´

ALGEBRA LINEAL
PARA QU
´
IMICA
´
ALGEBRA LINEAL
PARA QU
´
IMICA
Almer´ıa, 2006
Contenido
1 Introducci´on a los sistemas de ecuaciones lineales 5
1.1 El m´etodo de Gauss de resoluci´on de sistemas . . . . . . . . . . . . . 5
1.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Matrices y determinantes 9
2.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Matrices escalonadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Matrices equivalentes y semejantes . . . . . . . . . . . . . . . . . . . 16
2.4 Dependencia e independencia lineal. Rango de una matriz . . . . . . 17
2.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 C´alculo de la inversa de una matriz por adjuntos . . . . . . . . . . . . 23
2.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Sistemas de ecuaciones lineales. Teorema de Rouch´e-Frobenius 43
3.1 Ecuaci´on matricial de un sistema de ecuaciones lineales . . . . . . . . 43
3.2 Teorema de Rouch´e-Frobenius . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Resoluci´on de sistemas de Cramer . . . . . . . . . . . . . . . . . . . . 45
3.4 Soluciones de un sistema compatible indeterminado . . . . . . . . . . 47
3.5 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Introducci´on a los espacios vectoriales 59
4.1 Vectores en el espacio real n-dimensional . . . . . . . . . . . . . . . . 59
4.2 Combinaciones lineales y dependencia lineal . . . . . . . . . . . . . . 60
4.3 Producto escalar, norma y distancia . . . . . . . . . . . . . . . . . . . 63
4.3.1
´
Angulos y proyecciones . . . . . . . . . . . . . . . . . . . . . . 64
4.4 Notaci´on ijk para vectores de R
3
. . . . . . . . . . . . . . . . . . . . . 65
4.4.1 Producto vectorial . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5 Vectores complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6 Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5 Espacios vectoriales 71
5.1 Definici´on de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Subespacio generado por un conjunto . . . . . . . . . . . . . . . . . . 72
1
2 CONTENIDO
5.4 Suma y suma directa de subespacios . . . . . . . . . . . . . . . . . . 74
5.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.6 Ecuaciones de un cambio de base . . . . . . . . . . . . . . . . . . . . 78
5.7 Ecuaciones param´etricas de un subespacio . . . . . . . . . . . . . . . 80
5.8 Ecuaciones cartesianas de un subespacio . . . . . . . . . . . . . . . . 81
5.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6 Aplicaciones lineales 119
6.1 Definici´on y primeras propiedades . . . . . . . . . . . . . . . . . . . . 119
6.2 Ecuaciones de un homomorfismo . . . . . . . . . . . . . . . . . . . . . 122
6.3 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
7 Diagonalizaci´on de matrices 149
7.1 Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . 149
7.2 Interpretaci´ on matricial . . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.3 El teorema fundamental . . . . . . . . . . . . . . . . . . . . . . . . . 152
7.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8 Ortogonalidad y m´ınimos cuadrados 167
8.1 Espacios con producto interno, norma y distancia . . . . . . . . . . . 167
8.2
´
Angulo entre vectores, ortogonalidad . . . . . . . . . . . . . . . . . . 168
8.2.1 Conjuntos ortonormales . . . . . . . . . . . . . . . . . . . . . 169
8.3 El teorema de la mejor aproximaci´ on . . . . . . . . . . . . . . . . . . 171
8.4 Problemas de m´ınimos cuadrados . . . . . . . . . . . . . . . . . . . . 172
8.5 Ajuste de datos experimentales . . . . . . . . . . . . . . . . . . . . . 173
8.5.1 La media aritm´etica . . . . . . . . . . . . . . . . . . . . . . . 173
8.5.2 Ajuste de una recta a una serie de puntos . . . . . . . . . . . 173
8.5.3 Ajuste por m´ınimos cuadrados a una par´abola . . . . . . . . . 174
8.6 Aproximaci´ on de funciones a polinomios . . . . . . . . . . . . . . . . 175
8.7 Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9 Matrices sim´etricas y formas cuadr´aticas 181
9.1 Diagonalizaci´on ortogonal . . . . . . . . . . . . . . . . . . . . . . . . 181
9.2 Aplicaciones del Teorema Espectral . . . . . . . . . . . . . . . . . . . 182
9.2.1 La descomposici´on en valores singulares . . . . . . . . . . . . . 182
9.2.2 Formas Cuadr´aticas . . . . . . . . . . . . . . . . . . . . . . . . 183
9.2.3 Clasificaci´on de formas cuadr´aticas . . . . . . . . . . . . . . . 184
9.2.4 C´onicas en IR
2
. . . . . . . . . . . . . . . . . . . . . . . . . . 184
9.3 Problemas resueltos y propuestos . . . . . . . . . . . . . . . . . . . . 188
10 Pr´acticas de Mathematica 195
10.1 Pr´actica 1: Introducci´on . . . . . . . . . . . . . . . . . . . . . . . . . 195
10.2 Pr´actica 2: Determinantes y sistemas de ecuaciones . . . . . . . . . . 200
10.3 Pr´actica 3: Primeros c´alculos con vectores . . . . . . . . . . . . . . . 207
10.4 Pr´actica 4: Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . 222
CONTENIDO 3
10.5 Pr´actica 5: Espacios vectoriales II . . . . . . . . . . . . . . . . . . . . 227
10.6 Pr´actica 6: Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . 232
10.7 Pr´actica 7: Problemas de repaso . . . . . . . . . . . . . . . . . . . . . 239
10.8 Pr´actica 8: Diagonalizaci´on . . . . . . . . . . . . . . . . . . . . . . . 244
4 CONTENIDO
Cap´ıtulo 1
Introducci´on a los sistemas de
ecuaciones lineales
1.1 El m´etodo de Gauss de resoluci´on de sistemas
Daremos inicio al curso haciendo una breve introducci´on a la teor´ıa de sistemas de
ecuaciones lineales, recordando el m´etodo de Gauss para la resoluci´on de los mismos,
que ya es conocido por el alumno desde los cursos pre-universitarios.
Comenzaremos, por supuesto, por la definici´on de sistema de ecuaciones lineales.
Definici´on 1.1.1 Una ecuaci´on lineal en IR con inc´ognitas x
1
, . . . , x
n
es una ecua-
ci´on del tipo
a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b,
en donde tanto a
i
, i = 1, . . . , n como b son n´ umeros reales. Es decir, una ecuaci´on
lineal en las variables x
1
, . . . , x
n
se construye multiplicando cada variable por un
escalar (un n´ umero real), sumando todas estas multiplicaciones e igualando a otro
n´ umero real.
Un sistema de m ecuaciones lineales con n inc´ognitas es un conjunto de m ecua-
ciones lineales todas ellas construidas a partir de las mismas n variables, es decir,
es un sistema de la forma:
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
en donde a
ij
∈ IR y b
i
∈ IR. A los n´ umeros a
ij
se les llama coeficientes del sistema,
y a los n´ umeros b
i
t´erminos independientes.
Una n-upla (t
1
, ..., t
n
) ∈ IR
n
es una soluci´on del sistema si satisface las m ecua-
ciones de ´este.
Resolver un sistema es determinar el conjunto de todas las soluciones del mismo.
5
6 CAP
´
ITULO 1. INTRODUCCI
´
ON A LOS SISTEMAS DE ECUACIONES
Ejemplos. La ecuaci´on 3x + 5y + 7z = 8 es una ecuaci´on lineal en tres variables.
La ecuaci´on 3x + 5y + 7 = 8 tambi´en es una ecuaci´on lineal (en dos variables) pues
puede escribirse de la forma 3x + 5y = 1. Sin embargo la ecuaci´on 3x
2
+ 5y = 2 no
es lineal, puesto que aparece t´ermino no lineal (x
2
). La ecuaci´on 3 senx + 5y = 9
tampoco es lineal.
Los sistemas de ecuaciones lineales se clasifican de la siguiente forma, en funci´on
del n´ umero de soluciones que posean:
Sistemas incompatibles −→ No tienen ninguna soluci´on
Sistemas compatibles
_
Determinados −→ Tienen una ´ unica soluci´on
Indeterminados −→ Tienen infinitas soluciones
Definici´on 1.1.2 Dos sistemas de ecuaciones lineales se dice que son equivalentes
cuando tienen el mismo conjunto de soluciones.
Uno de los m´etodos cl´asicos de c´alculo de las soluciones de un sistema de ecua-
ciones lineales es el conocido m´etodo de Gauss, que consiste en transformar el sis-
tema de ecuaciones en un sistema equivalente m´as sencillo por medio de una serie
de operaciones con las ecuaciones. Aplicando estas operaciones a las ecuaciones de
manera sucesiva se llega a un sistema lo m´as sencillo posible que pueda ser resuelto
r´apidamente. Este m´etodo ser´a ilustrado con un ejemplo, pero antes recordemos
cu´ales son las operaciones que pueden aplicarse a las ecuaciones de un sistema para
obtener un sistema equivalente:
a) Se puede multiplicar cualquiera de las ecuaciones por un n´ umero real no nulo
arbitrario.
b) Se puede sumar a cualquier ecuaci´on un m´ ultiplo de cualquier otra ecuaci´on
del sistema.
c) Se pueden intercambiar las posiciones de las ecuaciones.
Ejemplo. Discutamos y resolvamos el sistema de ecuaciones lineales
y + 3z = 1
x + 2y + 3z = 7
3x −2y −7z = 2
_
¸
_
¸
_
En primer lugar localizamos una ecuaci´on de forma que el coeficiente de la primera
variable (en este caso la x) sea no nulo, y a ser posible 1. Observamos que en la
segunda ecuaci´on del sistema el coeficiente de x es uno, as´ı que intercambiamos las
ecuaciones primera y segunda, obteniendo
x + 2y + 3z = 7
y + 3z = 1
3x −2y −7z = 2
_
¸
_
¸
_
1.1. EL M
´
ETODO DE GAUSS DE RESOLUCI
´
ON DE SISTEMAS 7
Seguidamente, aplicando las operaciones explicadas anteriormente, calculamos un
sistema de ecuaciones en el que la variable x s´olo aparezca en la primera ecuaci´on.
En este caso en la segunda ecuaci´on no aparece ya la variable x, por lo que s´olo
tenemos que trabajar con la tercera ecuaci´on. De esta forma, vemos que restando a
la tercera ecuaci´on el resultado de multiplicar la primera ecuaci´on por 3 obtenemos
x + 2y + 3z = 7
y + 3z = 1
−8y −16z = −19
_
¸
_
¸
_
,
y que en este sistema la x s´olo aparece en la primera ecuaci´on.
Repitiendo este argumento, hacemos cero el coeficiente de la y en la tercera
ecuaci´on, para lo cual sumamos a la tercera ecuaci´on el resultado de multiplicar la
segunda ecuaci´on por 8. Obtenemos:
x + 2y + 3z = 7
y + 3z = 1
8z = −11
_
¸
_
¸
_
.
El m´etodo de Gauss llega hasta este punto, y a partir de aqu´ı se calcula f´acilmente
la soluci´on de z, despu´es la de y y por ´ ultimo la de x. No obstante, observamos que
repitiendo el mismo argumento que hemos aplicado hasta ahora podemos hacer ceros
los coeficientes de y y de z en la primera ecuaci´on y el de z en la segunda, lo cual nos
proporciona directamente la soluci´on del sistema. Procederemos pues de la siguiente
forma: a partir del sistema anterior hacemos cero el coeficiente de z en las ecuaciones
primera y segunda. Para ello multiplicamos la tercera ecuaci´on por 1/8, obteniendo
x + 2y + 3z = 7
y + 3z = 1
z = −
11
8
_
¸
_
¸
_
y despu´es restamos a la segunda ecuaci´on tres veces la tercera, y a la primera tambi´en
tres veces la tercera
x + 2y =
89
8
y =
41
8
z = −
11
8
_
¸
_
¸
_
.
Finalmente, si restamos a la primera ecuaci´on dos veces la segunda, llegamos al
sistema
x =
7
8
y =
41
8
z = −
11
8
_
¸
_
¸
_
,
cuya soluci´on viene ya dada.
8 CAP
´
ITULO 1. INTRODUCCI
´
ON A LOS SISTEMAS DE ECUACIONES
1.2 Ejemplo
Problema 1 Discuta en IR el siguiente sistema seg´ un los distintos valores de los
par´ametros a y b.
ax + by + z = 0
x + ay + bz = 0
ax + by + az = a
_
¸
_
¸
_
Calcule la soluci´on del sistema en los casos en que exista.
Soluci´on. Escalonemos el sistema:
ax +by +z = 0
x +ay +bz = 0
ax +by +az = a
_
¸
_
¸
_
(1)

x +ay +bz = 0
ax +by +z = 0
ax +by +az = a
_
¸
_
¸
_
(2)

x +ay +bz = 0
(b −a
2
)y + (1 −ab)z = 0
(b −a
2
)y + (a −ab)z = a
_
¸
_
¸
_
(3)

x +ay +bz = 0
(b −a
2
)y + (1 −ab)z = 0
(a −1)z = a
_
¸
_
¸
_
(∗).
Operaciones realizadas
(1) Ec 1 ↔Ec 2.
(2) Ec 2 −aEc 1, Ec 3 −aEc 1.
(3) Ec 3 −Ec 2.
Vemos claramente que para a ,= 1 y a
2
,= b el sistema ser´a compatible determinado
y su soluci´on
z =
a
a −1
, y =
(ab −1)a
(a −1)(b −a
2
)
, x =
a
1 −a
.
Si a = 1 el sistema ser´a incompatible como demuestra la ´ ultima fila de la matriz
(∗).
Por ´ ultimo, si a
2
= b y a ,= 1 observamos que z =
a
a−1
y (1 −a
3
)
a
a−1
= 0, es decir,
a
2
+ a + 1 = 0 ´o a = 0. Las ra´ıces de la ecuaci´on x
2
+ x + 1 = 0 no son reales, por
tanto el caso a
2
+a + 1 = 0 no lo tendremos en cuenta. Por tanto si a
2
= b y a ,= 1:
a) si a = 0 entonces el sistema es compatible indeterminado, b) si a ,= 0 entonces el
sistema es incompatible.
Debemos calcular la soluci´on en el caso a).
Si a = 0, como a
2
= b tambi´en b = 0, as´ı, la soluci´on ser´a z = x = 0, y = λ (λ es
lo que se llama un par´ametro).
Cap´ıtulo 2
Matrices y determinantes
2.1 Matrices
Comenzamos este tema dando la definici´on formal de un concepto ya familiar para
el alumno: el de matriz, para lo cual recordamos que un cuerpo K es un conjunto
con dos operaciones (suma, +, y producto, ) de forma que (K, +) y (K − ¦0¦, )
son grupos abelianos (es decir, las operaciones internas cumplen las propiedades
asociativa, conmutativa, existencia de elemento neutro o identidad y de opuesto
o inverso) y se tiene la distributividad del producto respecto de la suma, esto es,
a(b +c) = ab +ac, ∀a, b, c ∈ K.
Los ejemplos de cuerpos que tendremos m´as presentes ser´an IR y I C, aunque
tambi´en resultan bastante familiares I Q y ZZ
p
con p primo.
Definici´on 2.1.1 Sean I = ¦1, 2, ..., m¦, J = ¦1, 2, ..., n¦ dos conjuntos finitos. Una
matriz de orden mn sobre un cuerpo K es una aplicaci´on A : I J →K.
Si denotamos a
ij
= A(i, j) ∈ K, la matriz A suele ser representada gr´aficamente
de la forma A = (a
ij
)
m×n
, o lo que es lo mismo
A =
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n


a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
.
A es una matriz de m filas y n columnas.
Denotaremos por /
m×n
(K) al conjunto de todas las matrices mn sobre K y
por /
n
(K) al conjunto de todas las matrices cuadradas de orden n (es decir, con n
filas y n columnas) sobre K.
Dos matrices A = (a
ij
), B = (b
ij
) son iguales si todas sus entradas son iguales,
es decir, A = B si a
ij
= b
ij
∀i, j.
La matriz nula es aqu´ella cuyas entradas son todas 0.
9
10 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
En el conjunto de matrices /
m×n
(K) se definen las siguientes operaciones:
a) Suma:
(a
ij
) + (b
ij
) = (a
ij
+b
ij
), ∀ (a
ij
), (b
ij
) ∈ /
m×n
(K).
b) Producto por escalares:
r(a
ij
) = (ra
ij
), ∀ r ∈ K, ∀(a
ij
) ∈ /
m×n
(K).
Dadas dos matrices A = (a
ik
)
m×p
y B = (b
kj
)
p×n
, definimos su producto como:
AB = (c
ij
)
m×n
, donde c
ij
=

p
k=1
a
ik
b
kj
.
Ejemplo. Consideremos las matrices
A =
_
1 4
3 5
_
, B =
_
4 7
1 2
_
y el n´ umero real 8. La suma de las matrices A y B se consigue sumando cada
(i, j)-entrada de A con la (i, j)-entrada de B, es decir,
A +B =
_
1 + 4 4 + 7
3 + 1 5 + 2
_
=
_
5 11
4 7
_
.
El producto del escalar 8 por la matriz A se desarrolla multiplicando 8 por cada
una de las entradas de A, es decir,
8 A =
_
8 1 8 4
8 3 8 5
_
=
_
8 32
24 40
_
.
De la misma manera
8 B =
_
8 4 8 7
8 1 8 2
_
=
_
32 56
8 16
_
Calculemos finalmente el producto de A y B. Seg´ un la f´ormula dada anterior-
mente para el producto de matrices tenemos que
_
a
11
a
12
a
21
a
22
_

_
b
11
b
12
b
21
b
22
_
=
_
a
11
b
11
+a
12
b
21
a
11
b
12
+a
12
b
22
a
21
b
11
+a
22
b
21
a
21
b
12
+a
22
b
22
_
,
que en nuestro caso particular resultar´ıa
A B =
_
1 4
3 5
_

_
4 7
1 2
_
=
_
1 4 + 4 1 1 7 + 4 2
3 4 + 5 1 3 7 + 5 2
_
=
_
8 15
17 31
_
.
Existe una matriz que verifica la propiedad del elemento neutro para el producto
de matrices. Dicha matriz es aqu´ella cuyas entradas en la diagonal principal (la
diagonal principal est´a formada por los elementos de la matriz que ocupan la posici´on
2.1. MATRICES 11
(i, i), i = 1, 2, ..., n) son todas 1, es decir, a
ii
= 1 para todo i, y el resto de las entradas
son todas 0, es decir, la matriz
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
.
Esta matriz a la que estamos haciendo referencia se conoce con el nombre de
matriz identidad. Cuando el tama˜ no de la matriz es n, ´esta se denota por I
n
. Por
tanto tenemos que dada cualquier matriz A de tama˜ no m n, A I
n
= A, y dada
cualquier matriz B de tama˜ no n m, I
n
B = B.
Definici´on 2.1.2 Una matriz cuadrada A ∈ /
n
(K) se dice que es regular o in-
versible si existe B ∈ /
n
(K) tal que AB = BA = I
n
. La matriz B recibe el nombre
de inversa de A y se denota por A
−1
.
Ejemplo. Si consideramos las matrices A =
_
1 2
0 1
_
y B =
_
1 −2
0 1
_
, podemos
comprobar que
_
1 2
0 1
_

_
1 −2
0 1
_
=
_
1 0
0 1
_
,
es decir, que B = A
−1
.
Proposici´on 2.1.3 Sean A, B ∈ /
n
(K) dos matrices regulares. Se verifican en-
tonces las siguientes afirmaciones:
i) (A
−1
)
−1
= A.
ii) AB tambi´en es regular, y (AB)
−1
= B
−1
A
−1
.
iii) I
n
es regular e I
−1
n
= I
n
.
Definici´on 2.1.4 Dada una matriz A = (a
ij
) ∈ /
m×n
(K), se define su transpuesta
como la matriz A
t
= (a
ji
), es decir, la matriz que se obtiene poniendo las filas de A
como columnas. Es claro entonces que A
t
∈ /
n×m
(K).
Diremos que una matriz cuadrada A ∈ /
n
(K) es:
a) sim´etrica si A
t
= A;
b) antisim´etrica si A = −A
t
;
c) ortogonal si A
−1
= A
t
.
Ejemplo. Consideremos las matrices
A =
_
_
_
_
_
1 3 5 3
3 7 2 1
5 2 4 2
3 1 2 7
_
_
_
_
_
, B =
_
_
_
_
_
0 3 5 3
−3 0 2 −1
−5 −2 0 2
−3 1 −2 0
_
_
_
_
_
y C =
_
0 1
1 0
_
.
12 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Las matrices transpuestas de A, B y C respectivamente son:
A
t
=
_
_
_
_
_
1 3 5 3
3 7 2 1
5 2 4 2
3 1 2 7
_
_
_
_
_
, B
t
=
_
_
_
_
_
0 −3 −5 −3
3 0 −2 1
5 2 0 −2
3 −1 2 0
_
_
_
_
_
y C
t
=
_
0 1
1 0
_
.
Tenemos entonces que A = A
t
y que B = −B
t
, por lo que A y C son matrices
sim´etricas y B es una matriz antisim´etrica. Adem´as, es f´acil comprobar que C
−1
= C,
es decir,
C
−1
=
_
0 1
1 0
_
,
por lo que vemos que C = C
t
y por lo tanto que C es una matriz ortogonal.
La siguiente proposici´on expresa algunas propiedades interesantes referentes a la
transposici´on de matrices.
Proposici´on 2.1.5 Sean A, B ∈ /
m×n
(K). Entonces:
a) (A +B)
t
= A
t
+B
t
,
b) (rA)
t
= rA
t
, ∀r ∈ K.
c) (A
t
)
t
= A.
d) (AB)
t
= B
t
A
t
. En particular si C ∈ /
n
(K) es regular, (C
−1
)
t
= (C
t
)
−1
.
e) El conjunto de matrices ortogonales de orden n, O
n
(K), es un subgrupo del
grupo de matrices regulares de orden n, GL
n
(K).
2.2 Matrices escalonadas
Definici´on 2.2.1 Una matriz A = (a
ij
) ∈ /
m×n
(K) se dice que est´a en forma
escalonada si existen entradas no nulas a
1k
1
, a
2k
2
,..., a
tk
t
, con k
i
< k
i+1
∀ i =
1, 2, ..., t, tales que a
ik
= 0 siempre que i ≤ t y k < k
i
, o bien, i > t.
Los elementos a
1k
1
, a
2k
2
,..., a
tk
t
, son denominados entradas principales no nulas
de la matriz A.
Ejemplos. La matriz
A =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 2
_
_
_
est´a en forma escalonada, y las entradas no nulas a
ik
i
a las que hac´ıa referencia la
definici´on anterior son a
11
= 1, a
23
= 1 y a
35
= 2.
La matriz
B =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 2 0 2
_
_
_
2.2. MATRICES ESCALONADAS 13
NO est´a en forma escalonada porque la (2, 3)-entrada de B (b
23
) y la (3, 3)-entrada de
B son ambas no nulas (dado que b
23
,= 0, para que B estuviera en forma escalonada
necesitar´ıamos que b
31
= b
32
= b
33
= 0). Por la misma raz´on, la matriz
C =
_
_
_
1 2 7 2 0
0 0 1 3 2
1 0 0 0 2
_
_
_
tampoco est´a en forma escalonada.
Definici´on 2.2.2 Una matriz escalonada A = (a
ij
) ∈ /
m×n
(K) con entradas prin-
cipales no nulas a
1k
1
, a
2k
2
,..., a
tk
t
, se dice que est´a en forma can´onica por filas si
a
ik
i
= 1 para i = 1, 2, ..., t, y si todos los elementos de la columna k
i
-´esima son cero
excepto a
ik
i
, ∀ i = 1, 2, ..., t.
Ejemplos. La matriz
A =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 2
_
_
_
no est´a en forma can´onica por filas ya que sus entradas principales no nulas no son
todas 1 (a
35
= 2).
La matriz
B =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 1
_
_
_
tampoco est´a en forma can´onica por filas, ya que, aunque sus entradas principales
no nulas (a
11
, a
23
y a
35
) son todas 1, las columnas en las que se encuentran estas
entradas no tienen el resto de sus elementos 0, as´ı, la columna tres (en la que se
encuentra la entrada principal no nula a
23
) tiene una entrada (distinta de la (2, 3))
no nula, que es la (1, 3). Tambi´en la columna cinco tiene una entrada no nula (la
(2, 5)) adem´as de la entrada principal no nula correspondiente (que es la (3, 5)).
Sin embargo la matriz
C =
_
_
_
1 2 0 2 0
0 0 1 3 0
0 0 0 0 1
_
_
_
s´ı est´a en forma can´onica por filas.
A cualquier matriz se le pueden aplicar una serie de operaciones por filas, que co-
inciden exactamente con las operaciones que en el tema anterior efectu´abamos sobre
las ecuaciones de un sistema de ecuaciones lineales, y por un m´etodo completamente
an´alogo al de Gauss obtener una matriz escalonada y una matriz que se encuentre
en forma can´onica por filas. Las operaciones por filas “permitidas” para obtener
14 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
una matriz escalonada o en forma can´onica por filas a partir de una matriz dada se
llaman operaciones elementales por filas, y son las siguientes:
1) Intercambiar dos filas de la matriz. A la operaci´on de intercambiar las filas
i-´esima y j-´esima se suele denotar por
F
i
↔F
j
.
2) Multiplicar una fila de la matriz por un escalar cualquiera no nulo. Si deseamos
multiplicar la fila i-´esima por el escalar t denotaremos a esta operaci´on por
tF
i
.
3) Sumar a una fila un m´ ultiplo cualquiera (no nulo) de otra fila. Si queremos
sustituir la fila i-´esima por el resultado de sumarle a esta misma fila la j-´esima
multiplicada por a, escribiremos
F
i
+aF
j
.
Definici´on 2.2.3 Diremos que dos matrices A, B ∈ /
m×n
(K) son equivalentes
por fila si una puede ser transformada en la otra por medio de una sucesi´on de
operaciones elementales de fila.
Una matriz puede ser equivalente por filas a distintas matrices en forma escalo-
nada. Sin embargo, toda matriz es equivalente por filas a una ´ unica matriz en forma
can´onica por filas. Resumimos lo dicho en la siguiente
Proposici´on 2.2.4 a) Por medio de la reducci´on Gaussiana, toda matriz A es e-
quivalente por filas a otra en forma escalonada.
b) Toda matriz A es equivalente por filas a una ´ unica matriz en forma can´onica
por filas.
Ejemplo. Reduzcamos la matriz
A =
_
_
_
_
_
1 8 2 7
2 16 −3 5
9 72 4 1
3 24 1 9
_
_
_
_
_
a forma escalonada.
_
_
_
_
_
1 8 2 7
2 16 −3 5
9 72 4 1
3 24 1 9
_
_
_
_
_
(1)

_
_
_
_
_
1 8 2 7
0 0 −7 −9
0 0 −14 −62
0 0 −5 −12
_
_
_
_
_
(2)

_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 14 62
0 0 5 12
_
_
_
_
_
(3)

_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 44
0 0 0 39/7
_
_
_
_
_
(4)

_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 1
_
_
_
_
_
(5)

_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 0
_
_
_
_
_
.
2.2. MATRICES ESCALONADAS 15
Operaciones realizadas
(1) F
2
−2F
1
, F
3
−9F
1
y F
4
−3F
1
.
(2) (−1)F
2
, (−1)F
3
y (−1)F
4
.
(3) F
3
−2F
1
y F
4

5
7
F
2
.
(4)
1
44
F
3
y
7
39
F
4
.
(5) F
4
−F
3
.
La matriz que hemos obtenido ya est´a en forma escalonada. Sigamos reduci´endola
hasta obtener la forma can´onica por filas.
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 0
_
_
_
_
_
(6)

_
_
_
_
_
1 8 2 0
0 0 7 0
0 0 0 1
0 0 0 0
_
_
_
_
_
(7)

_
_
_
_
_
1 8 2 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
(8)

_
_
_
_
_
1 8 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
.
Operaciones realizadas
(6) F
2
−9F
3
y F
1
−7F
3
.
(7)
1
7
F
2
.
(8) F
1
−2F
2
.
La ´ ultima matriz obtenida es la forma can´onica por filas de A.
A continuaci´ on, exponemos un m´etodo para calcular la inversa de un matriz
cuadrada A ∈ /
n
(K), en el caso de que ´esta exista, que hace uso de lo dicho ante-
riormente: se considera la matriz B = (A[I
n
) perteneciente a /
n×2n
(K). Despu´es,
se calcula la forma can´onica por filas de B. Si A es inversible, entonces su forma
can´onica por filas es I
n
, de manera que la forma can´onica por filas de B ser´ıa de la
forma (I
n
[C). La matriz inversa de A ser´a A
−1
= C.
Ejemplo. Estudiemos si la matriz
_
_
_
1 2 5
0 2 3
0 3 5
_
_
_
es o no inversible, y caso de serlo, calculemos su inversa.
Consideramos la matriz
_
_
_
1 2 5
0 2 3
0 3 5
1 0 0
0 1 0
0 0 1
_
_
_
y calculamos su forma can´onica por filas.
_
_
_
1 2 5
0 2 3
0 3 5
1 0 0
0 1 0
0 0 1
_
_
_
(1)

_
_
_
1 2 5
0 1 3/2
0 3 5
1 0 0
0 1/2 0
0 0 1
_
_
_
(2)

16 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
_
_
_
1 2 5
0 1 3/2
0 0 1/2
1 0 0
0 1/2 0
0 −3/2 1
_
_
_
(3)

_
_
_
1 2 5
0 1 3/2
0 0 1
1 0 0
0 1/2 0
0 −3 2
_
_
_
(4)

_
_
_
1 2 0
0 1 0
0 0 1
1 15 −10
0 5 −3
0 −3 2
_
_
_
(5)

_
_
_
1 0 0
0 1 0
0 0 1
1 5 −4
0 5 −3
0 −3 2
_
_
_.
Operaciones realizadas
(1)
1
2
F
2
.
(2) F
3
−3F
2
.
(3) 2F
3
.
(4) F
2

3
2
F
3
y F
1
−5F
3
.
(5) F
1
−2F
2
.
Deducimos entonces que A es inversible y que su inversa es la matriz
A
−1
=
_
_
_
1 5 −4
0 5 −3
0 −3 2
_
_
_.
2.3 Matrices equivalentes y semejantes
En esta parte del tema vamos a dar los conceptos de matrices equivalentes y
semejantes. Notemos que, a la luz de la definici´on siguiente, la equivalencia entre
matrices es algo m´as restrictivo que la equivalencia por filas.
Definici´on 2.3.1 Dos matrices A, B ∈ /
m×n
(K) se dir´an equivalentes, y se re-
presentar´a por A ≡ B, si existen matrices cuadradas inversibles R, S tales que
B = R A S.
Dos matrices A, B ∈ /
n
(K) se dir´an semejantes, y se representar´a por A ≡
s
B,
si existe una matriz inversible P ∈ /
n
(K) tal que B = P
−1
AP.
Es f´acil observar que tanto la relaci´on ≡ como la relaci´on ≡
s
son relaciones de
equivalencia en /
m×n
(K) y /
n
(K) respectivamente.
Dos matrices A, B ∈ /
m×n
(K) que sean equivalentes por filas tambi´en son
equivalentes.
Ejemplo. Consideremos las matrices
A =
_
_
_
1 2 3
1 1 2
1 2 1
_
_
_, B =
_
_
_
23 32 38
5 7 8
7 10 12
_
_
_ y C =
_
_
_
9 7 −19
2 1 −4
3 3 −7
_
_
_.
Las matrices A y B son equivalentes pues la matrices
R =
_
_
_
1 3 5
0 1 1
0 1 2
_
_
_
2.4 DEPENDENCIA LINEAL. RANGO DE UNA MATRIZ 17
y
S =
_
_
_
1 2 1
0 0 1
1 1 1
_
_
_
son inversibles, de hecho
R
−1
=
_
_
_
1 −1 −2
0 2 −1
0 −1 1
_
_
_
y
S
−1
=
_
_
_
−1 −1 2
1 0 −1
0 1 0
_
_
_,
y son tales que B = R A S.
Las matrices A y C son semejantes, pues, como ya hemos comentado, R es una
matriz inversible, y se puede comprobar que C = R A R
−1
.
Puede comprobarse adem´as que A y B (as´ı como A y C) son equivalentes por
filas, pues la forma can´onica por filas de A y la de B (as´ı como la forma can´onica
por filas de C) son la misma.
2.4 Dependencia e independencia lineal. Rango
de una matriz
Los conceptos de dependencia e independencia lineal aparecen de manera natural
en el ´ambito de los espacios vectoriales, y se aplican a los vectores de los mismos.
Los espacios vectoriales ser´an estudiados en un tema posterior, en el que se tratar´an
estos conceptos con m´as profundidad. Sin embargo, dichas nociones ser´an utilizadas
a la hora de trabajar con los sistemas de ecuaciones lineales, por lo que incluimos
en este momento una peque˜ na secci´on en la que damos una breve explicaci´on de la
dependencia e independencia lineal, siempre restringi´endonos al caso de ecuaciones
y/o filas o columnas de una matriz (aunque como veremos m´as adelante, no existe
diferencia alguna).
Definici´on 2.4.1 Sean x
1
, . . . , x
n
n filas o columnas de una matriz, o n ecuaciones
de un sistema de ecuaciones lineales. Se dice que x
1
, . . . , x
n
son linealmente inde-
pendientes si, dados n escalares a
1
, . . . , a
n
∈ K, la relaci´on
a
1
x
1
+ a
n
x
n
= 0
(n´otese que 0 indica una fila o columna nula, es decir, todas sus entradas son cero,
o una ecuaci´on nula, es decir, una ecuaci´on que se satisface para todo valor que se
les de a las indeterminadas) se verifica si y s´olo si todos los escalares son nulos, es
decir, a
1
= a
2
= = a
n
= 0.
Si x
1
, , x
n
no son linealmente independientes, entonces son linealmente depen-
dientes.
18 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Ejemplos. 1. Supongamos que (1, 2, 3) y (1, 3, 7) son dos filas de una matriz, y
estudiemos si son linealmente dependientes o independientes. Para ello multiplicamos
(1, 2, 3) y (1, 3, 7) por dos escalares a
1
y a
2
y consideramos la relaci´on
a
1
(1, 2, 3) +a
2
(1, 3, 7) = (0, 0, 0).
Desarrollando la relaci´on anterior obtenemos
a
1
(1, 2, 3) +a
2
(1, 3, 7) = (a
1
, 2a
1
, 3a
1
) + (a
2
, 3a
2
, 7a
2
) =
(a
1
+a
2
, 2a
1
+ 3a
2
, 3a
1
+ 7a
2
) = (0, 0, 0),
de donde deducimos que
a
1
+a
2
= 0
2a
1
+ 3a
2
= 0
3a
1
+ 7a
2
= 0
_
¸
_
¸
_
.
Si resolvemos el sistema anterior vemos que la ´ unica soluci´on posible es a
1
= a
2
=
0, por lo que las dos filas son linealmente independientes.
2. Estudiemos ahora la dependencia o independencia lineal de (3, 5, 3), (2, 7, 3) y
(5, 12, 6).
Consideramos en primer lugar la ecuaci´on
a
1
(3, 5, 3) +a
2
(2, 7, 3) +a
3
(5, 12, 6) = (0, 0, 0)
y procedamos igual que en el ejemplo anterior. Obtenemos
3a
1
+ 2a
2
+ 5a
3
= 0
5a
1
+ 7a
2
+ 12a
3
= 0
3a
1
+ 3a
2
+ 6a
3
= 0
_
¸
_
¸
_
,
cuya soluci´on es a
1
= −a
3
, a
2
= −a
3
. Vemos por tanto que existen valores no nulos
de a
1
, a
2
y a
3
que verifican la ecuaci´on a
1
(3, 5, 3)+a
2
(2, 7, 3)+a
3
(5, 12, 6) = (0, 0, 0),
por lo que deducimos que (3, 5, 3), (2, 7, 3) y (5, 12, 6) son linealmente dependientes.
Definici´on 2.4.2 Sea A ∈ /
n×m
(K) una matriz cualquiera. Se llama rango de A,
y se denota por rg(A) o por r(A), al n´ umero de filas linealmente independientes de
A.
A la luz de la definici´on anterior, el rango de una matriz A se calcula estudiando
cu´ales son las filas linealmente independientes de A. Sin embargo, se verifica que
el n´ umero de filas linealmente independientes de cualquier matriz coincide con el
n´ umero de columnas linealmente independientes de la misma, por lo que, para cal-
cular el rango de una matriz cualquiera, se puede calcular el n´ umero de filas o de
2.5. DETERMINANTES 19
columnas que son linealmente independientes, que es exactamente el n´ umero de filas
no nulas de la forma can´onica por filas de la matriz.
Ejemplo. El rango de la matriz
A =
_
_
_
1 4 3
2 3 3
4 11 9
_
_
_
es r(A) = 2, puesto que, por ejemplo, las dos primeras filas son linealmente indepen-
dientes, pero las tres filas juntas no lo son.
Otra forma de calcular el rango es la siguiente: si aplicamos a la matriz A las
operaciones F
2
−2F
1
, F
3
−4F
1
, F
3
−F
2
, −1/5 F
2
, F
1
−4F
2
, obtenemos su forma
can´onica por filas, que resulta ser
_
_
_
1 0 3/5
0 1 3/5
0 0 0
_
_
_.
Como vemos dicha forma can´onica por filas tiene dos filas no nulas, por lo que el
rango de la matriz A debe ser dos.
2.5 Determinantes
Esta secci´on est´a dedicada al estudio de los determinantes de matrices. Nuestra
intenci´ on no es desarrollar el tema con rigor, ni dar los resultados y definiciones en
el ´ambito m´as general posible, sino simplemente explicar c´omo se calcula el deter-
minante de una matriz y cu´ales son sus propiedades m´as interesantes, con el objeto
de poder utilizar esta herramienta posteriormente a la hora de estudiar sistemas de
ecuaciones lineales y los conceptos de dependencia e independencia lineal.
Dada una matriz cuadrada de cualquier orden sobre un cuerpo, por ejemplo
A = (a
ij
) ∈ /
n
(K), el determinante de A, que usualmente se denota por [A[ o
por det(A), es un elemento del cuerpo K que se puede calcular por medio de un
proceso recursivo denominado c´alculo de un determinante mediante el desarrollo de
Laplace. Este desarrollo se efect´ ua de la siguiente forma: si n = 1, es decir, si
la matriz A es una matriz 1 1, o lo que es lo mismo, un n´ umero, por ejemplo
A = (a), entonces det(A) = a. Si n > 1 definimos s
ij
= (−1)
i+j
[A
ij
[, donde A
ij
es la submatriz de orden n − 1 que resulta al suprimir la fila i-´esima y la columna
j-´esima de A (al determinante [A
ij
[ se le denomina menor complementario de la
entrada a
ij
de A, y a s
ij
adjunto de a
ij
), y finalmente calculamos el determinante de
A como det(A) =

n
i=1
a
ij
s
ij
, ∀j = 1, 2, ..., n (desarrollo de Laplace por la columna
j-´esima), o bien como [A[ =

n
j=1
a
ij
s
ij
, ∀i = 1, 2, ..., n (desarrollo de Laplace por
la fila i-´esima).
20 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Ejemplos. 1. Para calcular el determinante de matriz
_
1 2
3 7
_
,
deberemos elegir una fila o una columna, lo que m´as nos interese, para llevar a
cabo el desarrollo de Laplace. Elijamos por ejemplo la primera fila de la matriz.
Procederemos entonces de la siguiente forma:
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
= (−1)
1+1
1 7 + (−1)
1+2
2 3 = 7 −6 = 1.
2. Consideremos ahora la matriz
A =
_
_
_
0 2 0
1 3 2
3 8 7
_
_
_.
Para calcular su determinante vemos que resulta m´as sencillo realizar el desarrollo
de Laplace a partir de la fila primera, ya que hay varios ceros y este hecho se traduce
en tener que calcular menos menores complementarios. Tenemos entonces
¸
¸
¸
¸
¸
¸
¸
0 2 0
1 3 2
3 8 7
¸
¸
¸
¸
¸
¸
¸
= (−1)
1+1
0
¸
¸
¸
¸
¸
3 2
8 7
¸
¸
¸
¸
¸
+ (−1)
1+2
2
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
+ (−1)
1+3
0
¸
¸
¸
¸
¸
1 3
3 8
¸
¸
¸
¸
¸
=
−2
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
.
Ahora bien, ya sabemos por el ejemplo anterior que
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
= 1,
por tanto
¸
¸
¸
¸
¸
¸
¸
0 2 0
1 3 2
3 8 7
¸
¸
¸
¸
¸
¸
¸
= −2 1 = −2.
Cuando una matriz es de tama˜ no 2 2, su determinante puede ser calculado
mediante la siguiente f´ormula:
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
¸
= a
11
a
22
−a
21
a
12
.
2.5. DETERMINANTES 21
Cuando la matriz A = (a
ij
) es de tama˜ no 3 3, es decir A ∈ M
3
(K), entonces se
puede calcular det(A) mediante una regla sencilla conocida como “regla de Sarrus”:
det(A) =
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
¸
=
a
11
a
22
a
33
+a
12
a
23
a
31
+a
21
a
32
a
13
−a
31
a
22
a
13
−a
32
a
23
a
11
−a
21
a
12
a
33
.
Ejemplos. 1. Sabemos por ejemplos anteriores que
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
= 1.
Comprobemos que utilizando la f´ormula dada anteriormente obtenemos el mismo
resultado:
¸
¸
¸
¸
¸
1 2
3 7
¸
¸
¸
¸
¸
= 1 7 −3 2 = 7 −6 = 1.
2. Calculemos ahora el determinante de la matriz
A =
_
_
_
0 2 0
1 3 2
3 8 7
_
_
_ ∈ /
3
(IR)
utilizando la regla de Sarrus.
[A[ = 0 3 7+2 2 3+1 8 0−3 3 0−8 2 0−1 2 7 = 0+12+0−0−0−14 = −2.
A continuaci´ on exponemos algunas de las propiedades de los determinantes, para
lo cual suponemos que A es una matriz de orden n sobre K. Denotaremos por F
i
a
las filas de A y por C
i
a las columnas, de manera que escribiremos A = (F
1
F
n
) =
(C
1
C
n
).
1. det(A) = det(A
t
).
2. Si σ ∈ S
n
es cualquier permutaci´ on, entonces
[C
σ(1)
C
σ(n)
[ = sig(σ) [C
1
C
n
[,
[F
σ(1)
F
σ(n)
[ = sig(σ) [F
1
F
n
[.
3. Dada cualquier fila Z
i
de orden n y cualquier columna Z

i
de orden n se verifica:
[F
1
F
i
+Z
i
F
n
[ = [F
1
F
i
F
n
[ +[F
1
Z
i
F
n
[,
[C
1
C
i
+Z

i
C
n
[ = [C
1
C
i
C
n
[ +[C
1
Z

i
C
n
[.
22 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
4. Para todo a ∈ K y todo i = 1, ..., n se tiene:
[F
1
aF
i
F
n
[ = a[F
1
F
i
F
n
[,
[C
1
aC
i
C
n
[ = a[C
1
C
i
C
n
[.
5. [F
1
F
n
[ = 0 ⇔ F
1
, ..., F
n
son linealmente dependientes ⇔ C
1
, ..., C
n
son
linealmente dependientes ⇔ [C
1
C
n
[ = 0.
6. Si α
1
, ..., α
n
∈ K son elementos cualesquiera entonces:
[F
1
F
i
+

j=i
α
j
F
j
F
n
[ = [F
1
F
i
F
n
[,
[C
1
C
i
+

j=i
α
j
C
j
C
n
[ = [C
1
C
i
C
n
[.
7. Si A, B ∈ M
n
(K) entonces det(A B) = det(A) det(B).
8. det(I
n
) = 1.
9. Una matriz cuadrada es regular si y s´olo si su determinante es distinto de cero.
Adem´as, si A es regular, entonces det(A
−1
) = det(A)
−1
.
10. Si A, B ∈ M
n
(K) son semejantes, entonces det(A) = det(B).
11. El rango de una matriz cualquiera A coincide con el orden de la mayor subma-
triz cuadrada de A que sea regular, es decir, el orden de la mayor submatriz
cuadrada de A cuyo determinante sea cero.
Para llevar a la pr´actica la tesis de la propiedad 11 anteriormente mencionada,
damos un sencillo m´etodo que reduce de manera ostensible los c´alculos.
Si en una matriz A = (a
ij
) ∈ M
m×n
(K) se ha localizado una submatriz cuadrada
regular de tama˜ no d, la cual se puede suponer (sin m´as que cambiar de posici´on
ciertas filas y columnas)
B =
_
_
_
_
_
a
11
a
12
a
1d
a
21
a
22
a
2d

a
d1
a
d2
a
dd
_
_
_
_
_
,
el rango de A ser´a al menos d + 1 si y s´olo si alguno de los “menores orlados” de B
(que a continuaci´on definimos) es no nulo.
Se llaman menores orlados en A de la submatriz B, a los siguientes determinantes:
[B(ij)[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1d
a
1j
a
21
a
22
a
2d
a
2j

a
d1
a
d2
a
dd
a
dj
a
i1
a
i2
a
id
a
ij
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
,
2.6. C
´
ALCULO DE LA INVERSA DE UNA MATRIZ POR ADJUNTOS 23
para todo i = d + 1, d + 2, ...., m y todo j = d + 1, d + 2, ..., n.
Ejemplo. Calculemos el rango de la matriz
A =
_
_
_
_
_
0 0 2 1
3 0 2 7
1 1 1 1
4 1 5 9
_
_
_
_
_
utilizando determinantes.
Comenzamos localizando una entrada no nula en la matriz, por ejemplo la (2, 1)-
entrada, que es 3. Existen dos menores orlados de tama˜ no dos,
¸
¸
¸
¸
¸
0 0
3 0
¸
¸
¸
¸
¸
= 0
y
¸
¸
¸
¸
¸
3 0
1 1
¸
¸
¸
¸
¸
= 3 ,= 0,
por lo que nos quedamos con la submatriz
_
3 0
1 1
_
.
Buscamos ahora sus menores orlados de tam˜ no 3.
´
Estos son
¸
¸
¸
¸
¸
¸
¸
0 0 2
3 0 2
1 1 1
¸
¸
¸
¸
¸
¸
¸
= 6
y
¸
¸
¸
¸
¸
¸
¸
3 0 2
1 1 1
4 1 5
¸
¸
¸
¸
¸
¸
¸
= 6.
Como al menos uno de ellos es no nulo (de hecho ambos son no nulos), el rango de A
ser´a al menos 3. Es claro ahora que rg(A) = 4 ⇔[A[ , = 0, pero se puede comprobar
que [A[ = 0, por lo que rg(A) = 3.
2.6 C´alculo de la inversa de una matriz por ad-
juntos
En este momento ya conocemos un sistema para calcular la inversa de una matriz
por medio de transformaciones de filas. En esta secci´on veremos otro m´etodo para
calcular la inversa de una matriz regular, utilizando determinantes. Seguiremos la
notaci´on s
ij
que introdujimos en la Secci´on 2.5 para denotar adjuntos. Con esta
notaci´on, se define la matriz adjunta de una matriz cuadrada A de orden n como
A = (s
ij
) ∈ M
n
(K).
24 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Proposici´on 2.6.1 Para toda matriz A ∈ M
n
(K), se verifica:
A(A)
t
= (A)
t
A = [A[I
n
.
(N´otese que (A)
t
= (A
t
) para toda matriz cuadrada A).
A partir de la relaci´on dada en la Proposici´on anterior se obtiene inmediatamente,
sin m´as que despejar, que la inversa de cualquier matriz regular se puede calcular
mediante la f´ormula
A
−1
=
1
[A[
(A)
t
.
Ejemplo. Consideremos la matriz
A =
_
_
_
1 5 8
3 2 1
6 4 7
_
_
_.
El determinante de A es [A[ = −65 que es distinto de cero, por lo que A es inversible.
Calculemos su inversa, para lo cual calculamos los adjuntos de cada una de las
entradas de A.
s
11
= (−1)
1+1

¸
¸
¸
¸
¸
2 1
4 7
¸
¸
¸
¸
¸
= 10. s
23
= (−1)
2+3

¸
¸
¸
¸
¸
1 5
6 4
¸
¸
¸
¸
¸
= 26.
s
12
= (−1)
1+2

¸
¸
¸
¸
¸
3 1
6 7
¸
¸
¸
¸
¸
= −15. s
31
= (−1)
3+1

¸
¸
¸
¸
¸
5 8
2 1
¸
¸
¸
¸
¸
= −11.
s
13
= (−1)
1+3

¸
¸
¸
¸
¸
3 2
6 4
¸
¸
¸
¸
¸
= 0. s
32
= (−1)
3+2

¸
¸
¸
¸
¸
1 8
3 1
¸
¸
¸
¸
¸
= 23.
s
21
= (−1)
2+1

¸
¸
¸
¸
¸
5 8
4 7
¸
¸
¸
¸
¸
= −3. s
33
= (−1)
3+3

¸
¸
¸
¸
¸
1 5
3 2
¸
¸
¸
¸
¸
= −13.
s
22
= (−1)
2+2

¸
¸
¸
¸
¸
1 8
6 7
¸
¸
¸
¸
¸
= −41.
De esta forma obtenemos que la matriz adjunta de A es
A =
_
_
_
10 −15 0
−3 −41 26
−11 23 −13
_
_
_
y por lo tanto la inversa de A es
A
−1
=
1
[A[
(A)
t
=
_
_
_
_
_
_
_
_
−2
13
3
65
11
65
3
13
41
65
−23
65
0
−2
5
1
5
_
_
_
_
_
_
_
_
.
2.7. PROBLEMAS 25
2.7 Problemas
Problema 1 Halle todas las matrices A de M
2
(IR) tales que A ,= 0 y A
2
= 0.
Soluci´on. Las matrices A que buscamos tendr´an la forma
A =
_
a b
c d
_
en donde a, b, c, d son n´ umeros reales no todos nulos.
A
2
=
_
a b
c d
__
a b
c d
_
=
_
a
2
+bc ab +bd
ca +dc cb +d
2
_
, por tanto la condici´on A
2
= 0
induce el siguiente sistema de ecuaciones:
a
2
+bc = 0
b(a +d) = 0
c(a +d) = 0
cb +d
2
= 0
_
¸
¸
¸
_
¸
¸
¸
_
.
Si b = 0, las ecuaciones primera y cuarta obligan a que a = d = 0, con lo cual c ,= 0
y obtendr´ıamos las matrices
_
0 0
c 0
_
con c ∈ IR

(recu´erdese que IR

= IR −¦0¦).
De la misma manera, si c = 0 obtendr´ıamos las matrices
_
0 b
0 0
_
con b ∈ IR

.
Por otro lado si es a + d = 0 el sistema que tendr´ıamos se reducir´ıa a una sola
ecuaci´on a
2
+bc = 0, es decir, a
2
= −bc.
Como consecuencia se deduce que las matrices A ,= 0 cuyo cuadrado es cero son
aqu´ellas que pertenecen al siguiente conjunto:
__
a b
c −a
_
; a
2
= −bc, a, b, c ∈ IR
_
.
Problema 2 Busque todas las matrices de M
2
(IR) tales que A
2
= I
2
.
Soluci´on. En este caso el sistema de ecuaciones que obtenemos es
a
2
+bc = 1
b(a +d) = 0
c(a +d) = 0
cb +d
2
= 1
_
¸
¸
¸
_
¸
¸
¸
_
.
Es claro que si a = −d las ecuaciones segunda y tercera se verifican para cua-
lesquiera valores de b y c. As´ı el sistema queda reducido a una sola ecuaci´on
a
2
+bc = 1, es decir, a
2
= 1 −bc.
Si por el contrario a ,= −d, necesariamente b = c = 0, y en este caso la soluci´on
del sistema es a = ±1, d = ±1.
As´ı pues, el conjunto de matrices cuyo cuadrado es la identidad es:
__
1 0
0 1
__
−1 0
0 −1
__
_
__
a b
c −a
_
; a
2
= 1 −bc
_
.
26 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Problema 3 Si a, b, c, d son elementos de ZZ, ¿ en qu´e condici´on la matriz A =
_
a b
c d
_
es inversible en /
2
(ZZ)? ¿Y en /
2
(I Q)?
Soluci´on. Si queremos que A sea inversible en /
2
(ZZ) debemos encontrar una
matriz B =
_
α β
γ δ
_
con α, β, γ, δ ∈ ZZ tal que AB = BA = I
2
. Si por el contrario
queremos que A sea inversible en /
2
(I Q), entonces los coeficientes α, β, γ, δ deben
ser elementos de I Q. En cualquier caso la condici´on AB = BA = I
2
nos induce el
sistema de ecuaciones
aα +bγ = 1
aβ +bδ = 0
cα +dγ = 0
cβ +dδ = 1
_
¸
¸
¸
_
¸
¸
¸
_
.
Si a ,= 0 deducimos de la primera de ecuaci´on que α =
1−bγ
a
y de la segunda que
β =
−bδ
a
. Si sustituimos ahora α y β por su valor en la tercera y cuarta ecuaciones
respectivamente, obtenemos
c −cbγ
a
+dγ = 0 ⇒0 = c + (ad −cb)γ ⇒γ =
−c
ad −cb
(n´otese que ad −bc = det(A)) y
1 =
−cbδ
a
+dδ =
δ(ad −cd)
a
⇒δ =
a
ad −cb
.
Una vez conocidos los valores de γ y δ podemos sustituir en α y β, con lo que
obtenemos
α =
d
ad −bc
, β =
−b
ad −bc
, γ =
−c
ad −bc
, δ =
a
ad −bc
.
Por tanto para que α, β, γ y δ sean elementos de ZZ necesitamos que ad − bc
divida a a, b, c y d, es decir, a = (ad − bc)s, b = (ad − bc)t, c = (ad − bc)r y
d = (ad −bc)k, para s, t, r, k ∈ ZZ. Se tiene entonces
ad −bc = (ad −bc)s(ad −bc)k −(ad −bc)t(ad −bc)r = (ad −bc)
2
(sk −tr),
y as´ı, como ad −bc debe ser distinto de cero, 1 = (ad −bc)(sk −tr), lo cual implica
que ad − bc = ±1. Si por el contrario queremos que α, β, γ y δ sean elementos de
I Q, lo que necesitamos es simplemente que ad −bc ,= 0.
Consideremos ahora el caso en que a = 0. En esta situaci´on la primera ecuaci´on
desprende inmediatamente que bγ = 1, es decir, b = γ = ±1, y la segunda ecuaci´on
que δ = 0 (pues b = ±1). Se tiene entonces por la cuarta ecuaci´on que c = β = ±1,
por tanto ad −bc = ±1.
Veamos que el rec´ıproco tambi´en es cierto, es decir, probemos que si ad−bc = ±1
entonces A es inversible en /
2
(ZZ) y que si ad −bc ,= 0 entonces A es inversible en
/
2
(I Q).
2.7. PROBLEMAS 27
a) Si ad −bc = ±1 est´a claro que los elementos
d
ad −bc
,
−b
ad −bc
,
−c
ad −bc
,
a
ad −bc
pertenecen a ZZ. Adem´as es inmediato comprobar que
_
a b
c d
__
d
ad−bc
−b
ad−bc
−c
ad−bc
a
ad−bc
_
=
_
d
ad−bc
−b
ad−bc
−c
ad−bc
a
ad−bc
__
a b
c d
_
=
_
1 0
0 1
_
por tanto A es inversible en /
2
(ZZ).
b) Por otro lado si ad −bc ,= 0 los elementos
d
ad −bc
,
−b
ad −bc
,
−c
ad −bc
,
a
ad −bc
son n´ umeros racionales, por lo tanto la matriz
_
d
ad−bc
−b
ad−bc
−c
ad−bc
a
ad−bc
_
pertenece a /
2
(I Q). Adem´as, como en el caso anterior
_
a b
c d
__
d
ad−bc
−b
ad−bc
−c
ad−bc
a
ad−bc
_
=
_
d
ad−bc
−b
ad−bc
−c
ad−bc
a
ad−bc
__
a b
c d
_
=
_
1 0
0 1
_
,
lo que implica que A es inversible en /
2
(I Q).
Problema 4 Dada la matriz A =
_
_
_
1 1/n 1/n
0 1 0
0 0 1
_
_
_, en donde n es un n´ umero
natural, calcule A
n
.
Soluci´on. Probemos por inducci´on que para todo n´ umero natural k es A
k
=
_
_
_
1 k/n k/n
0 1 0
0 0 1
_
_
_.
Para k = 1 es obviamente cierto. Supongamos que
A
i
=
_
_
_
1 i/n i/n
0 1 0
0 0 1
_
_
_
y probemos que A
i+1
=
_
_
_
1 (i + 1)/n (i + 1)/n
0 1 0
0 0 1
_
_
_.
A
i+1
= A
i
A = A
i
=
_
_
_
1 i/n i/n
0 1 0
0 0 1
_
_
_
_
_
_
1 1/n 1/n
0 1 0
0 0 1
_
_
_ =
28 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
_
_
_
1 1/n +i/n 1/n +i/n
0 1 0
0 0 1
_
_
_ =
_
_
_
1 (i + 1)/n (i + 1)/n
0 1 0
0 0 1
_
_
_.
Queda por tanto demostrada la f´ormula propuesta anteriormente para A
k
. Si
sustituimos ahora k por el valor n obtenemos que A
n
=
_
_
_
1 1 1
0 1 0
0 0 1
_
_
_.
Problema 5 Reduzca cada una de las siguientes matrices a forma escalonada.
a)
_
4 2
1 7
_
, b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_, c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_.
Soluci´on. a)
_
4 2
1 7
_
(1)

_
1 7
4 2
_
(2)

_
1 7
0 −26
_
.
Operaciones realizadas
(1) F
1
↔F
2
.
(2) F
2
−4F
1
.
b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_
(1)

_
_
_
1 2 3
0 −8 −14
6 1 1
_
_
_
(2)

_
_
_
1 2 3
0 −8 −14
0 −11 −17
_
_
_
(3)

_
_
_
1 2 3
0 −8 −14
0 0 18
_
_
_.
Operaciones realizadas
(1) F
2
−5F
1
.
(2) F
3
−6F
1
.
(3) 8F
3
−11F
2
.
c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_
(1)

_
_
_
1 2 7 1
0 2 1 0
4 0 1 0
_
_
_
(2)

_
_
_
1 2 7 1
0 2 1 0
0 −8 −27 −4
_
_
_
(3)

_
_
_
1 2 7 1
0 2 1 0
0 0 −23 −4
_
_
_.
Operaciones realizadas
(1) F
2
↔F
3
.
(2) F
3
−4F
1
.
(3) F
3
+ 4F
2
.
Problema 6 Reduzca cada una de las siguientes matrices a forma can´onica por filas.
a)
_
4 2
1 7
_
, b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_, c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_.
2.7. PROBLEMAS 29
Soluci´on. a) En primer lugar reducimos la matriz a forma escalonada, cosa que ya
hicimos en el apartado a) del problema 5, obteniendo la matriz escalonada
_
1 7
0 −26
_
.
Ahora hacemos 1 la (2, 2)-entrada de la forma escalonada mediante la operaci´on
−1/26 F
2
, obteniendo
_
1 7
0 1
_
.
Finalmente hacemos cero la (1, 2)-entrada de esta ´ ultima matriz mediante la opera-
ci´on F
1
−7F
2
, obteniendo la forma can´onica por filas que es
_
1 0
0 1
_
.
b) Una forma escalonada de esta matriz fue hallada en el apartado b) del problema
5, por lo que sabemos que
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_ ≡
_
_
_
1 2 3
0 −8 −14
0 0 18
_
_
_.
Ahora hacemos 1 la (3, 3)-entrada de esta forma escalonada mediante la operaci´on
1/18 F
3
y a continuaci´on, mediante F
2
+14F
3
y F
1
−3F
3
hacemos 0 la (2, 3)-entrada
y la (1, 3)-entrada de esta ´ ultima matriz. Nos queda entonces la matriz
_
_
_
1 2 0
0 −8 0
0 0 1
_
_
_.
Finalmente hacemos 1 la (2, 2)-entrada de la matriz mediante −1/8 F
2
y a
continuaci´on hacemos 0 la (1, 2)-entrada mediante F
1
−2 F
2
. De esta forma hemos
obtenido la forma can´onica por filas de la matriz que nos daba el problema, siendo
aqu´ella
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_.
N´otese que tanto en a) como en b) la matrices son inversibles, ya que su forma
can´onica por filas es la matriz identidad.
c) Por el apartado c) del problema 5 sabemos que
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_ ≡
_
_
_
1 2 7 1
0 2 1 0
0 0 −23 −4
_
_
_.
30 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Ahora procedemos de la misma manera que en los dos apartados anteriores:
_
_
_
1 2 7 1
0 2 1 0
0 0 −23 −4
_
_
_
(1)

_
_
_
1 2 7 1
0 2 1 0
0 0 1 4/23
_
_
_
(2)

_
_
_
1 2 7 1
0 2 0 −4/23
0 0 1 4/23
_
_
_
(3)

_
_
_
1 2 0 −5/23
0 2 0 −4/23
0 0 1 4/23
_
_
_
(4)

_
_
_
1 0 0 −1/23
0 2 0 −4/23
0 0 1 4/23
_
_
_
(5)

_
_
_
1 0 0 −1/23
0 1 0 −2/23
0 0 1 4/23
_
_
_.
Operaciones realizadas
(1) (−1/23) F
3
.
(2) F
2
−F
3
.
(3) F
1
−7 F
3
.
(4) F
1
−F
2
.
(5) (1/2) F
2
.
Problema 7 Reduzca la matriz
_
_
_
_
_
1 0 2 0
15 1 33 0
5 5 25 1
6 7 33 3
_
_
_
_
_
a forma can´onica por filas.
Soluci´on. Reducimos en primer lugar la matriz a forma escalonada:
_
_
_
_
_
1 0 2 0
15 1 33 0
5 5 25 1
6 7 33 3
_
_
_
_
_
(1)

_
_
_
_
_
1 0 2 0
0 1 3 0
0 5 15 1
0 7 21 3
_
_
_
_
_
(2)

_
_
_
_
_
1 0 2 0
0 1 3 0
0 0 0 1
0 0 0 3
_
_
_
_
_
(3)

_
_
_
_
_
1 0 2 0
0 1 3 0
0 0 0 1
0 0 0 0
_
_
_
_
_
.
Observamos que la matriz que hemos obtenido ya est´a en forma can´onica por
filas, de forma que ´esta es la forma can´onica por filas de la matriz del ejercicio.
Operaciones realizadas
(1) F2 −15F
1
, F
3
−5F
1
, F
4
−6F
1
.
(2) F
3
−5F
2
, F
4
−7F
1
.
(3) F
4
−3 F
3
.
Problema 8 Pruebe que:
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
a
3
b
3
c
3
¸
¸
¸
¸
¸
¸
¸
= (a −b)(b −c)(c −a)(a +b +c).
2.7. PROBLEMAS 31
Soluci´on.
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
a
3
b
3
c
3
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
1 1 1
0 b −a c −a
0 b
3
−a
3
c
3
−a
3
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
b −a c −a
b
3
−a
3
c
3
−a
3
¸
¸
¸
¸
¸
(3)
=
(b −a)(c −a)
¸
¸
¸
¸
¸
1 1
b
2
+ba +a
2
c
2
+ca +a
2
¸
¸
¸
¸
¸
= (b −a)(c −a)
(c
2
+ca −b
2
−ba) = (b −a)(c −a)[(c −b)(c +b) + a(c −b)] =
(a −b)(b −c)(c −a)(a +b +c).
Operaciones realizadas:
(1) F
2
−aF
1
, F
3
−a
3
F
1
.
(2) Desarrollo de Laplace por C
1
.
(3) Det[(b −a)C
1
, (c −a)C
2
] = (b −a)(c −a)Det[C
1
, C
2
].
Problema 9 Pruebe que:
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
a
2
b
2
c
2
¸
¸
¸
¸
¸
¸
¸
= (c −b)(c −a)(b −a).
Estos determinantes se llaman de Vandermonde y se prueba por inducci´on sobre n
que en general
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 . . . 1
a
1
a
2
a
3
. . . a
n
a
2
1
a
2
2
a
2
3
. . . a
2
n
. . . . . . . . . . . . . . .
a
n−1
1
a
n−1
2
a
n−1
3
. . . a
n−1
n
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
(a
n
−a
n−1
)(a
n
−a
n−2
) (a
n
−a
2
)(a
n
−a
1
) (a
3
−a
2
)(a
3
−a
1
)(a
2
−a
1
).
Soluci´on.
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
a
2
b
2
c
2
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
0 b
2
−ab c
2
−ac
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
¸
¸
1 1 1
0 b −a c −a
0 b
2
−ab c
2
−ac
¸
¸
¸
¸
¸
¸
¸
(3)
=
¸
¸
¸
¸
¸
b −a c −a
b
2
−ab c
2
−ac
¸
¸
¸
¸
¸
(4)
= (b −a)(c −a)
¸
¸
¸
¸
¸
1 1
b c
¸
¸
¸
¸
¸
= (b −a)(c −a)(c −b).
Operaciones realizadas:
(1) F
3
−aF
2
.
(2) F
2
−aF
1
.
(3) Desarrollo de Laplace por C
1
.
32 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
(4) Det[(b −a)C
1
, (c −a)C
2
] = (b −a)(c −a)Det[C
1
, C
2
].
Para el caso general tenemos:
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 . . . 1
a
1
a
2
a
3
. . . a
n
a
2
1
a
2
2
a
2
3
. . . a
2
n
. . . . . . . . . . . . . . .
a
n−1
1
a
n−1
2
a
n−1
3
. . . a
n−1
n
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(i)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 . . . 1
0 a
2
−a
1
a
3
−a
1
. . . a
n
−a
1
0 a
2
2
−a
1
a
2
a
2
3
−a
1
a
3
. . . a
2
n
−a
1
a
n
. . . . . . . . . . . . . . .
0 a
n−1
2
−a
1
a
n−2
2
a
n−1
3
−a
1
a
n−2
3
. . . a
n−1
n
−a
1
a
n−2
n
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(ii)
=
(a
2
−a
1
)(a
3
−a
1
) (a
n
−a
1
)
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 . . . 1
a
2
a
3
a
4
. . . a
n
a
2
2
a
2
3
a
2
4
. . . a
2
n
. . . . . . . . . . . . . . .
a
n−2
2
a
n−2
3
a
n−2
4
. . . a
n−2
n
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
.
Ahora el resultado se obtiene por inducci´on ya que el ´ ultimo determinante es el de
Vandermonde para n −1 t´erminos.
Operaciones realizadas:
(i) F
j
−a
1
F
j−1
, j = n, n −1, ..., 3, 2.
(ii) Desarrollo de Laplace por C
1
, y despu´es
Det[(a
2
−a
1
)C
1
, (a
3
−a
1
)C
2
, ..., (a
n
−a
1
)C
n
] =
(a
2
−a
1
)(a
3
−a
1
) (a
n
−a
1
)Det[C
1
, C
2
, ..., C
n
].
Problema 10 Dada la matriz
A =
_
_
_
1 2 −3 4
3 −1 2 1
1 −5 8 −7
_
_
_,
calcule su rango.
Soluci´on. Consideramos los menores orlados del menor no nulo
¸
¸
¸
¸
¸
1 2
3 −1
¸
¸
¸
¸
¸
:
¸
¸
¸
¸
¸
¸
¸
1 2 −3
3 −1 2
1 −5 8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 2 4
3 −1 1
1 −5 −7
¸
¸
¸
¸
¸
¸
¸
.
Como se comprueba inmediatamente, estos dos menores son nulos. Por tanto, por
la propiedad 11 de los determinantes, deducimos que el rango de A es dos.
2.7. PROBLEMAS 33
Problema 11 Demuestre sin desarrollar:
¸
¸
¸
¸
¸
¸
¸
a a
2
1
b b
2
1
c c
2
1
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
a bc 1
b ca 1
c ab 1
¸
¸
¸
¸
¸
¸
¸
.
Soluci´on.
¸
¸
¸
¸
¸
¸
¸
a a
2
1
b b
2
1
c c
2
1
¸
¸
¸
¸
¸
¸
¸
(1)
=
1
abc
¸
¸
¸
¸
¸
¸
¸
a a
2
abc
b b
2
abc
c c
2
abc
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
¸
¸
1 a bc
1 b ac
1 c ab
¸
¸
¸
¸
¸
¸
¸
(3)
= −
¸
¸
¸
¸
¸
¸
¸
bc a 1
ac b 1
ab c 1
¸
¸
¸
¸
¸
¸
¸
(4)
=
¸
¸
¸
¸
¸
¸
¸
a bc 1
b ac 1
c ab 1
¸
¸
¸
¸
¸
¸
¸
.
Operaciones realizadas:
(1) Det[C
1
, C
2
, C
3
] =
1
abc
Det[C
1
, C
2
, (abc)C
3
].
(2) Det[aF
1
, bF
2
, cF
3
] = abcDet[F
1
, F
2
, F
3
].
(3) C
1
↔C
3
.
(4) C
1
↔C
2
.
Problema 12 Utilizando el desarrollo de un determinante de Vandermonde, cal-
cule:
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
2
a 1 bcd
b
2
b 1 acd
c
2
c 1 abd
d
2
d 1 abc
¸
¸
¸
¸
¸
¸
¸
¸
¸
.
Soluci´on.
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
2
a 1 bcd
b
2
b 1 acd
c
2
c 1 abd
d
2
d 1 abc
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
=
1
abcd
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
3
a
2
a abcd
b
3
b
2
b abcd
c
3
c
2
c abcd
d
3
d
2
d abcd
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
3
a
2
a 1
b
3
b
2
b 1
c
3
c
2
c 1
d
3
d
2
d 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
(3)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
3
b
3
c
3
d
3
a
2
b
2
c
2
d
2
a b c d
1 1 1 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
(4)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3
¸
¸
¸
¸
¸
¸
¸
¸
¸
sig[(14)(23)]
(5)
=
(d −a)(d −b)(d −c)(c −a)(c −b)(b −a).
Operaciones realizadas:
(1) Det[F
1
, F
2
, F
3
, F
4
] =
1
abcd
Det[aF
1
, bF
2
, cF
3
, dF
4
].
(2) Det[C
1
, C
2
, C
3
, (abcd)C
4
] = (abcd)Det[C
1
, C
2
, C
3
, C
4
].
(3) Det[A] = Det[A
t
].
(4) F
1
↔F
4
, F
2
↔F
3
.
(5) F´ormula del determinante de Vandermonde.
34 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Problema 13 Calcule los siguientes determinantes reduciendo el orden de la matriz
utilizando adjuntos de alguna de sus filas o columnas:
a)
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 2 3 1
−2 4 5 2
−1 0 0 1
3 1 3 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
, b)
¸
¸
¸
¸
¸
¸
¸
¸
¸
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
¸
¸
¸
¸
¸
¸
¸
¸
¸
, c)
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 0 7 6
1 9 3 6
1 9 4 7
7 4 1 4
¸
¸
¸
¸
¸
¸
¸
¸
¸
.
Soluci´on. a)
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 2 3 1
−2 4 5 2
−1 0 0 1
3 1 3 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 2 3 1
0 8 11 4
0 2 3 2
0 −5 −6 −2
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
¸
¸
8 11 4
2 3 2
−5 −6 −2
¸
¸
¸
¸
¸
¸
¸
(3)
=
¸
¸
¸
¸
¸
¸
¸
−5 −6 −2
8 11 4
2 3 2
¸
¸
¸
¸
¸
¸
¸
sig[(123)]
(4)
=
¸
¸
¸
¸
¸
¸
¸
−5 −6 −2
−2 −1 0
−3 −3 0
¸
¸
¸
¸
¸
¸
¸
(5)
= −2
¸
¸
¸
¸
¸
−2 −1
−3 −3
¸
¸
¸
¸
¸
= −6.
Operaciones realizadas:
(1) F
2
+ 2F
1
, F
3
+F
1
, F
4
−3F
1
.
(2) Desarrollo de Laplace por C
1
.
(3) F
1
→F
2
→F
3
→F
1
.
(4) F
2
+ 2F
1
, F
3
+F
1
.
(5) Desarrollo de Laplace por C
3
.
b)
¸
¸
¸
¸
¸
¸
¸
¸
¸
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 0
1 1 0 1
1 0 1 1
0 1 1 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
sig[(14)(23)]
(2)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 0
0 0 −1 1
0 −1 0 1
0 1 1 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
(3)
=
¸
¸
¸
¸
¸
¸
¸
0 −1 1
−1 0 1
1 1 1
¸
¸
¸
¸
¸
¸
¸
(4)
=
¸
¸
¸
¸
¸
¸
¸
0 0 1
−1 1 1
1 2 1
¸
¸
¸
¸
¸
¸
¸
(5)
=
¸
¸
¸
¸
¸
−1 1
1 2
¸
¸
¸
¸
¸
= −3.
Operaciones realizadas:
(1) C
1
↔C
4
, C
2
↔C
3
.
(2) F
2
−F
1
, F
3
−F
1
.
(3) Desarrollo de Laplace por C
1
.
(4) C
2
+C
3
.
(5) Desarrollo de Laplace por F
1
.
c)
2.7. PROBLEMAS 35
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 0 7 6
1 9 3 6
1 9 4 7
7 4 1 4
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 0 7 6
0 9 −4 0
0 9 −3 1
0 4 −48 −38
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
¸
¸
¸
9 −4 0
9 −3 1
4 −48 −38
¸
¸
¸
¸
¸
¸
¸
(3)
=
¸
¸
¸
¸
¸
¸
¸
9 −4 0
9 −3 1
346 −162 0
¸
¸
¸
¸
¸
¸
¸
(4)
= −
¸
¸
¸
¸
¸
9 −4
346 −162
¸
¸
¸
¸
¸
= 74.
Operaciones realizadas:
(1) F
2
−F
1
, F
3
−F
1
, F
4
−7F
1
.
(2) Desarrollo de Laplace por C
1
.
(3) F
3
+ 38F
2
.
(4) Desarrollo de Laplace por F
2
.
Problema 14 Determine el rango de cada una de las siguientes matrices:
a)
_
_
_
0 3 −5 −2
1 −2 3 4
2 −1 1 6
_
_
_, b)
_
_
_
1 −2 3 −1 5
−1 2 −3 2 −1
0 0 1 −1 1
_
_
_,
c)
_
_
_
_
_
0 2 −4 1 1
1 −1 2 3 −1
2 0 −2 0 1
0 3 5 −2 0
_
_
_
_
_
.
Soluci´on. a) Los menores orlados del menor no nulo
¸
¸
¸
¸
¸
0 3
1 −2
¸
¸
¸
¸
¸
son
¸
¸
¸
¸
¸
¸
¸
0 3 −5
1 −2 3
2 −1 1
¸
¸
¸
¸
¸
¸
¸
,
¸
¸
¸
¸
¸
¸
¸
0 3 −2
1 −2 4
2 −1 6
¸
¸
¸
¸
¸
¸
¸
.
Se ve f´acilmente que ambos son nulos y as´ı el rango de la matriz es dos.
b) Como m´aximo el rango podr´a ser tres. Consideramos primero el menor no
nulo
¸
¸
¸
¸
¸
2 −1
−1 1
¸
¸
¸
¸
¸
. Como el menor orlado
¸
¸
¸
¸
¸
¸
¸
3 −1 5
−3 2 −1
1 −1 1
¸
¸
¸
¸
¸
¸
¸
es no nulo, el rango de la matriz es ser tres.
36 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
c) A partir del menor no nulo
¸
¸
¸
¸
¸
0 2
1 −1
¸
¸
¸
¸
¸
, encontramos el menor orlado no nulo
¸
¸
¸
¸
¸
¸
¸
0 2 −4
1 −1 2
2 0 −2
¸
¸
¸
¸
¸
¸
¸
.
´
Este, a su vez, permite obtener el menor orlado no nulo
¸
¸
¸
¸
¸
¸
¸
¸
¸
0 2 −4 1
1 −1 2 3
2 0 −2 0
0 3 5 −2
¸
¸
¸
¸
¸
¸
¸
¸
¸
.
Por tanto el rango de la matriz es cuatro.
Problema 15 Estudie la dependencia lineal (utilizando determinantes) del siguiente
conjunto:
¦(1, 2, 1, −1), (0, 3, −1, 1), (3, −1, 0, 2)¦.
Soluci´on. Estudiemos el rango de la matriz
_
_
_
1 2 1 −1
0 3 −1 1
3 −1 0 2
_
_
_.
Consideramos el menor no nulo de orden dos
¸
¸
¸
¸
¸
1 2
0 3
¸
¸
¸
¸
¸
. El menor orlado
¸
¸
¸
¸
¸
¸
¸
1 2 1
0 3 −1
3 −1 0
¸
¸
¸
¸
¸
¸
¸
es no nulo. Por tanto el rango de la matriz es 3. Eso significa que las tres filas son
linealmente independientes.
Problema 16 Pruebe, utilizando las propiedades de los determinantes, que
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
b
2
c
2
a
2
(a +c)
2
c
2
a
2
b
2
(a +b)
2
¸
¸
¸
¸
¸
¸
¸
= 2abc(a +b +c)
3
.
Soluci´on.
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
b
2
c
2
a
2
(a +c)
2
c
2
a
2
b
2
(a +b)
2
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
b
2
c
2
a
2
−(b +c)
2
(a +c)
2
−b
2
0
a
2
−(b +c)
2
0 (a +b)
2
−c
2
¸
¸
¸
¸
¸
¸
¸
=
2.7. PROBLEMAS 37
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
b
2
c
2
(a −b −c)(a +b +c) (a +c −b)(a +b +c) 0
(a −b −c)(a +b +c) 0 (a +b −c)(a +b +c)
¸
¸
¸
¸
¸
¸
¸
(2)
=
(a +b +c)
2
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
b
2
c
2
(a −b −c) (a +c −b) 0
(a −b −c) 0 (a +b −c)
¸
¸
¸
¸
¸
¸
¸
(3)
=
(a +b +c)
2
¸
¸
¸
¸
¸
¸
¸
(b +c)
2
−b
2
−c
2
b
2
c
2
−2c (a +c −b) 0
−2b 0 (a +b −c)
¸
¸
¸
¸
¸
¸
¸
=
(a +b +c)
2
¸
¸
¸
¸
¸
¸
¸
2bc b
2
c
2
−2c (a +c −b) 0
−2b 0 (a +b −c)
¸
¸
¸
¸
¸
¸
¸
(4)
=
2(a +b +c)
2
¸
¸
¸
¸
¸
¸
¸
bc b
2
c
2
c (b −a −c) 0
b 0 (c −a −b)
¸
¸
¸
¸
¸
¸
¸
(5)
=
2(a +b +c)
2
¸
¸
¸
¸
¸
¸
¸
0 (a +c)b c
2
c (b −a −c) 0
b 0 (c −a −b)
¸
¸
¸
¸
¸
¸
¸
=
2(a +b +c)
2
[bc
2
(a +c −b) + (a +b −c)(a +c)bc] =
2bc(a +b +c)
2
(ac +c
2
−bc +a
2
+ab −ac +ac +bc −c
2
) =
2bc(a +b +c)
2
(a
2
+ab +ac) = 2abc(a +b +c)
3
.
Operaciones realizadas:
(1) F
2
−F
1
, F
3
−F
1
.
(2) Det[F
1
, (a +b +c)F
2
, (a +b +c)F
3
] = (a +b +c)
2
Det[F
1
, F
2
, F
3
].
(3) C
1
−C
2
−C
3
.
(4) Det[2C
1
, C
2
, C
3
] = 2Det[C
1
, C
2
, C
3
], y despu´es
Det[F
1
, −F
2
, −F
3
] = Det[F
1
, F
2
, F
3
].
(5) F
1
−bF
2
.
Problema 17 Dada la matriz
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
−1 a 0 0 0
0 0 a 0 0
−1 0 0 a 0
0 0 0 0 a
_
_
_
_
_
_
_
_
,
calcule su determinante y estudie su rango en funci´on de a.
38 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Soluci´on. Se tiene
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
0 1 0 1 0
−1 a 0 0 0
0 0 a 0 0
−1 0 0 a 0
0 0 0 0 a
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
= a
¸
¸
¸
¸
¸
¸
¸
¸
¸
0 1 0 1
−1 a 0 0
0 0 a 0
−1 0 0 a
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2)
= a
2
¸
¸
¸
¸
¸
¸
¸
0 1 1
−1 a 0
−1 0 a
¸
¸
¸
¸
¸
¸
¸
(3)
=
a
2
¸
¸
¸
¸
¸
¸
¸
0 1 1
0 a −a
−1 0 a
¸
¸
¸
¸
¸
¸
¸
(4)
= −a
2
¸
¸
¸
¸
¸
1 1
a −a
¸
¸
¸
¸
¸
= 2a
3
.
Operaciones realizadas:
(1) Desarrollo de Laplace por C
5
.
(2) Desarrollo de Laplace por C
3
.
(3) F
2
−F
3
.
(4) Desarrollo de Laplace por C
1
.
Por tanto si a ,= 0 el rango de A es 5. Si a = 0 se tiene la matriz,
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
−1 0 0 0 0
0 0 0 0 0
−1 0 0 0 0
0 0 0 0 0
_
_
_
_
_
_
_
_
,
que tiene claramente dos filas no nulas linealmente independientes. As´ı, para a = 0,
el rango de A es 2.
Problema 18 Utilizando determinantes, estudie si las matrices que se dan a con-
tinuaci´on son o no inversibles y calcule la inversa de todas las matrices que resulten
inversibles.
A =
_
_
_
3 1 8
4 5 7
1 4 8
_
_
_, B =
_
_
_
1 1 5
5 3 2
7 5 12
_
_
_,
C =
_
_
_
_
_
1 1 1 1
4 2 2 2
1 1 2 2
7 5 6 6
_
_
_
_
_
, D =
_
_
_
_
_
3 0 0 0
1 4 0 1
2 0 0 2
5 3 1 2
_
_
_
_
_
.
Soluci´on. El determinante de la matriz A es
¸
¸
¸
¸
¸
¸
¸
3 1 8
4 5 7
1 4 8
¸
¸
¸
¸
¸
¸
¸
= 120 + 7 + 128 −40 −84 −32 = 99 ,= 0.
2.7. PROBLEMAS 39
Como [A[ ,= 0 la matriz A es inversible. Para calcular su inversa debemos calcular
la matriz adjunta de A.
s
11
= (−1)
1+1

¸
¸
¸
¸
¸
5 7
4 8
¸
¸
¸
¸
¸
= 12 s
23
= (−1)
2+3

¸
¸
¸
¸
¸
3 1
1 4
¸
¸
¸
¸
¸
= −11
s
12
= (−1)
1+2

¸
¸
¸
¸
¸
4 7
1 8
¸
¸
¸
¸
¸
= −25 s
31
= (−1)
3+1

¸
¸
¸
¸
¸
1 8
5 7
¸
¸
¸
¸
¸
= −33
s
13
= (−1)
1+3

¸
¸
¸
¸
¸
4 5
1 4
¸
¸
¸
¸
¸
= 11 s
32
= (−1)
3+2

¸
¸
¸
¸
¸
3 8
4 7
¸
¸
¸
¸
¸
= 11
s
21
= (−1)
2+1

¸
¸
¸
¸
¸
1 8
4 8
¸
¸
¸
¸
¸
= 24 s
33
= (−1)
3+3

¸
¸
¸
¸
¸
3 1
4 5
¸
¸
¸
¸
¸
= 11
s
22
= (−1)
2+2

¸
¸
¸
¸
¸
3 8
1 8
¸
¸
¸
¸
¸
= 16
La matriz adjunta de A es por tanto
A =
_
_
_
12 −25 11
24 16 −11
−33 11 11
_
_
_
y la matriz inversa de A se calcula mediante la f´ormula
A =
1
[A[
(A)
t
=
1
99

_
_
_
12 −25 11
24 16 −11
−33 11 11
_
_
_
t
=
1
99

_
_
_
12 24 −33
−25 16 11
11 −11 11
_
_
_ =
_
_
_
_
_
_
_
_
4
33
8
33

1
3

25
99
16
99
1
9
1
9

1
9
1
9
_
_
_
_
_
_
_
_
.
El determinante de B es
¸
¸
¸
¸
¸
¸
¸
1 1 5
5 3 2
7 5 12
¸
¸
¸
¸
¸
¸
¸
= 36 + 14 + 125 −105 −10 −60 = 0,
40 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
por lo tanto la matriz B no es inversible.
Estudiamos ahora la matriz C.
[C[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
4 2 2 2
1 1 2 2
7 5 6 6
¸
¸
¸
¸
¸
¸
¸
¸
¸
(1)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
2 0 0 0
−1 −1 0 0
1 −1 0 0
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2)
= (−1)
¸
¸
¸
¸
¸
¸
¸
2 0 0
−1 −1 0
1 −1 0
¸
¸
¸
¸
¸
¸
¸
= 0
Operaciones realizadas
(1) F
2
−2F
1
, F
3
−2F
1
, F
4
−6F
1
.
(2) Desarrollo de Laplace por C
4
.
As´ı pues la matriz C tampoco es inversible.
Tan s´olo nos queda estudiar la matriz D. Dado que la tercera columna de D posee
todas sus entradas cero excepto una cuyo valor es 1, desarrollaremos el determinante
de D por medio de su columna tercera. De esta forma
[D[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 0 0 0
1 4 0 1
2 0 0 2
5 3 1 2
¸
¸
¸
¸
¸
¸
¸
¸
¸
= (−1)
4+3
1
¸
¸
¸
¸
¸
¸
¸
3 0 0
1 4 1
2 0 2
¸
¸
¸
¸
¸
¸
¸
= −24.
Como [D[ ,= 0 la matriz D s´ı ser´a inversible. Calculemos la matriz adjunta de D.
s
11
= (−1)
1+1

¸
¸
¸
¸
¸
¸
¸
4 0 1
0 0 2
3 1 2
¸
¸
¸
¸
¸
¸
¸
= −8 s
31
= (−1)
3+1

¸
¸
¸
¸
¸
¸
¸
0 0 0
4 0 1
3 1 2
¸
¸
¸
¸
¸
¸
¸
= 0
s
12
= (−1)
1+2

¸
¸
¸
¸
¸
¸
¸
1 0 1
2 0 2
5 1 2
¸
¸
¸
¸
¸
¸
¸
= 0 s
32
= (−1)
3+2

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 0 1
5 1 2
¸
¸
¸
¸
¸
¸
¸
= 3
s
13
= (−1)
1+3

¸
¸
¸
¸
¸
¸
¸
1 4 1
2 0 2
5 3 2
¸
¸
¸
¸
¸
¸
¸
= 24 s
33
= (−1)
3+3

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 4 1
5 3 2
¸
¸
¸
¸
¸
¸
¸
= 15
s
14
= (−1)
1+4

¸
¸
¸
¸
¸
¸
¸
1 4 0
2 0 0
5 3 1
¸
¸
¸
¸
¸
¸
¸
= 8 s
34
= (−1)
3+4

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 4 0
5 3 1
¸
¸
¸
¸
¸
¸
¸
= −12
s
21
= (−1)
2+1

¸
¸
¸
¸
¸
¸
¸
0 0 0
0 0 2
3 1 2
¸
¸
¸
¸
¸
¸
¸
= 0 s
41
= (−1)
4+1

¸
¸
¸
¸
¸
¸
¸
0 0 0
4 0 1
0 0 2
¸
¸
¸
¸
¸
¸
¸
= 0
2.7. PROBLEMAS 41
s
22
= (−1)
2+2

¸
¸
¸
¸
¸
¸
¸
3 0 0
2 0 2
5 1 2
¸
¸
¸
¸
¸
¸
¸
= −6 s
42
= (−1)
4+2

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 0 1
2 0 2
¸
¸
¸
¸
¸
¸
¸
= 0
s
23
= (−1)
2+3

¸
¸
¸
¸
¸
¸
¸
3 0 0
2 0 2
5 3 2
¸
¸
¸
¸
¸
¸
¸
= 18 s
43
= (−1)
4+3

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 4 1
2 0 2
¸
¸
¸
¸
¸
¸
¸
= −24
s
24
= (−1)
2+4

¸
¸
¸
¸
¸
¸
¸
3 0 0
2 0 0
5 3 1
¸
¸
¸
¸
¸
¸
¸
= 0 s
44
= (−1)
4+4

¸
¸
¸
¸
¸
¸
¸
3 0 0
1 4 0
2 0 0
¸
¸
¸
¸
¸
¸
¸
= 0
Obtenemos que la matriz adjunta de D es
D =
_
_
_
_
_
−8 0 24 8
0 −6 18 0
0 3 15 −12
0 0 −24 0
_
_
_
_
_
.
Con los datos de que disponemos podemos sustituir en la f´ormula
D
−1
=
1
[D[
(D)
t
para obtener la inversa de D.
D
−1
= −
1
24
_
_
_
_
_
−8 0 0 0
0 −6 3 0
24 18 15 −24
8 0 −12 0
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
1
3
0 0 0
0
1
4

1
8
0
−1 −
3
4

5
8
1

1
3
0
1
2
0
_
_
_
_
_
_
_
_
_
_
_
_
_
.
42 CAP
´
ITULO 2. MATRICES Y DETERMINANTES
Cap´ıtulo 3
Sistemas de ecuaciones lineales.
Teorema de Rouch´e-Frobenius
3.1 Ecuaci´on matricial de un sistema de ecuacio-
nes lineales
Cualquier sistema de ecuaciones lineales
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
puede expresarse en forma matricial, es decir, puede expresarse de la forma
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
,
o, lo que es lo mismo, AX = B, donde
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
es una matriz de M
m×n
(K) llamada matriz de coeficientes del sistema,
X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
43
44 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
es una matriz de M
n×1
(K) llamada matriz inc´ognita y
B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
es una matriz de M
m×1
(K) llamada matriz de t´erminos independientes.
Adem´as, consideraremos la matriz ampliada del sistema
(A[B) =
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2

a
m1
a
m2
a
mn
b
m
_
_
_
_
_
.
Ejemplo. Determinemos la expresi´on matricial de los siguientes sistemas de ecua-
ciones lineales:
a)
−x +y +z = 0
x −y +z = 0
y +z = 0
_
¸
_
¸
_
b)
x +y −z = 1
2x +z = 3
2y +z = 5
_
¸
_
¸
_
c)
x
1
−x
2
= 0
x
2
−x
3
= 0
_
a) La matriz de coeficientes del sistema es
A =
_
_
_
−1 1 1
1 −1 1
0 1 1
_
_
_
y la matriz de t´erminos independientes B =
_
_
_
0
0
0
_
_
_, por tanto la ecuaci´on matricial
ser´a
_
_
_
−1 1 1
1 −1 1
0 1 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
b) Si procedemos de la misma manera que antes llegamos a que la ecuaci´on
matricial es en este caso
_
_
_
1 1 −1
2 0 1
0 2 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
1
3
5
_
_
_.
c)
_
1 −1 0
0 1 −1
_
_
_
_
x
1
x
2
x
3
_
_
_ =
_
0
0
_
.
3.2. TEOREMA DE ROUCH
´
E-FROBENIUS 45
3.2 Teorema de Rouch´e-Frobenius
El teorema de Rouch´e-Frobenius caracteriza completamente los sistemas compat-
ibles determinados, los compatibles indeterminados y los incompatibles.
Teorema 3.2.1 (Rouch´e-Frobenius) Supongamos que AX = B es un sistema de
ecuaciones lineales con m ecuaciones y n inc´ognitas, es decir, A ∈ /
m×n
(K), X ∈
/
n×1
(K) y B ∈ /
m×1
(K). Se verifican las siguientes afirmaciones:
a) El sistema es compatible si y s´olo si r(A) = r(A[B).
b) r(A) = r(A[B) < n ⇔ el sistema es compatible indeterminado.
c)r(A) = r(A[B) = n ⇔ el sistema es compatible determinado.
Ejemplo. Consideremos el sistema de ecuaciones lineales siguiente:
2x + 3y − z = 2
bx + ay + 2z = 0
5x + 5y + z = a
_
¸
_
¸
_
y razonemos cu´ales de las siguientes afirmaciones son verdaderas y cu´ales falsas:
a) Si a = 2 y b ,= 3 el sistema es compatible indeterminado.
b) Si a ,= 2 y b = 3 el sistema es compatible determinado.
c) Si a = 2 y b = 5 es sistema es incompatible.
La matriz de coeficientes del sistema es A =
_
_
_
2 3 −1
b a 2
5 5 1
_
_
_, y su determinante
[A[ = 7a −8b + 10.
a) Si a = 2, [A[ = −8b + 24, luego para b ,= 3 [A[ ,= 0 y el sistema es compatible
determinado. Vemos entonces que a) es falsa.
b) Si b = 3 entonces [A[ = 7a − 14, por tanto cuando b = 3, [A[ = 0 si, y s´olo
si, a = 2, es decir, para b = 3 y a ,= 2 es [A[ , = 0, lo que implica que el sistema es
compatible determinado y que b) es cierta.
c) Por el apartado a) sabemos que para a = 2 y b ,= 3 el sistema es compatible
determinado, as´ı que para a = 2 y b = 5 el sistema es compatible determinado, y no
incompatible, por lo que c) es falsa.
3.3 Resoluci´on de sistemas de Cramer
Un sistema de ecuaciones lineales se dice que es de Cramer si su matriz de co-
eficientes es regular, es decir, si la expresi´on matricial del sistema en cuesti´on es
AX = B, entonces el sistema es de Cramer si det(A) ,= 0. Es entonces claro a
46 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
partir del Teorema de Rouch´e-Frobenius que todo sistema de Cramer es compatible
determinado. Si suponemos que el sistema es
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
= b
n
_
¸
¸
¸
_
¸
¸
¸
_
,
la ´ unica soluci´on viene dada por las f´ormulas:
x
j
=
[M
j
[
[A[
, j = 1, ..., n,
en donde M
j
es la matriz obtenida a partir de A al sustituir la columna j-´esima por
la matriz columna B de t´erminos independientes.
Ejemplo. Calculemos el valor o valores de a para los cuales los sistemas siguientes
no son de Cramer. Calculemos adem´as en funci´on de a (cuando a no tome los
valores anteriormente calculados) las soluciones de los sistemas utilizando la f´ormula
de Cramer.
a)
x +y +az = 1
x +ay +z = 2
y +az = 0
_
¸
_
¸
_
, b)
x +ay +z = 0
ax +y = 1
x + 2y +z = 3
_
¸
_
¸
_
.
a) El determinante de la matriz de coeficientes es
¸
¸
¸
¸
¸
¸
¸
1 1 a
1 a 1
0 1 a
¸
¸
¸
¸
¸
¸
¸
= a
2
−1,
que es igual a cero si, y s´olo si a = 1 ´o a = −1. Por tanto el sistema no es de
Cramer si y s´olo si a = 1, −1. Para todo valor de a distinto de 1 y −1 el sistema es
compatible determinado y su soluci´on
x =
¸
¸
¸
¸
¸
¸
¸
1 1 a
2 a 1
0 1 a
¸
¸
¸
¸
¸
¸
¸
a
2
−1
= 1, y =
¸
¸
¸
¸
¸
¸
¸
1 1 a
1 2 1
0 0 a
¸
¸
¸
¸
¸
¸
¸
a
2
−1
=
a
a
2
−1
, z =
¸
¸
¸
¸
¸
¸
¸
1 1 1
1 a 2
0 1 0
¸
¸
¸
¸
¸
¸
¸
a
2
−1
=
1
1−a
2
.
b) Si denotamos por A a la matriz de coeficientes del sistema, tendremos que
[A[ = a(2 − a) = 0 ⇔ a = 0, 2. As´ı pues el sistema no es de Cramer si y s´olo si
a = 0, 2. Utilizando la regla de Cramer llegamos a que la soluci´on del sistema cuando
a ,= 0, 2 es
x =
¸
¸
¸
¸
¸
¸
¸
0 a 1
1 1 0
3 2 1
¸
¸
¸
¸
¸
¸
¸
a(2−a)
=
1+a
a(a−2)
, y =
¸
¸
¸
¸
¸
¸
¸
1 0 1
a 1 0
1 3 1
¸
¸
¸
¸
¸
¸
¸
a(2−a)
=
3
2−a
, z =
¸
¸
¸
¸
¸
¸
¸
1 a 0
a 1 1
1 2 3
¸
¸
¸
¸
¸
¸
¸
a(2−a)
=
1+a−3a
2
a(2−a)
.
3.4. SOLUCIONES DE UN SISTEMA COMPATIBLE INDETERMINADO 47
Ejemplo. Discutamos y resolvamos el siguiente sistema de ecuaciones lineales seg´ un
los valores del par´ametro m.
(2m + 1)x + (m−1)y + (m+ 3)z = 2m+ 2
(m−1)y − (m−1)z = 1
mx + y − z = m+ 1
_
¸
_
¸
_
.
Calculemos el determinante de la matriz de coeficientes del sistema
¸
¸
¸
¸
¸
¸
¸
2m+ 1 m−1 m+ 3
0 m−1 −m+ 1
m 1 −1
¸
¸
¸
¸
¸
¸
¸
= −2m(m
2
−1).
Es claro entonces que el sistema ser´a compatible determinado si, y s´olo si, m ,=
0, 1, −1, en cuyo caso la soluci´on es
x =
¸
¸
¸
¸
¸
¸
¸
2m+ 2 m−1 m + 3
1 m−1 −m+ 1
m + 1 1 −1
¸
¸
¸
¸
¸
¸
¸
−2m(m
2
−1)
=
2(m+1)(m
2
−2)
2m(m
2
−1)
=
m
2
−2
m(m−1)
y =
¸
¸
¸
¸
¸
¸
¸
2m+ 1 2m + 2 m + 3
0 1 −m+ 1
m m + 1 −1
¸
¸
¸
¸
¸
¸
¸
−2m(m
2
−1)
=
−(5m+2)
2m(m
2
−1)
z =
¸
¸
¸
¸
¸
¸
¸
2m+ 1 m−1 2m+ 2
0 m−1 1
m 1 m + 1
¸
¸
¸
¸
¸
¸
¸
−2m(m
2
−1)
=
2m
2
−3m−2
−2m(m
2
−1)
=
−(m−2)(2m+1)
2m(m
2
−1)
Los casos m = 0, 1 ´o −1 resultan ser id´enticos, el rango de la matriz ampliada
es 3, mientras que el rango de la matriz de coeficientes es 2, por lo que el sistema es
incompatible.
3.4 Soluciones de un sistema compatible indeter-
minado
Sea AX = B un sistema de m ecuaciones lineales con n inc´ognitas, A = (a
ij
) ∈
M
m×n
(K), B = (b
i
) ∈ M
m×1
(K).
Supongamos que r(A) = r(A[B) = r < n (es decir, el sistema es compatible
indeterminado). Entonces existe una submatriz cuadrada regular de orden r en A
(que la supondremos, sin perder generalidad, la formada por las r primeras filas y
las r primeras columnas). En este caso el sistema dado es equivalente a:
48 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ +a
1r
x
r
= b
1
−(a
1,r+1
x
r+1
+ +a
1n
x
n
)
a
21
x
1
+a
22
x
2
+ +a
2r
x
r
= b
2
−(a
2,r+1
x
r+1
+ +a
2n
x
n
)

a
r1
x
1
+a
r2
x
2
+ +a
rr
x
r
= b
r
−(a
r,r+1
x
r+1
+ +a
rn
x
n
)
con
C =
_
_
_
_
_
a
11
a
12
a
1r
a
21
a
22
a
2r

a
r1
a
r2
a
rr
_
_
_
_
_
∈ M
r
(K)
una matriz regular.
Por tanto, para cada asignaci´on que hagamos sobre las variables x
r+1
,..., x
n
de
elementos de K, obtendremos un sistema de Cramer que se puede resolver como en el
apartado anterior, y que proporciona una ´ unica soluci´on para x
1
,...,x
r
. A x
r+1
, . . . , x
n
se les denomina usualmente par´ametros del sistema de ecuaciones.
Ejemplos. 1. Discutamos y resolvamos el sistema homog´eneo siguiente para los
diferentes valores de a ∈ IR.
x
1
+ ax
2
+ x
3
+ x
4
= 0
ax
1
+ x
2
+ x
3
+ x
4
= 0
x
1
+ x
2
+ ax
3
+ x
4
= 0
x
1
+ x
2
+ x
3
+ ax
4
= 0
_
¸
¸
¸
_
¸
¸
¸
_
El determinante de la matriz de coeficientes es
[A[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 a 1 1
a 1 1 1
1 1 a 1
1 1 1 a
¸
¸
¸
¸
¸
¸
¸
¸
¸
= −a
4
+ 6a
2
−8a + 3 = −(a −1)
3
(a + 3).
Por tanto el sistema ser´a compatible determinado ∀a ,= 1, −3, y su ´ unica soluci´on
ser´a la soluci´on trivial (x
1
= x
2
= x
3
= x
4
= 0). En cambio para a = 1, −3 el sistema
ser´a compatible indeterminado.
Si a = 1 el rango de A es 1 con lo que el sistema queda reducido a una sola
ecuaci´on
x
1
+x
2
+x
3
+x
4
= 0
cuya soluci´on es x
1
= −α −β −γ, x
2
= α, x
3
= β, x
4
= γ.
Si a = −3 el rango de A es 3 y podemos reducir el sistema a
x
1
− 3x
2
+ x
3
= −x
4
−3x
1
+ x
2
+ x
3
= −x
4
x
1
+ x
2
− 3x
3
= −x
4
_
¸
_
¸
_
cuya soluci´on es
3.4. SOLUCIONES DE UN SISTEMA COMPATIBLE INDETERMINADO 49
x
1
=
¸
¸
¸
¸
¸
¸
¸
−λ −3 1
−λ 1 1
−λ 1 −3
¸
¸
¸
¸
¸
¸
¸
16
= λ, x
2
=
¸
¸
¸
¸
¸
¸
¸
1 −λ 1
−3 −λ 1
1 −λ −3
¸
¸
¸
¸
¸
¸
¸
16
= λ,
x
3
=
¸
¸
¸
¸
¸
¸
¸
1 −3 −λ
−3 1 −λ
1 1 −λ
¸
¸
¸
¸
¸
¸
¸
16
= λ, x
4
= λ.
2. Discutamos y resolvamos el siguiente sistema en los casos en que sea compa-
tible.
mx + y + z = m
x + my + z = 1
x + y + mz = 1
_
¸
_
¸
_
La matriz de coeficientes del sistema es A =
_
_
_
m 1 1
1 m 1
1 1 m
_
_
_, y la matriz ampliada
B =
_
_
_
m 1 1 m
1 m 1 1
1 1 m 1
_
_
_. [A[ = m
3
−3m + 2 = (m−1)
2
(m + 2), Por tanto [A[ = 0
si, y s´olo si, m = 1 ´o m = −2 y el sistema ser´a compatible determinado para todos
los valores de m distintos de 1 y −2. En este caso la soluci´on del sistema es
x =
¸
¸
¸
¸
¸
¸
¸
m 1 1
1 m 1
1 1 m
¸
¸
¸
¸
¸
¸
¸
(m−1)
2
(m+2)
= 1, y =
¸
¸
¸
¸
¸
¸
¸
m m 1
1 1 1
1 1 m
¸
¸
¸
¸
¸
¸
¸
(m−1)
2
(m+2)
= 0, z =
¸
¸
¸
¸
¸
¸
¸
m 1 m
1 m 1
1 1 1
¸
¸
¸
¸
¸
¸
¸
(m−1)
2
(m+2)
= 0.
Para los casos m = 1, −2, el sistema no ser´a compatible determinado, y debemos
comparar los rangos de A y de B. Pero observamos que la columna de t´erminos
independientes es la misma que la primera columna de la matriz de coeficientes, por
tanto podemos afirmar que rg(A) = rg(B) sea cual sea el valor de m. Tenemos
entonces que para m = 1, −2 el sistema es compatible indeterminado. Calculemos
su soluci´on.
m = 1
Es claro que rg(A) = 1, por tanto tan s´olo hay una ecuaci´on linealmente inde-
pendiente, x +y +z = 1. La soluci´on de la ecuaci´on es:
_
¸
_
¸
_
x = 1 −α −β
y = α
z = β
m = −2
50 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
En este caso rg(A) = 2 pues
¸
¸
¸
¸
¸
−2 1
1 −2
¸
¸
¸
¸
¸
= 3 ,= 0. Las ecuaciones correspondien-
tes,
−2x + y + z = −2
x − 2y + z = 1
_
nos ofrecen toda la informaci´on del sistema, que podr´a ser resuelto en funci´on de un
par´ametro. As´ı, consideramos el sistema de la forma (sustituyendo z = λ)
−2x + y = −2 − λ
x − 2y = 1 − λ
_
y la soluci´on ser´a
x =
¸
¸
¸
¸
¸
−2 −λ 1
1 −λ −2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2 1
1 −2
¸
¸
¸
¸
¸
= λ + 1, y =
¸
¸
¸
¸
¸
−2 −2 −λ
1 1 −λ
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2 1
1 −2
¸
¸
¸
¸
¸
= λ, z = λ
3.5. PROBLEMAS 51
3.5 Problemas
Problema 1 Discuta el siguiente sistema de ecuaciones lineales seg´ un los valores
de a, b, c, d ∈ IR. En los casos en que el sistema resulte compatible, calcule la
soluci´on.
x + y + z = 1
ax + by + cz = d
a
2
x + b
2
y + c
2
z = d
2
_
¸
_
¸
_
Soluci´on. La matriz de coeficientes de este sistema es
A =
_
_
_
1 1 1
a b c
a
2
b
2
c
2
_
_
_,
y la ampliada
B =
_
_
_
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
_
_
_.
Observamos que el determinante de A es un determinante de Vandermonde, y ya
conocemos una f´ormula para su c´alculo. Aplicando dicha f´ormula observamos que
[A[ = (c − a)(c − b)(b − a). Por tanto el sistema ser´a compatible determinado si, y
s´olo si a ,= b, a ,= c y c ,= b. En este caso la soluci´on del sistema ser´a
x =
¸
¸
¸
¸
¸
¸
¸
1 1 1
d b c
d
2
b
2
c
2
¸
¸
¸
¸
¸
¸
¸
(c−a)(c−b)(b−a)
=
(c−d)(b−d)
(c−a)(b−a)
y =
¸
¸
¸
¸
¸
¸
¸
1 1 1
a d c
a d
2
c
2
¸
¸
¸
¸
¸
¸
¸
(c−a)(c−b)(b−a)
=
(c−d)(d−a)
(c−b)(b−a)
z =
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b d
a
2
b
2
d
2
¸
¸
¸
¸
¸
¸
¸
(c−a)(c−b)(b−a)
=
(d−a)(d−b)
(c−a)c−b)
Ahora bien, si b = c y b ,= a el rango de A es 2 ya que [A[ = 0 pero se tiene en A
el menor no nulo
¸
¸
¸
¸
¸
1 1
a b
¸
¸
¸
¸
¸
, y, en este caso, rg(B) = 2 si, y s´olo si d = b ´o d = a ya que
el menor de B
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b d
a
2
b
2
d
2
¸
¸
¸
¸
¸
¸
¸
es nulo s´olo en esos casos. Por tanto para c = b, b ,= a,
d ,= b y d ,= a el sistema es incompatible, mientras que si c = b, b ,= a, d = b ´o d = a
52 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
el sistema es compatible indeterminado, y puede ser resuelto en funci´on de un solo
par´ametro. Si aplicamos la condici´on c = b en el sistema obtenemos
x + y = 1 − z
ax + by = d − bz
a
2
x + b
2
y = d
2
− b
2
z
_
¸
_
¸
_
el cual es equivalente a
x + y = 1 − z
ax + by = d − bz
_
puesto que rg(A) = rg(B) = 2, y el menor
¸
¸
¸
¸
¸
1 1
a b
¸
¸
¸
¸
¸
es no nulo.
La soluci´on de este ´ ultimo sistema es
x =
¸
¸
¸
¸
¸
1 −λ 1
d −bλ b
¸
¸
¸
¸
¸
b −a
=
b −d
b −a
,
y =
¸
¸
¸
¸
¸
1 1 −λ
a d −bλ
¸
¸
¸
¸
¸
b −a
=
d −a + (a −b)λ
b −a
,
z = λ.
Para d = a se obtiene la soluci´on x = 1, y = −λ, z = λ, y, para d = b, esta otra:
x = 0, y = 1 −λ, z = λ.
Si procedemos de la misma manera obtendremos la siguiente lista de resultados:
∗) c = a y b ,= a ⇒
_
− d = a ´o d = b sis. compat. indeterminado
− d ,= a y d ,= b sistema incompatible
La soluci´on cuando d = a ´o d = b es x =
d−b+(a−b)λ
b−a
, y =
d−a
b−a
, z = λ.
∗) b = a y a ,= c ⇒
_
− d = a ´o d = c sist. compat. indeterminado
− d ,= a y d ,= c sistema incompatible
La soluci´on cuando d = a ´o d = c es x =
c−d+(a−c)λ
c−a
, y = λ, z =
d−a
c−a
.
Por ´ ultimo, si c = b = a entonces rg(A) = 1 y rg(B) = 1 si, y s´olo si d = a = b = c
(si d ,= a el sistema ser´a incompatible). En este caso el sistema es equivalente a
x +y +z = 1
con lo que la soluci´on ser´a x = 1 −α −β, y = α, z = β.
3.5. PROBLEMAS 53
Problema 2 Discuta y resuelva el siguiente sistema seg´ un los valores de los par´a-
metros.
ax + y + z = 1
x + ay + z = 0
x = −1 − y −az
_
¸
_
¸
_
Soluci´on. Consideremos la matriz de coeficientes del sistema
A =
_
_
_
a 1 1
1 a 1
1 1 a
_
_
_,
y la matriz ampliada
B =
_
_
_
a 1 1 1
1 a 1 0
1 1 a −1
_
_
_.
[A[ = a
3
−3a + 2 = (a −1)
2
(a + 2). As´ı, si a ,= 1, a ,= −2 el sistema es compatible
determinado y su soluci´on
x =
¸
¸
¸
¸
¸
¸
¸
1 1 1
0 a 1
−1 1 a
¸
¸
¸
¸
¸
¸
¸
(a −1)
2
(a + 2)
=
1
a −1
,
y =
¸
¸
¸
¸
¸
¸
¸
a 1 1
1 0 1
1 −1 a
¸
¸
¸
¸
¸
¸
¸
(a −1)
2
(a + 2)
= 0,
z =
¸
¸
¸
¸
¸
¸
¸
a 1 1
1 a 0
1 1 −1
¸
¸
¸
¸
¸
¸
¸
(a −1)
2
(a + 2)
=
1
1 −a
.
Si a = 1 rg(A) = 1 y rg(B) = 2, por lo tanto el sistema ser´a incompatible.
Si a = −2, rg(A) = 2 y rg(B) = 2, por lo que el sistema ser´a compatible
indeterminado. Como las dos primeras ecuaciones del sistema son linealmente inde-
pendientes, el sistema lo podemos considerar de la forma
−2x +y = 1 −z
x −2y = −z
_
y su soluci´on es por tanto
54 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
x =
¸
¸
¸
¸
¸
1 −λ 1
−λ −2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2 1
1 −2
¸
¸
¸
¸
¸
= −
2
3

y =
¸
¸
¸
¸
¸
−2 1 −λ
1 −λ
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2 1
1 −2
¸
¸
¸
¸
¸
= −
1
3

z = λ
Problema 3 Discuta el siguiente sistema seg´ un los distintos valores del par´ametro
a.
ax + y + 2z = 0
x + ay + z = 0
ax + y + az = a
_
¸
_
¸
_
Calcule la soluci´on del sistema en los casos en que exista.
Soluci´on. Como siempre A =
_
_
_
a 1 2
1 a 1
a 1 a
_
_
_ y B =
_
_
_
a 1 2 0
1 a 1 0
a 1 a a
_
_
_ denotan la
matriz de coeficientes del sistema y su matriz ampliada respectivamente. [A[ =
a
3
− 2a
2
− a + 2 = (a − 2)(a − 1)(a + 1), es decir, para a ,= 2, 1, −1 el sistema es
compatible determinado y su soluci´on
x =
¸
¸
¸
¸
¸
¸
¸
0 1 2
0 a 1
a 1 a
¸
¸
¸
¸
¸
¸
¸
(a−2)(a−1)(a+1
=
−a(2a−1)
(a−2)(a−1)(a+1)
y =
¸
¸
¸
¸
¸
¸
¸
a 0 2
1 0 1
a a a
¸
¸
¸
¸
¸
¸
¸
(a−2)(a−1)(a+1)
=
−a
(a−1)(a+1)
z =
¸
¸
¸
¸
¸
¸
¸
a 1 0
1 a 0
0 1 a
¸
¸
¸
¸
¸
¸
¸
(a−2)(a−1)(a+1)
=
a
a−2
En el caso en que a = 1, rg(A) = 2 y rg(B) = 3 por lo que el sistema es
incompatible.
3.5. PROBLEMAS 55
Si a = −1, rg(A) = 2 pues
¸
¸
¸
¸
¸
1 2
−1 1
¸
¸
¸
¸
¸
,= 0 y rg(B) = 3, por lo tanto el sistema es
tambi´en incompatible.
Por ´ ultimo, si a = 2, rg(A) = 2 pues
¸
¸
¸
¸
¸
2 1
1 2
¸
¸
¸
¸
¸
,= 0, rg(B) = 3 y e sistema sigue
siendo incompatible.
Problema 4 Discuta, seg´ un los valores del par´ametro a ∈ IR, el siguiente sistema
de ecuaciones lineales:
4x +y +z = 3x
x + 4y +z = 3y +a
x +y + 4z = 0
_
¸
_
¸
_
.
Cuando exista soluci´on, calc´ ulela.
Soluci´on. El sistema a estudiar es
4x +y +z = 3x
x + 4y +z = 3y +a
x +y + 4z = 0
_
¸
_
¸
_
o, lo que es lo mismo,
x +y +z = 0
x +y +z = a
x +y + 4z = 0
_
¸
_
¸
_
Es claro que la matriz de coeficientes del sistema (A) tiene rango dos, pues las
dos primeras columnas son iguales, as´ı tenemos que estudiar en qu´e casos el rango
de la matriz ampliada B es tambi´en dos.
Dado que
B =
_
_
_
1 1 1 0
1 1 1 a
1 1 4 0
_
_
_,
observamos que rg(B) = 2 si, y s´olo si
¸
¸
¸
¸
¸
¸
¸
1 1 0
1 1 a
1 4 0
¸
¸
¸
¸
¸
¸
¸
= 0. Ahora bien, el valor del
determinante anterior es −3a, por tanto rg(B) = 2 ⇔ a = 0. En conclusi´on, para
todo valor de a que no sea cero, el rango de A es dos y el rango de B es tres, as´ı
que el sistema es incompatible. Por otro lado, cuando a = 0, rg(A) = rg(B) = 2,
por lo tanto el sistema ser´a compatible indeterminado y su soluci´on vendr´ a dada en
funci´on de un par´ametro.
Como la ´ unica submatriz de tama˜ no dos de A cuyo determinante es distinto de
cero es
_
1 1
1 4
_
, deducimos que las dos ecuaciones linealmente independientes del
56 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
sistema son las dos ´ ultimas, y la variable libre (el par´ametro) es x. Por tanto el
sistema original queda reducido a la forma
y +z = −x
y + 4z = −x
_
y su soluci´on es
x = λ, y =
¸
¸
¸
¸
¸
−λ 1
−λ 4
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1
1 4
¸
¸
¸
¸
¸
= −λ, z =
¸
¸
¸
¸
¸
1 −λ
1 −λ
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1
1 4
¸
¸
¸
¸
¸
= 0.
Problema 5 Discuta en IR el siguiente sistema seg´ un los distintos valores del pa-
r´ametro a. Calcule la soluci´on del sistema en los casos en que exista.
ax + a
3
y + z = 0
x + ay + a
3
z = 0
ax + a
3
y + az = a
_
¸
_
¸
_
Soluci´on. El valor del determinante de la matriz de coeficientes
A =
_
_
_
a a
3
1
1 a a
3
a a
3
a
_
_
_
es −a
2
(a − 1)
2
, que ser´a igual a cero si, y s´olo si a = 0 ´o a = 1. As´ı para todos los
valores de a distintos de los anteriormente mencionados sabemos que el sistema es
compatible determinado. La soluci´on del sistema en este caso es
x =
¸
¸
¸
¸
¸
¸
¸
0 a
3
1
0 a a
3
a a
3
a
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a a
3
1
1 a a
3
a a
3
a
¸
¸
¸
¸
¸
¸
¸
=
1 −a
5
(a −1)
2
,
y =
¸
¸
¸
¸
¸
¸
¸
a 0 1
1 0 a
3
a a a
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a a
3
1
1 a a
3
a a
3
a
¸
¸
¸
¸
¸
¸
¸
=
(a
2
+ 1)(a + 1)
a(a −1)
,
3.5. PROBLEMAS 57
z =
¸
¸
¸
¸
¸
¸
¸
a a
3
0
1 a 0
a a
3
a
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a a
3
1
1 a a
3
a a
3
a
¸
¸
¸
¸
¸
¸
¸
=
a
a −1
En el caso en que a = 1, el rango de A es uno, mientras que rg(B) = 2, por tanto
el sistema es incompatible. Pero si a = 0, se tiene que rg(A) = rg(B) = 2, por lo que
el sistema es compatible indeterminado y su soluci´on puede ser calculada utilizando
un par´ametro. La soluci´on se obtiene directamente del sistema, sin ning´ un tipo de
c´alculo, dada la sencillez de ´este al sustituir a por el valor 0. As´ı, x = 0, y = λ, z = 0
es la soluci´on que resulta.
58 CAP
´
ITULO 3. SISTEMAS DE ECUACIONES LINEALES
Cap´ıtulo 4
Introducci´on a los espacios
vectoriales
4.1 Vectores en el espacio real n-dimensional
La noci´on de vector que ser´a utilizada con mayor frecuencia en este curso ser´a
la de vector fila o columna de una matriz o de un sistema de ecuaciones lineales
con coeficientes reales. Con el ´animo de simplificar, en esta secci´on trataremos los
vectores filas, y de manera totalmente an´aloga, se proceder´a con los vectores columna.
Para un n´ umero natural n ≥ 1 definimos IR
n
como el conjunto de listas ordenadas
de n n´ umeros reales, o como el producto cartesiano de IR consigo mismo n veces, es
decir,
IR
n
= ¦(a
1
, a
2
, ..., a
n
) [ a
1
, ..., a
n
∈ IR¦.
En este conjunto se definen operaciones de suma y producto por elementos de IR (a
estos elementos los llamaremos escalares) de la siguiente manera: para dos vectores
(a
1
, ..., a
n
), (b
1
, ..., b
n
) en IR
n
y un escalar r ∈ IR,
(a
1
, ..., a
n
) + (b
1
, ..., b
n
) = (a
1
+b
1
, , ..., a
n
+b
n
),
r(a
1
, a
2
, ..., a
n
) = (ra
1
, ra
2
, ..., ra
n
).
Ejemplos. 1. Consideramos (1, −2, 5, −9), (2, 0, 2, 8) ∈ IR
4
y 7 ∈ IR, tenemos:
(1, −2, 5, −9) + (2, 0, 2, 8) = (1 + 2, −2 + 0, 5 + 2, −9 + 8) = (3, −2, 7, −1),
7(1, −2, 5, −9) = (7 1, 7 (−2), 7 5, 7 (−9)) = (7, −14, 35, −63).
2. El escalar 0 ∈ IR anula a cualquier vector u = (a
1
, ..., a
n
) ∈ IR
n
ya que
0(a
1
, ..., a
n
) = (0 a
1
, ..., 0 a
n
) = (0, ..., 0).
59
60 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
La suma de vectores y el producto por escalares (definidos anteriormente) verifi-
can las siguientes propiedades, todas ellas heredadas de las correspondientes que veri-
fican la suma y producto de n´ umeros reales: ∀(a
1
, ..., a
n
), (b
1
, ..., b
n
), (c
1
, ..., c
n
) ∈ IR
n
,
∀r, s ∈ IR,
a) (Asociativa)
[(a
1
, ..., a
n
) + (b
1
, ..., b
n
)] + (c
1
, ..., c
n
) = (a
1
, ..., a
n
) + [(b
1
, ..., b
n
) + (c
1
, ..., c
n
)].
b) (Conmutativa)
(a
1
, ..., a
n
) + (b
1
, ..., b
n
) = (b
1
, ..., b
n
) + (a
1
, ..., a
n
).
b) (Existencia de elemento neutro)
(0, ..., 0) ∈ IR
n
y (0, ..., 0) + (a
1
, ..., a
n
) = (a
1
, ..., a
n
), ∀(a
1
, ..., a
n
) ∈ R
n
.
c) (Existencia de opuesto)
∀(a
1
, ..., a
n
) ∈ IR
n
, (−a
1
, ..., −a
n
) ∈ R
n
y (a
1
, ..., a
n
) + (−a
1
, ..., −a
n
) = (0, ..., 0).
d) (Distributiva I)
(r +s)(a
1
, ..., a
n
) = r(a
1
, ..., a
n
) +s(a
1
, ..., a
n
).
e) (Distributiva II)
r[(a
1
, ..., a
n
) + (b
1
, ..., b
n
)] = r(a
1
, ..., a
n
) +r(b
1
, ..., b
n
).
d) (Pseudoasociativa)
(rs)(a
1
, ..., a
n
) = r[s(a
1
, ..., a
n
)].
f) (Existencia de unidad)
1 ∈ IR y 1(a
1
, ..., a
n
) = (a
1
, ..., a
n
).
En el siguiente cap´ıtulo veremos que un espacio vectorial real abstracto queda
definido a partir de unos axiomas que, esencialmente, son formulados como las pro-
piedades anteriores.
4.2 Combinaciones lineales y dependencia lineal
Un sistema de ecuaciones lineales con coeficientes reales
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2

a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
4.2. COMBINACIONES LINEALES Y DEPENDENCIA LINEAL 61
puede ser interpretado como una ecuaci´on vectorial en IR
n
x
1
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
+x
2
_
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
_
+ +x
n
_
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
_
=
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
.
Si para cada i = 1, 2, ..., n llamamos
_
_
_
_
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
_
_
_
_
= u
i
,
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
= v,
la ecuaci´on vectorial anterior queda simplificada a la expresi´on
x
1
u
1
+x
2
u
2
+ +x
n
u
n
= v.
El sistema anterior tendr´a soluci´on si existen n´ umeros reales s
1
, ..., s
n
∈ IR tales que
s
1
u
1
+s
2
u
2
+ +s
n
u
n
= v.
En este caso se dice que v est´a expresado como “combinaci´ on lineal” de los vectores
u
1
, ..., u
n
.
En general, un vector v ∈ IR
n
es combinaci´ on lineal de vectores u
1
, u
2
,..., u
n
de IR
n
si existen escalares k
1
, k
2
,..., k
n
tales que
v = k
1
u
1
+k
2
u
2
+ +k
n
u
n
.
Se deduce de la definici´on que el sistema anterior es compatible si y s´olo si el
vector columna de t´erminos independientes v se puede expresar como combinaci´ on
lineal de los vectores columna de la matriz de coeficientes del sistema, u
1
,..., u
n
.
Ejemplos. 1. Todo vector (a, b, c) de IR
3
se puede expresar como combinaci´ on lineal
de los vectores ¦(1, 0, 0), (0, 1, 0), (0, 0, 1)¦ ya que
a(1, 0, 0) +b(0, 1, 0) +c(0, 0, 1) = (a, 0, 0) + (0, b, 0) + (0, 0, c) = (a, b, c).
2. El vector (14, −1, −15, −16) se puede expresar como combinaci´on lineal de los
vectores (2, 3, −1, 0), (−4, 5, 6, 8) ∈ IR
4
dado que
3(2, 3, −1, 0)−2(−4, 5, 6, 8) = (6, 9, −3, 0)+(8, −10, −12, −16) = (14, −1, −15, −16).
3. Para determinar si un vector (a, b, c, d) es combinaci´ on lineal de los vectores
(2, 3, −1, 0), (−4, 5, 6, 8) ∈ IR
4
es necesario y suficiente que la ecuaci´on vectorial
x(2, 3, −1, 0) +y(−4, 5, 6, 8) = (a, b, c, d)
62 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
tenga soluci´on. Operando en la anterior ecuaci´on obtenemos
(2x −4y, 3x + 5y, −x + 6y, 8y) = (a, b, c, d).
As´ı, la anterior ecuaci´on tendr´a soluci´on si y s´olo si el sistema
_
¸
¸
¸
_
¸
¸
¸
_
2x −4y = a
3x + 5y = b
−x + 6y = c
8y = d
es compatible.
Consideramos ahora un sistema homog´eneo con coeficiente reales
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= 0

a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= 0
que expresado como ecuaci´on vectorial tiene la forma
x
1
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
+x
2
_
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
_
+ +x
n
_
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
_
=
_
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
_
,
o de manera m´as simplificada
x
1
u
1
+x
2
u
2
+ +x
n
u
n
= 0.
Cuando exista soluci´on no nula del sistema, esto es, existan escalares no todos nulos
k
1
, k
2
,..., k
n
tales que
k
1
u
1
+k
2
u
2
+ +k
n
u
n
= 0,
diremos que los vectores u
1
, ..., u
n
son “linealmente dependientes” (v´ease la secci´on
2.4).
En general, un conjunto cualquiera de vectores de IR
n
, u
1
, u
2
,..., u
n
se dice li-
nealmente dependiente si existen escalares k
1
, k
2
,..., k
n
no todos nulos, tales que
k
1
u
1
+k
2
u
2
+ +k
n
u
n
= 0.
En caso contrario diremos que los vectores son linealmente independientes.
Por tanto, la condici´on necesaria y suficiente para que el sistema homog´eneo
anterior sea compatible indeterminado es que los vectores columna asociados sean
linealmente dependientes.
Ejemplos. 1. El vector nulo 0 = (0, ..., 0) ∈ IR
n
tiene la propiedad de que cualquier
conjunto de vectores en el que ´el aparezca es linealmente dependiente. Esto sucede
4.3. PRODUCTO ESCALAR, NORMA Y DISTANCIA 63
ya que si u
1
, ..., u
t
∈ IR
n
son vectores cualesquiera entonces podemos obtener, por
ejemplo, la siguiente combinaci´ on lineal de 0:
1 0 + 0 u
1
+... + 0 u
n
= 0.
2. Si un vector no nulo v es combinaci´on lineal de los vectores u
1
, ..., u
n
, v =
k
1
u
1
+... +k
n
u
n
, entonces ¦v, u
1
, ..., u
n
¦ es un conjunto linealmente dependiente ya
que
0 = −v +k
1
u
1
+... +k
n
u
n
.
3. Los vectores ¦(1, 0, 0), (0, 1, 0), (0, 0, 1)¦ son linealmente independientes: si
(0, 0, 0) = a(1, 0, 0) +b(0, 1, 0) +c(0, 0, 1),
entonces
(0, 0, 0) = (a, 0, 0) + (0, b, 0) + (0, 0, c) = (a, b, c).
Por tanto a = b = c = 0.
4.3 Producto escalar, norma y distancia
El producto escalar en IR
n
es la generalizaci´on del que conocemos para vectores
en el plano, IR
2
, y en el espacio, IR
3
. A partir del producto escalar se definen los
conceptos de norma de un vector y distancia entre dos vectores.
Dados dos vectores u = (u
1
, u
2
, ..., u
n
), v = (v
1
, v
2
, ..., v
n
) ∈ IR
n
, el producto
escalar o interno de u y v se define como
u v = u
1
v
1
+u
2
v
2
+ +u
n
v
n
∈ IR.
Se dice que los vectores u y v son ortogonales (o perpendiculares) si u v = 0.
Propiedades de producto escalar. Para u, v, w ∈ IR
n
y k ∈ IR se tiene:
i) (u +v) w = u w +v w,
ii) (ku) v = k(u v)
iii) u v = v u
iv) u u ≥ 0, y u u = 0 ⇔ u = 0.
El espacio IR
n
con las operaciones anteriores de suma de vectores, producto por
escalares y producto interno, se suele llamar n-espacio eucl´ıdeo.
Sea u = (u
1
, u
2
, ..., u
n
) ∈ IR
n
. La norma del vector u se define como
[[u[[ =

u u =
_
u
2
1
+u
2
2
+ +u
2
n
.
Un vector u es unitario si [[u[[ = 1. Si v es cualquier vector no nulo, entonces
w =
1
||v||
v es un vector unitario en la misma direcci´on de v. El proceso de hallar w
se llama normalizar v.
64 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
Existen dos propiedades de la norma que se utilizan con frecuencia:
Cauchy-Schwarz: u, v ∈ IR
n
, [u v[ ≤ [[u[[ [[v[[.
Minkowski: u, v ∈ IR
n
, [[u +v[[ ≤ [[u[[ +[[v[[.
Sean u = (u
1
, u
2
, ..., u
n
), v = (v
1
, ..., v
n
) ∈ IR
n
. La distancia entre u y v se define
como
d(u, v) = [[u −v[[ =
_
(u
1
−v
1
)
2
+ (u
2
−v
2
)
2
+ + (u
n
−v
n
)
2
.
Ejemplos. 1. El producto escalar de (1, 0, 3, −1) y (3, −3, 0, 3) es
(1, 0, 3, −1) (3, −3, 0, 3) = 1 3 + 0 (−3) + 3 0 + (−1) 3 = 3 + 0 + 0 −3 = 0,
por tanto los vectores son ortogonales.
2. Vamos a normalizar el vector (−2, 0,

2, 3, −

10) ∈ IR
5
. Primero calculamos
su norma:
[[(−2, 0,

2, 3, −

10)[[ =
_
(−2)
2
+ 0
2
+ (

2)
2
+ 3
2
+ (−

10)
2
=
=

4 + 0 + 2 + 9 + 10 =

25 = 5.
El normalizado de v es por tanto:
w =
v
[[v[[
=
1
5
(−2, 0,

2, 3, −

10) = (
−2
5
, 0,

2
5
,
3
5
,


10
5
).
Es claro que la norma de w es 1 y que tiene la misma direcci´on que v.
3. Calculamos la distancia entre u = (3, −2, 0, 2) y v = (1, −1, 9, 0):
d(u, v) = [[u −v[[ =
_
(3 −1)
2
+ (−2 −(−1))
2
+ (0 −9)
2
+ (2 −0)
2
=
=

4 + 1 + 81 + 4 =

90.
4.3.1
´
Angulos y proyecciones
El ´angulo φ entre dos vectores u, v ∈ IR
n
se define seg´ un la ecuaci´on
cos φ =
u v
[[u[[ [[v[[
.
Sean u y v ,= 0 en IR
n
. La proyecci´on (vectorial) de u sobre v es el vector
proy(u, v) =
u v
[[v[[
2
v.
4.4. NOTACI
´
ON IJK PARA VECTORES DE R
3
65
Tanto el ´angulo de dos vectores como la proyecci´on son conceptos que generalizan
los ya conocidos en el plano y el espacio real.
Ejemplos. 1. El ´angulo que forman dos vectores ortogonales es π/2 ´o 3π/2 (radi-
anes): si u v = 0 entonces
¯
(u, v) = arccos(
u v
[[u[[ [[v[[
) = arccos(0),
por tanto
¯
(u, v) es π/2 ´o 3π/2.
2. Determinemos la proyecci´on ortogonal de u = (−1, 0, −5) sobre v = (1, 2, −3) :
proy(u, v) =
(−1, 0, −5) (1, 2, −3)
[[(1, 2, −3)[[
2
(1, 2, −3) =
−1 + 0 + 15
(

1 + 4 + 9)
2
(1, 2, −3) =
14
14
(1, 2, −3) = (1, 2, −3).
Por tanto proy(u, v) = v.
4.4 Notaci´on ijk para vectores de R
3
Denotemos por i = (1, 0, 0) al vector unitario en la direcci´on del eje x, j = (0, 1, 0)
al vector unitario en la direcci´on del eje y, y por k = (0, 0, 1) al vector unitario en la
direcci´on del eje z. Todo vector de IR
3
, u = (a, b, c), puede ser expresado de la forma
u = ai +bj +ck, que se llama “notaci´on ijk” del vector u.
Como es f´acil comprobar, los vectores i, j y k son unitarios y ortogonales dos a
dos, esto es,
i i = 1, j j = 1, k k = 1, i j = 0, i k = 0, j k = 0.
La suma, producto por un escalar, producto escalar y norma de vectores en IR
3
quedan ahora expresadas en esta nueva notaci´on como sigue: dados u = ai +bj +ck,
v = di +ej +fk en IR
3
y t ∈ IR,
u +v = (a +d)i + (b +e)j + (c +f)k
tu = tai +tbj +tck,
u v = ad +be +cf
[[u[[ =

a
2
+b
2
+c
2
.
4.4.1 Producto vectorial
El producto vectorial de dos vectores u, v de IR
3
es un nuevo vector, denotado
por u v, que es ortogonal a u y v, y que se define de la siguiente manera: para
u = ai +bj +ck, v = di +ej +fk,
u v :=
¸
¸
¸
¸
¸
¸
¸
i j k
a b c
d e f
¸
¸
¸
¸
¸
¸
¸
.
66 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
Se comprueban inmediatamente la siguientes igualdades:
1) i j = k,
2) j k = i,
3) k i = j,
4) j i = −k,
5) k j = −i,
6) i k = −j.
Ejemplos. 1. Vamos a mostrar que el producto vectorial de dos vectores en IR
3
es
ortogonal a ambos: sean u
1
= a
1
i +b
1
j +c
1
k y u
2
= a
2
i +b
2
j +c
2
k, entonces
u
1
u
2
=
¸
¸
¸
¸
¸
¸
¸
i j k
a
1
b
1
c
1
a
2
b
2
c
2
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
b
1
c
1
b
2
c
2
¸
¸
¸
¸
¸
i −
¸
¸
¸
¸
¸
a
1
c
1
a
2
c
2
¸
¸
¸
¸
¸
j +
¸
¸
¸
¸
¸
a
1
b
1
a
2
b
2
¸
¸
¸
¸
¸
k.
Por tanto
u
1
(u
1
u
2
) = a
1
¸
¸
¸
¸
¸
b
1
c
1
b
2
c
2
¸
¸
¸
¸
¸
−b
1
¸
¸
¸
¸
¸
a
1
c
1
a
2
c
2
¸
¸
¸
¸
¸
+c
1
¸
¸
¸
¸
¸
a
1
b
1
a
2
b
2
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
a
1
b
1
c
1
a
1
b
1
c
1
a
2
b
2
c
2
¸
¸
¸
¸
¸
¸
¸
= 0.
Por tanto u
1
y u
1
u
2
son ortogonales. An´alogamente se prueba que u
2
y u
1
u
2
son ortogonales.
2. Determinemos un vector ortogonal a u = 2i − 3j + k y v = −i + k. Bastar´a
hallar el producto vectorial de u y v,
u v =
¸
¸
¸
¸
¸
¸
¸
i j k
2 −3 1
−1 0 1
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
−3 1
0 1
¸
¸
¸
¸
¸
i −
¸
¸
¸
¸
¸
2 1
−1 1
¸
¸
¸
¸
¸
j +
¸
¸
¸
¸
¸
2 −3
−1 0
¸
¸
¸
¸
¸
k = −3i −3j −3k.
4.5 Vectores complejos
Antes de introducir los vectores de I C
n
vamos a dar un breve repaso a los n´ umeros
complejos.
Definimos los n´ umeros complejos como el conjunto de pares ordenados de n´ umeros
reales, I C = ¦(a, b) [ a, b ∈ IR¦, junto con una operaci´on suma (a, b) + (c, d) =
(a +c, b +d), y otra producto (a, b)(c, d) = (ac −bd, ad +bc).
Si denotamos i = (0, 1) y 1 = (1, 0), podemos escribir (a, b) = a+bi. La notaci´on
a + bi es usada con mayor frecuencia en la pr´actica. El conjunto de n´ umero reales
se podr´a ver incluido en I C sin m´as que entender cada n´ umero real r como el n´ umero
complejo r + 0i. El producto de un n´ umero real por un n´ umero complejo ahora
se expresar´ıa como r(a, b) = (r, 0)(a, b) = (ra, rb), esto es, r(a + bi) = ra + rbi.
Adem´as se tiene i
2
= −1, esto es i =

−1. Podemos entender I C como el menor
conjunto num´erico que contiene a IR y en el que la ecuaci´on x
2
+1 = 0 tiene soluci´on
(precisamente i y −i).
4.5. VECTORES COMPLEJOS 67
Dado un n´ umero complejo z = a+bi, definimos la parte real de z como a = Re(z),
y la parte imaginaria como b = Im(z). El conjugado de z es z = a − bi. Es f´acil
comprobar que zz = a
2
+b
2
.
Cada n´ umero complejo z = a +bi no nulo posee inverso y se halla de la siguiente
forma: z
−1
=
z
zz
=
a
a
2
+b
2

b
a
2
+b
2
i.
Ya que I C es, como conjunto, IR
2
podemos expresar un n´ umero complejo z = (a, b)
dando su m´odulo [z[ =

zz =

a
2
+b
2
y su argumento, es decir, el ´angulo que forma
z con el eje de abscisas (arg(z) = arctan(
b
a
)).
Ejemplo. Dados z
1
= 2 − 3i, z
2
= −1 + i, calculemos z
1
+ z
2
, z
1
z
2
, z
−1
1
, [z
1
z
2
[ y
arg(z
2
):
z
1
+z
2
= (2 −3i) + (−1 + i) = 1 −2i,
z
1
z
2
= (2 −3i)(−1 +i) = (−2 + 3) + (2 + 3)i = 1 + 5i,
z
−1
1
=
z
1
z
1
z
1
=
2
2
2
+ (−3)
2

−3
2
2
+ (−3)
2
i =
2
13
+
3
13
i,
[z
1
z
2
[ = [1 + 5i[ =

1
2
+ 5
2
=

26,
arg(z
2
) = arctan(
1
−1
) = arctan(−1) = −π/4.
Ahora definimos I C
n
como el conjunto de listas ordenadas de n´ umeros complejos
de longitud n:
I C
n
= ¦(z
1
, z
2
, ..., z
n
) [ z
i
∈ I C¦.
Al igual que en IR
n
, se define la suma y producto por escalares de I C de la siguiente
manera: para (z
1
, z
2
, ..., z
n
), (w
1
, w
2
, ..., w
n
) ∈ C
n
y z ∈ I C,
(z
1
, z
2
, ..., z
n
) + (w
1
, w
2
, ..., w
n
) = (z
1
+w
1
, z
2
+w
2
, ..., z
n
+w
n
),
z(z
1
, z
2
, ..., z
n
) = (zz
1
, zz
2
, ..., zz
n
).
La definici´on de producto escalar en I C
n
difiere de la dada en IR
n
, ya que se
debe conseguir que la norma de un vector complejo tome valores en IR (si quere-
mos que la norma “mida el tama˜ no” de los vectores). As´ı pues, definimos para
(z
1
, z
2
, ..., z
n
), (w
1
, w
2
, ..., w
n
) ∈ I C
n
su producto escalar como:
(z
1
, z
2
, ..., z
n
) (w
1
, w
2
, ..., w
n
) = z
1
w
1
+z
2
w
2
+ +z
n
w
n
.
Ahora la norma de un vector se define a partir del producto escalar ya definido de
la misma manera que en IR
n
:
[[(z
1
, z
2
, ..., z
n
)[[ =

z
1
z
1
+z
2
z
2
+ +z
n
z
n
=
_
[z
1
[
2
+[z
2
[
2
+ +[z
n
[
2
.
68 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
N´otese que si n = 1, la norma de un vector de I C es precisamente su m´odulo (cosa
que es posible gracias a la nueva definici´on del producto escalar).
El espacio I C
n
, con las operaciones anteriores de suma de vectores, producto por
un escalar de I C y producto escalar, se denomina n-espacio eucl´ıdeo complejo.
Ejemplo. Para los vectores complejos u = (2−3i, −i, 5) y v = (−2+i, 6+4i, 2−i),
calculemos u +v, i(u −v), u v, [[u +v[[:
u +v = (2 −3i, −i, 5) + (−2 +i, 6 + 4i, 2 −i) = (−2i, 6 + 3i, 7 −i),
i(u +v) = i(−2i, 6 + 3i, 7 −i) = (i(−2i), i(6 + 3i), i(7 −i)) = (2, −3 + 6i, 1 + 7i),
uv = (2−3i, −i, 5)(−2+i, 6+4i, 2−i) = (2−3i)(−2 +i)+(−i)(6 + 4i)+5(2 −i) =
= (2−3i)(−2−i)+(−i)(6−4i)+5(2+i) = (−7+4i)+(−4−6i)+(10+5i) = −1+3i,
[[u +v[[ = [[(−2i, 6 + 3i, 7 −i)[[ =
_
(−2i)(−2i) + (6 + 3i)(6 + 3i + (7 −i)(7 −i) =
=
_
(−2i)(2i) + (6 + 3i)(6 −3i) + (7 −i)(7 +i) =

4 + 36 + 9 + 49 + 1 =

99.
4.6. PROBLEMAS PROPUESTOS 69
4.6 Problemas propuestos
Problema 1 Sean u = (2, −7, 1), v = (−3, 0, 4), w = (0, 5, −8). Hallar a) 3u −4v,
b) 2u + 3v −5w.
Problema 2 Calcular: a) 2
_
_
_
1
−1
2
_
_
_ − 3
_
_
_
2
3
−4
_
_
_, b) −2
_
_
_
5
3
−4
_
_
_ + 4
_
_
_
−1
5
2
_
_
_ −
3
_
_
_
3
−1
−1
_
_
_.
Problema 3 Hallar x e y si a) (x, 3) = (2, x +y); b) (4, y) = x(2, 3).
Problema 4 Convertir las siguientes ecuaciones vectoriales en un sistema de ecua-
ciones lineales y resolverlo:
_
_
_
1
−6
5
_
_
_ = x
_
_
_
1
2
3
_
_
_ +y
_
_
_
2
5
8
_
_
_ +z
_
_
_
3
2
3
_
_
_.
Problema 5 Escribir el vector v = (1, −2, 5) como combinaci´on lineal de los vec-
tores
u
1
= (1, 1, 1), u
2
= (1, 2, 3) y u
3
= (2, −1, 1).
Problema 6 Determinar si los vectores u
1
= (1, 1, 1), u
2
= (2, −1, 3) y u
3
=
(1, −5, 3) son linealmente independientes.
Problema 7 Sean u = (1, 2, 3, −4), v = (5, −6, 7, 8) y k = 3. Hallar:
a) (u +v) w, b) u w +v w. c) k(u v), d) (ku) v, e) u (kv).
Problema 8 Sean u = (5, 4, 1), v = (3, −4, 1) y w = (1, −2, 3). ¿ Qu´e pares de
dichos vectores son perpendiculares?.
Problema 9 Determinar el valor de k para que los vectores u y v sean ortogonales,
siendo u = (1, k, −3) y v = (2, −5, 4).
Problema 10 Determine el valor de k para que [[u[[ =

39, donde u = (1, k, −2, 5).
Despu´es, normaliza u.
Problema 11 Sean u = (1, 2, −2), v = (3, −12, 4) y k = 3.
a) Encontrar [[u[[, [[v[[ y [[ku[[. b) Comprobar que [[ku[[ = [k[ [[u[[ y [[u + v[[ ≤
[[u[[ +[[v[[.
Problema 12 Hallar la distancia d(u, v) entre los vectores u y v, donde:
a) u = (3, −5, 4), v = (6, 2, −1); b) u = (5, 3, −2, −4, −1), v = (2, −1, 0, −7, 2).
70 CAP
´
ITULO 4. INTRODUCCI
´
ON A LOS ESPACIOS VECTORIALES
Problema 13 Encontrar un n´ umero k tal que d(u, v) = 6, siendo u = (2, k, 1, −4)
y v = (3, −1, 6, −3).
Problema 14 Determinar cosψ, donde ψ es el ´angulo entre u = (1, 2, −5) y v =
(2, 4, 3).
Problema 15 Determinar proy(u, v), donde u = (1, −3, 4) y v = (3, 4, 7).
Problema 16 Calcular u v donde a) u = (1, 2, 3) y v = (4, 5, 6), b) u = (7, 3, 1)
y v = (1, 1, 1).
Problema 17 Consid´erese los vectores u = 2i − 3j + 4k, v = 3i + j − 2k, w =
i + 5j + 3j. Encontrar:
a) u v, b) u w, c) v w.
Problema 18 Pon un ejemplo que ilustre que el vector u v es ortogonal a u y a
v.
Problema 19 Encontrar un vector unitario u ortogonal a v = (1, 3, 4) y a w =
(2, −6, 5).
Problema 20 D´e un ejemplo que ilustre la “identidad de Lagrange”: [[u v[[ =
(u u)(v v) −(u v)
2
.
Problema 21 Supongamos que z = 5 + 3i y w = 2 − 4i. Calcular: a) z + w, b)
z −w, c) zw.
Problema 22 Simplificar: a) (5 + 3i)(2 −7i), b) (4 −3i)
2
, c) (1 + 2i)
3
, d)
2−7i
5+3i
, e)
i
317
.
Problema 23 Hallar zz y [z[ donde z = 3 + 4i.
Problema 24 Sean u = (3 − 2i, 4i, 1 + 6i, 2i) y v = (5 + i, 2 − 3i, 7 + 2i, 1 − i).
Calcular:
a) u +v; b) 2iu; c) (3 −i)v; d) u v; e) [[u[[ y [[v[[.
Problema 25 Ilustre con dos ejemplos las siguientes afirmaciones:
a) Para dos n´ umeros complejos cualesquiera z, w ∈ I C, i) z +w = z + w, ii)
zw = zw, iii) z = z, iv) [zw[ = [z[[w[.
b) Para dos vectores cualesquiera u, v ∈ I C
n
y cualquier escalar z ∈ I C, i) u v =
v u, ii) (zu) v = z(u v), iii) u (zv) = z(u v).
Cap´ıtulo 5
Espacios vectoriales
5.1 Definici´on de espacio vectorial
Comenzamos la secci´on dando la definici´on de espacio vectorial sobre un cuerpo
arbitrario. Recordemos que el concepto de cuerpo ha sido ya manejado con anteri-
oridad por ejemplo en la secci´on 2.1.
Definici´on 5.1.1 Un espacio vectorial sobre un cuerpo K (tambi´en llamado K-
espacio vectorial) es un conjunto no vac´ıo V junto con dos operaciones, + : V V →
V (suma) y : K V → V (producto por escalares) que cumplen las siguientes
propiedades:
a) (V, +) es un grupo abeliano.
b) ∀u, v ∈ V , ∀a, b ∈ K
i) a (u +v) = au +bv
ii) (a +b) u = au +bu
iii) (ab) u = a (bu)
iv) 1
K
u = u (1
K
denota la identidad de K).
Los elementos de un K-espacio vectorial V ser´an llamados “vectores” y los ele-
mentos de K se denominar´an “escalares”.
Ejemplos. 1. K es un espacio vectorial sobre si mismo, es decir, es un K-espacio
vectorial.
2. Para n ≥ 1 sea
K
n
= ¦(a
1
, a
2
, ..., a
n
) [ a
i
∈ K¦
el conjunto de n-uplas de elementos de K. Si definimos la suma de n-uplas compo-
nente a componente y el producto por escalares mediante a(a
1
, ..., a
n
) = (aa
1
, ..., aa
n
),
a ∈ K, se obtiene un K-espacio vectorial.
3. Sea X un conjunto no vac´ıo, K un cuerpo y F(X, K) el conjunto de funciones
de X en K, esto es,
F(X, K) = ¦f : X →K [ f es una aplicaci´on ¦.
71
72 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Podemos dotar a F(X, K) de estructura de K-espacio vectorial definiendo, para
f, g ∈ F(X, K) y a ∈ K:
(f +g)(x) = f(x) +g(x), (a f)(x) = af(x),
para todo x ∈ X. Los axiomas de K-espacio vectorial se demuestran aprovechando
la estructura de K-espacio vectorial de K.
5.2 Subespacios vectoriales
Un subespacio vectorial U de un espacio vectorial dado V no es sino un subcon-
junto no vac´ıo U ⊆ V de forma que U, con las operaciones de V , tiene estructura de
espacio vectorial. Sin embargo, para comprobar que un determinado subconjunto no
vac´ıo de un espacio vectorial es un subespacio vectorial, no es necesario comprobar
que se verifican todos los axiomas de espacio vectorial, sino que basta comprobar
que se satisface cierta condici´on, tal y como expresamos en el siguiente resultado.
Proposici´on 5.2.1 Sea V un K-espacio vectorial. Un subconjunto no vac´ıo U de
V es un subespacio vectorial de V si y s´olo si para todos a, b ∈ K y todos u, v ∈ U
se tiene que au +bv ∈ U.
Ejemplos. 1. ¦0
V
¦, V son siempre subespacios vectoriales de V .
2. El conjunto U = ¦(x, y, 0) [ x, y ∈ IR¦ es un subespacio de IR
3
.
3. Dado un vector no nulo u de un K-espacio vectorial V , el conjunto
U = ¦au [ a ∈ K¦
es un subespacio llamado recta vectorial en la direcci´on de u.
4. El conjunto de funciones continuas de IR en IR, esto es,
C(IR) = ¦f : IR →IR [ f es continua¦,
es un IR-subespacio de F(IR, IR).
5.3 Subespacio generado por un conjunto
Comenzamos esta secci´on poniendo de manifiesto un hecho sencillo que recogemos
en el siguiente resultado.
Proposici´on 5.3.1 La intersecci´on de cualquier familia de subespacios de un espa-
cio vectorial V es un subespacio de V .
5.3. SUBESPACIO GENERADO POR UN CONJUNTO 73
Conocido este hecho, dado un subconjunto no vac´ıo cualquiera S de un espacio
vectorial V , resulta f´acil comprender la definici´on de subespacio generado (o engen-
drado) por el conjunto S como la intersecci´ on de todos los subespacios de V que
contienen a S, es decir, el subespacio generado por S es el menor subespacio de V
que contiene a S. A este subespacio vectorial se le denota por < S >.
Nuestro siguiente paso va ser describir < S > en funci´on de sus elementos, para
lo cual recordamos el concepto de combinaci´ on lineal de una familia de vectores, que
ya fue definido en la secci´on 4.2.
Definici´on 5.3.2 Se dice que un vector u de V es combinaci´on lineal de los vectores
¦u
1
, ..., u
k
¦ si existen escalares a
1
, ..., a
k
∈ K tal que u =

k
i=1
a
i
u
i
.
Proposici´on 5.3.3 Sea S cualquier subconjunto no vac´ıo de V . Se verifica en-
tonces que el subespacio vectorial generado por S est´a formado por todas las posibles
combinaciones lineales que se pueden hacer con los elementos de S, es decir,
< S >= ¦u ∈ V [ u =
n

i=1
a
i
u
i
, a
i
∈ K, u
i
∈ S¦.
Ejemplos. 1. El primer ejemplo de subespacio generado por un conjunto lo encon-
tramos en la soluci´on de un sistema de ecuaciones lineales homog´eneo; consideremos
por ejemplo el sistema lineal homog´eneo con coeficientes reales
x −y +z = 0
y −z = 0
_
.
Resolviendo el sistema nos queda la siguiente soluci´on
U = ¦(0, a, a) [ a ∈ IR¦.
El subespacio U de IR
3
est´a generado por el conjunto ¦(0, 1, 1)¦, as´ı
U =< (0, 1, 1) > .
2. La soluci´on de la ecuaci´on lineal x −y −z −t = 0 en IR
4
es
W = ¦(a +b +c, a, b, c) [ a, b, c ∈ IR¦.
Cualquier vector soluci´on (a +b +c, a, b, c) ∈ W se expresa de la forma
(a +b +c, a, b, c) = (a, a, 0, 0) + (b, 0, b, 0) + (c, 0, 0, c) =
= a(1, 1, 0, 0) +b(1, 0, 1, 0) +c(1, 0, 0, 1).
Por tanto
W =< (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) > .
74 CAP
´
ITULO 5. ESPACIOS VECTORIALES
5.4 Suma y suma directa de subespacios
En general, al contrario de lo que sucede con la intersecci´ on de subespacios, la
uni´on de subespacios no es un subespacio. Para ver un sencillo ejemplo, consideremos
V = IR
2
y U
1
= ¦(x, 0) [ x ∈ IR¦, U
2
= ¦(0, x) [ x ∈ IR¦. Entonces U
1
∪ U
2
no es
un subespacio ya que (1, 0), (0, 1) ∈ U
1
∪ U
2
, pero (1, 0) + (0, 1) = (1, 1) no est´a en
U
1
∪ U
2
.
Definici´on 5.4.1 Sea ¦U
i
[ i = 1, ..., n¦ una familia de subespacios.
1) Definimos la suma de estos subespacios como:
n

i=1
U
i
=< U
1
∪ U
2
∪ ∪ U
n
>= ¦u ∈ V [ u = u
1
+ u
n
, u
i
∈ U
i
¦.
2) Cuando para todo j = 1, ..., n, U
j
∩ (

i=j
U
i
) = ¦0¦, el subespacio

n
i=1
U
i
se
denomina “suma directa de los subespacios U
i
” y se suele escribir

n
i=1
U
i
= ⊕
n
i=1
U
i
.
As´ı, en el caso de s´olo dos subespacios vectoriales U
1
y U
2
, tendremos que U
1
+U
2
=
U
1
⊕U
2
si y s´olo si U
1
∩ U
2
= ¦0¦.
Proposici´on 5.4.2 Sea ¦U
i
[ i = 1, ..., n¦ una familia de subespacios de un espacio
vectorial V . Supongamos que ⊕
n
i=1
U
i
existe. Entonces todo vector u ∈ ⊕
n
i=1
U
i
se
expresa de manera ´ unica como u = u
1
+ +u
n
con u
i
∈ U
i
.
Dos subespacios U
1
, U
2
≤ V se dicen suplementarios si V = U
1
⊕U
2
. Tambi´en se
suele decir que U
1
es un suplemento de U
2
o al rev´es. Por ejemplo,
IR
2
= ¦(x, 0) [ x ∈ IR¦ ⊕¦(0, x) [ x ∈ IR¦,
por lo que ¦(x, 0) [ x ∈ IR¦ y ¦(0, x) [ x ∈ IR¦ son subespacio suplementarios de IR
2
.
Ejemplo. Cuando dos subespacios est´an generados por sendos conjuntos, su suma
est´a generada por la uni´on de los mismos. Concretamente, sean
U =< (−1, 2, 1), (3, −1, 0) >, W =< (8, 0, 0) >
dos subespacios de IR
3
. Entonces U +V =< (−1, 2, 1), (3, −1, 0), (8, 0, 0) >.
En este caso adem´as la suma es directa: si (a, b, c) ∈ U ∩ W entonces podremos
expresarlo de las siguientes dos maneras,
(a, b, c) = α(−1, 2, 1) +β(3, −1, 0)
(a, b, c) = δ(8, 0, 0)
con α, β, δ ∈ IR. As´ı,
(−α + 3β, 2α −β, α) = (8δ, 0, 0).
Esto implica inmediatamente que α = β = 0 y consecuentemente que (a, b, c) =
(0, 0, 0). Por tanto U ∩ W = ¦(0, 0, 0)¦, esto es, U +W = U ⊕W.
5.5. BASES 75
Por ´ ultimo veamos que IR
3
= U ⊕ W, esto es, U y W son subespacios suple-
mentarios de IR
3
: dado cualquier vector (a, b, c) ∈ IR
3
, se trata de encontrar tres
escalares α, β, γ ∈ IR tales que
(a, b, c) = α(−1, 2, 1) +β(3, −1, 0) +γ(8, 0, 0).
Igualando componente a componente nos queda el sistema de ecuaciones lineales
_
¸
_
¸
_
−α + 3β + 8γ = a
2α −β = b
α = c
Como el sistema tiene la soluci´on α = c, β = 2c − b, γ =
1
8
a +
3
8
b −
5
8
c, el vector
(a, b, c) pertenece a U ⊕W.
5.5 Bases
Comencemos recordando la definici´on de dependencia e independencia lineal.
Definici´on 5.5.1 Un conjunto de vectores v
1
, ..., v
n
∈ V se dice linealmente indepen-
diente si para todos a
1
, ..., a
n
∈ K tales que

n
i=1
a
i
v
i
= 0, entonces necesariamente
a
i
= 0 para todo i = 1, ..., n. En caso contrario se dir´a que v
1
, ..., v
n
son linealmente
dependientes.
Ejemplo. Consideramos C(IR) (el conjunto de funciones continuas de IR en IR).
Este conjunto tiene estructura de IR-espacio vectorial definiendo la suma y producto
por escalares puntualmente (es, como ya sabemos por secciones anteriores, un subes-
pacio de F(IR, IR), el IR-espacio de funciones de IR en IR). Veamos que las funciones
sen(x) y cos(x) constituyen un conjunto linealmente independiente: si
a sen(x) +b cos(x) = 0,
tendremos en particular que a sen(0)+b cos(0) = 0 y que a sen(π/2)+b cos(π/2) = 0.
Por tanto b = 0 y a = 0 como quer´ıamos.
Proposici´on 5.5.2 Un conjunto de vectores v
1
, ..., v
n
∈ V es linealmente dependi-
ente si y s´olo si existe v
i
tal que
v
i
∈< v
1
, ..., v
i−1
, v
i+1
, ..., v
n
> .
Es un sencillo ejercicio para el lector probar la anterior proposici´on.
Definici´on 5.5.3 Sea V un K-espacio vectorial. Una base de V es un conjunto de
vectores linealmente independientes que genera V .
El espacio vectorial se dice que es de dimensi´on finita si tiene al menos una base
finita.
76 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Ejemplos. 1. El K-espacio K
n
posee, para cualquier n ≥ 1, una base distinguida
llamada “base can´onica”, que es sencillamente:
B
c
= ¦(1, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, 0, ..., 0, 1)¦.
Proponemos como ejercicio al lector que compruebe que, efectivamente, B
c
es una
base de K
n
. Por la definici´on tendr´ıamos entonces que K
n
tiene dimensi´on finita.
2. El IR-espacio F(IR, IR) no tiene dimensi´on finita. En general si X es un
conjunto infinito y K es un cuerpo, el K-espacio F(X, K) no tiene dimensi´on finita.
Proposici´on 5.5.4 Sea V un K-espacio vectorial de dimensi´on finita.
a) Si B = ¦v
1
, ..., v
n
¦ es una base de V , entonces todo vector v ∈ V se expresa
de manera ´ unica como combinaci´on lineal de los vectores de la base.
b) Todas las bases de V tienen el mismo n´ umero de elementos.
Si B = ¦v
1
, ..., v
n
¦ es una base de V y v = x
1
v
1
+ +x
n
v
n
, con x
i
∈ K, diremos
que (x
1
, ..., x
n
)
B
son las coordenadas de v respecto de la base B.
Dado que en un espacio vectorial de dimensi´on finita todas las bases tienen el
mismo n´ umero de vectores (Proposci´on 5.5.4), la siguiente definici´on tiene perfecto
sentido.
Definici´on 5.5.5 La dimensi´on de un K-espacio vectorial V , dim
K
V , se define
como el n´ umero de elementos de cualquiera de sus bases.
Ejemplos y observaciones.
1. Por el apartado (a) de la proposici´on 5.5.4 se prueba que si B = ¦v
1
, ..., v
n
¦ es
una base del K-espacio V , entonces
V = Kv
1
⊕Kv
2
⊕ ⊕Kv
n
.
2. Notemos que si V es un espacio de dimensi´on finita y U ≤ V es un subespacio de
V , entonces dim
K
U ≤ dim
K
V .
3. Las siguientes condiciones son equivalentes para que un conjunto de vectores de
un espacio de dimensi´on n constituya una base:
a) El conjunto tiene n elementos y es linealmente independiente.
b) El conjunto tiene n elementos y genera todo el espacio.
As´ı por ejemplo, ya que sabemos que K
n
tiene dimensi´on n (antes hemos visto
que la base can´onica tiene n elementos), una condici´on necesaria y suficiente para
que un conjunto de n vectores de K
n
,
B = ¦(a
11
, a
12
, ..., a
1n
), (a
21
, a
22
, ..., a
2n
), ..., (a
n1
, a
n2
, ..., a
nn
)¦,
constituya una base, ser´a que el determinante de la matriz
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
n1
a
n2
a
nn
_
_
_
_
_
5.5. BASES 77
sea distinto de cero.
4) Desde un punto de vista pr´actico, determinar las coordenadas de un vector res-
pecto de una base de K
n
cualquiera consiste en resolver un sistema de ecuaciones
compatible (determinado). En concreto, consideremos en el IR-espacio vectorial IR
3
la base
B = ¦(1, 2, 4), (2, 2, 1), (0, 3, 2)¦
(es claro que B es una base ya que el determinante de la matriz cuyas filas son los
vectores de B vale 17, que es distinto de cero) y determinemos las coordenadas del
vector (17, 17, 17) ∈ IR
3
respecto de dicha base. Se trata de encontrar tres elementos
de IR, a, b y c, tales que
a(1, 2, 4) +b(2, 2, 1) +c(0, 3, 2) = (17, 17, 17).
Esta ecuaci´on vectorial se puede expresar como un sistema de ecuaciones de tipo
Cramer en las inc´ognitas a, b, c :
a + 2b = 17
2a + 2b + 3c = 17
4a +b + 2c = 17
_
¸
_
¸
_
.
Resolviendo el sistema por la f´ormula de Cramer obtenemos que a = 3, b = 7 y
c = −1. Por tanto las coordenadas de (17, 17, 17) respecto de la base B son (3, 7, −1).
Comprobemos esto ´ ultimo:
3(1, 2, 4) + 7(2, 2, 1) −1(0, 3, 2) = (3, 6, 12) + (14, 14, 7) + (0, −3, −2) = (17, 17, 17).
Proposici´on 5.5.6 Sea V un K-espacio vectorial de dimensi´on n. Si ¦v
1
, ...,v
p
¦ es
un conjunto linealmente independiente de vectores de V (p < n), entonces existen
vectores v
p+1
, ..., v
n
∈ V tales que el conjunto ¦v
1
, ..., v
p
, v
p+1
, ..., v
n
¦ es una base de
V .
Ejemplo. La ´ ultima proposici´on proporciona un sencillo m´etodo para encontrar el
suplemento de un subespacio. Ilustremos el m´etodo con el siguiente ejemplo: para el
subespacio U =< (1, 2, 3, 1), (−1, 0, 1, 0) > de IR
4
vamos a encontrar un subespacio
suplementario. Como los vectores ¦v
1
= (1, 2, 3, 1), v
2
= (−1, 0, 1, 0)¦ son linealmente
independientes, sabemos por la proposici´on anterior que existen dos vectores v
3
y v
4
en IR
4
tales que ¦v
1
, v
2
, v
3
, v
4
¦ es una base de IR
4
. Pero entonces:
IR
4
=< v
1
, v
2
, v
3
, v
4
>=< v
1
, v
2
> ⊕ < v
3
, v
4
>= U⊕ < v
3
, v
4
> .
Por tanto W =< v
3
, v
4
> es un subespacio suplementario de U. As´ı pues, lo ´ unico que
resta por hacer es calcular expl´ıcitamente los vectores v
3
y v
4
. Para ello consideramos
la matriz cuyas filas son los vectores v
1
y v
2
_
1 2 3 1
−1 0 1 0
_
.
78 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Calculamos ahora una matriz escalonada equivalente a la anterior, sin m´as que sumar
a la segunda fila la primera:
_
1 2 3 1
0 2 4 1
_
.
Por argumentos ya conocidos, los vectores v
3
= (0, 0, 1, 0) y v
4
= (0, 0, 0, 1) cumplen
que la matriz
_
_
_
_
_
1 2 3 1
0 2 4 1
0 0 1 0
0 0 0 1
_
_
_
_
_
tiene rango m´aximo y por tanto las filas de la matriz son linealmente independientes.
Con esto ya deducimos que W =< v
3
, v
4
> es un suplemento de U.
5.6 Ecuaciones de un cambio de base
Sea V un K-espacio vectorial de dimensi´on n y
B = ¦u
1
, ..., u
n
¦, B

= ¦u

1
, ..., u

n
¦
bases de V .
Supongamos conocidas las coordenadas de los vectores de B respecto de la base
B

:
u
i
=
n

j=1
a
ji
u

j
, ∀ i = 1, ..., n.
Entonces para cualquier v ∈ V se tiene
v =
n

i=1
x
i
u
i
, v =
n

i=1
x

i
u

i
.
As´ı,
v =
n

i=1
x
i
(
n

j=1
a
ji
u

j
) =
n

j=1
(
n

i=1
a
ji
x
i
)u

j
.
Por tanto, dado que las coordenadas de un vector respecto a una base son ´ unicas,
obtenemos que
x

j
=
n

i=1
a
ji
x
i
, ∀ j = 1, ..., n.
Estas ´ ultimas ecuaciones son llamadas las ecuaciones del cambio de base de B a B

.
En expresi´on matricial se tiene X

= AX, es decir:
_
_
_
_
_
_
x

1
x

2
.
.
.
x

n
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
.
5.6. ECUACIONES DE UN CAMBIO DE BASE 79
La matriz A es llamada “matriz del cambio de base” de B a B

y se denotar´a por
M(B, B

).
Se demuestra que la matriz de cualquier cambio de base es regular (inversible),
y que de hecho la matriz del cambio de base de B

a B, M(B

, B), es la inversa
de la del cambio de base de B a B

, M(B, B

), es decir, M(B

, B) = M(B, B

)
−1
.
Adem´as, dadas tres bases cualesquiera B
1
, B
2
y B
3
, resulta que hacer el cambio de
base de B
1
a B
2
y despu´es el cambio de base de B
2
a B
3
, es lo mismo que hacer
directamente el cambio de base de B
1
a B
3
, es decir, el producto de las matrices
M(B
2
, B
3
) M(B
1
, B
2
) (el producto ha de efectuarse necesariamente en este orden)
es igual a M(B
1
, B
3
).
Ejemplo. Vamos a determinar las ecuaciones del cambio de base en IR
3
de B
1
a B
2
,
donde
B
1
= ¦(0, −1, 0), (0, 0, −1), (2, 0, 0)¦, B
2
= ¦(1, 2, 1), (0, 1, −1), (0, 0, 2)¦.
Una forma sencilla de acometer el problema es calcular la matriz de cambio de
base M(B
1
, B
2
) a partir de las matrices de cambio de base M(B
1
, B
c
) y M(B
c
, B
2
)
(B
c
es la base can´onica de IR
3
). Concretamente, M(B
1
, B
2
) es igual al producto
M(B
c
, B
2
) M(B
1
, B
c
), y el c´alculo de las dos ´ ultimas matrices resulta muy sencillo:
se comprueba que la matriz M(B
1
, B
c
) es aquella cuyas columnas son los vectores
de B
1
, es decir,
M(B
1
, B
c
) =
_
_
_
0 0 2
−1 0 0
0 −1 0
_
_
_.
Por otro lado, la matriz M(B
c
, B
2
) es la inversa de la matriz M(B
2
, B
c
), es decir,
la inversa de la matriz cuyas columnas son los vectores de B
2
, esto es,
M(B
c
, B
2
) =
_
_
_
1 0 0
2 1 0
1 −1 2
_
_
_
−1
=
_
_
_
1 0 0
−2 1 0

3
2
1
2
1
2
_
_
_.
As´ı,
M(B
1
, B
2
) =
_
_
_
1 0 0
−2 1 0

3
2
1
2
1
2
_
_
_
_
_
_
0 0 2
−1 0 0
0 −1 0
_
_
_ =
_
_
_
0 0 2
−1 0 −4

1
2

1
2
−3
_
_
_.
Por ´ ultimo, si (x
1
, y
1
, z
1
) representan las coordenadas de cualquier vector respecto
de la base B
1
y (x
2
, y
2
, z
2
) las coordenadas del mismo vector respecto de la base B
2
,
las ecuaciones del cambio de base de B
1
a B
2
en forma matricial nos quedan
_
_
_
x
2
y
2
z
2
_
_
_ =
_
_
_
0 0 2
−1 0 −4

1
2

1
2
−3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
80 CAP
´
ITULO 5. ESPACIOS VECTORIALES
o, lo que es lo mismo,
_
¸
_
¸
_
x
2
= 2z
1
y
2
= −x
1
−4z
1
z
2
= −
1
2
x
1

1
2
y
1
−3z
1
5.7 Ecuaciones param´etricas de un subespacio
Sea V un K-espacio vectorial de dimensi´on n, y U un subespacio de V de di-
mensi´on r (r ≤ n). Consideramos una base de V y una base U:
B
V
= ¦v
1
, ..., v
n
¦, B
U
= ¦u
1
, ..., u
r
¦.
Si
u
i
=
n

j=1
a
ji
v
j
, ∀ i = 1, ..., r,
entonces para u ∈ U tenemos
u =
r

i=1
b
i
u
i
, u =
n

i=1
x
j
v
j
.
As´ı,
u =
r

i=1
b
i
u
i
=
r

i=1
b
i
(
n

j=1
a
ji
v
j
) =
n

j=1
(
r

i=1
a
ji
b
i
)v
j
.
Por tanto
x
j
=
r

i=1
a
ji
b
i
, ∀ j = 1, ..., n.
Las ´ ultimas ecuaciones son llamadas ecuaciones param´etricas de U respecto a B
V
y
B
U
.
En expresi´on matricial se tiene X = AB, es decir:
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1r
a
21
a
22
a
2r

a
n1
a
n2
a
nr
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
r
_
_
_
_
_
_
.
Ejemplo. Para el subespacio W =< (1, 0, 1, 0), (0, 1, 1, 0) > de IR
4
vamos a deter-
minar las ecuaciones param´etricas respecto a la base can´onica de IR
4
y a la base
B
W
= ¦(1, 0, 1, 0), (0, 1, 1, 0)¦ de W.
Consideramos la matriz que tiene en cada columna las coordenadas de los vectores
de la base del subespacio escogida respecto a la base del espacio total. En este caso
se tendr´a
A =
_
_
_
_
_
1 0
0 1
1 1
0 0
_
_
_
_
_
.
5.8. ECUACIONES CARTESIANAS DE UN SUBESPACIO 81
Por tanto, las ecuaciones param´etricas, en forma matricial quedan:
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
1 0
0 1
1 1
0 0
_
_
_
_
_
_
b
1
b
2
_
,
o bien,
_
¸
¸
¸
_
¸
¸
¸
_
x
1
= b
1
x
2
= b
2
x
3
= b
1
+b
2
x
4
= 0
donde (x
1
, x
2
, x
3
, x
4
) representa las coordenadas de un vector de W respecto a la
base can´onica de IR
4
y (b
1
, b
2
) son las coordenadas del mismo vector respecto a la
base B
W
. Variando b
1
y b
2
como par´ametros se obtendr´an todos los vectores de W.
5.8 Ecuaciones cartesianas de un subespacio
Sea V un K-espacio vectorial de dimensi´on n y U un subespacio de V de dimensi´on
r. Sea B = ¦v
1
, ..., v
n
¦, B
U
= ¦u
1
, ..., u
r
¦ bases de V y U respectivamente. Si
u
j
=

n
i=1
a
ij
v
i
, j = 1, ..., r, entonces dado u ∈ U, se tienen las expresiones u =
t
1
u
1
+ + t
r
u
r
respecto a B
U
y u = x
1
v
1
+ + x
n
v
n
respecto a B. Por tanto las
ecuaciones param´etricas de U respecto a B y B
U
son:
x
1
= t
1
a
11
+ +t
r
a
1r
x
2
= t
1
a
21
+ +t
r
a
2r

x
n
= t
1
a
n1
+ +t
r
a
nr
_
¸
¸
¸
_
¸
¸
¸
_
.
Para obtener las ecuaciones cartesianas (o impl´ıcitas) de U es necesario eliminar
los par´ametros t
i
. Para este fin consideramos la matriz
(A[X) =
_
_
_
_
_
a
11
a
12
a
1r
x
1
a
21
a
22
a
2r
x
2

a
n1
a
n2
a
nr
x
n
_
_
_
_
_
.
Para que (x
1
, ..., x
n
) sean las coordenadas de un vector de U respecto a la base B,
es necesario y suficiente que el rango de la matriz (A[X) sea r (que es el rango de
A = (a
ij
)). Sin perder generalidad, supondremos que el determinante
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1r
a
21
a
22
a
2r

a
r1
a
r2
a
rr
¸
¸
¸
¸
¸
¸
¸
¸
¸
82 CAP
´
ITULO 5. ESPACIOS VECTORIALES
es distinto de cero. Por tanto, los menores orlados de orden r + 1 de la matriz del
determinante anterior deben ser cero:
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1r
x
1
a
21
a
22
a
2r
x
2

a
r1
a
r2
a
rr
x
r
a
r+1,1
a
r+1,2
a
r+1,r
x
r+1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
= 0,
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1r
x
1
a
21
a
22
a
2r
x
2

a
r1
a
r2
a
rr
x
r
a
r+2,1
a
r+2,2
a
r+2,r
x
r+2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
= 0,
.
.
.
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1r
x
1
a
21
a
22
a
2r
x
2

a
r1
a
r2
a
rr
x
r
a
n,1
a
n,2
a
n,r
x
n
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
= 0.
Las n − r ecuaciones que se obtienen de esta forma son precisamente las “ecua-
ciones cartesianas” de U respecto a la base B.
Ejemplo. Determinemos las ecuaciones cartesianas del subespacio
U =< (1, 0, 1, −1), (2, 1, −1, 1) >
de IR
4
respecto a la base can´onica de IR
4
.
Los vectores (1, 0, 1, −1) y (2, 1, −1, 1) no son proporcionales por lo que B
U
=
¦(1, 0, 1, −1), (2, 1, −1, 1)¦ es una base de U. Por tanto, para hallar las ecuaciones
cartesianas de U respecto de la base can´onica de IR
4
consideramos la matriz
_
_
_
_
_
1 2
0 1
1 −1
−1 1
_
_
_
_
_
,
y buscamos un menor no nulo de tama˜ no m´aximo (en este caso dicho tama˜ no es 2
puesto que el rango de la matriz es 2), por ejemplo
¸
¸
¸
¸
¸
1 2
0 1
¸
¸
¸
¸
¸
= 1 ,= 0.
5.8. ECUACIONES CARTESIANAS DE UN SUBESPACIO 83
Tomamos entonces la matriz
_
1 2
0 1
_
y las ecuaciones cartesianas que buscamos vendr´ an dadas por las ecuaciones
¸
¸
¸
¸
¸
¸
¸
1 2 x
1
0 1 x
2
1 −1 x
3
¸
¸
¸
¸
¸
¸
¸
= 0 y
¸
¸
¸
¸
¸
¸
¸
1 2 x
1
0 1 x
2
−1 1 x
4
¸
¸
¸
¸
¸
¸
¸
= 0.
Obtenemos pues que las ecuaciones cartesianas son:
−x
1
+ 3x
2
+x
3
= 0
x
1
−3x
2
+x
4
= 0
_
.
84 CAP
´
ITULO 5. ESPACIOS VECTORIALES
5.9 Problemas
Problema 1 D´ıgase si el subconjunto F ⊆ IR
n
es o no un subespacio de IR
n
en los
casos siguientes.
a) F = ¦(x
1
, . . . , x
n
); x
i
≥ 0 ∀i¦,
b) F = ¦(x
1
, . . . , x
n
);

n
i=1
x
i
= 0¦,
c) F = ¦(x
1
, . . . , x
n
);

n
i=1
x
i
= 1¦.
Soluci´on. a) No es un subespacio ya que F no es un grupo abeliano: si v ∈ F es
no nulo entonces −v no pertenece a F.
b) S´ı es un subespacio: dados dos n´ umeros reales a y b y dos vectores v =
(x
1
, ..., x
n
), w = (y
1
, ..., y
n
) ∈ F, se tiene que av + bw = (ax
1
+ by
1
, ..., ax
n
+ by
n
) y
0 = a(

n
i=1
x
i
) + b(

n
i=1
y
i
) =

n
i=1
(ax
i
+by
i
).
c) No es un subespacio ya que, por ejemplo, el vector nulo no pertenece a F, esto
es, (F, +) no es un grupo abeliano.
Problema 2 Sea F(X, IR) el espacio vectorial real de las funciones definidas del
conjunto X en IR. Considere el subconjunto A(x
0
, y
0
) de F(X, IR) formado por
las funciones que verifican f(x
0
) = y
0
. D´ıgase para que valores de y
0
∈ IR dicho
subconjunto es subespacio de F(X, IR).
Soluci´on. Si y
0
es no nulo entonces A(x
0
, y
0
) no es un subespacio ya que si f, g ∈
A(x
0
, y
0
), entonces (f + g)(x
0
) = f(x
0
) + g(x
0
) = 2y
0
,= y
0
y as´ı f + g no pertenece
a A(x
0
, y
0
). Por tanto (A(x
0
, y
0
), +) no es un grupo abeliano.
Si embargo para y
0
= 0, A(x
0
, y
0
) s´ı es un subespacio: dados a, b ∈ IR y f, g ∈
A(x
0
, 0) entonces (af +bg)(x
0
) = af(x
0
) +bg(x
0
) = 0, por tanto af +bg ∈ A(x
0
, 0).
Problema 3 Para los siguientes vectores x, a
1
, . . . , a
p
∈ IR
3
, d´ıgase si x ∈< a
1
, a
2
,
..., a
p
> o no:
a) x = (5, 2, −3), a
1
= (1, 1, −1), a
2
= (2, −1, 0);
b) x = (−2, 0, −1), a
1
= (1, 1, −1), a
2
= (2, −1, 0);
c) x = (−1, 2, 1), a
1
= (1, 1, −1), a
2
= (2, −1, 0), a
3
= (3, 0, −1);
d) x = (−1, −1, −1), a
1
= (1, 1, −1), a
2
= (2, −1, 0), a
3
= (3, 0, −1).
Soluci´on. En los cuatro apartados se proceder´a igual: se trata de estudiar si deter-
minado sistema de ecuaciones lineales es compatible.
a) Si x ∈< a
1
, a
2
> entonces existen s, t ∈ IR tales que x = sa
1
+ta
2
. Por tanto,
x ∈< a
1
, a
2
> si y s´olo si la ecuaci´on vectorial
(5, 2, −3) = s(1, 1, −1) +t(2, −1, 0)
tiene soluci´on. Tenemos que
(5, 2, −3) = s(1, 1, −1) +t(2, −1, 0) = (s + 2t, s −t, −s).
5.9. PROBLEMAS 85
Igualando componentes, se obtiene el sistema
s + 2t = 5
s −t = 2
−s = −3
y habr´a que estudiar si es compatible. Veamos esto por medio de la matriz ampliada
del sistema:
B =
_
_
_
1 2 5
1 −1 2
−1 0 −3
_
_
_
(1)

_
_
_
1 2 5
0 −3 −3
0 2 2
_
_
_
(2)

_
_
_
1 2 5
0 1 1
0 1 1
_
_
_
(3)

_
_
_
1 2 5
0 1 1
0 0 0
_
_
_
Operaciones elementales realizadas:
(1) F
2
−F
1
, F
3
+F
1
; (2) −
1
3
F
2
,
1
2
F
3
; (3) F
3
−F
2
.
Una vez obtenida la forma escalonada equivalente a B, se observa que el sistema
es compatible y as´ı x ∈< a
1
, a
2
>.
b) Procederemos de la misma manera que en (a):
_
_
_
1 2 −2
1 −1 −1
−1 0 0
_
_
_
(1)

_
_
_
1 2 −2
0 −3 1
0 2 −2
_
_
_
(2)

_
_
_
1 2 −2
0 −3 1
0 0 −4
_
_
_
Operaciones elementales realizadas:
(1) F
2
−F
1
, F
3
+F
1
; (2) 3F
3
+ 2F
2
.
En este caso, como se obtiene 0 = −4, el sistema no tiene soluci´on y por tanto x
no pertenece a < a
1
, a
2
>.
c)
_
_
_
1 2 3 −1
1 −1 0 2
−1 0 −1 1
_
_
_
(1)

_
_
_
1 2 3 −1
0 −3 −3 3
0 2 2 0
_
_
_
(2)

_
_
_
1 2 3 −1
0 −1 −1 1
0 1 1 0
_
_
_
(3)

_
_
_
1 2 3 −1
0 −1 −1 1
0 0 0 1
_
_
_.
Operaciones elementales realizadas:
(1) F
2
−F
1
, F
3
+F
1
; (2)
1
3
F
2
,
1
2
F
3
; (3) F
3
+F
2
.
Como se obtiene 0 = 1 el sistema es incompatible y as´ı x no pertenece a
< a
1
, a
2
, a
3
>.
d)
_
_
_
1 2 3 −1
1 −1 0 −1
−1 0 −1 −1
_
_
_
(1)

_
_
_
1 2 3 −1
0 −3 −3 0
0 2 2 −2
_
_
_
(2)

86 CAP
´
ITULO 5. ESPACIOS VECTORIALES
_
_
_
1 2 3 −1
0 1 1 0
0 1 1 −1
_
_
_
(3)

_
_
_
1 2 3 −1
0 1 1 0
0 0 0 −1
_
_
_.
Operaciones elementales realizadas:
(1) F
2
−F
1
, F
3
+F
1
; (2) −
1
3
F
2
,
1
2
F
3
; (3) F
3
−F
2
.
Se obtiene que el sistema es incompatible y as´ı x no pertenece a < a
1
, a
2
, a
3
>.
Problema 4 D´ıgase en cada caso si el sistema de vectores que se da genera el es-
pacio vectorial indicado:
a) Espacio IR
3
; sistema ¦(2, 1, 1), (1, 2, 1), (1, 1, 2)¦;
b) Espacio IR
3
; sistema ¦(1, −1, 0), (0, 6, 2), (1, 5, 2)¦;
Soluci´on. Tanto en (a) como en (b) se est´a en un espacio de dimensi´on tres y, por
tanto, tres vectores generan si y s´olo si son linealmente independientes. As´ı en (a)
tenemos que probar que la ecuaci´on vectorial
(0, 0, 0) = x(2, 1, 1) +y(1, 2, 1) +z(1, 1, 2)
s´olo tiene la soluci´on nula. Esto es equivalente a que el sistema homog´eneo
2x +y +z = 0
x + 2y +z = 0
x +y + 2z = 0
sea compatible determinado. Para probar esto ´ ultimo reducimos la matriz de coefi-
cientes del sistema a la forma triangular (por el m´etodo de Gauss):
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
(1)

_
_
_
1 1 2
1 2 1
2 1 1
_
_
_
(2)

_
_
_
1 1 1
0 1 −1
0 −1 −3
_
_
_
(3)

_
_
_
1 1 1
0 1 0
0 0 −4
_
_
_
Operaciones elementales realizadas:
(1) F
1
↔F
3
; (2) F
2
−F
1
, F
3
−2F
1
; (3) F
3
+F
2
.
Como la matriz escalonada es triangular, se sigue que el sistema es compatible de-
terminado y as´ı los vectores generan IR
3
.
Para (b) procedemos de manera an´aloga:
_
_
_
1 0 1
−1 6 5
0 2 2
_
_
_
(1)

_
_
_
1 0 1
0 6 6
0 2 2
_
_
_
(2)

_
_
_
1 0 1
0 1 1
0 1 1
_
_
_
(3)

_
_
_
1 0 1
0 1 1
0 0 0
_
_
_
Operaciones elementales realizadas:
(1) F
2
+F
1
; (2)
1
6
F
2
,
1
2
F
3
, (3) F
3
−F
2
.
En este caso la matriz escalonada no es triangular y por tanto los vectores no generan
IR
3
.
5.9. PROBLEMAS 87
Problema 5 Pruebe que los sistemas que se dan a continuaci´on son linealmente
independientes. Ampl´ıe dichos sistemas hasta obtener una base del espacio vectorial
dado. Se calcular´an adem´as las coordenadas en la base obtenida de los vectores que
se indican.
a) El sistema ¦a
1
, a
2
¦ de IR
3
con a
1
= (2, 1, −1) y a
2
= (1, 1, 0); los vectores
x = (1, 0, −1) e y = (1, 1, 1).
b) El sistema ¦a
1
, a
2
, a
3
¦ de IR
4
con
a
1
= (1, −1, 2, 1), a
2
= (0, 1, −1, 2) y a
3
= (2, 0, 1, 0);
los vectores x = (2, 0, 1, 0) e y = (1, 1, 1, 1).
Soluci´on. a) Dos vectores son linealmente independientes si y s´olo si no son pro-
porcionales. En este caso es claro que no son proporcionales ya que si (2, 1, −1) =
t(1, 1, 0) entonces 2 = t y t = 1 lo cual es una contradicci´ on.
Para ampliar este sistema de vectores hasta una base de IR
3
se procede de la si-
guiente manera: reducimos la matriz formada por los vectores del sistema en posici´on
de columna
_
_
_
2 1
1 1
−1 0
_
_
_
a forma triangular, obteni´endose
_
_
_
2 1
0
1
2
0 0
_
_
_
As´ı, por ejemplo, el vector (0, 0, 1) junto con (2, 1, −1) y (1, 1, 0) forman una base de
IR
3
.
Las coordenadas de (1, 0, −1) respecto a la base
B = ¦(2, 1, −1), (1, 1, 0), (0, 0, 1)¦
se calculan resolviendo la ecuaci´on vectorial
(1, 0, −1) = x
1
(2, 1, −1) +x
2
(1, 1, 0) +x
3
(0, 0, 1),
o lo que es lo mismo, el sistema
2x
1
+x
2
= 1
x
1
+x
2
= 0
−x
1
+x
3
= −1
El sistema anterior es equivalente a este otro en forma escalonada
x
1
+x
2
= 0
−x
2
= 1
x
3
= 0
88 CAP
´
ITULO 5. ESPACIOS VECTORIALES
cuyas ´ unica soluci´on es obviamente x
1
= 1, x
2
= −1, x
3
= 0. Por tanto, las coorde-
nadas del vector (1, 0, −1) respecto a la base B son (1, −1, 0).
Para encontrar las coordenadas del vector y = (1, 1, 1) se proceder´a an´alogamente.
Se resuelve el sistema
2x
1
+x
2
= 1
x
1
+x
2
= 1
−x
1
+x
3
= 1
obteni´endose que las coordenadas son (0, 1, 1).
b) a
1
= (1, −1, 2, 1), a
2
= (0, 1, −1, 2) y a
3
= (2, 0, 1, 0);
Primero vemos si ¦a
1
, a
2
, a
3
¦ es un sistema de vectores independiente. Reducimos
la matriz
_
_
_
_
_
1 0 2
−1 −1 0
2 −1 1
1 2 0
_
_
_
_
_
a forma triangular:
_
_
_
_
_
1 0 2
−1 −1 0
2 −1 1
1 2 0
_
_
_
_
_
(1)

_
_
_
_
_
1 0 2
0 −1 2
0 −1 −3
0 2 −2
_
_
_
_
_
(2)

_
_
_
_
_
1 0 2
0 −1 2
0 0 −5
0 0 2
_
_
_
_
_
(3)

_
_
_
_
_
1 0 2
0 −1 2
0 0 −5
0 0 0
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
2
+F
1
, F
3
−2F
1
, F
4
−F
1
; (2) F
3
−F
2
, F
4
+ 2F
2
. (3) 5F
4
+ 2F
3
.
Se deduce que el sistema homog´eneo asociado es compatible determinado y por
tanto ¦a
1
, a
2
, a
3
¦ son linealmente independientes. Adem´as, por la forma de la matriz
triangular asociada, se tiene que a˜ nadiendo al sistema de vectores anterior el vector
a
4
= (0, 0, 0, 1), se obtiene una base T = ¦a
1
, a
2
, a
3
, a
4
¦ de IR
4
.
Las coordenadas de x = (2, 0, 1, 0) = a
3
respecto de la base T son claramente
(0, 0, 1, 0).
Para calcular las coordenadas de y = (1, 1, 1, 1) en la base T resolvemos el sistema
x
1
+ 2x
3
= 1
−x
1
−x
2
= 1
2x
1
−x
2
+x
3
= 1
x
1
+ 2x
2
+x
4
= 1
Tenemos
_
_
_
_
_
1 0 2 0 1
−1 −1 0 0 1
2 −1 1 0 1
1 2 0 1 1
_
_
_
_
_
(1)

_
_
_
_
_
1 0 2 0 1
0 −1 2 0 2
0 −1 −3 0 −1
0 2 −2 1 0
_
_
_
_
_
(2)

5.9. PROBLEMAS 89
_
_
_
_
_
1 0 2 0 1
0 −1 2 0 2
0 0 −5 0 −3
0 0 2 1 4
_
_
_
_
_
(3)

_
_
_
_
_
1 0 2 0 1
0 −1 2 0 2
0 0 −5 0 −3
0 0 0 5 14
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
2
+F
1
, F
3
−2F
1
, F
4
−F
1
; (2) F
3
−F
2
, F
4
+ 2F
2
. (3) 5F
4
+ 2F
3
.
La forma can´onica por filas de la matriz anterior es
_
_
_
_
_
1 0 0 0 −1/5
0 1 0 0 −4/5
0 0 1 0 3/5
0 0 0 1 14/5
_
_
_
_
_
y por tanto (−1/5, −4/5, 3/5, 14/5) son las coordenadas de y respecto de la base T.
Problema 6 B´ usquese un suplemento del subespacio < (1, 2, −1) > de IR
3
.
Soluci´on. Para encontrar un suplemento del subespacio anterior, buscaremos dos
vectores que, junto con el anterior formen base. Entonces el espacio que generan
estos dos vectores obtenidos ser´a el suplemento. Vamos a considerar, por ejemplo,
los vectores (0, 1, 0) y (0, 0, 1). Entonces la forma escalonada de la matriz
_
_
_
1 0 0
2 1 0
−1 0 1
_
_
_
es esta otra:
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
la cual es triangular. Por tanto el conjunto ¦(1, 2, −1), (0, 1, 0), (0, 0, 1)¦ es una base
de IR
3
y V =< (0, 1, 0), (0, 0, 1) > es un suplemento de W =< (1, 2, −1 > (esto
quiere decir que V ⊕W = IR
3
).
Problema 7 Dados los siguientes sistemas de vectores, calcule una base del subes-
pacio vectorial que generan.
a) ¦a
1
, a
2
, a
3
, a
4
¦ de IR
4
con
a
1
= (2, 2, −1, 0), a
2
= (1, 1, 2, −1), a
3
= (1, 2, −2, 1), a
4
= (3, 3, −4, 1).
b) ¦a
1
, a
2
, a
3
¦ de IR
3
con a
1
= (1, λ, λ), a
2
= (λ, 1, λ), a
3
= (λ, λ, 1), siendo
λ ∈ IR.
90 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Soluci´on. Tanto en (a) como en (b) reduciremos la matriz, cuyas filas son los a
i
,
a forma escalonada por filas y, usando argumentos conocidos, esto nos permitir´a
calcular una base del subespacio que generan los a
i
.
a)
_
_
_
_
_
2 2 −1 0
1 1 2 −1
1 2 −2 1
3 3 −4 1
_
_
_
_
_
(1)

_
_
_
_
_
1 1 2 −1
2 2 −1 0
1 2 −2 1
3 3 −4 1
_
_
_
_
_
(2)

_
_
_
_
_
1 1 2 −1
0 0 −5 2
0 1 −4 2
0 0 −10 4
_
_
_
_
_
(3)

_
_
_
_
_
1 1 2 −1
0 0 −5 2
0 1 −4 2
0 0 0 0
_
_
_
_
_
(4)

_
_
_
_
_
1 1 2 −1
0 1 −4 2
0 0 −5 2
0 0 0 0
_
_
_
_
_
Operaciones elementales realizadas:
(1) F
1
↔F
2
; (2) F
2
−2F
1
, F
3
−F
1
, F
4
−3F
1
; (3) F
4
−2F
2
; (4) F
2
↔F
3
.
Como las tres primeras filas (que corresponden a a
2
, a
3
y a
1
respectivamente) de
la forma escalonada son no nulas, entonces los vectores ¦a
1
, a
2
, a
3
¦ forman una base
del espacio que genera ¦a
1
, a
2
, a
3
, a
4
¦.
b)
_
_
_
1 λ λ
λ 1 λ
λ λ 1
_
_
_
(1)

_
_
_
1 λ λ
0 1 −λ
2
λ −λ
2
0 λ −λ
2
1 −λ
2
_
_
_
(2)

_
_
_
1 λ λ
0 1 −λ
2
λ −λ
2
0 λ −1 1 −λ
_
_
_.
Operaciones elementales realizadas:
(1) F
2
−λF
1
, F
3
−λF
1
; (2) F
3
−F
2
.
En este punto, si λ = 1 entonces ¦a
1
¦ es una base. Si λ ,= 1 seguimos reduciendo:
_
_
_
1 λ λ
0 1 −λ
2
λ −λ
2
0 λ −1 1 −λ
_
_
_
(i)

_
_
_
1 λ λ
0 1 + λ λ
0 −1 1
_
_
_
(ii)

_
_
_
1 λ λ
0 −1 1
0 1 + λ λ
_
_
_
(iii)

_
_
_
1 λ λ
0 −1 1
0 0 1 + 2λ
_
_
_.
Operaciones elementales realizadas:
(i)
1
1−λ
F
2
,
1
1−λ
F
3
; (ii) F
2
↔F
3
; (iii) F
3
+ (1 +λ)F
2
.
Por tanto, si λ ,= −1/2, ¦a
1
, a
2
, a
3
¦ es una base del subespacio que genera
¦a
1
, a
2
, a
3
¦, esto es, es una base de IR
3
. Si λ = −1/2 entonces ¦a
1
, a
2
¦ es una
base del subespacio que genera ¦a
1
, a
2
, a
3
¦.
5.9. PROBLEMAS 91
Problema 8 Pru´ebese que el sistema de vectores de IR
3
¦a
1
, a
2
, a
3
¦, con a
1
=
(−1, 1, 1), a
2
= (1, −1, 1), a
3
= (1, 1, −1), es una base de IR
3
. Obtenga las coorde-
nadas en esta base de los vectores de la base can´onica de IR
3
.
Soluci´on. Para probar que B = ¦a
1
, a
2
, a
3
¦ es una base de IR
3
procedemos como en
el problema anterior:
_
_
_
−1 1 1
1 −1 1
1 1 −1
_
_
_
(1)

_
_
_
−1 1 1
0 0 2
0 2 0
_
_
_
(2)

_
_
_
−1 1 1
0 2 0
0 0 2
_
_
_
Operaciones elementales realizadas:
(1) F
2
+F
1
, F
3
+F
1
; (2) F
2
↔F
3
.
Como la forma escalonada es triangular, los vectores anteriores forman una base.
Para hallar las coordenadas del vector (1, 0, 0) respecto de la base anterior, se
resuelve la ecuaci´on vectorial
(1, 0, 0) = x(−1, 1, 1) +y(1, −1, 1) +z(1, 1, −1).
Como antes, esto se realiza resolviendo el sistema asociado:
−x +y +z = 1
x −y +z = 0
x +y −z = 0
_
¸
_
¸
_
Vamos a reducir la matriz ampliada del sistema a forma can´onica por filas:
_
_
_
−1 1 1 1
1 −1 1 0
1 1 −1 0
_
_
_
(1)

_
_
_
−1 1 1 1
0 0 2 1
0 2 0 1
_
_
_
(2)

_
_
_
−1 1 1 1
0 2 0 1
0 0 2 1
_
_
_
(3)

_
_
_
1 −1 −1 −1
0 1 0 1/2
0 0 1 1/2
_
_
_
(4)

_
_
_
1 0 0 0
0 1 0 1/2
0 0 1 1/2
_
_
_.
Operaciones elementales realizadas:
(1) F
2
+F
1
, F
3
+F
1
; (2) F
2
↔F
3
; (3) −F
1
,
1
2
F
2
,
1
2
F
3
; (4) F
1
+F
3
, F
1
+F
2
.
Por tanto (0, 1/2, 1/2) son las coordenadas respecto a B de (1, 0, 0).
Procediendo igual, se tiene que la coordenadas respecto a B del vector (0, 1, 0)
son (1/2, 0, 1/2) y las de (0, 0, 1) son (1/2, 1/2, 0).
Problema 9 Dados los subespacios vectoriales de IR
4
F y G, generados por
¦(3, 6, 1, 0), (1, 0, −1, 2), (2, 3, 0, 1)¦, y ¦(2, 0, −1, 3), (3, 3, −2, 4)¦
respectivamente, b´ usquense bases de F, G, F +G y F ∩ G.
92 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Soluci´on. Los dos vectores que generan G forman una base ya que no son propor-
cionales. En cuanto a F, encontramos la forma escalonada de la matriz cuyas filas
son los vectores que generan F y despu´es se discutir´a que vectores forman base.
_
_
_
3 6 1 0
1 0 −1 2
2 3 0 1
_
_
_
(1)

_
_
_
1 0 −1 2
3 6 1 0
2 3 0 1
_
_
_
(2)

_
_
_
1 0 −1 2
0 6 4 −6
0 3 2 −3
_
_
_
(3)

_
_
_
1 0 −1 2
0 3 2 −3
0 3 2 −3
_
_
_
(4)

_
_
_
1 0 −1 2
0 3 2 −3
0 0 0 0
_
_
_.
Operaciones elementales realizadas:
(1) F
1
↔F
2
; (2) F
2
−3F
1
, F
3
−2F
1
; (3)
1
2
F
2
; (4) F
3
−F
2
.
As´ı ¦(1, 0, −1, 2), (0, 3, 2, −3)¦ es una base de F.
Para encontrar una base de F +G se reduce a forma escalonada la matriz cuyas
filas est´en formadas por los vectores de la base de F y G; despu´es se interpreta el
resultado:
_
_
_
_
_
1 0 −1 2
0 3 2 −3
2 0 −1 3
3 3 −2 4
_
_
_
_
_
(1)

_
_
_
_
_
1 0 −1 2
0 3 2 −3
0 0 1 −1
0 3 1 −2
_
_
_
_
_
(2)

_
_
_
_
_
1 0 −1 2
0 3 2 −3
0 0 1 −1
0 0 −1 1
_
_
_
_
_
(3)

_
_
_
_
_
1 0 −1 2
0 3 2 −3
0 0 1 −1
0 0 0 0
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
3
−2F
1
, F
4
−3F
1
; (2) F
4
−F
2
; (3) F
4
+F
3
.
Por tanto ¦(1, 0, −1, 2), (0, 3, 2, −3), (0, 0, 1, −1)¦ es una base de F +G.
La f´ormula de dimensiones dim(F +G) = dim(F)+dim(G)−dim(F ∩G) muestra
que dim(F ∩ G) = 1. Por tanto una base de F ∩ G se obtiene calculando un vector
no nulo de F ∩ G. Ese ser´a el objetivo. Tal vector es posible calcularlo a partir
de la igualdad a(1, 0, −1, 2) + b(0, 3, 2, −3) = s(2, 0, −1, 3) + t(3, 3, −2, 4), la cual
corresponde a un vector de la intersecci´ on escrito tanto en funci´on de la anterior
base de F como de la de G. Esta igualdad induce un sistema homog´eneo, el cual
vamos a resolver:
_
_
_
_
_
1 0 −2 −3
0 3 0 −3
−1 2 1 2
2 −3 −3 −4
_
_
_
_
_
(1)

_
_
_
_
_
1 0 −2 −3
0 3 0 −3
0 2 −1 −1
0 −3 1 2
_
_
_
_
_
(2)

5.9. PROBLEMAS 93
_
_
_
_
_
1 0 −2 −3
0 3 0 −3
0 0 −3 3
0 0 1 −1
_
_
_
_
_
(3)

_
_
_
_
_
1 0 −2 −3
0 1 0 −1
0 0 1 −1
0 0 −3 3
_
_
_
_
_
(4)

_
_
_
_
_
1 0 −2 −3
0 1 0 −1
0 0 1 −1
0 0 0 0
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
3
+F
1
, F
4
−2F
1
; (2) 3F
3
−2F
2
, F
4
+F
2
. (3)
1
3
F
2
, F
3
↔F
4
; (4) F
4
+ 3F
3
.
Se tiene pues s = t, b = t, a = 5t. Tomando t = 1, (5, 3, −3, 7) pertenece a F ∩G.
Problema 10 En IR
5
se considera el subespacio F engendrado por ¦a, b, c¦ y el
subespacio G engendrado por ¦d, e, f¦ en donde
a = (1, 2, 0, 3, 4), b = (1, 2, 2, 4, 6), c = (0, −2, 3, 4, 1),
d = (−1, 2, 3, −1, 2), e = (2, 3, 2, 4, 1), f = (2, −3, 1, 3, 0).
Determine las dimensiones de F, G, F ∩G,F +G y unas bases de estos subespacios.
Soluci´on. Se proceder´a como en el problema anterior.
Base de F:
_
_
_
1 2 0 3 4
1 2 2 4 6
0 −2 3 4 1
_
_
_
(1)

_
_
_
1 2 0 3 4
0 0 2 1 2
0 −2 3 4 1
_
_
_
(2)

_
_
_
1 2 0 3 4
0 −2 3 4 1
0 0 2 1 2
_
_
_.
Operaciones elementales realizadas:
(1) F
2
−F
1
; (2) F
3
↔F
2
.
Por tanto ¦a, b, c¦ es una base de F y dim(F) = 3.
Base de G:
_
_
_
−1 2 3 −1 2
2 3 2 4 1
2 −3 1 3 0
_
_
_
(1)

_
_
_
−1 2 3 −1 2
0 7 8 2 5
0 1 7 1 4
_
_
_
(2)

_
_
_
−1 2 3 −1 2
0 1 7 1 4
0 7 8 2 5
_
_
_
(3)

_
_
_
−1 2 3 −1 2
0 1 7 1 4
0 0 −41 −5 −23
_
_
_.
Operaciones elementales realizadas:
(1) F
2
+ 2F
1
; F
3
+ 2F
1
; (2) F
2
↔F
3
; (3) F
3
−7F
2
.
As´ı ¦d, e, f¦ es una base de G y dim(G) = 3.
94 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Base de F +G:
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
1 2 2 4 6
0 −2 3 4 1
−1 2 3 −1 2
2 3 2 4 1
2 −3 1 3 0
_
_
_
_
_
_
_
_
_
_
(1)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 0 2 1 2
0 −2 3 4 1
0 4 3 2 6
0 −1 2 −2 −7
0 −7 1 −3 −8
_
_
_
_
_
_
_
_
_
_
(2)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 −1 2 −2 −7
0 −2 3 4 1
0 4 3 2 6
0 −7 1 −3 −8
0 0 2 1 2
_
_
_
_
_
_
_
_
_
_
(3)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 −1 2 −2 −7
0 0 −1 8 15
0 0 11 −6 −22
0 0 −13 11 41
0 0 2 1 2
_
_
_
_
_
_
_
_
_
_
(4)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 −1 2 −2 −7
0 0 −1 8 15
0 0 0 82 143
0 0 0 −93 −154
0 0 0 17 32
_
_
_
_
_
_
_
_
_
_
(5)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 −1 2 −2 −7
0 0 −1 8 15
0 0 0 82 143
0 0 0 0 671
0 0 0 0 193
_
_
_
_
_
_
_
_
_
_
(6)

_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 −1 2 −2 −7
0 0 −1 8 15
0 0 0 82 143
0 0 0 0 671
0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
2
−F
1
, F
4
+F
1
, F
5
−2F
1
, F
6
−2F
1
; (2) F
2
→F
6
→F
5
→F
2
; (3) F
3
−2F
2
,
F
4
+4F
2
, F
5
−7F
2
; (4) F
4
+11F
3
, F
5
−13F
3
, F
6
+2F
3
; (5) 82F
5
+93F
4
, 82F
6
−17F
4
;
(6) 671F
6
−193F
5
.
(La operaci´on de filas F
2
→F
6
→F
5
→F
2
indica que se han permutado las filas
F
2
, F
6
y F
5
en la manera se˜ nalada).
Por tanto dim(F + G) = 5 y una base de F + G podr´ıa ser, por ejemplo, la
can´onica de IR
5
.
Base de F ∩ G:
Por la f´ormula de dimensiones
dim(F +G) = dim(F) +dim(G) −dim(F ∩ G)
se deduce ya que dim(F ∩ G) = 1. Por tanto, calculando un elemento no nulo de
la intersecci´on se tendr´a entonces la base. Este c´alculo se realiza como en el ejerci-
cio anterior: se considera la expresi´on de un elemento arbitrario de la intersecci´on
x(1, 2, 0, 3, 4) + y(1, 2, 2, 4, 6) + z(0, −2, 3, 4, 1) = t(−1, 2, 3, −1, 2) + s(2, 3, 2, 4, 1) +
k(2, −3, 1, 3, 0) y calculamos, por ejemplo, x, y, z resolviendo el sistema homog´eneo
asociado. Esto se hace reduciendo la matriz de ese sistema a forma escalonada,
5.9. PROBLEMAS 95
obteni´endose:
_
_
_
_
_
_
_
_
1 1 0 1 −2 −2
2 2 −2 −2 −3 3
0 2 3 −3 −2 −1
3 4 4 1 −4 −3
4 6 1 −2 −1 0
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 0 0 0 0 829/193
0 1 0 0 0 −671/193
0 0 1 0 0 87/193
0 0 0 1 0 −358/193
0 0 0 0 1 93/193
_
_
_
_
_
_
_
_
Por tanto 829a −671b + 87c es una base de la intersecci´ on.
Problema 11 En IR
4
se consideran los subespacios vectoriales reales siguientes:
U =< (−1, 6, −2, 0), (0, 5, −3, −1) > W =< (−1, 1, 1, 1), (1, 0, 2, 0) > .
Encuentre las dimensiones de U ∩ W y de U +W.
Soluci´on. Dimensi´on de U +W:
_
_
_
_
_
−1 6 −2 0
0 5 −3 −1
−1 1 1 1
1 0 2 0
_
_
_
_
_
(1)

_
_
_
_
_
−1 6 −2 0
0 5 −3 −1
0 −5 3 1
0 6 0 0
_
_
_
_
_
(2)

_
_
_
_
_
−1 6 −2 0
0 5 −3 −1
0 0 0 0
0 6 0 0
_
_
_
_
_
(3)

_
_
_
_
_
−1 6 −2 0
0 5 −3 −1
0 0 0 0
0 0 18 6
_
_
_
_
_
(4)

_
_
_
_
_
−1 6 −2 0
0 5 −3 −1
0 0 18 6
0 0 0 0
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
3
−F
1
, F
4
+F
1
; (2) F
3
+F
2
; (3) 5F
3
−6F
2
; (4) F
3
↔F
4
.
As´ı dim(U +W) = 3.
Como dim(U) = dim(W) = 2, por la formula de dimensi´on se tiene que
dim(U ∩ W) = 1.
Problema 12 Determine una base del subespacio V de IR
4
dado por:
V = ¦(x
1
, ..., x
4
) ∈ IR
4
[ x
1
= x
2
−3x
3
, x
3
= x
4
¦.
Complete la base obtenida para obtener una base de IR
4
.
Soluci´on. El sistema
x
1
−x
2
+ 3x
3
= 0
x
3
−x
4
= 0
ya est´a en forma escalonada, con variables libres x
2
y x
4
. Asignando par´ametros a
´estas, x
2
= α, x
4
= β, nos queda que x
3
= β, x
1
= α − 3β y as´ı (x
1
, x
2
, x
3
, x
4
) =
96 CAP
´
ITULO 5. ESPACIOS VECTORIALES
(α−3β, α, β, β) = α(1, 1, 0, 0)+β(−3, 0, 1, 1). Por tanto B = ¦(1, 1, 0, 0), (−3, 0, 1, 1)¦
es una base de V .
Para completar la base B hasta una de IR
4
reducimos
_
_
_
_
_
1 −3
1 0
0 1
0 1
_
_
_
_
_
a forma escalonada:
_
_
_
_
_
1 −3
0 1
0 0
0 0
_
_
_
_
_
Entonces es claro que (0, 0, 1, 0) y (0, 0, 0, 1) permiten completar B hasta una base
de IR
4
.
Problema 13 Determine una base del subespacio V de IR
4
dado por:
V = ¦(x
1
, ..., x
4
) ∈ IR
4
[ x
1
= 2x
2
−x
3
, x
2
+x
3
= 3x
4
¦.
Complete la base obtenida para obtener una base de IR
4
. Halle un subespacio W de
IR
4
tal que V ⊕W = IR
4
.
Soluci´on. El sistema
x
1
−2x
2
+x
3
= 0
x
2
+x
3
−3x
4
= 0
ya aparece en forma escalonada, con variables libre x
3
y x
4
. Asignando par´ametros
a ´estas, x
3
= α, x
4
= β, nos queda que x
2
= −α + 3β, x
1
= −3α − 6β y as´ı
(x
1
, x
2
, x
3
, x
4
) = (−3α − 6β, −α + 3β, α, β) = α(−3, −1, 1, 0) + β(−6, 3, 0, 1). Por
tanto
B = ¦(−3, −1, 1, 0), (−6, 3, 0, 1)¦
es una base de V .
Para completar la base B hasta una de IR
4
reducimos
_
_
_
_
_
−3 −6
−1 3
1 0
0 1
_
_
_
_
_
a forma escalonada:
_
_
_
_
_
1 −3
0 −15
0 0
0 0
_
_
_
_
_
Entonces es claro que (0, 0, 1, 0) y (0, 0, 0, 1) permiten completar B hasta una base
de IR
4
. El subespacio W que se busca ser´ıa entonces el engendrado por (0, 0, 1, 0) y
(0, 0, 0, 1).
5.9. PROBLEMAS 97
Problema 14 Sea V un /-espacio vectorial y B = ¦u
1
, u
2
, u
3
¦, B

= ¦v
1
, v
2
, v
3
¦
bases de V donde v
1
= u
1
+u
2
, v
2
= u
1
y v
3
= u
2
−u
3
.
Calcule respecto a B las ecuaciones cartesianas de un subespacio que respecto a
B

viene dado por:
_
x

1
= 0
x

2
= 0
Soluci´on. De las igualdades
v
1
= u
1
+u
2
v
2
= u
1
v
3
= u
2
−u
3
se obtiene que u
1
= v
2
, u
2
= v
1
− v
2
y u
3
= v
1
− v
2
− v
3
. Por tanto un vector
v = x
1
u
1
+ x
2
u
2
+ x
3
u
3
se expresa en funci´on de B

como v = x
1
v
2
+ x
2
(v
1
− v
2
) +
x
3
(v
1
− v
2
− v
3
) = (x
2
+ x
3
)v
1
+ (x
1
− x
2
− x
3
)v
2
− x
3
v
3
. Por tanto x

1
= x
2
+ x
3
,
x

2
= x
1
−x
2
−x
3
, x

3
= −x
3
son las ecuaciones cartesianas del cambio de base de B
a B

. As´ı
_
x
2
+x
3
= 0
x
1
−x
2
−x
3
= 0
son las ecuaciones del subespacio respecto a B.
Problema 15 Se considera en IR
4
el subespacio vectorial W de ecuaciones,
_
x
1
+ x
2
− x
3
= 0
x
1
+ x
2
+ x
3
+ x
4
= 0
referidas a la base, B = ¦u
1
, u
2
, u
3
, u
4
¦.
Se elige como nueva base B

= ¦u
1
−u
2
, u
2
−u
3
, u
3
−u
4
, u
4
¦.
a) ¿Cu´ales son las ecuaciones respecto de la base B

de W?.
b) El vector v = u
1
−u
2
, ¿qu´e coordenadas tiene respecto de las bases B y B

?.
c) ¿Pertenece el vector v al subespacio W?.
Soluci´on. a) Un vector referido a la base B

se escribe en la forma v = y
1
(u
1
−u
2
) +
y
2
(u
2
−u
3
) +y
3
(u
3
−u
4
) +y
4
u
4
= y
1
u
1
+(−y
1
+y
2
)u
2
+(−y
2
+y
3
)u
3
+(−y
3
+y
4
)u
4
.
Si v = x
1
u
1
+ x
2
u
2
+ x
3
u
3
+ x
4
u
4
es la expresi´on del vector en la base B, se tiene,
igualando con lo anterior, que x
1
= y
1
, x
2
= −y
1
+y
2
, x
3
= −y
2
+y
3
, x
4
= −y
3
+y
4
(estas son las ecuaciones del cambio de base de B

a B).
Haciendo la sustituci´on pertinente en las ecuaciones respecto a B del subespacio
anteriores, se obtiene, las ecuaciones de W respecto de B

:
_
2y
2
−y
3
= 0
y
4
= 0
b) El vector v = u
1
−u
2
tiene coordenadas (1, −1, 0, 0) respecto de B y (1, 0, 0, 0)
respecto de B

.
c) El vector v s´ı pertenece a W. Esto se comprueba sin m´as que darse cuenta de
que sus coordenadas respecto de B

verifican las ´ ultimas ecuaciones.
98 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Problema 16 En el espacio vectorial V de los polinomios de grado menor o igual
que 4, se consideran los polinomios: p
1
(x) = 3 − 2x + x
2
+ 4x
3
+ x
4
, p
2
(x) =
4 −x+x
2
+6x
3
−2x
4
, p
3
(x) = 7 −8x+3x
2
+ax
3
+bx
4
, (a, b ∈ IR fijos). Halle a y b
para que el subespacio que engendran p
1
(x), p
2
(x) y p
3
(x) tenga dimensi´on 2. Para
este caso, halle una base cualquiera de este subespacio y determine las coordenadas
en ella de los tres polinomios dados.
Soluci´on. Vamos a referir siempre nuestros polinomios a la base can´onica
¦1, x, x
2
, x
3
, x
4
¦.
De esta forma la primera cuesti´on se tratar´a estudiando la forma escalonada de la
matriz
_
_
_
3 −2 1 4 1
4 −1 1 6 −2
7 −8 3 a b
_
_
_
Se tiene
_
_
_
3 −2 1 4 1
4 −1 1 6 −2
7 −8 3 a b
_
_
_
(1)

_
_
_
3 −2 1 4 1
0 5 −1 2 −10
0 −10 2 3a −28 3b −7
_
_
_
(2)

_
_
_
3 −2 1 4 1
0 5 −1 2 −10
0 0 0 3a −24 3b −27
_
_
_.
Operaciones elementales realizadas:
(1) 3F
2
−4F
1
, 3F
3
−7F
1
; (2) F
3
+ 2F
2
.
Por tanto el subespacio que engendran los polinomios anteriores tiene dimensi´on
2 si y s´olo si 3a −24 = 0 y 3b −27 = 0, esto es, si y s´olo si, a = 8 y b = 9.
Una base de este subespacio es, por ejemplo, ¦p
1
(x), p
2
(x)¦ y las coordenadas de
p
1
(x) y p
2
(x) respecto a esta base son (1, 0) y (0, 1) respectivamente. En cuanto a
las coordenadas de p
3
(x), resolvemos la ecuaci´on vectorial
(7, −8, 3, 8, 9) = α(3, −2, 1, 4, 1) +β(4, −1, 1, 6, −2),
reduciendo a forma can´onica por filas la matriz ampliada
_
_
_
_
_
_
_
_
3 4 7
−2 −1 −8
1 1 3
4 6 8
1 −2 9
_
_
_
_
_
_
_
_
5.9. PROBLEMAS 99
Se tiene
_
_
_
_
_
_
_
_
3 4 7
−2 −1 −8
1 1 3
4 6 8
1 −2 9
_
_
_
_
_
_
_
_
(1)

_
_
_
_
_
_
_
_
1 1 3
−2 −1 −8
3 4 7
4 6 8
1 −2 9
_
_
_
_
_
_
_
_
(2)

_
_
_
_
_
_
_
_
1 1 3
0 1 −2
0 1 −2
0 2 −4
0 −3 6
_
_
_
_
_
_
_
_
(3)

_
_
_
_
_
_
_
_
1 1 3
0 1 −2
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
(4)

_
_
_
_
_
_
_
_
1 0 5
0 1 −2
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
.
Operaciones elementales realizadas:
(1) F
1
↔ F
3
; (2) F
2
+ 2F
1
, F
3
− 3F
1
, F
4
− 4F
1
, F
5
− F
1
; (3) F
3
− F
2
, F
4
− 2F
2
,
F
5
+ 3F
2
; (4) F
1
−F
2
.
Por tanto las coordenadas de p
3
(x) respecto de la base ¦p
1
(x), p
2
(x)¦ son (5, −2).
Problema 17 Sea L el subespacio de IR
4
generado por los vectores
¦(2, −1, 1, 5), (−1, 2, 3, −4), (3, 0, 5, 6)¦.
Calcule la dimensi´on de L y encuentre una base utilizando determinantes.
Soluci´on. Consideramos la matriz cuyas filas son los vectores anteriores:
A =
_
_
_
2 −1 1 5
−1 2 3 −4
3 0 5 6
_
_
_.
Calculamos el rango de A: como el menor
¸
¸
¸
¸
¸
2 −1
−1 2
¸
¸
¸
¸
¸
es no nulo, el rango de A es
al menos dos. Pero los menores orlados
¸
¸
¸
¸
¸
¸
¸
2 −1 1
−1 2 3
3 0 5
¸
¸
¸
¸
¸
¸
¸
,
¸
¸
¸
¸
¸
¸
¸
2 −1 5
−1 2 −4
3 0 6
¸
¸
¸
¸
¸
¸
¸
son nulos y as´ı el rango de A es 2. Por tanto, por ejemplo, los vectores
¦(2, −1, 1, 5), (−1, 2, 3, −4)¦
constituyen una base de L (ya que el menor
¸
¸
¸
¸
¸
2 −1
−1 2
¸
¸
¸
¸
¸
se corresponde con las filas
primera y segunda de A) y su dimensi´on es 2.
100 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Problema 18 Considere el espacio vectorial de las matrices /
2
(IR), y sea
D =
__
1 0
−1 2
_
,
_
1 1
0 2
_
,
_
0 1
2 1
_
,
_
0 0
2 −1
__
.
¿Es D una base? Responda utilizando determinantes.
Soluci´on. Podemos identificar cada matriz con un vector cuatro-dimensional, de
manera que se tratar´ıa de estudiar si el conjunto
¦(1, 0, −1, 2), (1, 1, 0, 2), (0, 1, 2, 1), (0, 0, 2, −1)¦
es linealmente independiente. Para ello calculamos el rango de la matriz cuyas filas
son los vectores anteriores:
_
_
_
_
_
1 0 −1 2
1 1 0 2
0 1 2 1
0 0 2 −1
_
_
_
_
_
.
El determinante de esta matriz es no nulo (de hecho es −3, como puede compro-
barse). Por tanto los cuatro vectores son independientes y as´ı son una base de IR
4
.
Concluimos que D es una base de /
2
(IR).
Problema 19 En /
2
(IR) se considera el subconjunto F formado por las matrices
de la forma
_
λ µ
−µ λ
_
con λ, µ ∈ IR.
a) Pru´ebese que F es un subespacio vectorial de /
2
(IR) y b´ usquese una base de
F.
b) Siendo A ∈ F, calc´ ulese el producto AA
t
. Pru´ebese que F es un cuerpo con la
suma y el producto de matrices.
c) Pru´ebese que la aplicaci´on f : I C →F dada por f(λ+iµ) =
_
λ µ
−µ λ
_
verifica
que f(z + z

) = f(z) + f(z

), f(zz

) = f(z)f(z

) y f(z) = f(z)
t
para todo n´ umero
complejo z (z denota el conjugado de z).
Soluci´on. a) Sean
_
α β
−β α
_
,
_
λ µ
−µ λ
_
dos matrices cualesquiera de F, y
consideremos a, b ∈ IR.
a
_
α β
−β α
_
+b
_
λ µ
−µ λ
_
=
_
aα aβ
−aβ aα
__
bλ bµ
−bµ bλ
_
=
_
aα +bλ aβ +bµ
−(aβ +bµ) aα +bλ
_
,
como todas los n´ umeros a, b, α, β, λ, µ son n´ umeros reales, tenemos que aα + bλ y
aβ +bµ son tambi´en n´ umeros reales. Adem´as las entradas (1, 1) y (2, 2) de la matriz
5.9. PROBLEMAS 101
obtenida son iguales y las (1, 2) y (2, 1) entradas son opuestas, por tanto la matriz
obtenida es una matriz de F y as´ı F es un subespacio vectorial de /
2
(IR).
Para encontrar una base de F notemos que
_
λ µ
−µ λ
_
= λ
_
1 0
0 1
_

_
0 1
−1 0
_
y obviamente
_
1 0
0 1
_
y
_
0 1
−1 0
_
son matrices de F. Por lo tanto el conjunto
__
1 0
0 1
_
,
_
0 1
−1 0
__
es un sistema generador de F.
Por otro lado si
λ
_
1 0
0 1
_

_
0 1
−1 0
_
= 0
se deduce inmediatamente que λ = µ = 0, por lo que
_
1 0
0 1
_
y
_
0 1
−1 0
_
son
linealmente independientes.
Como consecuencia, el conjunto
__
1 0
0 1
_
,
_
0 1
−1 0
__
es una base del espacio vectorial F.
b) Si A =
_
α β
−β α
_
es una matriz arbitraria de F, su transpuesta ser´a A
t
=
_
α −β
β α
_
, y as´ı el producto de ambas matrices es AA
t
=
_
α
2

2
0
0 α
2

2
_
.
Comprobemos ahora que F es un cuerpo. En primer lugar sabemos que (F, +)
es un grupo abeliano porque F es un espacio vectorial. Por otro lado el producto
de matrices siempre es asociativo, por tanto esta propiedad ser´a verificada por el
producto de matrices de F. Adem´as la matriz identidad I
2
es una matriz de F, por
tanto (F

, ) posee tambi´en elemento neutro. Probemos que el producto de matrices
de F es conmutativo. Sean pues
_
α β
−β α
_
,
_
γ δ
−δ γ
_
dos matrices de F.
_
α β
−β α
__
γ δ
−δ γ
_
=
_
αγ −βδ αδ +βγ
−(βγ +αδ) −βδ +αγ
_
y por otro lado
_
γ δ
−δ γ
__
α β
−β α
_
=
_
γα −δβ γβ +δα
−(δα +γβ) −βδ +γα
_
,
y obviamente ambos resultados coinciden.
102 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Por ´ ultimo sea A =
_
a b
−b a
_
cualquier matriz no nula de F. Veamos que existe
una matriz B =
_
c d
−d c
_
tal que AB = BA = I
2
, con lo cual (F, ) tambi´en tendr´a
la propiedad del elemento sim´etrico y ser´a grupo abeliano. El producto de A B da
como resultado la matriz
_
ac −bd ad −+bc
−(ad +bc) ac −bd
_
,
as´ı, de la condici´on I
2
= A B obtenemos el sistema de ecuaciones
ac − bd = 1
ad + bc = 0
_
Se puede comprobar f´acilmente que c =
a
a
2
+b
2
, d =
−b
a
2
+b
2
es la soluci´on del sistema
(n´otese que al ser A ,= 0 no pueden ser a y b simult´aneamente 0, por lo tanto a
2
+b
2
es siempre distinto de 0 y los valores de c y d existen siempre). Esto quiere decir
naturalmente que la inversa de A siempre existe y es B =
_
a
a
2
+b
2
−b
a
2
+b
2
b
a
2
+b
2
a
a
2
+b
2
_
Para finalizar notemos que la propiedad distributiva del producto de matrices
respecto a la suma de matrices se verifica siempre, sean cuales sean las matrices que
se elijan, en particular si se eligen matrices de F.
Queda pues demostrado que (F, +, ) es un cuerpo.
c) Sean z = a + ib, z

= c + id dos n´ umeros complejos cualesquiera. f(z + z

) =
f(a + ib + c + id) = f(a + c + i(b + d)) =
_
a +c b +d
−b −d a +c
_
=
_
a b
−b a
_
+
_
c d
−d c
_
= f(a +ib) +f(c +id).
Por otro lado
f(zz

) = f(ac −bd +i(ad +bc)) =
_
ac −bd ad +bc
−ad −bc ac −bd
_
y f(z)f(z

) =
_
a b
−b a
__
c d
−d c
_
=
_
ac −bd ad +bc
−ad −bc ac −bd
_
, luego es evidente
que f(zz

) = f(z)f(z

).
Por ´ ultimo f(z) = f(a −ib) =
_
a −b
b a
_
=
_
a −b
b a
_
t
= f(a +ib)
t
.
Problema 20 En K
3
encuentre la matriz de paso P de la base ¦u
i
¦ a la base ¦u

i
¦
definida por u

1
= u
1
, u

2
= u
1
+ u
2
, u

3
= u
1
+ u
2
+ u
3
. Calcule P
−1
. Generalice a
K
n
.
5.9. PROBLEMAS 103
Soluci´on. Para calcular P debemos escribir cada vector u
i
como combinaci´ on lineal
de los vectores u

i
. As´ı, sabemos que u
1
= u

1
, u

2
= u
1
+u
2
= u

1
+u
2
⇒u
2
= −u

1
+u

2
.
Por ´ ultimo u

3
= u
1
+ u
2
+ u
3
= u

1
− u

1
+ u

2
+ u
3
⇒ u
3
= −u

2
+ u

3
. Por tanto la
matriz P es P =
_
_
_
1 −1 0
0 1 −1
0 0 1
_
_
_. La matriz P
−1
se corresponde con el cambio de
base de ¦u

i
¦ a ¦u
i
¦, y como ya tenemos expresados los vectores u

i
en funci´on de los
u
i
, no es necesario calcular la inversa de P, sino que directamente podemos afirmar
que P
−1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_.
En todo caso, y como ejemplo, hagamos en esta ocasi´on los c´alculos num´ericos
necesarios para obtener P
−1
a partir de P. Para ello partimos de la matriz (P[I
3
) y
hacemos las operaciones necesarias por filas de manera que al final obtengamos una
matriz de la forma (I
3
[A), pudiendo asegurar entonces que A = P
−1
. Procedamos
pues.
_
_
_
1 -1 0 1 0 0
0 1 -1 0 1 0
0 0 1 0 0 1
_
_
_
F
2
+F
3

_
_
_
1 -1 0 1 0 0
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_
F
1
+F
2

_
_
_
1 0 0 1 1 1
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_.
De esta manera obtenemos que P
−1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_, que coincide con el resultado
que hab´ıamos encontrado anteriormente.
La generalizaci´on no pedir´ıa calcular la matriz P de cambio de base de ¦u
i
¦ a
¦u

i
¦ en K
n
teniendo en cuenta que u

i
=

i
l=1
u
i
, y calcular tambi´en P
−1
.
En estas circunstancias podemos asegurar que
P
−1
=
_
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
_
_
.
Por otro lado es inmediato comprobar (por inducci´on por ejemplo) que u
1
= u

1
104 CAP
´
ITULO 5. ESPACIOS VECTORIALES
y u
i
= −u

i−1
+u

i
. De esta forma llegamos a que
P =
_
_
_
_
_
_
_
_
_
_
_
1 −1 0 0 0 0
0 1 −1 0 0 0
0 0 1 −1 0 0
0 0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
.
Problema 21 En IR
3
halle la matriz del paso P de la base can´onica ¦e
i
¦ a la base
e

1
= (0, 1, 1), e

2
= (1, 0, 1), e

3
= (1, 1, 0). Calcule P
−1
.
Soluci´on. Debemos escribir los vectores de la base can´onica ¦e
i
¦ como combinaci´ on
lineal de los vectores de la base ¦e

i
¦. As´ı e
1
= (1, 0, 0) = α(0, 1, 1) + β(1, 0, 1) +
γ(1, 1, 0) = (β +γ, α+γ, α+β), con lo que obtenemos el sistema ecuaciones lineales
β + γ = 1
α + γ = 0
α + β = 0
_
¸
_
¸
_
que debemos resolver.
_
_
_
0 1 1 1
1 0 1 0
1 1 0 0
_
_
_
F
1
↔F
2

_
_
_
1 0 1 0
0 1 1 1
1 1 0 0
_
_
_
F
3
−F
1

_
_
_
1 0 1 0
0 1 1 1
0 1 −1 0
_
_
_
F
3
−F
2

_
_
_
1 0 1 0
0 1 1 1
0 0 −2 −1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0
0 1 1 1
0 0 1 1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1−F
3

_
_
_
1 0 0 −1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La soluci´on del sistema es pues α = −
1
2
, β =
1
2
y γ =
1
2
.
A continuaci´ on debemos hacer lo mismo con el segundo vector de la base can´onica
e
2
, es decir (0, 1, 0) = x(0, 1, 1) +y(1, 0, 1) +z(1, 1, 0).
_
_
_
0 1 1 0
1 0 1 1
1 1 0 0
_
_
_
F
1
↔F
2

_
_
_
1 0 1 1
0 1 1 0
1 1 0 0
_
_
_
F
3
−F
1

_
_
_
1 0 1 1
0 1 1 0
0 1 −1 −1
_
_
_
F
3
−F
2

_
_
_
1 0 1 1
0 1 1 0
0 0 −2 −1
_
_
_
−1
2
F
3

_
_
_
1 0 1 1
0 1 1 0
0 0 1 1/2
_
_
_
5.9. PROBLEMAS 105
F2−F
3

_
_
_
1 0 1 1
0 1 0 −1/2
0 0 1 1/2
_
_
_
F1−F
3

_
_
_
1 0 0 1/2
0 1 0 −1/2
0 0 1 1/2
_
_
_
La soluci´on del sistema es pues x =
1
2
, y = −
1
2
y z =
1
2
.
Por ´ ultimo hacemos lo mismo con e
3
.
_
_
_
0 1 1 0
1 0 1 0
1 1 0 1
_
_
_
F
1
↔F
2

_
_
_
1 0 1 0
0 1 1 0
1 1 0 1
_
_
_
F
3
−F
1

_
_
_
1 0 1 0
0 1 1 0
0 1 −1 1
_
_
_
F
3
−F
2

_
_
_
1 0 1 0
0 1 1 0
0 0 −2 1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0
0 1 1 0
0 0 1 −1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 −1/2
_
_
_
F1−F
3

_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 −1/2
_
_
_
Por tanto e
3
=
1
2
e

1
+
1
2
e

2

1
2
e

3
.
La matriz P que buscamos ser´a P =
_
_
_
−1/2 1/2 1/2
1/2 −1/2 1/2
1/2 1/2 −1/2
_
_
_.
Este problema podr´ıa haberse resuelto de una m´as sencilla y m´as directa uti-
lizando las propiedades de las matrices asociadas a cambios de base en un espacio
vectorial. Si nos piden la matriz P de paso de la base can´onica a la base ¦e

i
¦, sabe-
mos que P
−1
es la matriz de paso de la base ¦e

i
¦ a la base can´onica. Ahora bien, las
coordenadas de cada vector e

i
vienen dadas respecto de la base can´onica, por tanto
es inmediato que la matriz P
−1
es P
−1
=
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_. De esta forma la matriz P
la podemos encontrar sin m´as que calcular la inversa de P
−1
.
_
_
_
0 1 1 1 0 0
1 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
2
↔F
1

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
1 1 0 0 0 1
_
_
_
F
3
−F
1

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 1 −1 0 −1 1
_
_
_
F
3
−F
2

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 −2 −1 −1 1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 1 1/2 1/2 −1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0 1 0
0 1 0 1/2 −1/2 1/2
0 0 1 1/2 1/2 −1/2
_
_
_
F1−F
3

_
_
_
1 0 0 −1/2 1/2 1/2
0 1 0 1/2 −1/2 1/2
0 0 1 1/2 1/2 −1/2
_
_
_
106 CAP
´
ITULO 5. ESPACIOS VECTORIALES
es decir P =
_
_
_
−1/2 1/2 1/2
1/2 −1/2 1/2
1/2 1/2 −1/2
_
_
_.
Problema 22 En K
3
encuentre la matriz de paso P de la base ¦u
i
¦ a la base ¦u

i
¦
definida por u

1
= u
1
, u

2
= u
1
+ u
2
, u

3
= u
1
+ u
2
+ u
3
. Calcule P
−1
. Generalice a
K
n
.
Soluci´on. Para calcular P debemos escribir cada vector u
i
como combinaci´ on lineal
de los vectores u

i
. As´ı, sabemos que u
1
= u

1
, u

2
= u
1
+u
2
= u

1
+u
2
⇒u
2
= −u

1
+u

2
.
Por ´ ultimo u

3
= u
1
+ u
2
+ u
3
= u

1
− u

1
+ u

2
+ u
3
⇒ u
3
= −u

2
+ u

3
. Por tanto la
matriz P es P =
_
_
_
1 −1 0
0 1 −1
0 0 1
_
_
_. La matriz P
−1
se corresponde con el cambio de
base de ¦u

i
¦ a ¦u
i
¦, y como ya tenemos expresados los vectores u

i
en funci´on de los
u
i
, no es necesario calcular la inversa de P, sino que directamente podemos afirmar
que P
−1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_.
En todo caso, y como ejemplo, hagamos en esta ocasi´on los c´alculos num´ericos
necesarios para obtener P
−1
a partir de P. Para ello partimos de la matriz (P[I
3
) y
hacemos las operaciones necesarias por filas de manera que al final obtengamos una
matriz de la forma (I
3
[A), pudiendo asegurar entonces que A = P
−1
. Procedamos
pues.
_
_
_
1 -1 0 1 0 0
0 1 -1 0 1 0
0 0 1 0 0 1
_
_
_
F
2
+F
3

_
_
_
1 -1 0 1 0 0
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_
F
1
+F
2

_
_
_
1 0 0 1 1 1
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_.
De esta manera obtenemos que P
−1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_, que coincide con el resultado
que hab´ıamos encontrado anteriormente.
La generalizaci´on no pedir´ıa calcular la matriz P de cambio de base de ¦u
i
¦ a
¦u

i
¦ en K
n
teniendo en cuenta que u

i
=

i
l=1
u
i
, y calcular tambi´en P
−1
.
En estas circunstancias podemos asegurar que
P
−1
=
_
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
_
_
.
5.9. PROBLEMAS 107
Por otro lado es inmediato comprobar (por inducci´on por ejemplo) que u
1
= u

1
y u
i
= −u

i−1
+u

i
. De esta forma llegamos a que
P =
_
_
_
_
_
_
_
_
_
_
_
1 −1 0 0 0 0
0 1 −1 0 0 0
0 0 1 −1 0 0
0 0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
.
Problema 23 En IR
3
halle la matriz del paso P de la base can´onica ¦e
i
¦ a la base
e

1
= (0, 1, 1), e

2
= (1, 0, 1), e

3
= (1, 1, 0). Calcule P
−1
.
Soluci´on. Debemos escribir los vectores de la base can´onica ¦e
i
¦ como combinaci´ on
lineal de los vectores de la base ¦e

i
¦. As´ı e
1
= (1, 0, 0) = α(0, 1, 1) + β(1, 0, 1) +
γ(1, 1, 0) = (β +γ, α+γ, α+β), con lo que obtenemos el sistema ecuaciones lineales
β + γ = 1
α + γ = 0
α + β = 0
_
¸
_
¸
_
que debemos resolver.
_
_
_
0 1 1 1
1 0 1 0
1 1 0 0
_
_
_
F
1
↔F
2

_
_
_
1 0 1 0
0 1 1 1
1 1 0 0
_
_
_
F
3
−F
1

_
_
_
1 0 1 0
0 1 1 1
0 1 −1 0
_
_
_
F
3
−F
2

_
_
_
1 0 1 0
0 1 1 1
0 0 −2 −1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0
0 1 1 1
0 0 1 1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1−F
3

_
_
_
1 0 0 −1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La soluci´on del sistema es pues α = −
1
2
, β =
1
2
y γ =
1
2
.
A continuaci´ on debemos hacer lo mismo con el segundo vector de la base can´onica
e
2
, es decir (0, 1, 0) = x(0, 1, 1) +y(1, 0, 1) +z(1, 1, 0).
_
_
_
0 1 1 0
1 0 1 1
1 1 0 0
_
_
_
F
1
↔F
2

_
_
_
1 0 1 1
0 1 1 0
1 1 0 0
_
_
_
F
3
−F
1

_
_
_
1 0 1 1
0 1 1 0
0 1 −1 −1
_
_
_
F
3
−F
2

_
_
_
1 0 1 1
0 1 1 0
0 0 −2 −1
_
_
_
−1
2
F
3

_
_
_
1 0 1 1
0 1 1 0
0 0 1 1/2
_
_
_
108 CAP
´
ITULO 5. ESPACIOS VECTORIALES
F2−F
3

_
_
_
1 0 1 1
0 1 0 −1/2
0 0 1 1/2
_
_
_
F1−F
3

_
_
_
1 0 0 1/2
0 1 0 −1/2
0 0 1 1/2
_
_
_
La soluci´on del sistema es pues x =
1
2
, y = −
1
2
y z =
1
2
.
Por ´ ultimo hacemos lo mismo con e
3
.
_
_
_
0 1 1 0
1 0 1 0
1 1 0 1
_
_
_
F
1
↔F
2

_
_
_
1 0 1 0
0 1 1 0
1 1 0 1
_
_
_
F
3
−F
1

_
_
_
1 0 1 0
0 1 1 0
0 1 −1 1
_
_
_
F
3
−F
2

_
_
_
1 0 1 0
0 1 1 0
0 0 −2 1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0
0 1 1 0
0 0 1 −1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 −1/2
_
_
_
F1−F
3

_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 −1/2
_
_
_
Por tanto e
3
=
1
2
e

1
+
1
2
e

2

1
2
e

3
.
La matriz P que buscamos ser´a P =
_
_
_
−1/2 1/2 1/2
1/2 −1/2 1/2
1/2 1/2 −1/2
_
_
_.
Este problema podr´ıa haberse resuelto de una m´as sencilla y m´as directa uti-
lizando las propiedades de las matrices asociadas a cambios de base en un espacio
vectorial. Si nos piden la matriz P de paso de la base can´onica a la base ¦e

i
¦, sabe-
mos que P
−1
es la matriz de paso de la base ¦e

i
¦ a la base can´onica. Ahora bien, las
coordenadas de cada vector e

i
vienen dadas respecto de la base can´onica, por tanto
es inmediato que la matriz P
−1
es P
−1
=
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_. De esta forma la matriz P
la podemos encontrar sin m´as que calcular la inversa de P
−1
.
_
_
_
0 1 1 1 0 0
1 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
2
↔F
1

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
1 1 0 0 0 1
_
_
_
F
3
−F
1

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 1 −1 0 −1 1
_
_
_
F
3
−F
2

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 −2 −1 −1 1
_
_
_
−1
2
F
3

_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 1 1/2 1/2 −1/2
_
_
_
F2−F
3

_
_
_
1 0 1 0 1 0
0 1 0 1/2 −1/2 1/2
0 0 1 1/2 1/2 −1/2
_
_
_
F1−F
3

_
_
_
1 0 0 −1/2 1/2 1/2
0 1 0 1/2 −1/2 1/2
0 0 1 1/2 1/2 −1/2
_
_
_
5.9. PROBLEMAS 109
es decir P =
_
_
_
−1/2 1/2 1/2
1/2 −1/2 1/2
1/2 1/2 −1/2
_
_
_.
Problema 24 Sea B
1
= ¦u
1
, u
2
, u
3
, u
4
¦ una base del espacio vectorial V y B
2
=
¦u
1
−u
2
−u
4
, 2u
1
+u
2
−u
3
+ 2u
4
, −u
1
+u
2
+ 2u
3
, u
1
+u
3
¦.
a) Demostrar que B
2
es una base de V .
b) Hallar las ecuaciones matriciales de los cambio de base, de B
1
a B
2
y de B
2
a
B
1
.
c) Hallar las coordenadas respecto de B
1
de un vector cuyas coordenadas respecto
de B
2
son (1, −1, 0, 1).
Soluci´on. a) Supongamos que a, b, c, d son n´ umeros reales tales que a(u
1
−u
2
−u
4
)+
b(2u
1
+u
2
−u
3
+2u
4
) +c(−u
1
+u
2
+2u
3
) +d(u
1
+u
3
) = 0, entonces, desarrollando la
ecuaci´on llegamos a que (a+2b−c+d)u
1
+(−a+b+c)u
2
+(−b+2c+d)u
3
+(−a+2b)u
4
=
0. Como B
1
es base, sus vectores son linealmente independientes, por lo que
a + 2b − c + d = 0
−a + b + c = 0
− b + 2c + d = 0
−a + 2b = 0
_
¸
¸
¸
_
¸
¸
¸
_
Solucionemos el sistema.
_
_
_
_
_
1 2 −1 1 0
−1 1 1 0 0
0 −1 2 1 0
−1 2 0 0 0
_
_
_
_
_
F
2
+F
1

_
_
_
_
_
1 2 −1 1 0
0 3 0 1 0
0 −1 2 1 0
−1 2 0 0 0
_
_
_
_
_
F
4
+F
1

_
_
_
_
_
1 2 −1 1 0
0 3 0 1 0
0 −1 2 1 0
0 4 −1 1 0
_
_
_
_
_
F
3
↔F
2

_
_
_
_
_
1 2 −1 1 0
0 −1 2 1 0
0 3 0 1 0
0 4 −1 1 0
_
_
_
_
_
F
3
+3F
2

_
_
_
_
_
1 2 −1 1 0
0 −1 2 1 0
0 0 6 4 0
0 4 −1 1 0
_
_
_
_
_
F
4
+4F
2

_
_
_
_
_
1 2 −1 1 0
0 −1 2 1 0
0 0 6 4 0
0 0 7 5 0
_
_
_
_
_
(−1)F
2

_
_
_
_
_
1 2 −1 1 0
0 1 −2 −1 0
0 0 6 4 0
0 0 7 5 0
_
_
_
_
_
1
6
F
3

_
_
_
_
_
1 2 −1 1 0
0 1 −2 −1 0
0 0 1 2/3 0
0 0 7 5 0
_
_
_
_
_
F
4
−7F
3

_
_
_
_
_
1 2 −1 1 0
0 1 −2 −1 0
0 0 1 2/3 0
0 0 0 1/3 0
_
_
_
_
_
3F
4

_
_
_
_
_
1 2 −1 1 0
0 1 −2 −1 0
0 0 1 2/3 0
0 0 0 1 0
_
_
_
_
_
F
3

2
3
F
4

_
_
_
_
_
1 2 −1 1 0
0 1 −2 −1 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
2
+2F
3

_
_
_
_
_
1 2 −1 1 0
0 1 0 −1 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
110 CAP
´
ITULO 5. ESPACIOS VECTORIALES
F
2
+F
4

_
_
_
_
_
1 2 −1 1 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
−F
4

_
_
_
_
_
1 2 −1 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
+F
3

_
_
_
_
_
1 2 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
−2F
2

_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
Por tanto vemos que la ´ unica soluci´on del sistema es a = b = c = d = 0 y queda
probado que los vectores de B
2
son linealmente independientes. Adem´as dim(V )= 4
y B
2
est´a formado por cuatro vectores linealmente independientes, lo que implica
que B
2
es una base de V .
b) Los vectores de la base B
2
est´an ya expresados como combinaciones lineales
de los vectores de B
1
, por lo que sabemos que entonces la matriz de cambio de base
de B
2
a B
1
es
M =
_
_
_
_
_
1 2 −1 1
−1 1 1 0
0 −1 2 1
−1 2 0 0
_
_
_
_
_
y la ecuaci´on matricial del cambio de base es
_
_
_
_
_
1 2 −1 1
−1 1 1 0
0 −1 2 1
−1 2 0 0
_
_
_
_
_
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
=
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
en donde (y
1
, y
2
, y
3
, y
4
) son las coordenadas de un vector arbitrario de V respecto de
B
2
y (x
1
, x
2
, x
3
, x
4
) son sus coordenadas respecto de B
1
. Si continuamos con esta
notaci´on, es ya conocido que la ecuaci´on matricial del cambio de base de B
1
a B
2
es M
−1
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
, por lo que lo ´ unico que nos queda por hacer es calcular
M
−1
.
_
_
_
_
_
1 2 −1 1 1 0 0 0
−1 1 1 0 0 1 0 0
0 −1 2 1 0 0 1 0
−1 2 0 0 0 0 0 1
_
_
_
_
_
F
2
+F
1

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 3 0 1 1 1 0 0
0 −1 2 1 0 0 1 0
−1 2 0 0 0 0 0 1
_
_
_
_
_
F
4
+F
1

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 3 0 1 1 1 0 0
0 −1 2 1 0 0 0 1
0 4 −1 1 1 0 0 1
_
_
_
_
_
F
3
↔F
2

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 −1 2 1 0 0 1 0
0 3 0 1 1 1 0 0
0 4 −1 1 1 0 0 1
_
_
_
_
_
F
3
+3F
2

5.9. PROBLEMAS 111
_
_
_
_
_
1 2 −1 1 1 0 0 0
0 −1 2 1 0 0 1 0
0 0 6 4 1 1 3 0
0 4 −1 1 1 0 0 1
_
_
_
_
_
F
4
+4F
2

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 −1 2 1 0 0 1 0
0 0 6 4 1 1 3 0
0 0 7 5 1 0 4 1
_
_
_
_
_
(−1)F
2

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 −1 0 0 −1 0
0 0 6 4 1 1 3 0
0 0 7 5 1 0 4 1
_
_
_
_
_
1
6
F
3

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 −1 0 0 −1 0
0 0 1
2
3
1
6
1
6
1
2
0
0 0 7 5 1 0 4 1
_
_
_
_
_
F
4
−7F
3

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 −1 0 0 −1 0
0 0 1 2/3 1/6 1/6 1/2 0
0 0 0 1/3 −1/6 −7/6 1/2 1
_
_
_
_
_
3F
4

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 −1 0 0 −1 0
0 0 1 2/3 1/6 1/6 1/2 0
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
3

2
3
F
4

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 −1 0 0 −1 0
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
2
+F
4

_
_
_
_
_
1 2 −1 1 1 0 0 0
0 1 −2 0 −1/2 −7/2 1/2 3
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
1
−F
4

_
_
_
_
_
1 2 −1 0 3/2 7/2 −3/2 −3
0 1 −2 0 −1/2 −7/2 1/2 3
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
2
+2F
3

_
_
_
_
_
1 2 −1 0 3/2 7/2 −3/2 −3
0 1 0 0 1/2 3/2 −1/2 −1
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
1
+F
3

_
_
_
_
_
1 2 0 0 2 6 −2 −5
0 1 0 0 1/2 3/2 −1/2 −1
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
F
1
−2F
2

_
_
_
_
_
1 0 0 0 1 3 −1 −3
0 1 0 0 1/2 3/2 −1/2 −1
0 0 1 0 1/2 5/2 −1/2 −2
0 0 0 1 −1/2 −7/2 3/2 3
_
_
_
_
_
112 CAP
´
ITULO 5. ESPACIOS VECTORIALES
As´ı pues M
−1
=
_
_
_
_
_
1 3 −1 −3
1/2 3/2 −1/2 −1
1/2 5/2 −1/2 −2
−1/2 −7/2 3/2 3
_
_
_
_
_
y la ecuaci´on matricial resulta
_
_
_
_
_
1 3 −1 −3
1/2 3/2 −1/2 −1
1/2 5/2 −1/2 −2
−1/2 −7/2 3/2 3
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
.
c)
_
_
_
_
_
1 2 −1 1
−1 1 1 0
0 −1 2 1
−1 2 0 0
_
_
_
_
_
_
_
_
_
_
1
−1
0
1
_
_
_
_
_
=
_
_
_
_
_
0
−2
2
−3
_
_
_
_
_
, es decir, las coordenadas respecto
de B
1
del vector dado son (0, −2, 2, 3).
Problema 25 En IR
4
se considera el subespacio F engendrado por ¦a, b, c¦ y el
subespacio G engendrado por ¦d, e¦ en donde
a = (1, 2, −3, 2), b = (1, 2, 2, 6), c = (0, 2, 5, 4),
d = (2, 0, −1, 4) y e = (5, 3, 0, 2).
Determine las dimensiones de F, G, F ∩G, F +G y bases de estos subespacios.
Encuentre adem´as las ecuaciones matriciales param´etricas de F y G respecto de las
bases encontradas y la base can´onica de IR
4
.
Soluci´on. F =< a, b, c >. Tan s´olo tenemos que investigar cu´ales de esos vectores
son linealmente independientes.
_
_
_
1 2 −3 2
1 2 2 6
0 2 5 4
_
_
_
F
2
−F
1

_
_
_
1 2 −3 2
0 0 5 4
0 2 5 4
_
_
_
F
2
↔F
3

_
_
_
1 2 −3 2
0 2 5 4
0 0 5 4
_
_
_.
Como vemos, despu´es de hacer ceros por debajo de la diagonal principal, ninguna
fila se hace cero, por lo que podemos afirmar que dim(F) = 3, y una base de F es
¦(1, 2, −3, 2), (0, 2, 5, 4), (0, 0, 5, 4)¦.
Procedemos de igual manera para el caso del espacio vectorial G.
_
2 0 −1 4
5 3 0 2
_
1
2
F
1

_
1 0 −1/2 2
5 3 0 2
_
1
2
F
1

_
1 0 −1/2 2
0 3 5/2 −8
_
y as´ı ¦(2, 0, −1, 4), (5, 3, 0, 2)¦ es base de G y dim(G) = 2.
Un sistema generador de F + G es, como sabemos, el conjunto de vectores
¦(1, 2, −3, 2), (0, 2, 5, 4), (0, 0, 5, 4), (2, 0, −1, 4), (5, 3, 0, 2)¦
_
_
_
_
_
_
_
_
1 2 −3 2
0 2 5 4
0 0 5 4
2 0 −1 4
5 3 0 2
_
_
_
_
_
_
_
_
F
4
−2F
1

_
_
_
_
_
_
_
_
1 2 −3 2
0 2 5 4
0 0 5 4
0 −4 5 0
5 3 0 2
_
_
_
_
_
_
_
_
F
5
−5F
1

_
_
_
_
_
_
_
_
1 2 −3 2
0 2 5 4
0 0 5 4
0 −4 5 0
0 −7 −15 −8
_
_
_
_
_
_
_
_
5.9. PROBLEMAS 113
F
4
+2F
2

_
_
_
_
_
_
_
_
1 2 −3 2
0 2 5 4
0 0 5 4
0 0 15 8
0 −7 −15 −8
_
_
_
_
_
_
_
_
1
2
F
2

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 5 4
0 0 15 8
0 −7 −15 −8
_
_
_
_
_
_
_
_
F
5
+7F
2

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 5 4
0 0 15 8
0 0 5/2 6
_
_
_
_
_
_
_
_
F
4
−3F
3

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 5 4
0 0 0 −4
0 0 5/2 6
_
_
_
_
_
_
_
_
1
5
F
3

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 −4
0 0 5/2 6
_
_
_
_
_
_
_
_
F
5

5
2
F
3

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 −4
0 0 0 4
_
_
_
_
_
_
_
_
F
5
+F
4

_
_
_
_
_
_
_
_
1 2 −3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 −4
0 0 0 0
_
_
_
_
_
_
_
_
.
Concluimos entonces que una base de F +G es
¦(1, 2, −3, 2), (0, 1, 5/2, 2), (0, 0, 1, 4/5), (0, 0, 0, −4)¦
y por tanto que dim(F + G) = 4. Aplicando la f´ormula de la dimensi´on calculamos
la dimensi´on de F ∩ G, dim(F ∩ G) = 1.
Pasemos al c´alculo de las ecuaciones matriciales param´etricas de F y G. Los
vectores de la base encontrada de F ya est´an expresados respecto a la base can´onica
de IR
4
, as´ı que la ecuaci´on matricial param´etrica en este caso es
_
_
_
_
_
1 0 0
2 2 0
−3 5 5
2 4 4
_
_
_
_
_
_
_
_
λ
µ
γ
_
_
_ =
_
_
_
_
_
x
y
z
t
_
_
_
_
_
.
Lo mismo ocurre con los vectores de la base encontrada para G:
_
_
_
_
_
2 5
0 3
−1 0
4 2
_
_
_
_
_
_
α
β
_
=
_
_
_
_
_
x
y
z
t
_
_
_
_
_
.
Problema 26 Determine las ecuaciones cartesianas del subespacio
U =< (1, 0, 1, −1), (2, 1, −1, 1) >
de IR
4
respecto de la base can´onica de IR
4
.
114 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Soluci´on. Los vectores (1, 0, 1, −1) y (2, 1, −1, 1) no son proporcionales y as´ı B
U
=
¦(1, 0, 1, −1), (2, 1, −1, 1)¦ es una base de U. Por tanto, para hallar las ecuaciones
cartesianas de U respecto de la base can´onica de IR
4
consideramos la matriz
_
_
_
_
_
1 2 x
1
0 1 x
2
1 −1 x
3
−1 1 x
4
_
_
_
_
_
,
donde (x
1
, x
2
, x
3
, x
4
) son las coordenadas de un vector inc´ognita respecto de la base
can´onica, y exigimos que (x
1
, x
2
, x
3
, x
4
) pertenezca a U. Esto se hace imponiendo
que los siguientes menores sean nulos:
¸
¸
¸
¸
¸
¸
¸
1 2 x
1
0 1 x
2
1 −1 x
3
¸
¸
¸
¸
¸
¸
¸
= 0,
¸
¸
¸
¸
¸
¸
¸
1 2 x
1
0 1 x
2
−1 1 x
4
¸
¸
¸
¸
¸
¸
¸
= 0.
Resolviendo los determinantes nos quedan las ecuaciones cartesianas independientes
siguientes:
_
x
1
−3x
2
−x
3
= 0
x
1
−3x
2
+x
4
= 0
Problema 27 Sean U y V los subespacios de IR
3
engendrados por los conjuntos de
vectores ¦(1, 2, 0), (−1, 3, −1)¦ y ¦(0, 2, 1), (0, 0, 2)¦ respectivamente.
a) Encuentre bases para U +V y U ∩ V .
b) Halle las ecuaciones matriciales param´etricas y cartesianas de U ∩V respecto
de la base anteriormente encontrada de U ∩ V y la base can´onica de IR
3
.
Soluci´on. a) El espacio vectorial U +V estar´a generado por el conjunto de vectores
A = ¦(1, 2, 0), (−1, 3, −1), (0, 2, 1), (0, 0, 2)¦. Por tanto, para encontrar una base de
U +V tan s´olo tenemos que encontrar los vectores linealmente independientes de A.
_
_
_
_
_
1 2 0
−1 3 −1
0 2 1
0 0 2
_
_
_
_
_
F
2
+F
1

_
_
_
_
_
1 2 0
0 5 −1
0 2 1
0 0 2
_
_
_
_
_
1
5
F
2

_
_
_
_
_
1 2 0
0 1 −1/5
0 2 1
0 0 2
_
_
_
_
_
F
3
−2F
2

_
_
_
_
_
1 2 0
0 1 −1/5
0 0 7/5
0 0 2
_
_
_
_
_
5
7
F
3

_
_
_
_
_
1 2 0
0 1 −1/5
0 0 1
0 0 2
_
_
_
_
_
F
4
−2F
3

_
_
_
_
_
1 2 0
0 1 −1/5
0 0 1
0 0 0
_
_
_
_
_
Observamos pues que los vectores (1, 2, 0), (−1, 3, −1) y (0, 2, 1) son linealmente
independientes, y que (0, 0, 2) depende linealmente de ellos. De esta forma podemos
afirmar que ¦(1, 2, 0), (−1, 3, −1), (0, 2, 1)¦ es una base de U +V .
5.9. PROBLEMAS 115
Es claro ahora que dim(U +V ) = 3, y como, seg´ un la f´ormula de la dimensi´on
dim(U +V ) = dim(U) + dim(V ) −dim(U ∩ V )
obtenemos que dim(U ∩ V ) = 1. Para hallar una base de U ∩ V bastar´a encontrar
un vector no nulo de U ∩ V .
El que un vector v pertenezca a U ∩ V viene condicionado por el hecho de que
se escriba a la vez como combinaci´on lineal de los vectores (1, 2, 0), (−1, 3, −1) y de
los vectores (0, 2, 1), (0, 0, 2), es decir, que existan unos n´ umeros reales a, b, c, d tales
que
v = a(1, 2, 0) +b(−1, 3, −1) = c(0, 2, 1) +d(0, 0, 2).
Obtenemos entonces el sistema de ecuaciones
a − b = 0
2a + 3b = 2c
− b = c + 2d
_
¸
_
¸
_
.
Es inmediato comprobar que a = b = 2c/5 es una soluci´on del sistema, entonces,
utilizando por ejemplo el valor c = 5 llegamos a que a = b = 2 soluciona el sistema,
y as´ı 2(1, 2, 0) +2(−1, 3, −1) = (0, 10, −2) es un vector de U ∩V , y por lo comentado
anteriormente ¦(0, 10, −2)¦ es una base de U ∩ V .
b) El vector de la base encontrada anteriormente de U∩V est´a expresado respecto
a la base can´onica de IR
3
, por tanto la ecuaci´on matricial param´etrica que se nos
pide es
_
_
_
0
10
−2
_
_
_(λ) =
_
_
_
x
y
z
_
_
_.
Para encontrar las ecuaciones cartesianas (dos ecuaciones en este caso) de este
subespacio vectorial, debemos eliminar el par´ametro de las ecuaciones param´etricas.
Es claro que y = −5z = 10λ y que x = 0, por consiguiente las ecuaciones cartesianas
son
x = 0
y + 5z = 0
_
y la correspondiente ecuaci´on matricial
_
1 0 0
0 1 5
_
_
_
_
x
y
z
_
_
_ =
_
0
0
_
.
Problema 28 a) Sea U el subespacio de IR
3
engendrado por los vectores (1, 0, −1)
y (0, 2, 1). Calcule las ecuaciones matriciales cartesianas de U respecto de la base
can´onica de IR
3
.
b) El subespacio W de IR
3
viene dado por las siguientes ecuaciones cartesianas
respecto de la base can´onica: 2x
1
− x
2
= 0. Calcule las ecuaciones matriciales
param´etricas de W.
c) Halle las dimensiones de U +W y U ∩ W.
116 CAP
´
ITULO 5. ESPACIOS VECTORIALES
Soluci´on. a) En primer lugar notemos que al ser U de dimensi´on dos, una sola
ecuaci´on cartesiana determina a U. Ahora, un vector de IR
3
(x, y, z) pertenece a U
si existen dos n´ umeros reales α y β tales que (x, y, z) = α(1, 0, −1) + β(0, 2, 1), es
decir, (x, y, z) = (α, 2β, −α+β). La ecuaci´on −x+1/2y−z = 0 puede ser f´acilmente
deducida de la igualdad anterior, y as´ı la ecuaci´on matricial cartesiana de U es
_
−1 1/2 −1
_
_
_
_
x
y
z
_
_
_ = (0).
b) Tan s´olo una ecuaci´on cartesiana determina el subespacio vectorial W, lo que
nos permite afirmar que dim(W) = 2. Es claro por otro lado que los vectores (1, 2, 0)
y (0, 0, 1) pertenecen a W pues ambos satisfacen la ecuaci´on cartesiana de W, y que
son linealmente independientes pues ninguno es m´ ultiplo del otro. Por tanto el
conjunto ¦(1, 2, 0), (0, 0, 1)¦ es una base de W y la ecuaci´on matricial param´etrica es
_
_
_
1 0
2 0
0 1
_
_
_
_
λ
µ
_
=
_
_
_
x
y
z
_
_
_.
c) U +V =< (1, 0, −1), (0, 2, 1), (1, 2, 0), (0, 0, 1) >
_
_
_
_
_
1 0 −1
0 2 1
1 2 0
0 0 1
_
_
_
_
_
F
3
−F
1

_
_
_
_
_
1 0 −1
0 2 1
0 2 1
0 0 1
_
_
_
_
_
F
3
−F
2

_
_
_
_
_
1 0 −1
0 2 1
0 0 0
0 0 1
_
_
_
_
_
.
Tenemos entonces que dim(U +V ) = 3, y por la f´ormula de la dimensi´on obten-
emos que dim(U ∩ V ) = 1.
Problema 29 Halle un sistema de ecuaciones homog´eneo en las inc´ognitas x, y, z
y t que tenga como soluci´on
x = α +β −γ, y = β +γ, z = α + 2β −γ, t = −α +β +γ,
donde α, β y γ son par´ametros reales.
Soluci´on. Sea U el subespacio de IR
4
dado por la soluci´on del sistema a conseguir.
Entonces U tiene las siguientes ecuaciones param´etricas respecto de la base can´onica:
x = α +β −γ
y = β +γ
z = α +2β −γ
t = −α +β +γ
El sistema de ecuaciones que se pide son precisamente las ecuaciones cartesianas
de U respecto de la base can´onica de IR
4
, que se pueden calcular considerando una
5.9. PROBLEMAS 117
base de U y aplicando la teor´ıa general que ya se conoce. Como se observa en las
ecuaciones param´etricas anteriores, el conjunto de vectores
¦(1, 0, 1, −1), (1, 1, 2, 1), (−1, 1, −1, 1)¦
genera el subespacio de soluciones U (notamos que las anteriores ecuaciones para-
m´etricas se pueden escribir en forma vectorial como
_
_
_
_
_
x
y
z
t
_
_
_
_
_
= α
_
_
_
_
_
1
0
1
−1
_
_
_
_
_

_
_
_
_
_
1
1
2
1
_
_
_
_
_

_
_
_
_
_
−1
1
−1
1
_
_
_
_
_
,
y los vectores columna que aparecen acompa˜ nando a los par´ametros son precisamente
los considerados). Las ecuaciones cartesianas de U se obtienen imponiendo que la
matriz
_
_
_
_
_
1 1 −1 x
0 1 1 y
1 2 −1 z
−1 1 1 t
_
_
_
_
_
tenga rango 3. Como el menor
¸
¸
¸
¸
¸
¸
¸
1 1 −1
0 1 1
1 2 −1
¸
¸
¸
¸
¸
¸
¸
es no nulo, las ecuaciones cartesianas se reducen a una sola:
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 1 −1 x
0 1 1 y
1 2 −1 z
−1 1 1 t
¸
¸
¸
¸
¸
¸
¸
¸
¸
= 0.
Resolviendo el determinante, nos queda que 3x −2z + t = 0 es el sistemas de ecua-
ciones homog´eneo pedido.
Problema 30 Encuentre un sistema de ecuaciones en las inc´ognitas x
1
, x
2
, x
3
, x
4
y x
5
que tenga la siguiente soluci´on:
x
1
= 1 −s
1
+s
2
, x
2
= −1 +s
1
+s
2
, x
3
= s
1
−s
2
, x
4
= 3 +s
2
, x
5
= −1 +2s
1
−5s
2
,
donde s
i
son par´ametros reales para i = 1, 2, 3, 4, 5.
Soluci´on. Primero escribimos la soluci´on del sistema en forma vectorial:
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1
−1
0
3
−1
_
_
_
_
_
_
_
_
+s
1
_
_
_
_
_
_
_
_
−1
1
1
0
2
_
_
_
_
_
_
_
_
+s
2
_
_
_
_
_
_
_
_
1
1
−1
1
−5
_
_
_
_
_
_
_
_
.
118 CAP
´
ITULO 5. ESPACIOS VECTORIALES
En este caso el conjunto de soluciones no es un subespacio de IR
5
, sin embargo pode-
mos adoptar una estrategia similar a la del ejercicio anterior sin m´as que representar
la soluci´on en la forma
_
_
_
_
_
_
_
_
x
1
−1
x
2
+ 1
x
3
x
4
−3
x
5
+ 1
_
_
_
_
_
_
_
_
= s
1
_
_
_
_
_
_
_
_
−1
1
1
0
2
_
_
_
_
_
_
_
_
+s
2
_
_
_
_
_
_
_
_
1
1
−1
1
−5
_
_
_
_
_
_
_
_
.
Ahora el razonamiento que se hace es como antes: consideramos la matriz
_
_
_
_
_
_
_
_
−1 1 x
1
−1
1 1 x
2
+ 1
1 −1 x
3
0 1 x
4
−3
2 −5 x
5
+ 1
_
_
_
_
_
_
_
_
e imponemos que tenga rango 2 (para que (x
1
−1, x
2
+1, x
3
, x
4
−3, x
5
+1) dependa
linealmente de (−1, 1, 1, 0, 2) y (1, 1, −1, 1, −5)). Como el menor
¸
¸
¸
¸
¸
−1 1
1 1
¸
¸
¸
¸
¸
en no
nulo, obtenemos las siguientes ecuaciones cartesianas:
¸
¸
¸
¸
¸
¸
¸
−1 1 x
1
−1
1 1 x
2
+ 1
1 −1 x
3
¸
¸
¸
¸
¸
¸
¸
= 0,
¸
¸
¸
¸
¸
¸
¸
−1 1 x
1
−1
1 1 x
2
+ 1
0 1 x
4
−3
¸
¸
¸
¸
¸
¸
¸
= 0,
¸
¸
¸
¸
¸
¸
¸
−1 1 x
1
−1
1 1 x
2
+ 1
2 −5 x
5
+ 1
¸
¸
¸
¸
¸
¸
¸
= 0.
Resolviendo estos determinantes obtenemos ya el sistema de ecuaciones pedido:
_
¸
_
¸
_
x
1
+x
3
= 1
x
1
+x
2
−2x
4
= −6
7x
1
+3x
2
+2x
5
= 2
Cap´ıtulo 6
Aplicaciones lineales
6.1 Definici´on y primeras propiedades
Como en casi todas las disciplinas de la matem´atica, el estudio de determi-
nadas aplicaciones entre dos objetos con la misma estructura es fundamental para
el conocimiento de dichas estructuras. En el caso de los espacios vectoriales, las
aplicaciones que resultan interesantes son las llamadas aplicaciones lineales u homo-
morfismos de espacios vectoriales.
Definici´on 6.1.1 Sean V , V

dos K-espacios vectoriales. Una aplicaci´on lineal (u
homomorfismo) entre dos espacios vectoriales V y V

es una aplicaci´on f : V →V

que verifica la siguiente condici´on: f(au + bv) = af(u) + bf(v) para todos a, b ∈ K
y todos u, v ∈ V.
En otras palabras, un homomorfismo de espacios vectoriales no es sino una apli-
caci´on entre dos espacios vectoriales, que respeta la estructura de espacio vectorial
de ambos. Dos propiedades de gran utilidad que verifica cualquier homomorfismo de
espacios vectoriales f : V → V

y que se deducen inmediatamente de la definici´on
de homomorfismo son las siguientes:
1) f(0) = 0.
2) f(−v) = −f(v) ∀v ∈ V .
Ejemplo. La aplicaci´on f : IR
3
→IR
2
dada por la f´ormula f(x, y, z) = (x+y, y +z)
es lineal, ya que si a, b ∈ IR son dos escalares cualesquiera y (x, y, z), (x

, y

, z

) ∈ IR
3
son dos vectores arbitrarios, tenemos por un lado que
f(a(x, y, z) +b(x

, y

, z

)) = f((ax, ay, az) + (bx

, by

, bz

)) =
f(ax +bx

, ay +by

, az +bz

) = (ax +bx

+ay +by

, ay +by

+az +bz

)
y por otro que
af(x, y, z) + bf(x

, y

, z

) = a(x +y, y +z) +b(x

+y

, y

+z

) =
119
120 CAP
´
ITULO 6. APLICACIONES LINEALES
(a(x+y), a(y +z)) +(b(x

+y

), b(y

+z

)) = (ax+ay, ay +az) +(bx

+by

, by

+bz

)
= (ax +ay +bx

+by

, ay +az +by

+bz

),
es decir,
f(a(x, y, z) + b(x

, y

, z

)) = af(x, y, z) +bf(x

, y

, z

).
Sin embargo la aplicaci´on f : IR
3
→ IR
2
dada por la f´ormula f(x, y, z) = (x +
y, y +z + 1) NO es lineal ya que
f(a(x, y, z) +b(x

, y

, z

)) = (ax +bx

+ay +by

, ay +by

+az +bz

+ 1)
y
af(x, y, z) +bf(x

, y

, z

) = (ax +ay, ay +az + 1) + (bx

+by

, by

+bz

+ 1)
= (ax +ay +bx

+by

, ay +az +by

+bz

+ 2),
y obviamente
ay +by

+az +bz

+ 1 ,= ay +az +by

+bz

+ 2,
por lo que
f(a(x, y, z) + b(x

, y

, z

)) ,= af(x, y, z) +bf(x

, y

, z

).
Asociados a toda aplicaci´on lineal existen dos objetos que juegan un papel fun-
damental en el estudio de dichas aplicaciones. Tales son el n´ ucleo o kernel de la
aplicaci´on y su imagen; dada una aplicaci´on lineal f : V → V

, el n´ ucleo de f o
Kerf es el conjunto formado por todos los vectores de V cuya imagen mediante f es
0, mientras que la imagen de f no es sino la imagen de la aplicaci´on, olvid´andonos
de su estructura, es decir:
Ker f = ¦v ∈ V ; f(v) = 0¦
Im f = ¦v

∈ V

; ∃v ∈ V con f(v) = v

¦.
Ejemplo. Consideremos la aplicaci´on lineal f : IR
3
→ IR
2
dada por la f´ormula
f(x, y, z) = (x +y, y +z). Calculemos el n´ ucleo de dicha aplicaci´on lineal:
Ker f = ¦(x, y, z) ∈ IR
3
; f(x, y, z) = (0, 0)¦ =
¦(x, y, z) ∈ IR
3
; (x +y, y +z) = (0, 0)¦ = ¦(x, y, z) ∈ IR
3
; x = −y = z¦
= ¦(a, −a, a); a ∈ IR¦.
Resulta adem´as que Kerf e Imf no son simplemente subconjuntos de V y V

respectivamente, sino que ambos tienen estructura de subespacios vectoriales, es
decir,
6.1. DEFINICI
´
ON Y PRIMERAS PROPIEDADES 121
Proposici´on 6.1.2 Sea f : V →V

cualquier aplicaci´on lineal. Entonces Ker f es
un subespacio vectorial de V e Imf es un subespacio vectorial de V

.
El siguiente resultado caracteriza las aplicaciones lineales en funci´on de su n´ ucleo
e imagen.
Proposici´on 6.1.3 Sea f : V →V

una aplicaci´on lineal. Se verifican las siguientes
afirmaciones:
i) f es inyectiva si y s´olo si Ker f = ¦0¦.
ii) f es sobreyectiva si y s´olo si V

= Imf.
Los homomorfismos de espacios vectoriales que son inyectivos son llamados mo-
nomorfismos, mientras que los que son sobreyectivos son llamados epimorfismos.
Un homomorfismo de espacios vectoriales que sea biyectivo recibe el nombre de
isomorfismo, y si entre dos espacios vectoriales V y V

existe un isomorfismo se
dice que son isomorfos, y se representa por V

= V

.
Si f es una aplicaci´on lineal de un espacio vectorial V en s´ı mismo, es decir,
f : V →V , se dice que f es un endomorfismo. A los endomorfismos biyectivos se
les suele llamar automorfismos.
Proposici´on 6.1.4 Sean V y V

dos K-espacios vectoriales. Se verifican las si-
guientes afirmaciones:
i) V

= V

⇔ dim
K
V = dim
K
V

.
ii) Si U es un subespacio de V y dim U = dim V < ∞, entonces U = V.
Proposici´on 6.1.5 (F´ormulas de la dimensi´on)
1) Si V = U
1
⊕U
2
, entonces
dimV = dimU
1
+dimU
2
.
2) Sea f : V →V

lineal, entonces
dimV = dimKer f +dimImf.
3) Sean U
1
y U
2
dos subespacios de V . Entonces
dim(U
1
+U
2
) = dimU
1
+dimU
2
−dimU
1
∩ U
2
.
Ejemplos. 1. Es claro que si U
1
= ¦(x, y, 0) ∈ IR
3
¦ y U
2
= ¦(0, 0, z) ∈ IR
3
entonces
IR
3
= U
1
⊕U
2
, y comprobamos que dim U
1
= 2 y dimU
2
= 1, por lo que efectivamente
se verifica que 2 + 1 = dim U
1
+dim U
2
= dim IR
3
= 3.
2. Si consideramos ahora U
1
= ¦(x, 0, 0) ∈ IR
3
¦ y U
2
= ¦(0, 0, z) ∈ IR
3
¦, vemos
que U
1
∩ U
2
= 0, por lo que U
1
+ U
2
= U
1
⊕ U
2
. Adem´as es claro que dim U
1
=
dim U
2
= 1, por lo que forzosamente dim U
1
⊕U
2
= 2.
3. Sean ahora U
1
= ¦(x, y, 0) ∈ IR
3
¦ y U
2
= ¦(0, y, z) ∈ IR
3
¦. Es claro que
U
1
∩ U
2
,= ¦0¦, por lo que no existe U
1
⊕ U
2
. En este caso dim (U
1
+ U
2
) =
dim U
1
+ dim U
2
− dim U
1
∩ U
2
. Como U
1
∩ U
2
= ¦(0, y, 0) ∈ IR
3
¦, vemos que
dim U
1
∩ U
2
= 1, por lo que dim(U
1
+ U
2
) = 2 + 2 −1 = 3. Adem´as, se comprueba
que U
1
+U
2
= IR
3
, por lo que se corrobora que dim (U
1
+U
2
) = 3.
122 CAP
´
ITULO 6. APLICACIONES LINEALES
6.2 Ecuaciones de un homomorfismo
Sea f : V → V

una aplicaci´on lineal y sean B = ¦v
1
, ..., v
n
¦ y B

= ¦v

1
, ..., v

m
¦
bases de V y V

respectivamente.
Supongamos que conocemos, en funci´on de la base B

, la imagen de los vectores
de B mediante la aplicaci´on f, es decir, supongamos que
f(v
i
) =
m

j=1
a
ji
v

j
para todo i = 1, ..., n. Entonces si v ∈ V, se tiene
v =
n

i=1
x
i
v
i
, f(v) =
m

j=1
x

j
v

j
.
Por tanto
f(v) =
n

i=1
x
i
f(v
i
) =
n

i=1
x
i
(
m

j=1
a
ji
v

j
) =
m

j=1
(
n

i=1
a
ji
x
i
)v

j
.
As´ı,
x

j
=
n

i=1
a
ji
x
i
, ∀j = 1, .., m
son las ecuaciones de f respecto a las bases B y B

.
Estas ecuaciones pueden ser dadas en forma matricial; si escribimos la expresi´on
matricial de las ecuaciones anteriores obtenemos
_
_
_
_
_
_
x

1
x

2
.
.
.
x

m
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
.
´
Esta es la llamada ecuaci´on matricial del homomorfismo f en funci´on de las bases B
y B

. A la matriz
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
se le llama matriz asociada a f respecto a las bases B y B

, y se le denota por
M(f; B, B

) (notemos que su c´alculo es bien sencillo, pues, como se ha puesto de
manifiesto, dicha matriz se calcula poniendo por columnas las coordenadas respecto
a la base B

de los vectores f(v
i
), i = 1, . . . , n).
Ejemplo. Calculemos la expresi´on matricial del homomorfismo f : IR
4
→IR
3
dado
por
f(x
1
, x
2
, x
3
, x
4
) = (x
1
+x
2
+x
3
, x
2
+x
3
, x
1
+ 2x
3
+x
4
)
6.2. ECUACIONES DE UN HOMOMORFISMO 123
respecto a las bases
B = ¦(1, 2, 3, 2), (1, 1, 1, 1), (1, 0, 0, 3), (1, 2, 0, 3)¦
y
B

= ¦(1, 1, 2), (1, 3, 6), (0, 1, 0)¦
de IR
4
y IR
3
respectivamente.
Para calcular la matriz asociada al homomorfismo respecto a las bases referidas
debemos calcular la imagen de cada vector de B mediante el homomorfismo f, y
expresar dichas im´agenes respecto a la base B

.
f(1, 2, 3, 2) = (1 +2 +3, 2 +3, 1 +2 3 +2) = (6, 5, 9). Ahora expresamos (6, 5, 9)
respecto a la base B:
(6, 5, 9) = a(1, 1, 2) +b(1, 3, 6) +c(0, 1, 0) = (a +b, a + 3b +c, 2a + 6b)
de donde obtenemos el sistema de ecuaciones lineales
a + b = 6
a + 3b + c = 5
2a + 6b = 9
_
¸
_
¸
_
,
cuya soluci´on es a = 27/4, b = −3/4 y c = 1/2. Por tanto la primera columna de
M(f; B, B

) es
_
_
_
27/4
−3/4
1/2
_
_
_.
Hacemos lo mismo con los tres vectores restantes de B.
f(1, 1, 1, 1) = (3, 2, 4) = (a +b, a + 3b +c, 2a + 6b). Obtenemos el sistema
a + b = 3
a + 3b + c = 2
2a + 6b = 4
_
¸
_
¸
_
,
cuya soluci´on es a = 7/2, b = −1/2 y c = 0.
f(1, 0, 0, 3) = (1, 0, 4) = (a +b, a + 3b +c, 2a + 6b). Obtenemos el sistema
a + b = 1
a + 3b + c = 0
2a + 6b = 4
_
¸
_
¸
_
,
cuya soluci´on es a = 1/2, b = 1/2 y c = −2.
f(1, 2, 0, 3) = (3, 2, 4) = (a +b, a + 3b +c, 2a + 6b). Obtenemos el sistema
a + b = 3
a + 3b + c = 2
2a + 6b = 4
_
¸
_
¸
_
,
124 CAP
´
ITULO 6. APLICACIONES LINEALES
cuya soluci´on es a = 7/2, b = −1/2 y c = 0.
As´ı pues, la matriz M(f; B, B

) es
M(f; B, B

) =
_
_
_
27/4 7/2 1/2 7/2
−3/4 −1/2 1/2 −1/2
1/2 0 −2 0
_
_
_,
y por tanto la ecuaci´on matricial del homomorfismo es
_
_
_
x

1
x

2
x

3
_
_
_ =
_
_
_
27/4 7/2 1/2 7/2
−3/4 −1/2 1/2 −1/2
1/2 0 −2 0
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
.
Si tomamos V

= V , m = n y f = id
V
, se obtiene la expresi´on matricial de las
ecuaciones del cambio de base de B en B

.
Si consideramos V ≤ V

un subespacio de V

y f = i
V
(i
V
es la aplicaci´on
inclusi´on de V en V

), entonces se obtiene la expresi´on matricial de las ecuaciones
param´etricas de U respecto de las bases B y B

. En este caso, n ≤ m y (x
1
, x
2
, ..., x
n
)
representan par´ametros.
Un hecho de gran utilidad e importancia en el estudio de las ecuaciones matri-
ciales asociadas a un homomorfismo es el siguiente: si tenemos dos homomorfismos
cualesquiera f : V → V

y g : V

→ V

, dos bases B y B

de V y V

respecti-
vamente, y queremos calcular la matriz asociada a g ◦ f : V → V

respecto a B y
B

(es decir, queremos calcular M(g ◦ f; B, B

)), siempre podremos elegir una base
arbitraria B

de V

y se verificar´ a la igualdad
M(g ◦ f; B, B

) = M(g; B

, B

) M(f; B, B

).
Es conveniente notar que el orden de las matrices M(f; B, B

) y M(g; B

, B

) a la
hora de efectuar el producto anterior ha de ser el especificado en la f´ormula, y no el
contrario.
Ejemplo. Supongamos que tenemos los homomorfismos f : R
3
→ R
3
dado por la
f´ormula f(x, y, z) = (x, x + y + z, x + y − z) y g : IR
3
→ IR
2
cuya matriz asociada
respecto a la base can´onica de IR
3
y a la base can´onica de IR
2
es
_
1 2 1
0 3 2
_
.
Calculemos la matriz asociada a g ◦ f respecto a la base
B = ¦(1, 2, 3), (1, 5, 6), (1, 0, 0)¦
de IR
3
y a la base can´onica de IR
2
.
6.2. ECUACIONES DE UN HOMOMORFISMO 125
Si calculamos la matriz asociada a f respecto a la base B y a la base can´onica
de IR
3
, M(f; B, B
3
c
), dado que conocemos M(g; B
3
c
, B
2
c
) (B
2
c
es la base can´onica de
IR
2
) podremos calcular la matriz asociada a g ◦ f respecto a las bases B y B
2
c
de la
forma M(g ◦ f; B, B
2
c
) = M(g; B
3
c
, B
2
c
) M(f; B, B
3
c
). Calculemos pues M(f; B, B
3
c
).
f(1, 2, 3) = (1, 6, 0), f(1, 5, 6) = (1, 12, 0), f(1, 0, 0) = (1, 1, 1). Como las im´age-
nes ya vienen expresadas respecto a la base can´onica, tenemos que
M(f; B, B
3
c
) =
_
_
_
1 1 1
6 12 1
0 0 1
_
_
_
y por tanto que
M(g ◦ f; B, B
2
c
) =
_
1 2 1
0 3 2
_

_
_
_
1 1 1
6 12 1
0 0 1
_
_
_ =
_
13 25 4
18 36 5
_
.
126 CAP
´
ITULO 6. APLICACIONES LINEALES
6.3 Problemas
Problema 1 Estudie cu´ales de las siguientes aplicaciones son lineales. Describa el
n´ ucleo y la imagen de aqu´ellas aplicaciones que sean lineales, y calcule una base de
cada uno de ellos.
a) f : IR
3
→IR
2
, dada por f(x, y, z) = (2x +y, x −y + 3z).
b) f : IR
3
→IR
2
, dada por f(x, y, z) = (x
2
−y, x −y +z).
c) f : IR
2
→IR
2
, dada por f(x, y) = (x + 1, y −x).
Soluci´on. a) Tenemos f(x, y, z) = x(2, 1) +y(1, −1) +z(0, 3). Entonces
f(a(x
1
, y
1
, z
1
) + b(x
2
+y
2
+z
2
)) = f(ax
1
+bx
2
, ay
1
+by
2
, az
1
+bz
2
)
= (ax
1
+bx
2
)(2, 1) + (ay
1
+by
2
)(1, −1) + (az
1
+bz
2
)(0, 3) =
a [x
1
(2, 1) +y
1
(1, −1) +z
1
(0, 3)] +b [x
2
(2, 1) +y
2
(1, −1) +z
2
(0, 3)]
= af(x
1
, y
1
, z
1
) +bf(x
2
, y
2
, z
2
).
Por tanto f es lineal.
El n´ ucleo de f viene dado por
Kerf = ¦(x, y, z) ∈ IR
3
[ 2x +y = 0, x −y + 3z = 0¦.
Reducimos el sistema
x −y + 3z = 0
2x +y = 0
_
a forma escalonada, obteniendo
x −y + 3z = 0
y −2z = 0
_
Asignando un par´ametro a z, z = α, nos queda y = 2α, x = −α. As´ı (x, y, z) =
α(−1, 2, 1) para todo (x, y, z) ∈ Ker f. Concluimos que una base de Ker f es
¦(−1, 2, 1)¦.
La f´ormula de dimensiones dim(Ker f) + dim(Imf) = dim(IR
3
) nos indica que
dim(Imf) = 2 y por tanto Imf = IR
2
, siendo por ejemplo la base can´onica de IR
2
una base de Imf.
b) f no es lineal porque
f(2(1, 0, 0)) = f(2, 0, 0) = (4, 2) ,= 2f(1, 0, 0) = 2(1, 1) = (2, 2).
c) f no es lineal ya que f((1, 0) +(0, 0)) = f(1, 0) = (2, −1) ,= f(1, 0) +f(0, 0) =
(2, −1) + (1, 0) = (3, −1).
6.3. PROBLEMAS 127
Problema 2 Si ¦a
1
, a
2
, a
3
, a
4
¦ es la base de IR
4
formada por los vectores
a
1
= (1, −1, 0, 0), a
2
= (1, 1, 0, 0), a
3
= (0, 0, 1, 1), a
4
= (0, 0, 1, −1).
a) Pru´ebese que existe un ´ unico endomorfismo f en IR
4
que verifica que
Ker(f) =< a
1
+a
2
, a
3
+a
4
−a
1
>, f(a
1
) = 2a
1
y f(a
3
) = 2a
3
.
b) Calcule f(x, y, z, t) para todo (x, y, z, t) ∈ IR
4
.
c) B´ usquese una base de Im(f) y pru´ebese que Ker(f) e Im(f) son subespacios
suplementarios de IR
4
.
Soluci´on. a) Si conocemos los valores de f(a
i
) para i = 1, 2, 3, 4 se tendr´a comple-
tamente determinado f (ya que los a
i
forman una base). Nos falta saber los valores
f(a
2
) y f(a
4
). Para ello utilizamos que a
1
+ a
2
, a
3
+ a
4
− a
1
∈ Ker(f). Se debe
tener que f(a
1
+ a
2
) = 0 y f(a
3
+ a
4
−a
1
) = 0. Por tanto f(a
2
) = −f(a
1
) = −2a
1
,
f(a
4
) = f(a
1
) −f(a
3
) = 2a
1
−2a
3
. Los valores encontrados para f(a
2
) y f(a
4
) son
los ´ unicos posibles que hacen que se cumplan las condiciones. As´ı f es la ´ unica que
verifica las hip´otesis.
b) f(x, y, z, t) = xf(e
1
) + yf(e
2
) + zf(e
3
) + tf(e
4
), donde e
i
son los vectores de
la base can´onica. Conociendo la expresi´on de los e
i
en funci´on de los a
i
se tendr´a
calculado f(x, y, z, t).
La matriz
P =
_
_
_
_
_
1 1 0 0
−1 1 0 0
0 0 1 1
0 0 1 −1
_
_
_
_
_
nos proporciona el cambio de base de los a
i
a los e
i
. Por tanto la inversa de la matriz
P es la que nos proporcionar´a la expresi´on de los e
i
en funci´on de los a
i
. El c´alculo
de P
−1
se har´a por el siguiente m´etodo, ya conocido:
_
_
_
_
_
1 1 0 0 1 0 0 0
−1 1 0 0 0 1 0 0
0 0 1 1 0 0 1 0
0 0 1 −1 0 0 0 1
_
_
_
_
_
(1)

_
_
_
_
_
1 1 0 0 1 0 0 0
0 2 0 0 1 1 0 0
0 0 1 1 0 0 1 0
0 0 0 −2 0 0 −1 1
_
_
_
_
_
(2)

_
_
_
_
_
1 1 0 0 1 0 0 0
0 1 0 0 1/2 1/2 0 0
0 0 1 1 0 0 1 0
0 0 0 1 0 0 1/2 −1/2
_
_
_
_
_
(3)

_
_
_
_
_
1 0 0 0 1/2 −1/2 0 0
0 1 0 0 1/2 1/2 0 0
0 0 1 0 0 0 1/2 1/2
0 0 0 1 0 0 1/2 −1/2
_
_
_
_
_
128 CAP
´
ITULO 6. APLICACIONES LINEALES
en donde las operaciones realizadas han sido:
(1) F
2
+F
1
, F
4
−F
3
.
(2) 1/2F
2
, −1/2F
4
.
(3) F
1
−F
2
, F
3
−F
4
.
Por tanto P
−1
es
_
_
_
_
_
1/2 −1/2 0 0
1/2 1/2 0 0
0 0 1/2 1/2
0 0 1/2 −1/2
_
_
_
_
_
y as´ı e
1
= 1/2a
1
+1/2a
2
, e
2
= −1/2a
1
+1/2a
2
, e
3
= 1/2a
3
+1/2a
4
, e
4
= 1/2a
3
−1/2a
4
.
Tenemos entonces
f(x, y, z, t) = xf(e
1
) +yf(e
2
) + zf(e
3
) +tf(e
4
) =
1/2[xf(a
1
) +xf(a
2
) −yf(a
1
) +yf(a
2
) +zf(a
3
) + zf(a
4
) +tf(a
3
) −tf(a
4
))] =
1/2[(x −y)f(a
1
) + (x +y)f(a
2
) + (z +t)f(a
3
) + (z −t)f(a
4
)] =
1/2[(x−y)(2, −2, 0, 0)+(x+y)(−2, 2, 0, 0)+(z+t)(0, 0, 2, 2)+(z−t)(2, −2, −2, −2)] =
(−2y +z −t, 2y −z +t, 2t, 2t).
Por tanto f(x, y, z, t) = (−2y +z −t, 2y −z +t, 2t, 2t).
c) Como Ker(f) =< a
1
+ a
2
, a
3
+ a
4
− a
1
> y b
1
= a
1
+ a
2
= (2, 0, 0, 0),
b
2
= a
3
+a
4
−a
1
= (−1, 1, 2, 0), se tiene que b
1
, b
2
son linealmente independientes y
por tanto ¦b
1
, b
2
¦ es una base de Ker f. As´ı, dim(Ker f) = 2, lo cual, por la formula
de dimensiones dim(Ker f) + dim(Imf) = dim(IR
4
), implica que dim(Imf) = 2.
Como f(a
1
) = 2a
1
y f(a
3
) = 2a
3
son linealmente independientes, ellos constituyen
una base de Imf. Por ´ ultimo, para demostrar que IR
4
= Ker f ⊕Imf es suficiente
demostrar que ( = ¦a
1
+ a
2
, a
3
+ a
4
− a
1
, 2a
1
, 2a
3
¦ es una base de IR
4
. Esto lo
probamos reduciendo a forma triangular la matriz cuyas filas son los vectores de (:
_
_
_
_
_
−1 1 2 0
2 0 0 0
2 −2 0 0
0 0 2 2
_
_
_
_
_
(1)

_
_
_
_
_
−1 1 2 0
0 2 4 0
0 0 4 0
0 0 2 2
_
_
_
_
_
(2)

_
_
_
_
_
−1 1 2 0
0 2 4 0
0 0 4 0
0 0 0 2
_
_
_
_
_
Operaciones realizadas
(1) F
2
+ 2F
1
, F
3
+ 2F
1
.
(2) F
4
−1/2F
3
.
Como la forma escalonada es triangular, los vectores fila forman una base de IR
4
como quer´ıamos.
Problema 3 Constr´ uyase una base para Ker(f) y otra para Im(f), donde f : IR
4

IR
4
est´a dado por
f(x, y, z, t) = (x + 2y +z + 2t, −x +y + 2z −2t, x −z + 2t).
6.3. PROBLEMAS 129
Soluci´on. Las ecuaciones cartesianas de Ker(f) respecto a la base can´onica son
x + 2y +z + 2t = 0
−x +y + 2z −2t = 0
x −z + 2t = 0
_
¸
_
¸
_
que son equivalentes a estas otras:
x + 2y +z + 2t = 0
y +z = 0
_
Por tanto, asignando a z y t par´ametros, z = α, t = β, obtenemos y = −α, x =
α −2β. As´ı, un vector arbitrario de Ker f se expresa como
(x, y, z, t) = (α −2β, −α, α, β) = α(1, −1, 1, 0) +β(−2, 0, 0, 1).
Por tanto T = ¦(1, −1, 1, 0), (−2, 0, 0, 1)¦ son linealmente independientes y generan
Ker f, esto es, T es una base de Ker f.
Por la f´ormula de las dimensiones, dim(Imf) = 2, de manera que para encontrar
una base de Imf es suficiente encontrar dos vectores linealmente independientes
de Imf. Por ejemplo, f(1, 0, 0, 0) = (1, −1, 1) y f(0, 1, 0, 0) = (2, 1, 0) cumplen lo
anterior y por tanto constituyen una base de Imf.
Problema 4 a) Si f : K
n
→ K es un homomorfismo, pruebe que, o bien f = 0, o
bien f es un epimorfismo.
b) Si f : K → K
n
es un homomorfismo, pruebe que, o bien f = 0, o bien f es
un monomorfismo.
Soluci´on. a) Si f ,= 0 entonces Imf ,= ¦0¦ y es un subespacio de K. Luego
Imf = K (pues dim K=1) y f es un epimorfismo.
b) Si f ,= 0, entonces Ker f ,= K, luego dimKerf = 0, es decir, Ker f = ¦0¦, y
por tanto f es un monomorfismo.
Problema 5 Sean E y E

dos espacios vectoriales y f ∈ Hom(E, E

). Pruebe que
la aplicaci´on h : E E

→E E

, (x, y) →(x, y −f(x)) es un automorfismo.
Soluci´on. Claramente la aplicaci´on es lineal porque es composici´on y suma de ´estas.
Falta ver que h es sobreyectiva e inyectiva.
h es inyectiva:
Si h(x, y) = (x, y − f(x)) = (0, 0) entonces x = 0 e y = f(x) = f(0) = 0. Por
tanto (x, y) = (0, 0) (n´otese que siempre f(0) = 0 cuando f es lineal).
h es sobreyectiva:
Dado (e, e

) ∈ E E

, es f´acil ver que h(e, f(e) +e

) = (e, e

).
130 CAP
´
ITULO 6. APLICACIONES LINEALES
Problema 6 Sean f : IR
3
→IR
3
el endomorfismo dado por
f(x, y, z) = (z −y, x −y + 2z, 2x −y + 3z),
B = ¦e
1
, e
2
, e
3
¦ la base can´onica de IR
3
, y B

= ¦a
1
, a
2
, a
3
¦ la base de IR
3
formada
por los vectores a
1
= (1, 1, 1), a
2
= (0, 1, 1) y a
3
= (0, 0, 1). Calcule:
a) la matriz asociada a f respecto a las bases B y B.
b) la matriz asociada a f respecto a las bases B

y B.
c) la matriz asociada a f respecto a las bases B y B

.
d) la matriz asociada a f respecto a las bases B

y B

.
Soluci´on. a) Se tiene f(e
1
) = f(1, 0, 0) = (0, 1, 2), f(e
2
) = f(0, 1, 0) = (−1, −1, −1),
f(e
3
) = f(0, 0, 1) = (1, 2, 3). Por tanto
M(f, B, B) =
_
_
_
0 −1 1
1 −1 2
2 −1 3
_
_
_.
b) Se tiene f(a
1
) = f(1, 1, 1) = (0, 2, 4), f(a
2
) = f(0, 1, 1) = (0, 1, 2), f(a
3
) =
f(0, 0, 1) = (1, 2, 3). Por tanto:
M(f, B

, B) =
_
_
_
0 0 1
2 1 2
4 2 3
_
_
_.
c) Necesitamos encontrar la matriz M(B, B

) del cambio de base de B a B

, ya que
M(f, B, B

) = M(B, B

)M(f, B, B). Pero sabemos que M(B, B

) = M(B

, B)
−1
, y
es claro que
M(B

, B) =
_
_
_
1 0 0
1 1 0
1 1 1
_
_
_.
Calculamos la inversa.
M(B

, B) =
_
_
_
1 0 0 1 0 0
1 1 0 0 1 0
1 1 1 0 0 1
_
_
_
(1)

_
_
_
1 0 0 1 0 0
0 1 0 −1 1 0
0 1 1 −1 0 1
_
_
_
(2)

_
_
_
1 0 0 1 0 0
0 1 0 −1 1 0
0 0 1 0 −1 1
_
_
_.
Operaciones realizadas
(1) F
2
−F
1
, F
3
−F
1
.
(2) F
3
−F
2
.
6.3. PROBLEMAS 131
Por tanto,
M(B, B

) =
_
_
_
1 0 0
−1 1 0
0 −1 1
_
_
_
y
M(f, B, B

) =
_
_
_
1 0 0
−1 1 0
0 −1 1
_
_
_
_
_
_
0 −1 1
1 −1 2
2 −1 3
_
_
_ =
_
_
_
0 −1 1
1 0 1
1 0 1
_
_
_
d) Ahora tenemos M(f, B

, B

) = M(B, B

)M(f, B

, B). Por tanto:
M(f, B

, B

) =
_
_
_
1 0 0
−1 1 0
0 −1 1
_
_
_
_
_
_
0 0 1
2 1 2
4 2 3
_
_
_ =
_
_
_
0 0 1
2 1 1
2 1 1
_
_
_.
Problema 7 Sea f : I C
4
→I C
3
el homomorfismo dado por
f(x
1
, x
2
, x
3
, x
4
) = (2x
1
−x
2
, x
3
+ix
4
, x
1
−x
4
).
Calcule la matriz de f respecto a las bases can´onicas de I C
4
y I C
3
.
Soluci´on. Si aplicamos f a los vectores de la base can´onica de I C
4
obtenemos
f(1, 0, 0, 0) = (2, 0, 1), f(0, 1, 0, 0) = (−1, 0, 0),
f(0, 0, 1, 0) = (0, 1, 0), f(0, 0, 0, 1) = (0, i, −1),
as´ı que la matriz de f respecto de las bases can´onicas es:
_
_
_
2 −1 0 0
0 0 1 i
1 0 0 −1
_
_
_.
Problema 8 Sea V un espacio vectorial tridimensional real; respecto a una base
B = ¦u
1
, u
2
, u
3
¦ se consideran los endomorfismos de V , f y g dados por: f(u
1
) =
u
1
−u
2
+u
3
, f(u
2
) = u
3
, f(u
3
) = u
2
, g(u
1
) = u
1
+u
2
, g(u
2
) = u
1
−u
2
, g(u
3
) = u
3
.
Escriba, respecto a la base B, las matrices M(f), M(g), M(f + g), M(kf) con
k ∈ IR, M(f ◦ g) y M(g ◦ f).
Soluci´on. Es inmediato que
M(f) =
_
_
_
1 0 0
−1 0 1
1 1 0
_
_
_, M(g) =
_
_
_
1 1 0
1 −1 0
0 0 1
_
_
_, por tanto
M(f +g) = M(f) +M(g) =
_
_
_
1 0 0
−1 0 1
1 1 0
_
_
_ +
_
_
_
1 1 0
1 −1 0
0 0 1
_
_
_ =
_
_
_
2 1 0
0 −1 1
1 1 1
_
_
_,
132 CAP
´
ITULO 6. APLICACIONES LINEALES
M(kf) = kM(f) =
_
_
_
k 0 0
−k 0 k
k k 0
_
_
_
M(f ◦ g) = M(f)M(g) =
_
_
_
1 0 0
−1 0 1
1 1 0
_
_
_
_
_
_
1 1 0
1 −1 0
0 0 1
_
_
_ =
_
_
_
1 1 0
−1 −1 1
2 0 0
_
_
_,
M(g ◦ f) = M(g)M(f) =
_
_
_
1 1 0
1 −1 0
0 0 1
_
_
_
_
_
_
1 0 0
−1 0 1
1 1 0
_
_
_ =
_
_
_
0 0 1
2 0 −1
1 1 0
_
_
_.
Problema 9 En IR
3
se considera la base B = ¦e
1
, e
2
, e
3
¦ y el endomorfismo f
definido respecto a la base B por, f(x
1
e
1
+x
2
e
2
+x
3
e
3
) = (x
2
+x
3
)e
1
+(x
1
+x
3
)e
2
+
(x
2
−x
1
)e
3
. Halle:
a) Expresi´on matricial de f respecto a la base B.
b) Los vectores invariantes de f.
c) Ecuaciones cartesianas de Ker f respecto a la base B.
Soluci´on. a) Se tiene f(e
1
) = e
2
−e
3
, f(e
2
) = e
1
+e
3
, f(e
3
) = e
1
+e
2
, por tanto la
expresi´on matricial de f respecto de la base B es
_
_
_
y
1
y
2
y
3
_
_
_ =
_
_
_
0 1 1
1 0 1
−1 1 0
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_.
b) Se trata de encontrar los vectores v = x
1
e
1
+ x
2
e
2
+ x
3
e
3
tales que f(v) = v.
La ´ ultima igualdad produce un sistema de ecuaciones
x
2
+x
3
= x
1
x
1
+x
3
= x
2
−x
1
+x
2
= x
3
_
¸
_
¸
_
cuyas soluciones son los elementos del conjunto ¦α(1, 1, 0) [ α ∈ IR¦ como puede
verse f´acilmente.
c) Las ecuaciones cartesianas son:
x
2
+x
3
= 0
x
1
+x
3
= 0
−x
1
+x
2
= 0
_
¸
_
¸
_
que se reducen a x
1
= 0, x
2
= 0, x
3
= 0.
6.3. PROBLEMAS 133
Problema 10 Se considera la aplicaci´on f: IR
3
→IR
2
dada por la f´ormula
f(x
1
, x
2
, x
3
) = (x
1
+x
2
, x
2
+x
3
).
a) Demuestre que f es un homomorfismo de IR
3
en IR
2
.
b) Halle la matriz asociada a f respecto a las bases,
B = ¦(1, 1, 1), (0, 1, −1), (1, 0, 0)¦ y B

= ¦(1, 2), (0, 1)¦.
c) Halle las ecuaciones cartesianas de Ker f respecto a la base B. Calcule
tambi´en las dimensiones de Ker f e Imf.
Soluci´on. a) Veamos que f es una aplicaci´on lineal u homomorfismo:
f(a(x
1
, x
2
, x
3
) +b(y
1
, y
2
, y
3
)) = f(ax
1
+by
1
, ax
2
+by
2
, ax
3
+by
3
) =
(ax
1
+by
1
+ax
2
+by
2
, ax
2
+by
2
+ax
3
+by
3
) = a(x
1
+x
2
, x
2
+x
3
)+b(y
1
+y
2
, y
2
+y
3
) =
af(x
1
, x
2
, x
3
) + bf(y
1
, y
2
, y
3
).
b) Se obtiene f´acilmente que
f(1, 1, 1) = (2, 2),
f(0, 1, −1) = (1, 0),
f(1, 0, 0) = (1, 0).
Los vectores (2, 2) y (1, 0) est´an expresados respecto a la base can´onica de IR
2
.
Hay que expresarlos respecto a la base B

.
(2, 2) = a(1, 2) +b(0, 1) = (a, 2a +b), con lo cual
2 = a
2 = 2a +b
_
⇒a = 2 y b = −2.
(1, 0) = α(1, 2) +β(0, 1) = (α, 2α +β), con lo cual
1 = α
0 = 2α +β
_
⇒α = 2 y β = −2.
Por tanto
M(f, B, B

) =
_
2 1 1
−2 −2 −2
_
.
c) De la matriz M(f; B, B

) se obtiene inmediatamente que las ecuaciones de
Kerf respecto a la base B son :
2x
1
+x
2
+x
3
= 0
−2x
1
−2x
2
−2x
3
= 0
_
Como hay dos ecuaciones cartesianas independientes que definen Ker f, se sigue que
dim(Ker f) = 1. Por la f´ormula de las dimensiones se tiene que dim(Imf) = 2.
134 CAP
´
ITULO 6. APLICACIONES LINEALES
Problema 11 Sea f: V → V

un homomorfismo de espacios vectoriales sobre el
cuerpo de los reales. Sean B = ¦u
1
, u
2
¦ y B
1
= ¦u
1
, u
2
¦ bases de V y B

= ¦v
1
, v
2
, v
3
¦
y B

1
= ¦v
1
, v
2
, v
3
¦ bases de V

.
Se sabe que la matriz de f respecto a B y B

es
_
_
_
1 0
1 1
−1 2
_
_
_
y que
_
u
1
= u
1
+ u
2
u
2
= 2u
2
,
_
¸
_
¸
_
v
1
= v
1
+ v
2
v
2
= 2v
2
+ v
3
v
3
=
1
2
v
1
Halle la matriz de f respecto a las bases B
1
y B

1
.
Soluci´on. Sabemos que
M(f, B
1
, B

1
) = M(B

, B

1
)M(f, B, B

)M(B
1
, B).
Adem´as, se obtiene directamente de las relaciones entre las bases del enunciado:
M(B

, B

1
) =
_
_
_
1 0 1/2
1 2 0
0 1 0
_
_
_, M(B, B
1
) =
_
1 0
1 2
_
.
Como M(B
1
, B) = M(B, B
1
)
−1
=
_
1 0
−1/2 1/2
_
se sigue que
M(f, B
1
, B

1
) =
_
_
_
1 0 1/2
1 2 0
0 1 0
_
_
_
_
_
_
1 0
1 1
−1 2
_
_
_
_
1 0
−1/2 1/2
_
=
_
_
_
0 1/2
2 1
1/2 1/2
_
_
_.
Problema 12 Siendo f : IR
3
→IR
2
y g : IR
2
→IR
4
los homomorfismos de espacios
vectoriales dados por: f(x, y, z) = (2x+y, y +z), g(x, y) = (x, 0, x+y, −y), calc´ ulese
la matriz del homomorfismo g ◦ f : IR
3
→IR
4
respecto a las bases can´onicas.
Soluci´on. Se tiene f(1, 0, 0) = (2, 0), f(0, 1, 0) = (1, 1), f(0, 0, 1) = (0, 1) y g(1, 0) =
(1, 0, 1, 0), g(0, 1) = (0, 0, 1, −1). Por tanto
M(g ◦ f) = M(g)M(f) =
_
_
_
_
_
1 0
0 0
1 1
0 −1
_
_
_
_
_
_
2 1 0
0 1 1
_
=
_
_
_
_
_
2 1 0
0 0 0
2 2 1
0 −1 −1
_
_
_
_
_
.
6.3. PROBLEMAS 135
Problema 13 a) Sea E un espacio vectorial de dimensi´on finita y f, g ∈ End(E)
dos endomorfismos tales que f ◦ g = id
E
. Pru´ebese que f y g son automorfismos y
que g = f
−1
.
b) Si A, B ∈ /, son tales que AB = I
n
, pru´ebese que A y B son inversibles y
que B = A
−1
.
Soluci´on. (a) De la igualdad f ◦ g = id
E
se deduce que f es sobreyectiva y as´ı
Imf = E. Utilizando la f´ormula de dimensiones dim(Ker f)+dim(Imf) = dim(E),
se tiene que dim(Ker f) = 0 y as´ı f es tambi´en inyectiva. Por tanto f es un
automorfismo con inversa f
−1
. Aplicando f
−1
en ambos miembros de la igualdad
f ◦ g = id
E
se obtiene f
−1
◦ f ◦ g = f
−1
. As´ı g = f
−1
.
El apartado (b) es consecuencia de (a) sin m´as que tomar los endomorfismos
f
A
, f
B
: K
n
→K
n
tales que M(f
A
) = A y M(f
B
) = B. De esta forma M(f
A
◦ f
B
) =
M(f
A
)M(f
B
) = I
n
= M(id
K
n) y, por ser M(−) un isomorfismo, f
A
◦ f
B
= id
K
n.
Entonces f
A
es un automorfismo con inversa f
B
y por tanto A es inversible con
inversa B.
Problema 14 Consideremos el homomorfismo f : IR
4
→IR
3
dado por f(x, y, z, t) =
(x + 2y + z, 2x −t, 3z), y sean B
4
y B
3
las bases can´onicas de IR
3
y IR
4
respectiva-
mente. Consid´erense adem´as los vectores a
1
= (1, −1, 0, 0), a
2
= (1, 1, 0, 0), a
3
=
(0, 0, 1, −1), a
4
= (0, 0, 1, 1) de IR
4
y b
1
= (1, −1, 1), b
2
= (1, 0, −1), b
3
= (−1, 1, 0)
de IR
3
.
a) Constr´ uyase la matriz asociada a f respecto a las bases B
4
y B
3
.
b) Pru´ebese que S = ¦a
1
, a
2
, a
3
, a
4
¦ y S

= ¦b
1
, b
2
, b
3
¦ son bases de IR
4
y IR
3
respectivamente. Constr´ uyanse adem´as la matrices de cambio de base de S a B
4
en
IR
4
y de B
3
a S

en IR
3
.
c) Calc´ ulense las matrices asociadas a f respecto a las bases: c.1) B
4
y S

; c.2)
S y B
3
; c.3) S y S

.
Soluci´on. a) Es inmediato que f(1, 0, 0, 0) = (1, 2, 0), f(0, 1, 0, 0) = (2, 0, 0),
f(0, 0, 1, 0) = (1, 0, 3), f(0, 0, 0, 1) = (0, −1, 0). Por tanto
M(f, B
4
, B
3
) =
_
_
_
1 2 1 0
2 0 0 −1
0 0 3 0
_
_
_.
b) Para demostrar que S es una base, se reduce a forma escalonada la matriz cuyas
filas son los vectores de S y se comprueba que la forma escalonada es triangular. As´ı
es inmediato comprobar, aplicando las operaciones F
2
−F
1
y F
4
−F
3
que
_
_
_
_
_
1 −1 0 0
1 1 0 0
0 0 1 −1
0 0 1 1
_
_
_
_
_

_
_
_
_
_
1 −1 0 0
0 2 0 0
0 0 1 −1
0 0 0 2
_
_
_
_
_
.
136 CAP
´
ITULO 6. APLICACIONES LINEALES
Para probar que S

es una base de IR
3
se seguir´a el mismo procedimiento que
para S, luego aplicando las operaciones F
2
−F
1
y F
3
+F
1
obtenemos que
_
_
_
1 −1 1
1 0 −1
−1 1 0
_
_
_ ≡
_
_
_
1 1 −1
0 1 −2
0 0 1
_
_
_.
Por otro lado,
M(S, B
4
) =
_
_
_
_
_
1 1 0 0
−1 1 0 0
0 0 1 1
0 0 −1 1
_
_
_
_
_
.
Para hallar M(B
3
, S

) se calcula la inversa de
M(S

, B
3
) =
_
_
_
1 1 −1
−1 0 1
1 −1 0
_
_
_.
_
_
_
1 1 −1 1 0 0
−1 0 1 0 1 0
1 −1 0 0 0 1
_
_
_
(1)

_
_
_
1 1 −1 1 0 0
0 1 0 1 1 0
0 −2 1 −1 0 1
_
_
_
(2)

_
_
_
1 1 −1 1 0 0
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_
(3)

_
_
_
1 1 0 2 2 1
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_
(4)

_
_
_
1 0 0 1 1 1
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_.
Operaciones realizadas
(1) F
2
+F
1
, F
3
−F
1
.
(2) F
3
+ 2F
2
.
(3) F
1
+F
3
.
(4) F
1
−F
2
.
Por tanto
M(B
3
, S

) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_.
c) M(f, B
4
, S

) = M(B
3
, S

)M(f, B
4
, B
3
) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_
_
_
_
1 2 1 0
2 0 0 −1
0 0 3 0
_
_
_ =
_
_
_
3 2 4 −1
3 2 1 −1
5 2 4 −2
_
_
_.
M(f, S, B
3
) = M(f, B
4
, B
3
)M(S, B
4
) =
_
_
_
1 2 1 0
2 0 0 −1
0 0 3 0
_
_
_
_
_
_
_
_
1 1 0 0
−1 1 0 0
0 0 1 1
0 0 −1 1
_
_
_
_
_
=
_
_
_
−1 3 1 1
2 2 1 −1
0 0 3 3
_
_
_.
6.3. PROBLEMAS 137
M(f, S, S

) = M(B
3
, S

)M(f, S, B
3
) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_
_
_
_
−1 3 1 1
2 2 1 −1
0 0 3 3
_
_
_ =
_
_
_
1 5 5 3
1 5 2 0
3 7 6 2
_
_
_.
Problema 15 Sea S = ¦a
1
, a
2
, a
3
¦ ⊂ I C
3
, con a
1
= (i, −1, 0), a
2
= (−2, 1 +
i, i), a
3
= (1, 0, 1).
a) Pru´ebese que S es una base de I C
3
.
b) Si x = (x
1
, x
2
, x
3
) ∈ I C
3
y x = (y
1
, y
2
, y
3
)
S
, calc´ ulense los valores de las coor-
denadas y
1
, y
2
, y
3
en funci´on de x
1
, x
2
, x
3
.
c) Si f ∈ End(I C
3
), y su matriz asociada respecto de la base can´onica es
_
_
_
1 0 1
0 1 0
1 1 1
_
_
_,
calc´ ulese la matriz asociada a f respecto de S.
Soluci´on. a) Para probar que S es una base de I C
3
, reducimos a forma escalonada
la matriz cuyas columnas son los a
i
y vemos que es triangular:
_
_
_
i −2 1
−1 1 + i 0
0 i 1
_
_
_
(1)

_
_
_
i −2 1
0 1 + 3i −i
0 i 1
_
_
_
(2)

_
_
_
i −2 1
0 1 + 3i −i
0 0
9
10
+
3
10
i
_
_
_.
Operaciones realizadas
(1) F
2
−iF
1
.
(2) F
3
−(3/10 +i 1/10)F
2
.
b) Si encontramos la matriz M(B
c
, S) (en donde B
c
denota la base can´oni-
ca de I C
3
), las coordenadas y
1
, y
2
, y
3
se calcular´an, a partir de x
1
, x
2
, x
3
multipli-
cando M(B
c
, S) por el vector (x
1
, x
2
, x
3
) (en columna). Ahora bien, es claro que
M(B
c
, S) = M(S, B
c
)
−1
y que
M(S, B
c
) =
_
_
_
i −2 1
−1 1 + i 0
0 i 1
_
_
_.
Utilizando los m´etodos empleados hasta ahora, el c´alculo de la inversa anterior-
mente mencionada es una simple cuesti´on de cuentas en I C, y se puede verificar que
de hecho
_
_
_
i −2 1
−1 1 +i 0
0 i 1
_
_
_
−1
=
_
_
_

1
3

1
3
i −
2
3

1
3
i
1
3
+
1
3
i

1
3

1
3
i
1
3
1
3
i −
1
3
1 −
1
3
i
_
_
_
Por tanto
138 CAP
´
ITULO 6. APLICACIONES LINEALES
_
_
_
y
1
y
2
y
3
_
_
_ =
_
_
_

1
3

1
3
i −
2
3

1
3
i
1
3
+
1
3
i

1
3

1
3
i
1
3
1
3
i −
1
3
1 −
1
3
i
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_.
y
y
1
= −(
1
3
+
1
3
i)x
1
−(
2
3
+
1
3
i)x
2
+ (
1
3
+
1
3
i)x
3
y
2
= −
1
3
x
1

1
3
ix
2
+
1
3
x
3
y
3
=
1
3
ix
1

1
3
x
2
+ (1 −
1
3
i)x
3
_
¸
_
¸
_
c) Sea B la base can´onica de I C
3
. Se tiene que
M(f; S, S) = M(B, S)M(f; B, B)M(S, B) = M(S, B)
−1
M(f; B, B)M(S, B).
Por tanto M(f, S, S) =
_
_
_

1
3

1
3
i −
2
3

1
3
i
1
3
+
1
3
i

1
3

1
3
i
1
3
1
3
i −
1
3
1 −
1
3
i
_
_
_
_
_
_
1 0 1
0 1 0
1 1 1
_
_
_
_
_
_
i −2 1
−1 1 +i 0
0 i 1
_
_
_ =
_
_
_
1
3

1
3

1
3
i 0

1
3
+
1
3
i
2
3
0

2
3
+
4
3
i −1 +
4
3
i 2
_
_
_
Problema 16 Considere el endomorfismo f de IR
4
cuya matriz asociada es
_
_
_
_
_
4 0 2 −2
−5 0 −2 4
−3 0 −1 3
1 0 1 1
_
_
_
_
_
.
a) Si x = (x
1
, x
2
, x
3
, x
4
) ∈ IR
4
, calc´ ulese la expresi´on de f(x).
b) Calc´ ulese la matriz asociada a f
2
respecto a la base can´onica y pru´ebese que
f
2
= 2f.
c)Pru´ebese que Imf = ¦x; f(x) = 2x¦.
Soluci´on. a) Si f(x
1
, x
2
, x
3
, x
4
) = (y
1
, y
2
, y
3
, y
4
) entonces
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
=
_
_
_
_
_
4 0 2 −2
−5 0 −2 4
−3 0 −1 3
1 0 1 1
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
4x
1
+ 2x
3
−2x
4
−5x
1
−2x
3
+ 4x
4
−3x
1
−x
3
+ 3x
4
x
1
+x
3
+x
4
_
_
_
_
_
.
Por tanto f(x
1
, x
2
, x
3
, x
4
) =
(4x
1
+ 2x
3
−2x
4
, −5x
1
−2x
3
+ 4x
4
, −3x
1
−x
3
+ 3x
4
, x
1
+x
3
+x
4
).
6.3. PROBLEMAS 139
b) M(f
2
) = M(f)
2
=
_
_
_
_
_
4 0 2 −2
−5 0 −2 4
−3 0 −1 3
1 0 1 1
_
_
_
_
_
2
=
_
_
_
_
_
8 0 4 −4
−10 0 −4 8
−6 0 −2 6
2 0 2 2
_
_
_
_
_
.
Como M(2f) = 2M(f), es suficiente comprobar que M(f)
2
= 2M(f).
M(2f) = 2
_
_
_
_
_
4 0 2 −2
−5 0 −2 4
−3 0 −1 3
1 0 1 1
_
_
_
_
_
=
_
_
_
_
_
8 0 4 −4
−10 0 −4 8
−6 0 −2 6
2 0 2 2
_
_
_
_
_
,
luego efectivamente 2f = f
2
c) Llamemos D = ¦x : f(x) = 2x¦. Si v ∈ Imf entonces v = f(w) con w ∈ IR
4
.
As´ı f(v) = f
2
(w) = 2f(w) = 2v, esto es, v ∈ D. Rec´ıprocamente, si z ∈ D entonces
cumple f(z) = 2z, con lo que z = f(
1
2
w) ∈ Imf.
Problema 17 Sea f una aplicaci´on de IR
3
en IR
3
definida por
f(x, y, z) = (x +y, y +z, x +z).
Calcule la expresi´on anal´ıtica de f respecto de la base B = ¦u
1
, u
2
, u
3
¦, siendo u
1
=
e
1
+e
2
+e
3
, u
2
= e
1
+e
2
, u
3
= e
1
y e
1
, e
2
y e
3
los vectores de la base can´onica.
Soluci´on. Sea v = (x, y, z) un vector de IR
3
cuyas coordenadas vienen expresadas
respecto a la base B, entonces
v = xu
1
+yu
2
+zu
3
= x(e
1
+e
2
+e
3
) +y(e
1
+e
2
) +ze
1
= (x +y +z)e
1
+ (x +y)e
2
+xe
3
,
con lo cual f(v) = (x + y + z, x + y, x) = (2x + 2y + z, 2x + y, 2x + y + z). De
esta manera obtenemos que la expresi´on anal´ıtica de f respecto a la base B dada es
f(x, y, z) = (2x + 2y +z, 2x +y, 2x +y +z).
Problema 18 Considere en IR
3
las bases
B = ¦(1, 1, 0), (0, 1, 0), (−1, 0, 1)¦, B

= ¦(0, −1, 0), (1, 0, 0), (0, 0, 1)¦
y el endomorfismo f definido respecto a la base can´onica por,
f(x
1
, x
2
, x
3
) = (2x
1
+ 5x
2
+ 7x
3
, −x
1
+x
3
, −2x
1
−10x
2
−16x
3
)
Halle: a) M(f; B, B

) y M(f; B

, B). b) Ecuaciones cartesianas de Ker(f) respecto
a la base B. c) Ecuaciones param´etricas de Im(f) respecto a la base B y a una base
de Im(f) que se debe calcular. d) Estudie si el vector v, cuyas coordenadas respecto
a la base B son (1, −2, 1)
B
, pertenece a Ker(f) o a Im(f).
140 CAP
´
ITULO 6. APLICACIONES LINEALES
Soluci´on. a) Calculemos las im´agenes mediante f de las vectores de la base B, y
expresemos dichas im´agenes como combinaciones lineales de los vectores de la base
B

.
f(1, 1, 0) = (7, −1, −12) = a(0, −1, 0) +b(1, 0, 0) +c(0, 0, 1) = (b, −a, c),
por tanto a = 1, b = 7, c = −12.
f(0, 1, 0) = (5, 0, −10) = x(0, −1, 0) +y(1, 0, 0) +z(0, 0, 1) = (y, −x, z),
por tanto x = 0, y = 5, z = −10.
f(−1, 0, 1) = (5, 2, −14) = α(0, −1, 0) +β(1, 0, 0) +γ(0, 0, 1) = (β, −α, γ),
por tanto α = −2, β = 5, γ = −14.
As´ı pues la matriz M(f; B, B

) =
_
_
_
1 0 −2
7 5 5
−12 −10 −14
_
_
_.
Para calcular M(f; B

, B) procedemos de igual forma, pero esta vez calculamos
f(v) para todo v ∈ B

y pondremos los resultados como combinaciones lineales de
los vectores de B.
f(0, −1, 0) = (−5, 0, 10) = a(1, 1, 0) +b(0, 1, 0) +c(−1, 0, 1) = (a −c, a +b, c),
por tanto a = 5, b = −5, c = 10.
f(1, 0, 0) = (2, −1, −2) = x(1, 1, 0) +y(0, 1, 0) +z(−1, 0, 1) = (x −z, x +y, z),
por tanto x = 0, y = −1, z = −2.
f(0, 0, 1) = (7, 1, −16) = α(1, 1, 0) +β(0, 1, 0) +γ(−1, 0, 1) = (α −γ, α +β, γ),
por tanto α = −9, β = 10, γ = −16.
De esta manera M(f; B

, B) =
_
_
_
5 0 −9
−5 −1 10
10 −2 −16
_
_
_.
b) Conocemos a partir de a) que
M(f; B, B

) =
_
_
_
1 0 −2
7 5 5
−12 −10 −14
_
_
_,
6.3. PROBLEMAS 141
por tanto las ecuaciones cartesianas de Kerf podr´an ser deducidas a partir de
_
_
_
1 0 −2
7 5 5
−12 −10 −14
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
El sistema de ecuaciones que resulta es
x − 2z = 0
7x + 5y + 5z = 0
−12x − 10y − 14z = 0
_
¸
_
¸
_
y el siguiente paso que debemos dar es encontrar cuales de esas ecuaciones son
linealmente dependientes de las dem´as. Para ello reduciremos la matriz del sistema
a su forma escalonada.
_
_
_
1 0 −2
7 5 5
−12 −10 −14
_
_
_
F
2
−7F
1

_
_
_
1 0 −2
0 5 19
−12 −10 −14
_
_
_
F
3
+12F
1

_
_
_
1 0 −2
0 5 19
0 −10 −38
_
_
_
F
3
+2F
2

_
_
_
1 0 −2
0 5 19
0 0 0
_
_
_
De esta forma observamos que en el sistema de ecuaciones que obtuvimos ante-
riormente, la tercera ecuaci´on es combinaci´on lineal de las dos primeras, con lo cual
podemos asegurar que las ecuaciones cartesianas de Kerf respecto a las bases que
nos indican son
x − 2z = 0
7x + 5y + 5z = 0
_
.
c) Es bien sabido que Imf =< f(1, 1, 0), f(0, 1, 0), f(−1, 0, 1) >, por lo que para
calcular una base de Imf tan s´olo tenemos que ver cu´ales de esos vectores son lineal-
mente independientes.
_
_
_
1 7 −12
0 5 −10
−2 5 −14
_
_
_
F
3
+2F
1

_
_
_
1 7 −12
0 5 −10
0 19 −38
_
_
_
1
5
F
2
,
1
19
F
3

_
_
_
1 7 −12
0 1 −2
0 1 −2
_
_
_
F
3
−F
2

_
_
_
1 7 −12
0 1 −2
0 0 0
_
_
_
Sabemos entonces que
f(1, 1, 0) = (1, 7, −12) y f(0, 1, 0) = (0, 5, −10)
142 CAP
´
ITULO 6. APLICACIONES LINEALES
son linealmente independientes y que forman una base de Imf (tambi´en puede
tomarse como base de Imf el conjunto formado por los vectores no nulos resultantes
en la matriz escalonada, es decir, los vectores (1, 7, −12), (0, 1, −2)).
As´ı, un vector (x, y, z) ∈ IR
3
pertenecer´a a Imf si existen dos n´ umeros reales
λ, β tales que (x, y, z) = λ(1, 7, −12) +β(0, 5, −10), es decir,
x = λ
y = 7λ +5β
z = −12λ −10β
_
¸
_
¸
_
y ´estas son las ecuaciones param´etricas que se nos piden.
d) Las coordenadas de v vienen expresadas respecto a la base B, y tanto las
ecuaciones cartesianas del apartado b) como las param´etricas del c), tambi´en est´an
calculadas respecto a la base B, por tanto lo ´ unico que debemos hacer es comprobar
si v satisface o no las ecuaciones.
As´ı, deducimos que v / ∈ Kerf pues no satisface la primera ecuaci´on cartesiana
(x −2z = 0).
Por otro lado, para estudiar si v ∈ Imf, deberemos ver si el sistema de ecuaciones
λ = 1
7λ + 5β = −2
−12λ −10β = 1
_
¸
_
¸
_
tiene soluci´on, para lo cual calculamos la forma escalonada de la matriz ampliada
del sistema anterior, obteniendo
_
_
_
1 0 1
7 5 −2
−12 −10 1
_
_
_ ≡
_
_
_
1 0 1
0 5 9
0 0 −25
_
_
_
lo que indica que el sistema es incompatible y por tanto que v / ∈ Imf.
Problema 19 Se considera el endomorfismo f de IR
3
definido por
f(x
1
, x
2
, x
3
) = (−x
1
+ 2x
2
, x
2
−x
3
, x
1
+x
3
),
siendo la base de referencia la can´onica. Se pide la expresi´on matricial de f respecto
a las bases
B = ¦(1, 0, 1), (0, −2, 0), (−1, 0, 0)¦
y
B

= ¦(−4, 0, 1), (0, 0, 1), (0, 1, 0)¦.
Soluci´on. Sabemos que
M(f; B, B

) = M(B
c
, B

)M(f; B
c
, B
c
)M(B, B
c
)
6.3. PROBLEMAS 143
en donde B
c
denota la base can´onica de IR
3
. Es claro adem´as que
M(B
c
, B

) = M(B

, B
c
)
−1
=
_
_
_
−4 0 0
0 0 1
1 1 0
_
_
_
−1
y que M(B, B
c
) =
_
_
_
1 0 −1
0 −2 0
1 0 0
_
_
_. Por otro lado la informaci´on del ejercicio arroja
que
M(f; B
c
, B
c
) =
_
_
_
−1 2 0
0 1 −1
1 0 1
_
_
_.
Calculemos pues
_
_
_
−4 0 0
0 0 1
1 1 0
_
_
_
−1
_
_
_
−4 0 0 1 0 0
0 0 1 0 1 0
1 1 0 0 0 1
_
_
_
−1
4
F
1

_
_
_
1 0 0 −1/4 0 0
0 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
3
−F
1

_
_
_
1 0 0 −1/4 0 0
0 0 1 0 1 0
0 1 0 1/4 0 1
_
_
_
F
2
↔F
3

_
_
_
1 0 0 −1/4 0 0
0 1 0 1/4 0 1
0 0 1 0 1 0
_
_
_.
As´ı
M(f; B, B

) =
_
_
_
−1/4 0 0
1/4 0 1
0 1 0
_
_
_
_
_
_
−1 2 0
0 1 −1
1 0 1
_
_
_
_
_
_
1 0 −1
0 −2 0
1 0 0
_
_
_ =
_
_
_
1/4 −1/2 0
3/4 1/2 1
0 1 −1
_
_
_
_
_
_
1 0 −1
0 −2 0
1 0 0
_
_
_ =
_
_
_
1/4 1 −1/4
7/4 −1 −3/4
−1 −2 0
_
_
_
Problema 20 En IR
3
se considera la base B = ¦e
1
, e
2
, e
3
¦ y el endomorfismo f
definido respecto a la base B por, f(x
1
e
1
+x
2
e
2
+x
3
e
3
) = (x
1
−2x
3
)e
1
+ (x
1
+x
2

x
3
)e
2
+ (−x
1
+ 2x
3
)e
3
.
Halle: a) Ecuaci´on matricial de f respecto a la base B. b) Ecuaciones param´e-
tricas de Ker(f) respecto a la base B y a una base del n´ ucleo que se debe calcular.
c) Ecuaciones cartesianas de Im(f) respecto a la base B.
Soluci´on. a) Dada la expresi´on de f se tiene que f(e
1
) = e
1
+ e
2
− e
3
, f(e
2
) = e
2
y que f(e
3
) = −2e
1
− e
2
+ 2e
3
, por tanto M(f; B, B) =
_
_
_
1 0 −2
1 1 −1
−1 0 2
_
_
_, y as´ı la
144 CAP
´
ITULO 6. APLICACIONES LINEALES
expresi´on matricial es
f(x, y, z) =
_
_
_
1 0 −2
1 1 −1
−1 0 2
_
_
_
_
_
_
x
y
z
_
_
_.
b) El n´ ucleo de f vendr´ a determinado por la condici´on
_
_
_
1 0 −2
1 1 −1
−1 0 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_,
es decir,
x − 2z = 0
x + y − z = 0
−x + 2z = 0
_
¸
_
¸
_
_
_
_
1 0 −2
1 1 −1
−1 0 2
_
_
_
F
2
−F
1

_
_
_
1 0 −2
0 1 1
−1 0 2
_
_
_
F
3
+F
1

_
_
_
1 0 −2
0 1 1
0 0 0
_
_
_.
Llegamos a que Kerf = ¦(x, y, z); x = 2z, y = −z¦. Como dim(Kerf) =
3−n
o
ec.cartesianas de Kerf = 1, si tomamos por ejemplo el valor z = 1, obtenemos
que (2, −1, 1) ∈ Kerf y as´ı el conjunto A = ¦(2, −1, 1)¦ es una base de Kerf.
Un vector (x, y, z) pertenecer´a a Kerf si existe un n´ umero real α tal que
(x, y, z) = α(2, −1, 1),
o, lo que es lo mismo,
x = 2α
y = α
z = α
_
¸
_
¸
_
,
y ´estas son las ecuaciones param´etricas de Kerf respecto a B y a A.
c) Imf =< f(e
1
), f(e
2
), f(e
3
) >.
_
_
_
1 1 −1
0 1 0
−2 −1 2
_
_
_
F
3
+2F
1

_
_
_
1 1 −1
0 1 0
0 1 0
_
_
_
F
3
−F
2

_
_
_
1 1 −1
0 1 0
0 0 0
_
_
_.
Obtenemos as´ı que una base para Imf es por ejemplo H = ¦e
1
+ e
2
− e
3
, e
2
¦,
con lo que un vector (x, y, z) estar´a en Imf si ∃α, β ∈ IR tales que (x, y, z) =
α(e
1
+e
2
−e
3
) +βe
2
, es decir
x = α
y = α + β
z = −α
_
¸
_
¸
_
.
6.3. PROBLEMAS 145
Como dim(Imf) = 2 el n´ umero de ecuaciones cartesianas de Imf ser´a 1, y de
las ecuaciones param´etricas se obtiene inmediatamente que la ecuaci´on cartesiana de
Imf (respecto a B y a H) es
x +z = 0.
Problema 21 Sean B
1
= ¦e
1
, e
2
, e
3
, e
4
¦ y B
2
= ¦u
1
, u
2
, u
3
, u
4
, u
5
¦ las bases ca-
n´onicas de IR
4
y IR
5
respectivamente. Consid´erese la aplicaci´on lineal f: IR
4
→ IR
5
definida por: f(e
1
) = u
1
+u
3
−u
5
, f(e
2
) = 2u
2
−u
3
+u
4
+2u
5
, f(e
3
) = u
1
+2u
2
+u
4
+u
5
,
f(e
4
) = u
1
+ 4u
2
−u
3
+ 2u
4
+ 3u
5
. Se pide:
a) Matriz de f en las bases can´onicas de IR
4
y IR
5
. Halle la imagen del vector
(1, 3, 2, 0). Halle adem´as las ecuaciones de f respecto a B
1
y B
2
.
b) Matriz de f en la base B
3
= ¦e
1
+e
2
, e
2
−e
3
, e
1
+e
3
+e
4
, e
3
−e
4
¦ de IR
4
y la
can´onica de IR
5
. Halle f(v) sabiendo que las coordenadas de v respecto a la base B
3
son (2, −1, 4, −3).
c) Halle bases de Ker(f) e Im(f) y calcule sus dimensiones.
d) Halle un subespacio V de IR
4
tal que la restricci´on de f a V sea inyectiva y
tenga la misma imagen que f.
Soluci´on. a) La informaci´on del ejercicio arroja inmediatamente que
M(f; B
1
, B
2
) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 −1 0 −1
0 1 1 2
−1 2 1 3
_
_
_
_
_
_
_
_
.
De esta forma f(1, 3, 2, 0) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 −1 0 −1
0 1 1 2
−1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
1
3
2
0
_
_
_
_
_
=
_
_
_
_
_
_
_
_
3
10
−2
5
7
_
_
_
_
_
_
_
_
.
Una vez conocida M(f, B
1
, B
2
), la expresi´on matricial de f en las bases can´onicas
ser´a:
_
_
_
_
_
_
_
_
y
1
y
2
y
3
y
4
y
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 −1 0 −1
0 1 1 2
−1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
_
_
_
x
1
+x
3
+x
4
2x
2
+ 2x
3
+ 4x
4
x
1
−x
2
−x
4
x
2
+x
3
+ 2x
4
−x
1
+ 2x
2
+x
3
+ 3x
4
_
_
_
_
_
_
_
_
.
Por tanto las ecuaciones de f son:
y
1
= x
1
+x
3
+x
4
y
2
= 2x
2
+ 2x
3
+ 4x
4
y
3
= x
1
−x
2
−x
4
y
4
= x
2
+x
3
+ 2x
4
y
5
= −x
1
+ 2x
2
+x
3
+ 3x
4
146 CAP
´
ITULO 6. APLICACIONES LINEALES
b) M(f; B
3
, B
2
) = M(f; B
1
, B
2
)M(B
3
, B
1
). Ahora bien, est´a claro que
M(B
3
, B
1
) =
_
_
_
_
_
1 0 1 0
1 1 0 0
0 −1 1 1
0 0 1 −1
_
_
_
_
_
,
ya que los vectores de B
3
est´an expresados respecto a la base B
1
. Por tanto
M(f; B
3
, B
2
) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 −1 0 −1
0 1 1 2
−1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 1 0
1 1 0 0
0 −1 1 1
0 0 1 −1
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1 −1 3 0
2 0 6 −2
0 −1 0 1
1 0 3 −1
1 1 3 −2
_
_
_
_
_
_
_
_
Dado que las coordenadas del vector v est´an expresadas respecto a B
3
, se tiene
que
f(v) =
_
_
_
_
_
_
_
_
1 −1 3 0
2 0 6 −2
0 −1 0 1
1 0 3 −1
1 1 3 −2
_
_
_
_
_
_
_
_
_
_
_
_
_
2
−1
4
−3
_
_
_
_
_
=
_
_
_
_
_
_
_
_
15
34
−2
17
19
_
_
_
_
_
_
_
_
.
c) Sabemos que
Imf =< (1, 0, 1, 0, −1), (0, 2, −1, 1, 2), (1, 2, 0, 1, 1), (1, 4, −1, 2, 3) > .
Ahora bien
_
_
_
_
_
1 0 1 0 −1
0 2 −1 1 2
1 2 0 1 1
1 4 −1 2 3
_
_
_
_
_
F
3
−F
1

_
_
_
_
_
1 0 1 0 −1
0 2 −1 1 2
0 2 −1 1 2
1 4 −1 2 3
_
_
_
_
_
F
4
−F
1

_
_
_
_
_
1 0 1 0 −1
0 2 −1 1 2
0 2 −1 1 2
0 4 −2 2 4
_
_
_
_
_
F
3
−F
2

_
_
_
_
_
1 0 1 0 −1
0 2 −1 1 2
0 0 0 0 0
0 4 −2 2 4
_
_
_
_
_
F
4
−2F
2

_
_
_
_
_
1 0 1 0 −1
0 2 −1 1 2
0 0 0 0 0
0 0 0 0 0
_
_
_
_
_
,
lo que significa que una base de Imf es por ejemplo
¦(1, 0, 1, 0, −1), (0, 2, −1, 1, 2)¦,
y por tanto que dim(Imf) = 2. Como dim(IR
4
) −dim(Kerf) = dim(Imf), deduci-
mos que dim(Kerf) = 2.
Para hallar una base de Ker f reducimos sus ecuaciones cartesianas
x
1
+x
3
+x
4
= 0
2x
2
+ 2x
3
+ 4x
4
= 0
x
1
−x
2
−x
4
= 0
x
2
+x
3
+ 2x
4
= 0
−x
1
+ 2x
2
+x
3
+ 3x
4
= 0
6.3. PROBLEMAS 147
a forma escalonada, obteniendo:
x
1
+x
3
+x
4
= 0
x
2
+x
3
+ 2x
4
= 0
Si asignamos par´ametros a las variables libres del sistema escalonado, x
3
= α, x
4
= β,
nos queda x
1
= −α−β, x
2
= −α−2β. Entonces un vector arbitrario (x
1
, x
2
, x
3
, x
4
)
de Ker f puede escribirse de manera ´ unica como
(x
1
, x
2
, x
3
, x
4
) = α(−1, −1, 1, 0) +β(−1, −2, 0, 1).
Se concluye pues que ¦(−1, −1, 1, 0), (−1, −2, 0, 1)¦ es una base de Ker f.
d) Un suplemento de Ker f cumple las condiciones del enunciado: si IR
4
=
Ker f ⊕ W entonces f(w) ,= 0 para todo w ∈ W ya que W ∩ Ker f = ¦0¦. Esto
quiere decir que f [
W
es inyectiva. Adem´as, dado x ∈ IR
4
, ´este se escribe de manera
´ unica como x = v+w, con v ∈ Ker f y w ∈ W. Entonces f(x) = f(v)+f(w) = f(w).
Eso quiere decir que f(IR
4
) = f(W), esto es, Imf [
W
= Imf.
Para calcular un suplemento de Ker f, se ampl´ıa la base anterior del Ker f hasta
obtener una base de IR
4
. Por cualquiera de los m´etodos conocidos, es f´acil ver que
se puede tomar como base ampliada la siguiente:
¦(−1, −1, 1, 0), (−1, −2, 0, 1), (0, 0, 1, 0), (0, 0, 0, 1)¦.
As´ı, el suplemento de Ker f ser´a W =< (0, 0, 1, 0), (0, 0, 0, 1) > .
148 CAP
´
ITULO 6. APLICACIONES LINEALES
Cap´ıtulo 7
Diagonalizaci´on de matrices
7.1 Valores y vectores propios
Sea V un K-espacio vectorial de dimensi´on n, y f ∈ End
K
(V ) un endomorfismo
de V .
Definici´on 7.1.1 a) Un escalar t ∈ K es un valor propio de f si existe un vector
no nulo v ∈ V tal que f(v) = tv.
b) Un vector propio asociado al valor propio t ∈ K de f, es todo vector no nulo
v ∈ V tal que f(v) = tv.
Ejemplos. 1. Sea f : IR
2
→ IR
2
el endomorfismo f(x, y) = (2x, −y). Entonces
f(1, 0) = (2, 0) = 2(1, 0). Eso quiere decir que el escalar 2 de IR es un valor propio
de f y (1, 0) es un vector propio de f asociado a 2.
2. Para f del apartado anterior tambi´en es f´acil comprobar que (0, 1) es un vector
propio asociado al valor propio −1.
Lema 7.1.2 Para cualquier f ∈ End
K
(V ) se tiene:
a) V (t) = ¦v ∈ V [ f(v) = tv¦ es un subespacio de V (llamado subespacio propio
asociado a t).
b) Si t
1
,= t
2
son dos valores propios de f, entonces V (t
1
) ∩ V (t
2
) = ¦0¦.
c) Si t
1
,..., t
s
son valores propios de f distintos y escogemos v
i
∈ V (t
i
) − ¦0¦
para todo i = 1, ..., s, entonces ¦v
1
, ..., v
s
¦ son linealmente independientes.
d) Si t es un valor propio de f, entonces V (t) es un subespacio de V invariante
respecto de f; esto es, f(V (t)) ⊆ V (t).
Ejemplos. 1. Consideramos el endomorfismo del ejemplo anterior. Se tiene que
V (2) =< (1, 0) > ya que si f(a, b) = 2(a, b), entonces (2a, −b) = 2(a, b), con lo cual
−b = b; es decir, b = 0. Igualmente se comprueba que V (−1) =< (0, 1) >. Es claro
que V (2) ∩ V (−1) = ¦0¦.
2. Veamos que si escogemos un vector propio no nulo de cada subespacio pro-
pio del apartado 1 se obtiene un conjunto de vectores linealmente independiente.
149
150 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Consideramos (1, 0) ∈ V (2) y (0, 1) ∈ V (−1), entonces claramente ¦(1, 0), (0, 1)¦ es
linealmente independiente (de hecho es la base can´onica de IR
2
).
Vamos a verificar que V (2) es un subespacio invariante respecto de f: tomamos
(a, 0) ∈ V (2) un vector cualquiera. Entonces f(a, 0) = 2(a, 0) = 2a(1, 0) el cual
pertenece al V (2) = (1, 0) por definici´on de < (1, 0) >. Por tanto se verifica que
f(V (2)) ⊆ V (2).
Proposici´on 7.1.3 1) Si t ∈ K es un valor propio de f ∈ End
K
(V ), entonces
V (t) = Ker(f −t id
V
).
2) t ∈ K es un valor propio de f ∈ End
K
(V ) si y s´olo si f −tid
V
no es inyectiva.
Ejemplos. 1. Sea g : IR
3
→IR
3
el endomorfismo g(x, y, z) = (5z, 3y, 2x −z). Como
g(0, 1, 0) = (0, 3, 0) = 3(0, 1, 0) se tiene que 3 es un valor propio de g. Un elemento
(a, b, c) ∈ IR
3
pertenece a V (3) si y s´olo si f(a, b, c) = 3(a, b, c); esto es, si y s´olo si
f(a, b, c) −3(a, b, c) = (0, 0, 0). Pero f(a, b, c) −3(a, b, c) = (f −3 id
IR
3)(a, b, c). Por
tanto
V (3) = ¦(a, b, c) ∈ IR
3
[ (f −3 id
IR
3)(a, b, c) = (0, 0, 0)¦ = Ker(f −3 id
IR
3).
2. Ilustremos el apartado (2) de la proposici´on anterior con el valor propio 3 del
endomorfismo g: para que 3 sea un valor propio de g es necesario y suficiente que
exista al menos un vector propio (no nulo) asociado a este valor propio. Esto quiere
decir que V (3) existe y es no nulo. Como V (3) = Ker(f − 3 id
IR
3) ,= ¦0¦ se sigue
que f −3 id
IR
3 no es inyectiva.
7.2 Interpretaci´on matricial
Sea f un endomorfismo de un K-espacio vectorial V de dimensi´on n. Consider-
amos B = ¦v
1
, ..., v
n
¦ una base de V y sea X

= AX la ecuaci´on de f respecto a la
base B, donde A = (a
ij
) ∈ M
n
(K).
El escalar t ∈ K es un valor propio de f si y s´olo si la matriz A−tI
n
es no regular.
Por tanto los valores propios de f son los escalares t para los que [A −tI
n
[ = 0.
Ejemplos. Sea f : IR
3
→ IR
3
el endomorfismo dado por f(x, y, z) = (2x, −y, 3z).
Respecto a la base can´onica de IR
3
, f tiene como matriz asociada:
A = M(f, B
c
) =
_
_
_
2 0 0
0 −1 0
0 0 3
_
_
_.
Un escalar r ∈ IR
3
es un valor propio de f si y s´olo si V (r) = Ker(f − r id
IR
3)
es no nulo, o, lo que es lo mismo, f − r id
IR
3 no es inyectiva. Pero esto ´ ultimo es
equivalente a que f −r id
IR
3 no sea un isomorfismo (ya que estamos trabajando con
un endomorfismo de un espacio de dimensi´on finita). Sabemos que un endomorfismo
es un isomorfismo si y s´olo si cualquier matriz asociada respecto de cualquier base a
7.2. INTERPRETACI
´
ON MATRICIAL 151
´el es regular. As´ı, para que r sea un valor propio de f debe suceder que A−rI
3
sea
no regular, es decir, [A −r.I
3
[ = 0.
Si calculamos el determinante anterior tenemos que
[A −r.I
3
[ =
¸
¸
¸
¸
¸
¸
¸
2 −r 0 0
0 −1 −r 0
0 0 3 −r
¸
¸
¸
¸
¸
¸
¸
= (2 −r)(−1 −r)(3 −r).
Se concluye que los valores de r que anulan al determinante, y que por tanto son
los valores propios de f, son 2, −1 y 3.
Definici´on 7.2.1 El polinomio de grado n, p
f
(x) = [A − xI
n
[ ∈ K[x], es llamado
polinomio caracter´ıstico de f.
Proposici´on 7.2.2 Si se toma otra base B

de V y se considera A

= M(f, B

, B

),
el polinomio q
f
(x) = [A

−xI
n
[ coincide con p
f
(x). Por tanto, p
f
(x) no depende de
la base escogida y as´ı est´a bien definido.
Definici´on 7.2.3 Si t
0
es una ra´ız m´ ultiple de p
f
(x) con orden de multiplicidad m
0
,
se dir´a que t
0
es un valor propio de orden m
0
de f; si t
0
es una ra´ız simple de p
f
(x),
se dir´a que es un valor propio simple de f.
Elegida una base B de V , y si A es la matriz asociada a f respecto a B, los
vectores propios asociados al valor propio t son aquellos vectores no nulos tales que
la matriz columna de sus coordenadas, Y ∈ M
n×1
(K), satisface (A − tI
n
)Y = 0; es
decir, son los vectores v ∈ V tales que sus coordenadas respecto de B, (y
1
, ..., y
n
)
B
,
constituyen una soluci´on no nula del sistema homog´eneo de ecuaciones lineales:
_
¸
¸
¸
_
¸
¸
¸
_
(a
11
−t)x
1
+a
12
x
2
+ +a
1n
x
n
= 0
a
21
x
1
+ (a
22
−t)x
2
+ +a
2n
x
n
= 0

a
n1
x
1
+a
n2
x
2
+ + (a
nn
−t)x
n
= 0
Ejemplo. Vamos a determinar los subespacios de vectores propios asociados a todos
los valores propios del endomorfismo h : IR
3
→ IR
3
dado por h(x, y, z) = (x + y −
z, −y +z, z).
En primer lugar calculamos todos los valores propios resolviendo la ecuaci´on
[A − t I
3
[ = 0, donde A es la matriz de h respecto de la base can´onica de IR
3
. Se
tiene
[A −t I
3
[ =
¸
¸
¸
¸
¸
¸
¸
1 −t 1 −1
0 −1 −t 1
0 0 1 −t
¸
¸
¸
¸
¸
¸
¸
= (1 −t)
2
(−1 −t).
Por tanto se obtienen dos valores propios, 1 con multiplicidad 2 y −1 con multipli-
cidad 1.
152 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Para hallar V (1) debemos resolver el sistema homog´eneo
_
¸
_
¸
_
(1 −1)x +y −z = 0
(−1 −1)y +z = 0
(1 −1)z = 0
Su soluci´on es V (1) =< (1, 0, 0) >.
Ahora calculamos V (−1) de igual manera:
_
¸
_
¸
_
(1 −(−1))x +y −z = 0
(−1 −(−1))y +z = 0
(1 −(−1))z = 0
Su soluci´on es V (−1) =< (1, −2, 0) >.
Proposici´on 7.2.4 Con la notaci´on anterior se tiene que
dim(V (t)) = dim(Ker(f −t id
V
)) = n −dim(Im(f −t id
V
)) = n −r(A −tI
n
).
7.3 El teorema fundamental
Proposici´on 7.3.1 Sea f un endomorfismo de un K-espacio vectorial V de di-
mensi´on n. Para cualquier valor propio t de f, si s es su multiplicidad y d =
dim(V (t)), entonces 1 ≤ d ≤ s.
Ejemplo. Consideramos el endomorfismo h : IR
3
→ IR
3
dado por h(x, y, z) =
(x +y −z, −y +z, z). El valor propio 1 tiene multiplicidad 2 y V (1) tiene dimensi´on
1, por tanto 1 ≤ dimV (1) ≤ multiplicidad de 1 = 2. Tambi´en el valor propio −1
tiene multiplicidad 1 y dimV (−1) = 1, con lo que tambi´en se verifica la desigualdad
anterior.
Definici´on 7.3.2 1) Sea f un endomorfismo de un K-espacio vectorial V de di-
mensi´on n. Diremos que f es diagonalizable si existe una base B de V tal que
M(f, B, B) es una matriz diagonal.
2) Una matriz A ∈ M
n
(K) se dir´a que es diagonalizable si A es semejante a
una matriz diagonal; esto es, existen una matriz regular P ∈ M
n
(K) y una matriz
diagonal D tales que A = P
−1
DP.
Proposici´on 7.3.3 Sea f un endomorfismo de un K-espacio vectorial V de di-
mensi´on n. f es diagonalizable si y s´olo si V posee una base formada por vectores
propios de f.
Teorema 7.3.4 Sea f un endomorfismo de un K-espacio vectorial V de dimensi´on
n y B una base de V . Consideramos A = M(f, B, B). Supongamos que los valores
propios de f son t
1
,..., t
r
, con ´ordenes s
1
,..., s
r
respectivamente, y dim(V (t
i
)) = d
i
,
i = 1, ..., r.
Las siguientes afirmaciones son equivalentes:
i) f es diagonalizable.
ii) s
1
+ +s
r
= n y d
i
= s
i
para todo i = 1, ..., r.
7.3. EL TEOREMA FUNDAMENTAL 153
Teorema 7.3.5 Sea A una matriz cuadrada de orden n sobre K. Supongamos que
los valores propios de A (esto es, la ra´ıces del polinomio caracter´ıstico de A, p
A
(x) =
[A−xI
n
[) son t
1
,..., t
r
, con ´ordenes s
1
,..., s
r
respectivamente, y r(A−t
i
I
n
) = n−d
i
,
i = 1, ..., r.
Las siguientes afirmaciones son equivalentes:
i) A es diagonalizable.
ii) s
1
+ +s
r
= n y d
i
= s
i
para todo i = 1, ..., r.
El m´etodo para diagonalizar una matriz cuadrada A es el siguiente: se trata de
hallar P ∈ M
n
(K) tal que P
−1
AP sea diagonal. Las columnas de la matriz P deben
formar una base de vectores propios. As´ı lo que se hace es calcular, para cada valor
propio de A, una base de vectores propios del subespacio propio asociado. Despu´es,
uniendo todas las bases encontradas, se obtiene la base de vectores propios requerida.
Problema 22 Pruebe que para cualquier matriz cuadrada A y cualquier matriz
regular P, se verifica que (P
−1
AP)
n
= P
−1
A
n
P. M´as generalmente pruebe que
f(P
−1
AP) = P
−1
f(A)P para todo polinomio f.
Soluci´on. Procedemos por inducci´on sobre n.
Para n = 1, el resultado es trivialmente cierto.
Supongamos que (P
−1
AP)
n−1
= P
−1
A
n−1
P, entonces
(P
−1
AP)
n
= (P
−1
AP)
n−1
(P
−1
AP) =
(hip´otesis de inducci´on)
= (P
−1
A
n−1
P)(P
−1
AP) = P
−1
A
n−1
AP = P
−1
A
n
P.
Por ´ ultimo, si f(x) =

m
i=0
a
i
x
i
, entonces
f(P
−1
AP) =
m

i=0
a
i
(P
−1
AP)
i
=
m

i=0
a
i
P
−1
A
i
P = P
−1
(
m

i=0
a
i
A
i
)P = P
−1
f(A)P.
Problema 23 Sea A =
_
5 6
−2 −2
_
. Calcule: a) todos los valores propios y todos
los vectores propios linealmente independientes; b) una matriz P tal que P
−1
AP sea
diagonal; c) A
10
y f(A), en donde f(t) = t
4
− 5t
3
+ 7t
2
− 2t + 5; d) una matriz B
tal que B
2
= A.
Soluci´on. a) Se tiene que
Det(A −dI
2
) =
¸
¸
¸
¸
¸
5 −d 6
−2 −2 −d
¸
¸
¸
¸
¸
= (d −2)(d −1).
Por tanto d = 1, d = 2, son los valores propios de A.
154 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Para calcular los vectores propios linealmente independientes calcularemos las
ecuaciones cartesianas de los subespacios propios V (2) y V (1) asociados a cada valor
propio. La ecuaci´on cartesiana de V (2) se obtiene a partir de la igualdad
_
5 6
−2 −2
__
x
y
_
=
_
2x
2y
_
,
esto es,
_
5 −2 6
−2 −2 −2
__
x
y
_
=
_
0
0
_
.
Por tanto
_
x + 2y = 0
−2x −4y = 0
son las ecuaciones cartesianas que se obtiene. Como se observa, la segunda ecuaci´on
se puede eliminar y as´ı ¦(−2, 1)¦ es una base para V (2).
Para V (1) se procede igual, las ecuaciones cartesianas son obtenidas a partir de
la igualdad:
_
5 −1 6
−2 −2 −1
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtienen
_
4x + 6y = 0
−2x −3y = 0
La primera ecuaci´on se puede eliminar y entonces ¦(−3, 2)¦ es una base de V (1).
Se concluye que ¦(−2, 1), (−3, 2)¦ es una base de vectores propios. Como la
multiplicidad de cada valor propio en el polinomio caracter´ıstico coincide con la
dimensi´on del respectivo subespacio propio (en los dos casos igual a 1) y la suma
de multiplicidades es igual al tama˜ no de la matriz, entonces A es diagonalizable con
matriz diagonal
D =
_
2 0
0 1
_
.
b) La matriz de paso P es precisamente la que se obtiene al situar en columna
los vectores de la base de vectores propios, esto es,
P =
_
−2 −3
1 2
_
.
c) Se comprueba f´acilmente que P
−1
= P. Entonces, en virtud del problema 22,
A
10
= (PDP
−1
)
10
= PD
10
P =
_
−2 −3
1 2
__
2
10
0
0 1
10
_
_
−2 −3
1 2
_
=
_
−2 2
10
−3
2
10
2
__
−2 −3
1 2
_
=
_
4093 6138
−2046 −3068
_
.
7.3. EL TEOREMA FUNDAMENTAL 155
Tambi´en,
f(A) = Pf(D)P =
_
−2 −3
1 2
__
f(2) 0
0 f(1)
__
−2 −3
1 2
_
=
_
−2 −3
1 2
__
5 0
0 6
__
−2 −3
1 2
_
=
_
2 −6
2 9
_
.
d) Para encontrar una matriz B tal que B
2
= A es suficiente obtener otra C tal
que C
2
= D, ya que (PCP
−1
)
2
= PC
2
P
−1
= PDP
−1
= A. Es sencillo comprobar
que
C =
_ √
2 0
0 1
_
.
156 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
7.4 Problemas
Problema 1 Para cada una de las siguientes matrices, encuentre todos los valores
propios y una base de cada espacio propio:
a) A =
_
_
_
3 1 1
2 4 2
1 1 3
_
_
_, b) B =
_
_
_
1 2 2
1 2 −1
−1 1 4
_
_
_, c) C =
_
_
_
1 1 0
0 1 0
0 0 1
_
_
_.
Cuando sea posible, calcule tres matrices inversibles P
1
, P
2
, y P
3
tales que P
−1
1
AP
1
,
P
−1
2
BP
2
y P
−1
3
CP
3
sean matrices diagonales.
Soluci´on. a) Se tiene que
Det(A −dI
3
) =
¸
¸
¸
¸
¸
¸
¸
3 −d 1 1
2 4 −d 2
1 1 3 −d
¸
¸
¸
¸
¸
¸
¸
= −(d −2)
2
(d −6).
Por tanto, los valores propios de A son d = 2 (doble), d = 6.
Base de V (2):
_
_
_
3 −2 1 1
2 4 −2 2
1 1 3 −2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x +y +z = 0.
Se tiene pues la siguiente base para V (2) :
B
2
= ¦(−1, 0, 1), (−1, 1, 0)¦.
Base de V (6):
_
_
_
3 −6 1 1
2 4 −6 2
1 1 3 −6
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtienen dos ecuaciones cartesianas independientes:
x −z = 0, y −2z = 0.
Se tiene pues la siguiente base para V (6) :
B
6
= ¦(1, 2, 1)¦.
7.4. PROBLEMAS 157
Ya que la suma de multiplicidades de los valores propios es igual que el tama˜ no de
A y como dimV (2) = 2 es igual a la multiplicidad del valor propio 2 en el polinomio
caracter´ıstico, as´ı como dimV (6) = 1 es tambi´en igual a la multiplicidad del valor
propio 6 en el polinomio caracter´ıstico, se sigue que A es diagonalizable con matriz
diagonal
D
1
=
_
_
_
2 0 0
0 2 0
0 0 6
_
_
_.
La matriz del paso P
1
ser´ıa la resultante de ubicar en columna los vectores de la
base de vectores propios
B = ¦(−1, 0, 1), (−1, 1, 0), (1, 2, 1)¦,
esto es,
P
1
=
_
_
_
−1 −1 1
0 1 2
1 0 1
_
_
_.
b) Se tiene que
Det(B −dI
3
) =
¸
¸
¸
¸
¸
¸
¸
1 −d 2 2
1 2 −d −1
−1 1 4 −d
¸
¸
¸
¸
¸
¸
¸
= −(d −3)
2
(d −1).
Por tanto, los valores propios de A son d = 3 (doble), d = 1.
Base de V (3):
_
_
_
1 −3 2 2
1 2 −3 −1
−1 1 4 −3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x −y −z = 0.
Se tiene pues la siguiente base para V (3) :
B
3
= ¦(1, 0, 1), (1, 1, 0)¦.
Base de V (1):
_
_
_
1 −1 2 2
1 2 −1 −1
−1 1 4 −1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtienen dos ecuaciones cartesianas independientes:
x −2z = 0, y +z = 0.
158 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Se tiene pues la siguiente base para V (1) :
B
1
= ¦(2, −1, 1)¦.
Ya que la suma de multiplicidades de los valores propios es igual que el tama˜ no de
B y como dimV (3) = 2 es igual a la multiplicidad del valor propio 3 en el polinomio
caracter´ıstico, as´ı como dimV (1) = 1 es tambi´en igual a la multiplicidad del valor
propio 1 en el polinomio caracter´ıstico, se sigue que B es diagonalizable con matriz
diagonal
D
2
=
_
_
_
3 0 0
0 3 0
0 0 1
_
_
_.
La matriz del paso P
2
ser´ıa la resultante de ubicar en columna los vectores de la
base de vectores propios
B

= ¦(1, 0, 1), (1, 1, 0), (2, −1, 1)¦,
esto es,
P
2
=
_
_
_
1 1 2
0 1 −1
1 0 1
_
_
_.
c) Se tiene que
Det(C −dI
3
) =
¸
¸
¸
¸
¸
¸
¸
1 −d 1 0
0 1 −d 0
0 0 1 −d
¸
¸
¸
¸
¸
¸
¸
= −(d −1)
3
.
Por tanto, los valores propios de A son d = 1 (triple).
Base de V (1):
_
_
_
1 −1 1 0
0 1 −1 0
0 0 1 −1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
y = 0.
Se tiene pues la siguiente base para V (1) :
B
1
= ¦(0, 0, 1), (1, 0, 0)¦.
Como la multiplicidad de d = 1 en el polinomio caracter´ıstico (que es 3) es
distinta de dimV (1) = 2, se sigue que C no es diagonalizable.
7.4. PROBLEMAS 159
Problema 2 Considere las matrices
A =
_
2 −1
1 4
_
y B =
_
3 −1
13 −3
_
.
Encuentre todos los valores propios y todos los vectores propios linealmente indepen-
dientes suponiendo que: a) A y B son matrices sobre el cuerpo de los n´ umeros reales
IR, b) A y B son matrices sobre el cuerpo complejo I C.
Soluci´on. Se tiene que
Det(A −dI
2
) =
¸
¸
¸
¸
¸
2 −d −1
1 4 −d
¸
¸
¸
¸
¸
= (d −3)
2
.
Por tanto, los valores propios de A son d = 3 (doble).
Base de V (3):
_
2 −3 −1
1 4 −3
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x +y = 0.
Se tiene pues la siguiente base para V (3) :
B
3
= ¦(1, −1)¦.
Los c´alculos realizados son v´alidos tanto para IR como para I C.
Para B tenemos que
Det(B −dI
2
) =
¸
¸
¸
¸
¸
3 −d −1
13 −3 −d
¸
¸
¸
¸
¸
= d
2
+ 4.
Por tanto, en IR la matriz B no tiene valores ni vectores propios.
En I C la matriz B tiene los valores propios d = 2i, d = −2i.
Base de V (2i):
_
3 −2i −1
13 −3 −2i
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
13x −(3 + 2i)y = 0.
Se tiene pues la siguiente base para V (2i) :
B
2i
= ¦(3 + 2i, 13)¦.
160 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Base de V (−2i):
_
3 + 2i −1
13 −3 + 2i
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
13x −(3 −2i)y = 0.
Se tiene pues la siguiente base para V (−2i) :
B
−2i
= ¦(3 −2i, 13)¦.
Problema 3 Suponga que v es un vector propio de dos matrices A y B. Pruebe
que v es tambi´en vector propio de la matriz kA + k

B, donde k y k

son escalares
cualesquiera.
Soluci´on. Sean d y d

valores propios de A y B respectivamente correspondientes al
vector propio v. Entonces tenemos (kA + k

B)v = k(Av) + k

(Bv) = kdv + k

d

v =
(kd +k

d

)v. As´ı v es un vector propio de kA +k

B con valor propio kd +k

d

.
Problema 4 Suponga que v es un vector propio correspondiente al valor propio λ de
una matriz A. Pruebe que para n > 0 v es tambi´en un vector propio correspondiente
al valor propio λ
n
de la matriz A
n
.
Soluci´on. Probamos el resultado utilizando inducci´on sobre n.
El resultado es cierto por hip´otesis para n = 1.
Supongamos que el resultado es cierto para n − 1, esto es, A
n−1
v = λ
n−1
v.
Entonces A
n
v = A(A
n−1
v) = A(λ
n−1
v) = λ
n−1
Av = λ
n−1
λv = λ
n
v. As´ı el resultado
se mantiene para n. Por inducci´on, el resultado es cierto para todo n > 0.
Problema 5 Dada la matriz
A =
_
_
_
4 1 −1
2 5 −2
1 1 2
_
_
_.
Calcule: a) el polinomio caracter´ıstico de A; b) los valores propios de A; c) un
conjunto maximal de vectores propios linealmente independientes de A; d) ¿Es dia-
gonalizable la matriz A? En caso afirmativo encuentre una matriz P tal que P
−1
AP
sea una matriz diagonal.
Soluci´on. a) Polinomio caracter´ıstico:
Det(A −dI
3
) =
¸
¸
¸
¸
¸
¸
¸
4 −d 1 −1
2 5 −d −2
1 1 2 −d
¸
¸
¸
¸
¸
¸
¸
= −(d −3)
2
(d −5).
7.4. PROBLEMAS 161
b) Valores propios: d = 3 (doble), d = 5.
c) Un conjunto maximal de vectores propios linealmente independientes es lo
mismo que una base de vectores propios del espacio V (3) +V (5). Para encontrar esa
base se calcula una base para V (3), otra para V (5), y despu´es se unen.
Base de V (3):
_
_
_
4 −3 1 −1
2 5 −3 −2
1 1 2 −3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x +y −z = 0.
Se tiene pues la siguiente base para V (3) :
B
3
= ¦(1, 0, 1), (−1, 1, 0)¦.
Base de V (5):
_
_
_
4 −5 1 −1
2 5 −5 −2
1 1 2 −5
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtienen dos ecuaciones cartesianas independientes:
x −z = 0, y −2z = 0.
Se tiene pues la siguiente base para V (5) :
B
5
= ¦(1, 2, 1)¦.
Por tanto la base de vectores propios es
B = ¦(1, 0, 1), (−1, 1, 0), (1, 2, 1¦.
d) A es diagonalizable porque dimV (3) = 2 es lo mismo que la multiplicidad del
valor propio d = 3 en el polinomio caracter´ıstico, igualmente dimV (5) = 1 coincide
con la multiplicidad de d = 5, y adem´as la suma de multiplicidades es el tama˜ no de
la matriz A.
La matriz de cambio P es la que se obtiene situando en columna los vectores de
la base B :
P =
_
_
_
1 −1 1
0 1 2
1 0 1
_
_
_.
162 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Problema 6 Encuentre una condici´on necesaria y suficiente para que la matriz con
coeficientes reales A =
_
_
_
1 a 1
0 1 b
0 0 c
_
_
_ sea diagonalizable.
Soluci´on. Primero calculamos el polinomio caracter´ıstico:
Det(A −αI
3
) =
¸
¸
¸
¸
¸
¸
¸
1 −α a 1
0 1 −α b
0 0 c −α
¸
¸
¸
¸
¸
¸
¸
= −(α −1)
2
(α −c).
Si c = 1 entonces A es diagonalizable si y s´olo si dimV (1) = 3. Como dimV (1) =
3 − rango(A − I
3
), se deber´ıa tener rango(A − I
3
) = 0. Pero eso no sucede ya que
A ,= I
3
.
Por tanto, podemos suponer que c ,= 1.
A ser´a diagonalizable si y s´olo si dimV (1) = 2 y dimV (c) = 1.
Como dimV (1) = 3 − rango(A − I
3
) y dimV (c) = 3 − rango(A − cI
3
), A ser´a
diagonalizable si y s´olo si rango(A −I
3
) = 1 y rango(A −cI
3
) = 2. Se tiene:
A −I
3
=
_
_
_
0 a 1
0 0 b
0 0 c −1
_
_
_, A −cI
3
=
_
_
_
1 −c a 1
0 1 −c b
0 0 0
_
_
_.
El rango de A −I
3
es 1 cuando a = 0 (estamos suponiendo c ,= 1).
El rango de A −cI
3
es siempre 2 (estamos suponiendo c ,= 1).
Se concluye que A es diagonalizable si y s´olo si a = 0 y c ,= 1.
Problema 7 Para cada n´ umero natural n, calcule A
n
, en donde
A =
_
_
_
a b b
b a b
b b a
_
_
_.
Soluci´on. Vamos a estudiar si A es diagonalizable:
Det(A −αI
3
) =
¸
¸
¸
¸
¸
¸
¸
a −α b b
b a −α b
b b a −α
¸
¸
¸
¸
¸
¸
¸
= C
1
−C
2
¸
¸
¸
¸
¸
¸
¸
a −b −α b b
b −a +α a −α b
0 b a −α
¸
¸
¸
¸
¸
¸
¸
=
C
2
−C
3
¸
¸
¸
¸
¸
¸
¸
a −b −α 0 b
b −a +α a −b −α b
0 b −a +α a −α
¸
¸
¸
¸
¸
¸
¸
= F
2
+F
1
¸
¸
¸
¸
¸
¸
¸
a −b −α 0 b
0 a −b −α 2b
0 b −a +α a −α
¸
¸
¸
¸
¸
¸
¸
=
F
3
+F
2
¸
¸
¸
¸
¸
¸
¸
a −b −α 0 b
0 a −b −α 2b
0 0 a + 2b −α
¸
¸
¸
¸
¸
¸
¸
= −(α −(a −b))
2
(α −(a + 2b)).
Los valores propios de A son α = a −b (doble) y α = a + 2b.
7.4. PROBLEMAS 163
Base de V (a −b):
_
_
_
a −(a −b) b b
b a −(a −b) b
b b a −(a −b)
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
bx +by +bz = 0.
Cuando b = 0 la potencia n-´esima de A es simplemente
A
n
=
_
_
_
a
n
0 0
0 a
n
0
0 0 a
n
_
_
_.
Supondremos en lo que resta que b ,= 0.
De la ecuaci´on cartesiana x +y +z = 0 se tiene la siguiente base para V (a −b) :
B
a−b
= ¦(−1, 0, 1), (−1, 1, 0)¦.
Base de V (a + 2b):
_
_
_
a −(a + 2b) b b
b a −(a + 2b) b
b b a −(a + 2b)
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu´ı se obtienen dos ecuaciones cartesianas independientes:
x −2y +z = 0, y −z = 0.
Se tiene la siguiente base para V (a + 2b) :
B
a+2b
= ¦(1, 1, 1)¦.
Por tanto B = ¦(−1, 0, 1), (−1, 1, 0), (1, 1, 1)¦ es una base de vectores propios y
P =
_
_
_
−1 −1 1
0 1 1
1 0 1
_
_
_
satisface A = PDP
−1
, donde
D =
_
_
_
a −b 0 0
0 a −b 0
0 0 a + 2b
_
_
_.
164 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
Entonces A
n
= PD
n
P
−1
y as´ı
A
n
=
_
_
_
−1 −1 1
0 1 1
1 0 1
_
_
_
_
_
_
(a −b)
n
0 0
0 (a −b)
n
0
0 0 (a + 2b)
n
_
_
_
_
_
_

1
3

1
3
2
3

1
3
2
3

1
3
1
3
1
3
1
3
_
_
_
=
1
3

_
_
_
γ[n] β[n] β[n]
β[n] γ[n] β[n]
β[n] β[n] γ[n]
_
_
_ =
1
3
_
_
_γ[n]
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_ +β[n]
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
_
_,
donde γ[n] = 2(a −b)
n
+ (a + 2b)
n
y β[n] = −(a −b)
n
+ (a + 2b)
n
.
Problema 8 Encuentre la f´ormula de recurrencia de la potencia n-´esima de la ma-
triz A =
_
−7 −6
12 10
_
.
Soluci´on. Vamos a estudiar si A es diagonalizable:
Det(A −dI
2
) =
¸
¸
¸
¸
¸
−7 −d −6
12 10 −d
¸
¸
¸
¸
¸
= d
2
−3d + 2 = (d −1)(d −2).
Por tanto, los valores propios de A son d = 1 y d = 2.
Base de V (1):
_
−7 −1 −6
12 10 −1
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
4x + 3y = 0.
Se tiene pues la siguiente base para V (1) :
B
1
= ¦(3, −4)¦.
Base de V (2):
_
−7 −2 −6
12 10 −2
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
3x + 2y = 0.
Se tiene pues la siguiente base para V (1) :
B
1
= ¦(2, −3)¦.
7.4. PROBLEMAS 165
Como se observa f´acilmente, A es diagonalizable y la base de vectores propios es
B = ¦(3, −4), (2, −3)¦.
La matriz de paso P y su inversa son:
P =
_
3 2
−4 −3
_
= P
−1
.
Por tanto
A
n
= PDP
−1
=
_
3 2
−4 −3
__
1 0
0 2
n
__
3 2
−4 −3
_
=
_
3 2
n+1
−4 −3 2
n
__
3 2
−4 −3
_
=
_
9 −8 2
n
6 −6 2
n
−12 + 12 2
n
−8 + 9 2
n
_
.
De esta forma A
n
= (2I
2
−A) + (A −I
2
)2
n
.
Problema 9 Calcule los valores propios en IR y en I C de la matriz
A =
_
cos w −senw
senw cos w
_
.
Estudie cuando A es diagonalizable.
Soluci´on. Estudiaremos s´olo el caso sen(w) ,= 0, ya que cuando sen(w) = 0 la
matriz es diagonal y todo es trivial.
Det(A −dI
2
) =
¸
¸
¸
¸
¸
cos w −d −senw
senw cos w −d
¸
¸
¸
¸
¸
= d
2
−2cos(w)d + 1 =
(d −(cos(w) +isen(w))(d −(cos(w) −isen(w)).
Valores y vectores propios en IR:
El polinomio caracter´ıstico no tiene ra´ıces reales (sen(w) ,= 0). Por tanto A no
tiene valores ni vectores propios en IR. Es claro que A no es diagonalizable en IR
cuando sen(w) ,= 0.
Valores y vectores propios en I C:
Recordamos que seguimos suponiendo sen(w) ,= 0.
Base de V (cos(w) + isen(w)):
_
−isen(w) −sen(w)
sen(w) −isen(w)
__
x
y
_
=
_
0
0
_
.
166 CAP
´
ITULO 7. DIAGONALIZACI
´
ON DE MATRICES
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x −iy = 0.
Se tiene pues la siguiente base para V (cos(w) +isen(w)) :
B
cos(w)+isen(w)
= ¦(i, 1)¦.
Base de V (cos(w) −isen(w)):
_
isen(w) −sen(w)
sen(w) isen(w)
__
x
y
_
=
_
0
0
_
.
De aqu´ı se obtiene una ´ unica ecuaci´on cartesiana independiente:
x +iy = 0.
Se tiene pues la siguiente base para V (cos(w) −isen(w)) :
B
cos(w)−isen(w)
= ¦(1, i)¦.
Una base de vectores propios es, en este caso,
B = ¦(i, 1), (1, i)¦.
La matriz es diagonalizable ya que las dimensiones de los espacios propios coinciden
con las respectivas multiplicidades de los valores propios y la suma de multiplicidades
coincide con el tama˜ no de la matriz A.
Cap´ıtulo 8
Ortogonalidad y m´ınimos
cuadrados
8.1 Espacios con producto interno, norma y dis-
tancia
Definici´on 8.1.1 Sea V un IR-espacio vectorial. Un producto interno en V es una
aplicaci´on < −, − >: V V →IR satisfaciendo:
1) < v, v >≥ 0, ∀v ∈ V y < v, v >= 0 ⇔ v = 0.
2) < v
1
, v
2
>=< v
2
, v
1
>, ∀v
1
, v
2
∈ V .
3) < v
1
+v
2
, v
3
>=< v
1
, v
3
> + < v
2
, v
3
>, ∀v
1
, v
2
, v
3
∈ V .
4) < cv
1
, v
2
>= c < v
1
, v
2
>, ∀c ∈ IR, ∀v
1
, v
2
∈ V .
El par (V, < −, − >) ser´a llamado “espacio con producto interno”. Si adem´as
dim
IR
V es finita diremos que (V, < −, − >) es un “espacio euclidiano”.
Definici´on 8.1.2 Sea (V, < −, − >) un espacio euclidiano de dimensi´on n. Fijada
una base B = ¦u
1
, ..., u
n
¦ de V , definimos la matriz del producto escalar < −, − >
respecto de B como A = (a
ij
)
n×n
, donde a
ij
=< u
i
, u
j
>.
Si (r
1
, r
2
, ..., r
n
), (s
1
, ..., s
n
) son las coordenadas respecto de B de los vectores v y
w respectivamente, entonces
< v, w >= (r
1
, r
2
, ..., r
n
) A (s
1
, ..., s
n
)
t
.
Definici´on 8.1.3 Sea (V, < −, − >) un espacio con producto interno. Se define la
norma de v ∈ V como [[v[[ =

< v, v >.
Teorema 8.1.4 (Desigualdad de Cauchy-Schwartz) En (V, < −, − >) se verifica
< v, u >
2
≤ < u, u >< v, v >, ∀v, u ∈ V .
167
168 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
Demostraci´on. Si v = 0 es trivial.
Sea w = tv + u ∈ V , t ∈ IR y v ,= 0 ⇒ < w, w >≥ 0 ⇒ < v, v > t
2
+ 2 < v, u >
+ < u, u >≥ 0 ⇒ b
2
− 4ac ≥ 0 donde b = 2 < v, u >, a =< v, v >, c =< v, v > ⇒
< v, u >
2
≤ < u, u >< v, v >. 2
Teorema 8.1.5 (Propiedades de la norma) En (V, < −, − >) se verifica:
1) [[v[[ ≥ 0, ∀v ∈ V y [[v[[ = 0 ⇔ v = 0.
2) [[cv[[ = [c[ [[v[[, ∀c ∈ IR, ∀v ∈ V .
3) [[u +v[[ ≤ [[u[[ +[[v[[ ∀u, v ∈ V . (Desigualdad del tri´angulo).
Demostraci´on. (1) y (2) se dejan como ejercicio.
3) [[u+v[[
2
=< u+v, u+v >=< u, u > +2 < u, v > + < v, v >≤ [[u[[
2
+[[v[[
2
+
2[[u[[ [[v[[ = ([[u[[ +[[v[[)
2
. 2
Definici´on 8.1.6 Sea (V, < −, − >) un espacio con producto interno. Se define la
distancia entre dos vectores u y v en V como d(u, v) = [[u −v[[.
Teorema 8.1.7 (Propiedades de la distancia) En (V, < −, − >) se verifica:
1) d(u, v) ≥ 0, ∀u, v ∈ V y d(u, v) = 0 ⇔ u = v.
2) d(u, v) = d(v, u), ∀u, v ∈ V .
3) d(u, v) ≤ d(u, w) +d(w, v) ∀u, v, w ∈ V .
Demostraci´on. (1) y (2) se dejan como ejercicio.
(3) d(u, v) = [[u−v[[ = [[u−w+w−v[[ ≤ [[u−w[[ +[[w−v[[ = d(u, w)+d(w, v).
2
8.2
´
Angulo entre vectores, ortogonalidad
Sabemos que en un espacio con producto interno (V, < −, − >) se tiene que
[ < u, v > [ ≤ [[u[[ [[v[[.
Por tanto
−1 ≤
< u, v >
[[u[[ [[v[[
≤ 1
Ya que cos(x) es biyectiva en [0, π] con rango [−1, 1], podemos definir el ´angulo
entre u y v como:
( ¯ u, v) = arcos
_
< u, v >
[[u[[ [[v[[
_
.
Teorema 8.2.1 (Ley de los cosenos) En (V, < −, − >), si θ = ( ¯ u, v), se tiene:
[[u −v[[
2
= [[u[[
2
+[[v[[
2
−2[[u[[ [[v[[ cos(θ).
Demostraci´on. [[u − v[[
2
=< u − v, u − v >=< u, u > + < v, v > −2 < u, v >=
[[u[[
2
+[[v[[
2
−2[[u[[ [[v[[ cos(θ). 2
Definici´on 8.2.2 En (V, < −, − >), diremos que dos vectores u y v son ortogonales
si < u, v >= 0.
8.2.
´
ANGULO ENTRE VECTORES, ORTOGONALIDAD 169
8.2.1 Conjuntos ortonormales
Diremos que S = ¦v
1
, ..., v
k
¦ en (V, < −, − >) es un conjunto ortogonal de vectores
si < v
i
, v
j
>= 0 para todo i ,= j. Si adem´as [[v
i
[[ = 1 para todo i, diremos que S es
un conjunto ortonormal de vectores.
Teorema 8.2.3 Sea S = ¦v
1
, ..., v
k
¦ un conjunto ortogonal de vectores no nulos.
Entonces S es linealmente independiente.
Demostraci´on. Si

k
i=1
a
i
v
i
= 0 entonces
0 =< v
j
, 0 >=< v
j
,
k

i=1
a
i
v
i
>=< v
j
, a
j
v
j
>= a
j
.
Por tanto a
j
= 0. 2
Teorema 8.2.4 Sea S = ¦v
1
, ..., v
k
¦ un conjunto ortonormal de vectores. Entonces
W =< v
1
, ..., v
k
>= ¦u ∈ V [ u =

k
i=1
< u, v
i
> v
i
¦.
Demostraci´on. Si u =

k
i=1
< u, v
i
> v
i
entonces claramente u ∈ W. Por otro
lado, si u ∈ W, entonces u =

k
i=1
c
i
v
i
. Se sigue que < u, v
j
>= c
j
para todo j y se
obtiene la f´ormula. 2
Teorema 8.2.5 Sea S = ¦v
1
, ..., v
k
¦ un conjunto ortonormal de vectores en V y
W =< v
1
, v
2
, ..., v
k
>. Entonces:
a) (Teorema de Pit´agoras) [[u[[
2
=

k
i=1
< u, v
i
>
2
, ∀u ∈ W.
b) (Identidad de Parseval) < u, w >=

k
i=1
< u, v
i
> < v
i
, w >, ∀u ∈ W,
∀w ∈ V .
Demostraci´on. a) u =

k
i=1
< u, v
i
> v
i
, ⇒ [[u[[
2
=< u, u >=

k
i=1
< u, v
i
>
2
.
b) < u, w >=<

k
i=1
< u, v
i
> v
i
, w >=

k
i=1
< u, v
i
> < v
i
, w > . 2
Proceso de ortonormalizacion de Gram-Schmidt
Sea (V, < −, − >) un espacio euclidiano de dimensi´on n y B = ¦v
1
, v
2
, ..., v
n
¦.
Teorema 8.2.6 El conjunto B
ON
= ¦u
1
, ..., u
n
¦ donde los u
i
est´an definidos induc-
tivamente como:
u
1
=
v
1
[[v
1
[[
, u
2
=
v
2
− < v
2
, u
1
> u
1
[[v
2
− < v
2
, u
1
> u
1
[[
, ...., u
k
=
v
k

k−1
i=1
< v
k
, u
i
> u
i
[[v
k

k−1
i=1
< v
k
, u
i
> u
i
[[
, ...
forman una base ortonormal de V .
170 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
Ejemplo 1 A partir de las bases que se indican, y mediante el proceso de ortonor-
malizaci´on de Gram-Schmidt, encuentre bases ortonormales de los espacios vectoria-
les correspondientes.
a) ¦(1, 1, 0), (0, 2, 1), (1, 1, 1)¦.
b) ¦(1, 0, 0), (1, 1, 1), (1, 2, 0)¦.
c) ¦(1, 1, 0, 0), (0, 0, 1, 1), (1, 2, 0, 1), (2, 1, 1, 1)¦.
Soluci´on. a) Si llamamos v
1
= (1, 1, 0), v
2
= (0, 2, 1), v
3
= (1, 1, 1), y ¦u
1
, u
2
, u
3
¦
a la base ortonormal que buscamos, el proceso de Gram-Schmidt nos dice que u
1
=
v
1
||v
1
||
. [[v
1
[[ =

1 + 1 =

2, por lo tanto u
1
= (
1

2
,
1

2
, 0). A continuaci´ on calculamos
α = v
2
u
1
= (0, 2, 1) (
1

2
,
1

2
, 0) =
2

2
, y llamamos u

2
= (0, 2, 1) −
2

2
(
1

2
,
1

2
, 0) =
(0, 2, 1) −(1, 1, 0) = (−1, 1, 1). Para calcular u
2
tan s´olo hay que hacer u
2
=
u

2
||u

2
||
=
(−
1

3
,
1

3
,
1

3
).
Por ´ ultimo
α
1
= v
3
u
1
= (1, 1, 1) (
1

2
,
1

2
, 0) =
2

2
,
α
2
= v
3
u
2
= (1, 1, 1) (−
1

3
,
1

3
,
1

3
) =
1

3
,
u

3
= v
3
−α
1
u
1
−α
2
u
2
= (1, 1, 1)−
2

2
(
1

2
,
1

2
, 0)−
1

3
(−
1

3
,
1

3
,
1

3
) = (
1
3
, −
1
3
,
2
3
)
y
u
3
= u

3
1
[[u

3
[[
= (
1

6
, −
1

6
,
2

6
).
As´ı pues la base encontrada por el m´etodo de Gram-Schmidt es en este caso
_
(
1

2
,
1

2
, 0), (−
1

3
,
1

3
,
1

3
), (
1

6
, −
1

6
,
2

6
)
_
.
b) En este caso v
1
tiene norma 1, por lo que u
1
= v
1
= (1, 0, 0).
α = v
2
u
1
= (1, 1, 1) (1, 0, 0) = 1 ⇒ u

2
= v
2
− u
1
= (0, 1, 1) ⇒ u
2
= u

2
1
||u

2
||
=
(0, 1, 1)
1

2
= (0,
1

2
,
1

2
).
α
1
= v
3
u
1
= 1 y α
2
= v
3
u
2
=
2

2
, por tanto u

3
= (1, 2, 0) − (1, 0, 0) −
2

2
(0,
1

2
,
1

2
) = (0, 1, −1) y u
3
= u

3
1
||u

3
||
= (0,
1

2
, −
1

2
).
Obtenemos la base ortonormal
_
(1, 0, 0), (0,
1

2
,
1

2
), (0,
1

2
, −
1

2
)
_
.
c) [[v
1
[[ =

2 ⇒u
1
= (
1

2
,
1

2
, 0, 0).
α = v
2
u
1
= 0 ⇒u

2
= v
2
⇒u
2
= (0, 0,
1

2
,
1

2
).
8.3. EL TEOREMA DE LA MEJOR APROXIMACI
´
ON 171
v
3
u
1
=
3

2
y v
3
u
2
=
1

2
, por tanto u

3
= v
3

3

2
u
1

1

2
u
2
= (−
1
2
,
1
2
, −
1
2
,
1
2
), y
entonces u
3
= u

3
1
||u

3
||
= u

3
puesto que [[u

3
[[ = 1. Por tanto u
3
= (−
1
2
,
1
2
, −
1
2
,
1
2
).
v
4
u
1
=
3

2
, v
4
u
2
=
2

2
y v
4
u
3
= −
1
2
,
as´ı que
u

4
= v
4

3

2
u
1

2

2
u
2
+
1
2
u
3
= (
1
4
, −
1
4
, −
1
4
,
1
4
).
De esta forma u
4
= u

4
1
||u

4
||
= (
1
2
, −
1
2
, −
1
2
,
1
2
).
La base ortonormal que busc´abamos es pues
_
(
1

2
,
1

2
, 0, 0), (0, 0,
1

2
,
1

2
), (−
1
2
,
1
2
, −
1
2
,
1
2
), (
1
2
, −
1
2
, −
1
2
,
1
2
)
_
.
Factorizaci´on QR de matrices
Si a
1
,...,a
n
son las columnas de una matriz A ∈ M
m×n
(IR) entonces aplicando Gram-
Schmidt a ¦a
1
, ..., a
n
¦ se obtiene una factorizaci´on de A como se describe a conti-
nuaci´ on.
Teorema 8.2.7 Si las columnas de A ∈ M
m×n
(IR) son linealmente independientes
entonces A = QR, donde Q ∈ M
m×n
(IR) cuyas columnas forman una base ortonor-
mal del espacio Col(A) y R es una matriz triangular superior inversible n n con
entradas positivas en la diagonal principal
Demostraci´on. Las columnas de A forman una base de Col(A) que, aplic´andole
el proceso de ortonormalizaci´on de Gram-Schmidt, se consigue una base ortonor-
mal. Esta base puesta en columna es precisamente la matriz Q. La matriz R es
simplemente la matriz de cambio de base de una base a otra. 2
8.3 El teorema de la mejor aproximaci´on
Sea W un subespacio de (V, < −, − >). Al conjunto W

= ¦v ∈ V [< v, w >=
0 ∀w ∈ W¦ se le denomina “complemento ortogonal de W”. Se demuestra que W

es un subespacio de V .
Teorema 8.3.1 Se tiene que V = W ⊕W

.
Demostraci´on. Sea B
1
una base de W, obtenemos una base ortonormal B

1
. Amplia-
mos esta ´ ultima base a una base B de V y, de nuevo, obtenemos una base ortonormal
B

de V . Si escribimos B

= ¦u
1
, ..., u
k
, u
k+1
, ..., u
n
¦ donde W =< u
1
, ..., u
k
>, se
sigue que W

=< u
k+1
, ..., u
n
> y as´ı V = W ⊕W

. 2
172 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
Definici´on 8.3.2 Sea W un subespacio de V y v ∈ V . Dada una base ortonormal
de W, B
W
= ¦u
1
, ..., u
k
¦, la proyecci´on ortogonal de v sobre W se define como
v
W
=

k
i=1
< v, u
i
> u
i
.
Teorema 8.3.3 (Teorema de la mejor aproximaci´on) Sea (V, < −, − >) un espacio
euclidiano de dimensi´on n y W un subespacio de V con base ortonormal B
W
=
¦u
1
, ..., u
k
¦. Dado v ∈ V , el vector v
W
es el vector de W m´as pr´oximo a v (en el
sentido de que [[v −v
W
[[ ≤ [[v −w[[, ∀w ∈ W).
Demostraci´on. Sabemos que V = W ⊕ W

. Dado v ∈ V entonces v = w
1
+ w
2
con w
1
∈ W y es claro que w
1
= v
W
. Dado w ∈ W, [[v −w[[
2
=< w
1
+w
2
−w, w
1
+
w
2
−w >= [[w
1
[[
2
+[[w
2
[[
2
+[[w[[
2
−2 < w
1
, w >. Como
< w
1
, w >≤ [ < w
1
, w > [ ≤ [[w
1
[[ [[w[[,
se sigue que [[v −w[[
2
≥ [[w
1
[[
2
+[[w
2
[[
2
+[[w[[
2
−2[[w
1
[[ [[w[[ = [[w
2
[[
2
+ ([[w
1
[[ −
[[w[[)
2
≥ [[w
2
[[
2
= [[v −w
1
[[
2
. 2
8.4 Problemas de m´ınimos cuadrados
Consideramos el problema de encontrar la “soluci´on m´as aproximada” del sistema
incompatible AX = B, donde: A = (a
ij
) ∈ M
m×n
(IR), X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
y
B no perteneciente al subespacio Col(A) de IR
m
generado por las columnas de A (ya
que el sistema es incompatible). Sea
´
B la proyecci´ on ortogonal de B sobre Col(A).
Entonces el sistema AX =
´
B tiene soluci´on. Adem´as B =
´
B + (B −
´
B) y [[B −
´
B[[
es m´ınima en el sentido de que [[B −
´
B[[ ≤ [[B −w[[ para todo w ∈ Col(A) (por el
teorema de la mejor aproximaci´ on). Pero B−
´
B = B−A
´
X donde
´
X es una soluci´on
de AX =
´
B. Como B − A
´
X ∈ Col(A)

(complemento ortogonal) se sigue que el
producto escalar usual a
t
j
(B −A
´
X) es nulo para toda columna a
j
de A. Eso implica
que A
t
(B −A
´
X) = 0 y as´ı (A
t
A)X = A
t
B es un sistema que tiene por soluci´on las
mejores aproximaciones de AX = B. Llamaremos “soluciones m´ınimo cudr´aticas”
a las anteriores ya que [[B −AX[[ es una ra´ız cuadrada de una suma de cuadrados.
Tambi´en llamaremos a [[B −
´
B[[ “error m´ınimo cuadr´atico del problema”. Podemos
formular ya el siguiente resultado.
Teorema 8.4.1 El conjunto de soluciones m´ınimo cuadr´aticas de AX = B coincide
con el conjunto no vac´ıo de soluciones del sistema (A
t
A)X = A
t
B.
Cuando las columnas de A son linealmente independientes se demuestra que
eso equivale a que la matriz A
t
A sea inversible. En este caso la soluci´on m´ınimo
cuadr´atica es ´ unica
´
X = (A
t
A)
−1
A
t
B. Si adem´as las columnas de A resultan ser
8.5. AJUSTE DE DATOS EXPERIMENTALES 173
ortogonales (no nulas) es muy f´acil dar la soluci´on: la proyecci´on ortogonal ser´ıa
´
B =
<a
1
,B>
<a
1
,a
1
>
a
1
+ +
<a
n
,B>
<a
n
,a
n
>
a
n
. Por tanto la n-upla (
<a
1
,B>
<a
1
,a
1
>
, ....,
<a
n
,B>
<a
n
,a
n
>
) es la
soluci´on (ya que al multiplicar A por la traspuesta de ese vector da
´
B).
Aprovech´ andonos de la factorizaci´on QR de matrices, podemos simplificar algo
la descripci´on de la soluci´on por m´ınimos cuadrados de un sistema AX = B, cuando
las columnas de A sean linealmente independientes.
Teorema 8.4.2 Dada A ∈ M
m×n
(IR) con columnas linealmente independientes, sea
A = QR la factorizaci´on QR de A. Entonces para cada B ∈ IR
m
, la ecuaci´on
AX = B tiene una ´ unica soluci´on m´ınimo cuadr´atica dada por
´
X = R
−1
Q
t
B.
Demostraci´on. La soluci´on m´ınimo cuadr´atica es
´
X = (A
t
A)
−1
A
t
B. Entonces
´
X = (R
t
Q
t
QR)
−1
R
t
Q
t
B. Como Q
t
Q = I se sigue que
´
X = (R
t
R)
−1
R
t
Q
t
B =
R
−1
(R
t
)
−1
R
t
Q
t
B = R
−1
Q
t
B. 2
8.5 Ajuste de datos experimentales
8.5.1 La media aritm´etica
Supongamos que hemos realizado una serie de mediciones y hemos obtenido los si-
guientes valores x
1
, x
2
,...,x
n
. Queremos encontrar por el m´etodo de m´ınimos cuadra-
dos el valor que m´as se ajuste a ellos. Tenemos el sistema incompatible:
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
y = x
1
y = x
2
.
.
.
y = x
n
Matricialmente nos queda
AX =
_
_
_
_
_
_
1
1
.
.
.
1
_
_
_
_
_
_
(y) =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
= B.
Por tanto A
t
AX = A
t
B proporciona la soluci´on por m´ınimos cuadrados. Tenemos
A
t
A = (n), A
t
B =

n
i=1
x
i
, as´ı (n)(y) = (

n
i=1
x
i
), qued´andonos y =
1
n

n
i=1
x
i
= x
la media aritm´etica de los valores x
1
, x
2
,..., x
n
.
8.5.2 Ajuste de una recta a una serie de puntos
Ahora tenemos mediciones con entradas y salidas como indica la siguiente tabla:
x x
1
x
2
x
n
y y
1
y
2
y
n
174 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
De nuevo queremos hallar la mejor aproximaci´ on m´ınimo cuadr´atica de esos datos,
en este caso por medio de una recta y = ax+b. Consideramos el sistema incompatible
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
y
1
= ax
1
+b
y
2
= ax
2
+b
.
.
.
y
n
= ax
n
+b
Matricialmente nos queda
AX =
_
_
_
_
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
_
_
_
_
a
b
_
=
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= B.
Por tanto A
t
AX = A
t
B proporciona la soluci´on por m´ınimos cuadrados. Tenemos
A
t
A =
_

n
i=1
x
2
i

n
i=1
x
i

n
i=1
x
i
n
_
, A
t
B =
_

n
i=1
x
i
y
i

n
i=1
y
i
_
.
Resolviendo el sistema nos queda
a =

n
i=1
(x
i
−x)y
i

n
i=1
(x
i
−x)
2
, b = y −ax.
8.5.3 Ajuste por m´ınimos cuadrados a una par´abola
Igual que antes tenemos la tabla de mediciones
x x
1
x
2
x
n
y y
1
y
2
y
n
pero ahora queremos encontrar la par´abola y = ax
2
+bx +c que mejor se ajuste por
m´ınimos cuadrados a esos datos. Tenemos entonces el sistema
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
y
1
= ax
2
1
+bx
1
+c
y
2
= ax
2
2
+bx
2
+c
.
.
.
y
n
= ax
2
n
+bx
n
+c
que matricialmente se expresa como
AX =
_
_
_
_
_
_
x
2
1
x
1
1
x
2
2
x
2
1
.
.
.
.
.
.
.
.
.
x
2
n
x
n
1
_
_
_
_
_
_
_
_
_
a
b
c
_
_
_ =
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= B.
Como todos los x
i
son distintos, se sigue (gracias al determinante de Vandermonde)
que el rango de A es 3. Por tanto la matriz A
t
A es inversible y
´
X = (A
t
A)
−1
A
t
B es
la ´ unica soluci´on m´ınimo cuadr´atica de este problema.
8.6. APROXIMACI
´
ON DE FUNCIONES A POLINOMIOS 175
8.6 Aproximaci´on de funciones a polinomios
Sea V = C[a, b] el IR-espacio vectorial de funciones continuas en un intervalo cerrado
[a, b] de IR. Consideramos el producto interno siguiente: < f, g >=
_
b
a
f(t)g(f)dt,
∀f, g ∈ V . Dentro de este IR-espacio vamos a considerar el subespacio de dimensi´on
finita de todos los polinomios reales de grado menor o igual que cierto natural n,
denotado T
n
[a, b]. Aplicando el teorema de la mejor aproximaci´ on a este subespacio
obtenemos que, para cada funci´on f ∈ V , el polinomio de grado menor o igual que n
que m´as se aproxima a f viene dado por la proyecci´ on ortogonal de f sobre T
n
[a, b].
Para calcular esta proyecci´ on ortogonal, se calcula una base ortonormal de T
n
[a, b],
B
ON
= ¦u
1
, u
2
, ..., u
n+1
¦, y entonces
´
f =< f, u
1
> u
1
+ + < f, u
n+1
> u
n+1
es el polinomio en cuesti´on. N´otese que el error m´ınimo cuadr´atico del problema
[[f −
´
f[[ =
_
_
b
a
(f(t) −g(t))
2
dt, se comporta igual que el ´area de la regi´on limitada
por las gr´aficas de f,
´
f, el eje de abscisas y las rectas x = a y x = b, de manera que
es una muy buena medida de la “proximidad” de ambas funciones.
Ejemplo 2 Obtener la mejor aproximaci´on cuadr´atica media de e
x
sobre T
2
[0, 1].
Determine tambi´en el error cuadr´atico medio asociado a la soluci´on obtenida.
Soluci´on. Se trata de calcular la proyecci´on ortogonal
´
e
x
de e
x
sobre T
2
[0, 1].
Primero calculamos una base ortonormal de T
2
[0, 1], por ejemplo,
B = ¦u
1
= 1, u
2
=

3(2x −1), u
3
=

5(6x
2
−6x + 1)¦.
Entonces
´
e
x
=< e
x
, u
1
> u
1
+ < e
x
, u
2
> u
2
+ < e
x
, u
3
> u
3
= (e −1) +(9 −3e)(2x−
1) + 5(7e −19)(6x
2
−6x + 1) · 1.01 + 0.85x + 0.84x
2
.
El error cuadr´atico medio es [[e
x

´
e
x
[[ · 0.00621.
176 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
8.7 Problemas propuestos
Problema 1 Verifica que el siguiente es un producto interno en IR
2
, donde u =
(x
1
, x
2
) y v = (y
1
, y
2
):
f(u, v) = x
1
y
1
−2x
1
y
2
−2x
2
y
1
+ 5x
2
y
2
Problema 2 Consid´erense los vectores u=(1,-3) y v=(2,5) en IR
2
.Hallar:
1. < u, v > con respecto al producto interno usual en IR
2
.
2. < u, v > con respecto al producto interno de IR
2
del problema anterior.
3. |u| utilizando el producto interno usual de IR
2
.
4. |v| utilizando el producto interno en IR
2
del problema anterior.
Problema 3 Probar que cada uno de los siguientes no es un producto interno en
R
2
, siendo u = (x
1
, x
2
, x
3
) y v = (y
1
, y
2
, y
3
):
a) < u, v >= x
1
y
1
+x
2
y
2
b) < u, v >= x
1
y
2
x
3
+y
1
x
2
y
3
.
Problema 4 Sea V el espacio vectorial de las matrices mxn sobre IR. Mostrar que
< A, B >= trB
T
A define un producto interno en V.
Problema 5 Sea V el espacio vectorial de los polinomios sobre IR. Probar que
< f, g >=
_
1
0
f(t)g(t)dt define un producto interno en V.
Problema 6 Sea V el espacio vectorial de los polinomios sobre IR de grado ≤ 2
con producto interno < f, g >=
_
1
0
f(t)g(t)dt. Encontrar una base del subespacio W
ortogonal a h(t)=2t+1.
Problema 7 Determinar una base del subespacio W de IR
4
ortogonal a
u
1
= (1, −2, 3, 4) y u
2
= (3, −5, 7, 8).
Problema 8 Sup´ongase que S consiste en los vectores de IR
4
:
u
1
= (1, 1, 1, 1) u
2
= (1, 1, −1, −1) u
3
= (1, −1, 1, −1) u
4
= (1, −1, −1, 1)
1. Probar que S es ortogonal y es una base de IR
4
.
2. Escribir v=(1,3,-5,6) como combinaci´on lineal de los vectores de S.
3. Encontrar las coordenadas de un vector arbitrario v=(a,b,c,d) de IR
4
relativas
a la base S.
4. Normalizar S para conseguir una base ortonormal de IR
4
.
8.7. PROBLEMAS PROPUESTOS 177
Problema 9 Sea V el espacio vectorial de las matrices 2x2 sobre IR con producto
interno < A, B >= trB
T
A. Mostrar que la que se da a continuaci´on es una base
ortonormal de V:
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
Problema 10 Los conjuntos que se dan a continuaci´on son bases de un subespacio
W. Utiliza el proceso de Grand-Schmidt para producir una base ortogonal de W y
encuentra posteriormente una base ortonormal de W.
1. ¦(3, −4, 5), (−3, 14, 7)¦.
2. ¦(3, −1, 2, −1), (−5, 9, −9, 3)¦.
Problema 11 Encontrar la factorizaci´on QR de las siguientes matrices:
A =
_
_
_
_
_
3 −5 1
1 1 1
−1 5 −2
3 −7 8
_
_
_
_
_
, B =
_
_
_
_
_
_
_
_
1 2 5
−1 1 −4
−1 4 −3
1 −4 7
1 2 1
_
_
_
_
_
_
_
_
Problema 12 Describe todas las soluciones m´ınimos cuadrados de la ecuaci´on Ax=b
siendo:
1.
A =
_
¸
¸
¸
_
1 1 0
1 1 0
1 0 1
1 0 1
_
¸
¸
¸
_
, b =
_
¸
¸
¸
_
1
3
8
2
_
¸
¸
¸
_
2.
A =
_
¸
¸
¸
¸
¸
¸
¸
¸
_
1 1 0
1 1 0
1 1 0
1 0 1
1 0 1
1 0 1
_
¸
¸
¸
¸
¸
¸
¸
¸
_
, b =
_
¸
¸
¸
¸
¸
¸
¸
¸
_
7
2
3
6
5
4
_
¸
¸
¸
¸
¸
¸
¸
¸
_
Problema 13 Para los valores de A y b dados a continuaci´on encuentra: a)la
proyecci´on ortogonal de b sobre el espacio engendrado por los vectores columna de A
;b)una soluci´on m´ınimos cuadrados de Ax=b; c)el error m´ınimos cuadrados asociado
a la soluci´on m´ınimos cuadrados.
178 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
1.
A =
_
¸
_
1 5
3 1
−2 4
_
¸
_, b =
_
¸
_
4
−2
−3
_
¸
_
2.
A =
_
¸
¸
¸
_
4 0 1
1 −5 1
6 1 0
1 −1 −5
_
¸
¸
¸
_
, b =
_
¸
¸
¸
_
9
0
0
0
_
¸
¸
¸
_
Problema 14 Utiliza la factorizaci´on A=QR para encontrar la soluci´on m´ınimos
cuadrados de Ax=b.
A =
_
¸
_
2 3
2 4
1 1
_
¸
_, Q =
_
¸
_
2/3 1/3
2/3 −2/3
1/3 2/3
_
¸
_, R =
_
3 5
0 −1
_
, b =
_
¸
_
7
3
1
_
¸
_
Problema 15 Determinar la matriz A que representa el producto interno usual de
IR
2
respecto a cada una de las bases de IR
2
:a)¦v
1
= (1, 4), v
2
= (2, −3)¦;b)¦w
1
=
(1, −3), w
2
= (6, 2)¦.
Problema 16 Consid´erese el producto interno de IR
2
:
f(u, v) = x
1
y
1
−2x
1
y
2
−2x
2
y
1
+ 5x
2
y
2
donde u = (x
1
, x
2
) y v = (y
1
, y
2
). Determinar la matriz B que representa este
producto interno respecto de cada una de las bases dadas en el ejercicio anterior.
Problema 17 Encuentre la recta que mejor se ajuste (por m´ınimos cuadrados) a
los puntos (−1, 1), (0, 1), (1, 0), (2, 0).
Problema 18 Encontrar la par´abola que mejor se ajusta a los puntos (−1, 1), (0, −1),
(1, 1) y (2, 0).
Problema 19 Sea W el subespacio de IR
4
generado por ¦(1, 0, 1, 0), (−1, 0, 1, 0)¦.
Determine el vector de W m´as pr´oximo a (1, 1, 2, −2).
Problema 20 (a) Calcular la factorizaci´on QR de la matriz
A =
_
_
_
1 0
0 1
1 1
_
_
_.
(b) Determinar la soluci´on del problema de m´ınimos cuadrados AX = B, donde
B
t
= (0, 0, 1), mediante la factorizaci´on QR anterior.
8.7. PROBLEMAS PROPUESTOS 179
Problema 21 Sean t
0
,t
1
,...,t
n
n´ umeros reales distintos. Para p y q en T
n
(IR) (poli-
nomios reales de grado menor o igual que n) se define:
< p, q >= p(t
0
)q(t
0
) +p(t
1
)q(t
1
) + +p(t
n
)q(t
n
).
Demuestre que < −, − > es un producto interno en T
n
(IR).
Problema 22 Consideramos en T
4
(IR) el producto interno definido como en el ejer-
cicio 21 mediante los n´ umeros reales t
0
= −2, t
1
= −1, t
2
= 0, t
3
= 1 y t
4
= 2.
Viendo T
2
(IR) como subespacio de T
4
(IR), produzca una base ortonormal para T
2
(IR)
aplicando el proceso de Gram-Schmidt a los polinomios ¦1, x, x
2
¦.
Problema 23 Sea T
4
(IR) con el producto interno del ejercicio 22 y sea ¦p
0
, p
1
, p
2
¦
la base ortonormal encontrada en el ejercicio 22. Encuentre la aproximaci´on ´optima
a p(x) = 5 −
1
5
x
4
por polinomios de T
2
(IR).
Problema 24 Sea V el espacio C[0, 1] con el producto interno
< f, g >=
_
1
0
f(t)g(t)dt, ∀f, g ∈ C[0, 1].
Sea W el subespacio de V generado por los polinomios p
1
(x) = 1, p
2
(x) = 2x − 1 y
p
3
(x) = 12x
2
. Use el proceso de Gram-Schmidt para encontrar una base ortonormal
para W.
Problema 25 Obtener la mejor aproximaci´on cuadr´atica media de cos(x) sobre
T
2
[0, 1]. Determine tambi´en el error cuadr´atico medio asociado a la soluci´on obtenida.
Problema 26 Obtener la mejor aproximaci´on cuadr´atica media de cos(x) sobre
T
2
[0, 1]. Determine tambi´en el error cuadr´atico medio asociado a la soluci´on obtenida.
180 CAP
´
ITULO 8. ORTOGONALIDAD Y M
´
INIMOS CUADRADOS
Cap´ıtulo 9
Matrices sim´etricas y formas
cuadr´aticas
9.1 Diagonalizaci´on ortogonal
En esta secci´on utilizaremos el producto escalar usual en IR
n
. Esto es, si v, w ∈ IR
n
(escritos en columnas) entonces < v, w >= v
t
w.
Recordamos que una matriz A ∈ M
n
(IR) es sim´etrica si A
t
= A. Una matriz
P ∈ M
n
(IR) se dir´a ortogonal si P
t
= P
−1
. Finalmente, diremos que A ∈ M
n
(IR)
es diagonalizable ortogonalmente si existe una matriz ortogonal P ∈ M
n
(IR) tal que
P
t
AP es diagonal.
Otra aplicaci´on del proceso de ortonormalizaci´on de Gram-Schmidt es el siguiente
teorema, llamado teorema espectral.
Teorema 9.1.1 Una matriz A ∈ M
n
(IR) es sim´etrica si y s´olo si es diagonalizable
ortogonalmente.
Los siguientes lemas nos permitir´an dar un m´etodo sencillo para diagonalizar
ortogonalmente cualquier matriz real sim´etrica.
Lema 9.1.2 Todos los valores propios de una matriz real sim´etrica A ∈ M
n
(IR) son
n´ umeros reales.
Demostraci´on. Consideramos el polinomio caracter´ıstico de A, p
A
(x) = [xI
n
−A[ =
x
n
+a
n−1
x
n−1
+ +a
0
con a
i
∈ IR. Sabemos que las ra´ıces de este polinomio λ
1
,...,λ
n
son n´ umeros complejos (y son n con posibles repeticiones). Veamos que, en realidad,
son todos n´ umeros reales. Si λ es valor propio de A, entonces λ = a+bi con a, b ∈ IR.
Se tiene que λ = a − bi = λ = a + bi si y s´olo si b = 0, es decir, si y s´olo si λ ∈ IR.
Probaremos entonces que λ = λ.
Sea v =
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
no nulo tal que Av = λv, v ∈ I C
n
. Conjugando nos queda:
Av = λv. Como A es de n´ umeros reales, se tiene que Av = λv. Trasponiendo nos
181
182 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
queda v
t
A
t
= λv
t
. Por tanto, v
t
A = λv
t
, lo cual implica que v
t
Av = λv
t
v. Se sigue
que v
t
λv = λv
t
v, y as´ı (λ − λ)v
t
v = 0. Pero v
t
v =

n
i=1
x
2
i
que es no nulo ya que
v ,= 0. Por tanto λ = λ. 2
Lema 9.1.3 Sea A ∈ M
n
(IR) sim´etrica. Sean v y w vectores propios de A asociados
a los valores propios distintos λ y µ respectivamente. Entonces < v, w >= 0.
Demostraci´on. Si Av = λv y Aw = µw entonces λv
t
w = v
t
A
t
w = v
t
Aw = v
t
µw.
Por tanto, (λ −µ)v
t
w = 0 y as´ı < v, w >= v
t
w = 0. 2
M´etodo para diagonalizar ortogonalmente una matriz sim´etrica A ∈ M
n
(IR)
1) Se calculan los valores propios de A hallando las ra´ıces de p
A
(x) (que ya sabemos
que siempre son n´ umeros reales).
2) Se calcula una base B
λ
de vectores propios para cada valor propio λ de A. En
este paso se observa que vectores propios de valores propios distintos siempre son
ortogonales por el lema anterior.
3) Mediante el proceso de ortonormalizaci´on de Gram-Schmidt, se obtiene una base
ortonormal B
λ
a partir de B
λ
.
4) Se toma B = ∪
λ
B
λ
que es base ortonormal (por el lema anterior) de IR
n
. Por
tanto P = M(B, B
c
) es ortogonal y P
t
AP es diagonal.
Observaci´ on. Como se observa, s´olo el paso (3) es diferente a los de una diago-
nalizaci´on habitual.
9.2 Aplicaciones del Teorema Espectral
9.2.1 La descomposici´on en valores singulares
Ya sabemos que no todas las matrices se pueden factorizar como A = PDP
−1
con
D diagonal. Sin embargo, es posible una factorizaci´on A = QDP
−1
para cualquier
matriz A mn. Una factorizaci´on especial de este tipo, llamada descomposici´on en
valores singulares, es una de las factorizaciones de matrices m´as ´ utiles en el ´algebra
lineal aplicada.
Sea A una matriz m n. Entonces A
t
A es sim´etrica y se puede diagonalizar
ortogonalmente. Sea ¦v
1
, ..., v
n
¦ una base ortonormal de IR
n
formada por lo vectores
propios de A
t
A y sea λ
1
,...,λ
n
los valores propias de A
t
A asociados. Entonces, para
1 ≤ i ≤ n,
[[Av
i
[[
2
= (Av
i
)
t
Av
i
= v
t
i
A
t
Av
i
= v
t
i

i
v
i
) = λ
i
.
As´ı que todos los valores propios de A
t
A son no negativos. Podemos suponer que
λ
1
≥ ≥ λ
n
. Los valores singulares de A son las ra´ıces cuadradas de los valores
propios de A
t
A, denotados por σ
1
,...,σ
n
escritos en orden decreciente. Esto es, σ
i
=

λ
i
para 1 ≤ i ≤ n.
9.2. APLICACIONES DEL TEOREMA ESPECTRAL 183
Teorema 9.2.1 Supongamos que ¦v
1
, ..., v
n
¦ es una base ortonormal de IR
n
que con-
siste en los vectores propios de A
t
A, escritos de manera que los valores propios aso-
ciados λ
i
satisfagan λ
1
≥ ≥ λ
n
y supongamos que A tiene r valores singulares
distintos de cero. Entonces ¦Av
1
, ..., Av
r
¦ es una base ortogonal de Col(A) y el rango
de A es r.
Consecuencia de este teorema es el siguiente.
Teorema 9.2.2 (La descomposici´on en valores singulares) Sea A una matriz mn
con rango r. Entonces existe una matriz C de tama˜ no mn de la forma
C =
_
D 0
0 0
_
con D diagonal de tama˜ no rr, donde las entradas diagonales de D son los primeros
r valores singulares de A, σ
1
≥ ≥ σ
r
≥ 0 y existen matrices ortogonales U y V
de tama˜ nos mm y n n respectivamente, tales que A = UCV
t
.
M´etodo para obtener la descomposici´on en valores singulares de una ma-
triz A ∈ M
m×n
(IR).
1) Obtenemos una base ortonormal ¦v
1
, v
2
, ..., v
n
¦ de vectores propios de A
t
A.
2) ¦Av
1
, Av
2
, ..., Av
r
¦ es una base ortogonal de Col(A). Consideramos la base ortonor-
mal de Col(A) B

= ¦u
1
, u
2
, ..., u
r
¦, donde u
i
=
Av
i
||Av
i
||
=
1
σ
i
Av
i
∀i = 1, ..., r. Extende-
mos B

a una base ortonormal ¦u
1
, u
2
, ..., u
m
¦ de IR
m
.
3) Poniendo los vectores u
i
y v
i
en columna formamos las matrices U = (u
1
u
2
... u
m
),
V = (v
1
v
2
... v
n
). Entonces AV = (Av
1
Av
2
... Av
r
0 ...0) = (σ
1
u
1
... σ
r
u
r
0...0). Es
claro que UC = AV , por tanto A = UCV
t
. 2
9.2.2 Formas Cuadr´aticas
Definici´on 9.2.3 Una forma cuadr´atica en IR
n
es una aplicaci´on q : IR
n
→IR dada
por q(x) = x
t
Ax (x vector columna), donde A es una matriz real sim´etrica.
Teorema 9.2.4 (El teorema de los ejes principales) Sea A una matriz real sim´etrica
n n. Entonces existe una matriz ortogonal P, con cambio de coordenadas x = Py,
que transforma la forma cuadr´atica x
t
Ax en una forma cuadr´atica y
t
Dy, con D
diagonal, esto es, la forma cuadr´atica se queda sin t´erminos de producto cruzado.
Demostraci´on. Apl´ıquese el teorema espectral. 2
Las columnas de la matriz P se llaman “ejes principales” de la forma cuadr´atica
x
t
Ax.
184 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
9.2.3 Clasificaci´on de formas cuadr´aticas
Definici´on 9.2.5 Una forma cuadr´atica q : IR
n
→IR es:
a) Definida positiva si q(x) > 0 para todo x ,= 0.
b) Definida negativa si q(x) < 0 para todo x ,= 0.
c) Indefinida si q(x) toma valores tanto positivos como negativos.
Teorema 9.2.6 La forma cuadr´atica q(x) = x
t
Ax es:
a) Definida positiva si y s´olo si todos los valores propios de A son positivos.
b) Definida negativa si y s´olo si todos los valores propios de A son negativos.
c) Indefinida si y s´olo si A tiene valores propios tanto positivos como negativos.
Demostraci´on. Por el teorema de los ejes principales, existe un cambio de coorde-
nadas ortogonal x = Py tal que
q(x) = x
t
Ax = y
t
Dy = λ
1
y
2
1

2
y
2
2
+ +λ
n
y
2
n
donde λ
1
,..., λ
n
son los valores propios de A. Puesto que P es invertible, hay una
correspondencia biyectiva entre los x no nulos y los y no nulos. Entonces los valores
de q(x) para x ,= 0 coinciden con los valores de la derecha de la ´ ultima f´ormula, los
cuales est´an controlados por los signos de los valores propios. 2
Teorema 9.2.7 La forma cuadr´atica q(x) = x
t
Ax es definida positiva, si y s´olo si la
matriz A = (a
ij
) tiene la propiedad de que todos los determinantes de sus submatrices
angulares

j
=
_
_
_
_
_
_
a
11
a
12
a
1j
a
21
a
22
a
2j
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jj
_
_
_
_
_
_
, j = 1, 2, ..., n,
son positivos.
La forma cuadr´atica q(x) = x
t
Ax es definida negativa si y s´olo si ∆
1
< 0, ∆
2
> 0,

3
< 0,.... Es decir, los determinantes ∆
1
, ∆
2
,... alternan sus signos, comenzando
con ∆
1
< 0.
9.2.4 C´onicas en IR
2
Una c´onica en IR
2
es el lugar geom´etrico de puntos del plano que son soluci´on de
una ecuaci´on de segundo grado:
ax
2
+by
2
+ 2cxy +dx +ey +f = 0
con a, b, c, d, e, f ∈ IR (a ,= 0 o b ,= 0).
Podemos escribir ax
2
+by
2
+ 2cxy = (x, y)
_
a c
c b
__
x
y
_
.
9.2. APLICACIONES DEL TEOREMA ESPECTRAL 185
Como A =
_
a c
c b
_
es real sim´etrica, existe una matriz ortogonal P tal que
P
t
AP =
_
λ 0
0 µ
_
= D es diagonal con λ, µ ∈ IR. Poniendo (x, y)
t
= P(x

, y

)
t
,
tenemos (x

, y

)D(x

, y

)
t
+ (d, e)P(x

, y

)
t
+f = 0. Por tanto:
λx
2
+µy
2
+ 2D

x

+ 2E

y

+F

= 0
donde P =
_
α β
γ ν
_
, 2D

= dα+eγ, 2E

= dβ +eν y F

= f. Como se observa, se
ha conseguido eliminar el t´ermino en xy de la f´ormula original de la c´onica.
Vamos a clasificar las c´onicas atendiendo a una serie de casos:
Caso 1. λµ ,= 0.
λ(x
2
+
2D

λ
x

) +µ(y
2
+
2E

µ
y

) +F

= 0 ⇔
λ(x

+
D

λ
x

)
2
+µ(y

+
E

µ
y

)
2
+G = 0
con G = F


D
2
λ

E
2
µ
. Hacemos el cambio x

= x

+
D

λ
, y

= y

+
E

µ
(corresponde con
una traslaci´on del origen de coordenadas a (−
D

λ
, −
E

µ
)). Nos queda λx
2
+µy
2
+G =
0.
Subcaso 1.1: λµ > 0 y Gλ < 0. Entonces
x
2
−G/λ
+
y
2
−G/µ
= 1
que se puede escribir
x
2
a
2
+
y
2
b
2
= 1
(Ecuaci´on reducida de una Elipse).
Subcaso 1.2: λµ > 0 y G = 0. Se tiene λx
2
+µy
2
= 0, esto es, un punto.
Subcaso 1.3: λµ > 0 y Gλ > 0. El conjunto de soluciones es vac´ıo.
Subcaso 1.4: λµ < 0 y G ,= 0. Entonces
x
2
−G/λ
+
y
2
−G/µ
= 1
que se puede escribir
x
2
a
2

y
2
b
2
= 1
(Ecuaci´on reducida de una Hip´erbola).
186 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
Subcaso 1.5: λµ < 0 y G = 0. Supongamos, por ejemplo, λ > 0. Entonces la
ecuaci´on puede escribirse como
a
2
x
2
−b
2
y
2
= 0.
Se trata de dos rectas que se cortan en el origen de (x

, y

).
Caso 2: λµ = 0. Supongamos, por ejemplo, λ = 0.
Subcaso 2.1: λ = 0, µ ,= 0, D

,= 0. De la ecuaci´on
λx
2
+µy
2
+ 2D

x

+ 2E

y

+F

= 0
obtenemos
µy
2
+ 2D

x

+ 2E

y

+F

= 0.
Por tanto
µ(y
2
+
2E

µ
y

+
E
2
µ
2
) + 2D

(x

+
F

2D


E
2
2µD

) = 0,
que equivale a
µ(y

+
E

µ
)
2
+ 2D

(x

+
F

2D


E
2
2µD

) = 0.
Realizando el cambio
y

= y

+
E

µ
, x

= x

+
F

2D


E
2
2µD

nos queda:
µy
2
+ 2D

x

= 0
que es la ecuaci´on reducida de una par´abola y
2
−4px

= 0 con p =
−D


.
Subcaso 2.2: λ = 0, µ ,= 0, D

= 0. Se obtienen dos rectas paralelas a la recta
y = 0.
Clasificaci´on de las c´onicas por medio de invariantes.
Dada la ecuaci´on de la c´onica
ax
2
+by
2
+ 2cxy +dx +ey +f = 0,
tomaremos G = a + b, H =
¸
¸
¸
¸
¸
a c
c b
¸
¸
¸
¸
¸
y K =
¸
¸
¸
¸
¸
¸
¸
a c d/2
c b e/2
d/2 e/2 f
¸
¸
¸
¸
¸
¸
¸
. Estos n´ umeros no
cambian (son invariantes) al realizar cualquier cambio de coordenadas de los hechos
anteriormente (giros y traslaciones).
9.2. APLICACIONES DEL TEOREMA ESPECTRAL 187
La clasificaci´on es la siguiente:
Lugar
geom´etrico
que
representan
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
H ,= 0
_
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
_
H > 0
_
¸
_
¸
_
K ,= 0
_
GK < 0 Elipse
GK > 0 Vac´ıo
K = 0 Un punto
H < 0
_
K ,= 0 Hip´erbola
K = 0 Dos rectas que se cortan
H = 0
_
K ,= 0 Par´ abola
K = 0 Dos rectas paralelas, o una recta, o vac´ıo
188 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
9.3 Problemas resueltos y propuestos
Problema 1 Diagonalice ortogonalmente las siguientes matrices.
a)
A =
_
_
_
3 −1 0
−1 3 0
0 0 5
_
_
_.
b)
B =
_
_
_
_
_
_
_
_
_
_
_
_
_
9
4

5
4

1
4
1
4

5
4
9
4
1
4

1
4

1
4
1
4
9
4

5
4
1
4

1
4

5
4
9
4
_
_
_
_
_
_
_
_
_
_
_
_
_
.
Soluci´on. a) Primero calculamos los valores propios de la matriz A, encontrando
las ra´ıces del polinomio caracter´ıstico de A, que es [A −x I
3
[.
[A −x I
3
[ =
¸
¸
¸
¸
¸
¸
¸
_
_
_
3 −1 0
−1 3 0
0 0 5
_
_
_ −x
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
3 −x −1 0
−1 3 −x 0
0 0 5 −x
¸
¸
¸
¸
¸
¸
¸
=
−x
3
+ 11x
2
−38x + 40.
Si factorizamos el polinomio anterior obtenemos que −x
3
+11x
2
−38x+40 = −(x−
2)(x −4)(x −5), lo cual quiere decir que los valores propios de A son 2, 4 y 5.
Los vectores propios asociados al valor propio 2 ser´an las soluciones del sistema
de ecuaciones (A −2 I
3
)x = 0, es decir,
_
_
_
1 −1 0
−1 1 0
0 0 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
Obtenemos pues
x −y = 0
−x +y = 0
3z = 0
_
¸
_
¸
_
de donde deducimos que z = 0 y que x = y. Por tanto el subespacio propio asociado
al valor propio 2 es S(2) = ¦(x, x, 0); x ∈ IR¦. Observamos que la dimensi´on de
S(2) es 1, y que una base es ¦(1, 1, 0)¦. Como s´olo hay un vector en la base, la
ortonormalizaci´on consiste tan s´olo en hacer el vector de norma 1, es decir, multiplicar
el vector por el inverso de su norma. En este caso obtenemos que una base ortonormal
de S(2) es ¦(
1

2
,
1

2
, 0)¦.
9.3. PROBLEMAS RESUELTOS Y PROPUESTOS 189
Para el valor propio 4 debemos solucionar el sistema (A−4 I
3
)x = 0, que resulta
−x −y = 0
−x −y = 0
z = 0
_
¸
_
¸
_
y cuya soluci´on es claramente S(4) = ¦(x, −x, 0); x ∈ IR¦. La dimensi´on de S(4)
vuelve a ser 1 y una base ortonormal para S(4) es ¦(
1

2
, −
1

2
, 0)¦.
Por ´ ultimo procedemos de igual manera para el valor propio 5.
−2x −y = 0
−x −2y = 0
_
S(5) = ¦(0, 0, z); z ∈ IR¦, y una base ortonormal para S(5) es ¦(0, 0, 1)¦.
Una diagonalizaci´on ortogonal de la matriz A es pues
A =
_
_
_
_
1

2
1

2
0
1

2

1

2
0
0 0 1
_
_
_
_
_
_
_
2 0 0
0 4 0
0 0 5
_
_
_
_
_
_
_
1

2
1

2
0
1

2

1

2
0
0 0 1
_
_
_
_
.
b) Calculemos los valores propios de B.
[B −x I
4
[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
_
_
_
_
_
_
_
_
_
_
_
9
4

5
4

1
4
1
4

5
4
9
4
1
4

1
4

1
4
1
4
9
4

5
4
1
4

1
4

5
4
9
4
_
_
_
_
_
_
_
_
_
_
_
_
_
−x
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
9
4
−x −
5
4

1
4
1
4

5
4
9
4
−x
1
4

1
4

1
4
1
4
9
4
−x −
5
4
1
4

1
4

5
4
9
4
−x
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
= (x −1)
2
(x −3)(x −4).
Los valores propios de B son pues 1, 3 y 4.
La ecuaci´on (B −1 I
4
)x = 0 arroja el sistema de ecuaciones lineales
190 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
5
4
x −
5
4
y −
1
4
z +
1
4
t = 0

5
4
x +
5
4
y +
1
4
z −
1
4
t = 0

1
4
x +
1
4
y +
5
4
z −
5
4
t = 0
1
4
x −
1
4
y −
5
4
z +
5
4
t = 0
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
.
Observamos que la segunda ecuaci´on del sistema es la primera multiplicada por
-1, y la cuarta ecuaci´on es la tercera multiplicada por -1, por lo tanto el sistema de
ecuaciones anterior es equivalente a
5
4
x −
5
4
y −
1
4
z +
1
4
t = 0
1
4
x −
1
4
y −
5
4
z +
5
4
t = 0
_
¸
_
¸
_
.
Multiplicando ahora ambas ecuaciones por 4, obtenemos el sistema de ecuaciones
equivalente
5x −5y −z +t = 0
x −y −5z +5t = 0
_
.
La soluci´on del sistema es x = y, z = t, y as´ı
S(1) = ¦(x, x, z, z); x, z ∈ IR¦.
La dimensi´on de S(1) es pues 2 y una base de S(1) es
¦(1, 1, 0, 0), (0, 0, 1, 1)¦.
Si usamos el m´etodo de Gram-Schmidt para ortonormalizar la base obtenida, encon-
traremos la base ortonormal
_
(
1

2
,
1

2
, 0, 0), (0, 0,
1

2
,
1

2
)
_
.
Calculemos ahora el subespacio propio asociado al valor propio 3.

3
4
x −
5
4
y −
1
4
z +
1
4
t = 0

5
4
x −
3
4
y +
1
4
z −
1
4
t = 0

1
4
x +
1
4
y −
3
4
z −
5
4
t = 0
1
4
x −
1
4
y −
5
4
z −
3
4
t = 0
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
.
9.3. PROBLEMAS RESUELTOS Y PROPUESTOS 191
Si se resuelve el sistema se observa que el conjunto de soluciones del mismo es
S(3) = ¦(x, −x, x, −x); x ∈ IR¦, y que una base para S(3) es ¦(1, −1, 1, −1)¦, y por
tanto que una base ortonormal de S(3) es ¦(
1
2
, −
1
2
,
1
2
, −
1
2
)¦.
Finalmente hacemos lo mismo con el valor propio 4. As´ı la soluci´on del sistema
de ecuaciones

7
4
x −
5
4
y −
1
4
z +
1
4
t = 0

5
4
x −
7
4
y +
1
4
z −
1
4
t = 0

1
4
x +
1
4
y −
7
4
z −
5
4
t = 0
1
4
x −
1
4
y −
5
4
z −
7
4
t = 0
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
es x = −y = −z = t y por tanto S(4) = ¦(x, −x, −x, x); x ∈ IR¦. Una base
ortonormal para S(4) es ¦(
1
2
, −
1
2
, −
1
2
,
1
2
)¦.
De esta forma concluimos que una diagonalizaci´on ortogonal de A es
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1

2
0
1
2
1
2
1

2
0 −
1
2

1
2
0
1

2
1
2

1
2
0
1

2

1
2
1
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 3 0
0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1

2
1

2
0 0
0 0
1

2
1

2
1
2

1
2
1
2

1
2
1
2

1
2

1
2
1
2
_
_
_
_
_
_
_
_
_
_
_
_
_
Problema 2 Encuentre una diagonalizaci´on ortogonal de la matriz
A =
_
_
_
_
_
1 0 0 0
0 3 0 0
0 0 2 −1
0 0 −1 2
_
_
_
_
_
.
Soluci´on.
[A −x I
4
[ =
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
_
_
_
1 0 0 0
0 3 0 0
0 0 2 −1
0 0 −1 2
_
_
_
_
_

_
_
_
_
_
x 0 0 0
0 x 0 0
0 0 x 0
0 0 0 x
_
_
_
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
1 −x 0 0 0
0 3 −x 0 0
0 0 2 −x −1
0 0 −1 2 −x
¸
¸
¸
¸
¸
¸
¸
¸
¸
= 9 −24x + 22x
2
−8x
3
+x
4
= (x −1)
2
(x −3)
2
.
192 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
Tenemos entonces que los valores propios de A son 1 y 3. Calculemos los vectores
propios asociados.
Para el valor propio 1 tenemos que solucionar el sistema de ecuaciones lineales
2y = 0
z −t = 0
−z +t = 0
_
¸
_
¸
_
.
Es claro que el conjunto soluci´on del sistema es y = 0 y z = t, por tanto
S(1) = ¦(x, 0, z, z); x, z ∈ IR¦
cuya dimensi´on es dos. Una base para S(1) es ¦(1, 0, 0, 0), (0, 0, 1, 1)¦. Si seguimos el
m´etodo de Gram-Schmidt para ortonormalizar la base obtenida, obtendremos otra
base (ya ortonormal) B = ¦(1, 0, 0, 0), (0, 0,
1

2
,
1

2
).
El subespacio propio S(3) estar´a formado por las soluciones del sistema
−2x = 0
−z −t = 0
−z −t = 0
_
¸
_
¸
_
que son x = 0, z = −t, y as´ı S(3) = ¦(0, y, z, −z); y, z ∈ IR¦. Una base ortonormal
para S(3) es ¦(0, 1, 0, 0), (0, 0,
1

2
, −
1

2
)¦.
Con los datos obtenidos podemos concluir que una diagonalizaci´on ortogonal de
A es
A =
_
_
_
_
_
_
1 0 0 0
0 0 1 0
0
1

2
0
1

2
0
1

2
0 −
1

2
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 3 0
0 0 0 3
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 0
1

2
1

2
0 1 0 0
0 0
1

2

1

2
_
_
_
_
_
_
.
Problema 3 Diagonalice ortogonalmente las siguientes matrices.
a) A =
_
_
_
2 2 −2
2 5 −4
−2 −4 5
_
_
_ b) B =
_
_
_
_
_
7 −1 −2 0
−1 7 2 0
−2 2 10 0
0 0 0 6
_
_
_
_
_
.
Problema 4 Demuestre que si A es diagonalizable ortogonalmente, entonces A
n
n ∈ IN tambi´en lo es.
Problema 5 Encuentre una descomposici´on en valores singulares de:
a)
_
1 3
0 −3
_
, b)
_
−5 0
0 0
_
, c)
_
_
_
−3 1
6 −2
6 −2
_
_
_.
9.3. PROBLEMAS RESUELTOS Y PROPUESTOS 193
Problema 6 Encuentre una descomposici´on en valores singulares de
A =
_
3 2 2
2 3 −2
_
.
[ Sugerencia: Trabaje con A
t
].
Problema 7 Para v = (x, y, z) ∈ IR
3
, sea q(v) = 5x
2
+3y
2
+2z
2
−xy+8yz. Escriba
esta forma cuadr´atica como vAv
t
.
Problema 8 Haga un cambio de variable que transforme la forma cuadr´atica
q(x, y, z) = x
2
−8xy −5y
2
en una forma cuadr´atica sin t´erminos de producto cruzado.
Problema 9 Clasifique las siguientes formas cuadr´aticas. Luego efect´ ue un cam-
bio de variable que transforme la forma cuadr´atica en una sin t´ermino de producto
cruzado. Escriba la nueva forma cuadr´atica.
a) q(x, y) = 3x
2
−4xy + 6y
2
,
b) f(x, y) = 9x
2
−8xy + 3y
2
,
c) g(x, y) = x
2
−6xy + 9y
2
,
d) r(x, y, z) = x
2
+ 2y
2
+z
2
−2xy −2yz.
Problema 10 Encuentre la ecuaci´on reducida y clasifique las siguientes c´onicas.
a) 3x
2
−2xy + 3y
2
+ 2x −4y + 1 = 0.
b) 4x
2
−24xy + 11y
2
+ 56x −58y + 95 = 0.
c) x
2
+ 4xy + 4y
2
−2x −4y −3 = 0.
194 CAP
´
ITULO 9. MATRICES SIM
´
ETRICAS Y FORMAS CUADR
´
ATICAS
Cap´ıtulo 10
Pr´acticas de Mathematica
10.1 Pr´actica 1: Introducci´on
En todos los ejercicios, una matriz vendr´a representada como una lista cuyos
elementos son las filas de la matriz. A su vez, una fila vendr´a dada por una lista
formada por los elementos de dicha fila.
1) Resolver cada una de las siguientes ecuaciones:
a) 3x = 0 en ZZ
5
,
In[1]:=Solve[ {3 x == 0 , Modulus == 5}, {x}, Mode -> Modular]
Out[1]=¦¦Modulus →5, x →0¦¦
Mathematica s´olo encuentra la soluci´on x = 0 en ZZ
5
.
b) 3x −4 −x = 2x + 3 en IR,
In[2]:=Solve[3 x - 4 - x == 2 x + 3, {x}]
Out[2]=¦¦
Si la ecuaci´on o sistemas de ecuaciones no tiene soluci´on, Mathematica devuelve la
lista vac´ıa.
c) 7 + 2x −4 = 3x + 3 −x en IR.
195
196 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[3]:= Solve[7 + 2 x - 4 - x == 3 x + 3 - x, {x}]
Out[3]=¦¦x →0¦¦
2) Encuentra, si es posible, una soluci´on de cada uno de los siguientes sistemas
a)
_
¸
_
¸
_
x −2y +z = 7
2x −y + 4z = 17
3x −2y + 2z = 14
b)
_
¸
_
¸
_
2x −5y + 3z −4s + 2t = 4
3x −7y + 2z −5s + 4t = 9
5x −10y −5z −4s + 7t = 22
a) LinearSolve nos permite resolver un sistema de ecuaciones. Como argumentos
de entrada habr´a que especificar la matriz de coeficientes y el vector de soluciones.
In[4]:= LinearSolve[{{1, -2, 1}, {2, -1, 4}, {3, -2, 2}},
{7, 17, 14}]
Out[4]=¦2, −1, 3¦
La soluci´on ser´a x = 2, y = −1 y z = 3
b)
In[5]:= LinearSolve[{{2, -5, 3, -4, 2}, {3, -7, 2, -5, 4},
{5,-10, -5, -4, 7}}, {4,9, 22}]
Out[5]=26, 12, 0, −3, 0
La soluci´on ser´a x = 26, y = 12, z = 0,s = −3 y t = 0.
3) Reducir las siguientes matrices a forma can´onica por filas:
A =
_
_
_
1 2 −3 0
2 4 −2 2
3 6 −4 3
_
_
_ B =
_
_
_
−4 1 −6
1 2 −5
6 3 −4
_
_
_
a) La funci´on RowReduce nos permite obtener la forma can´onica de una matriz
dada. Para ello debemos introducir como argumento la matriz en cuesti´on como se
ha indicado en el primer ejercicio.
10.1. PR
´
ACTICA 1: INTRODUCCI
´
ON 197
In[6]:= RowReduce[{{1, 2, -3, 0}, {2, 4, -2, 2}, {3, 6, -4, 3}}]
Out[6]=¦¦1, 2, 0, 0¦, ¦0, 0, 1, 0¦, ¦0, 0, 0, 1¦¦
b)
In[7]:= RowReduce[{{-4, 1, -6}, {1, 2, -5}, {6, 3, -4}}]
Out[7]= ¦¦1, 0,
7
9
¦, ¦0, 1, −
26
9
¦, ¦0, 0, 0¦¦
4) Resolver los siguientes sistemas, utilizando la matriz ampliada.
a)
_
¸
_
¸
_
x −2y + 4z = 2
2x −3y + 5z = 3
3x −4y + 6z = 7
b)
_
¸
_
¸
_
x + 2y −3z −2s + 4t = 1
2x + 5y −8z −s + 6t = 4
x + 4y −7z + 5s + 2t = 8
a) Reducimos por Gauss usando RowReduce.
In[8]:= RowReduce[{{1, -2, 4, 2}, {2, -3, 5, 3}, {3, -4, 6, 7}}]
Out[8]= ¦¦1, 0, −2, 0¦, ¦0, 1, −3, 0¦, ¦0, 0, 0, 1¦¦
La ´ ultima fila es equivalente a la ecuaci´on 0=1, por lo que podemos deducir que el
sistema no tiene soluci´on.
b)
In[9]:= RowReduce[{{1, 2, -3, -2, 4, 1}, {2, 5, -8, -1, 6, 4},
{1, 4, -7, 5, 2, 8}}]
Out[9]=¦¦1, 0, 1, 0, 24, 21¦, ¦0, 1, −2, 0, −8, −7¦, ¦0, 0, 0, 1, 2, 3¦¦
El sistema es compatible indeterminado. Para obtener la expresi´on de las soluciones
utilizamos la siguiente funci´on. Obs´ervese que primero calculamos una soluci´on
particular aleatoria que viene dada por LinearSolve. A ella le sumamos la soluci´on del
sistema homog´eneo dada por la matriz de coeficientes. Para esto ´ ultimo, utilizamos
NullSpace, funci´on que nos devuelve la base del espacio de soluciones del sistema
homog´eneo.
198 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[10]:= Sol[x_, y_] := LinearSolve[x, y]+
Array[s,Length[NullSpace[x]]].NullSpace[x]
In[11]:= m = {{1, 2, -3, -2, 4}, {2, 5, -8, -1, 6},
{1, 4, -7, 5,2}};b = {1, 4, 8};
In[12]:= Sol[m, b]
Out[12]=¦21 −24s[1] −s[2], −7 + 8s[1] + 2s[2], s[2], 3 −2s[1], s[1]¦
5) Determinar si cada uno de los sistemas siguientes tiene una soluci´on no nula.
a)
_
¸
_
¸
_
x −2y + 3z −2w = 0
3x −7y −2z + 4w = 0
4x −3y + 5z + 2w = 0
b)
_
¸
_
¸
_
x + 2y −3z = 0
2x + 5y + 2z = 0
3x −y −4z = 0
a)
In[13]:= NullSpace[{{1, -2, 3, -2}, {3, -7, -2, 4}, {4, -3, 5,2}}]
Out[13]=¦¦−68, −20, 30, 31¦¦
El sistema del apartado a), tiene como soluci´on cualquier m´ ultiplo del vector devuelto
por NullSpace. Recuerde que NullSpace devuelve la base del espacio de soluciones
de un sistema homog´eneo.
b)
In[14]:= NullSpace[{{1, 2, -3}, {2, 5, 2}, {3, -1, -4}}]
Out[14]= ¦¦
En este caso, no existe ninguna soluci´on para el sistema de ecuaciones dado.
6) Encontrar la dimensi´on y una base para la soluci´on general W de los sistemas
homog´eneos con soluci´on no nula del ejercicio anterior y de los siguientes:
10.1. PR
´
ACTICA 1: INTRODUCCI
´
ON 199
a)
_
¸
_
¸
_
x + 3y −2z + 5s −3t = 0
2x + 7y −3z + 7s −5t = 0
3x + 11y −4z + 10s −9t = 0
b)
_
¸
_
¸
_
2x + 4y −5z + 3t = 0
3x + 6y −7z + 4t = 0
5x + 10y −11z + 6t = 0
a)
In[15]:=NullSpace[{{1, 3, -2, 5, -3}, {2, 7, -3, 7, -5},
{3, 11, -4, 10, -9}}]
Out[15]= ¦¦−22, 5, 0, 2, 1¦, ¦5, −1, 1, 0, 0¦¦
In[16]:=dimension = Length[%]
Out[16]=2
b)
In[17]:=NullSpace[{{2, 4, -5, 3}, {3, 6, -7, 4}, {5, 10, -11, 6}}]
Out[17]=¦¦1, 0, 1, 1¦, ¦−2, 1, 0, 0¦¦
In[18]:=dimension = Length[%]
Out[18]=2
200 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
10.2 Pr´actica 2: Determinantes y sistemas de ecua-
ciones
1) Probar que:
¸
¸
¸
¸
¸
¸
¸
1 1 1
a b c
a
3
b
3
c
3
¸
¸
¸
¸
¸
¸
¸
= (a −b)(b −c)(c −a)(a +b +c).
In[1]:=m1 = {{1, 1, 1}, {a, b, c}, {a^3, b^3, c^3}};
In[2]:= Factor[Det[m1]]
Out[2]= −(a −b)(a −c)(b −c)(a +b +c)
2) Determinar el rango de cada una de las siguientes matrices: a) utilizando deter-
minantes; b) reduciendo a forma can´onica por filas.
a) A =
_
_
_
0 3 −5 −2
1 −2 3 4
2 −1 1 6
_
_
_, b) B =
_
_
_
1 −2 3 −1 5
−1 2 −3 2 −1
0 0 1 −1 1
_
_
_,
c) C =
_
_
_
_
_
0 2 −4 1 1
1 −1 2 3 −1
2 0 −2 0 1
0 3 5 −2 0
_
_
_
_
_
.
a)
In[3]:= a2 = {{0, 3, -5, -2}, {1, -2, 3, 4}, {2, -1, 1, 6}};
In[4]:= Minors[a2, 3]
Out[4]= ¦¦0, 0, 0, 0¦¦
La salida anterior esta formada por los determinantes de todas las submatrices M
3×3
de a.
In[5]:= Minors[a2, 2]
10.2. PR
´
ACTICA 2: DETERMINANTES Y SISTEMAS DE ECUACIONES 201
Out[5]= ¦¦−3, 5, 2, −1, 8, −14¦, ¦−6, 10, 4, −2, 16, −28¦, ¦3, −5, −2, 1, −8, 14¦¦
En este caso, existen submatrices M
2×2
con determinantes distintos de 0, luego el
rango de la matriz es 2.
b)
In[6]:= RowReduce[a2]
Out[6]= ¦¦1, 0, −
1
3
,
8
3
¦, ¦0, 1, −
5
3
, −
2
3
¦, ¦0, 0, 0, 0¦¦
El rango de A es 2 ya que su forma can´onica por filas tiene dos filas no nulas.
c) Se deja como ejercicio al lector.
3) Sea L el subespacio de IR
4
generado por los vectores
¦(2, −1, 1, 5), (−1, 2, 3, −4), (3, 0, 5, 6)¦.
Calcular la dimensi´on de L y encontrar una base utilizando determinantes.
In[7]:= a3 = {{2, -1, 1, 5}, {-1, 2, 3, -4}, {3, 0, 5, 6}};
In[8]:= Minors[a3, 3]
Out[8]= ¦¦0, 0, 0, 0¦¦
In[9]:= Minors[{{2, -1, 1, 5}, {-1, 2, 3, -4}}, 2]
Out[9]= ¦¦3, 7, −3, −5, −6, −19¦¦
Los tres vectores son linealmente dependientes ya que los menores de orden 3 de la
matriz asociada son cero, pero los dos primeros vectores son linealmente indepen-
dientes ya que la matriz asociada tiene menores de orden 2 no nulos. Por tanto,
¦¦2, −1, 1, 5¦, ¦−1, 2, 3, −4¦¦ es una base de L.
4) Dada la matriz
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
−1 a 0 0 0
0 0 a 0 0
−1 0 0 a 0
0 0 0 0 a
_
_
_
_
_
_
_
_
,
calcule su determinante y estudie su rango en funci´on de a.
202 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[10]:= b4 = {{0, 1, 0, 1, 0}, {-1, a4, 0, 0, 0}, {0, 0, a4, 0, 0},
{-1, 0, 0,a4, 0}, {0, 0, 0, 0, a4}};
In[11]:= Det[b4]
Out[11]= 2a4
3
In[12]:= Minors[b4, 4]
Out[12]= ¦¦2a4
2
, 0, 0, 0, 0¦, ¦0, a4
2
, 0, −a4
2
, a4
3
¦, ¦0, 0, 2a4
2
, 0, 0¦,
¦0, −a4
2
, 0, a4
2
, a4
3
¦, ¦0, −a4
3
, 0, −a4
3
, a4
4
¦¦
In[13]:= Minors[b4, 3]
Out[13]= ¦¦a4, 0, 0, −a4, 0, 0, a4
2
, 0, 0, 0¦, ¦0, 2a4, 0, 0, 0, 0, 0, 0, 0, 0¦,
¦0, 0, a4, 0, 0, a4, 0, 0, −a4
2
, 0¦, ¦−a4, 0, 0, a4, 0, 0, a4
2
, 0, 0, 0¦,
¦0, 0, 0, 0, 0, 0, 0, a4
2
, 0, −a4
2
¦, ¦0, 0, a4, 0, 0, a4, 0, 0, a4
2
, 0¦,
¦−a4
2
, 0, 0, −a4
2
, 0, 0, a4
3
, 0, 0, 0¦, ¦0, 0, 0, 0, −a4
2
, 0, 0, a4
3
, 0, 0¦,
¦0, 0, a4
2
, 0, 0, −a4
2
, 0, 0, a4
3
, 0¦, ¦0, 0, 0, 0, a4
2
, 0, 0, 0, 0, a4
3
¦¦
In[14]:= Minors[b4, 2]
Out[14]=¦¦1, 0, 1, 0, 0, −a4, 0, 0, 0, 0¦, ¦0, 0, 0, 0, a4, 0, 0, −a4, 0, 0¦,
¦1, 0, 1, 0, 0, a4, 0, 0, 0, 0¦, ¦0, 0, 0, 0, 0, 0, a4, 0, 0, a4¦,
¦0, −a4, 0, 0, a4
2
, 0, 0, 0, 0, 0¦, ¦a4, 0, −a4, 0, 0, a4
2
, 0, 0, 0, 0¦,
¦0, 0, 0, −a4, 0, 0, a4
2
, 0, 0, 0¦, ¦0, a4, 0, 0, 0, 0, 0, a4
2
, 0, 0¦,
¦0, 0, 0, 0, 0, 0, 0, 0, a4
2
, 0¦, ¦0, 0, 0, −a4, 0, 0, 0, 0, 0, a4
2
¦¦
Si a es cero entonces el rango de A es 2. Si a es no nulo entonces el rango de A es 5.
5) Discutir en IR y I C la compatibilidad de los siguientes sistemas en funci´on de los
par´ametros dados.
_
¸
_
¸
_
ax + y + z = a
x + ay + z = 1
x + y + az = 1
_
¸
_
¸
_
ax + a
3
y + z = 0
x + ay + a
3
z = 0
ax + a
3
y + az = a
10.2. PR
´
ACTICA 2: DETERMINANTES Y SISTEMAS DE ECUACIONES 203
_
¸
_
¸
_
ax + by + z = 0
x + ay + bz = 0
ax + by + az = a
_
¸
_
¸
_
ax +y +z = 1
x +ay +z = 0
x = −1 −y −az
Calcular la soluci´on de los sistemas en los casos en que exista.
a)
In[15]:= m5[a51_] := {{a51, 1, 1}, {1, a51, 1}, {1, 1, a51}};
In[16]:= Factor[Det[m5[a51]]]
Out[16]= (−1 +a51)
2
(2 +a51)
Si a = 1, la matriz de coeficientes tiene rango 1, y si a = -2, la matriz de coeficientes
tiene rango 2. Calculemos el rango de la matriz ampliada para el caso a = -2.
In[17]:= Minors[{{-2, 1, 1, -2}, {1, -2, 1, 1}, {1, 1, -2, 1}}, 3]
Out[17]= ¦¦0, 0, 0, 0¦¦
In[18]:= Minors[{{-2, 1, 1, -2}, {1, -2, 1, 1}, {1, 1, -2, 1}}, 2]
Out[18]=¦¦3, −3, 0, 3, −3, 3¦, ¦−3, 3, 0, −3, 3, −3¦, ¦3, −3, 0, 3, −3, 3¦¦
Por tanto el rango de la matriz ampliada es 2 cuando a = -2. Es claro que el rango
de la matriz ampliada es 1 cuando a = 1.
DISCUSI
´
ON : El sistema es SCD cuando a es distinto de 1 y de - 2. El sistema es
SCI cuando a es 1 o - 2. Soluci´on en el caso SCD
In[19]:= LinearSolve[m5[a], {a, 1, 1}]
Out[19]= ¦1, 0, 0¦
Soluci´on para el caso SCI a = 1: x = t, y = s, z = 1 - s - t, con s y t par´ametros.
Soluci´on para el caso SCI a = -2.
204 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[20]:= Solve[{-2*x + y + z == -2, x - 2*y + z == 1}, {x, y, z}]
From In[20]:= Solve::”svars”: ”Equations may not give solutions for all ”solve”
variables.”
Out[20]= ¦¦x →1 +z, y →z¦¦
La soluci´on es x = 1 + t, y = t, z = t con t un par´ametro.
b) Procedemos como en a.
In[21]:= n6[a_] := {{a, a^3, 1}, {1, a, a^3}, {a, a^3, a}};
In[22]:= n66[a_] := {{a, a^3, 1, 0}, {1, a, a^3, 0}, {a, a^3, a, a}};
In[23]:= Factor[Det[n6[a]]]
Out[23]= −(−1 +a)
2
a
2
Si a = 0 el rango de la matriz de coeficientes es 2. Y si a = 1 el rango de la matriz
de coeficientes es 1.
Calculamos el rango de la matriz ampliada para el caso a = 2.
In[24]:= Minors[n66[2], 3]
Out[24]= ¦¦−4, −8, 30, 124¦¦
Cuando a = 2, el rango de la matriz ampliada es 3.
In[25]:= Minors[n66[1], 3]
Out[25]= ¦¦0, 0, 0, 0¦¦
In[26]:= Minors[n66[1], 2]
10.2. PR
´
ACTICA 2: DETERMINANTES Y SISTEMAS DE ECUACIONES 205
Out[26]= ¦¦0, 0, 0, 0, 0, 0¦, ¦0, 0, 1, 0, 1, 1¦, ¦0, 0, 1, 0, 1, 1¦¦
Cuando a = 1, el rango de la matriz ampliada es 2.
DISCUSI
´
ON : Cuando a = 1 o a = 2 el sistema es SI; y cuando a es distinto de 1 y
2 el sistema es SCD.
La soluci´on ser´a :
In[27]:= LinearSolve[n6[a], {0, 0, a}]
Out[27]= ¦
−1−a−a
2
−a
3
−a
4
−1+a
,
1+a+a
2
+a
3
(−1+a) a
,
a
−1+a
¦
6) Sea f: IR
3
→IR
3
dada por
f(x, y, z) = (4x +y +z, x + 4y +z, x +y + 4z).
Discutir seg´ un los valores del par´ametro a ∈ IR el sistema f(x, y, z) = (3x, 3y +
a, 0). Cuando exista soluci´on, hallar ´esta.
In[28]:=f[x_, y_, z_] := {4*x + y + z, x + 4*y + z, x + y + 4*z}
In[29]:= f[x, y, z] - {3*x, 3*y + a, 0}
Out[29]= ¦x +y +z, −a +x +y +z, x +y + 4z¦
In[30]:= m6 = {{1, 1, 1}, {1, 1, 1}, {1, 1, 4}};
In[31]:= m6a = {{1, 1, 1, 0}, {1, 1, 1, a}, {1, 1, 4, 0}};
In[32]:= Minors[m6a, 3]
Out[32]= ¦¦0, 0, −3a, −3a¦¦
Si a = 0, tenemos un SCI de rango 2, y si a ,= 0 tenemos un SI. Veamos la soluci´on
para el caso a = 0.
In[33]:= {y6, z6} = LinearSolve[{{1, 1}, {1, 4}}, {-x, -x}]
206 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[33]= ¦−x, 0¦
In[34]:= {x, y6, z6}
Out[34]= ¦x, −x, 0¦
La soluci´on ser´a (b, -b, 0) con b como par´ametro.
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 207
10.3 Pr´actica 3: Primeros c´alculos con vectores
1) Sean u = (2, −7, 1), v = (−3, 0, 4), w = (0, 5, −8). Hallar a) 3u−4v, b) 2u+3v −
5w.
a)
In[1]:= u1 = {2, -7, 1}; v1 = {-3, 0, 4}; w1 = {0, 5, -8};
In[2]:= 3*u1 - 4*v1
Out[2]= ¦18, −21, −13¦
b)
In[3]:= 2*u1 + 3*v1 - 5*w1
Out[3]= ¦−5, −39, 54¦
2) Calcular: a) 2
_
_
_
1
−1
2
_
_
_ −3
_
_
_
2
3
−4
_
_
_, b) −2
_
_
_
5
3
−4
_
_
_ + 4
_
_
_
−1
5
2
_
_
_ −3
_
_
_
3
−1
−1
_
_
_.
La funci´on Transpose calcula la transpuesta de una matriz.
a)
In[4]:= 2*Transpose[{{1, -1, 2}}] - 3*Transpose[{{2,3,-4}}]
Out[4]=¦¦−4¦, ¦−11¦, ¦16¦¦
b)
In[5]:= -2*Transpose[{{5, 3, -4}}] + 4*Transpose[{{-1, 5,
2}}] -3*Transpose[{{3, -1, -1}}]
208 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[5]=¦¦−23¦, ¦17¦, ¦19¦¦
3) Hallar x e y si a) (x, 3) = (2, x +y); b) (4, y) = x(2, 3).
La funci´on Solve nos permite encontrar la soluci´on de una ecuaci´on o conjunto
de ecuaciones. Si no especificamos las ic´ognitas a resolver, Mathematica busca la
soluci´on para todas las inc´ognitas que aparecen en el conjunto de ecuaciones.
a)
In[6]:= Solve[{x, 3} == {2, x + y}, {x, y}]
Out[6]=¦¦x →2, y →1¦¦
b)
In[7]:= Solve[{4, y} == x*{2, 3}, {x, y}]
Out[7]= ¦¦x →2, y →6¦¦
4) Convertir las siguientes ecuaciones vectoriales en un sistema de ecuaciones lineales
y resolverlo:
_
_
_
1
−6
5
_
_
_ = x
_
_
_
1
2
3
_
_
_ +y
_
_
_
2
5
8
_
_
_ +z
_
_
_
3
2
3
_
_
_.
In[8]:= m4 = {{1, 2, 3}, {2, 5, 2}, {3, 8, 3}}; b4 = {1,
-6, 5};
In[9]:= LinearSolve[m4, b4]
Out[9]= ¦−82, 28, 9¦
In[10]:= NullSpace[m4]
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 209
Out[10]= ¦¦
De esta ´ ultima salida, podemos deducir que el sistema es compatible determinado,
y la soluci´on devuelta por LinearSolve es la ´ unica soluci´on.
5) Escribir el vector v = (1, −2, 5) como combinaci´ on lineal de los vectores
u
1
= (1, 1, 1), u
2
= (1, 2, 3) y u
3
= (2, −1, 1).
In[11]:= v5 = {1, -2, 5}; u15 = {1, 1, 1}; u25 = {1, 2, 3};
u35 = {2, -1, 1};
In[12]:= Solve[u15*x + u25*y + u35*z == v5, {x, y, z}]
Out[12]=¦¦x →−6, y →3, z →2¦¦
6) Determinar si los vectores u
1
= (1, 1, 1), u
2
= (2, −1, 3) y u
3
= (1, −5, 3) son
linealmente independientes.
In[13]:= RowReduce[{{1, 1, 1}, {2, -1, 3}, {1, -5, 3}}]
Out[13]= ¦¦1, 0,
4
3
¦, ¦0, 1, −
1
3
¦, ¦0, 0, 0¦¦
El ´ ultimo vector se puede escribir como combinaci´ on lineal de los dos primeros vec-
tores.
7) Sean u = (1, 2, 3, −4), v = (5, −6, 7, 8) y k = 3. Hallar:
a) (u +v) w, b) u w +v w. c) k(u v), d) (ku) v, e) u (kv).
In[14]:=u7 = {1, 2, 3, -4}; v7 = {5, -6, 7, 8}; w7 = {2, 1, 0, 4};
k7 = 3;
a)
In[15]:= (u7 + v7).w7
Out[15]= 24
b)
210 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[16]:= u7.w7 + v7.w7
Out[16]= 24
c)
In[17]:= k7*(u7.v7)
Out[17]= −54
d)
In[18]:= (k7*u7).v7
Out[18]= −54
e)
In[19]:= u7.(k7*v7)
Out[19]= −54
8) Sean u = (5, 4, 1), v = (3, −4, 1) y w = (1, −2, 3). ¿ Qu´e pares de dichos vectores
son perpendiculares?.
In[20]:= u8 = {5, 4, 1}; v8 = {3, -4, 1}; w8 = {1, -2, 3};
In[21]:= u8.v8
Out[21]= 0
In[22]:= u8.w8
Out[22]= 0
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 211
In[23]:= v8.w8
Out[23]= 14
u y v son perpendiculares. Tambi´en lo son u y w, pero no v y w.
9) Determinar el valor de k para que los vectores u y v sean ortogonales, siendo
u = (1, k, −3) y v = (2, −5, 4).
In[24]:= Solve[{1, k, -3}.{2, -5, 4} == 0, k]
Out[24]= ¦¦k →−2¦¦
Si son perpendiculares, ya que su producto escalar vale 0.
10) Determinar el valor de k para que [[u[[ =

39, donde u = (1, k, −2, 5). Despu´es,
normaliza u.
In[25]:= Solve[{1, k, -2, 5}.{1, k, -2, 5} == 39, k]
Out[25]= ¦¦k →−3¦, ¦k →3¦¦
In[26]:= {1, -3, -2, 5}*(1/Sqrt[39])
Out[26]= (¦
1

39
, −
_
3
13
,
−2

39
,
5

39
¦)
11) Sean u = (1, 2, −2), v = (3, −12, 4) y k = 3.
a) Encontrar [[u[[, [[v[[ y [[ku[[. b) Comprobar que [[ku[[ = [k[ [[u[[ y [[u + v[[ ≤
[[u[[ +[[v[[.
In[27]:= u11 = {1, 2, -2}; v11 = {3, -12, 4}; k11 = 3;
a)
In[28]:= Sqrt[u11.u11]
212 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[28]= 3
In[29]:= Sqrt[v11.v11]
Out[29]= 13
b)
In[30]:= Sqrt[(k11*u11).(k11*u11)]
Out[30]= 9
c)
In[31]:= k11*Sqrt[u11.u11]
Out[31]= 9
In[32]:= N[Sqrt[(u11 + v11).(u11 + v11)]]
Out[32]= 10.9545
In[33]:= Sqrt[u11.u11] + Sqrt[v11.v11]
Out[33]= 16
12) Hallar la distancia d(u, v) entre los vectores u y v, donde:
a) u = (3, −5, 4), v = (6, 2, −1); b) u = (5, 3, −2, −4, −1), v = (2, −1, 0, −7, 2).
a)
In[34]:= Sqrt[({3, -5, 4} - {6, 2, -1}).({3, -5, 4} -
{6, 2, -1})]
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 213
Out[34]=

83
b)
In[35]:= Sqrt[({5, 3, -2, -4, -1} - {2, -1, 0, -7, 2}).({5,
3, -2, -4, -1} - {2, -1, 0, -7, 2})]
Out[35]=

47
13) Encontrar un n´ umero k tal que d(u, v) = 6, siendo u = (2, k, 1, −4) y v =
(3, −1, 6, −3).
In[36]:= Solve[Sqrt[({2, k, 1, -4} - {3, -1, 6, -3}).({2, k, 1, -4}
- {3, -1, 6, -3})] == 6, {k}]
Out[36]= ¦¦k →−4¦, ¦k →2¦¦
14) Determinar cosψ, donde ψ es el ´angulo entre u = (1, 2, −5) y v = (2, 4, 3).
In[37]:= u14 = {1, 2, -5}; v14 = {2, 4, 3};
In[38]:= u14.v14/(Sqrt[u14.u14].Sqrt[v14.v14])
Out[38]=
−5

30


29
15) Determinar proy(u, v), donde u = (1, −3, 4) y v = (3, 4, 7).
In[39]:= u15 = {1, -3, 4}; v15 = {3, 4, 7};
In[40]:= << LinearAlgebra‘Orthogonalization‘
In[41]:= Projection[u15, v15]
214 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[41]= ¦
57
74
,
38
37
,
133
74
¦
Producto Vectorial
El producto vectorial est´a definido ´ unicamente para vectores en IR
3
.
16) Calcular uv donde a) u = (1, 2, 3) y v = (4, 5, 6), b) u = (7, 3, 1) y v = (1, 1, 1),
a)
In[42]:= Cross[{1, 2, 3}, {4, 5, 6}]
Out[42]= ¦−3, 6, −3¦
b)
In[43]:= Cross[{7, 3, 1}, {1, 1, 1}]
Out[43]= ¦2, −6, 4¦
17) Consid´erese los vectores u = 2i − 3j + 4k, v = 3i + j − 2k, w = i + 5j + 3j.
Encontrar:
a) u v, b) u w, c) v w.
Primero expresaremos cada uno de los vectores como listas.
In[44]:= u17 = {2, -3, 4}; v17 = {3, 1, -2}; w17 = {1,5,3};
a)
In[45]:= Cross[u17, v17]
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 215
Out[45]= ¦2, 16, 11¦
b)
In[46]:= Cross[u17, w17]
Out[46]= ¦−29, −2, 13¦
c)
In[47]:= Cross[v17, w17]
Out[47]= ¦13, −11, 14¦
18) Pon un ejemplo que ilustre que el vector u v es ortogonal a u y a v.
In[48]:= u18 = {1, 2, 1}; v18 = {2, 3, 4};
El producto escalar de cualquiera de los dos vectores por el resultado del producto
vectorial de u por v deber ser 0.
In[49]:= Cross[u18, v18].u18
Out[49]= 0
In[50]:= Cross[u18, v18].v18
Out[50]=0
19) Encontrar un vector unitario u ortogonal a v = (1, 3, 4) y a w = (2, −6, 5).
In[51]:= u19 = {1, 3, 4}; v19 = {2, -6, 5};
La funci´on Normalize normaliza el vector que se le da como entrada.
216 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[52]:= Normalize[Cross[u19, v19]]
Out[52]=¦
13

186
,
1

186
, −2
_
2
93
¦
20) Da un ejemplo que ilustre la “identidad de Lagrange”: [[uv[[ = (u u)(v v) −
(u v)
2
.
In[53]:= u20 = {7, 4, 5}; v20 = {3, 4, 6};
In[54]:= Cross[u20, v20].Cross[u20, v20]
Out[54]= 1001
In[55]:= (u20.u20)*(v20.v20) - (u20.v20)^2
Out[55]= 1001
N´ umeros Complejos
21) Supongamos que z = 5 + 3i y w = 2 −4i. Calcular: a) z +w, b) z −w, c) zw.
In[56]:= z21 = 5 + 3I; w21 = 2 - 4I;
a)
In[57]:= z21 + w21
Out[57]= 7 −i
b)
In[58]:= z21 - w21
Out[58]= 3 + 7i
c)
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 217
In[59]:= z21*w21
Out[59]= 22 −14i
La funci´on Simplify devuelve el argumento de entrada simplificado. N´otese que
el argumento de entrada puede ser una expresi´on de tipo distinto a los n´ umeros
complejos.
22) Simplificar: a) (5 + 3i)(2 −7i), b) (4 −3i)
2
, c) (1 + 2i)
3
, d)
2−7i
5+3i
, e) i
317
.
a)
In[60]:= Simplify[(5 + 3I)*(2 - 7I)]
Out[60]=31 −29i
b)
In[61]:= Simplify[(4 - 3I)^2]
Out[61]= 7 −24i
c)
In[62]:= Simplify[(1 + 2I)^3]
Out[62]=−11 −2i
d)
In[63]:= Simplify[(2 - 7I)/(5 + 3I)]
e)
In[64]:= Simplify[I^317]
218 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[64]= i
23) Hallar zz y [z[ donde z = 3 + 4i.
In[65]:= z23 = 3 + 4I;
In[66]:= z23*Conjugate[z23]
Out[66]= 25
In[67]:= Sqrt[z23*Conjugate[z23]]
Out[67]= 5
24) Sean u = (3 −2i, 4i, 1 + 6i, 2i) y v = (5 +i, 2 −3i, 7 + 2i, 1 −i). Calcular:
a) u +v; b) 2iu; c) (3 −i)v; d) u v; e) [[u[[ y [[v[[.
In[68]:= u24 = {3 - 2I, 4I, 1 + 6I, 2I}; v24 = {5 + I, 2 -
3I, 7 + 2I, 1 - I};
a)
In[69]:= u24 + v24
Out[69]= ¦8 −i, 2 + i, 8 + 8i, 1 +i¦
b)
In[70]:= 2I*u24
Out[70]= ¦4 + 6i, −8, −12 + 2i, −4¦
c)
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 219
In[71]:= (3 - I)*v24
Out[71]= ¦16 −2i, 3 −11i, 23 −i, 2 −4i¦
d)
In[72]:= u24.Conjugate[v24]
Out[72]= 18 + 37i
e)
In[73]:= Sqrt[u24.Conjugate[u24]]
Out[73]=

70
In[74]:= Conjugate[u24]
Out[74]= ¦3 + 2i, −4i, 1 −6i, −2i¦
In[75]:= Sqrt[v24.Conjugate[v24]]
Out[75]=

94
25) Ilustra con dos ejemplos las siguientes afirmaciones:
a) Para dos n´ umeros complejos cualesquiera z, w ∈ I C, i) z +w = z + w, ii)
zw = zw, iii) z = z, iv) [zw[ = [z[[w[.
b) Para dos vectores cualesquiera u, v ∈ I C
n
y cualquier escalar z ∈ I C, i) u v =
v u, ii) (zu) v = z(u v), iii) u (zv) = z(u v).
a)
220 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[76]:= z25 = 2 - 3I; w25 = -4 + 6I;
In[77]:= Conjugate[z25 + w25]
Out[77]=−2 −3i
In[78]:= Conjugate[z25] + Conjugate[w25]
Out[78]=−2 −3i
In[79]:= Conjugate[z25*w25]
Out[79]=10 −24i
In[80]:= Conjugate[z25]*Conjugate[w25]
Out[80]=10 −24i
In[81]:= Conjugate[Conjugate[z25]]
Out[81]= 2 −3i
In[82]:= Abs[z25*w25]
Out[82]= 26
In[83]:= Abs[z25]*Abs[w25]
Out[83]= 26
b)
In[84]:= u25 = {2 + 4I, -I, 4 - 6I}; v25 = {-2I, 7, 5 - I};
In[85]:= u25.Conjugate[v25]
10.3. PR
´
ACTICA 3: PRIMEROS C
´
ALCULOS CON VECTORES 221
Out[85]=18 −29i
In[86]:= Conjugate[v25.Conjugate[u25]]
Out[86]=18 −29i
In[87]:= (z25*u25).Conjugate[v25]
Out[87]=−51 −112i
In[88]:= z25*(u25.Conjugate[v25])
Out[88]=−51 −112i
In[89]:= u25.Conjugate[(z25*v25)]
Out[89]= 123 −4i
In[90]:= Conjugate[z25]*(u25.Conjugate[v25])
Out[90]= 123 −4i
222 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
10.4 Pr´actica 4: Espacios vectoriales
1) Para los siguientes vectores x, a
1
, . . . , a
p
, d´ıgase si x ∈< a
1
, . . . , a
p
> o no:
a) p = 3, x = (1, −1, 14, 36, −36, 9),
a
1
= (2, 3, 4, 5, 0, −1), a
2
= (−1, 0, 2, −3, 2, 6) a
3
= (−1, −1, 2, 2, −4, 5);
b) p = 4, x = (1, −1, −1, 0, −1, 2, 1), a
1
= (2, 1, −1, 1, 1, 1, −1),
a
2
= (2, −1, 0, 0, 1, 5, 3), a
3
= (3, 0, −1, 9, 8, 2, 11) a
4
= (2, −3, 5, −1, 0, 0, 1).
Un vector x pertenecer´a al espacio vectorial generado por los vectores a
i
, si ´este se
puede expresar como combinaci´ on lineal de los generadores de dicho espacio vectorial.
Para determinar si ´esto ocurre, s´olo nos tenemos que plantear el siguiente sistema
de ecuaciones x = α
1
a
l

2
a
2
+. . . α
n
a
n
a)
In[1]:= a11 = {2, 3, 4, 5, 0, -1}; a12 = {-1, 0, 2,-3, 2, 6};
a13 = {-1, -1, 2, 2, -4, 5}; x1 = {1, -1, 14, 36, -36, 9};
In[2]:= LinearSolve[Transpose[{a11, a12, a13}], x1]
Out[2]= ¦2, −4, 7¦
La salida nos indica como combinar los generadores para obtener x. Luego, x
pertenece al espacio vectorial indicado.
b)
In[3]:= a21 = {2, 1, -1, 1, 1, 1, -1}; a22 = {2, -1, 0, 0, 1, 5, 3};
a23 = {3, 0, -1, 9, 8, 2, 11}; a24 = {2, -3, 5, -1, 0, 0, 1};
x2 = {1, -1, -1, 0, -1, 2, 1};
In[4]:= LinearSolve[Transpose[{a21, a22, a23, a24}], x2]
LinearSolve::”nosol”: ”Linear equation encountered which has no solution.”
Out[4]= LinearSolve[¦¦2, 2, 3, 2¦, ¦1, −1, 0, −3¦, ¦−1, 0, −1, 5¦, ¦1, 0, 9, −1¦,
¦1, 1, 8, 0¦, ¦1, 5, 2, 0¦, ¦−1, 3, 11, 1¦¦, ¦1, −1, −1, 0, −1, 2, 1¦]
10.4. PR
´
ACTICA 4: ESPACIOS VECTORIALES 223
En este caso, el vector no pertenece al espacio vectorial dado.
2) Probar que para los espacios, los sistemas que se dan son linealmente independi-
entes. Ampliar dichos sistemas hasta obtener una base del espacio vectorial dado. Se
calcular´an adem´as las coordenadas en la base obtenida de los vectores que se indican.
a) El sistema ¦a
1
, a
2
, a
3
¦ de IR
6
con a
1
= (21, 11, −12, 13, 0, 15), a
2
= (61, 41, 60,
60, 41, 0) y a
3
= (23, −2, 3, 23, 92, 2); el vector x = (21, 30, −31, 51, 17, 28).
b) El sistema ¦a
1
, a
2
, a
3
¦ de IR
8
con a
1
= (1, −1, 2, 1, 1, −1, 2, 1), a
2
= (0, 1, −1,
2, 0, 1, −1, 2) y a
3
= (2, 0, 1, 0, 2, 0, 1, 0); los vectores x = (2, 3, 1, 0, 2, 0, 1, 0) e y =
(1, 1, 1, 1, 4, 3, 6, −2).
a)
In[5]:= b1 = {21, 11, -12, 13, 0, 15}; b2 = {61, 41,
60, 60, 41, 0};
b3 = {23, -2, 3, 23, 92, 2}; xb1 = {21, 30, -31, 51, 17, 28};
In[6]:= NullSpace[Transpose[{b1, b2, b3}]]
Out[6]= ¦¦
Luego podemos deducir que son linealmente independientes
In[7]:= RowReduce[{b1, b2,b3, {1, 0, 0, 0, 0, 0}, {0, 1, 0, 0, 0, 0},
{0, 0, 1, 0, 0, 0}}]
Out[7]= ¦¦1, 0, 0, 0, 0, 0¦, ¦0, 1, 0, 0, 0, 0¦, ¦0, 0, 1, 0, 0, 0¦, ¦0, 0, 0, 1, 0, 0¦,
¦0, 0, 0, 0, 1, 0¦, ¦0, 0, 0, 0, 0, 1¦¦
Hemos a˜ nadido los vectores ¦1, 0, 0, 0, 0, 0¦, ¦0, 1, 0, 0, 0, 0¦, ¦0, 0, 1, 0, 0, 0¦, y hemos
comprobado que son linealmente independientes.
In[8]:= LinearSolve[Transpose[{b1, b2,b3, {1, 0, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 0}, {0, 0, 1, 0, 0, 0}}], xb1]
224 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[8]= ¦
130298
69721
,
31469
69721
, −
1141
69721
,
3165483
69721
,
634159
69721
, −
2482492
69721
¦
Esta ´ ultima salida indica las coordenadas del vector x, respecto a la base que hemos
calculado anteriormente.
3) En IR
6
se considera el subespacio F engendrado por ¦a, b, c¦ y el subespacio
G engendrado por ¦d, e, f¦: a = (11, −21, 10, 31, 41, −1), b = (1, 21, 12, 14, −6, 2),
c = (0, −12, 13, 14, 11, −21), d = (−1, 22, 32, −12, 22, 52), e = (15, 63, 58, 87, 17, 7),
f = (32, −33, 41, 53, 60, 79).
Determinar las dimensiones de F, G, F ∩G, F +G y las bases de estos subespacios.
In[9]:= a3 ={11, -21, 10, 31, 41, -1};b3 = {1, 21, 12,14, -6,2};
c3 ={0, -12, 13, 14, 11, -21};d3 = {-1, 22, 32, -12, 22,52};
e3 ={15, 63, 58, 87, 17, 7};f3 = {32, -33, 41, 53, 60, 79};
In[10]:= RowReduce[{a3, b3, c3}]
Out[10]= ¦¦1, 0, 0,
2867
1580
,
3699
1580
,
3197
1580
¦, ¦0, 1, 0, −
109
4740
, −
911
1580
,
2861
4740
¦, ¦0, 0, 1,
417
395
,
124
395
,
418
395
¦¦
Los vectores anteriores generan el espacio vectorial dado, pero no sabemos si son
linealmente independientes. Con RowReduce hemos comprobado que s´ı lo son, y
por lo tanto la dimensi´on ser´a 3.
In[11]:= RowReduce[{d3, e3, f3}]
Out[11]= ¦¦1, 0, 0,
263530
57547
, −
21248
57547
, −
161678
57547
¦, ¦0, 1, 0,
79033
57547
, −
41477
57547
, −
99579
57547
¦,
¦0, 0, 1, −
67680
57547
,
67415
57547
,
156922
57547
¦¦
La dimensi´on de G es 3.
In[12]:= RowReduce[{a3, b3, c3, d3, e3, f3}]
Out[12]= ¦¦1, 0, 0, 0, 0,
5500557
1137466
¦, ¦0, 1, 0, 0, 0,
700295
1137466
¦, ¦0, 0, 1, 0, 0,
1522937
2274932
¦,
¦0, 0, 0, 1, 0,
3781999
2274932
¦, ¦0, 0, 0, 0, 1,
198483
2274932
¦, ¦0, 0, 0, 0, 0, 0¦¦
La dimensi´on de F+G es 5.
10.4. PR
´
ACTICA 4: ESPACIOS VECTORIALES 225
Las bases para F y G son con los mismos vectores dados, la base para F + G es la
formada ¦¦1, 0, 0, 0, 0,
5500557
1137466
¦, ¦0, 1, 0, 0, 0,
700295
1137466
¦, ¦0, 0, 1, 0, 0,
1522937
2274932
¦, ¦0, 0, 0, 1, 0,

3781999
2274932
¦, ¦0, 0, 0, 0, 1,
198483
2274932
¦¦
Por la f´ormula de dimensiones, dim F ∩ G = 1, La base para F ∩ G se calcula
como se indica a continuaci´ on:
In[13]:= Solve[x*a3 + y*b3 + z*c3 == xx*d3 + yy*e3 + zz*f3, {x, y,
z, xx, yy, zz}]
La ecuaci´on dada a Solve, indica que todo vector generado en F, tambi´en es generado
en G.
Solve::”svars”: ”Equations may not give solutions for all ¨solve¨ variables.”
Out[13]= ¦¦x →yy, y →4yy, z →0, xx →0, zz →0¦¦
Tomando yy = 1, nos queda que 1 ∗ a3 + 4 ∗ b3 + 0 ∗ c3 pertenece a la intersecci´on.
In[14]:= 1*a3 + 4*b3 + 0*c3
Out[14]= ¦15, 63, 58, 87, 17, 7¦
4) En el espacio vectorial V de los polinomios de grado menor o igual que 8, se
consideran los polinomios:
p
1
(x) = 3 −2x +x
2
+ 4x
3
+x
4
+x
5
−x
7
+ 3x
8
,
p
2
(x) = 5 −x
2
+ 17x
3
+ 4x
5
−5x
7
+ 12x
8
,
p
3
(x) = 7 −8x + 3x
2
−x
3
+ 4x
4
+x
7
,
Hallar una base del subespacio que engendran estos tres polinomios y determinar las
coordenadas en esa base del vector q(x) = −15 − 10x − x
2
− 82x
3
+ 5x
4
− 19x
6
+
25x
7
−57x
8
.
In[15]:= p1 = {3, -2, 1, 4, 1, 1, 0, -1, 3}; p2 = {5, 0, 1, 17, 0,
4, 0, -5, 12}; p3 = {7, -8, 3, -1, 4, 0, 0, 1, 0};
Representamos cada polin´omio con el vector de sus coeficientes.
226 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[16]:= RowReduce[{p1, p2, p3}]
Out[16]= ¦¦1, 0,
1
5
,
17
5
, 0,
4
5
, 0, −1,
12
5
¦, ¦0, 1, −
1
5
,
31
10
, −
1
2
,
7
10
, 0, −1,
21
10
¦,
¦0, 0, 0, 0, 0, 0, 0, 0, 0¦¦
p3 se puede expresar como combinaci´ on lineal de p1 y p2.
In[17]:= RowReduce[{p1, p2}]
Out[17]= ¦¦1, 0,
1
5
,
17
5
, 0,
4
5
, 0, −1,
12
5
¦, ¦0, 1, −
_
1
5
_
,
31
10
, −
_
1
2
_
,
7
10
, 0, −1,
21
10
¦¦
p1 y p2 forman la base del subespacio generado por los 3 polin´omios.
In[18]:= LinearSolve[Transpose[{p1, p2}], {-15, -10, -1, -82, 5,
-19, 0, 25, -57}]
Out[18]= ¦5, −6¦
q(x) = 5p1 −6p2.
5) Determinar una base del subespacio V de IR
6
dado por:
V = ¦(x
1
, ..., x
6
) ∈ IR
6
[ x
1
= 2x
2
−x
6
, x
2
+x
5
= 3x
1
¦.
Completar la base obtenida para obtener una base de IR
6
. Obtener un subespacio
W de IR
6
tal que V ⊕W = IR
6
.
In[19]:= NullSpace[{{1, -2, 0, 0, 0, 1}, {3, -1, 0, 0, -1, 0}}]
Out[19]= ¦¦1, 3, 0, 0, 0, 5¦, ¦2, 1, 0, 0, 5, 0¦, ¦0, 0, 0, 1, 0, 0¦, ¦0, 0, 1, 0, 0, 0¦¦
In[20]:= RowReduce[{{1, 3, 0, 0, 0, 5}, {2, 1, 0, 0, 5, 0},
{0,0, 0, 1, 0, 0}, {0, 0,1, 0, 0, 0},{1, 0, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 0}}]
Out[20]= ¦¦1, 0, 0, 0, 0, 0¦, ¦0, 1, 0, 0, 0, 0¦, ¦0, 0, 1, 0, 0, 0¦, ¦0, 0, 0, 1, 0, 0¦,
¦0, 0, 0, 0, 1, 0¦, ¦0, 0, 0, 0, 0, 1¦¦
La base es ¦¦1, 3, 0, 0, 0, 5¦, ¦2, 1, 0, 0, 5, 0¦, ¦0, 0, 0, 1, 0, 0¦, ¦0, 0, 1, 0, 0, 0¦,
¦1, 0, 0, 0, 0, 0¦, ¦0, 1, 0, 0, 0, 0¦¦. Y W es generado por los vectores ¦1, 0, 0, 0, 0, 0¦,
¦0, 1, 0, 0, 0, 0¦
10.5. PR
´
ACTICA 5: ESPACIOS VECTORIALES II 227
10.5 Pr´actica 5: Espacios vectoriales II
1) Hallar todas las matrices A de M
2
(IR) tales que A ,= 0 y A
2
= 0.
In[1]:=a1 = Array[c, {2, 2}]
Out[1]= ¦¦c[1, 1], c[1, 2]¦, ¦c[2, 1], c[2, 2]¦¦
Los elementos de la forma c[i,j], son las inc´ognitas que forman parte de la ecuaci´on
que tenemos que resolver con Solve.
In[2]:= Solve[a1.a1 == {{0, 0}, {0, 0}}, {c[1, 1], c[1, 2],
c[2, 1], c[2, 2]}]
Solve::”svars”: ”Equations may not give solutions for all solve variables.”
Out[2]=¦¦c[1, 1] →0, c[2, 2] →0, c[1, 2] →0¦, ¦c[1, 1] →0, c[2, 2] →0, c[1, 2] →0¦,
¦c[1, 1] →0, c[2, 2] →0, c[2, 1] →0¦, ¦c[1, 1] →0, c[2, 2] →0, c[2, 1] →0¦,
¦c[2, 1] →0, c[1, 1] →0, c[2, 2] →0¦, ¦c[2, 1] →0, c[1, 1] →0, c[2, 2] →0¦,
¦c[1, 2] →−
_
c[2,2]
2
c[2,1]
_
, c[1, 1] →−c[2, 2]¦¦
De la soluci´on obtenida se deduce que las matrices que nos piden son de la forma
_
a b
c −a
_
con a, b y c variando en IR y satisfaciendo la igualdad a
2
= −bc.
2) En IR
3
hallar la matriz del paso P de la base can´onica ¦e
i
¦ a la base
¦e

1
= (0, 1, 1), e

2
= (1, 0, 1), e

3
= (1, 1, 0)¦.
Calcular P
−1
.
In[3]:= p2 = {{0, 1, 1}, {1, 0, 1}, {1, 1, 0}};
La matriz anterior es la matriz de cambio de base de ¦e
i

¦ a ¦e
i
¦, es decir, P
−1
.
In[4]:= Inverse[p2]
228 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[4]= ¦¦−
1
2
,
1
2
,
1
2
¦, ¦
1
2
, −
1
2
,
1
2
¦, ¦
1
2
,
1
2
, −
1
2
¦¦
Esta matriz es la matriz de cambio de base que se nos pide.
3) Sea B
1
= ¦u
1
, u
2
, u
3
, u
4
¦ una base del espacio vectorial V y
B
2
= ¦u
1
, u
1
+u
2
, u
1
+u
2
+u
3
, u
1
+u
2
+u
3
+u
4
¦.
a) Demostrar que B
2
es una base de V .
b) Hallar las expresiones matriciales de los cambios de base de B
1
a B
2
y de B
2
a B
1
.
c) Hallar las coordenadas respecto de B
1
de un vector cuyas coordenadas respecto
de B
2
son (1, −1, 0, 1).
a)
Veamos si los elementos de B
2
son linealmente independientes.
In[5]:= b2 = {{1, 0, 0, 0}, {1, 1, 0, 0}, {1, 1, 1,0}, {1, 1, 1, 1}};
In[6]:= RowReduce[b2]
Out[6]= ¦¦1, 0, 0, 0¦, ¦0, 1, 0, 0¦, ¦0, 0, 1, 0¦, ¦0, 0, 0, 1¦¦
Como la forma can´onica por filas es triangular, b2 es una base.
b)
In[7]:=Print[MatrixForm[Transpose[{{y1, y2, y3, y4}}]], "=",
MatrixForm[Transpose[b2].Transpose[{{x1, x2, x3, x4}}]]]
_
_
_
_
_
y1
y2
y3
y4
_
_
_
_
_
=
_
_
_
_
_
x1 + x2 +x3 +x4
x2 +x3 +x4
x3 +x4
x4
_
_
_
_
_
c)
In[8]:= Print[MatrixForm[Transpose[{{x1, x2, x3, x4}}]], "=",
MatrixForm[Inverse[Transpose[b2]].Transpose[{{y1, y2, y3,
y4}}]]]
10.5. PR
´
ACTICA 5: ESPACIOS VECTORIALES II 229
_
_
_
_
_
x1
x2
x3
x4
_
_
_
_
_
=
_
_
_
_
_
y1 −y2
y2 −y3
y3 −y4
y4
_
_
_
_
_
c)
In[9]:= c3 = {1, -1, 0, 1};
In[10]:= Flatten[Transpose[Transpose[b2].Transpose[{c3}]]]
Out[10]= ¦1, 0, 1, 1¦
La salida anterior representa las coordenadas de c3 respecto de B
1
.
4) Sea V un espacio vectorial sobre un cuerpo /, B = ¦u
1
, u
2
, u
3
¦, B

= ¦v
1
, v
2
, v
3
¦
bases de V donde v
1
= u
1
+u
2
, v
2
= u
1
y v
3
= u
2
−u
3
.
Hallar respecto a B las ecuaciones cartesianas de un subespacio que respecto a
B

viene dado por:
_
x

1
= 0
x

2
= 0
In[11]:= bb4 = {{1, 1, 0}, {1, 0, 0}, {0, 1, -1}};
In[12]:= {{1, 0, 0}, {0, 1, 0}, {0, 0, 0}}.Inverse[Transpose[bb4]].
Transpose[{{x41, x42, x43}}]
Out[12]=¦¦x42 +x43¦, ¦x41 −x42 −x43¦, ¦0¦¦
Las ecuaciones son :
_
x
2
+x
3
= 0
x
1
−x
2
−x
3
= 0
5) Se considera en IR
4
el subespacio vectorial W de ecuaciones,
_
x
1
+ x
2
− x
3
= 0
x
1
+ x
2
+ x
3
+ x
4
= 0
referidas a la base B = ¦u
1
, u
2
, u
3
, u
4
¦.
Se elige como nueva base B

= ¦u
1
−u
2
, u
2
−u
3
, u
3
−u
4
, u
4
¦.
a) ¿Cu´ales son las ecuaciones cartesianas respecto de la base B

de W?.
230 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
b) El vector v = −u
1
−u
3
+2u
4
, ¿qu´e coordenadas tiene respecto de las bases B
y B

?.
c) ¿Pertenece el vector v al subespacio W?.
a)
In[13]:= bb5 = {{1, -1, 0, 0}, {0, 1, -1, 0}, {0, 0, 1, -1},
{0, 0, 0, 1}};
In[14]:= {{1, 1, -1, 0}, {1, 1, 1, 1}}.Transpose[bb5].
Transpose[{{xx51, xx52, xx53, xx54}}]
Out[14]= ¦¦2xx52 −xx53¦, ¦xx54¦¦
Las Ecuaciones de W respecto de B

son
_
2x
2
−x
3
= 0
x
4
= 0
b)
In[15]:= vb5 = {{-1, 0, -1, 2}};
Las coordenadas de v respecto de la base B son ¦−1, 0, −1, 2¦
In[16]:= Flatten[Transpose[Transpose[bb5].Transpose[vb5]]]
Out[16]= ¦−1, 1, −1, 3¦
Las coordenadas de v respecto de la base B

son ¦−1, 1, −1, 3¦
c)
In[17]:= TrueQ[{{1, 1, -1, 0}, {1, 1, 1, 1}}.Transpose[vb5]==
{{0}, {0}}]
10.5. PR
´
ACTICA 5: ESPACIOS VECTORIALES II 231
Out[17]= True
Obs´ervese que la comprobaci´on anterior es la expresi´on matricial de las ecuaciones
que tiene que verificar cualquier vector que pertenezca al espacio W.
6) Escriba su D.N.I.:
d
1
= , d
2
= , d
3
= , d
4
= , d
5
= , d
6
= , d
7
= , d
8
= .
Calcule para las siguientes matrices:
a) la soluci´on del sistema homog´eneo cuya matriz de coeficientes es:
1
2
(A
t
+B
t
)
3
(A
t
−B
t
)
−1
,
b) la forma can´onica por filas de (AB + 2BA)
t
,
c) la traza de (2(A +A
t
) −5(A −I
4
))
t
.
A =
_
_
_
_
_
4d
1
d
6
0 d
5
2 0 d
4
d
4
9 7 d
6
5
6 d
5
−4 d
8
_
_
_
_
_
, B =
_
_
_
_
_
d
2
d
3
1 0
1 3 −d
2
d
7
0 d
7
−d
8
4
6 −d
5
3 8
_
_
_
_
_
.
Dejamos al lector como ejercicio los apartados (a) y (b), para el (c) procedemos como
sigue:
In[18]:= d1 = 2; d2 = 3; d3 = 4; d4 = 5; d5 = 1; d6 = 0; d7= 8;
d8 = 7;
In[19]:= a7 = {{4*d1, d6, 0, d5}, {2, 0, d4, d4 }, {9, 7, d6, 5},
{6, d5, -4, d8}}; b7 = {{d2, d3, 1, 0 }, {1, 3, -d2, d7 },
{0, d7, -d8, 4}, {6, -d5, 3, 8}};
c)
In[20]:= Tr[Transpose[2*(a7 + Transpose[a7]) - 5*(a7
-IdentityMatrix[4])]]
Out[20]= 5
Por tanto la traza de la matriz anterior es 5.
232 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
10.6 Pr´actica 6: Aplicaciones lineales
1) Sea V un IR-espacio vectorial tridimensional; respecto a una base B = ¦u
1
, u
2
, u
3
¦
se consideran los endomorfismos de V f y g dados por, f(u
1
) = u
1
−u
2
+u
3
, f(u
2
) =
u
3
, f(u
3
) = u
2
, g(u
1
) = u
1
+ u
2
, g(u
2
) = u
1
− u
2
, g(u
3
) = u
3
. Escribir, respecto
a la base B, las matrices M(f), M(g), M(f + g), M(kf) con k ∈ IR, M(f ◦ g) y
M(g ◦ f).
In[1]:= f1 = Transpose[{{1, -1, 1}, {0, 0, 1}, {0, 1, 0}}];
g1 =Transpose[{{1, 1, 0}, {1, -1, 0}, {0, 0, 1}}];
La matriz de f ser´ıa entonces
In[2]:= MatrixForm[f1]
Out[2]=
_
_
_
1 0 0
−1 0 1
1 1 0
_
_
_
La matriz de g viene dada por
In[3]:= MatrixForm[g1]
Out[3]=
_
_
_
1 1 0
1 −1 0
0 0 1
_
_
_
La matriz de f +g es la suma de las matrices anteriores:
In[4]:= MatrixForm[f1 + g1]
Out[4]=
_
_
_
2 1 0
0 −1 1
1 1 1
_
_
_
La matriz de kf viene dada por
10.6. PR
´
ACTICA 6: APLICACIONES LINEALES 233
In[5]:= MatrixForm[k*f1]
Out[5]=
_
_
_
k 0 0
−k 0 k
k k 0
_
_
_
La matriz fg es el producto de la matriz de f por la de g:
In[6]:= MatrixForm[f1.g1]
Out[6]=
_
_
_
1 1 0
−1 −1 1
2 0 0
_
_
_
La matriz de gf es el producto de la matriz de g por la de f:
In[7]:= MatrixForm[g1.f1]
Out[7]=
_
_
_
0 0 1
2 0 −1
1 1 0
_
_
_
2) Sea f: V → V

un homomorfismo de espacios vectoriales sobre el cuerpo de
los reales. Sean B = ¦u
1
, u
2
¦ y B
1
= ¦u
1
, u
2
¦ bases de V y B

= ¦v
1
, v
2
, v
3
¦ y
B

1
= ¦v
1
, v
2
, v
3
¦ bases de V

. Se sabe que la matriz de f respecto de B y B

es
_
¸
_
1 0
1 1
−1 2
_
¸
_ y que
_
u
1
= u
1
+ u
2
u
2
= 2u
2
,
_
¸
_
¸
_
v
1
= v
1
+ v
2
v
2
= 2v
2
+ v
3
v
3
=
1
2
v
1
Hallar la matriz de f respecto a las bases B
1
y B

1
.
Primero definimos la matriz de f respecto B y B

, y las matrices de cambio de base
de B
1
a B y B

1
a B

.
In[8]:= f2 = Transpose[{{1, 1, -1}, {0, 1, 2}}];
bb2 = Transpose[{{1, 1}, {0, 2}}];
bb3 = Transpose[{{1, 1, 0}, {0, 2,1}, {1/2, 0, 0}}];
La matriz de f respecto a B

y B

1
ser´a
234 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[9]:= bb3.f2.Inverse[bb2] // MatrixForm
Out[9]=
_
_
_
0
1
2
2 1
1
2
1
2
_
_
_
3) Consideremos el homomorfismo f : IR
4
→ IR
3
dado por f(x, y, z, t) = (x +
2y + z, 2x − t, 3z), y sean B
4
y B
3
las bases can´onicas de IR
3
y IR
4
respectiva-
mente. Consid´erense adem´as los vectores a
1
= (1, −1, 0, 0), a
2
= (1, 1, 0, 0), a
3
=
(0, 0, 1, −1), a
4
= (0, 0, 1, 1) de IR
4
y b
1
= (1, −1, 1), b
2
= (1, 0, −1), b
3
= (−1, 1, 0)
de IR
3
.
a) Constr´ uyase la matriz asociada a f respecto de las bases B
4
y B
3
.
b) Pru´ebese que S = ¦a
1
, a
2
, a
3
, a
4
¦ y S

= ¦b
1
, b
2
, b
3
¦ son bases de IR
4
y IR
3
respectivamente. Constr´ uyanse adem´as la matrices de cambio de base de B
4
a S en
IR
4
y de B
3
a S

en IR
3
.
c) Calcule las matrices asociadas a f respecto de las bases: c.1) B
4
y S

; c.2) S
y B
3
; c.3) S y S

.
In[10]:=f3[x_, y_, z_, t_] := {x + 2*y + z, 2*x - t, 3*z};
s3 = {{1, -1, 0, 0},{1, 1, 0, 0},{0, 0, 1, -1},{0, 0, 1,1}};
sp3 = {{1, -1, 1},{1, 0, -1},{-1, 1, 0}};
a) La matriz de f viene dada por
In[11]:= mf3 = Transpose[{f3[1, 0, 0, 0], f3[0, 1, 0, 0],
f3[0, 0, 1, 0], f3[0, 0, 0, 1]}]
Out[11]= ¦¦1, 2, 1, 0¦, ¦2, 0, 0, −1¦, ¦0, 0, 3, 0¦¦
b)
In[12]:= NullSpace[s3]
Out[12]= ¦¦
In[13]:= NullSpace[sp3]
10.6. PR
´
ACTICA 6: APLICACIONES LINEALES 235
Out[13]= ¦¦
Si NullSpace devuelve ¦¦, para un conjunto de vectores dado, quiere decir que el
sistema de ecuaciones derivado de k
1
a
i
+. . . +k
n
a
n
= 0, donde los a
i
son los vectores
de dicho conjunto, tiene soluci´on nula. Por lo tanto, dichos vectores son linealmente
independientes. Luego, en ambos casos, s3 y sp3 forman una base ya que el n´ umero
de vectores coinciden con la dimensi´on de los espacios en donde se encuentran.
Calculemos ahora la matriz de cambio de base de B
4
a S en IR
4
.
In[14]:= mb3s3 = Inverse[Transpose[s3]]
Out[14]= ¦¦
1
2
, −
1
2
, 0, 0¦, ¦
1
2
,
1
2
, 0, 0¦, ¦0, 0,
1
2
, −
1
2
¦, ¦0, 0,
1
2
,
1
2
¦¦
El cambio de base de B
3
a S’ en IR
3
se calcula a continuaci´on.
In[15]:= mb3sp3 = Inverse[Transpose[sp3]]
Out[15]= ¦¦1, 1, 1¦, ¦1, 1, 0¦, ¦1, 2, 1¦¦
c) Se deja como ejercicio al lector.
4) En IR
3
se consideran las bases B = ¦(1, 1, 0), (0, 1, 0), (−1, 0, 1)¦, B

= ¦(0, −1, 0),
(1, 0, 0),
(0, 0, 1)¦ y el endomorfismo f definido respecto a la base can´onica por,
f(x
1
, x
2
, x
3
) = (2x
1
+ 5x
2
+ 7x
3
, −x
1
+x
3
, −2x
1
−10x
2
−16x
3
).
Hallar:
a) Ecuaciones cartesianas de N(f) respecto a la base B y B

.
b) Ecuaciones param´etricas de Im(f) respecto a la base B y a una base de Im(f)
que se debe calcular.
c) Estudiar si el vector v, cuyas coordenadas respecto a la base B son [1, −2, 1]
B
,
pertenece a N(f) o Im(f).
In[16]:= b4 = {{1, 1, 0}, {0, 1, 0}, {-1, 0, 1}};
b4p = {{0, -1, 0}, {1, 0, 0}, {0, 0, 1}};
f4[x_, y_, z_] := {2*x + 5*y + 7*z, -x + z, -2*x - 10*y
- 16*z};
236 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
a) Para obtener las ecuaciones cartesianas hay que encontrar M(f, B, B

)
In[17]:= cc4 = Inverse[ Transpose[b4p]].Transpose[{f4[1, 1, 0],
f4[0, 1, 0], f4[-1, 0, 1]}]
Out[17]=¦¦1, 0, −2¦, ¦7, 5, 5¦, ¦−12, −10, −14¦¦
In[18]:= cc4.Transpose[{{x1, y1, z1}}]
Out[18]= ¦¦x1 −2z1¦, ¦7x1 + 5y1 + 5z1¦, ¦−12x1 −10y1 −14z1¦¦
Las ecuaciones cartesianas son x
1
−2x
3
= 0, 7x
1
+5x
2
+5x
3
= 0, −12x
1
−10x
2
−14x
3
=
0
b)
In[19]:= NullSpace[cc4]
Out[19]= ¦¦10, −19, 5¦¦
Como dim N(f) = 1, la dimesi´on de Im(f) es 2 y as´ı
In[20]:= {f4[1, 0, 0], f4[0, 1, 0]}
Out[20]= ¦¦2, −1, −2¦, ¦5, 0, −10¦¦
es una base de Im(f).
Las coordenadas de ¦¦2, −1, −2¦, ¦5, 0, −10¦¦ respecto a la base B son :
In[21]:= LinearSolve[Transpose[b4], {2, -1, -2}]
Out[21]= ¦0, −1, −2¦
In[22]:= LinearSolve[Transpose[b4], {5, 0, -10}]
10.6. PR
´
ACTICA 6: APLICACIONES LINEALES 237
Out[22]= ¦−5, 5, −10¦
Por tanto, las ecuaciones param´etricas quedan como sigue :
In[23]:= {0, -1, -2}*s + {-5, 5, -10}*t
Out[23]= ¦−5t, −s + 5t, −2s −10t¦
Ecuaciones param´etricas : x
1
= −5t, x
2
= −s + 5t, x
3
= −2s −10t
c)
In[24]:= RowReduce[{{1, -2, 1}, {0, -1, -2}, {-5, 5, -10}}]
Out[24]= ¦¦1, 0, 0¦, ¦0, 1, 0¦, ¦0, 0, 1¦¦
La ´ ultima salida nos indica que el primer vector no se puede escribir como combi-
naci´on lineal de los otros dos, por lo tanto, el vector v no pertene a Im(f).
In[25]:= cc4.Transpose[{{1, -2, 1}}]
Out[25]= ¦¦−1¦, ¦2¦, ¦−6¦¦
Luego, como la imagen del vector v mediante f no es ¦0, 0, 0¦, el vector no pertenece
a N(f).
5) Sean B
1
= ¦e
1
, e
2
, e
3
, e
4
¦ y B
2
= ¦u
1
, u
2
, u
3
, u
4
, u
5
¦ las bases can´onicas de IR
4
y IR
5
respectivamente. Consid´erese la aplicaci´on lineal f: IR
4
→ IR
5
definida por:
f(e
1
) = u
1
+ u
3
− u
5
, f(e
2
) = 2u
2
− 3u
3
+ u
4
+ 2u
5
, f(e
3
) = u
1
+ 2u
2
+ u
4
+ u
5
,
f(e
4
) = u
1
+ 4u
2
−u
3
+ 2u
4
+ 3u
5
. Se pide:
a) Matriz de f en las bases can´onicas de IR
4
y IR
5
. Hallar la imagen del vector
(1, 3, 2, 0).
b) Matriz de f en la base B
3
= ¦e
1
+ e
2
, e
2
− e
3
, e
1
+ e
3
+ e
4
, e
3
− e
4
¦ de IR
4
y
la can´onica de IR
5
. Hallar f(v) sabiendo que las coordenadas de v respecto a la base
B
3
son (2, −1, 4, −3).
c) Hallar las dimensiones de N(f) e Im(f).
a)
Calculemos la matriz de f en las bases can´onicas.
238 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
In[26]:= mf5 =Transpose[{{1, 0, 1, 0, -1}, {0, 2, -3, 1, 2},
{1, 2, 0, 1, 1},{1, 4, -1, 2, 3}}];
La imagen de v se obtiene multiplicando la matriz anterior por el vector v puesto en
columna:
In[27]:= mf5.Transpose[{{1, 3, 2, 0}}]
Out[27]= ¦¦3¦, ¦10¦, ¦−8¦, ¦5¦, ¦7¦¦
b)
In[28]:= b53 = {{1, 1, 0, 0}, {0, 1, -1, 0}, {1, 0, 1, 0},
{0, 0, 1, -1}};
La matriz de f en las bases pedidas se calculan a continuaci´ on.
In[29]:= mmf5 = mf5.Transpose[b53]
Out[29]= ¦¦1, −1, 2, 0¦, ¦2, 0, 2, −2¦, ¦−2, −3, 1, 1¦, ¦1, 0, 1, −1¦, ¦1, 1, 0, −2¦¦
Calculamos f(v).
In[30]:= mmf5.Transpose[{{2, -1, 4, -3}}]
Out[30]= ¦¦11¦, ¦18¦, ¦0¦, ¦9¦, ¦7¦¦
c)
In[31]:= NullSpace[mf5]
Out[31]= ¦¦1, 0, −2, 1¦¦
La dimensi´on de N(f) = 1, con lo cual dim (Im(f)) = 3.
10.7. PR
´
ACTICA 7: PROBLEMAS DE REPASO 239
10.7 Pr´actica 7: Problemas de repaso
1. Una base para la intersecci´on de los subespacios V
1
, engendrado por ¦(1, 2, 1, 0),
(−1, 1, 1, 1)¦ y V
2
engendrado por ¦(1, −1, 3, 7), (2, −1, 0, 1)¦ es:
a) ¦(10, −4, −6, −8)¦ b) ¦(5, 2, 1, 1)¦ c) ¦(1, 2, −1, 1), (1, 1, 0, 2)¦ d) Ninguna
de las anteriores.
Si un vector pertenece a la intersecci´ on de dos subespacios, entonces lo podemos
poner como combinaci´on lineal de las bases de ambos subespacios. Miremos primero
si esto es posible.
In[1]:= Solve[x*{1, 2, 1, 0} + y*{-1, 1, 1, 1}==z*{1, -1, 3, 7}+
t*{2, -1, 0, 1}, {x,y, z, t}]
From In[1]:= Solve::”svars”: ”Equations may not give solutions for all ”solve” vari-
ables.”
Out[1]= ¦¦x →
t
3
, y →
−4 t
3
, z →
−t
3
¦¦
La salida anterior nos indica como se debe combinar los vectores de la base para
obtener un vector de la intersecci´on de ambos subespacio. Y como se puede observar,
para t = 6, la respuesta correcta es la a).
In[2]:= 2*{1, 2, 1, 0} - 8*{-1, 1, 1, 1}
Out[2]=¦10, −4, −6, −8¦
2. Sea A la matriz A =
_
_
_
1 1 1
1 a a
2
1 a
2
a
3
_
_
_ con a ∈ I C, tal que a
3
= 1, a ,= 1. Determinar
el elemento (3, 3) de la matriz inversa: a) a
2
b)
1
3
a
2
c)
1
a
d) Ninguna de las
anteriores.
In[3]:= A2 = {{1, 1, 1}, {1, a2, a2^2}, {1, a2^2, 1}};
In[4]:= Simplify[Inverse[A2]]
Out[4]= ¦¦
a2
(
1+a2+a2
2
)
(−1+a2) (1+a2)
2
,
1
1−a2
2
, −
a2
(−1+a2) (1+a2)
2
¦, ¦
1
1−a2
2
, 0,
1
−1+a2
2
¦,
¦−
a2
(−1+a2) (1+a2)
2
,
1
−1+a2
2
, −
1
(−1+a2) (1+a2)
2
¦¦
La respuesta es (d).
240 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
3. Sea f : IR
3
→IR
3
la aplicaci´on lineal definido por: f(x, y, z) = (x +y +z, x +y −
z, z), entonces una base del n´ ucleo puede ser: a) ¦(−1, 1, 0)¦ b) ¦(

2,

2, 0)¦ c)
Las dos anteriores d) Ninguna de las anteriores.
In[5]:= f3[x_, y_, z_] := {x + y + z, x + y - z, z};
In[6]:= NullSpace[Transpose[{f3[1, 0, 0], f3[0, 1, 0], f3[0, 0, 1]}]]
Out[6]= ¦¦−1, 1, 0¦¦
La respuesta es (a). Obs´ervese que la entrada 6 es equivalente a la resoluci´on del
sistema de ecuaciones que tiene que verificar cualquier elemento perteneciente al
n´ ucleo.
4. ¿A cu´al de los siguientes subespacios no pertenece el vector (2, 4, 0, 2)?. a) El
subespacio V generado por el vector (1, 2, 0, 1) b) V = ¦(x, y, z, t) [ x−y +z +t =
0, y −z = 0¦ c) V = ¦(x, y, z, t) [ x = λ, y = λ+µ, z = γ, t = µ¦ d) El subespacio
V generado por los vectores ¦(1, 2, 1, 0), (1, 2, −1, 2)¦.
In[7]:= RowReduce[{{1, 2, 1, 0}, {1, 2, -1, 2}, {2, 4, 0, 2}}]
Out[7]= ¦¦1, 2, 0, 1¦, ¦0, 0, 1, −1¦, ¦0, 0, 0, 0¦¦
Luego s´ı pertenece al subespacio del apartado d), ya que el tercer vector se puede
escribir como combinaci´on lineal de los dos primeros vectores.
Sustituir el vector (2, 4, 0, 2) en el apartado b), es equivalente a realizar la siguiente
operaci´on.
In[8]:= {{1, -1, 1, 1}, {0, 1, -1, 0}}.Transpose[{{2, 4, 0, 2}}]
Out[8]= ¦¦0¦, ¦4¦¦
Como se observa, hay soluciones no nulas, luego el vector en cuesti´on no pertenece
al espacio del apartado b).
In[9]:= Solve[{2, 4, 0, 2} == {a, a + b, c, b}, {a, b, c}]
10.7. PR
´
ACTICA 7: PROBLEMAS DE REPASO 241
Out[9]= ¦¦a →2, b →2, c →0¦¦
La respuesta es (b).
D.N.I.:
d
1
= , d
2
= , d
3
= , d
4
= , d
5
= , d
6
= , d
7
= , d
8
= .
5. Considere el homomorfismo f : IR
5
−→IR
4
dado por
f(x, y, z, t, s) = (2x +y −d
3
t, 13y + 35z −d
4
t, d
7
x +d
8
y +d
7
z +d
1
t, 23x + 12z −d
4
s).
a) Estudie si el vector (2 + d
3
, 3d
4
, 4 + d
1
, d
7
) pertenece a Im(f).
In[10]:= f[x_, y_, z_, t_, s_] := {2*x + y - d3*t, 13*y +35*z - d4*t,
d7*x + d8*y + d7*z + d1*t, 23*x + 12*z - d4*s};
Veamos si el vector en cuesti´on se puede expresar de la misma forma que cualquier
elemento de la imagen de f.
In[11]:= Solve[f[x, y, z, t, s] == {2 + d3, 3*d4, 4 + d1, d7}, {x, y,
z, t, s}]
From In[11]:= Solve::”svars”: ”Equations may not give solutions for all ”solve”
variables.”
Out[11]= ¦¦x →
187
617
+
84 s
617
, y →
3203
6170

574 s
3085
, z →
3
1234
+
134 s
1851
, t →−
7969
6170
+
266 s
9255
¦¦
Ya que es posible hacerlo, el vector s´ı pertenece a Im(f).
b) Pruebe que A = ¦(d
1
, 2, 3, 9, 1), (3, d
4
, 4, 6, 1), (3, 2, 1, 0, 0), (0, 0, 0, 0, 1), (1, 0, 0, 0,
9)¦ es una base de IR
5
y calcule la matriz de f respecto de la base A y la can´onica
de IR
4
.
In[12]:= ab = {{d1, 2, 3, 9, 1},{3, d4, 4,6, 1}, {3, 2, 1, 0,0},
{0, 0, 0, 0, 1}, {1, 0, 0, 0, 9}};
In[13]:= RowReduce[ab]
242 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[13]=¦¦1, 0, 0, 0, 0¦, ¦0, 1, 0, 0, 0¦, ¦0, 0, 1, 0, 0¦, ¦0, 0, 0, 1, 0¦, ¦0, 0, 0, 0, 1¦¦
ab es una base.
In[14]:= abb = Transpose[{f[d1, 2, 3, 9, 1], f[3, d4, 4, 6, 1],
f[3, 2, 1, 0, 0],
f[0, 0, 0, 0, 1], f[1, 0, 0, 0, 9]}]
Out[14]= ¦¦−23, −8, 8, 0, 2¦, ¦95, 168, 61, 0, 0¦, ¦53, 87, 44, 0, 7¦, ¦55, 113, 81,
−4, −13¦¦
c) Encuentre el “vector” f(v), donde [v]
A
= (d
6
, 2d
1
−d
5
, d
2
, d
1
−42, d
3
).
In[15]:= abb.Transpose[{{d6, 2*d1 - d5, d2, d1 - 42, d3}}]
Out[15]= ¦¦−92¦, ¦188¦, ¦166¦, ¦278¦¦
6. En IR
4
se considera el subespacio F engendrado por ¦a, b, c¦ y el subespacio G
engendrado por ¦d, e¦: a = (1, 2, 3, 4), b = (2, 2, 2, 6), c = (0, 2, 4, 4), d = (1, 0, −1, 2),
e = (2, 3, 0, 1).
Determinar las dimensiones de F, G, F ∩G, F +G y las bases de estos subespacios.
In[16]:= a = {1, 2, 3, 4}; b = {2, 2, 2, 6}; c = {0, 2, 4,4};
d = {1, 0, -1,2};
e = {2, 3, 0, 1};
In[17]:= RowReduce[{a, b, c}]
Out[17]= ¦¦1, 0, −1, 0¦, ¦0, 1, 2, 0¦, ¦0, 0, 0, 1¦¦
La dimensi´on de F es 3 y la base es ¦a, b, c¦.
In[18]:= RowReduce[{d, e}]
Out[18]= ¦¦1, 0, −1, 2¦, ¦0, 1,
2
3
, −1¦¦
La dimensi´on de G es 2 y la base es ¦d, e¦.
10.7. PR
´
ACTICA 7: PROBLEMAS DE REPASO 243
In[19]:= RowReduce[{a, b, c, d, e}]
Out[19]=¦¦1, 0, 0, 0¦, ¦0, 1, 0, 0¦, ¦0, 0, 1, 0¦, ¦0, 0, 0, 1¦, ¦0, 0, 0, 0¦¦
In[20]:= RowReduce[{a, b, c, e}]
Out[20]= ¦¦1, 0, 0, 0¦, ¦0, 1, 0, 0¦, ¦0, 0, 1, 0¦, ¦0, 0, 0, 1¦¦
La dimensi´on de F + G es 4 y la base es ¦a, b, c, e¦.
In[21]:= RowReduce[{a, b, c, d}]
Out[21]= ¦¦1, 0, −1, 0¦, ¦0, 1, 2, 0¦, ¦0, 0, 0, 1¦, ¦0, 0, 0, 0¦¦
Esta ´ ultima salida nos indica que todo elemento del primer subespacio se puede
expresar como un m´ ultiplo de d, y ya que F ∩G tiene dimensi´on 1, ¦d¦ es una base
de F ∩ G.
7. Buscar todas las matrices de M
2
(IR) tales que A
2
= I
2
.
In[22]:=a7 = Array[q, {2, 2}]
Out[22]=¦¦q[1, 1], q[1, 2]¦, ¦q[2, 1], q[2, 2]¦¦
In[23]:= Solve[a7.a7 == IdentityMatrix[2], Flatten[a7]]
From In[23]:= Solve::”svars”: ”Equations may not give solutions for all ”solve”
variables.”
Out[23]= ¦¦q(1, 1) →−1, q(2, 2) →1, q(1, 2) →0¦, ¦q(1, 1) →−1, q(2, 2) →1,
q(2, 1) →0¦, ¦q(1, 1) →1, q(2, 2) →−1, q(1, 2) →0¦, ¦q(1, 1) →1,
q(2, 2) →−1, q(2, 1) →0¦, ¦q(2, 1) →0, q(1, 1) →−1, q(2, 2) →1¦,
¦q(2, 1) →0, q(1, 1) →1, q(2, 2) →−1¦, ¦q(1, 2) →
1−q(2,2)
2
q(2,1)
,
q(1, 1) →−q(2, 2)¦, ¦q(1, 1) →−1, q(2, 2) →−1, q(1, 2) →0,
q(2, 1) →0¦, ¦q(1, 1) →1, q(2, 2) →1, q(1, 2) →0, q(2, 1) →0¦¦
Deducimos de lo anterior que el conjunto de matrices cuyo cuadrado es la iden-
tidad es:
__
1 0
0 1
__
−1 0
0 −1
__
_
__
a b
c −a
_
; a
2
= 1 −bc
_
.
244 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
10.8 Pr´actica 8: Diagonalizaci´on
1) Para la matriz
A =
_
_
_
4 1 −1
2 5 −2
1 1 2
_
_
_,
calcule: a) el polinomio caracter´ıstico de A; b) los valores propios de A; c) un con-
junto maximal de vectores propios linealmente independientes de A; d) el polinomio
m´ınimo de A. e) ¿Es diagonalizable la matriz A? En caso afirmativo encuentre una
matriz P tal que P
−1
AP sea una matriz diagonal.
a)
In[1]:= a1 = {{4, 1, -1}, {2, 5, -2}, {1, 1, 2}};
In[2]:= Factor[Det[a1 - x*IdentityMatrix[3]]]
Out[2]= −(−5 +x) (−3 + x)
2
b)
Los valores propios ser´an las ra´ıces del polinomio caracter´ıstico: x = 5 simple, x =
3 doble.
c)
In[3]:= NullSpace[a1 - 5*IdentityMatrix[3]]
Out[3]= ¦¦1, 2, 1¦¦
In[4]:=NullSpace[a1 - 3*IdentityMatrix[3]]
Out[4]= ¦¦1, 0, 1¦, ¦−1, 1, 0¦¦
El conjunto de vectores ¦¦1, 0, 1¦, ¦−1, 1, 0¦, ¦1, 2, 1¦¦ forma la base de los vectores
propios.
d)
S´ı es diagonalizable ya que dim(V (3)) + dim(V (5)) = 3 y la dimensiones de ambos
subespacios coinciden con su multiplicidad.
10.8. PR
´
ACTICA 8: DIAGONALIZACI
´
ON 245
In[5]:= p1 = Transpose[{{1, 0, 1}, {-1, 1, 0}, {1, 2, 1}}];
In[6]:= Inverse[p1].a1.p1
Out[6]= ¦¦3, 0, 0¦, ¦0, 3, 0¦, ¦0, 0, 5¦¦
2) Encuentre una condici´on necesaria y suficiente para que la matriz con coeficientes
reales
A =
_
_
_
1 a 1
0 1 b
0 0 c
_
_
_
sea diagonalizable.
In[7]:=a2[a_, b_, c_] := {{1, a, 1}, {0, 1, b}, {0, 0, c}};
Calculamos el polinomio caracter´ıstico.
In[8]:= Factor[Det[a2[a, b, c] - x*IdentityMatrix[3]]]
Out[8]= (c −x) (−1 +x)
2
Para que la matriz sea diagonalizable el rango de a2[a, b, c] - c*IdentityMatrix[3]
debe ser 1 y el rango de a2[a, b, c] - IdentityMatrix[3] debe ser 2.
In[9]:=Factor[Minors[a2[a, b, c] - c*IdentityMatrix[3], 2]]
Out[9]= ¦¦(−1 +c)
2
, −b (−1 +c) , −1 + a b +c¦, ¦0, 0, 0¦, ¦0, 0, 0¦¦
El rango de a2[a, b, c] - c*IdentityMatrix[3] es 1 si y s´olo si c es distinto de 1 o bien
c = 1 y ab distinto de cero.
In[10]:=Factor[Minors[a2[a, b, c] - IdentityMatrix[3], 2]]
Out[10]= ¦¦0, 0, ab¦, ¦0, 0, a(−1 +c)¦, ¦0, 0, 0¦¦
El rango de a2[a, b, c] - IdentityMatrix[3] es 2 si y s´olo si a y b son distintos de 0 y
c distinto de 1.
246 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
3) Para cada n´ umero natural n, calcule A
n
diagonalizando, en donde
A =
_
_
_
a b b
b a b
b b a
_
_
_.
In[11]:= a3 = {{aa, bb, bb}, {bb, aa, bb}, {bb, bb, aa}};
In[12]:=Factor[Det[a3 - x*IdentityMatrix[3]]]
Out[12]= (aa −bb −x)
2
(aa + 2bb −x)
In[13]:= Minors[a3 - (aa - bb)*IdentityMatrix[3], 2]
Out[13]= ¦¦0, 0, 0¦, ¦0, 0, 0¦, ¦0, 0, 0¦¦
In[14]:= Minors[a3 - (aa - bb)*IdentityMatrix[3], 1]
Out[14]= ¦¦bb, bb, bb¦, ¦bb, bb, bb¦, ¦bb, bb, bb¦¦
In[15]:= Minors[a3 - (aa + 2*bb)*IdentityMatrix[3], 2]
Out[15]= ¦¦3bb
2
, −3bb
2
, 3bb
2
¦, ¦−3bb
2
, 3bb
2
, −3bb
2
¦, ¦3bb
2
, −3bb
2
, 3bb
2
¦¦
Si bb =0 entonces la potencia n-´esima de la matriz es f´acil calcularla ya que es
diagonal, si bb es distinto de 0 la matriz es diagonalizable utilizando el teorema de
caracterizaci´on.
In[16]:=NullSpace[a3 - (aa - bb)*IdentityMatrix[3]]
Out[16]= ¦¦−1, 0, 1¦, ¦−1, 1, 0¦¦
In[17]:=NullSpace[a3 - (aa + 2*bb)*IdentityMatrix[3]]
Out[17]= ¦¦1, 1, 1¦¦
10.8. PR
´
ACTICA 8: DIAGONALIZACI
´
ON 247
In[18]:= p3 = Transpose[{{-1, 0, 1}, {-1, 1, 0}, {1, 1, 1}}];
In[19]:= Inverse[p3].a3.p3
Out[19]= ¦¦aa −bb, 0, 0¦, ¦0, aa −bb, 0¦, ¦0, 0, aa + 2bb¦¦
Por tanto A
n
es :
In[20]:=Simplify[p3.{{(aa - bb)^n, 0, 0}, {0, (aa - bb)^n, 0},
{0,0, (aa + 2 bb)^n}}.Inverse[p3]] // MatrixForm
Out[20]:=
_
_
_
_
2 (aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
2 (aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
−(aa−bb)
n
+(aa+2 bb)
n
3
2 (aa−bb)
n
+(aa+2 bb)
n
3
_
_
_
_
4) Encuentre la f´ormula de recurrencia de la potencia n-´esima de la matriz A =
_
−7 −6
12 10
_
.
In[21]:=a4 = {{-7, -6}, {12, 10}};
In[22]:= Factor[Det[a4 - x*IdentityMatrix[2]]]
Out[22]= (−2 +x)(−1 + x)
In[23]:= NullSpace[a4 - 2*IdentityMatrix[2]]
Out[23]= ¦¦−2, 3¦¦
In[24]:= NullSpace[a4 - IdentityMatrix[2]]
Out[24]= ¦¦−3, 4¦¦
In[25]:= p4 = Transpose[{{-2, 3}, {-3, 4}}];
In[26]:= Inverse[p4].a4.p4
248 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Out[26]= ¦¦2, 0¦, ¦0, 1¦¦
Por lo tanto, A
n
se puede escribir en la forma :
In[27]:= p4.{{2^n, 0}, {0, 1}}.Inverse[p4]
Out[27]= ¦¦9 −2
3+n
, 6 −3 2
1+n
¦, ¦−12 + 3 2
2+n
, −8 + 9 2
n
¦¦
5) Calcule los valores propios en IR y en I C de la matriz
A =
_
cos w −sin w
sin w cos w
_
.
Estudie cuando A es diagonalizable.
In[28]:= a5[w_] := {{Cos[w], -Sin[w]}, {Sin[w], Cos[w]}};
In[29]:= Solve[Det[a5[w] - x*IdentityMatrix[2]] == 0, x]
Out[29]=¦¦x →cos(w) −I sin(w)¦, ¦x →cos(w) +I sin(w)¦¦
Si w es tal que Sin[w] = 0(w = k ∗ Π) entonces la matriz se puede diagonalizar en
R, ya que el polinomio no tiene ra´ıces reales en ese caso, en caso contrario s´olo se
puede diagonalizar en C.
In[30]:= NullSpace[a5[w] - (Cos[w] - I Sin[w])*IdentityMatrix[2]]
Out[30]=¦¦−I, 1¦¦
In[31]:= NullSpace[a5[w] - (Cos[w] + I Sin[w])*IdentityMatrix[2]]
Out[31]= ¦¦I, 1¦¦
In[32]:= p5 = Transpose[{{-I, 1}, {I, 1}}];
In[33]:= Simplify[Inverse[p5].a5[w].p5]
10.8. PR
´
ACTICA 8: DIAGONALIZACI
´
ON 249
Out[33]=¦¦cos(w) −I sin(w), 0¦, ¦0, cos(w) +I sin(w)¦¦
6) Para las siguientes matrices A
i
, encuentra una matriz inversible X
i
tal que el
producto X
−1
i
A
i
X
i
sea la forma can´onica de Jordan de A
i
.
A
1
=
_
_
_
_
_
_
_
_
1 1 −1 1 −1
0 1 0 0 0
0 0 1 1 1
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
, A
2
=
_
_
_
_
_
1 −2 −1 0
1 0 −3 0
−1 −2 1 0
1 2 1 2
_
_
_
_
_
,
A
3
=
_
_
_
_
_
2 0 0 0
3 2 0 −2
0 0 2 0
0 0 2 2
_
_
_
_
_
.
In[34]:= a16 = {{1, 1, -1, 1, -1}, {0, 1, 0, 0, 0}, {0, 0,1, 1, 1},
{0, 0, 0, 2, 1}, {0, 0, 0, 0, 2}};
In[35]:= a26 = {{1, -2, -1, 0}, {1, 0, -3, 0}, {-1, -2, 1, 0},
{1, 2, 1, 2}};
In[36]:= a36 = {{2, 0, 0, 0}, {3, 2, 0, -2}, {0, 0, 2, 0},
{0, 0, 2, 2}};
In[37]:= JordanDecomposition[a16][[1]] // MatrixForm
Out[37]=
_
_
_
_
_
_
_
_
0 1 0 0 −1
1 0 1 0 0
1 0 0 1 0
0 0 0 0 0
0 0 0 0 1
_
_
_
_
_
_
_
_
In[38]:= JordanDecomposition[a16][[2]] // MatrixForm
Out[38]=
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 1 0 0
0 0 1 0 0
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
250 CAP
´
ITULO 10. PR
´
ACTICAS DE MATHEMATICA
Luego, la matriz a16 se puede expresar con el siguiente producto:
In[39]:= JordanDecomposition[a16][[1]].JordanDecomposition[a16][[2]].
Inverse[JordanDecomposition[a16][[1]]]//MatrixForm
Out[39]=
_
_
_
_
_
_
_
_
1 1 −1 1 −1
0 1 0 0 0
0 0 1 1 1
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
In[40]:= JordanDecomposition[a26][[1]] // MatrixForm
Out[40]=
_
_
_
_
_
−1 1 1 0
−1 −1 −1 −1
−1 1 1 1
1 0 −1 0
_
_
_
_
_
In[41]:= JordanDecomposition[a26][[2]] // MatrixForm
Out[41]=
_
_
_
_
_
−2 0 0 0
0 2 0 0
0 0 2 1
0 0 0 2
_
_
_
_
_
La siguiente matriz coincide con a26 :
In[42]:=JordanDecomposition[a26][[1]].JordanDecomposition[a26][[2]].
Inverse[JordanDecomposition[a26][[1]]]// MatrixForm
Out[42]=
_
_
_
_
_
1 −2 −1 0
1 0 −3 0
−1 −2 1 0
1 2 1 2
_
_
_
_
_

Sign up to vote on this title
UsefulNot useful