Apuntes de Fundamento

VALENCIA
http://carlos2524.jimdo.com/
Antonio J. Ramrez Fernndez
__ Alicia Herrero Debn
APUNTES DE LA ASIGNATURA
FUNDAMENTOS MATEMTICOS
DE LA INGENIERA:
,
ALGEBRA
Departamento de Matemtica Aplicada
Escuela Universitaria de Ingeniera Tcnica Industrial
UNIVERSIDAD POLITCNICA DE VALENCIA
EDITORIAL UPV Ref .: 2002.228
Antonio J. Ramrez Fernndez
Alicia Herrero Debn
Edita: EDITORIAL DE LA UPV
Camino de Vera, s/n
46071 VALENCIA
Te1.96-38770 12
Fax 96-387 79 12
Imprime: REPROVAL, S.L.
Te1.96-369 22 72
Depsito Legal: V -31 02-2002
I.S.B.N. : 84-9705-229-3
NDICE
1. RESOLUCIN DE SISTEMAS DE ECUACIONES-LINEALES.... ................ 3
l. ECUACIONES LINEALES .................. ...... .. ..... .. ...................................... ..... 5
2. SISTEMAS DE ECUACIONES LINEALES........ .... .. .. .... .............. ............... .... 6
3. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES POR EL
MTODO DE GAUSS......... .. ...... .. ... .......... .................. ...... .... ...... .......... ........ 8
4. CLASIFICACIN DE LOS SISTEMAS DE ECUACIONES LINEALES........... 11
5. ELIMINACIN DE PARMETROS.. ........ .... ........ .. .... .. .... .. ........ .. .... ............ . 13
EJERCICIOS ....... ... ..... ........... ....... .... .......... .. .......... .......... .... ..... .. ...... .... .... .... ....... .. ..... 14
2. MATRICES ........................................................................................................ 17
1. DEFINICIN DE MATRIZ .......... ........ ........ ...... ........... .... .. ...... ........ .. ........... 19
2. OPERACIONES CON MATRICES ................................ .... .. .................. .... ..... 21
3. MATRIZ REGULAR.... ................. .... ............... .. ............................................ 23
4. DETERMINANTES .. ... ...... ........ ........ .. .................... .. .... .. ......... ..... .... ... ... ...... 28
5. CLCULO DE LA MATRIZ INVERSA POR LOS ADJUNTOS ................ .. .. ... 31
6. EXPRESIN MATRICIAL DE UN SISTEMA DE ECUACIONES
LINEALES. REGLA DE CRAMER........ ......... .. .......... .. .... .... .. .......... ........ ...... 33
7. RANGO DE UNA MATRIZ. TEOREMA DE ROUCH-FROBENIUS .............. 35
8. ECUACIONES MATRICIALES.............................................. ................... ... .. 38
9. PROPIEDADES DE LAS MATRICES TRASPUESTAS .... ....................... 39
10. PROPIEDADES DE LAS MATRICES SIMTRICAS Y ANTISIMTRICAS.... 39
EJERCICIOS ............... ..................... ..... .... ...... ... ... .. ....... ..... . ..... .. .. .... ... ........ ..... ... 40
3. ESPACIOS VECTORIALES ............................................................................. 45
1. DEFINICIN DE ESPACIO VECTORIAL .... .. .... .......... .. .... ........ .................... 47
2. PROPIEDADES QUE SE DEDUCEN DE LA DEFINICIN ................ ............. 48
3. COMBINACIN LINEAL................................................................... ..... ... ... 50
4. DEPENDENCIA E INDEPENDENCIA LINEAL ................... .......................... 51
5. SISTEMA GENERADOR DE UN ESPACIO VECTORIAL .............................. 53
6. BASE DE UN ESPACIO VECTORIAL .... ....................................................... 57
7. TEOREMAS RELATIVOS A LA BASE DE UN ESPACIO VECTORIAL......... 58
8. CAMBIO DE BASE EN UN ESPACIO VECTORIAL. .... ..... .. .. ........................ 62
9. SUBESPACIOS VECTORIALES ...... .. ..................................... ....................... 65
1
APUNTES DE LA. ASIGNATURA FUNDAMENTOS MATEMTICOS DE LA. INGENIERA: LGEBRA
10. INTERSECCIN DE SUBESPACIOS VECTORIALES ...... ..... .. ... ................... 69
11 . UNIN DE SUB ESPACIOS VECTORIALES.. ......... ......... ..... ... ... ..... .... ..... ..... 72
12. SUMA DE SUBESPACIOS VECTORIALES ... .... ...... .... .. ..... ..... ..... ...... ........... 74
13. RELACIN ENTRE LAS DIMENSIONES DE LOS SUBESPACIOS SUMA
E INTERSECCIN. FRMULA DE GRASSMAN ..... .. .................. .. ....... .... .. .. 75
EJERCICIOS ...... ..... .... ..... ..... .............. .. .... ... ......... ....... .... ..... ... .... .... ... ....... .... .. ... 77
4. APLICACIONES LINEALES ........................................................................... 81
1. DEFINICIN DE APLICACIN LINEAL......... ... .. ....... ... .... ..... .. ... ...... ... .. ..... . 83
2. IMAGEN DE UNA APLICACIN LINEAL.. ............ .... ...... ............................ 85
3. MATRIZ DE UNA APLICACIN LINEAL..... .. .............................................. 86
4. NCLEO DE UNA APLICACIN LINEAL ............. .............. .......... .. .. ...... ..... 90
5. CLASIFICACIN DE LAS APLICACIONES LINEALES................................ 92
6. OPERACIONES CON APLICACIONES LINEALES ...... ...... ........ .. ................. 94
7. CAMBIO DE REPRESENTACIN MATRICIAL CUANDO SE CAMBIA
LA BASE DE LOS ESPACIOS VECTORIALES ...... ............ ............................ 95
8. EJEMPLOS DE APLICACIONES LINEALES ...................................... .... ....... 98
EJERCICIOS. ...... .. ... .. ......... ............................... ....................... ... .... ..... .. ........... 103
5. ESPACIOS MTRICOS .................................................................................... 107
l. PRODUCTO ESCALAR................................................................................. 109
2. EXPRESIN ANALTICA DEL PRODUCTO ESCALAR.. .. ............ .. .. ............ 111
3. NORMA DE UN VECTOR. DISTANCIAS ...... ........ ...... ........................ .. .... .. .. 113
4. NGULO DE DOS VECTORES. ORTOGONALIDAD ........................ .. .......... 115
5. SUB ESPACIOS ORTOGONALES ................................ .... .............................. 117
6. ORTOGONALIZACIN DE GRAM-SCHMIDT.... .. .... ........ ................ .... ........ 120
7. EXPRESIONES ANALTICAS REFERIDAS A UNA BASE MTRICA U
ORTONORMAL. ........ ... .... ................................... ........ .. ............................... 123
EJERCICIOS ...... .. .... .. ... ..... ..... ..... ...... ....... ..... .... ..... .. ....... ........ ... ....... ................ 123
6. DIAGONALlZACIN DE ENDOMORFISMOS ............................................. 127
1. VALORES PROPIOS y VECTORES PROPIOS .. .. ......... .......... .. .... ...... ........... 129
2. CLCULO DE LOS VALORES PROPIOS y DE LOS VECTORES
PROPIOS ....... ........ ...... ...... ...... ... ..... ... ...... ........ ...................... ...... ............ .... 134
3. ENDOMORFISMOS y MATRICES DIAGONALIZABLES ........ .............. ....... 141
4. DIAGONALIZACIN DE MATRICES SIMTRICAS........ .... .................. .. ..... 149
EJERCICIOS ........ ...... .. ..... ... ..... .. .............. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
SOLUCIONARlO ... .. ..... ...... .. .................. .. ... .... ..... ...... .... ...... ........... ..... ........ ... ...... 157
2
CAPTULO 1
RESOLUCIN DE SISTEMAS DE
ECUACIONES LINEALES
1. ECUACl
Definicin
Una en
A las a
lndependei
Si b = e
"
:
Cuando
distintas, po
Se J lam
a)denme
~, ... ,xnpc
ecuacin lin
Es fcil
solucin.
Resolver u
Al con
general de
particular.
Para el
dan valores
lineal con 1
Para el
parmetros
nmeros n
obtencin I
Ejemplo 1
Dada!
a)l
b)I
CAPTULO 1. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES
1. ECUACIONES LINEALES
Definicin
Una ecuacin lineal de n incgnitas Xl' X
2
, .. , X
n
es una igualdad del tipo
con algn a::f. O
A las al' a
2
, , a
n
se les denomina coeficientes de las incgnitas y a b trmino
independiente de la ecuacin. Todos son nmeros reales conocidos.
Si b = O la ecuacin se llama lineal homognea.
Cuando el nmero de incgnitas es pequeo se suelen representar por letras
distintas, por ejemplo X, y, z, ...
Se llama solucin de una ecuacin lineal de n incgnitas a toda n-tupla (al' ~ , ... ,
a
n
) de nmeros reales que satisfaga la ecuacin, es decir, que al sustituir Xl por al' X
2
por
a
2
, ... , X
n
por a
n
la ecuacin se transforma en una identidad. Por ello, la solucin de una
ecuacin lineal se suele dar en la forma Xl = al' X
2
= a
2
, , X
n
= a
n

Es fcil observar que toda ecuacin lineal de ms de una incgnita tiene ms de una
solucin.
Resolver una ecuacin lineal es encontrar todas sus soluciones
Al conjunto de todas las soluciones de una ecuacin lineal se le llama solucin
general de la misma, mientras que a cada una de las soluciones se le denomina solucin
particular.
Para encontrar una solucin particular de una ecuacin lineal con n incgnitas se le
dan valores arbitrarios a n -1 cualesquiera de ellas, con lo que se reduce a una ecuacin
lineal con una sola incgnita, y se calcula el valor de dicha incgnita.
Para encontrar la solucin general de una ecuacin lineal con n incgnitas se le dan
parmetros, que son letras generalmente del alfabeto griego que representan a todos los
nmeros reales, a n -1 cualesquiera de ellas y se procede como en el caso de la
obtencin de la solucin particular.
Ejemplo 1
Dada la ecuacin 2x - 3x
2
+ 7xJ = 6
a) Encontrar dos soluciones particulares.
b) Obtener la solucin general.
5
APUNTES DE LA ASIGNATURA FUNDAMENTOS MATEMTICOS DE LA INGENIERA: LGEBRA
a) Si hacemos x
2
= O Y x
3
= O se obtiene 2x = 6 ~ x = 3, una solucin particular es:
x = 3, x
2
= O Y x
3
= O
Si hacemos x = O Y x
3
= O se obtiene - 3x
2
= 6 ~ x
2
= - 2, una solucin
particular es: x = O, x
2
= - 2 Y x
3
= O
6- 2a+ 3/3 1
b) Si hacemos x = a y x
2
= /3 se obtiene 2a - 3/3 + 7x
3
= 6 ~ x
3
= 7 ' a
1
. , 1 /3 6 - 2a + 3/3
so UClOn genera es: x = a, x
2
= Y x
3
= --7----'--
Observa que las soluciones obtenidas en a) se encuentran en la solucin general.
Las distintas opciones de la eleccin de las incgnitas para sustituirlas por
parmetros permiten obtener distintas expresiones de la solucin general.
Si se elige x = y y x
3
= 8 se obtiene 2y - 3 x
2
+ 78 = 6 ~ X
2
= 2y + 78 - 6 Y la
3
1
. , 1 2y + 78 - 6 1:: l 1 h
so UClOn genera es: x = y, x
2
= 3 Y x
3
= u que es a ffilsma que a que se a
obtenido anteriormente, aunque aparente ser distinta.
Al nmero de parmetros que se necesitan para obtener la solucin general de una
ecuacin lineal se le denomina grado de indeterminacin o de libertad de la ecuacin.
Definicin
Dos ecuaciones son equivalentes cuando tienen la misma solucin general.
Se obtienen ecuaciones equivalentes mediante las llamadas transformaciones de
equivalencia.
I. Si a los dos miembros de una ecuacin lineal se les suma un mismo nmero o
una misma expresin lineal se obtiene otra ecuacin lineal equivalente.
Il. Si a los dos miembros de una ecuacin lineal se les multiplica por un mismo
nmero no nulo se obtiene otra ecuacin lineal equivalente.
2. SISTEMAS DE ECUACIONES LINEALES
Un sistema de m ecuaciones lineales con n incgnitas, Xl' x
2
' , X
n
' es un
conjunto de m igualdades de la forma:
6
ax + a ~ 2 + anxn = b
~ X + ~ 2 + a
2n
x
n
= b
2
CAPTULO l. RESOLUC1N DE SISTEMAS DE ECUACIONES LINEALES
donde aj' b (1 ~ i ~ m, 1 ~ j ~ n) son nmeros reales conocidos que se denominan
coeficientes y trminos independientes respectivamente.
Si los trminos independientes son todos nulos, b = O (1 ~ i ~ m), el sistema se
llama homogneo.
Los subndices de a .. nos indican que a .. se encuentra en la ecuacin y es el
ij ~
coeficiente de Xj.
Cuando el nmero de ecuaciones es pequeo se las puede representar por letras
distintas.
Ejemplo 2
El sistema
2Xl + 3X2 - 4X3 = 1
Xl - 2X2 - 5x3 = 2
es lineal de 2 ecuaciones con 3 incgnitas.
Ejemplo 3
El sistema
Xl - 2X2 - 5x3 = O
es lineal homogneo de 2 ecuaciones con 3 incgnitas, que se dice asociado al anterior
por tener todo igual menos los trminos independientes que son todos nulos.
Se llama solucin de un sistema a toda n-tupla (al' ~ , ... , a
n
) de nmeros reales
que satisfaga el sistema, es decir, que al sustituir Xl por al' x
2
por a
2
, ... , x
n
por a
n
se
cumplan todas las ecuaciones. Por ello, la solucin de un sistema de m ecuaciones
lineales con n incgnitas se suele dar en la forma Xl = al' x
2
= a
2
, , x
n
= a
n

Un sistema puede tener mas de una solucin.
Resolver un sistema es encontrar todas sus soluciones
El conjunto de todas las soluciones de un sistema se llama solucin general,
mientras que a cada una de las soluciones se les llama solucin particular.
7
Definicin
Dos sistemas de ecuaciones lineales se dice que son equivalentes cuando tienen las
mismas soluciones.
El mtodo general de resolver sistemas de ecuaciones es encontrar sistemas
equivalentes de ms fcil solucin.
Los sistemas equivalentes los representaremos por el smbolo <=> entre ellos.
Las siguientes transformaciones nos permitirn obtener sistemas equivalentes.
1) Si en un sistema se transforma una o varias ecuaciones en otra u otras
equivalentes, resulta un sistema equivalente al primero.
Il) Si en un sistema de ecuaciones se despeja en una ecuacin una incgnita y se
sustituye en las dems ecuaciones, el sistema formado por . la ecuacin
resuelta y las dems obtenidas por la sustitucin es equivalente al propuesto.
IlI) Si en un sistema de ecuaciones lineales se suprime o se aade una ecuacin
que sea combinacin lineal de las dems, se obtiene un sistema equivalente al
dado.
3. RESOLUCIN DE SISTEMAS POR EL MTODO DE GAUSS
El mtodo de Gauss para la resolucin de sistemas consiste, en general, en dado un
sistema de m ecuaciones lineales encontrar otros equivalentes haciendo ceros entre los
coeficientes de la incgnitas. Para ello, en primer lugar,' se elegir una incgnita con
coeficiente no nulo, al que llamaremos pivote, y que por comodidad supondremos que
es el a
ll
. Si no fuera as, se podra alterar el orden de las ecuaciones e incluso el de las
incgnitas con la condicin de que una misma incgnita se encuentre en una misma
columna. Se tendra por tanto el sistema
allx
l
+ a
l
02 + alnx
n
= b
l
a
2l
x
I
+ ~ 2 X 2 + a
2n
x
n
= b
2
En segundo lugar se hacen cero los coeficientes que estn debajo del pivote. Se
obtiene as:
que es equivalente al dado.
8
al IX
I
+ a
l
02 + alnx
n
= b
l
a'202+
a
'2n
x
n= b'2
CAPTULO l. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES
Si se separa la primera ecuacin se obtiene otro sistema con una ecuacin y una
incgnita menos, en el que se repetir el proceso hasta quedarnos con una sola ecuacin
lineal que siempre se puede resolver.
Al objeto de simplificar la notacin, es conveniente mantener un esquema de
trabajo para resolver estos sistemas. Elegimos el consistente en:
a) Se seala con un recuadro el pivote elegido. Es aconsejable que su valor sea 1.
b) La escritura del sistema se abreviar escribiendo solamente los coeficientes de
las incgnitas y los trminos independientes separados por una barra, todos
ellos encerrados entre parntesis.
Es imprescindible que todas las incgnitas ocupen el mismo lugar en las
ecuaciones, por lo que se debe escribir el smbolo de la incgnita encima de la
columna correspondiente.
c) Se irn buscando los sistemas equivalentes segn las transformaciones estudia-
das anteriormente.
Ejemplo 4
Resolver el sistema
x + 3y + 2z = 1
2x- y - 2z =-2
-x+2y + z=-2
Segn el esquema de trabajo, este sistema se resolver de la forma:
x y z
- - <=> -
1-2.1 O 5
x z
y
2 1] [1
-6-4 <=> O
3 -1 O
2'B 3'
3
5
-7
2 1]
3 -1 <=>
-6-4
2
[3 ]
-6
-:]
-7 -4 .2
[
12311 {X+2Z+3
Y
=1
<=> O 3 5 -1 <=> 3z+5y=-1
O O 3 -6 3y =-6
de la tercera ecuacin se deduce que y = - 2. Sustituyendo en la segunda se obtiene que
z = 3 y sustituyendo estos dos valores en la primera se obtiene que x = 1.
Luego el sistema tiene una nica solucin que es: x = 1, Y = - 2 Y z = 3.
9
Ejemplo 5
Resolver el sistema
x + 2y - 5z = 4
-2x+ y =-3
3x - 2y + z = 4
Razonando como en el ejemplo anterior:
x y z
- - <=>
-2 1 4 .(-3) O
<=>
-8 16-8 O 1 -21.(-1)
-
54
l
{
X+2
Y
-5Z=4 {X+2Y=4+5Z
-2 1 <=> <=>
y - 2z = 1 Y = 1 + 2z
00
Si a Z se le da un valor t.. E R, se deduce de la segunda ecuacin que y = 1 + 2t.. Y
sustituyendo los valores de y y z en la primera se tiene que x = 2 + t...
Este sistema tiene infinitas soluciones debido a los valores que se le pueden dar al
parmetro t...
x = 2 + t.., y = 1 + 2A Y z = t..
Ejemplo 6
10
Resolver el sistema
x + 5y- z = 5
2x + 3y-4z = 1
x-2y- 3z= 2
Razonando como en el ejemplo anterior:
x y
[
[1] 5
2 3
1 -2
z
-15l [1 5 -1 5] [1
-41 .(-2)<=> O [-7] -2-9 <=> O
-32 .(-1) O -7 -2 -3 .(-1) O
j
X+5
Y
-Z=5
<=> -7 Y - 2z = -9
Oz =6
5
-7
O
-1 5]
-2-9 <=>
O 6
CAPTULO i. RESOLUCi6N DE SiSTEMAS DE ECUAClONES LiNEALES
Como la tercera ecuacin no se satisface para ningn valor real, este sistema no
tiene solucin.
Ejemplo 7
Resolver el sistema
X +X
2
- X
3
- X +2x
2
+X4 : O
2x +X
3
- X
4
- O
=0
Como el sistema es homogneo, no es necesario poner la columna de los trminos
independientes, se tiene aS:
Xl
X
2
X
3
X
4 Xl
X
4
X
2
X
3
[ ~~
1 -1
O ) [ 1
1 -1
~). . [ ~
O 1
-1)
2 O
1 .1 {:::> O
3 -1 [ 1] 3
-1 {:::>
O 1 -1 .(-2) O -2 3 -1 O -1 -2 3 .1
+2Ay
. . [ ~
O 1
-1) r
+ x, - x, =0 r
+ x
2
= x
3
n dar al
1 3
- 1 {:::> x
4
+3x
2
- x
3
=O {:::>
x
4
+3x
2
= x
3
O 1 2 x
2
+2x
3
=O x
2
=-2x
3
Si a X
3
se le da un valor genrico A, se tiene, de la tercera ecuacin, que X
2
=- 2A, Y
de las dos primeras ecuaciones, X
4
=7A Y x =3A.
4. CLASI FI CACI N DE LOS SI STEMAS DE ECUACI ONES LI NEALES
Del estudio de los ejemplos anteriores se deduce que existe un distinto compor-
tamiento de los sistemas respecto a sus soluciones, por lo que se puede hacer la
siguiente clasificacin.
Diremos que un sistema de ecuaciones lineales es compatible si tiene solucin. Si
esta solucin es nica se llamar compatible determinado y si tiene mas de una
compatibleindeterminado. Si no tiene solucin lo llamaremos incompatible.
Los sistemas lineales homogneos son siempre compatibles y su clasificacin es
anloga a la de los no homogneos.
La resolucin de los sistemas de ecuaciones lineales por el mtodo de Gauss
permite clasificarlos, atendiendo slo a la disposicin de los coeficientes del sistema
equivalente que se calcula. AS, para los sistemas no homogneos se tiene:
11
a) Si la disposicin final de los coeficientes al aplicar el mtodo de Gauss es
Resolviendc
a a2 a3 a1I
b,
O a
22
a
23
a
211
b
2
O O a
33
a
311
b
3
O O O
ami
b
ll
O O O O O
O O O O O
x
de donde seded
Si a = 1, el
Si a = O , e
sera:
1"
el sistema es compatible determinado si todos los coeficientes a., son distintos de O ; el
sistema es compatible indeterminado si algn coeficiente a distinto del a.; es nulo y el
sistema es incompatible si a
nn
es nulo y b; no lo es, o tambin si aij =O Y b =t: O para
algn i, 1~i ~ n.
b) Si la disposicin final de los coeficientes es
a a2
a
I3 a1I a(II+p)
b
O a
22
a
23
a
211 a2(II+p)
b
2
O O a
33
a
311 a3(II+p)
b
3
O O O
ami an(lI+p)
b
ll
O O O O O O O
O O O O O O O
Si a;t: O Y Q
5. ELlMINAC
Hasta ahor
solucin. Nos p
encontrar eseu
el sistema es compatible indeterminado con p grados de indeterminacin e incompatible
si a.; = ... = a(n+ p) = O Y b =t: O para algn i, 1~j ~ n.
El problerr
puede consider
resolverlo cons
que resulta al a
Ejemplo 8 Ejemplo 9
Discutir para los distintos valores de a el siguiente sis~~pa de ecuaciones: Eliminar i<
{
x+ y
ay+ Z =0
x+(1+a)y +a: =a+1
=1
12
intos de O ; el
es nulo y el
y b, :F O para
incompatible
s:
Resolviendo el sistema por el mtodo de Gauss,
x y z
(~l
1
O 1 ) (1
1
O 1) (1
1
O 1)
a 1 O ~ O [a] 1O ~ O a 1 O
1+a aa+1 .(-1) O a aa .(-1) O O a-l a
de donde se deduce que:
Si a = 1, el sistema es incompatible, pues la ltima ecuacin sera: 0= 1.
Si a = O , el sistema es compatible indeterminado, ya que en este caso el sistema
sera:
j
x+ y =1
z=O
-z=O
Si a:F O y a:F 1, el sistema es compatible determinado y su solucin es:
a
x=z=--,
a-l
-1
y=-
a-l
5. ELI MI NACI N DE PARMETROS
Hasta ahora dado un sistema de ecuaciones lineales podemos encontrar siempre su
solucin. Nos planteamos ahora el proceso contrario: conocida la solucin de un sistema
encontrar ese u otro sistema equivalente que tenga dicha solucin.
El problema ms interesante es cuando la solucin tiene parmetros, es decir, se
puede considerar como unas ecuaciones paramtricas. El mtodo de Gauss permite
resolverlo considerando los parmetros como incgnitas y obligando a que el sistema
que resulta al aplicar dicho mtodo sea compatible.
Ejemplo 9
Eliminar los parmetros r y s en el sistema:
j
x =r- 2s +1
y=-3r+6s
z =-2r+4s
13
Considerando r y s como las incgnitas del sistema se tiene al aplicar el mtodo de
Gauss:
r s
[
[1] - 2 x - II [ 1
-3 6 y.3 O
-2 4 z .2 O
el sistema que se ha obtenido no contiene los parmetros r y s y sin embargo es
equivalente al dado, pues tiene la misma solucin.
EJERCICIOS
Resuelve las siguientes ecuaciones lineales:
l. x- y+ 2z = S
3. x-y+2z-t=1
Clasifica y resuelve, siempre que sea posible, los sistemas:
4x - 2z + 3t = 12
I
x- y+ 2z+t = 4
Y +3z +2t =-1
4.
Sx - 2y + 3z + 2t = 17
1
2X + 3 Y + Z + t = 1
4x - y + 9z - St = 23
S.
3x+y+Sz-2t=12
x+ Sy -3z + 4t =-10
I
sx+2
Y
+3z=S
6. 3x - y + 4z = 7
x+7y -6z = 3
7. Dado el sistema
14
{
X+2
Y
=8
x-my =4
determinar el valor de m para que:
a) Sea compatible determinado.
b) Sea compatible indeterminado.
c) Tenga como solucin x = O
d) Tenga como solucin x = 8
e) Tenga como solucin x = k
f) Sea incompatible.
Discutir, para los distintos valores de los parmetros, y resolver, siempre que se
pueda, los siguientes sistemas
{
2X+ y = 1
8. x+y-2z=1
3x+ y+ az = b
{
ax+
Y
+Z=l
9. x+ay+z=l
x+ y +az =1
{
x+ y -6z = O
10. x-2y+6z=O
3x- y+az = O
{
2X+ y+ z = a
11. x+2y+z=a
x+ y+ 2z = a
Eliminar los parmetros a y
{
X =
12.
z =

13. x- z =

15
CAPTULO 2
MATRICES
CAPTULO 2. MATRICES
1. DEFINICIN DE MATRIZ
Consideraremos que el cuerpo en el que vamos a estudiar las matrices es el cuerpo
de los nmeros reales.
Definicin
Se llama matriz de orden mXn (o de m filas y n columnas) al conjunto de m por n
nmeros reales dispuestos en m filas y n columnas, encerrados entre parntesis o
corchetes de la forma
a
m2
o abreviadamente A o (aij)
El primer subndice de los elementos de la matriz indica la fila y el segundo la
columna en donde se encuentra.
Definicin
Dos matrices son iguales cuando siendo del mismo orden son iguales los
elementos que ocupan el mismo lugar.
Entre las matrices se distinguen los siguientes tipos:
Matrices fila o vectores fila son las matrices de orden lxn.
Matrices columna o vectores columna son las matrices de orden mx1.
Matriz nula es la que todos sus elementos son cero. Se representa por O.
Matriz cuadrada es la que tiene el mismo nmero de filas que de columnas, y
por tanto, se suele decir matriz cuadrada de orden n en vez de matriz de orden
nxn.
En las matrices cuadradas se distinguen:
La diagonal principal que es la formada por los elementos a
J
J a
22
a
nn
La
suma de sus elementos se denomina traza de la matriz.
La diagonal secundaria que es la otra diagonal.
19
Entre las matrices cuadradas sedistinguen: 2.0PERACIC
Las matrices diagonales queson las quetienen nulos todos los elementos que no
son dela diagonal principal. Caso particular es lamatriz unidad.
l. Suma dema.
La matriz unidad deorden 3es:
Dadas dosl
otra matriz, del
mismo lugar.
quetambin sepuede definir como (aij) con {a
jj
= 1 si i = j
aij =O SI i;f. j
[ a"
a
12
a
2
\
a
22
a
ml
a
m2
. .
Las matrices triangulares son las que tienen nulos todos sus elementos situados
por debajo o por encima de su diagonal principal. Se distinguen la triangular
superior y la inferior.
o abreviadamer
(aij) con aij = O si i >j es una triangular superior.
Ejemplo 1
(aj) con aij = O si i <i es una triangular inferior.
Las matrices simtricas son las quelos elementos que ocupan lugares simtricos
respecto de la diagonal principal son iguales, es decir, cuando se verifica que
aij =aji V i.j.
Propiedades
Las matrices antisimtricas o hemisimtricas son las que los elementos que
ocupan lugares simtricos respecto de la diagonal principal son opuestos, es
decir, cuando severifica queaij = - aj Vi,j.
Para cuale
siguientes prop
Conmui
Evidentemente los elementos de la diagonal principal de una matriz
antisimtrica son nulos, pues au = - a Vi.
Asociat
Existen
Matrices traspuestas. Dos matrices A y B se dice que son traspuestas cuando se
obtienen una a partir de la otra cambiando filas por columnas, es decir, cuando se
verifica aij = bji Vi,j.
La traspuesta deuna matriz A serepresenta por A
t
Existen
Por tanto
matrices esun
Si una matriz es deorden mxn su traspuesta es deorden nxm. Ladiferen
Matrices opuestas. Dos matrices A y B del mismo orden se dice que son opues-
tas cuando los elementos que ocupan el mismo lugar son opuestos, es decir, cuando
aij =- bij Vi,j .
11.Producto d
La opuesta deuna matriz A serepresenta por-A
Dada una
producto de(
obtienen multi
20
ntos queno
si i =j
si i 1= j
os situados
triangular
simtricos
erifica que
entos que
uestos, es
a matriz
cuando se
cuando se
on opues-
ir, cuando
CAPTULO 2. MATRICES
2. O PERACIO NES CO N MATRICES
lo Suma de matrices.
Dadas dos matrices A y B del mismo orden, mxn, se define la suma de ambas como
otra matriz, del mismo orden, que se obtiene sumando los elementos que ocupan el
mismo lugar.
[ a"
a
l2
a," ][b"
b
l2
. . .
b,,,1[a" +b"
a
l2
+b
l2
a
21
a
22
a
2
/! b
21
b
22
. . . b
2
/! a
21
+b
21
a
22
+b
22
ami
a
m2
. : + -:
b
m2
~,:,:, - ami; b
ml
a
m2
+b
m2
al/! +b.; 1
a2/! +b
2
/!
amI! +b
mll
o abreviadamente: ( aj)+ (bij ) =( aj +bij )
Ejemplo 1
Propiedades
Para cualesquiera que sean las matrices A, B Y C del mismo orden, se verifican las
siguientes propiedades:
Conmutativa: A +B =B +A
.Asociativa: (A +B) +C =A +(B +C)
Existencia de la matriz nula que es el elemento neutro de la suma.
Existencia de la matriz opuesta que es el elemento simtrico de la suma.
Por tanto el conjunto de las matrices del mismo orden con la operacin suma de
matrices es un grupo conmutativo.
La diferencia de dos matrices es la suma de la primera con la opuesta de la segunda.
11.Producto de un escalarpor una matriz.
Dada una matriz A, de orden mxn, y un nmero real a (escalar), se define el
producto de a por A como otra matriz del mismo orden que A cuyos elementos se
obtienen multiplicando apor cada uno de los elementos de la matriz A.
21
APUNTES DE LA ASIGNATURA FUNDANt!,ENTOS DE LA N(!;IfM';Rlp,..: LGEBRA
a
lll
] [a.a
ll
a
211
ex.a
21
:::
a.a
lll
]
ex.a
211
. UQmn Qm2
o abreviadamente
Ejemplo 2.
Propiedades.
Para cualesquiera que sean las matrices A y B del mismo orden, y los escalares a y
se verifican las siguientes propiedades:
Distributiva respecto de la suma de matrices: ex.(A + B) = ex.A + ex.B
Distributiva respecto de la suma de escalares: (a + = a.A +
Pseudoasociativa: =
Producto por el 1: 1.A = A
Por tanto el conjunto de las matrices de un mismo orden con la operacin suma de
matrices y sus cuatro propiedades y el producto por un escalar con sus cuatro
propiedades tiene una estructura algebraica de espacio vectorial real como se ver en el
siguiente tema.
III. Producto de matrices.
Dadas dos matrices A y B de rdenes mxn y nxp, respectivamente, se define el
producto AxB, o simplemente AB, como otra matriz e de orden mxp cuyos elementos
se obtienen de la siguiente manera: El elemento Cij es el resultado de sumar los
productos que se obtienen al multiplicar el primer elemento de la fila i de A por el
primero de la columna} de B, el segundo de la fila i de A por el segundo de la columna
} de B, etc. que abreviadamente se dice "es el producto de la fila i de A por la columna}
de B", es decir: (.
22
CAPTULO 2. MATRICES
"
= ailblj + a2
b
2j + ... + a"b"j = L akbkj
. k=J
b",j
Ejemplo 3.
Para multiplicar dos matrices es imprescindible que el nmero de columnas de la
primera sea igual al nmero de filas de la segunda, y la matriz resultante del producto es
de orden el nmero de filas de la primera por el nmero de columnas de la segunda.
mXn . nxp ~ mxp
Por esta y otras razones el producto de matrices no es conmutativo.
Para multiplicar matrices del mismo orden se necesita que sean cuadradas. En el
conjunto de las matrices cuadradas de orden n el producto de matrices tiene las
siguientes propiedades:
Asociativa: A.(B.C) = (A.B).e
Existencia del elemento simtrico que es la matriz unidad: I.A = A.I = A
. Distributiva respecto de la suma de matrices: A.(B + e) = A.B + A.e
Por tanto el conjunto de las matrices cuadradas de orden n con las operaciones
suma y producto de matrices es un anillo unitario.
3. MATRIZ REGULAR
Definicin
Se dice que una matriz cuadrada A es regular o invertible s y slo s existe otra
matriz del mismo orden, llamada inversa de A y representada por A -1, tal que
A . N '] = A-l. A = 1 '
donde 1 es la matriz unidad.
23
Las matrices cuadradas que no son regulares reciben el nombre de singulares.
Ejemplo 4
Clculo dela matriz inversa
Calcular la i
a) Resolviendo un sistema de ecuaciones
Si la matriz es de orden n, resolviendo un sistema de n
2
ecuaciones con n
2
incgnitas.
Para ello nos basamos en que
A. B = 1 <=> AB. A = LA = A. I <=> A-I. AB. A = A-I. A. I <=> B. A = 1
Se tiene:
En particular: AA -1=1 <=> A-1. A =1
. . .-,
. ,
y el sistema se obtiene de la forma:
,
,. .
[ a"
a
l 2
a," 1' "
x
12
A. A-
I
= ~~. I
a
22 a2" X21
X
22
oo. o
a
I J 1 ; : x , , X,,2
l
2x
3x
II
+
-)
a"l
x
l 2 +. . . +a
llfl
x,,2
al l x
l
" + +al"XIlfI]
a
2l
x
l
" + +a
2
"xllfl
=1
a"l xl " +. . . +a""xllfl
que sepueden
~, . ' "
[
al l xl I + +al "x,,1
_ a
21
x
II
+ +a
2
"x,,1
a"l xl I + +a'lII
x
,,1
a
l l
x
I2
+ +a
l
"x,,2
a
21
x
I2
+ +a
2
"x,,2
l
~~~~
-1 O 10
por tanto:
Para el pri
que en realidad son n sistemas con n ecuaciones y n incgnitas, que se diferencian
slo en la columna de los trminos independientes y por lo tanto se pueden resolver
simultneamente por el mtodo de Gauss.
24
CAPTULO 2. MATRICES
Ejemplo 4
Calcular la inversa de la matriz:
cgnitas.
=I
Se tiene:
XI3) [ 1 O O )
X
23
= O 1 O
X
33
O O 1
[
2X21 +X
31
3x
II
+X
21
+2x
31
-X
II
+X
31
2X
22
+x)2
3X
I2
+X
22
+2X
32
- x
12
+X
32
2X
22
+x)2 =O
3X
I2
+X
22
+2X
32
=1
- x
12
+X
32
=O
2X
23
+X
33
=O
3x
13
+X
23
+2X
33
=O
- x
13
+X
33
=1
=I
2x
21
+X
31
=1
3x
II
+x
21
+2x
31
=O
-XII +X
31
=O
que se pueden resolver por Gauss a la vez
[ O 2
11 O
OJ [ [ -1] O
1O O
1J [ -1
O 1O O
1J
3 1 20 1 O<=:} 31 20 1
~ . 3 <=:} ~
[ 1] 50 1 3 <=:}
-1 O 1O O 1 O 2 11 O 2 11 O O . (-2)
[ -1
O 1O O
} 6 J
<=:} O
1 5 O 1
O O -91 -2
Para el primer sistema se tiene:
-XII +X
31
=0
1 5
X
21
+5x
31
=O => XII =X
31
=--,
X
21
=-
9 9
-9x
31
=1
rencian
resolver
25
Para el segundo sistema se tiene:
- X
12
+X
32
=O
X
22
+5x
32
=1 ~
-9X
32
=-2
donde la mat
las siguientes
Para el tercer sistema se tiene:
Sol.pri
" . f . .
- X
I3
+X
33
=1
x
23
+5x
33
=3 ~
-9X
33
=-6
[
-119
por lo que la matriz inversa es: A-1= 5/9
-1/9
2/9
-119
2/9
-1/3)
-113
2/3
Si a lo largo
matriz A ind
una columna
Perfeccionando este mtodo se obtiene otro que llamaremos mtodo de Gauss.
Ejemplo 5
b) Por el mtodo de Gauss.
Calcular la i
. '
Consiste en unir, aunque separadas por una barra, la matriz dada con la matriz
unidad formando una sola matriz.
[ a"
a
l2
a
1 n
1 O . . .
:1
a
21
a
22
a
211
O 1 . . .
. . .
a
nl
a
ll2
:
O O
y aplicando el mtodo de Gauss con las variantes de que no se pueden intercambiar
columnas y de que al elegir los pivotes sobre la diagonal principal se hacen ceros
encima y debajo de l, en el caso de que todos los elementos de la diagonal principal
fueran cero se reordenan las filas para que desaparezca este inconveniente, llegar a
la matriz
[ :
O O b
ll
b
l2
-; 1
1 O b
21
b
22
b
211
luego la matriz i
O 1 b
n,
b
ll2
b
lln
26
auss.
[
b
ll
bJ 2
b
21
b
22
donde la matriz '"
b
ll1
b
ll2
las siguientes soluciones:
Sol. primer sistema
XII =b
l l
X
21
=b
21
X
31
=b
31
CAPTULO 2. MATRICES
b
11l
1
': es la A-1pues los sistemas considerados tienen
b
lZll
Sol. segundo sistema
X
l2
=b
l2
X
22
=b
22
x
32
=b
32
Sol. tercer sistema
x
l3
=b
13
X
23
=b
23
X
33
=b
33
Si a lo largo del proceso se encontrara una fila de ceros en la transformada de la
matriz A indica que la matriz A no tiene inversa. Tampoco tiene inversa si se tiene
una columna de ceros.
Ejemplo 5
Calcular la inversa de la matriz del ejemplo anterior por el mtodo de Gauss.
la matriz
[ J
1
2 1
1O 0r-2l [ -6 O -3
1 -2
T
[ 1] 2 010 ~ 312 O 1
~ .(-2) ~
O 1 O O 1 -1 O [ 1] O O
[ [ ~:l
O O 1 -2
31 [ -9 O
O 1 -2
-~/31~
1 O O 1 - 2 .5/9 ~ O 1 O 5/9 -1/9
ercambiar
O 1 O O 1 .(-1/9) O O 1 -1/9 2/9 2/3
cen ceros
principal
~[ ~
O O -1/9 2/9
-
1/3
1
e, llegar a
1 O 5/9 -1/9 -1/3
O 1 -1/9 2/9 2/3
[ -119
2/9
-
113
1
luego la matriz inversa de A es: 5/9 -1/9 -1/3
-1/9 2/9 2/3
27
4. DETERMINANTES
Definicin
Se llama determinante de la matriz (a
ll
a
21
escribe:
Definicin
Se llama determinante de una matriz cuadrada de orden 3 al nmero
a
ll
a
l2
a
13
a
21
a
22
a
23
= allana33 + a13a21a32 + al 2a 23a 31 - a 1 3 a 2 2 ~ 1 - alla23a 32 - al2a21a33
a
31
a
32
a
33
Esta expresin se puede recordar mediante la regla: Se escriben a la derecha de la
matriz las dos primeras columnas o debajo de la matriz las dos primeras filas. El
producto de los elementos de la diagonal principal y sus dos paralelas tienen el signo +
y el producto de los elementos de la diagonal secundaria y sus dos paralelas llevan el
signo -.
+
o
Otra regla para recordarlo es la regla de Sarrus:
+
28
CAPTULO 2. MATRICES
Ejemplo 6
4 2 3
1 - 3 7 = 12 + 28 + 18 + 2 = 60
2 O -1
Propiedades de los determinantes
Recordamos las propiedades ciertas para los determinantes de cualquier orden y
que admitiremos sin demostracin. Llamamos lnea a una fila o a una columna
indistintamente.
1. El determinante de una matriz es igual al determinante de su matriz traspues-
ta.
2. Si en un determinante se cambian entre s dos lneas paralelas el determinante
cambia de signo pero no de valor absoluto.
3. Si todos los elementos de una lnea se multiplican por un mismo nmero el
determinante queda multiplicado por dicho nmero.
4. Si todos los elementos de una lnea son nulos el determinante tambin lo es.
5. Si dos lneas pa:alelas son iguales el determinante es nulo.
6. Si dos lneas paralelas son proporcionales el determinante es nulo.
7. Si todos los elementos de una lnea se descomponen en suma de dos sumandos
el determinante puede descomponerse tambin en suma de dos determinantes.
8. Si a una lnea se le suma un mltiplo cualquiera de otra paralela el determi-
nante no vara.
Para calcular los determinantes de matrices de rdenes superiores a 3 tenemos que
dar las siguientes definiciones y proposicin que admitiremos sin demostracin.
Definicin
Si A es una matriz cuadrada de orden n:
La submatriz complementaria del elemento aij es la matriz que se obtiene al
suprimir en la matriz A la fila i y la columnaj. Se representa por (Xij.
Por tanto la submatriz complementaria de un elemento es una matriz cuadrada de
un orden inferior, n - 1.
29
Definicin
El inenor complementario del elemento aij es el determinante de la sub matriz
complementaria del elemento aij . Se representa por IUij l
Definicin
El adjunto del elemento aij es el definido por: Aij =(_l)i+
j
Ia j l
El concepto de submatriz complementaria de un elemento se puede extender
tambin a matrices no cuadradas, no as el de menor complementario.
Proposicin
Un determinante es igual a la suma de los productos de los elementos de una lnea
(fila o columna) por sus respectivos adjuntos.
, . Basndonos en esta proposicin se calculan los determinantes de orden superior a
3.
La tcnica a seguir es la siguiente:
a)Hacer el mximo nmero de ceros en una lnea apoyndonos en las
propiedades de los determinantes.
b)Desarrollar por los elementos de esa lnea apoyndonos en la proposicin
anterior.
Ejemplo 7
Calcula el determinante
3 5 4 -8
1 -2 3 6
D=
11 22 -11 44
2 4 1 4
30
Sacamos f
D
5. CLCUV
El clcuk
Teorema
Una mat
inversa es:
siendo Aij el ;
Ejemplo 8
Calcula,
la submatriz
de extender
deunalnea
n superiora
nos en las
proposicin
CAPTULO 2. MATRICES
Sacamos factor comn 11en la tercera fila y 2en lacuarta columna,
3 5 4 -4 .(-3) O 11 -5 -13
1 -2 3 3 1 -2 3 3
D= 22. =22. =
1 2 -1 2 .(-1) O 4 -4 -1
2 4 1 2 .(-2) O 8 -5 -4
=22{
11 -5
-131 11
5 13
4 -4 -1 =-22. 4 4 1
8 -5 -4 8 5 4
= -22.(176 +26 0+40- 416 - 80- 55)= -22.(-75) = 16 50
5. CLCULO DE LA MATRIZ INV ERSA PO R LO S ADJ UNTO S
El clculo dela matriz inversa por los adjuntos sebasa en el siguiente
Teorema
Una matriz cuadrada A es regular s y slo s su determinante es no nulo, y su
inversa es:
[
AII
A-I =_1_ A
I2
IAI . . .
A
ln
siendo Aij el adjunto del elemento aij .
Ejemplo 8
Calcula. si sepuede. lamatriz inversa de A = (~ : ~1
31
APUNTES DE U\ ASIGNATURA FUNDAMENTOS MATEMTICOS DE U\ INGENIERA: LGEBRA
Como IAI =3 la matriz A es regular, por tanto calculamos los adjuntos de sus
elementos
6 . EXPRESIN
REGLADE(
All = 1~ ~1=-1 A
21
= -1~ ~1= 1
A
31
=1~ ~1=
A
12
= -1~ ~1=-8
A
22
= 1~
~1=-1 A32 =-1 ~ ~1=3
A13= 1~ ~ 1=11 A
23
= -1~ ~ 1= 1 A33= 1~ ~1=-3
Todo sistema
se puede escribir:
"
. : .'- -:
y la matriz inversa es:
0] [ -113
3 = -8/3
-3 1113
113
-113
1/3
a) en forma dee<
I
"
I ,
,
" .
Propiedades delas matrices regulares
1. Lainversade unamatrizesnica,
o abreviadament'
Si la matriz A tuviera dos matrices inversas B y C se tendra:
A.B = A.C = 1 => B.A.B = B.AC => LB = LC => B = C
Resolver el ,
y la B
2. Si A Y B son dosmatrices regularesdel mismo orden; entonces A.B tambin lo esy
verifica: (A.B)-I = B-1.A-
1
(A.B).(ABr
l
= AB.B-1.K
1
= ALK
1
= AK
1
= 1
(A.Brl.(AB) = B-1.A-1.AB = B.LB-
1
=B.B-
1
= 1
b) en forma de
3. Si A Y B son dosmatrices cuadradas talesque AB e~regular, entonces A y B son
regularesy se verifica:
A-
1
= B.(A.B)-I
y
B-
1
= (ABrl.A
o abreviadamen
Es una consecuencia inmediata de la segunda propiedad.
Si m = n y
de A, pues:
32
tos de sus
1=0
~ 1 =3
~ 1 =-3
'n lo esy
y B son
CAPTULO 2. MATRICES
6 . EXPRESIN MATRICIAL DE UN SISTEMA DE ECUACIO NES LINEALES.
REGLA DE CRAMER-
Todo sistema deecuaciones lineales delaforma
allx
l
+a
12
x
2
+ +al"x" <b,
a
21
x
I
1- a
22
x
2
+ +a
2
"x" =b
2
sepuede escribir:
a) en forma deecuacin vectorial:
[
a
ll
] [ aI2] [ al"] [bl]
a
21
a
22
a2" b2
XI + x
2
+. . . + x" =
amI : : bm
o abreviadamente:
Resolver el sistema equivale aencontrar la combinacin lineal existente entre las A
y laB
b) en forma deproducto matricial
[ a"
a
l2
a
21
a
22
ami :
o abreviadamente:
A. X=B
Si m =n y A es regular, resolver el sistema equivale a encontrar la matriz inversa
deA, pues:
33
APUNTES DE L4 ASIGNATURA FUNDAMENTOS MATEMTICOS DE L4 INGENIERA: LGEBRA
En este caso se dice que el sistema es de Cramer y para su resolucin no es
necesario calcular la matriz inversa de A, pues:
[
XII [ AII
x
2
1 A
l2
... =IAI ...
x
n
A
ln
O perando
, .
r ,
Ab +A
2
b
2
+. . . +A,,b
n
=
b
n ; ;
x = IAI
IAI
a b,
an
a
2
b
2
a2"
a a2 b
a
2
a
22
b
2
AlIb +A
211
b
2
+. . . +AII"b"
=
a
nl
a,,2
b"
XII =
IAI IAI
Esta forma de resolver los sistemas de Cramer se conoce con el nombre de Regla
de Cramer que podemos enunciar de la forma: La solucin Xi (i = 1, 2, ... , n) de un
sistema de Cramer viene dada por el cociente de dos determinantes, el del denominador
es el de la matriz de los coeficientes IAI y el del numerador se obtiene cambiando la
columna i-sima dellAI por la columna de los trminos independientes.
34
Ejemplo 9.
Resolver
Como
Cramer setie
2
1
O
x=2
1
1
z=-
2
7. RANGO
Definicin
Si A es
determinann
Definicin
Se llam
El clci
menor deor
se construye
2 anterior. ~
menor es ~1
ucin no es
e de Regla
., n) de un
nominador
biando la
CAPTULO 2. MATRICES
Ejemplo 9.
Resolver el sistema:
j
2X+ 3y -4z =2
x-y-z=1
x+2y+z=O
2 3 -4
Como 1 -1 -1 = -16 el sistema es de Cramer y aplicando la regla de
1 2 1
Cramer se tiene que:
2 3 -4 2 2 -4
1 -1 -1 1 1 -1
O 2 1 -9 9 1 O 1 2 1
x= ---
-
y=
=
-- --
2 3 -4
-16 16
2 3 -4
-16 8
1 -1 -1 1 -1 -1
1 2 1 1 2 1
2 3 2
1 -1 1
1 2 O 5 5
z=
--=--
2 3 -4
-16 16
1 -1 -1
1 2 1
7. RANGO DE UNA MATRIZ. TEO REMA DE RO UCH-FRO BENIUS.
Definicin
Si A es una matriz de orden mxn, se llama menor de orden r ( r ~ n y r ~ m) al
determinante de la matriz cuadrada que resulta de seleccionar rfilas y rcolumnas.
Definicin
Se llama rango deuna matriz al orden del mayor de los menores no nulos.
El clculo del rango de una matriz se aborda seleccionando en primer lugar un
menor de orden 2 no nulo, entonces el rango de la matriz es al menos 2. A continuacin
se construye un menor de orden 3 aadiendo una fila y una columna al menor de orden
2 anterior. Si ste menor es no nulo, entonces la matriz tiene al menos rango 3 y si el
menor es nulo entonces probamos con otro menor de orden 3 construido aadiendo la
. ,
35
misma fila y otra columna. As hasta encontrar uno no nulo o acabar con todas las
columnas para esa fila, en tal caso elegiramos otra fila y repetiramos la misma
operacin. Si todos los menores de orden 3 son nulos, significa que el rango de la matriz
es 2.
Si encontramos un menor de orden 3 no nulo se procede del mismo modo a como
se ha hecho para el menor de orden 2.
Ejemplo 10
Calcula el rango de la matriz
Consideramos el menor formado por las dos primeras fil as y las dos primeras
columnas
Por ser no nulo, el rango de la matriz es mayor o igual que 2. Aadindole a este
menor la tercera fila y la tercera columna tenemos
102
3 -1 4=0
7 -3 8
Como ha resultado cero, cambiamos la tercera columna por la cuarta columna
obteniendo
1 O 2
3 -1 3 =6*0
7 -3 -1
por tanto el rango de la matriz A es 3.
Teorema de Rouch-Frobenius
El sistema de m ecuaciones lineales con n incgnitas
ax +a2x2 + ... +alIxlI =b
a
2
x + a
22
x
2
+ ... + a
211
x
II
= b
2
36
es:
CAPTULO 2. MATRICES
a) Compatible determinado si el rango de la matriz de los coeficientes es igual al
rango de la matriz ampliada con la columna de los trminos independientes e
igual al nmero de incgnitas.
b) Compatible indeterminado si el rango de la matriz de los coeficientes es igual
al rango de la matriz ampliada con la columna de los trminos independientes y
menor que el nmero de incgnitas.
c)/ncompatible si el rango de la matriz de los coeficientes es distinto del rango de
la matriz ampliada con la columna de los trminos independientes.
Ejemplo 11
j
2X+ y+ Z = 2
Clasifica segn el tipo de solucin el sistema: x + 2 Y + Z = 1
X+ y+ 2z = O
El determinante de la matriz de los coeficientes es:
2 1 =4#0
2
por lo tanto el rango de la matriz de los coeficientes es 3 y el de la ampliada tambin 3.
Como coincide con el nmero de incgnitas el sistema es compatible determinado.
Observa que el clculo del rango no se ha realizado como en la teora puesto que en
este caso resulta ms cmodo el clculo directo del determinante de orden 3.
Ejemplo 12
j
2X-Y+3Z=1
Clasifica segn el tipo de solucin el sistema: x + 3 Y - 2z = 10
x+lOy-9z=31
Consideramos el menor formado por las dos primeras filas y columnas
1
2 - 11
1 3 =7#0
37
APUNTES DE Uo ASIGNATURA FUNDAMENTOS MATEMTICOS DE Uo/NGENIERA: LGEBRA
y el determinante de la matriz de los coeficientes
2 -1 3
1 3 -2=0
1 10 -9
luego el rango de la matriz de los coeficientes es 2.
Por otra parte si ampliamos el menor de orden 2 con la tercera fila y la columna de
los trminos independientes, resulta el determinante
2 -1 1
3 10 = 14:;t O
1 10 31
El rango de la matriz ampliada es 3 y por tanto el sistema es incompatible.
8. ECUACIONES MATRICIALES
Son las ecuaciones en las que intervienen matrices. Se resuelven segn las
propiedades estudiadas de las matrices.
Ejemplo 13
Resuelve la ecuacin: T
(
-8 -l)cLX( 3 1)=(3 6)
Como
38
1 2 -4 2 5 O
=> X=(ll 71
3
1]-1 =>
4 -2 -4 2)
(
3 1)-1 1 (2 -31)
-42 =104
CAPTULO 2. MATRICES
9. PROPIEDADES DE LAS MATRICES TRASPUESTAS
1. Si A Y B son dos matrices de rdenes mxn entonces
2. Si A es una matriz de orden mxn y a es un nmero real entonces
(a. A)! = a.A!
3. Si A es una matriz de orden mxn y B es otra matriz de orden nxp entonces
(A.B)! = B!.A!
4. Si A es una matriz de orden mXn entonces
5. Si A es una matriz regular entonces A! es regular.
6. Si A es una matriz regular entonces
10. PROPIEDAD DE LAS MATRICES SIMTRICAS Y ANTISIMTRICAS
Toda matriz cuadrada se descompone de forma nica como suma de una matriz
simtrica y una matriz antisimtrica.
Demostracin
Sea A una matriz cuadrada.
Supongamos we existen las matrices S (simtrica) y T (antisimtrica) tales que:
A=S+T
Entonces:
A! = S! + T! = S - T
Por tanto
{
A=S+T
que determina un sistema de dos ecuaciones matriciales
AI=S-T
con dos incgnitas S y T.
Sumando: A+AI =2S
=>
Restando:
A-Al =2T
=>
Ejemplo 14.
Descompn la matriz A =[
-3
antisimtrica.

2

2
-52] en suma de una matriz simtrica y otra
1 -4
39
La simtrica es:
8. Calcula B
S~~l[ -~3
4
-21[ 3
1
-31j [ 6
S
-51 [ 3
S/2
9. Siendo A
-~21 O S + 4 O
1 =.!.. S
O 6 = S/2 O 10.Estudia s
1 -4 -2 S
-4 2_S
6 -8 -S/2 3 -4
calcular s
La antisimtrica es:
T"~l[ J 3
4
-21[ 3
1
-131j~f3
3
+[-~/2
3/2
1~21
O S - 4 O O O
t.. ~.~.~~ .~ 1 -4 -2 S -4 -1 -4 O -112 -2
,0
(,
C~I ~, ," 11.Calcula 1
EJ ERCI CI OS
1. Calcular a, b, c, y d para que sean iguales las siguientes matrices:
A=( S+C a-2b) B=(S -8)
a+b 2-d y 1 O
[
3 4 s-a)
2. Calcula apara que la matriz 4 2 a+3 sea simtrica.
7 1 6
3. Existe algn valor de apara el que la matriz del ejercicio 2 sea antisimtrica
4. Demuestra la siguiente proposicin: "Si A es una matriz simtrica y antisimtrica
entonces A =O"
S. Cmo tienen que ser las matrices que son iguales a su traspuesta?
6 . Calcula la suma de las matrices A y B, siendo:
A"[ ~
-S 4)
7 6
-1 3
7. Calcula A-B siendo A y B las matrices del ejercicio anterior.
40
Se pue
propied
12.Calcula,
13.Encuent
a)
14. Resuelv
a)
b)
CAPTULO 2. MATRICES
8. Calcula B-A siendo A y B las matrices del ejercicio 6.
9. Siendo A y B las matrices del ejercicio 6 calcula: a) 2A, b) 3B, c) 2A-3B.
10. Estudia si se pueden multiplicar las siguientes matrices y, en caso afirmativo,
calcular su producto.
b) A =
(
1 2 1)
3 1 4
B = (1 O 11
y O 1 1)
11. Calcula los pcoductos AB y BA siendo: A = ~ l ~
(
5 -4 2)
y B = -3 3 -1 .
3 -2 1
Se puede deducir de estos productos que la multiplicacin de matrices tiene la
propiedad conmutativa?
12. Calcula, siempre que se pueda, la matriz inversa de las siguientes matrices:
13. Encentra la expresin matricial de los siguientes sistemas:
a) x - y = 5

2x-3y+5z = 7
b) 3z = 1
X - y + 5z - 6 = O
-3x+ y + Z = O 2x+3y +4 = O
14. Resuelve las siguientes ecuaciones matriciales:
a) x.(2 -11+(-1 21 =( 2 51
1 4) -4 3) -1 6)
41
c) (t+2X -13Y-Z)=(5 9)
2t -x y + Z 3
4X_!(8 0) =(0 -4)
f) 2 6 - 2 9 3
15. Determina las matrices X e Y tales que
(
3 13)
5X-Y=
-10 -2
(
5 -4)
X+2Y=
-2 4
16 Hall M x, y y z pa,. que se ve,ifique
17. Resuelve la ecuacin A
2
+X.A+I=0 siendo A_(2 1) 1_(1 0)
-23' -01'
= y X una matriz cuadrada de orden 2.
Tiene solucin la ecuacin siendo X un escalar?
18. Resuelve la ecuacin X A
2
+ A = (: :) siendo A = e y X una matriz
cuadrada de orden 2.
42
BRA CAPTULO 2. MATRICES
19. Calcular los siguientes determinantes:
I~
~11
1
14
~21
a) b)
-7
3 4 1 1 5 2
e) 4 -1 2 d) 2 -2 1
O -5 2 3 -9 O
20. Resuelve las ecuaciones:
Ix: 1
-xl
IX~1
2X-
3
1
a)
=1 b) =2
1 x
x 1 O 2 O 1
e) O x+l 2 =0 d) 1 x 2 = 1
5 x 2 4 x O
21. Calcula los siguientes determinantes:
6 81 15 O 4 1 2 15
-1 O 12 7 8 16 56 80
a)
-4 9 3 -2
b)
O 3 -1 10
O 1 5 8 4 -5 7 1
1 O O 1 1 -1 2 O
O 1 O 1 2 1 3 1
e)
O O 1 1
d)
O 1 -1 2
1=(~
~}
1 1 1 1 O O 4 -1
22. Calcula el valor del determinante deorden Il+1
1 1 1 1
-1 x 1 1 1
-1 -1 x 1 1
-1 -1 -1 x 1
unamatriz
-1 -1 -1 -1 x
43
23. Calcula el valor de los determinantes de orden n.
1 2 3 n 2 1 O O
-1 O 3 n 1 2 1 O
A=
-1 -2 O n; B= O 1 2 O
-1 -2 -3 O O O O 2
24. Demostrar que:
x 2 1 x 1 1 1 1
2 x x 1
= 9-4x
2
1 2 3 4
a) b) =1
1 x x 2 1 3 6 10
x 1 2 x 1 4 10 20
25. Clasifica, aplicando el teorema de Rouch-Frobenius, los siguientes sistemas de
ecuaciones:
2x+ 3y - z = 6
t ,
a) x- 4y+2z=3
x-12y =4
x+7y-2z =5
b) 2x+ y =6
3x+8y -2z = 1
x+5y-z=1
c) 3x- y +Z = 2
5x+9y- z = 4
26 . Clasifica segn el valor del parmetro a el sistema
2x+ y+ Z =3
x-ay+ z=1
3x- y+2z= 4
27.Si A es una matriz cuadrada regular demuestra que es cierta la siguiente igualdad:
( A+BDt =K
1
-A-1B( +DK1Bt DA-
1
28. En la igualdad del ejercicio 27, las matrices B y D tienen que ser necesariamente
cuadradas?
44
CAPTULO 3
ESPACIOS VECTORIALES
CAPTULO 3. ESPACIOS VECTORIALES
1. DEFINICIN DE ESPACIO VECTORIAL
Definicin
Se llama espacio vectorial real a toda tema {(V,+);(R,+, .);*} que verifique las si-
guientes propiedades:
1. (V,+) es un grupo conmutativo o abeliano.
Los elementos de V se denominan vectores y se representan por: X, ji, z, .. . y + es
una operacin o ley de composicin interna
+ :VxV ~ V
que cumple, para cualesquiera que sean los vectores X, ji y z, las propiedades
1. Asociativa: (x + ji) + Z = x + (ji + z)
2. Existencia del elemento neutro que es el O: :lO / x + O = O + x = x
3. Existencia de elementos simtricos. El simtrico de x es - x:
VX, :l-x / x+(-x)=(-x)+x =O
4. Conmutativa: x + ji = ji + x
2. (R,+, .) es el cuerpo de los nmeros reales. Sus elementos se llaman escalares y se
representan generalmente por letras del alfabeto griego.
3. * es una operacin externa o ley de composicin externa definida sobre V, denomi-
nada producto escalar
*:RxV ~ V
que satisface, para cualesquiera que sean los vectores x e y y los escalares a y ~ ,
las siguientes propiedades:
1. Distributiva respecto de la suma de vectores: a * (x + ji) = a * x + a * ji
2. Distributiva respecto de la suma de escalares:
3. Asociativa para la operacin externa: (a . ) * x = a * ~ * x)
4. Producto por el elemento unidad del cuerpo: 1 * x = x
47
Ejemplo 1
El conjunto de las matrices de orden mXn con la definicin de suma y producto
por un nmero real definido en el tema anterior es un espacio vectorial real.
Como casos particulares se tiene que R
2
, R
3
, . . . ,R
n
, C son espacios vectoriales rea-
les.
Ejemplo 2
El conjunto de los polinomios de grado n, Pn(x), con las operaciones suma de poli-
nomios y producto de un nmero real por un polinomio es un espacio vectorial real.
Ejemplo 3
Probar que (R
2
, R, *), con la operacin * definida por a*(x,y) = (a.x,O) no es un
espacio vectorial.
Es suficiente con demostrar que no se cumple alguna de las ocho propiedades. Por
ejemplo la del producto por el elemento unidad del cuerpo,
1 *(x,y) = (l.x,O) = (x,O)
que es distinto del (x,y) como tena que ser.
Cuando no exista confusin no se escribir, en adelante, el smbolo del producto de
un nmero real por un vector.
2. PROPIEDADES QUE SE DEDUCEN DE LA DEFINICIN
1. Ox=O VXEV
Demostracin.
Como a+O=a Va E R , se tiene: aX = (a + O)x = aX + Ox ~ Ox = O
2. aO=O VaE R
Demostracin.
Como x+O= x Vx E V, se tiene: aX = a(x + O) = aX + aO ~ aO = O
48
3. Si a x = O => a = O o X = O
Demostracin.
Si a fuera O ya estara demostrado, entonces supongamos que a;j; O lo que implica
que existe el inverso de a, (a-
1
), as: a-1(aX) = (a-1a)x = IX = x = O
Estas tres propiedades se pueden resumir en la siguiente, llamada de los productos
nulos:
ax=O <=> a=O o x=O
4. (-a)x = a(-x) = -(aX) \:faE R Y \:fxE V. Se denomina regla de los signos.
Demostracin.
la = 3
a
) (-a)x + aX = (-a+ a)x = Ox = O
2
a
= 3
a
) a( - x) + aX = a( - x + x) = aO = O
con lo que tambin queda demostrado que la la = 2
a
5. (-a)(-x) = aX \:faERy\:fxEV
Es una consecuencia de la anterior.
6. Si a;j; O y si aX = ay => x = y. Se denomina simplificacin por escalares.
Demostracin.
aX=ay <=> aX-ay=a(x-y)=O => x=y
7. Si x;j; O y si aX = ~ x => a = ~ . Se denomina simplificacin por vectores.
Demostracin.
49
Ejemplo 4
Resolver, en un espacio vectorial cualquiera, la ecuacin 3i + 2a = b suponiendo
a y b conocidos.
- - 3- - - - 1 (b- 2-
3x + 2a = b ~ x = b - 2a ~ x = - - a)
3
Ejemplo 5
{
2i+3
Y
= 2a
Resolver, en un espacio vectorial cualquiera, el sistema _ _ _ - suponiendo
x+y=a-b
a y b conocidos.
De i + Y = a - b ~ i = -y + a - b
Sustituyendo en 2i + 3y = 2a ~ 2(-y+a -b)+3y = 2a
- 2 Y + 2a - 2b + 3 y = 2a ~ y = 2b
- - -
y sustituyendo el valor encontrado de y en i, i = -2b + a - b = a - 3b
3. COMBINACIN LINEAL
Definicin
Se dice que un vector i es combinacin lineal o que depende linealmente de un
conjunto de vectores {v
t
, v
2
, , v
n
} si se puede expresar de la forma
con U E R
Si el vector i no se puede expresar de esa forma se dice que no es combinacin li-
neal o que no depende linealmente de ellos.
Ejemplo 6
El vector 0, 3, 6) E R
3
depende linealmente de los vectores (O, 1, 2), (1, 1, 2) y
(3, -5, 7)?
50
Para que el vector (1,3,6) dependa linealmente de los vectores (0, 1,2), (1, 1,2) Y
(3, -5, 7) tienen que existir tres escalares a, y y tales que verifiquen:
(1,3,6) = a(O, 1,2) + 1,2) + y(3, -5, 7)
Esta ecuacin vectorial da lugar al sistema a + - 5y = 3 que resolvindolo se

= 1
2a+ = 6
tienen los valores a = 2, = 1 Y Y = por lo que el vector O, 3, 6) s depende lineal-
mente de ellos.
Ejemplo 7
El vector (5, - 2, 1) E R
3
es combinacin lineal de los vectores 0, 2, 3) Y (3, 0, 1)?
Como en el ejemplo anterior, para que el vector (5, -2, 1) sea combinacin lineal
de los vectores (1, 2, 3) Y (3, 0, 1) tienen que existir dos escalares a y tales que:
(5, -2,1) = a(l, 2, 3) + 0,1)

=5
Ecuacin vectorial da lugar al sistema 2a = -2 que es un sistema incompa-
3a+ = 1
tibie por lo que el vector (5, -2, 1) no depende linealmente o no es combinacin lineal
de dichos vectores.
Observar que el vector nulo, 0, es combinacin lineal de cualquier conjunto de
vectores.
4. DEPENDENCIA E INDEPENDENCIA LINEA
Definicin
Se dice que un conjunto o sistema de vectores {v, v
2
, ... , VII} es linealmente inde-
pendiente o libre si la ecuacin vectorial
se verifica nicamente cuando al = a2 = ... = Un = O.
51
En caso contrario, es decir, cuando la relacin se cumple para algn a :f. 0, se dice
que el conjunto de vectores es linealmente dependiente o ligado.
Ejemplo 8
Estudiar la dependencia de los vectores (-1, 2,1), (2, 0,1), (0,1, -1) Y 0, -1, O) de
Se plantea la ecuacin vectorial
al (-1, 2, 1) + a
2
(2, 0, 1) + a
3
(0,1, -1) + a
4
(1, -1, O) = (0, 0, O)
j
-a
l
+2a2 +a
4
:0
que da lugar al sistema homogneo 2a
l
+ a
3
- a
4
-
al + a
2
-a
3
=
Si tiene solucin distinta de la trivial nos dice que los vectores son linealmente de-
pendientes. Por Gauss:
(
-1
~

1 1 [-1
1 -1.2
-1 0.1
2
1 4
7
2
4 1
3 -1
El sistema de vectores es linealmente dependiente.
Si el sistema resultante de la ecuacin vectorial es de n ecuaciones con n incgnitas,
por Cramer o Rouch-Frobenius, se tiene que si IAI :f. el sistema de vectores es libre.
Tambin se deduce que el mayor nmero de vectores linealmente independientes de un
conjunto de vectores es el rango de la matriz de los coeficientes.
Recuerda que el rango de una matriz es el orden del mayor menor no nulo.
52
En la prctica son linealmente independientes los vectores que intervienen en los
menores no nulos de la matriz deJos coeficientes.
Enunciaremos, a continuacin, las siguientes proposiciones cuya demostracin
omitimos debido a su sencillez.
Proposicin 1
Un conjunto de vectores es linealmente dependiente o ligado si y slo si alguno de
sus vectores es combinacin lineal de los dems.
Proposicin 2
Si un conjunto de vectores es linealmente independiente tambin lo es cualquier
subconjunto suyo.
Proposicin 3
Si un conjunto de vectores es linealmente dependiente tambin lo es todo conjunto
que lo contenga.
5. SISTEMA GENERADOR DE UN ESPACIO VECTORIAL
Definicin
Se dice que un conjunto o sistema de vectores {VI' v
2
, ... , VII} es un sistema gene-
rador de un espacio vectorial V, si todo vector de V es combinacin lineal de ellos.
Ejemplo 9
Los vectores (l, O, O), (O, 1, O) Y (O, O, 1) son un sistema generador de R
3
, pues
cualquier vector de R
3
se puede expresar como combinacin lineal de ellos.
(x, y, z) = x(l, O, O) + y(O, 1, O) + z(O, O, 1)
Ejemplo 10
Probar que el conjunto de vectores {(l, 2), (-1,1), (2, O)} es un sistema generador
deR
2
.
53
Sea (x, y) un vector cualquiera de R
2
, entonces para que ese conjunto de vectores
sea sistema generador se tiene que verificar que la ecuacin vectorial en a, y y
(x, y) = a(1, 2) + 1) + y(2, O)
tenga solucin.
Esta ecuacin determina el sistema
{
=x
2a+ = y
Por Gauss:

[
1
: ) <=> [ 2 11: )
que nos dice que el sistema es compatible indeterminado, tiene solucin y por tanto el
conjunto de vectores es un sistema generador
Ejemplo 11
Estudiar si {(3, -1, 2), (1, O, -1)} es un sistema generador de R
3
.
= x
(x, y, z) = a(3, -1, 2) + O, -1) :::::} -a = y
= z
Por Gauss
a
[
[-1] O YJ [-1 0j Y J [-1
2 -1 z .2 <=> O [-1 z + 2y <=> O
3 1 x .3 O 1 x + 3 y.l O
y J
-1 z + 2y
O x+5y+z
O
para que sea compatible obliga a que
x + 5y + z = O
por lo que no todos los vectores se pueden expresar como combinacin lineal de esos
dos. Por lo tanto no es un sistema generador.
54
CAPTULO 3, ESPACIOS VECTORIALES
Slo se pueden expresar como combinacin lineal de ellos los que cumplan la con-
dicin x + 5y + z = O,
Definicin
Al conjunto de todos los vectores que son combinacin lineal de un determinado
conjunto de vectores se les llama envoltura lineal de dicho conjunto, La envoltura li-
neal de los vectores VI' V
2
" . " v" se representa por < VI' V
2
,,,., v" >.
Ejemplo 12
La envoltura lineal de los vectores (3, -1, 2) Y (1, O, -1), del ltimo ejemplo, es el
conjunto de vectores cuyas coordenadas satisfacen:
a) (x, y, Z) = a(3, -1, 2) + O, -1), llamada ecuacin vectorial,
{
X =
b) y = -a , llamadas ecuaciones paramtricas.
Z =
c) x + 5y + Z = O, llamada ecuacin implcita (otras envolturas pueden tener mas
de una ecuacin implcita)
Observa que la envoltura lineal de los vectores (3, -1, 2) Y (1, O, -1) se puede ex-
presar de las siguientes formas :
3, -1, 2), (1, O, -1 = {(x, y, z)/(x, y, z) = a(3, -1, 2) + O, -l)}=
= {(x, y, z) / x = 3a + y = -a, Z = 2a - {(x, y, z) / x + 5 y + Z = O}
Ejemplo 13
Calcula, en R
3
, la envoltura lineal de los vectores (1, 1, O) Y (2, 3, 1).
a) (x, y, z) = a(l, 1, O) + 3, 1) es la ecuacin vectorial.
{
x=
b) y = a + son las ecuaciones paramtricas.

55
a
c) ;].(- 1)
O 1 x O
ecuacin implcita.
Ejemplo 14
Calcula, en R
3
, la envoltura lineal del vector (3,1, -1).
a) (x, y, z) = 0.(3, 1, -1) es la ecuacin vectorial.
j
X=3o.
b) Y = a son las ecuaciones paramtricas.
z =-0.
c) Eliminando a entre las tres ecuaciones, se obtiene
es la
[
:] <=> [ -3) <=> x => : son las ecuaciones im-
- 1 z -1 z . . 1 O z + y
plcitas.
Ejemplo 15
Calcula, en R
3
, la envoltura lineal de los vectores (1, 1, O), (0, 1, 1) Y (1, 1,2)
a) (x, y, z) = 0.(1, .1, O) + 1, 1) + y(1, 1,2) es la ecuacin vectorial.
b) j:::: + son las ecuaciones paramtricas.
z = 2y
a y
c) y:x ]=> siempre es
O 1 2z O 2 z .(-1) O O 2z-y+x
56
compatible (siempre tiene solucin), por lo que todo vector de R
3
se puede expresar
como combinacin lineal de esos tres vectores y consecuentemente no tiene ecuacio-
nes implcitas. Esos tres vectores generan todo R
3
.
<(1, 1, O), (O, 1, 1), (1, 1,2 = R
3
6. BASE DE UN ESPACIO VECTORIAL
Definicin
Un conjunto de vectores {VI' V
2
'oo., V,,} es base de un espacio vectorial V si es un
sistema generador y linealmente independiente.
Ejemplo 16
El conjunto de vectores {(1, O, O), (O, 1, O), (O, O, 1)} es una base de R
3
, llamada
base cannica de R
3
.
Ejemplo 17
Estudiar si el conjunto de vectores {(1, 1, 1), (0,1,1),(0, O, 1)} es una base de R
3
.
Se tiene que probar:
a) Que es un sistema generador de R
3
.
de donde:
(x, y, z) = a(1, 1, 1) + 1, 1) + y(O, O, 1)
a =x

a y y a
=> {::>
lllz 001x
el sistema es compatible detenninado por lo que s es un sistema generador.
b) Que es linealmente independieme.
(O, O, O) = a(1, 1, 1) + 1, 1) + y(O, O, 1)
ecuacin vectorial que da lugar al sistema homogneo asociado al sistema anterior,
por lo que el sistema es homogneo compatible determinado (slo tiene la solucin
trivial a = = y = O). S son linealmente independientes.
Consecuentemente, el conjunto de vectores {(1, 1, 1), (O, 1, 1),(0, O, 1)} es una base
de R
3
.
57
7. TEO REMAS RELATIV O S A LA BASE DE UN ESPACIO V ECTO RIAL
Teorema de launicidad de laexpresin de un vectoren una base
Todo vector de un espacio vectorial V se expresa de forma nica como combinacin
lineal de los vectores de una base de V
Demostracin
Si B ={v, v
2
, ... , VII} es una base de V y un vector V de V se puede expresar de dos
formas diferentes como combinacin lineal de los elementos de dicha base, se tiene:
de donde se deduce que
Como B es una base, sus vectores son linealmente independientes, por tanto los
coeficientes de la combinacin lineal tienen que ser nulos.
a -~ =0
a2 -~2 =
\: j i E {1, 2, . . . , n}
a
l l
-~II =0
luego las dos expresiones supuestas son la misma.
Definicin
A los escalares a ,a
2
, ... .o., de la expresin v=av +a
2
v
2
+ ... +allv
lI
se les
llama coordenadas del vector V en la base B = {v, v
2
, . , VII} Y se expresan por
v=(a
p
a
2
, ... ,aJB o simplemente por v=(a
p
a
2
, ... ,a
l l
) cuando no exista confu-
sin.
Cuando no se especifique la base se supondr que es la base cannica.
Ejemplo 18
Hallar las coordenadas del vector (3, -2,1) respecto de la base {O, 1, O ), 0, 0,1),
(0,1,1)}
58
(3, -2, 1)
sistema cuyas sol
a a
2
a
3
[ ! l
1
O 31
1-2 .(
1 11
=> a, =0,az:
Lema
Sea B ={
w=av +a
2
v
2
tuir Vi por W es
Demostracin
Supongamos
probar que S =.
a) Probaremos p
puede expres:
existen los y .
Por ser B base
del enunciado
sustituyendo (
x= A (~
=A ~ l
por lo que S f
(3, -2,1) = cx!(1, 1, O) + CX2(1, 0,1) + CX3(0, 1, 1) =>
CXI + cx
2
= 3
CXI + cx
3
= -2
cx
2
+ cx
3
= 1
sistema cuyas soluciones son las coordenadas pedidas.
[
[1] 1 O 3 J [1
10 1-2 .(-1)<=>0
O 1 1 1 O
1
[-1]
1
O 3 J [1
1-5 <=> O
1 1.1 O
1 O 3 J {CXI +cx
2
=3
-1 1 - 5 => - cx
2
+ cx
3
= -5
O 2 - 4 2cx
3
=-4
=> CX! = O, CX2 = 3 Y CX3 = -2 => las coordenadas son (0,3, -2) en dicha base.
Lema
Sea B = {VI' v
2
'oo., VII} una base de V. Si un vector w de V se expresa como
w = CXI VI + cx
2
v
2
+ oo. + cx
lI
VII con algn CX '' O, entonces el conjunto que resulta de susti-
tuir Vi por W es otra base de V
Demostracin
Supongamos que el coeficiente distinto de cero es el cx. Entonces tenemos que
probar que S = {w, v
2
'oo., VII} es una base de V.
a) Probaremos primero que es un sistema generador, es decir que cualquier vector x se
puede expresar de la forma x = y I W + y 2 V
2
+ oo. + y 11 VII' o lo que es lo mismo, que
existen los y.
d 1
. d - 1 - cx 2 -
e enunCia o v =-w--v
2
-
CXI CX
sustituyendo en x:
X +oo+A,'v1I =
+A
2
)V
2
+AII)V
II
por lo que S es un sistema generador.
59
b) Probaremos ahora que son lineal mente independientes, es decir,
. ~ W+~2 v
2
+. . . +~"v" =O se tiene que satisfacer nicamente cuando todos los ~i se-
an nulos.
Sustituimos W por su valor
~( av +a
2
v
2
+oo.+a"vJ +~2v2 +oo.+~"v" =0 {::::>
{::::> ~av +( ~a2 +~2)V2 +oo.+( ~a" +~")v,, =0
Como los Vi son base, son linealmente independientes, se deduce que:
luego {w, v
2
'oo., v,,} son linealmente independientes y por tanto base.
Teorema de Steinitz
Sea B ={ v
p
v
2
,oo.,vJ una base de un espacio vectorial V y sean w,w
2
,oo.,w
p
vectores de V lineal mente independientes. Entonces pueden elegirse convenientemente
n-p vectores de la base, que por ejemplo llamaremos v p+' Vp+2'oo., v"' tales que
{w, w
2
'oo., Wp sVp+'V1'+2'"'' v
n
} es otra base de V .
Demostracin
Al menos un a, tiene que ser no nulo, pues en caso contrario w =O y los vecto-
res {w, w
2
'oo., wl'} no seran linealmente independientes.
Supongamos que a i:- O , entonces por el lema anterior {w, v
2
'oo., v,,} es una base
deV .
Repitiendo el razonamiento anterior para las dems w
i
se demuestra el teorema.
60
Corolarios
1.
Si {VI' v;
entonce:
Demos
Supong
base de
de los
contra I
2. Si V tiei
res.
Demos
Sea {VI
Si {w,
setiem
Razom
Al nr
3. Si Vej
vectore
Demo:
Supon
entone
que s
{w,w
4. Si Vej
Iinealn
Es un
Corolarios
1. Si {VI' V
2
, , v,J es una base de Vy si {it\, w
2
, , W p} son linealmente independientes
entonces p::;; n.
Demostracin
Supongamos que p > n, entonces por el teorema de Steinitz {w, w
2
, , w
n
} es una
base de V => w
n
+ = a w + a
2
w
2
+ ... + a
n
w
ll
luego w
n
+ es combinacin lineal
de los {w
p
w
2
, , w,J => {w
p
w
2
, , w,J es linealmente dependiente o ligado en
contra de la hiptesis.
2. Si V tiene una base con n vectores, entonces todas las bases de V tienen n vecto-
res.
Demostracin
Sea {v, v
2
, .. . , VII} una base de V.
Si {w, w
2
, , W p} es otra base de V, por ser sus vectores linealmente independientes
se tiene que verificar, por el corolario 1, que p::;; n.
Razonando a la inversa se tiene que n ::;; p. Luego n = p.
Al nmero de vectores de una base se le llama dimensin del espacio vectorial.
3. Si V es un espacio vectorial de dimensin n entonces todo conjunto de n + 1
vectores de Ves linealmente dependiente o ligado.
Demostracin.
Supongamos que {w, w
2
, , w
ll
+} son n + 1 vectores linealmente independientes,
entonces por el teorema de Steinitz, n de ellos forman una base de V, supongamos
que son {w
p
w
2
, , w,J, por tanto wn+ es combinacin lineal de ellos y
{w, w
2
, , w
ll
+} son linealmente dependientes en contra de la hiptesis.
4. Si Ves un espacio vectorial de dimensin n entonces todo conjunto de n vectores
linealmente independiente es una base de V.
Es una aplicacin directa de teorema de Steinitz.
61
5. Si V es un espacio vectorial de dimensin n entonces todo sistema generador de n
vectores es una base de V.
Demostracin.
Supongamos que {w" w
2
, , w,,} es sistema generador. y linealmente dependiente,
entonces eliminamos vectores hasta obtener un conjunto de vectores linealmente
independientes, tenemos as un conjunto de n - p vectores que son linealmente in-
dependientes y sistema generador, es decir una base de V con n - p vectores en
contra de la hiptesis de que la dimensin de V es n.
El teorema de Steinitz es equivalente al siguiente:
Si {w" w
2
, , W p} son p vectores linealmente independientes de un espacio vecto-
rial V de dimensin n > p entonces existen n - p vectores de V, v" v
2
, ... , v,,_ p' tales
que:
{w" w
2
, , w" , v" v
2
, ... , v,,_p} es una base de V.
8. CAMBIO DE BASE EN UN ESPACIO VECTORIAL
Sea V un espacio vectorial de dimensin n y sean B
B' = {v" v
2
, ... , v,,} dos bases de V.
Si x es un vector de V, tendr unas coordenadas (a"a
2
, ,aJ en la base B y
otras $" [32 , ... ,[3,J en la base B'.
En esta pregunta se pretende calcular la relacin que existe entre las coordenadas
del vector x respecto de estas dos bases.
Entonces:
Como B' es una base, los vectores de B se pueden expresar como combinacin li-
neal de los de B',
, = allv, + a
2
,v
2
+ .. . + a",v"
2
= a' 2
v
, + a
22
v
2
+ ... + a
n2
v"
62
Sustituyendo en x:
x =a,(a"v, +a
2
,V
2
+ ... +a",vJ+a2(a'2V, +a
22
V
2
+ ... +a"2VJ+ ... +
+a"(a,,,v, +a
2
"v
2
+ ... +aIll1V,,)=
= (a,a" +a
2
a'2 + ... +a"a,,,)v, + (a,a
2
, +a
2
a
22
+ ... +a"a
2
")v2 + ... +
+ (a,a", + a
2
a
n2
+ ... + a"a
lll1
)v" =
+ ...
Como las coordenadas de un vector en una base son nicas,
= a,a" + a
2
a'2 + .. . + ana,,,
= a,a
2
, + a
2
a
22
+ ... + a"a
2
"
que es un sistema lineal de n ecuaciones con n incgnitas. Este sistema escrito en forma
matricial es:
[a" a'2 a,,,][a,] a

2
, a
22
a
2
" a
z
i,: - a,,2
Esta ecuacin matricial recibe el nombre de ecuacin del cambio de base y a la matriz
A = (aij ) se le llama matriz del cambio de la base B a la base B'. Abreviadamente:
(X)s' = (A)ss' (X)s
Observacin
Como los vectores de B son linealmente independientes => IAI 1: => A tiene
matriz inversa y por tanto A-
1
es la matriz del cambio de la base B' a la B.
Ejemplo 19
a) Hallar las coordenadas respecto de la base B' = {(l, 2, 3), (3,4, O), (l, 1, O)} de un
vector x E R
3
sabiendo que sus coordenadas respecto de la base B = {( 1, 1, O),
(0,1,1), (1, 0, 1)} son (1,1,1)
63
b) Encontrar la ecuacin del cambio de base de B a B' .
a) x = 1.(1, 1, O) + 1.(0, 1, 1) + 1.(1, 0,1) = a.(1, 2, 3) + 4, O) + y.(l, 1, O) =>
=> (2,2,2) = (a + + y, 2a + + y, 3a)
de donde
2 = a + + Y
2=
2= 3a
que resolvindolo nos da 10) que son las coordenadas de x en la base B'.
3' 3' 3
b) Para calculr la ecuacin del cambio de la base B a la B' tenemos que calcular las
coordenadas de los vectores de la base B en la B' .
64
(1,1, O) = a.(1, 2, 3) + 4, O) + y.(1, 1, O) => y) = (O, 0,1)
(O, 1, 1) = a.(l, 2, 3) + 4, O) + y.(1, 1, O) => y) = -i)
(
1 4 14)
(1, 0,1) = a.(1, 2, 3) + 4, O) + y.(1, 1, O) => y) = 3' -3' 3
Entonces la ecuacin matricial del cambio es:
[
XJ [O 1/3 1/3 J [XJ
y = O 2/3 - 4/3 Y
z B' 1 -7/3 14/3 BB' Z B
As podemos comprobar el resultado obtenido en el apartado a):
1/3 1/3 J [lJ [2/3 J
2/3 -4/3 1 = -2/3
-7/3 14/3 BB' 1 B 10/3 B'
Otra forma de hacerlo es:
de donde
[
1 O 1][CX
1
]_[1 3 ] [ ~ 1 ] [ ~ 1 1 - [ 1 3 1]-1[1 O 1][CX
1
]
1 O cx
2
- 2 4 1 ~ 2 => ~ 2 - 2 4 1 1 1 O cx
2
=>
O 1 1 cx
3
3 O O 3 ~ 3 3 O O O 1 1 cx
3
1/3
2/3
-7/3
9. SUBESPACIOS VECTORIALES
Definicin
Se dice que un subconjunto H no vaco de un espacio vectorial V es un subespacio
vectorial de V si H es un espacio vectorial al considerar en l las mismas operaciones
de suma y multiplicacin por escalares que en V.
Dada la definicin de subespacio vectorial no es necesario probar todas las propie-
dades de espacio vectorial en H. Slo hay que probar que:
a) La suma y la multiplicacin por escalares estn definidas en H.
b) OEH
c) El opuesto de un vector de H pertenece a H.
pues todas las dems se cumplen en H por cumplirse en V.
Estas condiciones se reducen a una o dos como veremos en los siguientes teoremas
de caracterizacin de los subespacios vectoriales.
65
Teorema
Un subconjunto H de un espacio vectorial V es un subespacio vectorial de V si y
slo si se cumplen las siguientes condiciones.
a) V x, ji EH=> X + ji EH
b)VaERyVxEH => roEH
Demostracin
= Si H es un subespacio vectorial es evidente que se verifica a) y b).
<==) Tenemos que probar que:
1) La suma est definida en H. Por a).
2) La multiplicacin por escalares est definida en H. Por b).
3) El OE H. Por b) haciendo a = O.
4) Que todo vector de H tiene su opuesto en H. Por b) haciendo a = -l.
Este teorema tiene otro equivalente que es:
Teorema
Un subconjunto H de un espacio vectorial V es un subespacio vectorial de V si y
slo si se cumple la condicin
La demostracin es anloga a la del teorema anterior.
Los subconjuntos H, = (O ) Y H
2
= V de cualquier espacio vectorial V, son dos su-
bespacios vectoriales de V. Son sus subespacios impropios.
Como los subespacios vectoriales son espacios vectoriales en s, toda la teora desa-
rrollada para los espacios vectoriales es vlida para los subespacios. As, se puede ha-
blar de sistema generador, base, dimensin, etc. de un sub espacio vectorial.
Ejemplo 20
Probar que el conjunto de todos los puntos de una recta que pase por el origen es un
subespacio vectorial de R
2
.
r = {(x, y) E R
2
/ (x, y) = A(a, b) VA E R}
66
Por el primer teorema de caracterizacin, para cualesquiera que sean los vectores
(x, y) y (X', y') de R
2
y el escalar a,
a) (x, y) + (x', y') = A,(a, b) + A,'(a, b) = (A, + A,')(a, b) E r
b) a(x, y) = a(A,(a, b)) = (aA)(a, b) E r
r es, por tanto, un subespacio vectorial.
Ejemplo 21
Comprobar si L = {(XI, X2, X3) E R
3
/ XI - 2X2 + 3X3 = O} es un subespacio vectorial
de R
3
.
Por el segundo teorema de caracterizacin, para cualesquiera que sean los vectores
(XI, X2, X3) Y (y" Y2, Y3) de R
3
y los escalares a y se tiene
veamos si pertenece a L
axl + - 2(ax2 + + 3(ax3 + =
= axl- 2ax2 + 3ax3 + - + =
= a(xI- 2x2 + 3X3) + - 2Y2 + 3Y3) = O
luego s pertenece a L y L es un subespacio vectorial de R
3
.
Ejemplo 22
Estudiar si el subconjunto S = {(XI, X2, X3) E R
3
/ XI + X2 + X3 = 2} es un subespacio
vectorial de R
3
.
Por el primer teorema de caracterizacin, para cualesquiera que sean el vector
(XI, X2, X3) Y el escalar a, se tiene
veamos si pertenece a S,
luego S no es un subespacio vectorial de R
3
.
67
Teorema
La envoltura lineal de un conjunto de vectores de V es un subespacio vectorial de
V.
Demostracin
a.X +l3y = a(x,v, + X
2
V
2
+ ... + x
p
v
p
) + I3( Y, v, + Y2V2 + ... + Ypv
p
) =
= (ax, + I3Y,)v, + (ax
2
+ I3Y2)v
2
+ ... + (ax
p
+ I3Y
p
)v
p
E< v" v
2
, ... , v
p
>
luego es un subespacio vectorial.
Definicin
El rango de un conjunto de vectores es el mximo nmero de vectores lineal-
mente independientes que posee.
Por tanto, el rango de un conjunto de vectores coincide con la dimensin del subes-
pacio vectorial que generan, es decir, con la dimensin de su envoltura lineal. Tambin
coincide con el rango de la matriz obtenida con las coordenadas de los vectores.
Ejemplo 23
Caracterizar el subespacio vectorial S de R
3
, definido por la envoltura lineal de los
vectores u, = (-1, 2, 3) Y u
2
= (4, -5, 1).
(Xl , X2, X3) = a(-l, 2, 3) + 13(4, -5, 1) = (-a + 413, 2a - 513, 3a + 13)
de donde:
Xl = -a + 413
X2 = 2a- 513
X3 = 3a + 13
que es la caracterizacin denominada ecuaciones paramtricas del subespacio.
68
Si se eliminan los parmetros a y ~ , por ejemplo, por el mtodo de Gauss,
[
[-1] 4 XI]
2 - 5 x
2
.2 <=>
3 1 x
3
.3
-1 4 XI
O 3 2x, + x
2
O 0_17
x
_.!lx+x
3 I 3 2 3
se deduce que
17 13
--x --x +x =0
3 I 3 2 3
o y se obtiene as
otra caracterizacin denominada ecuaciones implcitas de S, que tambin se puede ex-
presarcomo S={(X"X
2
,X
3
)/ 17x, +13x
2
-3x
3
=O}
De la ltima expresin matricial se deduce que el rango de {
l
,
2
} es 2, que el n-
mero de ecuaciones implcitas es 1 y por tanto:
La dimensin del subespacio vectorial ms el nmero de ecuaciones implcitas del
subespacio vectorial eS igual a la dimensin del espacio vectorial.
10. INTERSECCIN DE SUBESPACIOS VECTORIALES
Definicin
Sean U I Y V2 dos subespacios vectoriales de un mismo espacio vectorial V. Se de-
fine la interseccin de VI y V
2
como el conjunto de vectores que pertenecen simult-
neamente a V I Y V
2
.
Teorema
La interseccin de dos sub espacios vectoriales de V es un subespacio vectorial de
V.
Demostracin
Por el segundo teorema de caracterizacin,
Vx,yE VI nV
2
Y V a , ~ E R =>
=> a.X + y E V I Y a.X + y E V 2
luego es un subespacio vectorial.
x,yE VI Y x,yE V
2
=>
=> a.X + y E VI n V 2
69
Ejemplo 24
Calcular la interseccin de los subespacios generados por {(1, 2, -1), (O, 1, 3) Y
{(2, 3, -1), (1, O, 2)}
Si x pertenece a la interseccin de los subespacios se tiene que verificar:
x = a(1, 2, -1) + ~ ( O , 1,3) = y(2, 3, -1) + 8(1, O, 2)
de donde
a=2y+8
2a+ = 3y
- a + ~ = - y + 28
que da lugar al sistema homogneo
a -2y -8 = O
2a + ~ - 3y = O
-a + ~ + Y - 28 = O
cuya solucin es: a = -14)..1., ~ =)..1., y = -9)..1., 8 = 4)..1. Y por tanto los vectores de la in-
terseccin son de la forma:
x = -14)..1.(1 , 2, -1) +)..1. (0,1,3) = (-14)..1., -27)..1.,17)..1.) =)..1. (-14, -27,17)
o x = -9)..1.(2,3, -1) + 4)..1. (1, O, 2) = (-14)..1., -27)..1.,17)..1.)
La interseccin es un subespacio de dimensin 1 porque todos sus vectores son
mltiplos del (14, 27, -17) cosa que se poda haber visto antes pues la solucin del sis-
tema homogneo dependa de un solo parmetro.
Si nos dan los subespacios por sus ecuaciones implcitas el conjunto de todas ellas
son las ecuaciones implcitas de la interseccin, pero se deben suprimir las ecuaciones
que sean dependientes.
Ejemplo 25
70
Calcular la interseccin de los subespacios definidos por:
SI = {(Xl , X2, X3)E R
3
/ Xl - X2 + 3X3 = O)
S 2 ={(XI ,X2,X3)ER
3
/XI+X2 =0, X2+X3=O}
La interseccin viene dada por el sistema:
XI - X2 + 3X3 =
XI +X2 =
X2 + X3 =
Estudiemos el subespacio.
[
[1] -1 3]
1 1
1 1 0.( -1)
[
1 -1 3] [1 -1
~ [1] 1 ~ 1
2 - 3 .(-2)
La nica solucin que tiene el sistema es la trivial, (0, 0, O), luego el vector nulo es
el nico vector del subespacio, por tanto, el subespacio interseccin es el subespacio
impropio { }
Ejemplo 26
En R
4
se consideran los subespacios vectoriales definidos por:
LI = {(x, y, z, t)E R
4
/ X + Y - z + t = 0, x - y + z = O}
L2 = 1, 0, 1, O), (O, 1,0, 1
Calculamos las ecuaciones implcitas de L
2
.
y = ~
(x, y, z, t) = a(l, 0, 1, O) + ( O , 1, 0, 1) ~
!
x=a
z=a
t = ~
~ {x-z =
y-t =0
71
La interseccin viene dada por el sistema:
x y z t
r+Y -<+I=o
[ 1
1
1 -1
~]H)
[ ~
x- y+z =O -1 1
=} =}
x- z =O O -1 O .(-1)
y- t =0 1 O -1
[ 11-1I!
[ ~
1 -1
~I]
O [ -1] O -1 -1 O
=} =}
O -2 2 -1 .(-2) O 2
O 1 O -1 .1 O O -2
=} x=y=z =t =O
1
-2
-1
1
~1~11
O -1
O -1 z- H3"
El nico vector de la interseccin es el vector cero, es decir LI nL
2
= { 6 } .
11. UNI N DE SUBESPACI OS VECTORI ALES
Definicin
Sean U
I
y U
2
dos subespacios vectoriales de un mismo espacio vectorial V . Se de-
fine la unin de U
I
y U
2
como el conjunto de vectores que pertenecen a U
I
o a U
2
.
La unin de dos subespacios vectoriales no siempre es un subespacio vectorial co-
mo lo prueba el siguiente ejemplo.
Si U
I
y U
2
son los subespacios vectoriales de R
3
de la figura, su conjunto unin es
el formado por todos los vectores que estn en uno u otro plano. Este conjunto no es un
subespacio vectorial, pues no siempre la suma de dos de sus vectores es un vector de l
como se ve en la figura.
b
72
Proposicin
Si U
I
y U
2
pacio vectorial :
La demostr
Ejemplo 27
Estudiar si
U
2
={(x, y, z) E
Como dim
que ocurrir que
V eamos si
Como 2a
cia.
Ejemplo 28
Estudiar si
es un subespac
Como dim
tiene que cumj
V eamos si
Como una
3-2.1-
Proposicin
Si V, Y V
2
son dos subespacios vectoriales de V. Entonces V, u V
2
es un subes-
pacio vectorial si y solamente si V , ~ V
2
o V
2
~ V,.
La demostracin es evidente.
Ejemplo 27
Estudiar si la unin de los subespacios V, = {(x, y, Z) E R
3
/ x + y + Z = O} Y
V
2
= {(x, y, Z) E R
3
/ x = 2a ~ , y = a - ~ , Z = O} es un sub espacio vectorial.
Como dim (V,) = dim (U
2
) = 2, para que la unin sea un subespacio vectorial tiene
que ocurrir que V, = U
2
.
Veamos si los vectores de U
2
estn en U,.
Como 2a + + a - ~ = 3a;f:. O ===> V,;f:. V
2
===> U, U U
2
no es un subespa-
cio.
Ejemplo 28
Estudiar si la unin de los subespacios vectoriales de R
3
definidos por:
L, = {(x, y, Z)E R
3
/ x -2y + Z = O}
L
2
= 3,1,-1
es un subespacio vectorial.
Como dim (L,) = 2 Y dim (L
2
) = 1, para que L, u L
2
sea un subespacio vectorial
tiene que cumplirse que L
2
eL, .
Veamos si los vectores de una base de L
2
pertenecen aL,.
Como una base de L
2
est formada por el vector (3, 1,-1), se tiene que
3 -2.1 - 1 = O ===> L
2
e L, luego L, u L
2
es un subespacio vectorial de R
3
.
73
12. SUMA DE SUBESPACIOS VECTORIALES
Definicin
Sean U
I
y U
2
dos subespacios vectoriales de un mismo espacio vectorial V. Se de-
fine la suma de U I Y U
2
como el conjunto de todos los vectores que se obtienen suman-
do un vector de U I con otro de U
2
Es decir:
Teorema
La suma de dos subespacios vectoriales U I Y U
2
de V es un subespacio vectorial de
V que verifica: U
I
+ U
2
= < U
I
U U
2
>
Adems es el subespacio mas pequeo de V que contiene a U I U U
2
Ejemplo 29
Calcular el subespacio suma de los subespacios de R
3
definidos por:
U
I
= <(1, 2, -1), (0,1,3 y U
2
= 2,3, -1), (1, O, 2
El subespacio suma es: U
I
+ U
2
= <(1, 2, -1), (0,1,3), (2, 3, -1), (1, O, 2
Para encontrar una base tenemos que buscar los vectores linealmente indepen-
dientes que tiene. Formamos la combinacin lineal
a.(l, 2, -1) + p.(O, 1,3) +y.(2, 3, -1) + fA.(l, O, 2) = (O, O, O)
que permite llegar al sistema homogneo
y por Gauss
a p y fA

-1 3 -1 2 .1
74
a+ 2y+ fA= O
2a + p + 3y = O
-a + 3P - Y + 2fA = O
1 l
-2
3 .(-3)
que nos dice que hay tres vectores linealmente independientes, estos pueden ser los tres
primeros. Luego una base de U + U
2
es {(1, 2, -1), (0,1,3), (2, 3, -1)}. Por tanto
U + U
2
es R
3
y otra base de U + U
2
puede ser la base cannica.
Observa que no tiene ecuaciones implcitas porque es todo el espacio vectorial.
Definicin
Cuando los subespacios U Y U
2
tienen por interseccin nicamente el vector nulo,
su suma se llama suma directa y se representa por U EB U
2
.
Proposicin
. Todo vector de la suma directa de dos subespacios U Y U
2
se descompone de for-
ma nica como suma de un vector de U Y un vector de U
2
Demostracin
Supongamos que x E U EB U
2
tiene dos descomposiciones x = + v = '+v' ~
- '= v'-v como - 'E U y v'-v E U
2
~ - '= v'-v E U n U
2
y como la
suma es directa ~ - '= v'-v = = ' y v'= v
Definicin
Cuando la suma directa de dos subespacios es el espacio total los subespacios se
llaman suplementarios.
Ejemplo 30 .
Los subespacios U = <(1,2,-1), (0,1,3 y U
2
= 2,3,-1), (1,0,2 estudiados en
los ejemplos 24 y 29 no son suplementarios pues aunque U
I
+ U
2
= R
3
, U
I
n U
2
:t
Proposicin
Sean U y U
2
dos subespacios suplementarios de un espacio vectorial V, entonces si
B es una base de U y B
2
es una base de U
2
, B u B
2
es una base de V.
13. RELACIN ENTRE LAS DIMENSIONES DE LOS SUBESPACIOS SUMA E
INTERSECCIN. FRMULA DE GRASSMAN
Si U Y U
2
son dos subespacios vectoriales de un espacio vectorial V, se verifica
que:
dim (U
I
+ U
2
) + dim (U n U
2
) = dim U + dim U
2
7S
conocida con el nombre de frmula de Grassmann.
Si la suma es directa se tiene que:
dim (U
I
EB U
2
) = dim U
I
+ dim U
2
y si U I Y U
2
son suplementarios:
dim (U
I
EB U
2
) = dim V
Ejemplo 31
Hallar los subespacios suma e interseccin de los subespacios de R
3
definidos por:
U
I
= -2,3,-3), (-1,3,0 y U
2
= <(1,0,3), (0,1,1
Empezaremos calculando la interseccin:
a.(-2,3,- 3) + =y.(1,0,3) + f.!.(0,1,1) =>
y por Gauss
f.! Y
[[=o:J

-3
1
2a+ + y =
3a+ - f.! =
-3a - 3y - f.! =
a
3 3) [-1
3
3) [-1
-3 .(-1)<=:>
[- 3] - 6
-3 <=:>
2 1
1 2
1 .1/3
=> t f.! + 3a + =
y+2a+ =0

3

- 3 -6

Es un sistema homogneo compatible indeterminado con dos grados de indetermi-
nacin => la solucin depende de dos parmetros => la dimensin de la interseccin es
2 => U I n U
2
= U I = U
2

Por la frmula de Grassman
76
Una base de U, + U
2
sern dos vectores linealmente independientes cualesquiera de
entre los cuatro, luego pueden ser los de U ,. Por tanto se verifica que:
EJERCICIOS
1. Demostrar que V = ~ . J 5 / x E R} es un espacio vectorial real.
2. Demostrar que el conjunto D = {(a, b, c)/ a,b,cE R} de todas las ternas soluciones
de la ecuacin a + 2b - 3c = es un espacio vectorial.
3. Resolver, en un espacio vectorial cualquiera, las siguientes ecuaciones, suponindose
.... ....
a y b conocidos .
.... .... ....
a)
3x-2a =
.... .... .... ....
b) 4x+3a-2b = x
.... .... .... ....
c) 3x-2a+3b=-x
4. Resolver, en un espacio vectorial cualquiera, las siguientes sistemas de ecuaciones
.... ....
vectoriales, suponindose a y b conocidos.
5. Demostrar que el vector (-3, 2, 5) E R 3 depende linealmente de los vectores
0,1,2), (- 2,0,3) Y (-2,1, O)
6. Demostrar que el vector (-1, 3, 7)E R
3
no es combinacin lineal de los vectores
0,0, O) Y (O, 1, O).
77
7. Hallar el valor de x para que el vector (11, -16, x) dependa linealmente de los
vectores (2, -1,3) Y (-1, 2,1)
8. Estudiar si el conjunto de vectores {(1, 1, -1), (1, -1,1), (-1,1, 1)} de R
3
es libre o
ligado.
9. Estudiar si el conjunto de vectores {(-1, 3, 2), (2, -1,3), (4, -7, -1)} de R
3
es libre
o ligado.
10. Averiguar si los vectores (1, 1, O ), (1, O , 1) Y (O , 1, 1) son un sistema generador de
R
3
11. Encontrar la condicin que deben cumplir las componentes de los vectores de R
3
para que sean combinacin lineal de los vectores (1, 0, -1) Y (0,1,2)
12. Encontrar la condicin que deben cumplir las componentes de los vectores de R
3
para que sean combinacin lineal de los vectores (2, 1, O ), (1, 2, 1)Y (O , 1,2)
13. Calcula la envoltura lineal de los vectores (3, -2, 1)Y (2, -3, 1)de R
3
14. Estudiar si el conjunto de vectores {(1, 1, O ), (1, O , 1)Y (O , 1, 1)} es una base de R
3
15. Discutir si es o no base de R

3
el conjunto de vectores {(1, -2, -1), (-3, O , 2),
(O,-6, -1)}.
->
16. Hallar las coordenadas del vector a =(3, -1, 2) respecto de la base B ={(-1, 0,1),
(1, 1, O ), (1, 2, 3)}
->
17. Comprobar que el vector x=(3, 5) se puede expresar de varias maneras como corn-
-> -> ->
binacin lineal de los vectores u =(1, 1), u
2
=(2, -1) Y u
3
=(-1, O ). Estudiar el
porqu.
18. Dados el conjunto de vectores {(1, 2, -3), (3, 2, 3), (-5, -2, -1), (2, 0, -2)}, averi-
guar si hay contenido en l una base de R
3
En caso afirmativo hallarla.
3
19. Dado el vector (2,3, -1) de R encontrar una base que lo contenga.
20. Sabiendo que el vector x =(2, 5, -1, 1)est referido a la base cannica de R
4
,
a) hllense sus coordenadas respecto de la base B ={(1, 1, O , O ), (O , 0, 1, 1),
(1,0,0,1), (0,1,0, 1)}.
b) la ecuacin del cambio de la base cannica a la base B
78
21.
Dada labase
a) Hallar re
B'={ (l, ~
(-3,2,1,
b) Hallar laI
22. Comprobar
vectorial de
23. Comprobar
torial deR
3
24. Se consideri
2x-y=O E
25. Probar si el
3
de R . Inter:
26. Encontrar 1:
engendrado
27.
Encontrar \;
engendrado
28.
Calcular el
29. Hallar el su
L
2
={( x,y
30. Probar si
U
2
=<(1,-
31.
Probar si
U
2
={( x,y
32. a)Hallar la
~=2
b) La surn
e) L Y 1
4
21. Dada la base B ={(O, 1, -1, O), (1, O, O, -1), (0,1, O, -1), (0,1,1, 1)} de R:
->
a) Hallar respecto de B las coordenadas del vector x que respecto de la base
B'={(1, 2, O, O), (-1, 0,1, 1), (O, O, -2,1), (1, O, -1, O)} tiene por coordenadas
(-3,2,1, -2).
b) Hallar la ecuacin del cambio de base de B a B' .
22. Comprobar si S = {(Xl' X
2
' X
3
) E R
3
/ Xl - 2x
2
+ 3x
3
= 1} es o no un subespacio
vectorial de R
3

23. Comprobar si S = {(Xl 'X
2
,X
3
) E R
3
/ Xl - X
2
- x
3
= O} es o no un subespacio vec-
torial de R
3

24. Se considera a R
2
como el plano ordinario. Probar que la recta de ecuacin
2x - y = O es un subespacio vectorial de R
2
25. Probar si el subconjunto S = {(a, b, 1)/ a,bE R} de R
3
es un subespacio vectorial
de R
3
Interpretarlo geomtricamente.
26. Encontrar las ecuaciones paramtricas e implcitas del subespacio vectorial de R
3
-> ->
engendrado por los vectores u
I
= (1, 2, O) Y u
2
= (O, -1,2).
27. Encontrar las ecuaciones paramtricas e implcitas del subespacio vectorial de R
2
-> ->
engendrado por los vectores u
I
= (1, -1) Y u
2
= (O, 2).
28. Calcular el rango del conjunto de vectores {(1, O, 2), (2, -1, 1), (-1, 1, -1) }
29. Hallar el subespacio interseccin de los subespacios L, = 2, O, -1), (1, -1, O y
L
2
= {(X,y,z) E R
3
/ X+ y = O}
30. Probar si la unin de los subespacios U, = {(x, y, Z) E R
3
/ X + Y + Z = O} Y
U
2
= <(1, -2,1), (1, O, -1 es un subespacio vectorial.
31. Probar si la unin de los subespacios U, = {(x, y, Z) E R
3
/ X + Y - Z = O} Y
U 2 = {(X, y, Z) E R
3
/ X - 2y + Z = O; X - Y = O} es un subespacio vectorial.
32. a) Hallar la suma de los subespacios L, = {(x, y , Z) E R
3
/ X + Y = O} Y
L
2
= 2, O, -1), (1, -1, O.
b) La suma es directa?
c) L, Y L
2
son subespacios suplementarios?
79
33. Sean L y ~ dos subespacios vectoriales de R
4
, generados respectivamente por
los sistemas de vectores S = {(1, 1, O, -1), (1, 2, 3, O), (2, 3, 3, -l)} Y
S2 = {(1, 2, 2, -2) , (2, 3, 2, -3), (1, 3,4, -3)}.
a) Calcula la dimensin de los subespacio L + L
2
Y L n L
2

b) Calcula las ecuaciones paramtricas e implcitas de L + y L n ~ .
34. Consideramos el subespacio H de R
4
generado por el sistema de vectores
S = {(4, -1, 5, O), (3, 2, -1, 4), (1, 8, -13,12), (-1, 3, -6, 4)} yel subespacio de-
{
X+ y+ Z + t = O
finido por las ecuaciones implcitas L = . Se pide:
y-z+2t=0
a) La dimensin y unas ecuaciones de H.
b) La dimensin y unas ecuaciones paramtricas de L.
c) La dimensin y unas ecuaciones implcitas de H + L Y H n L.
35. Consideremos los subespacios vectoriales de R
3
:
U = <(1, O, 1, V = <(1, O, O), (O, 1, 1 y W = <(1, O, O), (O, O, 1
Se pide:
a) Estudiar si U y V son suplementarios. Anlogamente para U y W y para V y W
b) Expresar, si es posible, el vector (2,1,2) como suma de un vector de U y otro de
V. Es nica esta descomposicin?
c) Escribir, si es posible, el vector (3,0,3) como suma de un vector de U y otro de
W. Es nica esta descomposicin?
36. En el espacio vectorial R
3
se consideran los subespacios siguientes:
80
H = 2, 3, 1 y K = O, 1,2), (1, 1, 1
Se pide:
a) Decir si H y K son suplementarios. Justifica la respuesta
b) Expresar, si es posible, el vector (1, O, 1) como suma de un vector de H mas otro
de K. Es nica esta descomposicin?
CAPTULO 4
APLICACIONES LINEALES
CAPTULO 4. APLICACIONES LINEALES
1. APLICACIN LINEAL
Sean (U,+;) y (V,+;) dos espacios vectoriales sobre el mismo cuerpo R. (las opera-
ciones + y . aunque se representan por el mismo smbolo no tienen por qu ser las mis-
mas).
Definicin
Una aplicacinf de U en V
f : U --7 V
X --7 f(x)
se dice que es una aplicacin lineal, homomorfismo o transformacin lineal si cum-
ple las siguientes condiciones:
a) f(x+ y) = f(x)+ f(y) Vx,yE U
b) f(riX) = af(x) VXE U y VaE R
Esta definicin es equivalente a la siguiente:
Definicin
Una aplicacin f de un espacio vectorial U en un espacio vectorial V es una aplica-
cin lineal si y slo si
f(riX + = af(x) +
Ejemplo 1
Probar si la aplicacin lineal de R
2
en R definida por f (x) = f (x, X2) = 3x - 2X2
es lineal.
Lo probaremos con la segunda definicin.
f(riX + = f(a(x, X2) + Y2 = f(ax + ax2 + =
= 3(ax + - 2(ax2 + = 3ax + - 2ax2 - =
= a(3x - 2X2) + - 2Y2) = af(x, X2) + Y2) = af(x) +
83
Ejemplo 2
Probar si la aplicacin f:R ~ R
x ~ 2x+3
es una aplicacin lineal.
Lo estudiaremos utilizando la primera definicin.
f( x +y) = 2( x+y) +3 = 2x +2y +3
f( x) +f( y) = 2x +3 +2y +3 = 2x +2y +6
Comof( x +y);f:.f( x) +f( Y), f no es una aplicacin lineal.
De las aplicaciones lineales se puede hacer la siguiente clasificacin:
a) Cuando la aplicacin lineal es sobre espacios vectoriales distintos U y V .
Si f es inyectiva [f( x) =feY) ~ x =)i] se llama monomorfismo,
Si f es sobreyectiva [ V)i E V, 3XE U / f ( x) =)i] se llama epimorfismo,
Si f es biyectiva [ inyectiva y sobreyectiva] se llama isomorfismo. En este caso
los espacios vectoriales sobre los que est definida se llaman isomorfos.
b) Cuando la aplicacin lineal est definida sobre el mismo espacio vectorial se llama
endomorfismo y si es biyectiva automorfismo,
e) Si el espacio vectorial imagen es el cuerpo sobre el que est definido el espacio
vectorial origen, la aplicacin lineal se llama forma lineal.
Propiedades
Sea f: U ~ V una aplicacin lineal, entonces:
1. feO) =O
2. f( -x)=-f( x) V XEU
3. f( a,x, +a
2
x
2
+... +allxJ =aJ ( x,)+ad( x
2
)+ ... +an!( x
ll
) Vx"x
2
, ,x
lI
E U
Y Va"a2,,al l E R
84
4. Si {x"x
2
,
ces {f( x,
diente o li,
5. Si W esUI
V
6 . Si Hesun
U.
2. IMAGEN
Sea f: U
Definicin
Se define
imgenes de 1
Teorema
La image
La demo
La dimei
neal.
Teorema
Sea f UI
( f( ,),f(
2
Demostracr
Sea iiE
Por ser
y como v =
4. Si {X
p
X
2
, ... ,X,,} es un sistema de vectores linealmente dependiente o ligado enton-
ces {f(x ),J(X
2
), ,J(X,.)} es tambin un sistema de vectores linealmente depen-
diente o ligado.
5. Si W es un subespacio vectorial de U entonces f (W) es un sub espacio vectorial de
V
6. Si H es un subespacio vectorial de V entonces f-l(H) es un subespacio vectorial de
U.
2. IMAGEN DE UNA APLICACIN LINEAL
Sea f: U ~ V una aplicacin lineal.
Definicin
Se define la imagen dej, Im(f), como el subconjunto de V formado por todas las
imgenes de los vectores de U.
Im(f) = {\i E V / ::Iu E U / f(u) = \i} = f(U)
Teorema
La imagen de una aplicacin lineal es un subespacio vectorial de V
La demostracin es evidente por la propiedad 5.
La dimensin del subespacio vectorial imagen se llama rango de la aplicacin li-
neal.
Teorema
Sea f una aplicacin lineal de U en V y sea {u, u
2
, ... ,u,,} una base de U. Entonces
{f (ul),J (u
2
), ,J (un)} es un sistema generador de Im(f).
Demostracin
Sea \i E Im(!) => ::Iu E U / f(u) = \i
Porser {U
I
,U
2
, ... ,u
ll
} una base de U,
85
nos dice que todo vector de Im( f) se puede expresar como combinacin lineal de
{f(
l
),f(
2
), ,f(
lI
)} Por tanto es un sistema generador.
Ejemplo 3
Estudiar la imagen de la aplicacin lineal de R
3
en R
2
definida por:
f(x, y, z) = (x +y, X + y)
Como las componentes de los vectores imgenes son iguales, todos estos vectores
estn situados en las bisectrices del primer y tercer cuadrante de R
2
. Por tanto Im(f) es
un subespacio vectorial de dimensin 1 definido por: Im(f) = {(x, y) E R
2
/ x = y}
La imagen de la base cannica es:
f(1, O, O) = (1,1)
f(O, 1, O) = (1,1)
f(O, O, 1) = (O, O)
que es un sistema generador de Im(f) pero no una base.
x = y es la ecuacin implcita y {(1, 1)} es una base de Im(f).
3. MATRIZ DE UNA APLICACIN LINEAL
Sea f: U -+ V una aplicacin lineal.
Sean B = {
l
,
2
, ,
lI
} una base de U y B' = {VI' v
2
, , VIII} una base de V.
Cualquier vector x de U se puede expresar de la forma
y su imagen por f ser:
Como f(
l
),f(
2
), ,f(
lI
) son vectores de V se escribirn de la forma
86
f(ii
l
) = fllVI + f21
V
2 + ... + fmlvm
f(
2
) = f12
v
I + f 22
V
2 + .. . + fm2
v
m
y sustituyendo en la expresin anterior se tiene:
+ X
2
(f12 VI + f22 V
2
+ ... + fm2 VIIJ + ... + X
n
(fll/ VI + f21/ V
2
+ ... + fl/U v
m
) =
= (XJI I +x
2
f12 + ... +X,.fIJV
I
+ (XJ21 +x
2
f22 + ... +X"f2JV
2
+ ...
y por la unicidad de las coordenadas de un vector en una base se tiene
YI =XJll +x
2
f
1
2 + ... +X"fl"
Y2 = XJ21 +x
2
f22 + ... +X,.f2n
que en forma matricial es
... fl"IXI]
... f21/ X
2
... . ..
film XII
y se llama ecuacin matricial de la aplicacin lineal referida a las bases B y B'. En
forma abreviada es
La matriz F es la matriz de la aplicacin lineal f y est referida a las bases B y B' .
Si se cambiara alguna de las bases tambin cambiara la matriz F y por este motivo
siempre que exista duda se deber explicitar en la matriz F las bases a la que est referi-
da, es decir en las que se est trabajando.
87
En caso de no explitcitar las bases se considerarn las bases cannicas.
Evidentemente, por el teorema de la pregunta anterior, la dimensin de la Im( f),
es decir el rango de la aplicacin lineal, es el rango de la matriz de dicha aplicacin.
Ejemplo 4
Calcular:
a) las distintas expresiones de la aplicacin lineal definida por:
(Xl, X2, X3) -7 (Xl + X2, Xl + X2)
b) la imagen del vector (4,7,1).
Como los vectores de R
3
y R
2
estn referidos a las bases cannicas se calcularan las
imgenes de los vectores de la base cannica de R
3
.
f(1, O, O) = (1, 1)
feO, 1, O) = (1, 1)
feO, O, 1) = (O, O)
Entonces la expresin matricial es
Desarrollando la expresin matricial se obtienen las ecuaciones paramtricas del
subespacio imagen que son
Yl =Xl +X2
Y2 = Xl + X2
y eliminando los parmetros Xl y X2 se obtienen la o las ecuaciones implcitas, que
son
Y l - Y2 = O
88
La imagen del vector (4,7,1) se obtiene, entre otras formas, sustituyendo en la ex-
presin matricial.
Toda matriz tiene asociada una aplicacin lineal como veremos en el ejemplo si-
guiente.
Ejemplo 5
Dada la matriz [ ~ 1 ~ J hallar las expresiones de la aplicacin lineal f de R
2
en
O -1
R
3
asociada a ella.
a) La expresin matricial es:
b) Las ecuaciones paramtricas son:
y =x
Y2 =-x +x
2
Y3 = -x
2
c) Las ecuaciones implcitas se obtiene eliminando los parmetros en las paramtricas.
[
[1] O Y J [1
-1 1 Y2 .1{:::> O
O -1 Y3 O
d) Como
fCe) = f(I,O) = (1,-1,0)
f(e
2
) = f(O,1) = (0,1,-1)
89
cualquier vector x = xe + x
2
e
2
tiene por imagen
Estas expresiones tambin se obtienen de la expresin matricial o de las ecuaciones
paramtricas.
4. NCLEO DE UNA APLICACIN LINEAL
Sea f: U ---7 V una aplicacin lineal.
Definicin
Se llama ncleo de la aplicacin lineal f al conjunto de todos los vectores de U
que tienen por imagen el vector O de V. Se representa por N(J).
N(f) = (XE U / f(x) = D}
En algunos textos tambin se representa por Ker(f).
Teorema
El ncleo de una aplicacin lineal f de U en V es un subespacio vectorial de U.
Demostracin
f(a + 2 ) = af() + f ( 2 ) = aD + D = D => a + 2 E N(f) => N(f) es
un subespacio vectorial de U.
Teorema
90
Si f es una aplicacin lineal entre los espacios vectoriales U y V, entonces
dim Im(f) + dim N(f) = dim U
Demostracin
Supongamos que dim U = n y que {
P
2
, ... ,k} es una base de N(!). Entonces por
el teorema de Steinitz se puede ampliar a una base de U. Si {P2"",k,k+P""II} es
base de U, entonces {f (),f (
2
), ... ,f (k),f (
k
+ ), ... ,f (,,)} es un sistema generador
de Im(f) y como !()=!(
2
)==!(
k
)=0 (f(k+)"",f(
lI
)} esunsis-
tema generador de Im(f).
Vamos a probar que son linealmente independientes. Para ello
aJ(k+)+ ... +all_J(,,)=o !(ak+++all_kn)=O
a
k
+ + ... +all_k
n
E N(f)
y por tanto se podr expresar como combinacin lineal de los vectores de la base de
N(f).
ak+ + ... +all_k
lI
<=}
<=} -a
k
+ - .. . -all _k
lI
=0
y como {,2 "",k,k+P" "lI} es una base de U a = a2 = ... = an-k = = ... =
= 0, se tiene que (f(
k
+ ), .. . ,f(
lI
)} son linealmente independientes y
dim Im(f) = dim U - dim N(f)
Ejemplo 6
Estudiar el ncleo de la aplicacin lineal! de R
3
en R
2
definida por:
Otras formas de expresar la aplicacin lineal son:
y = 2x -X3
Y2 = 3X2 -Xl
que son las ecuaciones paramtricas y
91
que es su expresin matricial.
Como dim Im(f) = rango[ 2 O -1) = 2 => dim N(f) = dim R
3
- dim Im(f)
-1 3 O
= 3 - 2 = 1 Y los vectores del ncleo son los que satisfacen el sistema
3X2 -Xl = O
y que son las ecuaciones implcitas de ncleo.
Resolviendo el sistema se obtienen sus ecuaciones paramtricas.
La dimensin del ncleo coincide con el grado de indeterminacin del sistema de
las ecuaciones implcitas o nmero de parmetros necesario para resolverlo.
Una base del ncleo se obtiene dando un valor no nulo al parmetro. Si A =1 se tie-
neB(N(f)) = {(3,1,6)}.
5. CLASIFICACIN DE LAS APLICACIONES LINEALES
l. Monomorfismos o aplicaciones lineales inyectivas.
92
Teorema
La condicin necesaria y suficiente para que una aplicacin lineal f de U en V sea
monomorfismo es que N(f) = O, es decir, dim N(f) = O.
Como consecuencia de este teorema se tienen los siguientes corolarios:,
Corolario 1
Los monomorfismos transforman sistemas linealmente independientes en sistemas
linealmente independientes.
Corolario 2
Si f es un monomorfismo de U en V, la imagen de una base de U es una base de
Im(f), pero no tiene por qu ser una base de V.
Corolario 3
Si f es un monomorfismo de U en V, el rango de f es la dimensin del espacio
vectorial U.
11. Epimorfismos o aplicaciones lineales sobreyectivas.
Teorema
epimorfismo es que Im(f) = V, es decir, dim Im(f) = dim V.
111. Isomorfismos o aplicaciones lineales biyectivas.
Teorema
isomorfismo es que dim Im(f) = dim U = dim V.
Corolario
Dos espacios vectoriales de la misma dimensin son isomoifos, es decir, existe un
isomorfismo entre ellos.
Ejemplo 7
Clasifica la aplicacin lineal f de R
2
en R
3
definida por f (x, y) = (x + y, x - y, 2x)
Calculamos la ecuacin matricial de la aplicacin,
ZI:X+
Y
}
Z2 - x - y
Z3 = 2x
Tambin se podan haber buscado las imgenes de los vectores de la base cannica.
El rango de la matriz de la aplicacin es la dimensin de la imagen, por tanto:
dim Im(f) = 2 => dim N(f) = O Y fes un monomorfismo.
93
6. OPERACIONES CON APLICACIONES LINEALES
Sea el conjunto de las aplicaciones lineales de U en V, que representamos por
Hom(U,V). En l se definen las siguientes operaciones:
l. Suma de aplicaciones lineales
Sean f y g dos aplicaciones lineales de U en V de matrices asociadas F y G res-
pectivamente, entonces la aplicacin U + g) definida de U en V por
U + g)(x) = f(x)+ g(x) VXE U .
es una aplicacin lineal de matriz asociada (F + G).
Hay que observar que F y G tienen que estar definidas sobre las mismas bases.
11. Producto de un escalar por una aplicacin lineal
Sean a E R Y f una aplicacin lineal de U en V de matriz asociada F, entonces la
aplicacin (af) definida de U en V por
(af)(x) = af(x) VXE U
es una aplicacin lineal de matriz asociada aF.
Esto significa que si dim U = n y dim V = m, la aplicacin
'Jf : Rom (U,V) ---7 M(m,n)
satisface: 'JfU + g ) = F + G = 'JfU) + 'Jf( g) y 'Jf(af) = uF = a'JfU)
por lo que es una aplicacin lineal y como habamos visto que era una biyeccin es
un isomorfismo, por tanto:
dim Hom(U,V) = dim M(m,n) = dim U x dim V = n x m
111. Composicin de aplicaciones lineales.
94
Sea f una aplicacin lineal de U en V de matriz asociada FBB' y g otra aplicacin
lineal de V en W de matriz asociada GB'B", entonces la aplicacin (g 01) definida
de U en W por
U o g)(x) = g(f (x)) VXE U
es una aplicacin lineal de matriz asociada GB'B" .F
BB
,
os por
7. CAMBI O DE REPRESENTACI N MATRI CI AL CUANDO SE CAMBI AN
LAS BASES DE LOS ESPACI OS VECTORI ALES
Hemos visto como la matriz de una aplicacin lineal est determinada en funcin
de las bases elegidas. V eamos ahora como cambia dicha matriz cuando cambian las
bases elegidas.
G res-
Sea f: V
B
--7 V B' una aplicacin lineal de matriz asociada FBB"
Sea C otra base de V y P la matriz del cambio de base en V de C a B, por tanto:
s.
Sea C' otra base de V y sea Q la matriz del cambio de base en V de C' a B' , por
tanto:
ncesla
Tenemos que calcular ahora la expresin de la matriz de la aplicacin f en las
nuevas bases C y C' . Partimos de la expresin matricial de f en las bases B y B' que
es:
Sustituyendo ()i)B' Y ( X)B por las expresiones obtenidas,
Por ser QC'B' la matriz de un cambio de base es regular, entonces
ines
de donde la matriz de f en las bases C y C' es: Fcc =Q~~B,.FBB"PCB
Este razonamiento queda reflejado en el siguiente diagrama conmutativo.
f
cacin
V
B
>
V B'
finida
Pea I
FBB'
Q-'c,li
QC'B'
f
V
c
>
V C'
FcC'
95
Caso particular.
Si f es un endomorfismo: f: Da -7 Da de matriz asociada Fa Y en D se hace
un cambio de base pasando de la B a la B', siendo P la matriz del cambio de base de B'
a B, se tiene:
Las matrices Fa y Fa' se denominan semejantes.
Ejemplo 8
Dada la aplicacin lineal f de R
2
en R
3
tal que f(l , 2) = (1 , 1, 2) Y f(2, 3) = (2,
10, 1), se pide obtener:
a) La matri z de la aplicacin lineal f referida a las bases cannicas.
b)La matriz de la aplicacin f referida a las bases Bl = {(1, 1), (1, 3)} Y B
2
=
{(l , O, 1), (1, 1, O) , (O, O, 2)}.
a) Empezamos calculando las imgenes de los vectores de la base cannica por f
f(l , 2) = (1,1, 2) => f(1, O) + 2f(0, 1) = (1 , 1,2)
f(2, 3) = (2,10,1) => 2f(1, O) + 3f(0, 1) = (2,10,1)
Resolviendo el sistema se obtiene: f(1, O) = (1,17, -4) Y feO, 1) = (O, -S, 3) Y
consecuentemente la ecuacin matricial de f referida a las bases cannicas es:
[
~ : ) = [ I ~ _Os)( ;: l y la matriz pedida es: [ l ~ _Os)
Y
-4 3 -4 3
3 e
Tambin se puede partir de la ecuacin matricial de f en las bases dadas que es
se buscan las ecuaciones del cambio de base en R
2
96
X = a(1,2) + = y(l,O) + 8(0,1) =::} =::}
{
a+ = Y
= 8
y se sustituye en la ecuacin matricial
de donde se obtiene el resultado.
c) Buscamos las ecuaciones del cambio de base de B a C y B
2
a C.
DeBaC.
sustituyendo en la ecuacin matricial de a aplicacin f en las bases cannicas,
i =>
=> + i =>
97
(
-8
La matriz de la aplicacin lineal en las bases B 1 Y B2 es: F
B
B = 9
I 2
7/2
8 1
-7
-3/2
8. EJEMPLOS DE APLICACIONES LINEALES
98
(
cosa
A.I . La aplicacin lineal definida por la matriz
sena
cin de centro el origen de coordenadas y ngulo a.
-sena)
define una rota-
cosa
Sea \i(x, y) un vector de R
2
que en coordenadas polares se puede expresar
como \i(x, y) = (r r sen . Su transformado por la aplicacin lineal es:
(
X') =(cosa - sen a)(x) =(cosa - sen =
y' sen a cos a y sen a cos a r sen
- rsen = (rcos(a +
rcosasen
El transformado tiene el mismo mdulo y su argumento se ha incrementado en
a. Observa la figura.
v
A.2. La aplicacin lineal definida por la matriz [-0
1
~ ) define una simetra de eje
OY.
(X') (-1 0l)(Xy) __ (-yx)
Sea (x, y) un vector de R
2
, su transformado es: l y' = O l
v
v
A.3. La aplicacin lineal definida por la matriz (
1
O) define una simetra de eje
lO -1
OX.
2
, su transformado es: ( ~ : ) =( ~ 1 ) ( ~ ) =[ _Xy)
v
v'
A.4. La aplicacin lineal definida por la matriz [ ~ ~ ) define una simetra de eje
la bisectriz del primer y tercer cuadrante.
2
, su transformado es: [ ~ : ) = [ ~ ~ ) ( ~ )=[ )
99
v'
v
A.S. La aplicacin lineal definida por la matriz ( ~ ~ ) define una dilatacin (si
k> 1) o una contraccin (si O < k < 1) sobre el eje Ox.
Sea v(x, y) un vector de R
2
, su transformado es: (::) =( ~ ) ( : ) =( )
k>l O<k<l
v v'
v' v
A.6. La aplicacin lineal definida por la matriz (1 O) define una dilatacin (si
. O k
k> 1) o una contraccin (si O < k < 1) sobre el eje Oy.
Sea v(x, y) un vector de R
2
, su transformado es: (::) = ~ ~ ) ( : ) =( )
k>l O<k<l
v
v'
v
v'
100
A.7. La aplicacin lineal definida por la matriz define un desplazamiento
horizontal proporcional a la segunda coordenada. Observa que no es una tras-
lacin.
A.8. La aplicacin lineal definida por la matriz n define un desplazamiento
vertical proporcional a la primera coordenada. Observa que no es una trasla-
cin.
B.l. La aplicacin lineal definida por la matriz

rotacin de ngulo a alrededor del eje OX.
o
cosa
sena
Sea v(x, y, z) un vector de R
3
, su transformado es:
- al define una
cos a J

z' J O sen a cos a z J O sen a cos a r sen J
=[r cos acos r sen asen I =[rcos(: I
r sen a cos + r cos a sen J r sen( a + J
B.2. La aplicacin lineal definida por la matriz
[
cosa
-
rotacin de ngulo a alrededor del eje OY.
al define una
O cosa J
101
3
(
::]_(
z' -sena O cosa z -sena
o
1 O y =
O cosa
(

= =
rotacin de ngulo a alrededor del eje OZ.
-sena
cosa
o
define una
3
(
X'] (cosa -sena O](X] (cosa -sena
y' = sena cosa O y = sena cosa O =
z' O O 1 z O O 1 z
(
reos - rsen + a) I
= rsenacosB:rcosasen B = j
, ..
BA. La aplicacin lineal definida por la matriz

define la proyeccin
ortogonal sobre el plano XOY.

B.5. La aplicacin lineal definida por la matriz j define la proyeccin
ortogonal sobre el plano XOZ.
102
[
O ~ O ~ O ~ l
define la proyeccin
ortogonal sobre el plano YOZ.
B.7. La aplicacin lineal definida por la matriz [ ~ ~ ~ 1 define la simetra res-
O O -1
pecto del plano XOY.
[ ~
1 ~ O l O ~ l
define la simetra res-
pecto del plano XOZ.
[
- ~ 1 O ~ O ~ l define la simetra res-
pecto del plano YOZ.
EJERCICIOS
1. Probar que la proyeccin ortogonal de los vectores del espacio sobre los planos coor-
denados es una aplicacin lineal.
La proyeccin ortogonal sobre el plano coordenado formado por los dos primeros
vectores bsicos es:
2. Probar si la aplicacin
f: R
3
---7 R
3
(x!,x2'x
3
) ---7 (2x!,3x
2
,4x
3
)
es una aplicacin lineal.
103
3. Hallar la expresin matricial asociada a la aplicacin lineal f: R 3 --7 R 2 defini-
da por f(x
l
, x2'X
3
) = (XI +2x
2
, x
l
-2x
2
+3x
3
)
4. Hallar las ecuaciones paramtricas e implcitas del subespacio imagen de la aplica-
cin lineal del ejercicio anterior.
5. a) Estudiar si es aplicacin lineal, la aplicacin f: R
3
--7 R
3
definida por:
YI = x
3
Y2 =0
Y3 = X I
b) Si es aplicacin lineal hallar su ecuacin matricial y las ecuaciones paramtricas e
implcitas del subespacio imagen.
6. Dada la matriz
[ ~
1 - ~ 2 422)
hallar las expresiones de la aplicacin lineal
f: R
3
--7 R
3
asociada a ella.
7. Hallar las ecuaciones paramtricas e implcitas del subespacio imagen de la aplica-
cin lineal del ejercicio anterior.
8. Estudiar el ncleo de la aplicacin lineal f: R
3
--7 R
3
(dimensin, ecuaciones
implcitas y paramtricas) definida por
9. Calcula la dimensin del N(/) y de la 1m(/) siendo f la aplicacin lineal de R
3
en R
2
definida por f(xl'x2,x3)=(x" x
2
)
10. Clasificar la siguiente aplicacin lineal: f: R
2
--7 R
3
definida por
f(x,y) = (x+ y, x- y, 2x)
11 . Clasificar la siguiente aplicacin lineal: f : R
3
--7 R
3
definida por
f(x,y , z)=(x+2y, y+2z, z+2x)
104
12. Clasificar la siguiente aplicacin lineal: f : R
J
~ R
2
definida por
f(x"x
2
,x
J
)=(x
2
+X
J
' x
2
-XJ )
13. Clasificar la siguiente aplicacin lineal : f: R
J
~ R
J
definida por
Y
I
=-x
l
+3x
2
+2x
3
Y
2
= 2x
I
+ 3x
2
+ 2x
J
YJ = XI
14. Calcular una base del ncleo y de la imagen de la aplicacin lineal f de R
J
en R
2
de-
finidapor f(XI,X2,XJ)=(XI-2x2' x
2
-2x
l
)
15. Dadas las aplicaciones lineales f: R
2
~ R
2
Y g: R
2
~ R
J
definidas por
f(x,y) = (2x - 3y, 4x) y g(l,O) = (1, -1,1); g(l, 1) = (2, 0, O) se pide:
a) Determinar las matrices de las aplicaciones1, g, 31, f+g y gof
b) Clasificar dichas aplicaciones.
16. Sea f : R
3
~ R
4
una aplicacin lineal definida por las siguientes igualdades:
fi1, 0, O) = (l, 1,0, 1)
fiO, 1, O) = (-1, 2, 0, O)
fiO, 0, 1) = (O, 3, 0, 1)
Hallar la matriz defreferida a las bases B = {el, 2,1), (0,1,2), (O, 0, 1)} de R
3
y
. 4
B
2
= {(2, 1,0, 1), (O, 2, 0, O), (O, O, 1, O) , (O, 0, 0, 3)} de R .
17. Sea f: R
J
~ R
3
una aplicacin lineal definida por fix,y,z) = (-x + y + 2z, -z,
3y). Determinar:
a) La matriz de f respecto de l base B = {( -1, O, O), (O, 2, 1), (O, 0, -2)} Y las coor-
denadas del vectorfi-3, -1,1) respecto de dicha base.
b) La matriz de f respecto de las bases D = {(l, 1, 1), (O, 0, 3), (O, 2, -l)} Y
D' = {(l, -1, 1), (2, 1,3), (3, 0, 3)}
105
CAPTULO 5
ESPACIOS MTRICOS
CAPTULO 5. ESPACIOS MTRICOS
1. PRODUCTO ESCALAR
Definicin
En un espacio vectorial real V de dimensin finita, se denomina producto escalar
a toda aplicacin
f:VxV
(x, y)
que cumpla las siguientes condiciones:
R
- ~ ) f(x, y) = x.y
Bilineal (ai + 13Y)"Z = ex(x' z) + 13(y'z) Vx,y,ZEV y Vex,13ER
Simtrica X'y = y-x Vx, y E V
Definida positiva XX > O Vx E V con x::t O
Por tanto, un producto escalar es una forma bilineal simtrica definida positiva.
Definicin
Un espacio vectorial real con un producto escalar se denomina espacio mtrico o
eucldeo, que representaremos por (E, ' )
Propiedades.
l. O'x = O Vx E V
Es inmediata haciendo ex = 13 = O en la condicin de bilinealidad.
2. XX = O <=> X = O es decir, la forma es "no degenerada".
= Si XX = O => X = 6 por ser definida positiva.
<=) Si x = 6 => X'X = O por la propiedad l.
Ejemplo 1
Se considera en R
3
la forma definida por:
con x = (XI' X
2
' x
3
) e y = (YI' Y2' Y3) . Demostrar que es un producto escalar.
109
Hay que comprobar que es:
a) Bilineal
= fax
l
=
= (ax
l
+ )ZI + ax
2
+ - (ax
3
+ - Z3) + ax
l
+ + (ax
3
+ + Z3) =
=axlZ
I
+ax
2
- Z3) +(ax
l
+Z3) =
=axl Z
I
+(ax
2
-ax
3
)(Z2 -Z3)+(ax
l
+ax
3
)(ZI +Z3)+
+ + - - Z3) + + + z) =
= ex[XIZ
I
+ (X
2
- X
3
)(Z2 - Z3) + (XI + X
3
)(Z + Z3)] +
+(Y2 - Y3)(Z2 -Z3)+(YI + Y3))(ZI +Z3)] =
= exf(x, z) + z)
b) Simtrica
f(x, y) = xY
I
+ (x
2
-X
3
)(Y2 - Y3)+ (XI +x
3
)(Y + Y3) =
= Yx + (Y2 - Y3)(X
2
- x
3
) + (YI + Y3)(X + x
3
) = f(y,x)
c) Definida positiva
luego es un producto escalar.
Ejemplo 2
Se considera en R
3
la aplicacin lineal definida por: f(x, y) = XI Y2 + x
3
Y
Es un producto escalar?
Evidentemente no es un producto escalar puesto que es una forma no simtrica
110
2. EXPRESIN ANALTICA DEL PRODUCTO ESCALAR
Sean E un espacio mtrico de dimensin n, B = {ul' u
2
, , un } una base de E y
i = (XI ' X
2
, . , XII) e )i = (YI' Y 2 , ... , YII) dos vectores de E. Su producto escalar es:
i=1 j =1 . j=1
En forma matricial se puede escribir
gil gl2 ." glll] Yj

ij = (x x2 XII ~ ~ . ~ ~ . 2 ." ~ ~ : ' ~ . ~ = (i)' G()i)
gll gll 2 gllll Y
II
La matriz G = (g ij ) = (u' u j) es la matriz de Gram del producto escalar hallada
respecto de la base B.
As pues: El producto escalar queda determinado cuando se conocen los n
2
coeficientes u' u j de la matriz de Gram.
Propiedades
1. G es simtrica.
2. G es invertible.
Por reduccin al absurdo.
Si G es singular en una base B, consideramos el endomorfismo g asociado a G en esa
base.
111
Por ser singular la matriz G ~ g no es inyectivo ~ 3x::f. O/ g(x) = O G(x)= (6)
~ (x)' G(x) = O ~ xx = O lo que contradice la condicin de ser definida positiva.
3. Los elementos de la diagonal principal de G son estrictamente positivos.
Ejemplo 3
a) Calcular la matriz de Gram del producto escalar definido en el ejemplo l.
b) Calcular (1,2, -1).(0,1,2)
a) Para obtener la matriz de Gram, hay que calcular los productos de los vectores
bsicos, que son: \ =(1, O, O),
2
= (0, 1, O) Y
3
=(0, 0,1).
gil = \'\ =(1, O, 0)'(1, O, O) = 1.1 + 0.0 + 1.1 = 2
glz = gZI = \'
2
= (1, O, 0)'(0,1, O) = 1.0 + 0.1 + 1.0 = O
gl3 = g31 = \ '
3
= (1, O, 0)'(0, 0,1) = 1.0 + 0.(-1) + 1.1 = 1
gZ2 =
2
'
2
=(0, 1,0)' (0,1, O) = 0.0 + 1.1 + 0.0 = 1
g23 = g32=
2
'
3
=(0, 1,0)'(0,0, 1)=0.0+ 1.(-1)+0.1 =-1
g33 =
3
'
3
=(0, 0,1)'(0, 0,1) = 0.0 + (-1) .(-1) + 1.1 = 2
la mat,;z de Gmm ,esulta se' G [ ~ 1 ~ 1)
y la expresin matricial del producto escalar es:
112
que coincide con el que se obtiene a partir de la definicin
(1,2, -1)'(0,1,2) = 1.0 + 3.(-1) + 0.2 =-3
3. NORMA DE UN VECTOR. DISTANCIAS
Definicin
Se denomina norma de un vector x al nmero real positivo +.Ji-i. Se
representa por Ilxll.
Tambin se suele llamar longitud del vector X.
Propiedades
2. IIAiII = IAI.ll xll
'dxE E Y 'dA E R
3. Ley del paralelogramo: La suma de los cuadrados de las longitudes de las diagonales
de un paralelogramo es igual a la suma de los cuadrados de sus cuatro lados.
La demostracin de estas tres propiedades es inmediata.
4. Desigualdad de Cauchy-Schwartz:
'dx,jiEE
adems, Ix.yl = Ilxlllljill <=> x, ji son linealmente dependientes.
Demostracin
a) Si x = 6 es evidente, entonces supongamos que x ::f- 6
Consideramos el vector Ai + ji , entonces:
113
la ecuacin de 2 grado en A:
discriminante menor o igual a cero.
tiene que tener su
b) Si X, Y son linealmente dependientes <=> :lA/M + Y = 6 <=> (M + y)2 = O para
ese valor de A <=> el discriminante de A
2
X2 + 2M'y + y2 = O ser nulo <=>
<=> (X'y)2 = X2 y2 <=> IX'yl = l/ xl/ I/yl/
5. Desigualdad de Minkowsky:
l/x + yl/ ~ l/xl/ + I/yl/ Vx, y E E
adems, l/ x + yl/ = l/xl/ + I/ yl/ <=> x, y son linealmente dependientes
Demostracin
Es una consecuencia de la desigualdad de Cauchy-Schwartz
l/x + yl/2 = (x + y)2 = X2 +2x.y+ y2 ~ X2 +21/xl/I/yl/+ y2 = ~ I x l / + I / Y l / Y =>
=> l/x + yl/ ~ l/xl/ + I/yl/
6. I/x- yl/ ~ I I/ xl/- I/yl/ I Vx,y E E
adems, l/ x - yl/ = l/ xl/ - I/ yl/ <=> x, y son linealmente dependientes
La demostracin es como la de Minkowsky.
Definicin
Se denomina distancia entre los vectores x e y al nmero real positivo l/ x - yl/. Se
representa por d(x, y) .
Propiedades
1. d(x, y) = d( y, x)
2. d(x, y) = d(x + z, y + z)
114
3. d(Ai, Ay) = IAI d(x, y)
4. Desigualdad triangular: d(x, y) ::; d(x, z) + d(y, z) Vx,y,z E E
Demostracin.
Es un caso particular de la desigualdad de Minkowsky
d(x, y) = Ilx - yll = Ilx - z + Z - yll::; Ilx - zll + Ilz - yll = d(x, z) + d(y, z)
Ejemplo 4
a) Calcula la expresin de la norma de un vector en el espacio mtrico definido en
el ejemplo anterior.
b) Calcula la norma del vector (1,3,0).
c) Calcula la distancia entre los vectores (2,1,3) y (3,4,1).
c) x-y=(-I,-3,2) => y- x=(1,3, -2)
~ 1 1 ~ l=+m
2 -2
4. NGULO DE DOS VECTORES. ORTOGONALIDAD
Sean X, Y E E . La desigualdad de Cauchy-Schwartz se puede escribir de la forma:
-llxll.IIYII ::; x.y ::; Ilxll.IIYII Vx, y E E
115
.,
Si adems x =1= 6 e y =1= O se tiene: 1
< xy < 1
- -llxllIIYII-
por tanto existir un nico nmero real aE [O,n] que sea solucin de la ecuacin
xy
cos a = Ilxll.IIYII
Definicin
Se llama ngulo entre los vectores x =1= 6 e y =1= 6 al nmero real aE [O,n] que
satisface
xy
cos a = Ilxll.IIYII
"
Se representa por (x.y)
Definicin
- -
Dos vectores x =1= O e y =1= O se dicen ortogonales o perpendiculares si su
producto escalar es cero. Se representan por x 1- y
_ _ _" _ n
Observa que x 1- y {::> (xy) =-
2
Ejemplo 5
Calcula el ngulo que forman los vectores (2, 1, 3) Y (3, 4, 1) del espacio mtrico
definido en el ejemplo 1.
(2,1,3)(3,4,1) = (2 1 3H JI 20
11(2,1,3)11 = 3)(2, 1, 3) = + (2 1 3H JI El = +53
116
20
cosa = .J33J34 == 0,6
5. SUBESPACIOS ORTOGONALES
Definicin
Un sistema S de vectores de un espacio mtrico E se dice ortogonal si todo vector
de S es ortogonal a todos los dems de S.
Definicin
Dos subespacios de un espacio mtrico E, S 1 Y S2 se dicen ortogonales si todo
vector de S 1 es ortogonal a todo vector de S2.
Proposicin
Sea S un subconjunto de vectores de un espacio mtrico E, entonces, el
subconjunto
(vectores de E que son ortogonales a todos los vectores de S) es un subespacio vectorial
de Eque se denomina subespacio ortogonal de S.
Demostracin
Sean x,yE Sl y ZE S
Proposicin
Todo sistema de vectores, no nulos, ortogonal es linealmente independiente.
Demostracin.
Sea S = {VI> v
2
'oo., V p }un sistema de vectores ortogonal. Supongamos que uno de
ellos, por ejemplo el VI' es combinacin lineal de los otros
117
con lo que se llega a una contradiccin.
La recproca de esta propiedad no es cierta. Por ejemplo:
En E
2
con el producto escalar (xI' x
2
)-(Y" Y
2
) = xIY, + X
2
Y
2
, el sistema de vectores
{(l ,0), (l ,1)} es linealmente independiente y sin embargo no es ortogonal.
(1,0)'(1,1) = 17:0
Proposicin. (Teorema de Pitgoras)
Si x e ji son dos vectores perpendiculares, entonces
Demostracin
puesto que x' ji = O
Ejemplo 6
Probar si los subespacios SI = <(l, 2, O), (O, 1,2 y S2 = 1, O, O), (O, 1, O, del
espacio mtrico definido en el ejemplo 1, son ortogonales.
Se estudiar si los vectores que generan S2 son ortogonales a los que generan SI.
{
2 O 111J
(1, O, 0)'(1, 2, O) = (1 O O O 1 -1 2 = 2
1 -1 2 O
Por no ser ortogonales estos dos vectores, los subespacios S I Y S2 ya no son
ortogonales.
118
Si los subespacios no estn definidos por una base o un sistema generador, se puede
buscar una base y hacerlo como en este ejemplo. Tambin se puede hacer el estudio de
la ortogonalidad de dos subespacios partiendo de sus ecuaciones paramtricas, como
veremos en el siguiente ejemplo.
Ejemplo 7
Probar si los subespacios SI = {x E E/ 2x
I
+ x
2
+ x
3
= O, XI - x
3
= O} Y
S2 = {x E E / XI + x
2
- x
3
= O} son ortogonales con la mtrica definida en el ejemplo l.
XI =a
Ecuaciones paramtricas de S t: x
2
= - 3a
x
3
= a
XI = )..l-A
Ecuaciones paramtricas de S2: X
2
= A
X
3
=)..l
puesto que depende de a, A y )..llos subespacios no son ortogonales.
Ejemplo 8
En el espacio mtrico definido en el ejemplo 1, calcula el subespacio ortogonal al
vector (1,3, -1).
El subespacio ortogonal al vector (1, 3, -1) es el conjunto de vectores que cumplen
la condicin:
(x, y, ,)(1, 3, -1) = (x, y, ' ) [ ~ ~ l ~ l iJ O :;
119
, I
,1
El subespacio ortogonal al vector (1, 3, -1) es el de ecuacin implcita
x + 4 Y 4z = O Y por lo tanto su dimensin es 2.
6. ORTOGONALIZACIN DE GRAM-SCHMIDT
Definicin
Un vector x E E se dice unitario si \\x\\ = 1
Propiedad
Si x E E es tal que x:f:. O, existe un escalar a = I ~ I I tal que Z = aX es unitario en
la direccin y sentido de x.
Observacin
Sea E un espacio mtrico de dimensin n y B = {VI' v
2
, , VII} un sistema ortogonal.
De las proposiciones estudiadas anteriormente se deduce que B es un sistema libre
y por tanto una base de E. Si definimos ahora los vectores z = I I ~ : 11' i = 1, 2, ... , n que
son unitarios, el sistema B'={ZpZ2, ... ,ZJ es una base ortogonal formada por vectores
unitarios.
Definicin
Sea E un espacio mtrico de dimensin n. Una base B de E, se dice que es
ortonormal o mtrica si B es una base ortogonal y todos sus vectores son unitarios.
Teorema de Schmidt
Dado un sistema de vectores S de un espacio mtrico E de dimensin finita, se
puede obtener otro sistema S' orto normal equivalente a S.
Este teorema se particulariza a una base:
Dada una base B de E, se puede obtener otra B' orto normal de E.
120
Demostracin
Sea B = {VI' V
2
,,,., VJ. Por simplicidad se elegirn los vectores ordenados por sus
subndices.
Elijo VI Y defino u
l
= 11;: 11' El sistema {u
l
} es un sistema ortonormal equivalente
a {VI}'
a) U'2 ':F O porque u
l
y v
2
son linealmente independientes.
Tomo el u
2
= I I ~ : : I I que es unitario. El sistema {Ul'uJ es un sistema ortonormal
equivalente al {v/, v
2
} porque son dos vectores linealmente independientes del
subespacio < VI' v
2
>.
a) U'3 ':F 6 porque u
l
' U
2
y V
3
son linealmente independientes.
Tomo el u
3
= I I ~ : : I I que es unitario. El sistema {UI'U
2
,uJ es un sistema ortonormal
equivalente al {VI' v
2
' v
3
} porque son tres vectores linealmente independientes del
subespacio < VI' v
2
' v
3
>.
As seguiramos hasta haber elegido los n vectores de la base B.
Ejemplo 9
Se considera el espacio R
3
con la mtrica definida en el ejemplo 1. Hallar una base
ortonormal a partir de la base B = {(O, 2, O), (O, 1, - 1), (1, 1, 1)}.
121
. ,
. '.
, I
Sean: VI = (O, 2, O), V
2
= (O, 1, -1) Y V
3
= (1, 1, 1)
defino l = = 1(0, 2, 0)= (0,1, O).
=(0,1, -1)-2(0,1,0)=(0, -1, -1)
O 1 101
1 - 1 - 1 = 1 , entonces
-1 2 -1
2
= (0,-1,-1)
=(1.L 1)+ I IH 1, 0)+ IH -1, -1)=
=(1,1,1)-0(0,1,0)-(-2)(0, -1, -1)=(1, -1, -1)
122
11"" 11' = (1 -1 - I {
3
=(1,-1,-1)
O 1 1 1 1 1 - 1 - 1 = 1 , entonces
-1 2 -1
La base ortonormal es: B' = {(O, 1, O), (O, -1, -1), (1, -1, -1)}.
7. EXPRESIONES ANALTICAS REFERIDAS A UNA BASE MTRICA U
ORTONORMAL.
Sea E un espacio mtrico y B = {el ,e
2
, ... ,e,,} una base ortonormal o mtrica de E.
La matriz de Gram referida a esta bases la matriz unidad puesto que
{
l si i = j
gij = O . . . , entonces:
SI l 7:. ]
x.y = (x x2 oo.
y"
XY +X2Y2+"'+
X
"Y"
cosa = -;=============--:::.= ==========
/ 22 2/22 2
"I/X +X2 +"'+Xn "I/Y +Y2+"'+Y"
EJERCICIOS
l . Se considera en R
2
la forma definida por
........
Dembstrar que es un producto escalar.
2. Se considera en R
3
la forma definida por:
........
f (x, y) = xY + X
2
Y2 + X
3
Y3
demostrar que es un producto escalar.
3. Se considera el espacio de los polinomios con coeficientes reales de grado menor o
igual que 3. Demostrar que la aplicacin
P(X) x P(x) -7 R
(p(x), q(x)) -7
es un producto escalar.
123
4. Calcula la matriz de Gram, la expresin matricial del producto escalar y el producto
escalar de los vectores (2,-1), (3,4) del producto escalar del ejercicio 1.
escalar de los vectores (1,0,- 3), (3,2,1) del producto escalar del ejercicio 2.
escalar de los vectores (1,2,0,0), (0,1,1,1) del producto escalar del ejercicio 3.
7. Calcula la norma del vector (1,4,-3) y la distancia entre los vectores (1,0,-2) y
(3,1,4) en el espacio mtrico definido en el ejercicio 2.
8. Calcula el ngulo que forman los vectores (1,0,-2) y (3,1,4) del espacio mtrico
definido en el ejercicio 2.
9. Probar si los subespacios SI = 1,1,0), (1,3,0 y S2 = 0,0,5), (- 3,3,0 del
espacio mtrico definido en el ejercicio 2 son ortogonales.
10. Se considera el espacio mtrico definido en el ejercicio 2. Calcular una base
ortonormal o mtrica a partir de la base B = {(1, 1,0), (0,1,1), (1,0,1)} .
.... .... ....
11 . Sea E3 un espacio vectorial real y B = { u, u
2
' u
3
} una base del mismo. Definimos
una forma bilineal simtrica sobre E por las condiciones:
-t -t -t -t -t -t
f(ul'u) = f(U
2
,U
2
) = f(U
3
,U
3
) = 1
-t -t -t -4
f(ul'u
2
) = f(ul'u
3
) =
.... ....
a) Calcular la matriz de la forma bilineal simtrica!
........
b) Determinar el nmero f (x, y), siendo:
c) Estudiar sifes un producto escalar.
124
12. En el espacio R
2
se considera la forma cuadrtica definida por la igualdad:
Demostrar que se trata de un producto escalar.
-> ->
13. Sea f(x,y)=(x,-2x
2
)(y,-2Y2)+X
2
Y2+(X
2
+X
3
)(Y2 +Y3 ) una aplicacin
definida en el espacio vectorial R
3
Justificar que se trata de un producto escalar y
obtener una base ortonormal a partir de la base cannica de dicho espacio mtrico.
-+ -+
14. Sea f(x,y) = x,y, -2X' Y2 -2x
2
y, +5X
2
Y2 una aplicacin definida en el espacio
vectorial R
2
Justificar que se trata de un producto escalar.
-+ -+
15. Se define en R
2
el producto escal ar
Calcular:
f(x, y) = x,y, - 2X'Y2 - 2x
2
y, + 5X
2
Y2'
a) La matriz de Gram correspondiente a este producto escalar.
b) Las ecuaciones paramtricas del subespacio ortogonal al vector 0, 1).
c) La distancia entre los vectores (1 , 1) Y (3, 3).
16. En R
3
se considera el producto escalar definido por:
Se pide calcular:
a) La matriz de Gram de este producto.
b) Una base del subespacio de los vectores ortogonales al (2, 1, O)
17. En R
3
se considera el producto escalar
a) Calcula su matriz de Gram.
b) Estudia si los subespacios SI = <(1, 1, O), (O, 1, 1 y
125
CAPTULO 6
DIAGONALlZACIN DE
ENDOMORFISMOS
El escalar A
l.
propio X .
Anlogamente
Definicin
Un escalar A
tal que
j .
(:
1 ,
El vector x
propio A.
Definicin
El conjunto I
por cr(j ). As:
1. VALORES Pl
Seafun ende
Definicin
Un vector X I
A tal que
Ejemplo 1
Sea
La matriz as
CAPTULO 6. DIAGONALlZACIN DE ENDOMORFISMOS
1. VALORES PROPIOS y VECTORES PROPIOS
Seafun endomorfismo definido en un espacio vectorial R
n
.
Definicin
Un vector x E R
n
, X =f. 6, es un vector propio o autovector de I si existe un escalar
A tal que
f(x) = AX
El escalar A se dice que es un valor propio o autovalor de I asociado al vector
propio X.
Anlogamente
Definicin
Un escalar A es un valor propio o autovalor del si existe un vector x E R
n
, X =f. 6,
tal que
f(x) =AX
El vector x se dice que es un vector propio o autovector de I asociado al valor
propio A.
Definicin
El conjunto de todos los valores propios de I se llama espectro de I y se representa
por a(j). As:
a(f) = {valores propios de fl
Ejemplo 1
Sea
f: R
2
----7 R
2
(x, y) ----7 (2x + 3y, y)
La matriz asociada a este endomorfismo es M(f, e ) = ~ ~ )
129
a) el = (1,0) es un vector propio porque
f(el) =f(1,O) = (2,0) = 2(1,0) = 2e
l
o
El valor propio asociado a el es 2.
b) Elles un valor propio. Para que el 1 sea un valor propio tiene que suceder:
f(x, y) = (2x + 3y, y) = l(x, y) o
de donde
{
2X+ 3y = x} ~ {x == -3
Y
}
y=y y=y
Haciendo y = 1 se tiene el vector propio (-3,1) que es un vector propio asociado al
valor propio 1.
Observa que cualquier mltiplo del (-3,1) tambin es un vector propio de f asociado
al valor propio 1.
Proposicin
Si x es un vector propio de f asociado a un valor propio A entonces cualquier
mltiplo de x tambin es un vector propio de f asociado a A.
Demostracin
Si x es un vector propio defasociado a A se tiene que f(x) = Ai.
Veamos que a x tambin es un vector propio de f asociado a A
f( ai) = af(x) = a(Ai) = f...( ai)
Proposicin
Si x e ji son dos vectores propios de f asociados a un mismo valor propio A,
entonces x + ji tambin es un vector propio de f asociado a A.
130
CAPTULO 6. DlAGONALlZACN DE ENDOMORFISMOS
Demostracin
f(x + y) = f(x) + f(y) = AX + Ay = A(X + y)
Proposicin
Cada vector propio de f tiene asociado un nico valor propio. Sin embargo, cada
valor propio de f no tiene asociado un nico vector propio.
Demostracin
Supongamos que x tiene asociados dos valores propios A y ..L. Entonces:
pues x:;tO
Vamos a buscar el conjunto de vectores propios asociados a un valor propio A, es
decir, buscamos los vectores
por tanto:
X E R n - ~ } / f (x) = AX <=? X E R n - ~ } / f (x) - AX = O <=?
<=? XE R n - {O}/ f(x) -Ai(x) = O <=? X E R n -{O}/(f -Ai)(x) = O <=?
<=? x E R n - ~ }/ x E N (f - Ai)
{vectores propios asociados a A}= N(f - Ai) - ~ }
i representa el endomorfismo identidad y N(j - Ai) es el ncleo del endomorfismo
f - Ai (recuerda que es un subespacio vectorial).
Definicin
Al subespacio vectorial N(j - Ai) se le llama sub espacio propio asociado a A. Se
representa por VeA).
As: VeA) = {vectores propios asociados a A ms el O }= N(f - Ai)
131
Observacin
Si f tiene matriz asociada A, entonces la matriz asociada af - Ai es A - Al. (1 es la
matriz unidad de la misma dimensin que A).
Proposicin
A es un valor propio def <=> f - Ai no es inyectivo.
Demostracin
Si A es un valor propio de f <=> 3X E R n-v}/ f (x) = AX <=>
<=> 3x E R n - p}/ f (x) - AX = 6 <=> 3x E R n - p}/ f (x) - A i (x) = 6 <=>
<=> 3X E R n - p }/(f - Ai)(x) = 6 <=> 3X E R n - p}/ x E N(f - Ai) <=>
<=> N (f - Ai) =t- 6 <=> (f - Ai) no es inyectivo.
Como consecuencia de las proposiciones anteriores, se tiene la siguiente
Proposicin
Una combinacin lineal de vectores propios asociados a A es 6 o un vector propio
asociado a A.
Proposicin
Si Al Y A2 son dos valores propios distintos del, entonces V(Al) n V(A2) = {6 }
Demostracin
Es consecuencia de que un vector propio tiene asociado un nico valor propio.
Proposicin
Si Al, A2, ... , Ar son valores propios distintos de f y xl' x
2
, , x
r
son vectores
"propios de f asociados a Al. A2, ... , Ar respectivamente, entonces el sistema
{ xl' x
2
, ... , x
r
} es linealmente independiente.
Demostracin
132
Supongamos que sean linealmente dependientes, entonces
3a =t- O / u)x) + U
2
X
2
+ ... + urx
r
" = 6 (1)
CAPTULO 6. DIAGONALIZACIN DE ENDOMORFlSMOS
Por otra parte:
f(a,x, +a
2
x
2
+ ... +arxr)=f(O)=O ~
~ aJ(x,)+a
2
f(x
2
)+ .. +aJ(x
r
)=O ~
~ a/",x, + a)"2X2 + ... + a)"rXr = O
De (1) y (2) se deduce que
en contra de la hiptesis de que los valores propios eran distintos.
Proposicin
(2)
Si A, A2, ... , Ar son valores propios distintos defy consideramos sus subespacios
propios asociados V(A), V(A2), ... , V(A
r
), entonces su suma es suma directa.
Como consecuencia se tiene que si Bl es base de V(Al)
B
2
es base de V(A2)
B U B
2
U ... U Br es un sistema libre y base de V(A) + V(A2) + ... + V(A
r
).
Esta proposicin da lugar al siguiente
Teorema
Sea R n, B = {v" V 2"'" V
n
} una base de R
n
y f un endomorfismo definido en R n de
matriz asociada y referida a esta base M. Entonces M es diagonal si y slo si cada uno
de los vectores de B es vector propio de f
Este teorema se puede enunciar de la siguiente forma: La matriz de un
endomorfismo f de R
n
es diagonalizable si y slo si f tiene n vectores propios
linealmente independientes.
133
2. CLCULO DE LOS VALORES Y DE LOS VECTORES PROPIOS Ejemplo 2
Seafun endomorfismo definido en un espacio vectorial R
n
.
Hemos visto que:
Seaf el (
valores propic
de
* Polinomio
Pf(X
l
= [ '
+{;
= (1
A es un valor propio def ~f -Ai no es inyectivo ~ det(f - Ai) = O
Como el determinante de un endomorfismo coincide con el determinante
cualquiera de sus matrices asociadas, si la matriz asociada a f es A, se tiene:
A es un valor propio def ~ lA - AII =O
Por tanto los valores propios def son las races reales de la ecuacin lA - AII =O
Definicin
Se llama polinomio caracterstico de un endomorfismo f al polinomio
p (x ) =det(f - x i) =[A - xII =
a"n -x
a
ll1
a
ll2
Definicin
Se llama ecuacin caracterstica de un endomorfismo f a la ecuacin polinmica
* Ecuacin (
Sus soluc
* Espectro e
Observaciones
Sifes un endomorfismo de R
n
, * Subespaci
a) Su polinomio caracterstico es de grado n y por tanto f tiene a lo sumo n
valores propios distintos.
b) Si A es un valor propio def => A es raz de PJ(x ) => PJ(x ) es divisible por
x - A => el polinomio caracterstico se puede expresar como PJ(x ) = (x - A)P
Q(x ) donde Q(x ) no es divisible por X-A.
V(1 ) :
Al nmero natural p se le llama multiplicidad del valor propio A.
134
CAPTULO 6. DlA GONALlZA C/6N DE ENDOMORF/SMOS
Ejemplo 2
Sea f el endomorfismo de R' tal que M( f, e ) = [ ~ ~ -:2
~ l Calcular sus
valores propios y los subespacios propios asociados.
:;: Polinomio caracterstico.
o 2 O
-x 1 O
=
1 -2-x O
O O l-x
2
1 = (1- xX- x2(2+ x)+ 2+ x)= (1- xX2 + xX1- X2)=
-2-x
= (1- xY(2+ xXI + x)= (x -1y(x + 2Xx+ 1)
* Ecuacin caracterstica:
(x _1)2 (x + 2)(x + 1) = O
Sus soluciones son: 1 (doble o con grado de multiplicidad 2), -1 Y -2.
* Espectro de f: a(j) = {l, -1, -2}
:;: Subespacio propio asociado a A = 1.
V (1) = N U - i) = E R 4 fU - i)x = 6}=
[
O O
4 1 O
= XE R f
O 1
O O
135
=2,3,1,0), (0,0,0,1 es su envoltura lineal.
+ ER' E ~l -:3~ g H ~ ] I=
-X I +2x3 =O}
= xE R 4 / X I - X
2
+X
3
: =como slo hay 21inealmente independientes
x2 -3x3 -
{
4 - X I +2x3 =O}
= x E R / _ =son sus ecuaciones implcitas
x2 -3x3 - Resolviendc
I
X I =2a]
x
2
=3a
= X E R 4 / =son sus ecuaciones paramtricas
x
3
=a
X
4
=~
Resolviendo el sistema que determinan las ecuaciones implcitas se obtiene:
Dando al pa
Dando a los parmetros los valores (a= 1, ~= O) Y (a= 0, ~= 1) obtenemos una
base, por tanto:
=-2,
* Subespa:
* Subespacio propio asociado a A =-1.
V(-2)
V( -1 ) = N(f +i) = ~E R 4 /(f +i)x = 6} =
[ ~
2
~ H ~

~ ]
~ }[ ~ ]
= XE
XE R
4
1 1
=
1 -2
1

O
+ E
+ ER' ~

2
~ nH ~ ll=
1 1
1 -1

136
CAPTULO 6.DIAGONALlZAC/6N DE ENDOMORFISMOS
I
Xl +2x
3
=O ]
4 Xl +X
2
+X
3
=O
= X E R / _ =como slo hay 3lineal mente independientes
X
2
-X
3
- O
2x
4
= 0
ntes
{
Xl +2X 3 =O]
= X E R 4/ X
2
- X
3
=O =son sus ecuaciones implcitas
2x
4
= 0
I
Xl =-2a]
X =a
= X E R 4 / 2 =son sus ecuaciones paramtricas
x
3
=a
x
4
=O
Dando al parmetro un valor (a= 1) obtenemos una base, por tanto:
emos una
= -2,1,1,0 es su envoltura lineal.
* Subespacio propio asociado a A = -2.
V( -2) = N(f +2i) = ~E R 4 /(f +2i)x = 6} =
[ ~
O 2
~ l+{t
O O
~ l
~ }[ ~ l
XE R
4
O 1 1 O
= =
1 -2 O 1
O O O O
+ ER' {~
O 2
~ nH ~ lI=
2 1
1 O
O O
137
Ejemplo 3
) =( :
O
~J . Calcular sus valores
Seaf el endomorfismo de R
3
tal que M(f, e 1
-7 1
propios y los subespacios propios asociados.
li t
* Polinornio caracterstico.
P/e
x
) =[ :
O
~J -{~
O
0J 5-x
O 1
1 1 O = 1 1-x O
=
-7 1 O 1 -7 1 -x
I
X
I
=-a.l
x = 0
=. x E R 4 / 2 = son sus ecuaciones paramtricas
x
3
=a.
x
4
= 0
Dando al parmetro un valor (a.= 1) obtenemos una base, por tanto:
=-1,0,1 ,O es su envoltura lineal.
=-x(1- x)(5- x) + 1+ 7(1- x) = _x
3
+ 6x
2
-12x+ 8= por Ruffini
* Ecuacin caracterstica: (x-2? =O
ftiene un slo valor propio que es el 2 de orden de multiplicidad 3.
* Espectro de f: cr(f) = {2}
138
* Subespacio p:
V(2) = r-
Resolviendo
Dando al par
=<(1,1,
Ejemplo 4
Sea! el en
valores propios
CAPTULO 6. D/AGONALlZAC/6N DE ENDOMORFlSMOS
* Subespacio propio asociado a A = 2.
V(2) = NU -2i) = E R
3
fU -2i)x = 6}=
= x E R 3 f XI - X
2
= O = como slo hay 2 linealmente independientes

3xI + x3 = o)
- 7 XI + X
2
- 2x
3
= O
= x E R f = son sus ecuaciones implcitas
{
3 3xI + X 3 = O}
XI - X
2
= O
x-a ,)
= x E R 3 f ~ : a = son sus ecuaciones paramtricas
x
3
= -3a
Dando al parmetro un valor (a = 1) obtenemos una base, por tanto:
= 1,1,-3 es su envoltura lineal.
Ejemplo 4
Sea f el endomorfismo de R' tal que M( J, e ) = ~ i 1
valores propios y los subespacios propios asociados.
-1/2\
3 2 J' Calcular sus
139
* Polinomio caracterstico.

1
-
112
1 f
O
0J -x
-1/2
1 3/2 - O 1 O = O l-x 3/2
=
-1 O O O 1 1 - 1 -x
'" Ecuacin caracterstica: (x - 1)(x2 + 2) = O
tiene una sola solucin real que es 1 y adems es simple, es decir de orden de
multiplicidad uno.
* Espectro de f: a(j) = {1}
'" Subespacio propio asociado a A = 1.
V(-l) = NU -i) = R
4
/U -i)x = 6}=
= como slo hay 2 linealmente independientes
= x E R 3 / I 2 = son sus ecuaciones implcitas
{
X -x = O}
x
3
=0
{
XI = aj
= x E R 3 / x
2
= a = son sus ecuaciones paramtricas
x
3
= O
140
CAPTULO 6. DIAGONAL/ZACIN DE ENDOMORFISMOS
Dando al parmetro un valor (a = 1) obtenemos una base, por tanto:
= <(1,1,0 es su envoltura lineal.
En los ejemplos anteriores se observa la siguiente
Propiedad
Sea f un endomorfismo de Rn. Si A es un valor propio de f de multiplicidad p se
verifica que:
a) 1 ::; dim VeA) ::; p
b) dim VeA) = dim N(f - Ai) = n - dim Im(f - Ai) = n - rang(A - Ai)
donde A es la matriz asociada al endomorfismo f
3. ENDOMORFISMOS y MATRICES DIAGONALIZABLES
Recordamos del ejemplo 2 que
y que
V(l) = 2,3,1,0),(0,0,0,1
V(-l) = -2,1,1,0
V(-2) = <(1,0, -1,0
Bl = {(2,3,1,0),(0,0,0,1)} es una base de V(l)
B
2
= {(-2,1,1,0)} es una base de V(-l)
B3 = {(l,0, -1,0)} es una base de V(-2)
Como V(1) + V(-l) + V(-2) es suma directa, el sistema
B = Bl U B
2
U B3 = {(2,3,1,0),(0,0,0,l),(-2,1,1,0),(1,0, -1,0)}
es un sistema libre que est formado por cuatro vectores propios y como estamos en R
4
implica que es una base de R
4

141
La matriz del endomorfismo f referida a esta base es:
M(f, B) = [~ ~ ~ 1 ~ 1
O O -O -2
que es diagonal, y es sta porque si llamamos u , u
2
' u
3
y , a los vectores de la base B
se tiene que
f(u ) = u = lu +OU
2
+OU
3
+OU
4
f (u
2
) = u
2
= Ou +lU
2
+OU
3
+OU
4
f(u
3
) = -u
3
= Ou +OU
2
-lu
3
+OU
4
f (u
4
) = -2u
4
= Ou +OU
2
+OU
3
- 2u
4
Por tanto, la razn por la que la matriz M(!, B) es diagonal es que la base elegida
est formada por vectores propios.
Basndonos en este ejemplo hacemos la siguiente teora:
Seafun endomorfismo de R",
Definicin
Se dice que f es diagonalizable si existe una base B de R
n
tal que su matriz
asociada M(I. B) es diagonal.
Definicin
Se dice que una matriz A E Mn(R) es diagonalizable si su endomorfismo asociado
es diagonalizable. Es decir, si existe una matriz P E Mn(R) tal que p-
1
A P es diagonal.
Recuerda.
R
n
B
R
n
B
A
t PBll t P
Bll
RnB'
R
n
B
,
A'
142
y que la matriz)
la matriz A.
Teorema
f es diagon
existen n vecton
Demostracin
= [ es
M(f, B) =
luego ii.,u
2
'
propios de!
c=) Si existe un;
=>M(f,I
cAPlrULO 6. D/AGONALIZAC/6N DE ENDOMORFISMOS
y que la matriz P tiene por columnas los vectores propios del endomorfismo asociado a
la matriz A.
Teorema
! es diagonalizable <=> existe una base de R
n
formada por vectores propios de! <=>
existen n vectores propios linealmente independientes.
Demostracin
= ! es diagonalizable => Existe una base B = { u, U
2
, . , Un } tal que
[
di
O d
2
M(f,B) = . ~ .
O
O
. ~ . 1 , esto significa que
d
n
!(u)=du
!(u
2
) = d
2
u
2
luego u , u
2
' ... , U" son vectores propios de! => B es una base formada por vectores
propios def
~ ) Si existe una base B = {u, u
2
' , u,. } de R n formada por vectores propios de! =>
!(u) = du
!(u
2
) = d
2
u
2
. ~ . ] que es diagonal => ! es diagonalizable.
d,.
143
f es diagonalizable <=> Plx) = (-I)"(X -AI)"I(X -A2)"2 . . . (x- Ar)"r donde n, =
dim V(A)
Teorema
Seafun endomorfismo de R" y cr(j) = {Al, 11.
2
, ... , Ar} , entonces:
Ejemplo 5
a) Estudiar si el endomorfismo
es diagonalizable.
Recuerda,
luego rang
dimV(
Consecuem
b) Al no ser di
Ejemplo 6
b) En el caso de que sea diagonalizable, encontrar una matriz P que lo diagonalice.
a) Estud
a) La matriz del endomorfismo es A = [~ ~ -~
1
)
El polinomio caracterstico es
PJ (x) =[ ~ ~ ~1)_x(~ ~ ~) =I~X '.
023 0010 2
-1
1 =
3-x
=_x
3
+4x
2
+3x-18= por Ruffini = -(x+ 2)(x - 3)2
La ecuacin caracterstica es (x+2)(x- 3)2 =O
Los valores propios son -2 y 3 que tiene multiplicidad dos.
El espectro def es cr(j) = {- 2, 3}
[
-2
dim V(3) = 3 - dim Im(f - 31) = 3 - rang(A - 31) = 3 - rang ~
144
b)Enelc
a) El polinom
La ecuaci
Los valore
El espectn
dim V(1:
2
-J
- 3
luego A ni
2
b) Al no ser (
CAPTULO 6. DIA GONALlZA cl6N DE ENDOMORFlSMOS
Recuerda el clculo del rango de una matriz por Gauss
luego rang(A - 31) = 2. Por tanto:
dim V(3) = 3 - 2 = 1 :f. 2 (orden de multiplicidad del 3)
Consecuentemente f no es diagonalizable.
b) Al no ser diagonalizable no existe la matriz P.
Ejemplo 6
a) Estudia"i1a matriz A = [ ~
o O]
lOes diagonalizable.
3 2
b) En el caso de que sea diagonalizable, encontrar una matriz P que la diagonalice.
a) El polinomio caracterstico es
l-x O O
p(x) = 1 l-x O = (1-x) 2(2-x)
2 3 2-x
La ecuacin caracterstica es (1- x/ (2 - x) = O
Los valores propios son 1 (doble) y 2.
El espectro de fes <J(f) = {l, 2}
[
O O
dim V(1) = 3 - rang 1 O
2 3
luego A no es diagonalizable.
~ ] = 3 - 2 = l * 2 (oeden de multiplicidad del 1)
b) Al no ser diagonalizable no existe la matriz P.
145
Ejemplo 7
al Estudiar si la matriz A = ( ~
o 1]
1 - 2 es diagonalizable.
O 2
1-x O 1
p(x)= O 1-x -2 =(1-x)2(2-x)
O O 2-x
La ecuacin caracterstica es (1- x) 2 (2 - x) = O
Los valores propios son 1 (doble) y 2.
El espectro de fes cr(f) = {1, 2}
(
O O
dim V (1) = 3 - rang O O
O O
-:2] = 3 - l = 2( orden de multiplicidad del 1)
diin V(2) = 1 (orden de multiplicidad del 2 'porque 1 :s; dim VeA) :s; orden de
multiplicidad de A)
luego A es diagonalizable.
b) Al ser diagonalizable, existe la matriz P que la diagonaliza. Para calcularla hay que
obtener una base de R
3
cuyos vectores sean vectores propios.
Calculamos una base del sub espacio propio asociado al A = 1.
Una base de V(l) es Bl = {(1, O, O), (0,1, O)}
146
CAPTULO 6. DIAGONALlZAC/6N DE ENDOMORF/SMOS
Calculamos una base del sub espacio propio asociado al A = 2.
Una base de V(2) es B
2
= {(1, -2, 1)}
Por tanto una base de R
3
formada por vectores propios es B = BI U B
2
Y la matriz P
que diagonaliza a la matriz A es:
[
1 O 1]
P= O 1 - 2
O O 1
[
1 O O)
verificndose que p-I AP = O 1. O .
O O 2
Observa que si el orden de los vectores propios de la base B hubiera sido otro, se
hubiera obtenido otra matriz P y por tanto otra matriz P- IAP diagonal. Sin embargo,
esta matriz diagonal siempre tendr en su diagonal principal dos unos y un dos, que
corresponden a los valores propios de A.
Ejemplo 8
. [1 3 O) .
a) Estudiar si la matriz A = ~ ~ ~ ~ 1 es diagonalizable.
1-x
PI (x) = 3
O
3 O
- 2 - x -1 = (1- x)(x + 4)(x - 3)
- 1 1- x
147
La ecuacin caracterstica es (1- x)(x + 4)(x - 3) =
Los valores propios son 1, 3 Y -4 todos ellos simples.
El espectro de f es cr(f) = {1, 3, -4}
A es diagonalizable porque todos sus valores propios son simples.
b) Al ser diagonalizable, existe la matriz P que la diagonaliza. Para calcularla hay que
obtener una base de R
3
cuyos vectores sean vectores propios.
Calculamos una base del subespacio propio asociado al A = 1.
Una base de V(1) es B = {(l, 0, 3)}
Calculamos una base del subespacio propio asociado al A = 3.
= {x E R
3
/2x - 3x
2
= 0, 3x - 5x
2
- x
3
= 0, x
2
+ 2x
3
= O} =
Una base de V(3) es B
2
= {(3, 2, -1)}
Calculamos una base del subespacio propio asociado al A = -4.
= {x E R
3
/5x + 3x
2
= 0, 3x + 2x
2
- x
3
= 0, x
2
- 5x
3
= O} =
148
CAPTULO 6. DIAGONALlZACI6N DE ENDOMORFISMOS
Una base de V(-4) es B3 = {(3, -5, -l)}
Por tanto una base de R
3
formada por vectores propios es B = B 1 U B
2
U B3 Y la
matriz P que diagonaliza a la matriz A es:
[
1 O O;
verificndose que p-
I
AP = O 3 O .
O O -4
Observa que si el orden de los vectores propios de la base B hubiera sido otro, se
hubiera obtenido otra matriz P y por tanto otra matriz P-1AP diagonal. Sin embargo,
esta matriz diagonal siempre tendr en su diagonal principal un uno, un tres y un
menos cuatro, que corresponden a los valores propios de A.
4. DIAGONALIZACIN DE MATRICES SIMTRICAS
Las matrices reales simtricas tienen unas propiedades muy importantes. En esta
pregunta veremos que cualquier matriz real simtrica de orden n, tiene n vectores
propios linealmente independientes y por lo tanto, como se ha visto anteriormente, es
diagonalizable.
En primer lugar enunciaremos el siguiente teorema que admitiremos sin demostra-
cin.
Teorema
Si A es una matriz real simtrica, todos sus valores propios son reales.
En la primera pregunta de este tema se vio que los vectores propios de una matriz A
asociados a valores propios diferentes eran linealmente independientes. Pues para las
matrices reales simtricas este resultado es an mas fuerte y nos dice que los vectores
propios de una matriz real simtrica correspondientes a valores propios diferentes son
ortogonales, es decir, su producto escalar es cero.
Antes de enunciar el siguiente teorema veremos la siguiente
149
Proposicin
Sea E es un espacio vectorial eucldeo de dimensin n, con producto escalar " y
cuyos vectores estn referidos a una base ortonormal. Si A es una matriz cuadrada de
orden n, se tiene que:
y
Demostracin
Si VI' v
2
= (v
2
v
22
v
2f1
)[::: 1 y si A es una matriz real cuadrada de orden n,
v
Iu
teniendo en cuenta las propiedades de las matrices transpuestas se verifica que:
Teorema
Si A es una matriz real simtrica, los subespacios propios asociados a sus valores
propios son ortogonales.
Teorema que esequivalente al:
Teorema
Si v y v
2
son dos vectores propios de una matriz real simtrica A, asociados a dos
valores propios diferentes Al y A
2
entonces VI y v
2
son ortogonales.
Demostracin
Consideraremos, sin prdida de generalidad, que los vectores estn referidos a una
base ortonormal.
Sean VI Y v
2
dos vectores propios correspondientes a los valores propios \ y A
2
de la matriz real simtrica A.
150
CAPTULO 6. DIA GONALlZA C/6N DE ENDOMORF/SMOS
Teniendo en cuenta la proposicin anterior, se tiene que:
Como VI es un vector propio asociado a Al y V
2
es un vector propio asociado a
1.
2
, de la expresin anterior, se deduce que
Ahora enunciaremos el teorema principal de esta pregunta, cuya demostracin,
dada su dificultad, omitiremos.
Teorema
Toda matriz real simtrica es diagonalizable.
De este teorema se sigue que la multiplicidad de cada valor propio de una matriz
real simtrica A coincide con la dimensin del subespacio propio asociado. Adems si A
es de dimensin n, el espacio vectorial euclideo E tiene una base formada por n vectores
propios ortonormales de A, que se obtienen mediante la ortonormalizaci6n de Gram-
Schmidt, y la matriz P cuyas columnas son las coordenadas de los vectores de esa base
es una matriz ortogonal que diagonal iza a A.
Recuerda que una matriz es ortogonal si A -1 = A' o equivalentemente si sus
vectores filas o columnas forman un sistema de vectores orto normales con el producto
escalar euclideo.
Estas observaciones nos conducen a la definicin de matriz diagonalizable
ortogonalmente y al siguiente teorema.
Definicin
Una matriz A cuadrada de orden n es diagonalizable ortogonalmente si existe una
matriz ortogonal P tal que
P' AP=D
donde D es una matriz diagonal, siendo los elementos de la diagonal los valores propios
deA.
Teorema
Si A es una matriz real cuadrada de dimensin n, entonces A es diagonaliz:able
ortogonalmente s y slo si A es simtrica.
151
~) Si A es diagonalizable ortogonalmente, existe una matriz ortogonal P tal que
P'AP=D.
Demostracin
Calculamos a
Multiplicando por P a la izquierda, por i a la derecha y sabiendo que P'p =PP' =
1 , se tiene A =PDP' .
(
4 -4 2
- 4 4 - 2
2 -2 1
<=) Si A es simtrica, por el teorema anterior, es diagonalizable ortogonalmente.
de donde una bas:
Yuna base d,
l. Calcular una base de cada subespacio propio asociado a los valores propios de A.
2. Obtener una base orto normal de cada subespacio propio mediante el proceso de
Gram-Schmidt.
(
-5 -4 2'
-4 -5 -2
2 -2-8
Por las propiedades de las matrices transpuestas se tiene que
Al = (PDP')' (PI)I DIp
l
= PD' p
l
=: A
lo que prueba que A es simtrica.
de donde una bas
El procedimiento para encontrar la matriz ortogonal P que diagonaliza a una matriz
A es:
Observa que
Ejemplo 9
Calcula una matriz ortogonal P que diagonalice alamatriz A =( -:4
diagonaliza ortog
3, La matriz P es la matriz que tiene por columnas los vectores propios
orto normales obtenidos en el paso anterior.
Ortonorrnali:
Del vector (1,
y del vector (O, 1,
por tanto una bas
Calculamos el polinomio caracterstico de A:
1- A - 4 2
- 4 1- A - 2 =- x
3
+27x+54
2 - 2 - 2- A
yla base de
Del vector (2
de donde se deduce que su espectro es {-3, 6} siendo el - 3 doble.
por tanto una bas
152
CAPTULO 6. DlAGONALlZACl6N DE ENDOMORFISMOS
Calculamos ahora una base del subespacio propio asociado al - 3:
de donde una base de V(- 3) es: {(1, O, -2),(0, 1, 2)}
y una base del subespacio propio asociado al 6:
-4 -5 -2 y-O ~
[
-5 -4 2][X]_[0] {5X+4Y-2Z=0
x+y=O
2 -2 - 8 Z
de donde una base de V(6) es: {(2, - 2, 1)}
j
x = 2a
~ y = -2a
z=a
Observa que la matriz [ ~ ~ _22] diagonaliza a la matria A, pero no la
-2 2 1
diagonaliza ortogonalmente.
Ortonormalizamos por el mtodo de Gram-Schmidt la base de V(- 3):
(
1 -21
Del vector (1, O, - 2) obtenemos el vector .J5 ' O, .J5 )
(
4 5 2 J
y del vector (O, 1, 2) obtenemos el vector ~ , ~ , ~
3",5 3",5 3",5
por tanto una base ortonormal de V(- 3) es: {( ]s, O, -.Ji} 3 ~ ' 3 ~ ' 31 J}
Y la base de V(6):
Del vector (2, - 2, 1) obtenemos el vector -, -, -
(
2 -2 1)
333
por tanto una base ortonormal de V(6) es: { ( ~ , -3
2
, )}
153
As, la matriz ortogonal pedida es: P =
1 4 2
.J5 3.J5 3
5 -2
O 3.J5 3
-2 2 1
.J5 3.J5 3
Es ortogonal porque pp' = p' p = 1 Y diagonaliza ortogonalmente a la matriz A
po,que p' AP = -:3 1
EJERCICIOS
1. Calcular el polinomio caracterstico, el espectro y los subespacios propios del
-> ->
endomorfismo definido en R
2
, respecto de la base {el'e
2
}, por:
-> -> -> -> -> ->
!(e)=2e-3e
2
; !(e
2
) = e-2e
2
2. Hallar el polinomio caracterstico, el espectro y los subespacios propios de la
matriz: A =
100
matriz: B
2 2 -3J
matriz: C = :
O 2 -2J
154
CAPTULO 6. DIA GONAL/ZA CIN DE ENDOMORFISMOS
D =
6. Hallar el polinomio caracterstico, los autovalores y los subespacios propios
correspondientes a los autovalores de la matriz: E =
O 1 O O
1 O O O
7. Hallar el polinomio caracterstico, los auto valores y los subespacios propios
correspondientes a los autovalores de la matriz: F = 1
O O O 3
O O 1 -2
8. Sea f el endomorfismo de R' , cuya asociada es: A = [7 l
a) Demostrar que f es diagonalizable.
b) Hallar una base de R
3
formada por autovectores de f
c) Obtener la matriz asociada a f en esta base.
9. Calcular los valores y vectores propios de la matriz: M =
- 2
Estudiar si es o no diagonalizable.
10. Dado el endomorfismo f de R
3
definido por:
f(x,y,z) = (3x+ y, -4x- y, 4x-8y-z)
Se pide: a) Obtener sus valores y vectores propios.
b) Es diagonalizable?
-1 -1]
1 -1
2 2
155
II . Estudiar si la matriz A = ( ~ 1 ~ -1
2
] es diagonalizable. En caso afirmativo
O 1 -1
calcular la matriz P que verifica que P-1AP es una matriz diagonal.
12. Estudiar si la matriz A = ( ~ -0
2
=;] es diagonalizable. En caso afirmativo
6 -2 -3
calcular la matriz P que la diagonal ice.
(
3 O O]
13. Estudiar si la matriz A = O O 1 es diagonalizable. En caso afirmativo calcular la
O O 2
matriz P que verifica que P-1AP es una matriz diagonal.
(
3 2 2]
14. Estudiar si la matriz A = 2 2 O es diagonalizable. En caso afirmativo calcular la
2 O 4
matriz ortogonal P que la diagonalice.
. [S 4 2]
15. Estudiar si la matriz A = 4 S 2 es diagonalizable. En caso afirmativo calcular la
222
matriz ortogonal P que la diagonalice.
156
SOLUCIONARlO
CAPTULO 1. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES
1. y =a;
3. x =a; z=y;
4. Sistema no homogneo compatible determinado. x = 3; Y = -1; z = O; t = O
5. Sistema no homogneo compatible indeterminado.
x = a; y z = -a - + 2; t = -a - - 1
6. Sistema no homogneo incompatible.
7. a)m:;t-2
b) No existen valores de m.
c) m =-1
d) No existen valores de m.
e) m = (2k - 8)/(8 - k)
f) m =-2
. a :;t 2, b cualquiera. Sistema no homogeneo compatible determinado.
2-2b a+4b-6 b-1
x=---- y = . z =---
a-2' a-2' a-2
8. a = 2, b = l. Sistema no homogeneo compatible indeterminado.
x = -2a; y = 4a + 1; z = a
a = 2,b:;t 1. Sistema no homogeneo incompatible.
a = l. Sistema no homogeneo compatible indeterminado. x = a; y z = 1- a -
9. a = -2. Sistema no homogeneo incompatible.
a :;t 1 Y a :;t -2. Sistema no homogeneo compatible determinado. x = y = z = __ 1_
a+2
157
APUNTES DE LA ASIGNATURA FUNDA!J1ENTOS MATEMTICOS DE LA INGENIERA: LGEBRA
{
a = -2. Sistema homogeneo compatible indeterminado. x = 2a; y = 4a; z = a
10.
a :f::. -2. Sistema homogeneo compatible determinado. x = y = z = O
11. a
{
a = O. Sistema homogeneo compatible determinado. x = y = z = O
a :f::. O. Sistema no homogeneo compatible determinado. x = y = z = "4
12.x-y-z =-1
13. x + y - z = 2
CAPTULO 2. MATRICES
1. a = -2; b = 3; c = O; d = 2
2. a = -2
3. No.
4. -
5. Simtricas.
A+B=[!
-1
- ~ ]
6. 6
O
7. A-B =(!
9
-11]
-8 -11
2 - 3
( ~
-9 11]
8. B - A =-(A-B)= - 1 8 11
-2 -2 3
9. a) 2A =(:
8
-14] (-9
- 15
12]
-2
- ~ O ; b) 3B = ~
21
19
8
;
2 - 3
158
SOLUCIONARIO
(
4 2 4)
10. a) A B = ; b) No se pueden multiplicar.
-9 20 19
11. AB =BA =[~
O O]
1 O . No.
O 1
[ -1
1
O) [-8
-2
18]
12.A-
1
=} -8 -1 3 ; B no tiene inversa; C-
1
= 7
1
0 6 -16
4 .
,
11 1 -3 12 3 8
D-' =fo
-7
: ]
-17
14 -11
14. a) X =C ~)
b) x=[~~ 1 ~ l
O O 1
c) -i= 2;y= -1;z= 4;t= 1
d) x= 2; y= -3; z= 2 e) X =(~ 2 ~ 1 ~ )
(
1 -1)
f) x 3 1/2
16. x= l; y= 3; z= -l
159
20. a) x= O; x=-1 b) x= 4; x=1 e) X =-5 d) X =-1/7
5. (-3,2,5)
6. (-1,3,7)
7. X =-1
8. Libre.
9. Ligado.
10. Si essiste
11.
X -2y +
12. Ninguna.
13. X -y - 5.
14. Si esbase
15. Noesbas
16. (-7, -7,3
17. Si porque
18. Si, por ej
19. Por ejemj
(
-11/4 -3/4)
17. X = ; No.
-3/2 -7/2
18. X =(~~)
19. a) 13; b) O; e) -28; d) O
21. a) -22.104; b) -3.960; e) -2; d) -18
22. (x+1)"
23.A=n!; B=n+ l
24. -
25. a) Sistema compatible determinado.
b) Sistema incompatible
e) Sistema compatible indeterminado
{
a = 2. Sistema compatible indeterminado.
26.
a ;f:. 2. Sistema compatible determinado.
27.-
28. No. Si la matriz A es cuadrada sedimensin m, laB puede ser de dimensin mxn, la
D tiene que ser dedimensin nxm.
CAP TULO 3. ESPACI OS VECTORI ALES
..
20. a) xB =(
1. -
2. -
..
21. a) xB =(
--+ -+ -+ ---+ --+ -+ -io -io -+ ---7 -+ ---7 ---7 ---7
4. a) x= + , y = a; b) x= 2a, y = O; e) x= 3a-4b, y = 5a-6b
160
SOLUCIONARIO
5. (-3,2,5) = (1,1,2) + (-2, 0,3) + (-2,1, O)
6. (-1,3,7) 7:- a(1, 0, O)+ ~(O, 1, O) Va, ~E R
7. x=-1
8. Libre.
9. Ligado.
10. Si es sistema generador.
11.
x-2y + z =
12. Ninguna.
13.
x-y - 5z =
14. Si es base.
15. No es base.
16. (-7, -7,3)
{
a+ 2~-Y =3
17. Si porque el sistema es compatible indeterminado.
a- ~ =5
18. Si, por ejemplo {(1,2,-3), (3,2,3), (-5,-2,-1)}
mxn, la
19. Por ejemplo {(2,3,-1), (1,0,0), (0,1,0)}
20. a); B = (512,-1,-112,5/2); b) [::] =[ 1~2
x
3
1/2
x
4
B -1/2
1/2
-112
112
112
1
-1/2
-112
-112] [ X l]
x
2
1/2 x
3
1/2 CB x4 C
21. a); B = (-14/3,-7,4/3,-8/3); b) [ ::] = [ ~:124
x
3
3/4
x
4
B' -5/4
-1/2
-1/2
1/2
1/2
-5/4
1/4
-7/4
1/2] [ X l] 514 x
2
-1/4 x
3
314 BB' x4 B
161
22. No es subespacio vectorial.
23. Si es subespacio vectorial.
ImpL
25. No es subespacio vectorial. Es el plano z =1 .
34. a) dimI
{
x =a
26. Paramtricas: y = 2a - ~. Implcitas: 4x- 2y - z =
z =2~
b) dim
{
x =a
27. Paramtricas: A. Implcitas: No tiene, es R2.
y =-a+ 2fJ
e) dim
imj
35. a) U )
suplem
b) (2,
e) (3, I
36. a) S.
b) (1, O
28. 3.
{
x+ y =
29. En implcitas
z =O
31. No es subespacio vectorial.
32. Una base de la suma es: {(0,0,1), (1,-1,0), (2,0,-1)} . a) La suma no es directa.
b) Los subespacios no son suplementarios.
!
x =a
b) Paramtricas de L +L
2
: y =~
z =y
t =4a-5~+ 2y
CAP TUL
1 .
Implcitas de L +L2: 4x- 5y +2z - t = 2. S es un;
!
x =a
y=a
Paramtricas de L nL
2
:
z =O
t =-a
3. (~ J=(
162
j
2X-2
Y
+ Z = O
Implcitas de Ll (\ L
2
: y + t = O
2x- y+ t = O
{
9X-19
Y
-llZ =0
34. a) dim (H) = 2. Ec. implcitas:
4x+16y-llt=0

b) dim (L) = 2. Ec. paramtricas:
z=a
t =
SOLUCIONARlO
c) dim (H (\ L) = O, Xl = X2 = X3 = X4 = O; dim (H + L) = 4, no tiene ecuaciones
implcitas.
35. a) U y V son suplementarios; U y W no son suplementarios; V y W no son
suplementarios.
b) (2, 1,2) = (1, O, 1) + (1, O, O) + (O, 1, 1). S es nica.
c) (3, O, 3) = 3(1, O, 1) + 0(1, O, O) + O (O, 1, 1). Esta descomposicin no es nica.
36. a) S.
. 217
b) (1, O, 1) = --(2, 3, 1) - -(0,1, 2) + - (1,1,1)
333
1.
2. S es una aplicacin lineal.
3. =( :
2
-2
163
{
YI=X
I
+2X
2
4. a) Paramtricas: __
Y
2
- XI 2x
2
+ 3x)
b) Implcitas: no tiene pues Im(f) = R
2

5. a) S es aplicacin lineal.
[
YI] [O O
b) Ec. matricial: Y
2
= O O
~ E ]
y) 1 O
{
YI = x)
Ec. paramtricas: Y
2
~ O
y) - XI
Ec. implcitas: Y
2
= O
[
YI] [1 -2 2][X
I
]
6. a) Ec. matricial: Y
2
= O 1 4 x
2
y) O 2 2 x)
{
YI = XI -2x
2
+2x)
b) Ec. paramtricas: Y2: x
2
+ 4x)
y) - 2x
2
+ 2x)
c) Ec. implcitas: no tiene pues Im(f) = R
2
.
{
YI = XI -2x
2
+2x)
7. a) Ec. paramtricas: Y2: x
2
+ 4x)
y) - 2x
2
+ 2x)
b) Ec. implcitas: no tiene pues Im(f) = R
2
.
8. a) dim N(f) =0
164
SOLUCIONARIO
X +X 2 - x ) =
b) Ec. implcitas: -x_+X
2
+x)_=
x x
2
+x) -
e) Ec. paramtricas: ;~: o (no tiene parmetro pues el sistema es compatible
x ) =0
determinado) .
9. dimN(f) = 0, dimIm(f) = 2.
10. Monomorfismo.
11. Isomorfismo.
12. Epimorfismo.
13. Endomorfismo. No es isomorfismo.
14. N(f) ={(O,0, O)} ,Base de1m(f) ={el, O),(O,l)}
(
6 -9)
3F = ; f +g no existe;
12
[
6 -3]
GF= 2 3
-2 -3
b)fy 3f son isomorfismos; g y g of son monomorfismos.
[ -1/2
-1/2
3~21
17/4 17/4
16.

5/3 5/3 1/3
[-1
-4
: } .1(-3,-1, 1)= (-4, -112,5/4),; b) [ ~
-3
-L]
17. a) ~
-112 -6
-13/4 1/2 -2/3 7
165
CAP TULO 5. ESPACI OS MTRI COS
5 G =(~
0J (1 1 y, J
1 ; x.y = (x, x2 x
3
) 1 Y2 ; (1,0,-3).(3,2,1) =
1 1 Y3
14. -
15. a) G =[ 1
-2
J
16.
a)G=(-:2
17.
a) G=(-:2
CAPTULO 6.
1.
Pr(x) =x
2
_
2. Pr(x) =(1-
<(1,0,-1,
3. Pr(x) =(1-
V(-l) =<(1
4. Pr(x) =(x-
V(2) =4,:
5. Pr(x) =(x -
1,0,3, \
6.
Pr(x) =(x
2
_
V(-l) =<(1
7. Pr(x) =x
4
+
V(-l) =<(1
8. Pr(x) =- x
3
autovalores
V(2) =4,
( -~4
O
-2
O
1. -
2.
3. -
[1 1/2 1/3 1/4] [ 1
1/2 1/3
1/41"]
1/2 1/3 1/4 1/5 __ 1/2 1/3 1/4
1/5 Y2 .
6. G = ' x = xxxx
1/3 1/4 1/5 1/6 ' .y (, 2 3 4) 1/3
1/4 1/5 1/ 6 Y3 '
1/4 1/5 1/6 1/7 1/4 1/5 1/6
1/7 Y4
(1,2,0,0).(0,1,1,1) =53/20
7. 110,4,-3)11=, J 26; d((1,0,-2),(3,1,4)) =.J 41
8. 2,02 rad.
9. No son ortogonales
{( 1 1 ) (-1 1 2) (1 -1 1)} 10.
. Ji' . Ji,0 , . J6'. J6'. J6 ' ..J 3' ..J 3' ..J 3
11. a)(~ ~ ~lJ ; b) !(x,y)= x,y,+(X
2
-X
3
)(Y2-Y3); c)Sesunproducto
-1 1
escalar.
12. S es un producto escalar.
13. S es un producto escalar, {(l,O,O){ ~' ~' O } [ 1:'] u , , ~ )}
166
SOLUCIONARIO
.;l
14. -
15. a) G =( 1
- 2) {X I = 3a J 8
; b) ; e) d(1, 1),(3, 3 = 8
-2 5 x
2
= a
')0=(-: 2
-2
~} b){ (1, O, O), (O, O, I)} 16. 5
O
...1
(1 -2
:} b) No son ortogonales, 17. a) G = -2 6
O 1
CAP TULO 6. DI AGONALI ZACI N DE ENDOMORFI SMOS
1. Pb) = x
2
-1; a(f) = {-1,1} ; V(-1) = <(1,-3, V(1) = <(1,-1
2. Pr(x) = (1 - x)(x
2
- 1); a(f) = {-1,1} , el 1tiene multiplicidad 2; V( -1) =
<(1,0,-1, V(1) =<(1,0,1),(0,1,0
3. Pr(x) = (1 - x)(1 +X)2; a(f) = {-1,1} ' el -1 tiene multiplicidad 2; V(1) = <(1,1,1,
V(-1) =<(1,0,1),(0,1,1
4. Pr(x) = (x- 2)(x
2
-1); a(f) = {-1,1,2} ; V(-1) = 5,1,2, V(1) = 9,3,2,
V(2) =4,2,1
5. Pr(x) = (x - l)(x - 3)(x +4); a(f) = {-4,1,3} ; V(-4) = 3, -5, -1, V(1) =
<(1,0,3, V(3) =3,2, -1
6. Pr(x) = (x
2
- 1)2; a(f) = {-1, 1} , ambos tienen multiplicidad 2;
V(-1) =<(1,0,0,-1),(0,1,-1,0, V(1) =1,0,0,1),(0,1,1,0
ucto
7. Pr(x) = x
4
+ x
3
-7x
2
- X +6; a(f) = {-3,-1,1,2} ; V(-3) = <(19,-17,10, -10,
V(-1) = 1,-1,0,0, V(1) = 21,69,-6, -2, V(2) = <(1,2,0,0
8. Pr(x) = - x
3
- 4x
2
+4x + 16; a(f) = {-4,-2,2} ; Es diagonalizable porque todos sus
autovalores tienen multiplicidad 1; V(-4) =<(l,-1,0, V(-2) =0,4,-1,
V(2) = 4, -4,1; Base {(l,-1,0), (0,4,-1), (4, -4,1)} ; Matriz en esa base
(
-0
4
_02 ~ I
O O 2J
167
9. P(x) = _x
3
+ 3x
2
- 4; O'(t) = {-1,2}, el2 tiene multiplicidad 2; V(-I) = <(1,1,0 ,
V(2) = <(1,1, - 3 ; No es diagonalizable.
10. P(x) = -(x + 1)(x - 1/; O'(t) = {-1, 1 }, el 1 tiene multiplicidad 2; V( -1) =
0,0,1 , V(1) = <(1, -2,10; No es diagonalizable.
11. S es diagonalizable. P = [;
1 1] [1 O O]
3 O; P-1AP = O 2 O
1 1 O O -1
12. S es diagonalizable. P = [
O 2] [1 O O]
-2 1 ; P-1AP = O 1 O
1 2 O O 2
13. S es diagonalizable. P =
O 1] [O O O]
1 O; p-
1
AP = O 2 O
2 O O O 3
14. S es diagonalizable. P = :]; p-
1
AP =
l 1l3 -2/3 2/3 O O
(
-11 F2 -113F2 2/31 [1 O O]
15. S es diagonalizable. P = 11 F2 -1I3F2 2/3; p-
1
AP = O 1 O
O 4/3F2 113 O O 10
168
ISBN 84-9705- 229-3
9 7884 52290
0228P02
U N IVERSI DJ.\D
POLITECN ICJ.\
DE VJ.\LENCIJ.\
EDITORIAL

Apuntes de Fundamento

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apuntes de Fundamento

Caricato da

Copyright:

Formati disponibili

VALENCIA

[a" a'2 a,,,][a,] a

15. Discutir si es o no base de R

gil gl2 ." glll] Yj

Potrebbero piacerti anche