucesión de n

números s1 ; s2 ; :::sn , con la propiedad de que cada ecución de (5:2)
se satisface cuando x1 = s1 ; x2 = s2 ; :::; xn = sn se sustituyen en
(5:2)
2. Cuando al menos una ecuación del sistema lineal (5:2) tiene su lado
derecho distinto de cero, es decir, bi 6= 0, para algún i, el sistema
lineal se dice no homogéneo

Ejemplo 5.2. Consideremos el sistema lineal

x 3y = 3
2x + y = 8

Este sistema tiene la única solución x = 3; y = 2, puesto que satisface

ambas ecuaciones

136
 Ejemplo 5.3. El sistema lineal

x 2y = 5
2x 4y = 3

no tiene solución, es decir, no existe ningún par de valores ara x e y que

satisfagan ambas ecuaciones a la vez. En efecto, sumando ( 2) veces la
primera ecuación a la segunda obtenemos

0 = 13;

lo que es una contradicción matemática

Ejemplo 5.4. Consideremos el sistema lineal

x + 2y 3z = 4
2x + y 3z = 4

Para eliminar x, sumamos ( 2) veces la primera ecuación a la segunda,

para obtener
3y + 3z = 12 (2)
Ahora debemos resolver (5:4). Una solución es

y=z 4;

en la que z puede ser cualquier número real. Entonces, por la primera

ecuación de (5:3) ;

x = 4 2y + 3z
= 4 2 (z 4) + 3z
= z+4

Así, una solución del sistema lineal (5:3) es

x = +4
y = 4
z = ;

137
en la que es cualquier número real. Esto signi…ca que el sistema lineal
(5:3) tiene in…nitas soluciones. Esto es, para cada valor de obtenemos
una solución diferente. Así, si = 1, entonces

x = 5; y = 3; z = 1

es una solución, mientras que si = 2, entonces

x = 2; y = 6; z = 2

es otra solución.

7.2 Soluciones de sistemas de ecuaciones lineales

Consideremos el sistema lineal
9
x1 + 2x4 = 4 =
x2 x4 = 5
;
x3 + 3x4 = 6

La matriz aumentada asociada al sistema lineal está dada por

2 3
1 0 0 2 j 4
4 0 1 0 1 j 5 5
0 0 1 3 j 6

El objetivo principal de esta sección consiste en manipular la

matriz aumentada que representa a un sistema lineal dado, hasta
llevarla a una forma de la cual puedan deducirse facilmente las
soluciones

De…nición 5.8. Una matriz de m n está en forma escalonada por

…las cuando satisface las siguientes propiedades :

1. Todas las …las que constan sólo de ceros, si los hay, están en la parte
inferior de la matriz.

2. Al leer de izquierda a derecha, la primera entrada distinta de cero en

cada …la (que no esté formada completamente) es un 1, llamado la
entrada principal de su …la.

138
 3. Si las …las i y i + 1 son dos …las sucesivas que no consten completa-
mente de ceros, entonces la entrada principal de la …la i + 1 está a la
derecha de la entrada principal de la …la i
4. Si una columna contiene una entrada principal de alguna …la, entonces
el resto de las entradas de esta columna son iguales a cero
De…nición 5.9. Una operación elemental por …la sobre una matriz
A = (aij ) es cualquiera de las siguientes operaciones :
1. Intercambiar las …las r y s de A (frs ). Es decir, reemplazar
ar1 ; ar2 ; :::; arn por as1 ; as2 ; :::; asn y as1 ; as2 ; :::; asn por ar1 ; ar2 ; :::; arn
2. Multiplicar la …la r de A por c 6= 0 (fr (c)). Es decir, reemplazar
ar1 ; ar2 ; :::; arn por car1 ; car2 ; :::; carn
3. Sumar d veces la …la r de A a la …la s de A, r 6= s. Es decir,
reemplazar as1 ; as2 ; :::; asn por as1 + dar1 ; as2 + dar2 ; :::; asn + darn

Observación 5.10. Observe que cuando una matriz se ve como una

matriz aumentada de un sistema lineal, las operaciones elementales por …las
son equivalentes, respectivamente, al intercambio de dos ecuaciones, multi-
plicar una ecuación por una constante distinta de cero y sumar un múltiplo
de una ecuación a otra

De…nición 5.10. Una matriz a de m n es equivalente por …las

a una matriz B de m n, si B se puede obtener al aplicar una serie de
operaciones elementales por …las a A

Teorema 5.1. Toda matriz de m n distinta de cero es equivalente

por …las a una única matriz en forma escalonada reducida por …las.

Ejemplo 5.7. Ilustraremos la demostración del teorema anterior dando

los pasos que deben realizarse en una matriz especí…ca A para obtener una
matriz en forma escalonada reducida por …las que sea equivalente por …las a
A. Utilizaremos la siguiente matriz para ilustrar los pasos a seguir :
2 3
0 2 3 4 1
6 0 0 2 3 4 7
A=6 4 2 2
7
5 2 4 5
2 0 6 9 7

139
 El procedimiento para transformar una matriz a una forma escalonada
reducida por …las aparece a continuación :
Paso 1. Determinar la primera columna (contando de izquierda a
derecha) de A tal que no todas sus entradas sean cero. Esta es la
columna pivote
2 3
0 2 3 4 1
6 0 0 2 3 4 7
A = 6 4 2 2
7
5 2 4 5
2 0 6 9 7
"
columna pivote

Paso 2. Identi…car la primera entrada (contando de arriba hacia

abajo) distinta de cero en la columna pivote. Este elemento es el
pivote, que señalamos con negrita
2 3
0 2 3 4 1
6 0 0 2 3 4 7
A=6 4 2 2
7
5 2 4 5
2 0 6 9 7

Paso 3. Intercambiar, en caso necesario, la primera …la con la …la

donde aparece el pivote de modo que éste se encuentre ahora en la
primera …la. Llamamos a esta nueva matriz A1
2 3
2 2 5 2 4
6 0 0 2 3 4 7
A1 = 6
4 0 2 3
7
4 1 5
2 0 6 9 7
Se intercambiaron la primera y tercera …la de A
Paso 4. Multiplicar la primera …la de A1 por el recíproco del pivote.
Así, la entrada de la primera …la y la columna pivote (donde estaba el
pivote) es ahora un 1. Llamamos a la nueva matriz A2
2 3
1 1 25 1 2
6 0 0 2 3 4 7
A2 = 6
4 0 2
7
3 4 1 5
2 0 6 9 7

140
 1
La primera …la de A1 se multiplicó por 2

Paso 5. Sumar múltiplos de la primera …la de A2 a las demás

…las, para hacer que todas las entradas de la columna pivote, excepto
la entrada donde se encuentra el pivote, sean iguales a cero. Así,
todas las entradas de la columna pivote y las …las 2; 3; :::; m se anulan.
Llamamos a la nueva matriz A3
2 5
3
1 1 2
1 2
6 0 0 2 3 4 7
A3 = 4 6 7
0 2 3 4 1 5
0 2 1 7 3

Se suma ( 2) veces la primera …la de A2 a su cuarta …la

Paso 6. Identi…car B como la submatriz de (m 1) n (3 5) de

A3 ; no borre esta primera …la. Repita los pasos 1 a 5 con B
2 5
3
1 1 2
1 2
6 0 0 2 3 4 7
B = 6 4 0
7
2 3 4 1 5
0 2 1 7 3
"
columna pivote

2 5
3
1 1 2
1 2
6 0 2 3 4 1 7
B1 = 6
4 0
7
0 2 3 4 5
0 2 1 7 3
Se intercambiaron la primera y segunda …la de B para para obtener
B1 2 3
5
1 1 2
1 2
6 0 1 3
2 12 7
B2 = 64 0
2 7
0 2 3 4 5
0 2 1 7 3

141
 1
Para obtener B2 , la primera …la de B1 se multiplicó por 2
2 5
3
1 1 2
1 2
6 0 1 3
2 12 7
6
B3 = 4 2 7
0 0 2 3 4 5
0 0 2 3 4

Se sumó 2 veces la primera …la de B2 a su tercera …la, obtenida B3

Paso 7. Identi…car C como la submatriz de (m 2) n (en este

ejemplo tenemos 2 5) obtenida al eliminar la primera …la de B3 ; no
borre esta primera …la. Repita los pasos 1 a 5 para C
2 5
3
1 1 2
1 2
6 0 1 3
2 12 7
C = 4 6 2 7
0 0 2 3 4 5
0 0 2 3 4
"
columna pivote de C
2 5
3
1 1 2
1 2
6 0 1 3
2 21 7
C1 = C2 = 6
4 0 0
2
3
7
5
1 2
2
0 0 2 3 4
No tuvimos que intercambiar las …las de C. Multiplicamos la primera
…la de C por 12 para obtener C1 = C2
2 5
3
1 1 2
1 2
6 0 1 3
2 1 7
C3 = 6
4 0 0
2 2 7
1 3
2
2 5
0 0 0 0 0

y C3 se obtiene, sumando ( 2) veces la primera …la de C2 a su

segunda …la.

Paso 8. Sea D la matriz que consta de las …las sombreadas sobre la

matriz C3 en el paso 7, seguidos por C3 . Sumar múltiplos de cada
…la de D que tenga un 1 principal para que todas las entradas arriba

142
 de este número se anulen. Denotamos las matrices subsecuentes como
D1 ; D2 ; etc 2 3
5
1 1 2
1 2
6 0 1 3
2 21 7
D = C3 = 6
4 0 0
2 7
1 3
2
2 5
0 0 0 0 0
2 5
3
1 1 2
1 2
6 0 1 0 17 5 7
D1 = 6
4 0 0
4 2 7
1 3
2
2 5
0 0 0 0 0
3
Se sumó 2
veces la tercera …la de D a su segunda …la
2 19
3
1 1 0 4
7
6 0 1 0 17 5 7
D2 = 64 0 0 1
4
3
2 7
5
2
2
0 0 0 0 0
5
Se sumó 2
veces la tercera …la de D1 a su primera …la
2 3
1 0 0 9 192
6 0 1 0 17 5 7
D3 = 4 6 4 2 7
0 0 1 3
2 5
2
0 0 0 0 0

Se sumó ( 1) veces la segunda …la de D2 a su primera …la. La

matriz …nal D3 está en la forma escalonada reducida por …las

Observación 5.11. En la práctica, no nos detenemos en identi…car

las matrices A1 ; A2 ; :::; B1 ; B2 ; :::; C1 ; C2 ; :::; etc. Simplemente, comenzamos
con la matriz dada y la transformamos hasta que quede en forma escalonada
reducida por …las.

143
7.3 Solución de sistemas lineales

Ahora aplicaremos el procedimiento anterior para reducir una matriz a su

forma escalonada reducida por …las para encontrar la solución de sistemas
lineales
Teorema 5.2. Sean Ax = b y Cx = d dos sistemas lineales, cada uno
con m ecuaciones y n incógnitas. Si las matrices aumentadas [A j b]
y [C j d] de estos sistemas son equivalentes por …las, entonces ambos
sistemas lineales tienen exactamente las mismas soluciones

Corolario 5.1. Si A y C son dos matrices de m n equivalentes por

…las, entonces los sistemas lineales Ax = b y Cx = d tienen exactamente
las mismas soluciones

Algoritmo 1. El procedimiento de reducción de Gauss-Jordan para

resolver el sistema lineal Ax = b es el siguiente :
Paso 1. Formar la matriz aumentada [A j b]
Paso 2. Transformar la matriz aumentada a su forma escalonada re-
ducida por …las mediante operaciones elementales por …las
Paso 3. El sistema lineal que corresponde a la matriz en forma escalon-
ada reducida por …las obtenida en el paso 2 tiene exactamente las mismas
soluciones que el sistema lineal dado. Para cada …la distinta de cero de
la matriz en forma escalonada reducida por …las, se despeja la incógnita
correspondiente a la entrada principal de la …la. Las …las que constan com-
pletamente de ceros se pueden ignorar, pues la ecuación será satisfecha por
cualesquiera de los valores de las incógnitas

Ejemplo 5.8. Resolvemos el sistema lineal

9
x + 2y + 3z = 9 =
2x y + z = 8
;
3x z = 3
mediante la reducción de Gauss-Jordan

Solución
Paso 1. La matriz aumentada de este sistema lineal es
2 3
1 2 3 j 9
4 2 1 1 j 8 5
3 0 1 j 3

144
 Paso 2. Ahora transformamos la matriz del paso 1 a su forma escalonada
reducida por …las como sigue :
2 3
1 2 3 j 9
4 0 5 5 j 10 5
0 6 10 j 24

(Sumamos ( 2) veces la primera …la a su segunda …la ; sumamos ( 3)

veces la primera …la a su tercera …la)
2 3
1 2 3 j 9
4 0 1 1 j 9 5
0 6 10 j 24
1
Multiplicamos la segunda …la por 5
2 3
1 2 3 j 9
4 0 1 1 j 2 5
0 0 4 j 12

(Sumamos (6) veces la segunda …la a su tercera …la)

2 3
1 2 3 j 9
4 0 1 1 j 2 5
0 0 1 j 3
1
(Multiplicamos la tercera …la por 4
2 3
1 0 1 j 5
4 0 1 1 j 2 5
0 0 1 j 3

(Sumamos ( 2) veces la tercera …la a su primera …la)

2 3
1 0 0 j 2
4 0 1 0 j 1 5 (5.6)
0 0 1 j 3

(Sumamos ( 1) veces la tercera …la a la primera y segunda …la). Así, la

matriz aumentada es equivalente por …las a la matriz de (5:6) en forma
escalonada reducida por …las.

145
 Paso 2. El sistema lineal representado por (5:6) es
9
x=2 =
y= 1
;
z=3
de modo que la única solución del sistema lineal dado (5:5) es
x = 2
y = 1
z = 3

Ejemplo 5.9. Resolver el siguiente sistema lineal mediante una reduc-

ción de Gauss-Jordan
9
x + y + 2z 5w = 3 > >
=
2x + 5y z 9w = 3
(5.7)
2x + y z + 3w = 11 > >
;
x 3y + 2z + 7w = 5

Solución.
Paso 1. La matriz aumentada asociada al sistema lineal es
2 3
1 1 2 5 j 3
6 2 5 1 9 j 3 7
6 7
4 2 1 1 3 j 11 5
1 3 2 7 j 5

Paso 2. La matriz aumentada es equivalente por …las a la matriz en

forma escalonada reducida por …las siguiente (veri…que) :
2 3
1 0 0 2 j 5
6 0 1 0 3 j 2 7
6 7 (5.8)
4 0 0 1 2 j 3 5
0 0 0 0 j 0

Paso 3. El sistema lineal representado en (5:8) es

9
x + 3w = 5 =
y 3w = 2
;
z 2w = 3

146
Hemos ignorado la …la en (5:8) que consta completamente de ceros.
Al despejarse en cada ecuación la incógnita correspondiente a la entrada
principal de cada …la de (5:8), obtenemos

y = 5 2w
y = 2 + 3w
z = 3 + 2w

Así, una solución del sistema lineal (5:7) es

x = 5 2r (5.9)
y = 2 + 3r
z = 3 + 2r (3)
w = r

donde r es cualquier real. Como r puede tener asignado cualquier número

real en (5:9), el sistema lineal dado (5:7) tiene in…nitas soluciones. Algunas
soluciones son x = 3; y = 1; z = 1; w = 1 ; x = 5; y = 2; z = 3; w =
0 ; x = 7, y = 5; z = 5; w = 1

Ejemplo 5.10. Resolver el sistema lineal siguiente mediante la reducción

de Gauss-Jordan : 9
x + 2y + 3z + 4w = 5 =
x + 3y + 5z + 7w = 11 (5.10)
;
x z 2w = 6
Solución.
Paso 1. La matriz aumentada asociada al sistema lineal es
2 3
1 2 2 4 j 5
4 1 3 5 7 j 11 5
1 0 1 2 j 6

Paso 2. La matriz aumentada es equivalente por …las a la matriz en

forma escalonada reducida por …las siguiente (veri…que) :
2 3
1 2 2 4 j 5
4 1 3 5 7 j 11 5 (5.11)
1 0 1 2 j 6

147
 Paso 2. La ecuación del sistema lineal representado en (5:11) es

0z + 0y + 0z + 0w = 1;

que no tiene soluciones para cualesquiera x; y; z y w. En consecuencia,

el sistema lineal dado (5:10) no tiene solución.

Observación 5.12. Buscaremos las soluciones de los sistemas en los

números reales R. Dependiendo del posible número de tales soluciones reales
que tenga el sistema, estos se pueden clasi…car en:
- Incompatibles (no tienen solución) S.I.
-Compatibles (Tienen solución), los que a su vez se clasi…can en:
- Determinados (solución única) S.C.D.
- Indeterminados (in…nitas soluciones) S.C.I.
Cada sistema lineal incompatible produce la situación ilustrada en el
ejemplo anterior

Observación 5.13. El procedimiento utilizado para resolver el sistema

lineal Ax = b, que transforma la matriz aumentada [A j b] en su forma
escalonada por …las y luego utiliza la sustitución regresiva para obtener la
solución, es llamada Eliminación Gaussiana ó método de Gauss

Sistemas homogéneos
Un sistema lineal de la forma
9
a11 x1 + a12 x2 + ::: + a1n xn = 0 > >
>
a21 x1 + a22 x2 + ::: + a2n xn = 0 =
.. .. .. .. (5.12)
. . . . >
>
>
am1 x1 + am2 x2 + ::: + amn xn = 0 ;

es llamado un sistema homogéneo. También podemos escribir (5:12) en

forma matricial como
Ax = 0 (5.13)
La solución x1 = x2 = ::: = xn = 0 del sistema lineal homogéneo (5:13) se
conoce como solución trivial. Una solución x1 ; x2 ; :::; xn de un sistema
homogéneo en donde no todas las xi se anulen es una solución no trivial.
Notemos que un sistema homogéneo siempre es compatible, pues siempre
tiene al menos la solución trivial.

148
 Ejemplo 5.11. Consideremos el sistema homogéneo
9
x + 2y + 3z = 0 =
x + 3y + 2z = 0 (5.14)
;
2x + y 2z = 0

La matriz aumentada de este sistema,

2 3
1 2 3 j 0
4 1 3 2 j 0 5;
2 1 2 j 0

es equivalente por …las (veri…que) a

2 3
1 0 0 j 0
4 0 1 0 j 0 5;
0 0 1 j 0

que está en forma escalonada reducida por …las. Por lo tanto, la única
solución de (5:14) es x = y = z = 0, lo cual signi…ca que el sistema
homogéneo dado (5:14) sólo tiene la solución trivial.

Ejemplo 5.12. Consideremos el sistema homogéneo

x+y+z+w = 0 (5.15)
x+w = 0
x + 2y + z = 0

La matriz aumentada en este sistema,

2 3
1 1 1 1 j 0
4 1 0 0 1 j 0 5;
1 2 1 0 j 0

es equivalente por …las (veri…que) a

2 3
..
1 0 0 1 . 0
6 .. 7
6 0 1 1 . 0 7
4 0 5;
.
0 0 1 1 .. 0

149
que está en forma escalonada reducida por …las. Por lo tanto, las soluciones
de (5:15) están dadas por

x = r
y = r
z = r
w = r;

donde r es cualquier número real.

Observación 5.14. El ejemplo anterior muestra que un sistema ho-

mogéneo puede tener una solución no trivial, es decir in…nitas soluciones.

7.3.1 Criterios para decidir si un sistema de ecuaciones lineales

tiene o no solución

De…nición 5.11. Llamamos rango de una matriz A al número de …las no

nulas de cualesquiera matriz escalonada equivalente por …las con la matriz
A. Se denota por : r (A)

Ejemplo 5.13. Determinar el rango de la matriz

2 3
1 2 3 4
A= 1 4 3 5 7 5
1 0 1 2

Solución
2 3 2 3 2 3
1 2 3 4 f21 ( 1) 1 2 3 4 1 2 3 4
f (2) 4
A = 4 1 3 5 7 5 ! 4 0 1 2 3 5 32 0 1 2 3 5
!
1 0 1 2 f31 ( 1) 0 2 4 6 0 0 0 0
2 3
1 0 1 2
f12 ( 2) 4
0 1 2 3 5 = equivalente por …las con la matriz A:
!
0 0 0 0

Por tanto,
r (A) = 2

150
 Observación 5.15. Para determinar el rango de una matriz basta
con obtener la matriz escalonada por …las, es decir, ésta entrega la misma
información que la matriz escalonada reducida por …las

Teorema 5.3. (de Rouché - Frobenius) El sistema de ecuaciones lineales

Ax = b

1. Tiene solución si sólo si r (A) = r (A : b)

2. Tiene solución única si y sólo si r (A) = r (A : b) = no de incógnitas

3. Tiene in…nitas soluciones si y sólo si r (A) = r (A : b) < no de incóg-

nitas

Ejemplo 5.14. Determine los valores de y para los cuales el

sistema de ecuaciones lineales
9
x+y+z =2 =
2x + 3y + 2z = 5
;
2x + 3y + ( 2 1) z = +1

a. No tiene solución

b. Tiene solución única

c. Tiene in…nitas soluciones

Solución2 3 2 3
.. ..
1 1 1 . 2 1 1 1 . 2
6 .. 7 f21 ( 2) 6 .. 7 f32 ( 1)
6
[A : b] = 4 2 3 2 . 5 57 6
! 4 0 1 0 . 1 7
5 !
. f31 ( 2) ..
2 3 2
1 .. +1 0 3 2
3 . 3
2 3
..
1 1 1 . 2
6 .. 7
6 0 1 0 . 1 7
4 5
..
0 0 2 3 . 4

151
 a. El sistema no tiene solución si y sólo si r (A) 6= r (A : b). Es decir,
cuando 2 3 = 0 y 6 0, equivalentemente
4=
p
= 3 y 2 R f4g

b. El sistema tiene solución única si y sólo si r (A) = r (A : b) = no de

incógnitas = 3. Es decir, cuando 2 3 = 0, o equivalentemente,
p
6= 3 y 2R

c. El sistema tiene in…nitas soluciones si y sólo si r (A) = r (A : b) < no

de incógnitas = 3. Es decir, cuando 2 3 = 0 y 4 = 0, o
equivalentemente, p
= 3 y =4

7.3.2 Sistemas lineales e inversas

Si A es una matriz de n n, entonces el sistema lineal Ax = b es un
sistema de n ecuaciones en n incógnitas. Supongamos que A es no-
singular. Entonces A 1 existe y podemos multiplicar Ax = b por A 1
para obtener

A 1 (Ax) = A 1b
A 1A x = A 1b
In x = A 1b
x = A 1

Además, es claro que x = A 1 b es una solución del sistema lineal dado.

Así, si A es no-singular, tenemos una única solución.

Observación 5.18. Si A es una matriz de n n, el sistema homogéneo

Ax = 0 tiene una única solución trivial si y sólo si A es no singular. En
efecto,

A 1 (Ax) = A 10
A 1A x = 0
In x = 0
x = 0

152
Por lo tanto, la única solución de Ax = 0 es x = 0

Ejemplo 5.17. El sistema

x+y+z = 0
2y + 3z = 0
5x + 5y + z = 0

tiene la única solución trivial x = 0, pues su matriz aumentada

2 3
1 1 1 j 0
4 0 2 3 j 0 5
5 5 1 j 0

tiene su forma escalonada reducida por …las dada por (veri…que)

2 3
1 0 0 j 0
4 0 1 0 j 0 5:
0 0 1 j 0
Luego, el rango de A es igual a 3, es decir, la única solución es la trivial
x = y = z = 0.

Ejemplo 5.18. El sistema lineal asociado a la matriz aumentada dada

por
2 3
1 2 3 j 0
4 1 2 1 j 0 5
5 2 3 j 3
y su respectiva matriz escalonada reducida por …las es (veri…que)
2 3
1 0 1 j 0
4 0 1 1 j 0 5;
0 0 0 j 0
lo que implica x = z; y = z y z 2 R, es decir, el sistema homogéneo tiene
una solución no trivial.

Teorema 5.5. Si A es una matriz de n n, entonces A es no

singular si y sólo si el sistema lineal Ax = b tiene una única solución para
cada matriz b de orden n 1

153
 Observación 5.19. Podemos resumir los resultados anteriores en la
siguiente lista de equivalencias.
Las siguientes a…rmaciones son equivalentes :

1. A es no singular

2. Ax = 0 sólo tiene la solución trivial

3. A es equivalente por …las a In

4. El sistema lineal Ax = b tiene una única solución para cada matriz b

de orden n 1

154