Álgebra Lineal Notas

APUNTES DE LGEBRA LINEAL
POR NEILA CAMPOS
DPTO. DE MATEMTICA APLICADA Y CIENCIAS DE LA COMPUTACIN
UNIVERSIDAD DE CANTABRIA
ESPACIOS VECTORIALES
APLICACIONES LINEALES
ENDOMORFISMOS Y DIAGONALIZACIN
EL ESPACIO EUCLDEO
http:// personales.unican.es / camposn

NOTA PREVIA SOBRE SISTEMAS DE ECUACIONES.
A lo largo de este tema y de los que siguen, muchas veces aparecern sistemas de
ecuaciones que habr que resolver. Se dan por conocidas las distintas tcnicas de
resolucin de sistemas.
No obstante, mientras no se nos indique lo contrario, o en ausencia de indicaciones, los
sistemas siempre debern clasificarse , y despus resolverse por el mtodo de Gauss.
Es decir,
1) Escribir el sistema en forma matricial Ax = b.

2) Escalonar la matriz ampliada A*.
3) En la matriz escalonada se apreciarn los rangos, entonces clasificamos el sistema:
x rg(A) rg(A*) Sistema Incompatible (S.I.)
x rg(A) = rg(A*) n incgnitas Sistema Compatible Indeterminado (S.C.I.)
x rg(A) = rg(A*) = n incgnitas Sistema Compatible Determinado (S.C.D.)
4) En el caso de S.C.I., identificar las incgnitas principales, correspondientes a las

columnas pivotales.
5) Las restantes incgnitas han de pasar al segundo miembro como parmetros

(usualmente se denominarn con letras griegas).
6) Usando las ecuaciones del sistema ya escalonado, despejar las incgnitas principales
(en funcin de los parmetros).
7) Dar la solucin con todas las incgnitas, tanto principales como parmetros.
Hay que seguir este proceso aunque el sistema pueda parecer muy sencillo.
No se debe comenzar a despejar las incgnitas de cualquier modo, pues entonces es fcil
que cometamos errores respecto a si existe o no solucin, o al nmero de parmetros que
debemos dejar, etc.
Ejemplo.
Resolvemos el sistema formado por una sola ecuacin, 2x+3yz=4.
Matriz ampliada: ( 2 3 1 | 4), ya est escalonada.

rg(A) = rg (A*) = 1, n incgnitas =3. Sistema Compatible Indeterminado.
Columna pivotal: 1, por tanto incgnita principal x.
Parmetros y=P , z=O
4 - 3P + O
Despejamos la incgnita principal x =
2
4 - 3P + O
Solucin: ( , PO)
2
Neila Campos LGEBRA LINEAL Nota previa 0
ESPACIOS VECTORIALES
Introduccin.
La idea de vector est tomada de la Fsica, donde sirven para representar magnitudes
vectoriales como fuerzas, velocidades o aceleraciones. Para ello se emplean vectores de
dos componentes en el plano, de tres componentes en el espacio...
2 3
Se supone conocida la representacin grfica y manejo de los vectores de y de .
En Matemticas, tratamos de abstraer las propiedades que caracterizan a los vectores para
extenderlas tambin a otro tipo de objetos diferentes de los vectores de la Fsica.
Esencialmente, el comportamiento que caracteriza a los vectores es el siguiente:
x Podemos sumar dos vectores y obtenemos otro vector;

x Podemos multiplicar un vector por un nmero (escalar) y obtenemos otro vector.
Adems estas operaciones cumplen ciertas propiedades, que observamos en los vectores
de 2 y de 3 :
En lo sucesivo, utilizaremos habitualmente la siguiente notacin: u,v,w (u otras letras latinas) para
vectores, mientras que las letras griegas designarn escalares.
Propiedades de la suma de vectores.

x Asociativa: (u+v)+w = u+(v+w)
x Conmutativa: v+u=u+v.
K K
x Existe un elemento neutro, el vector 0 , tal que 0 + v = v para cualquier vector v.
K
x Para cada vector v existe un elemento opuesto, v, que sumado con l da 0 .
Propiedades del producto de un vector por un escalar.

x Asociativa: E (D v) = ( E D ) v
x Distributivas:
Respecto de la suma de escalares: ( D + E ) v = D v + E v
Respecto de la suma de vectores: D (u + v) = D u + D v
x Existe un elemento unidad: el escalar 1, tal que 1 v = v para cualquier vector v.
Definicin: espacio vectorial.

Cualquier conjunto que posea unas operaciones suma y producto por escalares, cumpliendo
todas las propiedades anteriores, diremos que es un espacio vectorial. Los elementos de tal
conjunto se llamarn vectores (aunque pueda tratarse de objetos diferentes a los vectores
de la Fsica.)
Diremos que el espacio vectorial es real o complejo, segn sean los escalares.
x Otras propiedades de los espacios vectoriales pueden deducirse de las
anteriores propiedades bsicas. Por ejemplo:
K K
Si D v = 0 ( D escalar, v vector) entonces o bien es D =0 o bien es v = 0 .
Neila Campos LGEBRA LINEAL Espacios Vectoriales 1

Ejemplos de espacios vectoriales.
1) El espacio n , formado por los vectores de n componentes (x1, . . .,xn) es un espacio

vectorial real, en el que se pueden sumar vectores y multiplicar por un escalar (real) de la
forma habitual.
Se puede comprobar que se cumplen las propiedades requeridas para ambas operaciones.
El vector cero es (0,. . .,0).
No es un espacio vectorial complejo, pues no podemos multiplicar por escalares complejos

(si lo hacemos, el resultado no se mantendr dentro de n ).
2) Consideremos el conjunto 2 de los polinomios de grado b 2 con coeficientes reales:

2 ={ ax2 + bx + c : a, b, c }
Es un espacio vectorial real, pues podemos sumar dos elementos de 2 y obtenemos otro
elemento de 2 ; tambin podemos multiplicar un elemento de 2 por un escalar real y
obtenemos otro elemento de 2. Vemoslo:
x Suma: ( ax2 + bx + c ) + ( ax2 + bx + c ) = (a+a) x2 + (b+b) x + (c+c) que pertenece a 2.
x Producto por un escalar realO , O(ax + bx + c) = Oax2 + Obx +Oc que pertenece a 2.
K
Se puede comprobar que se cumplen las propiedades requeridas. El vector 0 es el polinomio
cero: 0x2 + 0x + 0
No es un espacio vectorial complejo, pues al multiplicar por un escalar complejo el resultado

podr ser un polinomio complejo que no pertenece a 2.
3) Consideremos el conjunto G de los polinomios de grado = 3 (exactamente 3) con

coeficientes reales.
No es un espacio vectorial (real ni complejo), pues al sumar dos elementos de G, no est

garantizado que el resultado est en G. En efecto, consideremos los polinomios
p = x3+x2+x+1 , q = x3+x2+x+1
Pertenecen a G, pues su grado es 3. Pero su suma es p+q = 2x2+2x+2 que no pertenece a

G (su grado no es 3).
4) Consideremos el conjunto 2x2 (tambin denotado por 2) de las matrices 2x2 con
trminos reales:
a c
2x2 = : a, b, c, d
b d

Es un espacio vectorial real, pues podemos sumar dos matrices de 2x2 obteniendo otra
matriz de 2x2 , y multiplicar una matriz de 2x2 por un escalar real obteniendo otra matriz
K
de 2x2. Se puede comprobar que se cumplen las propiedades. El vector 0 es, en este
caso, la matriz con todos sus trminos nulos.
No es un espacio vectorial complejo.
5) Consideremos el conjunto MC de las matrices 2x3 con trminos complejos.

Es un espacio vectorial real, pues podemos sumar dos matrices de MC obteniendo otra
matriz de MC, y multiplicar un elemento de MC por un escalar real obteniendo otra matriz de
MC.
Tambin es un espacio vectorial complejo, pues podemos multiplicar una matriz de MC

por un escalar complejo obteniendo otra matriz de MC.
(Comprubese con elementos genricos).
6) Consideremos el conjunto ME de las matrices 3x2 con trminos enteros.

Podemos sumar dos matrices de ME y obtenemos otro elemento de ME:
a c a' c'
En efecto, si tomamos , con a, a, b, b, c, c, d, d enteros,
b d b' d'
a c a' c' a+a' c+c'

+ = tambin tiene trminos enteros, luego pertenece a ME.
b d b' d' b+b' d+d'
Sin embargo ME no es un espacio vectorial real, pues al multiplicar un elemento de ME
por un escalar real no est garantizado que el resultado permanezca dentro de ME. Si el
escalar es p.ej. el nmero real 1.25, el resultado ya no es una matriz con trminos enteros.
Por similar razn tampoco es un espacio vectorial complejo.
7) El conjunto de los nmeros complejos se puede considerar como un espacio vectorial

real. En efecto, se pueden sumar dos nmeros complejos obtenindose otro nmero
complejo; y se puede multiplicar un complejo por un escalar real, obtenindose otro
complejo. Es decir,
x Suma: (a+bi ) + (c+di ) = (a+c) + (b+d)i, que es otro nmero complejo.

x Producto por un escalar realO , O(a+bi ) = Oa +Obi que es otro nmero complejo.
La suma y el producto por un escalar cumplen todas las propiedades requeridas. En este
K
caso el vector 0 es el nmero complejo cero, 0+0i.

Ntese que aqu los complejos funcionan como vectores (elementos del espacio vectorial )
y los reales como escalares.
Observar adems que, en este contexto, el conjunto de los nmeros complejos se comporta
igual que el espacio vectorial 2 , identificando el nmero complejo a+bi con el vector (a,b).
Este es el motivo por el cual se suele representar el plano complejo como si fuera 2 , con la
parte real en el eje de abscisas y la parte imaginaria en el eje de ordenadas.
8) El conjunto de las funciones continuas definidas en : Se pueden sumar dos funciones,

y se puede multiplicar una funcin por un escalar real.
Por ejemplo, las funciones f(x)=x2 y g(x)=log(x) pueden sumarse y resulta otra funcin h(x)=x2+log(x).
La funcin g(x)=log(x) puede multiplicarse por el escalar O y resulta la funcin k(x)=O log(x).
Si sumamos dos funciones continuas, el resultado es otra funcin continua. Si multiplicamos

una funcin continua por un escalar, el resultado es otra funcin continua.
K
Las operaciones cumplen las propiedades requeridas. El vector 0 es la funcin constante 0.
Por tanto se trata de un espacio vectorial real.
x Hay muchos otros espacios vectoriales. Gracias a esto, las propiedades que encontremos
para espacios vectoriales en general, las podemos aplicar a matrices, polinomios,
funciones...
Observacin.
En algunos espacios vectoriales reales, distintos de n , puede hacerse un paralelismo o
identificacin con n , para un n adecuado.
Por ejemplo, ya hemos visto cmo el espacio vectorial real de los nmeros complejos
puede identificarse con 2 , correspondiendo el nmero complejo a+bi al vector (a,b)
Veamos cmo el espacio 2 = { polinomios de grado b 2 } puede identificarse con 3 : cada

polinomio ax2+bx+c correspondera al vector (a,b,c) de 3 .
Lo mismo ocurre con el espacio de matrices 2x2 = { matrices 2x2 }, que se identifica con
4 , correspondiendo a la matriz
a c
el vector (a,b,c,d).
b d
En todos los casos las operaciones de suma y producto por escalar se pueden trasladar
paralelamente del espacio considerado a n .
Esto hace posible efectuar las operaciones en n en lugar de otros espacios.

SUBESPACIOS VECTORIALES
Dado un espacio vectorial V, podemos considerar una parte S de l que funcione como un
espacio vectorial ms pequeo, incluido en V.
Como V es un espacio vectorial, posee unas operaciones (suma, producto por un escalar)
que en particular se pueden efectuar en S. Slo necesitaremos que, al efectuarlas, su
resultado quede dentro de S.
Definicin: Subespacio.
Dado un espacio vectorial V, se dice que un subconjunto S de V es un subespacio vectorial
K
si contiene al vector 0 , y si al efectuar las operaciones de suma y producto por escalar entre
vectores de S, el resultado permanece en S.
(Se puede decir que S es cerrado para las operaciones suma y producto por escalar.)
Es decir:
K
x 0 S .
x Si v, w S entonces v + w S.
x Si v S y O es un escalar, entonces Ov S.
Ya no hace falta comprobar que se cumplen las propiedades asociativa, conmutativa, etc.
puesto que sabemos que se cumplen en V, y por tanto tambin en S (se dice que S hereda
las propiedades de las operaciones en V).
Por supuesto si para V utilizamos escalares reales, tambin para S; si para V utilizamos
complejos, tambin para S.
Ejemplos de subespacios.
1) La recta x=y es un subespacio de 2 . Est formado por los vectores de la forma (a,a).
Contiene al vector (0,0).
Adems, es cerrado para la suma y producto por escalar:
x Suma: (a,a) + (b,b) = (a+b, a+b) que tambin es un elemento de la recta.
x Producto por un escalar: O , O(a,a) = (Oa,Oa) que tambin es un elemento de la recta.
2) El plano XY es un subespacio de 3 . Est formado por los vectores de la forma (x,y,0).

Contiene al vector (0,0,0).
Adems, es cerrado para la suma y producto por escalar:
x Suma: (x,y,0) + (x,y,0) = (x+x, y+y, 0) que tambin es un elemento del plano.
x Producto por un escalar: O , O(x,y,0)=(Ox,Oy, 0) que tambin es un elemento del plano.
Podemos decir que este plano es como 2 pero incluido en 3 .

3) Es un subespacio de 2 el conjunto de los vectores de la forma (a,1)?
No, puesto que no contiene al (0,0).
O tambin: porque no se puede sumar dentro de este conjunto, por ejemplo
(a,1)+(b,1)=(a+b,2) que no pertenece al conjunto.
4) En el espacio 2 = { polinomios de grado b 2 }, el conjunto de los polinomios de grado b1

forma un subespacio. En efecto, contiene al polinomio cero, y podemos sumar y multiplicar
por un escalar sin salir del conjunto:
x Suma: (ax+b) + (ax+b) = (a+a)x + (b+b) que tambin es un polinomio de grado b1.
x Producto por escalar: O , O(ax+b)= Oax+Ob que tambin es un polinomio de grado b1.
5) En 2 = { matrices 2x2 }, el conjunto de las matrices simtricas

a b
es un subespacio.
b c
Contiene a la matriz nula, y es cerrado para las operaciones:
a b a' b' a+a' b+b'

x Suma: + = que tambin es una matriz simtrica.
b c b' c' b+b' c+c'
a b a b
x Producto por escalar: O , O = que tambin es una matriz simtrica.
b c b c
6) Geomtricamente, losK subespacios vectoriales de 2 y 3 son rectas, planos, y slo uno

de ellos es un punto, el { 0 }.
Las curvas o las superficies curvas no son subespacios; tampoco las figuras geomtricas
finitas, como crculos o polgonos en el plano, esferas o poliedros en el espacio.
(Comprobar grficamente que no pueden sumarse vectores dentro de este tipo de conjuntos)
7)K En todo espacio vectorial existen el subespacio cero, formado solamente por el vector
{ 0 }, y el subespacio total, formado por todos los vectores del espacio.
Descripcin de los subespacios de *n.

Los subespacios de n pueden describirse de dos formas: implcita y paramtrica.
x Forma implcita: Mediante ecuaciones. Los vectores que verifiquen las ecuaciones son
los que pertenecen al subespacio.
x Forma paramtrica: Mediante una expresin con parmetros, los cuales al tomar
distintos valores producen todos los vectores del subespacio.

Para pasar de una a otra forma:
x De la forma implcita a la paramtrica: Basta considerar las ecuaciones implcitas como

un sistema, y resolverlo. La solucin general del sistema (que podr depender de
parmetros) es la expresin paramtrica.
x De la forma paramtrica a la implcita: Podemos decir, aunque no es un mtodo riguroso,
que se trata de describir mediante ecuaciones cmo es el vector genrico del subespacio.
Ayudar el conocer qu nmero de ecuaciones es necesario (lo que se ver ms adelante).
Ejemplos:
1) En 2 , la recta bisectriz del primer cuadrante puede describirse en implcitas como
{ y=x }, y en paramtricas como { (OO) : O }
2) En 3, dado el subespacio en paramtricas { (DEDE) : DE }, su forma implcita

es la ecuacin { z=xy } .
3) En 3, dado el subespacio en paramtricas { (OOO) : O }, para describirlo en

y=x
forma implcita necesitamos dos ecuaciones: z = 3x
x+z=0
4) Consideremos el subespacio de 3 dado en implcitas por x + 2y + z = 0
Cul es su forma paramtrica? Para ello resolvemos el sistema, que es compatible
indeterminado. La solucin depende de un parmetro y es { (O0, O) : O }.
5) El subespacio cero y el subespacio total constituyen un caso especial. Por ejemplo

en 3 :
x=0
- El subespacio { (0,0,0) } tiene como ecuaciones implcitas y=0
z=0
Su forma paramtrica es (0,0,0): no hay parmetros, pues como se trata de un solo punto,
no se puede variar nada.
- Por el contrario el subespacio total 3 tiene como forma paramtrica { (DEJ) : DEJ }
(tres parmetros variando libremente, pues no hay ninguna limitacin). Ecuaciones implcitas
no tiene ninguna, pues no hay restriccin alguna que imponer.

Relacin entre la forma implcita y paramtrica.
n
Si S es un subespacio de , la forma implcita y paramtrica de S satisfacen en general la
siguiente relacin:
N de ecuaciones implcitas + N de parmetros = n.
(n es el n de incgnitas).
Comprobar esta relacin en los ejemplos anteriores.
Sin embargo para que esto sea cierto debe cumplirse que las ecuaciones implcitas sean
independientes entre s, es decir, que ninguna sea combinacin lineal de otras. Esto significa
que, considerando las ecuaciones como un sistema, no sobre ninguna ecuacin: es decir,
que la matriz de coeficientes tenga rango igual al nmero de ecuaciones.
Tambin los parmetros deben ser independientes entre s : por ejemplo en la expresin
3
paramtrica (D+E, D+E), que en corresponde a la forma implcita {x=y , z=0}, no se
cumple la relacin anterior: 2+2 v 3. Esto ocurre porque los dos dos parmetros no son
independientes. En realidad puede sustituirse D+Epor un solo parmetro O y as
tendramos (O, O, 0) y ya se cumple 2+1=3.
(Esto ser ms fcil de comprobar ms adelante, en el punto Bases y dimensin, pues el nmero
de parmetros independientes es igual a la dimensin del subespacio).
Inclusin de subespacios.
Dados dos subespacios A y B, puede ocurrir que uno est incluido en otro (una recta dentro
de un plano, por ejemplo).
Se dice que A est contenido o incluido en B (y se denota A B) si todos los elementos de
A estn tambin en B.
G
En cualquier espacio vectorial V, el subespacio { 0 } est contenido en todos los dems
subespacios; mientras que todos ellos estn contenidos en el total V.
Veamos cmo reconocer si un subespacio est incluido en otro:
- En forma implcita: Si las ecuaciones de B estn incluidas en las de A, entonces A B.

(Cuantas ms ecuaciones implcitas, ms pequeo es el subespacio).
- En forma paramtrica: Para ver si A B, tendremos que ver si todo vector genrico de A,
est en B.

Ejemplo
1) En 3, sean los siguientes subespacios dados en implcitas:
y=0
A= b= { y=0 }
z=0
Tenemos que A B , pues todo vector que satisfaga las dos ecuaciones de A, es decir que
cumpla y=0, z=0, tambin satisface la ecuacin de B, y=0.
2) En 3, sean los siguientes subespacios dados en paramtricas:
A= { (O) : O } b= { (DE) : DE }
Tenemos que A B , pues todo vector de la forma (O) tambin es de la forma (DE),
tomando E

Ambos ejemplos son el mismo, pues se trata del eje X contenido en el plano XZ.
OPERACIONES CON SUBESPACIOS
A partir de dos subespacios podemos construir otro efectuando las operaciones de suma o
interseccin de subespacios.
1. Interseccin de subespacios.
La interseccin, indicada por el smbolo , puede aplicarse a S

conjuntos cualesquiera, no slo a espacios vectoriales. Consiste en ST
encontrar los elementos comunes a dos conjuntos.
Por ejemplo, la interseccin de dos planos en 3 podr ser una T
recta.
Notar que dados dos subespacios cualesquiera, siempre hay vectores comunes a ambos (al
K
menos el 0 , que est en todos los subespacios.)
Teorema
La interseccin de subespacios es un subespacio.
En efecto, es posible sumar vectores dentro de ST , pues por ser S y T subespacios, la suma debe
permanecer dentro de S y dentro de T, y por tanto dentro de ST. Lo mismo para el producto por
escalares.

Clculo de la interseccin.
La forma ms sencilla (aunque no la nica) de calcular ST es utilizar la expresin implcita

de S y de T.
Como buscamos los vectores que verifiquen a la vez ambas condiciones, podremos describir
ST considerando conjuntamente las ecuaciones implcitas de S y las de T (formando un
sistema con todas ellas).
Este sistema, si es sencillo, puede considerarse ya como la forma implcita de ST.
En todo caso, resolviendo este sistema obtenemos la forma paramtrica de ST.
Ejemplos.
1) Sean en 3 los subespacios S=plano XY, T=plano XZ.

Sus ecuaciones implcitas son: S w { z=0 }, T w { y=0 }
z=0
Uniendo ambas tenemos que es la expresin implcita de ST.
y=0
Se trata por tanto del eje X , { (O,0,0) } en paramtricas.
2) Sean en 4 los subespacios dados por las ecuaciones implcitas

x+z=0 2x+3z=0
U w W w
y+t=0 x+y=0 x+z = 0
y+t=0 sistema cuya solucin es (0,0,0,0)
Uniendo todas las ecuaciones resulta 2x + 3z = 0 por tanto UW = { (0,0,0,0) }
x +y = 0
2. Suma de subespacios.
Dados dos subespacios S, T se define el subespacio suma como:

S+T = { u + v : u S , v T }
es decir, aquellos vectores que podamos construir sumando un vector de S y uno de T.
Teorema
La suma de subespacios es un subespacio.

Clculo del subespacio suma.
Al contrario que la interseccin, la suma S+T se calcula ms fcilmente usando la forma

paramtrica de S y de T. Esto nos permite tomar un vector genrico de cada uno de los
subespacios y sumarlos, obtenindose una expresin paramtrica de S+T.
No obstante la forma paramtrica as obtenida puede tener parmetros no independientes.
Ms adelante, en el punto Sistemas generadores se dar otro mtodo para calcular el
subespacio suma.
Ejemplo.
Consideremos los subespacios en 3 dados en paramtricas por:
H={ (D, DE, E) : DE }
K={ (0,0, J) : J }
Entonces los elementos de H+K se formarn sumando (D, DE, E) + (0,0, J) = (D, DE, EJ)
es decir, H + K = { (D, DE, EJ) : DEJ }
Observacin
La interseccin ST es un subespacio ms pequeo que S y que T (est contenido en S y
tambin en T).
Por el contrario la suma S+T es un subespacio ms grande que S y que T, pues contiene a
ambos.
De hecho ST es el mayor subespacio contenido en ambos, y S+T es el menor subespacio
que contiene a ambos.

DEPENDENCIA E INDEPENDENCIA LINEAL
Definicin: Combinacin lineal.

Dado un conjunto de vectores v1, . . ., vn se llama una combinacin lineal de ellos a
cualquier vector de la forma
v D1 v1 + . . . + Dn vn
donde D1 , . . . , Dn son escalares, llamados coeficientes de la combinacin lineal.
Teorema.
Para probar que un conjunto S es subespacio, basta probar que:
La combinacin lineal de elementos de S est en S.
(Ello es debido a que calcular una combinacin lineal de vectores involucra tanto la suma como el
producto por escalares, as que equivale a probar ambas cosas por separado).
Esto se suele expresar diciendo que un subespacio es un conjunto cerrado para las
combinaciones lineales.
Ejemplo.
Veamos si es subespacio de 2 el conjunto U={ (OO) O }.
Tomamos dos elementos genricos de U, (OO) y (PP). Una combinacin lineal de ellos es:
D(OO) + E (PP) = (DOEPDOEP que tambin es un elemento de U.
Por tanto U es subespacio.
Definicin: Dependencia lineal.

Se dice que un conjunto de vectores es linealmente dependiente (o ligado) si:
(a) Al menos uno de ellos es combinacin lineal de los dems.
Esto se puede expresar tambin as:
G
(b) El vector 0 es combinacin lineal de ellos (con coeficientes no todos nulos).
Ejemplo
Sean en 2 los vectores u=(1,1), v=(0,3), w=(2,5) .
x Observamos que son linealmente dependientes por (a):
w es combinacin lineal de u y v , puesto que w = v+2u.
(pueden encontrarse tambin otras combinaciones, como u = 1
2 w 1
2 v , etc).
x Tambin podemos verlo por (b):

G G
0 es combinacin lineal de u, v , w puesto que 0 = v+2uw, (y los coeficientes de esta
combinacin lineal son 1, 2, 1 que no son todos nulos).

Observacin
Si un conjunto es linealmente dependiente, entonces por (a) sabremos que existe algn
vector entre ellos que es combinacin lineal de los dems. Pero esto no quiere decir que
cualquier vector de ellos sea combinacin lineal de los dems.
Por ejemplo, el siguiente conjunto en 3 podemos comprobar que es ligado:
u=(1,0,0), v=(0,1,0), w=(1,1,0), k=(0,0,1),
ya que, por (a), tenemos que w = u + v (es decir, w=1u + 1v + 0k ), hay un vector que es
combinacin lineal de los dems. Pero no cualquier vector lo es, puesto que k no es
combinacin lineal de los dems. Esto se puede ver poniendo
(0,0,1) = D (1,0,0) + E (0,1,0) + J (1,1,0)

k
y viendo que se obtiene un sistema incompatible.
u
v w
Definicin: Independencia lineal.
En caso de que un conjunto de vectores no sea linealmente dependiente, se dice que es

linealmente independiente ( o libre ) .
Por tanto, escribiendo la negacin de la definicin de dependencia lineal, tendremos que un

conjunto de vectores es linealmente independiente cuando:
(a) Ninguno de ellos es combinacin lineal de los dems.
O equivalentemente:
G
(b) El vector 0 no es combinacin lineal de ellos, a no ser que la combinacin tenga
coeficientes todos nulos.
Expresando (b) de otra manera,

G
(b) La nica forma de poner 0 como combinacin lineal de los vectores, es con todos los
coeficientes nulos.
Observacin.
G
La definicin de dependencia lineal no es: v, w son independientes si 0v + 0w = 0
Esa afirmacin no aporta nada, puesto que se cumple para todos los vectores, dependientes
o no.
G
De lo que se trata, es de ver si esa es la nica manera de poner 0 como combinacin lineal
de ellos.

Ejemplos.
1) Veamos que u=(3,1) y v=(4,5) en 2 son linealmente independientes.
Para ello intentaremos poner (0,0) como combinacin lineal de ellos, y encontraremos que
slo es posible con coeficientes nulos.
Este sistema es compatible determinado,
(0,0) = D (3,1) + E (4,5) 3 D+ 4 E = 0 por tanto slo tiene la solucin D E
D+ 5 E = 0
As pues, la nica forma de poner (0,0) como combinacin lineal de u, v es con coeficientes
DEnulos. Esto significa que son linealmente independientes.
2) Veamos si son independientes w=(3,1) y k=(6,2): con el mismo planteamiento,
(0,0) = D (3,1) + E (6,2) 3 D+ 6 E = 0

Este sistema es compatible indeterminado.
D+ 2 E = 0
Esto quiere decir (aun sin resolver el sistema) que existen coeficientes DE no nulos que
permiten poner (0,0) como combinacin lineal de w, k. Por tanto w, k son linealmente
dependientes.
3) Veamos si son independientes u=(1,0,2), v=(4,3,1) y w=(5,3,3) en 3 :
D+ 4 E + 5 J= 0
(0,0,0) = D (1,0,2) + E (4,3,1) + J(5,3,3) 3E+3J=0
2 D+ E + 3 J= 0
1 4 5

Este sistema es compatible indeterminado, puesto que su matriz es 0 3 3 con rango 2.
2 1 3

Esto quiere decir (aun sin resolver el sistema) que existen coeficientes DEJ no nulos que
permiten poner (0,0,0) como combinacin lineal de u, v, w. Por tanto son linealmente
dependientes.
4) Veamos si son independientes u=(3,2,1), y v=(2,2,0) en 3 :
3 D+ 2 E = 0
(0,0,0) = D (3,2,1) + E (2,2,0) 2 D+ 2 E = 0
D = 0
Este sistema es compatible determinado, puesto que su matriz es:

3 2
2 2 que tiene rango 2 y hay 2 incgnitas.

-1 0

Esto quiere decir que la nica solucin es D E y por tanto que la nica forma de poner
(0,0,0) como combinacin lineal de u, v, es con coeficientes nulos. Por tanto son linealmente
independientes.
Observacin.
Si observamos los dos ltimos ejemplos, veremos que la matriz del sistema est formada
por los vectores dados, en columnas.
Hallando el rango de esa matriz vemos si el sistema es compatible determinado o
indeterminado, y por tanto si los vectores son independientes o dependientes, respectivamente.
Volveremos sobre esto ms tarde (en el punto Rango de un conjunto de vectores.)
Propiedades de la dependencia / independencia lineal.

1) El conjunto formado por un solo vector v no nulo, es libre.
G
(En efecto, una combinacin lineal de v es solamente Ov, y Ov= 0 slo puede conseguirse con O=0).
2) Dos vectores v, w son linealmente dependientes cuando uno es mltiplo del otro , v=Ow
(ya que esto equivale a decir que uno es combinacin lineal del otro).
G
3) Todo conjunto que contenga al 0 es ligado.
G G
Vemoslo para 3 vectores: si tenemos { v, w, 0 } podemos formar 0 como combinacin de ellos:
G G
0 v+ 0 w+ 1 0 = 0
y los coeficientes de esta combinacin lineal son 0, 0, 1 y por tanto no todos nulos.
4) Si un conjunto es ligado, aadindole vectores sigue siendo ligado.

(En efecto, si un vector es combinacin de otros, aunque aadamos ms vectores seguir sindolo.)
5) Si un conjunto es libre, quitndole vectores sigue siendo libre.

G
(En efecto, si no se puede formar 0 como combinacin de ellos, al quitar vectores tampoco se podr)
6) Si un conjunto es libre, se pueden aadir ms vectores libres hasta un cierto nmero

(que ser la dimensin del espacio, segn veremos ms adelante.) Por encima de este nmero ya
no se pueden aadir ms vectores libres.
7) Si un conjunto es ligado, quitndole los vectores que son combinacin lineal de los
dems, llegar a ser libre.
El desarrollo de esta propiedad nos lleva a un nuevo concepto, el de rango:

RANGO DE UN CONJUNTO DE VECTORES
Ejemplo.
Consideremos en 2 el conjunto de vectores (2,0), (0,1), (4,3), (2,5); vamos a aplicar la
propiedad 6) anterior.
x Este conjunto es linealmente dependiente puesto que observamos que algn vector es
combinacin de los dems; concretamente
(4,3) = 2 (2,0) + 3 (0,1)
Suprimimos por tanto el vector (4,3) ; el conjunto restante (2,0), (0,1), (2,5) sigue siendo
ligado puesto que
(2,5) = 1 (2,0) + 5 (0,1)
Suprimimos el vector (2,5), el conjunto restante (2,0), (0,1) ya es independiente (son dos
vectores y uno no es mltiplo del otro).
x Tambin podramos haber seguido otro camino, por ejemplo viendo que (2,0) es
combinacin lineal de los dems (comprubese) y suprimindolo. El conjunto restante
(0,1), (4,3), (2,5) sigue siendo ligado; vemos que (0,1) es combinacin lineal de los dems y
lo suprimimos. Llegamos entonces al conjunto (4,3), (2,5) que ya es independiente.
Por los dos caminos llegamos a distintos conjuntos independientes. Pero ambos constan del
mismo nmero de vectores (dos en este caso).
Teorema: Rango de un conjunto de vectores.

Dado un conjunto de vectores, si quitamos aquellos que sean combinacin lineal de los
dems, queda finalmente un cierto nmero de vectores, que ya son independientes.
Este nmero no depende del camino seguido, y se llama rango del conjunto de vectores.
El rango es, por tanto, el nmero de vectores independientes que contiene el conjunto.
Propiedades del rango.
1) En n , el rango de un conjunto de vectores es igual al rango de la matriz que forman

colocndolos en filas o en columnas (habitualmente se hace por columnas).
2) Dados m vectores, si su rango es m significa que son linealmente independientes.
3) En particular, si tenemos n vectores en n , la matriz que forman es cuadrada, por lo

que se puede calcular su determinante:
- Sern independientes si el rango de la matriz es n, es decir, si el determinante es no nulo.
- Sern dependientes si el determinante es nulo.

4) Dado un conjunto de vectores, si al eliminar uno de ellos se conserva el rango del
conjunto, entonces dicho vector depende linealmente de los dems.
Si por el contrario al eliminarlo disminuye el rango,entonces es independiente de los dems.
5) Dado un conjunto de vectores, si al aadir un nuevo vector se conserva el rango del

conjunto, entonces el nuevo vector depende linealmente de los anteriores.
Si por el contrario al aadirlo aumenta el rango, entonces el nuevo vector es independiente
de los anteriores.
Ejemplos.
1. En 4 determinar el rango de los vectores (1,2,3,4), (0,1,6,1), (3,3,1,0) :
1 0 3

2 1 3
La matriz que forman por columnas es cuyo rango es 3
3 6 1
4 -1 0

(lo que puede comprobarse escalonando la matriz).
Esto significa que los 3 vectores son linealmente independientes.
2. En 2 determinar el rango de los vectores (1,3), (5,8). Como la matriz que forman es
1 5
cuadrada se puede calcular su determinante. Como ste es no nulo, los vectores son
3 8
linealmente independientes.
3. En 3 determinar el rango de los vectores u=(1,0,0), v=(0,1,0), w=(1,1,0), k=(0,0,1).

1 0 1 0

La matriz que forman por columnas es 0 1 1 0 en la cual (ya est escalonada) se
0 0 0 1

aprecia que el rango es 3. Esto quiere decir que de los 4 vectores, slo 3 son
independientes, y el otro es combinacin lineal de los dems.
Observacin.
En un caso como el 3 anterior, el clculo del rango nos dice cuntos vectores son
independientes, pero no cules. Aunque el rango sea 3, no est garantizado que 3 vectores
cualesquiera vayan a ser independientes. Por ejemplo en este caso, u,v,w no lo son.
Para saber cules lo son, se pueden tomar los correspondientes a las columnas pivotales
despus de escalonar la matriz (en este caso u, w, k).
Tambin podemos verlo usando la propiedad 4) del rango, quitando el vector que no haga
disminuir el rango: en este caso podemos quitar v. Otra posibilidad es quitar u, o tambin w.
Pero no podemos quitar k, pues entonces disminuira el rango.

SISTEMAS GENERADORES
Definicin: Subespacio generado y sistema generador.
Dado un conjunto de vectores v1, . . . , vr , el conjunto de todas las posibles combinaciones

lineales de ellos se llama subespacio generado (o engendrado) por v1, . . . , vr .
Se dice tambin que dichos vectores son un sistema generador del subespacio (o del
espacio, en su caso).
Observacin.
Notar que, dado un conjunto de vectores, el conjunto de todas sus combinaciones lineales
es efectivamente un subespacio:
- la suma de dos combinaciones lineales de v1, ... , vr es otra combinacin lineal de v1, ... , vr .
- el producto de un escalar por una combinacin lineal de v1, ... , vr es otra combinacin lineal
de v1, ... , vr .
Ejemplos.
1) En 2 , un vector no nulo v genera una recta ( los vectores de la forma Dv ).
2) En 3 : Dos vectores generan un plano.

Tres vectores que estn en el mismo plano, generan ese plano.
Tres vectores que no estn en el mismo plano, generan todo el espacio 3 .
3) Veamos qu subespacio generan en 3 los vectores (1,0,0) y (0,1,0): las combinaciones

lineales de ellos sern de la forma
D (1,0,0) + E (0,1,0)
es decir de la forma { (DEDE }que es la expresin paramtrica del plano XY.
4) Obtener un sistema generador del subespacio S={ (OPOP) : OP } de 3 .

Observemos que
(OPOP) = O(1,0,2)P(0,1,1)
por tanto los vectores de S son exactamente las combinaciones lineales de (1,0,2) y (0,1,1).
As pues, estos dos vectores son un sistema generador de S.
Por supuesto pueden encontrarse otros sistemas generadores diferentes para S (de hecho
hay infinitas posibilidades).
5) Un sistema generador de 2 es (1,0), (0,1).

En efecto, todo vector (a,b) 2 se puede poner como combinacin lineal de ellos:
(a,b) puede expresarse como a (1,0) + b (0,1)

6) Otro sistema generador de 2 es (2,0), (1,3), (2,1). Veamos que todo vector (a,b) 2
se puede poner como combinacin lineal de ellos:
(a,b) = O (2,0) + P (1,3) + (2,1) produce un sistema de ecuaciones
OP a 2 1 2 a
P b (las incgnitas son , , mientras que a, b son datos).
0 3 1 b
Se observa que para cualesquiera datos a, b este sistema es compatible. As cualquier
vector (a,b) 2 puede ponerse como combinacin lineal de (2,0), (1,3), (2,1) y por ello son
un sistema generador de 2 .
7) Son los vectores (1,1) y (2,2) un sistema generador de 2 ?

Las combinaciones lineales de estos vectores son de la forma D (1,1) + E (2,2), es decir,
(D+ 2ED+ 2E
Se observa pues, que slo podemos generar vectores que tengan sus dos componentes
iguales. No podemos generar otros vectores como (3,4). (Si se intenta poner (3,4) como
combinacin lineal de (1,1) y (2,2) se obtiene un sistema incompatible).
Por ello, (1,1) y (2,2) no forman un sistema generador de 2 .
8) El espacio que generan (1,1) y (2,2) no es 2 . Cul es?

Se trata de la recta { (DDD } , es decir la bisectriz del primer cuadrante.
De hecho para generar esta recta bastara con uno de los dos vectores.
9) Hallar un sistema generador del subespacio { x = y } de 3 .

Para ello obtenemos primero la forma paramtrica, que es { (DDE) : DE }.
Entonces, (DDE) = D(1, 1, 0)E(0, 0, 1).
As pues, (1,1,0) y (0,0,1) son un sistema generador del subespacio dado.
Observacin
Dado un sistema v1, . . . ,vn, cundo un vector u pertenece al subespacio que generan?
Esto ocurrir si u es combinacin lineal de v1, . . . ,vn. , por tanto podemos plantear tal
combinacin lineal, lo que conducir a un sistema de ecuaciones, y ver si es compatible o
incompatible.
Ejemplo
En 3 , pertenece u=(1,2,3) al subespacio generado por v=(4,5,6), w=(7,8,9) ?
Veamos si es posible poner u = D v + E w.
4 D+ 7 E = 1
(1,2,3) = D (4,5,6) + E (7,8,9) 5 D+ 8 E = 2
6 D+ 9 E = 3
Este sistema es compatible, por tanto u pertenece al subespacio.

4 7 1
Adems, observar que el sistema es compatible porque la matriz ampliada 5 8 2

4 7 6 9 3
tiene el mismo rango (=2) que la matriz de coeficientes . 5 8

6 9
Si los rangos fueran diferentes el sistema sera incompatible.
Notar que la matriz de coeficientes est formada por los vectores v, w en columnas, y la
matriz ampliada se forma aadiendo la columna u.
Esto nos lleva a formular el siguiente
Teorema
Un vector u pertenece al subespacio generado por un conjunto de vectores v1, . . . ,vn si al
aadirlo a stos no aumenta el rango.
(En efecto, ya vimos que si al aadir u no aumenta el rango, significa que u depende linealmente de
v1, . . . ,vn , es decir, es combinacin lineal de ellos).
Sistema generador del subespacio suma.

Hemos visto que puede no ser fcil determinar el subespacio suma U+V a partir de la forma
paramtrica de U y de V. Pero conociendo sistemas generadores de U y de V, podemos
usar el siguiente resultado:
Uniendo sistemas generadores de U y de V, se obtiene un sistema generador de U+V.
Ejemplo.
Sean en 3 los subespacios:
U=plano XY={ (DEDE } , sistema generador (1,0,0), (0,1,0).
V= plano XZ={ (OPOP } sistema generador (1,0,0), (0,0,1).
Por tanto un sistema generador de U+V es (1,0,0), (0,1,0), (1,0,0), (0,0,1).

El vector repetido (1,0,0) se puede eliminar: un sistema generador ms sencillo de U+V es
(1,0,0), (0,1,0), (0,0,1)
Por tanto los elementos de U+V son las combinaciones lineales de (1,0,0), (0,1,0), (0,0,1),
es decir:
a(1,0,0) + b(0,1,0) + c(0,0,1) = (a,b,c) por tanto son todos los vectores del espacio.
Es decir, en este caso el subespacio suma es U+V= 3 .
Teorema: Reduccin de los sistemas generadores.

Si de un sistema generador suprimimos los vectores que son combinacin lineal de los
dems, los restantes siguen generando el mismo subespacio.
Por tanto, siempre ser mejor reducir los sistemas generadores en lo posible, suprimiendo
todos aquellos vectores que dependan linealmente de los dems.
Esto llevar al concepto de base.

BASES Y DIMENSIN
Definicin: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema

generador de dicho espacio o subespacio, que sea a la vez linealmente independiente.
E
Propiedades de las bases.

1. Una base de S es un sistema generador minimal de S (lo ms pequeo posible).
2. Adems es un conjunto independiente maximal dentro de S (lo ms grande posible).
3. Una base de S permite expresar todos los vectores de S como combinacin lineal de ella,
de manera nica para cada vector.
Ejemplos de bases.
n:
1. La base cannica (o base natural, o base estndar) de
e1 = (1,0,. . . ,0)
e2 = (0,1,. . . ,0)
........
en = (0,0,. . . ,1)
- Son linealmente independientes porque forman un determinante no nulo.
- Son sistema generador de n porque todo vector (a1,a2,. . . ,an) n se puede expresar
como combinacin lineal de ellos:
(a1,a2,. . . ,an)= a1(1,0,. . . ,0)+ a2(0,1,. . . ,0)+ . . . + an(0,0,. . . ,1)
2. Otra base de 3 distinta de la cannica: (1,0,0), (1,1,0), (0,2,-3).

- Son linealmente independientes porque forman un determinante no nulo.
- Son sistema generador de 3 porque cualquier vector (a,b,c) se puede poner como
combinacin lineal de ellos. En efecto, dado (a,b,c), buscamos D , E ,J que satisfagan
(a,b,c)= D (1,0,0)+ E (1,1,0)+J (0,2,-3)
Se obtiene un sistema:
D+E = a
E +2J =b
-3J = c
en las incgnitas D , E ,J , que es compatible determinado para cualesquiera a,b,c.
3. (1,2,3), (4,5,6), (7,8,9) en 3 no forman base porque no son linealmente independientes

(su determinante es nulo).
4. Base de un subespacio. En ,3 consideremos el subespacio S= plano XY. Veamos que

los vectores (3,2,0) , (1,1,0) forman una base de S.
- Son linealmente independientes, porque uno no es mltiplo del otro.
- Son un sistema generador de S: Dado un vector genrico de S, de la forma (a,b,0), lo
podemos poner como combinacin lineal de (3,2,0), (1,1,0). Para ello, buscamos D, que cumplan:

(a,b,0)= D (3,2,0)+ E (1,1,0) 3D + E = a
2D E = b S. C. D. para cualesquiera a,b.
5. Extender un conjunto para que forme base. Es (1,0,2), (1,0,1) base de 3?

- Son linealmente independientes, porque uno no es mltiplo del otro.
- Pero no son un sistema generador de 3, porque no es cierto que todo vector de 3
pueda ponerse como combinacin lineal de ellos. Por ejemplo, el (0,1,0) no se puede poner
(resulta un sistema incompatible).
Por tanto no son base de 3. Puede obtenerse una base de 3 de algn modo?
S, aadiendo algn otro vector de manera que siga siendo independiente de los anteriores,
por ejemplo (0,1,0). As el conjunto (1,0,2), (1,0,1), (0,1,0) es linealmente independiente, y
genera 3, por tanto es base de 3.
6. Reducir un conjunto para que forme base. Es (2,0,0), (0,3,0), (4,1,0) base de
S=plano XY de 3 ?
- Son un sistema generador de S, pero no son independientes (su determinante es nulo).
Por tanto no son base de S. Puede obtenerse una base de S de algn modo?
S. Estos tres vectores tienen rango 2, por tanto uno de ellos es combinacin lineal de los
dems y puede suprimirse: por ejemplo suprimimos (4,1,0), ya que al quitarlo no baja el
rango. (Tambin podra quitarse cualquiera de los otros dos).
Los restantes vectores (2,0,0), (0,3,0) siguen generando el mismo subespacio S y son
independientes. Son por tanto base de S.
Teorema y definicin: Dimensin

.
Todas las bases de un mismo espacio o subespacio tienen el mismo nmero de vectores.
Se llama dimensin de dicho espacio o subespacio.
Por tanto, la dimensin es el mximo nmero de vectores independientes que podemos

tener en el espacio o subespacio. En otras palabras, es el mximo rango que puede tener un
conjunto de vectoresde dicho espacio.
Es tambin el rango de cualquier sistema generador de dicho espacio.
Ejemplos de dimensin.
1. n tiene dimensin n, pues tiene una base de n elementos (p.ej. la cannica).
2. M2x2= {matrices 2x2 con trminos reales} tiene dimensin 4. Una base de M2x2 es:
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
3. P2= {polinomios de grado d 2 con coeficientes reales} tiene dimensin 3. Una base de P2
es, por ejemplo, la formada por los tres polinomios siguientes:
1+0x+0x2 , 0+x+0x2, 0+0x+x2 (es decir, los polinomios 1, x, x2).
Otra base: 1+2x+3x2, 4+x2, 3x5x2.

Propiedades de la dimensin.
1. Significado fsico de la dimensin: el espacio tiene dimensin 3, los planos dimensin 2,

las rectas dimensin 1, el punto dimensin 0. El subespacio {0} es el nico de dimensin 0.
2. La dimensin de un subespacio en n, coincide con el nmero de parmetros libres en

su forma paramtrica. (1 parmetro=recta, 2 parmetros= plano...)
3. Si S y T son subespacios y S est contenido en T, entonces dim S d dim T.

Adems, si se da la igualdad, dim S = dim T, entonces ambos espacios han de coincidir.
4. El rango de una familia de vectores, es igual a la dimensin del subespacio que generan.
Es decir: si v1,v2,. . . vn generan un cierto subespacio S, y si el rango de dicho conjunto es r,
entonces dim S = r.
(Si un cierto conjunto de vectores tienen rango 2, entonces generan un plano; etc.)
Ejemplo.
En 3, sea S el subespacio generado por: (1,0,2), (0,1,2), (3,3,3), (2,2,0).
Observamos que el rango de este conjunto (= rango de la matriz que forman, por filas o por
columnas) es 3. As por la propiedad 4 , tenemos que dim S = 3. Pero como estamos en 3,
por la propiedad 3 ha de ser S= 3.
Teorema:.
Sea S un espacio o subespacio de dimensin m. Entonces,
x Si tenemos m vectores linealmente indep. en S, tambin sern sistema generador de S.
x Si tenemos m vectores que generan S, tambin sern linealmente independientes.
Por tanto, si tenemos un conjunto formado por tantos vectores como indica la dimensin,
dichos vectores sern a la vez linealmente independientes y sistema generador, o bien
ninguna de las dos cosas.
As pues, para probar que son base, bastara probar solamente una de las dos cosas: que
son linealmente independientes, o que son sistema generador.
Esto solamente se puede aplicar cuando conocemos la dimensin del espacio y cuando
tenemos tantos vectores como indica la dimensin.
Teorema. En un espacio o subespacio de dimensin m,

x un conjunto de ms de m vectores nunca puede ser linealmente independiente.
x un conjunto de menos de m vectores nunca puede ser sistema generador.
As pues, por ejemplo, 3 vectores en 2 podrn ser o no sistema generador de 2, pero

nunca podrn ser linealmente independientes.
Del mismo modo, 2 vectores en 3 podrn ser linealmente independientes o no, pero nunca
sern sistema generador de 3 (aunque s podrn serlo de un subespacio ms pequeo).

IMPLICITACIN
Vimos ya las formas implcita y paramtrica de subespacios; el paso de la forma implcita a

la paramtrica es sencillo pues se reduce a resolver un sistema de ecuaciones.
El paso inverso, de la paramtrica a la implcita, puede explicarse ahora a la luz de los
conocimientos que ya tenemos. Podr hacerse de dos formas; vemoslo con unos ejemplos.
1) Expresar en forma implcita el subespacio S= { DEDE`de 3.
1 forma. Veamos primero cuntas ecuaciones implcitas son necesarias. La forma

paramtrica tiene dos parmetros libres. Entonces,
n ecuaciones + n parmetros libres (es decir, dim S) = 3 (en 3)
1 + 2 = 3

Hace falta, por tanto, 1 ecuacin implcita. Tratemos de buscar una relacin entre las
coordenadas x,y,z del vector genrico DEDE
Observamos que la tercera coordenada es tres veces la primera menos cinco veces la
segunda. As, la relacin es z = 3x - 5y. Esta es la forma implcita.
(Nota: las ecuaciones implcitas nunca pueden tener trmino independiente, pues siempre ha de
satisfacerlas el vector cero).
2 forma. Obtenemos una base de S:

DEDE D(1,0,3)E (0,1,-5) sistema generador (1,0,3) (0,1,-5).
1 0
y son linealmente independientes: rg 0 1 =2, luego son base. (Por tanto dimS = 2).
3 5

Ahora, un vector (x,y,z) de 3 pertenecer a S si es combinacin lineal de (1,0,3) (0,1,-5) :
por tanto si al aadirlo a ellos, el rango no aumenta y sigue siendo 2.
1 0 x
Debe ser rg 0 1 y =2. Escalonamos esta matriz para ver su rango.
3 5 z

(Notar que el hecho de que sus trminos sean incgnitas no impide en absoluto efectuar operaciones
elementales en las filas, como en cualquier matriz numrica.)
1 0 x 1 0 x 1 0 x

0 1 y 0 1 y 0 1 y
3 5 z 0 5 z 3x 0 0 z 3x 5y

Las dos primeras filas de la matriz son no nulas, as que el rango ser 2 cuando la tercera
fila sea nula, es decir, cuando z - 3x + 5y = 0. Esta es la forma implcita buscada. Notar que
es la misma que se obtuvo en la 1 forma.

1 0 x
Otra variante de esta 2 forma: como la matriz 0 1 y es cuadrada, podemos tambin
3 5 z

hallar su determinante, que resulta ser z - 3x + 5y . Cuando el determinante sea nulo, el
rango de la matriz es 2. Se obtiene as tambin la misma ecuacin implcita.
2) Expresar en forma implcita el subespacio S= { DEDEDE`de 4.
1 forma. n ecuaciones + n parmetros libres (es decir, dim S) = 4 (en 4)

2 + 2 = 4

Hacen falta, por tanto, 2 ecuaciones implcitas. Tratemos de buscar dos relaciones entre
las coordenadas x,y,z,t del vector genrico DEDEDE
Estas dos relaciones son claramente z = 2x + y ; t = -x + 3y.
As pues, esta es la forma implcita.
(Nota: La forma implcita no es nica. Otra posibilidad es: z = 2x + y ; z + 2t = 7y por ejemplo.)

DEDEDE D(1,0,2,-1)E(0,1,1,3)
1 0

0 1
y son linealmente independientes: rg =2, luego son base. (Por tanto dimS = 2).
2 1

1 3
Un vector (x,y,z,t) de 4 pertenecer a S si es combinacin lineal de (1,0,2,-1)(0,1,1,3),

por tanto si al aadirlo a ellos, el rango no aumenta y sigue siendo 2.
1 0 x

0 1 y
Debe ser rg =2. Escalonamos esta matriz para ver su rango.
2 1 z

1 3 t
1 0 x 1 0 x 1 0 x

0 1 y
0 1 y

0 1 y
2 1 z 0 1 z 2x 0 0 z 2x y

1 3 t 0 3 tx 0 0 t x 3y
Las dos primeras filas de la matriz son no nulas, as que el rango ser 2 cuando la tercera y
cuarta filas sean nulas, es decir, cuando z - 2x - y = 0 ; t + x - 3y = 0. Estas son las
ecuaciones implcitas buscadas. Notar que son las mismas que se obtuvieron en la 1 forma.

3) Expresar en forma implcita el subespacio S= { DDD`de 3.
1 forma. n ecuaciones + n parmetros libres (es decir, dim S) = 3 (en 3)

2 + 1 = 3
Hacen falta, por tanto, 2 ecuaciones implcitas. Tratemos de buscar dos relaciones entre
las coordenadas x,y,z,t del vector genrico DDD
Estas dos relaciones son z = 3x ; y = 2x. Estas son las ecuaciones implcitas.

DDD D( 1,2,3 ) luego (1,2,3) es una base. (Por tanto dimS = 1).
Ahora, un vector (x,y,z) de 3 pertenecer a S si es combinacin lineal de (1,2,3)

por tanto si al aadirlo a l , el rango no aumenta y sigue siendo 1.
1 x
Debe ser rg 2 y =1. Escalonamos esta matriz para ver su rango.
3 z

1 x 1 x

2 y 0 y 2x
3 z 0 z 3x

La primera fila de la matriz es no nula, as que el rango ser 1 cuando la tercera y cuarta
filas sean nulas, es decir, cuando y - 2x = 0 ; z - 3x = 0. Estas son las ecuaciones
implcitas buscadas. Notar que son las mismas que se obtuvieron en la 1 forma.
4) Expresar en forma implcita el subespacio S= { DEDEDE`de 3.

A pesar de las apariencias, pues hay dos parmetros, la dimensin de S no es dos. Ello se
debe a que los parmetros no son libres. Se aprecia al hallar una base:
DEDEDE D( 1,2,3 ) + E ( 2,4,6 ) Sistema generador (1,2,3) , (2,4,6)
Pero no son independientes, luego no son base. Hay que quitar el segundo vector, que es
mltiplo del primero: La base es (1,2,3), por tanto se trata del mismo espacio del ejemplo 3).
5) Expresar en forma implcita el subespacio S= { DEDE`de 5.

Es inmediato por la 1 forma:
5
n ecuaciones + n parmetros libres (es decir, dim S) = 5 (en )
3 + 2 = 5
Hay que buscar tres relaciones entre las coordenadas x,y,z,t,s del vector genrico
(DEDE
Obviamente se tiene: y=0 , z=0 , s=0. Por tanto, estas son las ecuaciones implcitas.
(Nota: una forma paramtrica ms sencilla de este subespacio es OP).

COORDENADAS Y CAMBIO DE BASE
Definicin: Coordenadas.
En un espacio vectorial V, fijada una base {v1,v2,. . . vn} , todo vector uV puede ponerse de
forma nica como combinacin lineal de dicha base:
u = D 1 v1 + D 2 v2 + . . . D n vn
Los escalares D 1, D 2, . . . , D n se llaman coordenadas del vector u en la base {v1,v2,. . . vn}.
Ejemplos de coordenadas.
1. Coordenadas en distintas bases.
En 2 fijemos la base cannica, { (1,0), (0,1) }. Consideremos el vector v=(1,2). Para hallar
sus coordenadas en esta base, ponemos u como combinacin lineal de la misma:
(1,2)=1(1,0) + 2(0,1)
Por tanto, (1,2) son las coordenadas de v en base cannica.
Cuando se utiliza la base cannica, obtenemos el sentido usual de coordenadas.
Pero cuando se utiliza otra base no es as.
Por ejemplo, en 2 fijemos ahora la base B = { (2,3), (1,1) } y consideremos el mismo
vector v=(1,2). Hallemos sus coordenadas en la base B. Para poner v como combinacin
lineal de dicha base, planteamos el sistema
3 1
(1,2)= D (2,3)+ E (1,1) cuya solucin es D = , E = . As pues,
5 5
3 1
v= (2,3) (1,1)
5 5
3 1
Por tanto, , son las coordenadas de v en base B.
5 5
No debe confundirse el vector con sus coordenadas; aqu el vector sigue siendo v=(1,2), y
3 1
las coordenadas , son un par de nmeros que indican cmo expresar v en
5 5
combinacin lineal de la base B.
2. Si u es el vector que tiene como coordenadas (5, 6) en la base (1,2) (3,4), cul es el
vector u?
Segn la definicin de coordenadas,
u = 5 (1,2) + (6) (3,4) = (13, 14).
3. El vector cero tiene coordenadas (0, . . . ,0) en cualquier base.

4. Coordenadas en un subespacio.
En 3 , sea el subespacio S generado por los vectores (1,1,0) y (0,0,1). (Se trata del plano
x=y en 3). Los dos vectores son independientes, por tanto forman base de S.
Consideremos el vector v = (2,2,3) perteneciente a S. Hallemos las coordenadas de este
vector respecto a la base (1,1,0), (0,0,1) de S. Para ello expresamos v como combinacin
lineal de dicha base:
(2,2,3)= 2(1,1,0) + 3(0,0,1)
As pues, las coordenadas de v en esta base de S son (2,3).
No debe sorprendernos que v tenga slo 2 coordenadas. El vector v ciertamente tendra 3
coordenadas como elemento de 3, pero tiene 2 coordenadas como elemento del plano S,
que es un subespacio de dimensin 2.
Definicin: Matriz del cambio de base.

En un espacio vectorial V, dadas dos bases B y B , se llama matriz de cambio de base (o de
cambio de coordenadas) de B a B a la matriz que contiene en sus columnas las
coordenadas de los vectores de la base B expresados en funcin de la base B.
Su utilidad es la siguiente: Conocidas las coordenadas de un vector en base B, nos permitir

hallar las coordenadas de dicho vector en base B.
En efecto, sean (a1, a2, . . . an) las coordenadas de un vector en base B, y sea P la matriz de
cambio de base de B a B. Entonces:
a1 b1 a1 b1

a b o lo que es lo mismo, a2 -1 b2
P 2 = 2 # = P #

a b a b
n n n n
obtenindose as (b1, b2, . . . bn) las coordenadas del vector en base B.
Ejemplo.
Consideremos en 2 las dos bases siguientes:
la base del ejemplo (1) anterior, B ={ (2,3), (1, 1) }
la base cannica B ={ (1,0), (0,1) }
x Vamos a construir la matriz de cambio de base de B a B.
Para ello debemos expresar los vectores de la base B en funcin de la base cannica B.
(2,3) = 2(1,0) + 3(0,1) coordenadas (2,3)
(1,1)= 1(1,0) 1(0,1) coordenadas (1, 1)
Introduciendo estas coordenadas en las columnas de una matriz, tendremos la matriz de
cambio de base de B a B:
2 1
P=
3 1

x Del mismo modo podemos construir la matriz de cambio de base de B a B.
Para ello expresamos los vectores de la base cannica B en funcin de la base B. Podemos
hallarlo planteando dos sistemas de ecuaciones, de los cuales se obtendr
1 3 1 3
(1,0) = (2,3) + (1,1) coordenadas ( , )
5 5 5 5
1 2 1 2
(0,1)= (2,3) (1,1) coordenadas ( , )
5 5 5 5
Introduciendo estas coordenadas en las columnas de una matriz, tendremos la matriz de

cambio de base de B a B.
15 1

Q= 3
5
5 52
Vamos a aplicar estas matrices para hallar las coordenadas en base B del vector v=(1,2).
Tenemos sus coordenadas en la base cannica B que son (1,2). Utilizamos la matriz Q de
cambio de base de B a B:
15 1
1 53
3 5
=
5 52 2 15
3 1
As hemos obtenido , , las coordenadas de v en base B. Comprobar que son las
5 5
mismas que se obtuvieron en el ejemplo (1) anterior.
Podemos volver a las coordenadas en base B utilizando la matriz P de cambio de base de B a B':
2 1 53 1
1 =
3 1 5 2
Propiedades de las matrices de cambio de base .

1. Toda matriz de cambio de base es cuadrada nxn, donde n es la dimensin del espacio al
que se refieren las bases.
2. Toda matriz de cambio de base es inversible (es decir, con determinante no nulo).
Adems, la matriz de cambio de B a B es inversa de la matriz de cambio de B a B.
x Comprobar en el ejemplo anterior que P y Q son inversas entre s. Por tanto, despus de
hallar P, podramos haber hallado Q como P 1 .
3. La matriz de cambio de una base B a la misma base B, es la matriz identidad.
Observar en el ejemplo anterior que la matriz ms fcil de obtener es la P, que pasa de una
base B a la base cannica, pues basta escribir en las columnas la base B.
P
-1
Base B Base cannica P= base B en columnas; Q=P

SUMA DIRECTA Y SUBESPACIOS SUPLEMENTARIOS
Dados dos subespacios S, T, consideramos el subespacio suma:

S+T= { u+v : uS , vT}
Uniendo un sistema generador de S con uno de T se obtiene un sistema generador de S+T.
Sin embargo, no siempre es cierto que uniendo una base de S con una base de T se
obtenga una base de S+T.
Ejemplo.
En 3, consideremos los subespacios
S = planoXY, una base es (1,0,0), (0,2,0).
T = planoXZ, una base es (3,0,0), (0,0,4).
S+T resulta ser el espacio total 3. En efecto, un sistema generador de S+T es la unin de
ambos,
(1,0,0), (0,2,0), (3,0,0), (0,0,4)
que es un sistema generador de 3. Pero no es una base, pues no es linealmente
independiente.
(Ello ocurre porque S T no es cero)
Definicin: Suma directa.

Se dice que la suma es directa, S T, si su interseccin S T es solamente el vector cero.
Teorema.
Si la suma S T es directa, al unir una base de S y una base de T se obtiene una base de
S T.
Ejemplo.
En 3, consideremos los subespacios
S = planoXY, una base es (1,0,0), (0,2,0).
H = eje Z, una base es (0,0,5)
La suma es directa pues S H = {0}. El subespacio suma S H resulta ser el espacio total
3. Por el teorema anterior, uniendo las bases de S y de H se obtendr una base del
subespacio suma:
(1,0,0), (0,2,0), (0,0,5)
que efectivamente es base de 3.

Frmulas de las dimensiones.
Del teorema anterior se deduce la siguiente frmula: si la suma es directa,
dim (S T) = dim (S) + dim (T)
Si la suma no es directa, hay que aadir un trmino ms, tenindose la frmula
dim (S+T) + dim (S T) = dim (S) + dim (T)
(la primera frmula se puede obtener de la segunda, pues en el caso de suma directa, el
trmino de la interseccin vale cero).
Definicin (subespacio suplementario):

Si dos subespacios S, T estn en suma directa y adems su suma es igual al espacio total,
S T = V, se dice que S y T son suplementarios (o complementarios).
Todo subespacio tiene infinitos suplementarios, salvo el {0}, cuyo nico suplementario es el
total, y el total, cuyo nico suplementario es el {0}.
Ejemplo.
En 3, el suplementario de un plano es cualquier recta que no est contenida en el plano.
Igualmente el suplementario de una recta es cualquier plano que no la contenga.
Clculo de una base de un suplementario:

Dada una base de S, la prolongamos aadiendo vectores, independientes de los anteriores,
hasta formar una base del espacio total. (Para ello podemos elegir cualesquiera vectores,
por ejemplo elegirlos entre los de la base cannica).
Los vectores aadidos forman as una base de un suplementario de S.
Ejemplo.
En 4, sea S el subespacio cuya base es v1=(1,0,2,0), v2=(3,0,0,0). Vamos a hallar un
suplementario de S. Para ello prolongamos la base dada aadiendo vectores que elegimos
entre los de la base cannica. Han de ser independientes de los anteriores.
x No podemos aadir (1,0,0,0) porque no es independiente de los anteriores. (Es mltiplo de
v2).
x Podemos aadir v3 = (0,1,0,0) pues es independiente de v1 , v2 (La matriz formada por
v1, v2, v3 tiene rango 3).
x No podemos aadir w = (0,0,1,0) pues no es independiente de los anteriores. (La matriz
formada por v1, v2, v3 ,w tiene rango 3; su determinante es cero).
x Podemos aadir v4 = (0,0,0,1) pues es independiente de v1 , v2 (La matriz formada por
v1, v2, v3 ,v4 tiene rango 4; su determinante es no nulo).
- Ya hemos terminado, pues tenemos 4 vectores independientes y por tanto una base del
total 4. Los dos vectores que hemos aadido, v3 = (0,1,0,0) y v4 = (0,0,0,1), forman una
base de un suplementario de S.

AUTOEVALUACIN - Espacios Vectoriales.
Cada () es un punto.
Hay en total 50 puntos, de los cuales 20 son de cuestiones y 30 de ejercicios.
A) Cuestiones (20 puntos)
C-1) Existe...
() a)...un subespacio de 2 que se parezca a ?
() b)...un subespacio de 2 que se parezca a 3?
Si existe pon un ejemplo, y si no, razona por qu.
() C-2) En el espacio vectorial de las matrices 2x2 con trminos reales, inventa un ejemplo de
subespacio (que no hayas visto en otro lugar).
() C-3) a) Si S y T son subespacios de , siendo dim S = 2 y dim T = 3, qu posibilidades hay

5
para las dimensiones de S+T y de ST ?

() b) Lo mismo pero en 4 en lugar de 5.
() C-4) La interseccin de dos planos en 3 puede ser un solo punto? Explica por qu. (Puedes
razonar como en la cuestin anterior).
() C-5) a) En 2, inventa un conjunto de tres vectores {u,v,w} linealmente dependientes, que tenga
rango 2, de modo que se pueda suprimir uno de ellos y se conserve el rango.
() b) Lo mismo, pero de modo que no se pueda suprimir uno cualquiera. Seala cules se
pueden suprimir y cules no.
C-6) Pueden ser...

() a) linealmente independientes cinco vectores en 4 ?
() b) sistema generador cuatro vectores en 5 ?
Si es posible pon un ejemplo, y si no, razona por qu.
() C-7) Si u, v son linealmente independientes, tambin lo son 2u y 3v? Explica por qu.
() C-8) Cierto o falso? En un espacio vectorial, ningn conjunto linealmente independiente puede
tener ms vectores que un sistema generador. Razona la respuesta.
Neila Campos LGEBRA LINEAL Espacios Vectoriales - Autoevaluacin.

C-9) Dado el vector v=(1,2) en 2, como es sabido, sus coordenadas en la base cannica
{ (1,0), (0,1) } son (1,2). Si es posible, inventa otra base de modo que las coordenadas de v sean...
() a) (2,1)
() b) (1, 2)
() c) (0, 0)
C-10) Puede esta matriz ser una matriz de cambio de base en algn espacio vectorial?
Razona la respuesta.
1 3 3
() a) A=
0 1 0
1 1 1

() b) B= 1 1 1
1 1 1

1 1
() c) C=
3 2
B) Ejercicios (30 puntos)
E-1) En 2, determina si es o no subespacio vectorial el conjunto...

() a) { (a+b, a+b+2) : a, b }
() b) { (a+1, a+1) : a }
() E-2) En 3, determina si v=(1,4,16) pertenece al subespacio generado por (1,2,4) y (-1,-1,2).
() E-3) a) Pasar a forma implcita el subespacio de 3 dado en paramtricas:

{ (a+b, a+2b, b) : a, b }
() b) Pasar a forma paramtrica el subespacio de 3 dado en implcitas: { x-2y+3z=0 }
E-4) Determinar si es o no linealmente independiente el conjunto...

() a) (1, 2, 0, 1), (-1, -1, -1, 3), (4, 0, -2, 1), (2, 0, 0, 1) en 4
() b) (1, 2, 0, 1) , (2, -3, -3, 3), (-1,12, 6, -3) en 4
E-5) Hallar el rango del siguiente conjunto de vectores:

() a) (1,0,1), (2,0,3), (-1,0,4) en 3
() b) (1,2), ( 3,-1), (5,0), (1,-2) en 2
() E-6) Extraer del siguiente conjunto en 4 una familia linealmente independiente:
(1, 2, 0, 1), (-1, -1, -1, 3), (-1, 1, -3, 11) ,(4, 0, -2, 1), (2, -3, -3, 3),

E-7) Dado el subespacio de 5 en forma paramtrica (a, a+b, a+b+c, c, 2a-b), obtener un
() sistema generador del subespacio.
E-8) En 4 , si S tiene como sistema generador { (1,1,0,0), (1, -1, 0, 0) } y T tiene como sistema
generador { (0,2,1,0) , (-1,1,1,0) }, hallar:
() a) un sistema generador del subespacio S+T.
() b) una base de S+T.
x+y-z-t =0 x - y = 0
E-9) Dados los subespacios de 4 S= y T= , calcular:
2x + 2y - z - t = 0 z-t =0
() a) el subespacio ST.
() b) el subespacio S+T (sugerencia: se puede usar el resultado de a) para hallar la dimensin de S+T).
x + y + z + t = 0
E-10) Dado el siguiente subespacio de 4 en implcitas, hallar una base y
y - 2z - t = 0
dimensin. Puedes hacerlo mediante el siguiente proceso:
() - Pasar las implcitas a paramtricas.

() - De la forma paramtrica, obtener un sistema generador.
() - Del sistema generador, extraer una base. Dar la dimensin.
() E-11) a) Determinar si (1,2,3) (4,5,6), (7,8,9) forma base de 3.

() b) Determinar si (1,0,1) , (-1,0,2) forma base del subespacio { y=0 } de 3 .
() E-12) Extender el siguiente conjunto linealmente independiente hasta que forme base de 4 .
(2,3,0,1), (0,2,0,0).
() E-13) Reducir el siguiente sistema generador hasta que forme base de 3 .
(1,2,3) (4,5,6), (7,8,9), (0,1,3)
() E-14) Dada la base { (0,-1), (1,2) } de 2 , hallar las coordenadas del vector v= (-3,-8) en dicha
base.
E-15) Dadas las bases B={ (1,0), (0,1) } (cannica) y B={ (0,-1), (1,2) } , hallar:
() a) la matriz de cambio de base de B a B .
() b) la matriz de cambio de base de B a B
E-16) Determinar si los siguientes subespacios estn en suma directa.

() a) S= <(1,2,0,0), (1,0,0,2)> y T= <(0,0,2,1), (2,0,0,1)> en 4
() b) S= <(1,2,0), (1,0,2)> y T= <(0,2,1), (2,0,1)> en 3
() E-17) Hallar un subespacio suplementario (o complementario) de <(1,2,3), (4,5,6)> en 3.

SOLUCIONES A LA AUTOEVALUACIN - Espacios Vectoriales.
A) Soluciones a las Cuestiones
Sol. C-1) a) S, por ejemplo el eje X, formado por los vectores de la forma (O, 0), que se identificaran
con el nmero real O . Tambin valdra el eje Y, o cualquier otra recta que pase por el origen. (Al
ser de dimensin 1, una recta se puede identificar con , que tambin es de dimensin 1).
b) No es posible, pues 2 tiene dimensin 2, y no puede contener un espacio que se
parezca a 3, pues ste tendra dimensin 3. Un espacio de dimensin 3 no puede estar
contenido en otro de dimensin 2.
Sol. C-2) Hay muchas posibilidades; estos son slo algunos ejemplos: las matrices de la forma
a b a b a a a 2a a b a b a b
, , , , , , , etc.
2b c c a a a 3a 4a 2a 2b b + c c c a + b + c
Sol. C-3) Utilizamos la frmula dim S + dim T = dim(S+T) + dim(ST).

a) El primer miembro de la igualdad es 2+3, por tanto el segundo miembro ha de sumar tambin 5,
as que las posibilidades son:
dim(S+T) = 5 , dim(ST) = 0
dim(S+T) = 4 , dim(ST) = 1
dim(S+T) = 3 , dim(ST) = 2
No hay ms posibilidades. No sera correcto dim(S+T) = 2 y dim(ST) = 3 porque la suma ha de

ser ms grande que S y que T, y la interseccin ha de ser ms pequea que S y que T.
b) Ahora las posibilidades son:

dim(S+T) = 4 , dim(ST) = 1
dim(S+T) = 3 , dim(ST) = 2
es decir, las mismas que en a) excepto la primera. No sera posible dim(S+T) = 5 porque estamos
en 4, as que no puede haber un subespacio de dimensin 5.
Sol. C-4) Como en la cuestin anterior, dim S + dim T = dim(S+T) + dim(ST).

Ahora S y T son planos, por tanto ambos de dimensin 2, as que el 2 miembro ha de sumar 4, lo
que nos da las posibilidades:
dim(S+T) = 2 , dim(ST) = 2 (plano)
dim(S+T) = 3 , dim(ST) = 1 (recta)
No hay ms posibilidades. No es correcto dim(S+T) = 4 y dim(ST) = 0 porque estamos en

3, as que no puede haber un subespacio de dimensin 4.
Por tanto, en ninguna de las posibilidades ST es un punto (que sera de dimensin 0).

Sol. C-5) a) Es fcil, porque prcticamente tres vectores cualesquiera en (a no ser que los 3 estn
2
alineados) van a tener rango 2. Por ejemplo,

u=(1,0), v=(0,1), w=(1,1) su rango es 2.
Se puede suprimir uno cualquiera de ellos y el rango sigue siendo 2.
b) Habra que poner 2 vectores que sean linealmente dependientes entre s, p. ej. u=(1,0) ,
v=(2,0) , y otro que sea independiente de ellos: p.ej. w= (1,1) . Este conjunto tiene rango 2.
As, quitando u se conserva el rango; quitando v tambin; pero no podemos quitar w porque
entonces el rango disminuye.
Sol. C-6) a) No, porque nunca pueden ser independientes ms vectores de lo que indica la dimensin.
b) No, pues nunca pueden ser sistema generador menos vectores de lo que indica la dimensin.
Sol. C-7) S, porque si u, v son linealmente independientes, como slo son 2 vectores, significa que
uno no es mltiplo del otro. Entonces 2u y 3v tampoco pueden ser uno mltiplo del otro.
(Imagina que 2u fuese mltiplo de 3v , p.ej. 5 veces: 2u = 53v, entonces despejando tendramos
u = 152 v , y no puede ser porque u y v eran independientes).
Sol. C-8) Cierto, pues el conjunto independiente siempre tiene un nmero de vectores menor o igual
que la dimensin del espacio, mientras que el sistema generador siempre tiene un nmero de
vectores mayor o igual que la dimensin del espacio.
Sol. C-9) a) La base { (0,1) , (1,0) } , es decir, la cannica pero con los vectores en orden contrario.
As claramente (1,2) = 2 (0,1) + 1 (1,0).
b) La base { (1,0), (0,1)} , es decir, la cannica pero con los vectores cambiados de signo.
As claramente (1,2) = (1) (1,0) + (2) (0,1)
c) No es posible. En cualquier base, las coordenadas (0,0) son exclusivas del vector nulo.
Sol. C-10) a) No, por no ser cuadrada.

b) No, por no ser inversible.
c) S, por ser cuadrada e inversible. Sera la matriz de cambio entre ciertas bases de 2.
(de hecho es la matriz de cambio de B={ (1,3), (1,2) } a la base cannica).

B) Soluciones a los Ejercicios
Sol. E-1) a) No, porque no contiene al (0,0), ya que no hay ningn valor de a, b que cumpla a la vez
a+b=0 y a+b+2=0.
b) S. Es el conjunto de todos los vectores de 2 que tienen sus dos coordenadas iguales.
Se ve ms fcilmente si llamamos b=a+1, entonces el conjunto es { (b,b) }. Es subespacio porque:
- La suma de dos elementos es (b,b)+(c,c)=(b+c,b+c) que es otro elemento del conjunto.
- Si O es un escalar, O (b,b) = (Ob,Ob) que es otro elemento del conjunto.
Sol. E-2) 1 forma: Plantear el sistema dado por D(1,2,4)+E(-1,-1,2)=(1,4,16). Es compatible, por
tanto es posible poner v como combinacin lineal de (1,2,4) y (-1,-1,2). S pertenece.
2 forma: Hallar el rango de los tres vectores y ver que es 2. Por tanto, v es combinacin
lineal de (1,2,4) y (-1,-1,2). S pertenece.
Sol. E-3) a) 1 forma: Como hay 2 parmetros, y estamos en 3 , har falta 1 ecuacin. Claramente
sta es y=x+z , es decir, x-y+z=0.
2 forma: Un sistema generador del subespacio es (1,1,0), (1,2,1). Un vector (x,y,z)
1 1 x
pertenece al subespacio si el rango de es 2. Esto ocurre cuando x-y+z=0 (se puede ver
1 2 y
0 1 z

calculando el determinante o triangulando la matriz).
b) Resolviendo el sistema de una sola ecuacin, la incgnita principal es x, quedando como

parmetros y=D, z=E. La solucin al sistema es por tanto (2D-3E, DE), que es la forma paramtrica.
Sol. E-4) a) Escalonando la matriz se ve que es de rango 4, igual al nmero de vectores, luego el
conjunto es independiente. (Otra forma: porque el determinante 4x4 que forman, es no nulo).
b) Escalonando la matriz se ve que es de rango 2, menor que el nmero de vectores, luego el
conjunto es dependiente. (Otra forma: viendo que alguno es combinacin lineal de los otros).
Sol. E-5) a) Escalonando la matriz se obtiene rango 2 (2 filas no nulas).

Otra forma: Sin escalonar la matriz. Est claro que la matriz que forman tiene una columna
toda nula, as que el determinante es nulo, luego el rango ya no es 3. Sera 2 1. No es 1 porque
entonces seran todos los vectores mltiplos uno de otro, y no lo son. Por tanto, rango 2.
b) Escalonando la matriz se obtiene rango 2 (2 filas no nulas).

Otra forma: Sin escalonar la matriz. Est claro que el rango no puede ser ms de 2, pues
2
estamos en (la matriz slo tiene 2 filas). Y el rango no es 1 porque entonces seran todos los
vectores mltiplos uno de otro, y no lo son. Por tanto, rango 2.

Sol. E-6) Haciendo la forma escalonada de la matriz, las columnas pivotales son la 1, 2 y 4. Por
tanto extraemos los vectores independientes 1, 2 y 4.
(Hay otras soluciones, por ejemplo 1, 2 y 5, o tambin 3, 4 y 5, etc. Pero otras posibilidades no
valen, por ejemplo 1, 2 y 3 no vale, porque no son independientes.)
Sol. E-7) Ponemos (a, a+b, a+b+c, c, 2a-b) = a (1,1,1,0,2) + b (0,1,1,0,-1) + c(0,0,1,1,0). As, un
sistema generador es (1,1,1,0,2) , (0,1,1,0,-1), (0,0,1,1,0).
Sol. E-8) a) Un sistema generador de S+T se obtiene uniendo ambos sistemas generadores:
(1,1,0,0), (1, -1, 0, 0), (0,2,1,0) , (-1,1,1,0)
b) Para saber si este sistema generador es base, hay que ver si son independientes, y si no lo
son, quedarse con tantos como indique el rango.
1 forma: Escalonando la matriz se obtiene que el rango es 3 (por tanto no son independientes);
las columnas pivotales son la 1, 2 y 3 y as una base de S+T sera
(1,1,0,0), (1, -1, 0, 0), (0,2,1,0)
2 forma: Sin escalonar la matriz se ve que su 4 columna es toda nula, as que el rango ya no es 4.
Ser 3 o menor. Pero se ve fcilmente que los 3 primeros vectores son independientes, as que el
rango es 3 y los 3 primeros vectores forman base: (1,1,0,0), (1, -1, 0, 0), (0,2,1,0)
xyzt 0
2x 2y z t 0
Sol. E-9) a) ST se obtiene resolviendo el sistema formado por las 4 ecuaciones.

xy 0
zt 0
Se observa que el sistema es compatible determinado, y como es homogneo, su solucin nica
es (0,0,0,0). Por tanto ST = { (0,0,0,0) }, es el subespacio cero.
b) 1 forma: Siguiendo la sugerencia: Por a) tenemos que dim(ST)=0. Tambin sabemos que:
- dim(S)=2, ya que est definido por 2 ecuaciones independientes en 4 y por tanto tendra
42=2 parmetros, dimensin 2.
- dim(T)=2 por lo mismo.
As, usando la frmula dim(S)+ dim(T) = dim(S+T) + dim(ST), obtenemos que dim(S+T)=4.
4
Entonces S+T es un subespacio de dimensin 4 en , as que slo puede ser el total.
4
Concluimos por tanto que S+T= .

2 forma: Pasamos S y T a paramtricas, resolviendo cada uno de los dos sistemas. Se
obtiene lo siguiente:
S={ (DDEE) }, T={ (OOPP) }
De lo cual se calcula un sistema generador de cada uno:
S= <(1,-1,0,0), (0,0,1,-1)>, T= <(1,1,0,0), (0,0,1,1)>
y as la unin de ambos es un sistema generador de S+T :
S+T= <(1,-1,0,0), (0,0,1,-1), (1,1,0,0), (0,0,1,1)>
y se comprueba (p.ej. escalonando la matriz) que este conjunto tiene rango 4. Entonces S+T es un
4 4
subespacio de dimensin 4 en , as que slo puede ser el total. Concluimos pues, que S+T= .
Sol. E-10) Resolviendo el sistema obtenemos las implcitas: DEDEDE). Poniendo

DEDEDE) = D (-2,2,1,0) + E (-3,1,0,1) se obtiene que un sistema generador es
(-2,2,1,0), (-3,1,0,1). Observamos que estos vectores son independientes (uno no es mltiplo
del otro), por tanto (-2,2,1,0), (-3,1,0,1) forman base y la dimensin del subespacio es 2.
Sol. E-11) a) No, pues no son independientes (su determinante es nulo; o bien escalonando la matriz
se ve que es de rango 2).
b) El subespacio {y=0} en 3 es un plano; tiene dimensin 2 (pues est dado por 1
ecuacin en 3 ; 31=2). As que los dos vectores sern base de este plano si son independientes.
Y son independientes, porque uno no es mltiplo de otro. Por tanto s forman base.
Sol. E-12) Tenemos 2 vectores; para formar una base de 4 habr que aadir otros 2, que sean
independientes de los anteriores.
Probemos con vectores de la base cannica: por ejemplo si elegimos (0,0,1,0), (0,0,0,1) tendremos
la familia (2,3,0,1), (0,2,0,0), (1,0,0,0), (0,0,1,0) que se ve claramente que es de rango 4 (la matriz
ya est escalonada). Por tanto esta familia es base de 4.
(Los vectores aadidos no tienen por qu ser de la base cannica, valdran otros si el rango final es 4).
Sol. E-13) Habr que quedarse con 3 vectores independientes. (Ojo, los 3 primeros no lo son). Para
saber cules son, escalonamos la matriz y nos quedamos con las columnas pivotales, que son la
1, 2 y 4. Por tanto una base ser (1,2,3) (4,5,6), (0,1,3) .
Sol. E-14) 1 forma: Planteamos el sistema (-3,-8) = D (0,-1) + E (1,2) , cuya solucin es D= 2, E= 3.
As pues, las coordenadas de v en la base dada son (2, 3).
2 forma: Hallamos la matriz de cambio de base (ver ejercicio E-15), y multiplicndola por v se
2 -1 -3 2
obtiene = que son las coordenadas pedidas.
1 0 -8 -3

0 1
Sol. E-15) a) Basta poner los vectores de la base en columnas,
-1 2
1
0 1 2 -1
b) Es la matriz inversa de la anterior: = .
1 2 1 0
Sol. E-16) a) La suma ser directa si dim(ST)=0. Sabemos que tanto S como T tienen dimensin 2,
entonces
dim S + dim T = dim(S+T) + dim(ST)
2 2 4 0
vemos que el caso dim(ST)=0 slo se da cuando dim(S+T)=4. Y esto ocurrir en caso de que los
vectores (1,2,0,0), (1,0,0,2), (0,0,2,1), (2,0,0,1) que generan S+T sean independientes.
En efecto lo son (la matriz que forman es de rango 4), as que dim(S+T)=4, y dim(ST)=0.
Por tanto la suma es directa.
b) La suma ser directa si dim(ST)=0. Sabemos que tanto S como T tienen dimensin 2,
entonces
dim S + dim T = dim(S+T) + dim(ST)
2 2 4 0
vemos que el caso dim(ST)=0 slo se da cuando dim(S+T)=4. Pero esto es imposible porque
estamos en 3, ningn subespacio puede tener dimensin 4. Por tanto dim(S+T)=4 no puede ser,
y dim(ST)=0 tampoco. La suma no es directa.
- Tambin es posible, tanto en a) como en b), calcular explcitamente la interseccin y ver si es el

subespacio cero o no (aunque lleva ms trabajo).
Sol. E-17) Aadimos vectores hasta formar una base de 3: ser necesario aadir 1 vector, que sea
independiente de los anteriores. Por ejemplo (1,0,0) sirve, porque el rango de (1,2,3),(4,5,6), (1,0,0)
es tres.
As, la base del suplementario son los vectores aadidos, en este caso (1,0,0). Por tanto el
suplementario encontrado es el espacio generado por este vector (en este caso se trata del eje x)
(Hay infinitas posibilidades ms. De hecho cualquier recta no contenida en el subespacio sera un
suplementario).

APLICACIONES LINEALES.
INTRODUCCIN: APLICACIONES ENTRE CONJUNTOS.
Una aplicacin entre dos conjuntos A y B es una regla que permite asignar a cada
elemento de A, uno de B.
La aplicacin f del conjunto A en el conjunto B se indica mediante f: A
oB o bien
f o B.
A
El conjunto A se llama conjunto inicial, y el B conjunto final.
Si la aplicacin f asigna al elemento aA el elemento bB, diremos que b es la imagen
de a, lo que se denota por f(a) = b.
La regla ha de estar inequvocamente definida, de modo que para todos y cada uno de los
elementos de A, est claro qu elemento de B es su imagen.
Clasificacin de las aplicaciones:

x Se dice que una aplicacin es inyectiva si no hay dos elementos que tengan imgenes
iguales. Una aplicacin inyectiva crea una copia de A dentro de B.
x Se dice que una aplicacin es suprayectiva (o sobreyectiva) si todos los elementos del
conjunto final B han sido utilizados.
x Se dice que una aplicacin es biyectiva si es a la vez inyectiva y suprayectiva. Una
aplicacin biyectiva establece una igualdad entre los conjuntos A y B, pues a cada
elemento de A le corresponde uno de B, y a cada elemento de B, exactamente uno de A.
Si f es biyectiva existe su inversa, denotada f 1: A
o B , que deshace lo hecho por f.
Ejemplos:
1. La aplicacin del conjunto de la poblacin espaola mayor de edad en el conjunto de los
nmeros naturales, que asigna a cada ciudadano su nmero de DNI.
Es inyectiva, pues no hay dos personas con el mismo DNI. No es suprayectiva, pues no
todos los nmeros se utilizan.
2. La aplicacin del conjunto de los nmeros reales en el conjunto de los reales positivos,
o
que asigna a cada nmero su cuadrado:
x 6 x2
No es inyectiva, pues hay nmeros con el mismo cuadrado (p.ej. 2 y 2). Es suprayectiva,
pues todos los reales positivos son el cuadrado de algn nmero.
x En este captulo definiremos aplicaciones entre espacios vectoriales.
Neila Campos LGEBRA LINEAL Aplicaciones Lineales 1

APLICACIONES LINEALES. PROPIEDADES
Definicin: Aplicacin lineal

Dados dos espacios vectoriales V y W, y dada una aplicacin f: V o W, diremos que f es
lineal si conserva las combinaciones lineales, es decir: dada una combinacin lineal entre
vectores de V, sus imgenes en W verifican la misma combinacin:
si u = D v+ E w (en V) entonces u = D v + E w (en W)
donde u, v, w son respectivamente las imgenes de u, v, w.
Esto se puede expresar tambin as:

(1) f(D v+ E w) = D f(v) + E f(w) para v, wV
(La imagen de una combinacin lineal, es la combinacin lineal de las imgenes. )
Tambin es equivalente a afirmar que se conserva la suma y el producto por escalares:

(2) (2a) f(v+ w) = f(v) + f(w) para v, wV
(2b) f(D v) = D f(v) para vV, D escalar.
Por tanto, a la hora de probar si una aplicacin es lineal, podemos utilizar indistintamente (1)
o (2).
x Las aplicaciones lineales tambin se pueden llamar homomorfismos.
x Pueden tambin definirse aplicaciones en subespacios vectoriales, pues stos

funcionan como espacios vectoriales. Por ejemplo,
S={(D, 2D) : D } es un subespacio de 2 y en l podemos definir la aplicacin lineal
S fo
3
(D , 2D ) 6 (3D , 4D ,5D )
Ejemplos.
1. Consideremos la siguiente aplicacin de 3 en 2 y veamos si es lineal:
3 f o 2

(x,y,z) 6 (2x, z)
Vamos a comprobar que se cumple la afirmacin (2) anterior.
(2a): Veamos que f(v+ w) = f(v) + f(w) para cualesquiera v, w 3 :
Sean dos vectores genricos de 3 , v=(a,b,c), w= (a, b, c), entonces
f(v + w) = f ( (a,b,c) + (a, b, c) ) = f(a+a, b+b, c+c) = ( 2(a+a), c+c)

son iguales.
f(v) + f(w) = f(a,b,c) + f(a,b,c) = (2a, c) + (2a' , c) = ( 2a+2a, c+c)

(2b): Veamos que f( v) = D f(v) para cualesquiera v 3 , D escalar.
Sea un vector genrico v=(a,b,c) de 3 y un escalar D , entonces:
D f(v) = D f(a,b,c) = D (2a, c) = (2D a, D c)
son iguales.
f(D v) = f( D (a,b,c)) = f(D a, D b, D c) = (2D a, D c)
Como (2a) y (2b) se cumplen para vectores genricos, concluimos que la aplicacin f es
lineal.
2. Veamos ahora la siguiente aplicacin de 2 en 4 :

g
2 o 4
(x,y) 6 (x, y, x+y,1 )
Si encontramos un caso concreto en que no se cumpla (2a) o (2b), la aplicacin ya no ser
lineal. En efecto,
(1,0) 6 (1,0,1,1) Al multiplicar un vector por 2, su imagen no ha
(2,0) 6 (2,0,2,1) quedado multiplicada por 2.
Por tanto g no es lineal.
Por su importancia o significado geomtrico, destacamos algunas aplicaciones lineales:
1. Aplicacin identidad: de un espacio vectorial en s mismo. Asigna a cada vector el

mismo vector.
id o V
V
u 6 u
2. Aplicacin nula: entre dos espacios vectoriales V y W, asigna a todo vector de V el
vector cero de W.
V no W
G
u 6 0
3. Giros: pueden hacerse en el plano o el espacio ( 2 3 ). Por ejemplo la siguiente

aplicacin en 2 hace girar a todos los vectores del plano 45 en sentido antihorario:
2
o 2
2 2 2 2
(x,y) 6 ( 2 x- 2 y, 2 x+ 2 y)
4. Reflexiones o simetras: en el espacio 3 podemos reflejar los vectores como en un

espejo, respecto a un plano dado. En el plano 2 podemos hacerlo respecto a una recta.
Por ejemplo, la siguiente aplicacin es una simetra en 3 , respecto del plano XZ.
3 o 3
(x,y,z) 6 (x, - y,z)

5. Homotecias: Multiplican los vectores por un cierto escalar (el mismo para todos los
vectores). Si el escalar es mayor que 1, se trata de una dilatacin, mientras que si es menor
que 1 se trata de una contraccin. La siguiente homotecia puede representar la dilatacin del
1% de una lmina de metal bajo el efecto del calor:
2 o 2
(x,y) 6 (1.01x, 1.01y )
6. Proyecciones: Son aplicaciones que llevan todos los vectores del espacio 3 a un
cierto plano, sobre el que proyectamos.
La siguiente aplicacin transforma cualquier pieza tridimensional en su vista en alzado
(proyeccin sobre el plano XZ).
3 o 3
(x,y,z) 6 (x,0,z)
Propiedad: Si f: V
o W es una aplicacin lineal, la imagen del vector cero de V siempre
es el vector cero de W.
Demostracin:
G G
Denotemos por 0V y 0W el vector cero de V y de W respectivamente.
Entonces, partiendo de cualquier vector vV, tenemos:
G G
f( 0V ) = f( v v) = f(v) f(v) = 0W
Observacin. Esta propiedad puede utilizarse para probar que una aplicacin no es lineal,
pues si no cumple esta propiedad no podr serlo. (Si la cumple, podr ser lineal o no.)
Teorema: Transformacin de subespacios.

a) Una aplicacin lineal f: V
o W transforma subespacios de V en subespacios de W.
Dado S un subespacio de V, su imagen se denota por f(S). Es el subespacio de W formado
por las imgenes de todos los vectores de S.
b) El subespacio f(S) tiene dimensin menor o igual que la dimensin de S.
Adems se tiene que si la aplicacin f es inyectiva, entonces se conservan las
dimensiones, es decir, f(S) tiene la misma dimensin que S.
x Observar el significado geomtrico de este teorema: ya que los subespacios de n son

rectas, planos..., el apartado a) afirma que stos no pueden transformarse, por una
aplicacin lineal, en lneas curvas o superficies curvas.
El apartado b) significa que una recta no puede, por ejemplo, transformarse en un plano (la
dimensin no Gpuede aumentar). Un plano podr transformarse en otro plano; en una recta; o
en un punto { 0 }.

Teorema: imagen de un sistema generador.
Sea f: V o W lineal, y sea S un subespacio de V. Entonces, la imagen de un sistema
generador de S es un sistema generador de f(S).
Es decir: si v1, . . . vr generan S, entonces f(v1), . . . , f(vr) generan f(S).
Ejemplo. Usaremos el teorema anterior para calcular cul es la imagen de un subespacio.

3 f o 2
Sea la aplicacin lineal:
(x,y,z) 6 (x+y+2z, 3x+3y+6z )
Calculemos la imagen del subespacio S= {(DE,D DE) : DE }. Para ello hallamos
primero un sistema generador de S, que es (1,1,1), (1,0,1). La imagen de este sistema
generador es:
f(1,1,1) = (4,12)
f(1,0,1) = (1,3)
Por tanto f(S) ser el subespacio de 2 generado por (4,12) y (1,3).
Notar que estos no forman base de f(S), pues no son independientes. Una base de f(S)
podra ser (4,12), o bien (1,3), por ejemplo.
Teorema: imagen de conjuntos dependientes e independientes.

Sea f: V o W lineal. La imagen de un conjunto linealmente dependiente es otro conjunto
linealmente dependiente.
No est asegurado que la imagen de un conjunto independiente siga siendo independiente
(esto slo est asegurado si la aplicacin es inyectiva).
Observacin. Si tenemos en cuenta que una base es un sistema generador linealmente

independiente, veremos que de los dos teoremas anteriores se desprende que una base de
S no tiene por qu transformarse en una base de f(S). Slo si f es inyectiva est asegurado
que sea as.
NCLEO E IMAGEN.
G
Observemos que determinados vectores de V pueden tener como imagen el 0W . Esto ocurre
G
al menos con 0V , pero tambin puede ocurrir con ms vectores de V.
2 f o 2
Por ejemplo, en la aplicacin el vector (0,0) tiene como imagen
(x,y) 6 (x-y, x-y )
(0,0), pero lo mismo le ocurre a (1,1), y tambin a todos los vectores de la forma (OO).

Definicin: Ncleo.
G
Se llama ncleo de f al conjunto de los vectores de V cuya imagen es 0W . Se denota por
Ker(f) (del ingls kernel=ncleo).
G
Es decir, Ker(f) = {vV : f(v) = 0W }
G
El ncleo podr ser solamente { 0 } , o podr ser un subespacio mayor.
Definicin: Subespacio imagen.

Dada f: V o W lineal, se llama subespacio imagen de f (o simplemente imagen de f) al
conjunto de las imgenes de todos los vectores de V. Se denota por Im(f).
Se puede denotar tambin por f(V), pues es la imagen de todo el espacio inicial V.
Segn el teorema de transformacin de subespacios, Im(f) es un subespacio de W, cuya
dimensin es menor o igual que dim(V).
La dimensin de Im(f) tambin ha de ser d dim(W), pues est contenido en W.
Adems, si v1, . . . vn son un sistema generador de V, entonces sus imgenes f(v1), . . . , f(vn)
son un sistema generador de Im(f).
x Por tanto, el ncleo es un subespacio de V, y la imagen lo es de W. Las dimensiones de

ambos estn relacionadas por la siguiente frmula:
dim( Im(f) ) + dim( Ker(f) ) = n
donde n es la dimensin del espacio inicial V.
Ejemplos.
3 f
o 2
1) Calcular el ncleo y la imagen de la aplicacin lineal
(x,y,z) 6 (x+y+2z, 3x+3y+6z )
Imagen: Partimos de un sistema generador del espacio inicial 3 , por ejemplo la base
cannica (1,0,0), (0,1,0), (0,0,1). Sus imgenes son:
f(1,0,0) = (1,3)
f(0,1,0) = (1,3)
f(0,0,1) = (2,6)
Por tanto Im(f) est generada por (1,3), (1,3), (2,6). Eliminando los vectores que son
combinacin lineal de los dems, obtenemos que una base de Im(f) es { (1,3) }.
As pues, la dimensin de Im(f) es 1.

Ncleo: Hay que encontrar los vectores cuya imagen es (0,0), es decir, los (x,y,z) tales que
(x+y+2z, 3x+3y+6z) = (0,0) por tanto
x+y+2z =0
sistema compatible indeterminado cuya solucin general es:
3x+3y+6z =0
(2D, 2E, DE) : DE
Estos son todos los vectores que forman el ncleo, es decir
Ker(f) = { (2D, 2E, DE) : DE }
De esta expresin paramtrica podemos obtener una base de Ker(f): { (2,0,1), (0,2,1) }
Por tanto la dimensin del ncleo es 2.
Observemos que se verifica la frmula: 1 + 2 = 3.
2 fo 2
2) Calcular el ncleo y la imagen de la aplicacin lineal
(x,y) 6 (2x-3y, -x-y )
Ncleo: Hay que encontrar los vectores cuya imagen es (0,0), es decir, los (x,y) tales que
(2x+3y, xy) = (0,0) por tanto
2x+3y=0
este sistema es compatible determinado y por tanto su nica solucin
xy = 0 es x=0, y =0.
Por ello el nico vector en Ker(f) es (0,0).
Imagen: De la frmula dim( Im(f) ) + dim( Ker(f) ) = 2 , como dim( Ker(f) ) es cero,
obtenemos que dim( Im(f) ) = 2.
Y como Im(f) est contenida en el espacio final 2 , si su dimensin es 2 ha de ser todo el
espacio. Por tanto, Im(f) = 2 .
CLASIFICACIN DE APLICACIONES.
Una aplicacin lineal f: V
o W puede ser inyectiva, suprayectiva, ninguna de las dos
cosas o ambas (y en ese caso es biyectiva). Veremos cmo esto se relaciona con el clculo
del ncleo e imagen.
Suprayectividad:
Im(f) es un subespacio de W, que puede ocupar todo W o no. Si existen elementos de W
que estn fuera de Im(f), stos no sern imagen de ningn elemento de V.
Por tanto, f: V
o W ser suprayectiva si Im(f) ocupa todo W: Im(f) = W.
Para comprobar esto basta comparar las dimensiones: en efecto, como Im(f) siempre est
contenido en W, cuando sus dimensiones coincidan tendremos que Im(f) = W.
As pues, f es suprayectiva cuando dim ( Im(f) ) = dim(W).
Inyectividad:
En principio habra que comprobar si existen dos vectores de V cuyas imgenes sean
iguales. Pero esto viene facilitado por el siguiente resultado:
G
Teorema. f es inyectiva si y slo si su ncleo es solamente { 0V }.
Demostracin:
G G
Si hay un vector v adems de 0V en el ncleo, ambos tienen la misma imagen 0W , con lo
que f ya no sera inyectiva.
Y por otra parte, si f no es inyectiva entonces hay dos vectores u, v con imgenes iguales,
f(u) = f(v), y entonces tendremos
G
f(u)f(v) = 0 f(u v) = 0 as el vector u v est en el ncleo, luego ste ya no es { 0V }
Gracias a esto, para comprobar la inyectividad basta calcular el ncleo.

G
Tambin es suficiente conocer la dimensin, puesto que Ker(f) = { 0V } es equivalente a que
su dimensin sea 0.
As pues, f es inyectiva cuando dim ( Ker(f) ) = 0.
Ejemplos.
3 f o 2
1) Consideramos la aplicacin del ejemplo 1) anterior
(x,y,z) 6 (x+y+2z, 3x+3y+6z )
Como ya hemos calculado el ncleo y la imagen, tenemos:
dim( Im(f) ) = 1 z 2 no es suprayectiva.

dim ( Ker(f) ) = 2 z 0 no es inyectiva.
2 fo 2
2) Ejemplo 2) anterior:
(x,y) 6 (2x-3y, -x-y )
dim( Im(f) ) = 2 es suprayectiva.

dim ( Ker(f) ) = 0 es inyectiva.
Por tanto es biyectiva.
3) Una aplicacin f: 3
o 2 nunca podr ser inyectiva: pues como Im(f) est
contenida en 2 , su dimensin es d 2 y as
dim( Im(f) ) + dim( Ker(f) ) = 3 es imposible que dim( Ker(f) ) sea 0

d2

4) Una aplicacin f: 2
o 4 nunca podr ser suprayectiva:
dim( Im(f) ) + dim( Ker(f) ) = 2 es imposible que dim( Im(f) ) sea 4.

t0
5) Las aplicaciones destacadas que hemos sealado al principio del tema:

- La identidad es biyectiva.
- La aplicacin nula no es inyectiva ni suprayectiva.
- Los giros, simetras y homotecias son biyectivas.
- Las proyecciones son suprayectivas pero no inyectivas.
Observacin.
Cuando la aplicacin es inyectiva, la frmula dim( Im(f) ) + dim( Ker(f) ) = n indica que
Im(f) tiene la misma dimensin, n, que el espacio inicial.
As pues, dada f: V
o W inyectiva, Im(f) es una copia de V dentro de W.
2 fo 3
Por ejemplo, dada la siguiente aplicacin inyectiva,
(x,y) 6 (x+y, x-y, 0 )
el subespacio Im(f) est generado por las imgenes de la base cannica:
f(1,0)= (1,1,0)
f(0,1)=(1,1,0).
Como (1,1,0) y (1,1,0) son linealmente independientes, Im(f) tiene dimensin 2. As, Im(f)
es un plano en 3 y por tanto una copia del conjunto inicial 2 dentro de 3 .
MATRIZ ASOCIADA A UNA APLICACIN LINEAL.
Veremos que hay una relacin entre las matrices y las aplicaciones lineales, tanto es as que
cada matriz representa una aplicacin, y cada aplicacin se puede identificar con una matriz.
Para introducir esto, partimos del concepto de rango de una aplicacin.
Definicin: Rango de una aplicacin lineal.
Se llama rango de una aplicacin lineal a la dimensin de su subespacio imagen. Se denota

por rg(f).
Es decir: rg(f) = dim( Im(f) ).

Ejemplo.
3 f o 2
Calculemos el rango de la siguiente aplicacin:
(x,y,z) 6 (2x+3y+z, y+z)
Para ello hemos de hallar Im(f) y su dimensin.
Partiendo de un sistema generador de 3 , (1,0,0), (0,1,0), (0,0,1) hallamos sus imgenes,
f(1,0,0)=(2,0)
f(0,1,0)=(3,1)
f(0,0,1)=(1,1)
Estos tres vectores de 2 generan Im(f), pero slo dos de ellos son linealmente
independientes, por lo que la dimensin de Im(f) es 2. As pues, rg(f) = 2.
Observacin.
En el ejemplo anterior, para calcular el rango de f, hemos calculado el rango (es decir, el
nmero de vectores independientes) de la familia de vectores (2,0), (3,1), (1,1). Esto
2 3 1
equivale, colocando estos vectores en columnas, a calcular el rango de la matriz
0 1 1
(en este caso rango 2).
Veremos que esta matriz cumple un papel importante respecto a la aplicacin.
Definicin: Matriz asociada a una aplicacin.
Dada una aplicacin lineal f: V o W, se llama matriz asociada a f (en bases cannicas) a
la matriz que contiene en sus columnas las imgenes de la base cannica de V.
Propiedades.
1) La matriz de f: n
o m es de tamao m x n.
2) Si A es la matriz asociada a f, el rango de la aplicacin f (es decir, la dimensin del

subespacio imagen) es el rango de A (que puede calcularse escalonando la matriz, etc).
3) La matriz A asociada a f puede utilizarse para calcular la imagen de cualquier vector. En

efecto, si multiplicamos la matriz A por el vector v n (en columna), obtenemos el vector
f(v) m (tambin en columna).
A v = f(v)
Ejemplo.
2 f o 3
Dada la aplicacin
(x,y) 6 (x+y, x-y, 0)
su matriz asociada ser de tamao 3x2.
Colocamos en las columnas las imgenes de la base cannica de 2 :

f(1,0)= (1,1,0)
f(0,1)=(1,1,0).
1 1
as obtenemos la matriz A = 1 -1
0 0

Utilicemos la matriz para calcular la imagen del vector v=(2,3).
1 1 5
1 -1 2 = -1
por tanto f(v) = (5,1,0)
0 0 3 0

(lo que puede comprobarse aplicando f al vector v y obteniendo el mismo resultado).
Observacin.
Dada una aplicacin lineal podemos calcular su matriz asociada; pero tambin al revs:
dada cualquier matriz A de tamao m x n, podemos interpretarla como la matriz de una
aplicacin f: n o m , puesto que con la matriz ya sabemos calcular las imgenes y
por tanto est determinada la aplicacin f.
As pues, hay una identificacin entre aplicaciones lineales y matrices.
Ecuacin de una aplicacin lineal.
a11 " a1n

Sea f: n
o , con matriz asociada A = #
m
# .
a
m1 " a mn
Denotemos por (x1, . . ., xn) un vector del conjunto inicial n , y por (y1, . . ., ym) su imagen en
m . Entonces tenemos, segn lo anterior,
a11 " a1n x1 y1

# # # = # (ecuacin matricial)
a y
m1 " a mn x n m
lo que tambin se puede escribir en forma no matricial, resultando
y1 = a11x1+ . . . +a1nxn
#
ym = am1x1+ . . . +amnxn
Esta es la ecuacin de f, que es la expresin que permite calcular la imagen (y1, . . ., ym) a
partir del vector (x1, . . ., xn).

Ejemplo.
2 3 1
En el ejemplo anterior, tenemos f dada por su matriz .
0 1 1
Si denotamos por (x1, x2, x3) los vectores del conjunto inicial 3 y por (y1, y2) sus imgenes,
la ecuacin de f ser
x1
2 3 1 y1 y1 = 2x1 +3x 2 +x 3
x2 = es decir
0 1 1 x y2 y2 = x 2 + x3
3
Clculo del ncleo e imagen mediante la matriz asociada.
Supongamos que tenemos una aplicacin lineal f: V o W y su matriz asociada A.

G G
x Ncleo: Los vectores del ncleo son los v tales que f(v)= 0 , es decir, A v= 0 .
Basta por tanto plantear el siguiente sistema homogneo de ecuaciones:
x1 0

A # = #
x 0
n
Si es compatible indeterminado, su solucin se expresar mediante parmetros, y sa ser
la forma paramtrica de Ker(f).
Si es compatible determinado entonces solamente tiene
G G la solucin nula, por lo que el ncleo
estar formado solamente por el vector 0 , Ker(f) = { 0 }.
x Imagen: Las columnas de A son las imgenes de la base cannica, por tanto son
imgenes de un sistema generador del espacio inicial V. As pues dichas columnas son un
sistema generador de Im(f).
Por tanto: Im(f) es el espacio generado por las columnas de A.
Dichas columnas no tienen por qu formar una base de Im(f); para obtener sta habr que
suprimir las columnas que dependan linealmente de las dems (por ejemplo, escalonando la
matriz y quedndonos con las columnas pivotales).
Ejemplo.
1 0 1
Sea f la aplicacin dada por la matriz A= 0 2 2 ; calcular bases de su ncleo e imagen.
2 1 1

Notemos que, ya que A es de tamao 3x3, la aplicacin ser f: 3
o 3 .

1 0 1 x 0
Ncleo: Resolvemos el sistema 0 2 2 y = 0 , obteniendo la solucin (OOO), que
2 1 1 z 0

es la forma paramtrica de Ker(f). Por tanto una base de Ker(f) es (1,1,1).
Imagen: Es el subespacio de 3 generado por las tres columnas de la matriz A. Como A

tiene rango 2, una de las columnas depende linealmente de las dems. Escalonando la
matriz se ve que los pivotes quedan en las columnas 1 y 2, por tanto nos quedamos con
1 0
las columnas 0 y 2 como base de Im(f).
2 1

Finalmente podemos ver, como comprobacin, que dim( Ker(f) ) + dim( Im(f) ) = 1 + 2 = 3.
MATRIZ DE UNA APLICACIN EN DISTINTAS BASES.
La matriz de una aplicacin que hemos considerado hasta ahora, es la matriz llamada
estndar o en bases cannicas. Cuando no se afirme lo contrario se tratar de la matriz
estndar.
Ahora bien, si fijamos en los espacios inicial y final otras bases, entonces podemos trabajar
con coordenadas en dichas bases.
Podemos entonces encontrar una expresin de f adecuada a estas coordenadas.
(Nota. A partir de aqu, conviene repasar el punto COORDENADAS Y CAMBIOS DE BASE del
tema Espacios Vectoriales).
Definicin: Matriz de una aplicacin en bases cualesquiera.

Sea f: n o m una aplicacin lineal, y consideremos en el espacio inicial n una
cierta base B, y en el espacio final otra base B.
Entonces se define la matriz de f en bases B y B como la matriz M que contiene en sus
columnas las imgenes de los vectores de la base B, expresadas en coordenadas respecto
de B.
Ejemplo.
2 f o 3
Sea la aplicacin
(x,y) 6 (x+y, x-y, 0)
y consideremos las bases siguientes:
- En el espacio inicial 2 la base B = { (1,1), (1,1) }
- En el espacio final la base B = { (1,1,0), (1,0,1), (0,1,1) }

3
Calculemos la matriz de f en bases B y B. Para ello hallamos las imgenes de la base B:

f(1,1) = (2,0,0)
f(1,1) = (0,2,0)
Estas imgenes, (2,0,0) y (0,2,0), en el espacio final 3 han de expresarse en coordenadas
respecto de la base B. Esto puede hacerse planteando sistemas o bien utilizando la matriz
de cambio de base (ver Tema Espacios Vectoriales). Por ejemplo mediante sistemas:
(2,0,0) = D (1,0,0) + E (1,1,0) + J (1,1,1) D=1, E=1J=1, es decir, (1,1,1) son las
1
coordenadas de (2,0,0) en base B y por tanto 1 es la primera columna de la matriz M.
1

(0,2,0) = D (1,0,0) + E (1,1,0) + J (1,1,1) D=1, E=1J=1, es decir, (1,1,1) son las
1
coordenadas de (2,0,0) en base B y por tanto 1 es la segunda columna de la matriz M.
1

1 1
As tenemos M = 1 -1 , la matriz de f en bases B y B.
-1 1

Propiedades.
1) La matriz de f: n
o m en bases cualesquiera es de tamao m x n, al igual que la
matriz estndar.
2) El rango de la aplicacin f ( = dimensin del subespacio imagen) tambin puede

calcularse mediante el rango de M, siendo M la matriz en bases cualesquiera.
4) La matriz M en bases B y B puede utilizarse para calcular imgenes de vectores,

cuando trabajamos con coordenadas en base B en el espacio inicial y con
coordenadas en base B en el espacio final.
En efecto, si multiplicamos la matriz M por el vector v n (en columna y expresado como
coordenadas en base B), obtenemos el vector f(v) m (tambin en columna y expresado
como coordenadas en base B). Es decir,
x1 y1
M # = #

x y
n m
x1 y1
siendo # las coordenadas de v en base B, y siendo # las coordenadas de su
n
x y
n m
imagen f(v) expresada en base B.
Neila Campos LGEBRA LINEAL Aplicaciones Linealess 14

Ejemplo.
2 f o 3
Consideremos la aplicacin del ejemplo anterior, y hallemos la
(x,y) 6 (x+y, x-y, 0)
imagen del vector v=(5,3). Vamos a hacerlo de dos maneras: en bases cannicas, y en las
bases B y B definidas anteriormente:
- En el espacio inicial 2 la base B = { (1,1), (1,1) }

- En el espacio final 3 la base B = { (1,1,0), (1,0,1), (0,1,1) }
En bases cannicas: La imagen de (x,y) es simplemente (x+y, x-y, 0) por lo que f(v)=(8,2,0).
En bases B y B : Las imgenes pueden calcularse mediante la matriz M que ya hemos

1 1
hallado: M= 1 -1
-1 1

Para ello expresamos v en base B:
(4,3) = D(1,1)+ E(1,1) D=4, E=1, luego (4,1) son las coordenadas de v en base B.
Multiplicando la matriz M por estas coordenadas en columna, obtenemos
1 1 5
1 -1 4 = 3

-1 1 1 -3

As pues, la imagen de v es (5,3,3) en coordenadas en base B.
Veamos que esto coincide con la imagen f(v)=(8,2,0) obtenida antes:
Que las coordenadas de f(v) en base B sean (5,3,3) significa, por definicin de
coordenadas, que:
f(v)= 5 (1,1,0) + 3 (1,0,1) 3 (0,1,1) = (8,2,0) , efectivamente.
Relacin entre la matriz estndar y la matriz en otras bases.

Sea f: V
o W una aplicacin lineal con matriz asociada A en bases cannicas.
Consideremos otras bases, B base de V y B base de W.
Consideremos las siguientes matrices de cambio de base en cada espacio:
En V: P es la matriz de cambio de la base B a la cannica, y P-1 de la cannica a B.

En W: Q es la matriz de cambio de la base B a la cannica, y Q-1 de la cannica a B.
Entonces se tiene la igualdad: M = Q1 A P

f
V W
b. cannica
A
Esto puede representarse b. cannica
mediante el siguiente esquema:
P-1 P Q1 Q
base B
M base B
Tambin es posible cambiar de base slo en el espacio inicial, o slo en el espacio final:
1) Aqu M es la matriz en la base cannica f

V W
y B (es decir, sus columnas contienen las
A
imgenes de la base cannica, expresadas b. cannica b. cannica
como coordenadas en B).
Q1 Q
1
Entonces tenemos: M=Q A M
base B
(Podemos considerar que P es la matriz identidad)
f
V W 2) Ahora M es la matriz en B y la base
b. cannica
A cannica (es decir, sus columnas
b. cannica
contienen las imgenes de la base B,
P-1 P expresadas como coordenadas en base
cannica).
M
base B
Entonces tenemos: : M= AP
(Podemos considerar que Q es la matriz identidad)
Ejemplo:
2 f o 3

Dada la aplicacin
(x,y) 6 (x+y, x-y, 0)
1 1
ya hemos calculado anteriormente la matriz en bases cannicas, que es A= 1 -1
0 0

1 1
y su matriz en bases B={(1,1),(1,1)}, B={(1,1,0),(1,0,1),(0,1,1)}, que es M = 1 -1 ,
-1 1

Los cambios de base son:
1 1
En el espacio inicial 2 : el cambio de B a la base cannica es P=
1 1
(P se halla colocando en columnas los vectores de B expresados en base cannica).
El cambio inverso, de la base cannica a B ser P1.

1 1 0
En el espacio final 3 : el cambio de B a la base cannica es Q= 1 0 1 .
0 1 1

(Q se halla colocando en columnas los vectores de B expresados en base cannica).
El cambio inverso, de la base cannica a B ser Q1.
Se cumplir entonces que M = Q1 A P .
As pues, tambin podramos haber hallado M de la siguiente manera:
12 1
2 12 1 1 1 1

M = Q1 A P = 12 1 1 1
12 2 1 -1 1 1 = 1 -1 .
1 1 0 0
-1 1
1
2 2 2
MATRICES EQUIVALENTES.
La equivalencia es una relacin entre matrices que se puede definir de cuatro formas
diferentes:
1) Dos matrices A y B son equivalentes (se denota A ~ B) si son matrices de la misma

aplicacin lineal, en distintas bases.
2) Dos matrices A y B son equivalentes si se puede pasar de una a otra mediante

operaciones elementales por filas y posiblemente tambin por columnas (permutar
lneas; multiplicar una lnea por un escalar no nulo; sumar a una lnea un mltiplo de otra)
3) A y B son equivalentes si existen P, Q matrices cuadradas inversibles tales que B=PAQ.
4) Dos matrices son equivalentes si tienen la misma dimensin mxn y el mismo rango.
1 2 3 4 1 0 0 0
Ejemplo. Dadas las matrices A= 5 6 7 8 y B = 0 1 0 0 , observamos que

9 0 1 2 0 0 1 0

ambas tienen dimensin 3x4 y rango 3. As, por la afirmacin 4) anterior, A y B son
equivalentes.
Esto significa, por 2), que A se puede transformar en B mediante operaciones elementales
por filas y posiblemente tambin por columnas.
Tambin significa, por 1), que tanto A como B son matrices de una cierta aplicacin lineal en
distintas bases. Esta aplicacin deber ser f: 4 o 3 (puesto que as su matriz ser
3x4) y deber ser rg(f)=3 ( es decir, dim(Im(f))=3 ), puesto que as la matriz de f tendr
rango 3.

COMPOSICIN DE APLICACIONES.
Si tenemos dos aplicaciones lineales f: V o W y g: W o U, podemos definir la

aplicacin compuesta h=g v f, consistente en aplicar a cada vector f y despus g.
h : V
o W oU
v x f(v) x g( f(v) )
La matriz de la aplicacin compuesta se obtiene multiplicando las matrices de f y de g.

Si A es la matriz de f y M es la matriz de g, entonces MA es la matriz de h. (En bases
cannicas).
Si se trata de otras bases se verifica una relacin similar. Supongamos que:

- es base de V, ' lo es de W, y '' lo es de U.
- A es la matriz de f en bases y '
- M es la matriz de g en bases ' y ''
- Entonces el producto MA es la matriz de h en bases y ''.
Ejemplo
g
2 f
o 4 4
o 3
Sean las aplicaciones y
(x,y) 6 (x, y, x+y, x-y ) (x,y,z,t) 6 (x, x y, z+t)
1 0

0 1
La matriz de f en base cannica es A=
1 1

1 1
1 0 0 0
La matriz de g en base cannica es B= 1 1 0 0
0 0 1 1

Por tanto la aplicacin compuesta h=g v f tiene como matriz en base cannica
1 0
1 0 0 0 1 0
0 1 = 1 1
BA= 1 1 0 0
0 0 1 1 1 1 2 0
1 1

que es de dimensin 3x2 puesto que h comienza en 2 y acaba en 3 .

AUTOEVALUACIN - Aplicaciones Lineales.
C-1) Razonar las respuestas:
() a) Una aplicacin lineal f : 2

o 4 puede ser inyectiva?
() b) Una aplicacin lineal f : 3
o 2 puede ser inyectiva?
() c) Una aplicacin lineal f : 2
o 4 puede ser suprayectiva?
() d) Una aplicacin lineal f : 5
o 4 puede ser suprayectiva?
() e) Una aplicacin lineal f : 2
o 4 puede ser inyectiva sin ser suprayectiva?
() f ) Una aplicacin lineal f : 6
o 6 puede ser inyectiva sin ser suprayectiva?
C-2) Verdadero o falso:

() Dada f: V o W , si v1, . . . , vn son un sistema generador de V, entonces
f(v1), . . . , f(vn) son un sistema generador de W.
C-3) Construye una matriz que pueda corresponder a:
() a) una aplicacin lineal f : 3 o 4 inyectiva

() b) una aplicacin lineal f : 4 o 3 suprayectiva
() c) una aplicacin lineal entre los espacios que quieras, biyectiva
() C-4) Dada una aplicacin lineal f, con matriz asociada A, qu relacin hay entre Im(f)
y el rango de A?
C-5) Para cada una de estas aplicaciones lineales, cules son las posibilidades para la
dimensin de Im(f) ?
() a) f : 3
o 4
() b) f : 5 o 2
C-6) Para cada una de estas aplicaciones lineales, cules son las posibilidades para la
dimensin de Ker(f) ?
() a) f : 3
o 4
() b) f : 3
o 2
Neila Campos LGEBRA LINEAL Aplicaciones lineales - Autoevaluacin.

E-1) Probar si las siguientes aplicaciones son o no lineales:
() a) f : 2 o 3
(x,y) 6 (x+1 , y+1, x+y )
() b) f : 2 o 2
(x,y) 6 (y , x )
f : 4 o 3
E-2) Dada , dar una base de la imagen de los
(x, y, z, t) 6 (x+2y+t, y+3z-t, 0)
siguientes subespacios:
() a) S= <(1,0,1,0), (2,3,0,1)>
() b) T= <(0,0,3,2), (4,6,3,1), (1,0,0,2)>
E-3) Dada la aplicacin del ejercicio E-2), hallar:

() a) una base del ncleo,
() b) una base de la imagen.
E-4) Clasificar (inyectiva, suprayectiva, biyectiva) las siguientes aplicaciones:

() a) f : 4 o 2
(x, y, z, t) 6 (x-z, y-t)
() b) f : 3
o 4
(x, y, z) 6 (z+2x, z+2x, -x-y-z, y)
() c) f : 3 o 3
(x, y, z) 6 (-x-y, 2x+2y, z)
() d) f : 3 o 3
(x, y, z) 6 (3x+y, 3y+z, 3z)
() E-5) Dar la ecuacin de la aplicacin f : o 2 sabiendo que:

3
f(1,0,0)= (4,4) ; f(0,1,0)=(1,1) ; f(0,0,1)= (2,9) .
E-6)
f : 3 o 4
() a) Dada la aplicacin hallar todos los vectores
(x, y, z) 6 (x+y+z, z, y, x)
cuya imagen sea w=(4,1,3,0) .
f : 3 o 2
() b) Dada la aplicacin hallar todos los vectores cuya
(x, y, z) 6 (x+y, y-z)
imagen sea u=(1,1).

() E-7) Dada la aplicacin f : 2 o 2 tal que la imagen de (1,0) es (5,2) y la imagen
de (0,1) es (7,3), hallar la ecuacin de la aplicacin inversa f 1 .
() E-8) Dadas las siguientes aplicaciones:

f : 3 o 4 g : 4 o 2
;
(x, y, z) 6 (x+y+z, z, y, x) (x, y, z,t) 6 (x-2z, y-2t)
hallar la aplicacin compuesta h = g v f .
f : 3 o 2
() E-9) Dada la aplicacin
(x, y, z) 6 (2x+3z, x+2y)
y la base B= { (1,1,0), (0,1,1), (0,0,1) } en 3 , hallar la matriz de f tomando como bases
B en 3 y la cannica en 2 .
() E-10) Dada la aplicacin del ejercicio E-9), y la base B= { (2,0), (2,1) } en 2 , hallar la
matriz de f tomando como bases la cannica en 3 y la base B en 2 .
E-11) Dadas las bases B={ (1,4), (1,3) } de 2 y B={ (2,0,1), (0,-1,0), (3,0,0) } de 3 ,
() a) hallar la matriz en bases B y B de una aplicacin f : 2

o 3 , si su matriz en
-2 -2
bases cannicas es A= 3 3
1 0

() b) hallar la matriz en bases cannicas de otra aplicacin g : 2
o 3 , si su
1 0
matriz en bases B y B es M = 0 3
0 -2

E-12) Ver si son equivalentes o no las siguientes matrices:

1 2
1 2
() a) 3 4 y
0 0 3 4

1 -1 8 2
b) 5 2 y 1 0

()
6 -4 5 7


SOLUCIONES A LA AUTOEVALUACIN - Aplicaciones lineales
Sol. C-1) a) S puede, si la matriz, que es 4x2, tiene rango 2.

b) No puede, pues la matriz, que es 2x3, no puede tener rango 3.
c) No puede, pues la matriz, que es 4x2, no puede tener rango 4.
d) S puede, si la matriz, que es 4x5, tiene rango 4.
e) S puede, si la matriz, que es 4x2, tiene rango 2 (inyectiva) y no tiene rango 4 (de
hecho no puede tenerlo).
f ) No puede, pues si es inyectiva (matriz 6x6, rango 6) tambin ser suprayectiva.
Sol. C-2) Falso: f(v1), . . . , f(vn) sern un sistema generador de Im(f), pero no de W (a no ser
que Im(f) sea igual a W, pero no tiene por qu serlo. Slo si f es suprayectiva).
1 0 0

Sol. C-3) a) Basta poner una matriz 4x3 de rango 3, por ejemplo 0 1 0
0 0 1

0 0 0
1 0 0 0
b) Basta poner una matriz 3x4 de rango 3 , por ejemplo 0 1 0 0

0 0 1 0

c) Ha de ser entre dos espacios de la misma dimensin, o de un espacio en s mismo,
por ejemplo n o n . Basta entonces poner una matriz cuadrada nxn de rango n, por
ejemplo la identidad de tamao n.
Sol. C-4) El rango de A es el rango de f, por tanto es la dimensin de Im(f).
Sol. C-5) a) La dimensin de Im(f) ha de ser menor o igual que la dimensin del espacio inicial
(ya que la dimensin no puede aumentar). Tambin ha de ser menor o igual que la
3
dimensin del espacio final 4 , ya que Im(f) est contenido en 4 . As pues, la dimensin de
Im(f) ha de ser b3 y b4 , por tanto puede ser 0 (si fuese la aplicacin nula), 1, 2 3.
b) Por similar razonamiento, la dimensin de Im(f) ha de ser b5 y b2 , por tanto

puede ser 0, 1, 2 .
Sol. C-6) a) Ker(f) est contenido en 3 , por tanto su dimensin puede ser 0, 1, 2 3.
b) Lo mismo. El espacio final no influye.

B) Soluciones a los Ejercicios.
Sol. E-1) a) No es lineal, basta ver que f(0,0) = (1,1,0) no es cero.

b) S es lineal:
f(a,b)=(b,a)
f(c,d)=(d,c)
f(a+c, b+d) = (b+d, a+c) coincide con la suma (b,a) + (d,c).
f(a,b)=(b,a)
f(Oa, Ob) = (Ob, Oa) que coincide con O(b,a).
Sol. E-2) a) f(S) est generado por las imgenes de (1,0,1,0) y (2,3,0,1).
f(1,0,1,0) = (1,3,0)
f(2,3,0,1) = (7, 4,0)
Los vectores (1,3,0) y (7,4,0) son linealmente independientes y por tanto base de f(S).
b) f(T) est generado por las imgenes de (0,0,3,2), (4,6,3,1), (1,0,0,2).

f(0,0,3,2)= (2,7,0)
f(4,6,3,1)=(15, 16,0)
f(1,0,0,2)=(3,2,0)
Los vectores (2,7,0), (15, 16, 0), (3,2,0) no son independientes. La matriz que
forman tiene rango 2, por ello slo 2 son independientes (p.ej. los 2 primeros), con lo que una
base de f(T) ser { (2,7,0), (15, 16, 0) }.
Sol. E-3) a) Im(f) est generada por las imgenes de la base cannica:
f(1,0,0,0)=(1,0,0)
f(0,1,0,0)=(2,1,0)
f(0,0,1,0)=(0,3,0)
f(0,0,0,1)=(1,1,0)
que son las columnas de la matriz de f. La matriz est ya escalonada y tiene rango 2,
con columnas pivotales las dos primeras. Por tanto una base de Im(f) ser { (1,0,0), (2,1,0) }
x
1 2 0 1 0
b) Resolviendo el sistema y se obtiene (6D+3E, 3D+E, DE) y de
0 1 3 -1 z 0
0 0 1 0 0

t
ah un sistema generador de Ker(f), que es (6, 3, 1 0), (-3, 1, 0, 1). Como estos dos vectores
son linealmente independientes, son base de Ker(f).

Sol. E-4) a) La matriz de la aplicacin es A= 1 0 -1 0 que tiene rango 2.
0 1 0 -1

2= n de de filas es suprayectiva; 2v n de columnas no es inyectiva.
2 0 1
b) La matriz de la aplicacin es A= 2 0 1
de rango 2 (escalonando la matriz).
-1 -1 -1

0 1 0
2v n de de filas no es suprayectiva; 2v n de columnas no es inyectiva.
-1 -1 0
c) La matriz de la aplicacin es A= 2 2 0
que tiene rango 2.

0 0 1

2v n de de filas y de columnas no es inyectiva ni suprayectiva.
3 1 0
d) La matriz de la aplicacin es A= 0 3 1 que tiene rango 3 =n de de filas y de columnas,

0 0 3

luego es inyectiva y suprayectiva, por tanto biyectiva.
a) Los datos nos proporcionan las columnas de la matriz de la aplicacin: A=

4 -1 2
Sol. E-5)
4 1 9
1 x
As, la imagen de un vector (x1, x2, x3) es 4 -1 2 x2 4x1 - x 2 + 2x3

4 1 9 x 4x1 + x2 +9x3
3
y = 4x1 - x2 + 2x3
y la ecuacin de la aplicacin es 1
y2 = 4x1 + x2 + 9x3
1 1 1 4
x
Sol. E-6) a) El sistema 0 0 1 1 , que es compatible determinado, tiene como
y
0 1 0 3
z
1 0 0 0
solucin (0,3,1). Es el nico vector cuya imagen es (4,1,3,0) .
x
b) El sistema 1 1 0 y = 1 , que es compatible indeterminado, tiene como
1
0 1 -1 z

solucin { (-O1+OOO }. Estos son todos los vectores cuya imagen es (1,1).

5 7 1 1 3 7
Sol. E-7) a) La matriz estndar de f es , por tanto la matriz de f es A = .
2 3 2 5
x 3 7 x1 3x1 7x 2
La imagen por f1 de un vector 1 es por tanto la ecuacin
x2 2 5 x 2 2x1 5 x 2
y = 3x1 - 7x 2
de f1 es 1
y2 = -2x1 + 5x 2
1 1 1
1 0 2 0
Sol. E-8) a) La matriz estndar de f es A= 0 0 1 y la de g es B=
0 1 0 0 1 0 2

1 0 0
1 1 1
1 0 2 0 0
luego la matriz de h = g v f es BA =
0 1 = 1 -1 1

0 1 0 2 0 1 0 -2 0 1

1 0 0
Sol. E-9) Puede resolverse de dos formas:

2 0 3
1 forma: La matriz de f en bases cannicas es A= . La matriz de cambio de la base
1 2 0
1 0 0
B a la base cannica en 3 es P= 1 1 0 . Por tanto la matriz que se pide es

0 1 1

2 0 3 1 0 0 2 3 3
AP = 1 1 0 =
1 2 0 3 2 0
0 1 1
2 forma: La matriz que se pide, tendr en sus columnas las imgenes de la base B
(expresadas en base cannica). Basta por tanto calcular dichas imgenes.
f(1,1,0)=(2,3)
f(0,1,1)=(3,2)
f(0,0,1)=(3,0)
2 3 3
Ponindolas por columnas se obtiene la matriz .
3 2 0
2 0 3
Sol. E-10) La matriz de f en bases cannicas es A= . La matriz de cambio de la base
1 2 0
1
cannica a B en 2 es Q1= 2 2 21 1 . Por tanto la matriz que se pide es

0 1 0 1
1 1 2 0 3 0 2 - 32
Q1A = 2 = .
0 1 1 2 0 1 2 0

1 1
Sol. E-11) a) El cambio de base B a la base cannica en 2 es P=
4 3
1
2 0 3 0 0 1
El cambio de la base cannica a B en es Q = 0 1 0
3 1
0 1 0
1 0 0 1 2
3 0 3
0 0 1 -2 -2 1 1

Por tanto la matriz pedida es Q1A P = 0 1 0 3 3 1 1 = -15 -12

1 0 2 1 0 4 3 -4 - 10
3 3 3
1
1 1 1 3 1
b) El cambio de base cannica a la base B en es P =
2

4 3 4 1
2 0 3
El cambio de B a la base cannica en es Q= 0 1 0
3

1 0 0

2 0 3 1 0 -30 8
1 3 1 =
Por tanto la matriz pedida es Q M P = 0 1 0 0 3 -12 3
1 0 0 0 -2 4 1 -3 1

Sol. E-12) a) No, ya que no tienen la misma dimensin.

b) S, ya que tienen la misma dimensin, 3x2, y el mismo rango, 2.

ENDOMORFISMOS Y DIAGONALIZACIN.
En lo que resta de este tema, nos centraremos en un tipo especial de aplicaciones lineales:
los endomorfismos.
Definicin: Endomorfismo.
Se llama endomorfismo a una aplicacin lineal f: V
o V, en que el espacio inicial y final
son el mismo.
La matriz de un endomorfismo es cuadrada nxn, donde n es la dimensin de V.
ENDOMORFISMOS BIYECTIVOS
Observemos que un endomorfismo ha de ser inyectivo y suprayectivo a la vez, o bien

ninguna de las dos cosas.
Esto se obtiene de la frmula dim( Im(f) ) + dim( Ker(f) ) = n (siendo n la dimensin del
espacio V).
Notemos que si el primer sumando es n (suprayectiva), el segundo ha de ser 0 (inyectiva), y
viceversa.
Teorema: Caracterizacin de los endomorfismos biyectivos.
Sea f: V
o V y sea A su matriz asociada.
Las siguientes propiedades son todas equivalentes, es decir, si se cumple una, se cumplen
todas las dems:
x f es biyectiva x rg( f ) = n x f transforma bases en bases

x f es inyectiva x rg(A) = n x 0 no es valor propio
x f es suprayectiva x det(A) v 0 (ms adelante se ver el
significado de esto ltimo)
Ejemplos de endomorfismos biyectivos (es decir, que cumplen todo lo anterior) son las
aplicaciones ya vistas: giros, simetras y homotecias.
Neila Campos LGEBRA LINEAL Endomorfismos y diagonalizacin 1

SEMEJANZA DE MATRICES
Cuando aplicamos a endomorfismos el concepto de matriz en distintas bases, visto para

aplicaciones lineales, utilizaremos siempre la misma base B en el espacio inicial y final:
f
V V - A es la matriz de f en base cannica
A
b. cannica b. cannica - P es la matriz de cambio de base: de la
base B a la cannica
P-1 P P1 P
- M es la matriz de f en base B
base B
M base B Entonces, M = P1 A P
Esto nos lleva a la siguiente
Definicin: Matrices semejantes.

Se dice que dos matrices cuadradas A y B son semejantes si son matrices del mismo
endomorfismo en distintas bases.
Tambin se puede expresar as: A y B son semejantes si existe una matriz cuadrada
inversible P tal que B = P1 A P .
x Notar que el concepto de equivalencia de matrices es ms amplio que el de semejanza.

Si dos matrices son semejantes entonces son equivalentes, pero no al revs.
En este tema se tratar de ver, dada una matriz, si existe otra matriz semejante a ella
que sea diagonal: P1 A P = D, y en ese caso calcular la diagonal D y la matriz de paso P.
En otras palabras: dado un endomorfismo, trataremos de encontrar una base en la cual la
matriz del endomorfismo sea sencilla (diagonal si es posible).
Para ello se utilizarn los valores y vectores propios.
VALORES Y VECTORES PROPIOS.
En un endomorfismo, dado que el espacio inicial y el final son el mismo, podemos comparar
un vector v con su imagen f(v), y ver si es mltiplo suyo.
Definicin.
Si un vector v (no nulo) cumple que su imagen es mltiplo suyo, es decir, si
f(v)=Ov
con Oescalar, se dice que v es un vector propio (o autovector) de f, y que O es su valor
propio (o autovalor) asociado.

Adems, si O es un valor propio, todos sus vectores propios asociados forman un
subespacio. Se llama subespacio propio asociado a Oy se denota por VO
Ejemplos.
2 f o 2
1) En una homotecia todos los vectores son vectores propios, y
(x,y) 6 (2x, 2y )
su valor propio es 2, ya que cualquier vector v queda transformado en 2v.
3 o 3
2) Consideremos una simetra respecto al plano XZ,
(x,y,z) 6 (x, - y,z)
- Observar que los vectores de la forma (D,0,0) quedan transformados en s mismos (es
decir, multiplicados por 1). Por tanto 1 es valor propio, con vectores propios los de la forma
(D,0,0)
- De igual modo son vectores propios los de la forma (0, 0, E), tambin con valor propio 1.
- Observar que los vectores de la forma (0,J,0) quedan transformados en (0,J,0), es decir,
multiplicados por 1. Por tanto 1 tambin es valor propio, con vectores propios los de la
forma (0,J,0).
2
o 2
3) En un giro de 45, no hay valores ni vectores
(x,y) 6 ( 22 x- 22 y, 22 x+ 22 y )
propios, ya que ningn vector queda transformado en un mltiplo de s mismo.
Propiedades.
1. Los valores propios de A son los mismos que los de su traspuesta.
2. Los valores propios de una matriz diagonal o triangular, son sus elementos diagonales.
3. Si los valores propios de A son O1,. . . ,On entonces los de Ak son O1k,. . . ,Onk .
4. Si los valores propios de A son O1,. . . ,On entonces los de DA son DO1,. . . ,DOn.
5. Si los valores propios de A son O1,. . . ,On y si A tiene inversa, entonces los valores
1 1
propios de A-1 son ,. . . .
O1 On
Clculo de los valores y vectores propios.

Cmo encontrar escalares O y vectores v que verifiquen f(v) = Ov ?
Vemoslo con un ejemplo.

2 f o 2
3 2
Sea cuya matriz es A=
(x,y) 6 (3x+2y, y ) 0 1
La bsqueda de vectores propios parte de la ecuacin f(v) = Ov, es decir, Av = Ov.

3 2 x x
Por tanto planteamos la ecuacin Av = Ov, que es =O
0 1 y y
3 2 x O 0 x
Esto tambin podemos escribirlo como =
0 1 y 0 O y
para poder pasar todo al miembro izquierdo,
3 2 O 0 x 0
=
0 1 0 O y 0
y finalmente
3 O 2 x 0
= que es una ecuacin equivalente a la primera, f(v)=Ov, es decir,
0 1 O y 0
los vectores v=(x,y) no nulos que la verifiquen, sern vectores propios, y los O sern los
valores propios.
Para la mayora de los valores de Oeste sistema ser compatible determinado (rango 2), y
por tanto no tendr ms soluciones que x=0, y=0. Estos valores de Ono son valores propios.
Sin embargo, para algunos valores de Oel sistema ser compatible indeterminado y por
tanto existirn soluciones no nulas del sistema: es decir, vectores no nulos tales que
f(v)=Ov.
Estos valores de Oque hacenel sistema compatible indeterminado, son los valores propios.
Las soluciones v de este sistema para cada O son los vectores propios.
Cundo el sistema ser compatible indeterminado? Esto ocurrir cuando la matriz del
sistema tenga determinante nulo. Planteamos entonces
3 O 2
det = 0.
0 1 O
es decir (3OO= 0
lo que se cumple slo para los valores O=1, O=3. Estos son los valores propios.
3 O 2 x 0
Ahora calculamos los vectores propios resolviendo el sistema =
0 1 O y 0
para O=1 y para O=3, (el sistema ha de ser compatible indeterminado)


O=1 :
2 2 x 0
El sistema es = cuya solucin son los vectores (D,D).
0 0 y 0
Por tanto, estos son los vectores propios de valor propio 1. El subespacio que forman es V1.
Una base de V1 es (1,1).
O=3 :
0 2 x 0
El sistema es = cuya solucin son los vectores (P,0).
0 2 y 0
Por tanto, estos son los vectores propios de valor propio 3. El subespacio que forman es V3.
Una base de V3 es (1,0).
Escribamos esto para cualquier matriz A cuadrada, de dimensin n.
Mtodo general para calcular los valores y vectores propios :
1. Calcular el determinante det(A O,), que ser un polinomio de grado n, en la

indeterminada OSe llama polinomio caracterstico de A.
El polinomio caracterstico tambin se puede definir como det(O, ).
2. Hallar sus races. Estos sern los valores propios.
G G
3. Para cada valor propio O, resolver el sistema (A O, x 0 (compatible indeterminado),
la solucin ser el subespacio propio asociado a O

DIAGONALIZACIN DE MATRICES
Partimos de A, la matriz de un endomorfismo f en base cannica.

Nuestro propsito era encontrar otra base, en que la matriz de f fuese diagonal. Pues bien,
Si B es una base formada por vectores propios, la matriz en base B es diagonal.
Vemoslo con el ejemplo anterior:
Hemos encontrado los vectores propios u=(1,1) y v=(1,0), correspondientes a los dos
valores propios. Con estos dos vectores, como son linealmente independientes, se forma
una base de 2 , B={ (1,1) , (1,0) }.
Hallemos la matriz de f en esta base y comprobaremos que efectivamente es diagonal.
Recordemos la definicin de la matriz de f en base B (la misma base en el espacio inicial y

final):
Hay que poner en las columnas las imgenes de los vectores de la base B, expresadas en
coordenadas respecto de la base B.
Ahora bien, sabemos que los vectores de la base, u y v, son vectores propios: por tanto
conocemos su imagen, que es un mltiplo suyo.
f(u) = 1u (ya que u es vector propio de valor propio 1).

f(v) = 3v (ya que v es vector propio de valor propio 3).
Ahora hay que expresar estas imgenes en coordenadas respecto de la misma base B, es
decir, expresarlas como combinacin lineal de u y v. Es fcil:
1
f(u) = 1u se expresa como 1u + 0v coordenadas (1,0) 1 columna
0
0
f(v) = 3v se expresa como 0u + 3v coordenadas (0,3) 2 columna
3
1 0
As ya podemos formar la matriz D = , que efectivamente es diagonal.
0 3
Los elementos de la diagonal son precisamente los valores propios, 1 y 3 en este caso.

f
Adems se cumplir el siguiente esquema: V V
b. cannica
A
b. cannica
1
P AP=D P-1 P P1 P
base B
D base B
donde:
3 2
- A es la matriz de f en base cannica, que ya conocamos: A=
0 1
1 0
- D= es la diagonal de los valores propios.
0 3
- P es la matriz de cambio de la base B a la cannica; por tanto tendr en sus columnas
los vectores de B expresados en base cannica:
1 1
P= (es decir, P tiene en sus columnas los vectores propios u, v).
1 0
Plantendolo en general,
Diagonalizar una matriz cuadrada A es encontrar una diagonal D semejante a A.
Interpretando A como la matriz de un endomorfismo f, se trata de encontrar una base en la

cual la matriz de f sea una diagonal D.
Para ello tendremos que hallar los valores y vectores propios de f. As,
- La diagonal D ser la diagonal de los valores propios.
- La base en cuestin ser la base formada por los vectores propios.
- Poniendo los vectores propios en columna, se obtiene P tal que P1 A P = D.
Pero atencin: esto no es posible para todas las matrices. Si la construccin anterior es
posible, diremos que A es diagonalizable.
Para ver si A es diagonalizable, habr que ver si se puede formar la base de vectores
propios. Es decir, habr que ver si, uniendo las bases de los distintos subespacios propios,
hay suficientes vectores como para formar con ellos una base del espacio total V.
Y esto ocurrir si la suma de las dimensiones de los subespacios propios es igual a la

dimensin total.
A es diagonalizable dim(VO) + .... + dim(VOr) = n
Veamos cmo hallar esas dimensiones.

Dimensin de los subespacios propios:
Observemos que VO es el subespacio solucin de un sistema compatible

indeterminado,cuya matriz es A O,
Por tanto, la dimensin del espacio solucin (es decir, el nmero de parmetros del sistema)
es igual al nmero de incgnitas menos el rango de la matriz del sistema:
dim( VO) = n rg( A OI )
Tambin nos pueden ayudar los siguientes resultados: La dimensin de VO

a) no puede ser cero,
b) est comprendida entre 1 y la multiplicidad de Oen el polinomio caracterstico:
1 dim( VO) mult (O
(Nota. La multiplicidad de a en un polinomio es el exponente con que aparece el factor (x-a). Por
ejemplo, en (x4)3(x+5), la raz 4 tiene multiplicidad 3, y la raz 5 tiene multiplicidad 1).
Esto es til para los Ode multiplicidad 1, pues dim( VO) est comprendida entre 1 y 1 , por
tanto es dim( VO)=1 sin tener que calcular el rango de la matriz.
Mtodo general para diagonalizar matrices.

Dada una matriz cuadrada A de tamao nxn, o equivalentemente el endomorfismo f en n :
A) Ver si es diagonalizable.
1) Calcular el polinomio caracterstico y hallar los valores propios.
2) Para cada valor propio O, calcular la dimensin del subespacio propio VO
3) Sumar las dimensiones de todos los VO. Si la suma es n, la matriz (o el endomorfismo)

es diagonalizable. En caso contrario no es diagonalizable, y hemos terminado.
B) Diagonalizar, en el caso de que sea diagonalizable.
1) Hallar los vectores propios, resolviendo el sistema correspondiente para cada valor propio.
2) Hallar una base de cada subespacio propio, y unirlas todas para formar una base de
vectores propios del espacio total n .
3) La matriz P es la que contiene en sus columnas la base de vectores propios.
4) La matriz D es la diagonal de los valores propios.
Para que D sea nxn se necesitarn n valores propios, as que en la diagonal habr que repetir cada
valor propio Otantas veces como indique dim(VO). Adems ha de respetarse un mismo orden al
colocar los valores propios en D, y los vectores propios en las columnas de P.
5) Todo lo anterior garantiza que se cumple P1 A P = D, lo cual es la diagonalizacin de A.

Ejemplos.
2 0 2
1) Veamos si es diagonalizable la matriz A= 1 3 1
0 0 3

2O 0 2

El polinomio caracterstico es det 1 3 O 1 = O3 8O2 + 21O 18 que factoriza
0 0 3 O

como (O2) (O3)2 . Por tanto, sus races son O (simple)O (doble).
Estos son los valores propios.
Para ver si es diagonalizable, hallemos las dimensiones de los subespacios V2, V3 :

0 0 2
dim(V2) = 3 rg(A2I) = 3 rg 1 1 1 = 3 2 = 1
0 0 1

(o tambin, dim(V2)=1 directamente porque O tiene multiplicidad 1)
1 0 2
dim(V3) = 3 rg(A3I) = 3 rg 1 0 1 = 3 2 = 1
0 0 0

La suma de ambas dimensiones es 1+1=2, no es igual a la dimensin total 3.
Por tanto, A no es diagonalizable.
3 f o 3

2) Veamos si es diagonalizable el siguiente endomorfismo:
(x,y,z) 6 (x-4y, -y, 2y+z)
1 4 0

Ello se refiere a diagonalizar la matriz de f en base cannica, A= 0 1 0
0 2 1

Para ver si es diagonalizable, hallamos sus valores propios. El polinomio caracterstico es
1 O 0 2

det 1 3 O 1 = O3 O2 O + 1 = (O1)2 (O+1)
0 0 3 O

Valores propios: O 1 doble, O 1 simple.
Como O 1 es simple (multiplicidad 1), ya sabemos que dim(V1) = 1. Hallemos dim(V1).
0 4 0
dim(V1) = 3 rg(A I) = 3 rg 0 2 0 = 3 1 = 2
0 2 0


La suma de ambas dimensiones es 1+2 = 3, la dimensin del espacio total 3 .
Por tanto, A (o el endomorfismo f) es diagonalizable.
Para diagonalizar, calculamos los subespacios propios, resolviendo los sistemas

G G
(A O, x 0 para O 1 y para O 1.
O= 1 :
0 4 0 x 0
G G
El sistema es (A , x 0 , es decir, 0 2 0 =
y 0 solucin (D, 0, E)
0 2 0 z 0

Base de V1 : { (1,0,0) , (0,0,1) } (notar que efectivamente se obtiene un espacio de dimensin 2)
O= 1 :
2 4 0 x 0
G G
El sistema es (A + , x 0 , es decir, 0 0 0 y = 0 solucin (2JJJ)
0 2 2 z 0

Base de V1 : { (2,1,1) } (notar que efectivamente es un espacio de dimensin 1)
As pues, la base de vectores propios se forma uniendo las bases de V1 y V1 :

B= { (1,0,0) , (0,0,1), (2,1,1) }
1 0 2
Poniendo esta base en columnas se obtiene la P = 0 0 1
0 1 1

1 0 0
Y la diagonal se forma con los valores propios 1 doble y 1 simple: D = 0 1 0
0 0 1

(Notar que ha de respetarse un mismo orden al colocar los valores y los vectores propios).
As pues, la diagonalizacin es P1 A P = D, es decir,

1
1 0 2 1 4 0 1 0 2 1 0 0
0
0 0 1 1 0 0 0 1 = 0 1 0
0 1 1 0 2 1 0 1 1 0 0 1

(Comprubese la igualdad. Puede hacerse fcilmente, viendo que AP=PD).
La interpretacin geomtrica de este ejemplo es la siguiente: eligiendo una base adecuada ,

la base B = {u, v, w} de vectores propios, el endomorfismo f toma una forma sencilla:

- el primer vector de la base, al aplicarle f queda como est (es de valor propio 1) : f(u) = u
- lo mismo para el segundo, v , tambin de valor propio 1 : f(v) = v
- el tercero, w , queda convertido en su opuesto (es de valor propio 1): f(w) = w
Esto nos permite saber que f es en realidad una simetra, w

con plano de simetra dado por u y v, que acta como un
espejo. u = f(u)
v = f(v)
Al ver la forma original de la matriz, dada en base cannica,
no era evidente cul era el comportamiento geomtrico de f.
Ahora, trabajando en base B = {u, v, w}, s est claro y f(w)= w
adems la matriz de f es ms sencilla.
Teorema: Matrices reales simtricas.

Toda matriz real simtrica es diagonalizable, y todos sus valores propios son reales.
Por tanto si la matriz es real simtrica, no hace falta comprobar que es diagonalizable.
Uso de la diagonalizacin para calcular potencias de una matriz.
Supongamos que queremos calcular la potencia An de una matriz. Esto puede llevar una
gran cantidad de operaciones.
Pero si la matriz A es diagonalizable, el clculo se facilita notablemente.
En ese caso, diagonalizando la matriz tendremos P1AP = D, por tanto A = PDP1 .
Entonces,
n n
A = AA = P DP1 PDP1 PDP1 = PDD P1 = PD P1
es decir,
n n
A = PD P1
n
lo cual es muy fcil de calcular teniendo en cuenta que para hallar la potencia D basta
elevar a la potencia n cada elemento diagonal.
Ejemplo
3 2
Hemos obtenido anteriormente la diagonalizacin de la matriz A= :
0 1
1 0 1 1
P1AP = D, por tanto A= PDP1, donde D= y P=
0 3 1 0
Calculemos entonces A9.
1
9 9 19
1 0 1 1 1 1 0 1 1 19683 19682
A =PD P =P P = =
0 39 1 0 0 19683 1 0 0 1

MTODOS NUMRICOS PARA EL CLCULO DE VECTORES PROPIOS
1. Crculos de Gershgorin.
Este resultado permite localizar una zona del plano complejo (o de la recta real) en la que
se encuentran los valores propios, y as acotarlos entre ciertos lmites:
Dada una matriz A de tamao nxn, se pueden dibujar en el plano complejo n crculos, uno
por cada fila de la matriz, de la siguiente manera:
- Centro: el elemento diagonal de la fila
- Radio: la suma de los valores absolutos de los dems elementos de la fila
Entonces, todo valor propio de A se encuentra contenido en alguno de los crculos,
incluido el borde.
x Si trabajamos en *, podemos considerar slo la parte real de los crculos, resultando

entonces unos intervalos en la recta real.
2. Mtodo de las potencias.
Se trata de un mtodo iterativo para calcular el valor propio dominante (es decir, de mayor
valor absoluto) de una matriz, as como su vector propio asociado.
Hay dos condiciones para asegurar la convergencia de este mtodo :
1) Que haya un nico valor propio de mayor valor absoluto (p. ej. no se podra aplicar a
una matriz cuyos valores propios fueran 5,1,5). Este valor propio ser el que
calcularemos.
2) Que dicho valor tenga asociado un subespacio propio de dimensin 1, por tanto
generado por un solo vector propio. Este vector propio ser el que calcularemos.
En estas condiciones, el mtodo se desarrolla de la siguiente manera:
1. Partir de un vector cualquiera (no nulo), v0.

2. Calcular u1 = A v0.
3. Anotar V1 = la componente de mayor valor absoluto de u1.
u1
4. Dividir u1 por la componente V1 : v1 =
1
5. Iterar desde el paso 2: v2 = A v1 , etc.

Entonces, los vectores vi convergen al vector propio buscado, mientras que la
componente de mayor valor absoluto Vi converge al valor propio.
Se puede detener el proceso cuando dos iteraciones sucesivas sean iguales, o difieran en
menos de una cantidad previamente estipulada (una milsima, una diezmilsima...)
Ejemplo
4 12
Calculemos el valor propio dominante y su vector propio asociado, para A=
6 14
Partimos del vector v0 = (1,0). Hemos trabajado con 4 cifras significativas.
N ui Vi vi =
ui
iteracin i
0 (1,0) 1 (1,0)
1 (4,6) 6 (0.6667, 1)
2 (9.333, 10) 10 (0.9333, 1)
3 (8.2667,8.4) 8.4 (0.9841,1)
... ... ... ...
8 ... 8 (1,1)
9 (8,8) 8 (1,1)
Como los vectores v8 , v9 ya son iguales, el proceso ya ha convergido, siendo 8 el valor

propio dominante, y (1,1) su vector propio asociado.

AUTOEVALUACIN - Endomorfismos y diagonalizacin.
() C-1) Razonar por qu una matriz 3x3 no puede tener 4 valores propios.
4 0 0
C-2) Si la matriz de un endomorfismo en base cannica es
0 1 0
0 0 3

() a) Di, sin calcular, cules son los valores propios.
() b) Di, sin calcular, cules son los vectores propios.
C-3) Una cierta matriz A, de tamao 4x4, tiene como valor propio el 8.
() a) Qu posibilidades hay para el rango de la matriz A8 I ?
() b) Qu posibilidades hay para la dimensin del subespacio propio V8 ?
C-4) Sealar si estas matrices seran diagonalizables (s ; no ; no se sabe).

() a) Una matriz 2x2 con valores propios: 3, 5 simples.
() b) Una matriz 3x3 con valores propios: 6,7,8 simples.
() c) Una matriz 2x2 con valor propio: 3 doble
() d) Una matriz 3x3 con valores propios: 9 doble, 1 simple.
() C-5) Inventa una matriz 3x3 que sea diagonalizable. (Busca un ejemplo lo ms sencillo
posible).
() C-6) Sea A una matriz real simtrica 2x2 con dos valores propiosO y P . Si un vector
propio asociado a O es (1, 3), cul ser un vector propio asociado a P?

E-1) Clasificar los siguientes endomorfismos:

1 0 0
() a) En 3 , dado por la matriz
0 1 2
1 0 1

() b) En 2 , dado por la ecuacin f(x,y) = (2x+5, 4x+10)
() c) En 2 , la aplicacin identidad (matriz identidad).
0 0 0
E-2) Dado el endomorfismo , determinar si los siguientes vectores son o no
2 1 2
1 0 1

vectores propios, y en caso afirmativo, hallar su valor propio.
() a) u = (0,3,0)
() b) v = (1, 0 , -1)
() c) w = (2,2,1)
E-3) Hallar los valores propios de los siguientes endomorfismos:

2 0 5
() a)
0 1 0
0 0 6

() b) 1 2

2 4
1 0 0
E-4) Dado el siguiente endomorfismo,
2 1 1
8 1 3

() a) Hallar sus valores propios.

() b) Hallar sus vectores propios.
() c) Determinar si es diagonalizable, y diagonalizar en su caso.
E-5) Considera el endomorfismo de 3 dado por f(x,y,z) = (3x3z, 3y+9z, 3z)

() a) Hallar sus valores propios.
() b) Hallar sus vectores propios.
() c) Determinar si es diagonalizable.
() d) En caso afirmativo, escribir la diagonal y la matriz de paso P.

() E-6) Sabiendo que una cierta matriz A tiene valores propios 1, 1 ,2, hallar los valores
propios
de A t , de 4A , de A 3 , y de A 1.
3 o 3
() E-7) Dado el endomorfismo hallar la matriz de f en la base
(x,y,z) 6 (-x, - y , x+z)
B= { (1,0,2), (1,0,-1), (0,3,0) }
() E-8) De una matriz A de tamao 2x2, se sabe que es diagonalizable y que los valores
propios son 0 y 3 , con vectores propios respectivamente (1,1) y (4,1). Hallar la matriz A.
(Sugerencia: A=PDP1).
() E-9) Dada A= 6 1

hallar, mediante el mtodo de las potencias, el valor propio dominante
2 7
y su vector propio.

SOLUCIONES A LA AUTOEVALUACIN -
Endomorfismos y diagonalizacin
Sol. C-1) a) Una matriz 3x3 puede tener como mucho 3 valores propios: ya que el polinomio
caracterstico es de grado 3 y puede tener como mximo 3 races.
Sol. C-2) a) Como la matriz es diagonal, los valores propios son los elementos diagonales: 4, 1, 3.
b) Los vectores propios son los de la base cannica: (1,0,0), (0,1,0), (0,0,1). Ya que,
como la matriz contiene las imgenes de la base cannica en columnas, se observa que
f(1,0,0) = (4,0,0) luego (1,0,0) es vector propio de valor propio 4.
f(0,1,0) = (0,-1,0) luego (0,1,0) es vector propio de valor propio 1.
f(0,0,1) = (0,0,3) luego (0,0,1) es vector propio de valor propio 3.
Sol. C-3) a) Tendr rango estrictamente menor que 4, es decir, 3, 2, 1, 0. Ya que la matriz A8 I
dar lugar a un sistema compatible indeterminado, cuyas soluciones son los vectores propios de
valor propio 8.
b) Como todos los subespacios propios, podr tener dimensin como mnimo 1, y como
mximo la dimensin del espacio vectorial, en este caso 4. Por tanto, dimensin 1, 2, 3 4.
De hecho la dimensin de V8 est relacionada con el rango de la matriz A8 I, puesto que
dim (V8) = 4 rg(A8 I) .
Sol. C-4) a) Los subespacios propios son V3 y V5 . Los dos valores propios son simples, es decir, de
multiplicidad 1. Como la dimensin del subespacio propio est comprendida entre 1 y la
multiplicidad, dicha dimensin ha de ser 1, tanto para V3 como para V5 .
Entonces 1 + 1= 2, s es diagonalizable.
b) Los subespacios propios son V6 , V7 y V8. De manera similar, los tres valores propios son
simples, de multiplicidad 1. Como la dimensin del subespacio propio est comprendida entre 1 y la
multiplicidad, dicha dimensin ha de ser 1, para los tres subespacios .
Entonces 1+1+1= 3, s es diagonalizable.
c) El subespacio propio ser V3 , cuya dimensin estar comprendida entre 1 y la

multiplicidad que es 2. Por tanto, no sabemos con estos datos si dicha dimensin ser 1 2. Si
fuese 2, la matriz sera diagonalizable (2 vectores propios), pero si fuese 1, no lo sera.
d) Los subespacios propios sern V9 y V1 . La dimensin de V1 ha de ser 1 por un

razonamiento como los anteriores, pero la dimensin de V9 puede ser 1 2. Si fuese 2 la matriz
sera diagonalizable (2+1=3) pero si fuese 1, no lo sera. Por tanto, con estos datos no se sabe.

Sol. C-5) Lo ms fcil es una matriz que ya sea diagonal, as seguro que es diagonalizable. (Entonces
la matriz de paso P sera la identidad.). Tambin podramos poner cualquier matriz real simtrica,
que siempre es diagonalizable.
Sol. C-6) a) En una matriz real simtrica, los vectores propios de distinto valor propio son
ortogonales. Por tanto el vector asociado a P deber ser ortogonal a (1,3). Por ejemplo (3,1) o
cualquier mltiplo suyo.
Sol. E-1) a) El rango de la matriz es 3 (se obtiene escalonando), rango mximo.

Luego el endomorfismo es inyectivo y suprayectivo, por tanto biyectivo.
b) La matriz del endomorfismo es 2 5 que tiene rango 1.

4 10
No tiene rango mximo, luego el endomorfismo no es inyectivo ni suprayectivo.
c) La matriz del endomorfismo es 1 0 que tiene rango 2, rango mximo.

0 1

Luego el endomorfismo es inyectivo y suprayectivo, por tanto biyectivo.
0 0 0 0 0
Sol. E-2) a) Hallamos la imagen de u:
2 1 2 3 3
1 0 1 0 0

vemos que f(u) = 1u , luego u es vector propio de valor propio 1.
0 0 0 1 0
b) Hallamos la imagen de v:
2 1 2 0 0
1 0 1 1 0

vemos que f(v) = 0v , v es vector propio de valor propio 0.
0 0 0 2 0
c) Hallamos la imagen de w:
2 1 2 2 6
1 0 1 1 3

vemos que f(w) no es mltiplo de w . Por tanto w no es vector propio.
Sol. E-3) a) (Como es triangular, el polinomio caracterstico se resuelve fcilmente) El polinomio

caracterstico es (O-2) (O-1) (O+6), luego los valores son 2,1,-6.
b) El polinomio caracterstico es O (O-5) luego los valores son 0 , 5.

Sol. E-4) a) Polinomio caracterstico: (1O) (2Ovalores propios -1 simple, 2 doble .
b) Para O= 1:

0 0 0 x 0
0 solucin (D,0,-2D) , vector propio (1,0,-2)
2 2 1 y
8 1 4 z 0

Para O= 2:

3 0 0 x 0
0 solucin (0,E,-E) , vector propio (0,1,-1)
2 1 1 y
8 1 1 z 0

c) Los vectores propios son en total dos, luego no forman una base de 3.
El endomorfismo no es diagonalizable.
3 0 3
Sol. E-5) Primero escribimos la matriz de f, que es A=
0 3 9
0 0 3

a) Polinomio caracterstico: (3O) (3Ovalores propios 3 doble, 3 simple.
b) Para O= 3:
0 0 3 x 0
solucin (DE) , vectores propios (1,0,0) , (0,1,0)
0 0 9 y 0
0 0 6 z 0

Para O= 3:
6 0 3 x 0
solucin (E,3EE) , vector propio (1,3,2)
0 6 9 y 0
0 0 0 z 0

c) Hay en total tres vectores propios que forman una base de 3. Esto significa que el
endomorfismo s es diagonalizable.
3 0 0
d) La diagonal es la de los valores propios: D=
0 3 0
0 0 3

La matriz de paso tiene en columnas los vectores propios (en el mismo orden que los
1 0 1
valores): P=
0 1 3
0 0 2

(Se puede comprobar que se cumple D= P1AP ).
Sol. E-6) Valores de At : 1, 1 ,2 (los mismos que A)

Valores de 4A: 4, 4, 8 (los de A multiplicados por 4)
Valores de A 3 : 1, 1, 8 (los de A elevados al cubo)
Valores de A 1: 1, 1, 1 (inversos de los de A).
2

1 0 0
Sol. E-7) Primero escribimos la matriz del endomorfismo en base cannica, A =
0 1 0
1 0 1

1 1 0
La matriz de cambio de base tendr en sus columnas la base dada: Q=
0 0 3
2 1 0

23 1
3 0
5 2
Por tanto la matriz en la base dada es M = Q1 A Q = 3 3 0
0 0 1

Sol. E-8) D ser la diagonal de los valores propios 0 y 3 : D= 0 0

0 3
La matriz de paso P tiene en sus columnas los vectores propios: P= 1 4
1 1

1 1 4 0 0 31
4 -4
4
Entonces, A=P D P = = 3

1
1 1 0 3 1 -1
1
3 3
(Puede comprobarse que efectivamente A tiene los valores y vectores propios del enunciado).
Sol. E-9) El valor es 8 y el vector es (0.50, 1). Para dos cifras significativas converge en unas 10
iteraciones, segn el vector inicial que se tome.

EL ESPACIO EUCLDEO
INTRODUCCIN.
Trataremos en este tema de llevar a los espacios vectoriales nociones geomtricas como
ortogonalidad, ngulo, longitud, distancias, reas...
Veremos que todo ello se puede obtener al introducir un producto escalar.
La geometra eucldea se desarrolla en los siglos XIX y XX, tras la aparicin del concepto de
espacio vectorial. Recibe su nombre en honor a Euclides, matemtico griego (~300 a.C.)
quien estudi los conceptos bsicos de la Geometra plana, aunque por supuesto no en un
contexto vectorial.
Para generalizar esos conceptos geomtricos, observamos el comportamiento de los
vectores del plano. En 2 tenemos definido el producto escalar usual
(a1,a2) (b1,b2) = a1 b1 + a2 b2
Es una operacin entre dos vectores, cuyo resultado es un escalar (de ah el nombre
producto escalar).
El producto escalar permite reconocer a los vectores ortogonales (ngulo recto): dos
vectores son ortogonales si su producto escalar es cero (por ejemplo, (1,3) y (-6,2), etc.)
Observemos las propiedades de esta operacin:
Propiedades del producto escalar usual.
1. Conmutativa. u v = v u
2. Distributiva. u ( v + w) = u v + u w
3. Reubicacin del escalarD (u v) = (D u) v = u (D v)
G
4. Definida positiva: v v t 0, y se da la igualdad v v = 0 solamente para el vector v = 0 .
Definicin: Producto escalar en cualquier espacio. Espacio eucldeo.
Cualquier operacin en un espacio vectorial que cumpla las anteriores propiedades, diremos
que es un producto escalar (aunque no se trate del producto escalar usual).
Llamaremos espacio eucldeo a un espacio vectorial dotado de un producto escalar.
El producto escalar se denotar por u v. Tambin se puede utilizar la notacin <u,v>.
Ejemplos de producto escalar.
1. El producto escalar usual en n :

(a1,a2,. . . ,an) (b1,b2,. . . ,bn) = a1 b1 + a2 b2 + . . . + an bn
Neila Campos LGEBRA LINEAL Espacio Eucldeo 1

Puede verse como el producto de una matriz fila por una matriz columna:
b1

b
(a1,a2,. . . ,an) 2 = a1 b1 + a2 b2 + . . . + an bn
#

bn
2. En 3 podemos inventar otra operacin que cumpla tambin las propiedades

anteriores, y por tanto podremos llamarla un producto escalar. Por ejemplo,
(a,b,c) (a,b,c) = aa + 2bb + 3 cc
Comprubese que cumple las propiedades.
3. En el espacio M2 de matrices 2x2 con trminos reales, podemos definir el siguiente

producto escalar:
a b a ' b'
= aa ' bb ' cc ' dd '
c d c' d '
Este producto escalar tambin puede expresarse as, para dos matrices A y B:
A B = traza (A Bt) (Nota: la traza de una matriz es la suma de sus elementos diagonales).
4. En el espacio M2, el producto ordinario de matrices no es un producto escalar. (Su

resultado no es un escalar; adems no es conmutativo, etc.)
5. En el espacio vectorial C[a,b] de las funciones continuas en el intervalo [a,b], definimos el

producto escalar:
b
fg= f(x) g(x) dx

a
Comprubese que cumple todas las propiedades de un producto escalar.
6. En el espacio P2={ ax2 + bx + c : a, b, c } de los polinomios de grado d 2, podemos

definir el producto escalar
(ax2 + bx + c) (a x2 + b x + c) = a a + b b + c c
Otra posibilidad es considerar a los polinomios como funciones continuas en un intervalo, y

utilizar el producto escalar del ejemplo anterior.
Notar que el producto ordinario de polinomios no es un producto escalar (su resultado no es

un escalar, etc.)

Conceptos geomtricos obtenidos del producto escalar.
Por analoga con lo que ocurre en el plano o el espacio con el producto escalar usual,
podemos definir los siguientes conceptos, siempre referidos a un cierto producto escalar.
Nos situamos en V, un espacio eucldeo.
1. Vectores ortogonales.
Dos vectores u, v son ortogonales si su producto escalar es cero: u v = 0. Se denota u A v.
Diremos que un conjunto de vectores es un conjunto ortogonal si cada uno de ellos es
G
ortogonal a todos los dems. (Exigimos adems que ninguno de los vectores sea el 0 ).
x Notar que si dos vectores u, v son ortogonales entonces tambin lo son sus mltiplos Du
y Ev (D, E escalares).
2. Norma o mdulo de un vector.

La norma o mdulo de un vector es | v |= v v La nocin corresponde, intuitivamente, a
la longitud del vector. Tambin se puede denotar || v || .
G
x Con cualquier producto escalar, el nico vector de mdulo cero es el 0 .
x Notar tambin que el mdulo de un vector es el mismo que el de su opuesto, y que el

mdulo de Dv es | Dv | = | D| | v | (es decir, el mdulo queda multiplicado por el valor
absoluto del escalar).
x Adems se cumple para cualesquiera u, v la desigualdad triangular: | u + v | d | u | + | v |
3. Distancia entre dos vectores.
La distancia entre u y v es la norma del vector diferencia entre ambos.

dist (u, v) = | u v |
4. ngulo entre dos vectores.
Es sabido que para el producto escalar usual de 2 se tiene que u v = | u | | v | cos D ,

donde D es el ngulo que forman ambos vectores. Por tanto, para generalizar la nocin de
ngulo a cualquier espacio eucldeo, definimos
uv
ngulo(u, v) = arc cos
|u||v|
Notar que si alguno de los dos vectores es nulo, no podemos dividir por su mdulo y por
tanto el ngulo no est definido. En efecto, geomtricamente el vector nulo no forma ngulo
ninguno.

Ejemplos.
1. En 3 con el producto escalar usual:

Sea u=(1,0,0), v=(1,0,1).
1 1

x Sus mdulos son: | u |= (1,0,0) 0 = 1 = 1 , | v |= (1,0,1) 0 = 2
0 1
v
x Su distancia es | v u | = | (0,0,1) | = 1
1 u

(1 ,0 ,0 ) 0
1 1
x El ngulo que forman es arc cos = arc cos = 45.
1 2 2
1. En 3 con otro producto escalar:

Consideremos el siguiente producto escalar, ya visto: (a,b,c) (a,b,c) = aa + 2bb + 3 cc
y el vector v=(1,0,1) del ejemplo anterior. Con este producto escalar, su mdulo es distinto:
v v = 11 + 200 + 311 = 4 , luego | v |= 4=2,
Con este producto escalar tambin se obtienen distancias, ngulos, etc distintos de los
usuales (se trata de una distorsin geomtrica del espacio),
3. En el espacio C[0,1] de funciones continuas en el intervalo [0, 1] 1
Sean los vectores (funciones) f(x)=x2, g(x)=x+1 , respecto al producto escalar fg= f(x)g(x)dx
0
1 1
1 7
x Sus mdulos son: | f | = x x dx = (x+1) (x+1) dx
2 2
, |g|= =
0 5 0
3
1
x Su distancia es: [ x (x+1) ]

0
2 2
dx =
41
30 1
7
x ( x 1) dx
2
fg 12
x ngulo que forman: arc cos =arc cos 0
=arc cos = 0,547 rad
|f||g| 1 7 1 7

5 3 5 3
Como se ve en los ejemplos, si las anteriores nociones se aplican a 2 o 3 con el

producto escalar usual, producen los conceptos geomtricos usuales. Si cambiamos el
producto escalar o trabajamos en otro espacio vectorial las nociones de longitud, ngulo, etc.
sern diferentes (quiz ni siquiera se puedan dibujar), aunque son igualmente coherentes.
Teorema (Desigualdad de Cauchy-Schwarz)

Para cualesquiera u, v en un espacio eucldeo, se tiene que su producto escalar, en valor
absoluto, es menor o igual que el producto de sus normas.
|uv| d|u||v|
y adems la igualdad | u v | = | u | | v | slo se da cuando u es mltiplo de v.

Teorema.
Todo conjunto ortogonal es linealmente independiente.
Demostracin (slo la hacemos para dos vectores)

Sabemos que el conjunto {u, v} es ortogonal, es decir, u v =0. Debemos ver que es linealmente
independiente. Para ello, bastar ver que un vector no es mltiplo del otro.
En efecto, si as fuera, tendramos u=Dv. Entonces al ser ortogonales,
u v =0 (Dv) v =0 Dv v) = 0 o bien D= 0, o bien v v =0 (y por tanto v=0).
Como ni Dni v pueden ser nulos, concluimos que no es posible que sea u=Dv. Por tanto {u, v} son
linealmente independientes.
Definicin: Normalizacin. Conjunto ortonormal.
x Normalizar un vector es reducirlo a otro vector (mltiplo suyo) de norma 1.

1
Ello se consigue multiplicando el vector por el nmero
|v|
(3, 4)
Ejemplo: El vector (3,4) tiene norma 5 (mide 5 unidades de longitud). Por tanto =
| (3, 4) |
2 2
(3, 4) 3 4 3 4
= = , es el vector normalizado: su norma es 1. Efectivamente + = 1.
5 5 5 5 5
x Se llama conjunto ortonormal a un conjunto ortogonal cuyos vectores tienen todos norma 1.
Se puede obtener normalizando un conjunto ortogonal. Sus elementos v1, v2,... cumplen:
vi vk = 0, vi vi = 1 (el producto de vectores distintos es 0, de cada vector por s mismo es 1)
Ejemplos
1) La base cannica (1,0,0), (0,1,0), (0,0,1) de 3 es un conjunto ortonormal. Adems es

base, as que diremos que es una base ortonormal
2) (1,2,0), (4,-2,0) es ortogonal pero no ortonormal. Si normalizamos los vectores, se obtiene
1 2 2 1
, ,0 , , , 0 que ya es un conjunto ortonormal.
5 5 5 5
Definicin (Matriz ortogonal).
Una matriz cuadrada nxn se dice que es una matriz ortogonal si sus columnas son vectores
ortonormales de n (con el producto escalar usual).
(Nota. No nos dejemos confundir por la nomenclatura, pues se llama matriz ortogonal, a pesar de
que sus columnas son ortonormales y no slo ortogonales.)
2 2
1 0 0
Ejemplos. 0 1 0 en 3 ;
2 2
en 2.
0 0 1 2 2

2 2

Propiedades de las matrices ortogonales.
1. Las columnas de una matriz ortogonal son n vectores ortonormales en n y por tanto
linealmente independientes; as pues, las columnas forman base de n (es una base
ortonormal).
En lo sucesivo veremos la utilidad de las bases ortonormales (p.ej. la base cannica de n).
2. Por tanto, toda matriz ortogonal es regular o inversible (su determinante es no nulo).
3. Una matriz A es ortogonal si y slo si su inversa coincide con su traspuesta. A1 = At.
SUBESPACIOS ORTOGONALES.
Definicin (vector ortogonal a un subespacio)
Se dice que un vector v es ortogonal a un subespacio S (y se denota v A S) si v es ortogonal

a todos los vectores de S. (Basta con que v sea ortogonal los vectores de una base de S).
Ejemplo. En 3, el vector (0,0,1) es ortogonal al plano XY.
Definicin: Subespacios ortogonales.
Diremos que un subespacio S es ortogonal a otro subespacio T (se denota S A T) si

todo vector de S es ortogonal a todo vector de T, es decir:
u v = 0 para todo u S, v T.
Basta con que los vectores de una base de S sean ortogonales a los vectores de una base
de T.
G
Propiedad: Si dos subespacios son ortogonales entonces su interseccin ha de ser { 0 }.
G
En efecto, si tuviramos un v z 0 en la interseccin, tendramos v v z 0 con v S, vT.
Ello impide que los subespacios sean ortogonales.
Ejemplo: En 3, el eje X es ortogonal al plano YZ.

Sin embargo, el plano XY no es ortogonal al plano YZ.
x Por otra parte, recordemos que en un espacio vectorial, dado un subespacio S podemos
definir su suplementario (o complementario) como T tal que S T sea el espacio total.
G
Todo subespacio S (salvo el { 0 } y el total) tienen infinitos suplementarios, pero slo uno es
ortogonal a S.

Definicin: Complemento ortogonal.
Dado un subespacio S, su complemento ortogonal (o simplemente su ortogonal) es el nico

subespacio (denotado por S A ) que cumple:
x dim S + dim S A = n (donde n es la dimensin del espacio total),
x S A es ortogonal a S.
Ejemplo.
En 3, el subespacio S=planoXY tiene infinitos suplementarios (toda recta que no est

contenida en S). Pero de ellos slo uno es su complemento ortogonal, que es el eje Z.
Propiedades:
x S A est formado por todos los vectores del espacio que son ortogonales a S.
x Cualquier subespacio que sea ortogonal a S, estar contenido en S A .
Construccin del complemento ortogonal.
Se trata de encontrar todos los vectores ortogonales a S. Basta con que sean ortogonales a
su base.
Por tanto planteamos un sistema de ecuaciones como en el ejemplo siguiente. Es un
sistema compatible indeterminado, cuyo espacio solucin ser (en forma paramtrica) S A .
Observemos que la dimensin de S A (nmero de parmetros) deber ser n dim S.
Ejemplo.
Calculemos el ortogonal del siguente subespacio de 4 : T= { (a, 0, 2a, b) : a,b }
Primero necesitamos una base de T: sta es (1,0,2,0), (0,0,0,1).
Buscamos los vectores que sean ortogonales a ellos, es decir, los (x,y,z,t) tales que:
x x x

y y 1 0 2 0 y =0
(1, 0, 2, 0) = 0, (0, 0, 0, 1) = 0 es decir,
z z 0 0 0 1 z 0

t t t
sistema compatible indeterminado cuya solucin es { (2 O , P , O ,0) : O , P }
Por tanto una base de T A ser (2, 0, 1, 0), (0, 1, 0, 0).
Notar que efectivamente dim T A = 2 = 4 dim T. Comprobar tambin que cada uno de los
vectores de la base de T A es ortogonal a cada uno de los vectores de la base de T.

PROYECCIONES ORTOGONALES.
1. Proyeccin ortogonal de un vector sobre otro.

v2 v
Proyeccin de un vector v sobre otro vector u:
v1 u
v se puede descomponer de manera nica como v = v1 + v2
con v1 en la direccin de u, y v2 ortogonal a u.
La componente v1 se llama proyeccin ortogonal de v sobre u, y se denota proy u ( v ).
Notar que proy u ( v ) es un mltiplo de u.
uv
Se calcula : proy u ( v ) = u
uu
Una vez hallada la componente v1 , se puede calcular la otra componente v2 como
v2 = v v1
Ejemplo:
En 2, proyectamos v=(1,2) sobre u=(3,1).
1
(3,1)
uv 2 (3,1) = 5 (3,1) = 3 , 1
proy u ( v )= u=
uu 3 10 2 2
(3,1)
1
3 1 3 1 1 3
As v1 = , , y por tanto v2 = v v1 = (1,2) , = ,
2 2 2 2 2 2
3 1 1 3
y el vector v queda expresado como (1,2) = , + , , dos componentes de las cuales
2 2 2 2
la primera va en la direccin de u y la segunda es ortogonal a u (comprubese).
2. Proyeccin ortogonal de un vector sobre un subespacio.
Dado un vector v y un subespacio S, v se puede descomponer de manera nica como

v = v1 + v2 , con v1 S, y v2 ortogonal a S.
La componente v1 se llama proyeccin ortogonal de v sobre S, y se denota proy S ( v ).
Se calcula : proy s (v) = proyu1(v)+ . . . + proyun(v) v2 v

u1 < v un < v
es decir: proy s (v) = u1 + . . . + un v1
u1 < u1 un < un S
(Frmula de la Proyeccin)
donde {u1, . . . ,un} son una base ortogonal de S.

(Si adems la base es ortonormal, los denominadores pueden suprimirse, pues valen 1).
Igualmente, una vez hallada la componente v1, se puede calcular v2 como
v2 = v v1
Ejemplo:
En 3, proyectamos v=(3,2,2) sobre el subespacio S generado por: u1= (2,0,1), u2= (0,3,0).
Lo primero, observamos que u1 , u2 forman base de S, y adems base ortogonal. Por tanto
puede utilizarse la frmula anterior:
3 3

(2, 0, 1) 2

(0, 3, 0) 2

u1 < v u <v 2 u 2 8 6 8 6 16 8
proys(v) = u1 + 2 u2 = 1+ u2 = u1 + u2 = (2,0,1) + (0,3,0) = , 2,
u1 < u1 u 2 <u 2 2 0 5 9 5 9 5 5

(2, 0, 1) 0

(0, 3, 0) 3

1 0
16 8 16 8 1 2
As v1 = , 2, , y por tanto v2 = v v1 = (3,2,2) , 2, = , 0,
5 5 5 5 5 5
16 8 1 2
y el vector v queda expresado como (3,2,2) = , 2, + , 0, , dos componentes de las
5 5 5 5
cuales la primera, v1 , pertenece a S y la segunda, v2 , es ortogonal a S (comprubese que
v2 es ortogonal a ambos vectores de la base de S).
Observacin. SA
Dado cualquier subespacio S, se tiene que S S A = V,
u2 u
donde V es el espacio total.
Por tanto, todo vector uV puede descomponerse como: u1
S
u=u +u , 1 con u S, u S A .
2 1 2
u1 = proy S (u)
De hecho, estas dos componentes no son otras que las u2 = proy S A (u)
proyecciones ortogonales de u sobre S y sobre S A , es decir,
u = proy S (u) + proy S A (u)
As pues, puede calcularse primero la componente u1 = proy S (u) y obtener despus

la componente u como u2 = u u1 .
2
Otra posibilidad es empezar calculando u2 = proy S A (u) y luego obtener u1 = u u2 .
Neila G. Campos LGEBRA LINEAL Espacio Eucldeo 9

Ejemplo.
Anteriormente hemos proyectado v = (3,2,2) sobre el subespacio S generado por (2,0,1),
(0,3,0), obteniendo
16 8 16 8 1 2
v1 = proyS(v) = , 2, , v2 = v v1 = (3,2,2) , 2, = ,0,
5 5 5 5 5 5
Otro modo de resolverlo es hallar primero v2 como proy S A (u).
Para ello hallamos S A , que es la recta generada por w = (1,0,2) (comprubese). Entonces,
w u 1 1 2
v2 = proy S A (u) = proy w (u) = w= (1,0,2) = ,0,
ww 5 5 5
1 2 16 8
y de ah v1 = v v2 = (3,2,2) ,0, = , 2,
5 5 5 5
Observaciones.
1. Notar que si S es un subespacio de dimensin 1, cuya base es un solo vector u,

entonces proyectar sobre S es lo mismo que proyectar sobre u.
2. Si un vector w ya est en el subespacio S, al proyectarlo sobre S no vara. La

descomposicin w = w1 + w2 sera en realidad w = w + 0.
Ejemplo: Subespacio S anterior, w = (4,3,2). Haciendo el clculo se tiene proys(w) = (4,3,2).

Ello ocurre porque wS (notar que el determinante que forma w con la base de S es nulo, lo
que significa que es linealmente dependiente de dicha base).
Coordenadas de un vector en una base ortogonal.

La observacin 2 anterior nos proporciona una manera de obtener las coordenadas de un
vector w S respecto a una base ortogonal de S.
En efecto, si wS, y si tenemos una base ortogonal {u1, . . . ,un} de S, entonces
u1 < w un < w
w= proys(w) = u1 + . . . + un
u1 < u1 un < un
u1 < w un < w
lo cual significa (por la definicin de coordenadas) que los escalares ,..., son
u1 < u1 un < un
las coordenadas de w en la base dada {u1, . . . ,un}.
Adems si la base es ortonormal, los denominadores pueden suprimirse pues valen 1, y as
las coordenadas son simplemente (u1 w, . . . , un w )
Ejemplo.
Consideremos en 2 la base (1,1), (1,1) que es ortogonal. Hallemos las coordenadas de

w=(5,4) en esta base, que son:
5 5
(1,1) (1, 1)
4 , 4 = 9 , 1 En efecto, comprobamos que (5,4)= 9 (1,1) + 1 (1,1).

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

CLCULO DE BASES ORTOGONALES
Hemos visto que para aplicar la frmula de la proyeccin sobre un subespacio S, se requiere
una base ortogonal de S. Veremos cmo obtener una base ortogonal de S, si la que
tenemos no lo es.
Proceso de ortogonalizacin de Gram-Schmidt

Supongamos que tenemos una base { u1,. . . , un } de S.
Vamos a construir otra base de S, { a1,. . . , an } que ser ortogonal.
Como primer vector tomamos el propio u1.
a1 = u1
Para construir el segundo vector tomamos u2 y lo proyectamos sobre el anteriormente
construido a1, quedndonos con la componente ortogonal a a1.
a2 = u2 proy a1 (u2)
As { a1 , a2 } son dos vectores que estn en S (pues todas las operaciones se han hecho
entre vectores de S) y adems son ortogonales.
Para construir el tercer vector tomamos u3 y lo proyectamos sobre los anteriormente
construidos a1, a2 quedndonos con la componente ortogonal a ellos.
a3 = u3 proy a1 (u3) proy a2 (u3)
Etc.
Este proceso conduce a una base ortogonal de S. Si queremos obtener una base
ortonormal, bastar normalizar finalmente los vectores ai obtenidos (o bien normalizarlos en
cada paso).
Ejemplo.
Obtener una base ortogonal de 3 a partir de la base u1=(1,1,0), u2=(0,1,1), u3=(1,0,1).
a1 = u1= (1,1,0)
0

(1,1, 0) 1

a1 u 2 1 (1,1,0) = (0,1,1) 1 (1,1,0) = 1 , 1 ,1
a2 = u2 proy a1 (u2) = u2 a1 = (0,1,1)
a1 a1 1 2 2 2

(1,1, 0) 1

0
a1 u 3 a 2 u3 1 1 1 1 2 2 2
a3 = u3 proy a2 (u3) proy a3 (u3) = u3 a 1 a 2 =(1,0,1) (1,1,0) , ,1 = , ,
a1 a1 a2 a2 2 3 2 2 3 3 3
1 1 2 2 2
Por tanto la base ortogonal es (1,1,0), , ,1 , , , . (Comprubese que es ortogonal).
2 2 3 3 3
Para hacerla ortonormal dividimos cada vector por su norma, obtenindose la base
2 2 6 6 6 3 3 3
, , 0 , , , , , , (Comprubese que es ortonormal).
2 2 6 6 3 3 3 3
LA MATRIZ DE PROYECCIN.
Veamos otra manera de hallar la proyeccin ortogonal de un vector sobre un subespacio S,

sin necesidad de hallar una base ortogonal de ste. El siguiente mtodo solamente es vlido
para subespacios de n.
Dada una base de S, no necesariamente ortogonal,
1. Formamos la matriz A que contiene la base en sus columnas. Tendr pues, tantas
columnas como indique dim S. (No es necesariamente cuadrada).
2. Formamos la matriz cuadrada
PS = A ( At A )1 At
(la existencia de la inversa de At A est garantizada por haber formado A con una base).
La matriz PS se llama matriz de proyeccin sobre el subespacio S.
Esta matriz sirve para proyectar sobre S cualquier vector v :

proy S (v) = PS v
Por tanto, es especialmente til si tenemos que proyectar varios vectores sobre un mismo
subespacio.
La matriz de proyeccin de un subespacio dado es nica, y no depende de la base de la que
hayamos partido.
Ejemplo.
En 3, vamos a proyectar v = (3,2,2) sobre el subespacio S generado por: u1= (2,0,1),
u2 = (0,3,0). (Ya lo hicimos por otro mtodo, comprobaremos que el resultado es el mismo).
Tomamos la base (2,0,1), (0,3,0), (que es ortogonal pero no sera necesario que lo fuese), y
formamos la matriz
2 0
A = 0 3
1 0

2 0 1 54 0 52
5 0 2 0 1
Con ella calculamos PS = A ( At A )1 At = 0 3 =0 1 0
1 0 0 9 0 3 0 2 0 1
5 5
Ahora proyectamos el vector v = (3,2,2) :
54 0 52 3 165

proy S (v) = PS v = 0 1 0 2 = 2 que coincide con el resultado ya obtenido.
2 0 1 2 8
5 5 5

Propiedades de la matriz de proyeccin.
Toda matriz P de proyeccin sobre un subespacio de n es:

1. Cuadrada nxn
2. Simtrica
3. Idempotente (A2=A)
Y adems, toda matriz Q que cumpla las tres propiedades anteriores, resulta ser matriz de
proyeccin de un cierto subespacio de n. Este subespacio es aquel que generan sus
columnas.
12 12 0
Ejemplo. Comprobemos que la matriz Q= 12 12 0 cumple las anteriores propiedades.
0 0 1

Por tanto, Q es matriz de proyeccin de un cierto subespacio S. ste ser el generado por
sus columnas ( 12 , 12 ,0), ( 12 , 12 ,0), (0,0,1), es decir, el generado por (1,1,0), (0,0,1).
Observacin.
Si tenemos que proyectar un vector sobre un subespacio S, y no disponemos de una base
ortogonal de S, tenemos dos opciones:
- Calcular una base ortogonal por Gram-Schmidt para utilizar la frmula de la proyeccin,
- O hallar la matriz de proyeccin PS y utilizarla para proyectar el vector.

OTRAS NOCIONES GEOMTRICAS.
1. Vector simtrico.
En un espacio eucldeo podemos generalizar la nocin de vector simtrico respecto a un

plano, recta o subespacio en general, que actuar como un espejo.
Dado un vector v y un subespacio S, descomponemos:
v = v1 + v2 = proy S (v) + proy S A (v)
v2 v
Entonces se define el vector simtrico de v respecto a S como
v = v1 v2 v1
S
es decir
v = proy S (v) proy S A (v) v2 v
simtrico de v
2. Clculo de reas y volmenes.
Puesto que en un espacio eucldeo sabemos medir distancias y longitudes (con la nocin
de mdulo de un vector), ello nos permite aplicar las frmulas geomtricas usuales para
calcular reas y volmenes en 2 y 3.
Ejemplo.
Dado el subespacio S generado por (2,0,1),(0,3,0) hallar el simtrico v del vector v = (3,2,2).
Calcular el rea del tringulo formado por v y v.
16 8 1 2 v2 v
- Como ya hemos calculado, v = v1 + v2 = , 2, + , 0, .
5 5 5 5
v1
16 8 1 2 17 6 S
Entonces, v = v1 v2 = , 2, , 0, = , 2,
5 5 5 5 5 5
El rea pedida es dos veces el rea sombreada, por tanto v2 v
base altura v v
165 22 85 51 0 52 | 1833 unidades2
2 2 2 2
rea = 2 = 2 1 2 = v1 v 2 =
2 2

APLICACIONES PRCTICAS.
Veremos cmo aplicar las nociones del espacio eucldeo para:

x Aproximar una funcin continua por medio de un polinomio.
x Encontrar la solucin aproximada de un sistema incompatible.
x Ajustar a una grfica (recta, curva) una nube de puntos.
Para ello introducimos la nocin de mejor aproximacin
Mejor aproximacin de un vector en un subespacio.
En un espacio eucldeo, dado un vector v y un subespacio v

S, de entre todos los vectores de S hay uno que es el ms mnima distancia
prximo a v. Se llama mejor aproximacin de v en S, y de v a S
es precisamente la proyeccin ortogonal proyS(v).
mejor aproximacin
S
Para cualquier otro wS la distancia a v es mayor, es decir
| proyS(v) v | < | w v | para cualquier wS, w z proyS(v)
Se llama error cuadrtico medio (o error cuadrtico, o desviacin cuadrtica) al

cuadrado de la distancia que separa v de su aproximacin:
Error = | proyS(v) v | 2
Nota. Tambin es posible usar como error la norma | proyS(v) v | en lugar de la norma al cuadrado.
1. Aproximacin de una funcin continua por un polinomio.

Para facilitar los clculos con funciones trigonomtricas, logartmicas, exponenciales...,
podemos sustituirlas por un polinomio que se aproxime a ellas en un cierto intervalo [a, b].
Para ello consideramos el espacio eucldeo
C[a,b] = { funciones continuas en el intervalo [a,b] }.
b
con el producto escalar dado por:

f g = f(x) g(x) dx
a
y consideraremos el subespacio Pr = {polinomios de grado d r }, calculando entonces la

mejor aproximacin del vector (la funcin dada) en dicho subespacio.
Podemos elegir el grado r dependiendo de la precisin que queramos alcanzar. Cuanto
mayor sea el grado, menor ser el error.

Ejemplo.
Queremos aproximar la funcin ex por un polinomio de grado 2, en el intervalo [0, 1].
1
Para ello consideramos el espacio C[0,1] con el producto escalar

f g = f(x) g(x) dx
0
el vector (funcin) f = ex , y el subespacio P2 = {polinomios de grado d 2 },

Calculemos la mejor aproximacin de f en P2, es decir, proy P (f) .
2
Para ello necesitamos una base ortogonal de P2. Partiendo de la base estndar {1, x, x2}
podemos hallar una ortogonal por Gram-Schmidt (utilizando siempre el producto escalar
dado por la integral), obtenindose la base a1 = 1, a2 = x 12 , a3 = x2 x + 16 . As,
a1 f a f a f
proy P (f) = a1 + 2 a 2 + 3 a 3
2 a1 a1 a2 a2 a3 a3
lo que se calcula mediante las
integrales correspondientes
1 y=ex
(p. ej. a1 f =
0
1 e x dx = e+1 ,etc.)
resultando el polinomio y=p(x)

2
p(x) | 084 x + 085 x + 101
El error cuadrtico es
>(p( x) f ( x)@
1 2
| p f |2 = dx =
0
= 00000386
y=p(x)
El error es muy pequeo, lo que
significa que la aproximacin es y=ex
buena. En efecto, en la figura se ve
que la grfica del polinomio p(x) y la
de ex estn bastante prximas en
el intervalo [0,1].
(De hecho, el error representa el rea comprendida entre las dos curvas. Este mtodo de
aproximacin hace que dicha rea sea mnima).
Si lo aproximramos por un polinomio de grado 3, 4,... obtendramos una aproximacin an
mejor.
Otras posibilidades de aproximacin.
x Dada una funcin f(x), en lugar de aproximarla por un polinomio, tambin podemos
aproximarla por otro tipo de funciones. Basta hacer la transformacin adecuada para
reducirlo al problema de aproximacin por polinomios. Por ejemplo,
1
1) Aproximar f(x) = tg x por una funcin de la forma :
ax+b
1
Equivale a aproximar por un polinomio ax + b.
tg x
2) Aproximar f(x) = log x por una funcin de la forma ax+b :
Equivale a aproximar log x por un polinomio ax + b.
2
ax+b
3) Aproximar f(x) = cos x por una funcin de la forma e :
Equivale a aproximar log (cos x) por un polinomio ax + b.
x En otras ocasiones ser necesario un cambio de variable:

a
4) Aproximar f(x) = cos(x) por una funcin de la forma +b:
x
1 1
Hacemos el cambio = t y as equivale a aproximar cos por un polinomio at + b .
x t
5) Aproximar f(x) = sen(x) por una funcin de la forma a log(x) + b:

Hacemos el cambio log(x) = t y por tanto x = et, y as equivale a aproximar sen(et) por un
polinomio at + b .
x
6) Aproximar f(x) = cos(x) por una funcin de la forma a e + b:
x
Hacemos el cambio e = t y por tanto x = log(t), y as equivale a aproximar cos (log(t)) por un
polinomio at + b .
x Tambin es posible tomar logaritmos:

bx
7) Aproximar f(x) = cos(x) por una funcin de la forma a e :
bx
Equivale a aproximar log(cos(x)) por una funcin de la forma log (a e ), es decir, log(a) + bx.
y poniendo c =log(a) , equivale a aproximar log(cos(x)) por una funcin c + bx que ya es un
polinomio.
c
Una vez hallado c, recuperamos a = e , pues los coeficientes pedidos eran a y b.
2. Solucin aproximada de sistemas incompatibles.
G G G
Observemos que resolver un sistema lineal A x = b consiste en poner la columna b de
trminos independientes como combinacin lineal de las columnas de la matriz:
a a12 x b1 a11 a12 b1
Por ejemplo, 11 es encontrar x, y que cumplan x y
a21 a22 y b2 a21 a22 b2
G b1 a11 a12
Existirn tales x, y si el vector b es combinacin lineal de , , es decir, si
b2 a21 a22
pertenece al subespacio S generado por ellas. En ese caso el sistema ser compatible.
G
Si es incompatible, se debe a que b no pertenece al subespacio S.
G G
En ese caso, podemos sustituir b por otro vector c que s est en S, y para cometer el
G G
menor error posible, c ser la mejor aproximacin de b en S.
Neila G. Campos LGEBRA LINEAL Espacio Eucldeo 17

G G
Por tanto, en lugar del sistema incompatible A x = b , resolvemos otro sistema:
G G G G
Ax=c , donde c = proyS( b ), S = subespacio generado por las columnas de A.
Este nuevo sistema G Gya es compatible. Su solucin, si bien no cumple las ecuaciones del
sistema original A x = b , las satisface aproximadamente.
G G
El error cuadrtico es | c b |2 (trabajando en n con el producto escalar usual), o dicho de
G G G
otra manera, | A x b |2 donde x es la solucin aproximada que hemos hallado.
Este mtodo se llama mtodo de mnimos cuadrados ya que hace mnimo el error
cuadrtico.
Ejemplo 1.
1 2 x 3 3
Este sistema es incompatible, lo cual es debido a que b = no
2 4 y 5 5
1 2
pertenece al subespacio S generado por , en 2. Entonces sustituimos b por su
2 4
mejor aproximacin en S. Para ello, una base de S es el vector (1,2).
3
(1, 2)
c = proyS(b) = proy(1,2)(b)= 5 (1,2) = 13 (1,2) = 13 , 26

1 5 5 5
(1, 2)
2
y ahora resolvemos el sistema compatible (indeterminado)
1 2 x 135
2 4 y 26 cuya solucin es ( 135 2O , O ). Obtenemos infinitas soluciones que
5
satisfacen aproximadamente el sistema original.
2 2
2 1
3,5 ,
2 13 26 1
El error cuadrtico es | b c | = = , = = 02 .
5 5 5 5 5

Ejemplo 2.
2 3 0 0
1 0 x 1 Igualmente es incompatible puesto que bG = 1 no pertenece al subespacio

0 1 y 1 1

2 3
S generado por las columnas 1 , 0 en 3.
0 1

G
Calculamos por tanto la mejor aproximacin de b en S. Una base de S est formada por
ambas columnas, puesto que son linealmente independientes. Con ella podemos calcular la
matriz de proyeccin, que ser PS = A ( At A )1 At .
145
G G G
As, c = proyS( b ) = PS b = 72
1
14
2 3 145 2
x x 7
y se resuelve el sistema 1 0 72 compatible determinado, cuya solucin es
0 1 y 1 y 1
14 14
2
G G 5 2 1
0,1,1 , ,
25
El error cuadrtico es | b c |2 = = | 179 .
14 7 14 14
Obtencin directa de la solucin.
En algunos casos podremos obtener la solucin directamente, sin siquiera plantear ni

resolver el sistema compatible.
G G
x Dado el sistema incompatible A x = b , comprobar si las columnas de A son linealmente
independientes (ello ocurrir cuando el rango de A coincida con el n de columnas).
x Si es as, la solucin aproximada por mnimos cuadrados es nica, y es
G G
x = (At A)1At b
Explicacin:
En el ejemplo 2 anterior, las columnas de A son linealmente independientes. Ello nos ha
permitido utilizar A para para calcular la matriz de proyeccin A(AtA)1 At , y sta para
G G
calcular c = A ( At A )1 At b .
G G
Pero, observemos la expresin A ( At A )1 At b = c
G G
Como el sistema que hay que resolver es A x = c , la expresin anterior nos indica que
G
(At A)1At b (sealado arriba con la llave), que es un vector columna, es solucin del sistema
G G
A x = c.
G G
As pues, esa es la solucin (nica, pues el sistema A x = c es compatible determinado).

Caso particular: Ajuste de nubes de puntos.
Dada una nube de puntos, (es decir, un conjunto de puntos en el plano, obtenidos mediante
resultados experimentales, estadsticos, etc) buscamos la recta, parbola, etc. que mejor se
ajuste a dichos puntos.
Si planteamos que la curva pase por todos los puntos, obtendremos un sistema incompatible
que podemos resolver mediante el mtodo anterior.
Ejemplo
Buscamos la recta que mejor se ajuste a los puntos (1,2), (2,3), (3,5).
Una recta es de la forma y = m x + b. Si pasara por los tres puntos, debera cumplirse
2 = a1 + b 1 1 2
2 1 m
3 = a2 + b es decir, un sistema en las incgnitas m, b : 3
5 = a3 + b 3 1 b 5

Como las columnas A (matriz de coeficientes) son linealmente independientes, la solucin se

puede hallar directamente como
2 2 y = 32 x + 13
t 1 t 1 0 1
32 (3,5)
(A A) A 3 = 4 2 2
3 =
5 3
1
3 23 13
5
3 1 (2,3)
es decir m = , b= (1,2)
2 3
3 1
y as la recta buscada es y = x + . Comprobar en
2 3
la figura que, si bien esta recta no pasa por ninguno
de los puntos dados, se aproxima a todos ellos.
1 1 3 2 2 116 2 2
G G 2 10 1
El error cuadrtico es | A x b | = 2 1 12 3 = 3 3 = 6 | 0167
3 1 3 5 29 5
6
El error es pequeo porque los puntos dados estaban casi alineados.
x Otras posibilidades: ajustar la nube de puntos mediante una parbola y = ax2 + bx + c,

o mediante polinomios de grado mayor; o tambin mediante una funcin de cualquier tipo
como por ejemplo y = a cos(x) + b log(x), etc.
En todos los casos se debe hacer pasar la funcin por cada uno de los puntos,
introduciendo la abscisa del punto en la x y la ordenada en la y, para obtener una ecuacin
por cada punto. Finalmente obtendremos un sistema incompatible en las incgnitas a, b, c...
que resolveremos por mnimos cuadrados.

AUTOEVALUACIN - El Espacio Eucldeo.

n
Nota: el producto escalar ser el usual de mientras no se indique lo contrario.
C-1) Dar un vector ortogonal a ...

() a) (1,2,-1) en 3
() b) 2 2 en el espacio de matrices M2x2

0 5
() C-2) Determinar si la siguiente operacin entre vectores de 2 es o no un producto escalar:
(a,b) (a,b) = a a b b (Sugerencia: Verificar la propiedad definida positiva)
() C-3) En 4 puede existir un conjunto de 5 vectores ortogonales? Razonar la respuesta.
() C-4) Razonar si es verdadero o falso: Un conjunto ortonormal en 3 siempre tiene 3 vectores.
() C-5) En 2, proyectamos un cierto vector sobre la recta y=x. Es posible obtener como
proyeccin el vector (1,2) ? Razonar la respuesta.
() C-6) Pueden dos vectores distintos producir la misma proyeccin sobre un subespacio?
2 1 1
3 3 3
() C-7) Razonar si la matriz A = 1 2

1 puede ser matriz de proyeccin, y en ese caso, hallar a
3 3 3

1 1 2

3 3 3
qu subespacio corresponde.
E-1) Sean los vectores u=(4,0,3) , v=(1, 1, 3) en 3 con el producto escalar usual. Hallar:
() a) El mdulo de u y de v.
() b) La distancia entre u y v.
() c) El ngulo que forman.
Neila Campos LGEBRA LINEAL Espacio Eucldeo - Autoevaluacin.

E-2) Comprobar si los siguientes vectores son o no ortogonales:
() a) (1,0,0,3,4) y (1,2,3,1,-1) en 5 con el producto escalar usual.
() b) (3,3,1) y (-1,1,-1) en 3 con el producto escalar (a,b,c)(a,b,c) = aa + 2bb + 3 cc
() c) f(x)=x y g(x)=x+1 en el espacio de funciones continuas C[0,1] con el producto escalar
1
fg= f(x) g(x) dx

0
E-3) Normalizar el vector v= (2,1,3,-2) en 4

() a) con el producto escalar usual.
() b) con el producto escalar dado por: (a,b,c,d)(a,b,c,d) = aa + bb + 2 cc +2 dd
E-4) Comprobar en cada caso si se trata o no de una matriz ortogonal:

0 1 0
()
a) A = 0 0 1
2 0 0

() 0 -1
b) B =
1 0
() E-5) Comprobar si S y T son subespacios ortogonales en 4 , siendo:

{ (-3,-3,0,1) , (1,0,2,0) } base de S, { (0,1,0,3) (1,1,-1,6) } base de T.
E-6) Hallar en 3 el complemento ortogonal de los siguientes subespacios:

() a) S generado por (1,0,2)
() b) T generado por (1,0,2), (1,1,1)
E-7) Dado el vector (0,3,2), hallar su proyeccin ortogonal sobre los siguientes subespacios:
() a) sobre la recta generada por el vector (1,2,1)
() b) sobre el plano P generado por (1,2,1) y (0,-1,2)
() E-8) Hallar la mejor aproximacin al vector (0,3,2) en el plano generado por (1,2,1) y (0,-1,2).

() E-9) Hallar una base ortonormal del plano generado por u=(0,1,0) y v=(3,2,1) en 3.
E-10) Dado el subespacio S generado por (1,0,-1,1) y (0,2,0,3) en 4 ,

() a) Hallar su matriz de proyeccin.
() b) Proyectar sobre el vector v = (0,0,0,5) sobre S.
E-11) Dado el vector v=(3,4) de 2 ,

() a) Hallar su simtrico v respecto a la recta generada por (2,1).
() b) Hallar el rea del tringulo definido por v y su simtrico.
() E-12) En el espacio de funciones continuas C[0,1] con el producto escalar f g = f(x) g(x) dx
0
2
normalizar el vector f(x) = x .
2
() E-13) En el espacio de funciones continuas C[0,2] con el producto escalar f g = f(x) g(x) dx
0
hallar la mejor aproximacin de la funcin f(x)=2x+1 en el subespacio generado
por la funcin g(x)=x.
3x + y = 4

E-14) Dado el sistema x - y = 3
x + 3y = 7

() a) Comprobar que es incompatible y resolverlo por mnimos cuadrados.
() b) Hallar el error cuadrtico.

SOLUCIONES A LA AUTOEVALUACIN - Espacio Eucldeo.
Sol. C-1) a) El producto escalar debe ser cero. Podemos poner, por ejemplo, (-2,1,0), o bien (0,1,2),
(1,0,1), etc.
b) Aprovechando que la matriz tiene un cero, podemos poner 0 0 , por ejemplo.

1 0
Sol. C-2) Esta operacin cumple algunas de las propiedades de un producto escalar, por ejemplo, el
resultado es un escalar, tiene la propiedad conmutativa... Pero la propiedad definida positiva no se
cumple, pues al multiplicar un vector por s mismo puede obtenerse un nmero negativo:
(1,2) (1,2) = 11 22 = 3
Por tanto, no es un producto escalar.
Sol. C-3) No, puesto que los vectores ortogonales son linealmente independientes, y no puede haber 5
vectores independientes en 4.
Sol. C-4) Falso. Por ejemplo el conjunto { (1,0,0), (0,1,0) } es ortonormal y tiene dos vectores. (La
afirmacin sera cierta si dijese base en lugar de conjunto ).
Sol. C-5) No es posible, ya que la proyeccin sobre la recta ha de dar como resultado un vector
perteneciente a la misma, pero el vector (1,2) no pertenece a la recta y=x. u
v
Sol. C-6) S, como indica la siguiente figura, en que los vectores u y v tienen
ambos la misma proyeccin, w, sobre el eje X.
w
Sol. C-7) Es cuadrada, simtrica y se comprueba que es idempotente ( A2= I )

Por tanto, s es matriz de proyeccin.
El subespacio es el generado por sus columnas. Podemos multiplicar los vectores por 3 y siguen
generando el mismo subespacio, por tanto ste es el generado por (2,-1,1) , (-1,2,1), (1,1,2) .
(Y tambin se puede quitar uno de ellos pues son linealmente dependientes).

4

Sol. E-1) a) | u |2 = u u = (4,0,3) 0 = 25 , luego | u | = 25 = 5.
3

1

| v |2 = v v = (1,1,3) 1 = 11 , luego | v | = 11 .
3

b) La distancia es el mdulo del vector diferencia (4,0,3) (1,1,3) = (3,1,0)

| (3,1,0) | = 10
1
(4, 0,3) 1
uv 3
c) cos D = =
= 13 # 0.784 , D arc cos (0.784) = 0.669 rad
uv 5 11 5 11
Sol. E-2) a) (1,0,0,3,4) (1,2,3,1,-1) = 1+0+0+3 - 4= 0 s son ortogonales.

b) (3,3,1) (-1,1,-1) = 3(-1) + 231 + 31(-1) = 0 s son ortogonales.
1
1
c) f g =
0
x3 x 2
x (x+1) dx = =
3 2 0 6
5
z 0 no son ortogonales.
Sol. E-3) a) Hallamos el mdulo de v con el producto escalar usual:
v v = (2,1,3,-2) (2,1,3,-2) = 4+1+9+4 = 18 luego | v | = 18 = 3 2

v 1 2 1 3 2
Normalizamos v dividindolo por su mdulo: = (2,1,3,-2) = , , ,
v 3 2 3 2 3 2 3 2 3 2
b) Hallamos el mdulo de v con el producto escalar dado:
v v = (2,1,3,-2) (2,1,3,-2) = 4 + 1 + 29 + 24 = 31 luego | v | = 31

v 1 2 1 3 2
Normalizamos v dividindolo por su mdulo: = (2,1,3,-2) = , , ,
v 31 31 31 31 31
Sol. E-4) a) Hay que comprobar si sus columnas son vectores ortonormales, es decir, si tienen mdulo
1 y son ortogonales entre s.
En este caso las columnas son u=(0,0,2) , v=(1,0,0), w=(0,1,0). Son ortogonales entre s,
pues u v = 0, u w = 0, v w = 0. Pero no todos tienen mdulo 1, pues u tiene mdulo 2.
Por tanto, A no es una matriz ortogonal.

Otra forma: Una matriz es ortogonal cuando su inversa es igual a su traspuesta:
A-1 = At, o dicho de otro modo, A At = ,Veamos entonces qu se obtiene multiplicando A At :
0 1 0 0 0 2 1 0 0

0 0 1 1 0 0 = 0 1 0 que no es la matriz identidad.
2 0 0 0 1 0 0 0 4

Por tanto, A no es una matriz ortogonal.
b) Por cualquiera de los dos mtodos del apartado a), se tiene que B s es una matriz ortogonal.
Sol. E-5) Hay que ver si cada vector de la base de S es ortogonal a cada vector de la base de T.
(-3,-3,0,1) (0,1,0,3) = 0
(-3,-3,0,1) (1,1,-1,6) = 0
(1,0,2,0) (0,1,0,3) = 0
pero (1,0,2,0) (1,1,-1,6) = 1 0 por tanto S y T no son subespacios ortogonales.
Sol. E-6) a) Se trata de hallar todos los vectores (x,y,z) que son ortogonales a (1,0,2).
Planteamos por tanto la ecuacin (1,0,2) (x,y,z) = 0 , es decir
x + 2z= 0
Se trata de un sistema de una sola ecuacin con tres incgnitas, con matriz ampliada (1 0 2 | 0).
Por el mtodo de Gauss, su solucin es EDE que ya es, en paramtricas, el complemento
ortogonal de S.
[ Una base sera (-2,0,1), (0,1,0). Comprobar que estos vectores son ortogonales a (1,0,2).
Notar tambin que la dimensin del ortogonal es 2, ya que la de S es 1, estando en 3 . ]
b) Se trata de hallar todos los vectores (x,y,z) que son ortogonales a (1,0,2) y a (1,1,1).
(1,0,2) (x, y,z) = 0 x + 2z = 0
Planteamos por tanto las ecuaciones , es decir,
(1,1,1) (x, y,z) = 0 x + y + z = 0
1 0 2 0
Se trata de un sistema de dos ecuaciones con tres incgnitas, con matriz ampliada
1 1 1 0
Por el mtodo de Gauss se obtiene la solucin OOO que ya es, en paramtricas,

el complemento ortogonal de T.
[ Una base sera (-2,1,1) . Comprobar que este vector es ortogonal a (1,0,2) y a (1,1,1).
Notar tambin que la dimensin del ortogonal es 1, ya que la de T es 2, estando en 3.

0
1 2 1 3
2
E-7) a) proy (1,2,1) (0,3,2) =
(1,2,1) = 8 (1,2,1) = 4 , 8 , 4
Sol.
1 6 3 3 3
1 2 1 2
1

[ Comprobar que el resultado pertenece a la recta generada por (1,2,1) ]
b) Para aplicar la frmula de la proyeccin, primero hay que verificar que (1,2,1) y (0,-1,2)
forman una base ortogonal del plano P. Efectivamente se ve que su producto escalar es cero, por
tanto son ortogonales.
Entonces,
0 0
1 2 1 3 0 -1 2 3
2 2 8 1
proy P (0,3,2) =
(1,2,1) + (0,-1,2) = (1,2,1) + (0,-1,2) =
1 0 6 5
1 2 1 2 0 -1 2 -1
1 2

4 37 26
= , ,
3 15 15
Sol. E-8) La mejor aproximacin es simplemente su proyeccin sobre el plano. Por tanto se trata del
mismo ejercicio b) anterior, cuya solucin es 4 , 37 , 26 .
3 15 15
Sol. E-9) Aplicamos el proceso de Gram-Schmidt para hallar primero una base ortogonal a1 , a2 .
a1 = u = (0,1,0)
3
0 1 0 2
1
a2 = v proy a1 (v) = (3,2,1) (0,1,0) = (3,2,1) 2 (0,1,0) = (3,0,1)
0
0 1 0 1
0

Ahora normalizamos a1 y a2 para obtener la base ortonormal b1, b2 :

a1 ya tiene norma 1 , luego b1 = a1 = (0,1,0)
a2 3 1
a2 tiene norma 32 02 +12 10 , luego b2 = = , 0,
10 10 10
3 1
Por tanto la base ortonormal pedida, es : (0,1,0) , , 0,
10 10

1 0

E-10) a) Formamos la matriz con la base de S en columnas: A=
0 2
Sol.
-1 0

1 3
As, la matriz de proyeccin sobre el subespacio S es:
13/30 - 1/5 - 13/30 2/15

t
P = A (A A)
1 t
A = - 1/5 2/5 1/5 2/5
- 13/30 1/5 13/30 - 2/15

2/15 2/5 - 2/15 11/15
b) Para proyectar sobre S, podemos usar la matriz de proyeccin que hemos calculado.
13/30 - 1/5 - 13/30 2/15 0 2 3

proy S (v) =
- 1/5 2/5 1/5 2/5 0 2
- 13/30 1/5 13/30 - 2/15 0 -2 3

2/15 2/5 - 2/15 11/15 5 11 3
por tanto, proy S (v) = , 2,

2 -2 11
,
3 3 3
(Nota: tambin se podra hacer mediante la frmula de la proyeccin, pero primero habra
que hallar una base ortogonal de S, pues la del enunciado no lo es.)
Sol. E-11) a) Primero hay que expresar v como suma de dos componentes:
v = v1 + v2 con v1 en la direccin de (2,1) , y v2 ortogonal a (2,1).
2 1 34
v1 = proy (2,1) (v) =
(2,1) = 10 (2,1) = (4,2) esta es la componente v1
2 5
2 1

1
La componente ortogonal es v2 = v (4,2) = (3,4) (4,2) = (1, 2)

Por tanto v = v1 + v2 = (4,2) + (1, 2)
y el simtrico es v = v1 v2 = (4,2) (1, 2) = (5, 0)
base altura 2 (4,2) (-1,2) 2 20 5

b) rea = = = = 10 unidades2.
2 2 2

Sol. E-12) Primero hay que hallar el mdulo de f, que es f f (usando el producto escalar dado)
1 1 1
f(x) f(x) dx = x
1
2 2 4 x5 1 1
ff= x dx = x dx = = luego | f | = f f =
0 0 0 5 0 5 5
f
Ahora para normalizar f, lo dividimos por su mdulo: = 5 f= 5 x2
1 5
2
Por tanto la funcin normalizada es: g(x) = 5 x
Sol. E-13) La mejor aproximacin es la proyeccin. Por tanto hay que proyectar f sobre g.
2 2
g f

0
g(x) f(x) dx x ( 2x + 1) dx
0 22 3 11
proy g (f) = g= 2
g= 2
x = x = x
g g 8 3 4
g(x) g(x) dx
0
x x dx
0
11
La mejor aproximacin es por tanto la funcin h(x) = x
4
3 1
Sol. E-14) a) Escalonando, se ve que la matriz de coeficientes del sistema A= 1 1 tiene rango 2,

1 3

3 1 4
mientras que la matriz ampliada 1 1 3 tiene rango 3. Por tanto el sistema es incompatible, ha

1 3 7

de resolverse por mnimos cuadrados.
Como las columnas de A son linealmente independientes, podemos calcular la solucin

directamente como:
11
4 7 1 1 4 8
t 1 t 24 6 24
(A A) A 3 = 3 =
7 1 1 7 7 11
24 6 24

8
11 11
As pues, la solucin del sistema, aproximada por mnimos cuadrados, es x = , y= .
8 8
2
11 2
4 11 2
b) Error cuadrtico: 3 - A 8 = 0 =
121
11 2
7 8 11 2

ALFABETO GRIEGO
Mayscula Minscula Nombre Equivalencia en castellano
! " Alfa A
# $ Beta B
% & Gamma G suave, como en gato
' ( Delta D
) * psilon E breve
+ , Zeta DS
(pronunciado dseta)
- . Eta E larga
/ 0 Theta Z
(pronunciado zeta)
1 2 Iota I
3 4 Kappa K
5 6 Lambda L
7 Mu M
8 9 Nu N
: ; Xi X
< = micron O breve
> ? Pi P
@ A Ro R
B C, D Sigma S
E F Tau T
Y G Ypsilon entre I y U
(como la u francesa)
H I Phi o Fi F
X J Ji J
K L Psi PS
M N Omega O larga
Neila Campos Dpto. de Matemtica Aplicada y CC. de la Computacin

Universidad de Cantabria

Álgebra Lineal Notas

Caricato da

Informazioni sul documento

Descrizione originale:

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

Álgebra Lineal Notas

Caricato da

Copyright:

Formati disponibili

APUNTES DE LGEBRA LINEAL

POR NEILA CAMPOS

DPTO. DE MATEMTICA APLICADA Y CIENCIAS DE LA COMPUTACIN

http:// personales.unican.es / camposn

1) Escribir el sistema en forma matricial Ax = b.

4) En el caso de S.C.I., identificar las incgnitas principales, correspondientes a las

5) Las restantes incgnitas han de pasar al segundo miembro como parmetros

Matriz ampliada: ( 2 3 1 | 4), ya est escalonada.

x Podemos sumar dos vectores y obtenemos otro vector;

Propiedades de la suma de vectores.

Propiedades del producto de un vector por un escalar.

x Existe un elemento unidad: el escalar 1, tal que 1 v = v para cualquier vector v.

Definicin: espacio vectorial.

Neila Campos LGEBRA LINEAL Espacios Vectoriales 1

1) El espacio n , formado por los vectores de n componentes (x1, . . .,xn) es un espacio

No es un espacio vectorial complejo, pues no podemos multiplicar por escalares complejos

2) Consideremos el conjunto 2 de los polinomios de grado b 2 con coeficientes reales:

No es un espacio vectorial complejo, pues al multiplicar por un escalar complejo el resultado

3) Consideremos el conjunto G de los polinomios de grado = 3 (exactamente 3) con

No es un espacio vectorial (real ni complejo), pues al sumar dos elementos de G, no est

Pertenecen a G, pues su grado es 3. Pero su suma es p+q = 2x2+2x+2 que no pertenece a

Neila Campos LGEBRA LINEAL Espacios Vectoriales 2

5) Consideremos el conjunto MC de las matrices 2x3 con trminos complejos.

Tambin es un espacio vectorial complejo, pues podemos multiplicar una matriz de MC

(Comprubese con elementos genricos).

6) Consideremos el conjunto ME de las matrices 3x2 con trminos enteros.

a c a' c' a+a' c+c'

7) El conjunto  de los nmeros complejos se puede considerar como un espacio vectorial

x Suma: (a+bi ) + (c+di ) = (a+c) + (b+d)i, que es otro nmero complejo.

Neila Campos LGEBRA LINEAL Espacios Vectoriales 3

8) El conjunto de las funciones continuas definidas en : Se pueden sumar dos funciones,

Si sumamos dos funciones continuas, el resultado es otra funcin continua. Si multiplicamos

Por tanto se trata de un espacio vectorial real.

Veamos cmo el espacio 2 = { polinomios de grado b 2 } puede identificarse con 3 : cada

Esto hace posible efectuar las operaciones en n en lugar de otros espacios.

Neila Campos LGEBRA LINEAL Espacios Vectoriales 4

2) El plano XY es un subespacio de 3 . Est formado por los vectores de la forma (x,y,0).

Podemos decir que este plano es como 2 pero incluido en 3 .

Neila Campos LGEBRA LINEAL Espacios Vectoriales 5

4) En el espacio 2 = { polinomios de grado b 2 }, el conjunto de los polinomios de grado b1

5) En 2 = { matrices 2x2 }, el conjunto de las matrices simtricas

a b a' b' a+a' b+b'

6) Geomtricamente, losK subespacios vectoriales de 2 y 3 son rectas, planos, y slo uno

Descripcin de los subespacios de *n.

Neila Campos LGEBRA LINEAL Espacios Vectoriales 6

x De la forma implcita a la paramtrica: Basta considerar las ecuaciones implcitas como

2) En 3, dado el subespacio en paramtricas { (DEDE) : DE }, su forma implcita

3) En 3, dado el subespacio en paramtricas { (OOO) : O }, para describirlo en

5) El subespacio cero y el subespacio total constituyen un caso especial. Por ejemplo

Neila Campos LGEBRA LINEAL Espacios Vectoriales 7

Comprobar esta relacin en los ejemplos anteriores.

Veamos cmo reconocer si un subespacio est incluido en otro:

- En forma implcita: Si las ecuaciones de B estn incluidas en las de A, entonces A B.

Neila Campos LGEBRA LINEAL Espacios Vectoriales 8

2) En 3, sean los siguientes subespacios dados en paramtricas:

A= { (O) : O } b= { (DE) : DE }

OPERACIONES CON SUBESPACIOS

La interseccin, indicada por el smbolo , puede aplicarse a S

Neila Campos LGEBRA LINEAL Espacios Vectoriales 9

La forma ms sencilla (aunque no la nica) de calcular ST es utilizar la expresin implcita

En todo caso, resolviendo este sistema obtenemos la forma paramtrica de ST.

1) Sean en 3 los subespacios S=plano XY, T=plano XZ.

2) Consideremos el conjunto 2 de los polinomios de grado b 2 con coeficientes reales:

7) El conjunto de los nmeros complejos se puede considerar como un espacio vectorial

Veamos cmo el espacio 2 = { polinomios de grado b 2 } puede identificarse con 3 : cada

4) En el espacio 2 = { polinomios de grado b 2 }, el conjunto de los polinomios de grado b1

5) En 2 = { matrices 2x2 }, el conjunto de las matrices simtricas

2) En 3, dado el subespacio en paramtricas { (DEDE) : DE }, su forma implcita

3) En 3, dado el subespacio en paramtricas { (OOO) : O }, para describirlo en

A= { (O) : O } b= { (DE) : DE }

4) Obtener un sistema generador del subespacio S={ (OPOP) : OP } de 3 .