Álgebra para Ingenieros PDF

ÁLGEBRA LINEAL
UNMSM/FIEE
SEMESTRE 2017-I
Prof. Raúl P. Castro Vidal
ÁLGEBRA LINEAL Lic. Raúl Castro Vidal 2017-I
2
ÍNDICE
CAPÍTULO 1
MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
MATRICES
1. MATRIZ. DEFINICIÓN
2. ALGUNOS TIPOS DE MATRICES
3. SUMA DE MATRICES
4. PRODUCTO DE MATRICES POR UN ESCALAR
5. PRODUCTO DE DOS MATRICES
6. MATRIZ INVERSA DE UNA MATRIZ CUADRADA
7. RANGO O CARACTERÍSTICA DE UNA MATRIZ
8. CÁLCULO DEL RANGO POR EL MÉTODO DE GAUSS
9. CÁLCULO DE LA MATRIZ INVERSA POR EL MÉTODO DE GAUSS
DETERMINANTES
10. DETERMINANTES. DEFINICIÓN

11. CÁLCULO DE UN DETERMINANTE POR EL MÉTODO DE GAUSS
12. CÁLCULO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA FILA O COLUMNA
13. CÁLCULO DEL RANGO DE UNA MATRIZ MEDIANTE DETERMINANTES
14. CÁLCULO DE LA MATRIZ INVERSA MEDIANTE DETERMINANTES
SISTEMAS DE ECUACIONES LINEALES
15. NOTACIÓN ORDINARIA Y MATRICIAL

16. SISTEMAS COMPATIBLES E INCOMPATIBLES, DETERMINADOS E INDETERMINADOS
17. RESOLUCIÓN POR REDUCCIÓN O MÉTODO DE GAUSS
18. RESOLUCIÓN MEDIANTE DETERMINANTES O MÉTODO DE CRAMER
Ejercicios
CAPÍTULO 2
ESPACIOS VECTORIALES DE DIMENSIÓN FINITA
1. ESTRUCTURA DE GRUPO Y CUERPO

2. ESTRUCTURA DE ESPACIO VECTORIAL
3. PROPIEDADES DE LOS ESPACIOS VECTORIALES
4. ESPACIOS VECTORIALES DE LAS FUNCIONES Y LAS MATRICES
5. SUBESPACIOS VECTORIALES
6. SUBESPACIO VECTORIAL: CONDICIÓN NECESARIA Y SUFICIENTE
7. INTERSECCIÓN, UNIÓN Y SUMA DE SUBESPACIOS
8. COMBINACIÓN LINEAL DE VECTORES. SUBESPACIO GENERADO POR UN CONJUNTO DE
VECTORES
9. INDEPENDENCIA Y DEPENDENCIA LINEAL
10. SISTEMA DE GENERADORES DE UN ESPACIO O SUBESPACIO VECTORIAL
3
11. BASE DE UN ESPACIO VECTORIAL. DIMENSIÓN

12. COORDENADAS DE UN VECTOR RESPECTO DE UNA BASE. RANGO
13. ECUACIONES PARAMÉTRICAS E IMPLÍCITAS DE UN SUBESPACIO VECTORIAL
14. CAMBIO DE BASE EN UN ESPACIO VECTORIAL
15. EJERCICIO RESUELTO DE LOS APARTADOS 8 AL 14
Ejercicios
CAPÍTULO 3
FUNCIONES Y APLICACIONES LINEALES
1. RELACIONES FUNCIONALES O FUNCIONES

2. CLASIFICACIÓN DE LAS FUNCIONES
3. COMPOSICIÓN DE FUNCIONES
4. APLICACIÓN LINEAL
5. PROPIEDADES Y CLASIFICACIÓN DE LAS APLICACIONES LINEALES
6. NÚCLEO E IMAGEN DE UNA APLICACIÓN LINEAL
7. DIMENSIONES DEL NÚCLEO Y LA IMAGEN. RANGO DE UNA APLICACIÓN LINEAL
8. MATRIZ ASOCIADA A UNA APLICACIÓN LINEAL
9. CAMBIO DE BASES DE REFERENCIA EN DOS ESPACIOS VECTORIALES
Ejercicios
CAPÍTULO 4
DIAGONALIZACIÓN DE MATRICES Y FORMAS CUADRÁTICAS
VECTORES EN . MÓDULO Y VECTOR UNITARIO

ADICIÓN Y PRODUCTO ESCALAR DE VECTORES EN
1.
2.
3. ESPACIO VECTORIAL EUCLIDIANO. PRODUCTO INTERIOR
4. ÁNGULO DE DOS VECTORES
5. ORTOGONALIDAD
6. CONJUNTO ORTOGONAL DE VECTORES
7. BASE ORTONORMAL
8. ORTONORMALIZACIÓN DE UNA BASE
9. VALORES Y VECTORES PROPIOS DE UNA MATRIZ
10. POLINOMIO CARACTERÍSTICO DE UNA MATRIZ CUADRADA. DETERMINACIÓN DE LOS
VALORES Y VECTORES PROPIOS
11. MATRICES SEMEJANTES EN UNA APLICACIÓN LINEAL
12. POLINOMIO CARACTERÍSTICO DE UNA APLICACIÓN LINEAL
13. RAÍCES DEL POLINOMIO CARACTERÍSTICO Y DIAGONALIZACIÓN DE MATRICES
14. ECUACIÓN GENERAL DE LAS CÓNICAS. REDUCCIÓN
15. FORMAS CUADRÁTICAS
16. MATRIZ SIMÉTRICA ASOCIADA A UNA FORMA CUADRÁTICA
17. DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS Y REALES
18. DIAGONALIZACIÓN ORTOGONAL
19. UN PROBLEMA FÍSICO DE APLICACIÓN
Ejercicios
4
5
CAPÍTULO 1
MATRICES
3. SUMA DE MATRICES
DETERMINANTES


Ejercicios
6
CAPÍTULO 1
MATRICES
Una matriz es un conjunto de números dispuestos en filas y columnas

escrito de la siguiente forma:
…
…

…
donde el elemento situado en la fila , columna es el

.
Una matriz es rectangular si , y cuadrada si .
La dimensión de una matriz es el producto .
Matriz fila. Sólo tiene una fila. Ejemplo: 1 2 3 4
1
Matriz columna. Sólo tiene una columna. Ejemplo: 5#
9
Matriz triangular. Aquella en la que todos los elementos situados por encima o
por debajo de la diagonal principal son nulos.
Matriz transpuesta. $ . Se obtiene cambiando filas por columnas. Ejemplo:
1 5
1 2 3
Sea la matriz % (, entonces $ 2 6#.
5 6 7
3 7
Algunas propiedades de las matrices transpuestas son:
$ $
) *$ $ ) *$
+ *$ *$ + $
7
Matriz simétrica. Aquella que siendo cuadrada tiene los mismos elementos por
encima y por debajo de la diagonal principal. Ejemplo:
1 ,4 5
,4 2 6#
5 6 3
Matriz antisimétrica o hemisimétrica. Aquella que siendo cuadrada tienen los

mismos elementos por encima y por debajo de la diagonal principal, pero cambiados
de signo. Ejemplo:
1 ,4 5
4 2 6#
,5 ,6 3
Matriz diagonal. Aquella que siendo cuadrada tiene todos los elementos, no
pertenecientes a la diagonal principal, nulos. Ejemplo:
1 0 0
0 2 0#
0 0 3
Matriz escalar. Aquella matriz diagonal con todos los elementos de la diagonal
principal iguales. Ejemplo:
2 0 0
0 2 0#
0 0 2
Matriz unidad, canónica o identidad: /. Aquella matriz escalar con todos los
dimensión 3 3 es:
elementos de la diagonal principal iguales a 1. Por tanto, la matriz identidad de
1 0 0
0 01 0 1 0#
0 0 1
Matriz nula o cero: 2. Aquella matriz que tiene todos sus elementos nulos.
Ejemplo:
0 0 0
01 % (
0 0 0
3. SUMA DE MATRICES
Para sumar dos matrices y * deben tener la misma dimensión. La suma se

realiza elemento a elemento. Por ejemplo:
1 ,2
% (
3 4
5 6
* % (
7 8
8
1)5 ,2 ) 6 6 4
)* % (% (
3)7 4)8 10 12
Propiedades
• Asociativa: ) * ) 4 ) * ) 4
• Conmutativa: ) * * )
• Elemento neutro: ) 0 , siendo 0 la matriz nula
El producto de la matriz por el escalar 5 se calcula multiplicando todos los

elementos de la matriz por el escalar. Por ejemplo:
1 ,2
% (
3 4
55
1 ,2 5+1 5 + ,2 5 ,10

5 5 % (% (% (
3 4 5+3 5+4 15 20
El producto de dos matrices se realiza multiplicando filas por columnas como

se muestra en el siguiente ejemplo:
6
7 8#
9 :
< =
*; @
> ?
< ) 6 = ) 6> ) 6?
+ * A7< ) 8 7= ) 8> 7 ) 8? B
9< ) : 9= ) :> 9 ) :?
donde tiene dimensión 2 3 mientras que la dimensión de * es 3 2, de manera

que la dimensión de + * es 3 3.
En general, si la dimensión de es , la dimensión de * debe ser C
para poderlas multiplicar, siendo C la dimensión de + *.
Propiedades
• Asociativa: *4 *4

• En general, no cumple la propiedad conmutativa: * *
derecha. Así, en *, premultiplica a *, o * postmultiplica a .

Premultiplicar es multiplicar por la izquierda y postmultiplicar es hacerlo por la
• Si es cuadrada, el elemento neutro del producto es 0: D/ /D D.
9
Distributiva respecto de la suma: * ) 4 * ) 4

D + EF EF + DF
•
Si y * tienen matriz inversa (ver punto 6), entonces: D + EGH EGH + DGH
•
Si * 4, no es cierto, en general, que * 4.

•
) * ) * ) * ) * ) 2* ) *
•
, * , * , * ) * , 2* ) *
•
) * , * , * ) * , * , *
•
•
Si existe G tal que
+ G G + 0
entonces DGH es la matriz inversa de , y se dice que es invertible o regular. Pero, si

G no existe, entonces es singular.
Toda matriz de dimensión , leída fila a fila, es también un conjunto de

vectores de dimensión . O, leída columna a columna, un conjunto de vectores de
dimensión . El rango o característica de una matriz es el número de filas o de
columnas (es decir, el número de vectores) linealmente independientes (LI).
Propiedad
• El rango considerando la matriz por filas es igual al rango evaluado por columnas.
Las transformaciones de filas o columnas que no modifican el rango son:
• Permutar dos filas o dos columnas.

• Multiplicar o dividir una fila o columna por un número distinto de cero.
• Sumar (o restar) a una fila o columna otra paralela.
• Suprimir filas o columnas nulas o combinación lineal de otras.
Método de Gauss para determinar el rango de una matriz
A continuación se expone el procedimiento a seguir para determinar el rango,

conocido como método de Gauss o del pivote:
• Se elige como pivote un elemento no nulo.

• Los restantes elementos de su fila (o de su columna) se hacen nulos empleando las
cuatro transformaciones anteriores.
• Se reitera el procedimiento eligiendo como pivote otro elemento no nulo no
perteneciente ni a la fila ni a la columna del pivote anterior.
• Se vuelve a realizar, eligiendo otro pivote no nulo que no pertenezca ni a las filas ni
a las columnas de los pivotes anteriores.
• Así sucesivamente hasta agotar todos los pivotes no nulos.
10
El rango es el número de las filas o de las columnas (el menor de los dos) cuyos
elementos no sean todos nulos.
1 2 1 ,1
Ejemplo
1 1 0 2
Determinar el rango de la matriz .
2 2 ,1 2
0 1 2 ,1
filas y otras por columnas), se elige como pivote, por ejemplo, el elemento 1.
Operando por filas (también se podría por columnas e incluso unas veces por
Empleando la fila del pivote como operadora, se resta la fila 1ª de la 2ª y dos veces la
fila 1ª de la 3ª. La matriz que resulta es:
1 2 1 ,1
0 1 0 ,3

0 2 3 ,4
0 1 2 ,1
pertenezca ni a la fila 1ª ni a la columna 1ª, por ejemplo el 1. Empleando la fila

En esta nueva matriz, se elige como pivote uno que no sea nulo y no
del pivote como operadora, se resta dos veces la fila 2ª de la 1ª, dos veces la fila 2ª de
la 3ª y la 2ª de la 4ª. La matriz que resulta es:
,1 0 1 ,5
0 1 1 ,3

0 0 ,1 ,2
0 0 ,1 ,2
ni a las filas ni a las columnas de los pivotes anteriores, por ejemplo el
En esta nueva matriz se elige como pivote uno que no sea nulo y no pertenezca
,1. Empleando la fila del pivote como operadora, se suma la fila 1ª con la 3ª, la 2ª con
la 3ª y se resta la 3ª y la 4ª. La matriz que resulta es:
,1 0 0 ,7
0 1 0 ,5

0 0 ,1 ,2
0 0 0 0
El proceso ha finalizado pues no es posible elegir un nuevo pivote no nulo.

En la última matriz se elimina la fila 4ª pues todos sus elementos son nulos. Por
lo tanto, el rango es 3 y las tres primeras filas son vectores LI.
Para determinar la inversa de una matriz se procede de la siguiente manera:

se sitúa a su lado la matriz identidad 0 y se sigue el método del epígrafe anterior a la
matriz rectangular constituida por e 0. Tras sucesivas transformaciones se obtiene
G , si existe, según el esquema siguiente:
11
0
transformaciones transformaciones
de filas y columnas de filas y columnas
0 G
1 0 ,1
Ejemplo
Calcular la matriz inversa de 1 2 ,2#.

2 ,1 1
1 0 ,1 1 0 0
1 2 ,2# 0 1 0#
Paso 1º
2 ,1 1 0 0 1
1 0 ,1 1 0 0
0 ,2 1# 1 ,1 0 #
Paso 2º
0 1 ,3 2 0 ,1
1 0 ,1 1 0 0
0 ,2 1 # 1 ,1 0 #
Paso 3º
0 0 ,5 5 ,1 ,2
5 0 0 0 1 2
0 ,10 0 # 10 ,6 ,2#
Paso 4º
0 0 ,5 5 ,1 ,2
1 0 0 0 1⁄5 2⁄5
0 1 0# ,1 3⁄5 1⁄5#
Paso 5º
0 0 1 ,1 1⁄5 2⁄5
En el paso 1º se elige como pivote el elemento 1. En el paso 2º se resta
,2. En el paso 3º se suma la fila 2ª con dos veces la 3ª. Se elige como pivote el
la fila 1ª de la 2ª y dos veces la 1ª de la 3ª. Se elige como pivote el elemento
elemento ,5. En el paso 4º se resta cinco veces la fila 1ª de la 3ª y se suma

cinco veces la 2ª y la 3ª. En el paso 4º se divide la fila 1ª por 5, la 2ª por ,10 y la
tercera por ,5.
En estas condiciones, la matriz inversa es:
0 1⁄ 5 2 ⁄ 5 1 0 1 2
AG ,1 3⁄5 1⁄5# ,5 3 1#
5
,1 1⁄5 2⁄5 ,5 1 2
12
DETERMINANTES
El determinante de una matriz cuadrada (se escribe || o det ) es el

número obtenido al sumar todos los productos posibles de sus elementos, de modo
que en cada producto haya un elemento, y sólo uno, de cada fila y cada columna. El
signo de cada producto es alternativamente positivo y negativo, siguiendo un orden
El determinante de la matriz 1 es:

relacionado con la posición de los elementos.

det O O ,

El determinante de la matriz 1 es:

det P P O
O , O O ) O O

Se ha desarrollando el determinante a través de los elementos de la primera

fila, pero se podría haber empleado cualquier fila o columna, teniendo en cuenta el
determinante de 4 4:
signo asociado a cada posición, tal como se representa a continuación para un
) , ) ,
Q,
)
)
,
,
)
)Q
,
, ) , )
El procedimiento se generaliza para .
Propiedades
det det $
det 0 0
•
det 0 1
•
•
• El determinante de una matriz diagonal o triangular es el producto de los
elementos de la diagonal principal.
• Suma de determinantes: Veamos un ejemplo:
El ejemplo se ha escrito empleando las primeras filas, pero se podría generalizar a

cualquier fila o columna, pues dos determinantes se pueden sumar si tienen todas
las filas (o las columnas) iguales menos una.
• Para multiplicar un determinante por un escalar basta multiplicar una fila o
• RSTD + E RSTE + D RST D + RST E, aunque + * * +

columna.
13
• Si se permutan dos filas o dos columnas el determinante cambia de signo.

• Si una fila o columna tiene todos los elementos nulos, el determinante es nulo.
• Un determinante es nulo si tiene dos filas o columnas combinación lineal.
• Si a una fila o columna se le suma otra paralela multiplicada por un número, el
• Si el determinante de orden es nulo, el rango de su matriz es menor que :

determinante no varía.
det 1 0 U V<W X
Empleando el método de Gauss del epígrafe 9 se puede calcular un

determinante teniendo en cuenta que al multiplicar por un número la fila o columna a
reemplazar, hay que dividir el determinante por dicho número. Basta obtener una
matriz triangular, pues su determinante es el producto de la diagonal principal.
También se pueden realizar otros cálculos combinados con el método de Gauss.
1 3 ,2 5
Ejemplo
5 0 3 1
Calcular el determinante de la matriz .
2 5 6 3
,1 2 3 2
Elegido como pivote el elemento 1, multiplicamos por 5 la fila 1ª y
,1, debemos tener en cuenta este factor. También multiplicamos la fila 1ª por 2 y le
restamos la 2ª para reemplazar esta última; como la fila 2ª ha sido multiplicada por
,1 por el que hemos multiplicado la fila 3ª. Por último, sumamos las filas 1ª y 4ª. La
restamos la 3ª para reemplazarla, y hemos de tener presente de nuevo el factor
matriz que resulta es:
1 3 ,2 5
0 15 ,13 24

0 1 ,10 7
0 5 1 7
Factores introducidos: ,1, ,1
Se elige como pivote el 15. Multiplicamos por 15 la fila 3ª y le restamos

la 2ª para reemplazar la 3ª (factor introducido: 15). Multiplicamos por 3 la fila 4ª y le
restamos la 2ª para reemplazar la 4º (factor introducido: 3). No hace falta modificar la
fila 1ª porque se trata de conseguir una matriz triangular. La matriz que resulta es:
1 3 ,2 5
0 15 ,13 24

0 0 ,137 81
0 0 16 ,3
Factores introducidos: 15, 3
Se elige como pivote el ,137. Multiplicamos por 16 la fila 3ª y le

sumamos la 4ª multiplicada por 137 para reemplazarla (factor introducido: 137). No
hace falta modificar las filas superiores. La matriz que resulta es:
14
El proceso ha finalizado pues se ha conseguido una matriz triangular superior.

El determinante es:
1 + 15 + ,137 + 885
det ,295
,1 + ,1 + 15 + 3 + 137
Se llama determinante adjunto o menor complementario del elemento

al
que resulta de eliminar la fila y la columna . La matriz del adjunto se llama cofactor o
matriz complementaria. El signo del adjunto es alternativamente positivo o negativo,
siguiendo el criterio explicado en el epígrafe 10.
Todo determinante es igual a la suma de los elementos de una fila o
columna, multiplicados por sus adjuntos.
Ejemplo
Ejemplo
En el segundo ejemplo se han realizado cálculos por el método de Gauss

combinados con el desarrollo por los elementos de una línea.
El rango de una matriz es el correspondiente al de la mayor matriz cofactor

cuyo determinante menor complementario no sea nulo. En pocas palabras: el del
Sea una matriz 1 formada por vectores de dimensión con Z .

«mayor menor» no nulo.
Basta que un determinante de orden sea distinto de cero para que los vectores
sean LI. Si fuese X se analizaría la matriz traspuesta de manera análoga.
Ejemplo
Evaluar la dependencia o independencia lineal de los vectores de [ :

]^ 1, 3, 0, 7, _^ ,1, 2, ,4, 6 ` a
\ ]]^ 1, 1, 2, 0.
15
Calculamos un determinante de tercer orden:
1 3 0
det ,1 2 ,4# 2 0
1 1 2
como es distinto de cero, se puede asegurar que los tres vectores son LI.
Se llama matriz adjunta de , y se escribe bcd D, a la obtenida al sustituir cada

elemento por su determinante adjunto.
Así, por ejemplo, sea
2 ,2 2
2 1 0#
3 ,2 2
se puede comprobar que
2 ,4 ,7
8 0 ,2 ,2#
,2 4 6
Se demuestra que:
8 $
G
det
De esta expresión se deduce que D es invertible si y sólo si RST D 2.
La notación ordinaria de un sistema de ecuaciones con incógnitas es:
) ) e ) 6
) ) e ) 6

) ) e ) 6
Si los términos independientes 6 , e , 6 son todos nulos, se dice que el

sistema es homogéneo.
Sea f la matriz de coeficientes:

El mismo sistema se puede escribir con notación matricial.
…
…
f
…
16
Sea la matriz ampliada con los términos independientes:
… 6
… 6
g
… 6
Sea h la matriz columna de incógnitas:

h

Y sea * la matriz columna de términos independientes:
6
6
*

6
La expresión matricial del sistema de ecuaciones es:
f+h *
Premultiplicando esta igualdad por fG , si existe:
fG + f + h fG *
0 + h fG *
por tanto
h fG *
Ejemplo
Resolver el sistema de ecuaciones
) ) 10
2 ) ) 11
) 5 ) 18
La matriz f es:
1 1 1
f 2 1 1#
1 5 1
cuyo determinante es:
89i f 4 0
lo que asegura que f es invertible, de manera que:
17
,1 1 0
fG , 1⁄4 0 1⁄ 4 #
9⁄4 ,1 ,1⁄4
por lo tanto
,1 1 0 10
hf G ⁄
* ,1 4 0 ⁄
1 4 # 11#
9⁄4 ,1 ,1⁄4 18
de donde:
1
h 2#
7
es decir, 1, 2, 7.
decir, tiene solución, si el rango de la matriz de coeficientes f es igual al rango de la

El criterio de Rouché-Frobenius establece que un sistema es compatible, es
matriz ampliada . Caso contrario, es incompatible, y no tiene solución. Además, un

sistema compatible es determinado si el rango de f (o de ) es igual al número de
incógnitas , y su solución es única; y es indeterminado si el rango es menor que , y
tiene infinitas soluciones.
Con el método de reducción o de Gauss lo que se convierte la matriz en una

triangular, para así obtener un sistema de ecuaciones escalonado y equivalente (con
las mismas soluciones que el dado).
Ejemplo
Resolver por el método de Gauss el sistema de ecuaciones f + h *, con:
1 1 ,1 1 ,8
1 ,1 1 1
f *A 2 B
1 1 1 ,1 6
,1 1 1 1 4
La matriz es:
1 1 ,1 1 ,8
1 ,1 1 1 2
g
1 1 1 ,1 6
,1 1 1 1 4
Siguiendo el método del epígrafe 9, se llega a la matriz triangular superior

equivalente:
18
1 1 ,1 1 ,8
0 ,2 2 0 10
g
0 0 2 ,2 14
0 0 0 4 ,8
Se trata del siguiente sistema de ecuaciones escalonado:
) , ) [ ,8
,2 ) 2 10
2 , 2[ 14
4 [ ,8
En la 4ª ecuación se calcula [ ,2, cuyo valor se sustituye en la 3ª,

obteniéndose 5. Se procede de manara análoga con la 2ª y 1ª ecuación, de
manera que 0 y ,1.
Se demuestra que la solución de un sistema determinado mediante

determinantes (denominado método de Cramer) consiste en calcular cada incógnita
incógnitas:
siguiendo el esquema que se emplea en el siguiente ejemplo, generalizable para
Ejemplo
Resolver el sistema de ecuaciones por el método de Cramer
) ) 10
2 ) ) 11
) 5 ) 18
Se trata del mismo sistema ya resuelto a través de la inversa de la matriz f. El

determinante de f es:
det f 4 0
Las incógnitas se calculan como se expresa a continuación:
10 1 1 1 10 1 1 1 10
det A 11 1 1B det A2 11 1B det A2 1 11 B
18 5 1 1 18 1 1 5 18
1; 2; 7
1 1 1 1 1 1 1 1 1
det 2 1 1# det 2 1 1# det 2 1 1#
1 5 1 1 5 1 1 5 1
Se puede emplear el método de Cramer en sistemas indeterminados,

teniendo ciertas precauciones. Veámoslo con un ejemplo.
Ejemplo
Resolver el sistema de ecuaciones por el método de Cramer
19
) ) 10
, ) 7
Pasando al segundo miembro:
) 10 ,
, 7 ,
la matriz de los coeficientes de y es:
1 1
f% (
1 ,1
cuyo determinante es:
det M ,2 0
Se le da a cualquier valor. Sea 5. Empleando el método de Cramer:
10 , 5 1 1 10 , 5
89i % ( 89i % (
7 , 5 ,1 ; 1 7,5
1 1 1 1
89i % ( 89i % (
1 ,1 1 ,1
Obsérvese que no sería válido resolver el sistema del enunciado pasando al

segundo miembro:
) 10 ,
) 7 )
pues en ese caso la matriz f sería:
1 1
f% (
1 1
cuyo determinante es nulo.
20
Ejercicios
1. Se dice que una matriz es ortogonal si su inversa es igual a su transpuesta. Sean y *

dos matrices de orden n invertibles. es simétrica y * ortogonal. Simplificar:
l m* , n$ , *G $ ) ) *G , *$ )
2. Sean y * dos matrices tales que * 0 (matriz nula). Si es invertible, demostrar

que * tiene que ser la matriz nula.
3. Hallar la inversa de
0 1 0 0
A1 0 0 0B
0 0 1 0
1 1 1 1
3 2 1
4. Hallar la matriz h que verifica la identidad h , *h 4 siendo 0 3 ,1#,
,5 3 1
1 0 3 0 2 ,2 8
* ,5 2 1 # y 4 12 0 1 20 #
4 0 ,3 ,33 8 ,1 ,36
5. Calcular el determinante de Vandermonde
o 6o 7o 8o
det 6 7 8

6 7 8
6 7 8
Y generalizar el resultado hasta el exponente natural .
,7 ,6
6. Resolver la ecuación det , p0 0 siendo % ( e 0 identidad.
12 10
7. Hallar el rango de la siguiente matriz en función de los valores de sus parámetros:
1 1 6
1 1 2 6 #
1 1 2 2
8. En el dominio de las matrices cuadradas de orden 5, demostrar:
det ) 32 + det
9. Si en el dominio de las matrices cuadradas de orden se satisface que ,0 ,

demostrar que es invertible y que ha de ser par.
5 0 1
s1 3 0v
10. Calcular el rango de r2 6 0u
3 ,6 1
q4 ,3 1t
21
11. Discutir y resolver según los valores de , 6 w el sistema:
) 6` ) x 1
) 6` ) x 6
) 6` ) x 1
1 1 1
12. Hallar la potencia n-sima de la matriz f 1 1 1#.
1 1 1
,2 7 0
13. Sea f 5 4 1#, descomponer f en una suma de una matriz simétrica y una
2 ,5 5
antisimétrica.
14. Demostrar que:
` x i
` i x B ) ` ) x ) i ) x , ` , i ) i , ` , x ) ` , x , i
det A `
x i
i x `
1 2 0 1 2 1 0
0 1 [ det A0 1 1 1B
det
0 1 2 0 1 2 1
1 0 1 1 1 0
67 67 6 7
det 6 7 6 # det 6 7 67 #
7 7 6 7 67 6
22
CAPÍTULO 2

8. COMBINACIÓN LINEAL DE VECTORES. SUBESPACIO GENERADO POR UN CONJUNTO DE
VECTORES
Ejercicios
24
CAPÍTULO 2
Estructura de grupo
Sea y un conjunto y z una operación que se efectúa con sus elementos; en

adelante: y,z; se dice que y,z tiene estructura de grupo si:
a) La operación z es una ley de composición interna
, 6 w y U z 6 w y
b) Se cumple la propiedad asociativa
z 6 z 7 z 6 z 7
c) Existe el elemento neutro 9
z9 9z
d) Existe el elemento inverso {
z { { z 9
Si los elementos de y, además, cumplen la propiedad conmutativa:
z6 6z
entonces y,z es un grupo abeliano.
Estructura de cuerpo
Sean ) y z dos operaciones que se efectúan con los elementos de un conjunto

|; en adelante |, ),z; se dice que |, ),z tiene estructura de cuerpo si:
a) |, ) es un grupo abeliano
b) | , }0~,z es un grupo abeliano, donde }0~ es el elemento neutro de |, ), de

manera que | , }0~ es el conjunto de los elementos de |, excepto el 0.
c) La operación z es distributiva respecto a la operación +:
, 6, 7 w | U z 6 ) 7 z 6 ) z 7
Ejercicios
E.1. En el conjunto de los números enteros se define z de la siguiente manera:

z 6 ) 6 ) 3. Comprobar si ,z tiene estructura de grupo abeliano.
•
25
E.2. En el conjunto de los números naturales se define z de la siguiente manera:
z 6 ) 6 ) 3. Comprobar si ,z tiene estructura de grupo abeliano.
•
• E.3. ¿Es , ),z cuerpo? () y z son la suma y el producto conocidos).
• E.4 ¿Es , ),z cuerpo? ( el conjunto de los números racionales con ) y z la
suma y el producto conocidos).
Sea un conjunto no vacío (los elementos de se llaman vectores). Sea | un

cuerpo (los elementos de | se llaman escalares). Sean ) y z dos operaciones que en
adelante llamaremos suma y producto.
El objeto , ), |,z es un espacio vectorial si:
a) , ) es un grupo abeliano.
b) z es una ley de composición externa en con escalares u operadores en |
5 w |; ^ w U 5 z ^ w
c) Propiedad asociativa mixta
5, w |; ^ w U 5 z z ^ 5 z z ^
d) Propiedad distributiva del producto respecto de la suma en |
5, w |; ^ w U 5 ) z ^ 5 z ^ ) z ^
e) Propiedad distributiva del producto respecto de la suma en
5 w |; ^, `^ w U 5 z ^ ) `^ 5 z ^ ) 5 z `^
f) La unidad del cuerpo es el elemento neutro para el producto
^ w U 1 z ^ ^
Nota: En adelante se entenderá que 5 z ^ 5 + ^ 5^
Ejercicios
E.5. Sean y | . Sea la adición definida en por , 6 ) 7, 8

) 7, 6 ) 8. Sea z el producto de números reales por elementos de definido
•
mediante la expresión 5, 6 5, 56. Demostrar que ( , ), ,z es un

espacio vectorial.
5, 6 , . ¿Es ( , ), ,z un espacio vectorial?

• E.6. El mismo enunciado anterior, pero modificando la definición del producto:
26
E.7. El mismo enunciado, pero modificando la definición de la suma: , 6 )
7, 8 1⁄2 ) 7, 6 ) 8. ¿Es ( , ), ,z un espacio vectorial?
•
a) El producto del escalar 0 por cualquier vector es el vector nulo ]0^
]^
0 + ^ 0
]^ es el vector 0
b) El producto de cualquier escalar por el vector 0 ]^
5 + ]0^ 0
]^
]^, entonces el escalar es 0 o

c) Si el producto de un escalar por un vector es el vector 0
el vector es nulo.
d) El opuesto de cualquier escalar por un vector es igual al opuesto de su producto
,5^ ,5^
números reales constituyen un espacio vectorial; es decir, se cumple:

Se deja como ejercicio demostrar que las funciones sobre el cuerpo de los
: ) < : ) <

5: 5 : , 5 w
Se deja como ejercicio demostrar que las matrices reales de dimensión

constituyen un espacio vectorial:
:: 1 | w
La función : queda caracterizada por el conjunto:
…
…
… … … …
…
de manera que se cumple:
: ) <, :, ) <,

) 6
5:, 5 :, 5
Dados el espacio vectorial , ), |,z y el conjunto , , si es un

espacio vectorial sobre el mismo cuerpo | y con las mismas leyes de composición que
en , decimos que es un subespacio de .
27
Propiedades
es subespacio de
El subconjunto que contiene exclusivamente al vector nulo 0 ]^ es también
•
subespacio de . Se denomina subespacio nulo.

•
• ]^, se llaman subespacios propios.

Los demás subespacios de , distintos de y 0
Sea , , la condición necesaria y suficiente para que sea

subespacio de es:
^, `^ w ; 5, w |; 5^ ) `^ w
Propiedad
• ]^ debe pertenecer a para afirmar que es un subespacio de .

El vector nulo 0
Ejercicios
• E.8. Demostrar que ]0^ debe pertenecer a para afirmar que es subespacio de .
E.9. En el espacio vectorial , ), ,z con las operaciones conocidas ) y z,

determinar si los subconjuntos y son subespacios:
•
}, ` w ⁄` 2~
}, ` w ⁄` ) 1~
E.10. En el espacio vectorial , ), ,z con las operaciones conocidas ) y z,

determinar si los subconjuntos siguientes , , y son subespacios:
•
}, `, x w ⁄x ) `~
}, `, x w ⁄ ) x 0~
}, `, x w ⁄|| |`|~
}, `, x w ⁄x ) 2~
La intersección de toda familia de subespacios de es un subespacio de .

La unión de subespacios de no, en general, un subespacio de .
•
Sean y dos subespacios de , el conjunto es la suma de y si:

•
•
) }^ w , \ ]]^ w ⁄^ \

]^ w , a ]]^ ~
]^ ) a
La suma de subespacios de es un subespacio de . Además, el subespacio )

es el menor de todos los subespacios que contienen a y a .
Sean y dos subespacios de , el subconjunto es la suma directa de y
, lo que denota escribiendo , si se verifica que ) y
•
0]^. Si , los dos subespacios y se denominan subespacios

complementarios.
28
8. COMBINACIÓN LINEAL DE VECTORES. SUBESPACIO GENERADO POR UN CONJUNTO

DE VECTORES.
COMBINACIÓN LINEAL DE VECTORES
Sea , ), |,z un espacio vectorial. Se llama combinación lineal de los

vectores ]^ , … ,
]^ , ]^ w a todo vector h^ de la forma:
h^ 5
]^ ) 5
]^ ) e ) 5
]^ 5 w |
Si 5 0 la combinación lineal se llama trivial.
SUBESPACIO VECTORIAL GENERADO POR UN CONJUNTO DE VECTORES
Sea , ), |,z un espacio vectorial y sea ]^ , … ,

]^ , ]^ , el
subconjunto 5 ]^ ) 5
]^ ) e ) 5 ]^ 5 w | se denomina variedad lineal
generada por el conjunto .
El conjunto es un subespacio de que recibe el nombre de subespacio
vectorial generado (o engendrado) por ]^ ,
]^ , … , ]^ .
Propiedades

•
U
•
{ { { {

•
•
Ejercicios
E.11. Comprobar si los vectores ,1, 1, 3 y 1, 2, 2 son combinación lineal de los
vectores ,1, 0, 2 y ,1, 2, 4.
•
E.12. En el espacio vectorial 1 , ), ,z se consideran las matrices

1 0 1 0 0 0
•
% (, * % (y4% (. Determinar todas las combinaciones lineales
0 1 1 0 1 1
de , *, 4 que permiten obtener la matriz nula.
Sea , ), |,z un espacio vectorial y sea ]^ ,

]^ , … ,
]^ , se dice que
es un sistema linealmente independiente (LI) o sistema libre si la única
combinación lineal (CL) de ellos que vale ]0^ es aquella en la que todos los escalares son
nulos, es decir, es la trivial:
]^ U 5 0
]^ 0
5
Se dice que es un sistema linealmente dependiente (LD) o sistema ligado si

no es un sistema libre, esto es, si existen algunos escalares no todos nulos tales que:
29
]^ U algún 5 0
]^ 0
5
Propiedades
• Todo vector no nulo es un conjunto LI.

• El vector nulo es LD.
• Todo conjunto al que pertenezca el vector nulo es LD.
• Un vector es CL de toda familia que lo contenga.
• Un conjunto de vectores es LD si algún vector es CL de los demás.
Si un sistema de vectores es LD, entonces también lo es cualquier sistema que

• Un conjunto de vectores es LI si ningún vector es CL de los demás.
resulte de añadir algún vector a .

•
Si un sistema de vectores es LI, entonces también lo es cualquier sistema que

resulte de prescindir de alguno de los vectores de .
•
Para averiguar si un conjunto de vectores es LI o LD basta aplicar el método de

Gauss o del pivote. Si empleando las transformaciones del método es posible
conseguir el vector nulo, entonces el conjunto es LD; en caso contrario es LI.
Propiedades
• En el espacio -dimensional, ) 1 vectores son LD. (Ej. Cuatro vectores de tres
Un conjunto de vectores -dimensionales es LD si su determinante es nulo.

dimensiones son LD).
•
Ejercicios
E. 13. En el espacio vectorial , ), ,z, determinar si los siguientes vectores son
LI: a) }1, 0, 0, 0, 1, 0, 1, 0, 0~; b) * }1, ,1, 0, 1, 1, 2, 1, 0, 1~.
•
1 0 0 1 0 0 0 0
E.14. Demostrar que las matrices % (,% (,% (% ( son vectores LI.
0 0 0 0 1 0 0 1
•
definido por ) ; ¡ ,2 son LI.

• E.15. Demostrar que el espacio vectorial de los polinomios reales sobre el cuerpo
E.16. Estudiar la dependencia o independencia lineal de los vectores ]^ √2 y

]^ √3 en el espacio vectorial , ), ,z y en el espacio vectorial , ), ,z.

•
• E.17. Determinar para que sean LD los vectores 1, ,4, 6, 1, 4, 4 y 0, ,4, .
Sea , ), |,z un espacio vectorial y ]^ , … ,

]^ , ]^ un subespacio
vectorial, se dice que los vectores de son un sistema de generadores (SG) de si
todo vector de es CL de ]^ ,
]^ , … ,
]^ . Un SG puede ser LI ó LD.
30
Ejemplo
El conjunto }1, 0, 0, 1, 1, 1~ es un SG de . En efecto, sea , 6
cualquier vector de ; deben existir escalares 5, , £ tales que: 51,0 ) 0,1 )
£1, 1 , 6. Es decir5 ) £, ) £ , 6.
Para £ >, > w , 5 , >, 6 , >. Por tanto, es un SG de y
cualquier vector puede expresarse de infinitas maneras como CL de los vectores de .
Obsérvese, sin embargo, que los vectores de son LD.
Ejercicio
• E. 18. Determinar si los vectores 1, 1, 1, 1, 1, 0, 1, 0, 0 son un SG de .
BASE
Sea ]^ , … ,
]^ , ]^ un conjunto de vectores del espacio , ), |,z. El
conjunto es una base de , ), |,z si es un conjunto LI y SG de .
Se llama base canónica de a la formada por los vectores:
]^H H, 2, 2, … , 2
¤
]^¥ 2, H, 2, … , 2
¤
……………………..
]^¦ 2, 2, 2, … , H
¤
Ejemplo
Determinar una base del subespacio de , ), ,z definido de la siguiente

manera: }, `, x w ⁄x ) `~.
Si , 6, 7 es un vector genérico de , entonces , 6, 7 , 6, ) 6

, 0, ) 0, 6, 6 1, 0,1 ) 60, 1, 1. De donde se deduce que los vectores
1, 0, 1 y 0, 1, 1 son una base de pues son SG y LI.
Ejercicio
a) , ), ,z
• E. 19. Proponer una base en cada caso:
b) 1 , ), ,z
c) [ , ), ,z
d) §, ), ,z. § es el conjunto de los números complejos.
DIMENSIÓN
Sea un subespacio de . Todas las bases de tienen el mismo número

de vectores. Este número se denomina dimensión de y se representa dim .
Propiedades
• La dimensión de un espacio vectorial es la dimensión de cualquiera de sus bases.
31
dim0 ]^ 0, por definición.

Un conjunto de vectores LI de un espacio vectorial -dimensional es una base.
•
Todo SG de vectores de un espacio vectorial -dimensional es una base.

•
Si es una base de dimensión del espacio vectorial , entonces ) 1 vectores

•
de forman un conjunto LD.

•
Si es un subespacio de y dim dim entonces .

La dimensión de un subespacio vectorial es el número máximo de vectores de
•
que son LI. Además, dim es el número mínimo de vectores de un SG de .

•
• Fórmula de Grassmann. Si y son dos subespacios vectoriales, se verifica:
dim ) dim ) dim , dim ª
Ejemplo
Determinar la dimensión de la suma de y :

}, `, x w ⁄x ) `~ ; }, `, x w ⁄x ~.
Si , 6, 7 es un vector genérico de , entonces , 6, 7

, 6, ) 6 , 0, ) 0, 6, 6 1, 0,1 ) 60, 1, 1.
dim 2.
Por tanto,
Si , 6, 7 es un vector genérico de , entonces , 6, 7 , 6,

, 0, ) 0, 6, 0 1, 0,1 ) 60, 1, 0. Por tanto, dim 2.
Como el vector común a las bases de y es 1, 0,1, entonces
dim ª 1. De donde se deduce que: dim ) dim )
dim , dim ª 2 ) 2 , 1 3.
de extensión a una base). Sea , ), |,z un espacio vectorial de dimensión

• Teorema de Steinitz (también llamado teorema de la base incompleta o teorema
, }9^ , 9^ , … , 9^ ~ una base de y el conjunto ]^ , … ,

]^ , ]^« un sistema libre de
vectores de , con C X . Entonces existe algún sistema de , C vectores de
tal que es una base de . Además, los vectores de se pueden tomar de
entre los de un base cualquiera }9^ , 9^ , … , 9^ ~ de .
COORDENADAS DE UN VECTOR
Todo vector queda identificado mediante una única CL de los vectores de una
Se trata, pues, de expresar un vector ]^ como CL de los vectores de una cierta

base dada. Estos coeficientes son las coordenadas del vector en la citada base.
base ]^ ,
]^ , … ,
]^ , de manera que:
]^ 5]^ )
]^ ) e ) £
]^ . Es decir,
]^ 5, , … , £m¬n

Ejemplo
Sea el conjunto }1, 2, 1, 1, 3, 0, 1, 0, 0~. Comprobar que es una base
de y determinar las coordenadas del vector 1, 2, 3 respecto a dicha base.
32
El determinante de los vectores de es: det ,3, por lo tanto, los tres
vectores son LI y constituyen una base. Calculemos la coordenadas de 1, 2, 3:
1, 2, 3 51, 2, 1 ) 1, 3, 0 ) £1, 0, 0
es decir: 1 5 ) ) £; 2 25 ) 3; 3 5. De donde se deduce que:
5 3, , 4⁄3 , £ , 2⁄3
Luego, el vector 1, 2, 3 expresado en la base canónica tiene las coordenadas

3, , 4⁄3 , , 2⁄3 en la base .
RANGO DE UN CONJUNTO DE VECTORES
Se denomina rango de un sistema de vectores de un espacio vectorial , y se

denota por <, a la dimensión del subespacio que genera :
< dim
Como consecuencia, la familia ]^ , … ,

]^ , ]^ es libre si su rango es igual
al número de vectores que la forman. Además, en un espacio vectorial de dimensión
un sistema de vectores es generador si su rango es .
Sea , ), |,z un espacio vectorial de dimensión . Consideremos el

subespacio vectorial generado por los vectores }\
]^ , \ ]^® ~. Si ^ w , entonces
]^ , … , \
^ 5\
]^ ) \
]^ ) e ) £\
]^®
Si cada vector lo referimos a la base }9^ , 9^ , … , 9^ ~ de , podremos escribir:
5\ ) \ ) e ) £\®
5\ ) \ ) e ) £\®

5\ ) \ ) e ) £\®
Estas son las ecuaciones paramétricas del subespacio vectorial .

Eliminando los parámetros 5, , … , £, obtendremos las ¦ , ¯ relaciones entre
las componentes , , … , llamadas ecuaciones cartesianas o implícitas del
subespacio vectorial .
Sea , ), |,z un espacio vectorial de dimensión . Ya que cualquier vector ^
base de , si elegimos otra base, ^ tendrá otras coordenadas distintas de las

queda determinado de manera única conociendo sus coordenadas respecto de una
anteriores. Averigüemos la relación que guardan las coordenadas de ^ respecto de

ambas bases. En definitiva, se trata de encontrar la expresión matricial que permite
expresar un vector, definido en una cierta base, en función de los vectores de otra
base.
33
Ejemplo
Hemos visto en el ejemplo anterior que el vector 1, 2, 3 expresado en la base

canónica, tiene las coordenadas 3, , 4⁄3 , , 2⁄3 en la base . ¿Cuál es la expresión
matricial que permite pasar de 1, 2, 3 a 3, , 4⁄3 , , 2⁄3?
Obsérvese que 1, 2, 3 3 1, 2, 1 , 4⁄3 1, 3, 0 , 2⁄3 1, 0, 0 se puede

poner de la siguiente manera:
1 1 1 1 3
2 # A 2 3 0 B , 4 ⁄ 3#
3 1 0 0 , 2⁄3
Es decir, basta escribir la matriz traspuesta de los vectores de las nueva base. Dicha
matriz se llama matriz de paso o de cambio de base.
En general:
hm°n m°n h±° ² ³
donde mń es la base ; m´{ nes la base ; µmń es la matriz columna del vector
expresado en la base mń; µ±´² ³ es la matriz columna del vector expresado en la
basem´{ n y ¶mń es la matriz de paso expresada en términos de la base mń.
Sea el subespacio vectorial · generado por los siguientes vectores del espacio
]^ 2,3,1,0, \
vectorial [ : \ ]^ 1,0,1,0 y \ ]^ 0,3, ,1,0. Calcular:
a) El rango de }\ ]^ , \ ]^ ~ ¿Qué clase de sistema es ? ¿Existe alguna
]^ , \
relación de dependencia entre los vectores de ?
b) La dimensión y una base de ·.
c) Las coordenadas de los vectores de respecto de la base obtenida en b).
d) Unas ecuaciones paramétricas de ·.
e) Unas ecuaciones cartesianas o implícitas de ·.
g) ¿El vector 1, 0, 0, 0 pertenece a ·?

f) Otras ecuaciones paramétricas distintas, a partir de las ecuaciones implícitas.
h) Una base *z de [ que contenga a los vectores de una base de ·.

i) Las ecuaciones del cambio de la base *z a la base canónica de [ .
j) Las ecuaciones del cambio de la base canónica a la base *z .
k) La expresión del vector canónico 9^ 0, 1, 0, 0 respecto de la base *z .
Solución
a) Empleando el método de Gauss se comprueba que ¸¹ ¥. Por lo tanto, los

tres vectores son LD; se trata de un sistema ligado. Sea \
]^ \
]^ ) 6\
]^ . Se
deduce que 2 y 6 1:
]^H ¥º
º ]^¥ ) º
]^»
b) es un sistema ligado, una base de · es E¼ }º ]^» ~, cuya dimensión es ¥.

]^¥ , º
34
c) De la relación \ ]^ 2\ ]^ ) \
]^ resulta que º ]^H ¥, HmE¼n ; es decir, 2,1 son las
coordenadas de \ ]^ respecto de la base *½ . Entonces, º ]^¥ 1\]^ ) 0\
]^
]^» 0\
H, 2mE¼ n y º ]^ ) 1\]^ 2, HmE¼ n .
d) Como ^ w · [ se cumple que: ^ 5\

]^ ) \
]^ , es decir:
¾H , ¾¥ , ¾» , ¾¿ ÀH, 2, H, 2 ) Á2, », ,H, 2
¾H H 2
o sea
¾¥
A B ÀA B ) ÁA » B
2
¾» H ,H
¾¿ 2 2
son las ecuaciones paramétricas del subespacio vectorial ·, pues dando valores a
5 y se obtienen las coordenadas de todos los vectores de ·. Obsérvese que la
dimensión de ¼ coincide con el número de parámetros que tienen sus ecuaciones
paramétricas.
e) Como se cumple también que:
dim [ dim · ) º
siendo ¦º el número de ecuaciones implícitas, como dim [ 4, dim · 2,

entonces º 2. Basta, pues, encontrar dos relaciones independientes para
eliminar los parámetros 5 y . Dado que:
10
< < A0 3 B 2
1,1
00
por el teorema de Rouche-Frobenius se cumple que
1 0
0 3 B2
< A
1 ,1
[ 0 0
luego todos los menores de tercer orden son nulos. Elegimos dos menores:
1 0 1 0
P 0 3 P 0; P 0 3P 0
1 ,1 [ 0 0
es decir
,»¾H ) ¾¥ ) »¾» 2
¾¿ 2
son unas ecuaciones cartesianas o implícitas de ¼. Obsérvese que si · [ no

habría ecuaciones implícitas para definir ·.
35
f) Para pasar de las ecuaciones cartesianas a las paramétricas basta resolver el
,3 ) ) 3 0, se despeja una incógnita, por ejemplo :

sistema de ecuaciones cartesianas. En este caso, en la ecuación
3 , 3
Dando valores a p y Ã tenemos otras ecuaciones paramétricas de ·:
¾H H 2
¾¥ » ,»
A B ÄA B ) ÅA B
¾» 2 H
¾¿ 2 2
g) Sustituyendo 1, 0, 0, 0 en las ecuaciones cartesianas ,3 ) ) 3 0 y

[ 0 de ·, vemos que ,3 + 1 ) 0 ) 3 + 0 0, por tanto no pertenece a ·.
h) En el subespacio · ampliamos la base *½ }\ ]^ ~ con 1, 0, 0, 0 puesto que

]^ , \
acabamos de ver que no pertenece a ·. Ya tenemos tres vectores LI; basta
conseguir otro, por ejemplo el vector 0, 0, 0, 1, tras comprobar que no
pertenezca a · y que sea también LI. Por tanto, una base de [ es:
Las ecuaciones del cambio de la base *z a la base canónica se obtienen aplicando

la expresión hm°n m°n h±° ² ³ , donde mn es la base canónica y m { n es la base *z :
i)
hm°n m°n hmÆz n
Las ecuaciones del cambio de la base canónica a la base *z se calculan

premultiplicando por la matriz inversa de m°n :
j)
m°n
G
hm°n m°n
G
m°n hmÆz n
por tanto
hmÆz n m°n
G
hm°n
¾zH 1 0 1 0 G 2 H⁄ » H 2 ¾H
¾
s ¥z v A0 3 0 0B A B 2
z
H ⁄ » ¾
2 2 A ¥ B
¾» 1 ,1 0 0 H , H⁄» ,H 2 ¾»
q¾¿ t
z 0 0 01 [ 2 2 2 H ¾¿
k) La expresión del vector canónico e]^ 0, 1, 0, 0 respecto de la base B z se obtiene

sustituyéndolo en la expresión del apartado j):
36
z 0 1⁄ 3 1 0 0
z 1⁄ 3 0 0
z 0 A 1B
1 , 1⁄3 ,1 0 0
[z 0 0 0 1 0
es decir
]^z¥ H⁄» , H⁄» , , H⁄» , 2

¤
37
Ejercicios
1. Sean y | . Sea la adición definida en por , 6 ) 7, 8

) 7, 6 ) 8. Sea z el producto de números reales por elementos de definido
mediante la expresión 5, 6 5 , 5 6. ¿Es ( , ), ,z un espacio vectorial?
2. Demostrar que los vectores }1, 2, ,1, ,2, 2, 3, 0, ,1, 1, 2, 1, 3, 1, 3, ,1, 0~ son
ligados e indicar su relación de dependencia.
3. Determinar los valores de y para que sea 3 el rango del siguiente sistema de
vectores: }1, 1, 0, , 3, ,1, , ,1, ,3, 5, , ,4~.
4. Demostrar que los vectores }2, 1, 1, 1, 3, 1, ,2, 1, 3~ forman una base de
. Hallar las coordenadas del vector 1, 1, 2 respecto de esta base.
5. Demostrar que si \ ]^ , \
]^ , \
]^ son base de un espacio vectorial de dimensión 3, el
conjunto \
]^ ) \
]^ , \]^ , \
]^ ) \ ]^ , \
]^ ) \
]^ también es una base de dicho espacio.
6. Sea _^ , _^ , _^ la base canónica de . En el mismo espacio vectorial tenemos el
conjunto }\ ]^ , \ ]^ ~ donde \
]^ , \ ]^ 3_^ ) 2_^ , _^ ; \ ]^ 4_^ ) _^ ) _^ ; \ ]^ 2_^ ,
_^ ) _^ . Se pide: a) Demostrar que \ ]^ , \
]^ , \
]^ es una base. b) Hallar la expresión del
cambio de la base canónica a la base \ ]^ , \
]^ , \
]^ . c) Calcular las coordenadas del
vector 1, 2, 3 expresado en la base canónica, en términos de la base \ ]^ , \
]^ , \
]^ .
7. Sean }1, 1, 1, ,2~ y * }2, 1, 0, 1~ dos bases de . Hallar las
expresiones matriciales de los cambios de base de a * y de * a .
8. Demostrar que el conjunto }5, ,25, 0; 5 w ~ es un subespacio vectorial de .

Obtener una base y determinar la dimensión y las ecuaciones paramétricas e implícitas
del subespacio.
9. Obtener una base del espacio vectorial de las matrices cuadradas de orden 2 y del
espacio vectorial de las matrices de orden 2 3.
10. Sean _^ 3, 2, ,1; _^ 2, 5, 6 y _^ 1, ,3, ,7. Sea È_^ , _^ , _^ É el
subespacio engendrado por estos tres vectores. Calcular: a) una base de y las
ecuaciones implícitas. b) el vector ,3, ,2, 1, ¿pertenece a ? c) el vector 1, 1, 3,
¿pertenece a ? d) ¿Para qué valores de el vector , 0, 1 pertenece a ?
11. Hallar una base del subespacio engendrado por los vectores 2, ,2, 3, 1 y
,1, 4, ,6, ,2 y ampliar dicha base a una del espacio vectorial de [ .
12. Sea · el subespacio vectorial de engendrado por el vector 1, 1, ,1 y sea
y }, `, x w ⁄3 , ` 0, 2 ) x 0~. a) Demostrar que y es subespacio de
. b) Obtener una base y la dimensión de y. c) Hallar una base, dimensión y las
ecuaciones paramétricas e implícitas de los subespacios · y y · ) y.
13. Sean los subespacios de : }5 ) , 2, Ë 5, w ~; f }2, , Ë w

y Ì, `, x Ë 2,`,x0;, `, xw. a) ¿Son y f subespacios suplementarios, es
decir, ) f y f }0, 0, 0~. b) Hallar una base y la dimensión de
) f Ì.
38
14. Consideremos el espacio de y la base * }9^ , 9^ , 9^ ~. Si el conjunto *

}\
]^ , \ ]^ ~ es tal que: \
]^ , \ ]^ 29^ ) 9^ ) 9^ ; \
]^ 9^ ) 29^ ) 9^ ; \
]^ 9^ ) 9^ ) 29^:
a) Demostrar que }\ ]^ , \ ]^ ~ forman una base. b) Hallar la matriz de cambio de * a
]^ , \
*. c) Calcular las coordenadas de un vector _^ en la base * sabiendo que en la base *
sus coordenadas son 1, 1, 1.
39
CAPÍTULO 3

Ejercicios
40
CAPÍTULO 3
codominio. Se dice que : es una función o aplicación de A en B si : es una relación

Sean A y B dos conjuntos no vacíos. A se llama dominio y B es la imagen o
entre A y B tal que todo elemento de A tiene un único representante en B».
Propiedades
Si una relación : es función, la relación inversa : G no necesariamente lo es.

:f Ì :f :Ì
•
:f Ì :f :Ì

•
•
Las funciones pueden ser inyectivas, también llamadas unívocas o «uno a

uno», son aquéllas en las que elementos distintos de A tienen imágenes distintas en B;
sobreyectivas, aquéllas en las que todo elemento de B es imagen de alguno de A; y
biyectivas, también llamadas biunívocas, aquéllas que son inyectivas y sobreyectivas.
Ejemplos
• Sea :: Í tal que :x 2x. Esta función asigna a cada número natural su
duplo. Es inyectiva, pero no sobreyectiva pues los elementos impares del
Sea <: Í P tal que <x 2x donde el codominio se ha restringido al conjunto

codominio carecen de antecedente en el dominio.
•
de los números pares. Es inyectiva y también sobreyectiva. Por tanto, es biyectiva.
A partir de dos funciones : y < es posible definir, bajo ciertas condiciones, otra
¹ Ð Ñ (léase : compuesta con <, llamada función compuesta.
41
Propiedades
• En general no se cumple la propiedad conmutativa:< Ð : : Ð <.

• = Ð < Ð : = Ð < Ð :
• La composición de funciones inyectivas es inyectiva.
• La composición de funciones sobreyectivas es sobreyectiva.
• La composición de funciones biyectivas es biyectiva.
pero
• La inyectividad de la composición no implica la de cada función, pero sí la de la
primera.
• Si la composición de dos funciones es sobreyectiva, entonces la segunda es
sobreyectiva.
• Una función admite inversa si es biyectiva, además la función inversa es única.
Ejercicios
E.1. Sean }1, 2, 3~ y * }2, 3~. Clasificar :: * Í tal que :, 6 3a ,

6.
•
• E.2. Las funciones :: Í Q y <: Q Í son:
:x ⁄ 2 ) 1
< 9i9
Determinar < Ð :, : Ð < y calcular < Ð : ,2 y : Ð <, 1⁄2.
Sean , ), |,z y , ), |,z dos espacios vectoriales sobre el mismo cuerpo
|. La función :: Í es una aplicación lineal, transformación lineal u
homomorfismo si 5, Ó|; ^, `^ Ó se cumple:
:5^ ) `^ 5:^ ) :`^
Ejercicios
E.3. Demostrar que la función :: Í definida por : , , , ,

, es una aplicación lineal.
•
• E.4. Demostrar que :: Í tal que : , , , , , ) 1

no es una aplicación lineal.
42
Propiedades
La imagen de ]0^° (el vector nulo de ) es ]0^Ô (el vector nulo de .
La imagen del opuesto de todo vector de es igual al opuesto de su imagen en .
•
Basta que : sea una aplicación lineal. No se exige que sea inyectiva, sobreyectiva o
•
•
- Si : es inyectiva entonces es un monomorfismo.

biyectiva o ninguna de las tres. Pero:
- Si : es sobreyectiva entonces es un epimorfismo.

- Si : es biyectiva entonces es un isomorfismo.
- Si entonces : es un endomorfismo.
- Si y :es biyectiva, entonces : es un automorfismo.
Ejercicio
E.5. Demostrar que la función :: Í definida por : , , , , ,

es un automorfismo.
•
NÚCLEO
El núcleo Ì: de una aplicación lineal : (también llamado ker) es el conjunto

de los vectores del dominio cuyas imágenes son el vector nulo de .
]â
Ì: ^ w / : 0
Propiedades
Ì :
]^° 0
:0 ]^Ô U ]0^° w Ö:
•
Ö: es un subespacio de .
•
•
• En un monomorfismo el único elemento del núcleo es el vector nulo.
IMAGEN
La imagen 0: de una aplicación lineal :: Í es el conjunto imagen del

domino, o sea, la totalidad de las imágenes de los vectores del espacio .
0: }:^ / ^ w ~
Propiedades
0:
]0^Ô w 0:
•
0: es subespacio de .
•
En una aplicación lineal :: Í la imagen de cualquier conjunto de vectores LD

•
de es LD en .
•
43
Si :: Í es una aplicación lineal y _^ , _^ , … , _^ son vectores de tales que

sus imágenes son LI en , entonces _^ , _^ , … , _^ son LI.
•
• La imagen de todo conjunto LI, dada por cualquier aplicación lineal inyectiva, es un
conjunto LI.
Ejercicios
E.6. Determinar el núcleo de :: Í : : , , , , , .

E.7. Determinar el núcleo y la imagen de : × Í 1 tal que :, `
•
)` 0
•
; @.
0 )`
E.8. Determinar el núcleo y la imagen de:: Í tal que : , , )

) , ) .
•
• E. 9. Determinar el núcleo y la imagen de :: Í : : , , 2 .
DIMENSIONES DEL NÚCLEO Y LA IMAGEN
Sea : × Í una aplicación lineal. Se demuestra que:
dim Ì: ) dim 0: dim
Ejemplo
En la aplicación lineal :: [ Í definida por : , , , [ , ,

) [ , 0 calcular: a) Ì :, una base de Ì : y su dimensión. b) La dimensión de
0: y una base de la imagen.
a) Para determinar Ì : calculamos los vectores , , , [ cuyas imágenes

son el vector nulo de . Es decir: : , , , [ 0, 0. O sea
, , ) [ 0
es decir
) , [
por lo tanto, los vectores del núcleo son del tipo:
b ) Ø , Ù, b, Ø, Ù Ú ÛÑ
como
) 6 , 7, , 6, 7 1, 1, 0, 0 ) 61, 0, 1, 0 ) 7,1, 0, 0, 1
entonces el conjunto ´ ]^¥ H, 2, H, 2, ´

]^H H, H, 2, 2, ´ ]^» ,H, 2, 2, H es
un SG de Ì:. Como, además estos tres vectores son LI, constituyen una base,
cuya dimensión es 3. Es decir:
44
RÜÝ ÛÑ »
b) De la expresión dim Ì: ) dim 0: dim deducimos: 3 ) dim 0: 4. Es

decir: RÜÝ /Ñ H. Como
0: } , 6 , 7 ) 8, 0~
si ` , ` w 0: entonces:
` , ` , 6 , 7 ) 8, 0
o sea
` , ` 1,0 , 6 1,0 , 7 1,0 ) 8 1, 0
por lo tanto, el vector H, 2 es una base de /Ñ.
RANGO DE UNA APLICACIÓN LINEAL: ¸¹ Ñ
El rango de una aplicación lineal : × Í es la dimensión de su imagen.
<: dim 0:
Si las dimensiones de los espacios y son dim y dim , como

dim Ì: ) dim 0: dim , entonces:
RÜÝ ÛÑ ) ¸¹Ñ ¦
Propiedades
Si <: entonces : es inyectiva y dim Ì: 0.

Si <: entonces : es sobreyectiva.
•
Si <: entonces : es biyectiva.

•
•
Ejemplos
Determinar las dimensiones del núcleo y la imagen de la aplicación lineal :: Í

; :, `, x , `, ` , x.
•
De , `, ` , x 0, 0 se deduce que `, ` x U ` x. Por
ejemplo el vector 1, 1, 1, cuya dimensión es 1: RÜÝ ÛÑ H. Como

tanto, un vector del núcleo es aquel cuyas tres coordenadas sean iguales, por
dim 0: dim , dim Ì: 3 , 1 2. RÜÝ /Ñ ¥. Ya que la dimensión

de la imagen coincide con 2 , es decir, la dimensión del espacio vectorial
, entonces Ñ es sobreyectiva.

[ ; :, ` 3 ) 4`, 5 , 2`, ) 7`, 4.
•
45
De 3 ) 4`, 5 , 2`, ) 7`, 4 0, 0, 0, 0 se deduce 0, ` 0. Por
tanto, el único vector del núcleo es 0, 0, cuya dimensión es 0. RÜÝ ÛÑ 2. La
aplicación Ñ es inyectiva. Como dim 0: dim [ , dim Ì:, entonces
RÜÝ /Ñ ¿.

1 0 0
•
; :, `, x 0 1 0 # Þ ß.
,2 ,4 ,1 x̀
De :, `, x 0,0,0 se deduce 0, ` 0, ,2 , 4` , x 0. Es decir:

` x 0. Por tanto, el único vector del núcleo es 0,0,0, cuya dimensión es
cero. RÜÝ ÛÑ 2. La aplicación : es inyectiva, pero dim 0: dim ,
dim Ì:, entonces RÜÝ /Ñ ». Como <: 3 coincide con las
dimensiones de los espacios vectoriales y , entonces Ñ es
biyectiva.
Consideremos una aplicación lineal :: Í , sea mn }_^ , _^ … _^ ~ una
base del espacio vectorial y mn }a
]]^ , a ]]^ ~ una base del espacio vectorial ,
]]^ … a
entonces la aplicación lineal : queda caracterizada por una matriz de paso de
dimensión .
MÉTODO:
Para hallar la matriz D de la aplicación lineal Ñ respecto de las bases mń y

mn, se determinan las imágenes dadas por : de los vectores de la base mn; a
continuación se expresan estas imágenes en términos de la base mn, o sea, como CL
de los vectores de la base mn: La traspuesta de la matriz de coeficientes es D.
Como consecuencia de este método:
«La imagen ]à^mn en el espacio de cualquier vector ]µ

]^mń del espacio ´ se
obtiene multiplicando D por la matriz de coordenadas de ]µ]^mń respecto de la base
mń».
]à^mn D + ]µ
]^mń
donde:
]^mÔn: Matriz columna del vector imagen expresado en términos de la base mn
á
: Matriz de la aplicación lineal
h^m°n: Matriz columna del vector del dominio expresado en términos de la base mn.
Ejemplo gráfico:
Las coordenadas del vector velocidad _^ de un avión en la base mn son las de
un sistema de referencia hâ , áâ , ãâ de que navega solidario con el avión, es decir:
_^ _1â , _äâ , _åâ m°n. Pero, se necesitan las coordenadas del mismo vector velocidad
46
_^ respecto a otra base mn representada por el sistema de referencia h, á, ã, también

de , con origen en el centro de la Tierra, es decir: _^ _1 , _ä , _å mÔn . Si es la
matriz de la aplicación lineal que permite pasar de la base mn a la base mn, entonces
aplicando la expresión anterior:
_^mÔn + _^m°n
_1 _1â
_ä # + _äâ #
_å _åâ
Obsérvese que en este ejemplo los espacios vectoriales y son el mismo

espacio vectorial .
Ejemplo analítico:
En la aplicación lineal :: Í : , , ) , , . a)

Calcular la matriz de : respecto las bases mn }1, 1, 1, 1, 1, 0, 1, 0, 0~ en y
mn }2, 0, 0, 1~ en . b) Obtener la imagen del vector h^ 1, 2, 3 expresado
en la base canónica.
a) Mediante : obtenemos las imágenes de los vectores de la base mn:
:1, 1, 1 1 ) 1, 1 , 1 2, 0
:1, 1, 0 1 ) 0, 1 , 0 1, 1
:1, 0, 0 1 ) 0, 0 , 0 1, 0
Expresamos dichas imágenes como CL de los vectores de mn:
2, 0 5 2, 0 ) 0, 1

1, 1 5 2, 0 ) 0, 1
1, 0 5 2, 0 ) 0, 1
En donde se deduce que:
47
5 1 5 1⁄2 5 1⁄2
0 1 0
Por lo tanto, la matriz de : respecto de las bases mn y mn es:
H H ⁄ ¥ H⁄ ¥ H ¥ H H
D% ( % (
2 H 2 ¥ 2 ¥ 2
Para obtener la imagen del vector h^ 1, 2, 3, expresado en la base canónica, es
necesario determinar sus coordenadas respecto a la base de ± ]^ ³.
b)
1, 2, 3 51, 1, 1 ) 1, 1, 0, )£1, 0, 0
es decir 1 5 ) ) £, 2 5 ) , 3 5. Por lo tanto,
5 3, ,1, £ ,1
5 3
h^m°n # ,1#
£ ,1
La imagen de h^m°n es á
]^mÔn :
1 3
]^mÔn + h^m°n %2
á
1 1 2
( ,1# % (
2 0 2 0 ,1
,1
]]^mń ¥, ,H

Ñµ
Obsérvese que si aplicamos directamente : a 1, 2, 3:
:1, 2, 3 1 ) 3, 2 , 3 4, ,1
y expresamos esta imagen como CL de los vectores de la base mn:
4, ,1 2, 0 ) 60, 1
Obtenemos
2
6 ,1
:h^m°n 2, ,1

es decir, las mismas coordenadas calculadas mediante la aplicación lineal:
Sea la aplicación lineal :: Í y la matriz de : respecto de las bases mn y

mn. Si se efectúa un cambio de base en cada espacio vectorial, entonces : está
caracterizada por otra matriz * respecto de las nuevas bases mn y mn, según el
siguiente esquema:
48
: Matriz de paso de la base mn a la base mn del espacio vectorial

¡: Matriz de paso de la base mn a la base mn del espacio vectorial
: Matriz de la aplicación lineal : respecto de las bases mn y mn
*: Matriz de la aplicación lineal: respecto de las bases mn y mn
Pero, un vector h^m°n en la base mn se expresa en la base mn empleando :
h^m°n + h^±° ² ³ 1
]^mÔn en la base mn se expresa en la base mn empleando ¡:

y un vector á
]^mÔn ¡ + á
á ]^±Ô ² ³ 2
Pero, mediante la matriz de la aplicación lineal se cumple que:
]^mÔn + h^m°n
á 3
y también sabemos que con la matriz * se cumple que:
]^±Ô ² ³ * + h^±° ² ³
á 4
De (2) y (3) deducimos:
]^±Ô ² ³ + h^m°n
¡+á
]^±Ô ² ³ y h^m°n de (4) y (1), obtenemos:

y sustituyendo los valores de á
¡+* +
Como ¶ y æ son invertibles por ser matrices de paso, premultiplicamos por ¡ G :
¡ G + ¡ + * ¡ G + +
Pero
49
¡ G + ¡ + * 0 + * *
entonces:
E æGH + D + ¶
Ejemplo:
Sea :: Í tal que :, 6, 7 ) 6 , 7, , 6. a) Hallar la matriz de

: respecto de las bases canónicas de ` . b) Calcular las matrices de paso de las
bases canónicas a las bases mn }0, 1, 1, 1, ,1, ,2, 1, ,1, ,1~ y mn
}1, 3, 0, ,2~. c) Calcular la matriz * de : respecto del nuevo par de bases.
a) Mediante : obtenemos las imágenes de los vectores de la base canónica de :
:9^ :1, 0, 0 1 ) 0 , 0, 1 , 0 1, 1

:9^ :0, 0, 1 0 ) 1 , 0, 0 , 1 1, ,1
:9^ :0, 0, 1 0 ) 0 , 1, 0 , 0 ,1, 0
Expresamos dichas imágenes como CL de los vectores de la base canónica de :
1, 1 5 1, 0 ) 0, 1

1, ,1 5 1, 0 ) 0, 1
,1, 0 5 1, 0 ) 0, 1
En donde se deduce que:
5 1 5 1 5 ,1
1 ,1 0
Por lo tanto, la matriz de : respecto de las bases canónicas es:
H H ,H
D% (
H ,H 2
b) Para calcular las matrices de paso y ¡ expresamos los vectores de las bases mn
y mn como CL de los vectores de las bases canónicas:
m { n 59^ ) 9^ ) £9^
0,1,1 51, 0, 0 ) 0, 1, 0 ) £0, 0, 1

1, ,1, ,2 5 { 1, 0, 0 ) { 0, 1, 0 ) £ { 0, 0, 1
1, ,1, ,1 5 {{ 1, 0, 0 ) {{ 0, 1, 0 ) £ {{ 0, 0, 1
donde deducimos:
50 5{ 1 5 {{ 1
1 { ,1 { ,1
£1 £ { ,2 £ {{ ,1
Por tanto la matriz de paso es:
50
2 H H
¶ H ,H ,H#
H ,¥ ,H
Análogamente:
m { n 59^ ) 9^
1, 3 51, 0 ) 0, 1

0, ,2 5 { 1, 0 ) { 0, 1
Es decir
51 5{ 0
3 { ,2
Por lo tanto la matriz de paso ¡ es:
H 2
æ% (
» ,¥
c) Para calcular la matriz * empleamos la expresión * ¡ G + + :

d)
0 1 1
1 0 G 1 1 ,1
*% ( +% ( + 1 ,1 ,1#
3 ,2 1 ,1 0
1 ,2 ,1
H 2 ¿ ¥
E % (
¥ H ¿ H
Ejemplo:
Sea y . Sean }1, 1, 0, 2, 3, 1, 0, ,2, 1~ un conjunto
de vectores de . Sea la aplicación lineal :: Í definida mediante las imágenes
de los vectores de : :1, 1, 0 3, 2, 0; :2, 3, 1 1, ,2, 1 y :0, ,2, 1
4, 0, 1. Sean }, `, x w ⁄ 0~ y }, `, x w ⁄ ) 6, ` , x
6. a) Demostrar que es una base de . b) Hallar la matriz asociada a : respecto a la
base canónica. c) Hallar :, `, x. d) Hallar : : y : . e) Hallar la matriz
asociada a : respecto de la base del enunciado.
a) El determinante formado con los vectores de U es det 3 0, por tanto los

vectores son LI y es una base de .
b) Determinación de la matriz asociada a ::
]^mòn + h^mòn siendo m9n la base canónica de , entonces:

Como á
3 1 1 2 4 0
2# + 1# ; ,2# + 3# ; 0# + ,2#
0 0 1 1 1 1
expresiones que se pueden sintetizar en la siguiente:
51
3 1 4 1 2 0
2 ,2 0# + 1 3 ,2#
0 1 1 0 1 1
3 1 4 1 2 0 G
por lo tanto:
2 ,2 0# 1 3 ,2#
0 1 1 0 1 1
es decir:
ó ,» ,¥
D ¿ ,¥ ,¿#
2 2 H
c) La función :, `, x es:
6 ,3 ,2
Ñ¾, ô, õ 4 ,2 ,4# Þ ß ó¾ , »ô , ¥õ, ¿¾ , ¥ô , ¿õ, õ
0 0 1 x̀
d) : : y :
Determinación de Ñö:
Un vector cualquiera de es 0, `, x. Como : h^mòn á

]^mòn :
6 ,3 ,2 0̀ ,3` , 2x
: + h^mòn 4 ,2 ,4# # ,2` , 4x#
0 0 1 x x
Cualquier vector , `, x w : será de la forma:
, `, x ,3` , 2x, ,2` , 4x, x `,3, ,2, 0 ) x,2, ,4, 1
luego , `, x es CL de ,3, ,2, 0 y ,2, ,4, 1; es decir:
x y z
det Þ,3 ,2 0ß 0
,2 ,4 1
Por lo tanto, la ecuación cartesiana de : es: 2 , 3` , 8x 0.
Determinación de Ñ÷:
De la definición de }, `, x w ⁄ ) 6, ` , x 6~ deducimos

que cualquier vector de es ` ) x, `, x. Como : h^mòn á
]^mòn :
6 ,3 ,2 ` ) x 3` ) 4x
: + h^mòn 4 ,2 ,4# Þ ß 2` #
0 0 1 x̀ x
Cualquier vector , `, x w : será de la forma:
52
, `, x 3` ) 4x, 2`, x `3, 2, 0 ) x4, 0, 1
luego , `, x es CL de 3, 2, 0 y 4, 0, 1; es decir:
x y z
det Þ3 2 0ß 0
4 0 1
Por lo tanto, la ecuación cartesiana de : es: 2 , 3` , 8x 0.
Determinación de Ñö Ñ÷:
Como se aprecia, 2 , 3` , 8x 0 es tanto la ecuación cartesiana de fS

como de :. Es decir, los vectores de : y : son los mismos, entonces:
Ñö Ñ÷ Ñö Ñ÷ }¾, ô, õ⁄¥¾ , »ô , úõ 2~
Cálculo de Ñö ÷:
La ecuación cartesiana de }, `, x w ⁄ 0~ es precisamente 0.

Cualquier vector de }, `, x w ⁄ ) 6, ` , x 6~ es de la forma:
) 6, , 6 1, 1, 0 ) 61, 0, 1
Luego un vector , `, x w es CL de 1, 1, 0 y 1, 0, 1; es decir:
x y z
det Þ1 1 0ß 0
1 0 1
Por lo tanto, la ecuación cartesiana de es: , ` , x 0.
El conjunto está formado por los vectores que cumplen, a la vez, las
ecuaciones cartesianas de y :
}, `, x⁄ 0, , ` , x 0~
es decir:
}, `, x⁄,` , x 0~
}, `, x⁄` , x~
Cualquier vector , `, x w será de la forma:
, `, x 0, >, ,>
]^mòn :h^mòn + h^mòn :

Como á
6 ,3 ,2 0 ,1
+ h^mòn 4 ,2 ,4# > # > 2 #
0 0 1 ,> 1
53
de donde se deduce que todos los vectores de : son de la forma:
Ñö ÷ ¯,H, ¥, H
e) Determinación de la matriz asociada a f respecto de la base U:
Como * ¡ G , pero ¡ , entonces * G :
1 2 0 G 6 ,3 ,2 1 2 0
* 1 3 ,2# 4 ,2 ,4# 1 3 ,2#
0 1 1 0 0 1 0 1 1
H HH û Hó
E ,H ,H ,¥#
»
H ¿ û
54
Ejercicios
1. Consideremos la aplicación lineal :: Í dada por:
:, `, x ) 3` , x, 2 ) p`, , 2` ) x
a) Determinar los valores de p para los que : es biyectiva.

b) Para p 2, hallar una base, la dimensión y las ecuaciones implícitas del núcleo y la
c) Para p 2, hallar la matriz asociada a : cuando se considera en ambos espacios la

imagen.
base mn }1, 1, 1, 1, 1, 0, 1, 0, 0~.

d) Para p 2, hallar: G 2, 0, 3.
2. Sea :: Í la aplicación lineal definida por:
:, `, x ) 2` ) 3x, , ) `, ) ` ) 2x
a) Calcular la matriz asociada a : respecto de la base canónica.
c) Sea }, `, x w ⁄x , `~. Hallar una base de los subespacios , : y

b) Hallar una base y las ecuaciones cartesianas del núcleo.
) :.
d) Hallar la matriz asociada a : respecto de la base: }1, 2, 1, 0, 1, 2, 0, 0, 1~.
3. Sea :: Í tal que :1, 1, 0 3, 2, 0; :1, 0, 1 4, ,1, 3 y :0, 1, 1
5, 1,3. Determinar una base y las ecuaciones del núcleo y la imagen.
4. Sea :: Í [ la aplicación lineal definida por:
:, `, x , `, ) 2` ) 3x, 0, ) x
a) La matriz asociada a : respecto a las bases canónicas.

Calcular:
b) La matriz asociada a : respecto a las bases mn }1, 2, 1, 0, 1, 2, 0, 0, 1~ y
mn }2, 1, 0, 1, 0, 2, 0, 0, 0, 0, 1, 0, 0, 0, 0, 3~
2 1 1
:, `, x 1 2 1# Þ ß
1 1 2 x̀
y }, `, x w ⁄x , `~. Hallar una base de los subespacios , : y

) :.
6. Sea :: Í la aplicación lineal cuya matriz asociada respecto a la base canónica

es:
0 1 1
1 0 1#
1 1 0
a) Hallar la imagen del vector ,1, 3, 0.
55
c) Sea }, `, x w ⁄x 0~. Probar que es un subespacio y hallar una base

b) Hallar la base, dimensión y ecuaciones implícitas del núcleo y la imagen.
d) Sea mn }2, 0, ,1, 0, 3, 0, 1, 4, 2~ una base. Hallar la matriz asociada a :
del dicho subespacio.
respecto a dicha base.
7. Sea :: Í [ la aplicación lineal definida por :1, 1, 1 1, 2, 0, 0; :0, 1, 3

1, 1, 0, 1 y :0, 0, ,1 0, 0, 1, 0. Calcular:
b) Sea m*n }1, 1, 1, 0, 1, 3, 0, 0, ,1~ una base de . Hallar las coordenadas
a) La expresión matricial de la aplicación respecto a las bases canónicas.
del vector ^ 3, 5, ,2 respecto a m*n. Hallar una matriz tal que + ^mÆn
^mòn , donde ^mÆn son las coordenadas del vector respecto la base m*n y ^mòn
respecto a la base canónica.
56
CAPÍTULO 4
VECTORES EN . MÓDULO Y VECTOR UNITARIO

ADICIÓN Y PRODUCTO ESCALAR DE VECTORES EN
1.
2.
5. ORTOGONALIDAD
7. BASE ORTONORMAL
Ejercicios
57
CAPÍTULO 4
1. VECTORES EN » . MÓDULO Y VECTOR UNITARIO
canónica de se designa con los vectores unitarios ü^ 1, 0, 0, ý^ 0, 1, 0 y

En diversas ramas de ciencias que emplean el cálculo vectorial, la base
>]^ 0, 0, 1. Así, un vector ·^ cualquiera se expresa en función de sus componentes
cartesianas de la siguiente manera:
·^ ·1 ü^ ) ·ä ý^ ) ·å >]^ ·1 , ·ä , ·å
El módulo o norma de ·^ es la medida del vector. Se escribe þ·^ þ o ·:
þ·^ þ · ) ·1 ) ·ä ) ·å
misma dirección y sentido que ·^ , basta dividir por ·:

Para calcular un vector unitario (es decir, un vector que mida 1) que tenga la
·^ 1
]^½^
\ ·1 , ·ä , ·å
·
)·1 ) ·ä ) ·å
2. ADICIÓN Y PRODUCTO ESCALAR DE VECTORES EN »
Adición
]^ 1 ¡1 ü^ ) ä ¡ä ý^ ) å ¡å >]^

]^ ¡
Producto escalar
]^ como el escalar que resulta de multiplicar

Se define el producto escalar ]^ · ¡
los módulos y ¡ por el coseno del ángulo que forman ambos vectores:
]^ ¡ cos
]^ · ¡
Este producto es también el del módulo de ]^ por la componente ¡ cos de ¡]^
]
^ ]
^ ]
^
según la dirección de , o el del módulo de ¡ por la componente cos de según la
]^.
dirección de ¡
De la definición se deduce que:
ü^ ) ü^ ý^ · ý^ >]^ · >]^ 1
ü^ · ý^ ý^ · ü^ ü^ · >]^ >]^ · ü^ > · ý^ 0
luego
]^ 1 ü^ ) ä ý^ ) >]^ · ¡1 ü^ ) ¡ä ý^ ) ¡ >]^

]^ · ¡
58
]^ ¡ cos 1 ¡1 ) ä ¡ä ) å ¡å
]^ · ¡
además
]^ · ]^ 1 ) ä ) å

y
1 ¡1 ) ä ¡ä ) å ¡å
cos
1 ) ä ) å ¡1 ) ¡ä ) ¡å
Ejercicios
• E.1. Dados dos vectores ]^ , ` , x calcular

]^ , ` , x y ]^ ·
]^ si: a)
Coinciden en dirección y sentido. b) Forman un ángulo de 60º. c) Son
perpendiculares entre sí. d) Forman un ángulo de 120º. e) Son de la misma
dirección y sentido contrario.
• E.2. ¿Cuál es la proyección del vector 1,2,3 sobre el 3,4,5
Sea , ), ,z un espacio vectorial sobre el cuerpo . El símbolo Èµ]]^, à

]^É define
el producto interior (o producto escalar) de los vectores h^ e á]^ de si Èh^, á]^É es una
aplicación tal que:
a) Èh^, á
]^É Èá
]^, h^É
b) Èh^ ) á,
]]]^ ã^É Èh,
]]]^ ã^É ) Èá
]^, ã^É
c) È5h^, á
]^É 5Èh^, á
]^É
d) Èh^, h^É 0
e) Èh^, h^É 0 h^ 0
Propiedades
• Todo producto interior asigna a cada par de vectores un único escalar real.
• Un espacio vectorial es euclidiano si está dotado con producto interior.
• Un producto interior permite establecer los conceptos de distancia entre pares de
vectores, módulo de un vector, ortogonalidad y ángulo entre dos vectores.
El módulo o norma de un vector h^ es la raíz cuadrada no negativa del producto

• El producto interior de cualquier vector por el vector nulo es cero.
•
interior de dicho vector por sí mismo.
h )Èh^, h^É
59
• La distancia 8h^, á
]êntre dos vectores h^ e á
]ês el módulo de su diferencia
8h^, á
]^ þh^ , á
]^þ
]^

]^þ
þ
• es un vector unitario (de módulo 1).
• Se cumple la desigualdad de Schwarz:
]^Éþ þh^þþá
þÈh^, á ]^þ
• Se cumple la desigualdad triangular:
þÈh^ ) á
]^Éþ þh^þ ) þá
]^þ
`
Ejemplo
`
Sean h e á dos vectores de , ), ,z. La función
`
Èh, áÉ h $ á es un producto interior pues satisface las propiedades a), b), c), d) y e).
Obsérvese que Èh, áÉ h $ á en es el producto escalar usual, pues:
`
`
Èh, áÉ h $ á e ` ) ` ) e ) `
`
Ejercicio
1 ,2
E.3. Sea , ), ,z y la matriz % (. Se define È , É $ + + .
,2 5
•
Demostrar que es un producto interior.
Se define:
Èh^, á
]^É h á cos
tal que es el ángulo que forman los vectores h^ e á

]^.
5. ORTOGONALIDAD
Dos vectores h^ e á
]^ son ortogonales o perpendiculares si su producto interior
es nulo.
]^É 0 U 90º
Èh^, á
60
Ejercicio
• E.4. Determinar w para que h^ ,3, ,4,1 e á

]^ ,, , 1 sean
ortogonales con el producto interior usual.
El conjunto de vectores h^ , h^ , … , h^ es ortogonal si dos vectores

cualesquiera y distintos son ortogonales:
h^ , h^ , … , h^ es ortogonal

d Èµ
]]^
, µ
]]^d É 2
Propiedad
• Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es LI.
7. BASE ORTONORMAL
mn es una base ortonormal si está formada por un conjunto ortogonal de

vectores unitarios. Por tanto, una base ortonormal es tal que:
h^ , h^
w mn; Èµ
]]^
, µ
]]^d É 2; U È¾ ]^
É H
]^
, ¾
En , con el producto interior usual, la base canónica es ortonormal.
Ejercicio
E.5. Comprobar que la base de formada por los vectores √3, ,1

•
1, √3
y

es ortonormal con el producto interior usual.
Sea mn ]^ , … ,

]^ , ]^ una base cualquiera. Para ortonormalizarla se realizan
las siguientes combinaciones lineales:
]]]^
]^
]]]^ 5
]]]^ )
]^
] ]]]^ ) 5
]]^ 5 ]]]^ ) ]^

]]]^ 5
]]]^ ) 5 ]]]^ ) e )
]^
El proceso de ortonormalización se ejecuta en dos pasos: primero se

ortogonaliza la base y después se normaliza:
Primer paso:
Se calculan los coeficientes 5

de manera que se cumpla la condición de
ortogonalidad:
61
]]]^« ,
È ]]]^ É 0; C, Ë C
]]]^ ,
a) È ]]]^ É 0
es decir:
È5 ]]]^ ) ]^ ,

]]]^ É 0
]
]]^ ]
]]^
5 È , É ) È ]^ ,
]]]^ É 0
]^ ,
,È ]]]^ É
5
| |
]]]^ ,
b) È ]]]^ É 0
]]]^ ,
È ]]]^ É 0
es decir:
]]]^ ) 5
È5 ]]]^ )
]^ ,
]]]^ É 0
]]]^ ) 5
È5 ]]]^ )
]^ ,
]]]^ É 0
De estas dos condiciones se obtienen 5 y 5 .
c) Y así sucesivamente, hasta calcular todos los 5

.
Segundo paso:
]]]^ ,
Determinada la base ortogonal mn ]]]^ , …
]]]^ , se normaliza:
]]]^
]]]^ ]]]^

mn , ,…,

Ejemplo
Ortonormalizar la base de formada por h^ 1,1 y h^ ,1,2.
Consideremos definido el producto interior usual. Hacemos:
]]]^ h^

]
]]^ 5 ]]]^ ) h^
]]]^ ,
È ]]]^ É 0
calculamos:
]]]^ ) h^ ,
È5 ]]]^ É È51,1 ) ,1,2, 1,1É
È5 , 1, 5 ) 2, 1,1É 5 , 1 ) 5 ) 2 0
donde se deduce que:
5 , 1⁄ 2
62
por lo tanto:
]]]^ 1,1

]]]^ , 1⁄2 1,1 ) ,1,2 3⁄2 ,1, 1

]]]^ y
Los módulos de ]]]^ son:
1 ) 1 √2
3⁄2 ,1 ) 1 3⁄2 √2
]]]^ 1,1
1
entonces:
1, 1
√2 √2
]]]^ 3⁄2 ,1, 1

1
,1, 1
3⁄2 √2 √2
La base ortonormalizada es:
1 1
1, 1, ,1, 1
√2 √2

Ejercicio
E.6. Demostrar que È , ¡É G ¡8, donde y ¡ son polinomios en ,

es un producto interior. Sea la base m*n }1, , ~ . Ortonormalizarla.

•
El escalar Ä es un valor propio (valor característico o autovalor) de la matriz

cuadrada w | 1 si existe un vector no nulo µ ]]^ w | 1 , llamado vector propio
(vector característico o autovector) de la matriz , asociado al valor propio p , tal
que h^ ph^.
De h^ ph^ se deduce que ph^ , h^ 0 ]^, entonces p0h^ , h^ 0]^; por tanto,
para calcular el vector propio asociado a cada p basta resolver el sistema lineal:
]^
p0 , h^ 0
1 0 0
Veamos los valores y vectores propios de la matriz diagonal A 0 2 0#.
0 0 3
1 0 0
h^ ph^ 0 2
0# # p #
0 0 3
1 · p
2 · p
(1)
3 · p
(2)
(3)
63
De (1) se deduce p 1; y, para satisfacer simultáneamente (2) y (3) con p 1,

entonces 0. Análogamente, de (2) se deduce p 2; y, para satisfacer
simultáneamente (1) y (3) con p 2, entonces 0. Por último, de (3) se
deduce p 3; y, para satisfacer simultáneamente (1) y (2), entonces 0. Por
tanto:
Valor Vector propio
1,0,0
Propio asociado
0,1,0
1
0,0,1
2
3
Propiedades
• Los valores propios en una matriz diagonal son los elementos de la diagonal, y los
vectores propios son los «canónicos» si los valores propios son distintos.
Si p es un valor propio de la matriz entonces el determinante de p0 , es nulo:

• Los vectores propios asociados a valores propios «distintos» son LI.
•
detp0 , 0

El polinomio característico p de una matriz w | es el determinante

de la matriz p0 , .
p , , e ,
p , e ,
p detp0 , Q , Q

, , e p ,
Propiedad
detp0 , 0 implica que Ä es un valor propio si es raíz o cero del polinomio

característico de D.
•
Ejemplo nº 1
,1 2 2
Sea 2 2 2 #. Determinar el polinomio característico p.
,3 ,6 ,6
p ) 1 ,2 ,2
p detp0 , P ,2 p , 2 ,2 P
3 6 p)6
p p ) 5p ) 6p
La determinación de los valores propios de una matriz, es decir, el cálculo de

las raíces de su polinomio característico, puede ser complicada. En el ejemplo anterior,
64
las raíces de p p ) 5p ) 6p (p 0, p ,3 y p ,2) se encuentran

fácilmente. Pero, en una matriz de , el polinomio p será, en general, de grado
; si Z 3 el método de Ruffini permite calcular las raíces enteras, pero suele ser
Obsérvese, también, que si es la matriz de orden de una aplicación lineal

difícil determinar aquéllas que no pertenezcan al conjunto de los números enteros.
entre dos espacios vectoriales y definidos sobre un cuerpo | y | es el conjunto

de los números complejos §, entonces tiene valores propios, no así si | es el
conjunto de los números reales . En efecto, p 0 tendrá, en general, ceros
entre raíces reales y parejas de raíces complejas conjugadas. Es decir:
p p , 5 p , 5 e p , 5
Ejemplo nº 2
Determinar los valores propios de p p , 3p ) 4p , 2.
Hacemos p , 3p ) 4p , 2 0 y aplicamos la regla de Ruffini a los divisores

enteros del término independiente. Ensayamos con p 1:
1 ,3 4 ,2
1 1 ,2 2
1 ,2 2 0
o sea:
p p , 1p , 2p ) 2
Las raíces de p , 2p ) 2 0 son p 1 ) y p 1 , . Es decir:
p p , 1mp , 1 ) nmp , 1 , n
Por tanto, los valores propios son p 1 , p 1 ) , p 1 , si el cuerpo

es §, pero el único valor propio sería p 1 si el cuerpo es .
Ejemplo nº 3
Determinar los valores propios de p p ) 4p ) 5p ) 1
En este caso, al aplicar la regla de Ruffini a p ) 4p ) 5p ) 1 0, los

divisores enteros del término independiente 1 y ,1 no son raíces de p.
La dificultad aumenta conforme lo hace el grado de p.
Ejemplo nº 4
2 2
Determinar los valores y vectores propios de % (
,2 2
Valores propios:
p,2 ,2
p detp0 , O O0
)2 p,2
p , 2 ) 4 0
65
es decir:
p 2 ) 2; p 2 , 2
Vectores propios:
• Para p 2 ) 2:
Empleamos la expresión:
]^
p0 , h^ 0
es decir:
1 0 2 2 0
2 ) 2 % (,% ( % ( % (
0 1 ,2 2 0
o sea:
2 , 2 0
2 ) 2 0
por tanto y un vector propio es, por ejemplo:
1
h^ % (

• Para p 2 , 2:
De forma análoga resulta y otro vector propio es, por ejemplo:

h^ % (
1
Consideremos el endomorfismo : × Í , entonces el esquema del punto 18

del capítulo anterior se convierte es el de la
empleando cuatros bases mn, mn, mn y mn

figura donde, como se comprueba, se están
del mismo espacio vectorial .

En estas condiciones se dice que D y E
la expresión * ¡ G se reduce a:
son matrices semejantes, y se demuestra que
* G
66
Dos matrices semejantes D y E tienen el mismo polinomio característico y,

en consecuencia, los mismos valores propios. Si D y E son matrices semejantes de
una aplicación lineal Ñ × ´ Í ´ su polinomio característico es el de Ñ.
1 0 1 3
y no sean semejantes. Por ejemplo, las matrices % (y*% ( tienen los
Pero, puede ocurrir que dos matrices tengan el mismo polinomio característico
0 1 0 1
mismos valores propios, pero no son semejantes.
Propiedad
Si los ¦ valores propios del polinomio característico de D w ¦¦ son

distintos, entonces existe una matriz de paso ¶ w ¦¦ tal que ¶GH D¶ es una
matriz diagonal (se dice que D es diagonalizable). La diagonal de está formada por
los valores propios y las columnas de ¶ son los vectores propios que, además, son LI.
Ejemplo
3 ,2
Determinar los valores y vectores propios de % ( y calcular la
,1 2
matriz de paso que satisface que G sea diagonal.
1
Las soluciones son: p 1 , y un vector propio es, por ejemplo, h^ % (.
El cálculo es los valores propios es análogo al del ejemplo nº 4 del punto 10.
1
,2
Para p 4 ,2, y un vector propio es, por ejemplo, h^ % (.
1
1 ,2 ^ ^
Como det % ( 0, los vectores propios h y h son LI.
1 1
La matriz diagonalizada se convierte en
1 0
% (
0 4
Las columnas de la matriz de paso son los vectores propios h^ y h^,

con los valores propios en la diagonal principal
colocados en el mismo orden que los valores propios en :
1 ,2
% (
1 1
Se puede comprobar que G :
1 ,2 G 3 ,2 1 ,2 1 0
% ( % (% (% (
1 1 ,1 2 1 1 0 4
67
Propiedad
Si el polinomio característico de D w ¦¦ tiene raíces múltiples, D es
subespacio «solución» que le corresponde. Dicho de otra forma, para que sea
diagonalizable si el orden de multiplicidad de cada raíz coincide con la dimensión del
diagonalizable la suma de las dimensiones de los subespacios solución de las raíces del
polinomio característico ha de ser igual a la dimensión del espacio vectorial.
Ejemplos
1 1 0
1. Comprobar que la matriz 0 1 1# no es diagonalizable.
0 0 1
En efecto, su polinomio característico p p , 1 tiene una raíz

p p p 1 cuyo orden de multiplicidad es 3. Los vectores propios
]^, es decir:
asociados deben cumplir p0 , h^ 0
0 ,1 0 0

0 0 ,1# # 0#
0 0 0 0
o sea:
0 , ) 0 0
0 ) 0 , 0
de donde se deduce que 0. Por tanto, cualquier vector propio es

, 0,0; por ejemplo, el vector 1,0,0 y otro será LD del 1,0,0.
de , y es 2. Por lo tanto, la dimensión del subespacio solución es dim

Obsérvese que el rango de la matriz de coeficientes del sistema de ecuaciones
nº incógnitas – rango 3 , 2 1. Como el orden de multiplicidad de p es

3 1 entonces no es diagonalizable.
,3 0 ,4
2. Comprobar que la matriz 4 1 4 # es diagonalizable aunque sus
2 0 3
valores propios no son todos distintos.
En efecto, su polinomio característico p p , 1p , 1 0 tiene una

raíz doble p p 1 y otra simple p ,1.
Los vectores propios asociados a p p 1 deben cumplir p0 , h^ 0]^,
es decir:
4 0 4 0
,4 0
,4# # 0#
,2 0 ,2 0
que se reduce a

4 0 4 # 0

68
pues las filas ,4, 0, ,4 y ,2,0, ,2 son CL de 4, 0, 4. Operando:
4 ) 0 ) 4 0
es decir:
,
Por tanto, cualquier vector propio es de la forma , , , :
, , , 1,0, ,1 ) 0,1,0
Los vectores ]^ 1,0, ,1 y ]^ 0,1,0 son LI y constituyen una base del
subespacio solución de p p 1. La dimensión de esta base es 2 y coincide
con el grado de multiplicidad de p p 1. Otra forma de extraer esta
conclusión es comprobar que el sistema de ecuaciones tiene tres incógnitas ,
y , pero el rango de la matriz de coeficientes es 1; entonces la dimensión del
subespacio solución es dim nº incógnitas – rango 3 , 1 2.
Luego ]^ 1,0, ,1 y ]^ 0,1,0 son dos vectores propios asociados a
p p 1
El vector propio asociado a p ,1 debe cumplir p0 , h^ 0 ]^:
2 0 4 0
,4 ,2 ,4# Þ ß 0#
,2 0 ,4 3 0
es decir:
,2
2
Por tanto, cualquier vector propio es de la forma ,2 , 2 , . O sea, un vector
propio asociado a p es, por ejemplo ]^ ,2,2,1.
La forma diagonal de es:
1 0 0
0 1 0#
0 0 ,1
con los valores propios p p 1 y p ,1 situados la diagonal principal. La

matriz está formada por los vectores propios ]^ ,
]^ y
]^ dispuestos en columna
en el mismo orden que los valores propios en :
1 0 ,2
0 1 2#
,1 0 1
Se puede comprobar la relación G :
1 0 ,2 G ,3 0 ,4 1 0 ,2 1 0 0
0 1 2# 4 1 4 # 0 1 2 # 0 1 0#
,1 0 1 2 0 3 ,1 0 1 0 0 ,1
69
La elipse, la hipérbola y la parábola son curvas planas, llamadas cónicas, que

responden a la ecuación general
:, ` ` ) *` ) 4 ) ` ) l ) · 0
Reducir una cónica es el proceso de expresar su ecuación en un sistema de

referencia cartesiano ortogonal situado en sus ejes de simetría. A continuación se
* , 44. Este valor permite discriminar el tipo de cónica, así:

resume el camino a seguir: Con los coeficientes de la ecuación general se calcula
Si * , 44 X 0 es una elipse

Si * , 44 Z 0 es una hipérbola
Si * , 4 4 0 es una parábola
• Reducción de la elipse y de la hipérbola
Primero se determinan las coordenadas de su centro 4 ho , áo
de :, `:
resolviendo el sistema de ecuaciones que resulta de anular las derivadas parciales
0; 0
: :
`
A continuación se trasladan los ejes de coordenadas al centro 4. En estas

condiciones, la ecuación referida a los nuevos ejes h, á se transforma en:
á ) *há ) 4h ) · 0
con
· áo ) *ho áo ) 4ho ) áo ) lho ) ·
en la que no aparecen ya términos lineales en h e á. Por último, se giran los ejes

h, á un ángulo 5 tal que:
tan 25 , *⁄ , 4
Tras el giro desaparece el término en há y la cónica se reduce a:
à¥ ) Ûµ¥ ) ¼H 2
con
f 1⁄2 % ) 4 ) * ) , 4 ( ; Ì 12 % ) 4 , * ) , 4 (
Ejemplo
Reducir la cónica ` , 4` ) 5 , 6` ) 7 ) 15 0
70
Como * , 44 ,4 , 4 + 1 + 5 X 0 es una elipse. El centro se

calcula anulando las derivadas parciales:
:⁄ 0: ,4` ) 10 ) 7 0

:⁄` 0: 2` , 4 , 6 0
Las soluciones del sistema de ecuaciones son: ho 5⁄2, áo 8.

Trasladando el origen al centro 4ho , áo , la ecuación se transforma en:
á , 4há ) 5h , 1⁄4 0
pues
· áo , 4ho áo ) 5ho , 6áo ) 7ho ) 15 , 1⁄4
Si se giran los ejes un ángulo 5 tal que:
tan 25 , *⁄ , 4 4⁄1 , 5 ,1

25 135º; 5 67º30
como
f 1⁄2 1 ) 5 ) 16 ) 1 , 5 3 ) 2√2

Ì 1⁄2 1 ) 5 , 16 ) 1 , 5 3 , 2√2
entonces
1
3 ) 2√2á ) 3 , 2√2h , 0
4
que se puede expresarse de la forma
h h
) 1
6
con
1⁄2 3 ) 2√2; 6 1⁄2 3 , 2√2
• Reducción de la parábola
La ecuación reducida de la parábola es:
à¥ ) öµ 2
con
f )4
9 5 ) l cos 5
71
siendo
sen 5 )4/ ) 4

cos 5 4/ ) 4
tal que
Para * Z 0, con Z 0 y 4 Z 0 entonces cos 5 X 0.

Para * X 0, con Z 0 y 4 Z 0 entonces cos 5 X 0
Además, con
V cos 5 , l sen 5
el nuevo origen ho , áo es:
ho V , 4f·/4f
áo , V⁄2f
Una forma cuadrática responde a la expresión:
: , , ) ) ) ) )
en la que sólo se han empleado tres coordenadas, pero que, en general, podría ser -
dimensional.
Acabamos de ver que cuando en la elipse ` , 4` ) 5 , 6` ) 7 ) 15 0

se trasladan los ejes de coordenadas hasta su centro en el punto ho , áo
•
5⁄2 , 8 se reduce a á , 4há ) 5h , 1⁄4 0, es decir:
á , 4há ) 5h 1⁄4
por tanto, es una forma cuadrática.
1 ,2
•
È , É $ es un producto interior, siendo % (. Pues bien, sea
Por otro lado, en el ejercicio propuesto en el punto 3 se pretende demostrar que
,2 5
á
% (. Calculemos È , É $ :
h
È , É á h % 1 ,2( %á (
,2 5 h
resulta que
È , É á , 4há ) 5h
D está asociada a la forma cuadrática á , 4há ) 5h .

es la forma cuadrática de la elipse anterior. O sea, podemos afirmar que la matriz
72
1 ,2
Calculemos los valores y unos vectores propios de % (.
,2 5
•
Los valores propios anulan el determinante de p0 , :
p,1 2
detp0 , O O0
2 p,5
p 3 , 2√2; p 3 ) 2√2
Los vectores propios son las soluciones del sistema p0 , h^ 0]^ para cada
á
valor propio con h^ % ( (obsérvese que la coordenada á es la superior):
h
Para p 3 , 2√2
Unos vectores propios son:
•
1 0 1 ,2 á 0
3 , 2√2 % (,% ( % ( % (
0 1 ,2 5 h 0
es decir:
h ) á1 , √2 0
por tanto, un vector propio es, por ejemplo, con h ,1:
h^ ;,√2 , 1@
,1
• Para p 3 ) 2√2
1 0 1 ,2 á 0
3 ) 2√2 % (,% ( % ( % (
0 1 ,2 5 h 0
o sea:
h ) á1 ) √2 0
por tanto, un vector propio es, por ejemplo, con h ,1:
h^ ;√2 , 1@
,1
Obsérvese que los vectores propios ]µ]^H y ]µ

]^¥ son perpendiculares. En efecto,
su producto escalar es nulo h^ · h^ ,√2 , 1, ,1 + √2 , 1, ,1 0. Esta
propiedad se produce cuando la matriz D es «simétrica».
• Ahora podemos calcular la matriz diagonal o tal que o oG o .
es diagonalizable porque tiene dos valores propios distintos. La matriz de

paso o se construye con los vectores propios h^ y h^ dispuestos en columna:
73
o ;,√2 , 1 √2 , 1@
,1 ,1
y la matriz o se forma colocando los valores propios en su diagonal principal:
3 , 2√2 0
o ; @
0 3 ) 2√2
Se puede comprobar que oG o o :
√2 , 1@ + % 1 ,2( + ;,√2 , 1
G
;,√2 , 1 √2 , 1@
,1 ,1 ,2 5 ,1 ,1
3 , 2√2 0
; @
0 3 ) 2√2
Obsérvese que:
a) Los valores propios coinciden con los coeficientes f y Ì, que, a su vez,

están relacionados con los semiejes y 6 de la elipse:
f p 3 ) 2√2
Ì p 3 , 2√2
á
b) El vector propio h^ ;,√2 , 1@ % (, asociado con el valor propio
,1 h
p 3 , 2√2, forma un ángulo 5 con el eje de abcisas cuyo valor es:
á ,√2 , 1
tag 5
h ,1
5 67º 30
Por tanto, el vector propio h^ se encuentra sobre la dirección del nuevo

eje h, situado en el centro de la elipse.
á
c) El vector propio h^ ;√2 , 1@ % (, asociado con el valor propio
,1 h
p 3 ) 2√2, forma un ángulo 5 con el eje de abcisas cuyo valor es:
á √2 , 1
tag 5
h ,1
5 ,22º 30
Por tanto, el vector propio h^ se encuentra sobre la dirección del nuevo
eje á, situado en el centro de la elipse.
d) Al diagonalizar la matriz D asociada a la forma cuadrática desaparecen

los términos en µà y sólo se conservan los términos en á y h .
Es decir, los resultados coinciden con los obtenidos siguiendo el método de

reducción de cónicas del punto 15.
74
Pero, aunque h^ y h^ son LI, perpendiculares y constituyen una base de , no son
unitarios. Encontremos una base ortonormal asociada a p y p .
•
Si la ecuación del vector propio asociado a p es h ) á1 , √2 0, basta

imponer la condición de que su módulo sea la unidad, es decir: h ) á 1. De
estas dos ecuaciones se deduce que á 1⁄2 2 ) √2 y h á1 , √2. De
manera que un vector propio unitario es, por ejemplo:
1 1
h^ 2 ) √2 ; @
2 √2 , 1
Análogamente, si la ecuación del vector propio asociado a p es h )

á1 ) √2 0, con h ) á 1 se deduce que á 1⁄2 2 , √2 y
h ,á1 ) √2. Así pues otro vector propio unitario es, por ejemplo:
1 1
h^ 2 , √2 ; @
2 ,√2 , 1
Ahora podemos calcular otra matriz diagonal tal que G . La matriz paso
se construye con los nuevos vectores propios h^ y h^ :
•
1 2 ) √2 2 , √2
s v
2
q√2 , 1 2 ) √2 ,√2 , 12 , √2t

Compruébese que G es una matriz diagonal ; pero, como cabe esperar, se

cumple que:
o
Además, se produce una curiosidad:
G $
Matriz ortogonal
Una matriz cuadrada es ortogonal si ¶GH ¶F .
Propiedades
Si es ortogonal + $ . Y si es ortogonal diagonal, entonces los elementos

de la diagonal son 1 ó ,1.
•
Si y ¡ son ortogonales · ¡ es ortogonal.

Siempre es posible encontrar una matriz de paso ¶ ortogonal, asociada a la
•
matriz D de una forma cuadrática, tal que G $ sea diagonal.

•
75
Acabamos de comprobar que tanto la matriz como la o reducen la elipse

` , 4` ) 5 , 6` ) 7 ) 15 0 diagonalizando la matriz , pero mientras que

es ortogonal se puede comprobar que o no lo es.
Siguiendo con el ejemplo de la elipse ` , 4` ) 5 , 6` ) 7 ) 15 0 ya

reducida a su forma cuadrática :h, á á , 4há ) 5h , podemos construir la
matriz asociada a dicha forma cuadrática teniendo en cuenta lo siguiente:
a) El orden de la matriz se corresponde con el número de variables de la

forma cuadrática. En este caso dos, h e á, por tanto es de orden 2.
b) La matriz D es simétrica, con los coeficientes de los términos al cuadrado

situados en la diagonal principal:
%1 (
5
coeficiente del término en ΧY. En este caso: ,4⁄2 ,2

c) El coeficiente simétrico respecto de la diagonal principal es la mitad del
1 ,2
% (
,2 5
Se procede de manera similar para construir la matriz simétrica D asociada a

la forma cuadrática Ñ¾H , ¾¥ , ¾» bH ¾¥H ) b¥ ¾¥¥ ) b» ¾¥» ) bH¥ ¾H ¾¥ ) bH» ¾H ¾» )
b¥» ¾¥ ¾» :
a) El orden de es el número de variables de la forma cuadrática. En este

caso: tres variables: , y
b) es simétrica. Los coeficientes , y de los términos al cuadrado se

sitúan en la diagonal principal
c) Simétricamente respecto de la diagonal principal se colocan 5 1⁄2 ,

1⁄2 y £ 1⁄2 , como se indica a continuación:
5
5 £#
£
En estas condiciones podemos afirmar que, si el vector h^ , , se

expresa en forma de matriz columna h, la forma cuadrática : , , responde a la
expresión:
5
: , , h + + h
$ 5
£ # #
£
1 1 1
5 ; ; £
2 2 2
76
Y análogamente se procede para construir la matriz simétrica D asociada a

una forma cuadrática ¦-dimensional :h^ en la que h^ w | y | 1 :
:h^ h $ + + h
De lo expuesto se puede demostrar que se cumplen las siguientes propiedades

en las matrices simétricas y reales:
• Los valores propios de toda matriz simétrica y real son reales.

• Toda matriz simétrica y real admite un vector propio.
• Los vectores propios de toda matriz simétrica y real, asociados a valores propios
Toda matriz simétrica y real es diagonalizable. La matriz diagonal se forma

distintos, son perpendiculares entre sí.
situando los valores propios en la diagonal principal, de manera que G ,

•
siendo la matriz de paso constituida con los vectores propios dispuestos en
Si los vectores propios de una matriz simétrica y real son unitarios, entonces la
columna.
matriz de paso es ortogonal: G $ .

•
Ejercicio
• E.7. Demostrar: a) el producto de toda matriz por su traspuesta es una matriz

simétrica. b) la suma de toda matriz cuadrada y su traspuesta es una matriz
simétrica.
Acabamos de ver que toda forma cuadrática :h^ h $ h está caracterizada

por una matriz simétrica respecto a una base mn. Si se considera otra base mn, el
vector h^ se representa mediante h^ tal que h^ h^ donde es la matriz de paso.
Sustituyendo:
:h^ h $ h h { $ h h {$ $ h { h {$ $ h {
* $
llamando
se dice que D y E son congruentes y
:h^ h {$ *h
Si la matriz de paso de la base mn a la base mn se construye con vectores

propios de , entonces * es diagonal. Y si se construye con vectores propios de
unitarios, entonces es ortogonal: G $ . Este proceso se conoce como
diagonalización ortogonal y se dice que Ñ es un operador ortogonal.
77
coordenadas (una base) respecto al cual su matriz asociada sea diagonal, de manera
En otras palabras: En toda forma cuadrática se puede encontrar un sistema de
que los valores propios de ocupen la diagonal principal y los vectores propios formen
la base.
Propiedades
• El operador :: es ortogonal si preserva el producto interior. Es decir:
: WiW<W? Èh^, á
]^É È:h^, :á
]^É
Si : es ortogonal se conservan las longitudes de los vectores. Como consecuencia:

: transforma los vectores unitarios en vectores unitarios.
•
• Los operadores ortogonales mantienen la ortogonalidad
: 9 WiW<W? ^ # `^ :^ # :`^
Si : es ortogonal, es invertible:
Pero, el recíproco no siempre es cierto.
•
: G : $ G $
Ejercicios
E.8. Sea el operador :: : :, ` cos $ , ` sen $, sen $ ) ` cos $

que representa una rotación plana de ángulo $ y centro en el origen (0,0).
•
Demostrar que es ortogonal con el producto interior usual.
2 √2
E.9. Determinar una matriz ortogonal que diagonalice a ; @.
√2 1
•
cuadrática : 3 ) 10 ) 3 .

• E.10. Efectuar una transformación de coordenadas que diagonalice la forma
El cubo macizo de la figura, de masa y asista ,
%]^. Hallar la expresión del momento cinético ]^ respecto a

gira en torno a un eje M-M diagonal con velocidad angular
los ejes h, á, ã. Hallar el tensor de inercia, la matriz

diagonalizada y las direcciones principales de inercia.
• Cálculo de los momentos de inercia

011 &` ) x 8 ; 8 '88`8x; '
_
â â â
011 ' & & & ` ) x 88`8x 2⁄3
o o o
Por simetría:
78
011 0ää 0åå 2⁄3
• Cálculo de los productos de inercia

â â â
01ä & `8 ' & & & `88`8x 1⁄4
o o o
Por simetría:
01ä 01å 0äå 1⁄4
• El tensor o matriz de inercia respecto a los ejes XYZ es:
011 ,01ä ,01å 2⁄ 3 , 1⁄ 4 , 1⁄ 4

0( A,01ä 0ää ,0äå B , 1⁄4 2⁄3 , 1⁄4#

,01å ,0äå 0åå , 1⁄ 4 , 1⁄ 4 2⁄ 3

8 ,3 ,3
1⁄12 ,3 8 ,3#
,3 ,3 8
• El vector velocidad angular respecto a los ejes XYZ es:
]^( 1⁄√3 %ü^ ) ý^ ) >]^

%
• El momento cinético respecto a los ejes XYZ es:
011 ,01ä ,01å %1

%
]^( 0( % ,0
]^( A 1ä 0ää ,0äå B %ä # ü^ ) ý^ ) >]^
,01å ,0äå 0åå %å 6√3
• Para diagonalizar la matriz de inercia
1 8 ,3 ,3
0( ,3 8 ,3# 1⁄12
12
,3 ,3 8
trabajamos con la matriz :
8 ,3 ,3
,3 8 ,3#
,3 ,3 8
Valores propios:
p,8 3 3
P 3 p,8 3 P 0; p , 8 , 27p , 8 ) 54 0
3 3 p,8
p 2; p p 11
Vectores propios:
- Para p 2:
79
,6 3 3 0
3 ,6 3 # # 0#
3 3 ,6 0
]^ 51,1,1

- Para p p 11:
3 3 3 0
-
3 3 3# # 0# ) ) 0 , )
3 3 3 0
]^ , , , , ,1,1,0 ) ,1,0,1

]^ ,1,1,0
]^ £,1,0,1

La matriz 0 diagonalizada es:
¥ 2 2
⁄
/ H H¥ )b 2
¥
HH 2 #
2 2 HH
La matriz de paso es:
H ,H ,H
¶ H H 2#
H 2 H
con
/ ¶GH /µà* ¶
Compruébese que ¶GH ¶F .
Análisis de los resultados
]^ 1,1,1 tiene la misma dirección que la diagonal M-M. Y se

El vector propio
cumple que
]^ ·
]^ 1,1 ) 1 · 1 ) 1 · 0 0
]^ #
]^
]^ ·
]^ 1,1 ) 1 · 0 ) 1 · 1 0
]^ #
]^
pero
]^ ·
]^ ,1,1 ) 1 · 0 ) 0 · 1 1 0
]^ no es perpendicular a
es decir, ]^ , pues ]^ y
]^ se han generado con el mismo valor
vectores ortogonales. Busquemos una nueva base ortogonal: Como ]^ ya es

propio. Por tanto, aunque hemos encontrado una base, ésta no está formada por
]^ ]^ ]
perpendicular a , calculemos un vector \, _, a perpendicular a y ^ ]^ tal que
\ ) _ ) a 0 para satisfacer la condición ) ) 0 impuesta por p p
11.
80
]^ 1,1,1;
]^ ,1,1,0;
]^ \, _, a
]^ #
]^ : ]^ ·
]^ \ ) _ ) a 0 1
]^ #
]^ :
]^ ·
]^ ,\ ) _ 0 2
La condición \ ) _ ) a 0 ya se cumple en (1) otra vez; \ _ se deduce de

]^ es, por ejemplo:
(2) y, con (1), 2_ ) a 0. Sea _ 1: un vector ]^ 1,1, ,2.
La matriz es ahora:
H ,H H
¶ H H H#
H 2 ,¥
y se sigue cumpliendo / ¶GH /µà* ¶, pero continua siendo ¶GH ¶F .
Obsérvese que con estamos haciendo un cambio del sistema de

coordenadas de la base canónica m9n }1, 0, 0, 0, 1, 0, 0, 0, 1~ al sistema de
coordenadas formado por los vectores ortogonales ]^ ,
]^ y
]^ que constituyen la base
mn }1, 1, 1, ,1, 1, 0, 1, 1, ,2~, de manera que:
mn m9n
es decir:
1 1 ,1 0 1 0
]^ 1# 0# ;
]^ 1 # 1# ;
]^ 1 # 0#
1 0 0 0 ,2 1
por tanto:
la ecuación ]^( 0( % ]^( está referida a los ejes háã de la base m9n, es decir,
podemos expresarla de la siguiente manera: ]^mòn 0( % ]^mòn .
•
]
^
y podríamos calcular 0+ % ]^, pero refiriéndolo a los ejes señalados por ]^ ,
]^ y
]^ de la base mn, o sea: ]^m°n 0+ %
]^m°n. Es decir, basta expresar ,]]]^ en coordenadas
•
de la base mń y multiplicar por / para calcular ]^ en coordenadas de la misma

base mń.
• además, los vectores propios de la base mń son las direcciones principales de
inercia.
La base mn }1, 1, 1, ,1, 1, 0, 1, 1, ,2~ es ortogonal, pero no
ortonormal. Para ortonormalizarla basta dividir cada vector por su módulo:
mn 1⁄√3 1, 1, 1, 1⁄√2 ,1, 1, 0, 1⁄√6 1, 1, ,2
La matriz asociada a la base mn es:
H⁄√» , H⁄√¥ H⁄√ó

¶ AH⁄√» H⁄√¥ H⁄√ó B
H⁄√» 2 , ¥⁄√ó
81
y se sigue cumpliendo / ¶GH /µà* ¶, pero, ahora sí, ¶GH ¶F .
Comprobemos los resultados:
Calculemos el valor de ]^mòn correspondiente a una velocidad angular %

]^mòn
1,0,0 expresada en la base canónica:
•
8 ,3 ,3 1
]^mòn 0( %
]^mòn 1⁄12 ,3 8 ,3# 0# 1⁄12 8, ,3, ,3
,3 ,3 8 0
Calculemos ahora el valor de ]^m°n correspondiente a la misma velocidad angular

]^mòn 1,0,0, pero en la base mn. Para ello determinamos las coordenadas de la
•
%
velocidad angular en la base mn: 1,0,0 51,1,1 ) ,1,1,0 ) £1,1, ,2.
Es decir: 5 1⁄3, ,1⁄2 y £ 1⁄6, por tanto:
]^m°n 1⁄3 , ,1⁄2 , 1⁄6

%
entonces:
2 0 0 1⁄ 3 2 11 11
]^m°n 0+ %
]^m°n 1⁄2 0 11 0 # ,1⁄2# 1⁄12 ; , , , @
3 2 6
0 0 11 1⁄ 6
Como comprobación, calculemos ]^m°n (las coordenadas de ]^ en base mn) a partir
de ]^mòn (con las coordenadas de ]^ expresadas en la base m9n):
•
1⁄12 8, ,3, ,3 1⁄12 m51,1,1 ) ,1,1,0 ) £1,1, ,2n
donde se deduce que 5 2⁄3 , ,11⁄2 y £ 11⁄6. Es decir, el mismo

resultado que el obtenido con la expresión ]^m°n 0+ %
]^m°n.
82
Ejercicios
1. Sea una matriz cuadrada de orden 3 que verifica:
0 0 1⁄√3 1⁄√3 2⁄√6 2⁄√6

A1⁄√2B A1⁄√2B ; A,1⁄√3B 2 A,1⁄√3B ; A 1⁄√6 B , A 1⁄√6 B
1⁄√2 1⁄√2 1⁄√3 1⁄√3 ,1⁄√6 ,1⁄√6
Hallar: a) La matriz . b) ¿Por qué es diagonalizable? Hallar la matriz diagonal

semejante a y la matriz de paso correspondiente. c) Consideremos la forma
cuadrática de : :, `, x ` ) x , 2` ) 2x. Hallar la matriz asociada.
:, `, x ) 2` ) 3x, , ) `, ) ` ) 2x
Hallar, si existe, una base en respecto a la cual la matriz asociada a : sea diagonal.
2 1 1
:, `, x 1 2 1# Þ ß
1 1 2 x̀
Hallar una base en respecto a la cual la matriz asociada a : sea diagonal.

es:
0 1 1
1 0 1#
1 1 0
Hallar una base ortonormal respecto a la cual la matriz asociada a : sea diagonal.
5. Sea :, `, x ` ) x, ) x, ) `, hallar una base ortonormal respecto a la cual la

matriz de la aplicación lineal admita una expresión diagonal.

es:
2 1 ,1
1 2 1#
,1 1 2
Hallar: a) los autovalores y autovectores. b) Una base de respecto a la cual

admite una expresión diagonal. c) La forma cuadrática que tiene a como matriz
asociada.
7. Consideremos la forma cuadrática de :, `, x ) 2` ) x , x. Hallar: a)

La matriz asociada respecto de la base canónica. b) Una base ortonormal de
respecto de la cual la matriz anterior adopta una forma diagonal.
83
1
8. Sea 2# y sea :: Í la aplicación lineal cuya matriz asociada respecto a la
1
base canónica es + $ . Hallar: a) :, `, x. b) Una base de respecto de la cual la
matriz asociada a : sea diagonal. c) La forma cuadrática asociada a la matriz de :.
9. Consideremos la aplicación lineal :: Í dada por:
:1, 1, 1 5, 3, 3; :1, ,1, 1 3, 3, ,1; :1, 1, 0 4, 1, 3
Calcular: a) La matriz asociada respecto de la base canónica. b) Estudiar si es
asociada a : en dicha base sea diagonal.

diagonalizable y, en caso afirmativo, hallar una base respecto de la cual la matriz
:, ` ) 2√6 ` ) 2` .
10. Obtener una transformación ortonormal que diagonalice la forma cuadrática
11. Hallar una transformación ortogonal para reducir la forma cuadrática :, `, x
4 ) 4` ) 5x , 4x , 8`x a una suma de cuadrados.
84

Álgebra para Ingenieros PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Álgebra para Ingenieros PDF

Uploaded by

Copyright:

Available Formats

ÁLGEBRA LINEAL

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

10. DETERMINANTES. DEFINICIÓN

SISTEMAS DE ECUACIONES LINEALES

15. NOTACIÓN ORDINARIA Y MATRICIAL

ESPACIOS VECTORIALES DE DIMENSIÓN FINITA

1. ESTRUCTURA DE GRUPO Y CUERPO

11. BASE DE UN ESPACIO VECTORIAL. DIMENSIÓN

FUNCIONES Y APLICACIONES LINEALES

1. RELACIONES FUNCIONALES O FUNCIONES

DIAGONALIZACIÓN DE MATRICES Y FORMAS CUADRÁTICAS

VECTORES EN . MÓDULO Y VECTOR UNITARIO

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

10. DETERMINANTES. DEFINICIÓN

SISTEMAS DE ECUACIONES LINEALES

15. NOTACIÓN ORDINARIA Y MATRICIAL

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

Una matriz es un conjunto de números dispuestos en filas y  columnas

donde el elemento situado en la fila , columna  es el 

2. ALGUNOS TIPOS DE MATRICES

Matriz fila. Sólo tiene una fila. Ejemplo:  1 2 3 4

Matriz transpuesta. $ . Se obtiene cambiando filas por columnas. Ejemplo:

Algunas propiedades de las matrices transpuestas son:

Matriz antisimétrica o hemisimétrica. Aquella que siendo cuadrada tienen los

Para sumar dos matrices y * deben tener la misma dimensión. La suma se

4. PRODUCTO DE MATRICES POR UN ESCALAR

El producto de la matriz por el escalar 5 se calcula multiplicando todos los

1 ,2 5+1 5 + ,2 5 ,10

5. PRODUCTO DE DOS MATRICES

El producto de dos matrices se realiza multiplicando filas por columnas como

donde tiene dimensión 2  3 mientras que la dimensión de * es 3  2, de manera

• Asociativa: *4  *4

derecha. Así, en *, premultiplica a *, o * postmultiplica a .

• Si es cuadrada, el elemento neutro del producto es 0: D/  /D  D.

Distributiva respecto de la suma: * ) 4  * ) 4

Si *  4, no es cierto, en general, que *  4.

6. MATRIZ INVERSA DE UNA MATRIZ CUADRADA

Si existe G tal que

entonces DGH es la matriz inversa de , y se dice que es invertible o regular. Pero, si

7. RANGO O CARACTERÍSTICA DE UNA MATRIZ

Toda matriz de dimensión  , leída fila a fila, es también un conjunto de

8. CÁLCULO DEL RANGO POR EL MÉTODO DE GAUSS

Las transformaciones de filas o columnas que no modifican el rango son:

• Permutar dos filas o dos columnas.

Método de Gauss para determinar el rango de una matriz

A continuación se expone el procedimiento a seguir para determinar el rango,

• Se elige como pivote un elemento no nulo.

pertenezca ni a la fila 1ª ni a la columna 1ª, por ejemplo el   1. Empleando la fila

El proceso ha finalizado pues no es posible elegir un nuevo pivote no nulo.

9. CÁLCULO DE LA MATRIZ INVERSA POR EL MÉTODO DE GAUSS

Para determinar la inversa de una matriz se procede de la siguiente manera:

Calcular la matriz inversa de  1 2 ,2#.

En el paso 1º se elige como pivote el elemento   1. En el paso 2º se resta

elemento   ,5. En el paso 4º se resta cinco veces la fila 1ª de la 3ª y se suma

10. DETERMINANTES. DEFINICIÓN

El determinante de una matriz cuadrada (se escribe || o det ) es el

El determinante de la matriz  1  es:

El determinante de la matriz 1 es:

Se ha desarrollando el determinante a través de los elementos de la primera

El procedimiento se generaliza para   .

El ejemplo se ha escrito empleando las primeras filas, pero se podría generalizar a

• RSTD + E  RSTE + D  RST D + RST E, aunque + *  * +

• Si se permutan dos filas o dos columnas el determinante cambia de signo.

Una matriz es un conjunto de números dispuestos en filas y columnas

donde el elemento situado en la fila , columna es el

Matriz fila. Sólo tiene una fila. Ejemplo: 1 2 3 4

1 ,2 5+1 5 + ,2 5 ,10

donde tiene dimensión 2 3 mientras que la dimensión de * es 3 2, de manera

• Asociativa: 4 4

derecha. Así, en , premultiplica a , o * postmultiplica a .

• Si es cuadrada, el elemento neutro del producto es 0: D/ /D D.

Distributiva respecto de la suma: * ) 4 * ) 4

Si * 4, no es cierto, en general, que * 4.

Toda matriz de dimensión , leída fila a fila, es también un conjunto de

pertenezca ni a la fila 1ª ni a la columna 1ª, por ejemplo el 1. Empleando la fila

Calcular la matriz inversa de 1 2 ,2#.

En el paso 1º se elige como pivote el elemento 1. En el paso 2º se resta

elemento ,5. En el paso 4º se resta cinco veces la fila 1ª de la 3ª y se suma

El determinante de la matriz 1 es:

El procedimiento se generaliza para .

• RSTD + E RSTE + D RST D + RST E, aunque + * * +

• Si el determinante de orden es nulo, el rango de su matriz es menor que :

det 1 0 U V<W X

Elegido como pivote el elemento 1, multiplicamos por 5 la fila 1ª y

Se elige como pivote el 15. Multiplicamos por 15 la fila 3ª y le restamos

Se elige como pivote el ,137. Multiplicamos por 16 la fila 3ª y le

Se llama determinante adjunto o menor complementario del elemento

Sea una matriz 1 formada por vectores de dimensión con Z .

De esta expresión se deduce que D es invertible si y sólo si RST D 2.

La notación ordinaria de un sistema de ecuaciones con incógnitas es:

Si los términos independientes 6 , e , 6 son todos nulos, se dice que el

Resolver por el método de Gauss el sistema de ecuaciones f + h *, con:

En la 4ª ecuación se calcula [ ,2, cuyo valor se sustituye en la 3ª,

Pasando al segundo miembro:

la matriz de los coeficientes de y es:

Se le da a cualquier valor. Sea 5. Empleando el método de Cramer:

Obsérvese que no sería válido resolver el sistema del enunciado pasando al

l m* , n$ , G $ ) ) G , *$ )

2. Sean y * dos matrices tales que * 0 (matriz nula). Si es invertible, demostrar

Y generalizar el resultado hasta el exponente natural .

9. Si en el dominio de las matrices cuadradas de orden se satisface que ,0 ,

11. Discutir y resolver según los valores de , 6 w el sistema: