Guión Álgebra I Etsi

MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
Leccion 1. Conicas y cuadricas.

Gui
on de la lecci
on.
1. Elipses, hip
erbolas y par
abolas.
Par
abola. Dada una recta L, llamada directriz, y un punto fijo F (no perteneciente a la recta), llamado foco, el conjunto de los puntos del plano que equidistan
de la recta L y del punto F se denomina parabola de foco F y directriz L.
Ecuaci
on de la par
abola. Se toma el sistema de referencia dado por:
eje OX , la recta que pasa por el foco F y es perpendicular a la directriz L;
origen del sistema de referencia, el punto O de dicha recta que equidista del
foco y de la directriz;
eje OY , la recta que pasa por O y es paralela a la directriz.
Si se denota la distancia del foco F a la directriz L por d(F, L) = p > 0 entonces
tenemos que, en este sistema de ejes,
p
p
F =
,0 y L x =
.
2
2
Ademas, un punto P = (x, y) pertenece a la parabola considerada si y solo si
y 2 = 2px
Observemos que esta parabola es simetrica respecto al eje OX que tiene de ecuacion y = 0.
Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez
Elementos notables de la par

abola.
- Eje de la parabola es la recta perpendicular a la directriz que pasa por el foco.
En este caso es el eje OX.
- Vertice es el punto de interseccion de la parabola con dicho eje. En este caso,
es el origen de coordenadas (0, 0).
Algunas variantes de la ecuaci
on de la par
abola.
- Si a esta parabola le efectuamos un giro de 180 grados, obtenemos una parabola
p
con vertice en (0, 0), con eje de simetra el eje OX, con foco Fe = ( , 0), con
2
p
e
directriz L x = y de ecuacion
2
y2 =
e = d(F, L).
2px con p = d(Fe, L)
- Si en vez de efectuarle un giro se le hace una traslacion de manera que el eje de

simetra tenga por ecuacion y = y su vertice sea el punto (, ) obtenemos otra
p
e x = p + y de ecuacion
parabola con foco Fe = ( + , ), con directriz L
2
2
(y
)2 = 2p (x
e = d(F, L).
con p = d(Fe, L)
- De forma analoga, si intercambiamos en todo momento los papeles de x e y,

obtenemos que una ecuacion del tipo
x2 = 2py
con p = d(F, L).
define una parabola con eje de simetra el eje OY y vertice el origen de coordenadas.
- Si a esta parabola le efectuamos un giro de 180 grados, obtenemosuna par
abola
p
con vertice en (0, 0), con eje de simetra el eje OY, con foco Fe = 0,
, con
2
e y = p y de ecuacion
directriz L
2
x2 =
2py
e = d(F, L).
con p = d(Fe, L)
- Si en vez de efectuarle un giro se le hace una traslacion de manera que el eje de

simetra tenga por ecuaci
) obtenemos otra
on px = y su vertice sea el punto (,
p
e
e
parabola con foco F = , +
, con directriz L y =
+ y de ecuacion
2
2
(x
)2 = 2p (y
e = d(F, L).
con p = d(Fe, L)
Matematicas I. Grado en Ingeniera en Tecnologas Industriales
Elipse. Se denomina elipse al conjunto de los puntos del plano cuya suma de
las distancias a dos puntos fijos F1 y F2 , que llamaremos focos de la elipse, es
constante. A esa constante se le suele denotar por 2a > 0 y debe ser mayor que
la distancia entre los focos.
Ecuaci
on de la elipse. Se toma el sistema de referencia dado por:
eje OX, la recta que une los focos F1 y F2 .
eje OY , la recta perpendicular al eje OX que pasa por el punto medio de los
focos;
origen O del sistema de referencia, dicho punto medio.
Si la distancia entre los focos se denota por d(F1 , F2 ) = 2c > 0 con c < a, tenemos
que en este sistema de referencia,
F1 = (c, 0) y F2 = ( c, 0).
Ademas, un punto P = (x, y) pertenece a la elipse considerada si y solo si
x2 y 2
+ 2 = 1 con b2 = a2
a2
b
Notemos que, en este caso b < a.
c2 .
El eje OX y el eje OY son ejes de simetra de dicha elipse, y por tanto, la

elipse es simetrica respecto del punto medio de los focos que se llama centro de
la elipse.
La circunferencia no es mas que un caso particular de la elipse, que se obtiene cuando los dos focos son un mismo punto que se denomina centro de la
circunferencia: si F1 = F2 tenemos que c = 0 y, por tanto, a = b.
Elementos notables de la elipse.

- Centro de la elipse es el punto medio de los focos. En este caso es el origen de
coordenadas (0, 0).
- Ejes de la elipse son dos: por un lado, la recta que une los dos focos y, por otro,
la recta perpendicular a esta que pasa por el centro. En este caso son, el eje OX
y el eje OY, respectivamente.
- Vertices son los puntos en los que los ejes cortan a la elipse. En este caso, los
puntos (a, 0) y (0, b).
- Semiejes de la elipse, son las distancias de los vertices al centro de la elipse. En
este caso, a y b.
on de la elipse.
- Si a esta elipse se le hace una traslacion de manera que los ejes de simetra sean
paralelos a los ejes coordenados y su centro sea el punto (, ) obtenemos otra
f1 = (c + , ) y F
f2 = ( c + , ) y de ecuacion
elipse con focos F
(x
)2
a2
)2
(y
b2
= 1 con b2 = a2
f1 , F
f2 ) = d(F1 , F2 )
c2 y 2c = d(F
- Si hacemos el mismo razonamiento que antes pero intercambiando en todo

momento los papeles de x e y, esto es tomando como eje OY el que contiene a
los focos, entonces obtenemos una ecuacion del tipo
x2 y 2
+ 2 = 1 con a2 = b2
a2
b
c2
que corresponde a una elipse con semiejes a y b con a < b.
Hip
erbola. Se denomina hiperbola al conjunto de los puntos del plano cuya
diferencia de las distancias a dos puntos fijos F1 y F2 , que llamaremos focos de
la hiperbola, es constante. A esa constante se le suele denotar por 2a > 0 y debe
ser menor que la distancia entre los focos.
Ecuaci
on de la hip
erbola. Se toma el sistema de referencia dado por:
eje OX, la recta que une los focos F1 y F2 ;
eje OY , la recta perpendicular al eje OX que pasa por el punto medio de los
focos;
origen O del sistema de referencia, tomamos dicho punto medio.
Si la distancia entre los focos se denota por d(F1 , F2 ) = 2c > 0 con a < c, tenemos
que en este sistema de referencia,
F1 = (c, 0) y F2 = ( c, 0).
Ademas, un punto P = (x, y) pertenece a la hiperbola considerada si y solo si
x2 y 2
= 1 con b2 = c2 a2 .
2
2
a
b
Notemos que el eje OX y el eje OY son ejes de simetra de dicha hiperbola,
y por tanto, la hiperbola es simetrica respecto del punto medio de los focos que
se llama centro de la hiperbola.
Elementos notables de la hip

erbola.
- Centro de la hiperbola es el punto medio de los focos. En este caso es el origen
de coordenadas (0, 0).
- Ejes de la hiperbola son dos: por un lado, la recta que une los dos focos y, por
otro, la recta perpendicular a esta que pasa por el centro. En este caso son, el eje
OX y el eje OY, respectivamente.
- Vertices son los puntos en los que los ejes cortan a la hiperbola. El eje que
contiene a los focos s corta a la hiperbola mientras que el otro eje no. En este
caso, los vertices son los puntos (a, 0).
- Semiejes de la hiperbola, son dos: por un lado, la distancia de los vertices al
centro de la elipse (en este caso a) y, por otro, el valor b > 0 tal que c2 = a2 + b2 .
- Asntotas son las rectas que pasan por el centro de la hiperbola y tienen de
b
pendientes m = . Se dice que la hiperbola es equilatera si sus dos semiejes son
a
iguales, es decir, a = b, o equivalentemente, si sus asntotas son perpendiculares
entre s.
on de la hip
erbola.
- Si a esta hiperbola se le hace una traslacion de manera que los ejes de simetra
sean paralelos a los ejes coordenados y su centro sea el punto (, ) obtenemos
f1 = (c + , ) y F
f2 = ( c + , ) y de ecuacion
otra hiperbola con focos F
(x
)2
(y
)2
f1 , F
f2 ) = d(F1 , F2 )
= 1 con b2 = c2 a2 y 2c = d(F
a2
b2
- Si hacemos el mismo razonamiento que antes pero intercambiando en todo
momento los papeles de x e y, esto es, tomando como eje OY el que contiene a
los focos, entonces obtenemos una ecuacion del tipo
x2 y 2
= 1 con a2 = c2 b2
a2
b2
que corresponde a una hiperbola con vertices (0, b) y que no corta al eje OX.
b
Sus asntotas tienen por pendiente m = .
a
Nota. La elipse, la hiperbola y la parabola son tambien llamadas secciones conicas

pues son curvas que se obtienen al seccionar un cono circular recto mediante un
plano (ver figuras). Mas concretamente,
(a) La hiperbola, se obtiene al cortar el cono con un plano que no pase por el
vertice y cuyo angulo de inclinacion respecto al eje del cono sea menor que el de
la generatriz del cono.
(b) La parabola, se obtiene al cortar el cono con un plano que no pase por el
vertice y sea paralelo a una generatriz.
(c) La elipse, se obtiene al cortar el cono con un plano que no pase por el
vertice y cuyo angulo de inclinacion respecto al eje del cono sea mayor que el de
la generatriz del cono. La circunferencia se obtiene como un caso particular de
elipse si cortamos con un plano perpendicular al eje del cono.
2. C
onicas.
C
onica. Una conica es el lugar geometrico de los puntos del plano cuyas coordenadas (x, y) verifican una ecuacion de segundo grado del tipo
a11 x2 + a22 y 2 + 2a12 xy + 2a1 x + 2a2 y + a0 = 0.
Las parabolas, elipses e hiperbolas son casos particulares. Pero tambien estan las
llamadas conicas degeneradas:
Un par de rectas que se cortan en un punto. Por ejemplo: x2 y 2 = 0, esto
es, x = y.
Un par de rectas paralelas. Por ejemplo: x2 4 = 0, esto es, x = 4.
Un par de rectas coincidentes. Por ejemplo: x2 = 0, esto es, x = 0 dos veces.
Un u
nico punto. Por ejemplo: x2 + y 2 = 0, esto es, (x, y) = (0, 0).
El vaco. Por ejemplo x2 + y 2 + 1 = 0.
Reducci
on de la ecuaci
on de una c
onica sin t
ermino cruzado. En particular aquellas ecuaciones de segundo grado sin termino en xy (esto es, con
a12 = 0) corresponden a conicas cuyas ecuaciones pueden reducirse completando
cuadrados y realizando una traslacion a uno de los siguientes tipos de ecuaciones:
AX 2 + BY 2 + C = 0,
AX 2 + BY + C = 0,
donde los coeficientes de los terminos de grado dos son no nulos. Estas ecuaciones se denominan ecuaciones reducidas de la conica o ecuaciones de la conica
referidas a sus ejes.
C
onica tipo elptico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY 2 + C = 0,
con los coeficientes A y B del mismo signo. Llegamos a uno de los tres casos
siguientes, dependiendo del signo de C:
Si C tiene distinto signo que el de A y B, entonces obtenemos una elipse.
Si C tiene el mismo signo que el de A y B, entonces obtenemos el vaco.
Si C = 0, entonces obtenemos un punto.
C
onica tipo hiperb
olico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY 2 + C = 0,
con los coeficientes A y B de distinto signo. Llegamos a uno de los dos casos
siguientes, dependiendo de C:
Si C 6= 0, entonces obtenemos una hiperbola.
Si C = 0, entonces obtenemos un par de rectas secantes.
C
onica tipo parab
olico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY + C = 0.
Llegamos a uno de los dos casos siguientes, dependiendo de B y de C:
Si B 6= 0, entonces obtenemos una parabola.
Si B = 0 y C tiene el mismo signo que A, entonces obtenemos el vaco.
Si B = 0 y C tiene distinto signo que A, entonces obtenemos un par de rectas
paralelas.
Si B = C = 0, entonces obtenemos una recta.
3. Cu
adricas.
Cu
adrica. Una cuadrica es una superficie formada por todos los puntos del
espacio cuyas coordenadas (x, y, z) verifican una ecuacion de segundo grado del
tipo
a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz + 2a1 x + 2a2 y + 2a3 z + a0 = 0.
Reducci
on de la ecuaci
on de una cu
adrica sin t
erminos cruzados. En
particular aquellas ecuaciones de segundo grado sin terminos cruzados pueden
reducirse completando cuadrados y realizando una traslacion a uno de los siguientes tipos de ecuaciones:
AX 2 + BY 2 + CZ 2 + D = 0,
AX 2 + BY 2 + CZ + D = 0,
AX 2 + BY + CZ + D = 0,
donde los coeficientes de los terminos de grado dos son no nulos. Estas ecuaciones
se denominan ecuaciones reducidas de la cuadrica.
Cu
adrica tipo elipsoide. Los elipsoides se obtienen cuando, una vez completado cuadrados, aparecen las tres variables elevadas al cuadrado y con los tres
coeficientes del mismo signo. Llegamos a uno de los tres casos siguientes, dependiendo del signo del segundo termino:
8
< 1
2
2
2
X
Y
Z
0 con a, b, c 6= 0
+ 2 + 2 =
:
a2
b
c
1
Caso 1. Elipsoide real. La ecuacion
X2 Y 2 Z2
+ 2 + 2 = 1
a2
b
c
(+) (+) (+) = (+)
corresponde a un elipsoide real . Sus elementos notables son:
Centro del elipsoide, que en este caso es el origen de coordenadas y es un punto
de simetra.
Ejes del elipsoide, que en este caso son los tres ejes coordenados.
Vertices, que son los puntos de corte del elipsoide con sus ejes. En este caso,
son los puntos (a, 0, 0), (0, b, 0), y (0, 0, c).
Semiejes, que son las distancias del centro a los vertices.
Elipsoide real
10
Caso 2: Un punto. La ecuacion

X2 Y 2 Z2
+ 2 + 2 = 0
a2
b
c
(+) (+) (+) = (0)
corresponde a un u
nico punto, es este caso, el (X, Y, Z) = (0, 0, 0).
Caso 3: Vaco. La ecuacion
X2 Y 2 Z2
+ 2 + 2 =
1
a2
b
c
(+) (+) (+) = ( )
no tiene solucion real y no corresponde a ninguna superficie real.
Cu
adrica tipo hiperboloide. Los hiperboloides se obtienen cuando, una vez
completado cuadrados, aparecen las tres variables elevadas al cuadrado pero NO
todos los coeficientes son del mismo signo. Llegamos a uno de los tres casos
siguientes, dependiendo del signo del segundo termino:
8
< 1
2
2
2
Y
Z
X
0 con a, b, c 6= 0
+
=
:
a2
b2
c2
1
Caso 1: Hiperboloide hiperbolico o de una hoja. La ecuacion
X2 Y 2 Z2
+ 2
= 1
a2
b
c2
(+) (+) ( ) = (+)
corresponde a un hiperboloide hiperbolico o hiperboloide de una hoja. Sus elementos notables son:
Centro del hiperboloide, que en este caso es el origen de coordenadas y es un
punto de simetra.
Eje del hiperboloide, que en este caso es el eje OZ {x = 0, y = 0}.
Hiperboloide de una hoja
11
Caso 2: Hiperboloide elptico o de dos hojas. La ecuacion

X2 Y 2 Z2
+ 2
=
1
a2
b
c2
(+) (+) ( ) = ( )
corresponde a un hiperboloide elptico o hiperboloide de dos hojas.
Sus elementos notables son:
Centro del hiperboloide, que en este caso es el origen de coordenadas y es un
punto de simetra.
Eje del hiperboloide, que en este caso es el eje OZ {x = 0, y = 0}.
Sus vertices (puntos de interseccion de la superficie con su eje), que en este caso
son los puntos (0, 0, c).
Hiperboloide de dos hojas
Caso 3: Cono. La ecuacion

X2 Y 2 Z2
+ 2
= 0
a2
b
c2
(+) (+) ( ) = (0)
corresponde a un cono. Se puede considerar como un caso lmite o degenerado
entre los dos tipos de hiperboloides que acabamos de describir. Sus elementos
notables son:
Eje del cono, que en este caso es el eje OZ {x = 0, y = 0}.
Vertice (punto de corte de la superficie con su eje) que en este caso es el origen
de coordenadas y es un punto de simetra.
12
Cono
Cu
adrica tipo paraboloide. Los paraboloides se obtienen cuando, una vez
completado cuadrados, dos de las variables aparecen elevadas al cuadrado y la
tercera no aparece elevada al cuadrado. Llegamos a uno de los dos casos siguientes:
2
X
Y2
X
Y2
Z=
+ 2
o Z=
.
a2
b
a2
b2
Caso 1: Paraboloide elptico. La ecuacion
2
X
Y2
(los coeficientes de las variables elevadas
Z=
+ 2
2
al cuadrado son de igual signo)
a
b
corresponde a un paraboloide elptico. Sus elementos notables son:
Eje del paraboloide, que en este caso es el eje OZ {x = 0, y = 0}.
Vertice (punto de corte del paraboloide con su eje) que en este caso es el origen
de coordenadas.
Paraboloide elptico
Caso 2: Paraboloide hiperbolico. La ecuacion
2
X
Y2
(los coeficientes de las variables elevadas
Z=
2
2
al cuadrado son de distinto signo)
a
b
13
corresponde a un paraboloide hiperbolico. Sus elementos notables son:

Eje del paraboloide, que en este caso es el eje OZ {x = 0, y = 0}.
Vertice (punto de corte del paraboloide con su eje) que en este caso es el origen
de coordenadas.
Paraboloide hiperbolico
Cilindros. Los cilindros se obtienen cuando, una vez completado cuadrados,
alguna de las variables no aparece en la ecuacion o, a
un apareciendo las tres
variables, solo hay una de ellas elevada al cuadrado. Un cilindro puede entenderse
como una conica desplazada a lo largo de todo un eje.
Caso 1: Una de las variables no aparece. Dependiendo de las otras dos variables
se pueden obtener distintos cilindros: cilindros elpticos, cilindros hiperbolicos y
cilindros parabolicos. Estos tipos incluyen los casos degenerados. Por ejemplo,
X2 Y 2
(a) los puntos (X, Y, Z) que satisfacen 2 + 2 = 1 y Z toma cualquier valor,
a
b
corresponde a un cilindro elptico;
X2
Y2
(b) los puntos (X, Y, Z) que satisfacen 2
= 1 y Z toma cualquier
a
b2
valor, corresponde a un cilindro hiperbolico;
(c) los puntos (X, Y, Z) que satisfacen Z 2 = 2pY y X toma cualquier valor,
corresponde a un cilindro parabolico, etc.
Cilindro elptico
Cilindro hiperbolico
Cilindro parabolico
14
Caso 2: Dos variables de grado uno y una de grado dos. En este caso se obtiene un
cilindro parabolico en el que la recta que contiene a los vertices de las parabolas
no es paralela a ninguno de los ejes coordenados.
15
Ejercicios.
Ejercicio 1. Expresa la ecuacion 2y 2 + 4y + 3x + 7 = 0 en la forma
(y
)2 = 2p(x
).
Determina el vertice, el foco, la directriz y el eje de simetra de la parabola. Haz

la representacion grafica.
Ejercicio 2. Encuentra razonadamente la ecuacionde la parabola que tiene su
vertice en el punto V = ( 1, 1) y su foco en F = ( 2, 1). Halla la ecuacion de su
recta directriz. Hacer un dibujo esquematico de la conica.
Ejercicio 3. Halla la ecuacion de la parabola de eje horizontal que tiene por foco
el punto F = ( 2, 3) y pasa por el punto ( 1, 3).
Ejercicio 4. Representa 4x2 + y 2 8x + 4y + 4 = 0 obteniendo focos, centro,
ejes, vertices y semiejes de la elipse.
Ejercicio 5. Halla la ecuacion de la elipse que pasa por el punto P = (3, 2)
y tiene por focos los puntos F1 = (4, 2) y F2 = ( 2, 2). Determina sus puntos
notables y dib
ujala.
Ejercicio 6. Representa la hiperbola 9x2 y 2 + 9x + 3y + 1 = 0 obteniendo su
centro, sus ejes de simetra, sus focos y sus asntotas.
Ejercicio 7. Halla la ecuacion de la hiperbola que tiene por vertices los puntos
(1, 2) y (1, 6), y pasa por el punto (3, 8).
Ejercicio 8. Calcula la ecuacion, los elementos notables y la grafica de la hiperbola que verifica que sus focos estan en la recta x = 1, la distancia entre los vertices
es 6 y una de sus asntotas es la recta y 3x + 1 = 0.
Ejercicio 9. Completa cuadrados, si es necesario, en las siguientes ecuaciones y
determina el tipo de conica que es, sus elementos notables y su representacion
grafica:
(a) x2 + 2y 2 4x 4y + 4 = 0.
(b) x2 y 2 + 4x 6y 9 = 0.
(c) x2 4x + 4y + 4 = 0.
(d) y 2 4y = 0.
(e) x2 + y 2 2x 6y + 10 = 0.
(f) 2x2 + y 2 12x 4y + 24 = 0.
(g) 4x2 y 2 24x + 8y + 36 = 0
Ejercicio 10. Completa cuadrados en las siguientes ecuaciones y determina el
tipo de conica que es, sus elementos notables y su representacion grafica:
(a) 3x2 + 3y 2 + x + 5y + 1 = 0.
(b) 3x2 3y 2 + x + 5y + 1 = 0.
(c) 3y 2 + x + 5y + 1 = 0.
16

tipo de conica que es y sus elementos notables:
(a) x2 + 2y 2 4x 45y + 4 = 0.
(b) x2 + y 2 2x 6y + 10 = 0.
(c) y 2 4y = 0.
Ejercicio 12. Determina, seg
un los valores de 2 R, el tipo de conica que
corresponde a cada una de las ecuaciones siguientes:
(a) 2x2 + (2 1)y 2 2x + ( 1)y 3 = 0.
(b) x2 + y 2 + x + 2y + 1 = 0.
(c) x2 + (2 )y 2 2x 4y + 2 = 0.
Ejercicio 13. Determina, si existen, los valores de 2 R para los que la siguiente
ecuacion corresponde a una circunferencia o a una hiperbola equilatera
2x2 + y 2
6x + 3y + = 0.
Ejercicio 14. Determina a que tipo de cuadrica corresponde cada una de las
ecuaciones siguientes. Halla sus elementos notables.
(a) 16x2 + 9y 2 + 4z 2 32x 36y + 36 = 0.
(b) 4x2 4y 2 z 2 16x 2z + 15 = 0.
(c) x2 z 2 2x + 4z + 1 = 0.
(d) x2 2y 2 2x + 8y z 5 = 0.
un los valores de a 2 R, el tipo de cuadrica al que
corresponden las ecuaciones siguientes:
(a) x2 + ay 2 + z 2 6x + 4z + 8 a = 0.
(b) ax2 + (4 a2 )y 2 z + 1 = 0.
(c) (a + 1)x2 + (a2 4)y 2 + az 2 = a2 + a + 2.
(d) x2 y 2 + z 2 2x + 4y + 6z + a = 0.
(e) x2 + (a2 4)y 2 + (a + 2)z 2 a = 0.
Ejercicio 16. Clasifica, seg
un los valores de a 2 R, la cuadrica de ecuacion
4x2
ay 2 + 9z 2
16x
2ay
18z = 2a
25.
Para a = 36, dibuja la cuadrica que se obtiene y halla sus elementos notables.
Ejercicio 17. Observa la cuadrica de la figura y determina su ecuacion en coordenadas x, y y z.
17

tipo de cuadrica que es, sus elementos notables y su representacion grafica:
(a) x2 + 3y 2 + z 2 + 2x + 5y 2z + 1 = 0.
(b) 3x2 + y 2 z 2 + x + 2y + 2z + 1 = 0.
(c) x2 + y 2 + x + 4y + 3z 1 = 0.
(d)x2 + y 2 + x + 4y z 2 1 = 0.
(e) x2 + y 2 + x + 4y 1 = 0.
(f) x2 y 2 + x + 4y 1 = 0.
(g) x2 y 2 + x + 4y + z 1 = 0.
un los valores de 2 R, el tipo de cuadrica que
(a) 2x2 + (2 1)y 2 + z 2 + 2x + 5y 2z + 1 = 0.
(b) x2 + y 2 + x + 2y + ( 1)z + 1 = 0.
(c) x2 + (2 )y 2 + 3 z 2 + x + 4y 1 = 0.
un los valores de 2 R, el tipo de cuadrica que
(a) x2 + (4 2 )y 2 z + 1 = 0.
(b) x2 + y 2 + z 2 6x + 4z + 8 = 0.
(c) x2 y 2 + z 2 2x + 4y + 6z + = 0.
Ejercicio 21. Indica la respuesta correcta:
(a) La ecuacion y 2
6x
4y
20 = 0 corresponde a:
Una parabola cuyo vertice es V = ( 4, 2).

Una parabola cuyo eje es la recta de ecuacion y =
Dos rectas que se cortan en un punto.
(b) La ecuacion 5x2 + y 2 = 1 corresponde a:
Una elipse con focos en el eje de abscisas.
4.
18

Una elipse con focos en el eje de ordenadas.
Una hiperbola.
(c) La cuadrica x2
y 2 + z 2 + 4y + 6z + 13 = 0 verifica:
Tiene por centro C = (0, 2, 3).

Contiene a la recta x
No tiene centro.
1=y
2, z = 4.

MATEMATICAS
I
Leccion 2. Numeros complejos.

Gui
on de la lecci
on.
1. N
umeros complejos.
N
umero complejo. Un n
umero complejo es un par ordenado (a, b) donde a y
b son n
umeros reales. Usualmente se suele escribir el n
umero complejo z = (a, b)
como z = a + ib donde i verifica que i2 = 1 y es llamada unidad imaginaria.
Los n
umeros reales a y b son denominados, respectivamente, parte real y parte
imaginaria del n
umero complejo z y se denotan como
a = Re(z) y b = Im(z).
Dos n
umeros complejos z y w son iguales si y solamente si Re(z) = Re(w) y
Im(z) = Im(w). Al conjunto de todos los n
umeros complejos lo denotamos por
C, es decir,
C = {z = a + ib : a, b 2 R} .
Sea z = a + bi un n
umero complejo. Si a = 0 entonces z = 0 + ib = ib y
diremos que el n
umero es imaginario puro. Si b = 0 entonces z = a + i0 = a y, en
particular, el n
umero es real. De esta forma el conjunto de los n
umeros reales es
un subconjunto de los n
umeros complejos.
Representaci
on geom
etrica de un n
umero complejo. Todo n
umero complejo se puede representar como un punto del plano, llamado plano complejo, en
el que el eje horizontal X es llamado eje real y recoge las partes reales y el eje
vertical Y es el eje imaginario y recoge las partes imaginarias.
19
20
Suma y producto de n
umeros complejos. Dados dos n
umeros complejos
z = a + ib y w = c + id, definimos la suma z + w y el producto zw como los
n
umeros complejos
z + w = (a + c) + i(b + d) y zw = (ac
bd) + i(ad + bc).
Si z, w y v son tres n
umeros complejos, se satisfacen las siguientes propiedades:
(1) Propiedad conmutativa de la suma: z + w = w + z.
(2) Propiedad asociativa de la suma: (z + w) + v = z + (w + v).
(3) Existe un elemento nulo para la suma, el 0 = 0 + i0, tal que 0 + z = z
para todo z 2 C.
(4) Cada n
umero complejo z = a + ib tiene un elemento opuesto, el n
umero
z = a ib, tal que z + ( z) = 0.
(5) Propiedad conmutativa del producto: zw = wz.
(6) Propiedad asociativa del producto: (zw)v = z(wv).
(7) Existe un elemento unidad para el producto, el 1 = 1 + i0, que verifica
que 1z = z1 = z para todo z 2 C.
(8) Cada n
umero complejo z no nulo tiene un elemento inverso z 1 , tal que
zz 1 = z 1 z = 1. De hecho, si z = a + bi 6= 0 se tiene que
z
a2
a
b
+i 2
.
2
+b
a + b2
(9) Propiedad distributiva del producto respecto de la suma: (z + w)v =

zv + zw.
Diferencia y cociente de n
umeros complejos.
(1) La diferencia entre el n
umero complejo z = a + ib y el n
umero complejo
w = c + id se entiende como la suma de z con el opuesto de w.
(2) El cociente entre el n
umero complejo z = a + ib y el n
umero complejo
w = c + id se entiende como el producto de z con el inverso de w.
Conjugado de un n
umero complejo. Sea z = a + ib un n
umero complejo.
Se define el conjugado de z, y se representa por z, como el n
umero complejo
z = a ib.
Si z y w son dos n
(1) z + w = z + w.
(2) zw = zw.
z
z
(3) Si w 6= 0, se tiene
= .
w
w
(4) z + z = 2 Re(z).
(5) z z = i2 Im(z).
(6) zz = (Re(z))2 + (Im(z))2 . Por ello, si z 6= 0, entonces zz > 0.
M
odulo de un n
umero complejo. Sea z = a + ib un n
umero complejo. Se
define el modulo de z, y se representa por |z|, como el n
umero real no negativo
p
|z| = a2 + b2 .
21
Si z y w son dos n
(1) |z| = 0 si y solo si z = 0.
(2) |z| = |z| .
z
|z|
(3) |zw| = |z| |w| y, si w 6= 0,
=
.
w
|w|
(4) |Re(z)| |z| y |Im(z)| |z| .
z
(5) zz = |z|2 . De aqu se deduce que, si z 6= 0, entonces z 1 = 2 . De esta
|z|
z
zw
manera, si w 6= 0,
= zw 1 =
.
w
|w|2
(6) Desigualdad triangular: |z + w| |z| + |w| .
2. Representaci
on en forma polar de un n
umero complejo.
Coordenadas polares de un punto en el plano. El punto P = (a, b) del
plano puede representarse a traves de las denominadas coordenadas polares (r, ),
donde r es la distancia de P al origen de coordenadas y es el angulo que forma
el vector de posicion de P con la parte positiva del eje de abscisas. Se entiende
que es positivo si es medido en sentido antihorario y negativo en caso contrario.
La relacion entre las coordenadas cartesianas y polares viene dada por
a = r cos ,
b = rsen .
Argumento de un n
umero complejo. Sabemos que al n
umero z = a + ib le
corresponde el punto P = (a, b) del plano complejo. Si consideramos las coordenadas complejas (r, ) de dicho punto, entonces r = |z|. Al n
umero lo llamaremos
argumento de z y lo representaremos por arg(z). Un n
umero complejo z tiene
infinitos argumentos, sin embargo, solo hay uno que esta en el intervalo [0, 2).
Es el llamado argumento principal de z y se denota por Arg(z) (a veces se toma
como argumento principal aquel que esta en el intervalo ( , ]). Se observa que
p
b
r = + a2 + b2 = |z| y que tan = .
a
22
La notaci
on de Euler. Si 2 R, se denota por ei el n
umero complejo de
modulo 1 y argumento
ei = cos + isen .
Se satisfacen las siguientes igualdades:
(1) ei = e i .
(2) ei = 1.
(3) ei1 ei2 = ei(1 +2 ) .
(4) ei(+2k) = ei .
(5) Formula de De Moivre. Si n 2 Z entonces ei
= ein .
Forma polar de un n
umero complejo. El n
umero complejo z = a + bi puede
escribirse mediante su modulo r y su argumento como
z = a + bi = r (cos + isen ) = rei = |z|eiarg (z) ,
que denominaremos forma polar de z.
b
Los n
umeros complejos z = rei y w = rbei son iguales si y solo si
b
= 2k con k 2 Z,
r = rb y
esto es, tienen los mismos modulos y la diferencias de los argumentos es un m

ultiplo entero de 2.
Usando la forma polar de un n
umero complejo se verifica que si z = rei y
ib
w = rbe entonces:
b
zw = rb
rei(+)
y, si ademas, z 6= 0, entonces
1
= e
r
b
En consecuencia, si z = rei y w = rbei 6= 0 entonces:

z
r
= ei(
w
rb
b
)
Potencias de n
umeros complejos. Si z = rei es un n
umero complejo, entonces se define, para cada n 2 N, la potencia n-esima de z como z n := rn ein .
As pues, para n 2 N, la potencia n-esima de un n
umero complejo tiene por
modulo la potencia n-esima del n
umero y por argumento el argumento del n
umero multiplicado por n.
1
Si z 6= 0, se define z n como el inverso de z n , esto es, z n = n e in .
r
Races n-
esimas de un n
umero complejo. Se dice que un n
umero complejo
i
i 0
n
z = re es raz n-esima de z0 = r0 e 6= 0 si y solo si z = z0 .
z=
p
n
z0 si y solo si z n = z0 .
23
Races n-esimas de un n
umero complejo hay, justamente, n. Todas ellas tienen
el mismo modulo, la raz n esima del modulo del n
umero, y sus argumentos son
0 + 2k
0 2k
=
+
con k = 0, 1, 2, . . . n 1. Luego, son de la forma
n
n
n
zk =
p
n
re
0 +2k
n
, con k = 0, 1, 2, . . . , n
1.
Notemos que la diferencia entre los argumentos de dos races consecutivas es

2
. Por tanto, los puntos que representan a esas n races son los vertices de un
n
polgono regular de n lados inscrito en una circunferencia con centro el origen de
p
coordenadas y radio n r0 .
3. Las races de un polinomio complejo.
Teorema fundamental del Algebra.

Todo polinomio con coeficientes complejos
P (z) = a0 + a1 z + a2 z 2 + a3 z 3 + + an z n an 6= 0, con n 1
donde a0 , a1 , a2 , a3 , ..., an son n
umeros complejos, tiene n races complejas
(contando su multiplicidad).
Es decir, que dado cualquier polinomio con coeficientes complejos como el
anterior P (z), podemos asegurar que existen n n
umeros complejos z1 , z2 , . . . , zn
tales que
P (z) = an (z z1 ) (z z2 ) . . . (z zn ) .
Ademas se verifican las siguientes relaciones entre las races y los coeficientes
z1 + z2 + . . . + zn =
an 1
,
an
z1 z2 . . . zn = ( 1)n
a0
.
an
Polinomios con coeficientes reales. Si el polinomio P (z) tiene coeficientes

reales, esto es,
P (z) = a0 + a1 z + a2 z 2 + a3 z 3 + + an z n
an 6= 0, con n
donde a0 , a1 , a2 , a3 , ..., an son n

umeros reales, ademas de saber que tiene n races
complejas se puede decir algo mas acerca de dichas races:
(1) Por un lado las races complejas no reales aparecen por pares conjugados.
Es decir, si z0 = x0 + iy0 2 C es una raz de un polinomio con coeficientes reales,
entonces sus conjugada z0 = x0 iy0 2 C tambien lo es.
(2) Como consecuencia, todo polinomio de grado impar con coeficientes reales
tiene alguna raz real.
24

Ejercicios.
Ejercicio 1. Si z = a + ib, expresa el n

umero z 2 en forma binomica.
Ejercicio 2. Expresa en forma binomica los siguientes n
umeros complejos.
1+i
(a)
.
1 i
(2 i)2
(b)
.
( 3i)3
2 3i
(c) (3 + 2i)(2 i) +
.
4 i
1
(d)
.
1
i+
1
i+
i+1
Ejercicio 3. Halla los valores de b y c para los que (9 + bi)(c + 3i) = 3 + 29i.
Ejercicio 4. Si z1 = 2 + i y z2 = 3 2i, calcula:
(a) |3z1 4z2 | .
(b) |z1 |4 .
2
z1
(c)
.
z2 + i
p
p
z 100
Ejercicio 5. Dados z1 = 1 + 3i y z2 = 2 (1 i) , calcula 1104 y expresalo en
z2
forma binomica.
Ejercicio 6. Dados los n
umeros complejos z1 = 1 + i, z2 = 1
calcula
5z1 + 2z2
z3 ,
z12 ,
z1 z 2 z 3 ,
z1 z3
,
z2
|2z1
3z3 | ,
z1 z3
,
z2
i, z3 = 3 + 4i,
z1n
(n 2 N).
z2n 2
Ejercicio 7. Siendo z = ei 5 (comprueba que z 4 = z), calcula

w = 1 + z + z 4 + z 9 + z 16 .
Ejercicio 8. Utilizando la formula de De Moivre, expresa sen(2), cos(2), sen(3)
y cos(3) en funcion de sen() y cos().
Ejercicio
9. Calcula todas la races sextas de un n
umero w 2 C sabiendo que
p
3 + i es una de ellas.
p
p
2
6
z116
Ejercicio 10. Sean z1 =
+
i y z2 = 1 + i. Halla las races cuartas de 8 .
2
2
z2
6
Ejercicio 11. Halla las races cuartas de w = Re
.
1+i

p
Ejercicio 12. Dados z1 = 8 + 8 3i y z2 = 1
(a) Hallar las races cuartas de z1 .
z 20
(b) Hallar el cociente 180 .
z2
25
3i, se pide:
Ejercicio 13.
umeros complejos z1 = 2, z2 = 2i, z3 = 3 3i, y
p Dados los n
z4 = 2 + 2 3i:
(a) Representalos geometricamente y escrbelos en forma polar y exponencial.
z3 27 200
(b) Calcula y representa geometricamente: z1 + z3 , z2 z3 , z3 z4 ,
, z3 , z4 .
q z4
p
p
p
p 2
(c) Calcula y representa geometricamente: 3 z1 , 5 z3 , 4 z4 , 4 z12 , ( 4 z1 ) .
Ejercicio 14. Calcula:
(a) La parte imaginaria de (1 i)5 y la parte real de (1
(b) Las races sextas de z = 1.
k
100
100
X
X
1+i
k
p
(c) La parte real de las sumas
i ,
.
2
k=0
k=0
i)2002 .
Ejercicio 15. Encuentra todas la soluciones de la ecuacion

p
z 6 + 8 2(1 i)z 2 = 0.
Ejercicio 16. Calcula los ceros del polinomio z 4
8iz.
Ejercicio 17. Encuentra todas las soluciones de la ecuacion

(3
2z)3 + 27 = 0.
Ejercicio 18. Resuelve las siguientes ecuaciones polinomicas y factoriza los polinomios correspondientes:
z2
2z + 2 = 0,
z 2 + (i
1)z
i = 0,
z6
2z 3 + 2 = 0.
Ejercicio 19.
(a) Halla la parte real e imaginaria del n
umero complejo z dado por
p 27
z = 1 + 3i
+ 1
p 27
3i
.
(b) Expresa en forma binomica las soluciones de la ecuacion

iz 3
1 = 0.
Ejercicio 20. Resuelve, para n = 1, 2, . . . , la ecuacion polinomica

z n + (z
2)n = 0.
26
Ejercicio 21. Indica la respuesta correcta. El teorema fundamental del Algebra

garantiza que un polinomio real de grado 9,
tiene 9 races reales porque sus coeficientes son reales.
no puede tener races reales.
tiene 9 races complejas.
Ejercicio 22. Sin tratar de calcular las races de los siguientes polinomios,
P1 (z) = z 3 + 28z 2 + 2z 1,
P2 (z) = z 4 + 2z 3
P3 (z) = iz 2 + (3 i)z (1 + i), P4 (z) = iz 5 + z 3
2z 15,
(1 + i)z 2 ,
que se puede decir de ellas?, puede garantizarse la existencia de alguna raz

real?:
Ejercicio 23. Encuentra los n
umeros complejos z = rei que satisfacen que
2
z 4 = (z) .
Ejercicio 24. Encuentra los valores de z que satisfacen la ecuacion
p i/4 4
z + 2e
= 16ei2/3 .
Ejercicio 25. Resuelve las siguientes ecuaciones (no polinomicas)
(a) z z1 = 3i.
(b) (z)2 = z 2 .
Ejercicio 26. Representa en el plano complejo las curvas y recintos determinados
por las siguientes
igualdades
y desigualdades:
1
1
(a) Im
> Re
.
z
z
(b) Re(z 2 ) = 0.
(c) Im(z 2 ) = 3.
(d) |z 3| = |z + i|.
(e) |z 3| > |z + i|.

MATEMATICAS
I
Leccion 3. Matrices. Sistemas de ecuaciones lineales.

Gui
on de la lecci
on.
1. Matrices y determinantes.
Matriz. Una matriz es un conjunto de n
umeros ordenados en filas y columnas,
de forma que todas las filas tienen el mismo n
umero de elementos y todas las
columnas tienen el mismo n
umero de elementos.
2
3
a11 a12 a1j a1n
6 a21 a22 a2j a2n 7
6 .
..
..
.. 7
6 .
7
.
.
. 7
6 .
A=6
7
6 ai1 ai2 aij ain 7
6 .
..
..
.. 7
4 ..
.
.
. 5
am1 am2 amj amn
Si tiene m filas y n columnas, decimos que la dimension de la matriz es m n. El
elemento aij es el que esta en la fila i esima y en la columna j esima. A veces
representaremos la matriz como A = [aij ] sin necesidad de representar todos los
elementos de la matriz. Si m 6= n, decimos que la matriz es rectangular. Si m = n,
decimos que la matriz es cuadrada.
Si A es una matriz m n, los elementos a11 , a22 , . . . , arr con r = mn {m, n} ,
forman la diagonal principal de la matriz. Si todos los elementos por debajo
(arriba) de la diagonal principal son nulos, entonces la matriz se denomina trapezoidal superior (inferior). En particular, las matrices trapezoidales que ademas
son cuadradas son llamadas triangulares.
Suma de matrices. Dadas dos matrices A = [aij ] y B = [bij ] con las mismas
dimensiones m n, la matriz suma A + B es la matriz A + B = [cij ] con entradas
cij = aij + bij .
La suma de matrices tiene las propiedades siguientes:
(1) Propiedad conmutativa: A + B = B + A.
(2) Propiedad asociativa: (A + B) + C = A + (B + C).
(3) Existencia de elemento neutro para la suma, la matriz nula 0 que tiene
todos sus elementos iguales a 0, que satisface 0 + A = A + 0 para cualquier matriz
A.
27
28
(4) Existencia de la matriz opuesta: Dada A = [aij ] , existe una matriz que
representaremos por A y cuyos elementos son A = [bij ] con bij = aij , que
satisface A + ( A) = ( A) + A = 0.
Nota: La diferencia entre matrices se entiende como la suma de la primera
con la matriz opuesta de la segunda.
Producto de un n
umero por una matriz. Dada una matriz A = [aij ] y un
escalar (o n
umero) , la matriz producto A es la matriz A = [cij ] con entradas
cij = aij .
El producto de un n
umero por una matriz tiene las propiedades siguientes:
(1) (A + B) = A + B.
(2) ( + )A = A + A.
(3) ( A) = ( )A.
(4) 1.A = A, siendo 1 el n
umero real unidad.
Producto de matrices. Para hacer el producto AB de la matriz A = [aij ] de
dimensiones m n y la matriz B = [bij ] de dimensiones p q debe ocurrir que
n = p, es decir, que el n
umero de columnas de la primera sea igual al n
umero
de filas de la segunda. En este caso, la matriz producto AB es la matriz de
dimensiones m q cuyo elemento ij esimo es la suma de los productos de los
elementos de la fila i de A por los correspondientes de la columna j de B, esto
es,
AB = [cij ] con entradas cij = ai1 b1j + ai2 b2j + + ain bnj =
n
X
aik bkj ,
k=1
para i = 1, 2, . . . , m y j = 1, 2, . . . , q.
El producto de matrices tiene las propiedades siguientes (siempre que las
dimensiones sean las adecuadas):
(1) Propiedad asociativa: (AB) C = A(BC).
(2) Propiedad distributiva del producto respecto de la suma:
(A + B) C = AC + BC,
A(B + C) = AB + AC.
(3) Existencia de matriz unidad o matriz identidad I (matriz cuadrada cuyos elementos diagonales son 1 y los elementos no diagonales son 0) tal que al
multiplicar por cualquier matriz A da la propia matriz A.
Notas:
(1) El producto de matrices no es, en general, conmutativo.
(2) Si dos matrices cuadradas del mismo orden conmutan, AB = BA, entonces
es valido la formula del binomio de Newton. Esta

es,
(A + B)

n n
n n 1
n n k k
n
=
A +
A B + +
A B + +
Bn,
0
1
k
n
29

n
n!
n(n 1)(n 2) . . . (n k + 1)
donde
=
=
y 0! = 1.
k
k!(n k)!
k!
(3) Al contrario de lo que ocurre con los n
umeros, el producto de dos matrices
distintas de la matriz nula puede ser igual a la matriz nula. De aqu se deduce
que de ser AB = AC, en general, no se puede asegurar que B = C.
Trasposici
on de una matriz. Dada una matriz A = [aij ] de dimensiones mn,
su matriz traspuesta, que denotaremos por AT , es la matriz de dimensiones n m
y que resulta al cambiar en A las filas por la columnas. Luego, si AT = [bij ] ,
entonces bij = aji .
Una matriz A se dice simetrica si coincide con su traspuesta, esto es, AT = A
(este concepto no tiene sentido si la matriz no es cuadrada).
La trasposicion de matrices tiene las propiedades siguientes (siempre que las
dimensiones sean las adecuadas):
T
(1) AT = A.
(2) (A + B)T = AT + B T .
(3) (A)T = AT .
(4) (AB)T = B T AT .
Determinante de una matriz cuadrada. El determinante de una matriz cuadrada es un n
umero que depende de las entradas de la matriz. Lo definimos de
forma recursiva de la siguiente manera.
Determinante de orden 1 : det(A) = det(a11 ) = a11 .
Determinante de orden n > 1 :
2
3
a11 a12 a1n
6 a21 a22 a2n 7
6
7
det(A) = det 6 ..
..
.. 7
4 .
.
. 5
an1 an2 ann
= a11 det(A11 ) a12 det(A12 ) + + ( 1)1+n a1n det(A1n )
n
X
=
( 1)1+j a1j det(A1j ),
j=1
donde la matriz Aij representa la matriz cuadrada de orden n 1 que se obtiene

al suprimir de la matriz A la fila primera y la columna j esima.
El desarrollo del determinante tambien se puede hacer por los elementos de
cualquier otra fila (no necesariamente la primera) o bien por los elementos de
cualquier columna. En general, si se desarrolla por los elementos de la fila i esima,
tenemos:
n
X
det(A) =
( 1)i+j aij det(Aij ),
j=1
donde la matriz Aij representa la matriz cuadrada de orden n 1 que se obtiene

al suprimir de la matriz A la fila i esima y la columna j esima.
30
El determinante de una matriz verifica las siguientes propiedades:

(1) Si B es una matriz que se obtiene de A intercambiando dos filas, entonces
det(B) = det(A).
(2) Si B es la matriz que se obtiene de A multiplicando una de sus filas por
un n
umero , entonces det(B) = det(A).
(3) Si en la matriz A descomponemos una de sus filas como suma de dos
vectores y consideramos las dos matrices B y C que se obtienen de estas dos
nuevas filas, conservando las demas filas de A, entonces det(A) = det(B)+det(C).
(4) Si B es la matriz que se obtiene de A sumando a una de sus filas un
m
ultiplo de otra, entonces det(B) = det(A).
(5) Si una fila de A es combinacion lineal de las demas, entonces det(A) = 0.
(6) det(AT ) = det(A) (esta propiedad nos permite trasladar a las columnas
las propiedades enunciadas anteriomente para las filas).
(7) Si B es otra matriz cuadrada de la misma dimension que A, entonces
det(AB) = det(A) det(B) = det(BA).
(8) det(I) = 1, siendo I la matriz unidad.
Matriz inversa de una matriz cuadrada. Dada una matriz cuadrada A, se
denomina matriz inversa de A y se representa por A 1 , a toda matriz cuadrada
de la misma dimension que A que cumpla la condicion
AA
= A 1 A = I.
Una matriz cuadrada se dice que es regular o no singular si posee inversa; en caso
contrario se dice que es singular.
La matriz inversa verifica las siguientes propiedades:
(1) La matriz A es no singular si y solo si det(A) 6= 0.
1
(2) Si A es no singular, entonces det(A 1 ) =
.
det(A)
1
(3) Si A es no singular, entonces A 1 es no singular y (A 1 ) = A.
1
T
(4) Si A es no singular entonces AT es no singular y AT
= (A 1 ) .
(5) Si A y B son matrices cuadradas del mismo orden, entonces AB es no
singular si y solo si A y B son no singulares y, en ese caso, (AB) 1 = B 1 A 1 .
En particular, si A es no singular entonces cualquier potencia natural suya Ak
1
k
con k = 1, 2, 3... es no singular y ademas Ak
= (A 1 ) .
(6) Si A es no singular y es un n
umero no nulo, entonces A es no singular
1 1
1
y (A) = A .
2. Algoritmo de Gauss.
Matriz escalonada por filas. Se dice que una matriz U es escalonada por filas
si
todos los elementos que estan por debajo del primer elemento no nulo de
cada fila son nulos.
31
el primer elemento no nulo de cada fila esta a la derecha del primer elemento
no nulo de la fila anterior, y
las filas nulas (si las hay) estan por debajo de las filas no nulas.
Por ejemplo, una matriz escalonada por filas puede ser la que tiene la siguiente
estructura:
2
3

6 0 7
6
7
6 0 0 0 7
6
7
U = 6 .. .. .. .. . .
7.
6 . . . .
. 7
6
7
4 0 0 0 0 0 5
0 0 0 0 0 0 0
Operaciones elementales por filas. Se denominan operaciones elementales
por filas en una matriz a las siguientes:
(1) Intercambio de filas.
(2) Multiplicacion de una fila por un n
umero distinto de 0.
(3) Sumar a una fila un m
ultiplo de otra.
Algoritmo de Gauss. El Algoritmo de Gauss permite reducir una matriz cualquiera B de dimension m n a una matriz escalonada por filas U a traves de
operaciones elementales por filas. Los pasos a seguir son los siguientes:
(1) Eleccion del pivote. Tomamos la primera columna de la matriz. Elegiremos
un elemento no nulo en dicha columna que llamaremos pivote.
Si el primer elemento de dicha columna es no nulo, este sera elegido como
pivote.
Si el primer elemento de dicha columna es nulo, pero por debajo de el hay
alguno no nulo, entonces escogemos uno de ellos como pivote y realizamos un
intercambio de filas para situar dicho termino en el primer lugar.
Si todos los elementos de esta primera columna son nulos entonces no es posible
seleccionar un pivote en dicha columna y repetimos el paso (1) con la submatriz
generada al eliminar la primera columna.
(2) Pivoteo. En el paso anterior hemos elegido el pivote y lo hemos situado en la
primera posicion de la primera columna. Hacemos ahora ceros en dicha columna
por debajo del pivote. Para ello, a cada una de las filas siguientes le restamos un
m
ultiplo de la fila del pivote de forma que se anule el correspondiente elemento
en la columna del pivote.
(3) Se repite el proceso desde el paso (1) con la submatriz que queda al eliminar
la fila y la columna del pivote.
El proceso se termina cuando no quedan columnas en la que obtener el siguiente
pivote.
Nota: El algoritmo que acabamos de describir no determina de forma u
nica
la forma escalonada superior por filas que se obtiene, sino que esta depende de la
32
eleccion de pivote que se haga en cada columna donde sea posible. Sin embargo,
s es u
nico el n
umero de pivotes obtenidos.
Rango de una matriz. El rango de una matriz B se denota por r(B) y se define
como el n
umero de pivotes que aparecen al aplicar el algoritmo de Gauss a dicha
matriz.
Matrices elementales. Los pasos (1) y (2) del algoritmo de Gauss se pueden
realizar matricialmente premultiplicando nuestra matriz, en cada paso, por las
siguientes matrices elementales:
Matriz de permutacion. La matriz Pij de la forma
2
6
6
6
6
6
6
Pij = 6
6
6
6
6
6
4
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 0
.. ..
.. . .
.
. .
.
0 0 1
.. ..
..
. .
.
0 0
0
0
..
.
0
0
..
.
1
..
.
0
..
.
0 0
.. . . ..
. .
.
0 1
7
7
7
7
7
7 (i)
7
7
7
7 (j)
7
7
5
(i)
(j)
se llama matriz de permutacion y permite, premultiplicando por ella, intercambiar
las filas (i) y (j) de la matriz dada.
Matriz de pivoteo. La matriz Mi de la forma
2
6
6
6
6
6
Mi = 6
6
6
6
4
1 0
0 1
.. .. . .
.
. .
0 0
0 0
.. ..
. .
0 0
0
0
..
.
i+1
..
.
0
0
..
.
0
0
..
.
7
7
7
7
7
7 (i)
7
7
7
5
(i)
permite, premultiplicando por ella, efectuar sobre la matriz dada las operaciones
de filas siguientes:
Fk Fk
k Fi ,
para todo k = i + 1, . . . , m.
Los n
umeros k con k = i+1, . . . , m se llaman coeficientes de Mi . Si el objetivo es
hacer pivoteo por debajo de un pivote situado en la posicion (i, j), entoces debe
elegirse cada coeficiente k como el cociente entre el termino (k, j) y el termino
(i, j), con k = i + 1, . . . , m. En dicho caso denominamos a Mi matriz de pivoteo.
33
Propiedades de las matrices elementales.

(1) Los determinantes de las matrices elementales son
det(Pij ) =
1,
det(Mi ) = 1.
(2) Las matrices elementales son invertibles. Se verifica que Pij 1 = Pij . La
matriz Mi 1 es una matriz del mismo tipo que Mi con coeficientes opuestos a los
de Mi .
(3) El efecto que produce postmultiplicar una matriz por una matriz de permutacion Pij es intercambiar las columnas i, j de la matriz dada. El resultado
del producto Pij Mk Pij , para i, j > k, es una matriz del mismo tipo que Mk pero
intercambiando el coeficiente de la fila i con el coeficiente de la fila j.
(4) Dadas dos matrices elementales Mi , Mj con j > i de coeficientes i+1 , ..., m
y j+1 , ..., m respectivamente, se verifica que
2
6
6
6
6
6
6
6
6
Mj Mi = 6
6
6
6
6
6
6
6
4
1 0
0 1
.. .. . .
.
. .
0 0
0 0
.. ..
. .
0 0
0 0
.. ..
. .
0 0
0
0
..
.
0
0
..
.
0
0
..
.
1
0
i+1 1
..
.. . .
.
.
.
j 0
j+1 0
..
..
.
.
0
0
..
.
0
0
..
.
0
0
..
.
0
0
..
.
(i)
j+1
..
.
7
7
7
7
7
7 (i)
7
7
7
7
7
7 (j)
7
7
7
7
5
(j)
En las siguientes secciones veremos aplicaciones del algoritmo de Gauss en
diversos topicos del Algebra

lineal.
3. Factorizaci
on LU de una matriz.
Factorizaci
on LU de una matriz. Sea A una matriz cualquiera. Si en el
algoritmo de Gauss aplicado a A no es necesario efectuar ninguna permutacion,
entonces la matriz A admite una factorizacion del tipo A = LU donde
L es triangular inferior con elementos de la diagonal principal iguales a 1 y
que puede ser obtenida a partir de las matrices de pivoteo usadas en el algoritmo;
U es trapezoidal superior y coincide con la matriz resultante del algoritmo.
Factorizaci
on LU de una matriz permutada. Sea A una matriz cualquiera.
Si en el algoritmo de Gauss aplicado a A es necesario efectuar alguna permutacion,
entonces existe una matriz P tal que la matriz P A admite una factorizacion del
tipo P A = LU donde
34
L es triangular inferior con elementos de la diagonal principal iguales a 1

y que puede ser obtenida a partir de las matrices de pivoteo y de permutacion
usadas en el algoritmo;
U es trapezoidal superior y coincide con la matriz resultante del algoritmo;
P es el producto de todas las permutaciones realizadas en el algoritmo.
C
alculo del determinante de una matriz cuadrada. Sea A una matriz
cuadrada y U el resultado de aplicar el algoritmo de Gauss sobre ella. Entonces
det(A) = ( 1)p det(U )
donde p es el n
umero de permutaciones realizadas.
4. Sistemas de ecuaciones lineales.
Sistema de ecuaciones lineales. Un sistema lineal de m (m = 1, 2, . . .) ecuaciones con n (n = 1, 2, . . .) incognitas x1 , x2 , . . . , xn es un sistema de ecuaciones
del tipo
a11 x1 + a12 x2 + + a1n xn
a21 x1 + a22 x2 + + a2n xn
..
.
am1 x1 + am2 x2 + + amn xn
9
>
= b1 >
>
= b2 =
.. ..
. . >
>
>
= b ;
m
Dicho sistema se puede reescribir en forma matricial de

2
32
3 2
x1
b1
a11 a12 a1n
6 a21 a22 a2n 7 6 x2 7 6 b2
76
7 6
6
6 ..
..
.. 7 6 .. 7 = 6 ..
.
.
4 .
.
.
. 54 . 5 4 .
am1 am2 amn
xn
bm
la siguiente manera:
3
7
7
7,
5
esto es, Ax = b donde la matriz A = [aij ] recoge todos los coeficientes y es llamada
matriz de los coeficientes , la matriz columna x = [xi ] recoge a las incognitas y
la matriz columna b = [bi ] recoge a los terminos independientes. Llamaremos
matriz ampliada [A|b] del sistema a la matriz que recoge todos los coeficientes y
los terminos independientes.
2
3
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6
7
[A|b] = 6 ..
..
..
.. 7
..
4 .
.
.
.
. 5
am1 am2 amn bm
Se denomina solucion del sistema Ax = b a toda matriz columna x que verifique la igualdad.
35
Resoluci
on de un sistema de ecuaciones lineales. Un metodo para resolver
un sistema de ecuaciones lineales consiste en la aplicacion del algoritmo de Gauss
a la matriz ampliada del sistema. Este algoritmo transforma el sistema inicial en
un sistema escalonado por filas equivalente, esto es, con las mismas soluciones.
2
6
6
6
4
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
b1
b2
..
.
am1
am2
amn
bm
0
0
6
6
6
7
6
7
6
7!6 0
6
5
6 0
6
4 0
0
3

0 0
..
.
0 0 0
0
0
0
0
0
0
0
0
0
3

7
7
7
7
7
7
7
0 7
7
0 0 5
0 0 0
Una vez obtenida dicha forma escalonada por filas las soluciones del sistema
resultante se obtienen mediante sustitucion regresiva.
Estudio de la compatibilidad de un sistema lineal. Si al reducir un sistema
m n de ecuaciones lineales Ax = b a forma escalonada por filas obtenemos r
pivotes en la matriz A de coeficientes del sistema, esto es r(A) = r, entonces
r mn {m, n} . Ademas, se verifica que:
(1) Si la columna del termino independiente b es columna pivote, entonces el
sistema es incompatible.
(2) Si la columna del termino independiente b no es una columna pivote y
r = n, entonces el sistema es compatible determinado.
(3) Si la columna del termino independiente b no es una columna pivote y
r < n, entonces el sistema es compatible indeterminado.
Sistema lineal homog
eneo. Un sistema homogeneo (de m ecuaciones lineales y
n incognitas) se define como aquel de la forma Ax = 0. Estos sistemas son siempre
compatibles puesto que el vector nulo 0 2 Rn verifica A0 = 0. Esta solucion se
denomina solucion trivial o nula.
Estructura de las soluciones de un sistema lineal homog
eneo. Si al efectuar eliminacion gaussiana en el sistema Ax = 0 de m ecuaciones con n incognitas
se obtienen en la matriz de los coeficientes r pivotes (o lo que es lo mismo n r
variables libres), entonces pueden conseguirse n r soluciones u1 , u2 ,. . . , un r
tales que la solucion general de Ax = 0 es
{x = 1 u1 + 2 u2 + . . . + n r un
2 Rn : 1 , 2 , . . . , n
2 R} .
Estructura de las soluciones de un sistema lineal completo. Sea A una

matriz m n y b un vector de Rm . Se verifica que
2
3 0
1 2
3
sol. general del
sol. particular del
todas las soluciones
4 sistema completo 5 = @ sistema completo A + 4 del sistema homogeneo 5
Ax = b
Ax = b
Ax = 0
36
Es decir, si tenemos una solucion particular xp del sistema Ax = b, se verifica

que
(1) Cualquier otra solucion x del sistema Ax = b se puede expresar como la
solucion particular xp + una solucion (x xp ) del sistema homogeneo asociado.
(2) Al sumar xp con una solucion del sistema homogeneo se obtiene una solucion del sistema completo.
5. M
etodo de Gauss-Jordan para calcular la matriz inversa.
Forma escalonada reducida. Una forma escalonada reducida (por filas) es una
forma escalonada (por filas) que cumple dos condiciones adicionales:
- La entrada principal de cada fila no nula es 1.
- Cada 1 principal es la u
nica entrada diferente de cero en su columna.
La matriz reducida por filas de una matriz dada A es u
nica.
Obtenci
on de la forma escalonada reducida por filas. Para obtener la
forma escalonada reducida por filas de una matriz se realiza el siguiente proceso:
(1) Reduccion por filas de la matriz, usando el algoritmo de Gauss.
(2) En cada columna donde se haya obtenido un pivote (de la misma forma
que se ha pivotado hacia abajo para anular los elementos por debajo del pivote)
ahora se pivota hacia arriba para anular los elementos que estan por encima de
cada pivote.
(3) Cada fila donde aparezca un pivote la dividimos entre dicho valor y de
esta forma obtenemos un 1 en cada posicion pivote.
2
3
1 0 0 0 0
6 0 1 0 0 0 7
2
3
6
7
a11 a1n
6 0 0 0 1 0 0 7
6 ..
7
6
7
.
..
.. 5 ! 6 . . . . .
7
4 .
.
.
.
.
.
.
6 . . . .
. 1 0 7
6
7
am1 amn
4 0 0 0 0 0 1 5
0 0 0 0 0 0 0
Caracterizaci
on de la existencia de la matriz inversa mediante pivotes.
Una matriz cuadrada A de orden n tiene inversa si y solo si tiene rango n.
M
etodo de Gauss-Jordan. Supongamos que la matriz cuadrada A tiene inversa. Para obtenerla, se halla la forma escalonada reducida (por filas) de la matriz
[A|I]. Notemos que, al ser la matriz A invertible, todas las columnas de A son
columnas pivotes en [A|I].
2
3

6 0 7
6
7
A I ! 6 .. .. . .
.. .. .. . .
.. 7
4 . .
. . 5
. . . .
0 0

2

6
1
6
!6
.. . .
4
.
.
0 0
! I A 1
1
0
..
.

.. ..
. .
1

.. . .
.
.

..
.
7
6
7
6
7!6
5
4
37
1
0
..
.
0
1
..
.
...
0
0
..
.
..
.
..
.
...
..
.
3
7
7
7
5
Con este proceso, la matriz A se transforma en la identidad y la matriz identidad

se transforma en A 1 .
6. Vectores en Rm . Dependencia e independencia lineal.
Combinaci
on lineal. Dados n vectores v1 , v2 ,. . . , vn de Rm , se llama combinacion lineal de dichos vectores a todo vector de la forma
v = 1 v1 + 2 v2 + + n vn , con 1 , 2 , . . . , n 2 R.
Notemos que determinar si un cierto vector v 2 Rm es o no combinacion lineal
de otros vectores v1 , v2 ,. . . , vn 2 Rm es lo mismo que determinar si el sistema de
ecuaciones lineales
2
3
2 .
3 1
2 . 3
.
.
..
..
..
..
6 2 7
6
76
7 6 7
4 v1 v2 vn 5 6 .. 7 = 4 v 5
4 . 5
..
..
..
..
.
.
.
.
n
tiene solucion, en cuyo caso cada una de las posibles soluciones nos dara una
forma de expresar v como combinacion lineal de v1 , v2 ,. . . , vn .
Dependencia lineal. Dados n vectores v1 , v2 ,. . . , vn de Rm , se dice que el
conjunto {v1 , v2 , . . . , vn } es linealmente dependiente si existen 1 , 2 ,. . . , n 2 R
no todos nulos tales que 1 v1 + 2 v2 + + n vn = 0. En particular, se tiene
que por lo menos uno de ellos se puede expresar como combinacion lineal de los
demas.
Notemos que determinar si un conjunto de vectores {v1 , v2 , . . . , vn } es linealmente dependiente es lo mismo que determinar si el sistema de ecuaciones lineales
homogeneo
2
3
2 .
3 1
2 3
.
.
..
..
..
0
6
7
6
7 6 2 7 6 .. 7
4 v1 v2 vn 5 6 .. 7 = 4 . 5
4 . 5
..
..
..
0
.
.
.
n
tiene solucion solucion no trivial, esto es, si es un sistema compatible indeterminado.
38
Independencia lineal. Dados n vectores v1 , v2 ,. . . , vn de Rm , se dice que el

conjunto {v1 , v2 , . . . , vn } es linealmente independiente si no es linealmente dependiente, esto es, los u
nicos n
umeros 1 , 2 , . . . , n 2 R para los que es posible
que
1 v1 + 2 v2 + + n vn = 0
son 1 = 2 = = n = 0.
Notemos que determinar si un conjunto de vectores {v1 , v2 , . . . , vn } es linealmente independiente es lo mismo que determinar si el sistema de ecuaciones
lineales homogeneo
2
3
2 .
3 1
2 3
.
.
..
..
..
0
6 2 7
6
76
7 6 .. 7
4 v1 v2 vn 5 6 .. 7 = 4 . 5
4 . 5
..
..
..
0
.
.
.
n
tiene como u
nica solucion la trivial, esto es, si es un sistema compatible determinado.
Propiedades de la dependencia lineal.

(1) La dependencia o independencia lineal del conjunto {v1 , v2 , . . . , vn } no
depende del orden en el que esten dados los vectores.
(2) Siendo c 2 R, c 6= 0,
{v1 , v2 , . . . , vn } es lin. dep.
{v1 , v2 , . . . , vn } es lin. ind.
() {u1 = cv1 , v2 , . . . , vn } es lin. dep.

() {u1 = cv1 , v2 , . . . , vn } es lin. ind.
(3) El conjunto {0, v2 , . . . , vn } es linealmente dependiente.

(4) Siendo 2 R
{v1 , v2 , . . . , vn } es lin. dep.
{v1 , v2 , . . . , vn } es lin. ind.
() {v1 , u2 = v2 + v1 , , . . . , vn } es lin. dep.

() {v1 , u2 = v2 + v1 , , . . . , vn } es lin. ind.
(5) Al a
nadir vectores a un conjunto linealmente dependiente se obtiene un
conjunto linealmente dependiente. Y al suprimir vectores de un conjunto linealmente independiente se obtiene un conjunto linealmente independiente.
Caracterizaciones de la independencia lineal. Consideremos {v1 , v2 , . . . , vn }
vectores de Rm y consideremos la matriz A cuyas columnas con las coordenadas
de los vectores dados
2 .
..
.. 3
..
.
.
6
7
A = 4 v1 v2 vn 5
..
..
..
.
.
.
Son equivalentes:
(1) {v1 , v2 , . . . , vn } son linealmente independientes.
39
(2) El sistema de ecuaciones Ax = 0 tiene solo la solucion trivial.

(3) Al reducir A a forma escalonada por filas se obtienen n pivotes, es decir,
r(A) = n.
Caracterizaciones de la dependencia lineal. Consideremos {v1 , v2 , . . . , vn }
vectores de Rm y consideremos la matriz A cuyas columnas con las coordenadas
de los vectores dados
2 .
..
.. 3
..
.
.
6
7
A = 4 v1 v2 vn 5
..
..
..
.
.
.
Son equivalentes:
(1) {v1 , v2 , . . . , vn } son linealmente dependientes.
(2) El sistema de ecuaciones Ax = 0 tiene infinitas soluciones.
(3) Al reducir A a forma escalonada por filas se obtienen r pivotes con r < n,
es decir, r(A) < n. Luego, hay r vectores linealmente independientes.
(4) Alguno de los vectores vk es combinacion lineal de los restantes.
Nota: Si tenemos los vectores {v1 , v2 , . . . , vn } de Rm y consideramos la matriz
A cuyas columnas con las coordenadas de los vectores dados
2 .
..
.. 3
..
.
.
6
7
A = 4 v1 v2 vn 5
..
..
..
.
.
.
entonces al llevar A a su forma reducida por filas no solo conseguiremos saber

que columnas son dependientes de las demas (y, por tanto, que vectores son
combinacion lineal de los demas) sino que ademas obtendremos las combinaciones
lineales que los ligan.
40

Ejercicios.
Ejercicio 1. Calcula el rango de la

2
1
6 2
6
A=6
6 1
4 0
1
siguiente matriz
1
1
1
1
0
1
3
3
1
2
1
2
1
0
1
2
2
2
2
0
7
7
7.
7
5
Ejercicio 2. Aplica el metodo de eliminacion de Gauss a

y obten la factorizacion A = LU .
2
3
2
2
1 3
4
2
6 2
7
6
1 4
2 7
4
(a) A = 6
,
(b) B = 6
4 4 2
4 2
7
7 5
2 1
1
1
0
2
3
2
1 1
0
6 1
1
1
1 7
6
7
1 1
1 7
(c) C = 6
6 1
7.
4 0
1
1 2 5
3
0
0
1
Ejercicio 3. Encuentra la factorizacion P A = LU de las
2
3
2
1 2 3
0
1
6 2 4 2 7
6 1 0
7
(a) A = 6
(b) A = 6
4 1 1 1 5,
4 2
1
2 1
1
0
2
Ejercicio 4. Calcula la factorizacion A = LU
2
1
2
A=4 1
2 2 + 1
de
las siguientes matrices

1
5
8
3
0
0
1
1
1
0
8
1
3
2
3 7
7,
1 5
1
matrices
3
2 0
1 2 7
7.
1 1 5
1 0
3
2
3 5
2
cuando sea posible. En caso contrario encuentra la factorizacion P A = LU . Determina el valor del determinante de A en funcion de .
Ejercicio 5. Encuentra los vectores de R4 que verifican que la suma de sus
componentes es 3, sus componentes segunda y cuarta son iguales y su tercera
componente es el doble de la primera.
Ejercicio 6. Resuelve los siguientes sistemas:
8
9
8
9
< x1 + x2 + x3 = 3 =
< x1 +2x2 +x3 = 5 =
2x1 +3x2 + x3 = 6 , (b)
2x1 +4x2 x3 = 7 ,
(a)
:
;
:
;
x1 +5x2 +2x3 = 8
x1 x2
= 1
41
8
9
< 2x1 +x2 + x3 = 1 =
x1 x2 +2x3 =
1 .
(c)
:
;
x1 +x2 +3x3 = 1
Ejercicio 7. Resuelve los

vectorial parametrica:
8
x1 +x2 +2x3 +2x4
>
>
<
x1 +x2 3x3 3x4
(a)
x1 +x2 +4x3 +4x4
>
>
:
x1 +x2 +5x3 +5x4
siguientes sistemas y expresa la solucion en forma

=
=
=
=
0
0
0
0
9
>
>
=
>
>
;
8
<
9
x1 +2x2 + x3
= 3 =
2x1 +4x2 +3x3 +x4 = 9 .
(b)
:
;
x1 2x2 + x3 +x4 = 2
Ejercicio 8. Discute, seg

un los valores de a 2 R, el sistema
8
9
ax
+
x
+
x
+
x
=
a
>
>
1
2
3
4
>
>
<
=
x1 + ax2 + x3 + x4 = a
.
x1 + x2 + ax3 + x4 = a >
>
>
>
:
;
x1 + x2 + x3 + ax4 = a
Ejercicio 9. Discute los siguientes sistemas seg

un los valores
8
9
8
ax + y + z + u = a >
ax + y + z =
>
>
>
>
>
<
=
<
x + ay + z + u = a
x + ay z =
(a)
, (b)
x + y + az + u = a >
3x + y + bz =
>
>
>
>
>
:
;
:
x + y + z + au = a
x y z =
Ejercicio 10. Sean
2
1
4
A= 0
1
0
2
2
1 2
1 0 5,
2 2
b=4
1
2 5
2
de los parametros:
9
a >
>
=
1
.
2 >
>
;
1
2
3
x1
6 x2 7
7
x=6
4 x3 5 .
x4
(a) Calcula los valores de y para los que el sistema Ax = b es compatible.

(b) Con = 0 y = 1, halla la solucion (o soluciones) de Ax = b que verifican
x2 = 0 y x1 x3 + x4 = 0.
Ejercicio 11. Para cada , 2 R,
2
3
2
1
6 1 7
6
7 , v2 = 6
v1 = 6
4 5
4
1
considera los vectores

3
2
3
2
1
1
6
7
6
7
7 , v3 = 6 0 7 , v4 = 6
4 1 5
4
1 5
3
1
1 7
7
5
1
y la matriz B = [v1 |v2 |v3 ] . Discute el sistema Bx = v4 seg

un los valores de y .
Ejercicio 12. Consideremos el sistema siguiente
2
3
2
3
3
1
2
3 2
1
x1
6 2
6
7
1
4 7
6
7 4 x2 5 = 6 3 7 .
4 3
4 2 5
a
1 5
x3
b
4
b
b 4
42
Determina las condiciones a satisfacer por a y b para que dicho sistema sea,
respectivamente,
(a) incompatible, (b) compatible determinado, (c) compatible indeterminado.
Ejercicio 13. Para que valores de a 2 R tiene inversa la matriz A dada por
2
3
1 2 1
A = 4 a 0 1 5?
a 1 a
Calcula la inversa para a = 0.
Ejercicio 14. Son invertibles las siguientes matrices? En caso afirmativo, calcula
sus inversas usando el metodo de Gauss-Jordan. En caso negativo, explica por
que.
2
3
2
3
2
1 0
2 0 0
1 5,
A=4 1 2
B = 4 1 1 1 5,
0
1 2
1 1 1
2
3
2
3
1 1 1
1 1 0
C = 4 0 1 1 5,
D = 4 0 1 1 5.
0 0 1
0 0 1
Ejercicio 15. Calcula, si existen, las inversas de
2
3
2
2 1 4 6
0 1 1 1
6 0 3 8 5 7
6 1 0 1 1
7
A=6
B=6
4 0 0 0 7 5,
4 1 1 0 1
0 0 0 9
1 1 1 0
7
7.
5
Ejercicio 16. Sean los vectores

2 3
2 3
2
1
1
v1 = 4 2 5 , v2 = 4 1 5 , v3 = 4
1
2
3
2 3
2 3
1
0
3
5
4
5
4
4 , v4 = 1
y v5 = 3 5 .
1
1
4
Ejercicio 17. Sean los vectores

2 3
2 3
2
1
1
v1 = 4 2 5 , v2 = 4 1 5 , v3 = 4
1
2
3
2 3
2 3
1
0
3
4 5 , v4 = 4 1 5 y v5 = 4 3 5 .
1
a
4
(a) Considera la matriz A = v1 v2 v3 v4 v5 y encuentra su forma

escalonada por filas.
(b) Son v1 , v2 y v3 linealmente independientes?
(c) Escribe, si es posible, v2 como combinacion lineal de v1 , v3 y v4 .
(d) Escribe, si es posible, v1 como combinacion lineal de v2 , v4 y v5 .
43
(a) Considera la matriz A = v1 v2 v3 v4 v5 y encuentra su forma

escalonada por filas, seg
un los valores de a 2 R. Escribir, cuando sea posible, v5
como combinacion lineal de
v1 , v2 y v3 y como
combinacion lineal de v1 , v2 y v4 .
(b) Sea la matriz B = v1 v2 v3 v4 . Discutir el sistema Bx = v5 seg
un
los valores de a 2 R encontrando su solucion cuando sea compatible.
Ejercicio 18. Dados los vectores de R5 ,
2
3
2 3
2
2
1
1
6 1 7
6 1 7
6 5
6
7
6 7
6
7 , v2 = 6 0 7 , v3 = 6 4
1
v1 = 6
6
7
6 7
6
4 3 5
4 1 5
4 2
2
1
1
7
6
7
6
7 y v4 = 6
7
6
5
4
(a) Son v1 , v2 , v3 y v4 linealmente independientes?

(b) Es v4 combinacion lineal de v1 , v2 ,y v3 ?
(c) Es v1 combinacion lineal de v2 , v3 ,y v4 ?
(d) Es v4 combinacion lineal de v1 y v2 ?
(e) Es v4 combinacion lineal de v2 ,y v3 ?
(f) Son v1 , v2 y v3 linealmente independientes?
2
6
4
3
2
7
7
7.
7
5

MATEMATICAS
I
Leccion 4. El espacio vectorial Rn.

Gui
on de la lecci
on.
1. Subespacios vectoriales de Rn .
Subespacio vectorial. Se llama subespacio vectorial de Rn a todo subconjunto
no vaco S Rn que verifica que si dos vectores estan en S, entonces tambien lo
esta cualquiera de sus combinaciones lineales, esto es,
si u, v 2 S y ,
2 R entonces u + v 2 S.
Notas:
(1) El vector nulo pertenece a cualquier subespacio vectorial.
(2) S = {0} y S = Rn son subespacios vectoriales llamados subespacios triviales.
(3) En el espacio bidimensional R2 los subespacios son, ademas de los dos
subespacios triviales, las rectas que pasan por el origen.
(4) En el espacio tridimensional R3 los subespacios son, ademas de los dos
subespacios triviales, las rectas y planos que pasan por el origen.
Subespacio generado por un conjunto de vectores. Dado un conjunto de
vectores {v1 , v2 , . . . , vp } de Rn , se llama subespacio generado por dichos vectores
al conjunto de todas las combinaciones lineales de dichos vectores,
Gen {v1 , v2 , . . . , vp } = {1 v1 + 2 v2 + + p vp : 1 , 2 , . . . , p 2 R} .
Propiedades de los subespacios generados.
(1) Gen{v1 , v2 , . . . , vp } es un subespacio vectorial de Rn .
(2) Gen{v1 , v2 , . . . , vp } Gen{v2 , . . . , vp } .
(3) Gen{v1 , v2 , . . . , vp } = Gen{v1 , v2 , . . . , vp } si 6= 0.
(4) Gen{v1 , v2 , . . . , vp } = Gen{v1 + v2 , v2 , . . . , vp } .
(5) El subespacio generado por un conjunto de vectores no cambia al a
nadir
combinaciones lineales de dichos vectores.
(6) El subespacio generado por un conjunto de vectores no cambia al quitar
vectores que sean combinacion lineal de los restantes.
45
46

2. Espacio columna y espacio nulo de una
2
a11 a12
6 a21 a22
6
A partir de una matriz A = 6 ..
..
...
4 .
.
matriz.
3
a1n
a2n 7
7
.. 7 se pueden definir dos
. 5
am1 am2 amn
subespacios vectoriales importantes: el espacio nulo y el espacio columna.
Espacio nulo de una matriz. Se denomina espacio nulo de la matriz A al
conjunto solucion del sistema homogeneo Ax = 0,
N ul(A) = {x 2 Rn : Ax = 0} .
El espacio nulo de2A es 3
un subespacio vectorial contenido en Rn .
x1
6 x2 7
6
7
Un vector x = 6 .. 7 2 Rn pertenece al espacio nulo de A si y solo si Ax = 0,
4 . 5
xn
esto es, si y solo si,
9
a11 x1 + a12 x2 + + a1n xn = 0 >
>
>
a21 x1 + a22 x2 + + a2n xn = 0 =
..
. >
>
>
am1 x1 + am2 x2 + + amn xn = 0 ;
Estas ecuaciones son llamadas ecuaciones implcitas del espacio N ul(A).
Espacio columna de una matriz. Se denomina espacio columna de la matriz

A al conjunto formado por todas las combinaciones lineales de las columnas de
A, es decir, si v1 , v2 , . . . , vn 2 Rm son los n vectores columnas de A,
Col(A) = Gen {v1 , v2 , . . . , vn } .
El espacio columna2de A3es un subespacio vectorial contenido en Rm .
y1
6 y2 7
6
7
Un vector y = 6 .. 7 2 Rm pertenece al subespacio columna de A si y solo
4 . 5
ym
si existen 1 , 2 , . . . , n 2 R tal que
2
3
1
6 2 7
6
7
y = 1 v1 + 2 v2 + + n vn = A 6 .. 7 ,
4 . 5
n
47
esto es, existen 1 , 2 , . . . , n 2 R tal que

8
>
y1 = 1 a11 + 2 a12 + + n a1n ,
>
>
< y2 = 1 a21 + 2 a22 + + n a2n ,
..
>
.
>
>
: y = a + a + + a .
m
1 m1
2 m2
n mn
Estas ecuaciones son llamadas ecuaciones parametricas del espacio Col(A).

En particular ocurre que
Col(A) = {y 2 Rm : Ax = y es un sistema compatible} .
Ecuaciones implcitas y param
etricas de un subespacio. Todo subespacio
vectorial de Rn puede describirse como el espacio nulo de una matriz. Se denominan ecuaciones implcitas del subespacio a unas ecuaciones implcitas de dicho
espacio nulo. De forma analoga, todo subespacio vectorial de Rn puede describirse
como el espacio columna de una matriz. Se denominan ecuaciones parametricas
del subespacio a unas ecuaciones parametricas de dicho espacio columna.
3. Bases y dimensi
on de un subespacio vectorial.
Base de un subespacio. Dado un subespacio vectorial S Rn distinto del
subespacio nulo S 6= {0} , se dice que un conjunto de vectores {v1 , v2 , . . . , vp } de
S es una base de S si:
(1) {v1 , v2 , . . . , vp } es un conjunto linealmente independiente.
(2) {v1 , v2 , . . . , vp } generan S, esto es, S =Gen{v1 , v2 , . . . , vp } .
Caracterizaci
on matricial de base. Sea S Rn un subespacio no nulo. El
conjunto {v1 , v2 , . . . , vp } S es una base de S si y solo si la matriz
2 . .
..
.. ..
.
6
A = 4 v1 v2
.. ..
..
.
. .
.. 3
.
7
vp 5
..
.
verifica que N ul(A) = {0} y Col(A) = S.
Base can
onica de Rn . Los vectores de Rn ,
8
2 3
2 3
2
>
1
0
0
>
>
<
6 0 7
6 1 7
6 0
6 7
6 7
6
e1 = 6 .. 7 , e2 = 6 .. 7 , . . . , en = 6 ..
>
4 . 5
4 . 5
4 .
>
>
:
0
0
1
forman una base de Rn , llamada base canonica de Rn .
39
>
>
7>
=
7
7
5>
>
>
;
48
Coordenadas de un vector respecto de una base. Sea S un subespacio

vectorial con base {v1 , v2 , . . . , vp }, cada vector v de S se puede expresar de forma
u
nica como combinacion lineal de los vectores de la base dada,
v = c1 v1 + c2 v2 + + cp vp .
Los coeficientes que aparecen en dicha expresion (c1 , c2 , . . . , cp ) se denominan
coordenadas de v respecto a la base dada B = {v1 , v2 , . . . , vp } y se suele denotar
por
2
3
c1
6 c2 7
6
7
[v]B = 6 .. 7
4 . 5
cp
Dimensi
on de un subespacio vectorial. Dado un subespacio vectorial S de
Rn distinto del subespacio nulo S 6= {0} , se verifican:
(1) S tiene base.
(2) Todas las bases de S tienen el mismo n
umero de elementos.
Al n
umero de elementos de una base de S se le denomina dimension de S, que
denotaremos como dim(S). Por definicion, la dimension del subespacio formado
por el vector nulo es cero.
El espacio vectorial Rn tiene dimension n y si S es un subespacio vectorial de
Rn y dim(S) = n, entonces S = Rn .
Relaci
on de la dimensi
on de un subespacio con el rango de una matriz.
Sea A una matriz m n cualquiera.
(1) dim(Col(A)) = r(A).
(2) r(A) = r(AT ).
(3) Teorema del rango.
dim(Col(A)) + dim(N ul(A)) = n.
Si la matriz A representa la matriz de coeficientes de un sistema de ecuaciones
lineales compatible, entonces el Teorema del rango se puede expresar mediante
(n
umero de pivotes) + (n
umero de variables libres) = n.
Teorema de la base. Consideremos un subespacio vectorial S de Rn de dimension p (p n) y un conjunto de vectores {u1 , u2 , . . . , uq } S.
(1) Si {u1 , u2 , . . . , uq } generan S, entonces q p. Ademas, q = p si y solo si
{u1 , u2 , . . . , uq } es una base de S.
(2) Si {u1 , u2 , . . . , uq } es linealmente independiente, entonces q p. Ademas
q = p si y solo si {u1 , u2 , . . . , uq } es una base de S.
49
Cambio de base. Sean dos bases B = {v1 , v2 , . . . , vn } y U = {u1 , u2 , . . . , un } de

Rn y las matrices B y U cuyas columnas son, respectivamente, los vectores de
dichas bases, esto es,
2 . .
2 .
..
.. 3
..
..
.. 3
.. ..
.
.
.
.
.
.
.
6
7
6
7
B = 4 v1 v2 vn 5
U = 4 u 1 u2 un 5 .
.. ..
..
..
..
..
..
..
. .
.
.
.
.
.
.
La matriz
P = B 1U
U
permite cambiar las coordenadas de cualquier vector respecto de la base U a sus

coordenadas respecto de B, esto es, si v 2 Rn entonces
[v]B = P [v]U .
B
Propiedades de la matriz de cambio de base. Sean dos bases B y U de Rn .

(1) Si U = {u1 , u2 , . . . , un } , entonces
P = [u1 ]B [u2 ]B [un ]B ,

B
esto es, las columnas de la matriz del cambio estan formadas por las coordenadas
de los vectores de la base U respecto de la base B.
(2) La matriz del cambio de base es invertible y se tiene que P =

U
4. Transformaciones lineales.
Transformaci
on lineal.
Se dice que una transformacion T : Rn ! Rm que
2
3
x1
6 .. 7
a cada vector x = 4 . 5 2 Rn hace corresponder como imagen un vector
2
xn
y1
6 .. 7
T x = y = 4 . 5 2 Rm es lineal si se verifica que
ym
T (x + x
b) = T (x) + T (b
x) para todo x, x
b 2 Rn y todo ,
2 R.
Propiedades de las transformaciones lineales.

(1) Toda transformacion lineal T : Rn ! Rm debe transformar el vector nulo
de Rn en el vector nulo de Rm .
(2) Toda transformacion lineal T : Rn ! Rm transforma una combinacion
lineal de los vectores {v1 , v2 , . . . , vp } de Rn en una combinacion lineal de los
vectores {T (v1 ) , T (v2 ), . . . , T (vp )} de Rm .
50
(3) Toda transformacion lineal T : Rn ! Rm transforma un subespacio S de

R en otro subespacio T (S) de Rm dado por
n
T (S) = {T (x) : x 2 S} = {y 2 Rm : existe x 2 S con T (x) = y} .

Representaci
on matricial. Dada una transformacion lineal T : Rn ! Rm ,
existe una u
nica matriz A (de dimensiones m n ) que verifica que la imagen
de cualquier vector x 2 Rn es T (x) = Ax 2 Rm , esto es, es la u
nica matriz que
n
al multiplicarla por un vector x 2 R arbitrario da el vector transformado de x
mediante T. A esa matriz A se le denomina matriz asociada a T (respecto a las
bases canonicas {e1 , e2 , . . . , en } de Rn y {e01 , e02 , . . . , e0n } de Rm )
Ademas, esa matriz tiene por columnas los vectores T (e1 ), T (e2 ), . . . T (en ),
2
3
..
..
..
.
.
.
6
7
A = 4 T (e1 ) T (e2 ) T (en ) 5
..
..
..
.
.
.
N
ucleo e imagen de una transformaci
on lineal. Consideremos una transn
m
formacion lineal T : R ! R . Se denomina n
ucleo de T al subespacio vectorial
n
de R
{x 2 Rn : T (x) = 0} .
Se llama imagen de T al subespacio vectorial de todos los vectores de Rm que
son imagen de algun vector de Rn , esto es,
T (Rn ) = {T (x) : x 2 Rn } = {y 2 Rm : existe x 2 Rn con T (x) = y} .
Observese que si A es la matriz asociada a la transformacion T , entonces el
n
ucleo de T coincide con N ul(A) y la imagen de T coincide con Col(A).
51
Ejercicios.
Ejercicio 1. Consideremos en R3 el conjunto S formado por aquellos vectores
tales que la suma de sus componentes valen 0. Es S un subespacio vectorial? Y
el conjunto Sb formado por aquellos vectores tales que la suma de sus componentes
valen 1?
Ejercicio 2. Determina cuales de los siguientes conjuntos de vectores son subespacios vectoriales:
(a) El conjunto de los vectores (x1 , x2 ) 2 R2 cuyas coordenadas verifican,
respectivamente,
(a.1) x1 x2 = a (a 2 R),
(a.2) x1 + 2x2 = 0 o x1 x2 = 0,
(a.3) x21 + x22 = a (a 2 R),
(a.4) x1 + 2x2 = a y x1 x2 = b, (a, b 2 R).
(b) El conjunto de los vectores (x1 , x2 , x3 ) 2 R3 cuyas coordenadas verifican,
respectivamente,
(b.1) (x1 + x2 )(x2 + x3 ) = 0,
(b.2) x1 = 0 y (x2 = 0 o x3 = 0),
8
9
< x1 = ,
=
x2 = + 2 , para alg
(b.3) Se pueden expresar de la forma
un 2 R.
:
;
x3 = 0,
(b.4) x1 + x2 + x3 0.
(c) El conjunto de los vectores (a1 , a2 , . . . , an ) 2 Rn tales que cada una de las
coordenadas a3 , . . . , an es la media (aritmetica) de las coordenadas anteriores.
Ejercicio 3. Para cada b 2 R, considera la matriz
2
3
1
1
1
1
2
0
1 5.
B=4 1
0
b
1
2
Encuentra, seg
un los valores de b, un conjunto generador linealmente independiente del espacio N ul(B).
Ejercicio 4. Para cada a 2 R, considera
2
0
6 1
A=6
4 2
1
la matriz
3
1
1
1
3 7
7.
0
4 5
2
a
Encuentra, seg
un los valores de a, unas ecuaciones implcitas del espacio Col(A).
Para a = 1, escribe razonadamente, si es que existe, una matriz C de dimensiones
4 5 tal que Col(C) = Col(A).
52
Ejercicio 5. Dada la matriz

2
6
A=6
4
1
2
1
1
0
2
4
2
1
2
0
1
2
5
3
3
3
1
0 7
7.
3 5
1
Considera los subespacios N ul(A) y Col(A) y encuentra, para cada uno de ellos,
unas ecuaciones implcitas, unas ecuaciones parametricas y un sistema generador.
Ejercicio 6. Halla las ecuaciones parametricas
2
1
2
0
6 1
3
3
6
0
1
1
A=6
6
4 1
2
4
2
3
1
de N ul(A), siendo A la matriz

3
0
0 7
7
0 7
7.
0 5
0
Ejercicio 7. Encuentra unas ecuaciones implcitas del subespacio de R4 dado por

82 3 2 3 2
3 2
3 2
39
1
2
0
0
1
>
>
>
>
<6 7 6 7 6
7 6 2 7 6 1 7=
1
0
2
6
7
6
7
6
7
6
7
6
7
E = Gen 4 5 , 4 5 , 4
,
,
.
1 5 4 1 5 4 0 5>
1
1
>
>
>
:
;
0
2
2
2
2
Ejercicio 8. Determina dos bases distintas de cada uno de los subespacios siguientes as como ecuaciones implcitas independientes para cada uno de ellos:
(a) Vectores de R3 que pueden expresarse como combinacion lineal de
2
3
2 3
1
1
v1 = 4 0 5 y v2 = 4 1 5
2
1
y cuyas coordenadas verifican la ecuacion x1 x2 + x3 = 0.
(b) Subespacio de R4 generado por los vectores
2
3
2
3
2 3
2
1
2
1
6 0 7
6
7
6 7
6
7 , v2 = 6 0 7 v3 = 6 1 7 y v4 = 6
v1 = 6
4 2 5
4 4 5
4 1 5
4
0
0
1
(c) Subespacio de R4 definido por las ecuaciones implcitas
8
9
< x1 x2 + x3 x4 = 0 =
2x1 + x2 + x3 = 0
.
:
;
3x1 2x2
x4 = 0
3
3
2 7
7.
0 5
2
53
Ejercicio 9.
(a) Demuestra que para una matriz cuadrada A se verifica que
N ul(A) N ul(A2 ) y Col(A) Col(A2 )
(b) Demuestra que para dos matrices A y B con las dimensiones adecuadas
se verifica que
N ul(B) N ul(AB) y Col(A) Col(AB).
Ejercicio 10. Extiende a una base de Rn el conjunto linealmente independiente
que se da:
(a) {v1 = (1, 1, 1)} en R3 .
(b) {v1 = (1, 3, 4), v2 = (1, 0, 2)} en R3 .
(c) {v1 = (1, 1, 0), v2 = (1, 3, 0)} en R3 .
(d) {v1 = (1, 1, 0, 1), v2 = (2, 1, 0, 3)} en R4 .
Ejercicio 11. Determina la dimension del espacio columna de
trices:
2
3
2
0 1
1 2
0
1 1
1
6 0 2 1
7
6 3 2 3
2
2
7, B = 6
A=6
4 0 1
4 2 1 2
1 2
0 5
0 0
1
2 3
0 1 0
las siguientes ma3

2
2 7
7.
2 5
2
Ejercicio 12. Sea A una matriz 20 15 cuyo rango es rango(A) = 12. Determina
la dimension de los siguientes subespacios vectoriales,
Col(A), N ul(A), Col(AT ) y N ul(AT ).
Ejercicio 13. Halla las matrices de cambio
y la base
8
2
3
2
2
<
B = v1 = 4 1 5 , v2 = 4
:
0
2
y obten las coordenadas del vector u = 4
de base entre la base canonica de R3

3
2
1
2 5 , v3 = 4
3
3
39
1 =
0 5
;
1
0
4 5 respecto de la base B.
10
Ejercicio 14. Sean B1 = {u1 , u2 , u3 , u4 } y B2 = {v1 , v2 , v3 , v4 } dos bases de R4

tales que
u1
u2
u3
u4
=
=
=
=
v1 v2 ,
v2 ,
v2 2v3 ,
v1 + v2 + v3 + v4 .
54
Halla las matrices de cambio de base entre las bases B1 y B2 .
2
3
Ejercicio 15. Considera la base B = u1 =
, u2 =
de R2 . Obten,
1
1
en dicha base, unas ecuaciones implcitas y una ecuaciones parametricas de los
subespacios que, en la base canonica, vienen definidos mediante
E x1 + x2 = 0,
F x1 2x2 = 0,
1
G = Gen
,
1
3
H = Gen
.
1
Ejercicio 16. Dadas las bases de R2
2
5
B 1 = u1 =
, u2 =
2
1
y B2 =
v1 =
3
1
, v2 =
4
1
(a) Halla las matrices de cambio de base entre B1 y B2 .

(b) Obten las coordenadas respecto de
la base B2 del vector v cuyas coorde2
nadas respecto de la base B1 son [v]B1 =
.
1
Ejercicio 17. Cuales de las siguientes transformaciones T : R2 ! R3 son lineales?

2
3
2 x 3
x1 + x2
e1
x1
x
1
T
= 4 2x1 5 ,
T
= 4 0 5.
x2
x2
x1 x2
x2
Ejercicio 18. Sea T : R3 ! R3 la transformacion dada por
02
31 2
3
x1
x1 + x2
5.
x3 x1
T @4 x 2 5 A = 4
x3
x1 x2 x3
Se pide:
(a) Comprobar que T es una transformacion lineal.
(b) Hallar la matriz A asociada a T (respecto de las bases canonicas).
Ejercicio 19. Sea T : R3 ! R3 la transformacion lineal que
02 3 1 2
3
02 3 1 2
3
02
1
1
0
1
T @4 0 5 A = 4 1 5 , T @4 1 5 A = 4 1 5 y T @4
1
2
1
2
verifica
31 2
0
1 5A = 4
1
3
1
1 5.
2
55
Se pide:
(a) Hallar la matriz A que representa a T cuando se trabaja con las bases
canonicas.
(b) Determina el n
ucleo de T .
2
3
x1
Ejercicio 20. Dada la transformacion lineal T : R3 ! R3 que a cada x = 4 x2 5
x3
le hace corresponder
2
3
x1 x2
T (x) = 4 ax2 x3 5 2 R3 .
x1 + ax3
(a) Halla la matriz A asociada a la transformacion lineal T (respecto de las
bases canonicas).
(b) Encuentra una base de la imagen de T seg
un los valores de a 2 R.
(c) Para a = 1, obten unas ecuaciones implcitas de la imagen de T y una
base del n
ucleo de T .
Ejercicio 21. Sea T
2
02 3 1
1
6
@
4
2 5A = 6
T
4
0
: R3 ! R4 la transformacion lineal que verifica

3
2
3
2
02 3 1
02 3 1
1
0
1
1
6
7
6
1 7
7 , T @4 1 5 A = 6 3 7 y T @4 0 5 A = 6
4 0 5
4
1 5
0
1
2
3
3
1
4 7
7.
1 5
5
(a) Calcula la matriz A asociada a T .

(b) Encuentra una base y unas ecuaciones implcitas de la imagen de T .
(c) Obten una base y unas ecuaciones implcitas del n
ucleo de T .
Ejercicio 22. Sea T : R5 ! R3 la transformacion lineal con matriz asociada A

que verifica
2 3
2 3
1
1
x1 + 2x3 = 0,
4
5
4
5
T (e1 ) = 0 , T (e2 ) = 2
y N ul(A) =
x2 3x4 = 0.
3
0
(a) Halla un sistema generador linealmente independiente de N ul(A).
(b) Encuentra la matriz A.
(c)
2 Halla
3 unas ecuaciones implcitas del subespacio Col(A) y razona si el vector
1
6 0 7
7
v=6
4 2 5 pertenece a dicho subespacio.
0
Ejercicio 23. Determina la matriz A de una transformacion lineal T : R3 ! R2

sabiendo que el N ul(A) viene dado por la ecuacion implcita x1 x2 x3 = 0 y
56
que

02
31
1
2
@
4
5
A
1
T
=
1
1
Ejercicio 24. Se considera la transformacion lineal T cuya matriz asociada es
1 2 1 2
A=
.
2 4 1 3
(a) Determina la imagen de T .
(b) Calcula los vectores del n
ucleo de T que, a su vez, verifican el sistema de
ecuaciones
x1 + 4x2 2x3 + x4 = 2,
x1 + 6x2 4x3 + x4 = 4.
(c) Sea S el conjunto de los vectores encontrados en el apartado anterior. Es
S un subespacio vectorial de R4 ? Justifica la respuesta.
Ejercicio 25. Sea T : R3 ! R4 la aplicacion lineal dada por
2
3
3
1 2
3 2
x1
6 2
7
1 4 74
x2 5 .
T (x) = 6
4 3 a
1 5
x3
b 4
b
Determina las condiciones que deben satisfacer los n

umeros a y b para que el
vector v = ( 1, 3, 2, b 4) verifique respectivamente:
(a) No pertenezca a la imagen de T .
(b) Sea la imagen de un u
nico vector de R3 .
(c) Sea la imagen de infinitos vectores de R3 .
Ejercicio 26.
(a) Sea T : R2 ! R2 la transformacion lineal que corresponde a un giro de
centro el origen de coordenadas y angulo (en el sentido positivo). Halla la matriz
del giro T.
(b) Sea T : R2 ! R2 la transformacion lineal que corresponde a una homotecia
de razon r, esto es, T (x, y) = (rx, ry). Halla la matriz que representa a dicha
homotecia.
(c) Sea T : R2 ! R2 la transformacion lineal que corresponde a la proyeccion
ortogonal sobre la recta y = mx. Halla la matriz de la proyeccion T.
(d) Sea T : R2 ! R2 la transformacion lineal que corresponde a la simetra
respecto de la recta y = mx. Halla la matriz de la simetra T.
Ejercicio 27. Determina la matriz de cada una de las siguientes transformaciones
lineales:
(a) Proyeccion ortogonal sobre la recta 2x 3y = 0.

3y
= 0.
2x 3y + z = 0
(c) Proyeccion ortogonal sobre la recta
x+y+z =0
(d) Simetra respecto de la recta del apartado anterior.
(e) Proyeccion ortogonal sobre el plano 2x 3y + z = 0.
(f) Simetra respecto al plano 2x 3y + z = 0.
57
(b) Simetra respecto de la recta 2x
Ejercicio 28. Describe como se transforman:

(a) los vectores canonicos,
(b) el cuadrado unidad,
(c) el rectangulo [2, 4] [1, 2]
mediante las matrices
1
3 0
1 2
1 1
A=
, B=
, C=p
0
2
0 1
1 1
2
, D=
1 1
1 1

MATEMATICAS
I
Leccion 5. Ortogonalidad. Mnimos cuadrados.

Gui
on de la lecci
on.
1. Producto escalar y ortogonalidad.
6
6
Producto escalar. Consideremos dos vectores u = 6
4
c1
c2
..
.
7
6
7
6
7,v = 6
5
4
d1
d2
..
.
cn
dn
se denomina producto escalar de los vectores u y v, al n
umero real
7
7
7 2 Rn ,
5
u u = uT v = c 1 d 1 + c 2 d 2 + + c n d n .
Norma de un vector. Se denomina norma del vector v 2 Rn al n
umero real
no-negativo
p
kvk = v v 0,
Distancia entre dos vectores. Se denomina distancia entre u, v 2 Rn al n
umero real no-negativo
d(u, v) = ku vk .
Angulo
entre dos entre dos vectores. El angulo determinado por dos vectores
no nulos u, v 2 Rn puede caracterizarse mediante la igualdad
u v = kuk kvk cos(d
u, v)
Propiedades del producto escalar. Sean u, v 2 Rn y 2 R, se verifican:
(1) kvk = 0 si y solo si v = 0.
(2) kvk = || kvk .
(3) Desigualdad triangular: ku + vk kuk + kvk .
Como consecuencia ku vk kuk + kvk .
(4) Desigualdad de Cauchy-Schwartz: |u v| kuk kvk .
Vectores ortogonales. Se dice que dos vectores u, v 2 Rn son ortogonales, y se

denota por u ? v, si su producto escalar vale 0, esto es, si u v = 0.
59
60
En general, el conjunto de vectores {v1 , v2 , . . . , vp } de Rn es ortogonal si cada

uno de los vectores vk es ortogonal a todos los demas, esto es, vk vj = 0 para
j 6= k. Si ademas, cada uno de los vectores vk tiene norma igual a 1, esto es,
vk vj = 0 y kvk k = 1 para j 6= k y k, j 2 {1, 2, . . . , p}.
se dice que el conjunto es ortonormal.
Propiedades de la ortogonalidad.
(1) Los vectores u, v 2 Rn son ortogonales si y solo si forman un angulo de 90
grados.
(2) Teorema de Pitagoras. Los vectores u, v 2 Rn son ortogonales si y solo si
ku + vk2 = kuk2 + kvk2 .
(3) Si {v1 , v2 , . . . , vp } es un conjunto de vectores no nulos ortogonales dos a
dos, entonces son linealmente independientes.
2. El subespacio ortogonal a un subespacio dado.
Subespacio ortogonal a uno dado. Dado un subespacio vectorial S de Rn
se denomina subespacio ortogonal de S al conjunto S ? formado por todos los
vectores de Rn que son ortogonales a todos los de S,
S ? = {v 2 Rn : v ? u para todo u 2 S} .
El subespacio ortogonal al subespacio nulo {0} es Rn y viceversa.
Propiedades del subespacio ortogonal. Dado un subespacio S de Rn se verifica:
(1) S ? es un subespacio vectorial.
?
(2) S ? = S.
(3) El u
nico vector que esta en S y en S ? es el vector nulo.
(4) Si S = Gen {v1 , v2 , . . . , vp } entonces
v 2 S ? si y solo si v ? v1 , v ? v2 , . . . , v ? vp ,
esto es, para probar que un vector es ortogonal a todos los vectores de un subespacio vectorial S basta ver que es ortogonal a los vectores que generan a S.
(5) Si A es una matriz real m n. Se verifica:
(Col(A))? = N ul(AT ),
(N ul(A))? = Col(AT ).
El espacio Col(AT ) se suele denominar espacio fila de la matriz A.

(6) dim(S ? ) = n dim(S).
61
3. Bases ortonormales de un subespacio. Matrices ortogonales.

Base ortonormal de un subespacio. Sea S un subespacio vectorial de Rn
y sea {v1 , v2 , . . . , vp } un conjunto de vectores de S. Decimos que {v1 , v2 , . . . , vp }
constituyen una base ortogonal de S si son base de S y, ademas, conjunto ortogonal. Decimos que {v1 , v2 , . . . , vp } constituyen una base ortonormal de S si es
una base y conjunto ortonormal.
Desarrollo de Fourier de un vector. Sea {v1 , v2 , . . . , vp } una base ortogonal
de un subespacio S de Rn . Entonces, las coordenadas de un vector v 2 S respecto
v vk
de dicha base vienen dadas por
, es decir, se verifica que
kvk k2
v=
v v1
v v2
v vp
vp .
2 v1 +
2 v2 + +
kv1 k
kv2 k
kvp k2
La expresion anterior se suele denominar desarrollo de Fourier de v respecto a la

base {v1 , v2 , . . . , vp } .
Como caso particular tenemos que si {v1 , v2 , . . . , vp } es una base ortonormal
de S, entonces
v = (v v1 ) v1 + (v v2 ) v2 + + (v vp ) vp .
Matriz ortogonal. Se denomina matriz ortogonal a toda matriz Q real cuadrada
cuyas columnas son ortonormales.
Propiedades de las matrices ortogonales. Sea Q una matriz ortogonal. Se
verifica:
(1) Q es no singular y Q 1 = QT .
(2) det(Q) = 1.
(3) QT es ortogonal. Por tanto, las filas de Q son ortonormales.
(4) Si Q0 es otra matriz ortogonal entonces QQ0 es ortogonal.
(5) Si T es la transformacion lineal asociada a la matriz Q entonces T conserva
angulos y distancias, es decir:
a) kQxk = kxk .
b) (Qx) (Qy) = x y.
c) Qx ? Qy si y solo si x ? y.
4. Proyecci
on ortogonal sobre un subespacio.
Proyecci
on ortogonal. Sea S un subespacio vectorial de Rn . Dado cualquier
vector v 2 Rn existe un u
nico vector u 2 S llamado proyeccion ortogonal de v
sobre S tal que v u 2 S ? .
De hecho, si {u1, u2 , . . . , up } es una base ortogonal de S, entonces la proyeccion
ortogonal de v sobre S es
u := proyS (v) =
v u1
v u2
v up
up
2 u1 +
2 u2 + +
ku1 k
ku2 k
kup k2
62
y la proyeccion ortogonal de v sobre S ? es proyS ? (v) = v
u.
Propiedades de la proyecci
on ortogonal. Sea S un subespacio vectorial de
Rn .
(1) Si v 2 S, entonces proyS (v) = v y proyS ? (v) = 0.
(2) Se verifica que
proyS (v) + proyS ? (v) = v.
Por tanto, todo vector v 2 Rn se puede expresar de forma u
nica como suma de
?
un vector de S y otro de S .
(3) Si {u1, u2 , . . . , up } es una base ortonormal de S, entonces la proyeccion
ortogonal de un vector v 2 Rn sobre S es
u := proyS (v) = (v u1 ) u1 + (v u2 ) u2 + + (v up ) up .
(4) La transformacion que a cada v 2 Rn le hace corresponder proyS (v) 2 S
es una transformacion lineal.
Matriz de la proyecci
on ortogonal. Sea S un subespacio vectorial de Rn . Si
U es una matriz cuyas columnas forman una base ortonormal de S, entonces la
matriz de la transformacion proyeccion ortogonal sobre S es PS = U U T , esto es,
proyS (v) = U U T v
para cualquier v 2 Rn .
Dicha matriz verifica las siguientes propiedades:

(1) (PS )2 = PS
(2) PS es simetrica.
(3) PS + PS ? = I.
Teorema de la mejor aproximaci
on. Sea S un subespacio vectorial de Rn y
consideremos un vector v 2 Rn y un vector u 2 S. Son equivalentes:
(1) u es la proyeccion ortogonal de v sobre S, esto es, u 2 S y v u 2 S ? .
(2) u es el vector de S mas proximo a v, esto es, u 2 S y para todo w 2 S se
tiene que kv uk kv wk .
63
El m
etodo de ortogonalizaci
on de Gram-Schmidt. El metodo de ortogonalizacion de Gram-Schmidt permite construir de manera progresiva una base
ortogonal de un subespacio vectorial a partir de una base de dicho subespacio e
incluso a partir de un conjunto de vectores que genere dicho subespacio. Consideremos una base {v1 , v2 , . . . , vp } de un subespacio vectorial S de Rn . Entonces
los siguientes vectores
u1 = v1
u2 = v2
u3 = v3
up
..
.
= vp
v 2 u1
u1
ku1 k2
v 3 u1
u1
ku1 k2
v 3 u2
u2
ku2 k2
v p u1
u1
ku1 k2
vp u2
u2
ku2 k2
v p up 1
up
kup 1 k2
estan bien definidos, son no nulos y ortogonales dos a dos. Ademas:

(1) {u1 , u2 , . . . , up } es una base ortogonal de S = Gen {v1 , v2 , . . . , vp } .
(2) Para cada k = 1, 2, ..., p, {u1 , u2 , . . . , uk } es una base ortogonal del subespacio Gen {v1 , v2 , . . . , vk } .
Notas:
(1) Si el objetivo es conseguir una base ortonormal de S, una vez que se ha
obtenido una base ortogonal basta normalizar los vectores obtenidos.
(2) En cada paso del metodo de Gram-Schmidt que acabamos de describir
podramos multiplicar o dividir el vector obtenido por un coeficiente no nulo y
seguir los calculos con dicho vector.
(3) Si no se parte de una base sino que, por ejemplo, el vector vk es combinacion
lineal de los anteriores v1 , v2 , . . . , vk 1 , al aplicar el metodo de Gram-Schmidt
obtenemos uk = 0. Es decir, el metodo de Gram-Schmidt devuelve el vector nulo
cuando se aplica a un conjunto de vectores linealmente dependientes.
5. Problemas de mnimos cuadrados.
Soluci
on en el sentido de los mnimos cuadrados. Sea Ax = b un sistema
de ecuaciones lineales, con A matriz m n. Encontrar una solucion en el sentido
de mnimos cuadrados consiste en encontrar un vector x0 2 Rn para el cual
kAx0 bk sea mnima, es decir,
kAx0
bk kAx
bk para todo x 2 Rn .
Ecuaciones normales de Gauss. Consideremos un sistema Ax = b con A una

matriz real m n y b 2 Rm y sea x0 2 Rn . Son equivalentes:
(1) x0 es solucion en el sentido de mnimos cuadrados del sistema Ax = b.
(2) x0 verifica Ax0 = proyCol(A) (b).
64

(3) x0 verifica AT Ax0 = AT b, es decir, es solucion del sistema lineal
AT Ax = AT b
llamado ecuaciones normales de Gauss.

Notas:
(1) Las ecuaciones normales de Gauss constituyen un sistema compatible.
(2) El sistema de ecuaciones Ax = proyCol(A) (b) es equivalente a las ecuaciones
normales de Gauss.
(3) La ecuaciones normales de Gauss forman un sistema compatible determinado si y solo si el sistema homogeneo Ax = 0 tiene solucion u
nica.
65
Ejercicios.
Ejercicio 1. Dado el subespacio
82 3 2
1
2
>
>
<6 7 6
0 7 6 1
E = Gen 6
,
4
2 5 4 2
>
>
:
1
3
3 2
7 6
7,6
5 4
39
0 >
>
=
1 7
7 ,
2 5>
>
;
1
se pide:
(a) Obtener una base y unas ecuaciones implcitas de E ? .
(b) Cual es la dimension del subespacio E ?
(c) Hallar una base de E.
Ejercicio 2. Sea F el subespacio
8
9
< 2x1 + x2 + 3x3 x4 = 0 =
3x1 + 2x2 2x4 = 0 .
F
:
;
3x1 + x2 + 9x3 x4 = 0
Se pide:
(a) Obtener una base y unas ecuaciones implcitas del subespacio F ? .
(b) Hallar la dimension del subespacio F.
2
3
1
6 3 7
7
Ejercicio 3. Descompon el vector 6
4 1 5 en suma de vectores u + v siendo u
4
2 3
2
6 1 7
7
proporcional a 6
4 0 5 y v ortogonal a u.
1
Ejercicio 4. Comprueba que la matriz
p
2 p
1/p5
2/p6
Q = 4 2/ 5
1/p6
0
1/ 6
es una matriz ortogonal.
p 3
2/p30
1/p30 5
4/ 30
Ejercicio 5. Demuestra que toda matriz A ortogonal de tamao 2 2 es la matriz

asociada a una transformacion lineal que corresponde a un giro o a una simetra
axial.
2
3
1 0 1 0
16 0 1 0 1 7
7 . Sabemos que A es la matriz de la
Ejercicio 6. Sea A = 6
24 1 0 1 0 5
0 1 0 1
proyeccion ortogonal sobre un subespacio S de R4 , esto es, A = PS , se pide:
66

(a) Encontrar una base ortonormal del subespacio S.2
3
1
6 1 7
7
(b) Calcular la proyeccion ortogonal del vector v = 6
4 1 5 sobre los subespa1
?
cios S y S .
Ejercicio 7. Sea S el subespacio de R4 dado por
82 3 2 3 2
0
1
>
>
<6 7 6 7 6
0
7,6 1 7,6
S = Gen 6
4
0 5 4 0 5 4
>
>
:
1
2
2
3
a1 b1
6 a2 2 7
7
y sea A la matriz A = 6
4 a3 b2 5 , se pide:
2 b3
39
0 >
>
=
0 7
7
1 5>
>
;
1
3
1
6 1 7
7
(a) Hallar la proyeccion ortogonal del vector v = 6
4 1 5 sobre S.
1
(b) Calcular A sabiendo que Col(A) esta contenido en S ? .
Ejercicio 8. Sea S el subespacio de R3 de ecuacion implcita x1 x3 = 0 y

sea T : R3 ! R3 la aplicacion lineal que tiene asociada (respecto de las bases
canonicas) la matriz
2
3
3
2 1
1 2 5,
A=4 0
2
1 0
se pide:
(a) Encontrar una base de T (S).
3
1
(b) Hallar la proyeccion ortogonal del vector v = 4 1 5 sobre el subespacio
1
T (S). Cual es la proyeccion ortogonal de v sobre el subespacio (T (S))? ?
3
Ejercicio 9. Para cada 2 R, considera el subespacio
H de
2 3
2 R3 de ecuacion
1
1
4
5
4
implcita x1 +x2 +4x3 = 0 y los vectores v1 = 1 y v2 = 0 5 . Determina
2
2
para que la proyeccion ortogonal de v1 sobre H sea perpendicular a v2 .
Ejercicio 10. Halla la proyeccion ortogonal de los siguientes vectores sobre los
subespacios que se indican:

2
6
(a) 6
4
67
3
4
1 7
7 sobre el subespacio definido por x1 + x2 + x3 + x4 = 0.
3 5
2
3
1
6 1 7
4
7
(b) 6
4 1 5 sobre el subespacio de R dado por:
1
E
2
(c) 4
la matriz
y + z 2t = 0
y+z = 0
3
3
4 5 sobre el subespacio T (E) siendo T la aplicacion lineal dada por
5
2
1 0
4
1 1
A=
0 1
y E el subespacio de R3 dado por x
3
1
0 5
1
z = 0.
Ejercicio 11. Halla el vector perteneciente al subespacio de R4 generado por los

vectores
2
3 2
3 2
3
2
1
1
6 0 7 6 2 7 6 2 7
6
7 6
7 6
7
4 1 5,4 2 5 y4 0 5
2
0
2
2 3
1
6 1 7
7
que esta mas cerca del vector 6
4 1 5.
1
Ejercicio 12. Consideremos los vectores y el subespacio vectorial dados por
2
3
1
v1 = 4 1 5 ,
3
3
2
v2 = 4 5 ,
3
u = 4 0 5;
1
S x1 + x2 + x3 = 0.
Determina sabiendo que proyS (v1 ) = proyS (v2 ) = u.

Ejercicio 13. Sean S1 y S2 los subespacios vectoriales de R4 definidos mediante
S1 x1 + x2 + x3 + x4 = 0,
y S2 x 1 + x 2
x3
x4 = 0.
68
Determina el vector v 2 R4 cuyas proyecciones ortogonales sobre S1 y S2 son,

respectivamente,
2
3
2
3
3
7
6 5 7
6
7
7 , u2 = proyS2 (v) = 6 1 7 .
u1 = proyS1 (v) = 6
4 5 5
4 7 5
3
1
Ejercicio 14. Sea A una matriz 4 3 tal que
3
2
39
1
2 >
>
6 1 7
6 1 7=
?
6
7
6
7
Col(A) = Gen v1 = 4
,v =
.
1 5 2 4 0 5>
>
>
>
:
;
0
1
2 3
1
6 1 7
4
7
(a) Calcula la proyeccion ortogonal del vector v = 6
4 1 5 2 R sobre el subes1
pacio Col(A).
2
3
1 0
6 2 1 7
7
(b) Determina la matriz A sabiendo que es de la forma A = 6
4 5.

82
39
3 =
<
N ul(A) = Gen 4 5 5 ,
:
;
1
8
>
>
<
Ejercicio 15. Halla una base ortonormal del espacio Col(A) y del espacio N ul(A)
siendo
2
3
1
1
0
6 0
1
1 7
7.
A=6
4 1
1
1 5
1
1
1
Ejercicio 16. Dado el subespacio
82 3 2
a
>
>
<6 7 6
0 7 6
E = Gen 6
,
4
0 5 4
>
>
:
0
3 2
a
6
a 7
7,6
b 5 4
0
39
a >
>
=
b 7
7 con a, b 2 R.
a 5>
>
;
1
(a) Halla una base ortonormal del subespacio E seg

un los valores de los
parametros a y b.
2
3
1
6 1 7
7
(b) Halla la proyeccion ortogonal sobre E del vector v = 6
un los
4 1 5 , seg
1
valores de los parametros a y b.
(c) Dado F
8
<
:
y b para que F = E ? .
69
9
x1 = 0 =
5x1 + x2 + 3x3 = 0 , determina los valores de a
;
2x1 + 3x2 x3 + x4 = 0
Ejercicio 17. Dado el subespacio S R3 definido por x1 2x2 + 2x3 = 0, se

pide:
(a) Halla la matriz de la proyeccion ortogonal sobre S. Cual es la matriz de
la proyeccion ortogonal sobre S ? ?
(b) Determina una base de S ? .
2
3
2 0
(c) Demuestra que Col(A) = S, siendo A = 4 0 1 5 .
1 1
2 3
1
4
(d) Halla el vector de S que dista menos de v = 1 5.
1
Ejercicio 18. Aplica el8m
2 etodo
3 2de Gram-Schmidt
3 2 3 2 a:39
1
1
0
0 >
>
>
<6 7 6 7 6 7 6 7>
=
0
1
1
7,6 7,6 7,6 1 7 .
(a) La base de R4 , 6
4 1 5 4 0 5 4 1 5 4 1 5>
>
>
>
:
;
0
0
1
0
(b) Las columnas de las matrices
2
3
2
3
1 1
1 1
A = 4 0 1 5, B = 4 1 2 5.
1 0
2 1
Ejercicio 19. Consideremos el subespacio E definido mediante

82 3 2 3 2
39
a
a
a
>
>
>
>
<6 7 6 7 6
7=
0
a
b
6
7
6
7
6
7
E = Gen 4 5 , 4 5 , 4
, a, b 2 R.
0
b
a 5>
>
>
>
:
;
0
0
1
(a) Halla una base ortonormal del subespacio E seg

un los valores de a y b.
(b) Halla la matriz de la proyeccion ortogonal sobre E, cuando a = 0.
(c) Calcula los valores de los parametros a y b tales que el subespacio dado
por las ecuaciones
8
9
x1 = 0 =
<
5x1 + x2 + 3x3 = 0 .
:
;
2x1 + 3x2 x3 + x4 = 0
sea ortogonal a E.
70
Ejercicio 20. Dados el subespacio E

triz
6
A=6
4
82 3 2
1
0
>
>
<6 7 6
0 7 6 1
= Gen 6
,
4
0 5 4 0
>
>
:
1
2
3
a1 b 1
a2 2 7
7.
a3 b 2 5
2 b3
39
0 >
>
7 6 0 7=
7 , 6 7 y la ma5 4 1 5>
>
;
1
3 2
(a) Calcula una base de E ? .

(b) Halla la matriz de la proyeccion ortogonal sobre E.
?
(c) Calcula A sabiendo que Col(A))
2
3esta contenido en E .
1
6 1 7
7
(d) Resuelve Ax = b con b = 6
4 0 5, en el sentido de los mnimos cuadrados.
0
Ejercicio 21. Considera los vectores v1 , v2 , v3 y v4 de R4 y la matriz C dados por

2
3
2 3
2
3
2
3
2
3
1
0
1
1
6 1 7
6 1 7
6 1 7
6 8 7
7
6 7
6
7
6
7
v1 = 6
C = 4 v1 v2 5 .
4 2 5 , v2 = 4 2 5 , v3 = 4 2 5 , v4 = 4 1 5 ;
0
2
3
2
(a) Calcula la matriz de la proyeccion ortogonal sobre S = Gen {v1 , v2 , v3 }, el
vector de S mas cercano a v4 y la distancia de v4 a S.
(b) Resuelve, en el sentido de los mnimos cuadrados, el sistema Cx = v3 .
2
3
2 3
2 2 0
0
4
5
4
Ejercicio 22. Sea el sistema Ax = b con A = 2 2 0 y b = 2 5 . Se pide:
2 0 2
2
(a) Probar que el sistema es incompatible.
(b) Resolverlo en el sentido de mnimos cuadrados.
Ejercicio 23. Encuentra la recta y = x + que mejor se ajusta, en el sentido
de mnimos cuadrados, a al nube de puntos (0, 2), (1, 6) y (3, 0).
Ejercicio 24. Determina la conica de la familia
ax2 + 4axy + ay 2 + bx
by + 1 = 0
que mejor se ajusta, en el sentido de mnimos cuadrados, a los puntos (1, 0),
( 1, 0), ( 1, 1) y (0, 2).

MATEMATICAS
I
Leccion 6. Autovalores y autovectores.

Gui
on de la lecci
on.
1. Definici
on, propiedades e interpretaci
on geom
etrica.
Autovalor y autovector. Sea A una matriz cuadrada de orden n. Diremos que
un escalar 2 C es un autovalor de A si existe un vector v 2 Cn , v 6= 0 tal que
Av = v, en cuyo caso se dice que v es un autovector de A asociado al autovalor
. Por lo tanto, se satisface que
N ul (A
I) = {0} [ {autovectores de A asociados al autovalor } .
Notas:
(1) Si tenemos un autovector v de A asociado a un autovalor , cualquier
m
ultiplo no nulo de v tambien es un autovector de A asociado al mismo .
(2) Si tenemos dos autovectores v1 y v2 asociados a un mismo autovalor ,
cualquier combinacion lineal no nula de dichos autovectores tambien es un autovector de A asociado al mismo autovalor .
(3) Al hacer transformaciones por filas o por columnas sobre una matriz A,
los autovalores y autovectores de la matriz que se obtiene NO guardan relacion
(en general) con los autovalores y autovectores de la matriz original.
(4) En general NO se tiene que los autovalores de la matriz suma/resta/producto
de dos matrices sean las suma/resta/producto de los autovalores de cada una de
dichas matrices.
Caracterizaciones del concepto de autovalor. Dada una matriz cuadrada A
y un n
umero 0 2 C son equivalentes:
(1) 0 es un autovalor de la matriz A.
(2) El sistema homogeneo (A
0 I)x = 0 es un sistema compatible indeterminado.
(3) dim(N ul(A
1, equivalentemente, r(A
aximo.
0 I))
0 I) no es m
(4) La matriz A
0 I no tiene inversa.
(5) det(A
0 I) = 0.
71
72
Polinomio caracterstico de una matriz. Sea A = [aij ] una matriz n n. Se

denomina polinomio caracterstico de la matriz A al polinomio de grado n
p( ) = det(A
I) =
a11
a21
..
.
a12
a22
..
.
..
.
an1
an2
a1n
a2n
..
.
ann
Los autovalores de A son las soluciones de la ecuacion p( ) = 0, llamada ecuacion

caracterstica de la matriz A. Por tanto, la matriz A tiene n autovalores (no
necesariamente diferentes entre s) que pueden ser reales o complejos no-reales.
Ademas se verifica que si 1 , 2, . . . n son los autovalores de A entonces
(1) 1 2 . . . m = det(A).
(2) 1 + 2 + + n = traza(A) := a11 + a22 + + ann .
Propiedades de autovalores y autovectores. Sea A una matriz cuadrada
n n. Si es un autovalor de A y v un autovector asociado suyo, entonces:
(1) es un autovector de A y v es un autovector asociado suyo.
(2) (
) es un autovalor de A I y v es un autovector asociado suyo.
k
(3)
es un autovalor de Ak y v es un autovector asociado suyo.
(4) Si A tiene inversa, entonces 6= 0, 1 es un autovalor de A 1 y v es un
autovector asociado suyo.
(5) es autovalor de AT pero v NO es necesariamente autovector de AT .
Independencia lineal de autovectores. El conjunto formado por autovectores
de una matriz asociados a autovalores diferentes es linealmente independiente.
2. Matrices diagonalizables.
Matriz diagonalizable. Se dice que una matriz A es diagonalizable si existe
una matriz P invertible, llamada matriz de paso, y una matriz D diagonal tal que
AP = P D. Cuando esto ocurra se obtiene la siguiente factorizacion
A = P DP
denominada diagonalizacion de la matriz A.

Propiedades de las matrices diagonalizables. Sea A una matriz n n. Se
verifica:
(1) A es diagonalizable si y solo si tiene n autovectores linealmente independientes.
(2) A es diagonalizable si y solo si existe una base {v1 , v2 , ..., vn } de Cn formada por autovectores de la matriz A asociados a sus autovalores 1 , 2 , ..., n ,
73
respectivamente. Las matrices
P =
v1
v2
...
vn
6
6
yD = 6
4
0
..
.
0
...
0
2
..
.
0
3
0
0 7
7
7
0 5
m
nos proporcionan una diagonalizacion de A.

(3) Si A es diagonalizable tambien lo es cualquier potencia Ak , k = 1, 2, . . .
Mas a
un,
si A = P DP 1 entonces Ak = P Dk P 1 .
(4) Si A es diagonalizable tambien lo es cualquier matriz de la forma A
Mas a
un,
si A = P DP 1 entonces A I = P (D I) P 1 .
I.
(5) Si A tiene inversa, A es diagonalizable si y solo si lo es su inversa A 1 .

Mas a
un,
si A = P DP 1 entonces A 1 = P D 1 P 1 .
(6) A es diagonalizable si y solo si lo es AT . Mas a
un,
si A = P DP
entonces AT = P T
DP T .
Condici
on suficiente de diagonalizabilidad. Si todos los autovalores de A
son simples (A tiene n autovalores distintos) entonces A es diagonalizable.
Multiplicidades de un autovalor. Sea A una matriz nn y sea 0 un autovalor
de A. Se denomina
(1) Multiplicidad algebraica de 0 , y se denota por ma ( 0 ), a la multiplicidad
de 0 como raz del polinomio caracterstico p( ) = det(A
I) de A.
(2) Multiplicidad geometrica de 0 , y se denota por mg ( 0 ), es el n
umero
(maximo) de autovectores linealmente independientes asociados al autovalor 0 ,
esto es, la dimension del espacio N ul(A
0 I),
dim(N ul(A
Si
0 I))
=n
r (A
0 I) ,
un autovalor de una matriz A entonces 1 mg ( 0 ) ma ( 0 ).
Condici
on equivalente de diagonalizabilidad. A es diagonalizable si y solo
si para cada autovalor se verifica que mg ( ) = ma ( ).
3. Autovalores y autovectores complejos de matrices reales.
En esta seccion veremos la interpretacion en el espacio Rn de la presencia de
un autovalor complejo no-real de una matriz real A de orden n.
Veremos que dicha presencia indica que sobre un determinado plano de Rn
la matriz A act
ua como un giro, respecto a unas variables apropiadas, y una
74
homotecia. La razon de la homotecia sera el modulo del autovalor | | =

y en angulo de giro sera argumento de .
a2 + b 2
Parte real e imaginaria de un vector complejo. Si tenemos un vector complejo

2
3
c1 + id1
6
7
..
n
v=4
5 2 C con c1 , . . . , cn , d1 , . . . , dn 2 R,
.
cn + idn
los vectores reales cuyas coordenadas son, respectivamente, las partes real e imaginaria de v se denominan vector parte real y vector parte imaginaria de v, y el
vector complejo cuyas coordenadas vienen dadas por los complejos conjugados de
las coordenadas de v se denomina vector conjugado de v, v.
2
3
c1
6
7
u1 = Re(v) = 4 ... 5 ,
cn
3
d1
6
7
u2 = Im(v) = 4 ... 5 ,
dn
v = u1 + iu2 ,
v = u1
iu2 .
Autovalores y autovectores de una matriz real. Si A es una matriz real,

un autovalor de A complejo no-real y v 2 Cn un autovector de A asociado a .
Entonces tambien es autovalor de A y v 2 Cn es un autovector de A asociado
a .
Matrices reales 2 2. Autovalores y autovectores complejos. Consideremos una matriz real A de orden 2 2 con un autovalor complejo = a + ib 2 C,
(a, b 2 R, b 6= 0). Y consideremos un autovector v = u1 + iu2 2 C2 (u1 , u2 2 R2 )
de A asociado a . Entonces se verifica:
(1) A es diagonalizable y
P
AP = D =
0
0
con Q =
(2) Los vectores parte real y parte imaginaria de v, estos son, {u1 , u2 } son
linealmente independientes.
(3) Au1 = au1 bu2 , Au2 = bu1 + au2 y, por tanto,
Pb APb = C =
1
a b
b a
donde Pb =
u1
u2
(4) La transformacion lineal asociada a A es la composicion de un giro y una

homotecia en R2 .
75
Matriz diagonal por bloques. Si A es una matriz real diagonalizable entonces

existen dos matrices dadas por bloques
2
3
C1 0 0 0
6 0 C2 0 0 7
6
7
h
i
6 0 0 C3 0 7
C=6
7 y Pb = Pb1 Pb2 . . . Pbk
6 ..
..
.. . .
. 7
4 .
. .. 5
.
.
0 0 0 Ck
verificando APb = PbC, donde, para cada j = 1, ..., k:

(1) A cada autovalor real j con autovector asociado vj le corresponden los
bloques Cj = [ j ] y Pbj = [vj ] .
(2) A cada par de autovalores complejos no-reales conjugados j =
a + bi, j
a b
con autovectores asociados {vj = u1 + iu2 , v j } le corresponden Cj =
y
b a
Pbj = u1 u2 .
4. Matrices sim
etricas reales. Diagonalizaci
on ortogonal.
Las matrices simetricas reales constituyen uno de los tipos mas importantes
de matrices para las cuales puede garantizarse la diagonalizabilidad y, ademas,
mediante una matriz de paso real y ortogonal.
Autovalores y autovectores de una matriz sim
etrica real. Sea A una
matriz simetrica real Entonces:
(1) Todos los autovalores son reales y, por tanto, todos los autovectores son
reales.
(2) Si v1 y v2 son autovectores de A asociados a autovalores distintos 1 y 2 ,
entonces v1 y v2 son ortogonales.
Teorema espectral para matrices sim
etricas. Sea A una matriz real n n.
Son equivalentes:
(1) A es simetrica.
(2) A es diagonalizable mediante una matriz de paso ortogonal, es decir, existe
una matriz ortogonal Q y una matriz diagonal D tal que A = QDQT . En este
caso la matriz D recoge los autovalores de A y la matriz Q recoge, columna a
columna, autovectores ortonormales de la matriz A.
5. Matrices no diagonalizables. Autovectores generalizados.
Si A una matriz de dimension n n no diagonalizable entonces existe, por lo
menos un autovalor de A para el cual mg ( ) < ma ( ) y, por tanto, el n
umero
de autovectores de A es menor que n y no pueden constituir una base de Cn .
Autovectores generalizados. Sea A una matriz de dimension n n y sea un
autovalor de A. Se dice que un vector v 6= 0 es un autovector generalizado de A
76
asociado a si se verifica que (A

I)k v = 0 para alg
un entero positivo k, esto
es, si v pertenece al espacio N ul (A
I)k .
Si A no es diagonalizable entonces existe una base {v1 , v2 , ..., vn } de Cn formada por autovectores y autovectores generalizados de la matriz A asociados a
sus autovalores 1 , 2 , ..., n , respectivamente.
B
usqueda de autovectores generalizados. Sea A una matriz y sea
un
autovalor de A de multiplicidad algebraica ma ( ). Existe un valor 1 r ma ( )
tal que
N ul(A
I) ( N ul (A
I)2 ( . . . ( N ul ((A
I)r+1 = . . . = N ul (A
= N ul (A
I)r ) =
I)ma (
Ademas se verifica
dim N ul (A
I)ma (
= ma ( ).
6. Aplicaciones. Formas cuadr

aticas.
Forma cuadr
atica. Dada una matriz real y simetrica A2 = [a3ij ], una forma
x1
6 x2 7
6
7
cuadratica asociada a A es una aplicacion que a cada x = 6 .. 7 2 Rn le hace
4 . 5
xn
corresponder un n
umero real
t
(x) = x Ax =
n
X
aij xi xj .
i,j=1
Reducci
on de una forma cuadr
atica. Sea
una forma cuadratica en Rn ,
expresada, en la base canonica de Rn , por (x) = xt Ax siendo A una matriz
simetrica. Sea P una matriz ortogonal cuyas columnas son autovectores de A,
entonces la expresion de en la base ortonormal formada por dichos autovectores
es una suma de cuadrados
(x) =
siendo
1,
2,
b1
1x
b2
2x
+ +
2
6
6
los autovalores de A, e x
b=6
4
cn
nx
xb1
xb2
..
.
7
7
7 = P t x las coordenadas
5
x
cn
de x en la base ortonormal formada por autovectores de A.
77
Usando este resultado podemos determinar que signos puede tomar una forma
cuadratica. A partir de este resultado es obvio que si los tres autovalores de A
son positivos, entonces la forma cuadratica generada por A toma valores positivos
salvo en el origen y lo analogo ocurre para el caso en que los tres autovalores son
negativos. Esto permite hacer una clasificacion de las formas cuadraticas.
Clasificaci
on de una forma cuadr
atica. Se dice que una forma cuadratica
o, por extension, la matriz real simetrica A que la genera, es:
(1) Definida positiva si (x) > 0 para todo x 2 Rn con x 6= 0 o, equivalentemente, si todos los autovalores de A son positivos.
(2) Definida negativa si (x) < 0 para todo x 2 Rn con x 6= 0 o, equivalentemente, si todos los autovalores de A son negativos.
(3) Semidefinida positiva si (x)
0 para todo x 2 Rn y no es definida o,
equivalentemente, si 0 es un autovalor y los demas autovalores de A son positivos.
(4) Semidefinida negativa si (x) 0 para todo x 2 Rn y no es definida o,
equivalentemente, si 0 es un autovalor y los demas autovalores de A son negativos.
(5) Indefinida si no es definida ni semidefinida; o sea, si existen vectores x 2 Rn
para los que (x) > 0 y existen vectores x 2 Rn para los que (x) < 0 o,
equivalentemente, si A tiene alg
un autovalor positivo y alg
un autovalor negativo.
7. Aplicaciones. C
onicas y cu
adricas con t
erminos cruzados.
Recordemos que una conica es el lugar geometrico de los puntos (x, y) del
plano que satisfacen una ecuacion general de segundo grado:
f (x, y) = a11 x2 + a22 y 2 + 2a12 xy + 2a1 x + 2a2 y + a0 = 0
donde los coeficientes a11 , a22 , a12 no son todos cero. La ecuacion de la conica se
puede escribir de la forma
a11 a12
x
x
f (x, y) = [x y]
+ 2 [a1 a2 ]
+ a0 = 0,
a12 a22
y
y
f (x, y) = xT Ax + 2aT x + a0 = 0,
donde A es una matriz real y simetrica 2 2, a, x 2R2 y a0 2 R.

De forma analoga, una cuadrica es el lugar geometrico de los puntos (x, y, z)
del espacio que satisfacen una ecuacion general de segundo grado:
f (x, y, z) = a11 x2 +a22 y 2 +a33 z 2 +2a12 xy+2a13 xz+2a23 yz+2a1 x+2a2 y+2a3 z+a0 = 0
donde los coeficientes a11 , a22 , a33 , a12 , a13 , y a23 no son todos cero. La ecuacion
de la cuadrica se puede escribir de la forma
2
32 3
2 3
a11 a12 a13
x
x
f (x, y, z) = [x y z] 4 a12 a22 a23 5 4 y 5 + 2 [a1 a2 a3 ] 4 y 5 + a0 = 0,
a13 a23 a33
z
z
f (x, y, z) = xT Ax + 2aT x + a0 = 0,
78
donde A es una matriz real y simetrica 3 3, a, x 2R3 y a0 2 R.

Para reducir a forma canonica la ecuacion de una conica o de una cuadrica,
es suficiente realizar en primer lugar una transformacion ortogonal que nos haga
desaparecer los productos mixtos en la expresion. Esto se consigue teniendo en
cuenta que la matriz A es real y simetrica y efectuando un cambio a una base
ortonormal de autovectores. Posteriormente, efectuar una traslacion usando los
mismos razonamientos que en la leccion 1.
79
Ejercicios.
2
3
2 1 1
Ejercicio 1. Calcula los autovalores y autovectores de la matriz A = 4 2 3 2 5 .
3 3 4
Es diagonalizable la matriz A?
2
3
3
0 a
1 b 5 , con a, b, c 2 R, se pide:
Ejercicio 2. Dada la matriz A = 4 3
2
0 c
2
3
2
(a) Calcular A de forma que el vector 4 0 5 sea un autovector cuyo auto1
valor correspondiente es = 1.
(b) Hallar los demas autovalores y autovectores de A. Es diagonalizable la
matriz A?
2
3
1 0 a a
6 0 1 a a 7
7
Ejercicio 3. Dada la matriz A = 6
4 1 0 a a 5 , para que valores de a 2 R
0 1 a a
es diagonalizable la matriz A?
2
3
1
0
1
2
2 5 , se pide:
Ejercicio 4. Dada la matriz A = 4 a
3
0
1
(a) Calcular los valores de a 2 R para los que A es diagonalizable.
(b) Para dichos valores, calcular los autovalores y autovectores de A 1 .
2
3
1 0 0
Ejercicio 5. Para que valores de a 2 R tiene la matriz A = 4 a 1 0 5 tres
1 1 2
autovectores independientes?
2
3
a1 b 1 c 1
Ejercicio 6. Dada la matriz A = 4 1 b2 c2 5 , se pide:
0 b3 c 3
(a) Hallar A sabiendo
2 3 que sus autovalores son 1 = 2 (simple) y 22 = 33
1
2
4
5
4
2
1 5
(doble), que v1 =
es un autovector asociado a 2 y que v2 =
1
0
satisface Av2 = 3v2 + v1 .
(b) Es A diagonalizable?
2
3
0 c a
Ejercicio 7. Sabiendo que la matriz A = 4 1 0 b 5 es diagonalizable y tiene
1 1 0
80

2
un autovector de la forma 4
b y c.
3
d
0 5 con d > 0 cuyo autovalor es doble, calcula a,
1
2
3
1
1
1
1
0 5,
1
0
1
(a) Es A diagonalizable?
(b) Podemos hacer A semejante a una matriz diagonal por bloques real a
traves de una matriz de paso real? En caso afirmativo, encuentra dicha matriz de
paso real.
2
3
2
1
1
0
6 1
1
1
1 7
7.
Ejercicio 9. Sea A = 6
4 1
1
1
1 5
0
1
1
2
(a) Es diagonalizable?
(b) Es A semejante a una matriz diagonal por bloques real con matriz de
paso real?
2
3
3 0 a 1
0 5 , con a 2 R.
Ejercicio 10. Dada A = 4 a 2 4
1 0 a+1
(a) Para que valores de a la matriz A es diagonalizable?
(b) Determina los valores de a para los que A es diagonalizable ortogonalmente. Para dichos valores, encontrar la factorizacion que nos permite hacer esa
diagonalizacion ortogonal.
1
2
(c) Determina los valores de a para los que la matriz A
aI no tiene
3
5
inversa.
Ejercicio 11. Diagonaliza ortogonalmente la matriz simetrica real
2
3
6
1 0
6 0 5.
A=4 1
0
0 2
2
3
1 1
1
1 5 , se pide:
Ejercicio 12. Dada la matriz A = 4 1 1
1 1
1
(a) Diagonalizar ortogonalmente la matriz A.
(b) Calcular los autovalores y autovectores de A20 , A 5I y A 1 .
Ejercicio 13.2Sea 3A una matriz
2 34 4 sim
2etrica3real de la que se sabe que los
1
1
0
6 0 7
6 1 7
6 1 7
7
6 7
6
7
vectores v1 = 6
4 0 5 , v2 = 4 0 5 y v3 = 4 1 5 son autovectores asociados a
1
0
0

un autovalor 1 y que la matriz A tiene otro autovalor
base ortogonal de R4 formada por autovectores de A.
Ejercicio 14. Diagonaliza ortogonalmente
2
6=
1.
81
Encuentra una
3
3 1 1
la matriz A = 4 1 3 1 5 .
1 1 3
3
0
0 5,
2
1 1
4
0 0
(b) Encuentra en R3 una base formada por autovectores y autovectores generalizados (si fuese necesario).
2
3
3/2
1/2 1/2
2
1 5,
1/2
1/2 5/2
(b) Encuentra en R3 una base formada por autovectores y autovectores generalizados (si fuese necesario).
2
3
a
a a 3
1
6 0
a
0
0 7
7 , se pide:
Ejercicio 17. Dada la matriz A = 6
4 0
a
3
1 5
0 4 a
0
a
(a) Calcular, para cada valor de a 2 R, los autovalores de A determinando
sus multiplicidades algebraicas y geometricas.
(b) Para a = 2, determinar una base de R4 formada por autovectores y autovectores generalizados.
Ejercicio 18. Sea T : R4 ! R4 la aplicacion lineal dada por T (x) = Ax, donde
2
3
a 1
1
1
6 0 b 0
3 7
7.
A=6
4 1 2 c
1 5
0 1 0
d
(a) Halla A sabiendo que T (S1 ) = S2 , donde
S1
x1 x2 = 0
x3 + x4 = 0
82
>
>
<6
S2 = Gen 6
4
>
>
:
3 2
1
6
2 7
7,6
1 5 4
1
39
0 >
>
=
3 7
7 .
1 5>
>
;
2
(b) Prueba que A no es diagonalizable.

(c) Halla una base de R4 formada por autovectores y autovectores generalizados.
82
Ejercicio 19. Comprobar que si una matriz ortogonal tiene autovalores reales
entonces estos son 1 o -1.
Ejercicio 20. Sea T una transformacion ortogonal en el plano. Como se puede
distinguir, usando autovalores, si T es un giro o una simetra axial?
Ejercicio 21. En cada uno de los siguientes casos, escribe de forma desarrollada
la forma cuadratica generada por la matriz que se da y clasifcala
2 1
1
1
1
2
2
2
,
,
,
,
1 2
1
0
2
3
2
2
2
3
2
3
2
3
1
2
2
3 2 4
2 1 0
4 2
1
2 5, 4 2 0 2 5, 4 1 2 1 5.
2
2
1
4 2 3
0 1 2
Ejercicio 22. En cada uno de los siguientes casos, encuentra la matriz real y
simetrica A que genera la forma cuadratica que se da y clasifcala
(1) (x1 , x2 ) = 2x21 + 3x1 x2 + 6x22 ,
(2) (x1 , x2 ) = x21 + x22 ,
(3) (x1 , x2 ) = 8x1 x2 + 4x22 ,
(4) (x1 , x2 , x3 ) = x21 + 2x1 x2 + 4x1 x3 + 3x22 + x2 x3 + 7x23 ,
(5) (x1 , x2 , x3 ) = x21 + x22 5x23 + 6x1 x3 + x2 x3 ,
(6) (x1 , x2 , x3 ) = x21 + x22 + x23 x1 x2 x1 x3 x2 x3 .
Ejercicio 23. Reduce, clasifica y representa las siguientes conicas:
(a) 4x2 + y 2 4xy 2y + 1 = 0.
(b) 5x2 + 2y 2 4xy + 12x 4y = 0.
(c) 5x2 + 2y 2 4xy + 12x 4y + 9 = 0.
(d) x2 + 4y 2 4xy + 6x 12y + 9 = 0.
(e) 2xy 5 = 0.
p
p
(f) x2 + 4xy + 4y 2 2 5x + 5y + 5 = 0.
(g) 97x2 192xy + 153y 2 + 2x + 114y 167 = 0.
(h) 3x2 10xy + 3y 2 + 2 = 0.
Ejercicio 24. Dadas las conicas
x2 + 2xy + y 2
2 = 0,
clasificarlas seg
un los valores de .
Ejercicio 25.
(a) Determina el valor de para el que la conica x2 2xy+2y 2 2x+4y = 0
es una parabola. Reduce y representa dicha parabola.
(b) Determina el valor de para el que la conica x2 + 2xy + y 2 = 1 es una
elipse. Calcula los semiejes de dicha elipse.

(c) Determina los valores del parametro real para los que la ecuacion
2x2
2xy + y 2 =
tiene soluciones reales.

Ejercicio 26. Reduce, clasifica y representa las siguientes cuadricas:
(a) 3x2 + 2xy 10y 2 = 0.
(b) x2 + y 2 z 2 2z 1 = 0.
(c) 2x + 2y 2z 2xy + 4xz + 4yz 3z 2 = 0.
(d) 5x2 + 6y 2 + 7z 2 4xy + 4yz 10x + 8y + 14z 6 = 0.
(e) 4x2 + y 2 + 4z 2 4xy + 8xz 4yz 12x 12y + 6z = 0.
83
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Prueba
OBSERVACIONES:
Cada hoja entregada debe contener nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 1
(a) Sea S el subespacio vectorial de R6 de ecuaciones implcitas
8
9
2x2
x3 +x4 +x5 +x6 = 0 =
< x1
2x1
+2x3 +x4
=0 .
:
;
x1
2x2 +x3 +2x4 +x5 +x6 = 0
Se pide:
(a.1) [2 puntos] Determinar una base de S ? y la dimension de S.
(a.2) [2 puntos] Calcular la proyeccion ortogonal del vector v = e5 + e6 sobre
S, donde e5 y e6 son vectores de la base canonica de R6 .
(b) Sea T : R3 ! R4 una transformacion lineal tal que:
2
3
2 3
2
2 3
2 3
2
3
1
1
1
1
0
0
6 1 7
6 0 7
6 0
7
4 5 6 7
4 1 5=6
T4 0 5=6
4 1 5, T 1 = 4 0 5, T
4 0
0
1
1
1
0
2
(b.1)
(b.2)
decir, del
(b.3)
2
7
7.
5
[1 punto] Halla la matriz A asociada a T .

[2 puntos] Determina unas ecuaciones implcitas de la imagen de T , es
espacio columna de A.
[13punto] Busca el vector x de R3 cuya imagen T (x) mas se acerca al
1
6 1 7
7
vector 6
4 0 5.
0
(c) Sea z un n
umero complejo tal que |z + 1| = |z 1|.
c.1) [1 punto] Demuestra que Re (z) = 0.
c.2) [1 punto] Calcula las races cuartas de z 4 suponiendo que |z| = 1.
85
86
Matem
aticas I
Curso 2013/2014. Examen de Prueba
OBSERVACIONES:
Cada hoja entregada debe contener nombre, apellidos y n
umero
de identificaci
on escrito de forma clara.
Ejercicio 2
(a) Considera la matriz A dada por
2
3
a + 1 0 1 2a
5 con a 2 R.
a2
0
A=4 0
1
0 1 a
(a.1) [2 puntos] Determina los valores de a para que la matriz A sea diagonalizable. Cuando es ortogonalmente diagonalizable?
(a.2) [2 puntos] Para a = 0 obten una base ortonormal B de R3 formada por
autovectores de la matriz A y calcula la matriz de cambio de base P , donde C
B
es la base canonica de R3 .
(a.3) [3 puntos] Para a = 1 considera el2sistema
3 de ecuaciones en diferencias
1
un = Aun 1 para n 1, partiendo de u0 = 4 1 5 y calcula u2014 .
1
(b) Considera la familia de cuadricas
x2 + y 2 + z 2 + 2x
22 y + 2 + 1 = 0
con 2 R.
(b.1) [2 puntos] Clasifica dichas cuadricas seg

un los valores de .
(b.2) [1 punto] Dibuja la cuadrica que se obtiene para = 2.
87
Matem
aticas I
Curso 2013/2014. Examen de Primera Convocatoria
OBSERVACIONES:
Cada hoja entregada debe contener el nombre, apellidos y n
umero
de identificaci
Ejercicio 1
(a) Considera la matriz A y el vector b dados por
2
3
2
1
2
1
6 4
7
6
10
2
4 4
7,
A=6
b=6
4 0
4 3 + 3
2 3 3 5
1
0
5
3
3
7
7
5
con 2 R.
(a.1) [3 puntos] Para que valores de se tiene que el vector b pertenece al

subespacio Col(A)?
(a.2) [1 punto] Cual es la dimension de Col(A) ? Y la dimension de (Col(A))?
? Describe el subespacio N ul(A).
(a.3) [2 puntos] Para a = 5, obten unas ecuaciones implcitas del subespacio
Col(A) y una base del subespacio (Col(A))? .
(a.4) [2 puntos] Para a = 5, calcula la matriz de la proyeccion ortogonal
sobre el subespacio Col(A).
(b) Considera la ecuacion z 2 2Re(z0 )z + |z0 |2 = 0 donde z0 es un n
umero
complejo.
(b.1) [1 punto] Halla las soluciones de dicha ecuacion en terminos de z0 .
(b.2) [1 punto] Expresa en forma binomica las soluciones de dicha ecuacion
para el caso
p !2
1
3
z0 = ei/6 + +
i
2
2
88
Matem
aticas I
Curso 2013/2014. Examen de Primera Convocatoria
OBSERVACIONES:
umero
de identificaci
Ejercicio 2
(a) Considera la matriz A dada por
2
1
a
0
a
6 0
a
0
2
a
A=6
4 0
a
1
a
0 2 a 0
a
7
7 con a 2 R.
5
Se pide:
(a.1) [2 puntos] Determinar los valores de a para que la matriz A sea diagonalizable. Para que valores de a es la matriz A ortogonalmente diagonalizable?
(a.2) [2 puntos] Para a = 2, encontrar una factorizacion diagonal de A, esto es,
encontrar una matriz no singular P y una matriz diagonal D tal que AP = P D.
(a.3) [3 puntos] Para a = 3/2, resolver el2sistema
3 de ecuaciones en diferencias
0
6 0 7
7
un = Aun 1 para n 1, partiendo de u0 = 6
4 0 5.
2
(b) Dada la familia de cuadricas
( + 2)x2 + ( + 1)y 2 + z 2
(2 + 4)x
2z = 2 con 2 R,
se pide:
(b.1) [2 puntos] Clasificarla seg
un los valores de .
(b.2) [1 punto] Considerar, para = 0, la conica que se obtiene al cortar la
cuadrica correspondiente con el plano z = 0. Determinar sus elementos notables
y hacer un esbozo de la misma.
89
Matem
aticas I
Curso 2013/2014. Examen de Segunda Convocatoria
OBSERVACIONES:
umero
de identificaci
Ejercicio 1
(a) Considera la matriz
2
1
2
6
4
A=6
4 2
2
1
0
A y el vector b dados por

3
2
3
1
0 +1
6 2 7
1 1 7
7,
6
7
b
=
4 5
1
0 5
1
1
con 2 R.
(a.1) [2,5 puntos] Clasifica el sistema de ecuaciones Ax = b seg

un los
valores de .
(a.2) [2,5 puntos] Para el caso en que b 2 Col(A) y dim(Col(A)) =
3, determina una base y unas ecuaciones implcitas de Col(A). Cuales son las
coordenadas del vector b respecto dicha base?
(a.3) [3 puntos] Para = 1, halla la matriz de la proyeccion ortogonal
sobre N ul(A) y sobre (N ul(A))? . Determina el vector de N ul(A) mas proximo
a b y halla una base de (N ul(A))? .
(b) (b.1) [1 punto] Resuelve la ecuacion z 3 + 27i = 0.
(b.2) [1 punto] Halla los n
umeros complejos z de modulo 5 que verifican
z = z + 6i.
90
Matem
aticas I
Curso 2013/2014. Examen de Segunda Convocatoria
OBSERVACIONES:
umero
de identificaci
Ejercicio 2
(a) Considera la matriz A dada
2
0
6 1
A=6
4 0
0
por
a2
0
0
0
3
0 0
0 0 7
7 con a 2 R.
0 a2 5
1 0
Se pide:
(a.1) [2 puntos] Determinar los valores de a para que la matriz A sea
diagonalizable.
(a.2) [2 puntos] Analizar si existen valores de a para los que la matriz
A es ortogonalmente diagonalizable. En caso afirmativo, encontrar una matriz
ortogonal Q y una matriz diagonal D tal que AQ = QD.
(a.3) [2 puntos] Para a = 0, encontrar una base de R4 formada por
autovectores y autovectores generalizados de la matriz A. Cuanto vale An para
n 2 N?
(b) Dada la familia de cuadricas
x2 + ( + 2)y 2 + 3z 2
2x
6z =
22
4 con 2 R,
se pide:
(b.1) [2 puntos] Clasificarla seg
un los valores de .
(b.2) [2 puntos] Considerar, para = 1, la conica que se obtiene al
cortar la cuadrica correspondiente con el plano z = 1. Determinar sus elementos
notables y hacer un esbozo de la misma.

Guión Álgebra I Etsi

Caricato da

Informazioni sul documento

Titolo originale

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

Guión Álgebra I Etsi

Caricato da

Copyright:

Formati disponibili

MATEMATICAS

Leccion 1. Conicas y cuadricas.

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Elementos notables de la par

- Si en vez de efectuarle un giro se le hace una traslacion de manera que el eje de

- De forma analoga, si intercambiamos en todo momento los papeles de x e y,

con p = d(F, L).

- Si en vez de efectuarle un giro se le hace una traslacion de manera que el eje de

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

El eje OX y el eje OY son ejes de simetra de dicha elipse, y por tanto, la

Elementos notables de la elipse.

- Si hacemos el mismo razonamiento que antes pero intercambiando en todo

que corresponde a una elipse con semiejes a y b con a < b.

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Elementos notables de la hip

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Nota. La elipse, la hiperbola y la parabola son tambien llamadas secciones conicas

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Caso 2: Un punto. La ecuacion

Hiperboloide de una hoja

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Caso 2: Hiperboloide elptico o de dos hojas. La ecuacion

Hiperboloide de dos hojas

Caso 3: Cono. La ecuacion

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

corresponde a un paraboloide hiperbolico. Sus elementos notables son:

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Determina el vertice, el foco, la directriz y el eje de simetra de la parabola. Haz

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Ejercicio 11. Completa cuadrados en las siguientes ecuaciones y determina el

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Ejercicio 18. Completa cuadrados en las siguientes ecuaciones y determina el

Una parabola cuyo vertice es V = ( 4, 2).

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Tiene por centro C = (0, 2, 3).

Leccion 2. Numeros complejos.

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

bd) + i(ad + bc).

(9) Propiedad distributiva del producto respecto de la suma: (z + w)v =

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

esto es, tienen los mismos modulos y la diferencias de los argumentos es un m

En consecuencia, si z = rei y w = rbei 6= 0 entonces:

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Notemos que la diferencia entre los argumentos de dos races consecutivas es

Teorema fundamental del Algebra.

Polinomios con coeficientes reales. Si el polinomio P (z) tiene coeficientes

donde a0 , a1 , a2 , a3 , ..., an son n

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez

Ejercicio 1. Si z = a + ib, expresa el n

Ejercicio 7. Siendo z = ei 5 (comprueba que z 4 = z), calcula

Matematicas I. Grado en Ingeniera en Tecnologas Industriales

Ejercicio 15. Encuentra todas la soluciones de la ecuacion

Ejercicio 17. Encuentra todas las soluciones de la ecuacion

(b) Expresa en forma binomica las soluciones de la ecuacion

Ejercicio 20. Resuelve, para n = 1, 2, . . . , la ecuacion polinomica

Departamento de Matematica Aplicada II, M. Basallote, A. Jimenez