Lineal 2

ALGEBRA LINEAL
PARA QU
IMICA
ALGEBRA LINEAL
PARA QU
IMICA
Almera, 2006
Contenido
1 Introduccion a los sistemas de ecuaciones lineales 5
1.1 El metodo de Gauss de resolucion de sistemas . . . . . . . . . . . . . 5
1.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Matrices y determinantes 9
2.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Matrices escalonadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Matrices equivalentes y semejantes . . . . . . . . . . . . . . . . . . . 16
2.4 Dependencia e independencia lineal. Rango de una matriz . . . . . . 17
2.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 Calculo de la inversa de una matriz por adjuntos . . . . . . . . . . . . 23
2.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Sistemas de ecuaciones lineales. Teorema de Rouche-Frobenius 43
3.1 Ecuacion matricial de un sistema de ecuaciones lineales . . . . . . . . 43
3.2 Teorema de Rouche-Frobenius . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Resolucion de sistemas de Cramer . . . . . . . . . . . . . . . . . . . . 45
3.4 Soluciones de un sistema compatible indeterminado . . . . . . . . . . 47
3.5 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Introduccion a los espacios vectoriales 59
4.1 Vectores en el espacio real n-dimensional . . . . . . . . . . . . . . . . 59
4.2 Combinaciones lineales y dependencia lineal . . . . . . . . . . . . . . 60
4.3 Producto escalar, norma y distancia . . . . . . . . . . . . . . . . . . . 63
4.3.1

Angulos y proyecciones . . . . . . . . . . . . . . . . . . . . . . 64
4.4 Notacion ijk para vectores de R
3
. . . . . . . . . . . . . . . . . . . . . 65
4.4.1 Producto vectorial . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5 Vectores complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6 Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5 Espacios vectoriales 71
5.1 Denicion de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Subespacio generado por un conjunto . . . . . . . . . . . . . . . . . . 72
1
2 CONTENIDO
5.4 Suma y suma directa de subespacios . . . . . . . . . . . . . . . . . . 74
5.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.6 Ecuaciones de un cambio de base . . . . . . . . . . . . . . . . . . . . 78
5.7 Ecuaciones parametricas de un subespacio . . . . . . . . . . . . . . . 80
5.8 Ecuaciones cartesianas de un subespacio . . . . . . . . . . . . . . . . 81
5.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6 Aplicaciones lineales 119
6.1 Denicion y primeras propiedades . . . . . . . . . . . . . . . . . . . . 119
6.2 Ecuaciones de un homomorsmo . . . . . . . . . . . . . . . . . . . . . 122
6.3 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
7 Diagonalizacion de matrices 149
7.1 Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . 149
7.2 Interpretaci on matricial . . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.3 El teorema fundamental . . . . . . . . . . . . . . . . . . . . . . . . . 152
7.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8 Ortogonalidad y mnimos cuadrados 167
8.1 Espacios con producto interno, norma y distancia . . . . . . . . . . . 167
8.2

Angulo entre vectores, ortogonalidad . . . . . . . . . . . . . . . . . . 168
8.2.1 Conjuntos ortonormales . . . . . . . . . . . . . . . . . . . . . 169
8.3 El teorema de la mejor aproximaci on . . . . . . . . . . . . . . . . . . 171
8.4 Problemas de mnimos cuadrados . . . . . . . . . . . . . . . . . . . . 172
8.5 Ajuste de datos experimentales . . . . . . . . . . . . . . . . . . . . . 173
8.5.1 La media aritmetica . . . . . . . . . . . . . . . . . . . . . . . 173
8.5.2 Ajuste de una recta a una serie de puntos . . . . . . . . . . . 173
8.5.3 Ajuste por mnimos cuadrados a una parabola . . . . . . . . . 174
8.6 Aproximaci on de funciones a polinomios . . . . . . . . . . . . . . . . 175
8.7 Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9 Matrices simetricas y formas cuadraticas 181
9.1 Diagonalizacion ortogonal . . . . . . . . . . . . . . . . . . . . . . . . 181
9.2 Aplicaciones del Teorema Espectral . . . . . . . . . . . . . . . . . . . 182
9.2.1 La descomposicion en valores singulares . . . . . . . . . . . . . 182
9.2.2 Formas Cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . 183
9.2.3 Clasicacion de formas cuadraticas . . . . . . . . . . . . . . . 184
9.2.4 Conicas en IR
2
. . . . . . . . . . . . . . . . . . . . . . . . . . 184
9.3 Problemas resueltos y propuestos . . . . . . . . . . . . . . . . . . . . 188
10 Practicas de Mathematica 195
10.1 Practica 1: Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . 195
10.2 Practica 2: Determinantes y sistemas de ecuaciones . . . . . . . . . . 200
10.3 Practica 3: Primeros calculos con vectores . . . . . . . . . . . . . . . 207
10.4 Practica 4: Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . 222
CONTENIDO 3
10.5 Practica 5: Espacios vectoriales II . . . . . . . . . . . . . . . . . . . . 227
10.6 Practica 6: Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . 232
10.7 Practica 7: Problemas de repaso . . . . . . . . . . . . . . . . . . . . . 239
10.8 Practica 8: Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . 244
4 CONTENIDO
Captulo 1
Introduccion a los sistemas de
ecuaciones lineales
1.1 El metodo de Gauss de resolucion de sistemas
Daremos inicio al curso haciendo una breve introduccion a la teora de sistemas de
ecuaciones lineales, recordando el metodo de Gauss para la resolucion de los mismos,
que ya es conocido por el alumno desde los cursos pre-universitarios.
Comenzaremos, por supuesto, por la denicion de sistema de ecuaciones lineales.
Denicion 1.1.1 Una ecuacion lineal en IR con incognitas x
1
, . . . , x
n
es una ecua-
cion del tipo
a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b,
en donde tanto a
i
, i = 1, . . . , n como b son n umeros reales. Es decir, una ecuacion
lineal en las variables x
1
, . . . , x
n
se construye multiplicando cada variable por un
escalar (un n umero real), sumando todas estas multiplicaciones e igualando a otro
n umero real.
Un sistema de m ecuaciones lineales con n incognitas es un conjunto de m ecua-
ciones lineales todas ellas construidas a partir de las mismas n variables, es decir,
es un sistema de la forma:
_
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
en donde a
ij
IR y b
i
IR. A los n umeros a
ij
se les llama coecientes del sistema,
y a los n umeros b
i
terminos independientes.
Una n-upla (t
1
, ..., t
n
) IR
n
es una solucion del sistema si satisface las m ecua-
ciones de este.
Resolver un sistema es determinar el conjunto de todas las soluciones del mismo.
5
6 CAP
ITULO 1. INTRODUCCI
ON A LOS SISTEMAS DE ECUACIONES

Ejemplos. La ecuacion 3x + 5y + 7z = 8 es una ecuacion lineal en tres variables.
La ecuacion 3x + 5y + 7 = 8 tambien es una ecuacion lineal (en dos variables) pues
puede escribirse de la forma 3x + 5y = 1. Sin embargo la ecuacion 3x
2
+ 5y = 2 no
es lineal, puesto que aparece termino no lineal (x
2
). La ecuacion 3 senx + 5y = 9
tampoco es lineal.
Los sistemas de ecuaciones lineales se clasican de la siguiente forma, en funcion
del n umero de soluciones que posean:
Sistemas incompatibles No tienen ninguna solucion
Sistemas compatibles
_
Determinados Tienen una unica solucion
Indeterminados Tienen innitas soluciones
Denicion 1.1.2 Dos sistemas de ecuaciones lineales se dice que son equivalentes
cuando tienen el mismo conjunto de soluciones.
Uno de los metodos clasicos de calculo de las soluciones de un sistema de ecua-
ciones lineales es el conocido metodo de Gauss, que consiste en transformar el sis-
tema de ecuaciones en un sistema equivalente mas sencillo por medio de una serie
de operaciones con las ecuaciones. Aplicando estas operaciones a las ecuaciones de
manera sucesiva se llega a un sistema lo mas sencillo posible que pueda ser resuelto
rapidamente. Este metodo sera ilustrado con un ejemplo, pero antes recordemos
cuales son las operaciones que pueden aplicarse a las ecuaciones de un sistema para
obtener un sistema equivalente:
a) Se puede multiplicar cualquiera de las ecuaciones por un n umero real no nulo
arbitrario.
b) Se puede sumar a cualquier ecuacion un m ultiplo de cualquier otra ecuacion
del sistema.
c) Se pueden intercambiar las posiciones de las ecuaciones.
Ejemplo. Discutamos y resolvamos el sistema de ecuaciones lineales
y + 3z = 1
x + 2y + 3z = 7
3x 2y 7z = 2
_
_
En primer lugar localizamos una ecuacion de forma que el coeciente de la primera
variable (en este caso la x) sea no nulo, y a ser posible 1. Observamos que en la
segunda ecuacion del sistema el coeciente de x es uno, as que intercambiamos las
ecuaciones primera y segunda, obteniendo
x + 2y + 3z = 7
y + 3z = 1
3x 2y 7z = 2
_
_
1.1. EL M
ETODO DE GAUSS DE RESOLUCI
ON DE SISTEMAS 7
Seguidamente, aplicando las operaciones explicadas anteriormente, calculamos un
sistema de ecuaciones en el que la variable x solo aparezca en la primera ecuacion.
En este caso en la segunda ecuacion no aparece ya la variable x, por lo que solo
tenemos que trabajar con la tercera ecuacion. De esta forma, vemos que restando a
la tercera ecuacion el resultado de multiplicar la primera ecuacion por 3 obtenemos
x + 2y + 3z = 7
y + 3z = 1
8y 16z = 19
_
_
,
y que en este sistema la x solo aparece en la primera ecuacion.
Repitiendo este argumento, hacemos cero el coeciente de la y en la tercera
ecuacion, para lo cual sumamos a la tercera ecuacion el resultado de multiplicar la
segunda ecuacion por 8. Obtenemos:
x + 2y + 3z = 7
y + 3z = 1
8z = 11
_
_
.
El metodo de Gauss llega hasta este punto, y a partir de aqu se calcula facilmente
la solucion de z, despues la de y y por ultimo la de x. No obstante, observamos que
repitiendo el mismo argumento que hemos aplicado hasta ahora podemos hacer ceros
los coecientes de y y de z en la primera ecuacion y el de z en la segunda, lo cual nos
proporciona directamente la solucion del sistema. Procederemos pues de la siguiente
forma: a partir del sistema anterior hacemos cero el coeciente de z en las ecuaciones
primera y segunda. Para ello multiplicamos la tercera ecuacion por 1/8, obteniendo
x + 2y + 3z = 7
y + 3z = 1
z =
11
8
_
_
y despues restamos a la segunda ecuacion tres veces la tercera, y a la primera tambien
tres veces la tercera
x + 2y =
89
8
y =
41
8
z =
11
8
_
_
.
Finalmente, si restamos a la primera ecuacion dos veces la segunda, llegamos al
sistema
x =
7
8
y =
41
8
z =
11
8
_
_
,
cuya solucion viene ya dada.
8 CAP
ITULO 1. INTRODUCCI
ON A LOS SISTEMAS DE ECUACIONES

1.2 Ejemplo
Problema 1 Discuta en IR el siguiente sistema seg un los distintos valores de los
parametros a y b.
ax + by + z = 0
x + ay + bz = 0
ax + by + az = a
_
_
Calcule la solucion del sistema en los casos en que exista.
Solucion. Escalonemos el sistema:
ax +by +z = 0
x +ay +bz = 0
ax +by +az = a
_
_
(1)
x +ay +bz = 0
ax +by +z = 0
ax +by +az = a
_
_
(2)
x +ay +bz = 0
(b a
2
)y + (1 ab)z = 0
(b a
2
)y + (a ab)z = a
_
_
(3)
x +ay +bz = 0
(b a
2
)y + (1 ab)z = 0
(a 1)z = a
_
_
().
Operaciones realizadas
(1) Ec 1 Ec 2.
(2) Ec 2 aEc 1, Ec 3 aEc 1.
(3) Ec 3 Ec 2.
Vemos claramente que para a ,= 1 y a
2
,= b el sistema sera compatible determinado
y su solucion
z =
a
a 1
, y =
(ab 1)a
(a 1)(b a
2
)
, x =
a
1 a
.
Si a = 1 el sistema sera incompatible como demuestra la ultima la de la matriz
().
Por ultimo, si a
2
= b y a ,= 1 observamos que z =
a
a1
y (1 a
3
)
a
a1
= 0, es decir,
a
2
+ a + 1 = 0 o a = 0. Las races de la ecuacion x
2
+ x + 1 = 0 no son reales, por
tanto el caso a
2
+a + 1 = 0 no lo tendremos en cuenta. Por tanto si a
2
= b y a ,= 1:
a) si a = 0 entonces el sistema es compatible indeterminado, b) si a ,= 0 entonces el
sistema es incompatible.
Debemos calcular la solucion en el caso a).
Si a = 0, como a
2
= b tambien b = 0, as, la solucion sera z = x = 0, y = ( es
lo que se llama un parametro).
Captulo 2
Matrices y determinantes
2.1 Matrices
Comenzamos este tema dando la denicion formal de un concepto ya familiar para
el alumno: el de matriz, para lo cual recordamos que un cuerpo K es un conjunto
con dos operaciones (suma, +, y producto, ) de forma que (K, +) y (K 0, )
son grupos abelianos (es decir, las operaciones internas cumplen las propiedades
asociativa, conmutativa, existencia de elemento neutro o identidad y de opuesto
o inverso) y se tiene la distributividad del producto respecto de la suma, esto es,
a(b +c) = ab +ac, a, b, c K.
Los ejemplos de cuerpos que tendremos mas presentes seran IR y I C, aunque
tambien resultan bastante familiares I Q y ZZ
p
con p primo.
Denicion 2.1.1 Sean I = 1, 2, ..., m, J = 1, 2, ..., n dos conjuntos nitos. Una
matriz de orden mn sobre un cuerpo K es una aplicacion A : I J K.
Si denotamos a
ij
= A(i, j) K, la matriz A suele ser representada gracamente
de la forma A = (a
ij
)
mn
, o lo que es lo mismo
A =
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
.
A es una matriz de m las y n columnas.
Denotaremos por /
mn
(K) al conjunto de todas las matrices mn sobre K y
por /
n
(K) al conjunto de todas las matrices cuadradas de orden n (es decir, con n
las y n columnas) sobre K.
Dos matrices A = (a
ij
), B = (b
ij
) son iguales si todas sus entradas son iguales,
es decir, A = B si a
ij
= b
ij
i, j.
La matriz nula es aquella cuyas entradas son todas 0.
9
10 CAP
ITULO 2. MATRICES Y DETERMINANTES

En el conjunto de matrices /
mn
(K) se denen las siguientes operaciones:
a) Suma:
(a
ij
) + (b
ij
) = (a
ij
+b
ij
), (a
ij
), (b
ij
) /
mn
(K).
b) Producto por escalares:
r(a
ij
) = (ra
ij
), r K, (a
ij
) /
mn
(K).
Dadas dos matrices A = (a
ik
)
mp
y B = (b
kj
)
pn
, denimos su producto como:
AB = (c
ij
)
mn
, donde c
ij
=
p
k=1
a
ik
b
kj
.
Ejemplo. Consideremos las matrices
A =
_
1 4
3 5
_
, B =
_
4 7
1 2
_
y el n umero real 8. La suma de las matrices A y B se consigue sumando cada
(i, j)-entrada de A con la (i, j)-entrada de B, es decir,
A +B =
_
1 + 4 4 + 7
3 + 1 5 + 2
_
=
_
5 11
4 7
_
.
El producto del escalar 8 por la matriz A se desarrolla multiplicando 8 por cada
una de las entradas de A, es decir,
8 A =
_
8 1 8 4
8 3 8 5
_
=
_
8 32
24 40
_
.
De la misma manera
8 B =
_
8 4 8 7
8 1 8 2
_
=
_
32 56
8 16
_
Calculemos nalmente el producto de A y B. Seg un la formula dada anterior-
mente para el producto de matrices tenemos que
_
a
11
a
12
a
21
a
22
_
_
b
11
b
12
b
21
b
22
_
=
_
a
11
b
11
+a
12
b
21
a
11
b
12
+a
12
b
22
a
21
b
11
+a
22
b
21
a
21
b
12
+a
22
b
22
_
,
que en nuestro caso particular resultara
A B =
_
1 4
3 5
_
_
4 7
1 2
_
=
_
1 4 + 4 1 1 7 + 4 2
3 4 + 5 1 3 7 + 5 2
_
=
_
8 15
17 31
_
.
Existe una matriz que verica la propiedad del elemento neutro para el producto
de matrices. Dicha matriz es aquella cuyas entradas en la diagonal principal (la
diagonal principal esta formada por los elementos de la matriz que ocupan la posicion
2.1. MATRICES 11
(i, i), i = 1, 2, ..., n) son todas 1, es decir, a
ii
= 1 para todo i, y el resto de las entradas
son todas 0, es decir, la matriz
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
.
Esta matriz a la que estamos haciendo referencia se conoce con el nombre de
matriz identidad. Cuando el tama no de la matriz es n, esta se denota por I
n
. Por
tanto tenemos que dada cualquier matriz A de tama no m n, A I
n
= A, y dada
cualquier matriz B de tama no n m, I
n
B = B.
Denicion 2.1.2 Una matriz cuadrada A /
n
(K) se dice que es regular o in-
versible si existe B /
n
(K) tal que AB = BA = I
n
. La matriz B recibe el nombre
de inversa de A y se denota por A
1
.
Ejemplo. Si consideramos las matrices A =
_
1 2
0 1
_
y B =
_
1 2
0 1
_
, podemos
comprobar que
_
1 2
0 1
_
_
1 2
0 1
_
=
_
1 0
0 1
_
,
es decir, que B = A
1
.
Proposicion 2.1.3 Sean A, B /
n
(K) dos matrices regulares. Se verican en-
tonces las siguientes armaciones:
i) (A
1
)
1
= A.
ii) AB tambien es regular, y (AB)
1
= B
1
A
1
.
iii) I
n
es regular e I
1
n
= I
n
.
Denicion 2.1.4 Dada una matriz A = (a
ij
) /
mn
(K), se dene su transpuesta
como la matriz A
t
= (a
ji
), es decir, la matriz que se obtiene poniendo las las de A
como columnas. Es claro entonces que A
t
/
nm
(K).
Diremos que una matriz cuadrada A /
n
(K) es:
a) simetrica si A
t
= A;
b) antisimetrica si A = A
t
;
c) ortogonal si A
1
= A
t
.
A =
_
_
_
_
_
1 3 5 3
3 7 2 1
5 2 4 2
3 1 2 7
_
_
_
_
_
, B =
_
_
_
_
_
0 3 5 3
3 0 2 1
5 2 0 2
3 1 2 0
_
_
_
_
_
y C =
_
0 1
1 0
_
.
12 CAP

Las matrices transpuestas de A, B y C respectivamente son:
A
t
=
_
_
_
_
_
1 3 5 3
3 7 2 1
5 2 4 2
3 1 2 7
_
_
_
_
_
, B
t
=
_
_
_
_
_
0 3 5 3
3 0 2 1
5 2 0 2
3 1 2 0
_
_
_
_
_
y C
t
=
_
0 1
1 0
_
.
Tenemos entonces que A = A
t
y que B = B
t
, por lo que A y C son matrices
simetricas y B es una matriz antisimetrica. Ademas, es facil comprobar que C
1
= C,
es decir,
C
1
=
_
0 1
1 0
_
,
por lo que vemos que C = C
t
y por lo tanto que C es una matriz ortogonal.
La siguiente proposicion expresa algunas propiedades interesantes referentes a la
transposicion de matrices.
Proposicion 2.1.5 Sean A, B /
mn
(K). Entonces:
a) (A +B)
t
= A
t
+B
t
,
b) (rA)
t
= rA
t
, r K.
c) (A
t
)
t
= A.
d) (AB)
t
= B
t
A
t
. En particular si C /
n
(K) es regular, (C
1
)
t
= (C
t
)
1
.
e) El conjunto de matrices ortogonales de orden n, O
n
(K), es un subgrupo del
grupo de matrices regulares de orden n, GL
n
(K).
2.2 Matrices escalonadas
Denicion 2.2.1 Una matriz A = (a
ij
) /
mn
(K) se dice que esta en forma
escalonada si existen entradas no nulas a
1k
1
, a
2k
2
,..., a
tk
t
, con k
i
< k
i+1
i =
1, 2, ..., t, tales que a
ik
= 0 siempre que i t y k < k
i
, o bien, i > t.
Los elementos a
1k
1
, a
2k
2
,..., a
tk
t
, son denominados entradas principales no nulas
de la matriz A.
Ejemplos. La matriz
A =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 2
_
_
_
esta en forma escalonada, y las entradas no nulas a
ik
i
a las que haca referencia la
denicion anterior son a
11
= 1, a
23
= 1 y a
35
= 2.
La matriz
B =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 2 0 2
_
_
_
2.2. MATRICES ESCALONADAS 13
NO esta en forma escalonada porque la (2, 3)-entrada de B (b
23
) y la (3, 3)-entrada de
B son ambas no nulas (dado que b
23
,= 0, para que B estuviera en forma escalonada
necesitaramos que b
31
= b
32
= b
33
= 0). Por la misma razon, la matriz
C =
_
_
_
1 2 7 2 0
0 0 1 3 2
1 0 0 0 2
_
_
_
tampoco esta en forma escalonada.
Denicion 2.2.2 Una matriz escalonada A = (a
ij
) /
mn
(K) con entradas prin-
cipales no nulas a
1k
1
, a
2k
2
,..., a
tk
t
, se dice que esta en forma canonica por las si
a
ik
i
= 1 para i = 1, 2, ..., t, y si todos los elementos de la columna k
i
-esima son cero
excepto a
ik
i
, i = 1, 2, ..., t.
Ejemplos. La matriz
A =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 2
_
_
_
no esta en forma canonica por las ya que sus entradas principales no nulas no son
todas 1 (a
35
= 2).
La matriz
B =
_
_
_
1 2 7 2 0
0 0 1 3 2
0 0 0 0 1
_
_
_
tampoco esta en forma canonica por las, ya que, aunque sus entradas principales
no nulas (a
11
, a
23
y a
35
) son todas 1, las columnas en las que se encuentran estas
entradas no tienen el resto de sus elementos 0, as, la columna tres (en la que se
encuentra la entrada principal no nula a
23
) tiene una entrada (distinta de la (2, 3))
no nula, que es la (1, 3). Tambien la columna cinco tiene una entrada no nula (la
(2, 5)) ademas de la entrada principal no nula correspondiente (que es la (3, 5)).
Sin embargo la matriz
C =
_
_
_
1 2 0 2 0
0 0 1 3 0
0 0 0 0 1
_
_
_
s esta en forma canonica por las.
A cualquier matriz se le pueden aplicar una serie de operaciones por las, que co-
inciden exactamente con las operaciones que en el tema anterior efectuabamos sobre
las ecuaciones de un sistema de ecuaciones lineales, y por un metodo completamente
analogo al de Gauss obtener una matriz escalonada y una matriz que se encuentre
en forma canonica por las. Las operaciones por las permitidas para obtener
14 CAP

una matriz escalonada o en forma canonica por las a partir de una matriz dada se
llaman operaciones elementales por las, y son las siguientes:
1) Intercambiar dos las de la matriz. A la operacion de intercambiar las las
i-esima y j-esima se suele denotar por
F
i
F
j
.
2) Multiplicar una la de la matriz por un escalar cualquiera no nulo. Si deseamos
multiplicar la la i-esima por el escalar t denotaremos a esta operacion por
tF
i
.
3) Sumar a una la un m ultiplo cualquiera (no nulo) de otra la. Si queremos
sustituir la la i-esima por el resultado de sumarle a esta misma la la j-esima
multiplicada por a, escribiremos
F
i
+aF
j
.
Denicion 2.2.3 Diremos que dos matrices A, B /
mn
(K) son equivalentes
por la si una puede ser transformada en la otra por medio de una sucesion de
operaciones elementales de la.
Una matriz puede ser equivalente por las a distintas matrices en forma escalo-
nada. Sin embargo, toda matriz es equivalente por las a una unica matriz en forma
canonica por las. Resumimos lo dicho en la siguiente
Proposicion 2.2.4 a) Por medio de la reduccion Gaussiana, toda matriz A es e-
quivalente por las a otra en forma escalonada.
b) Toda matriz A es equivalente por las a una unica matriz en forma canonica
por las.
Ejemplo. Reduzcamos la matriz
A =
_
_
_
_
_
1 8 2 7
2 16 3 5
9 72 4 1
3 24 1 9
_
_
_
_
_
a forma escalonada.
_
_
_
_
_
1 8 2 7
2 16 3 5
9 72 4 1
3 24 1 9
_
_
_
_
_
(1)
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 14 62
0 0 5 12
_
_
_
_
_
(2)
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 14 62
0 0 5 12
_
_
_
_
_
(3)
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 44
0 0 0 39/7
_
_
_
_
_
(4)
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 1
_
_
_
_
_
(5)
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 0
_
_
_
_
_
.
2.2. MATRICES ESCALONADAS 15
(1) F
2
2F
1
, F
3
9F
1
y F
4
3F
1
.
(2) (1)F
2
, (1)F
3
y (1)F
4
.
(3) F
3
2F
1
y F
4
5
7
F
2
.
(4)
1
44
F
3
y
7
39
F
4
.
(5) F
4
F
3
.
La matriz que hemos obtenido ya esta en forma escalonada. Sigamos reduciendola
hasta obtener la forma canonica por las.
_
_
_
_
_
1 8 2 7
0 0 7 9
0 0 0 1
0 0 0 0
_
_
_
_
_
(6)
_
_
_
_
_
1 8 2 0
0 0 7 0
0 0 0 1
0 0 0 0
_
_
_
_
_
(7)
_
_
_
_
_
1 8 2 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
(8)
_
_
_
_
_
1 8 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
.
(6) F
2
9F
3
y F
1
7F
3
.
(7)
1
7
F
2
.
(8) F
1
2F
2
.
La ultima matriz obtenida es la forma canonica por las de A.
A continuaci on, exponemos un metodo para calcular la inversa de un matriz
cuadrada A /
n
(K), en el caso de que esta exista, que hace uso de lo dicho ante-
riormente: se considera la matriz B = (A[I
n
) perteneciente a /
n2n
(K). Despues,
se calcula la forma canonica por las de B. Si A es inversible, entonces su forma
canonica por las es I
n
, de manera que la forma canonica por las de B sera de la
forma (I
n
[C). La matriz inversa de A sera A
1
= C.
Ejemplo. Estudiemos si la matriz
_
_
_
1 2 5
0 2 3
0 3 5
_
_
_
es o no inversible, y caso de serlo, calculemos su inversa.
Consideramos la matriz
_
_
_
1 2 5
0 2 3
0 3 5
1 0 0
0 1 0
0 0 1
_
_
_
y calculamos su forma canonica por las.
_
_
_
1 2 5
0 2 3
0 3 5
1 0 0
0 1 0
0 0 1
_
_
_
(1)
_
_
_
1 2 5
0 1 3/2
0 3 5
1 0 0
0 1/2 0
0 0 1
_
_
_
(2)
16 CAP

_
_
_
1 2 5
0 1 3/2
0 0 1/2
1 0 0
0 1/2 0
0 3/2 1
_
_
_
(3)
_
_
_
1 2 5
0 1 3/2
0 0 1
1 0 0
0 1/2 0
0 3 2
_
_
_
(4)
_
_
_
1 2 0
0 1 0
0 0 1
1 15 10
0 5 3
0 3 2
_
_
_
(5)
_
_
_
1 0 0
0 1 0
0 0 1
1 5 4
0 5 3
0 3 2
_
_
_.
(1)
1
2
F
2
.
(2) F
3
3F
2
.
(3) 2F
3
.
(4) F
2
3
2
F
3
y F
1
5F
3
.
(5) F
1
2F
2
.
Deducimos entonces que A es inversible y que su inversa es la matriz
A
1
=
_
_
_
1 5 4
0 5 3
0 3 2
_
_
_.
2.3 Matrices equivalentes y semejantes
En esta parte del tema vamos a dar los conceptos de matrices equivalentes y
semejantes. Notemos que, a la luz de la denicion siguiente, la equivalencia entre
matrices es algo mas restrictivo que la equivalencia por las.
Denicion 2.3.1 Dos matrices A, B /
mn
(K) se diran equivalentes, y se re-
presentara por A B, si existen matrices cuadradas inversibles R, S tales que
B = R A S.
Dos matrices A, B /
n
(K) se diran semejantes, y se representara por A
s
B,
si existe una matriz inversible P /
n
(K) tal que B = P
1
AP.
Es facil observar que tanto la relacion como la relacion
s
son relaciones de
equivalencia en /
mn
(K) y /
n
(K) respectivamente.
Dos matrices A, B /
mn
(K) que sean equivalentes por las tambien son
equivalentes.
A =
_
_
_
1 2 3
1 1 2
1 2 1
_
_
_, B =
_
_
_
23 32 38
5 7 8
7 10 12
_
_
_ y C =
_
_
_
9 7 19
2 1 4
3 3 7
_
_
_.
Las matrices A y B son equivalentes pues la matrices
R =
_
_
_
1 3 5
0 1 1
0 1 2
_
_
_
2.4 DEPENDENCIA LINEAL. RANGO DE UNA MATRIZ 17
y
S =
_
_
_
1 2 1
0 0 1
1 1 1
_
_
_
son inversibles, de hecho
R
1
=
_
_
_
1 1 2
0 2 1
0 1 1
_
_
_
y
S
1
=
_
_
_
1 1 2
1 0 1
0 1 0
_
_
_,
y son tales que B = R A S.
Las matrices A y C son semejantes, pues, como ya hemos comentado, R es una
matriz inversible, y se puede comprobar que C = R A R
1
.
Puede comprobarse ademas que A y B (as como A y C) son equivalentes por
las, pues la forma canonica por las de A y la de B (as como la forma canonica
por las de C) son la misma.
2.4 Dependencia e independencia lineal. Rango
de una matriz
Los conceptos de dependencia e independencia lineal aparecen de manera natural
en el ambito de los espacios vectoriales, y se aplican a los vectores de los mismos.
Los espacios vectoriales seran estudiados en un tema posterior, en el que se trataran
estos conceptos con mas profundidad. Sin embargo, dichas nociones seran utilizadas
a la hora de trabajar con los sistemas de ecuaciones lineales, por lo que incluimos
en este momento una peque na seccion en la que damos una breve explicacion de la
dependencia e independencia lineal, siempre restringiendonos al caso de ecuaciones
y/o las o columnas de una matriz (aunque como veremos mas adelante, no existe
diferencia alguna).
Denicion 2.4.1 Sean x
1
, . . . , x
n
n las o columnas de una matriz, o n ecuaciones
de un sistema de ecuaciones lineales. Se dice que x
1
, . . . , x
n
son linealmente inde-
pendientes si, dados n escalares a
1
, . . . , a
n
K, la relacion
a
1
x
1
+ a
n
x
n
= 0
(notese que 0 indica una la o columna nula, es decir, todas sus entradas son cero,
o una ecuacion nula, es decir, una ecuacion que se satisface para todo valor que se
les de a las indeterminadas) se verica si y solo si todos los escalares son nulos, es
decir, a
1
= a
2
= = a
n
= 0.
Si x
1
, , x
n
no son linealmente independientes, entonces son linealmente depen-
dientes.
18 CAP

Ejemplos. 1. Supongamos que (1, 2, 3) y (1, 3, 7) son dos las de una matriz, y
estudiemos si son linealmente dependientes o independientes. Para ello multiplicamos
(1, 2, 3) y (1, 3, 7) por dos escalares a
1
y a
2
y consideramos la relacion
a
1
(1, 2, 3) +a
2
(1, 3, 7) = (0, 0, 0).
Desarrollando la relacion anterior obtenemos
a
1
(1, 2, 3) +a
2
(1, 3, 7) = (a
1
, 2a
1
, 3a
1
) + (a
2
, 3a
2
, 7a
2
) =
(a
1
+a
2
, 2a
1
+ 3a
2
, 3a
1
+ 7a
2
) = (0, 0, 0),
de donde deducimos que
a
1
+a
2
= 0
2a
1
+ 3a
2
= 0
3a
1
+ 7a
2
= 0
_
_
.
Si resolvemos el sistema anterior vemos que la unica solucion posible es a
1
= a
2
=
0, por lo que las dos las son linealmente independientes.
2. Estudiemos ahora la dependencia o independencia lineal de (3, 5, 3), (2, 7, 3) y
(5, 12, 6).
Consideramos en primer lugar la ecuacion
a
1
(3, 5, 3) +a
2
(2, 7, 3) +a
3
(5, 12, 6) = (0, 0, 0)
y procedamos igual que en el ejemplo anterior. Obtenemos
3a
1
+ 2a
2
+ 5a
3
= 0
5a
1
+ 7a
2
+ 12a
3
= 0
3a
1
+ 3a
2
+ 6a
3
= 0
_
_
,
cuya solucion es a
1
= a
3
, a
2
= a
3
. Vemos por tanto que existen valores no nulos
de a
1
, a
2
y a
3
que verican la ecuacion a
1
(3, 5, 3)+a
2
(2, 7, 3)+a
3
(5, 12, 6) = (0, 0, 0),
por lo que deducimos que (3, 5, 3), (2, 7, 3) y (5, 12, 6) son linealmente dependientes.
Denicion 2.4.2 Sea A /
nm
(K) una matriz cualquiera. Se llama rango de A,
y se denota por rg(A) o por r(A), al n umero de las linealmente independientes de
A.
A la luz de la denicion anterior, el rango de una matriz A se calcula estudiando
cuales son las las linealmente independientes de A. Sin embargo, se verica que
el n umero de las linealmente independientes de cualquier matriz coincide con el
n umero de columnas linealmente independientes de la misma, por lo que, para cal-
cular el rango de una matriz cualquiera, se puede calcular el n umero de las o de
2.5. DETERMINANTES 19
columnas que son linealmente independientes, que es exactamente el n umero de las
no nulas de la forma canonica por las de la matriz.
Ejemplo. El rango de la matriz
A =
_
_
_
1 4 3
2 3 3
4 11 9
_
_
_
es r(A) = 2, puesto que, por ejemplo, las dos primeras las son linealmente indepen-
dientes, pero las tres las juntas no lo son.
Otra forma de calcular el rango es la siguiente: si aplicamos a la matriz A las
operaciones F
2
2F
1
, F
3
4F
1
, F
3
F
2
, 1/5 F
2
, F
1
4F
2
, obtenemos su forma
canonica por las, que resulta ser
_
_
_
1 0 3/5
0 1 3/5
0 0 0
_
_
_.
Como vemos dicha forma canonica por las tiene dos las no nulas, por lo que el
rango de la matriz A debe ser dos.
2.5 Determinantes
Esta seccion esta dedicada al estudio de los determinantes de matrices. Nuestra
intenci on no es desarrollar el tema con rigor, ni dar los resultados y deniciones en
el ambito mas general posible, sino simplemente explicar como se calcula el deter-
minante de una matriz y cuales son sus propiedades mas interesantes, con el objeto
de poder utilizar esta herramienta posteriormente a la hora de estudiar sistemas de
ecuaciones lineales y los conceptos de dependencia e independencia lineal.
Dada una matriz cuadrada de cualquier orden sobre un cuerpo, por ejemplo
A = (a
ij
) /
n
(K), el determinante de A, que usualmente se denota por [A[ o
por det(A), es un elemento del cuerpo K que se puede calcular por medio de un
proceso recursivo denominado calculo de un determinante mediante el desarrollo de
Laplace. Este desarrollo se efect ua de la siguiente forma: si n = 1, es decir, si
la matriz A es una matriz 1 1, o lo que es lo mismo, un n umero, por ejemplo
A = (a), entonces det(A) = a. Si n > 1 denimos s
ij
= (1)
i+j
[A
ij
[, donde A
ij
es la submatriz de orden n 1 que resulta al suprimir la la i-esima y la columna
j-esima de A (al determinante [A
ij
[ se le denomina menor complementario de la
entrada a
ij
de A, y a s
ij
adjunto de a
ij
), y nalmente calculamos el determinante de
A como det(A) =
n
i=1
a
ij
s
ij
, j = 1, 2, ..., n (desarrollo de Laplace por la columna
j-esima), o bien como [A[ =

n
j=1
a
ij
s
ij
, i = 1, 2, ..., n (desarrollo de Laplace por
la la i-esima).
20 CAP

Ejemplos. 1. Para calcular el determinante de matriz
_
1 2
3 7
_
,
deberemos elegir una la o una columna, lo que mas nos interese, para llevar a
cabo el desarrollo de Laplace. Elijamos por ejemplo la primera la de la matriz.
Procederemos entonces de la siguiente forma:
1 2
3 7
= (1)
1+1
1 7 + (1)
1+2
2 3 = 7 6 = 1.
2. Consideremos ahora la matriz
A =
_
_
_
0 2 0
1 3 2
3 8 7
_
_
_.
Para calcular su determinante vemos que resulta mas sencillo realizar el desarrollo
de Laplace a partir de la la primera, ya que hay varios ceros y este hecho se traduce
en tener que calcular menos menores complementarios. Tenemos entonces
0 2 0
1 3 2
3 8 7
= (1)
1+1
0
3 2
8 7
+ (1)
1+2
2
1 2
3 7
+ (1)
1+3
0
1 3
3 8
=
2
1 2
3 7
.
Ahora bien, ya sabemos por el ejemplo anterior que
1 2
3 7
= 1,
por tanto
0 2 0
1 3 2
3 8 7
= 2 1 = 2.
Cuando una matriz es de tama no 2 2, su determinante puede ser calculado
mediante la siguiente formula:
a
11
a
12
a
21
a
22
= a
11
a
22
a
21
a
12
.
2.5. DETERMINANTES 21
Cuando la matriz A = (a
ij
) es de tama no 3 3, es decir A M
3
(K), entonces se
puede calcular det(A) mediante una regla sencilla conocida como regla de Sarrus:
det(A) =
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
=
a
11
a
22
a
33
+a
12
a
23
a
31
+a
21
a
32
a
13
a
31
a
22
a
13
a
32
a
23
a
11
a
21
a
12
a
33
.
Ejemplos. 1. Sabemos por ejemplos anteriores que
1 2
3 7
= 1.
Comprobemos que utilizando la formula dada anteriormente obtenemos el mismo
resultado:

1 2
3 7
= 1 7 3 2 = 7 6 = 1.
2. Calculemos ahora el determinante de la matriz
A =
_
_
_
0 2 0
1 3 2
3 8 7
_
_
_ /
3
(IR)
utilizando la regla de Sarrus.
[A[ = 0 3 7+2 2 3+1 8 03 3 08 2 01 2 7 = 0+12+00014 = 2.
A continuaci on exponemos algunas de las propiedades de los determinantes, para
lo cual suponemos que A es una matriz de orden n sobre K. Denotaremos por F
i
a
las las de A y por C
i
a las columnas, de manera que escribiremos A = (F
1
F
n
) =
(C
1
C
n
).
1. det(A) = det(A
t
).
2. Si S
n
es cualquier permutaci on, entonces
[C
(1)
C
(n)
[ = sig() [C
1
C
n
[,
[F
(1)
F
(n)
[ = sig() [F
1
F
n
[.
3. Dada cualquier la Z
i
de orden n y cualquier columna Z
i
de orden n se verica:
[F
1
F
i
+Z
i
F
n
[ = [F
1
F
i
F
n
[ +[F
1
Z
i
F
n
[,
[C
1
C
i
+Z
i
C
n
[ = [C
1
C
i
C
n
[ +[C
1
Z
i
C
n
[.
22 CAP

4. Para todo a K y todo i = 1, ..., n se tiene:
[F
1
aF
i
F
n
[ = a[F
1
F
i
F
n
[,
[C
1
aC
i
C
n
[ = a[C
1
C
i
C
n
[.
5. [F
1
F
n
[ = 0 F
1
, ..., F
n
son linealmente dependientes C
1
, ..., C
n
son
linealmente dependientes [C
1
C
n
[ = 0.
6. Si
1
, ...,
n
K son elementos cualesquiera entonces:
[F
1
F
i
+
j=i
j
F
j
F
n
[ = [F
1
F
i
F
n
[,
[C
1
C
i
+
j=i
j
C
j
C
n
[ = [C
1
C
i
C
n
[.
7. Si A, B M
n
(K) entonces det(A B) = det(A) det(B).
8. det(I
n
) = 1.
9. Una matriz cuadrada es regular si y solo si su determinante es distinto de cero.
Ademas, si A es regular, entonces det(A
1
) = det(A)
1
.
10. Si A, B M
n
(K) son semejantes, entonces det(A) = det(B).
11. El rango de una matriz cualquiera A coincide con el orden de la mayor subma-
triz cuadrada de A que sea regular, es decir, el orden de la mayor submatriz
cuadrada de A cuyo determinante sea cero.
Para llevar a la practica la tesis de la propiedad 11 anteriormente mencionada,
damos un sencillo metodo que reduce de manera ostensible los calculos.
Si en una matriz A = (a
ij
) M
mn
(K) se ha localizado una submatriz cuadrada
regular de tama no d, la cual se puede suponer (sin mas que cambiar de posicion
ciertas las y columnas)
B =
_
_
_
_
_
a
11
a
12
a
1d
a
21
a
22
a
2d

a
d1
a
d2
a
dd
_
_
_
_
_
,
el rango de A sera al menos d + 1 si y solo si alguno de los menores orlados de B
(que a continuacion denimos) es no nulo.
Se llaman menores orlados en A de la submatriz B, a los siguientes determinantes:
[B(ij)[ =
a
11
a
12
a
1d
a
1j
a
21
a
22
a
2d
a
2j

a
d1
a
d2
a
dd
a
dj
a
i1
a
i2
a
id
a
ij
,
2.6. C
ALCULO DE LA INVERSA DE UNA MATRIZ POR ADJUNTOS 23

para todo i = d + 1, d + 2, ...., m y todo j = d + 1, d + 2, ..., n.
Ejemplo. Calculemos el rango de la matriz
A =
_
_
_
_
_
0 0 2 1
3 0 2 7
1 1 1 1
4 1 5 9
_
_
_
_
_
utilizando determinantes.
Comenzamos localizando una entrada no nula en la matriz, por ejemplo la (2, 1)-
entrada, que es 3. Existen dos menores orlados de tama no dos,
0 0
3 0
= 0
y
3 0
1 1
= 3 ,= 0,
por lo que nos quedamos con la submatriz
_
3 0
1 1
_
.
Buscamos ahora sus menores orlados de tam no 3.

Estos son
0 0 2
3 0 2
1 1 1
= 6
y
3 0 2
1 1 1
4 1 5
= 6.
Como al menos uno de ellos es no nulo (de hecho ambos son no nulos), el rango de A
sera al menos 3. Es claro ahora que rg(A) = 4 [A[ , = 0, pero se puede comprobar
que [A[ = 0, por lo que rg(A) = 3.
2.6 Calculo de la inversa de una matriz por ad-
juntos
En este momento ya conocemos un sistema para calcular la inversa de una matriz
por medio de transformaciones de las. En esta seccion veremos otro metodo para
calcular la inversa de una matriz regular, utilizando determinantes. Seguiremos la
notacion s
ij
que introdujimos en la Seccion 2.5 para denotar adjuntos. Con esta
notacion, se dene la matriz adjunta de una matriz cuadrada A de orden n como
A = (s
ij
) M
n
(K).
24 CAP

Proposicion 2.6.1 Para toda matriz A M
n
(K), se verica:
A(A)
t
= (A)
t
A = [A[I
n
.
(Notese que (A)
t
= (A
t
) para toda matriz cuadrada A).
A partir de la relacion dada en la Proposicion anterior se obtiene inmediatamente,
sin mas que despejar, que la inversa de cualquier matriz regular se puede calcular
mediante la formula
A
1
=
1
[A[
(A)
t
.
Ejemplo. Consideremos la matriz
A =
_
_
_
1 5 8
3 2 1
6 4 7
_
_
_.
El determinante de A es [A[ = 65 que es distinto de cero, por lo que A es inversible.
Calculemos su inversa, para lo cual calculamos los adjuntos de cada una de las
entradas de A.
s
11
= (1)
1+1
2 1
4 7
= 10. s
23
= (1)
2+3
1 5
6 4
= 26.
s
12
= (1)
1+2
3 1
6 7
= 15. s
31
= (1)
3+1
5 8
2 1
= 11.
s
13
= (1)
1+3
3 2
6 4
= 0. s
32
= (1)
3+2
1 8
3 1
= 23.
s
21
= (1)
2+1
5 8
4 7
= 3. s
33
= (1)
3+3
1 5
3 2
= 13.
s
22
= (1)
2+2
1 8
6 7
= 41.
De esta forma obtenemos que la matriz adjunta de A es
A =
_
_
_
10 15 0
3 41 26
11 23 13
_
_
_
y por lo tanto la inversa de A es
A
1
=
1
[A[
(A)
t
=
_
_
_
_
_
_
_
_
2
13
3
65
11
65
3
13
41
65
23
65
0
2
5
1
5
_
_
_
_
_
_
_
_
.
2.7. PROBLEMAS 25
2.7 Problemas
Problema 1 Halle todas las matrices A de M
2
(IR) tales que A ,= 0 y A
2
= 0.
Solucion. Las matrices A que buscamos tendran la forma
A =
_
a b
c d
_
en donde a, b, c, d son n umeros reales no todos nulos.
A
2
=
_
a b
c d
__
a b
c d
_
=
_
a
2
+bc ab +bd
ca +dc cb +d
2
_
, por tanto la condicion A
2
= 0
induce el siguiente sistema de ecuaciones:
a
2
+bc = 0
b(a +d) = 0
c(a +d) = 0
cb +d
2
= 0
_
_
.
Si b = 0, las ecuaciones primera y cuarta obligan a que a = d = 0, con lo cual c ,= 0
y obtendramos las matrices
_
0 0
c 0
_
con c IR
(recuerdese que IR
= IR 0).
De la misma manera, si c = 0 obtendramos las matrices
_
0 b
0 0
_
con b IR
.
Por otro lado si es a + d = 0 el sistema que tendramos se reducira a una sola
ecuacion a
2
+bc = 0, es decir, a
2
= bc.
Como consecuencia se deduce que las matrices A ,= 0 cuyo cuadrado es cero son
aquellas que pertenecen al siguiente conjunto:
__
a b
c a
_
; a
2
= bc, a, b, c IR
_
.
Problema 2 Busque todas las matrices de M
2
(IR) tales que A
2
= I
2
.
Solucion. En este caso el sistema de ecuaciones que obtenemos es
a
2
+bc = 1
b(a +d) = 0
c(a +d) = 0
cb +d
2
= 1
_
_
.
Es claro que si a = d las ecuaciones segunda y tercera se verican para cua-
lesquiera valores de b y c. As el sistema queda reducido a una sola ecuacion
a
2
+bc = 1, es decir, a
2
= 1 bc.
Si por el contrario a ,= d, necesariamente b = c = 0, y en este caso la solucion
del sistema es a = 1, d = 1.
As pues, el conjunto de matrices cuyo cuadrado es la identidad es:
__
1 0
0 1
__
1 0
0 1
__
_
__
a b
c a
_
; a
2
= 1 bc
_
.
26 CAP

Problema 3 Si a, b, c, d son elementos de ZZ, en que condicion la matriz A =
_
a b
c d
_
es inversible en /
2
(ZZ)? Y en /
2
(I Q)?
Solucion. Si queremos que A sea inversible en /
2
(ZZ) debemos encontrar una
matriz B =
_

_
con , , , ZZ tal que AB = BA = I
2
. Si por el contrario
queremos que A sea inversible en /
2
(I Q), entonces los coecientes , , , deben
ser elementos de I Q. En cualquier caso la condicion AB = BA = I
2
nos induce el
sistema de ecuaciones
a +b = 1
a +b = 0
c +d = 0
c +d = 1
_
_
.
Si a ,= 0 deducimos de la primera de ecuacion que =
1b
a
y de la segunda que
=
b
a
. Si sustituimos ahora y por su valor en la tercera y cuarta ecuaciones
respectivamente, obtenemos
c cb
a
+d = 0 0 = c + (ad cb) =
c
ad cb
(notese que ad bc = det(A)) y
1 =
cb
a
+d =
(ad cd)
a
=
a
ad cb
.
Una vez conocidos los valores de y podemos sustituir en y , con lo que
obtenemos
=
d
ad bc
, =
b
ad bc
, =
c
ad bc
, =
a
ad bc
.
Por tanto para que , , y sean elementos de ZZ necesitamos que ad bc
divida a a, b, c y d, es decir, a = (ad bc)s, b = (ad bc)t, c = (ad bc)r y
d = (ad bc)k, para s, t, r, k ZZ. Se tiene entonces
ad bc = (ad bc)s(ad bc)k (ad bc)t(ad bc)r = (ad bc)
2
(sk tr),
y as, como ad bc debe ser distinto de cero, 1 = (ad bc)(sk tr), lo cual implica
que ad bc = 1. Si por el contrario queremos que , , y sean elementos de
I Q, lo que necesitamos es simplemente que ad bc ,= 0.
Consideremos ahora el caso en que a = 0. En esta situacion la primera ecuacion
desprende inmediatamente que b = 1, es decir, b = = 1, y la segunda ecuacion
que = 0 (pues b = 1). Se tiene entonces por la cuarta ecuacion que c = = 1,
por tanto ad bc = 1.
Veamos que el recproco tambien es cierto, es decir, probemos que si adbc = 1
entonces A es inversible en /
2
(ZZ) y que si ad bc ,= 0 entonces A es inversible en
/
2
(I Q).
2.7. PROBLEMAS 27
a) Si ad bc = 1 esta claro que los elementos
d
ad bc
,
b
ad bc
,
c
ad bc
,
a
ad bc
pertenecen a ZZ. Ademas es inmediato comprobar que
_
a b
c d
__
d
adbc
b
adbc
c
adbc
a
adbc
_
=
_
d
adbc
b
adbc
c
adbc
a
adbc
__
a b
c d
_
=
_
1 0
0 1
_
por tanto A es inversible en /
2
(ZZ).
b) Por otro lado si ad bc ,= 0 los elementos
d
ad bc
,
b
ad bc
,
c
ad bc
,
a
ad bc
son n umeros racionales, por lo tanto la matriz
_
d
adbc
b
adbc
c
adbc
a
adbc
_
pertenece a /
2
(I Q). Ademas, como en el caso anterior
_
a b
c d
__
d
adbc
b
adbc
c
adbc
a
adbc
_
=
_
d
adbc
b
adbc
c
adbc
a
adbc
__
a b
c d
_
=
_
1 0
0 1
_
,
lo que implica que A es inversible en /
2
(I Q).
Problema 4 Dada la matriz A =
_
_
_
1 1/n 1/n
0 1 0
0 0 1
_
_
_, en donde n es un n umero
natural, calcule A
n
.
Solucion. Probemos por induccion que para todo n umero natural k es A
k
=
_
_
_
1 k/n k/n
0 1 0
0 0 1
_
_
_.
Para k = 1 es obviamente cierto. Supongamos que
A
i
=
_
_
_
1 i/n i/n
0 1 0
0 0 1
_
_
_
y probemos que A
i+1
=
_
_
_
1 (i + 1)/n (i + 1)/n
0 1 0
0 0 1
_
_
_.
A
i+1
= A
i
A = A
i
=
_
_
_
1 i/n i/n
0 1 0
0 0 1
_
_
_
_
_
_
1 1/n 1/n
0 1 0
0 0 1
_
_
_ =
28 CAP

_
_
_
1 1/n +i/n 1/n +i/n
0 1 0
0 0 1
_
_
_ =
_
_
_
1 (i + 1)/n (i + 1)/n
0 1 0
0 0 1
_
_
_.
Queda por tanto demostrada la formula propuesta anteriormente para A
k
. Si
sustituimos ahora k por el valor n obtenemos que A
n
=
_
_
_
1 1 1
0 1 0
0 0 1
_
_
_.
Problema 5 Reduzca cada una de las siguientes matrices a forma escalonada.
a)
_
4 2
1 7
_
, b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_, c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_.
Solucion. a)
_
4 2
1 7
_
(1)
_
1 7
4 2
_
(2)
_
1 7
0 26
_
.
(1) F
1
F
2
.
(2) F
2
4F
1
.
b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_
(1)
_
_
_
1 2 3
0 8 14
6 1 1
_
_
_
(2)
_
_
_
1 2 3
0 8 14
0 11 17
_
_
_
(3)
_
_
_
1 2 3
0 8 14
0 0 18
_
_
_.
(1) F
2
5F
1
.
(2) F
3
6F
1
.
(3) 8F
3
11F
2
.
c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_
(1)
_
_
_
1 2 7 1
0 2 1 0
4 0 1 0
_
_
_
(2)
_
_
_
1 2 7 1
0 2 1 0
0 8 27 4
_
_
_
(3)
_
_
_
1 2 7 1
0 2 1 0
0 0 23 4
_
_
_.
(1) F
2
F
3
.
(2) F
3
4F
1
.
(3) F
3
+ 4F
2
.
Problema 6 Reduzca cada una de las siguientes matrices a forma canonica por las.
a)
_
4 2
1 7
_
, b)
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_, c)
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_.
2.7. PROBLEMAS 29
Solucion. a) En primer lugar reducimos la matriz a forma escalonada, cosa que ya
hicimos en el apartado a) del problema 5, obteniendo la matriz escalonada
_
1 7
0 26
_
.
Ahora hacemos 1 la (2, 2)-entrada de la forma escalonada mediante la operacion
1/26 F
2
, obteniendo
_
1 7
0 1
_
.
Finalmente hacemos cero la (1, 2)-entrada de esta ultima matriz mediante la opera-
cion F
1
7F
2
, obteniendo la forma canonica por las que es
_
1 0
0 1
_
.
b) Una forma escalonada de esta matriz fue hallada en el apartado b) del problema
5, por lo que sabemos que
_
_
_
1 2 3
5 2 1
6 1 1
_
_
_
_
_
_
1 2 3
0 8 14
0 0 18
_
_
_.
Ahora hacemos 1 la (3, 3)-entrada de esta forma escalonada mediante la operacion
1/18 F
3
y a continuacion, mediante F
2
+14F
3
y F
1
3F
3
hacemos 0 la (2, 3)-entrada
y la (1, 3)-entrada de esta ultima matriz. Nos queda entonces la matriz
_
_
_
1 2 0
0 8 0
0 0 1
_
_
_.
Finalmente hacemos 1 la (2, 2)-entrada de la matriz mediante 1/8 F
2
y a
continuacion hacemos 0 la (1, 2)-entrada mediante F
1
2 F
2
. De esta forma hemos
obtenido la forma canonica por las de la matriz que nos daba el problema, siendo
aquella
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_.
Notese que tanto en a) como en b) la matrices son inversibles, ya que su forma
canonica por las es la matriz identidad.
c) Por el apartado c) del problema 5 sabemos que
_
_
_
1 2 7 1
4 0 1 0
0 2 1 0
_
_
_
_
_
_
1 2 7 1
0 2 1 0
0 0 23 4
_
_
_.
30 CAP

Ahora procedemos de la misma manera que en los dos apartados anteriores:
_
_
_
1 2 7 1
0 2 1 0
0 0 23 4
_
_
_
(1)
_
_
_
1 2 7 1
0 2 1 0
0 0 1 4/23
_
_
_
(2)
_
_
_
1 2 7 1
0 2 0 4/23
0 0 1 4/23
_
_
_
(3)
_
_
_
1 2 0 5/23
0 2 0 4/23
0 0 1 4/23
_
_
_
(4)
_
_
_
1 0 0 1/23
0 2 0 4/23
0 0 1 4/23
_
_
_
(5)
_
_
_
1 0 0 1/23
0 1 0 2/23
0 0 1 4/23
_
_
_.
(1) (1/23) F
3
.
(2) F
2
F
3
.
(3) F
1
7 F
3
.
(4) F
1
F
2
.
(5) (1/2) F
2
.
Problema 7 Reduzca la matriz
_
_
_
_
_
1 0 2 0
15 1 33 0
5 5 25 1
6 7 33 3
_
_
_
_
_
a forma canonica por las.
Solucion. Reducimos en primer lugar la matriz a forma escalonada:
_
_
_
_
_
1 0 2 0
15 1 33 0
5 5 25 1
6 7 33 3
_
_
_
_
_
(1)
_
_
_
_
_
1 0 2 0
0 1 3 0
0 5 15 1
0 7 21 3
_
_
_
_
_
(2)
_
_
_
_
_
1 0 2 0
0 1 3 0
0 0 0 1
0 0 0 3
_
_
_
_
_
(3)
_
_
_
_
_
1 0 2 0
0 1 3 0
0 0 0 1
0 0 0 0
_
_
_
_
_
.
Observamos que la matriz que hemos obtenido ya esta en forma canonica por
las, de forma que esta es la forma canonica por las de la matriz del ejercicio.
(1) F2 15F
1
, F
3
5F
1
, F
4
6F
1
.
(2) F
3
5F
2
, F
4
7F
1
.
(3) F
4
3 F
3
.
Problema 8 Pruebe que:
1 1 1
a b c
a
3
b
3
c
3
= (a b)(b c)(c a)(a +b +c).

2.7. PROBLEMAS 31
Solucion.
1 1 1
a b c
a
3
b
3
c
3
(1)
=
1 1 1
0 b a c a
0 b
3
a
3
c
3
a
3
(2)
=
b a c a
b
3
a
3
c
3
a
3
(3)
=
(b a)(c a)
1 1
b
2
+ba +a
2
c
2
+ca +a
2
= (b a)(c a)
(c
2
+ca b
2
ba) = (b a)(c a)[(c b)(c +b) + a(c b)] =
(a b)(b c)(c a)(a +b +c).
Operaciones realizadas:
(1) F
2
aF
1
, F
3
a
3
F
1
.
(2) Desarrollo de Laplace por C
1
.
(3) Det[(b a)C
1
, (c a)C
2
] = (b a)(c a)Det[C
1
, C
2
].
Problema 9 Pruebe que:
1 1 1
a b c
a
2
b
2
c
2
= (c b)(c a)(b a).

Estos determinantes se llaman de Vandermonde y se prueba por induccion sobre n
que en general
1 1 1 . . . 1
a
1
a
2
a
3
. . . a
n
a
2
1
a
2
2
a
2
3
. . . a
2
n
. . . . . . . . . . . . . . .
a
n1
1
a
n1
2
a
n1
3
. . . a
n1
n
=
(a
n
a
n1
)(a
n
a
n2
) (a
n
a
2
)(a
n
a
1
) (a
3
a
2
)(a
3
a
1
)(a
2
a
1
).
Solucion.
1 1 1
a b c
a
2
b
2
c
2
(1)
=
1 1 1
a b c
0 b
2
ab c
2
ac
(2)
=
1 1 1
0 b a c a
0 b
2
ab c
2
ac
(3)
=
b a c a
b
2
ab c
2
ac
(4)
= (b a)(c a)
1 1
b c
= (b a)(c a)(c b).

(1) F
3
aF
2
.
(2) F
2
aF
1
.
1
.
32 CAP

(4) Det[(b a)C
1
, (c a)C
2
] = (b a)(c a)Det[C
1
, C
2
].
Para el caso general tenemos:
1 1 1 . . . 1
a
1
a
2
a
3
. . . a
n
a
2
1
a
2
2
a
2
3
. . . a
2
n
. . . . . . . . . . . . . . .
a
n1
1
a
n1
2
a
n1
3
. . . a
n1
n
(i)
=
1 1 1 . . . 1
0 a
2
a
1
a
3
a
1
. . . a
n
a
1
0 a
2
2
a
1
a
2
a
2
3
a
1
a
3
. . . a
2
n
a
1
a
n
. . . . . . . . . . . . . . .
0 a
n1
2
a
1
a
n2
2
a
n1
3
a
1
a
n2
3
. . . a
n1
n
a
1
a
n2
n
(ii)
=
(a
2
a
1
)(a
3
a
1
) (a
n
a
1
)
1 1 1 . . . 1
a
2
a
3
a
4
. . . a
n
a
2
2
a
2
3
a
2
4
. . . a
2
n
. . . . . . . . . . . . . . .
a
n2
2
a
n2
3
a
n2
4
. . . a
n2
n
.
Ahora el resultado se obtiene por induccion ya que el ultimo determinante es el de
Vandermonde para n 1 terminos.
(i) F
j
a
1
F
j1
, j = n, n 1, ..., 3, 2.
(ii) Desarrollo de Laplace por C
1
, y despues
Det[(a
2
a
1
)C
1
, (a
3
a
1
)C
2
, ..., (a
n
a
1
)C
n
] =
(a
2
a
1
)(a
3
a
1
) (a
n
a
1
)Det[C
1
, C
2
, ..., C
n
].
Problema 10 Dada la matriz
A =
_
_
_
1 2 3 4
3 1 2 1
1 5 8 7
_
_
_,
calcule su rango.
Solucion. Consideramos los menores orlados del menor no nulo
1 2
3 1
1 2 3
3 1 2
1 5 8
1 2 4
3 1 1
1 5 7
.
Como se comprueba inmediatamente, estos dos menores son nulos. Por tanto, por
la propiedad 11 de los determinantes, deducimos que el rango de A es dos.
2.7. PROBLEMAS 33
Problema 11 Demuestre sin desarrollar:
a a
2
1
b b
2
1
c c
2
1
a bc 1
b ca 1
c ab 1
.
Solucion.
a a
2
1
b b
2
1
c c
2
1
(1)
=
1
abc
a a
2
abc
b b
2
abc
c c
2
abc
(2)
=
1 a bc
1 b ac
1 c ab
(3)
=
bc a 1
ac b 1
ab c 1
(4)
=
a bc 1
b ac 1
c ab 1
.
(1) Det[C
1
, C
2
, C
3
] =
1
abc
Det[C
1
, C
2
, (abc)C
3
].
(2) Det[aF
1
, bF
2
, cF
3
] = abcDet[F
1
, F
2
, F
3
].
(3) C
1
C
3
.
(4) C
1
C
2
.
Problema 12 Utilizando el desarrollo de un determinante de Vandermonde, cal-
cule:
a
2
a 1 bcd
b
2
b 1 acd
c
2
c 1 abd
d
2
d 1 abc
.
Solucion.
a
2
a 1 bcd
b
2
b 1 acd
c
2
c 1 abd
d
2
d 1 abc
(1)
=
1
abcd
a
3
a
2
a abcd
b
3
b
2
b abcd
c
3
c
2
c abcd
d
3
d
2
d abcd
(2)
=
a
3
a
2
a 1
b
3
b
2
b 1
c
3
c
2
c 1
d
3
d
2
d 1
(3)
=
a
3
b
3
c
3
d
3
a
2
b
2
c
2
d
2
a b c d
1 1 1 1
(4)
=
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3
sig[(14)(23)]
(5)
=
(d a)(d b)(d c)(c a)(c b)(b a).
(1) Det[F
1
, F
2
, F
3
, F
4
] =
1
abcd
Det[aF
1
, bF
2
, cF
3
, dF
4
].
(2) Det[C
1
, C
2
, C
3
, (abcd)C
4
] = (abcd)Det[C
1
, C
2
, C
3
, C
4
].
(3) Det[A] = Det[A
t
].
(4) F
1
F
4
, F
2
F
3
.
(5) Formula del determinante de Vandermonde.
34 CAP

Problema 13 Calcule los siguientes determinantes reduciendo el orden de la matriz
utilizando adjuntos de alguna de sus las o columnas:
a)
1 2 3 1
2 4 5 2
1 0 0 1
3 1 3 1
, b)
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
, c)
1 0 7 6
1 9 3 6
1 9 4 7
7 4 1 4
.
Solucion. a)
1 2 3 1
2 4 5 2
1 0 0 1
3 1 3 1
(1)
=
1 2 3 1
0 8 11 4
0 2 3 2
0 5 6 2
(2)
=
8 11 4
2 3 2
5 6 2
(3)
=
5 6 2
8 11 4
2 3 2
sig[(123)]
(4)
=
5 6 2
2 1 0
3 3 0
(5)
= 2
2 1
3 3
= 6.
(1) F
2
+ 2F
1
, F
3
+F
1
, F
4
3F
1
.
1
.
(3) F
1
F
2
F
3
F
1
.
(4) F
2
+ 2F
1
, F
3
+F
1
.
3
.
b)
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
(1)
=
1 1 1 0
1 1 0 1
1 0 1 1
0 1 1 1
sig[(14)(23)]
(2)
=
1 1 1 0
0 0 1 1
0 1 0 1
0 1 1 1
(3)
=
0 1 1
1 0 1
1 1 1
(4)
=
0 0 1
1 1 1
1 2 1
(5)
=
1 1
1 2
= 3.
(1) C
1
C
4
, C
2
C
3
.
(2) F
2
F
1
, F
3
F
1
.
1
.
(4) C
2
+C
3
.
(5) Desarrollo de Laplace por F
1
.
c)
2.7. PROBLEMAS 35
1 0 7 6
1 9 3 6
1 9 4 7
7 4 1 4
(1)
=
1 0 7 6
0 9 4 0
0 9 3 1
0 4 48 38
(2)
=
9 4 0
9 3 1
4 48 38
(3)
=
9 4 0
9 3 1
346 162 0
(4)
=
9 4
346 162
= 74.
(1) F
2
F
1
, F
3
F
1
, F
4
7F
1
.
1
.
(3) F
3
+ 38F
2
.
(4) Desarrollo de Laplace por F
2
.
Problema 14 Determine el rango de cada una de las siguientes matrices:
a)
_
_
_
0 3 5 2
1 2 3 4
2 1 1 6
_
_
_, b)
_
_
_
1 2 3 1 5
1 2 3 2 1
0 0 1 1 1
_
_
_,
c)
_
_
_
_
_
0 2 4 1 1
1 1 2 3 1
2 0 2 0 1
0 3 5 2 0
_
_
_
_
_
.
Solucion. a) Los menores orlados del menor no nulo
0 3
1 2
son
0 3 5
1 2 3
2 1 1
0 3 2
1 2 4
2 1 6
.
Se ve facilmente que ambos son nulos y as el rango de la matriz es dos.
b) Como maximo el rango podra ser tres. Consideramos primero el menor no
nulo
2 1
1 1
. Como el menor orlado
3 1 5
3 2 1
1 1 1
es no nulo, el rango de la matriz es ser tres.

36 CAP

c) A partir del menor no nulo
0 2
1 1
, encontramos el menor orlado no nulo
0 2 4
1 1 2
2 0 2
Este, a su vez, permite obtener el menor orlado no nulo
0 2 4 1
1 1 2 3
2 0 2 0
0 3 5 2
.
Por tanto el rango de la matriz es cuatro.
Problema 15 Estudie la dependencia lineal (utilizando determinantes) del siguiente
conjunto:
(1, 2, 1, 1), (0, 3, 1, 1), (3, 1, 0, 2).
Solucion. Estudiemos el rango de la matriz
_
_
_
1 2 1 1
0 3 1 1
3 1 0 2
_
_
_.
Consideramos el menor no nulo de orden dos
1 2
0 3
. El menor orlado
1 2 1
0 3 1
3 1 0
es no nulo. Por tanto el rango de la matriz es 3. Eso signica que las tres las son
linealmente independientes.
Problema 16 Pruebe, utilizando las propiedades de los determinantes, que
(b +c)
2
b
2
c
2
a
2
(a +c)
2
c
2
a
2
b
2
(a +b)
2
= 2abc(a +b +c)
3
.
Solucion.
(b +c)
2
b
2
c
2
a
2
(a +c)
2
c
2
a
2
b
2
(a +b)
2
(1)
=
(b +c)
2
b
2
c
2
a
2
(b +c)
2
(a +c)
2
b
2
0
a
2
(b +c)
2
0 (a +b)
2
c
2
=
2.7. PROBLEMAS 37
(b +c)
2
b
2
c
2
(a b c)(a +b +c) (a +c b)(a +b +c) 0
(a b c)(a +b +c) 0 (a +b c)(a +b +c)
(2)
=
(a +b +c)
2
(b +c)
2
b
2
c
2
(a b c) (a +c b) 0
(a b c) 0 (a +b c)
(3)
=
(a +b +c)
2
(b +c)
2
b
2
c
2
b
2
c
2
2c (a +c b) 0
2b 0 (a +b c)
=
(a +b +c)
2
2bc b
2
c
2
2c (a +c b) 0
2b 0 (a +b c)
(4)
=
2(a +b +c)
2
bc b
2
c
2
c (b a c) 0
b 0 (c a b)
(5)
=
2(a +b +c)
2
0 (a +c)b c
2
c (b a c) 0
b 0 (c a b)
=
2(a +b +c)
2
[bc
2
(a +c b) + (a +b c)(a +c)bc] =
2bc(a +b +c)
2
(ac +c
2
bc +a
2
+ab ac +ac +bc c
2
) =
2bc(a +b +c)
2
(a
2
+ab +ac) = 2abc(a +b +c)
3
.
(1) F
2
F
1
, F
3
F
1
.
(2) Det[F
1
, (a +b +c)F
2
, (a +b +c)F
3
] = (a +b +c)
2
Det[F
1
, F
2
, F
3
].
(3) C
1
C
2
C
3
.
(4) Det[2C
1
, C
2
, C
3
] = 2Det[C
1
, C
2
, C
3
], y despues
Det[F
1
, F
2
, F
3
] = Det[F
1
, F
2
, F
3
].
(5) F
1
bF
2
.
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
1 a 0 0 0
0 0 a 0 0
1 0 0 a 0
0 0 0 0 a
_
_
_
_
_
_
_
_
,
calcule su determinante y estudie su rango en funcion de a.
38 CAP

Solucion. Se tiene
0 1 0 1 0
1 a 0 0 0
0 0 a 0 0
1 0 0 a 0
0 0 0 0 a
(1)
= a
0 1 0 1
1 a 0 0
0 0 a 0
1 0 0 a
(2)
= a
2
0 1 1
1 a 0
1 0 a
(3)
=
a
2
0 1 1
0 a a
1 0 a
(4)
= a
2
1 1
a a
= 2a
3
.
5
.
3
.
(3) F
2
F
3
.
1
.
Por tanto si a ,= 0 el rango de A es 5. Si a = 0 se tiene la matriz,
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
1 0 0 0 0
0 0 0 0 0
1 0 0 0 0
0 0 0 0 0
_
_
_
_
_
_
_
_
,
que tiene claramente dos las no nulas linealmente independientes. As, para a = 0,
el rango de A es 2.
Problema 18 Utilizando determinantes, estudie si las matrices que se dan a con-
tinuacion son o no inversibles y calcule la inversa de todas las matrices que resulten
inversibles.
A =
_
_
_
3 1 8
4 5 7
1 4 8
_
_
_, B =
_
_
_
1 1 5
5 3 2
7 5 12
_
_
_,
C =
_
_
_
_
_
1 1 1 1
4 2 2 2
1 1 2 2
7 5 6 6
_
_
_
_
_
, D =
_
_
_
_
_
3 0 0 0
1 4 0 1
2 0 0 2
5 3 1 2
_
_
_
_
_
.
Solucion. El determinante de la matriz A es
3 1 8
4 5 7
1 4 8
= 120 + 7 + 128 40 84 32 = 99 ,= 0.
2.7. PROBLEMAS 39
Como [A[ ,= 0 la matriz A es inversible. Para calcular su inversa debemos calcular
la matriz adjunta de A.
s
11
= (1)
1+1
5 7
4 8
= 12 s
23
= (1)
2+3
3 1
1 4
= 11
s
12
= (1)
1+2
4 7
1 8
= 25 s
31
= (1)
3+1
1 8
5 7
= 33
s
13
= (1)
1+3
4 5
1 4
= 11 s
32
= (1)
3+2
3 8
4 7
= 11
s
21
= (1)
2+1
1 8
4 8
= 24 s
33
= (1)
3+3
3 1
4 5
= 11
s
22
= (1)
2+2
3 8
1 8
= 16
La matriz adjunta de A es por tanto
A =
_
_
_
12 25 11
24 16 11
33 11 11
_
_
_
y la matriz inversa de A se calcula mediante la formula
A =
1
[A[
(A)
t
=
1
99

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

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

1
3
25
99
16
99
1
9
1
9

1
9
1
9
_
_
_
_
_
_
_
_
.
El determinante de B es
1 1 5
5 3 2
7 5 12
= 36 + 14 + 125 105 10 60 = 0,
40 CAP

por lo tanto la matriz B no es inversible.
Estudiamos ahora la matriz C.
[C[ =
1 1 1 1
4 2 2 2
1 1 2 2
7 5 6 6
(1)
=
1 1 1 1
2 0 0 0
1 1 0 0
1 1 0 0
(2)
= (1)
2 0 0
1 1 0
1 1 0
= 0
(1) F
2
2F
1
, F
3
2F
1
, F
4
6F
1
.
4
.
As pues la matriz C tampoco es inversible.
Tan solo nos queda estudiar la matriz D. Dado que la tercera columna de D posee
todas sus entradas cero excepto una cuyo valor es 1, desarrollaremos el determinante
de D por medio de su columna tercera. De esta forma
[D[ =
3 0 0 0
1 4 0 1
2 0 0 2
5 3 1 2
= (1)
4+3
1
3 0 0
1 4 1
2 0 2
= 24.
Como [D[ ,= 0 la matriz D s sera inversible. Calculemos la matriz adjunta de D.
s
11
= (1)
1+1
4 0 1
0 0 2
3 1 2
= 8 s
31
= (1)
3+1
0 0 0
4 0 1
3 1 2
= 0
s
12
= (1)
1+2
1 0 1
2 0 2
5 1 2
= 0 s
32
= (1)
3+2
3 0 0
1 0 1
5 1 2
= 3
s
13
= (1)
1+3
1 4 1
2 0 2
5 3 2
= 24 s
33
= (1)
3+3
3 0 0
1 4 1
5 3 2
= 15
s
14
= (1)
1+4
1 4 0
2 0 0
5 3 1
= 8 s
34
= (1)
3+4
3 0 0
1 4 0
5 3 1
= 12
s
21
= (1)
2+1
0 0 0
0 0 2
3 1 2
= 0 s
41
= (1)
4+1
0 0 0
4 0 1
0 0 2
= 0
2.7. PROBLEMAS 41
s
22
= (1)
2+2
3 0 0
2 0 2
5 1 2
= 6 s
42
= (1)
4+2
3 0 0
1 0 1
2 0 2
= 0
s
23
= (1)
2+3
3 0 0
2 0 2
5 3 2
= 18 s
43
= (1)
4+3
3 0 0
1 4 1
2 0 2
= 24
s
24
= (1)
2+4
3 0 0
2 0 0
5 3 1
= 0 s
44
= (1)
4+4
3 0 0
1 4 0
2 0 0
= 0
Obtenemos que la matriz adjunta de D es
D =
_
_
_
_
_
8 0 24 8
0 6 18 0
0 3 15 12
0 0 24 0
_
_
_
_
_
.
Con los datos de que disponemos podemos sustituir en la formula
D
1
=
1
[D[
(D)
t
para obtener la inversa de D.
D
1
=
1
24
_
_
_
_
_
8 0 0 0
0 6 3 0
24 18 15 24
8 0 12 0
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
1
3
0 0 0
0
1
4

1
8
0
1
3
4

5
8
1
1
3
0
1
2
0
_
_
_
_
_
_
_
_
_
_
_
_
_
.
42 CAP

Captulo 3
Sistemas de ecuaciones lineales.
Teorema de Rouche-Frobenius
3.1 Ecuacion matricial de un sistema de ecuacio-
nes lineales
Cualquier sistema de ecuaciones lineales
_
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

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

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

a
m1
a
m2
a
mn
_
_
_
_
_
es una matriz de M
mn
(K) llamada matriz de coecientes del sistema,
X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
43
44 CAP
ITULO 3. SISTEMAS DE ECUACIONES LINEALES

es una matriz de M
n1
(K) llamada matriz incognita y
B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
es una matriz de M
m1
(K) llamada matriz de terminos independientes.
Ademas, consideraremos la matriz ampliada del sistema
(A[B) =
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2

a
m1
a
m2
a
mn
b
m
_
_
_
_
_
.
Ejemplo. Determinemos la expresion matricial de los siguientes sistemas de ecua-
ciones lineales:
a)
x +y +z = 0
x y +z = 0
y +z = 0
_
_
b)
x +y z = 1
2x +z = 3
2y +z = 5
_
_
c)
x
1
x
2
= 0
x
2
x
3
= 0
_
a) La matriz de coecientes del sistema es
A =
_
_
_
1 1 1
1 1 1
0 1 1
_
_
_
y la matriz de terminos independientes B =
_
_
_
0
0
0
_
_
_, por tanto la ecuacion matricial
sera
_
_
_
1 1 1
1 1 1
0 1 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
b) Si procedemos de la misma manera que antes llegamos a que la ecuacion
matricial es en este caso
_
_
_
1 1 1
2 0 1
0 2 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
1
3
5
_
_
_.
c)
_
1 1 0
0 1 1
_
_
_
_
x
1
x
2
x
3
_
_
_ =
_
0
0
_
.
3.2. TEOREMA DE ROUCH
E-FROBENIUS 45
3.2 Teorema de Rouche-Frobenius
El teorema de Rouche-Frobenius caracteriza completamente los sistemas compat-
ibles determinados, los compatibles indeterminados y los incompatibles.
Teorema 3.2.1 (Rouche-Frobenius) Supongamos que AX = B es un sistema de
ecuaciones lineales con m ecuaciones y n incognitas, es decir, A /
mn
(K), X
/
n1
(K) y B /
m1
(K). Se verican las siguientes armaciones:
a) El sistema es compatible si y solo si r(A) = r(A[B).
b) r(A) = r(A[B) < n el sistema es compatible indeterminado.
c)r(A) = r(A[B) = n el sistema es compatible determinado.
Ejemplo. Consideremos el sistema de ecuaciones lineales siguiente:
2x + 3y z = 2
bx + ay + 2z = 0
5x + 5y + z = a
_
_
y razonemos cuales de las siguientes armaciones son verdaderas y cuales falsas:
a) Si a = 2 y b ,= 3 el sistema es compatible indeterminado.
b) Si a ,= 2 y b = 3 el sistema es compatible determinado.
c) Si a = 2 y b = 5 es sistema es incompatible.
La matriz de coecientes del sistema es A =
_
_
_
2 3 1
b a 2
5 5 1
_
_
_, y su determinante
[A[ = 7a 8b + 10.
a) Si a = 2, [A[ = 8b + 24, luego para b ,= 3 [A[ ,= 0 y el sistema es compatible
determinado. Vemos entonces que a) es falsa.
b) Si b = 3 entonces [A[ = 7a 14, por tanto cuando b = 3, [A[ = 0 si, y solo
si, a = 2, es decir, para b = 3 y a ,= 2 es [A[ , = 0, lo que implica que el sistema es
compatible determinado y que b) es cierta.
c) Por el apartado a) sabemos que para a = 2 y b ,= 3 el sistema es compatible
determinado, as que para a = 2 y b = 5 el sistema es compatible determinado, y no
incompatible, por lo que c) es falsa.
3.3 Resolucion de sistemas de Cramer
Un sistema de ecuaciones lineales se dice que es de Cramer si su matriz de co-
ecientes es regular, es decir, si la expresion matricial del sistema en cuestion es
AX = B, entonces el sistema es de Cramer si det(A) ,= 0. Es entonces claro a
46 CAP

partir del Teorema de Rouche-Frobenius que todo sistema de Cramer es compatible
determinado. Si suponemos que el sistema es
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
= b
n
_
_
,
la unica solucion viene dada por las formulas:
x
j
=
[M
j
[
[A[
, j = 1, ..., n,
en donde M
j
es la matriz obtenida a partir de A al sustituir la columna j-esima por
la matriz columna B de terminos independientes.
Ejemplo. Calculemos el valor o valores de a para los cuales los sistemas siguientes
no son de Cramer. Calculemos ademas en funcion de a (cuando a no tome los
valores anteriormente calculados) las soluciones de los sistemas utilizando la formula
de Cramer.
a)
x +y +az = 1
x +ay +z = 2
y +az = 0
_
_
, b)
x +ay +z = 0
ax +y = 1
x + 2y +z = 3
_
_
.
a) El determinante de la matriz de coecientes es
1 1 a
1 a 1
0 1 a
= a
2
1,
que es igual a cero si, y solo si a = 1 o a = 1. Por tanto el sistema no es de
Cramer si y solo si a = 1, 1. Para todo valor de a distinto de 1 y 1 el sistema es
compatible determinado y su solucion
x =
1 1 a
2 a 1
0 1 a
a
2
1
= 1, y =
1 1 a
1 2 1
0 0 a
a
2
1
=
a
a
2
1
, z =
1 1 1
1 a 2
0 1 0
a
2
1
=
1
1a
2
.
b) Si denotamos por A a la matriz de coecientes del sistema, tendremos que
[A[ = a(2 a) = 0 a = 0, 2. As pues el sistema no es de Cramer si y solo si
a = 0, 2. Utilizando la regla de Cramer llegamos a que la solucion del sistema cuando
a ,= 0, 2 es
x =
0 a 1
1 1 0
3 2 1
a(2a)
=
1+a
a(a2)
, y =
1 0 1
a 1 0
1 3 1
a(2a)
=
3
2a
, z =
1 a 0
a 1 1
1 2 3
a(2a)
=
1+a3a
2
a(2a)
.
3.4. SOLUCIONES DE UN SISTEMA COMPATIBLE INDETERMINADO 47
Ejemplo. Discutamos y resolvamos el siguiente sistema de ecuaciones lineales seg un
los valores del parametro m.
(2m + 1)x + (m1)y + (m+ 3)z = 2m+ 2
(m1)y (m1)z = 1
mx + y z = m+ 1
_
_
.
Calculemos el determinante de la matriz de coecientes del sistema
2m+ 1 m1 m+ 3
0 m1 m+ 1
m 1 1
= 2m(m
2
1).
Es claro entonces que el sistema sera compatible determinado si, y solo si, m ,=
0, 1, 1, en cuyo caso la solucion es
x =
2m+ 2 m1 m + 3
1 m1 m+ 1
m + 1 1 1
2m(m
2
1)
=
2(m+1)(m
2
2)
2m(m
2
1)
=
m
2
2
m(m1)
y =
2m+ 1 2m + 2 m + 3
0 1 m+ 1
m m + 1 1
2m(m
2
1)
=
(5m+2)
2m(m
2
1)
z =
2m+ 1 m1 2m+ 2
0 m1 1
m 1 m + 1
2m(m
2
1)
=
2m
2
3m2
2m(m
2
1)
=
(m2)(2m+1)
2m(m
2
1)
Los casos m = 0, 1 o 1 resultan ser identicos, el rango de la matriz ampliada
es 3, mientras que el rango de la matriz de coecientes es 2, por lo que el sistema es
incompatible.
3.4 Soluciones de un sistema compatible indeter-
minado
Sea AX = B un sistema de m ecuaciones lineales con n incognitas, A = (a
ij
)
M
mn
(K), B = (b
i
) M
m1
(K).
Supongamos que r(A) = r(A[B) = r < n (es decir, el sistema es compatible
indeterminado). Entonces existe una submatriz cuadrada regular de orden r en A
(que la supondremos, sin perder generalidad, la formada por las r primeras las y
las r primeras columnas). En este caso el sistema dado es equivalente a:
48 CAP

_
_
a
11
x
1
+a
12
x
2
+ +a
1r
x
r
= b
1
(a
1,r+1
x
r+1
+ +a
1n
x
n
)
a
21
x
1
+a
22
x
2
+ +a
2r
x
r
= b
2
(a
2,r+1
x
r+1
+ +a
2n
x
n
)

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

a
r1
a
r2
a
rr
_
_
_
_
_
M
r
(K)
una matriz regular.
Por tanto, para cada asignacion que hagamos sobre las variables x
r+1
,..., x
n
de
elementos de K, obtendremos un sistema de Cramer que se puede resolver como en el
apartado anterior, y que proporciona una unica solucion para x
1
,...,x
r
. A x
r+1
, . . . , x
n
se les denomina usualmente parametros del sistema de ecuaciones.
Ejemplos. 1. Discutamos y resolvamos el sistema homogeneo siguiente para los
diferentes valores de a IR.
x
1
+ ax
2
+ x
3
+ x
4
= 0
ax
1
+ x
2
+ x
3
+ x
4
= 0
x
1
+ x
2
+ ax
3
+ x
4
= 0
x
1
+ x
2
+ x
3
+ ax
4
= 0
_
_
El determinante de la matriz de coecientes es
[A[ =
1 a 1 1
a 1 1 1
1 1 a 1
1 1 1 a
= a
4
+ 6a
2
8a + 3 = (a 1)
3
(a + 3).
Por tanto el sistema sera compatible determinado a ,= 1, 3, y su unica solucion
sera la solucion trivial (x
1
= x
2
= x
3
= x
4
= 0). En cambio para a = 1, 3 el sistema
sera compatible indeterminado.
Si a = 1 el rango de A es 1 con lo que el sistema queda reducido a una sola
ecuacion
x
1
+x
2
+x
3
+x
4
= 0
cuya solucion es x
1
= , x
2
= , x
3
= , x
4
= .
Si a = 3 el rango de A es 3 y podemos reducir el sistema a
x
1
3x
2
+ x
3
= x
4
3x
1
+ x
2
+ x
3
= x
4
x
1
+ x
2
3x
3
= x
4
_
_
cuya solucion es
3.4. SOLUCIONES DE UN SISTEMA COMPATIBLE INDETERMINADO 49
x
1
=
3 1
1 1
1 3
16
= , x
2
=
1 1
3 1
1 3
16
= ,
x
3
=
1 3
3 1
1 1
16
= , x
4
= .
2. Discutamos y resolvamos el siguiente sistema en los casos en que sea compa-
tible.
mx + y + z = m
x + my + z = 1
x + y + mz = 1
_
_
La matriz de coecientes del sistema es A =
_
_
_
m 1 1
1 m 1
1 1 m
_
_
_, y la matriz ampliada
B =
_
_
_
m 1 1 m
1 m 1 1
1 1 m 1
_
_
_. [A[ = m
3
3m + 2 = (m1)
2
(m + 2), Por tanto [A[ = 0
si, y solo si, m = 1 o m = 2 y el sistema sera compatible determinado para todos
los valores de m distintos de 1 y 2. En este caso la solucion del sistema es
x =
m 1 1
1 m 1
1 1 m
(m1)
2
(m+2)
= 1, y =
m m 1
1 1 1
1 1 m
(m1)
2
(m+2)
= 0, z =
m 1 m
1 m 1
1 1 1
(m1)
2
(m+2)
= 0.
Para los casos m = 1, 2, el sistema no sera compatible determinado, y debemos
comparar los rangos de A y de B. Pero observamos que la columna de terminos
independientes es la misma que la primera columna de la matriz de coecientes, por
tanto podemos armar que rg(A) = rg(B) sea cual sea el valor de m. Tenemos
entonces que para m = 1, 2 el sistema es compatible indeterminado. Calculemos
su solucion.
m = 1
Es claro que rg(A) = 1, por tanto tan solo hay una ecuacion linealmente inde-
pendiente, x +y +z = 1. La solucion de la ecuacion es:
_
_
x = 1
y =
z =
m = 2
50 CAP

En este caso rg(A) = 2 pues
2 1
1 2
= 3 ,= 0. Las ecuaciones correspondien-

tes,
2x + y + z = 2
x 2y + z = 1
_
nos ofrecen toda la informacion del sistema, que podra ser resuelto en funcion de un
parametro. As, consideramos el sistema de la forma (sustituyendo z = )
2x + y = 2
x 2y = 1
_
y la solucion sera
x =
2 1
1 2
2 1
1 2
= + 1, y =
2 2
1 1
2 1
1 2
= , z =
3.5. PROBLEMAS 51
3.5 Problemas
Problema 1 Discuta el siguiente sistema de ecuaciones lineales seg un los valores
de a, b, c, d IR. En los casos en que el sistema resulte compatible, calcule la
solucion.
x + y + z = 1
ax + by + cz = d
a
2
x + b
2
y + c
2
z = d
2
_
_
Solucion. La matriz de coecientes de este sistema es
A =
_
_
_
1 1 1
a b c
a
2
b
2
c
2
_
_
_,
y la ampliada
B =
_
_
_
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
_
_
_.
Observamos que el determinante de A es un determinante de Vandermonde, y ya
conocemos una formula para su calculo. Aplicando dicha formula observamos que
[A[ = (c a)(c b)(b a). Por tanto el sistema sera compatible determinado si, y
solo si a ,= b, a ,= c y c ,= b. En este caso la solucion del sistema sera
x =
1 1 1
d b c
d
2
b
2
c
2
(ca)(cb)(ba)
=
(cd)(bd)
(ca)(ba)
y =
1 1 1
a d c
a d
2
c
2
(ca)(cb)(ba)
=
(cd)(da)
(cb)(ba)
z =
1 1 1
a b d
a
2
b
2
d
2
(ca)(cb)(ba)
=
(da)(db)
(ca)cb)
Ahora bien, si b = c y b ,= a el rango de A es 2 ya que [A[ = 0 pero se tiene en A
el menor no nulo
1 1
a b
, y, en este caso, rg(B) = 2 si, y solo si d = b o d = a ya que

el menor de B
1 1 1
a b d
a
2
b
2
d
2
es nulo solo en esos casos. Por tanto para c = b, b ,= a,

d ,= b y d ,= a el sistema es incompatible, mientras que si c = b, b ,= a, d = b o d = a
52 CAP

el sistema es compatible indeterminado, y puede ser resuelto en funcion de un solo
parametro. Si aplicamos la condicion c = b en el sistema obtenemos
x + y = 1 z
ax + by = d bz
a
2
x + b
2
y = d
2
b
2
z
_
_
el cual es equivalente a
x + y = 1 z
ax + by = d bz
_
puesto que rg(A) = rg(B) = 2, y el menor
1 1
a b
es no nulo.
La solucion de este ultimo sistema es
x =
1 1
d b b
b a
=
b d
b a
,
y =
1 1
a d b
b a
=
d a + (a b)
b a
,
z = .
Para d = a se obtiene la solucion x = 1, y = , z = , y, para d = b, esta otra:
x = 0, y = 1 , z = .
Si procedemos de la misma manera obtendremos la siguiente lista de resultados:
) c = a y b ,= a
_
d = a o d = b sis. compat. indeterminado
d ,= a y d ,= b sistema incompatible
La solucion cuando d = a o d = b es x =
db+(ab)
ba
, y =
da
ba
, z = .
) b = a y a ,= c
_
d = a o d = c sist. compat. indeterminado
d ,= a y d ,= c sistema incompatible
La solucion cuando d = a o d = c es x =
cd+(ac)
ca
, y = , z =
da
ca
.
Por ultimo, si c = b = a entonces rg(A) = 1 y rg(B) = 1 si, y solo si d = a = b = c
(si d ,= a el sistema sera incompatible). En este caso el sistema es equivalente a
x +y +z = 1
con lo que la solucion sera x = 1 , y = , z = .
3.5. PROBLEMAS 53
Problema 2 Discuta y resuelva el siguiente sistema seg un los valores de los para-
metros.
ax + y + z = 1
x + ay + z = 0
x = 1 y az
_
_
Solucion. Consideremos la matriz de coecientes del sistema
A =
_
_
_
a 1 1
1 a 1
1 1 a
_
_
_,
y la matriz ampliada
B =
_
_
_
a 1 1 1
1 a 1 0
1 1 a 1
_
_
_.
[A[ = a
3
3a + 2 = (a 1)
2
(a + 2). As, si a ,= 1, a ,= 2 el sistema es compatible
determinado y su solucion
x =
1 1 1
0 a 1
1 1 a
(a 1)
2
(a + 2)
=
1
a 1
,
y =
a 1 1
1 0 1
1 1 a
(a 1)
2
(a + 2)
= 0,
z =
a 1 1
1 a 0
1 1 1
(a 1)
2
(a + 2)
=
1
1 a
.
Si a = 1 rg(A) = 1 y rg(B) = 2, por lo tanto el sistema sera incompatible.
Si a = 2, rg(A) = 2 y rg(B) = 2, por lo que el sistema sera compatible
indeterminado. Como las dos primeras ecuaciones del sistema son linealmente inde-
pendientes, el sistema lo podemos considerar de la forma
2x +y = 1 z
x 2y = z
_
y su solucion es por tanto
54 CAP

x =
1 1
2
2 1
1 2
=
2
3
+
y =
2 1
1
2 1
1 2
=
1
3
+
z =
Problema 3 Discuta el siguiente sistema seg un los distintos valores del parametro
a.
ax + y + 2z = 0
x + ay + z = 0
ax + y + az = a
_
_
Calcule la solucion del sistema en los casos en que exista.
Solucion. Como siempre A =
_
_
_
a 1 2
1 a 1
a 1 a
_
_
_ y B =
_
_
_
a 1 2 0
1 a 1 0
a 1 a a
_
_
_ denotan la
matriz de coecientes del sistema y su matriz ampliada respectivamente. [A[ =
a
3
2a
2
a + 2 = (a 2)(a 1)(a + 1), es decir, para a ,= 2, 1, 1 el sistema es
compatible determinado y su solucion
x =
0 1 2
0 a 1
a 1 a
(a2)(a1)(a+1
=
a(2a1)
(a2)(a1)(a+1)
y =
a 0 2
1 0 1
a a a
(a2)(a1)(a+1)
=
a
(a1)(a+1)
z =
a 1 0
1 a 0
0 1 a
(a2)(a1)(a+1)
=
a
a2
En el caso en que a = 1, rg(A) = 2 y rg(B) = 3 por lo que el sistema es
incompatible.
3.5. PROBLEMAS 55
Si a = 1, rg(A) = 2 pues
1 2
1 1
,= 0 y rg(B) = 3, por lo tanto el sistema es

tambien incompatible.
Por ultimo, si a = 2, rg(A) = 2 pues
2 1
1 2
,= 0, rg(B) = 3 y e sistema sigue

siendo incompatible.
Problema 4 Discuta, seg un los valores del parametro a IR, el siguiente sistema
de ecuaciones lineales:
4x +y +z = 3x
x + 4y +z = 3y +a
x +y + 4z = 0
_
_
.
Cuando exista solucion, calc ulela.
Solucion. El sistema a estudiar es
4x +y +z = 3x
x + 4y +z = 3y +a
x +y + 4z = 0
_
_
o, lo que es lo mismo,
x +y +z = 0
x +y +z = a
x +y + 4z = 0
_
_
Es claro que la matriz de coecientes del sistema (A) tiene rango dos, pues las
dos primeras columnas son iguales, as tenemos que estudiar en que casos el rango
de la matriz ampliada B es tambien dos.
Dado que
B =
_
_
_
1 1 1 0
1 1 1 a
1 1 4 0
_
_
_,
observamos que rg(B) = 2 si, y solo si
1 1 0
1 1 a
1 4 0
= 0. Ahora bien, el valor del

determinante anterior es 3a, por tanto rg(B) = 2 a = 0. En conclusion, para
todo valor de a que no sea cero, el rango de A es dos y el rango de B es tres, as
que el sistema es incompatible. Por otro lado, cuando a = 0, rg(A) = rg(B) = 2,
por lo tanto el sistema sera compatible indeterminado y su solucion vendr a dada en
funcion de un parametro.
Como la unica submatriz de tama no dos de A cuyo determinante es distinto de
cero es
_
1 1
1 4
_
, deducimos que las dos ecuaciones linealmente independientes del
56 CAP

sistema son las dos ultimas, y la variable libre (el parametro) es x. Por tanto el
sistema original queda reducido a la forma
y +z = x
y + 4z = x
_
y su solucion es
x = , y =
1
4
1 1
1 4
= , z =
1
1
1 1
1 4
= 0.
Problema 5 Discuta en IR el siguiente sistema seg un los distintos valores del pa-
rametro a. Calcule la solucion del sistema en los casos en que exista.
ax + a
3
y + z = 0
x + ay + a
3
z = 0
ax + a
3
y + az = a
_
_
Solucion. El valor del determinante de la matriz de coecientes
A =
_
_
_
a a
3
1
1 a a
3
a a
3
a
_
_
_
es a
2
(a 1)
2
, que sera igual a cero si, y solo si a = 0 o a = 1. As para todos los
valores de a distintos de los anteriormente mencionados sabemos que el sistema es
compatible determinado. La solucion del sistema en este caso es
x =
0 a
3
1
0 a a
3
a a
3
a
a a
3
1
1 a a
3
a a
3
a
=
1 a
5
(a 1)
2
,
y =
a 0 1
1 0 a
3
a a a
a a
3
1
1 a a
3
a a
3
a
=
(a
2
+ 1)(a + 1)
a(a 1)
,
3.5. PROBLEMAS 57
z =
a a
3
0
1 a 0
a a
3
a
a a
3
1
1 a a
3
a a
3
a
=
a
a 1
En el caso en que a = 1, el rango de A es uno, mientras que rg(B) = 2, por tanto
el sistema es incompatible. Pero si a = 0, se tiene que rg(A) = rg(B) = 2, por lo que
el sistema es compatible indeterminado y su solucion puede ser calculada utilizando
un parametro. La solucion se obtiene directamente del sistema, sin ning un tipo de
calculo, dada la sencillez de este al sustituir a por el valor 0. As, x = 0, y = , z = 0
es la solucion que resulta.
58 CAP

Captulo 4
Introduccion a los espacios
vectoriales
4.1 Vectores en el espacio real n-dimensional
La nocion de vector que sera utilizada con mayor frecuencia en este curso sera
la de vector la o columna de una matriz o de un sistema de ecuaciones lineales
con coecientes reales. Con el animo de simplicar, en esta seccion trataremos los
vectores las, y de manera totalmente analoga, se procedera con los vectores columna.
Para un n umero natural n 1 denimos IR
n
como el conjunto de listas ordenadas
de n n umeros reales, o como el producto cartesiano de IR consigo mismo n veces, es
decir,
IR
n
= (a
1
, a
2
, ..., a
n
) [ a
1
, ..., a
n
IR.
En este conjunto se denen operaciones de suma y producto por elementos de IR (a
estos elementos los llamaremos escalares) de la siguiente manera: para dos vectores
(a
1
, ..., a
n
), (b
1
, ..., b
n
) en IR
n
y un escalar r IR,
(a
1
, ..., a
n
) + (b
1
, ..., b
n
) = (a
1
+b
1
, , ..., a
n
+b
n
),
r(a
1
, a
2
, ..., a
n
) = (ra
1
, ra
2
, ..., ra
n
).
Ejemplos. 1. Consideramos (1, 2, 5, 9), (2, 0, 2, 8) IR
4
y 7 IR, tenemos:
(1, 2, 5, 9) + (2, 0, 2, 8) = (1 + 2, 2 + 0, 5 + 2, 9 + 8) = (3, 2, 7, 1),
7(1, 2, 5, 9) = (7 1, 7 (2), 7 5, 7 (9)) = (7, 14, 35, 63).
2. El escalar 0 IR anula a cualquier vector u = (a
1
, ..., a
n
) IR
n
ya que
0(a
1
, ..., a
n
) = (0 a
1
, ..., 0 a
n
) = (0, ..., 0).
59
60 CAP
ITULO 4. INTRODUCCI
ON A LOS ESPACIOS VECTORIALES

La suma de vectores y el producto por escalares (denidos anteriormente) veri-
can las siguientes propiedades, todas ellas heredadas de las correspondientes que veri-
can la suma y producto de n umeros reales: (a
1
, ..., a
n
), (b
1
, ..., b
n
), (c
1
, ..., c
n
) IR
n
,
r, s IR,
a) (Asociativa)
[(a
1
, ..., a
n
) + (b
1
, ..., b
n
)] + (c
1
, ..., c
n
) = (a
1
, ..., a
n
) + [(b
1
, ..., b
n
) + (c
1
, ..., c
n
)].
b) (Conmutativa)
(a
1
, ..., a
n
) + (b
1
, ..., b
n
) = (b
1
, ..., b
n
) + (a
1
, ..., a
n
).
b) (Existencia de elemento neutro)
(0, ..., 0) IR
n
y (0, ..., 0) + (a
1
, ..., a
n
) = (a
1
, ..., a
n
), (a
1
, ..., a
n
) R
n
.
c) (Existencia de opuesto)
(a
1
, ..., a
n
) IR
n
, (a
1
, ..., a
n
) R
n
y (a
1
, ..., a
n
) + (a
1
, ..., a
n
) = (0, ..., 0).
d) (Distributiva I)
(r +s)(a
1
, ..., a
n
) = r(a
1
, ..., a
n
) +s(a
1
, ..., a
n
).
e) (Distributiva II)
r[(a
1
, ..., a
n
) + (b
1
, ..., b
n
)] = r(a
1
, ..., a
n
) +r(b
1
, ..., b
n
).
d) (Pseudoasociativa)
(rs)(a
1
, ..., a
n
) = r[s(a
1
, ..., a
n
)].
f) (Existencia de unidad)
1 IR y 1(a
1
, ..., a
n
) = (a
1
, ..., a
n
).
En el siguiente captulo veremos que un espacio vectorial real abstracto queda
denido a partir de unos axiomas que, esencialmente, son formulados como las pro-
piedades anteriores.
4.2 Combinaciones lineales y dependencia lineal
Un sistema de ecuaciones lineales con coecientes reales
_
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2

a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
4.2. COMBINACIONES LINEALES Y DEPENDENCIA LINEAL 61
puede ser interpretado como una ecuacion vectorial en IR
n
x
1
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
+x
2
_
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
_
+ +x
n
_
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
_
=
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
.
Si para cada i = 1, 2, ..., n llamamos
_
_
_
_
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
_
_
_
_
= u
i
,
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
= v,
la ecuacion vectorial anterior queda simplicada a la expresion
x
1
u
1
+x
2
u
2
+ +x
n
u
n
= v.
El sistema anterior tendra solucion si existen n umeros reales s
1
, ..., s
n
IR tales que
s
1
u
1
+s
2
u
2
+ +s
n
u
n
= v.
En este caso se dice que v esta expresado como combinaci on lineal de los vectores
u
1
, ..., u
n
.
En general, un vector v IR
n
es combinaci on lineal de vectores u
1
, u
2
,..., u
n
de IR
n
si existen escalares k
1
, k
2
,..., k
n
tales que
v = k
1
u
1
+k
2
u
2
+ +k
n
u
n
.
Se deduce de la denicion que el sistema anterior es compatible si y solo si el
vector columna de terminos independientes v se puede expresar como combinaci on
lineal de los vectores columna de la matriz de coecientes del sistema, u
1
,..., u
n
.
Ejemplos. 1. Todo vector (a, b, c) de IR
3
se puede expresar como combinaci on lineal
de los vectores (1, 0, 0), (0, 1, 0), (0, 0, 1) ya que
a(1, 0, 0) +b(0, 1, 0) +c(0, 0, 1) = (a, 0, 0) + (0, b, 0) + (0, 0, c) = (a, b, c).
2. El vector (14, 1, 15, 16) se puede expresar como combinacion lineal de los
vectores (2, 3, 1, 0), (4, 5, 6, 8) IR
4
dado que
3(2, 3, 1, 0)2(4, 5, 6, 8) = (6, 9, 3, 0)+(8, 10, 12, 16) = (14, 1, 15, 16).
3. Para determinar si un vector (a, b, c, d) es combinaci on lineal de los vectores
(2, 3, 1, 0), (4, 5, 6, 8) IR
4
es necesario y suciente que la ecuacion vectorial
x(2, 3, 1, 0) +y(4, 5, 6, 8) = (a, b, c, d)
62 CAP
ITULO 4. INTRODUCCI

tenga solucion. Operando en la anterior ecuacion obtenemos
(2x 4y, 3x + 5y, x + 6y, 8y) = (a, b, c, d).
As, la anterior ecuacion tendra solucion si y solo si el sistema
_
_
2x 4y = a
3x + 5y = b
x + 6y = c
8y = d
es compatible.
Consideramos ahora un sistema homogeneo con coeciente reales
_
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= 0

a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= 0
que expresado como ecuacion vectorial tiene la forma
x
1
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
+x
2
_
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
_
+ +x
n
_
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
_
=
_
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
_
,
o de manera mas simplicada
x
1
u
1
+x
2
u
2
+ +x
n
u
n
= 0.
Cuando exista solucion no nula del sistema, esto es, existan escalares no todos nulos
k
1
, k
2
,..., k
n
tales que
k
1
u
1
+k
2
u
2
+ +k
n
u
n
= 0,
diremos que los vectores u
1
, ..., u
n
son linealmente dependientes (vease la seccion
2.4).
En general, un conjunto cualquiera de vectores de IR
n
, u
1
, u
2
,..., u
n
se dice li-
nealmente dependiente si existen escalares k
1
, k
2
,..., k
n
no todos nulos, tales que
k
1
u
1
+k
2
u
2
+ +k
n
u
n
= 0.
En caso contrario diremos que los vectores son linealmente independientes.
Por tanto, la condicion necesaria y suciente para que el sistema homogeneo
anterior sea compatible indeterminado es que los vectores columna asociados sean
linealmente dependientes.
Ejemplos. 1. El vector nulo 0 = (0, ..., 0) IR
n
tiene la propiedad de que cualquier
conjunto de vectores en el que el aparezca es linealmente dependiente. Esto sucede
4.3. PRODUCTO ESCALAR, NORMA Y DISTANCIA 63
ya que si u
1
, ..., u
t
IR
n
son vectores cualesquiera entonces podemos obtener, por
ejemplo, la siguiente combinaci on lineal de 0:
1 0 + 0 u
1
+... + 0 u
n
= 0.
2. Si un vector no nulo v es combinacion lineal de los vectores u
1
, ..., u
n
, v =
k
1
u
1
+... +k
n
u
n
, entonces v, u
1
, ..., u
n
es un conjunto linealmente dependiente ya
que
0 = v +k
1
u
1
+... +k
n
u
n
.
3. Los vectores (1, 0, 0), (0, 1, 0), (0, 0, 1) son linealmente independientes: si
(0, 0, 0) = a(1, 0, 0) +b(0, 1, 0) +c(0, 0, 1),
entonces
(0, 0, 0) = (a, 0, 0) + (0, b, 0) + (0, 0, c) = (a, b, c).
Por tanto a = b = c = 0.
4.3 Producto escalar, norma y distancia
El producto escalar en IR
n
es la generalizacion del que conocemos para vectores
en el plano, IR
2
, y en el espacio, IR
3
. A partir del producto escalar se denen los
conceptos de norma de un vector y distancia entre dos vectores.
Dados dos vectores u = (u
1
, u
2
, ..., u
n
), v = (v
1
, v
2
, ..., v
n
) IR
n
, el producto
escalar o interno de u y v se dene como
u v = u
1
v
1
+u
2
v
2
+ +u
n
v
n
IR.
Se dice que los vectores u y v son ortogonales (o perpendiculares) si u v = 0.
Propiedades de producto escalar. Para u, v, w IR
n
y k IR se tiene:
i) (u +v) w = u w +v w,
ii) (ku) v = k(u v)
iii) u v = v u
iv) u u 0, y u u = 0 u = 0.
El espacio IR
n
con las operaciones anteriores de suma de vectores, producto por
escalares y producto interno, se suele llamar n-espacio eucldeo.
Sea u = (u
1
, u
2
, ..., u
n
) IR
n
. La norma del vector u se dene como
[[u[[ =
u u =
_
u
2
1
+u
2
2
+ +u
2
n
.
Un vector u es unitario si [[u[[ = 1. Si v es cualquier vector no nulo, entonces
w =
1
||v||
v es un vector unitario en la misma direccion de v. El proceso de hallar w
se llama normalizar v.
64 CAP
ITULO 4. INTRODUCCI

Existen dos propiedades de la norma que se utilizan con frecuencia:
Cauchy-Schwarz: u, v IR
n
, [u v[ [[u[[ [[v[[.
Minkowski: u, v IR
n
, [[u +v[[ [[u[[ +[[v[[.
Sean u = (u
1
, u
2
, ..., u
n
), v = (v
1
, ..., v
n
) IR
n
. La distancia entre u y v se dene
como
d(u, v) = [[u v[[ =
_
(u
1
v
1
)
2
+ (u
2
v
2
)
2
+ + (u
n
v
n
)
2
.
Ejemplos. 1. El producto escalar de (1, 0, 3, 1) y (3, 3, 0, 3) es
(1, 0, 3, 1) (3, 3, 0, 3) = 1 3 + 0 (3) + 3 0 + (1) 3 = 3 + 0 + 0 3 = 0,
por tanto los vectores son ortogonales.
2. Vamos a normalizar el vector (2, 0,
2, 3,
10) IR
5
. Primero calculamos
su norma:
[[(2, 0,
2, 3,
10)[[ =
_
(2)
2
+ 0
2
+ (
2)
2
+ 3
2
+ (
10)
2
=
=
4 + 0 + 2 + 9 + 10 =
25 = 5.
El normalizado de v es por tanto:
w =
v
[[v[[
=
1
5
(2, 0,
2, 3,
10) = (
2
5
, 0,
2
5
,
3
5
,
10
5
).
Es claro que la norma de w es 1 y que tiene la misma direccion que v.
3. Calculamos la distancia entre u = (3, 2, 0, 2) y v = (1, 1, 9, 0):
d(u, v) = [[u v[[ =
_
(3 1)
2
+ (2 (1))
2
+ (0 9)
2
+ (2 0)
2
=
=
4 + 1 + 81 + 4 =
90.
4.3.1

Angulos y proyecciones
El angulo entre dos vectores u, v IR
n
se dene seg un la ecuacion
cos =
u v
[[u[[ [[v[[
.
Sean u y v ,= 0 en IR
n
. La proyeccion (vectorial) de u sobre v es el vector
proy(u, v) =
u v
[[v[[
2
v.
4.4. NOTACI
ON IJK PARA VECTORES DE R

3
65
Tanto el angulo de dos vectores como la proyeccion son conceptos que generalizan
los ya conocidos en el plano y el espacio real.
Ejemplos. 1. El angulo que forman dos vectores ortogonales es /2 o 3/2 (radi-
anes): si u v = 0 entonces
(u, v) = arccos(
u v
[[u[[ [[v[[
) = arccos(0),
por tanto

(u, v) es /2 o 3/2.
2. Determinemos la proyeccion ortogonal de u = (1, 0, 5) sobre v = (1, 2, 3) :
proy(u, v) =
(1, 0, 5) (1, 2, 3)
[[(1, 2, 3)[[
2
(1, 2, 3) =
1 + 0 + 15
(
1 + 4 + 9)
2
(1, 2, 3) =
14
14
(1, 2, 3) = (1, 2, 3).
Por tanto proy(u, v) = v.
4.4 Notacion ijk para vectores de R
3
Denotemos por i = (1, 0, 0) al vector unitario en la direccion del eje x, j = (0, 1, 0)
al vector unitario en la direccion del eje y, y por k = (0, 0, 1) al vector unitario en la
direccion del eje z. Todo vector de IR
3
, u = (a, b, c), puede ser expresado de la forma
u = ai +bj +ck, que se llama notacion ijk del vector u.
Como es facil comprobar, los vectores i, j y k son unitarios y ortogonales dos a
dos, esto es,
i i = 1, j j = 1, k k = 1, i j = 0, i k = 0, j k = 0.
La suma, producto por un escalar, producto escalar y norma de vectores en IR
3
quedan ahora expresadas en esta nueva notacion como sigue: dados u = ai +bj +ck,
v = di +ej +fk en IR
3
y t IR,
u +v = (a +d)i + (b +e)j + (c +f)k
tu = tai +tbj +tck,
u v = ad +be +cf
[[u[[ =
a
2
+b
2
+c
2
.
4.4.1 Producto vectorial
El producto vectorial de dos vectores u, v de IR
3
es un nuevo vector, denotado
por u v, que es ortogonal a u y v, y que se dene de la siguiente manera: para
u = ai +bj +ck, v = di +ej +fk,
u v :=
i j k
a b c
d e f
.
66 CAP
ITULO 4. INTRODUCCI

Se comprueban inmediatamente la siguientes igualdades:
1) i j = k,
2) j k = i,
3) k i = j,
4) j i = k,
5) k j = i,
6) i k = j.
Ejemplos. 1. Vamos a mostrar que el producto vectorial de dos vectores en IR
3
es
ortogonal a ambos: sean u
1
= a
1
i +b
1
j +c
1
k y u
2
= a
2
i +b
2
j +c
2
k, entonces
u
1
u
2
=
i j k
a
1
b
1
c
1
a
2
b
2
c
2
b
1
c
1
b
2
c
2
a
1
c
1
a
2
c
2
j +
a
1
b
1
a
2
b
2
k.
Por tanto
u
1
(u
1
u
2
) = a
1
b
1
c
1
b
2
c
2
b
1
a
1
c
1
a
2
c
2
+c
1
a
1
b
1
a
2
b
2
a
1
b
1
c
1
a
1
b
1
c
1
a
2
b
2
c
2
= 0.
Por tanto u
1
y u
1
u
2
son ortogonales. Analogamente se prueba que u
2
y u
1
u
2
son ortogonales.
2. Determinemos un vector ortogonal a u = 2i 3j + k y v = i + k. Bastara
hallar el producto vectorial de u y v,
u v =
i j k
2 3 1
1 0 1
3 1
0 1
2 1
1 1
j +
2 3
1 0
k = 3i 3j 3k.
4.5 Vectores complejos
Antes de introducir los vectores de I C
n
vamos a dar un breve repaso a los n umeros
complejos.
Denimos los n umeros complejos como el conjunto de pares ordenados de n umeros
reales, I C = (a, b) [ a, b IR, junto con una operacion suma (a, b) + (c, d) =
(a +c, b +d), y otra producto (a, b)(c, d) = (ac bd, ad +bc).
Si denotamos i = (0, 1) y 1 = (1, 0), podemos escribir (a, b) = a+bi. La notacion
a + bi es usada con mayor frecuencia en la practica. El conjunto de n umero reales
se podra ver incluido en I C sin mas que entender cada n umero real r como el n umero
complejo r + 0i. El producto de un n umero real por un n umero complejo ahora
se expresara como r(a, b) = (r, 0)(a, b) = (ra, rb), esto es, r(a + bi) = ra + rbi.
Ademas se tiene i
2
= 1, esto es i =
1. Podemos entender I C como el menor

conjunto numerico que contiene a IR y en el que la ecuacion x
2
+1 = 0 tiene solucion
(precisamente i y i).
4.5. VECTORES COMPLEJOS 67
Dado un n umero complejo z = a+bi, denimos la parte real de z como a = Re(z),
y la parte imaginaria como b = Im(z). El conjugado de z es z = a bi. Es facil
comprobar que zz = a
2
+b
2
.
Cada n umero complejo z = a +bi no nulo posee inverso y se halla de la siguiente
forma: z
1
=
z
zz
=
a
a
2
+b
2

b
a
2
+b
2
i.
Ya que I C es, como conjunto, IR
2
podemos expresar un n umero complejo z = (a, b)
dando su modulo [z[ =
zz =
a
2
+b
2
y su argumento, es decir, el angulo que forma
z con el eje de abscisas (arg(z) = arctan(
b
a
)).
Ejemplo. Dados z
1
= 2 3i, z
2
= 1 + i, calculemos z
1
+ z
2
, z
1
z
2
, z
1
1
, [z
1
z
2
[ y
arg(z
2
):
z
1
+z
2
= (2 3i) + (1 + i) = 1 2i,
z
1
z
2
= (2 3i)(1 +i) = (2 + 3) + (2 + 3)i = 1 + 5i,
z
1
1
=
z
1
z
1
z
1
=
2
2
2
+ (3)
2

3
2
2
+ (3)
2
i =
2
13
+
3
13
i,
[z
1
z
2
[ = [1 + 5i[ =
1
2
+ 5
2
=
26,
arg(z
2
) = arctan(
1
1
) = arctan(1) = /4.
Ahora denimos I C
n
como el conjunto de listas ordenadas de n umeros complejos
de longitud n:
I C
n
= (z
1
, z
2
, ..., z
n
) [ z
i
I C.
Al igual que en IR
n
, se dene la suma y producto por escalares de I C de la siguiente
manera: para (z
1
, z
2
, ..., z
n
), (w
1
, w
2
, ..., w
n
) C
n
y z I C,
(z
1
, z
2
, ..., z
n
) + (w
1
, w
2
, ..., w
n
) = (z
1
+w
1
, z
2
+w
2
, ..., z
n
+w
n
),
z(z
1
, z
2
, ..., z
n
) = (zz
1
, zz
2
, ..., zz
n
).
La denicion de producto escalar en I C
n
diere de la dada en IR
n
, ya que se
debe conseguir que la norma de un vector complejo tome valores en IR (si quere-
mos que la norma mida el tama no de los vectores). As pues, denimos para
(z
1
, z
2
, ..., z
n
), (w
1
, w
2
, ..., w
n
) I C
n
su producto escalar como:
(z
1
, z
2
, ..., z
n
) (w
1
, w
2
, ..., w
n
) = z
1
w
1
+z
2
w
2
+ +z
n
w
n
.
Ahora la norma de un vector se dene a partir del producto escalar ya denido de
la misma manera que en IR
n
:
[[(z
1
, z
2
, ..., z
n
)[[ =
z
1
z
1
+z
2
z
2
+ +z
n
z
n
=
_
[z
1
[
2
+[z
2
[
2
+ +[z
n
[
2
.
68 CAP
ITULO 4. INTRODUCCI

Notese que si n = 1, la norma de un vector de I C es precisamente su modulo (cosa
que es posible gracias a la nueva denicion del producto escalar).
El espacio I C
n
, con las operaciones anteriores de suma de vectores, producto por
un escalar de I C y producto escalar, se denomina n-espacio eucldeo complejo.
Ejemplo. Para los vectores complejos u = (23i, i, 5) y v = (2+i, 6+4i, 2i),
calculemos u +v, i(u v), u v, [[u +v[[:
u +v = (2 3i, i, 5) + (2 +i, 6 + 4i, 2 i) = (2i, 6 + 3i, 7 i),
i(u +v) = i(2i, 6 + 3i, 7 i) = (i(2i), i(6 + 3i), i(7 i)) = (2, 3 + 6i, 1 + 7i),
uv = (23i, i, 5)(2+i, 6+4i, 2i) = (23i)(2 +i)+(i)(6 + 4i)+5(2 i) =
= (23i)(2i)+(i)(64i)+5(2+i) = (7+4i)+(46i)+(10+5i) = 1+3i,
[[u +v[[ = [[(2i, 6 + 3i, 7 i)[[ =
_
(2i)(2i) + (6 + 3i)(6 + 3i + (7 i)(7 i) =
=
_
(2i)(2i) + (6 + 3i)(6 3i) + (7 i)(7 +i) =
4 + 36 + 9 + 49 + 1 =
99.
4.6. PROBLEMAS PROPUESTOS 69
4.6 Problemas propuestos
Problema 1 Sean u = (2, 7, 1), v = (3, 0, 4), w = (0, 5, 8). Hallar a) 3u 4v,
b) 2u + 3v 5w.
Problema 2 Calcular: a) 2
_
_
_
1
1
2
_
_
_ 3
_
_
_
2
3
4
_
_
_, b) 2
_
_
_
5
3
4
_
_
_ + 4
_
_
_
1
5
2
_
_
_
3
_
_
_
3
1
1
_
_
_.
Problema 3 Hallar x e y si a) (x, 3) = (2, x +y); b) (4, y) = x(2, 3).
Problema 4 Convertir las siguientes ecuaciones vectoriales en un sistema de ecua-
ciones lineales y resolverlo:
_
_
_
1
6
5
_
_
_ = x
_
_
_
1
2
3
_
_
_ +y
_
_
_
2
5
8
_
_
_ +z
_
_
_
3
2
3
_
_
_.
Problema 5 Escribir el vector v = (1, 2, 5) como combinacion lineal de los vec-
tores
u
1
= (1, 1, 1), u
2
= (1, 2, 3) y u
3
= (2, 1, 1).
Problema 6 Determinar si los vectores u
1
= (1, 1, 1), u
2
= (2, 1, 3) y u
3
=
(1, 5, 3) son linealmente independientes.
Problema 7 Sean u = (1, 2, 3, 4), v = (5, 6, 7, 8) y k = 3. Hallar:
a) (u +v) w, b) u w +v w. c) k(u v), d) (ku) v, e) u (kv).
Problema 8 Sean u = (5, 4, 1), v = (3, 4, 1) y w = (1, 2, 3). Que pares de
dichos vectores son perpendiculares?.
Problema 9 Determinar el valor de k para que los vectores u y v sean ortogonales,
siendo u = (1, k, 3) y v = (2, 5, 4).
Problema 10 Determine el valor de k para que [[u[[ =
39, donde u = (1, k, 2, 5).

Despues, normaliza u.
Problema 11 Sean u = (1, 2, 2), v = (3, 12, 4) y k = 3.
a) Encontrar [[u[[, [[v[[ y [[ku[[. b) Comprobar que [[ku[[ = [k[ [[u[[ y [[u + v[[
[[u[[ +[[v[[.
Problema 12 Hallar la distancia d(u, v) entre los vectores u y v, donde:
a) u = (3, 5, 4), v = (6, 2, 1); b) u = (5, 3, 2, 4, 1), v = (2, 1, 0, 7, 2).
70 CAP
ITULO 4. INTRODUCCI

Problema 13 Encontrar un n umero k tal que d(u, v) = 6, siendo u = (2, k, 1, 4)
y v = (3, 1, 6, 3).
Problema 14 Determinar cos, donde es el angulo entre u = (1, 2, 5) y v =
(2, 4, 3).
Problema 15 Determinar proy(u, v), donde u = (1, 3, 4) y v = (3, 4, 7).
Problema 16 Calcular u v donde a) u = (1, 2, 3) y v = (4, 5, 6), b) u = (7, 3, 1)
y v = (1, 1, 1).
Problema 17 Considerese los vectores u = 2i 3j + 4k, v = 3i + j 2k, w =
i + 5j + 3j. Encontrar:
a) u v, b) u w, c) v w.
Problema 18 Pon un ejemplo que ilustre que el vector u v es ortogonal a u y a
v.
Problema 19 Encontrar un vector unitario u ortogonal a v = (1, 3, 4) y a w =
(2, 6, 5).
Problema 20 De un ejemplo que ilustre la identidad de Lagrange: [[u v[[ =
(u u)(v v) (u v)
2
.
Problema 21 Supongamos que z = 5 + 3i y w = 2 4i. Calcular: a) z + w, b)
z w, c) zw.
Problema 22 Simplicar: a) (5 + 3i)(2 7i), b) (4 3i)
2
, c) (1 + 2i)
3
, d)
27i
5+3i
, e)
i
317
.
Problema 23 Hallar zz y [z[ donde z = 3 + 4i.
Problema 24 Sean u = (3 2i, 4i, 1 + 6i, 2i) y v = (5 + i, 2 3i, 7 + 2i, 1 i).
Calcular:
a) u +v; b) 2iu; c) (3 i)v; d) u v; e) [[u[[ y [[v[[.
Problema 25 Ilustre con dos ejemplos las siguientes armaciones:
a) Para dos n umeros complejos cualesquiera z, w I C, i) z +w = z + w, ii)
zw = zw, iii) z = z, iv) [zw[ = [z[[w[.
b) Para dos vectores cualesquiera u, v I C
n
y cualquier escalar z I C, i) u v =
v u, ii) (zu) v = z(u v), iii) u (zv) = z(u v).
Captulo 5
Espacios vectoriales
5.1 Denicion de espacio vectorial
Comenzamos la seccion dando la denicion de espacio vectorial sobre un cuerpo
arbitrario. Recordemos que el concepto de cuerpo ha sido ya manejado con anteri-
oridad por ejemplo en la seccion 2.1.
Denicion 5.1.1 Un espacio vectorial sobre un cuerpo K (tambien llamado K-
espacio vectorial) es un conjunto no vaco V junto con dos operaciones, + : V V
V (suma) y : K V V (producto por escalares) que cumplen las siguientes
propiedades:
a) (V, +) es un grupo abeliano.
b) u, v V , a, b K
i) a (u +v) = au +bv
ii) (a +b) u = au +bu
iii) (ab) u = a (bu)
iv) 1
K
u = u (1
K
denota la identidad de K).
Los elementos de un K-espacio vectorial V seran llamados vectores y los ele-
mentos de K se denominaran escalares.
Ejemplos. 1. K es un espacio vectorial sobre si mismo, es decir, es un K-espacio
vectorial.
2. Para n 1 sea
K
n
= (a
1
, a
2
, ..., a
n
) [ a
i
K
el conjunto de n-uplas de elementos de K. Si denimos la suma de n-uplas compo-
nente a componente y el producto por escalares mediante a(a
1
, ..., a
n
) = (aa
1
, ..., aa
n
),
a K, se obtiene un K-espacio vectorial.
3. Sea X un conjunto no vaco, K un cuerpo y F(X, K) el conjunto de funciones
de X en K, esto es,
F(X, K) = f : X K [ f es una aplicacion .
71
72 CAP
ITULO 5. ESPACIOS VECTORIALES

Podemos dotar a F(X, K) de estructura de K-espacio vectorial deniendo, para
f, g F(X, K) y a K:
(f +g)(x) = f(x) +g(x), (a f)(x) = af(x),
para todo x X. Los axiomas de K-espacio vectorial se demuestran aprovechando
la estructura de K-espacio vectorial de K.
5.2 Subespacios vectoriales
Un subespacio vectorial U de un espacio vectorial dado V no es sino un subcon-
junto no vaco U V de forma que U, con las operaciones de V , tiene estructura de
espacio vectorial. Sin embargo, para comprobar que un determinado subconjunto no
vaco de un espacio vectorial es un subespacio vectorial, no es necesario comprobar
que se verican todos los axiomas de espacio vectorial, sino que basta comprobar
que se satisface cierta condicion, tal y como expresamos en el siguiente resultado.
Proposicion 5.2.1 Sea V un K-espacio vectorial. Un subconjunto no vaco U de
V es un subespacio vectorial de V si y solo si para todos a, b K y todos u, v U
se tiene que au +bv U.
Ejemplos. 1. 0
V
, V son siempre subespacios vectoriales de V .
2. El conjunto U = (x, y, 0) [ x, y IR es un subespacio de IR
3
.
3. Dado un vector no nulo u de un K-espacio vectorial V , el conjunto
U = au [ a K
es un subespacio llamado recta vectorial en la direccion de u.
4. El conjunto de funciones continuas de IR en IR, esto es,
C(IR) = f : IR IR [ f es continua,
es un IR-subespacio de F(IR, IR).
5.3 Subespacio generado por un conjunto
Comenzamos esta seccion poniendo de maniesto un hecho sencillo que recogemos
en el siguiente resultado.
Proposicion 5.3.1 La interseccion de cualquier familia de subespacios de un espa-
cio vectorial V es un subespacio de V .
5.3. SUBESPACIO GENERADO POR UN CONJUNTO 73
Conocido este hecho, dado un subconjunto no vaco cualquiera S de un espacio
vectorial V , resulta facil comprender la denicion de subespacio generado (o engen-
drado) por el conjunto S como la intersecci on de todos los subespacios de V que
contienen a S, es decir, el subespacio generado por S es el menor subespacio de V
que contiene a S. A este subespacio vectorial se le denota por < S >.
Nuestro siguiente paso va ser describir < S > en funcion de sus elementos, para
lo cual recordamos el concepto de combinaci on lineal de una familia de vectores, que
ya fue denido en la seccion 4.2.
Denicion 5.3.2 Se dice que un vector u de V es combinacion lineal de los vectores
u
1
, ..., u
k
si existen escalares a
1
, ..., a
k
K tal que u =
k
i=1
a
i
u
i
.
Proposicion 5.3.3 Sea S cualquier subconjunto no vaco de V . Se verica en-
tonces que el subespacio vectorial generado por S esta formado por todas las posibles
combinaciones lineales que se pueden hacer con los elementos de S, es decir,
< S >= u V [ u =
n
i=1
a
i
u
i
, a
i
K, u
i
S.
Ejemplos. 1. El primer ejemplo de subespacio generado por un conjunto lo encon-
tramos en la solucion de un sistema de ecuaciones lineales homogeneo; consideremos
por ejemplo el sistema lineal homogeneo con coecientes reales
x y +z = 0
y z = 0
_
.
Resolviendo el sistema nos queda la siguiente solucion
U = (0, a, a) [ a IR.
El subespacio U de IR
3
esta generado por el conjunto (0, 1, 1), as
U =< (0, 1, 1) > .
2. La solucion de la ecuacion lineal x y z t = 0 en IR
4
es
W = (a +b +c, a, b, c) [ a, b, c IR.
Cualquier vector solucion (a +b +c, a, b, c) W se expresa de la forma
(a +b +c, a, b, c) = (a, a, 0, 0) + (b, 0, b, 0) + (c, 0, 0, c) =
= a(1, 1, 0, 0) +b(1, 0, 1, 0) +c(1, 0, 0, 1).
Por tanto
W =< (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) > .
74 CAP

5.4 Suma y suma directa de subespacios
En general, al contrario de lo que sucede con la intersecci on de subespacios, la
union de subespacios no es un subespacio. Para ver un sencillo ejemplo, consideremos
V = IR
2
y U
1
= (x, 0) [ x IR, U
2
= (0, x) [ x IR. Entonces U
1
U
2
no es
un subespacio ya que (1, 0), (0, 1) U
1
U
2
, pero (1, 0) + (0, 1) = (1, 1) no esta en
U
1
U
2
.
Denicion 5.4.1 Sea U
i
[ i = 1, ..., n una familia de subespacios.
1) Denimos la suma de estos subespacios como:
n
i=1
U
i
== u V [ u = u
1
+ u
n
, u
i
U
i
.
2) Cuando para todo j = 1, ..., n, U
j
(
i=j
U
i
) = 0, el subespacio

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

n
i=1
U
i
=
n
i=1
U
i
.
As, en el caso de solo dos subespacios vectoriales U
1
y U
2
, tendremos que U
1
+U
2
=
U
1
U
2
si y solo si U
1
U
2
= 0.
Proposicion 5.4.2 Sea U
i
[ i = 1, ..., n una familia de subespacios de un espacio
vectorial V . Supongamos que
n
i=1
U
i
existe. Entonces todo vector u
n
i=1
U
i
se
expresa de manera unica como u = u
1
+ +u
n
con u
i
U
i
.
Dos subespacios U
1
, U
2
V se dicen suplementarios si V = U
1
U
2
. Tambien se
suele decir que U
1
es un suplemento de U
2
o al reves. Por ejemplo,
IR
2
= (x, 0) [ x IR (0, x) [ x IR,
por lo que (x, 0) [ x IR y (0, x) [ x IR son subespacio suplementarios de IR
2
.
Ejemplo. Cuando dos subespacios estan generados por sendos conjuntos, su suma
esta generada por la union de los mismos. Concretamente, sean
U =< (1, 2, 1), (3, 1, 0) >, W =< (8, 0, 0) >
dos subespacios de IR
3
. Entonces U +V =< (1, 2, 1), (3, 1, 0), (8, 0, 0) >.
En este caso ademas la suma es directa: si (a, b, c) U W entonces podremos
expresarlo de las siguientes dos maneras,
(a, b, c) = (1, 2, 1) +(3, 1, 0)
(a, b, c) = (8, 0, 0)
con , , IR. As,
( + 3, 2 , ) = (8, 0, 0).
Esto implica inmediatamente que = = 0 y consecuentemente que (a, b, c) =
(0, 0, 0). Por tanto U W = (0, 0, 0), esto es, U +W = U W.
5.5. BASES 75
Por ultimo veamos que IR
3
= U W, esto es, U y W son subespacios suple-
mentarios de IR
3
: dado cualquier vector (a, b, c) IR
3
, se trata de encontrar tres
escalares , , IR tales que
(a, b, c) = (1, 2, 1) +(3, 1, 0) +(8, 0, 0).
Igualando componente a componente nos queda el sistema de ecuaciones lineales
_
_
+ 3 + 8 = a
2 = b
= c
Como el sistema tiene la solucion = c, = 2c b, =
1
8
a +
3
8
b
5
8
c, el vector
(a, b, c) pertenece a U W.
5.5 Bases
Comencemos recordando la denicion de dependencia e independencia lineal.
Denicion 5.5.1 Un conjunto de vectores v
1
, ..., v
n
V se dice linealmente indepen-
diente si para todos a
1
, ..., a
n
K tales que

n
i=1
a
i
v
i
= 0, entonces necesariamente
a
i
= 0 para todo i = 1, ..., n. En caso contrario se dira que v
1
, ..., v
n
son linealmente
dependientes.
Ejemplo. Consideramos C(IR) (el conjunto de funciones continuas de IR en IR).
Este conjunto tiene estructura de IR-espacio vectorial deniendo la suma y producto
por escalares puntualmente (es, como ya sabemos por secciones anteriores, un subes-
pacio de F(IR, IR), el IR-espacio de funciones de IR en IR). Veamos que las funciones
sen(x) y cos(x) constituyen un conjunto linealmente independiente: si
a sen(x) +b cos(x) = 0,
tendremos en particular que a sen(0)+b cos(0) = 0 y que a sen(/2)+b cos(/2) = 0.
Por tanto b = 0 y a = 0 como queramos.
Proposicion 5.5.2 Un conjunto de vectores v
1
, ..., v
n
V es linealmente dependi-
ente si y solo si existe v
i
tal que
v
i
< v
1
, ..., v
i1
, v
i+1
, ..., v
n
> .
Es un sencillo ejercicio para el lector probar la anterior proposicion.
Denicion 5.5.3 Sea V un K-espacio vectorial. Una base de V es un conjunto de
vectores linealmente independientes que genera V .
El espacio vectorial se dice que es de dimension nita si tiene al menos una base
nita.
76 CAP

Ejemplos. 1. El K-espacio K
n
posee, para cualquier n 1, una base distinguida
llamada base canonica, que es sencillamente:
B
c
= (1, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, 0, ..., 0, 1).
Proponemos como ejercicio al lector que compruebe que, efectivamente, B
c
es una
base de K
n
. Por la denicion tendramos entonces que K
n
tiene dimension nita.
2. El IR-espacio F(IR, IR) no tiene dimension nita. En general si X es un
conjunto innito y K es un cuerpo, el K-espacio F(X, K) no tiene dimension nita.
Proposicion 5.5.4 Sea V un K-espacio vectorial de dimension nita.
a) Si B = v
1
, ..., v
n
es una base de V , entonces todo vector v V se expresa
de manera unica como combinacion lineal de los vectores de la base.
b) Todas las bases de V tienen el mismo n umero de elementos.
Si B = v
1
, ..., v
n
es una base de V y v = x
1
v
1
+ +x
n
v
n
, con x
i
K, diremos
que (x
1
, ..., x
n
)
B
son las coordenadas de v respecto de la base B.
Dado que en un espacio vectorial de dimension nita todas las bases tienen el
mismo n umero de vectores (Proposcion 5.5.4), la siguiente denicion tiene perfecto
sentido.
Denicion 5.5.5 La dimension de un K-espacio vectorial V , dim
K
V , se dene
como el n umero de elementos de cualquiera de sus bases.
Ejemplos y observaciones.
1. Por el apartado (a) de la proposicion 5.5.4 se prueba que si B = v
1
, ..., v
n
es
una base del K-espacio V , entonces
V = Kv
1
Kv
2
Kv
n
.
2. Notemos que si V es un espacio de dimension nita y U V es un subespacio de
V , entonces dim
K
U dim
K
V .
3. Las siguientes condiciones son equivalentes para que un conjunto de vectores de
un espacio de dimension n constituya una base:
a) El conjunto tiene n elementos y es linealmente independiente.
b) El conjunto tiene n elementos y genera todo el espacio.
As por ejemplo, ya que sabemos que K
n
tiene dimension n (antes hemos visto
que la base canonica tiene n elementos), una condicion necesaria y suciente para
que un conjunto de n vectores de K
n
,
B = (a
11
, a
12
, ..., a
1n
), (a
21
, a
22
, ..., a
2n
), ..., (a
n1
, a
n2
, ..., a
nn
),
constituya una base, sera que el determinante de la matriz
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
n1
a
n2
a
nn
_
_
_
_
_
5.5. BASES 77
sea distinto de cero.
4) Desde un punto de vista practico, determinar las coordenadas de un vector res-
pecto de una base de K
n
cualquiera consiste en resolver un sistema de ecuaciones
compatible (determinado). En concreto, consideremos en el IR-espacio vectorial IR
3
la base
B = (1, 2, 4), (2, 2, 1), (0, 3, 2)
(es claro que B es una base ya que el determinante de la matriz cuyas las son los
vectores de B vale 17, que es distinto de cero) y determinemos las coordenadas del
vector (17, 17, 17) IR
3
respecto de dicha base. Se trata de encontrar tres elementos
de IR, a, b y c, tales que
a(1, 2, 4) +b(2, 2, 1) +c(0, 3, 2) = (17, 17, 17).
Esta ecuacion vectorial se puede expresar como un sistema de ecuaciones de tipo
Cramer en las incognitas a, b, c :
a + 2b = 17
2a + 2b + 3c = 17
4a +b + 2c = 17
_
_
.
Resolviendo el sistema por la formula de Cramer obtenemos que a = 3, b = 7 y
c = 1. Por tanto las coordenadas de (17, 17, 17) respecto de la base B son (3, 7, 1).
Comprobemos esto ultimo:
3(1, 2, 4) + 7(2, 2, 1) 1(0, 3, 2) = (3, 6, 12) + (14, 14, 7) + (0, 3, 2) = (17, 17, 17).
Proposicion 5.5.6 Sea V un K-espacio vectorial de dimension n. Si v
1
, ...,v
p
es
un conjunto linealmente independiente de vectores de V (p < n), entonces existen
vectores v
p+1
, ..., v
n
V tales que el conjunto v
1
, ..., v
p
, v
p+1
, ..., v
n
es una base de
V .
Ejemplo. La ultima proposicion proporciona un sencillo metodo para encontrar el
suplemento de un subespacio. Ilustremos el metodo con el siguiente ejemplo: para el
subespacio U =< (1, 2, 3, 1), (1, 0, 1, 0) > de IR
4
vamos a encontrar un subespacio
suplementario. Como los vectores v
1
= (1, 2, 3, 1), v
2
= (1, 0, 1, 0) son linealmente
independientes, sabemos por la proposicion anterior que existen dos vectores v
3
y v
4
en IR
4
tales que v
1
, v
2
, v
3
, v
4
es una base de IR
4
. Pero entonces:
IR
4
=< v
1
, v
2
, v
3
, v
4
>=< v
1
, v
2
> < v
3
, v
4
>= U < v
3
, v
4
> .
Por tanto W =< v
3
, v
4
> es un subespacio suplementario de U. As pues, lo unico que
resta por hacer es calcular explcitamente los vectores v
3
y v
4
. Para ello consideramos
la matriz cuyas las son los vectores v
1
y v
2
_
1 2 3 1
1 0 1 0
_
.
78 CAP

Calculamos ahora una matriz escalonada equivalente a la anterior, sin mas que sumar
a la segunda la la primera:
_
1 2 3 1
0 2 4 1
_
.
Por argumentos ya conocidos, los vectores v
3
= (0, 0, 1, 0) y v
4
= (0, 0, 0, 1) cumplen
que la matriz
_
_
_
_
_
1 2 3 1
0 2 4 1
0 0 1 0
0 0 0 1
_
_
_
_
_
tiene rango maximo y por tanto las las de la matriz son linealmente independientes.
Con esto ya deducimos que W =< v
3
, v
4
> es un suplemento de U.
5.6 Ecuaciones de un cambio de base
Sea V un K-espacio vectorial de dimension n y
B = u
1
, ..., u
n
, B
= u
1
, ..., u
bases de V .
Supongamos conocidas las coordenadas de los vectores de B respecto de la base
B
:
u
i
=
n
j=1
a
ji
u
j
, i = 1, ..., n.
Entonces para cualquier v V se tiene
v =
n
i=1
x
i
u
i
, v =
n
i=1
x
i
u
i
.
As,
v =
n
i=1
x
i
(
n
j=1
a
ji
u
j
) =
n
j=1
(
n
i=1
a
ji
x
i
)u
j
.
Por tanto, dado que las coordenadas de un vector respecto a una base son unicas,
obtenemos que
x
j
=
n
i=1
a
ji
x
i
, j = 1, ..., n.
Estas ultimas ecuaciones son llamadas las ecuaciones del cambio de base de B a B
.
En expresion matricial se tiene X
= AX, es decir:
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
.
5.6. ECUACIONES DE UN CAMBIO DE BASE 79
La matriz A es llamada matriz del cambio de base de B a B
y se denotara por
M(B, B
).
Se demuestra que la matriz de cualquier cambio de base es regular (inversible),
y que de hecho la matriz del cambio de base de B
a B, M(B
, B), es la inversa
de la del cambio de base de B a B
, M(B, B
), es decir, M(B
, B) = M(B, B
)
1
.
Ademas, dadas tres bases cualesquiera B
1
, B
2
y B
3
, resulta que hacer el cambio de
base de B
1
a B
2
y despues el cambio de base de B
2
a B
3
, es lo mismo que hacer
directamente el cambio de base de B
1
a B
3
, es decir, el producto de las matrices
M(B
2
, B
3
) M(B
1
, B
2
) (el producto ha de efectuarse necesariamente en este orden)
es igual a M(B
1
, B
3
).
Ejemplo. Vamos a determinar las ecuaciones del cambio de base en IR
3
de B
1
a B
2
,
donde
B
1
= (0, 1, 0), (0, 0, 1), (2, 0, 0), B
2
= (1, 2, 1), (0, 1, 1), (0, 0, 2).
Una forma sencilla de acometer el problema es calcular la matriz de cambio de
base M(B
1
, B
2
) a partir de las matrices de cambio de base M(B
1
, B
c
) y M(B
c
, B
2
)
(B
c
es la base canonica de IR
3
). Concretamente, M(B
1
, B
2
) es igual al producto
M(B
c
, B
2
) M(B
1
, B
c
), y el calculo de las dos ultimas matrices resulta muy sencillo:
se comprueba que la matriz M(B
1
, B
c
) es aquella cuyas columnas son los vectores
de B
1
, es decir,
M(B
1
, B
c
) =
_
_
_
0 0 2
1 0 0
0 1 0
_
_
_.
Por otro lado, la matriz M(B
c
, B
2
) es la inversa de la matriz M(B
2
, B
c
), es decir,
la inversa de la matriz cuyas columnas son los vectores de B
2
, esto es,
M(B
c
, B
2
) =
_
_
_
1 0 0
2 1 0
1 1 2
_
_
_
1
=
_
_
_
1 0 0
2 1 0
3
2
1
2
1
2
_
_
_.
As,
M(B
1
, B
2
) =
_
_
_
1 0 0
2 1 0
3
2
1
2
1
2
_
_
_
_
_
_
0 0 2
1 0 0
0 1 0
_
_
_ =
_
_
_
0 0 2
1 0 4
1
2

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

1
2
3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
80 CAP

_
_
x
2
= 2z
1
y
2
= x
1
4z
1
z
2
=
1
2
x
1
1
2
y
1
3z
1
5.7 Ecuaciones parametricas de un subespacio
Sea V un K-espacio vectorial de dimension n, y U un subespacio de V de di-
mension r (r n). Consideramos una base de V y una base U:
B
V
= v
1
, ..., v
n
, B
U
= u
1
, ..., u
r
.
Si
u
i
=
n
j=1
a
ji
v
j
, i = 1, ..., r,
entonces para u U tenemos
u =
r
i=1
b
i
u
i
, u =
n
i=1
x
j
v
j
.
As,
u =
r
i=1
b
i
u
i
=
r
i=1
b
i
(
n
j=1
a
ji
v
j
) =
n
j=1
(
r
i=1
a
ji
b
i
)v
j
.
Por tanto
x
j
=
r
i=1
a
ji
b
i
, j = 1, ..., n.
Las ultimas ecuaciones son llamadas ecuaciones parametricas de U respecto a B
V
y
B
U
.
En expresion matricial se tiene X = AB, es decir:
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1r
a
21
a
22
a
2r

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

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

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

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

a
r1
a
r2
a
rr
82 CAP

es distinto de cero. Por tanto, los menores orlados de orden r + 1 de la matriz del
determinante anterior deben ser cero:
a
11
a
12
a
1r
x
1
a
21
a
22
a
2r
x
2

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

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

a
r1
a
r2
a
rr
x
r
a
n,1
a
n,2
a
n,r
x
n
= 0.
Las n r ecuaciones que se obtienen de esta forma son precisamente las ecua-
ciones cartesianas de U respecto a la base B.
Ejemplo. Determinemos las ecuaciones cartesianas del subespacio
U =< (1, 0, 1, 1), (2, 1, 1, 1) >
de IR
4
respecto a la base canonica de IR
4
.
Los vectores (1, 0, 1, 1) y (2, 1, 1, 1) no son proporcionales por lo que B
U
=
(1, 0, 1, 1), (2, 1, 1, 1) es una base de U. Por tanto, para hallar las ecuaciones
cartesianas de U respecto de la base canonica de IR
4
consideramos la matriz
_
_
_
_
_
1 2
0 1
1 1
1 1
_
_
_
_
_
,
y buscamos un menor no nulo de tama no maximo (en este caso dicho tama no es 2
puesto que el rango de la matriz es 2), por ejemplo
1 2
0 1
= 1 ,= 0.
5.8. ECUACIONES CARTESIANAS DE UN SUBESPACIO 83
Tomamos entonces la matriz
_
1 2
0 1
_
y las ecuaciones cartesianas que buscamos vendr an dadas por las ecuaciones
1 2 x
1
0 1 x
2
1 1 x
3
= 0 y
1 2 x
1
0 1 x
2
1 1 x
4
= 0.
Obtenemos pues que las ecuaciones cartesianas son:
x
1
+ 3x
2
+x
3
= 0
x
1
3x
2
+x
4
= 0
_
.
84 CAP

5.9 Problemas
Problema 1 Dgase si el subconjunto F IR
n
es o no un subespacio de IR
n
en los
casos siguientes.
a) F = (x
1
, . . . , x
n
); x
i
0 i,
b) F = (x
1
, . . . , x
n
);

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

n
i=1
x
i
= 1.
Solucion. a) No es un subespacio ya que F no es un grupo abeliano: si v F es
no nulo entonces v no pertenece a F.
b) S es un subespacio: dados dos n umeros reales a y b y dos vectores v =
(x
1
, ..., x
n
), w = (y
1
, ..., y
n
) F, se tiene que av + bw = (ax
1
+ by
1
, ..., ax
n
+ by
n
) y
0 = a(
n
i=1
x
i
) + b(
n
i=1
y
i
) =
n
i=1
(ax
i
+by
i
).
c) No es un subespacio ya que, por ejemplo, el vector nulo no pertenece a F, esto
es, (F, +) no es un grupo abeliano.
Problema 2 Sea F(X, IR) el espacio vectorial real de las funciones denidas del
conjunto X en IR. Considere el subconjunto A(x
0
, y
0
) de F(X, IR) formado por
las funciones que verican f(x
0
) = y
0
. Dgase para que valores de y
0
IR dicho
subconjunto es subespacio de F(X, IR).
Solucion. Si y
0
es no nulo entonces A(x
0
, y
0
) no es un subespacio ya que si f, g
A(x
0
, y
0
), entonces (f + g)(x
0
) = f(x
0
) + g(x
0
) = 2y
0
,= y
0
y as f + g no pertenece
a A(x
0
, y
0
). Por tanto (A(x
0
, y
0
), +) no es un grupo abeliano.
Si embargo para y
0
= 0, A(x
0
, y
0
) s es un subespacio: dados a, b IR y f, g
A(x
0
, 0) entonces (af +bg)(x
0
) = af(x
0
) +bg(x
0
) = 0, por tanto af +bg A(x
0
, 0).
Problema 3 Para los siguientes vectores x, a
1
, . . . , a
p
IR
3
, dgase si x < a
1
, a
2
,
..., a
p
> o no:
a) x = (5, 2, 3), a
1
= (1, 1, 1), a
2
= (2, 1, 0);
b) x = (2, 0, 1), a
1
= (1, 1, 1), a
2
= (2, 1, 0);
c) x = (1, 2, 1), a
1
= (1, 1, 1), a
2
= (2, 1, 0), a
3
= (3, 0, 1);
d) x = (1, 1, 1), a
1
= (1, 1, 1), a
2
= (2, 1, 0), a
3
= (3, 0, 1).
Solucion. En los cuatro apartados se procedera igual: se trata de estudiar si deter-
minado sistema de ecuaciones lineales es compatible.
a) Si x < a
1
, a
2
> entonces existen s, t IR tales que x = sa
1
+ta
2
. Por tanto,
x < a
1
, a
2
> si y solo si la ecuacion vectorial
(5, 2, 3) = s(1, 1, 1) +t(2, 1, 0)
tiene solucion. Tenemos que
(5, 2, 3) = s(1, 1, 1) +t(2, 1, 0) = (s + 2t, s t, s).
5.9. PROBLEMAS 85
Igualando componentes, se obtiene el sistema
s + 2t = 5
s t = 2
s = 3
y habra que estudiar si es compatible. Veamos esto por medio de la matriz ampliada
del sistema:
B =
_
_
_
1 2 5
1 1 2
1 0 3
_
_
_
(1)
_
_
_
1 2 5
0 3 3
0 2 2
_
_
_
(2)
_
_
_
1 2 5
0 1 1
0 1 1
_
_
_
(3)
_
_
_
1 2 5
0 1 1
0 0 0
_
_
_
Operaciones elementales realizadas:
(1) F
2
F
1
, F
3
+F
1
; (2)
1
3
F
2
,
1
2
F
3
; (3) F
3
F
2
.
Una vez obtenida la forma escalonada equivalente a B, se observa que el sistema
es compatible y as x < a
1
, a
2
>.
b) Procederemos de la misma manera que en (a):
_
_
_
1 2 2
1 1 1
1 0 0
_
_
_
(1)
_
_
_
1 2 2
0 3 1
0 2 2
_
_
_
(2)
_
_
_
1 2 2
0 3 1
0 0 4
_
_
_
(1) F
2
F
1
, F
3
+F
1
; (2) 3F
3
+ 2F
2
.
En este caso, como se obtiene 0 = 4, el sistema no tiene solucion y por tanto x
no pertenece a < a
1
, a
2
>.
c)
_
_
_
1 2 3 1
1 1 0 2
1 0 1 1
_
_
_
(1)
_
_
_
1 2 3 1
0 3 3 3
0 2 2 0
_
_
_
(2)
_
_
_
1 2 3 1
0 1 1 1
0 1 1 0
_
_
_
(3)
_
_
_
1 2 3 1
0 1 1 1
0 0 0 1
_
_
_.
(1) F
2
F
1
, F
3
+F
1
; (2)
1
3
F
2
,
1
2
F
3
; (3) F
3
+F
2
.
Como se obtiene 0 = 1 el sistema es incompatible y as x no pertenece a
< a
1
, a
2
, a
3
>.
d)
_
_
_
1 2 3 1
1 1 0 1
1 0 1 1
_
_
_
(1)
_
_
_
1 2 3 1
0 3 3 0
0 2 2 2
_
_
_
(2)
86 CAP

_
_
_
1 2 3 1
0 1 1 0
0 1 1 1
_
_
_
(3)
_
_
_
1 2 3 1
0 1 1 0
0 0 0 1
_
_
_.
(1) F
2
F
1
, F
3
+F
1
; (2)
1
3
F
2
,
1
2
F
3
; (3) F
3
F
2
.
Se obtiene que el sistema es incompatible y as x no pertenece a < a
1
, a
2
, a
3
>.
Problema 4 Dgase en cada caso si el sistema de vectores que se da genera el es-
pacio vectorial indicado:
a) Espacio IR
3
; sistema (2, 1, 1), (1, 2, 1), (1, 1, 2);
b) Espacio IR
3
; sistema (1, 1, 0), (0, 6, 2), (1, 5, 2);
Solucion. Tanto en (a) como en (b) se esta en un espacio de dimension tres y, por
tanto, tres vectores generan si y solo si son linealmente independientes. As en (a)
tenemos que probar que la ecuacion vectorial
(0, 0, 0) = x(2, 1, 1) +y(1, 2, 1) +z(1, 1, 2)
solo tiene la solucion nula. Esto es equivalente a que el sistema homogeneo
2x +y +z = 0
x + 2y +z = 0
x +y + 2z = 0
sea compatible determinado. Para probar esto ultimo reducimos la matriz de coe-
cientes del sistema a la forma triangular (por el metodo de Gauss):
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
(1)
_
_
_
1 1 2
1 2 1
2 1 1
_
_
_
(2)
_
_
_
1 1 1
0 1 1
0 1 3
_
_
_
(3)
_
_
_
1 1 1
0 1 0
0 0 4
_
_
_
(1) F
1
F
3
; (2) F
2
F
1
, F
3
2F
1
; (3) F
3
+F
2
.
Como la matriz escalonada es triangular, se sigue que el sistema es compatible de-
terminado y as los vectores generan IR
3
.
Para (b) procedemos de manera analoga:
_
_
_
1 0 1
1 6 5
0 2 2
_
_
_
(1)
_
_
_
1 0 1
0 6 6
0 2 2
_
_
_
(2)
_
_
_
1 0 1
0 1 1
0 1 1
_
_
_
(3)
_
_
_
1 0 1
0 1 1
0 0 0
_
_
_
(1) F
2
+F
1
; (2)
1
6
F
2
,
1
2
F
3
, (3) F
3
F
2
.
En este caso la matriz escalonada no es triangular y por tanto los vectores no generan
IR
3
.
5.9. PROBLEMAS 87
Problema 5 Pruebe que los sistemas que se dan a continuacion son linealmente
independientes. Ample dichos sistemas hasta obtener una base del espacio vectorial
dado. Se calcularan ademas las coordenadas en la base obtenida de los vectores que
se indican.
a) El sistema a
1
, a
2
de IR
3
con a
1
= (2, 1, 1) y a
2
= (1, 1, 0); los vectores
x = (1, 0, 1) e y = (1, 1, 1).
b) El sistema a
1
, a
2
, a
3
de IR
4
con
a
1
= (1, 1, 2, 1), a
2
= (0, 1, 1, 2) y a
3
= (2, 0, 1, 0);
los vectores x = (2, 0, 1, 0) e y = (1, 1, 1, 1).
Solucion. a) Dos vectores son linealmente independientes si y solo si no son pro-
porcionales. En este caso es claro que no son proporcionales ya que si (2, 1, 1) =
t(1, 1, 0) entonces 2 = t y t = 1 lo cual es una contradicci on.
Para ampliar este sistema de vectores hasta una base de IR
3
se procede de la si-
guiente manera: reducimos la matriz formada por los vectores del sistema en posicion
de columna
_
_
_
2 1
1 1
1 0
_
_
_
a forma triangular, obteniendose
_
_
_
2 1
0
1
2
0 0
_
_
_
As, por ejemplo, el vector (0, 0, 1) junto con (2, 1, 1) y (1, 1, 0) forman una base de
IR
3
.
Las coordenadas de (1, 0, 1) respecto a la base
B = (2, 1, 1), (1, 1, 0), (0, 0, 1)
se calculan resolviendo la ecuacion vectorial
(1, 0, 1) = x
1
(2, 1, 1) +x
2
(1, 1, 0) +x
3
(0, 0, 1),
o lo que es lo mismo, el sistema
2x
1
+x
2
= 1
x
1
+x
2
= 0
x
1
+x
3
= 1
El sistema anterior es equivalente a este otro en forma escalonada
x
1
+x
2
= 0
x
2
= 1
x
3
= 0
88 CAP

cuyas unica solucion es obviamente x
1
= 1, x
2
= 1, x
3
= 0. Por tanto, las coorde-
nadas del vector (1, 0, 1) respecto a la base B son (1, 1, 0).
Para encontrar las coordenadas del vector y = (1, 1, 1) se procedera analogamente.
Se resuelve el sistema
2x
1
+x
2
= 1
x
1
+x
2
= 1
x
1
+x
3
= 1
obteniendose que las coordenadas son (0, 1, 1).
b) a
1
= (1, 1, 2, 1), a
2
= (0, 1, 1, 2) y a
3
= (2, 0, 1, 0);
Primero vemos si a
1
, a
2
, a
3
es un sistema de vectores independiente. Reducimos
la matriz
_
_
_
_
_
1 0 2
1 1 0
2 1 1
1 2 0
_
_
_
_
_
a forma triangular:
_
_
_
_
_
1 0 2
1 1 0
2 1 1
1 2 0
_
_
_
_
_
(1)
_
_
_
_
_
1 0 2
0 1 2
0 1 3
0 2 2
_
_
_
_
_
(2)
_
_
_
_
_
1 0 2
0 1 2
0 0 5
0 0 2
_
_
_
_
_
(3)
_
_
_
_
_
1 0 2
0 1 2
0 0 5
0 0 0
_
_
_
_
_
.
(1) F
2
+F
1
, F
3
2F
1
, F
4
F
1
; (2) F
3
F
2
, F
4
+ 2F
2
. (3) 5F
4
+ 2F
3
.
Se deduce que el sistema homogeneo asociado es compatible determinado y por
tanto a
1
, a
2
, a
3
son linealmente independientes. Ademas, por la forma de la matriz
triangular asociada, se tiene que a nadiendo al sistema de vectores anterior el vector
a
4
= (0, 0, 0, 1), se obtiene una base T = a
1
, a
2
, a
3
, a
4
de IR
4
.
Las coordenadas de x = (2, 0, 1, 0) = a
3
respecto de la base T son claramente
(0, 0, 1, 0).
Para calcular las coordenadas de y = (1, 1, 1, 1) en la base T resolvemos el sistema
x
1
+ 2x
3
= 1
x
1
x
2
= 1
2x
1
x
2
+x
3
= 1
x
1
+ 2x
2
+x
4
= 1
Tenemos
_
_
_
_
_
1 0 2 0 1
1 1 0 0 1
2 1 1 0 1
1 2 0 1 1
_
_
_
_
_
(1)
_
_
_
_
_
1 0 2 0 1
0 1 2 0 2
0 1 3 0 1
0 2 2 1 0
_
_
_
_
_
(2)
5.9. PROBLEMAS 89
_
_
_
_
_
1 0 2 0 1
0 1 2 0 2
0 0 5 0 3
0 0 2 1 4
_
_
_
_
_
(3)
_
_
_
_
_
1 0 2 0 1
0 1 2 0 2
0 0 5 0 3
0 0 0 5 14
_
_
_
_
_
.
(1) F
2
+F
1
, F
3
2F
1
, F
4
F
1
; (2) F
3
F
2
, F
4
+ 2F
2
. (3) 5F
4
+ 2F
3
.
La forma canonica por las de la matriz anterior es
_
_
_
_
_
1 0 0 0 1/5
0 1 0 0 4/5
0 0 1 0 3/5
0 0 0 1 14/5
_
_
_
_
_
y por tanto (1/5, 4/5, 3/5, 14/5) son las coordenadas de y respecto de la base T.
Problema 6 B usquese un suplemento del subespacio < (1, 2, 1) > de IR
3
.
Solucion. Para encontrar un suplemento del subespacio anterior, buscaremos dos
vectores que, junto con el anterior formen base. Entonces el espacio que generan
estos dos vectores obtenidos sera el suplemento. Vamos a considerar, por ejemplo,
los vectores (0, 1, 0) y (0, 0, 1). Entonces la forma escalonada de la matriz
_
_
_
1 0 0
2 1 0
1 0 1
_
_
_
es esta otra:
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
la cual es triangular. Por tanto el conjunto (1, 2, 1), (0, 1, 0), (0, 0, 1) es una base
de IR
3
y V =< (0, 1, 0), (0, 0, 1) > es un suplemento de W =< (1, 2, 1 > (esto
quiere decir que V W = IR
3
).
Problema 7 Dados los siguientes sistemas de vectores, calcule una base del subes-
pacio vectorial que generan.
a) a
1
, a
2
, a
3
, a
4
de IR
4
con
a
1
= (2, 2, 1, 0), a
2
= (1, 1, 2, 1), a
3
= (1, 2, 2, 1), a
4
= (3, 3, 4, 1).
b) a
1
, a
2
, a
3
de IR
3
con a
1
= (1, , ), a
2
= (, 1, ), a
3
= (, , 1), siendo
IR.
90 CAP

Solucion. Tanto en (a) como en (b) reduciremos la matriz, cuyas las son los a
i
,
a forma escalonada por las y, usando argumentos conocidos, esto nos permitira
calcular una base del subespacio que generan los a
i
.
a)
_
_
_
_
_
2 2 1 0
1 1 2 1
1 2 2 1
3 3 4 1
_
_
_
_
_
(1)
_
_
_
_
_
1 1 2 1
2 2 1 0
1 2 2 1
3 3 4 1
_
_
_
_
_
(2)
_
_
_
_
_
1 1 2 1
0 0 5 2
0 1 4 2
0 0 10 4
_
_
_
_
_
(3)
_
_
_
_
_
1 1 2 1
0 0 5 2
0 1 4 2
0 0 0 0
_
_
_
_
_
(4)
_
_
_
_
_
1 1 2 1
0 1 4 2
0 0 5 2
0 0 0 0
_
_
_
_
_
(1) F
1
F
2
; (2) F
2
2F
1
, F
3
F
1
, F
4
3F
1
; (3) F
4
2F
2
; (4) F
2
F
3
.
Como las tres primeras las (que corresponden a a
2
, a
3
y a
1
respectivamente) de
la forma escalonada son no nulas, entonces los vectores a
1
, a
2
, a
3
forman una base
del espacio que genera a
1
, a
2
, a
3
, a
4
.
b)
_
_
_
1
1
1
_
_
_
(1)
_
_
_
1
0 1
2

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

2
0 1 1
_
_
_.
(1) F
2
F
1
, F
3
F
1
; (2) F
3
F
2
.
En este punto, si = 1 entonces a
1
es una base. Si ,= 1 seguimos reduciendo:
_
_
_
1
0 1
2

2
0 1 1
_
_
_
(i)
_
_
_
1
0 1 +
0 1 1
_
_
_
(ii)
_
_
_
1
0 1 1
0 1 +
_
_
_
(iii)
_
_
_
1
0 1 1
0 0 1 + 2
_
_
_.
(i)
1
1
F
2
,
1
1
F
3
; (ii) F
2
F
3
; (iii) F
3
+ (1 +)F
2
.
Por tanto, si ,= 1/2, a
1
, a
2
, a
3
es una base del subespacio que genera
a
1
, a
2
, a
3
, esto es, es una base de IR
3
. Si = 1/2 entonces a
1
, a
2
es una
base del subespacio que genera a
1
, a
2
, a
3
.
5.9. PROBLEMAS 91
Problema 8 Pruebese que el sistema de vectores de IR
3
a
1
, a
2
, a
3
, con a
1
=
(1, 1, 1), a
2
= (1, 1, 1), a
3
= (1, 1, 1), es una base de IR
3
. Obtenga las coorde-
nadas en esta base de los vectores de la base canonica de IR
3
.
Solucion. Para probar que B = a
1
, a
2
, a
3
es una base de IR
3
procedemos como en
el problema anterior:
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
(1)
_
_
_
1 1 1
0 0 2
0 2 0
_
_
_
(2)
_
_
_
1 1 1
0 2 0
0 0 2
_
_
_
(1) F
2
+F
1
, F
3
+F
1
; (2) F
2
F
3
.
Como la forma escalonada es triangular, los vectores anteriores forman una base.
Para hallar las coordenadas del vector (1, 0, 0) respecto de la base anterior, se
resuelve la ecuacion vectorial
(1, 0, 0) = x(1, 1, 1) +y(1, 1, 1) +z(1, 1, 1).
Como antes, esto se realiza resolviendo el sistema asociado:
x +y +z = 1
x y +z = 0
x +y z = 0
_
_
Vamos a reducir la matriz ampliada del sistema a forma canonica por las:
_
_
_
1 1 1 1
1 1 1 0
1 1 1 0
_
_
_
(1)
_
_
_
1 1 1 1
0 0 2 1
0 2 0 1
_
_
_
(2)
_
_
_
1 1 1 1
0 2 0 1
0 0 2 1
_
_
_
(3)
_
_
_
1 1 1 1
0 1 0 1/2
0 0 1 1/2
_
_
_
(4)
_
_
_
1 0 0 0
0 1 0 1/2
0 0 1 1/2
_
_
_.
(1) F
2
+F
1
, F
3
+F
1
; (2) F
2
F
3
; (3) F
1
,
1
2
F
2
,
1
2
F
3
; (4) F
1
+F
3
, F
1
+F
2
.
Por tanto (0, 1/2, 1/2) son las coordenadas respecto a B de (1, 0, 0).
Procediendo igual, se tiene que la coordenadas respecto a B del vector (0, 1, 0)
son (1/2, 0, 1/2) y las de (0, 0, 1) son (1/2, 1/2, 0).
Problema 9 Dados los subespacios vectoriales de IR
4
F y G, generados por
(3, 6, 1, 0), (1, 0, 1, 2), (2, 3, 0, 1), y (2, 0, 1, 3), (3, 3, 2, 4)
respectivamente, b usquense bases de F, G, F +G y F G.
92 CAP

Solucion. Los dos vectores que generan G forman una base ya que no son propor-
cionales. En cuanto a F, encontramos la forma escalonada de la matriz cuyas las
son los vectores que generan F y despues se discutira que vectores forman base.
_
_
_
3 6 1 0
1 0 1 2
2 3 0 1
_
_
_
(1)
_
_
_
1 0 1 2
3 6 1 0
2 3 0 1
_
_
_
(2)
_
_
_
1 0 1 2
0 6 4 6
0 3 2 3
_
_
_
(3)
_
_
_
1 0 1 2
0 3 2 3
0 3 2 3
_
_
_
(4)
_
_
_
1 0 1 2
0 3 2 3
0 0 0 0
_
_
_.
(1) F
1
F
2
; (2) F
2
3F
1
, F
3
2F
1
; (3)
1
2
F
2
; (4) F
3
F
2
.
As (1, 0, 1, 2), (0, 3, 2, 3) es una base de F.
Para encontrar una base de F +G se reduce a forma escalonada la matriz cuyas
las esten formadas por los vectores de la base de F y G; despues se interpreta el
resultado:
_
_
_
_
_
1 0 1 2
0 3 2 3
2 0 1 3
3 3 2 4
_
_
_
_
_
(1)
_
_
_
_
_
1 0 1 2
0 3 2 3
0 0 1 1
0 3 1 2
_
_
_
_
_
(2)
_
_
_
_
_
1 0 1 2
0 3 2 3
0 0 1 1
0 0 1 1
_
_
_
_
_
(3)
_
_
_
_
_
1 0 1 2
0 3 2 3
0 0 1 1
0 0 0 0
_
_
_
_
_
.
(1) F
3
2F
1
, F
4
3F
1
; (2) F
4
F
2
; (3) F
4
+F
3
.
Por tanto (1, 0, 1, 2), (0, 3, 2, 3), (0, 0, 1, 1) es una base de F +G.
La formula de dimensiones dim(F +G) = dim(F)+dim(G)dim(F G) muestra
que dim(F G) = 1. Por tanto una base de F G se obtiene calculando un vector
no nulo de F G. Ese sera el objetivo. Tal vector es posible calcularlo a partir
de la igualdad a(1, 0, 1, 2) + b(0, 3, 2, 3) = s(2, 0, 1, 3) + t(3, 3, 2, 4), la cual
corresponde a un vector de la intersecci on escrito tanto en funcion de la anterior
base de F como de la de G. Esta igualdad induce un sistema homogeneo, el cual
vamos a resolver:
_
_
_
_
_
1 0 2 3
0 3 0 3
1 2 1 2
2 3 3 4
_
_
_
_
_
(1)
_
_
_
_
_
1 0 2 3
0 3 0 3
0 2 1 1
0 3 1 2
_
_
_
_
_
(2)
5.9. PROBLEMAS 93
_
_
_
_
_
1 0 2 3
0 3 0 3
0 0 3 3
0 0 1 1
_
_
_
_
_
(3)
_
_
_
_
_
1 0 2 3
0 1 0 1
0 0 1 1
0 0 3 3
_
_
_
_
_
(4)
_
_
_
_
_
1 0 2 3
0 1 0 1
0 0 1 1
0 0 0 0
_
_
_
_
_
.
(1) F
3
+F
1
, F
4
2F
1
; (2) 3F
3
2F
2
, F
4
+F
2
. (3)
1
3
F
2
, F
3
F
4
; (4) F
4
+ 3F
3
.
Se tiene pues s = t, b = t, a = 5t. Tomando t = 1, (5, 3, 3, 7) pertenece a F G.
Problema 10 En IR
5
se considera el subespacio F engendrado por a, b, c y el
subespacio G engendrado por d, e, f en donde
a = (1, 2, 0, 3, 4), b = (1, 2, 2, 4, 6), c = (0, 2, 3, 4, 1),
d = (1, 2, 3, 1, 2), e = (2, 3, 2, 4, 1), f = (2, 3, 1, 3, 0).
Determine las dimensiones de F, G, F G,F +G y unas bases de estos subespacios.
Solucion. Se procedera como en el problema anterior.
Base de F:
_
_
_
1 2 0 3 4
1 2 2 4 6
0 2 3 4 1
_
_
_
(1)
_
_
_
1 2 0 3 4
0 0 2 1 2
0 2 3 4 1
_
_
_
(2)
_
_
_
1 2 0 3 4
0 2 3 4 1
0 0 2 1 2
_
_
_.
(1) F
2
F
1
; (2) F
3
F
2
.
Por tanto a, b, c es una base de F y dim(F) = 3.
Base de G:
_
_
_
1 2 3 1 2
2 3 2 4 1
2 3 1 3 0
_
_
_
(1)
_
_
_
1 2 3 1 2
0 7 8 2 5
0 1 7 1 4
_
_
_
(2)
_
_
_
1 2 3 1 2
0 1 7 1 4
0 7 8 2 5
_
_
_
(3)
_
_
_
1 2 3 1 2
0 1 7 1 4
0 0 41 5 23
_
_
_.
(1) F
2
+ 2F
1
; F
3
+ 2F
1
; (2) F
2
F
3
; (3) F
3
7F
2
.
As d, e, f es una base de G y dim(G) = 3.
94 CAP

Base de F +G:
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
1 2 2 4 6
0 2 3 4 1
1 2 3 1 2
2 3 2 4 1
2 3 1 3 0
_
_
_
_
_
_
_
_
_
_
(1)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 0 2 1 2
0 2 3 4 1
0 4 3 2 6
0 1 2 2 7
0 7 1 3 8
_
_
_
_
_
_
_
_
_
_
(2)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 1 2 2 7
0 2 3 4 1
0 4 3 2 6
0 7 1 3 8
0 0 2 1 2
_
_
_
_
_
_
_
_
_
_
(3)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 1 2 2 7
0 0 1 8 15
0 0 11 6 22
0 0 13 11 41
0 0 2 1 2
_
_
_
_
_
_
_
_
_
_
(4)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 1 2 2 7
0 0 1 8 15
0 0 0 82 143
0 0 0 93 154
0 0 0 17 32
_
_
_
_
_
_
_
_
_
_
(5)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 1 2 2 7
0 0 1 8 15
0 0 0 82 143
0 0 0 0 671
0 0 0 0 193
_
_
_
_
_
_
_
_
_
_
(6)
_
_
_
_
_
_
_
_
_
_
1 2 0 3 4
0 1 2 2 7
0 0 1 8 15
0 0 0 82 143
0 0 0 0 671
0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
.
(1) F
2
F
1
, F
4
+F
1
, F
5
2F
1
, F
6
2F
1
; (2) F
2
F
6
F
5
F
2
; (3) F
3
2F
2
,
F
4
+4F
2
, F
5
7F
2
; (4) F
4
+11F
3
, F
5
13F
3
, F
6
+2F
3
; (5) 82F
5
+93F
4
, 82F
6
17F
4
;
(6) 671F
6
193F
5
.
(La operacion de las F
2
F
6
F
5
F
2
indica que se han permutado las las
F
2
, F
6
y F
5
en la manera se nalada).
Por tanto dim(F + G) = 5 y una base de F + G podra ser, por ejemplo, la
canonica de IR
5
.
Base de F G:
Por la formula de dimensiones
dim(F +G) = dim(F) +dim(G) dim(F G)
se deduce ya que dim(F G) = 1. Por tanto, calculando un elemento no nulo de
la interseccion se tendra entonces la base. Este calculo se realiza como en el ejerci-
cio anterior: se considera la expresion de un elemento arbitrario de la interseccion
x(1, 2, 0, 3, 4) + y(1, 2, 2, 4, 6) + z(0, 2, 3, 4, 1) = t(1, 2, 3, 1, 2) + s(2, 3, 2, 4, 1) +
k(2, 3, 1, 3, 0) y calculamos, por ejemplo, x, y, z resolviendo el sistema homogeneo
asociado. Esto se hace reduciendo la matriz de ese sistema a forma escalonada,
5.9. PROBLEMAS 95
obteniendose:
_
_
_
_
_
_
_
_
1 1 0 1 2 2
2 2 2 2 3 3
0 2 3 3 2 1
3 4 4 1 4 3
4 6 1 2 1 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0 0 829/193
0 1 0 0 0 671/193
0 0 1 0 0 87/193
0 0 0 1 0 358/193
0 0 0 0 1 93/193
_
_
_
_
_
_
_
_
Por tanto 829a 671b + 87c es una base de la intersecci on.
Problema 11 En IR
4
se consideran los subespacios vectoriales reales siguientes:
U =< (1, 6, 2, 0), (0, 5, 3, 1) > W =< (1, 1, 1, 1), (1, 0, 2, 0) > .
Encuentre las dimensiones de U W y de U +W.
Solucion. Dimension de U +W:
_
_
_
_
_
1 6 2 0
0 5 3 1
1 1 1 1
1 0 2 0
_
_
_
_
_
(1)
_
_
_
_
_
1 6 2 0
0 5 3 1
0 5 3 1
0 6 0 0
_
_
_
_
_
(2)
_
_
_
_
_
1 6 2 0
0 5 3 1
0 0 0 0
0 6 0 0
_
_
_
_
_
(3)
_
_
_
_
_
1 6 2 0
0 5 3 1
0 0 0 0
0 0 18 6
_
_
_
_
_
(4)
_
_
_
_
_
1 6 2 0
0 5 3 1
0 0 18 6
0 0 0 0
_
_
_
_
_
.
(1) F
3
F
1
, F
4
+F
1
; (2) F
3
+F
2
; (3) 5F
3
6F
2
; (4) F
3
F
4
.
As dim(U +W) = 3.
Como dim(U) = dim(W) = 2, por la formula de dimension se tiene que
dim(U W) = 1.
Problema 12 Determine una base del subespacio V de IR
4
dado por:
V = (x
1
, ..., x
4
) IR
4
[ x
1
= x
2
3x
3
, x
3
= x
4
.
Complete la base obtenida para obtener una base de IR
4
.
Solucion. El sistema
x
1
x
2
+ 3x
3
= 0
x
3
x
4
= 0
ya esta en forma escalonada, con variables libres x
2
y x
4
. Asignando parametros a
estas, x
2
= , x
4
= , nos queda que x
3
= , x
1
= 3 y as (x
1
, x
2
, x
3
, x
4
) =
96 CAP

(3, , , ) = (1, 1, 0, 0)+(3, 0, 1, 1). Por tanto B = (1, 1, 0, 0), (3, 0, 1, 1)
es una base de V .
Para completar la base B hasta una de IR
4
reducimos
_
_
_
_
_
1 3
1 0
0 1
0 1
_
_
_
_
_
a forma escalonada:
_
_
_
_
_
1 3
0 1
0 0
0 0
_
_
_
_
_
Entonces es claro que (0, 0, 1, 0) y (0, 0, 0, 1) permiten completar B hasta una base
de IR
4
.
Problema 13 Determine una base del subespacio V de IR
4
dado por:
V = (x
1
, ..., x
4
) IR
4
[ x
1
= 2x
2
x
3
, x
2
+x
3
= 3x
4
.
Complete la base obtenida para obtener una base de IR
4
. Halle un subespacio W de
IR
4
tal que V W = IR
4
.
Solucion. El sistema
x
1
2x
2
+x
3
= 0
x
2
+x
3
3x
4
= 0
ya aparece en forma escalonada, con variables libre x
3
y x
4
. Asignando parametros
a estas, x
3
= , x
4
= , nos queda que x
2
= + 3, x
1
= 3 6 y as
(x
1
, x
2
, x
3
, x
4
) = (3 6, + 3, , ) = (3, 1, 1, 0) + (6, 3, 0, 1). Por
tanto
B = (3, 1, 1, 0), (6, 3, 0, 1)
es una base de V .
Para completar la base B hasta una de IR
4
reducimos
_
_
_
_
_
3 6
1 3
1 0
0 1
_
_
_
_
_
a forma escalonada:
_
_
_
_
_
1 3
0 15
0 0
0 0
_
_
_
_
_
Entonces es claro que (0, 0, 1, 0) y (0, 0, 0, 1) permiten completar B hasta una base
de IR
4
. El subespacio W que se busca sera entonces el engendrado por (0, 0, 1, 0) y
(0, 0, 0, 1).
5.9. PROBLEMAS 97
Problema 14 Sea V un /-espacio vectorial y B = u
1
, u
2
, u
3
, B
= v
1
, v
2
, v
3
bases de V donde v
1
= u
1
+u
2
, v
2
= u
1
y v
3
= u
2
u
3
.
Calcule respecto a B las ecuaciones cartesianas de un subespacio que respecto a
B
viene dado por:

_
x
1
= 0
x
2
= 0
Solucion. De las igualdades
v
1
= u
1
+u
2
v
2
= u
1
v
3
= u
2
u
3
se obtiene que u
1
= v
2
, u
2
= v
1
v
2
y u
3
= v
1
v
2
v
3
. Por tanto un vector
v = x
1
u
1
+ x
2
u
2
+ x
3
u
3
se expresa en funcion de B
como v = x
1
v
2
+ x
2
(v
1
v
2
) +
x
3
(v
1
v
2
v
3
) = (x
2
+ x
3
)v
1
+ (x
1
x
2
x
3
)v
2
x
3
v
3
. Por tanto x
1
= x
2
+ x
3
,
x
2
= x
1
x
2
x
3
, x
3
= x
3
son las ecuaciones cartesianas del cambio de base de B
a B
. As
_
x
2
+x
3
= 0
x
1
x
2
x
3
= 0
son las ecuaciones del subespacio respecto a B.
Problema 15 Se considera en IR
4
el subespacio vectorial W de ecuaciones,
_
x
1
+ x
2
x
3
= 0
x
1
+ x
2
+ x
3
+ x
4
= 0
referidas a la base, B = u
1
, u
2
, u
3
, u
4
.
Se elige como nueva base B
= u
1
u
2
, u
2
u
3
, u
3
u
4
, u
4
.
a) Cuales son las ecuaciones respecto de la base B
de W?.
b) El vector v = u
1
u
2
, que coordenadas tiene respecto de las bases B y B
?.
c) Pertenece el vector v al subespacio W?.
Solucion. a) Un vector referido a la base B
se escribe en la forma v = y
1
(u
1
u
2
) +
y
2
(u
2
u
3
) +y
3
(u
3
u
4
) +y
4
u
4
= y
1
u
1
+(y
1
+y
2
)u
2
+(y
2
+y
3
)u
3
+(y
3
+y
4
)u
4
.
Si v = x
1
u
1
+ x
2
u
2
+ x
3
u
3
+ x
4
u
4
es la expresion del vector en la base B, se tiene,
igualando con lo anterior, que x
1
= y
1
, x
2
= y
1
+y
2
, x
3
= y
2
+y
3
, x
4
= y
3
+y
4
(estas son las ecuaciones del cambio de base de B
a B).
Haciendo la sustitucion pertinente en las ecuaciones respecto a B del subespacio
anteriores, se obtiene, las ecuaciones de W respecto de B
:
_
2y
2
y
3
= 0
y
4
= 0
b) El vector v = u
1
u
2
tiene coordenadas (1, 1, 0, 0) respecto de B y (1, 0, 0, 0)
respecto de B
.
c) El vector v s pertenece a W. Esto se comprueba sin mas que darse cuenta de
que sus coordenadas respecto de B
verican las ultimas ecuaciones.

98 CAP

Problema 16 En el espacio vectorial V de los polinomios de grado menor o igual
que 4, se consideran los polinomios: p
1
(x) = 3 2x + x
2
+ 4x
3
+ x
4
, p
2
(x) =
4 x+x
2
+6x
3
2x
4
, p
3
(x) = 7 8x+3x
2
+ax
3
+bx
4
, (a, b IR jos). Halle a y b
para que el subespacio que engendran p
1
(x), p
2
(x) y p
3
(x) tenga dimension 2. Para
este caso, halle una base cualquiera de este subespacio y determine las coordenadas
en ella de los tres polinomios dados.
Solucion. Vamos a referir siempre nuestros polinomios a la base canonica
1, x, x
2
, x
3
, x
4
.
De esta forma la primera cuestion se tratara estudiando la forma escalonada de la
matriz
_
_
_
3 2 1 4 1
4 1 1 6 2
7 8 3 a b
_
_
_
Se tiene
_
_
_
3 2 1 4 1
4 1 1 6 2
7 8 3 a b
_
_
_
(1)
_
_
_
3 2 1 4 1
0 5 1 2 10
0 10 2 3a 28 3b 7
_
_
_
(2)
_
_
_
3 2 1 4 1
0 5 1 2 10
0 0 0 3a 24 3b 27
_
_
_.
(1) 3F
2
4F
1
, 3F
3
7F
1
; (2) F
3
+ 2F
2
.
Por tanto el subespacio que engendran los polinomios anteriores tiene dimension
2 si y solo si 3a 24 = 0 y 3b 27 = 0, esto es, si y solo si, a = 8 y b = 9.
Una base de este subespacio es, por ejemplo, p
1
(x), p
2
(x) y las coordenadas de
p
1
(x) y p
2
(x) respecto a esta base son (1, 0) y (0, 1) respectivamente. En cuanto a
las coordenadas de p
3
(x), resolvemos la ecuacion vectorial
(7, 8, 3, 8, 9) = (3, 2, 1, 4, 1) +(4, 1, 1, 6, 2),
reduciendo a forma canonica por las la matriz ampliada
_
_
_
_
_
_
_
_
3 4 7
2 1 8
1 1 3
4 6 8
1 2 9
_
_
_
_
_
_
_
_
5.9. PROBLEMAS 99
Se tiene
_
_
_
_
_
_
_
_
3 4 7
2 1 8
1 1 3
4 6 8
1 2 9
_
_
_
_
_
_
_
_
(1)
_
_
_
_
_
_
_
_
1 1 3
2 1 8
3 4 7
4 6 8
1 2 9
_
_
_
_
_
_
_
_
(2)
_
_
_
_
_
_
_
_
1 1 3
0 1 2
0 1 2
0 2 4
0 3 6
_
_
_
_
_
_
_
_
(3)
_
_
_
_
_
_
_
_
1 1 3
0 1 2
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
(4)
_
_
_
_
_
_
_
_
1 0 5
0 1 2
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
.
(1) F
1
F
3
; (2) F
2
+ 2F
1
, F
3
3F
1
, F
4
4F
1
, F
5
F
1
; (3) F
3
F
2
, F
4
2F
2
,
F
5
+ 3F
2
; (4) F
1
F
2
.
Por tanto las coordenadas de p
3
(x) respecto de la base p
1
(x), p
2
(x) son (5, 2).
Problema 17 Sea L el subespacio de IR
4
generado por los vectores
(2, 1, 1, 5), (1, 2, 3, 4), (3, 0, 5, 6).
Calcule la dimension de L y encuentre una base utilizando determinantes.
Solucion. Consideramos la matriz cuyas las son los vectores anteriores:
A =
_
_
_
2 1 1 5
1 2 3 4
3 0 5 6
_
_
_.
Calculamos el rango de A: como el menor
2 1
1 2
es no nulo, el rango de A es
al menos dos. Pero los menores orlados
2 1 1
1 2 3
3 0 5
2 1 5
1 2 4
3 0 6
son nulos y as el rango de A es 2. Por tanto, por ejemplo, los vectores

(2, 1, 1, 5), (1, 2, 3, 4)
constituyen una base de L (ya que el menor
2 1
1 2
se corresponde con las las

primera y segunda de A) y su dimension es 2.
100 CAP

Problema 18 Considere el espacio vectorial de las matrices /
2
(IR), y sea
D =
__
1 0
1 2
_
,
_
1 1
0 2
_
,
_
0 1
2 1
_
,
_
0 0
2 1
__
.
Es D una base? Responda utilizando determinantes.
Solucion. Podemos identicar cada matriz con un vector cuatro-dimensional, de
manera que se tratara de estudiar si el conjunto
(1, 0, 1, 2), (1, 1, 0, 2), (0, 1, 2, 1), (0, 0, 2, 1)
es linealmente independiente. Para ello calculamos el rango de la matriz cuyas las
son los vectores anteriores:
_
_
_
_
_
1 0 1 2
1 1 0 2
0 1 2 1
0 0 2 1
_
_
_
_
_
.
El determinante de esta matriz es no nulo (de hecho es 3, como puede compro-
barse). Por tanto los cuatro vectores son independientes y as son una base de IR
4
.
Concluimos que D es una base de /
2
(IR).
Problema 19 En /
2
(IR) se considera el subconjunto F formado por las matrices
de la forma
_

_
con , IR.
a) Pruebese que F es un subespacio vectorial de /
2
(IR) y b usquese una base de
F.
b) Siendo A F, calc ulese el producto AA
t
. Pruebese que F es un cuerpo con la
suma y el producto de matrices.
c) Pruebese que la aplicacion f : I C F dada por f(+i) =
_

_
verica
que f(z + z
) = f(z) + f(z
), f(zz
) = f(z)f(z
) y f(z) = f(z)
t
para todo n umero
complejo z (z denota el conjugado de z).
Solucion. a) Sean
_

_
,
_

_
dos matrices cualesquiera de F, y
consideremos a, b IR.
a
_

_
+b
_

_
=
_
a a
a a
__
b b
b b
_
=
_
a +b a +b
(a +b) a +b
_
,
como todas los n umeros a, b, , , , son n umeros reales, tenemos que a + b y
a +b son tambien n umeros reales. Ademas las entradas (1, 1) y (2, 2) de la matriz
5.9. PROBLEMAS 101
obtenida son iguales y las (1, 2) y (2, 1) entradas son opuestas, por tanto la matriz
obtenida es una matriz de F y as F es un subespacio vectorial de /
2
(IR).
Para encontrar una base de F notemos que
_

_
=
_
1 0
0 1
_
+
_
0 1
1 0
_
y obviamente
_
1 0
0 1
_
y
_
0 1
1 0
_
son matrices de F. Por lo tanto el conjunto
__
1 0
0 1
_
,
_
0 1
1 0
__
es un sistema generador de F.
Por otro lado si
_
1 0
0 1
_
+
_
0 1
1 0
_
= 0
se deduce inmediatamente que = = 0, por lo que
_
1 0
0 1
_
y
_
0 1
1 0
_
son
Como consecuencia, el conjunto
__
1 0
0 1
_
,
_
0 1
1 0
__
es una base del espacio vectorial F.
b) Si A =
_

_
es una matriz arbitraria de F, su transpuesta sera A
t
=
_

_
, y as el producto de ambas matrices es AA
t
=
_

2
+
2
0
0
2
+
2
_
.
Comprobemos ahora que F es un cuerpo. En primer lugar sabemos que (F, +)
es un grupo abeliano porque F es un espacio vectorial. Por otro lado el producto
de matrices siempre es asociativo, por tanto esta propiedad sera vericada por el
producto de matrices de F. Ademas la matriz identidad I
2
es una matriz de F, por
tanto (F
, ) posee tambien elemento neutro. Probemos que el producto de matrices

de F es conmutativo. Sean pues
_

_
,
_

_
dos matrices de F.
_

__

_
=
_
+
( +) +
_
y por otro lado
_

__

_
=
_
+
( +) +
_
,
y obviamente ambos resultados coinciden.
102 CAP

Por ultimo sea A =
_
a b
b a
_
cualquier matriz no nula de F. Veamos que existe
una matriz B =
_
c d
d c
_
tal que AB = BA = I
2
, con lo cual (F, ) tambien tendra
la propiedad del elemento simetrico y sera grupo abeliano. El producto de A B da
como resultado la matriz
_
ac bd ad +bc
(ad +bc) ac bd
_
,
as, de la condicion I
2
= A B obtenemos el sistema de ecuaciones
ac bd = 1
ad + bc = 0
_
Se puede comprobar facilmente que c =
a
a
2
+b
2
, d =
b
a
2
+b
2
es la solucion del sistema
(notese que al ser A ,= 0 no pueden ser a y b simultaneamente 0, por lo tanto a
2
+b
2
es siempre distinto de 0 y los valores de c y d existen siempre). Esto quiere decir
naturalmente que la inversa de A siempre existe y es B =
_
a
a
2
+b
2
b
a
2
+b
2
b
a
2
+b
2
a
a
2
+b
2
_
Para nalizar notemos que la propiedad distributiva del producto de matrices
respecto a la suma de matrices se verica siempre, sean cuales sean las matrices que
se elijan, en particular si se eligen matrices de F.
Queda pues demostrado que (F, +, ) es un cuerpo.
c) Sean z = a + ib, z
= c + id dos n umeros complejos cualesquiera. f(z + z
) =
f(a + ib + c + id) = f(a + c + i(b + d)) =
_
a +c b +d
b d a +c
_
=
_
a b
b a
_
+
_
c d
d c
_
= f(a +ib) +f(c +id).
Por otro lado
f(zz
) = f(ac bd +i(ad +bc)) =

_
ac bd ad +bc
ad bc ac bd
_
y f(z)f(z
) =
_
a b
b a
__
c d
d c
_
=
_
ac bd ad +bc
ad bc ac bd
_
, luego es evidente
que f(zz
) = f(z)f(z
).
Por ultimo f(z) = f(a ib) =
_
a b
b a
_
=
_
a b
b a
_
t
= f(a +ib)
t
.
Problema 20 En K
3
encuentre la matriz de paso P de la base u
i
a la base u
denida por u
1
= u
1
, u
2
= u
1
+ u
2
, u
3
= u
1
+ u
2
+ u
3
. Calcule P
1
. Generalice a
K
n
.
5.9. PROBLEMAS 103
Solucion. Para calcular P debemos escribir cada vector u
i
como combinaci on lineal
de los vectores u
i
. As, sabemos que u
1
= u
1
, u
2
= u
1
+u
2
= u
1
+u
2
u
2
= u
1
+u
2
.
Por ultimo u
3
= u
1
+ u
2
+ u
3
= u
1
u
1
+ u
2
+ u
3
u
3
= u
2
+ u
3
. Por tanto la
matriz P es P =
_
_
_
1 1 0
0 1 1
0 0 1
_
_
_. La matriz P
1
se corresponde con el cambio de
base de u
i
a u
i
, y como ya tenemos expresados los vectores u
i
en funcion de los
u
i
, no es necesario calcular la inversa de P, sino que directamente podemos armar
que P
1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_.
En todo caso, y como ejemplo, hagamos en esta ocasion los calculos numericos
necesarios para obtener P
1
a partir de P. Para ello partimos de la matriz (P[I
3
) y
hacemos las operaciones necesarias por las de manera que al nal obtengamos una
matriz de la forma (I
3
[A), pudiendo asegurar entonces que A = P
1
. Procedamos
pues.
_
_
_
1 -1 0 1 0 0
0 1 -1 0 1 0
0 0 1 0 0 1
_
_
_
F
2
+F
3
_
_
_
1 -1 0 1 0 0
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_
F
1
+F
2
_
_
_
1 0 0 1 1 1
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_.
De esta manera obtenemos que P
1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_, que coincide con el resultado
que habamos encontrado anteriormente.
La generalizacion no pedira calcular la matriz P de cambio de base de u
i
a
u
i
en K
n
teniendo en cuenta que u
i
=
i
l=1
u
i
, y calcular tambien P
1
.
En estas circunstancias podemos asegurar que
P
1
=
_
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
_
_
.
Por otro lado es inmediato comprobar (por induccion por ejemplo) que u
1
= u
1
104 CAP

y u
i
= u
i1
+u
i
. De esta forma llegamos a que
P =
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 1 0 0
0 0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
.
Problema 21 En IR
3
halle la matriz del paso P de la base canonica e
i
a la base
e
1
= (0, 1, 1), e
2
= (1, 0, 1), e
3
= (1, 1, 0). Calcule P
1
.
Solucion. Debemos escribir los vectores de la base canonica e
i
como combinaci on
lineal de los vectores de la base e
i
. As e
1
= (1, 0, 0) = (0, 1, 1) + (1, 0, 1) +
(1, 1, 0) = ( +, +, +), con lo que obtenemos el sistema ecuaciones lineales
+ = 1
+ = 0
+ = 0
_
_
que debemos resolver.
_
_
_
0 1 1 1
1 0 1 0
1 1 0 0
_
_
_
F
1
F
2
_
_
_
1 0 1 0
0 1 1 1
1 1 0 0
_
_
_
F
3
F
1
_
_
_
1 0 1 0
0 1 1 1
0 1 1 0
_
_
_
F
3
F
2
_
_
_
1 0 1 0
0 1 1 1
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0
0 1 1 1
0 0 1 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La solucion del sistema es pues =
1
2
, =
1
2
y =
1
2
.
A continuaci on debemos hacer lo mismo con el segundo vector de la base canonica
e
2
, es decir (0, 1, 0) = x(0, 1, 1) +y(1, 0, 1) +z(1, 1, 0).
_
_
_
0 1 1 0
1 0 1 1
1 1 0 0
_
_
_
F
1
F
2
_
_
_
1 0 1 1
0 1 1 0
1 1 0 0
_
_
_
F
3
F
1
_
_
_
1 0 1 1
0 1 1 0
0 1 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 1
0 1 1 0
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 1
0 1 1 0
0 0 1 1/2
_
_
_
5.9. PROBLEMAS 105
F2F
3
_
_
_
1 0 1 1
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La solucion del sistema es pues x =
1
2
, y =
1
2
y z =
1
2
.
Por ultimo hacemos lo mismo con e
3
.
_
_
_
0 1 1 0
1 0 1 0
1 1 0 1
_
_
_
F
1
F
2
_
_
_
1 0 1 0
0 1 1 0
1 1 0 1
_
_
_
F
3
F
1
_
_
_
1 0 1 0
0 1 1 0
0 1 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 0
0 1 1 0
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0
0 1 1 0
0 0 1 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
Por tanto e
3
=
1
2
e
1
+
1
2
e
1
2
e
3
.
La matriz P que buscamos sera P =
_
_
_
1/2 1/2 1/2
1/2 1/2 1/2
1/2 1/2 1/2
_
_
_.
Este problema podra haberse resuelto de una mas sencilla y mas directa uti-
lizando las propiedades de las matrices asociadas a cambios de base en un espacio
vectorial. Si nos piden la matriz P de paso de la base canonica a la base e
i
, sabe-
mos que P
1
es la matriz de paso de la base e
i
a la base canonica. Ahora bien, las
coordenadas de cada vector e
i
vienen dadas respecto de la base canonica, por tanto
es inmediato que la matriz P
1
es P
1
=
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_. De esta forma la matriz P
la podemos encontrar sin mas que calcular la inversa de P
1
.
_
_
_
0 1 1 1 0 0
1 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
2
F
1
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
1 1 0 0 0 1
_
_
_
F
3
F
1
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 1 1 0 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 2 1 1 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 1 1/2 1/2 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0 1 0
0 1 0 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2 1/2 1/2
0 1 0 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
_
_
_
106 CAP

es decir P =
_
_
_
1/2 1/2 1/2
1/2 1/2 1/2
1/2 1/2 1/2
_
_
_.
Problema 22 En K
3
encuentre la matriz de paso P de la base u
i
a la base u
denida por u
1
= u
1
, u
2
= u
1
+ u
2
, u
3
= u
1
+ u
2
+ u
3
. Calcule P
1
. Generalice a
K
n
.
Solucion. Para calcular P debemos escribir cada vector u
i
como combinaci on lineal
de los vectores u
i
. As, sabemos que u
1
= u
1
, u
2
= u
1
+u
2
= u
1
+u
2
u
2
= u
1
+u
2
.
Por ultimo u
3
= u
1
+ u
2
+ u
3
= u
1
u
1
+ u
2
+ u
3
u
3
= u
2
+ u
3
. Por tanto la
matriz P es P =
_
_
_
1 1 0
0 1 1
0 0 1
_
_
_. La matriz P
1
se corresponde con el cambio de
base de u
i
a u
i
, y como ya tenemos expresados los vectores u
i
en funcion de los
u
i
, no es necesario calcular la inversa de P, sino que directamente podemos armar
que P
1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_.
En todo caso, y como ejemplo, hagamos en esta ocasion los calculos numericos
necesarios para obtener P
1
a partir de P. Para ello partimos de la matriz (P[I
3
) y
hacemos las operaciones necesarias por las de manera que al nal obtengamos una
matriz de la forma (I
3
[A), pudiendo asegurar entonces que A = P
1
. Procedamos
pues.
_
_
_
1 -1 0 1 0 0
0 1 -1 0 1 0
0 0 1 0 0 1
_
_
_
F
2
+F
3
_
_
_
1 -1 0 1 0 0
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_
F
1
+F
2
_
_
_
1 0 0 1 1 1
0 1 0 0 1 1
0 0 1 0 0 1
_
_
_.
De esta manera obtenemos que P
1
=
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_, que coincide con el resultado
que habamos encontrado anteriormente.
La generalizacion no pedira calcular la matriz P de cambio de base de u
i
a
u
i
en K
n
teniendo en cuenta que u
i
=
i
l=1
u
i
, y calcular tambien P
1
.
En estas circunstancias podemos asegurar que
P
1
=
_
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
_
_
.
5.9. PROBLEMAS 107
Por otro lado es inmediato comprobar (por induccion por ejemplo) que u
1
= u
1
y u
i
= u
i1
+u
i
. De esta forma llegamos a que
P =
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 1 0 0
0 0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
.
Problema 23 En IR
3
halle la matriz del paso P de la base canonica e
i
a la base
e
1
= (0, 1, 1), e
2
= (1, 0, 1), e
3
= (1, 1, 0). Calcule P
1
.
Solucion. Debemos escribir los vectores de la base canonica e
i
como combinaci on
lineal de los vectores de la base e
i
. As e
1
= (1, 0, 0) = (0, 1, 1) + (1, 0, 1) +
(1, 1, 0) = ( +, +, +), con lo que obtenemos el sistema ecuaciones lineales
+ = 1
+ = 0
+ = 0
_
_
que debemos resolver.
_
_
_
0 1 1 1
1 0 1 0
1 1 0 0
_
_
_
F
1
F
2
_
_
_
1 0 1 0
0 1 1 1
1 1 0 0
_
_
_
F
3
F
1
_
_
_
1 0 1 0
0 1 1 1
0 1 1 0
_
_
_
F
3
F
2
_
_
_
1 0 1 0
0 1 1 1
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0
0 1 1 1
0 0 1 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La solucion del sistema es pues =
1
2
, =
1
2
y =
1
2
.
A continuaci on debemos hacer lo mismo con el segundo vector de la base canonica
e
2
, es decir (0, 1, 0) = x(0, 1, 1) +y(1, 0, 1) +z(1, 1, 0).
_
_
_
0 1 1 0
1 0 1 1
1 1 0 0
_
_
_
F
1
F
2
_
_
_
1 0 1 1
0 1 1 0
1 1 0 0
_
_
_
F
3
F
1
_
_
_
1 0 1 1
0 1 1 0
0 1 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 1
0 1 1 0
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 1
0 1 1 0
0 0 1 1/2
_
_
_
108 CAP

F2F
3
_
_
_
1 0 1 1
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
La solucion del sistema es pues x =
1
2
, y =
1
2
y z =
1
2
.
Por ultimo hacemos lo mismo con e
3
.
_
_
_
0 1 1 0
1 0 1 0
1 1 0 1
_
_
_
F
1
F
2
_
_
_
1 0 1 0
0 1 1 0
1 1 0 1
_
_
_
F
3
F
1
_
_
_
1 0 1 0
0 1 1 0
0 1 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 0
0 1 1 0
0 0 2 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0
0 1 1 0
0 0 1 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0
0 1 0 1/2
0 0 1 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2
0 1 0 1/2
0 0 1 1/2
_
_
_
Por tanto e
3
=
1
2
e
1
+
1
2
e
1
2
e
3
.
La matriz P que buscamos sera P =
_
_
_
1/2 1/2 1/2
1/2 1/2 1/2
1/2 1/2 1/2
_
_
_.
Este problema podra haberse resuelto de una mas sencilla y mas directa uti-
lizando las propiedades de las matrices asociadas a cambios de base en un espacio
vectorial. Si nos piden la matriz P de paso de la base canonica a la base e
i
, sabe-
mos que P
1
es la matriz de paso de la base e
i
a la base canonica. Ahora bien, las
coordenadas de cada vector e
i
vienen dadas respecto de la base canonica, por tanto
es inmediato que la matriz P
1
es P
1
=
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_. De esta forma la matriz P
la podemos encontrar sin mas que calcular la inversa de P
1
.
_
_
_
0 1 1 1 0 0
1 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
2
F
1
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
1 1 0 0 0 1
_
_
_
F
3
F
1
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 1 1 0 1 1
_
_
_
F
3
F
2
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 2 1 1 1
_
_
_
1
2
F
3
_
_
_
1 0 1 0 1 0
0 1 1 1 0 0
0 0 1 1/2 1/2 1/2
_
_
_
F2F
3
_
_
_
1 0 1 0 1 0
0 1 0 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
_
_
_
F1F
3
_
_
_
1 0 0 1/2 1/2 1/2
0 1 0 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
_
_
_
5.9. PROBLEMAS 109
es decir P =
_
_
_
1/2 1/2 1/2
1/2 1/2 1/2
1/2 1/2 1/2
_
_
_.
Problema 24 Sea B
1
= u
1
, u
2
, u
3
, u
4
una base del espacio vectorial V y B
2
=
u
1
u
2
u
4
, 2u
1
+u
2
u
3
+ 2u
4
, u
1
+u
2
+ 2u
3
, u
1
+u
3
.
a) Demostrar que B
2
es una base de V .
b) Hallar las ecuaciones matriciales de los cambio de base, de B
1
a B
2
y de B
2
a
B
1
.
c) Hallar las coordenadas respecto de B
1
de un vector cuyas coordenadas respecto
de B
2
son (1, 1, 0, 1).
Solucion. a) Supongamos que a, b, c, d son n umeros reales tales que a(u
1
u
2
u
4
)+
b(2u
1
+u
2
u
3
+2u
4
) +c(u
1
+u
2
+2u
3
) +d(u
1
+u
3
) = 0, entonces, desarrollando la
ecuacion llegamos a que (a+2bc+d)u
1
+(a+b+c)u
2
+(b+2c+d)u
3
+(a+2b)u
4
=
0. Como B
1
es base, sus vectores son linealmente independientes, por lo que
a + 2b c + d = 0
a + b + c = 0
b + 2c + d = 0
a + 2b = 0
_
_
Solucionemos el sistema.
_
_
_
_
_
1 2 1 1 0
1 1 1 0 0
0 1 2 1 0
1 2 0 0 0
_
_
_
_
_
F
2
+F
1
_
_
_
_
_
1 2 1 1 0
0 3 0 1 0
0 1 2 1 0
1 2 0 0 0
_
_
_
_
_
F
4
+F
1
_
_
_
_
_
1 2 1 1 0
0 3 0 1 0
0 1 2 1 0
0 4 1 1 0
_
_
_
_
_
F
3
F
2
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 3 0 1 0
0 4 1 1 0
_
_
_
_
_
F
3
+3F
2
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 6 4 0
0 4 1 1 0
_
_
_
_
_
F
4
+4F
2
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 6 4 0
0 0 7 5 0
_
_
_
_
_
(1)F
2
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 6 4 0
0 0 7 5 0
_
_
_
_
_
1
6
F
3
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 1 2/3 0
0 0 7 5 0
_
_
_
_
_
F
4
7F
3
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 1 2/3 0
0 0 0 1/3 0
_
_
_
_
_
3F
4
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 1 2/3 0
0 0 0 1 0
_
_
_
_
_
F
3
2
3
F
4
_
_
_
_
_
1 2 1 1 0
0 1 2 1 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
2
+2F
3
_
_
_
_
_
1 2 1 1 0
0 1 0 1 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
110 CAP

F
2
+F
4
_
_
_
_
_
1 2 1 1 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
F
4
_
_
_
_
_
1 2 1 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
+F
3
_
_
_
_
_
1 2 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
F
1
2F
2
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
_
_
_
_
_
Por tanto vemos que la unica solucion del sistema es a = b = c = d = 0 y queda
probado que los vectores de B
2
son linealmente independientes. Ademas dim(V )= 4
y B
2
esta formado por cuatro vectores linealmente independientes, lo que implica
que B
2
es una base de V .
b) Los vectores de la base B
2
estan ya expresados como combinaciones lineales
de los vectores de B
1
, por lo que sabemos que entonces la matriz de cambio de base
de B
2
a B
1
es
M =
_
_
_
_
_
1 2 1 1
1 1 1 0
0 1 2 1
1 2 0 0
_
_
_
_
_
y la ecuacion matricial del cambio de base es
_
_
_
_
_
1 2 1 1
1 1 1 0
0 1 2 1
1 2 0 0
_
_
_
_
_
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
=
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
en donde (y
1
, y
2
, y
3
, y
4
) son las coordenadas de un vector arbitrario de V respecto de
B
2
y (x
1
, x
2
, x
3
, x
4
) son sus coordenadas respecto de B
1
. Si continuamos con esta
notacion, es ya conocido que la ecuacion matricial del cambio de base de B
1
a B
2
es M
1
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
, por lo que lo unico que nos queda por hacer es calcular
M
1
.
_
_
_
_
_
1 2 1 1 1 0 0 0
1 1 1 0 0 1 0 0
0 1 2 1 0 0 1 0
1 2 0 0 0 0 0 1
_
_
_
_
_
F
2
+F
1
_
_
_
_
_
1 2 1 1 1 0 0 0
0 3 0 1 1 1 0 0
0 1 2 1 0 0 1 0
1 2 0 0 0 0 0 1
_
_
_
_
_
F
4
+F
1
_
_
_
_
_
1 2 1 1 1 0 0 0
0 3 0 1 1 1 0 0
0 1 2 1 0 0 0 1
0 4 1 1 1 0 0 1
_
_
_
_
_
F
3
F
2
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 3 0 1 1 1 0 0
0 4 1 1 1 0 0 1
_
_
_
_
_
F
3
+3F
2
5.9. PROBLEMAS 111

_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 6 4 1 1 3 0
0 4 1 1 1 0 0 1
_
_
_
_
_
F
4
+4F
2
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 6 4 1 1 3 0
0 0 7 5 1 0 4 1
_
_
_
_
_
(1)F
2
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 6 4 1 1 3 0
0 0 7 5 1 0 4 1
_
_
_
_
_
1
6
F
3
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 1
2
3
1
6
1
6
1
2
0
0 0 7 5 1 0 4 1
_
_
_
_
_
F
4
7F
3
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 1 2/3 1/6 1/6 1/2 0
0 0 0 1/3 1/6 7/6 1/2 1
_
_
_
_
_
3F
4
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 1 2/3 1/6 1/6 1/2 0
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
3
2
3
F
4
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 1 0 0 1 0
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
2
+F
4
_
_
_
_
_
1 2 1 1 1 0 0 0
0 1 2 0 1/2 7/2 1/2 3
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
1
F
4
_
_
_
_
_
1 2 1 0 3/2 7/2 3/2 3
0 1 2 0 1/2 7/2 1/2 3
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
2
+2F
3
_
_
_
_
_
1 2 1 0 3/2 7/2 3/2 3
0 1 0 0 1/2 3/2 1/2 1
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
1
+F
3
_
_
_
_
_
1 2 0 0 2 6 2 5
0 1 0 0 1/2 3/2 1/2 1
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
F
1
2F
2
_
_
_
_
_
1 0 0 0 1 3 1 3
0 1 0 0 1/2 3/2 1/2 1
0 0 1 0 1/2 5/2 1/2 2
0 0 0 1 1/2 7/2 3/2 3
_
_
_
_
_
112 CAP

As pues M
1
=
_
_
_
_
_
1 3 1 3
1/2 3/2 1/2 1
1/2 5/2 1/2 2
1/2 7/2 3/2 3
_
_
_
_
_
y la ecuacion matricial resulta
_
_
_
_
_
1 3 1 3
1/2 3/2 1/2 1
1/2 5/2 1/2 2
1/2 7/2 3/2 3
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
.
c)
_
_
_
_
_
1 2 1 1
1 1 1 0
0 1 2 1
1 2 0 0
_
_
_
_
_
_
_
_
_
_
1
1
0
1
_
_
_
_
_
=
_
_
_
_
_
0
2
2
3
_
_
_
_
_
, es decir, las coordenadas respecto
de B
1
del vector dado son (0, 2, 2, 3).
Problema 25 En IR
4
se considera el subespacio F engendrado por a, b, c y el
subespacio G engendrado por d, e en donde
a = (1, 2, 3, 2), b = (1, 2, 2, 6), c = (0, 2, 5, 4),
d = (2, 0, 1, 4) y e = (5, 3, 0, 2).
Determine las dimensiones de F, G, F G, F +G y bases de estos subespacios.
Encuentre ademas las ecuaciones matriciales parametricas de F y G respecto de las
bases encontradas y la base canonica de IR
4
.
Solucion. F =< a, b, c >. Tan solo tenemos que investigar cuales de esos vectores
son linealmente independientes.
_
_
_
1 2 3 2
1 2 2 6
0 2 5 4
_
_
_
F
2
F
1
_
_
_
1 2 3 2
0 0 5 4
0 2 5 4
_
_
_
F
2
F
3
_
_
_
1 2 3 2
0 2 5 4
0 0 5 4
_
_
_.
Como vemos, despues de hacer ceros por debajo de la diagonal principal, ninguna
la se hace cero, por lo que podemos armar que dim(F) = 3, y una base de F es
(1, 2, 3, 2), (0, 2, 5, 4), (0, 0, 5, 4).
Procedemos de igual manera para el caso del espacio vectorial G.
_
2 0 1 4
5 3 0 2
_
1
2
F
1
_
1 0 1/2 2
5 3 0 2
_
1
2
F
1
_
1 0 1/2 2
0 3 5/2 8
_
y as (2, 0, 1, 4), (5, 3, 0, 2) es base de G y dim(G) = 2.
Un sistema generador de F + G es, como sabemos, el conjunto de vectores
(1, 2, 3, 2), (0, 2, 5, 4), (0, 0, 5, 4), (2, 0, 1, 4), (5, 3, 0, 2)
_
_
_
_
_
_
_
_
1 2 3 2
0 2 5 4
0 0 5 4
2 0 1 4
5 3 0 2
_
_
_
_
_
_
_
_
F
4
2F
1
_
_
_
_
_
_
_
_
1 2 3 2
0 2 5 4
0 0 5 4
0 4 5 0
5 3 0 2
_
_
_
_
_
_
_
_
F
5
5F
1
_
_
_
_
_
_
_
_
1 2 3 2
0 2 5 4
0 0 5 4
0 4 5 0
0 7 15 8
_
_
_
_
_
_
_
_
5.9. PROBLEMAS 113
F
4
+2F
2
_
_
_
_
_
_
_
_
1 2 3 2
0 2 5 4
0 0 5 4
0 0 15 8
0 7 15 8
_
_
_
_
_
_
_
_
1
2
F
2
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 5 4
0 0 15 8
0 7 15 8
_
_
_
_
_
_
_
_
F
5
+7F
2
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 5 4
0 0 15 8
0 0 5/2 6
_
_
_
_
_
_
_
_
F
4
3F
3
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 5 4
0 0 0 4
0 0 5/2 6
_
_
_
_
_
_
_
_
1
5
F
3
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 4
0 0 5/2 6
_
_
_
_
_
_
_
_
F
5
5
2
F
3
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 4
0 0 0 4
_
_
_
_
_
_
_
_
F
5
+F
4
_
_
_
_
_
_
_
_
1 2 3 2
0 1 5/2 2
0 0 1 4/5
0 0 0 4
0 0 0 0
_
_
_
_
_
_
_
_
.
Concluimos entonces que una base de F +G es
(1, 2, 3, 2), (0, 1, 5/2, 2), (0, 0, 1, 4/5), (0, 0, 0, 4)
y por tanto que dim(F + G) = 4. Aplicando la formula de la dimension calculamos
la dimension de F G, dim(F G) = 1.
Pasemos al calculo de las ecuaciones matriciales parametricas de F y G. Los
vectores de la base encontrada de F ya estan expresados respecto a la base canonica
de IR
4
, as que la ecuacion matricial parametrica en este caso es
_
_
_
_
_
1 0 0
2 2 0
3 5 5
2 4 4
_
_
_
_
_
_
_
_
_
_
_ =
_
_
_
_
_
x
y
z
t
_
_
_
_
_
.
Lo mismo ocurre con los vectores de la base encontrada para G:
_
_
_
_
_
2 5
0 3
1 0
4 2
_
_
_
_
_
_

_
=
_
_
_
_
_
x
y
z
t
_
_
_
_
_
.
Problema 26 Determine las ecuaciones cartesianas del subespacio
U =< (1, 0, 1, 1), (2, 1, 1, 1) >
de IR
4
respecto de la base canonica de IR
4
.
114 CAP

Solucion. Los vectores (1, 0, 1, 1) y (2, 1, 1, 1) no son proporcionales y as B
U
=
(1, 0, 1, 1), (2, 1, 1, 1) es una base de U. Por tanto, para hallar las ecuaciones
cartesianas de U respecto de la base canonica de IR
4
consideramos la matriz
_
_
_
_
_
1 2 x
1
0 1 x
2
1 1 x
3
1 1 x
4
_
_
_
_
_
,
donde (x
1
, x
2
, x
3
, x
4
) son las coordenadas de un vector incognita respecto de la base
canonica, y exigimos que (x
1
, x
2
, x
3
, x
4
) pertenezca a U. Esto se hace imponiendo
que los siguientes menores sean nulos:
1 2 x
1
0 1 x
2
1 1 x
3
= 0,
1 2 x
1
0 1 x
2
1 1 x
4
= 0.
Resolviendo los determinantes nos quedan las ecuaciones cartesianas independientes
siguientes:
_
x
1
3x
2
x
3
= 0
x
1
3x
2
+x
4
= 0
Problema 27 Sean U y V los subespacios de IR
3
engendrados por los conjuntos de
vectores (1, 2, 0), (1, 3, 1) y (0, 2, 1), (0, 0, 2) respectivamente.
a) Encuentre bases para U +V y U V .
b) Halle las ecuaciones matriciales parametricas y cartesianas de U V respecto
de la base anteriormente encontrada de U V y la base canonica de IR
3
.
Solucion. a) El espacio vectorial U +V estara generado por el conjunto de vectores
A = (1, 2, 0), (1, 3, 1), (0, 2, 1), (0, 0, 2). Por tanto, para encontrar una base de
U +V tan solo tenemos que encontrar los vectores linealmente independientes de A.
_
_
_
_
_
1 2 0
1 3 1
0 2 1
0 0 2
_
_
_
_
_
F
2
+F
1
_
_
_
_
_
1 2 0
0 5 1
0 2 1
0 0 2
_
_
_
_
_
1
5
F
2
_
_
_
_
_
1 2 0
0 1 1/5
0 2 1
0 0 2
_
_
_
_
_
F
3
2F
2
_
_
_
_
_
1 2 0
0 1 1/5
0 0 7/5
0 0 2
_
_
_
_
_
5
7
F
3
_
_
_
_
_
1 2 0
0 1 1/5
0 0 1
0 0 2
_
_
_
_
_
F
4
2F
3
_
_
_
_
_
1 2 0
0 1 1/5
0 0 1
0 0 0
_
_
_
_
_
Observamos pues que los vectores (1, 2, 0), (1, 3, 1) y (0, 2, 1) son linealmente
independientes, y que (0, 0, 2) depende linealmente de ellos. De esta forma podemos
armar que (1, 2, 0), (1, 3, 1), (0, 2, 1) es una base de U +V .
5.9. PROBLEMAS 115
Es claro ahora que dim(U +V ) = 3, y como, seg un la formula de la dimension
dim(U +V ) = dim(U) + dim(V ) dim(U V )
obtenemos que dim(U V ) = 1. Para hallar una base de U V bastara encontrar
un vector no nulo de U V .
El que un vector v pertenezca a U V viene condicionado por el hecho de que
se escriba a la vez como combinacion lineal de los vectores (1, 2, 0), (1, 3, 1) y de
los vectores (0, 2, 1), (0, 0, 2), es decir, que existan unos n umeros reales a, b, c, d tales
que
v = a(1, 2, 0) +b(1, 3, 1) = c(0, 2, 1) +d(0, 0, 2).
Obtenemos entonces el sistema de ecuaciones
a b = 0
2a + 3b = 2c
b = c + 2d
_
_
.
Es inmediato comprobar que a = b = 2c/5 es una solucion del sistema, entonces,
utilizando por ejemplo el valor c = 5 llegamos a que a = b = 2 soluciona el sistema,
y as 2(1, 2, 0) +2(1, 3, 1) = (0, 10, 2) es un vector de U V , y por lo comentado
anteriormente (0, 10, 2) es una base de U V .
b) El vector de la base encontrada anteriormente de UV esta expresado respecto
a la base canonica de IR
3
, por tanto la ecuacion matricial parametrica que se nos
pide es
_
_
_
0
10
2
_
_
_() =
_
_
_
x
y
z
_
_
_.
Para encontrar las ecuaciones cartesianas (dos ecuaciones en este caso) de este
subespacio vectorial, debemos eliminar el parametro de las ecuaciones parametricas.
Es claro que y = 5z = 10 y que x = 0, por consiguiente las ecuaciones cartesianas
son
x = 0
y + 5z = 0
_
y la correspondiente ecuacion matricial
_
1 0 0
0 1 5
_
_
_
_
x
y
z
_
_
_ =
_
0
0
_
.
Problema 28 a) Sea U el subespacio de IR
3
engendrado por los vectores (1, 0, 1)
y (0, 2, 1). Calcule las ecuaciones matriciales cartesianas de U respecto de la base
canonica de IR
3
.
b) El subespacio W de IR
3
viene dado por las siguientes ecuaciones cartesianas
respecto de la base canonica: 2x
1
x
2
= 0. Calcule las ecuaciones matriciales
parametricas de W.
c) Halle las dimensiones de U +W y U W.
116 CAP

Solucion. a) En primer lugar notemos que al ser U de dimension dos, una sola
ecuacion cartesiana determina a U. Ahora, un vector de IR
3
(x, y, z) pertenece a U
si existen dos n umeros reales y tales que (x, y, z) = (1, 0, 1) + (0, 2, 1), es
decir, (x, y, z) = (, 2, +). La ecuacion x+1/2yz = 0 puede ser facilmente
deducida de la igualdad anterior, y as la ecuacion matricial cartesiana de U es
_
1 1/2 1
_
_
_
_
x
y
z
_
_
_ = (0).
b) Tan solo una ecuacion cartesiana determina el subespacio vectorial W, lo que
nos permite armar que dim(W) = 2. Es claro por otro lado que los vectores (1, 2, 0)
y (0, 0, 1) pertenecen a W pues ambos satisfacen la ecuacion cartesiana de W, y que
son linealmente independientes pues ninguno es m ultiplo del otro. Por tanto el
conjunto (1, 2, 0), (0, 0, 1) es una base de W y la ecuacion matricial parametrica es
_
_
_
1 0
2 0
0 1
_
_
_
_

_
=
_
_
_
x
y
z
_
_
_.
c) U +V =< (1, 0, 1), (0, 2, 1), (1, 2, 0), (0, 0, 1) >
_
_
_
_
_
1 0 1
0 2 1
1 2 0
0 0 1
_
_
_
_
_
F
3
F
1
_
_
_
_
_
1 0 1
0 2 1
0 2 1
0 0 1
_
_
_
_
_
F
3
F
2
_
_
_
_
_
1 0 1
0 2 1
0 0 0
0 0 1
_
_
_
_
_
.
Tenemos entonces que dim(U +V ) = 3, y por la formula de la dimension obten-
emos que dim(U V ) = 1.
Problema 29 Halle un sistema de ecuaciones homogeneo en las incognitas x, y, z
y t que tenga como solucion
x = + , y = +, z = + 2 , t = + +,
donde , y son parametros reales.
Solucion. Sea U el subespacio de IR
4
dado por la solucion del sistema a conseguir.
Entonces U tiene las siguientes ecuaciones parametricas respecto de la base canonica:
x = +
y = +
z = +2
t = + +
El sistema de ecuaciones que se pide son precisamente las ecuaciones cartesianas
de U respecto de la base canonica de IR
4
, que se pueden calcular considerando una
5.9. PROBLEMAS 117
base de U y aplicando la teora general que ya se conoce. Como se observa en las
ecuaciones parametricas anteriores, el conjunto de vectores
(1, 0, 1, 1), (1, 1, 2, 1), (1, 1, 1, 1)
genera el subespacio de soluciones U (notamos que las anteriores ecuaciones para-
metricas se pueden escribir en forma vectorial como
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
1
0
1
1
_
_
_
_
_
+
_
_
_
_
_
1
1
2
1
_
_
_
_
_
+
_
_
_
_
_
1
1
1
1
_
_
_
_
_
,
y los vectores columna que aparecen acompa nando a los parametros son precisamente
los considerados). Las ecuaciones cartesianas de U se obtienen imponiendo que la
matriz
_
_
_
_
_
1 1 1 x
0 1 1 y
1 2 1 z
1 1 1 t
_
_
_
_
_
tenga rango 3. Como el menor
1 1 1
0 1 1
1 2 1
es no nulo, las ecuaciones cartesianas se reducen a una sola:
1 1 1 x
0 1 1 y
1 2 1 z
1 1 1 t
= 0.
Resolviendo el determinante, nos queda que 3x 2z + t = 0 es el sistemas de ecua-
ciones homogeneo pedido.
Problema 30 Encuentre un sistema de ecuaciones en las incognitas x
1
, x
2
, x
3
, x
4
y x
5
que tenga la siguiente solucion:
x
1
= 1 s
1
+s
2
, x
2
= 1 +s
1
+s
2
, x
3
= s
1
s
2
, x
4
= 3 +s
2
, x
5
= 1 +2s
1
5s
2
,
donde s
i
son parametros reales para i = 1, 2, 3, 4, 5.
Solucion. Primero escribimos la solucion del sistema en forma vectorial:
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1
1
0
3
1
_
_
_
_
_
_
_
_
+s
1
_
_
_
_
_
_
_
_
1
1
1
0
2
_
_
_
_
_
_
_
_
+s
2
_
_
_
_
_
_
_
_
1
1
1
1
5
_
_
_
_
_
_
_
_
.
118 CAP

En este caso el conjunto de soluciones no es un subespacio de IR
5
, sin embargo pode-
mos adoptar una estrategia similar a la del ejercicio anterior sin mas que representar
la solucion en la forma
_
_
_
_
_
_
_
_
x
1
1
x
2
+ 1
x
3
x
4
3
x
5
+ 1
_
_
_
_
_
_
_
_
= s
1
_
_
_
_
_
_
_
_
1
1
1
0
2
_
_
_
_
_
_
_
_
+s
2
_
_
_
_
_
_
_
_
1
1
1
1
5
_
_
_
_
_
_
_
_
.
Ahora el razonamiento que se hace es como antes: consideramos la matriz
_
_
_
_
_
_
_
_
1 1 x
1
1
1 1 x
2
+ 1
1 1 x
3
0 1 x
4
3
2 5 x
5
+ 1
_
_
_
_
_
_
_
_
e imponemos que tenga rango 2 (para que (x
1
1, x
2
+1, x
3
, x
4
3, x
5
+1) dependa
linealmente de (1, 1, 1, 0, 2) y (1, 1, 1, 1, 5)). Como el menor
1 1
1 1
en no
nulo, obtenemos las siguientes ecuaciones cartesianas:
1 1 x
1
1
1 1 x
2
+ 1
1 1 x
3
= 0,
1 1 x
1
1
1 1 x
2
+ 1
0 1 x
4
3
= 0,
1 1 x
1
1
1 1 x
2
+ 1
2 5 x
5
+ 1
= 0.
Resolviendo estos determinantes obtenemos ya el sistema de ecuaciones pedido:
_
_
x
1
+x
3
= 1
x
1
+x
2
2x
4
= 6
7x
1
+3x
2
+2x
5
= 2
Captulo 6
Aplicaciones lineales
6.1 Denicion y primeras propiedades
Como en casi todas las disciplinas de la matematica, el estudio de determi-
nadas aplicaciones entre dos objetos con la misma estructura es fundamental para
el conocimiento de dichas estructuras. En el caso de los espacios vectoriales, las
aplicaciones que resultan interesantes son las llamadas aplicaciones lineales u homo-
morsmos de espacios vectoriales.
Denicion 6.1.1 Sean V , V
dos K-espacios vectoriales. Una aplicacion lineal (u

homomorsmo) entre dos espacios vectoriales V y V
es una aplicacion f : V V
que verica la siguiente condicion: f(au + bv) = af(u) + bf(v) para todos a, b K
y todos u, v V.
En otras palabras, un homomorsmo de espacios vectoriales no es sino una apli-
cacion entre dos espacios vectoriales, que respeta la estructura de espacio vectorial
de ambos. Dos propiedades de gran utilidad que verica cualquier homomorsmo de
espacios vectoriales f : V V
y que se deducen inmediatamente de la denicion

de homomorsmo son las siguientes:
1) f(0) = 0.
2) f(v) = f(v) v V .
Ejemplo. La aplicacion f : IR
3
IR
2
dada por la formula f(x, y, z) = (x+y, y +z)
es lineal, ya que si a, b IR son dos escalares cualesquiera y (x, y, z), (x
, y
, z
) IR
3
son dos vectores arbitrarios, tenemos por un lado que
f(a(x, y, z) +b(x
, y
, z
)) = f((ax, ay, az) + (bx
, by
, bz
)) =
f(ax +bx
, ay +by
, az +bz
) = (ax +bx
+ay +by
, ay +by
+az +bz
)
y por otro que
af(x, y, z) + bf(x
, y
, z
) = a(x +y, y +z) +b(x
+y
, y
+z
) =
119
120 CAP
ITULO 6. APLICACIONES LINEALES

(a(x+y), a(y +z)) +(b(x
+y
), b(y
+z
)) = (ax+ay, ay +az) +(bx
+by
, by
+bz
)
= (ax +ay +bx
+by
, ay +az +by
+bz
),
es decir,
f(a(x, y, z) + b(x
, y
, z
)) = af(x, y, z) +bf(x
, y
, z
).
Sin embargo la aplicacion f : IR
3
IR
2
dada por la formula f(x, y, z) = (x +
y, y +z + 1) NO es lineal ya que
f(a(x, y, z) +b(x
, y
, z
)) = (ax +bx
+ay +by
, ay +by
+az +bz
+ 1)
y
af(x, y, z) +bf(x
, y
, z
) = (ax +ay, ay +az + 1) + (bx
+by
, by
+bz
+ 1)
= (ax +ay +bx
+by
, ay +az +by
+bz
+ 2),
y obviamente
ay +by
+az +bz
+ 1 ,= ay +az +by
+bz
+ 2,
por lo que
f(a(x, y, z) + b(x
, y
, z
)) ,= af(x, y, z) +bf(x
, y
, z
).
Asociados a toda aplicacion lineal existen dos objetos que juegan un papel fun-
damental en el estudio de dichas aplicaciones. Tales son el n ucleo o kernel de la
aplicacion y su imagen; dada una aplicacion lineal f : V V
, el n ucleo de f o
Kerf es el conjunto formado por todos los vectores de V cuya imagen mediante f es
0, mientras que la imagen de f no es sino la imagen de la aplicacion, olvidandonos
de su estructura, es decir:
Ker f = v V ; f(v) = 0
Im f = v
; v V con f(v) = v
.
Ejemplo. Consideremos la aplicacion lineal f : IR
3
IR
2
dada por la formula
f(x, y, z) = (x +y, y +z). Calculemos el n ucleo de dicha aplicacion lineal:
Ker f = (x, y, z) IR
3
; f(x, y, z) = (0, 0) =
(x, y, z) IR
3
; (x +y, y +z) = (0, 0) = (x, y, z) IR
3
; x = y = z
= (a, a, a); a IR.
Resulta ademas que Kerf e Imf no son simplemente subconjuntos de V y V
respectivamente, sino que ambos tienen estructura de subespacios vectoriales, es

decir,
6.1. DEFINICI
ON Y PRIMERAS PROPIEDADES 121

Proposicion 6.1.2 Sea f : V V
cualquier aplicacion lineal. Entonces Ker f es

un subespacio vectorial de V e Imf es un subespacio vectorial de V
.
El siguiente resultado caracteriza las aplicaciones lineales en funcion de su n ucleo
e imagen.
Proposicion 6.1.3 Sea f : V V
una aplicacion lineal. Se verican las siguientes

armaciones:
i) f es inyectiva si y solo si Ker f = 0.
ii) f es sobreyectiva si y solo si V
= Imf.
Los homomorsmos de espacios vectoriales que son inyectivos son llamados mo-
nomorsmos, mientras que los que son sobreyectivos son llamados epimorsmos.
Un homomorsmo de espacios vectoriales que sea biyectivo recibe el nombre de
isomorsmo, y si entre dos espacios vectoriales V y V
existe un isomorsmo se
dice que son isomorfos, y se representa por V

= V
.
Si f es una aplicacion lineal de un espacio vectorial V en s mismo, es decir,
f : V V , se dice que f es un endomorsmo. A los endomorsmos biyectivos se
les suele llamar automorsmos.
Proposicion 6.1.4 Sean V y V
dos K-espacios vectoriales. Se verican las si-

guientes armaciones:
i) V

= V
dim
K
V = dim
K
V
.
ii) Si U es un subespacio de V y dim U = dim V < , entonces U = V.
Proposicion 6.1.5 (Formulas de la dimension)
1) Si V = U
1
U
2
, entonces
dimV = dimU
1
+dimU
2
.
2) Sea f : V V
lineal, entonces
dimV = dimKer f +dimImf.
3) Sean U
1
y U
2
dos subespacios de V . Entonces
dim(U
1
+U
2
) = dimU
1
+dimU
2
dimU
1
U
2
.
Ejemplos. 1. Es claro que si U
1
= (x, y, 0) IR
3
y U
2
= (0, 0, z) IR
3
entonces
IR
3
= U
1
U
2
, y comprobamos que dim U
1
= 2 y dimU
2
= 1, por lo que efectivamente
se verica que 2 + 1 = dim U
1
+dim U
2
= dim IR
3
= 3.
2. Si consideramos ahora U
1
= (x, 0, 0) IR
3
y U
2
= (0, 0, z) IR
3
, vemos
que U
1
U
2
= 0, por lo que U
1
+ U
2
= U
1
U
2
. Ademas es claro que dim U
1
=
dim U
2
= 1, por lo que forzosamente dim U
1
U
2
= 2.
3. Sean ahora U
1
= (x, y, 0) IR
3
y U
2
= (0, y, z) IR
3
. Es claro que
U
1
U
2
,= 0, por lo que no existe U
1
U
2
. En este caso dim (U
1
+ U
2
) =
dim U
1
+ dim U
2
dim U
1
U
2
. Como U
1
U
2
= (0, y, 0) IR
3
, vemos que
dim U
1
U
2
= 1, por lo que dim(U
1
+ U
2
) = 2 + 2 1 = 3. Ademas, se comprueba
que U
1
+U
2
= IR
3
, por lo que se corrobora que dim (U
1
+U
2
) = 3.
122 CAP

6.2 Ecuaciones de un homomorsmo
Sea f : V V
una aplicacion lineal y sean B = v

1
, ..., v
n
y B
= v
1
, ..., v
bases de V y V
respectivamente.
Supongamos que conocemos, en funcion de la base B
, la imagen de los vectores

de B mediante la aplicacion f, es decir, supongamos que
f(v
i
) =
m
j=1
a
ji
v
j
para todo i = 1, ..., n. Entonces si v V, se tiene
v =
n
i=1
x
i
v
i
, f(v) =
m
j=1
x
j
v
j
.
Por tanto
f(v) =
n
i=1
x
i
f(v
i
) =
n
i=1
x
i
(
m
j=1
a
ji
v
j
) =
m
j=1
(
n
i=1
a
ji
x
i
)v
j
.
As,
x
j
=
n
i=1
a
ji
x
i
, j = 1, .., m
son las ecuaciones de f respecto a las bases B y B
.
Estas ecuaciones pueden ser dadas en forma matricial; si escribimos la expresion
matricial de las ecuaciones anteriores obtenemos
_
_
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n

a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
.
Esta es la llamada ecuacion matricial del homomorsmo f en funcion de las bases B

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

a
m1
a
m2
a
mn
_
_
_
_
_
se le llama matriz asociada a f respecto a las bases B y B
, y se le denota por
M(f; B, B
) (notemos que su calculo es bien sencillo, pues, como se ha puesto de

maniesto, dicha matriz se calcula poniendo por columnas las coordenadas respecto
a la base B
de los vectores f(v

i
), i = 1, . . . , n).
Ejemplo. Calculemos la expresion matricial del homomorsmo f : IR
4
IR
3
dado
por
f(x
1
, x
2
, x
3
, x
4
) = (x
1
+x
2
+x
3
, x
2
+x
3
, x
1
+ 2x
3
+x
4
)
6.2. ECUACIONES DE UN HOMOMORFISMO 123
respecto a las bases
B = (1, 2, 3, 2), (1, 1, 1, 1), (1, 0, 0, 3), (1, 2, 0, 3)
y
B
= (1, 1, 2), (1, 3, 6), (0, 1, 0)

de IR
4
y IR
3
respectivamente.
Para calcular la matriz asociada al homomorsmo respecto a las bases referidas
debemos calcular la imagen de cada vector de B mediante el homomorsmo f, y
expresar dichas imagenes respecto a la base B
.
f(1, 2, 3, 2) = (1 +2 +3, 2 +3, 1 +2 3 +2) = (6, 5, 9). Ahora expresamos (6, 5, 9)
respecto a la base B:
(6, 5, 9) = a(1, 1, 2) +b(1, 3, 6) +c(0, 1, 0) = (a +b, a + 3b +c, 2a + 6b)
de donde obtenemos el sistema de ecuaciones lineales
a + b = 6
a + 3b + c = 5
2a + 6b = 9
_
_
,
cuya solucion es a = 27/4, b = 3/4 y c = 1/2. Por tanto la primera columna de
M(f; B, B
) es
_
_
_
27/4
3/4
1/2
_
_
_.
Hacemos lo mismo con los tres vectores restantes de B.
f(1, 1, 1, 1) = (3, 2, 4) = (a +b, a + 3b +c, 2a + 6b). Obtenemos el sistema
a + b = 3
a + 3b + c = 2
2a + 6b = 4
_
_
,
cuya solucion es a = 7/2, b = 1/2 y c = 0.
a + b = 1
a + 3b + c = 0
2a + 6b = 4
_
_
,
a + b = 3
a + 3b + c = 2
2a + 6b = 4
_
_
,
124 CAP

As pues, la matriz M(f; B, B
) es
M(f; B, B
) =
_
_
_
27/4 7/2 1/2 7/2
3/4 1/2 1/2 1/2
1/2 0 2 0
_
_
_,
y por tanto la ecuacion matricial del homomorsmo es
_
_
_
x
1
x
2
x
3
_
_
_ =
_
_
_
27/4 7/2 1/2 7/2
3/4 1/2 1/2 1/2
1/2 0 2 0
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
.
Si tomamos V
= V , m = n y f = id
V
, se obtiene la expresion matricial de las
ecuaciones del cambio de base de B en B
.
Si consideramos V V
un subespacio de V
y f = i
V
(i
V
es la aplicacion
inclusion de V en V
), entonces se obtiene la expresion matricial de las ecuaciones

parametricas de U respecto de las bases B y B
. En este caso, n m y (x
1
, x
2
, ..., x
n
)
representan parametros.
Un hecho de gran utilidad e importancia en el estudio de las ecuaciones matri-
ciales asociadas a un homomorsmo es el siguiente: si tenemos dos homomorsmos
cualesquiera f : V V
y g : V
, dos bases B y B
de V y V
respecti-
vamente, y queremos calcular la matriz asociada a g f : V V
respecto a B y
B
(es decir, queremos calcular M(g f; B, B
)), siempre podremos elegir una base

arbitraria B
de V
y se vericar a la igualdad
M(g f; B, B
) = M(g; B
, B
) M(f; B, B
).
Es conveniente notar que el orden de las matrices M(f; B, B
) y M(g; B
, B
) a la
hora de efectuar el producto anterior ha de ser el especicado en la formula, y no el
contrario.
Ejemplo. Supongamos que tenemos los homomorsmos f : R
3
R
3
dado por la
formula f(x, y, z) = (x, x + y + z, x + y z) y g : IR
3
IR
2
cuya matriz asociada
respecto a la base canonica de IR
3
y a la base canonica de IR
2
es
_
1 2 1
0 3 2
_
.
Calculemos la matriz asociada a g f respecto a la base
B = (1, 2, 3), (1, 5, 6), (1, 0, 0)
de IR
3
y a la base canonica de IR
2
.
6.2. ECUACIONES DE UN HOMOMORFISMO 125
Si calculamos la matriz asociada a f respecto a la base B y a la base canonica
de IR
3
, M(f; B, B
3
c
), dado que conocemos M(g; B
3
c
, B
2
c
) (B
2
c
es la base canonica de
IR
2
) podremos calcular la matriz asociada a g f respecto a las bases B y B
2
c
de la
forma M(g f; B, B
2
c
) = M(g; B
3
c
, B
2
c
) M(f; B, B
3
c
). Calculemos pues M(f; B, B
3
c
).
f(1, 2, 3) = (1, 6, 0), f(1, 5, 6) = (1, 12, 0), f(1, 0, 0) = (1, 1, 1). Como las image-
nes ya vienen expresadas respecto a la base canonica, tenemos que
M(f; B, B
3
c
) =
_
_
_
1 1 1
6 12 1
0 0 1
_
_
_
y por tanto que
M(g f; B, B
2
c
) =
_
1 2 1
0 3 2
_
_
_
_
1 1 1
6 12 1
0 0 1
_
_
_ =
_
13 25 4
18 36 5
_
.
126 CAP

6.3 Problemas
Problema 1 Estudie cuales de las siguientes aplicaciones son lineales. Describa el
n ucleo y la imagen de aquellas aplicaciones que sean lineales, y calcule una base de
cada uno de ellos.
a) f : IR
3
IR
2
, dada por f(x, y, z) = (2x +y, x y + 3z).
b) f : IR
3
IR
2
, dada por f(x, y, z) = (x
2
y, x y +z).
c) f : IR
2
IR
2
, dada por f(x, y) = (x + 1, y x).
Solucion. a) Tenemos f(x, y, z) = x(2, 1) +y(1, 1) +z(0, 3). Entonces
f(a(x
1
, y
1
, z
1
) + b(x
2
+y
2
+z
2
)) = f(ax
1
+bx
2
, ay
1
+by
2
, az
1
+bz
2
)
= (ax
1
+bx
2
)(2, 1) + (ay
1
+by
2
)(1, 1) + (az
1
+bz
2
)(0, 3) =
a [x
1
(2, 1) +y
1
(1, 1) +z
1
(0, 3)] +b [x
2
(2, 1) +y
2
(1, 1) +z
2
(0, 3)]
= af(x
1
, y
1
, z
1
) +bf(x
2
, y
2
, z
2
).
Por tanto f es lineal.
El n ucleo de f viene dado por
Kerf = (x, y, z) IR
3
[ 2x +y = 0, x y + 3z = 0.
Reducimos el sistema
x y + 3z = 0
2x +y = 0
_
a forma escalonada, obteniendo
x y + 3z = 0
y 2z = 0
_
Asignando un parametro a z, z = , nos queda y = 2, x = . As (x, y, z) =
(1, 2, 1) para todo (x, y, z) Ker f. Concluimos que una base de Ker f es
(1, 2, 1).
La formula de dimensiones dim(Ker f) + dim(Imf) = dim(IR
3
) nos indica que
dim(Imf) = 2 y por tanto Imf = IR
2
, siendo por ejemplo la base canonica de IR
2
una base de Imf.
b) f no es lineal porque
f(2(1, 0, 0)) = f(2, 0, 0) = (4, 2) ,= 2f(1, 0, 0) = 2(1, 1) = (2, 2).
c) f no es lineal ya que f((1, 0) +(0, 0)) = f(1, 0) = (2, 1) ,= f(1, 0) +f(0, 0) =
(2, 1) + (1, 0) = (3, 1).
6.3. PROBLEMAS 127
Problema 2 Si a
1
, a
2
, a
3
, a
4
es la base de IR
4
formada por los vectores
a
1
= (1, 1, 0, 0), a
2
= (1, 1, 0, 0), a
3
= (0, 0, 1, 1), a
4
= (0, 0, 1, 1).
a) Pruebese que existe un unico endomorsmo f en IR
4
que verica que
Ker(f) =< a
1
+a
2
, a
3
+a
4
a
1
>, f(a
1
) = 2a
1
y f(a
3
) = 2a
3
.
b) Calcule f(x, y, z, t) para todo (x, y, z, t) IR
4
.
c) B usquese una base de Im(f) y pruebese que Ker(f) e Im(f) son subespacios
suplementarios de IR
4
.
Solucion. a) Si conocemos los valores de f(a
i
) para i = 1, 2, 3, 4 se tendra comple-
tamente determinado f (ya que los a
i
forman una base). Nos falta saber los valores
f(a
2
) y f(a
4
). Para ello utilizamos que a
1
+ a
2
, a
3
+ a
4
a
1
Ker(f). Se debe
tener que f(a
1
+ a
2
) = 0 y f(a
3
+ a
4
a
1
) = 0. Por tanto f(a
2
) = f(a
1
) = 2a
1
,
f(a
4
) = f(a
1
) f(a
3
) = 2a
1
2a
3
. Los valores encontrados para f(a
2
) y f(a
4
) son
los unicos posibles que hacen que se cumplan las condiciones. As f es la unica que
verica las hipotesis.
b) f(x, y, z, t) = xf(e
1
) + yf(e
2
) + zf(e
3
) + tf(e
4
), donde e
i
son los vectores de
la base canonica. Conociendo la expresion de los e
i
en funcion de los a
i
se tendra
calculado f(x, y, z, t).
La matriz
P =
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 1 1
0 0 1 1
_
_
_
_
_
nos proporciona el cambio de base de los a
i
a los e
i
. Por tanto la inversa de la matriz
P es la que nos proporcionara la expresion de los e
i
en funcion de los a
i
. El calculo
de P
1
se hara por el siguiente metodo, ya conocido:
_
_
_
_
_
1 1 0 0 1 0 0 0
1 1 0 0 0 1 0 0
0 0 1 1 0 0 1 0
0 0 1 1 0 0 0 1
_
_
_
_
_
(1)
_
_
_
_
_
1 1 0 0 1 0 0 0
0 2 0 0 1 1 0 0
0 0 1 1 0 0 1 0
0 0 0 2 0 0 1 1
_
_
_
_
_
(2)
_
_
_
_
_
1 1 0 0 1 0 0 0
0 1 0 0 1/2 1/2 0 0
0 0 1 1 0 0 1 0
0 0 0 1 0 0 1/2 1/2
_
_
_
_
_
(3)
_
_
_
_
_
1 0 0 0 1/2 1/2 0 0
0 1 0 0 1/2 1/2 0 0
0 0 1 0 0 0 1/2 1/2
0 0 0 1 0 0 1/2 1/2
_
_
_
_
_
128 CAP

en donde las operaciones realizadas han sido:
(1) F
2
+F
1
, F
4
F
3
.
(2) 1/2F
2
, 1/2F
4
.
(3) F
1
F
2
, F
3
F
4
.
Por tanto P
1
es
_
_
_
_
_
1/2 1/2 0 0
1/2 1/2 0 0
0 0 1/2 1/2
0 0 1/2 1/2
_
_
_
_
_
y as e
1
= 1/2a
1
+1/2a
2
, e
2
= 1/2a
1
+1/2a
2
, e
3
= 1/2a
3
+1/2a
4
, e
4
= 1/2a
3
1/2a
4
.
Tenemos entonces
f(x, y, z, t) = xf(e
1
) +yf(e
2
) + zf(e
3
) +tf(e
4
) =
1/2[xf(a
1
) +xf(a
2
) yf(a
1
) +yf(a
2
) +zf(a
3
) + zf(a
4
) +tf(a
3
) tf(a
4
))] =
1/2[(x y)f(a
1
) + (x +y)f(a
2
) + (z +t)f(a
3
) + (z t)f(a
4
)] =
1/2[(xy)(2, 2, 0, 0)+(x+y)(2, 2, 0, 0)+(z+t)(0, 0, 2, 2)+(zt)(2, 2, 2, 2)] =
(2y +z t, 2y z +t, 2t, 2t).
Por tanto f(x, y, z, t) = (2y +z t, 2y z +t, 2t, 2t).
c) Como Ker(f) =< a
1
+ a
2
, a
3
+ a
4
a
1
> y b
1
= a
1
+ a
2
= (2, 0, 0, 0),
b
2
= a
3
+a
4
a
1
= (1, 1, 2, 0), se tiene que b
1
, b
2
son linealmente independientes y
por tanto b
1
, b
2
es una base de Ker f. As, dim(Ker f) = 2, lo cual, por la formula
de dimensiones dim(Ker f) + dim(Imf) = dim(IR
4
), implica que dim(Imf) = 2.
Como f(a
1
) = 2a
1
y f(a
3
) = 2a
3
son linealmente independientes, ellos constituyen
una base de Imf. Por ultimo, para demostrar que IR
4
= Ker f Imf es suciente
demostrar que ( = a
1
+ a
2
, a
3
+ a
4
a
1
, 2a
1
, 2a
3
es una base de IR
4
. Esto lo
probamos reduciendo a forma triangular la matriz cuyas las son los vectores de (:
_
_
_
_
_
1 1 2 0
2 0 0 0
2 2 0 0
0 0 2 2
_
_
_
_
_
(1)
_
_
_
_
_
1 1 2 0
0 2 4 0
0 0 4 0
0 0 2 2
_
_
_
_
_
(2)
_
_
_
_
_
1 1 2 0
0 2 4 0
0 0 4 0
0 0 0 2
_
_
_
_
_
(1) F
2
+ 2F
1
, F
3
+ 2F
1
.
(2) F
4
1/2F
3
.
Como la forma escalonada es triangular, los vectores la forman una base de IR
4
como queramos.
Problema 3 Constr uyase una base para Ker(f) y otra para Im(f), donde f : IR
4
IR
4
esta dado por
f(x, y, z, t) = (x + 2y +z + 2t, x +y + 2z 2t, x z + 2t).
6.3. PROBLEMAS 129
Solucion. Las ecuaciones cartesianas de Ker(f) respecto a la base canonica son
x + 2y +z + 2t = 0
x +y + 2z 2t = 0
x z + 2t = 0
_
_
que son equivalentes a estas otras:
x + 2y +z + 2t = 0
y +z = 0
_
Por tanto, asignando a z y t parametros, z = , t = , obtenemos y = , x =
2. As, un vector arbitrario de Ker f se expresa como
(x, y, z, t) = ( 2, , , ) = (1, 1, 1, 0) +(2, 0, 0, 1).
Por tanto T = (1, 1, 1, 0), (2, 0, 0, 1) son linealmente independientes y generan
Ker f, esto es, T es una base de Ker f.
Por la formula de las dimensiones, dim(Imf) = 2, de manera que para encontrar
una base de Imf es suciente encontrar dos vectores linealmente independientes
de Imf. Por ejemplo, f(1, 0, 0, 0) = (1, 1, 1) y f(0, 1, 0, 0) = (2, 1, 0) cumplen lo
anterior y por tanto constituyen una base de Imf.
Problema 4 a) Si f : K
n
K es un homomorsmo, pruebe que, o bien f = 0, o
bien f es un epimorsmo.
b) Si f : K K
n
es un homomorsmo, pruebe que, o bien f = 0, o bien f es
un monomorsmo.
Solucion. a) Si f ,= 0 entonces Imf ,= 0 y es un subespacio de K. Luego
Imf = K (pues dim K=1) y f es un epimorsmo.
b) Si f ,= 0, entonces Ker f ,= K, luego dimKerf = 0, es decir, Ker f = 0, y
por tanto f es un monomorsmo.
Problema 5 Sean E y E
dos espacios vectoriales y f Hom(E, E
). Pruebe que
la aplicacion h : E E
E E
, (x, y) (x, y f(x)) es un automorsmo.

Solucion. Claramente la aplicacion es lineal porque es composicion y suma de estas.
Falta ver que h es sobreyectiva e inyectiva.
h es inyectiva:
Si h(x, y) = (x, y f(x)) = (0, 0) entonces x = 0 e y = f(x) = f(0) = 0. Por
tanto (x, y) = (0, 0) (notese que siempre f(0) = 0 cuando f es lineal).
h es sobreyectiva:
Dado (e, e
) E E
, es facil ver que h(e, f(e) +e
) = (e, e
).
130 CAP

Problema 6 Sean f : IR
3
IR
3
el endomorsmo dado por
f(x, y, z) = (z y, x y + 2z, 2x y + 3z),
B = e
1
, e
2
, e
3
la base canonica de IR
3
, y B
= a
1
, a
2
, a
3
la base de IR
3
formada
por los vectores a
1
= (1, 1, 1), a
2
= (0, 1, 1) y a
3
= (0, 0, 1). Calcule:
a) la matriz asociada a f respecto a las bases B y B.
b) la matriz asociada a f respecto a las bases B
y B.
c) la matriz asociada a f respecto a las bases B y B
.
d) la matriz asociada a f respecto a las bases B
y B
.
Solucion. a) Se tiene f(e
1
) = f(1, 0, 0) = (0, 1, 2), f(e
2
) = f(0, 1, 0) = (1, 1, 1),
f(e
3
) = f(0, 0, 1) = (1, 2, 3). Por tanto
M(f, B, B) =
_
_
_
0 1 1
1 1 2
2 1 3
_
_
_.
b) Se tiene f(a
1
) = f(1, 1, 1) = (0, 2, 4), f(a
2
) = f(0, 1, 1) = (0, 1, 2), f(a
3
) =
f(0, 0, 1) = (1, 2, 3). Por tanto:
M(f, B
, B) =
_
_
_
0 0 1
2 1 2
4 2 3
_
_
_.
c) Necesitamos encontrar la matriz M(B, B
) del cambio de base de B a B
, ya que
M(f, B, B
) = M(B, B
)M(f, B, B). Pero sabemos que M(B, B
) = M(B
, B)
1
, y
es claro que
M(B
, B) =
_
_
_
1 0 0
1 1 0
1 1 1
_
_
_.
Calculamos la inversa.
M(B
, B) =
_
_
_
1 0 0 1 0 0
1 1 0 0 1 0
1 1 1 0 0 1
_
_
_
(1)
_
_
_
1 0 0 1 0 0
0 1 0 1 1 0
0 1 1 1 0 1
_
_
_
(2)
_
_
_
1 0 0 1 0 0
0 1 0 1 1 0
0 0 1 0 1 1
_
_
_.
(1) F
2
F
1
, F
3
F
1
.
(2) F
3
F
2
.
6.3. PROBLEMAS 131
Por tanto,
M(B, B
) =
_
_
_
1 0 0
1 1 0
0 1 1
_
_
_
y
M(f, B, B
) =
_
_
_
1 0 0
1 1 0
0 1 1
_
_
_
_
_
_
0 1 1
1 1 2
2 1 3
_
_
_ =
_
_
_
0 1 1
1 0 1
1 0 1
_
_
_
d) Ahora tenemos M(f, B
, B
) = M(B, B
)M(f, B
, B). Por tanto:

M(f, B
, B
) =
_
_
_
1 0 0
1 1 0
0 1 1
_
_
_
_
_
_
0 0 1
2 1 2
4 2 3
_
_
_ =
_
_
_
0 0 1
2 1 1
2 1 1
_
_
_.
Problema 7 Sea f : I C
4
I C
3
el homomorsmo dado por
f(x
1
, x
2
, x
3
, x
4
) = (2x
1
x
2
, x
3
+ix
4
, x
1
x
4
).
Calcule la matriz de f respecto a las bases canonicas de I C
4
y I C
3
.
Solucion. Si aplicamos f a los vectores de la base canonica de I C
4
obtenemos
f(1, 0, 0, 0) = (2, 0, 1), f(0, 1, 0, 0) = (1, 0, 0),
f(0, 0, 1, 0) = (0, 1, 0), f(0, 0, 0, 1) = (0, i, 1),
as que la matriz de f respecto de las bases canonicas es:
_
_
_
2 1 0 0
0 0 1 i
1 0 0 1
_
_
_.
Problema 8 Sea V un espacio vectorial tridimensional real; respecto a una base
B = u
1
, u
2
, u
3
se consideran los endomorsmos de V , f y g dados por: f(u
1
) =
u
1
u
2
+u
3
, f(u
2
) = u
3
, f(u
3
) = u
2
, g(u
1
) = u
1
+u
2
, g(u
2
) = u
1
u
2
, g(u
3
) = u
3
.
Escriba, respecto a la base B, las matrices M(f), M(g), M(f + g), M(kf) con
k IR, M(f g) y M(g f).
Solucion. Es inmediato que
M(f) =
_
_
_
1 0 0
1 0 1
1 1 0
_
_
_, M(g) =
_
_
_
1 1 0
1 1 0
0 0 1
_
_
_, por tanto
M(f +g) = M(f) +M(g) =
_
_
_
1 0 0
1 0 1
1 1 0
_
_
_ +
_
_
_
1 1 0
1 1 0
0 0 1
_
_
_ =
_
_
_
2 1 0
0 1 1
1 1 1
_
_
_,
132 CAP

M(kf) = kM(f) =
_
_
_
k 0 0
k 0 k
k k 0
_
_
_
M(f g) = M(f)M(g) =
_
_
_
1 0 0
1 0 1
1 1 0
_
_
_
_
_
_
1 1 0
1 1 0
0 0 1
_
_
_ =
_
_
_
1 1 0
1 1 1
2 0 0
_
_
_,
M(g f) = M(g)M(f) =
_
_
_
1 1 0
1 1 0
0 0 1
_
_
_
_
_
_
1 0 0
1 0 1
1 1 0
_
_
_ =
_
_
_
0 0 1
2 0 1
1 1 0
_
_
_.
Problema 9 En IR
3
se considera la base B = e
1
, e
2
, e
3
y el endomorsmo f
denido respecto a la base B por, f(x
1
e
1
+x
2
e
2
+x
3
e
3
) = (x
2
+x
3
)e
1
+(x
1
+x
3
)e
2
+
(x
2
x
1
)e
3
. Halle:
a) Expresion matricial de f respecto a la base B.
b) Los vectores invariantes de f.
c) Ecuaciones cartesianas de Ker f respecto a la base B.
Solucion. a) Se tiene f(e
1
) = e
2
e
3
, f(e
2
) = e
1
+e
3
, f(e
3
) = e
1
+e
2
, por tanto la
expresion matricial de f respecto de la base B es
_
_
_
y
1
y
2
y
3
_
_
_ =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_.
b) Se trata de encontrar los vectores v = x
1
e
1
+ x
2
e
2
+ x
3
e
3
tales que f(v) = v.
La ultima igualdad produce un sistema de ecuaciones
x
2
+x
3
= x
1
x
1
+x
3
= x
2
x
1
+x
2
= x
3
_
_
cuyas soluciones son los elementos del conjunto (1, 1, 0) [ IR como puede
verse facilmente.
c) Las ecuaciones cartesianas son:
x
2
+x
3
= 0
x
1
+x
3
= 0
x
1
+x
2
= 0
_
_
que se reducen a x
1
= 0, x
2
= 0, x
3
= 0.
6.3. PROBLEMAS 133
Problema 10 Se considera la aplicacion f: IR
3
IR
2
dada por la formula
f(x
1
, x
2
, x
3
) = (x
1
+x
2
, x
2
+x
3
).
a) Demuestre que f es un homomorsmo de IR
3
en IR
2
.
b) Halle la matriz asociada a f respecto a las bases,
B = (1, 1, 1), (0, 1, 1), (1, 0, 0) y B
= (1, 2), (0, 1).

c) Halle las ecuaciones cartesianas de Ker f respecto a la base B. Calcule
tambien las dimensiones de Ker f e Imf.
Solucion. a) Veamos que f es una aplicacion lineal u homomorsmo:
f(a(x
1
, x
2
, x
3
) +b(y
1
, y
2
, y
3
)) = f(ax
1
+by
1
, ax
2
+by
2
, ax
3
+by
3
) =
(ax
1
+by
1
+ax
2
+by
2
, ax
2
+by
2
+ax
3
+by
3
) = a(x
1
+x
2
, x
2
+x
3
)+b(y
1
+y
2
, y
2
+y
3
) =
af(x
1
, x
2
, x
3
) + bf(y
1
, y
2
, y
3
).
b) Se obtiene facilmente que
f(1, 1, 1) = (2, 2),
f(0, 1, 1) = (1, 0),
f(1, 0, 0) = (1, 0).
Los vectores (2, 2) y (1, 0) estan expresados respecto a la base canonica de IR
2
.
Hay que expresarlos respecto a la base B
.
(2, 2) = a(1, 2) +b(0, 1) = (a, 2a +b), con lo cual
2 = a
2 = 2a +b
_
a = 2 y b = 2.
(1, 0) = (1, 2) +(0, 1) = (, 2 +), con lo cual
1 =
0 = 2 +
_
= 2 y = 2.
Por tanto
M(f, B, B
) =
_
2 1 1
2 2 2
_
.
c) De la matriz M(f; B, B
) se obtiene inmediatamente que las ecuaciones de

Kerf respecto a la base B son :
2x
1
+x
2
+x
3
= 0
2x
1
2x
2
2x
3
= 0
_
Como hay dos ecuaciones cartesianas independientes que denen Ker f, se sigue que
dim(Ker f) = 1. Por la formula de las dimensiones se tiene que dim(Imf) = 2.
134 CAP

Problema 11 Sea f: V V
un homomorsmo de espacios vectoriales sobre el

cuerpo de los reales. Sean B = u
1
, u
2
y B
1
= u
1
, u
2
bases de V y B
= v
1
, v
2
, v
3
y B
1
= v
1
, v
2
, v
3
bases de V
.
Se sabe que la matriz de f respecto a B y B
es
_
_
_
1 0
1 1
1 2
_
_
_
y que
_
u
1
= u
1
+ u
2
u
2
= 2u
2
,
_
_
v
1
= v
1
+ v
2
v
2
= 2v
2
+ v
3
v
3
=
1
2
v
1
Halle la matriz de f respecto a las bases B
1
y B
1
.
Solucion. Sabemos que
M(f, B
1
, B
1
) = M(B
, B
1
)M(f, B, B
)M(B
1
, B).
Ademas, se obtiene directamente de las relaciones entre las bases del enunciado:
M(B
, B
1
) =
_
_
_
1 0 1/2
1 2 0
0 1 0
_
_
_, M(B, B
1
) =
_
1 0
1 2
_
.
Como M(B
1
, B) = M(B, B
1
)
1
=
_
1 0
1/2 1/2
_
se sigue que
M(f, B
1
, B
1
) =
_
_
_
1 0 1/2
1 2 0
0 1 0
_
_
_
_
_
_
1 0
1 1
1 2
_
_
_
_
1 0
1/2 1/2
_
=
_
_
_
0 1/2
2 1
1/2 1/2
_
_
_.
Problema 12 Siendo f : IR
3
IR
2
y g : IR
2
IR
4
los homomorsmos de espacios
vectoriales dados por: f(x, y, z) = (2x+y, y +z), g(x, y) = (x, 0, x+y, y), calc ulese
la matriz del homomorsmo g f : IR
3
IR
4
respecto a las bases canonicas.
Solucion. Se tiene f(1, 0, 0) = (2, 0), f(0, 1, 0) = (1, 1), f(0, 0, 1) = (0, 1) y g(1, 0) =
(1, 0, 1, 0), g(0, 1) = (0, 0, 1, 1). Por tanto
M(g f) = M(g)M(f) =
_
_
_
_
_
1 0
0 0
1 1
0 1
_
_
_
_
_
_
2 1 0
0 1 1
_
=
_
_
_
_
_
2 1 0
0 0 0
2 2 1
0 1 1
_
_
_
_
_
.
6.3. PROBLEMAS 135
Problema 13 a) Sea E un espacio vectorial de dimension nita y f, g End(E)
dos endomorsmos tales que f g = id
E
. Pruebese que f y g son automorsmos y
que g = f
1
.
b) Si A, B /, son tales que AB = I
n
, pruebese que A y B son inversibles y
que B = A
1
.
Solucion. (a) De la igualdad f g = id
E
se deduce que f es sobreyectiva y as
Imf = E. Utilizando la formula de dimensiones dim(Ker f)+dim(Imf) = dim(E),
se tiene que dim(Ker f) = 0 y as f es tambien inyectiva. Por tanto f es un
automorsmo con inversa f
1
. Aplicando f
1
en ambos miembros de la igualdad
f g = id
E
se obtiene f
1
f g = f
1
. As g = f
1
.
El apartado (b) es consecuencia de (a) sin mas que tomar los endomorsmos
f
A
, f
B
: K
n
K
n
tales que M(f
A
) = A y M(f
B
) = B. De esta forma M(f
A
f
B
) =
M(f
A
)M(f
B
) = I
n
= M(id
K
n) y, por ser M() un isomorsmo, f
A
f
B
= id
K
n.
Entonces f
A
es un automorsmo con inversa f
B
y por tanto A es inversible con
inversa B.
Problema 14 Consideremos el homomorsmo f : IR
4
IR
3
dado por f(x, y, z, t) =
(x + 2y + z, 2x t, 3z), y sean B
4
y B
3
las bases canonicas de IR
3
y IR
4
respectiva-
mente. Considerense ademas los vectores a
1
= (1, 1, 0, 0), a
2
= (1, 1, 0, 0), a
3
=
(0, 0, 1, 1), a
4
= (0, 0, 1, 1) de IR
4
y b
1
= (1, 1, 1), b
2
= (1, 0, 1), b
3
= (1, 1, 0)
de IR
3
.
a) Constr uyase la matriz asociada a f respecto a las bases B
4
y B
3
.
b) Pruebese que S = a
1
, a
2
, a
3
, a
4
y S
= b
1
, b
2
, b
3
son bases de IR
4
y IR
3
respectivamente. Constr uyanse ademas la matrices de cambio de base de S a B
4
en
IR
4
y de B
3
a S
en IR
3
.
c) Calc ulense las matrices asociadas a f respecto a las bases: c.1) B
4
y S
; c.2)
S y B
3
; c.3) S y S
.
Solucion. a) Es inmediato que f(1, 0, 0, 0) = (1, 2, 0), f(0, 1, 0, 0) = (2, 0, 0),
f(0, 0, 1, 0) = (1, 0, 3), f(0, 0, 0, 1) = (0, 1, 0). Por tanto
M(f, B
4
, B
3
) =
_
_
_
1 2 1 0
2 0 0 1
0 0 3 0
_
_
_.
b) Para demostrar que S es una base, se reduce a forma escalonada la matriz cuyas
las son los vectores de S y se comprueba que la forma escalonada es triangular. As
es inmediato comprobar, aplicando las operaciones F
2
F
1
y F
4
F
3
que
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 1 1
0 0 1 1
_
_
_
_
_
_
_
_
_
_
1 1 0 0
0 2 0 0
0 0 1 1
0 0 0 2
_
_
_
_
_
.
136 CAP

Para probar que S
es una base de IR
3
se seguira el mismo procedimiento que
para S, luego aplicando las operaciones F
2
F
1
y F
3
+F
1
obtenemos que
_
_
_
1 1 1
1 0 1
1 1 0
_
_
_
_
_
_
1 1 1
0 1 2
0 0 1
_
_
_.
Por otro lado,
M(S, B
4
) =
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 1 1
0 0 1 1
_
_
_
_
_
.
Para hallar M(B
3
, S
) se calcula la inversa de
M(S
, B
3
) =
_
_
_
1 1 1
1 0 1
1 1 0
_
_
_.
_
_
_
1 1 1 1 0 0
1 0 1 0 1 0
1 1 0 0 0 1
_
_
_
(1)
_
_
_
1 1 1 1 0 0
0 1 0 1 1 0
0 2 1 1 0 1
_
_
_
(2)
_
_
_
1 1 1 1 0 0
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_
(3)
_
_
_
1 1 0 2 2 1
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_
(4)
_
_
_
1 0 0 1 1 1
0 1 0 1 1 0
0 0 1 1 2 1
_
_
_.
(1) F
2
+F
1
, F
3
F
1
.
(2) F
3
+ 2F
2
.
(3) F
1
+F
3
.
(4) F
1
F
2
.
Por tanto
M(B
3
, S
) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_.
c) M(f, B
4
, S
) = M(B
3
, S
)M(f, B
4
, B
3
) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_
_
_
_
1 2 1 0
2 0 0 1
0 0 3 0
_
_
_ =
_
_
_
3 2 4 1
3 2 1 1
5 2 4 2
_
_
_.
M(f, S, B
3
) = M(f, B
4
, B
3
)M(S, B
4
) =
_
_
_
1 2 1 0
2 0 0 1
0 0 3 0
_
_
_
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 1 1
0 0 1 1
_
_
_
_
_
=
_
_
_
1 3 1 1
2 2 1 1
0 0 3 3
_
_
_.
6.3. PROBLEMAS 137
M(f, S, S
) = M(B
3
, S
)M(f, S, B
3
) =
_
_
_
1 1 1
1 1 0
1 2 1
_
_
_
_
_
_
1 3 1 1
2 2 1 1
0 0 3 3
_
_
_ =
_
_
_
1 5 5 3
1 5 2 0
3 7 6 2
_
_
_.
Problema 15 Sea S = a
1
, a
2
, a
3
I C
3
, con a
1
= (i, 1, 0), a
2
= (2, 1 +
i, i), a
3
= (1, 0, 1).
a) Pruebese que S es una base de I C
3
.
b) Si x = (x
1
, x
2
, x
3
) I C
3
y x = (y
1
, y
2
, y
3
)
S
, calc ulense los valores de las coor-
denadas y
1
, y
2
, y
3
en funcion de x
1
, x
2
, x
3
.
c) Si f End(I C
3
), y su matriz asociada respecto de la base canonica es
_
_
_
1 0 1
0 1 0
1 1 1
_
_
_,
calc ulese la matriz asociada a f respecto de S.
Solucion. a) Para probar que S es una base de I C
3
, reducimos a forma escalonada
la matriz cuyas columnas son los a
i
y vemos que es triangular:
_
_
_
i 2 1
1 1 + i 0
0 i 1
_
_
_
(1)
_
_
_
i 2 1
0 1 + 3i i
0 i 1
_
_
_
(2)
_
_
_
i 2 1
0 1 + 3i i
0 0
9
10
+
3
10
i
_
_
_.
(1) F
2
iF
1
.
(2) F
3
(3/10 +i 1/10)F
2
.
b) Si encontramos la matriz M(B
c
, S) (en donde B
c
denota la base canoni-
ca de I C
3
), las coordenadas y
1
, y
2
, y
3
se calcularan, a partir de x
1
, x
2
, x
3
multipli-
cando M(B
c
, S) por el vector (x
1
, x
2
, x
3
) (en columna). Ahora bien, es claro que
M(B
c
, S) = M(S, B
c
)
1
y que
M(S, B
c
) =
_
_
_
i 2 1
1 1 + i 0
0 i 1
_
_
_.
Utilizando los metodos empleados hasta ahora, el calculo de la inversa anterior-
mente mencionada es una simple cuestion de cuentas en I C, y se puede vericar que
de hecho
_
_
_
i 2 1
1 1 +i 0
0 i 1
_
_
_
1
=
_
_
_
1
3

1
3
i
2
3

1
3
i
1
3
+
1
3
i
1
3

1
3
i
1
3
1
3
i
1
3
1
1
3
i
_
_
_
Por tanto
138 CAP

_
_
_
y
1
y
2
y
3
_
_
_ =
_
_
_
1
3

1
3
i
2
3

1
3
i
1
3
+
1
3
i
1
3

1
3
i
1
3
1
3
i
1
3
1
1
3
i
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_.
y
y
1
= (
1
3
+
1
3
i)x
1
(
2
3
+
1
3
i)x
2
+ (
1
3
+
1
3
i)x
3
y
2
=
1
3
x
1
1
3
ix
2
+
1
3
x
3
y
3
=
1
3
ix
1
1
3
x
2
+ (1
1
3
i)x
3
_
_
c) Sea B la base canonica de I C
3
. Se tiene que
M(f; S, S) = M(B, S)M(f; B, B)M(S, B) = M(S, B)
1
M(f; B, B)M(S, B).
Por tanto M(f, S, S) =
_
_
_
1
3

1
3
i
2
3

1
3
i
1
3
+
1
3
i
1
3

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

1
3

1
3
i 0
1
3
+
1
3
i
2
3
0
2
3
+
4
3
i 1 +
4
3
i 2
_
_
_
Problema 16 Considere el endomorsmo f de IR
4
cuya matriz asociada es
_
_
_
_
_
4 0 2 2
5 0 2 4
3 0 1 3
1 0 1 1
_
_
_
_
_
.
a) Si x = (x
1
, x
2
, x
3
, x
4
) IR
4
, calc ulese la expresion de f(x).
b) Calc ulese la matriz asociada a f
2
respecto a la base canonica y pruebese que
f
2
= 2f.
c)Pruebese que Imf = x; f(x) = 2x.
Solucion. a) Si f(x
1
, x
2
, x
3
, x
4
) = (y
1
, y
2
, y
3
, y
4
) entonces
_
_
_
_
_
y
1
y
2
y
3
y
4
_
_
_
_
_
=
_
_
_
_
_
4 0 2 2
5 0 2 4
3 0 1 3
1 0 1 1
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
4x
1
+ 2x
3
2x
4
5x
1
2x
3
+ 4x
4
3x
1
x
3
+ 3x
4
x
1
+x
3
+x
4
_
_
_
_
_
.
Por tanto f(x
1
, x
2
, x
3
, x
4
) =
(4x
1
+ 2x
3
2x
4
, 5x
1
2x
3
+ 4x
4
, 3x
1
x
3
+ 3x
4
, x
1
+x
3
+x
4
).
6.3. PROBLEMAS 139
b) M(f
2
) = M(f)
2
=
_
_
_
_
_
4 0 2 2
5 0 2 4
3 0 1 3
1 0 1 1
_
_
_
_
_
2
=
_
_
_
_
_
8 0 4 4
10 0 4 8
6 0 2 6
2 0 2 2
_
_
_
_
_
.
Como M(2f) = 2M(f), es suciente comprobar que M(f)
2
= 2M(f).
M(2f) = 2
_
_
_
_
_
4 0 2 2
5 0 2 4
3 0 1 3
1 0 1 1
_
_
_
_
_
=
_
_
_
_
_
8 0 4 4
10 0 4 8
6 0 2 6
2 0 2 2
_
_
_
_
_
,
luego efectivamente 2f = f
2
c) Llamemos D = x : f(x) = 2x. Si v Imf entonces v = f(w) con w IR
4
.
As f(v) = f
2
(w) = 2f(w) = 2v, esto es, v D. Recprocamente, si z D entonces
cumple f(z) = 2z, con lo que z = f(
1
2
w) Imf.
Problema 17 Sea f una aplicacion de IR
3
en IR
3
denida por
f(x, y, z) = (x +y, y +z, x +z).
Calcule la expresion analtica de f respecto de la base B = u
1
, u
2
, u
3
, siendo u
1
=
e
1
+e
2
+e
3
, u
2
= e
1
+e
2
, u
3
= e
1
y e
1
, e
2
y e
3
los vectores de la base canonica.
Solucion. Sea v = (x, y, z) un vector de IR
3
cuyas coordenadas vienen expresadas
respecto a la base B, entonces
v = xu
1
+yu
2
+zu
3
= x(e
1
+e
2
+e
3
) +y(e
1
+e
2
) +ze
1
= (x +y +z)e
1
+ (x +y)e
2
+xe
3
,
con lo cual f(v) = (x + y + z, x + y, x) = (2x + 2y + z, 2x + y, 2x + y + z). De
esta manera obtenemos que la expresion analtica de f respecto a la base B dada es
f(x, y, z) = (2x + 2y +z, 2x +y, 2x +y +z).
Problema 18 Considere en IR
3
las bases
B = (1, 1, 0), (0, 1, 0), (1, 0, 1), B
= (0, 1, 0), (1, 0, 0), (0, 0, 1)

y el endomorsmo f denido respecto a la base canonica por,
f(x
1
, x
2
, x
3
) = (2x
1
+ 5x
2
+ 7x
3
, x
1
+x
3
, 2x
1
10x
2
16x
3
)
Halle: a) M(f; B, B
) y M(f; B
, B). b) Ecuaciones cartesianas de Ker(f) respecto

a la base B. c) Ecuaciones parametricas de Im(f) respecto a la base B y a una base
de Im(f) que se debe calcular. d) Estudie si el vector v, cuyas coordenadas respecto
a la base B son (1, 2, 1)
B
, pertenece a Ker(f) o a Im(f).
140 CAP

Solucion. a) Calculemos las imagenes mediante f de las vectores de la base B, y
expresemos dichas imagenes como combinaciones lineales de los vectores de la base
B
.
f(1, 1, 0) = (7, 1, 12) = a(0, 1, 0) +b(1, 0, 0) +c(0, 0, 1) = (b, a, c),
por tanto a = 1, b = 7, c = 12.
f(0, 1, 0) = (5, 0, 10) = x(0, 1, 0) +y(1, 0, 0) +z(0, 0, 1) = (y, x, z),
por tanto x = 0, y = 5, z = 10.
f(1, 0, 1) = (5, 2, 14) = (0, 1, 0) +(1, 0, 0) +(0, 0, 1) = (, , ),
por tanto = 2, = 5, = 14.
As pues la matriz M(f; B, B
) =
_
_
_
1 0 2
7 5 5
12 10 14
_
_
_.
Para calcular M(f; B
, B) procedemos de igual forma, pero esta vez calculamos

f(v) para todo v B
y pondremos los resultados como combinaciones lineales de

los vectores de B.
f(0, 1, 0) = (5, 0, 10) = a(1, 1, 0) +b(0, 1, 0) +c(1, 0, 1) = (a c, a +b, c),
por tanto a = 5, b = 5, c = 10.
f(1, 0, 0) = (2, 1, 2) = x(1, 1, 0) +y(0, 1, 0) +z(1, 0, 1) = (x z, x +y, z),
por tanto x = 0, y = 1, z = 2.
f(0, 0, 1) = (7, 1, 16) = (1, 1, 0) +(0, 1, 0) +(1, 0, 1) = ( , +, ),
por tanto = 9, = 10, = 16.
De esta manera M(f; B
, B) =
_
_
_
5 0 9
5 1 10
10 2 16
_
_
_.
b) Conocemos a partir de a) que
M(f; B, B
) =
_
_
_
1 0 2
7 5 5
12 10 14
_
_
_,
6.3. PROBLEMAS 141
por tanto las ecuaciones cartesianas de Kerf podran ser deducidas a partir de
_
_
_
1 0 2
7 5 5
12 10 14
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
El sistema de ecuaciones que resulta es
x 2z = 0
7x + 5y + 5z = 0
12x 10y 14z = 0
_
_
y el siguiente paso que debemos dar es encontrar cuales de esas ecuaciones son
linealmente dependientes de las demas. Para ello reduciremos la matriz del sistema
a su forma escalonada.
_
_
_
1 0 2
7 5 5
12 10 14
_
_
_
F
2
7F
1
_
_
_
1 0 2
0 5 19
12 10 14
_
_
_
F
3
+12F
1
_
_
_
1 0 2
0 5 19
0 10 38
_
_
_
F
3
+2F
2
_
_
_
1 0 2
0 5 19
0 0 0
_
_
_
De esta forma observamos que en el sistema de ecuaciones que obtuvimos ante-
riormente, la tercera ecuacion es combinacion lineal de las dos primeras, con lo cual
podemos asegurar que las ecuaciones cartesianas de Kerf respecto a las bases que
nos indican son
x 2z = 0
7x + 5y + 5z = 0
_
.
c) Es bien sabido que Imf =< f(1, 1, 0), f(0, 1, 0), f(1, 0, 1) >, por lo que para
calcular una base de Imf tan solo tenemos que ver cuales de esos vectores son lineal-
mente independientes.
_
_
_
1 7 12
0 5 10
2 5 14
_
_
_
F
3
+2F
1
_
_
_
1 7 12
0 5 10
0 19 38
_
_
_
1
5
F
2
,
1
19
F
3
_
_
_
1 7 12
0 1 2
0 1 2
_
_
_
F
3
F
2
_
_
_
1 7 12
0 1 2
0 0 0
_
_
_
Sabemos entonces que
f(1, 1, 0) = (1, 7, 12) y f(0, 1, 0) = (0, 5, 10)
142 CAP

son linealmente independientes y que forman una base de Imf (tambien puede
tomarse como base de Imf el conjunto formado por los vectores no nulos resultantes
en la matriz escalonada, es decir, los vectores (1, 7, 12), (0, 1, 2)).
As, un vector (x, y, z) IR
3
pertenecera a Imf si existen dos n umeros reales
, tales que (x, y, z) = (1, 7, 12) +(0, 5, 10), es decir,
x =
y = 7 +5
z = 12 10
_
_
y estas son las ecuaciones parametricas que se nos piden.
d) Las coordenadas de v vienen expresadas respecto a la base B, y tanto las
ecuaciones cartesianas del apartado b) como las parametricas del c), tambien estan
calculadas respecto a la base B, por tanto lo unico que debemos hacer es comprobar
si v satisface o no las ecuaciones.
As, deducimos que v / Kerf pues no satisface la primera ecuacion cartesiana
(x 2z = 0).
Por otro lado, para estudiar si v Imf, deberemos ver si el sistema de ecuaciones
= 1
7 + 5 = 2
12 10 = 1
_
_
tiene solucion, para lo cual calculamos la forma escalonada de la matriz ampliada
del sistema anterior, obteniendo
_
_
_
1 0 1
7 5 2
12 10 1
_
_
_
_
_
_
1 0 1
0 5 9
0 0 25
_
_
_
lo que indica que el sistema es incompatible y por tanto que v / Imf.
Problema 19 Se considera el endomorsmo f de IR
3
denido por
f(x
1
, x
2
, x
3
) = (x
1
+ 2x
2
, x
2
x
3
, x
1
+x
3
),
siendo la base de referencia la canonica. Se pide la expresion matricial de f respecto
a las bases
B = (1, 0, 1), (0, 2, 0), (1, 0, 0)
y
B
= (4, 0, 1), (0, 0, 1), (0, 1, 0).

Solucion. Sabemos que
M(f; B, B
) = M(B
c
, B
)M(f; B
c
, B
c
)M(B, B
c
)
6.3. PROBLEMAS 143
en donde B
c
denota la base canonica de IR
3
. Es claro ademas que
M(B
c
, B
) = M(B
, B
c
)
1
=
_
_
_
4 0 0
0 0 1
1 1 0
_
_
_
1
y que M(B, B
c
) =
_
_
_
1 0 1
0 2 0
1 0 0
_
_
_. Por otro lado la informacion del ejercicio arroja
que
M(f; B
c
, B
c
) =
_
_
_
1 2 0
0 1 1
1 0 1
_
_
_.
Calculemos pues
_
_
_
4 0 0
0 0 1
1 1 0
_
_
_
1
_
_
_
4 0 0 1 0 0
0 0 1 0 1 0
1 1 0 0 0 1
_
_
_
1
4
F
1
_
_
_
1 0 0 1/4 0 0
0 0 1 0 1 0
1 1 0 0 0 1
_
_
_
F
3
F
1
_
_
_
1 0 0 1/4 0 0
0 0 1 0 1 0
0 1 0 1/4 0 1
_
_
_
F
2
F
3
_
_
_
1 0 0 1/4 0 0
0 1 0 1/4 0 1
0 0 1 0 1 0
_
_
_.
As
M(f; B, B
) =
_
_
_
1/4 0 0
1/4 0 1
0 1 0
_
_
_
_
_
_
1 2 0
0 1 1
1 0 1
_
_
_
_
_
_
1 0 1
0 2 0
1 0 0
_
_
_ =
_
_
_
1/4 1/2 0
3/4 1/2 1
0 1 1
_
_
_
_
_
_
1 0 1
0 2 0
1 0 0
_
_
_ =
_
_
_
1/4 1 1/4
7/4 1 3/4
1 2 0
_
_
_
Problema 20 En IR
3
se considera la base B = e
1
, e
2
, e
3
y el endomorsmo f
denido respecto a la base B por, f(x
1
e
1
+x
2
e
2
+x
3
e
3
) = (x
1
2x
3
)e
1
+ (x
1
+x
2
x
3
)e
2
+ (x
1
+ 2x
3
)e
3
.
Halle: a) Ecuacion matricial de f respecto a la base B. b) Ecuaciones parame-
tricas de Ker(f) respecto a la base B y a una base del n ucleo que se debe calcular.
c) Ecuaciones cartesianas de Im(f) respecto a la base B.
Solucion. a) Dada la expresion de f se tiene que f(e
1
) = e
1
+ e
2
e
3
, f(e
2
) = e
2
y que f(e
3
) = 2e
1
e
2
+ 2e
3
, por tanto M(f; B, B) =
_
_
_
1 0 2
1 1 1
1 0 2
_
_
_, y as la
144 CAP

expresion matricial es
f(x, y, z) =
_
_
_
1 0 2
1 1 1
1 0 2
_
_
_
_
_
_
x
y
z
_
_
_.
b) El n ucleo de f vendr a determinado por la condicion
_
_
_
1 0 2
1 1 1
1 0 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_,
es decir,
x 2z = 0
x + y z = 0
x + 2z = 0
_
_
_
_
_
1 0 2
1 1 1
1 0 2
_
_
_
F
2
F
1
_
_
_
1 0 2
0 1 1
1 0 2
_
_
_
F
3
+F
1
_
_
_
1 0 2
0 1 1
0 0 0
_
_
_.
Llegamos a que Kerf = (x, y, z); x = 2z, y = z. Como dim(Kerf) =
3n
o
ec.cartesianas de Kerf = 1, si tomamos por ejemplo el valor z = 1, obtenemos
que (2, 1, 1) Kerf y as el conjunto A = (2, 1, 1) es una base de Kerf.
Un vector (x, y, z) pertenecera a Kerf si existe un n umero real tal que
(x, y, z) = (2, 1, 1),
x = 2
y =
z =
_
_
,
y estas son las ecuaciones parametricas de Kerf respecto a B y a A.
c) Imf =< f(e
1
), f(e
2
), f(e
3
) >.
_
_
_
1 1 1
0 1 0
2 1 2
_
_
_
F
3
+2F
1
_
_
_
1 1 1
0 1 0
0 1 0
_
_
_
F
3
F
2
_
_
_
1 1 1
0 1 0
0 0 0
_
_
_.
Obtenemos as que una base para Imf es por ejemplo H = e
1
+ e
2
e
3
, e
2
,
con lo que un vector (x, y, z) estara en Imf si , IR tales que (x, y, z) =
(e
1
+e
2
e
3
) +e
2
, es decir
x =
y = +
z =
_
_
.
6.3. PROBLEMAS 145
Como dim(Imf) = 2 el n umero de ecuaciones cartesianas de Imf sera 1, y de
las ecuaciones parametricas se obtiene inmediatamente que la ecuacion cartesiana de
Imf (respecto a B y a H) es
x +z = 0.
Problema 21 Sean B
1
= e
1
, e
2
, e
3
, e
4
y B
2
= u
1
, u
2
, u
3
, u
4
, u
5
las bases ca-
nonicas de IR
4
y IR
5
respectivamente. Considerese la aplicacion lineal f: IR
4
IR
5
denida por: f(e
1
) = u
1
+u
3
u
5
, f(e
2
) = 2u
2
u
3
+u
4
+2u
5
, f(e
3
) = u
1
+2u
2
+u
4
+u
5
,
f(e
4
) = u
1
+ 4u
2
u
3
+ 2u
4
+ 3u
5
. Se pide:
a) Matriz de f en las bases canonicas de IR
4
y IR
5
. Halle la imagen del vector
(1, 3, 2, 0). Halle ademas las ecuaciones de f respecto a B
1
y B
2
.
b) Matriz de f en la base B
3
= e
1
+e
2
, e
2
e
3
, e
1
+e
3
+e
4
, e
3
e
4
de IR
4
y la
canonica de IR
5
. Halle f(v) sabiendo que las coordenadas de v respecto a la base B
3
son (2, 1, 4, 3).
c) Halle bases de Ker(f) e Im(f) y calcule sus dimensiones.
d) Halle un subespacio V de IR
4
tal que la restriccion de f a V sea inyectiva y
tenga la misma imagen que f.
Solucion. a) La informacion del ejercicio arroja inmediatamente que
M(f; B
1
, B
2
) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 1 0 1
0 1 1 2
1 2 1 3
_
_
_
_
_
_
_
_
.
De esta forma f(1, 3, 2, 0) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 1 0 1
0 1 1 2
1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
1
3
2
0
_
_
_
_
_
=
_
_
_
_
_
_
_
_
3
10
2
5
7
_
_
_
_
_
_
_
_
.
Una vez conocida M(f, B
1
, B
2
), la expresion matricial de f en las bases canonicas
sera:
_
_
_
_
_
_
_
_
y
1
y
2
y
3
y
4
y
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 1 0 1
0 1 1 2
1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
_
_
_
x
1
+x
3
+x
4
2x
2
+ 2x
3
+ 4x
4
x
1
x
2
x
4
x
2
+x
3
+ 2x
4
x
1
+ 2x
2
+x
3
+ 3x
4
_
_
_
_
_
_
_
_
.
Por tanto las ecuaciones de f son:
y
1
= x
1
+x
3
+x
4
y
2
= 2x
2
+ 2x
3
+ 4x
4
y
3
= x
1
x
2
x
4
y
4
= x
2
+x
3
+ 2x
4
y
5
= x
1
+ 2x
2
+x
3
+ 3x
4
146 CAP

b) M(f; B
3
, B
2
) = M(f; B
1
, B
2
)M(B
3
, B
1
). Ahora bien, esta claro que
M(B
3
, B
1
) =
_
_
_
_
_
1 0 1 0
1 1 0 0
0 1 1 1
0 0 1 1
_
_
_
_
_
,
ya que los vectores de B
3
estan expresados respecto a la base B
1
. Por tanto
M(f; B
3
, B
2
) =
_
_
_
_
_
_
_
_
1 0 1 1
0 2 2 4
1 1 0 1
0 1 1 2
1 2 1 3
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 1 0
1 1 0 0
0 1 1 1
0 0 1 1
_
_
_
_
_
=
_
_
_
_
_
_
_
_
1 1 3 0
2 0 6 2
0 1 0 1
1 0 3 1
1 1 3 2
_
_
_
_
_
_
_
_
Dado que las coordenadas del vector v estan expresadas respecto a B
3
, se tiene
que
f(v) =
_
_
_
_
_
_
_
_
1 1 3 0
2 0 6 2
0 1 0 1
1 0 3 1
1 1 3 2
_
_
_
_
_
_
_
_
_
_
_
_
_
2
1
4
3
_
_
_
_
_
=
_
_
_
_
_
_
_
_
15
34
2
17
19
_
_
_
_
_
_
_
_
.
c) Sabemos que
Imf =< (1, 0, 1, 0, 1), (0, 2, 1, 1, 2), (1, 2, 0, 1, 1), (1, 4, 1, 2, 3) > .
Ahora bien
_
_
_
_
_
1 0 1 0 1
0 2 1 1 2
1 2 0 1 1
1 4 1 2 3
_
_
_
_
_
F
3
F
1
_
_
_
_
_
1 0 1 0 1
0 2 1 1 2
0 2 1 1 2
1 4 1 2 3
_
_
_
_
_
F
4
F
1
_
_
_
_
_
1 0 1 0 1
0 2 1 1 2
0 2 1 1 2
0 4 2 2 4
_
_
_
_
_
F
3
F
2
_
_
_
_
_
1 0 1 0 1
0 2 1 1 2
0 0 0 0 0
0 4 2 2 4
_
_
_
_
_
F
4
2F
2
_
_
_
_
_
1 0 1 0 1
0 2 1 1 2
0 0 0 0 0
0 0 0 0 0
_
_
_
_
_
,
lo que signica que una base de Imf es por ejemplo
(1, 0, 1, 0, 1), (0, 2, 1, 1, 2),
y por tanto que dim(Imf) = 2. Como dim(IR
4
) dim(Kerf) = dim(Imf), deduci-
mos que dim(Kerf) = 2.
Para hallar una base de Ker f reducimos sus ecuaciones cartesianas
x
1
+x
3
+x
4
= 0
2x
2
+ 2x
3
+ 4x
4
= 0
x
1
x
2
x
4
= 0
x
2
+x
3
+ 2x
4
= 0
x
1
+ 2x
2
+x
3
+ 3x
4
= 0
6.3. PROBLEMAS 147
a forma escalonada, obteniendo:
x
1
+x
3
+x
4
= 0
x
2
+x
3
+ 2x
4
= 0
Si asignamos parametros a las variables libres del sistema escalonado, x
3
= , x
4
= ,
nos queda x
1
= , x
2
= 2. Entonces un vector arbitrario (x
1
, x
2
, x
3
, x
4
)
de Ker f puede escribirse de manera unica como
(x
1
, x
2
, x
3
, x
4
) = (1, 1, 1, 0) +(1, 2, 0, 1).
Se concluye pues que (1, 1, 1, 0), (1, 2, 0, 1) es una base de Ker f.
d) Un suplemento de Ker f cumple las condiciones del enunciado: si IR
4
=
Ker f W entonces f(w) ,= 0 para todo w W ya que W Ker f = 0. Esto
quiere decir que f [
W
es inyectiva. Ademas, dado x IR
4
, este se escribe de manera
unica como x = v+w, con v Ker f y w W. Entonces f(x) = f(v)+f(w) = f(w).
Eso quiere decir que f(IR
4
) = f(W), esto es, Imf [
W
= Imf.
Para calcular un suplemento de Ker f, se ampla la base anterior del Ker f hasta
obtener una base de IR
4
. Por cualquiera de los metodos conocidos, es facil ver que
se puede tomar como base ampliada la siguiente:
(1, 1, 1, 0), (1, 2, 0, 1), (0, 0, 1, 0), (0, 0, 0, 1).
As, el suplemento de Ker f sera W =< (0, 0, 1, 0), (0, 0, 0, 1) > .
148 CAP

Captulo 7
Diagonalizacion de matrices
7.1 Valores y vectores propios
Sea V un K-espacio vectorial de dimension n, y f End
K
(V ) un endomorsmo
de V .
Denicion 7.1.1 a) Un escalar t K es un valor propio de f si existe un vector
no nulo v V tal que f(v) = tv.
b) Un vector propio asociado al valor propio t K de f, es todo vector no nulo
v V tal que f(v) = tv.
Ejemplos. 1. Sea f : IR
2
IR
2
el endomorsmo f(x, y) = (2x, y). Entonces
f(1, 0) = (2, 0) = 2(1, 0). Eso quiere decir que el escalar 2 de IR es un valor propio
de f y (1, 0) es un vector propio de f asociado a 2.
2. Para f del apartado anterior tambien es facil comprobar que (0, 1) es un vector
propio asociado al valor propio 1.
Lema 7.1.2 Para cualquier f End
K
(V ) se tiene:
a) V (t) = v V [ f(v) = tv es un subespacio de V (llamado subespacio propio
asociado a t).
b) Si t
1
,= t
2
son dos valores propios de f, entonces V (t
1
) V (t
2
) = 0.
c) Si t
1
,..., t
s
son valores propios de f distintos y escogemos v
i
V (t
i
) 0
para todo i = 1, ..., s, entonces v
1
, ..., v
s
d) Si t es un valor propio de f, entonces V (t) es un subespacio de V invariante
respecto de f; esto es, f(V (t)) V (t).
Ejemplos. 1. Consideramos el endomorsmo del ejemplo anterior. Se tiene que
V (2) =< (1, 0) > ya que si f(a, b) = 2(a, b), entonces (2a, b) = 2(a, b), con lo cual
b = b; es decir, b = 0. Igualmente se comprueba que V (1) =< (0, 1) >. Es claro
que V (2) V (1) = 0.
2. Veamos que si escogemos un vector propio no nulo de cada subespacio pro-
pio del apartado 1 se obtiene un conjunto de vectores linealmente independiente.
149
150 CAP
ITULO 7. DIAGONALIZACI
ON DE MATRICES
Consideramos (1, 0) V (2) y (0, 1) V (1), entonces claramente (1, 0), (0, 1) es
linealmente independiente (de hecho es la base canonica de IR
2
).
Vamos a vericar que V (2) es un subespacio invariante respecto de f: tomamos
(a, 0) V (2) un vector cualquiera. Entonces f(a, 0) = 2(a, 0) = 2a(1, 0) el cual
pertenece al V (2) = (1, 0) por denicion de < (1, 0) >. Por tanto se verica que
f(V (2)) V (2).
Proposicion 7.1.3 1) Si t K es un valor propio de f End
K
(V ), entonces
V (t) = Ker(f t id
V
).
2) t K es un valor propio de f End
K
(V ) si y solo si f tid
V
no es inyectiva.
Ejemplos. 1. Sea g : IR
3
IR
3
el endomorsmo g(x, y, z) = (5z, 3y, 2x z). Como
g(0, 1, 0) = (0, 3, 0) = 3(0, 1, 0) se tiene que 3 es un valor propio de g. Un elemento
(a, b, c) IR
3
pertenece a V (3) si y solo si f(a, b, c) = 3(a, b, c); esto es, si y solo si
f(a, b, c) 3(a, b, c) = (0, 0, 0). Pero f(a, b, c) 3(a, b, c) = (f 3 id
IR
3)(a, b, c). Por
tanto
V (3) = (a, b, c) IR
3
[ (f 3 id
IR
3)(a, b, c) = (0, 0, 0) = Ker(f 3 id
IR
3).
2. Ilustremos el apartado (2) de la proposicion anterior con el valor propio 3 del
endomorsmo g: para que 3 sea un valor propio de g es necesario y suciente que
exista al menos un vector propio (no nulo) asociado a este valor propio. Esto quiere
decir que V (3) existe y es no nulo. Como V (3) = Ker(f 3 id
IR
3) ,= 0 se sigue
que f 3 id
IR
3 no es inyectiva.
7.2 Interpretacion matricial
Sea f un endomorsmo de un K-espacio vectorial V de dimension n. Consider-
amos B = v
1
, ..., v
n
una base de V y sea X
= AX la ecuacion de f respecto a la
base B, donde A = (a
ij
) M
n
(K).
El escalar t K es un valor propio de f si y solo si la matriz AtI
n
es no regular.
Por tanto los valores propios de f son los escalares t para los que [A tI
n
[ = 0.
Ejemplos. Sea f : IR
3
IR
3
el endomorsmo dado por f(x, y, z) = (2x, y, 3z).
Respecto a la base canonica de IR
3
, f tiene como matriz asociada:
A = M(f, B
c
) =
_
_
_
2 0 0
0 1 0
0 0 3
_
_
_.
Un escalar r IR
3
es un valor propio de f si y solo si V (r) = Ker(f r id
IR
3)
es no nulo, o, lo que es lo mismo, f r id
IR
3 no es inyectiva. Pero esto ultimo es
equivalente a que f r id
IR
3 no sea un isomorsmo (ya que estamos trabajando con
un endomorsmo de un espacio de dimension nita). Sabemos que un endomorsmo
es un isomorsmo si y solo si cualquier matriz asociada respecto de cualquier base a
7.2. INTERPRETACI
ON MATRICIAL 151
el es regular. As, para que r sea un valor propio de f debe suceder que ArI
3
sea
no regular, es decir, [A r.I
3
[ = 0.
Si calculamos el determinante anterior tenemos que
[A r.I
3
[ =
2 r 0 0
0 1 r 0
0 0 3 r
= (2 r)(1 r)(3 r).

Se concluye que los valores de r que anulan al determinante, y que por tanto son
los valores propios de f, son 2, 1 y 3.
Denicion 7.2.1 El polinomio de grado n, p
f
(x) = [A xI
n
[ K[x], es llamado
polinomio caracterstico de f.
Proposicion 7.2.2 Si se toma otra base B
de V y se considera A
= M(f, B
, B
),
el polinomio q
f
(x) = [A
xI
n
[ coincide con p
f
(x). Por tanto, p
f
(x) no depende de
la base escogida y as esta bien denido.
Denicion 7.2.3 Si t
0
es una raz m ultiple de p
f
(x) con orden de multiplicidad m
0
,
se dira que t
0
es un valor propio de orden m
0
de f; si t
0
es una raz simple de p
f
(x),
se dira que es un valor propio simple de f.
Elegida una base B de V , y si A es la matriz asociada a f respecto a B, los
vectores propios asociados al valor propio t son aquellos vectores no nulos tales que
la matriz columna de sus coordenadas, Y M
n1
(K), satisface (A tI
n
)Y = 0; es
decir, son los vectores v V tales que sus coordenadas respecto de B, (y
1
, ..., y
n
)
B
,
constituyen una solucion no nula del sistema homogeneo de ecuaciones lineales:
_
_
(a
11
t)x
1
+a
12
x
2
+ +a
1n
x
n
= 0
a
21
x
1
+ (a
22
t)x
2
+ +a
2n
x
n
= 0

a
n1
x
1
+a
n2
x
2
+ + (a
nn
t)x
n
= 0
Ejemplo. Vamos a determinar los subespacios de vectores propios asociados a todos
los valores propios del endomorsmo h : IR
3
IR
3
dado por h(x, y, z) = (x + y
z, y +z, z).
En primer lugar calculamos todos los valores propios resolviendo la ecuacion
[A t I
3
[ = 0, donde A es la matriz de h respecto de la base canonica de IR
3
. Se
tiene
[A t I
3
[ =
1 t 1 1
0 1 t 1
0 0 1 t
= (1 t)
2
(1 t).
Por tanto se obtienen dos valores propios, 1 con multiplicidad 2 y 1 con multipli-
cidad 1.
152 CAP
ON DE MATRICES
Para hallar V (1) debemos resolver el sistema homogeneo
_
_
(1 1)x +y z = 0
(1 1)y +z = 0
(1 1)z = 0
Su solucion es V (1) =< (1, 0, 0) >.
Ahora calculamos V (1) de igual manera:
_
_
(1 (1))x +y z = 0
(1 (1))y +z = 0
(1 (1))z = 0
Su solucion es V (1) =< (1, 2, 0) >.
Proposicion 7.2.4 Con la notacion anterior se tiene que
dim(V (t)) = dim(Ker(f t id
V
)) = n dim(Im(f t id
V
)) = n r(A tI
n
).
7.3 El teorema fundamental
Proposicion 7.3.1 Sea f un endomorsmo de un K-espacio vectorial V de di-
mension n. Para cualquier valor propio t de f, si s es su multiplicidad y d =
dim(V (t)), entonces 1 d s.
Ejemplo. Consideramos el endomorsmo h : IR
3
IR
3
dado por h(x, y, z) =
(x +y z, y +z, z). El valor propio 1 tiene multiplicidad 2 y V (1) tiene dimension
1, por tanto 1 dimV (1) multiplicidad de 1 = 2. Tambien el valor propio 1
tiene multiplicidad 1 y dimV (1) = 1, con lo que tambien se verica la desigualdad
anterior.
Denicion 7.3.2 1) Sea f un endomorsmo de un K-espacio vectorial V de di-
mension n. Diremos que f es diagonalizable si existe una base B de V tal que
M(f, B, B) es una matriz diagonal.
2) Una matriz A M
n
(K) se dira que es diagonalizable si A es semejante a
una matriz diagonal; esto es, existen una matriz regular P M
n
(K) y una matriz
diagonal D tales que A = P
1
DP.
Proposicion 7.3.3 Sea f un endomorsmo de un K-espacio vectorial V de di-
mension n. f es diagonalizable si y solo si V posee una base formada por vectores
propios de f.
Teorema 7.3.4 Sea f un endomorsmo de un K-espacio vectorial V de dimension
n y B una base de V . Consideramos A = M(f, B, B). Supongamos que los valores
propios de f son t
1
,..., t
r
, con ordenes s
1
,..., s
r
respectivamente, y dim(V (t
i
)) = d
i
,
i = 1, ..., r.
Las siguientes armaciones son equivalentes:
i) f es diagonalizable.
ii) s
1
+ +s
r
= n y d
i
= s
i
para todo i = 1, ..., r.
7.3. EL TEOREMA FUNDAMENTAL 153
Teorema 7.3.5 Sea A una matriz cuadrada de orden n sobre K. Supongamos que
los valores propios de A (esto es, la races del polinomio caracterstico de A, p
A
(x) =
[AxI
n
[) son t
1
,..., t
r
, con ordenes s
1
,..., s
r
respectivamente, y r(At
i
I
n
) = nd
i
,
i = 1, ..., r.
Las siguientes armaciones son equivalentes:
i) A es diagonalizable.
ii) s
1
+ +s
r
= n y d
i
= s
i
para todo i = 1, ..., r.
El metodo para diagonalizar una matriz cuadrada A es el siguiente: se trata de
hallar P M
n
(K) tal que P
1
AP sea diagonal. Las columnas de la matriz P deben
formar una base de vectores propios. As lo que se hace es calcular, para cada valor
propio de A, una base de vectores propios del subespacio propio asociado. Despues,
uniendo todas las bases encontradas, se obtiene la base de vectores propios requerida.
Problema 22 Pruebe que para cualquier matriz cuadrada A y cualquier matriz
regular P, se verica que (P
1
AP)
n
= P
1
A
n
P. Mas generalmente pruebe que
f(P
1
AP) = P
1
f(A)P para todo polinomio f.
Solucion. Procedemos por induccion sobre n.
Para n = 1, el resultado es trivialmente cierto.
Supongamos que (P
1
AP)
n1
= P
1
A
n1
P, entonces
(P
1
AP)
n
= (P
1
AP)
n1
(P
1
AP) =
(hipotesis de induccion)
= (P
1
A
n1
P)(P
1
AP) = P
1
A
n1
AP = P
1
A
n
P.
Por ultimo, si f(x) =
m
i=0
a
i
x
i
, entonces
f(P
1
AP) =
m
i=0
a
i
(P
1
AP)
i
=
m
i=0
a
i
P
1
A
i
P = P
1
(
m
i=0
a
i
A
i
)P = P
1
f(A)P.
Problema 23 Sea A =
_
5 6
2 2
_
. Calcule: a) todos los valores propios y todos
los vectores propios linealmente independientes; b) una matriz P tal que P
1
AP sea
diagonal; c) A
10
y f(A), en donde f(t) = t
4
5t
3
+ 7t
2
2t + 5; d) una matriz B
tal que B
2
= A.
Solucion. a) Se tiene que
Det(A dI
2
) =
5 d 6
2 2 d
= (d 2)(d 1).
Por tanto d = 1, d = 2, son los valores propios de A.
154 CAP
ON DE MATRICES
Para calcular los vectores propios linealmente independientes calcularemos las
ecuaciones cartesianas de los subespacios propios V (2) y V (1) asociados a cada valor
propio. La ecuacion cartesiana de V (2) se obtiene a partir de la igualdad
_
5 6
2 2
__
x
y
_
=
_
2x
2y
_
,
esto es,
_
5 2 6
2 2 2
__
x
y
_
=
_
0
0
_
.
Por tanto
_
x + 2y = 0
2x 4y = 0
son las ecuaciones cartesianas que se obtiene. Como se observa, la segunda ecuacion
se puede eliminar y as (2, 1) es una base para V (2).
Para V (1) se procede igual, las ecuaciones cartesianas son obtenidas a partir de
la igualdad:
_
5 1 6
2 2 1
__
x
y
_
=
_
0
0
_
.
De aqu se obtienen
_
4x + 6y = 0
2x 3y = 0
La primera ecuacion se puede eliminar y entonces (3, 2) es una base de V (1).
Se concluye que (2, 1), (3, 2) es una base de vectores propios. Como la
multiplicidad de cada valor propio en el polinomio caracterstico coincide con la
dimension del respectivo subespacio propio (en los dos casos igual a 1) y la suma
de multiplicidades es igual al tama no de la matriz, entonces A es diagonalizable con
matriz diagonal
D =
_
2 0
0 1
_
.
b) La matriz de paso P es precisamente la que se obtiene al situar en columna
los vectores de la base de vectores propios, esto es,
P =
_
2 3
1 2
_
.
c) Se comprueba facilmente que P
1
= P. Entonces, en virtud del problema 22,
A
10
= (PDP
1
)
10
= PD
10
P =
_
2 3
1 2
__
2
10
0
0 1
10
_
_
2 3
1 2
_
=
_
2 2
10
3
2
10
2
__
2 3
1 2
_
=
_
4093 6138
2046 3068
_
.
7.3. EL TEOREMA FUNDAMENTAL 155
Tambien,
f(A) = Pf(D)P =
_
2 3
1 2
__
f(2) 0
0 f(1)
__
2 3
1 2
_
=
_
2 3
1 2
__
5 0
0 6
__
2 3
1 2
_
=
_
2 6
2 9
_
.
d) Para encontrar una matriz B tal que B
2
= A es suciente obtener otra C tal
que C
2
= D, ya que (PCP
1
)
2
= PC
2
P
1
= PDP
1
= A. Es sencillo comprobar
que
C =
_
2 0
0 1
_
.
156 CAP
ON DE MATRICES
7.4 Problemas
Problema 1 Para cada una de las siguientes matrices, encuentre todos los valores
propios y una base de cada espacio propio:
a) A =
_
_
_
3 1 1
2 4 2
1 1 3
_
_
_, b) B =
_
_
_
1 2 2
1 2 1
1 1 4
_
_
_, c) C =
_
_
_
1 1 0
0 1 0
0 0 1
_
_
_.
Cuando sea posible, calcule tres matrices inversibles P
1
, P
2
, y P
3
tales que P
1
1
AP
1
,
P
1
2
BP
2
y P
1
3
CP
3
sean matrices diagonales.
Solucion. a) Se tiene que
Det(A dI
3
) =
3 d 1 1
2 4 d 2
1 1 3 d
= (d 2)
2
(d 6).
Por tanto, los valores propios de A son d = 2 (doble), d = 6.
Base de V (2):
_
_
_
3 2 1 1
2 4 2 2
1 1 3 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu se obtiene una unica ecuacion cartesiana independiente:
x +y +z = 0.
Se tiene pues la siguiente base para V (2) :
B
2
= (1, 0, 1), (1, 1, 0).
Base de V (6):
_
_
_
3 6 1 1
2 4 6 2
1 1 3 6
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
De aqu se obtienen dos ecuaciones cartesianas independientes:
x z = 0, y 2z = 0.
B
6
= (1, 2, 1).
7.4. PROBLEMAS 157
Ya que la suma de multiplicidades de los valores propios es igual que el tama no de
A y como dimV (2) = 2 es igual a la multiplicidad del valor propio 2 en el polinomio
caracterstico, as como dimV (6) = 1 es tambien igual a la multiplicidad del valor
propio 6 en el polinomio caracterstico, se sigue que A es diagonalizable con matriz
diagonal
D
1
=
_
_
_
2 0 0
0 2 0
0 0 6
_
_
_.
La matriz del paso P
1
sera la resultante de ubicar en columna los vectores de la
base de vectores propios
B = (1, 0, 1), (1, 1, 0), (1, 2, 1),
esto es,
P
1
=
_
_
_
1 1 1
0 1 2
1 0 1
_
_
_.
b) Se tiene que
Det(B dI
3
) =
1 d 2 2
1 2 d 1
1 1 4 d
= (d 3)
2
(d 1).
Por tanto, los valores propios de A son d = 3 (doble), d = 1.
Base de V (3):
_
_
_
1 3 2 2
1 2 3 1
1 1 4 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
x y z = 0.
B
3
= (1, 0, 1), (1, 1, 0).
Base de V (1):
_
_
_
1 1 2 2
1 2 1 1
1 1 4 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
x 2z = 0, y +z = 0.
158 CAP
ON DE MATRICES
B
1
= (2, 1, 1).
Ya que la suma de multiplicidades de los valores propios es igual que el tama no de
B y como dimV (3) = 2 es igual a la multiplicidad del valor propio 3 en el polinomio
caracterstico, as como dimV (1) = 1 es tambien igual a la multiplicidad del valor
propio 1 en el polinomio caracterstico, se sigue que B es diagonalizable con matriz
diagonal
D
2
=
_
_
_
3 0 0
0 3 0
0 0 1
_
_
_.
La matriz del paso P
2
sera la resultante de ubicar en columna los vectores de la
base de vectores propios
B
= (1, 0, 1), (1, 1, 0), (2, 1, 1),

esto es,
P
2
=
_
_
_
1 1 2
0 1 1
1 0 1
_
_
_.
c) Se tiene que
Det(C dI
3
) =
1 d 1 0
0 1 d 0
0 0 1 d
= (d 1)
3
.
Por tanto, los valores propios de A son d = 1 (triple).
Base de V (1):
_
_
_
1 1 1 0
0 1 1 0
0 0 1 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
y = 0.
B
1
= (0, 0, 1), (1, 0, 0).
Como la multiplicidad de d = 1 en el polinomio caracterstico (que es 3) es
distinta de dimV (1) = 2, se sigue que C no es diagonalizable.
7.4. PROBLEMAS 159
Problema 2 Considere las matrices
A =
_
2 1
1 4
_
y B =
_
3 1
13 3
_
.
Encuentre todos los valores propios y todos los vectores propios linealmente indepen-
dientes suponiendo que: a) A y B son matrices sobre el cuerpo de los n umeros reales
IR, b) A y B son matrices sobre el cuerpo complejo I C.
Solucion. Se tiene que
Det(A dI
2
) =
2 d 1
1 4 d
= (d 3)
2
.
Por tanto, los valores propios de A son d = 3 (doble).
Base de V (3):
_
2 3 1
1 4 3
__
x
y
_
=
_
0
0
_
.
x +y = 0.
B
3
= (1, 1).
Los calculos realizados son validos tanto para IR como para I C.
Para B tenemos que
Det(B dI
2
) =
3 d 1
13 3 d
= d
2
+ 4.
Por tanto, en IR la matriz B no tiene valores ni vectores propios.
En I C la matriz B tiene los valores propios d = 2i, d = 2i.
Base de V (2i):
_
3 2i 1
13 3 2i
__
x
y
_
=
_
0
0
_
.
13x (3 + 2i)y = 0.
Se tiene pues la siguiente base para V (2i) :
B
2i
= (3 + 2i, 13).
160 CAP
ON DE MATRICES
Base de V (2i):
_
3 + 2i 1
13 3 + 2i
__
x
y
_
=
_
0
0
_
.
13x (3 2i)y = 0.
Se tiene pues la siguiente base para V (2i) :
B
2i
= (3 2i, 13).
Problema 3 Suponga que v es un vector propio de dos matrices A y B. Pruebe
que v es tambien vector propio de la matriz kA + k
B, donde k y k
son escalares
cualesquiera.
Solucion. Sean d y d
valores propios de A y B respectivamente correspondientes al

vector propio v. Entonces tenemos (kA + k
B)v = k(Av) + k
(Bv) = kdv + k
v =
(kd +k
)v. As v es un vector propio de kA +k
B con valor propio kd +k
.
Problema 4 Suponga que v es un vector propio correspondiente al valor propio de
una matriz A. Pruebe que para n > 0 v es tambien un vector propio correspondiente
al valor propio
n
de la matriz A
n
.
Solucion. Probamos el resultado utilizando induccion sobre n.
El resultado es cierto por hipotesis para n = 1.
Supongamos que el resultado es cierto para n 1, esto es, A
n1
v =
n1
v.
Entonces A
n
v = A(A
n1
v) = A(
n1
v) =
n1
Av =
n1
v =
n
v. As el resultado
se mantiene para n. Por induccion, el resultado es cierto para todo n > 0.
A =
_
_
_
4 1 1
2 5 2
1 1 2
_
_
_.
Calcule: a) el polinomio caracterstico de A; b) los valores propios de A; c) un
conjunto maximal de vectores propios linealmente independientes de A; d) Es dia-
gonalizable la matriz A? En caso armativo encuentre una matriz P tal que P
1
AP
sea una matriz diagonal.
Solucion. a) Polinomio caracterstico:
Det(A dI
3
) =
4 d 1 1
2 5 d 2
1 1 2 d
= (d 3)
2
(d 5).
7.4. PROBLEMAS 161
b) Valores propios: d = 3 (doble), d = 5.
c) Un conjunto maximal de vectores propios linealmente independientes es lo
mismo que una base de vectores propios del espacio V (3) +V (5). Para encontrar esa
base se calcula una base para V (3), otra para V (5), y despues se unen.
Base de V (3):
_
_
_
4 3 1 1
2 5 3 2
1 1 2 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
x +y z = 0.
B
3
= (1, 0, 1), (1, 1, 0).
Base de V (5):
_
_
_
4 5 1 1
2 5 5 2
1 1 2 5
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
x z = 0, y 2z = 0.
B
5
= (1, 2, 1).
Por tanto la base de vectores propios es
B = (1, 0, 1), (1, 1, 0), (1, 2, 1.
d) A es diagonalizable porque dimV (3) = 2 es lo mismo que la multiplicidad del
valor propio d = 3 en el polinomio caracterstico, igualmente dimV (5) = 1 coincide
con la multiplicidad de d = 5, y ademas la suma de multiplicidades es el tama no de
la matriz A.
La matriz de cambio P es la que se obtiene situando en columna los vectores de
la base B :
P =
_
_
_
1 1 1
0 1 2
1 0 1
_
_
_.
162 CAP
ON DE MATRICES
Problema 6 Encuentre una condicion necesaria y suciente para que la matriz con
coecientes reales A =
_
_
_
1 a 1
0 1 b
0 0 c
_
_
_ sea diagonalizable.
Solucion. Primero calculamos el polinomio caracterstico:
Det(A I
3
) =
1 a 1
0 1 b
0 0 c
= ( 1)
2
( c).
Si c = 1 entonces A es diagonalizable si y solo si dimV (1) = 3. Como dimV (1) =
3 rango(A I
3
), se debera tener rango(A I
3
) = 0. Pero eso no sucede ya que
A ,= I
3
.
Por tanto, podemos suponer que c ,= 1.
A sera diagonalizable si y solo si dimV (1) = 2 y dimV (c) = 1.
Como dimV (1) = 3 rango(A I
3
) y dimV (c) = 3 rango(A cI
3
), A sera
diagonalizable si y solo si rango(A I
3
) = 1 y rango(A cI
3
) = 2. Se tiene:
A I
3
=
_
_
_
0 a 1
0 0 b
0 0 c 1
_
_
_, A cI
3
=
_
_
_
1 c a 1
0 1 c b
0 0 0
_
_
_.
El rango de A I
3
es 1 cuando a = 0 (estamos suponiendo c ,= 1).
El rango de A cI
3
es siempre 2 (estamos suponiendo c ,= 1).
Se concluye que A es diagonalizable si y solo si a = 0 y c ,= 1.
Problema 7 Para cada n umero natural n, calcule A
n
, en donde
A =
_
_
_
a b b
b a b
b b a
_
_
_.
Solucion. Vamos a estudiar si A es diagonalizable:
Det(A I
3
) =
a b b
b a b
b b a
= C
1
C
2
a b b b
b a + a b
0 b a
=
C
2
C
3
a b 0 b
b a + a b b
0 b a + a
= F
2
+F
1
a b 0 b
0 a b 2b
0 b a + a
=
F
3
+F
2
a b 0 b
0 a b 2b
0 0 a + 2b
= ( (a b))
2
( (a + 2b)).
Los valores propios de A son = a b (doble) y = a + 2b.
7.4. PROBLEMAS 163
Base de V (a b):
_
_
_
a (a b) b b
b a (a b) b
b b a (a b)
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
bx +by +bz = 0.
Cuando b = 0 la potencia n-esima de A es simplemente
A
n
=
_
_
_
a
n
0 0
0 a
n
0
0 0 a
n
_
_
_.
Supondremos en lo que resta que b ,= 0.
De la ecuacion cartesiana x +y +z = 0 se tiene la siguiente base para V (a b) :
B
ab
= (1, 0, 1), (1, 1, 0).
Base de V (a + 2b):
_
_
_
a (a + 2b) b b
b a (a + 2b) b
b b a (a + 2b)
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
x 2y +z = 0, y z = 0.
Se tiene la siguiente base para V (a + 2b) :
B
a+2b
= (1, 1, 1).
Por tanto B = (1, 0, 1), (1, 1, 0), (1, 1, 1) es una base de vectores propios y
P =
_
_
_
1 1 1
0 1 1
1 0 1
_
_
_
satisface A = PDP
1
, donde
D =
_
_
_
a b 0 0
0 a b 0
0 0 a + 2b
_
_
_.
164 CAP
ON DE MATRICES
Entonces A
n
= PD
n
P
1
y as
A
n
=
_
_
_
1 1 1
0 1 1
1 0 1
_
_
_
_
_
_
(a b)
n
0 0
0 (a b)
n
0
0 0 (a + 2b)
n
_
_
_
_
_
_
1
3

1
3
2
3
1
3
2
3

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

_
_
_
[n] [n] [n]
[n] [n] [n]
[n] [n] [n]
_
_
_ =
1
3
_
_
_[n]
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_ +[n]
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
_
_,
donde [n] = 2(a b)
n
+ (a + 2b)
n
y [n] = (a b)
n
+ (a + 2b)
n
.
Problema 8 Encuentre la formula de recurrencia de la potencia n-esima de la ma-
triz A =
_
7 6
12 10
_
.
Solucion. Vamos a estudiar si A es diagonalizable:
Det(A dI
2
) =
7 d 6
12 10 d
= d
2
3d + 2 = (d 1)(d 2).
Por tanto, los valores propios de A son d = 1 y d = 2.
Base de V (1):
_
7 1 6
12 10 1
__
x
y
_
=
_
0
0
_
.
4x + 3y = 0.
B
1
= (3, 4).
Base de V (2):
_
7 2 6
12 10 2
__
x
y
_
=
_
0
0
_
.
3x + 2y = 0.
B
1
= (2, 3).
7.4. PROBLEMAS 165
Como se observa facilmente, A es diagonalizable y la base de vectores propios es
B = (3, 4), (2, 3).
La matriz de paso P y su inversa son:
P =
_
3 2
4 3
_
= P
1
.
Por tanto
A
n
= PDP
1
=
_
3 2
4 3
__
1 0
0 2
n
__
3 2
4 3
_
=
_
3 2
n+1
4 3 2
n
__
3 2
4 3
_
=
_
9 8 2
n
6 6 2
n
12 + 12 2
n
8 + 9 2
n
_
.
De esta forma A
n
= (2I
2
A) + (A I
2
)2
n
.
Problema 9 Calcule los valores propios en IR y en I C de la matriz
A =
_
cos w senw
senw cos w
_
.
Estudie cuando A es diagonalizable.
Solucion. Estudiaremos solo el caso sen(w) ,= 0, ya que cuando sen(w) = 0 la
matriz es diagonal y todo es trivial.
Det(A dI
2
) =
cos w d senw
senw cos w d
= d
2
2cos(w)d + 1 =
(d (cos(w) +isen(w))(d (cos(w) isen(w)).
Valores y vectores propios en IR:
El polinomio caracterstico no tiene races reales (sen(w) ,= 0). Por tanto A no
tiene valores ni vectores propios en IR. Es claro que A no es diagonalizable en IR
cuando sen(w) ,= 0.
Valores y vectores propios en I C:
Recordamos que seguimos suponiendo sen(w) ,= 0.
Base de V (cos(w) + isen(w)):
_
isen(w) sen(w)
sen(w) isen(w)
__
x
y
_
=
_
0
0
_
.
166 CAP
ON DE MATRICES
x iy = 0.
Se tiene pues la siguiente base para V (cos(w) +isen(w)) :
B
cos(w)+isen(w)
= (i, 1).
Base de V (cos(w) isen(w)):
_
isen(w) sen(w)
sen(w) isen(w)
__
x
y
_
=
_
0
0
_
.
x +iy = 0.
Se tiene pues la siguiente base para V (cos(w) isen(w)) :
B
cos(w)isen(w)
= (1, i).
Una base de vectores propios es, en este caso,
B = (i, 1), (1, i).
La matriz es diagonalizable ya que las dimensiones de los espacios propios coinciden
con las respectivas multiplicidades de los valores propios y la suma de multiplicidades
coincide con el tama no de la matriz A.
Captulo 8
Ortogonalidad y mnimos
cuadrados
8.1 Espacios con producto interno, norma y dis-
tancia
Denicion 8.1.1 Sea V un IR-espacio vectorial. Un producto interno en V es una
aplicacion < , >: V V IR satisfaciendo:
1) < v, v > 0, v V y < v, v >= 0 v = 0.
2) < v
1
, v
2
>=< v
2
, v
1
>, v
1
, v
2
V .
3) < v
1
+v
2
, v
3
>=< v
1
, v
3
> + < v
2
, v
3
>, v
1
, v
2
, v
3
V .
4) < cv
1
, v
2
>= c < v
1
, v
2
>, c IR, v
1
, v
2
V .
El par (V, < , >) sera llamado espacio con producto interno. Si ademas
dim
IR
V es nita diremos que (V, < , >) es un espacio euclidiano.
Denicion 8.1.2 Sea (V, < , >) un espacio euclidiano de dimension n. Fijada
una base B = u
1
, ..., u
n
de V , denimos la matriz del producto escalar < , >
respecto de B como A = (a
ij
)
nn
, donde a
ij
=.
Si (r
1
, r
2
, ..., r
n
), (s
1
, ..., s
n
) son las coordenadas respecto de B de los vectores v y
w respectivamente, entonces
< v, w >= (r
1
, r
2
, ..., r
n
) A (s
1
, ..., s
n
)
t
.
Denicion 8.1.3 Sea (V, < , >) un espacio con producto interno. Se dene la
norma de v V como [[v[[ =
< v, v >.
Teorema 8.1.4 (Desigualdad de Cauchy-Schwartz) En (V, < , >) se verica
< v, u >
2
< u, u >< v, v >, v, u V .
167
168 CAP
ITULO 8. ORTOGONALIDAD Y M
INIMOS CUADRADOS
Demostracion. Si v = 0 es trivial.
Sea w = tv + u V , t IR y v ,= 0 < w, w > 0 < v, v > t
2
+ 2 < v, u >
+ < u, u > 0 b
2
4ac 0 donde b = 2 < v, u >, a =< v, v >, c =< v, v >
< v, u >
2
< u, u >< v, v >. 2
Teorema 8.1.5 (Propiedades de la norma) En (V, < , >) se verica:
1) [[v[[ 0, v V y [[v[[ = 0 v = 0.
2) [[cv[[ = [c[ [[v[[, c IR, v V .
3) [[u +v[[ [[u[[ +[[v[[ u, v V . (Desigualdad del triangulo).
Demostracion. (1) y (2) se dejan como ejercicio.
3) [[u+v[[
2
=< u+v, u+v >=< u, u > +2 < u, v > + < v, v > [[u[[
2
+[[v[[
2
+
2[[u[[ [[v[[ = ([[u[[ +[[v[[)
2
. 2
Denicion 8.1.6 Sea (V, < , >) un espacio con producto interno. Se dene la
distancia entre dos vectores u y v en V como d(u, v) = [[u v[[.
Teorema 8.1.7 (Propiedades de la distancia) En (V, < , >) se verica:
1) d(u, v) 0, u, v V y d(u, v) = 0 u = v.
2) d(u, v) = d(v, u), u, v V .
3) d(u, v) d(u, w) +d(w, v) u, v, w V .
Demostracion. (1) y (2) se dejan como ejercicio.
(3) d(u, v) = [[uv[[ = [[uw+wv[[ [[uw[[ +[[wv[[ = d(u, w)+d(w, v).
2
8.2

Angulo entre vectores, ortogonalidad
Sabemos que en un espacio con producto interno (V, < , >) se tiene que
[ < u, v > [ [[u[[ [[v[[.
Por tanto
1
< u, v >
[[u[[ [[v[[
1
Ya que cos(x) es biyectiva en [0, ] con rango [1, 1], podemos denir el angulo
entre u y v como:
( u, v) = arcos
_
< u, v >
[[u[[ [[v[[
_
.
Teorema 8.2.1 (Ley de los cosenos) En (V, < , >), si = ( u, v), se tiene:
[[u v[[
2
= [[u[[
2
+[[v[[
2
2[[u[[ [[v[[ cos().
Demostracion. [[u v[[
2
==< u, u > + < v, v > 2 < u, v >=
[[u[[
2
+[[v[[
2
2[[u[[ [[v[[ cos(). 2
Denicion 8.2.2 En (V, < , >), diremos que dos vectores u y v son ortogonales
si < u, v >= 0.
8.2.

ANGULO ENTRE VECTORES, ORTOGONALIDAD 169
8.2.1 Conjuntos ortonormales
Diremos que S = v
1
, ..., v
k
en (V, < , >) es un conjunto ortogonal de vectores
si < v
i
, v
j
>= 0 para todo i ,= j. Si ademas [[v
i
[[ = 1 para todo i, diremos que S es
un conjunto ortonormal de vectores.
Teorema 8.2.3 Sea S = v
1
, ..., v
k
un conjunto ortogonal de vectores no nulos.
Entonces S es linealmente independiente.
Demostracion. Si

k
i=1
a
i
v
i
= 0 entonces
0 =< v
j
, 0 >=< v
j
,
k
i=1
a
i
v
i
>=< v
j
, a
j
v
j
>= a
j
.
Por tanto a
j
= 0. 2
1
, ..., v
k
un conjunto ortonormal de vectores. Entonces
W =< v
1
, ..., v
k
>= u V [ u =
k
i=1
< u, v
i
> v
i
.
Demostracion. Si u =

k
i=1
< u, v
i
> v
i
entonces claramente u W. Por otro
lado, si u W, entonces u =
k
i=1
c
i
v
i
. Se sigue que < u, v
j
>= c
j
para todo j y se
obtiene la formula. 2
1
, ..., v
k
un conjunto ortonormal de vectores en V y
W =< v
1
, v
2
, ..., v
k
>. Entonces:
a) (Teorema de Pitagoras) [[u[[
2
=
k
i=1
< u, v
i
>
2
, u W.
b) (Identidad de Parseval) < u, w >=

k
i=1
< u, v
i
> < v
i
, w >, u W,
w V .
Demostracion. a) u =
k
i=1
< u, v
i
> v
i
, [[u[[
2
=< u, u >=
k
i=1
< u, v
i
>
2
.
b) < u, w >=<
k
i=1
< u, v
i
> v
i
, w >=
k
i=1
< u, v
i
> < v
i
, w > . 2
Proceso de ortonormalizacion de Gram-Schmidt
Sea (V, < , >) un espacio euclidiano de dimension n y B = v
1
, v
2
, ..., v
n
.
Teorema 8.2.6 El conjunto B
ON
= u
1
, ..., u
n
donde los u
i
estan denidos induc-
tivamente como:
u
1
=
v
1
[[v
1
[[
, u
2
=
v
2
< v
2
, u
1
> u
1
[[v
2
< v
2
, u
1
> u
1
[[
, ...., u
k
=
v
k
k1
i=1
< v
k
, u
i
> u
i
[[v
k
k1
i=1
< v
k
, u
i
> u
i
[[
, ...
forman una base ortonormal de V .
170 CAP
INIMOS CUADRADOS
Ejemplo 1 A partir de las bases que se indican, y mediante el proceso de ortonor-
malizacion de Gram-Schmidt, encuentre bases ortonormales de los espacios vectoria-
les correspondientes.
a) (1, 1, 0), (0, 2, 1), (1, 1, 1).
b) (1, 0, 0), (1, 1, 1), (1, 2, 0).
c) (1, 1, 0, 0), (0, 0, 1, 1), (1, 2, 0, 1), (2, 1, 1, 1).
Solucion. a) Si llamamos v
1
= (1, 1, 0), v
2
= (0, 2, 1), v
3
= (1, 1, 1), y u
1
, u
2
, u
3
a la base ortonormal que buscamos, el proceso de Gram-Schmidt nos dice que u

1
=
v
1
||v
1
||
. [[v
1
[[ =
1 + 1 =
2, por lo tanto u
1
= (
1
2
,
1
2
, 0). A continuaci on calculamos
= v
2
u
1
= (0, 2, 1) (
1
2
,
1
2
, 0) =
2
2
, y llamamos u
2
= (0, 2, 1)
2
2
(
1
2
,
1
2
, 0) =
(0, 2, 1) (1, 1, 0) = (1, 1, 1). Para calcular u
2
tan solo hay que hacer u
2
=
u
2
||u
2
||
=
(
1
3
,
1
3
,
1
3
).
Por ultimo
1
= v
3
u
1
= (1, 1, 1) (
1
2
,
1
2
, 0) =
2
2
,
2
= v
3
u
2
= (1, 1, 1) (
1
3
,
1
3
,
1
3
) =
1
3
,
u
3
= v
3
1
u
1
2
u
2
= (1, 1, 1)
2
2
(
1
2
,
1
2
, 0)
1
3
(
1
3
,
1
3
,
1
3
) = (
1
3
,
1
3
,
2
3
)
y
u
3
= u
3
1
[[u
3
[[
= (
1
6
,
1
6
,
2
6
).
As pues la base encontrada por el metodo de Gram-Schmidt es en este caso
_
(
1
2
,
1
2
, 0), (
1
3
,
1
3
,
1
3
), (
1
6
,
1
6
,
2
6
)
_
.
b) En este caso v
1
tiene norma 1, por lo que u
1
= v
1
= (1, 0, 0).
= v
2
u
1
= (1, 1, 1) (1, 0, 0) = 1 u
2
= v
2
u
1
= (0, 1, 1) u
2
= u
2
1
||u
2
||
=
(0, 1, 1)
1
2
= (0,
1
2
,
1
2
).
1
= v
3
u
1
= 1 y
2
= v
3
u
2
=
2
2
, por tanto u
3
= (1, 2, 0) (1, 0, 0)
2
2
(0,
1
2
,
1
2
) = (0, 1, 1) y u
3
= u
3
1
||u
3
||
= (0,
1
2
,
1
2
).
Obtenemos la base ortonormal
_
(1, 0, 0), (0,
1
2
,
1
2
), (0,
1
2
,
1
2
)
_
.
c) [[v
1
[[ =
2 u
1
= (
1
2
,
1
2
, 0, 0).
= v
2
u
1
= 0 u
2
= v
2
u
2
= (0, 0,
1
2
,
1
2
).
8.3. EL TEOREMA DE LA MEJOR APROXIMACI
ON 171
v
3
u
1
=
3
2
y v
3
u
2
=
1
2
, por tanto u
3
= v
3
2
u
1
2
u
2
= (
1
2
,
1
2
,
1
2
,
1
2
), y
entonces u
3
= u
3
1
||u
3
||
= u
3
puesto que [[u
3
[[ = 1. Por tanto u
3
= (
1
2
,
1
2
,
1
2
,
1
2
).
v
4
u
1
=
3
2
, v
4
u
2
=
2
2
y v
4
u
3
=
1
2
,
as que
u
4
= v
4
2
u
1
2
u
2
+
1
2
u
3
= (
1
4
,
1
4
,
1
4
,
1
4
).
De esta forma u
4
= u
4
1
||u
4
||
= (
1
2
,
1
2
,
1
2
,
1
2
).
La base ortonormal que buscabamos es pues
_
(
1
2
,
1
2
, 0, 0), (0, 0,
1
2
,
1
2
), (
1
2
,
1
2
,
1
2
,
1
2
), (
1
2
,
1
2
,
1
2
,
1
2
)
_
.
Factorizacion QR de matrices
Si a
1
,...,a
n
son las columnas de una matriz A M
mn
(IR) entonces aplicando Gram-
Schmidt a a
1
, ..., a
n
se obtiene una factorizacion de A como se describe a conti-
nuaci on.
Teorema 8.2.7 Si las columnas de A M
mn
(IR) son linealmente independientes
entonces A = QR, donde Q M
mn
(IR) cuyas columnas forman una base ortonor-
mal del espacio Col(A) y R es una matriz triangular superior inversible n n con
entradas positivas en la diagonal principal
Demostracion. Las columnas de A forman una base de Col(A) que, aplicandole
el proceso de ortonormalizacion de Gram-Schmidt, se consigue una base ortonor-
mal. Esta base puesta en columna es precisamente la matriz Q. La matriz R es
simplemente la matriz de cambio de base de una base a otra. 2
8.3 El teorema de la mejor aproximacion
Sea W un subespacio de (V, < , >). Al conjunto W
= v V [< v, w >=
0 w W se le denomina complemento ortogonal de W. Se demuestra que W
es un subespacio de V .
Teorema 8.3.1 Se tiene que V = W W
.
Demostracion. Sea B
1
una base de W, obtenemos una base ortonormal B
1
. Amplia-
mos esta ultima base a una base B de V y, de nuevo, obtenemos una base ortonormal
B
de V . Si escribimos B
= u
1
, ..., u
k
, u
k+1
, ..., u
n
donde W =, se
sigue que W
= y as V = W W
. 2
172 CAP
INIMOS CUADRADOS
Denicion 8.3.2 Sea W un subespacio de V y v V . Dada una base ortonormal
de W, B
W
= u
1
, ..., u
k
, la proyeccion ortogonal de v sobre W se dene como
v
W
=
k
i=1
< v, u
i
> u
i
.
Teorema 8.3.3 (Teorema de la mejor aproximacion) Sea (V, < , >) un espacio
euclidiano de dimension n y W un subespacio de V con base ortonormal B
W
=
u
1
, ..., u
k
. Dado v V , el vector v
W
es el vector de W mas proximo a v (en el
sentido de que [[v v
W
[[ [[v w[[, w W).
Demostracion. Sabemos que V = W W
. Dado v V entonces v = w
1
+ w
2
con w
1
W y es claro que w
1
= v
W
. Dado w W, [[v w[[
2
=< w
1
+w
2
w, w
1
+
w
2
w >= [[w
1
[[
2
+[[w
2
[[
2
+[[w[[
2
2 < w
1
, w >. Como
< w
1
, w > [ < w
1
, w > [ [[w
1
[[ [[w[[,
se sigue que [[v w[[
2
[[w
1
[[
2
+[[w
2
[[
2
+[[w[[
2
2[[w
1
[[ [[w[[ = [[w
2
[[
2
+ ([[w
1
[[
[[w[[)
2
[[w
2
[[
2
= [[v w
1
[[
2
. 2
8.4 Problemas de mnimos cuadrados
Consideramos el problema de encontrar la solucion mas aproximada del sistema
incompatible AX = B, donde: A = (a
ij
) M
mn
(IR), X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
y
B no perteneciente al subespacio Col(A) de IR
m
generado por las columnas de A (ya
que el sistema es incompatible). Sea

B la proyecci on ortogonal de B sobre Col(A).
Entonces el sistema AX =

B tiene solucion. Ademas B =

B + (B

B) y [[B

B[[
es mnima en el sentido de que [[B

B[[ [[B w[[ para todo w Col(A) (por el
teorema de la mejor aproximaci on). Pero B

B = BA
X donde

X es una solucion
de AX =

B. Como B A
X Col(A)
(complemento ortogonal) se sigue que el

producto escalar usual a
t
j
(B A
X) es nulo para toda columna a

j
de A. Eso implica
que A
t
(B A
X) = 0 y as (A
t
A)X = A
t
B es un sistema que tiene por solucion las
mejores aproximaciones de AX = B. Llamaremos soluciones mnimo cudraticas
a las anteriores ya que [[B AX[[ es una raz cuadrada de una suma de cuadrados.
Tambien llamaremos a [[B

B[[ error mnimo cuadratico del problema. Podemos
formular ya el siguiente resultado.
Teorema 8.4.1 El conjunto de soluciones mnimo cuadraticas de AX = B coincide
con el conjunto no vaco de soluciones del sistema (A
t
A)X = A
t
B.
Cuando las columnas de A son linealmente independientes se demuestra que
eso equivale a que la matriz A
t
A sea inversible. En este caso la solucion mnimo
cuadratica es unica

X = (A
t
A)
1
A
t
B. Si ademas las columnas de A resultan ser
8.5. AJUSTE DE DATOS EXPERIMENTALES 173
ortogonales (no nulas) es muy facil dar la solucion: la proyeccion ortogonal sera
B =
<a
1
,B>
<a
1
,a
1
>
a
1
+ +
<a
n
,B>
<a
n
,a
n
>
a
n
. Por tanto la n-upla (
<a
1
,B>
<a
1
,a
1
>
, ....,
<a
n
,B>
<a
n
,a
n
>
) es la
solucion (ya que al multiplicar A por la traspuesta de ese vector da

B).
Aprovech andonos de la factorizacion QR de matrices, podemos simplicar algo
la descripcion de la solucion por mnimos cuadrados de un sistema AX = B, cuando
las columnas de A sean linealmente independientes.
Teorema 8.4.2 Dada A M
mn
(IR) con columnas linealmente independientes, sea
A = QR la factorizacion QR de A. Entonces para cada B IR
m
, la ecuacion
AX = B tiene una unica solucion mnimo cuadratica dada por

X = R
1
Q
t
B.
Demostracion. La solucion mnimo cuadratica es

X = (A
t
A)
1
A
t
B. Entonces
X = (R
t
Q
t
QR)
1
R
t
Q
t
B. Como Q
t
Q = I se sigue que

X = (R
t
R)
1
R
t
Q
t
B =
R
1
(R
t
)
1
R
t
Q
t
B = R
1
Q
t
B. 2
8.5 Ajuste de datos experimentales
8.5.1 La media aritmetica
Supongamos que hemos realizado una serie de mediciones y hemos obtenido los si-
guientes valores x
1
, x
2
,...,x
n
. Queremos encontrar por el metodo de mnimos cuadra-
dos el valor que mas se ajuste a ellos. Tenemos el sistema incompatible:
_
_
y = x
1
y = x
2
.
.
.
y = x
n
Matricialmente nos queda
AX =
_
_
_
_
_
_
1
1
.
.
.
1
_
_
_
_
_
_
(y) =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
= B.
Por tanto A
t
AX = A
t
B proporciona la solucion por mnimos cuadrados. Tenemos
A
t
A = (n), A
t
B =

n
i=1
x
i
, as (n)(y) = (
n
i=1
x
i
), quedandonos y =
1
n
n
i=1
x
i
= x
la media aritmetica de los valores x
1
, x
2
,..., x
n
.
8.5.2 Ajuste de una recta a una serie de puntos
Ahora tenemos mediciones con entradas y salidas como indica la siguiente tabla:
x x
1
x
2
x
n
y y
1
y
2
y
n
174 CAP
INIMOS CUADRADOS
De nuevo queremos hallar la mejor aproximaci on mnimo cuadratica de esos datos,
en este caso por medio de una recta y = ax+b. Consideramos el sistema incompatible
_
_
y
1
= ax
1
+b
y
2
= ax
2
+b
.
.
.
y
n
= ax
n
+b
Matricialmente nos queda
AX =
_
_
_
_
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
_
_
_
_
a
b
_
=
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= B.
Por tanto A
t
AX = A
t
B proporciona la solucion por mnimos cuadrados. Tenemos
A
t
A =
_

n
i=1
x
2
i
n
i=1
x
i
n
i=1
x
i
n
_
, A
t
B =
_

n
i=1
x
i
y
i
n
i=1
y
i
_
.
Resolviendo el sistema nos queda
a =
n
i=1
(x
i
x)y
i
n
i=1
(x
i
x)
2
, b = y ax.
8.5.3 Ajuste por mnimos cuadrados a una parabola
Igual que antes tenemos la tabla de mediciones
x x
1
x
2
x
n
y y
1
y
2
y
n
pero ahora queremos encontrar la parabola y = ax
2
+bx +c que mejor se ajuste por
mnimos cuadrados a esos datos. Tenemos entonces el sistema
_
_
y
1
= ax
2
1
+bx
1
+c
y
2
= ax
2
2
+bx
2
+c
.
.
.
y
n
= ax
2
n
+bx
n
+c
que matricialmente se expresa como
AX =
_
_
_
_
_
_
x
2
1
x
1
1
x
2
2
x
2
1
.
.
.
.
.
.
.
.
.
x
2
n
x
n
1
_
_
_
_
_
_
_
_
_
a
b
c
_
_
_ =
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= B.
Como todos los x
i
son distintos, se sigue (gracias al determinante de Vandermonde)
que el rango de A es 3. Por tanto la matriz A
t
A es inversible y

X = (A
t
A)
1
A
t
B es
la unica solucion mnimo cuadratica de este problema.
8.6. APROXIMACI
ON DE FUNCIONES A POLINOMIOS 175

8.6 Aproximacion de funciones a polinomios
Sea V = C[a, b] el IR-espacio vectorial de funciones continuas en un intervalo cerrado
[a, b] de IR. Consideramos el producto interno siguiente: < f, g >=
_
b
a
f(t)g(f)dt,
f, g V . Dentro de este IR-espacio vamos a considerar el subespacio de dimension
nita de todos los polinomios reales de grado menor o igual que cierto natural n,
denotado T
n
[a, b]. Aplicando el teorema de la mejor aproximaci on a este subespacio
obtenemos que, para cada funcion f V , el polinomio de grado menor o igual que n
que mas se aproxima a f viene dado por la proyecci on ortogonal de f sobre T
n
[a, b].
Para calcular esta proyecci on ortogonal, se calcula una base ortonormal de T
n
[a, b],
B
ON
= u
1
, u
2
, ..., u
n+1
, y entonces

f =< f, u
1
> u
1
+ + < f, u
n+1
> u
n+1
es el polinomio en cuestion. Notese que el error mnimo cuadratico del problema
[[f

f[[ =
_
_
b
a
(f(t) g(t))
2
dt, se comporta igual que el area de la region limitada
por las gracas de f,

f, el eje de abscisas y las rectas x = a y x = b, de manera que
es una muy buena medida de la proximidad de ambas funciones.
Ejemplo 2 Obtener la mejor aproximacion cuadratica media de e
x
sobre T
2
[0, 1].
Determine tambien el error cuadratico medio asociado a la solucion obtenida.
Solucion. Se trata de calcular la proyeccion ortogonal

e
x
de e
x
sobre T
2
[0, 1].
Primero calculamos una base ortonormal de T
2
[0, 1], por ejemplo,
B = u
1
= 1, u
2
=
3(2x 1), u
3
=
5(6x
2
6x + 1).
Entonces

e
x
=< e
x
, u
1
> u
1
+ < e
x
, u
2
> u
2
+ < e
x
, u
3
> u
3
= (e 1) +(9 3e)(2x
1) + 5(7e 19)(6x
2
6x + 1) 1.01 + 0.85x + 0.84x
2
.
El error cuadratico medio es [[e
x
e
x
[[ 0.00621.
176 CAP
INIMOS CUADRADOS
8.7 Problemas propuestos
Problema 1 Verica que el siguiente es un producto interno en IR
2
, donde u =
(x
1
, x
2
) y v = (y
1
, y
2
):
f(u, v) = x
1
y
1
2x
1
y
2
2x
2
y
1
+ 5x
2
y
2
Problema 2 Considerense los vectores u=(1,-3) y v=(2,5) en IR
2
.Hallar:
1. < u, v > con respecto al producto interno usual en IR
2
.
2. < u, v > con respecto al producto interno de IR
2
del problema anterior.
3. |u| utilizando el producto interno usual de IR
2
.
4. |v| utilizando el producto interno en IR
2
del problema anterior.
Problema 3 Probar que cada uno de los siguientes no es un producto interno en
R
2
, siendo u = (x
1
, x
2
, x
3
) y v = (y
1
, y
2
, y
3
):
a) < u, v >= x
1
y
1
+x
2
y
2
b) < u, v >= x
1
y
2
x
3
+y
1
x
2
y
3
.
Problema 4 Sea V el espacio vectorial de las matrices mxn sobre IR. Mostrar que
< A, B >= trB
T
A dene un producto interno en V.
Problema 5 Sea V el espacio vectorial de los polinomios sobre IR. Probar que
< f, g >=
_
1
0
f(t)g(t)dt dene un producto interno en V.
Problema 6 Sea V el espacio vectorial de los polinomios sobre IR de grado 2
con producto interno < f, g >=
_
1
0
f(t)g(t)dt. Encontrar una base del subespacio W
ortogonal a h(t)=2t+1.
Problema 7 Determinar una base del subespacio W de IR
4
ortogonal a
u
1
= (1, 2, 3, 4) y u
2
= (3, 5, 7, 8).
Problema 8 Supongase que S consiste en los vectores de IR
4
:
u
1
= (1, 1, 1, 1) u
2
= (1, 1, 1, 1) u
3
= (1, 1, 1, 1) u
4
= (1, 1, 1, 1)
1. Probar que S es ortogonal y es una base de IR
4
.
2. Escribir v=(1,3,-5,6) como combinacion lineal de los vectores de S.
3. Encontrar las coordenadas de un vector arbitrario v=(a,b,c,d) de IR
4
relativas
a la base S.
4. Normalizar S para conseguir una base ortonormal de IR
4
.
Problema 9 Sea V el espacio vectorial de las matrices 2x2 sobre IR con producto
interno < A, B >= trB
T
A. Mostrar que la que se da a continuacion es una base
ortonormal de V:
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
Problema 10 Los conjuntos que se dan a continuacion son bases de un subespacio
W. Utiliza el proceso de Grand-Schmidt para producir una base ortogonal de W y
encuentra posteriormente una base ortonormal de W.
1. (3, 4, 5), (3, 14, 7).
2. (3, 1, 2, 1), (5, 9, 9, 3).
Problema 11 Encontrar la factorizacion QR de las siguientes matrices:
A =
_
_
_
_
_
3 5 1
1 1 1
1 5 2
3 7 8
_
_
_
_
_
, B =
_
_
_
_
_
_
_
_
1 2 5
1 1 4
1 4 3
1 4 7
1 2 1
_
_
_
_
_
_
_
_
Problema 12 Describe todas las soluciones mnimos cuadrados de la ecuacion Ax=b
siendo:
1.
A =
_
_
1 1 0
1 1 0
1 0 1
1 0 1
_
_
, b =
_
_
1
3
8
2
_
_
2.
A =
_
_
1 1 0
1 1 0
1 1 0
1 0 1
1 0 1
1 0 1
_
_
, b =
_
_
7
2
3
6
5
4
_
_
Problema 13 Para los valores de A y b dados a continuacion encuentra: a)la
proyeccion ortogonal de b sobre el espacio engendrado por los vectores columna de A
;b)una solucion mnimos cuadrados de Ax=b; c)el error mnimos cuadrados asociado
a la solucion mnimos cuadrados.
178 CAP
INIMOS CUADRADOS
1.
A =
_
_
1 5
3 1
2 4
_
_, b =
_
_
4
2
3
_
_
2.
A =
_
_
4 0 1
1 5 1
6 1 0
1 1 5
_
_
, b =
_
_
9
0
0
0
_
_
Problema 14 Utiliza la factorizacion A=QR para encontrar la solucion mnimos
cuadrados de Ax=b.
A =
_
_
2 3
2 4
1 1
_
_, Q =
_
_
2/3 1/3
2/3 2/3
1/3 2/3
_
_, R =
_
3 5
0 1
_
, b =
_
_
7
3
1
_
_
Problema 15 Determinar la matriz A que representa el producto interno usual de
IR
2
respecto a cada una de las bases de IR
2
:a)v
1
= (1, 4), v
2
= (2, 3);b)w
1
=
(1, 3), w
2
= (6, 2).
Problema 16 Considerese el producto interno de IR
2
:
f(u, v) = x
1
y
1
2x
1
y
2
2x
2
y
1
+ 5x
2
y
2
donde u = (x
1
, x
2
) y v = (y
1
, y
2
). Determinar la matriz B que representa este
producto interno respecto de cada una de las bases dadas en el ejercicio anterior.
Problema 17 Encuentre la recta que mejor se ajuste (por mnimos cuadrados) a
los puntos (1, 1), (0, 1), (1, 0), (2, 0).
Problema 18 Encontrar la parabola que mejor se ajusta a los puntos (1, 1), (0, 1),
(1, 1) y (2, 0).
Problema 19 Sea W el subespacio de IR
4
generado por (1, 0, 1, 0), (1, 0, 1, 0).
Determine el vector de W mas proximo a (1, 1, 2, 2).
Problema 20 (a) Calcular la factorizacion QR de la matriz
A =
_
_
_
1 0
0 1
1 1
_
_
_.
(b) Determinar la solucion del problema de mnimos cuadrados AX = B, donde
B
t
= (0, 0, 1), mediante la factorizacion QR anterior.
Problema 21 Sean t
0
,t
1
,...,t
n
n umeros reales distintos. Para p y q en T
n
(IR) (poli-
nomios reales de grado menor o igual que n) se dene:
< p, q >= p(t
0
)q(t
0
) +p(t
1
)q(t
1
) + +p(t
n
)q(t
n
).
Demuestre que < , > es un producto interno en T
n
(IR).
Problema 22 Consideramos en T
4
(IR) el producto interno denido como en el ejer-
cicio 21 mediante los n umeros reales t
0
= 2, t
1
= 1, t
2
= 0, t
3
= 1 y t
4
= 2.
Viendo T
2
(IR) como subespacio de T
4
(IR), produzca una base ortonormal para T
2
(IR)
aplicando el proceso de Gram-Schmidt a los polinomios 1, x, x
2
.
Problema 23 Sea T
4
(IR) con el producto interno del ejercicio 22 y sea p
0
, p
1
, p
2
la base ortonormal encontrada en el ejercicio 22. Encuentre la aproximacion optima

a p(x) = 5
1
5
x
4
por polinomios de T
2
(IR).
Problema 24 Sea V el espacio C[0, 1] con el producto interno
< f, g >=
_
1
0
f(t)g(t)dt, f, g C[0, 1].
Sea W el subespacio de V generado por los polinomios p
1
(x) = 1, p
2
(x) = 2x 1 y
p
3
(x) = 12x
2
. Use el proceso de Gram-Schmidt para encontrar una base ortonormal
para W.
Problema 25 Obtener la mejor aproximacion cuadratica media de cos(x) sobre
T
2
[0, 1]. Determine tambien el error cuadratico medio asociado a la solucion obtenida.
Problema 26 Obtener la mejor aproximacion cuadratica media de cos(x) sobre
T
2
[0, 1]. Determine tambien el error cuadratico medio asociado a la solucion obtenida.
180 CAP
INIMOS CUADRADOS
Captulo 9
Matrices simetricas y formas
cuadraticas
9.1 Diagonalizacion ortogonal
En esta seccion utilizaremos el producto escalar usual en IR
n
. Esto es, si v, w IR
n
(escritos en columnas) entonces < v, w >= v
t
w.
Recordamos que una matriz A M
n
(IR) es simetrica si A
t
= A. Una matriz
P M
n
(IR) se dira ortogonal si P
t
= P
1
. Finalmente, diremos que A M
n
(IR)
es diagonalizable ortogonalmente si existe una matriz ortogonal P M
n
(IR) tal que
P
t
AP es diagonal.
Otra aplicacion del proceso de ortonormalizacion de Gram-Schmidt es el siguiente
teorema, llamado teorema espectral.
Teorema 9.1.1 Una matriz A M
n
(IR) es simetrica si y solo si es diagonalizable
ortogonalmente.
Los siguientes lemas nos permitiran dar un metodo sencillo para diagonalizar
ortogonalmente cualquier matriz real simetrica.
Lema 9.1.2 Todos los valores propios de una matriz real simetrica A M
n
(IR) son
n umeros reales.
Demostracion. Consideramos el polinomio caracterstico de A, p
A
(x) = [xI
n
A[ =
x
n
+a
n1
x
n1
+ +a
0
con a
i
IR. Sabemos que las races de este polinomio
1
,...,
n
son n umeros complejos (y son n con posibles repeticiones). Veamos que, en realidad,
son todos n umeros reales. Si es valor propio de A, entonces = a+bi con a, b IR.
Se tiene que = a bi = = a + bi si y solo si b = 0, es decir, si y solo si IR.
Probaremos entonces que = .
Sea v =
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
no nulo tal que Av = v, v I C
n
. Conjugando nos queda:
Av = v. Como A es de n umeros reales, se tiene que Av = v. Trasponiendo nos
181
182 CAP
ITULO 9. MATRICES SIM
ETRICAS Y FORMAS CUADR
ATICAS
queda v
t
A
t
= v
t
. Por tanto, v
t
A = v
t
, lo cual implica que v
t
Av = v
t
v. Se sigue
que v
t
v = v
t
v, y as ( )v
t
v = 0. Pero v
t
v =

n
i=1
x
2
i
que es no nulo ya que
v ,= 0. Por tanto = . 2
Lema 9.1.3 Sea A M
n
(IR) simetrica. Sean v y w vectores propios de A asociados
a los valores propios distintos y respectivamente. Entonces < v, w >= 0.
Demostracion. Si Av = v y Aw = w entonces v
t
w = v
t
A
t
w = v
t
Aw = v
t
w.
Por tanto, ( )v
t
w = 0 y as < v, w >= v
t
w = 0. 2
Metodo para diagonalizar ortogonalmente una matriz simetrica A M
n
(IR)
1) Se calculan los valores propios de A hallando las races de p
A
(x) (que ya sabemos
que siempre son n umeros reales).
2) Se calcula una base B
de vectores propios para cada valor propio de A. En

este paso se observa que vectores propios de valores propios distintos siempre son
ortogonales por el lema anterior.
3) Mediante el proceso de ortonormalizacion de Gram-Schmidt, se obtiene una base
ortonormal B
a partir de B
.
4) Se toma B =
que es base ortonormal (por el lema anterior) de IR

n
. Por
tanto P = M(B, B
c
) es ortogonal y P
t
AP es diagonal.
Observaci on. Como se observa, solo el paso (3) es diferente a los de una diago-
nalizacion habitual.
9.2 Aplicaciones del Teorema Espectral
9.2.1 La descomposicion en valores singulares
Ya sabemos que no todas las matrices se pueden factorizar como A = PDP
1
con
D diagonal. Sin embargo, es posible una factorizacion A = QDP
1
para cualquier
matriz A mn. Una factorizacion especial de este tipo, llamada descomposicion en
valores singulares, es una de las factorizaciones de matrices mas utiles en el algebra
lineal aplicada.
Sea A una matriz m n. Entonces A
t
A es simetrica y se puede diagonalizar
ortogonalmente. Sea v
1
, ..., v
n
una base ortonormal de IR
n
formada por lo vectores
propios de A
t
A y sea
1
,...,
n
los valores propias de A
t
A asociados. Entonces, para
1 i n,
[[Av
i
[[
2
= (Av
i
)
t
Av
i
= v
t
i
A
t
Av
i
= v
t
i
(
i
v
i
) =
i
.
As que todos los valores propios de A
t
A son no negativos. Podemos suponer que
1

n
. Los valores singulares de A son las races cuadradas de los valores
propios de A
t
A, denotados por
1
,...,
n
escritos en orden decreciente. Esto es,
i
=
i
para 1 i n.
9.2. APLICACIONES DEL TEOREMA ESPECTRAL 183
Teorema 9.2.1 Supongamos que v
1
, ..., v
n
es una base ortonormal de IR
n
que con-
siste en los vectores propios de A
t
A, escritos de manera que los valores propios aso-
ciados
i
satisfagan
1

n
y supongamos que A tiene r valores singulares
distintos de cero. Entonces Av
1
, ..., Av
r
es una base ortogonal de Col(A) y el rango
de A es r.
Consecuencia de este teorema es el siguiente.
Teorema 9.2.2 (La descomposicion en valores singulares) Sea A una matriz mn
con rango r. Entonces existe una matriz C de tama no mn de la forma
C =
_
D 0
0 0
_
con D diagonal de tama no rr, donde las entradas diagonales de D son los primeros
r valores singulares de A,
1

r
0 y existen matrices ortogonales U y V
de tama nos mm y n n respectivamente, tales que A = UCV
t
.
Metodo para obtener la descomposicion en valores singulares de una ma-
triz A M
mn
(IR).
1) Obtenemos una base ortonormal v
1
, v
2
, ..., v
n
de vectores propios de A
t
A.
2) Av
1
, Av
2
, ..., Av
r
es una base ortogonal de Col(A). Consideramos la base ortonor-
mal de Col(A) B
= u
1
, u
2
, ..., u
r
, donde u
i
=
Av
i
||Av
i
||
=
1
i
Av
i
i = 1, ..., r. Extende-
mos B
a una base ortonormal u

1
, u
2
, ..., u
m
de IR
m
.
3) Poniendo los vectores u
i
y v
i
en columna formamos las matrices U = (u
1
u
2
... u
m
),
V = (v
1
v
2
... v
n
). Entonces AV = (Av
1
Av
2
... Av
r
0 ...0) = (
1
u
1
...
r
u
r
0...0). Es
claro que UC = AV , por tanto A = UCV
t
. 2
9.2.2 Formas Cuadraticas
Denicion 9.2.3 Una forma cuadratica en IR
n
es una aplicacion q : IR
n
IR dada
por q(x) = x
t
Ax (x vector columna), donde A es una matriz real simetrica.
Teorema 9.2.4 (El teorema de los ejes principales) Sea A una matriz real simetrica
n n. Entonces existe una matriz ortogonal P, con cambio de coordenadas x = Py,
que transforma la forma cuadratica x
t
Ax en una forma cuadratica y
t
Dy, con D
diagonal, esto es, la forma cuadratica se queda sin terminos de producto cruzado.
Demostracion. Aplquese el teorema espectral. 2
Las columnas de la matriz P se llaman ejes principales de la forma cuadratica
x
t
Ax.
184 CAP
ATICAS
9.2.3 Clasicacion de formas cuadraticas
Denicion 9.2.5 Una forma cuadratica q : IR
n
IR es:
a) Denida positiva si q(x) > 0 para todo x ,= 0.
b) Denida negativa si q(x) < 0 para todo x ,= 0.
c) Indenida si q(x) toma valores tanto positivos como negativos.
Teorema 9.2.6 La forma cuadratica q(x) = x
t
Ax es:
a) Denida positiva si y solo si todos los valores propios de A son positivos.
b) Denida negativa si y solo si todos los valores propios de A son negativos.
c) Indenida si y solo si A tiene valores propios tanto positivos como negativos.
Demostracion. Por el teorema de los ejes principales, existe un cambio de coorde-
nadas ortogonal x = Py tal que
q(x) = x
t
Ax = y
t
Dy =
1
y
2
1
+
2
y
2
2
+ +
n
y
2
n
donde
1
,...,
n
son los valores propios de A. Puesto que P es invertible, hay una
correspondencia biyectiva entre los x no nulos y los y no nulos. Entonces los valores
de q(x) para x ,= 0 coinciden con los valores de la derecha de la ultima formula, los
cuales estan controlados por los signos de los valores propios. 2
Teorema 9.2.7 La forma cuadratica q(x) = x
t
Ax es denida positiva, si y solo si la
matriz A = (a
ij
) tiene la propiedad de que todos los determinantes de sus submatrices
angulares
j
=
_
_
_
_
_
_
a
11
a
12
a
1j
a
21
a
22
a
2j
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jj
_
_
_
_
_
_
, j = 1, 2, ..., n,
son positivos.
La forma cuadratica q(x) = x
t
Ax es denida negativa si y solo si
1
< 0,
2
> 0,
3
< 0,.... Es decir, los determinantes
1
,
2
,... alternan sus signos, comenzando
con
1
< 0.
9.2.4 Conicas en IR
2
Una conica en IR
2
es el lugar geometrico de puntos del plano que son solucion de
una ecuacion de segundo grado:
ax
2
+by
2
+ 2cxy +dx +ey +f = 0
con a, b, c, d, e, f IR (a ,= 0 o b ,= 0).
Podemos escribir ax
2
+by
2
+ 2cxy = (x, y)
_
a c
c b
__
x
y
_
.
Como A =
_
a c
c b
_
es real simetrica, existe una matriz ortogonal P tal que
P
t
AP =
_
0
0
_
= D es diagonal con , IR. Poniendo (x, y)
t
= P(x
, y
)
t
,
tenemos (x
, y
)D(x
, y
)
t
+ (d, e)P(x
, y
)
t
+f = 0. Por tanto:
x
2
+y
2
+ 2D
+ 2E
+F
= 0
donde P =
_

_
, 2D
= d+e, 2E
= d +e y F
= f. Como se observa, se
ha conseguido eliminar el termino en xy de la formula original de la conica.
Vamos a clasicar las conicas atendiendo a una serie de casos:
Caso 1. ,= 0.
(x
2
+
2D
) +(y
2
+
2E
) +F
= 0
(x
+
D
)
2
+(y
+
E
)
2
+G = 0
con G = F
D
2

E
2
. Hacemos el cambio x
= x
+
D
, y
= y
+
E
(corresponde con
una traslacion del origen de coordenadas a (
D
,
E
)). Nos queda x

2
+y
2
+G =
0.
Subcaso 1.1: > 0 y G < 0. Entonces
x
2
G/
+
y
2
G/
= 1
que se puede escribir
x
2
a
2
+
y
2
b
2
= 1
(Ecuacion reducida de una Elipse).
Subcaso 1.2: > 0 y G = 0. Se tiene x
2
+y
2
= 0, esto es, un punto.
Subcaso 1.3: > 0 y G > 0. El conjunto de soluciones es vaco.
Subcaso 1.4: < 0 y G ,= 0. Entonces
x
2
G/
+
y
2
G/
= 1
que se puede escribir
x
2
a
2

y
2
b
2
= 1
(Ecuacion reducida de una Hiperbola).
186 CAP
ATICAS
Subcaso 1.5: < 0 y G = 0. Supongamos, por ejemplo, > 0. Entonces la
ecuacion puede escribirse como
a
2
x
2
b
2
y
2
= 0.
Se trata de dos rectas que se cortan en el origen de (x
, y
).
Caso 2: = 0. Supongamos, por ejemplo, = 0.
Subcaso 2.1: = 0, ,= 0, D
,= 0. De la ecuacion
x
2
+y
2
+ 2D
+ 2E
+F
= 0
obtenemos
y
2
+ 2D
+ 2E
+F
= 0.
Por tanto
(y
2
+
2E
+
E
2
2
) + 2D
(x
+
F
2D

E
2
2D
) = 0,
que equivale a
(y
+
E
)
2
+ 2D
(x
+
F
2D

E
2
2D
) = 0.
Realizando el cambio
y
= y
+
E
, x
= x
+
F
2D

E
2
2D
nos queda:
y
2
+ 2D
= 0
que es la ecuacion reducida de una parabola y
2
4px
= 0 con p =
D
2
.
Subcaso 2.2: = 0, ,= 0, D
= 0. Se obtienen dos rectas paralelas a la recta

y = 0.
Clasicacion de las conicas por medio de invariantes.
Dada la ecuacion de la conica
ax
2
+by
2
+ 2cxy +dx +ey +f = 0,
tomaremos G = a + b, H =
a c
c b
y K =
a c d/2
c b e/2
d/2 e/2 f
. Estos n umeros no
cambian (son invariantes) al realizar cualquier cambio de coordenadas de los hechos
anteriormente (giros y traslaciones).
La clasicacion es la siguiente:
Lugar
geometrico
que
representan
_
_
H ,= 0
_
_
H > 0
_
_
K ,= 0
_
GK < 0 Elipse
GK > 0 Vaco
K = 0 Un punto
H < 0
_
K ,= 0 Hiperbola
K = 0 Dos rectas que se cortan
H = 0
_
K ,= 0 Par abola
K = 0 Dos rectas paralelas, o una recta, o vaco
188 CAP
ATICAS
9.3 Problemas resueltos y propuestos
Problema 1 Diagonalice ortogonalmente las siguientes matrices.
a)
A =
_
_
_
3 1 0
1 3 0
0 0 5
_
_
_.
b)
B =
_
_
_
_
_
_
_
_
_
_
_
_
_
9
4

5
4

1
4
1
4
5
4
9
4
1
4

1
4
1
4
1
4
9
4

5
4
1
4

1
4

5
4
9
4
_
_
_
_
_
_
_
_
_
_
_
_
_
.
Solucion. a) Primero calculamos los valores propios de la matriz A, encontrando
las races del polinomio caracterstico de A, que es [A x I
3
[.
[A x I
3
[ =
_
_
_
3 1 0
1 3 0
0 0 5
_
_
_ x
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
3 x 1 0
1 3 x 0
0 0 5 x
=
x
3
+ 11x
2
38x + 40.
Si factorizamos el polinomio anterior obtenemos que x
3
+11x
2
38x+40 = (x
2)(x 4)(x 5), lo cual quiere decir que los valores propios de A son 2, 4 y 5.
Los vectores propios asociados al valor propio 2 seran las soluciones del sistema
de ecuaciones (A 2 I
3
)x = 0, es decir,
_
_
_
1 1 0
1 1 0
0 0 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_.
Obtenemos pues
x y = 0
x +y = 0
3z = 0
_
_
de donde deducimos que z = 0 y que x = y. Por tanto el subespacio propio asociado
al valor propio 2 es S(2) = (x, x, 0); x IR. Observamos que la dimension de
S(2) es 1, y que una base es (1, 1, 0). Como solo hay un vector en la base, la
ortonormalizacion consiste tan solo en hacer el vector de norma 1, es decir, multiplicar
el vector por el inverso de su norma. En este caso obtenemos que una base ortonormal
de S(2) es (
1
2
,
1
2
, 0).
9.3. PROBLEMAS RESUELTOS Y PROPUESTOS 189
Para el valor propio 4 debemos solucionar el sistema (A4 I
3
)x = 0, que resulta
x y = 0
x y = 0
z = 0
_
_
y cuya solucion es claramente S(4) = (x, x, 0); x IR. La dimension de S(4)
vuelve a ser 1 y una base ortonormal para S(4) es (
1
2
,
1
2
, 0).
Por ultimo procedemos de igual manera para el valor propio 5.
2x y = 0
x 2y = 0
_
S(5) = (0, 0, z); z IR, y una base ortonormal para S(5) es (0, 0, 1).
Una diagonalizacion ortogonal de la matriz A es pues
A =
_
_
_
_
1
2
1
2
0
1
2

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

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

5
4

1
4
1
4
5
4
9
4
1
4

1
4
1
4
1
4
9
4

5
4
1
4

1
4

5
4
9
4
_
_
_
_
_
_
_
_
_
_
_
_
_
x
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
9
4
x
5
4

1
4
1
4
5
4
9
4
x
1
4

1
4
1
4
1
4
9
4
x
5
4
1
4

1
4

5
4
9
4
x
= (x 1)
2
(x 3)(x 4).
Los valores propios de B son pues 1, 3 y 4.
La ecuacion (B 1 I
4
)x = 0 arroja el sistema de ecuaciones lineales
190 CAP
ATICAS
5
4
x
5
4
y
1
4
z +
1
4
t = 0
5
4
x +
5
4
y +
1
4
z
1
4
t = 0
1
4
x +
1
4
y +
5
4
z
5
4
t = 0
1
4
x
1
4
y
5
4
z +
5
4
t = 0
_
_
.
Observamos que la segunda ecuacion del sistema es la primera multiplicada por
-1, y la cuarta ecuacion es la tercera multiplicada por -1, por lo tanto el sistema de
ecuaciones anterior es equivalente a
5
4
x
5
4
y
1
4
z +
1
4
t = 0
1
4
x
1
4
y
5
4
z +
5
4
t = 0
_
_
.
Multiplicando ahora ambas ecuaciones por 4, obtenemos el sistema de ecuaciones
equivalente
5x 5y z +t = 0
x y 5z +5t = 0
_
.
La solucion del sistema es x = y, z = t, y as
S(1) = (x, x, z, z); x, z IR.
La dimension de S(1) es pues 2 y una base de S(1) es
(1, 1, 0, 0), (0, 0, 1, 1).
Si usamos el metodo de Gram-Schmidt para ortonormalizar la base obtenida, encon-
traremos la base ortonormal
_
(
1
2
,
1
2
, 0, 0), (0, 0,
1
2
,
1
2
)
_
.
Calculemos ahora el subespacio propio asociado al valor propio 3.
3
4
x
5
4
y
1
4
z +
1
4
t = 0
5
4
x
3
4
y +
1
4
z
1
4
t = 0
1
4
x +
1
4
y
3
4
z
5
4
t = 0
1
4
x
1
4
y
5
4
z
3
4
t = 0
_
_
.
Si se resuelve el sistema se observa que el conjunto de soluciones del mismo es
S(3) = (x, x, x, x); x IR, y que una base para S(3) es (1, 1, 1, 1), y por
tanto que una base ortonormal de S(3) es (
1
2
,
1
2
,
1
2
,
1
2
).
Finalmente hacemos lo mismo con el valor propio 4. As la solucion del sistema
de ecuaciones
7
4
x
5
4
y
1
4
z +
1
4
t = 0
5
4
x
7
4
y +
1
4
z
1
4
t = 0
1
4
x +
1
4
y
7
4
z
5
4
t = 0
1
4
x
1
4
y
5
4
z
7
4
t = 0
_
_
es x = y = z = t y por tanto S(4) = (x, x, x, x); x IR. Una base
ortonormal para S(4) es (
1
2
,
1
2
,
1
2
,
1
2
).
De esta forma concluimos que una diagonalizacion ortogonal de A es
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
2
0
1
2
1
2
1
2
0
1
2

1
2
0
1
2
1
2

1
2
0
1
2

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

1
2
1
2

1
2
1
2

1
2

1
2
1
2
_
_
_
_
_
_
_
_
_
_
_
_
_
Problema 2 Encuentre una diagonalizacion ortogonal de la matriz
A =
_
_
_
_
_
1 0 0 0
0 3 0 0
0 0 2 1
0 0 1 2
_
_
_
_
_
.
Solucion.
[A x I
4
[ =
_
_
_
_
_
1 0 0 0
0 3 0 0
0 0 2 1
0 0 1 2
_
_
_
_
_
_
_
_
_
_
x 0 0 0
0 x 0 0
0 0 x 0
0 0 0 x
_
_
_
_
_
1 x 0 0 0
0 3 x 0 0
0 0 2 x 1
0 0 1 2 x
= 9 24x + 22x
2
8x
3
+x
4
= (x 1)
2
(x 3)
2
.
192 CAP
ATICAS
Tenemos entonces que los valores propios de A son 1 y 3. Calculemos los vectores
propios asociados.
Para el valor propio 1 tenemos que solucionar el sistema de ecuaciones lineales
2y = 0
z t = 0
z +t = 0
_
_
.
Es claro que el conjunto solucion del sistema es y = 0 y z = t, por tanto
S(1) = (x, 0, z, z); x, z IR
cuya dimension es dos. Una base para S(1) es (1, 0, 0, 0), (0, 0, 1, 1). Si seguimos el
metodo de Gram-Schmidt para ortonormalizar la base obtenida, obtendremos otra
base (ya ortonormal) B = (1, 0, 0, 0), (0, 0,
1
2
,
1
2
).
El subespacio propio S(3) estara formado por las soluciones del sistema
2x = 0
z t = 0
z t = 0
_
_
que son x = 0, z = t, y as S(3) = (0, y, z, z); y, z IR. Una base ortonormal
para S(3) es (0, 1, 0, 0), (0, 0,
1
2
,
1
2
).
Con los datos obtenidos podemos concluir que una diagonalizacion ortogonal de
A es
A =
_
_
_
_
_
_
1 0 0 0
0 0 1 0
0
1
2
0
1
2
0
1
2
0
1
2
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 3 0
0 0 0 3
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 0
1
2
1
2
0 1 0 0
0 0
1
2

1
2
_
_
_
_
_
_
.
Problema 3 Diagonalice ortogonalmente las siguientes matrices.
a) A =
_
_
_
2 2 2
2 5 4
2 4 5
_
_
_ b) B =
_
_
_
_
_
7 1 2 0
1 7 2 0
2 2 10 0
0 0 0 6
_
_
_
_
_
.
Problema 4 Demuestre que si A es diagonalizable ortogonalmente, entonces A
n
n IN tambien lo es.
Problema 5 Encuentre una descomposicion en valores singulares de:
a)
_
1 3
0 3
_
, b)
_
5 0
0 0
_
, c)
_
_
_
3 1
6 2
6 2
_
_
_.
Problema 6 Encuentre una descomposicion en valores singulares de
A =
_
3 2 2
2 3 2
_
.
[ Sugerencia: Trabaje con A
t
].
Problema 7 Para v = (x, y, z) IR
3
, sea q(v) = 5x
2
+3y
2
+2z
2
xy+8yz. Escriba
esta forma cuadratica como vAv
t
.
Problema 8 Haga un cambio de variable que transforme la forma cuadratica
q(x, y, z) = x
2
8xy 5y
2
en una forma cuadratica sin terminos de producto cruzado.
Problema 9 Clasique las siguientes formas cuadraticas. Luego efect ue un cam-
bio de variable que transforme la forma cuadratica en una sin termino de producto
cruzado. Escriba la nueva forma cuadratica.
a) q(x, y) = 3x
2
4xy + 6y
2
,
b) f(x, y) = 9x
2
8xy + 3y
2
,
c) g(x, y) = x
2
6xy + 9y
2
,
d) r(x, y, z) = x
2
+ 2y
2
+z
2
2xy 2yz.
Problema 10 Encuentre la ecuacion reducida y clasique las siguientes conicas.
a) 3x
2
2xy + 3y
2
+ 2x 4y + 1 = 0.
b) 4x
2
24xy + 11y
2
+ 56x 58y + 95 = 0.
c) x
2
+ 4xy + 4y
2
2x 4y 3 = 0.
194 CAP
ATICAS
Captulo 10
Practicas de Mathematica
10.1 Practica 1: Introduccion
En todos los ejercicios, una matriz vendra representada como una lista cuyos
elementos son las las de la matriz. A su vez, una la vendra dada por una lista
formada por los elementos de dicha la.
1) Resolver cada una de las siguientes ecuaciones:
a) 3x = 0 en ZZ
5
,
In[1]:=Solve[ {3 x == 0 , Modulus == 5}, {x}, Mode -> Modular]
Out[1]=Modulus 5, x 0
Mathematica solo encuentra la solucion x = 0 en ZZ
5
.
b) 3x 4 x = 2x + 3 en IR,
In[2]:=Solve[3 x - 4 - x == 2 x + 3, {x}]
Out[2]=
Si la ecuacion o sistemas de ecuaciones no tiene solucion, Mathematica devuelve la
lista vaca.
c) 7 + 2x 4 = 3x + 3 x en IR.
195
196 CAP
ITULO 10. PR
ACTICAS DE MATHEMATICA
In[3]:= Solve[7 + 2 x - 4 - x == 3 x + 3 - x, {x}]
Out[3]=x 0
2) Encuentra, si es posible, una solucion de cada uno de los siguientes sistemas
a)
_
_
x 2y +z = 7
2x y + 4z = 17
3x 2y + 2z = 14
b)
_
_
2x 5y + 3z 4s + 2t = 4
3x 7y + 2z 5s + 4t = 9
5x 10y 5z 4s + 7t = 22
a) LinearSolve nos permite resolver un sistema de ecuaciones. Como argumentos
de entrada habra que especicar la matriz de coecientes y el vector de soluciones.
In[4]:= LinearSolve[{{1, -2, 1}, {2, -1, 4}, {3, -2, 2}},
{7, 17, 14}]
Out[4]=2, 1, 3
La solucion sera x = 2, y = 1 y z = 3
b)
In[5]:= LinearSolve[{{2, -5, 3, -4, 2}, {3, -7, 2, -5, 4},
{5,-10, -5, -4, 7}}, {4,9, 22}]
Out[5]=26, 12, 0, 3, 0
La solucion sera x = 26, y = 12, z = 0,s = 3 y t = 0.
3) Reducir las siguientes matrices a forma canonica por las:
A =
_
_
_
1 2 3 0
2 4 2 2
3 6 4 3
_
_
_ B =
_
_
_
4 1 6
1 2 5
6 3 4
_
_
_
a) La funcion RowReduce nos permite obtener la forma canonica de una matriz
dada. Para ello debemos introducir como argumento la matriz en cuestion como se
ha indicado en el primer ejercicio.
10.1. PR
ACTICA 1: INTRODUCCI
ON 197
In[6]:= RowReduce[{{1, 2, -3, 0}, {2, 4, -2, 2}, {3, 6, -4, 3}}]
Out[6]=1, 2, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1
b)
In[7]:= RowReduce[{{-4, 1, -6}, {1, 2, -5}, {6, 3, -4}}]
Out[7]= 1, 0,
7
9
, 0, 1,
26
9
, 0, 0, 0
4) Resolver los siguientes sistemas, utilizando la matriz ampliada.
a)
_
_
x 2y + 4z = 2
2x 3y + 5z = 3
3x 4y + 6z = 7
b)
_
_
x + 2y 3z 2s + 4t = 1
2x + 5y 8z s + 6t = 4
x + 4y 7z + 5s + 2t = 8
a) Reducimos por Gauss usando RowReduce.
In[8]:= RowReduce[{{1, -2, 4, 2}, {2, -3, 5, 3}, {3, -4, 6, 7}}]
Out[8]= 1, 0, 2, 0, 0, 1, 3, 0, 0, 0, 0, 1
La ultima la es equivalente a la ecuacion 0=1, por lo que podemos deducir que el
sistema no tiene solucion.
b)
In[9]:= RowReduce[{{1, 2, -3, -2, 4, 1}, {2, 5, -8, -1, 6, 4},
{1, 4, -7, 5, 2, 8}}]
Out[9]=1, 0, 1, 0, 24, 21, 0, 1, 2, 0, 8, 7, 0, 0, 0, 1, 2, 3
El sistema es compatible indeterminado. Para obtener la expresion de las soluciones
utilizamos la siguiente funcion. Observese que primero calculamos una solucion
particular aleatoria que viene dada por LinearSolve. A ella le sumamos la solucion del
sistema homogeneo dada por la matriz de coecientes. Para esto ultimo, utilizamos
NullSpace, funcion que nos devuelve la base del espacio de soluciones del sistema
homogeneo.
198 CAP
ITULO 10. PR
In[10]:= Sol[x_, y_] := LinearSolve[x, y]+
Array[s,Length[NullSpace[x]]].NullSpace[x]
In[11]:= m = {{1, 2, -3, -2, 4}, {2, 5, -8, -1, 6},
{1, 4, -7, 5,2}};b = {1, 4, 8};
In[12]:= Sol[m, b]
Out[12]=21 24s[1] s[2], 7 + 8s[1] + 2s[2], s[2], 3 2s[1], s[1]
5) Determinar si cada uno de los sistemas siguientes tiene una solucion no nula.
a)
_
_
x 2y + 3z 2w = 0
3x 7y 2z + 4w = 0
4x 3y + 5z + 2w = 0
b)
_
_
x + 2y 3z = 0
2x + 5y + 2z = 0
3x y 4z = 0
a)
In[13]:= NullSpace[{{1, -2, 3, -2}, {3, -7, -2, 4}, {4, -3, 5,2}}]
Out[13]=68, 20, 30, 31
El sistema del apartado a), tiene como solucion cualquier m ultiplo del vector devuelto
por NullSpace. Recuerde que NullSpace devuelve la base del espacio de soluciones
de un sistema homogeneo.
b)
In[14]:= NullSpace[{{1, 2, -3}, {2, 5, 2}, {3, -1, -4}}]
Out[14]=
En este caso, no existe ninguna solucion para el sistema de ecuaciones dado.
6) Encontrar la dimension y una base para la solucion general W de los sistemas
homogeneos con solucion no nula del ejercicio anterior y de los siguientes:
10.1. PR
ACTICA 1: INTRODUCCI
ON 199
a)
_
_
x + 3y 2z + 5s 3t = 0
2x + 7y 3z + 7s 5t = 0
3x + 11y 4z + 10s 9t = 0
b)
_
_
2x + 4y 5z + 3t = 0
3x + 6y 7z + 4t = 0
5x + 10y 11z + 6t = 0
a)
In[15]:=NullSpace[{{1, 3, -2, 5, -3}, {2, 7, -3, 7, -5},
{3, 11, -4, 10, -9}}]
Out[15]= 22, 5, 0, 2, 1, 5, 1, 1, 0, 0
In[16]:=dimension = Length[%]
Out[16]=2
b)
In[17]:=NullSpace[{{2, 4, -5, 3}, {3, 6, -7, 4}, {5, 10, -11, 6}}]
Out[17]=1, 0, 1, 1, 2, 1, 0, 0
In[18]:=dimension = Length[%]
Out[18]=2
200 CAP
ITULO 10. PR
10.2 Practica 2: Determinantes y sistemas de ecua-
ciones
1) Probar que:
1 1 1
a b c
a
3
b
3
c
3
= (a b)(b c)(c a)(a +b +c).

In[1]:=m1 = {{1, 1, 1}, {a, b, c}, {a^3, b^3, c^3}};
In[2]:= Factor[Det[m1]]
Out[2]= (a b)(a c)(b c)(a +b +c)
2) Determinar el rango de cada una de las siguientes matrices: a) utilizando deter-
minantes; b) reduciendo a forma canonica por las.
a) A =
_
_
_
0 3 5 2
1 2 3 4
2 1 1 6
_
_
_, b) B =
_
_
_
1 2 3 1 5
1 2 3 2 1
0 0 1 1 1
_
_
_,
c) C =
_
_
_
_
_
0 2 4 1 1
1 1 2 3 1
2 0 2 0 1
0 3 5 2 0
_
_
_
_
_
.
a)
In[3]:= a2 = {{0, 3, -5, -2}, {1, -2, 3, 4}, {2, -1, 1, 6}};
In[4]:= Minors[a2, 3]
Out[4]= 0, 0, 0, 0
La salida anterior esta formada por los determinantes de todas las submatrices M
33
de a.
10.2. PR
ACTICA 2: DETERMINANTES Y SISTEMAS DE ECUACIONES 201

Out[5]= 3, 5, 2, 1, 8, 14, 6, 10, 4, 2, 16, 28, 3, 5, 2, 1, 8, 14
En este caso, existen submatrices M
22
con determinantes distintos de 0, luego el
rango de la matriz es 2.
b)
In[6]:= RowReduce[a2]
Out[6]= 1, 0,
1
3
,
8
3
, 0, 1,
5
3
,
2
3
, 0, 0, 0, 0
El rango de A es 2 ya que su forma canonica por las tiene dos las no nulas.
c) Se deja como ejercicio al lector.
3) Sea L el subespacio de IR
4
generado por los vectores
(2, 1, 1, 5), (1, 2, 3, 4), (3, 0, 5, 6).
Calcular la dimension de L y encontrar una base utilizando determinantes.
In[7]:= a3 = {{2, -1, 1, 5}, {-1, 2, 3, -4}, {3, 0, 5, 6}};
Out[8]= 0, 0, 0, 0
In[9]:= Minors[{{2, -1, 1, 5}, {-1, 2, 3, -4}}, 2]
Out[9]= 3, 7, 3, 5, 6, 19
Los tres vectores son linealmente dependientes ya que los menores de orden 3 de la
matriz asociada son cero, pero los dos primeros vectores son linealmente indepen-
dientes ya que la matriz asociada tiene menores de orden 2 no nulos. Por tanto,
2, 1, 1, 5, 1, 2, 3, 4 es una base de L.
4) Dada la matriz
A =
_
_
_
_
_
_
_
_
0 1 0 1 0
1 a 0 0 0
0 0 a 0 0
1 0 0 a 0
0 0 0 0 a
_
_
_
_
_
_
_
_
,
calcule su determinante y estudie su rango en funcion de a.
202 CAP
ITULO 10. PR
In[10]:= b4 = {{0, 1, 0, 1, 0}, {-1, a4, 0, 0, 0}, {0, 0, a4, 0, 0},
{-1, 0, 0,a4, 0}, {0, 0, 0, 0, a4}};
In[11]:= Det[b4]
Out[11]= 2a4
3
In[12]:= Minors[b4, 4]
Out[12]= 2a4
2
, 0, 0, 0, 0, 0, a4
2
, 0, a4
2
, a4
3
, 0, 0, 2a4
2
, 0, 0,
0, a4
2
, 0, a4
2
, a4
3
, 0, a4
3
, 0, a4
3
, a4
4
Out[13]= a4, 0, 0, a4, 0, 0, a4
2
, 0, 0, 0, 0, 2a4, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, a4, 0, 0, a4, 0, 0, a4
2
, 0, a4, 0, 0, a4, 0, 0, a4
2
, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, a4
2
, 0, a4
2
, 0, 0, a4, 0, 0, a4, 0, 0, a4
2
, 0,
a4
2
, 0, 0, a4
2
, 0, 0, a4
3
, 0, 0, 0, 0, 0, 0, 0, a4
2
, 0, 0, a4
3
, 0, 0,
0, 0, a4
2
, 0, 0, a4
2
, 0, 0, a4
3
, 0, 0, 0, 0, 0, a4
2
, 0, 0, 0, 0, a4
3
Out[14]=1, 0, 1, 0, 0, a4, 0, 0, 0, 0, 0, 0, 0, 0, a4, 0, 0, a4, 0, 0,
1, 0, 1, 0, 0, a4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, a4, 0, 0, a4,
0, a4, 0, 0, a4
2
, 0, 0, 0, 0, 0, a4, 0, a4, 0, 0, a4
2
, 0, 0, 0, 0,
0, 0, 0, a4, 0, 0, a4
2
, 0, 0, 0, 0, a4, 0, 0, 0, 0, 0, a4
2
, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, a4
2
, 0, 0, 0, 0, a4, 0, 0, 0, 0, 0, a4
2
Si a es cero entonces el rango de A es 2. Si a es no nulo entonces el rango de A es 5.

5) Discutir en IR y I C la compatibilidad de los siguientes sistemas en funcion de los
parametros dados.
_
_
ax + y + z = a
x + ay + z = 1
x + y + az = 1
_
_
ax + a
3
y + z = 0
x + ay + a
3
z = 0
ax + a
3
y + az = a
10.2. PR

_
_
ax + by + z = 0
x + ay + bz = 0
ax + by + az = a
_
_
ax +y +z = 1
x +ay +z = 0
x = 1 y az
Calcular la solucion de los sistemas en los casos en que exista.
a)
In[15]:= m5[a51_] := {{a51, 1, 1}, {1, a51, 1}, {1, 1, a51}};
In[16]:= Factor[Det[m5[a51]]]
Out[16]= (1 +a51)
2
(2 +a51)
Si a = 1, la matriz de coecientes tiene rango 1, y si a = -2, la matriz de coecientes
tiene rango 2. Calculemos el rango de la matriz ampliada para el caso a = -2.
In[17]:= Minors[{{-2, 1, 1, -2}, {1, -2, 1, 1}, {1, 1, -2, 1}}, 3]
Out[17]= 0, 0, 0, 0
In[18]:= Minors[{{-2, 1, 1, -2}, {1, -2, 1, 1}, {1, 1, -2, 1}}, 2]
Out[18]=3, 3, 0, 3, 3, 3, 3, 3, 0, 3, 3, 3, 3, 3, 0, 3, 3, 3
Por tanto el rango de la matriz ampliada es 2 cuando a = -2. Es claro que el rango
de la matriz ampliada es 1 cuando a = 1.
DISCUSI
ON : El sistema es SCD cuando a es distinto de 1 y de - 2. El sistema es

SCI cuando a es 1 o - 2. Solucion en el caso SCD
In[19]:= LinearSolve[m5[a], {a, 1, 1}]
Out[19]= 1, 0, 0
Solucion para el caso SCI a = 1: x = t, y = s, z = 1 - s - t, con s y t parametros.
Solucion para el caso SCI a = -2.
204 CAP
ITULO 10. PR
In[20]:= Solve[{-2*x + y + z == -2, x - 2*y + z == 1}, {x, y, z}]
From In[20]:= Solve::svars: Equations may not give solutions for all solve
variables.
Out[20]= x 1 +z, y z
La solucion es x = 1 + t, y = t, z = t con t un parametro.
b) Procedemos como en a.
In[21]:= n6[a_] := {{a, a^3, 1}, {1, a, a^3}, {a, a^3, a}};
In[22]:= n66[a_] := {{a, a^3, 1, 0}, {1, a, a^3, 0}, {a, a^3, a, a}};
In[23]:= Factor[Det[n6[a]]]
Out[23]= (1 +a)
2
a
2
Si a = 0 el rango de la matriz de coecientes es 2. Y si a = 1 el rango de la matriz
de coecientes es 1.
Calculamos el rango de la matriz ampliada para el caso a = 2.
In[24]:= Minors[n66[2], 3]
Out[24]= 4, 8, 30, 124
Cuando a = 2, el rango de la matriz ampliada es 3.
In[25]:= Minors[n66[1], 3]
Out[25]= 0, 0, 0, 0
In[26]:= Minors[n66[1], 2]
10.2. PR

Out[26]= 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1
Cuando a = 1, el rango de la matriz ampliada es 2.
DISCUSI
ON : Cuando a = 1 o a = 2 el sistema es SI; y cuando a es distinto de 1 y

2 el sistema es SCD.
La solucion sera :
In[27]:= LinearSolve[n6[a], {0, 0, a}]
Out[27]=
1aa
2
a
3
a
4
1+a
,
1+a+a
2
+a
3
(1+a) a
,
a
1+a
6) Sea f: IR
3
IR
3
dada por
f(x, y, z) = (4x +y +z, x + 4y +z, x +y + 4z).
Discutir seg un los valores del parametro a IR el sistema f(x, y, z) = (3x, 3y +
a, 0). Cuando exista solucion, hallar esta.
In[28]:=f[x_, y_, z_] := {4*x + y + z, x + 4*y + z, x + y + 4*z}
In[29]:= f[x, y, z] - {3*x, 3*y + a, 0}
Out[29]= x +y +z, a +x +y +z, x +y + 4z
In[30]:= m6 = {{1, 1, 1}, {1, 1, 1}, {1, 1, 4}};
In[31]:= m6a = {{1, 1, 1, 0}, {1, 1, 1, a}, {1, 1, 4, 0}};
In[32]:= Minors[m6a, 3]
Out[32]= 0, 0, 3a, 3a
Si a = 0, tenemos un SCI de rango 2, y si a ,= 0 tenemos un SI. Veamos la solucion
para el caso a = 0.
In[33]:= {y6, z6} = LinearSolve[{{1, 1}, {1, 4}}, {-x, -x}]
206 CAP
ITULO 10. PR
Out[33]= x, 0
In[34]:= {x, y6, z6}
Out[34]= x, x, 0
La solucion sera (b, -b, 0) con b como parametro.
10.3. PR
ACTICA 3: PRIMEROS C
ALCULOS CON VECTORES 207

10.3 Practica 3: Primeros calculos con vectores
1) Sean u = (2, 7, 1), v = (3, 0, 4), w = (0, 5, 8). Hallar a) 3u4v, b) 2u+3v
5w.
a)
In[1]:= u1 = {2, -7, 1}; v1 = {-3, 0, 4}; w1 = {0, 5, -8};
In[2]:= 3*u1 - 4*v1
Out[2]= 18, 21, 13
b)
In[3]:= 2*u1 + 3*v1 - 5*w1
Out[3]= 5, 39, 54
2) Calcular: a) 2
_
_
_
1
1
2
_
_
_ 3
_
_
_
2
3
4
_
_
_, b) 2
_
_
_
5
3
4
_
_
_ + 4
_
_
_
1
5
2
_
_
_ 3
_
_
_
3
1
1
_
_
_.
La funcion Transpose calcula la transpuesta de una matriz.
a)
In[4]:= 2*Transpose[{{1, -1, 2}}] - 3*Transpose[{{2,3,-4}}]
Out[4]=4, 11, 16
b)
In[5]:= -2*Transpose[{{5, 3, -4}}] + 4*Transpose[{{-1, 5,
2}}] -3*Transpose[{{3, -1, -1}}]
208 CAP
ITULO 10. PR
Out[5]=23, 17, 19
3) Hallar x e y si a) (x, 3) = (2, x +y); b) (4, y) = x(2, 3).
La funcion Solve nos permite encontrar la solucion de una ecuacion o conjunto
de ecuaciones. Si no especicamos las icognitas a resolver, Mathematica busca la
solucion para todas las incognitas que aparecen en el conjunto de ecuaciones.
a)
In[6]:= Solve[{x, 3} == {2, x + y}, {x, y}]
Out[6]=x 2, y 1
b)
In[7]:= Solve[{4, y} == x*{2, 3}, {x, y}]
Out[7]= x 2, y 6
4) Convertir las siguientes ecuaciones vectoriales en un sistema de ecuaciones lineales
y resolverlo:
_
_
_
1
6
5
_
_
_ = x
_
_
_
1
2
3
_
_
_ +y
_
_
_
2
5
8
_
_
_ +z
_
_
_
3
2
3
_
_
_.
In[8]:= m4 = {{1, 2, 3}, {2, 5, 2}, {3, 8, 3}}; b4 = {1,
-6, 5};
In[9]:= LinearSolve[m4, b4]
Out[9]= 82, 28, 9
In[10]:= NullSpace[m4]
10.3. PR

Out[10]=
De esta ultima salida, podemos deducir que el sistema es compatible determinado,
y la solucion devuelta por LinearSolve es la unica solucion.
5) Escribir el vector v = (1, 2, 5) como combinaci on lineal de los vectores
u
1
= (1, 1, 1), u
2
= (1, 2, 3) y u
3
= (2, 1, 1).
In[11]:= v5 = {1, -2, 5}; u15 = {1, 1, 1}; u25 = {1, 2, 3};
u35 = {2, -1, 1};
In[12]:= Solve[u15*x + u25*y + u35*z == v5, {x, y, z}]
Out[12]=x 6, y 3, z 2
6) Determinar si los vectores u
1
= (1, 1, 1), u
2
= (2, 1, 3) y u
3
= (1, 5, 3) son
In[13]:= RowReduce[{{1, 1, 1}, {2, -1, 3}, {1, -5, 3}}]
Out[13]= 1, 0,
4
3
, 0, 1,
1
3
, 0, 0, 0
El ultimo vector se puede escribir como combinaci on lineal de los dos primeros vec-
tores.
7) Sean u = (1, 2, 3, 4), v = (5, 6, 7, 8) y k = 3. Hallar:
a) (u +v) w, b) u w +v w. c) k(u v), d) (ku) v, e) u (kv).
In[14]:=u7 = {1, 2, 3, -4}; v7 = {5, -6, 7, 8}; w7 = {2, 1, 0, 4};
k7 = 3;
a)
In[15]:= (u7 + v7).w7
Out[15]= 24
b)
210 CAP
ITULO 10. PR
In[16]:= u7.w7 + v7.w7
Out[16]= 24
c)
In[17]:= k7*(u7.v7)
Out[17]= 54
d)
In[18]:= (k7*u7).v7
Out[18]= 54
e)
In[19]:= u7.(k7*v7)
Out[19]= 54
8) Sean u = (5, 4, 1), v = (3, 4, 1) y w = (1, 2, 3). Que pares de dichos vectores
son perpendiculares?.
In[20]:= u8 = {5, 4, 1}; v8 = {3, -4, 1}; w8 = {1, -2, 3};
In[21]:= u8.v8
Out[21]= 0
In[22]:= u8.w8
Out[22]= 0
10.3. PR

In[23]:= v8.w8
Out[23]= 14
u y v son perpendiculares. Tambien lo son u y w, pero no v y w.
9) Determinar el valor de k para que los vectores u y v sean ortogonales, siendo
u = (1, k, 3) y v = (2, 5, 4).
In[24]:= Solve[{1, k, -3}.{2, -5, 4} == 0, k]
Out[24]= k 2
Si son perpendiculares, ya que su producto escalar vale 0.
10) Determinar el valor de k para que [[u[[ =
39, donde u = (1, k, 2, 5). Despues,

normaliza u.
In[25]:= Solve[{1, k, -2, 5}.{1, k, -2, 5} == 39, k]
Out[25]= k 3, k 3
In[26]:= {1, -3, -2, 5}*(1/Sqrt[39])
Out[26]= (
1
39
,
_
3
13
,
2
39
,
5
39
)
11) Sean u = (1, 2, 2), v = (3, 12, 4) y k = 3.
a) Encontrar [[u[[, [[v[[ y [[ku[[. b) Comprobar que [[ku[[ = [k[ [[u[[ y [[u + v[[
[[u[[ +[[v[[.
In[27]:= u11 = {1, 2, -2}; v11 = {3, -12, 4}; k11 = 3;
a)
In[28]:= Sqrt[u11.u11]
212 CAP
ITULO 10. PR
Out[28]= 3
In[29]:= Sqrt[v11.v11]
Out[29]= 13
b)
In[30]:= Sqrt[(k11*u11).(k11*u11)]
Out[30]= 9
c)
In[31]:= k11*Sqrt[u11.u11]
Out[31]= 9
In[32]:= N[Sqrt[(u11 + v11).(u11 + v11)]]
Out[32]= 10.9545
In[33]:= Sqrt[u11.u11] + Sqrt[v11.v11]
Out[33]= 16
12) Hallar la distancia d(u, v) entre los vectores u y v, donde:
a) u = (3, 5, 4), v = (6, 2, 1); b) u = (5, 3, 2, 4, 1), v = (2, 1, 0, 7, 2).
a)
In[34]:= Sqrt[({3, -5, 4} - {6, 2, -1}).({3, -5, 4} -
{6, 2, -1})]
10.3. PR

Out[34]=
83
b)
In[35]:= Sqrt[({5, 3, -2, -4, -1} - {2, -1, 0, -7, 2}).({5,
3, -2, -4, -1} - {2, -1, 0, -7, 2})]
Out[35]=
47
13) Encontrar un n umero k tal que d(u, v) = 6, siendo u = (2, k, 1, 4) y v =
(3, 1, 6, 3).
In[36]:= Solve[Sqrt[({2, k, 1, -4} - {3, -1, 6, -3}).({2, k, 1, -4}
- {3, -1, 6, -3})] == 6, {k}]
Out[36]= k 4, k 2
14) Determinar cos, donde es el angulo entre u = (1, 2, 5) y v = (2, 4, 3).
In[37]:= u14 = {1, 2, -5}; v14 = {2, 4, 3};
In[38]:= u14.v14/(Sqrt[u14.u14].Sqrt[v14.v14])
Out[38]=
5
30

29
15) Determinar proy(u, v), donde u = (1, 3, 4) y v = (3, 4, 7).
In[39]:= u15 = {1, -3, 4}; v15 = {3, 4, 7};
In[40]:= << LinearAlgebraOrthogonalization
In[41]:= Projection[u15, v15]
214 CAP
ITULO 10. PR
Out[41]=
57
74
,
38
37
,
133
74
Producto Vectorial
El producto vectorial esta denido unicamente para vectores en IR
3
.
16) Calcular uv donde a) u = (1, 2, 3) y v = (4, 5, 6), b) u = (7, 3, 1) y v = (1, 1, 1),
a)
In[42]:= Cross[{1, 2, 3}, {4, 5, 6}]
Out[42]= 3, 6, 3
b)
In[43]:= Cross[{7, 3, 1}, {1, 1, 1}]
Out[43]= 2, 6, 4
17) Considerese los vectores u = 2i 3j + 4k, v = 3i + j 2k, w = i + 5j + 3j.
Encontrar:
a) u v, b) u w, c) v w.
Primero expresaremos cada uno de los vectores como listas.
In[44]:= u17 = {2, -3, 4}; v17 = {3, 1, -2}; w17 = {1,5,3};
a)
In[45]:= Cross[u17, v17]
10.3. PR

Out[45]= 2, 16, 11
b)
In[46]:= Cross[u17, w17]
Out[46]= 29, 2, 13
c)
In[47]:= Cross[v17, w17]
Out[47]= 13, 11, 14
18) Pon un ejemplo que ilustre que el vector u v es ortogonal a u y a v.
In[48]:= u18 = {1, 2, 1}; v18 = {2, 3, 4};
El producto escalar de cualquiera de los dos vectores por el resultado del producto
vectorial de u por v deber ser 0.
In[49]:= Cross[u18, v18].u18
Out[49]= 0
In[50]:= Cross[u18, v18].v18
Out[50]=0
19) Encontrar un vector unitario u ortogonal a v = (1, 3, 4) y a w = (2, 6, 5).
In[51]:= u19 = {1, 3, 4}; v19 = {2, -6, 5};
La funcion Normalize normaliza el vector que se le da como entrada.
216 CAP
ITULO 10. PR
In[52]:= Normalize[Cross[u19, v19]]
Out[52]=
13
186
,
1
186
, 2
_
2
93
20) Da un ejemplo que ilustre la identidad de Lagrange: [[uv[[ = (u u)(v v)

(u v)
2
.
In[53]:= u20 = {7, 4, 5}; v20 = {3, 4, 6};
In[54]:= Cross[u20, v20].Cross[u20, v20]
Out[54]= 1001
In[55]:= (u20.u20)*(v20.v20) - (u20.v20)^2
Out[55]= 1001
N umeros Complejos
21) Supongamos que z = 5 + 3i y w = 2 4i. Calcular: a) z +w, b) z w, c) zw.
In[56]:= z21 = 5 + 3I; w21 = 2 - 4I;
a)
In[57]:= z21 + w21
Out[57]= 7 i
b)
In[58]:= z21 - w21
Out[58]= 3 + 7i
c)
10.3. PR

In[59]:= z21*w21
Out[59]= 22 14i
La funcion Simplify devuelve el argumento de entrada simplicado. Notese que
el argumento de entrada puede ser una expresion de tipo distinto a los n umeros
complejos.
22) Simplicar: a) (5 + 3i)(2 7i), b) (4 3i)
2
, c) (1 + 2i)
3
, d)
27i
5+3i
, e) i
317
.
a)
In[60]:= Simplify[(5 + 3I)*(2 - 7I)]
Out[60]=31 29i
b)
In[61]:= Simplify[(4 - 3I)^2]
Out[61]= 7 24i
c)
In[62]:= Simplify[(1 + 2I)^3]
Out[62]=11 2i
d)
In[63]:= Simplify[(2 - 7I)/(5 + 3I)]
e)
In[64]:= Simplify[I^317]
218 CAP
ITULO 10. PR
Out[64]= i
23) Hallar zz y [z[ donde z = 3 + 4i.
In[65]:= z23 = 3 + 4I;
In[66]:= z23*Conjugate[z23]
Out[66]= 25
In[67]:= Sqrt[z23*Conjugate[z23]]
Out[67]= 5
24) Sean u = (3 2i, 4i, 1 + 6i, 2i) y v = (5 +i, 2 3i, 7 + 2i, 1 i). Calcular:
a) u +v; b) 2iu; c) (3 i)v; d) u v; e) [[u[[ y [[v[[.
In[68]:= u24 = {3 - 2I, 4I, 1 + 6I, 2I}; v24 = {5 + I, 2 -
3I, 7 + 2I, 1 - I};
a)
In[69]:= u24 + v24
Out[69]= 8 i, 2 + i, 8 + 8i, 1 +i
b)
In[70]:= 2I*u24
Out[70]= 4 + 6i, 8, 12 + 2i, 4
c)
10.3. PR

In[71]:= (3 - I)*v24
Out[71]= 16 2i, 3 11i, 23 i, 2 4i
d)
In[72]:= u24.Conjugate[v24]
Out[72]= 18 + 37i
e)
In[73]:= Sqrt[u24.Conjugate[u24]]
Out[73]=
70
In[74]:= Conjugate[u24]
Out[74]= 3 + 2i, 4i, 1 6i, 2i
In[75]:= Sqrt[v24.Conjugate[v24]]
Out[75]=
94
25) Ilustra con dos ejemplos las siguientes armaciones:
a) Para dos n umeros complejos cualesquiera z, w I C, i) z +w = z + w, ii)
zw = zw, iii) z = z, iv) [zw[ = [z[[w[.
b) Para dos vectores cualesquiera u, v I C
n
y cualquier escalar z I C, i) u v =
v u, ii) (zu) v = z(u v), iii) u (zv) = z(u v).
a)
220 CAP
ITULO 10. PR
In[76]:= z25 = 2 - 3I; w25 = -4 + 6I;
In[77]:= Conjugate[z25 + w25]
Out[77]=2 3i
In[78]:= Conjugate[z25] + Conjugate[w25]
Out[78]=2 3i
In[79]:= Conjugate[z25*w25]
Out[79]=10 24i
In[80]:= Conjugate[z25]*Conjugate[w25]
Out[80]=10 24i
In[81]:= Conjugate[Conjugate[z25]]
Out[81]= 2 3i
In[82]:= Abs[z25*w25]
Out[82]= 26
In[83]:= Abs[z25]*Abs[w25]
Out[83]= 26
b)
In[84]:= u25 = {2 + 4I, -I, 4 - 6I}; v25 = {-2I, 7, 5 - I};
In[85]:= u25.Conjugate[v25]
10.3. PR

Out[85]=18 29i
In[86]:= Conjugate[v25.Conjugate[u25]]
Out[86]=18 29i
In[87]:= (z25*u25).Conjugate[v25]
Out[87]=51 112i
In[88]:= z25*(u25.Conjugate[v25])
Out[88]=51 112i
In[89]:= u25.Conjugate[(z25*v25)]
Out[89]= 123 4i
In[90]:= Conjugate[z25]*(u25.Conjugate[v25])
Out[90]= 123 4i
222 CAP
ITULO 10. PR
10.4 Practica 4: Espacios vectoriales
1) Para los siguientes vectores x, a
1
, . . . , a
p
, dgase si x < a
1
, . . . , a
p
> o no:
a) p = 3, x = (1, 1, 14, 36, 36, 9),
a
1
= (2, 3, 4, 5, 0, 1), a
2
= (1, 0, 2, 3, 2, 6) a
3
= (1, 1, 2, 2, 4, 5);
b) p = 4, x = (1, 1, 1, 0, 1, 2, 1), a
1
= (2, 1, 1, 1, 1, 1, 1),
a
2
= (2, 1, 0, 0, 1, 5, 3), a
3
= (3, 0, 1, 9, 8, 2, 11) a
4
= (2, 3, 5, 1, 0, 0, 1).
Un vector x pertenecera al espacio vectorial generado por los vectores a
i
, si este se
puede expresar como combinaci on lineal de los generadores de dicho espacio vectorial.
Para determinar si esto ocurre, solo nos tenemos que plantear el siguiente sistema
de ecuaciones x =
1
a
l
+
2
a
2
+. . .
n
a
n
a)
In[1]:= a11 = {2, 3, 4, 5, 0, -1}; a12 = {-1, 0, 2,-3, 2, 6};
a13 = {-1, -1, 2, 2, -4, 5}; x1 = {1, -1, 14, 36, -36, 9};
In[2]:= LinearSolve[Transpose[{a11, a12, a13}], x1]
Out[2]= 2, 4, 7
La salida nos indica como combinar los generadores para obtener x. Luego, x
pertenece al espacio vectorial indicado.
b)
In[3]:= a21 = {2, 1, -1, 1, 1, 1, -1}; a22 = {2, -1, 0, 0, 1, 5, 3};
a23 = {3, 0, -1, 9, 8, 2, 11}; a24 = {2, -3, 5, -1, 0, 0, 1};
x2 = {1, -1, -1, 0, -1, 2, 1};
In[4]:= LinearSolve[Transpose[{a21, a22, a23, a24}], x2]
LinearSolve::nosol: Linear equation encountered which has no solution.
Out[4]= LinearSolve[2, 2, 3, 2, 1, 1, 0, 3, 1, 0, 1, 5, 1, 0, 9, 1,
1, 1, 8, 0, 1, 5, 2, 0, 1, 3, 11, 1, 1, 1, 1, 0, 1, 2, 1]
10.4. PR
ACTICA 4: ESPACIOS VECTORIALES 223

En este caso, el vector no pertenece al espacio vectorial dado.
2) Probar que para los espacios, los sistemas que se dan son linealmente independi-
entes. Ampliar dichos sistemas hasta obtener una base del espacio vectorial dado. Se
calcularan ademas las coordenadas en la base obtenida de los vectores que se indican.
a) El sistema a
1
, a
2
, a
3
de IR
6
con a
1
= (21, 11, 12, 13, 0, 15), a
2
= (61, 41, 60,
60, 41, 0) y a
3
= (23, 2, 3, 23, 92, 2); el vector x = (21, 30, 31, 51, 17, 28).
b) El sistema a
1
, a
2
, a
3
de IR
8
con a
1
= (1, 1, 2, 1, 1, 1, 2, 1), a
2
= (0, 1, 1,
2, 0, 1, 1, 2) y a
3
= (2, 0, 1, 0, 2, 0, 1, 0); los vectores x = (2, 3, 1, 0, 2, 0, 1, 0) e y =
(1, 1, 1, 1, 4, 3, 6, 2).
a)
In[5]:= b1 = {21, 11, -12, 13, 0, 15}; b2 = {61, 41,
60, 60, 41, 0};
b3 = {23, -2, 3, 23, 92, 2}; xb1 = {21, 30, -31, 51, 17, 28};
In[6]:= NullSpace[Transpose[{b1, b2, b3}]]
Out[6]=
Luego podemos deducir que son linealmente independientes
In[7]:= RowReduce[{b1, b2,b3, {1, 0, 0, 0, 0, 0}, {0, 1, 0, 0, 0, 0},
{0, 0, 1, 0, 0, 0}}]
Out[7]= 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0,
0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1
Hemos a nadido los vectores 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, y hemos
comprobado que son linealmente independientes.
In[8]:= LinearSolve[Transpose[{b1, b2,b3, {1, 0, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 0}, {0, 0, 1, 0, 0, 0}}], xb1]
224 CAP
ITULO 10. PR
Out[8]=
130298
69721
,
31469
69721
,
1141
69721
,
3165483
69721
,
634159
69721
,
2482492
69721

Esta ultima salida indica las coordenadas del vector x, respecto a la base que hemos
calculado anteriormente.
3) En IR
6
se considera el subespacio F engendrado por a, b, c y el subespacio
G engendrado por d, e, f: a = (11, 21, 10, 31, 41, 1), b = (1, 21, 12, 14, 6, 2),
c = (0, 12, 13, 14, 11, 21), d = (1, 22, 32, 12, 22, 52), e = (15, 63, 58, 87, 17, 7),
f = (32, 33, 41, 53, 60, 79).
Determinar las dimensiones de F, G, F G, F +G y las bases de estos subespacios.
In[9]:= a3 ={11, -21, 10, 31, 41, -1};b3 = {1, 21, 12,14, -6,2};
c3 ={0, -12, 13, 14, 11, -21};d3 = {-1, 22, 32, -12, 22,52};
e3 ={15, 63, 58, 87, 17, 7};f3 = {32, -33, 41, 53, 60, 79};
In[10]:= RowReduce[{a3, b3, c3}]
Out[10]= 1, 0, 0,
2867
1580
,
3699
1580
,
3197
1580
, 0, 1, 0,
109
4740
,
911
1580
,
2861
4740
, 0, 0, 1,
417
395
,
124
395
,
418
395
Los vectores anteriores generan el espacio vectorial dado, pero no sabemos si son
linealmente independientes. Con RowReduce hemos comprobado que s lo son, y
por lo tanto la dimension sera 3.
In[11]:= RowReduce[{d3, e3, f3}]
Out[11]= 1, 0, 0,
263530
57547
,
21248
57547
,
161678
57547
, 0, 1, 0,
79033
57547
,
41477
57547
,
99579
57547
,
0, 0, 1,
67680
57547
,
67415
57547
,
156922
57547
La dimension de G es 3.
In[12]:= RowReduce[{a3, b3, c3, d3, e3, f3}]
Out[12]= 1, 0, 0, 0, 0,
5500557
1137466
, 0, 1, 0, 0, 0,
700295
1137466
, 0, 0, 1, 0, 0,
1522937
2274932
,
0, 0, 0, 1, 0,
3781999
2274932
, 0, 0, 0, 0, 1,
198483
2274932
, 0, 0, 0, 0, 0, 0
La dimension de F+G es 5.
10.4. PR
ACTICA 4: ESPACIOS VECTORIALES 225

Las bases para F y G son con los mismos vectores dados, la base para F + G es la
formada 1, 0, 0, 0, 0,
5500557
1137466
, 0, 1, 0, 0, 0,
700295
1137466
, 0, 0, 1, 0, 0,
1522937
2274932
, 0, 0, 0, 1, 0,
3781999
2274932
, 0, 0, 0, 0, 1,
198483
2274932
Por la formula de dimensiones, dim F G = 1, La base para F G se calcula

como se indica a continuaci on:
In[13]:= Solve[x*a3 + y*b3 + z*c3 == xx*d3 + yy*e3 + zz*f3, {x, y,
z, xx, yy, zz}]
La ecuacion dada a Solve, indica que todo vector generado en F, tambien es generado
en G.
Solve::svars: Equations may not give solutions for all solve variables.
Out[13]= x yy, y 4yy, z 0, xx 0, zz 0
Tomando yy = 1, nos queda que 1 a3 + 4 b3 + 0 c3 pertenece a la interseccion.
In[14]:= 1*a3 + 4*b3 + 0*c3
Out[14]= 15, 63, 58, 87, 17, 7
4) En el espacio vectorial V de los polinomios de grado menor o igual que 8, se
consideran los polinomios:
p
1
(x) = 3 2x +x
2
+ 4x
3
+x
4
+x
5
x
7
+ 3x
8
,
p
2
(x) = 5 x
2
+ 17x
3
+ 4x
5
5x
7
+ 12x
8
,
p
3
(x) = 7 8x + 3x
2
x
3
+ 4x
4
+x
7
,
Hallar una base del subespacio que engendran estos tres polinomios y determinar las
coordenadas en esa base del vector q(x) = 15 10x x
2
82x
3
+ 5x
4
19x
6
+
25x
7
57x
8
.
In[15]:= p1 = {3, -2, 1, 4, 1, 1, 0, -1, 3}; p2 = {5, 0, 1, 17, 0,
4, 0, -5, 12}; p3 = {7, -8, 3, -1, 4, 0, 0, 1, 0};
Representamos cada polinomio con el vector de sus coecientes.
226 CAP
ITULO 10. PR
In[16]:= RowReduce[{p1, p2, p3}]
Out[16]= 1, 0,
1
5
,
17
5
, 0,
4
5
, 0, 1,
12
5
, 0, 1,
1
5
,
31
10
,
1
2
,
7
10
, 0, 1,
21
10
,
0, 0, 0, 0, 0, 0, 0, 0, 0
p3 se puede expresar como combinaci on lineal de p1 y p2.
In[17]:= RowReduce[{p1, p2}]
Out[17]= 1, 0,
1
5
,
17
5
, 0,
4
5
, 0, 1,
12
5
, 0, 1,
_
1
5
_
,
31
10
,
_
1
2
_
,
7
10
, 0, 1,
21
10
p1 y p2 forman la base del subespacio generado por los 3 polinomios.

In[18]:= LinearSolve[Transpose[{p1, p2}], {-15, -10, -1, -82, 5,
-19, 0, 25, -57}]
Out[18]= 5, 6
q(x) = 5p1 6p2.
5) Determinar una base del subespacio V de IR
6
dado por:
V = (x
1
, ..., x
6
) IR
6
[ x
1
= 2x
2
x
6
, x
2
+x
5
= 3x
1
.
Completar la base obtenida para obtener una base de IR
6
. Obtener un subespacio
W de IR
6
tal que V W = IR
6
.
In[19]:= NullSpace[{{1, -2, 0, 0, 0, 1}, {3, -1, 0, 0, -1, 0}}]
Out[19]= 1, 3, 0, 0, 0, 5, 2, 1, 0, 0, 5, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0
In[20]:= RowReduce[{{1, 3, 0, 0, 0, 5}, {2, 1, 0, 0, 5, 0},
{0,0, 0, 1, 0, 0}, {0, 0,1, 0, 0, 0},{1, 0, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 0}}]
Out[20]= 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0,
0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1
La base es 1, 3, 0, 0, 0, 5, 2, 1, 0, 0, 5, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0,
1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0. Y W es generado por los vectores 1, 0, 0, 0, 0, 0,
0, 1, 0, 0, 0, 0
10.5. PR
ACTICA 5: ESPACIOS VECTORIALES II 227

10.5 Practica 5: Espacios vectoriales II
1) Hallar todas las matrices A de M
2
(IR) tales que A ,= 0 y A
2
= 0.
In[1]:=a1 = Array[c, {2, 2}]
Out[1]= c[1, 1], c[1, 2], c[2, 1], c[2, 2]
Los elementos de la forma c[i,j], son las incognitas que forman parte de la ecuacion
que tenemos que resolver con Solve.
In[2]:= Solve[a1.a1 == {{0, 0}, {0, 0}}, {c[1, 1], c[1, 2],
c[2, 1], c[2, 2]}]
Solve::svars: Equations may not give solutions for all solve variables.
Out[2]=c[1, 1] 0, c[2, 2] 0, c[1, 2] 0, c[1, 1] 0, c[2, 2] 0, c[1, 2] 0,
c[1, 1] 0, c[2, 2] 0, c[2, 1] 0, c[1, 1] 0, c[2, 2] 0, c[2, 1] 0,
c[2, 1] 0, c[1, 1] 0, c[2, 2] 0, c[2, 1] 0, c[1, 1] 0, c[2, 2] 0,
c[1, 2]
_
c[2,2]
2
c[2,1]
_
, c[1, 1] c[2, 2]
De la solucion obtenida se deduce que las matrices que nos piden son de la forma
_
a b
c a
_
con a, b y c variando en IR y satisfaciendo la igualdad a
2
= bc.
2) En IR
3
hallar la matriz del paso P de la base canonica e
i
a la base
e
1
= (0, 1, 1), e
2
= (1, 0, 1), e
3
= (1, 1, 0).
Calcular P
1
.
In[3]:= p2 = {{0, 1, 1}, {1, 0, 1}, {1, 1, 0}};
La matriz anterior es la matriz de cambio de base de e
i
a e
i
, es decir, P
1
.
In[4]:= Inverse[p2]
228 CAP
ITULO 10. PR
Out[4]=
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
Esta matriz es la matriz de cambio de base que se nos pide.

3) Sea B
1
= u
1
, u
2
, u
3
, u
4
una base del espacio vectorial V y
B
2
= u
1
, u
1
+u
2
, u
1
+u
2
+u
3
, u
1
+u
2
+u
3
+u
4
.
a) Demostrar que B
2
es una base de V .
b) Hallar las expresiones matriciales de los cambios de base de B
1
a B
2
y de B
2
a B
1
.
c) Hallar las coordenadas respecto de B
1
de un vector cuyas coordenadas respecto
de B
2
son (1, 1, 0, 1).
a)
Veamos si los elementos de B
2
In[5]:= b2 = {{1, 0, 0, 0}, {1, 1, 0, 0}, {1, 1, 1,0}, {1, 1, 1, 1}};
In[6]:= RowReduce[b2]
Out[6]= 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1
Como la forma canonica por las es triangular, b2 es una base.
b)
In[7]:=Print[MatrixForm[Transpose[{{y1, y2, y3, y4}}]], "=",
MatrixForm[Transpose[b2].Transpose[{{x1, x2, x3, x4}}]]]
_
_
_
_
_
y1
y2
y3
y4
_
_
_
_
_
=
_
_
_
_
_
x1 + x2 +x3 +x4
x2 +x3 +x4
x3 +x4
x4
_
_
_
_
_
c)
In[8]:= Print[MatrixForm[Transpose[{{x1, x2, x3, x4}}]], "=",
MatrixForm[Inverse[Transpose[b2]].Transpose[{{y1, y2, y3,
y4}}]]]
10.5. PR

_
_
_
_
_
x1
x2
x3
x4
_
_
_
_
_
=
_
_
_
_
_
y1 y2
y2 y3
y3 y4
y4
_
_
_
_
_
c)
In[9]:= c3 = {1, -1, 0, 1};
In[10]:= Flatten[Transpose[Transpose[b2].Transpose[{c3}]]]
Out[10]= 1, 0, 1, 1
La salida anterior representa las coordenadas de c3 respecto de B
1
.
4) Sea V un espacio vectorial sobre un cuerpo /, B = u
1
, u
2
, u
3
, B
= v
1
, v
2
, v
3
bases de V donde v
1
= u
1
+u
2
, v
2
= u
1
y v
3
= u
2
u
3
.
Hallar respecto a B las ecuaciones cartesianas de un subespacio que respecto a
B
viene dado por:

_
x
1
= 0
x
2
= 0
In[11]:= bb4 = {{1, 1, 0}, {1, 0, 0}, {0, 1, -1}};
In[12]:= {{1, 0, 0}, {0, 1, 0}, {0, 0, 0}}.Inverse[Transpose[bb4]].
Transpose[{{x41, x42, x43}}]
Out[12]=x42 +x43, x41 x42 x43, 0
Las ecuaciones son :
_
x
2
+x
3
= 0
x
1
x
2
x
3
= 0
5) Se considera en IR
4
el subespacio vectorial W de ecuaciones,
_
x
1
+ x
2
x
3
= 0
x
1
+ x
2
+ x
3
+ x
4
= 0
referidas a la base B = u
1
, u
2
, u
3
, u
4
.
Se elige como nueva base B
= u
1
u
2
, u
2
u
3
, u
3
u
4
, u
4
.
a) Cuales son las ecuaciones cartesianas respecto de la base B
de W?.
230 CAP
ITULO 10. PR
b) El vector v = u
1
u
3
+2u
4
, que coordenadas tiene respecto de las bases B
y B
?.
c) Pertenece el vector v al subespacio W?.
a)
In[13]:= bb5 = {{1, -1, 0, 0}, {0, 1, -1, 0}, {0, 0, 1, -1},
{0, 0, 0, 1}};
In[14]:= {{1, 1, -1, 0}, {1, 1, 1, 1}}.Transpose[bb5].
Transpose[{{xx51, xx52, xx53, xx54}}]
Out[14]= 2xx52 xx53, xx54
Las Ecuaciones de W respecto de B
son
_
2x
2
x
3
= 0
x
4
= 0
b)
In[15]:= vb5 = {{-1, 0, -1, 2}};
Las coordenadas de v respecto de la base B son 1, 0, 1, 2
In[16]:= Flatten[Transpose[Transpose[bb5].Transpose[vb5]]]
Out[16]= 1, 1, 1, 3
Las coordenadas de v respecto de la base B
son 1, 1, 1, 3
c)
In[17]:= TrueQ[{{1, 1, -1, 0}, {1, 1, 1, 1}}.Transpose[vb5]==
{{0}, {0}}]
10.5. PR

Out[17]= True
Observese que la comprobacion anterior es la expresion matricial de las ecuaciones
que tiene que vericar cualquier vector que pertenezca al espacio W.
6) Escriba su D.N.I.:
d
1
= , d
2
= , d
3
= , d
4
= , d
5
= , d
6
= , d
7
= , d
8
= .
Calcule para las siguientes matrices:
a) la solucion del sistema homogeneo cuya matriz de coecientes es:
1
2
(A
t
+B
t
)
3
(A
t
B
t
)
1
,
b) la forma canonica por las de (AB + 2BA)
t
,
c) la traza de (2(A +A
t
) 5(A I
4
))
t
.
A =
_
_
_
_
_
4d
1
d
6
0 d
5
2 0 d
4
d
4
9 7 d
6
5
6 d
5
4 d
8
_
_
_
_
_
, B =
_
_
_
_
_
d
2
d
3
1 0
1 3 d
2
d
7
0 d
7
d
8
4
6 d
5
3 8
_
_
_
_
_
.
Dejamos al lector como ejercicio los apartados (a) y (b), para el (c) procedemos como
sigue:
In[18]:= d1 = 2; d2 = 3; d3 = 4; d4 = 5; d5 = 1; d6 = 0; d7= 8;
d8 = 7;
In[19]:= a7 = {{4*d1, d6, 0, d5}, {2, 0, d4, d4 }, {9, 7, d6, 5},
{6, d5, -4, d8}}; b7 = {{d2, d3, 1, 0 }, {1, 3, -d2, d7 },
{0, d7, -d8, 4}, {6, -d5, 3, 8}};
c)
In[20]:= Tr[Transpose[2*(a7 + Transpose[a7]) - 5*(a7
-IdentityMatrix[4])]]
Out[20]= 5
Por tanto la traza de la matriz anterior es 5.
232 CAP
ITULO 10. PR
10.6 Practica 6: Aplicaciones lineales
1) Sea V un IR-espacio vectorial tridimensional; respecto a una base B = u
1
, u
2
, u
3
se consideran los endomorsmos de V f y g dados por, f(u

1
) = u
1
u
2
+u
3
, f(u
2
) =
u
3
, f(u
3
) = u
2
, g(u
1
) = u
1
+ u
2
, g(u
2
) = u
1
u
2
, g(u
3
) = u
3
. Escribir, respecto
a la base B, las matrices M(f), M(g), M(f + g), M(kf) con k IR, M(f g) y
M(g f).
In[1]:= f1 = Transpose[{{1, -1, 1}, {0, 0, 1}, {0, 1, 0}}];
g1 =Transpose[{{1, 1, 0}, {1, -1, 0}, {0, 0, 1}}];
La matriz de f sera entonces
In[2]:= MatrixForm[f1]
Out[2]=
_
_
_
1 0 0
1 0 1
1 1 0
_
_
_
La matriz de g viene dada por
In[3]:= MatrixForm[g1]
Out[3]=
_
_
_
1 1 0
1 1 0
0 0 1
_
_
_
La matriz de f +g es la suma de las matrices anteriores:
In[4]:= MatrixForm[f1 + g1]
Out[4]=
_
_
_
2 1 0
0 1 1
1 1 1
_
_
_
La matriz de kf viene dada por
10.6. PR
ACTICA 6: APLICACIONES LINEALES 233

In[5]:= MatrixForm[k*f1]
Out[5]=
_
_
_
k 0 0
k 0 k
k k 0
_
_
_
La matriz fg es el producto de la matriz de f por la de g:
In[6]:= MatrixForm[f1.g1]
Out[6]=
_
_
_
1 1 0
1 1 1
2 0 0
_
_
_
La matriz de gf es el producto de la matriz de g por la de f:
In[7]:= MatrixForm[g1.f1]
Out[7]=
_
_
_
0 0 1
2 0 1
1 1 0
_
_
_
2) Sea f: V V
un homomorsmo de espacios vectoriales sobre el cuerpo de

los reales. Sean B = u
1
, u
2
y B
1
= u
1
, u
2
bases de V y B
= v
1
, v
2
, v
3
y
B
1
= v
1
, v
2
, v
3
bases de V
. Se sabe que la matriz de f respecto de B y B
es
_
_
1 0
1 1
1 2
_
_ y que
_
u
1
= u
1
+ u
2
u
2
= 2u
2
,
_
_
v
1
= v
1
+ v
2
v
2
= 2v
2
+ v
3
v
3
=
1
2
v
1
Hallar la matriz de f respecto a las bases B
1
y B
1
.
Primero denimos la matriz de f respecto B y B
, y las matrices de cambio de base

de B
1
a B y B
1
a B
.
In[8]:= f2 = Transpose[{{1, 1, -1}, {0, 1, 2}}];
bb2 = Transpose[{{1, 1}, {0, 2}}];
bb3 = Transpose[{{1, 1, 0}, {0, 2,1}, {1/2, 0, 0}}];
La matriz de f respecto a B
y B
1
sera
234 CAP
ITULO 10. PR
In[9]:= bb3.f2.Inverse[bb2] // MatrixForm
Out[9]=
_
_
_
0
1
2
2 1
1
2
1
2
_
_
_
3) Consideremos el homomorsmo f : IR
4
IR
3
dado por f(x, y, z, t) = (x +
2y + z, 2x t, 3z), y sean B
4
y B
3
3
y IR
4
respectiva-
mente. Considerense ademas los vectores a
1
= (1, 1, 0, 0), a
2
= (1, 1, 0, 0), a
3
=
(0, 0, 1, 1), a
4
= (0, 0, 1, 1) de IR
4
y b
1
= (1, 1, 1), b
2
= (1, 0, 1), b
3
= (1, 1, 0)
de IR
3
.
a) Constr uyase la matriz asociada a f respecto de las bases B
4
y B
3
.
b) Pruebese que S = a
1
, a
2
, a
3
, a
4
y S
= b
1
, b
2
, b
3
son bases de IR
4
y IR
3
respectivamente. Constr uyanse ademas la matrices de cambio de base de B
4
a S en
IR
4
y de B
3
a S
en IR
3
.
c) Calcule las matrices asociadas a f respecto de las bases: c.1) B
4
y S
; c.2) S
y B
3
; c.3) S y S
.
In[10]:=f3[x_, y_, z_, t_] := {x + 2*y + z, 2*x - t, 3*z};
s3 = {{1, -1, 0, 0},{1, 1, 0, 0},{0, 0, 1, -1},{0, 0, 1,1}};
sp3 = {{1, -1, 1},{1, 0, -1},{-1, 1, 0}};
a) La matriz de f viene dada por
In[11]:= mf3 = Transpose[{f3[1, 0, 0, 0], f3[0, 1, 0, 0],
f3[0, 0, 1, 0], f3[0, 0, 0, 1]}]
Out[11]= 1, 2, 1, 0, 2, 0, 0, 1, 0, 0, 3, 0
b)
In[12]:= NullSpace[s3]
Out[12]=
In[13]:= NullSpace[sp3]
10.6. PR

Out[13]=
Si NullSpace devuelve , para un conjunto de vectores dado, quiere decir que el
sistema de ecuaciones derivado de k
1
a
i
+. . . +k
n
a
n
= 0, donde los a
i
son los vectores
de dicho conjunto, tiene solucion nula. Por lo tanto, dichos vectores son linealmente
independientes. Luego, en ambos casos, s3 y sp3 forman una base ya que el n umero
de vectores coinciden con la dimension de los espacios en donde se encuentran.
Calculemos ahora la matriz de cambio de base de B
4
a S en IR
4
.
In[14]:= mb3s3 = Inverse[Transpose[s3]]
Out[14]=
1
2
,
1
2
, 0, 0,
1
2
,
1
2
, 0, 0, 0, 0,
1
2
,
1
2
, 0, 0,
1
2
,
1
2
El cambio de base de B
3
a S en IR
3
se calcula a continuacion.
In[15]:= mb3sp3 = Inverse[Transpose[sp3]]
Out[15]= 1, 1, 1, 1, 1, 0, 1, 2, 1
c) Se deja como ejercicio al lector.
4) En IR
3
se consideran las bases B = (1, 1, 0), (0, 1, 0), (1, 0, 1), B
= (0, 1, 0),
(1, 0, 0),
(0, 0, 1) y el endomorsmo f denido respecto a la base canonica por,
f(x
1
, x
2
, x
3
) = (2x
1
+ 5x
2
+ 7x
3
, x
1
+x
3
, 2x
1
10x
2
16x
3
).
Hallar:
a) Ecuaciones cartesianas de N(f) respecto a la base B y B
.
b) Ecuaciones parametricas de Im(f) respecto a la base B y a una base de Im(f)
que se debe calcular.
c) Estudiar si el vector v, cuyas coordenadas respecto a la base B son [1, 2, 1]
B
,
pertenece a N(f) o Im(f).
In[16]:= b4 = {{1, 1, 0}, {0, 1, 0}, {-1, 0, 1}};
b4p = {{0, -1, 0}, {1, 0, 0}, {0, 0, 1}};
f4[x_, y_, z_] := {2*x + 5*y + 7*z, -x + z, -2*x - 10*y
- 16*z};
236 CAP
ITULO 10. PR
a) Para obtener las ecuaciones cartesianas hay que encontrar M(f, B, B
)
In[17]:= cc4 = Inverse[ Transpose[b4p]].Transpose[{f4[1, 1, 0],
f4[0, 1, 0], f4[-1, 0, 1]}]
Out[17]=1, 0, 2, 7, 5, 5, 12, 10, 14
In[18]:= cc4.Transpose[{{x1, y1, z1}}]
Out[18]= x1 2z1, 7x1 + 5y1 + 5z1, 12x1 10y1 14z1
Las ecuaciones cartesianas son x
1
2x
3
= 0, 7x
1
+5x
2
+5x
3
= 0, 12x
1
10x
2
14x
3
=
0
b)
In[19]:= NullSpace[cc4]
Out[19]= 10, 19, 5
Como dim N(f) = 1, la dimesion de Im(f) es 2 y as
In[20]:= {f4[1, 0, 0], f4[0, 1, 0]}
Out[20]= 2, 1, 2, 5, 0, 10
es una base de Im(f).
Las coordenadas de 2, 1, 2, 5, 0, 10 respecto a la base B son :
In[21]:= LinearSolve[Transpose[b4], {2, -1, -2}]
Out[21]= 0, 1, 2
In[22]:= LinearSolve[Transpose[b4], {5, 0, -10}]
10.6. PR

Out[22]= 5, 5, 10
Por tanto, las ecuaciones parametricas quedan como sigue :
In[23]:= {0, -1, -2}*s + {-5, 5, -10}*t
Out[23]= 5t, s + 5t, 2s 10t
Ecuaciones parametricas : x
1
= 5t, x
2
= s + 5t, x
3
= 2s 10t
c)
In[24]:= RowReduce[{{1, -2, 1}, {0, -1, -2}, {-5, 5, -10}}]
Out[24]= 1, 0, 0, 0, 1, 0, 0, 0, 1
La ultima salida nos indica que el primer vector no se puede escribir como combi-
nacion lineal de los otros dos, por lo tanto, el vector v no pertene a Im(f).
In[25]:= cc4.Transpose[{{1, -2, 1}}]
Out[25]= 1, 2, 6
Luego, como la imagen del vector v mediante f no es 0, 0, 0, el vector no pertenece
a N(f).
5) Sean B
1
= e
1
, e
2
, e
3
, e
4
y B
2
= u
1
, u
2
, u
3
, u
4
, u
5
4
y IR
5
respectivamente. Considerese la aplicacion lineal f: IR
4
IR
5
denida por:
f(e
1
) = u
1
+ u
3
u
5
, f(e
2
) = 2u
2
3u
3
+ u
4
+ 2u
5
, f(e
3
) = u
1
+ 2u
2
+ u
4
+ u
5
,
f(e
4
) = u
1
+ 4u
2
u
3
+ 2u
4
+ 3u
5
. Se pide:
a) Matriz de f en las bases canonicas de IR
4
y IR
5
. Hallar la imagen del vector
(1, 3, 2, 0).
b) Matriz de f en la base B
3
= e
1
+ e
2
, e
2
e
3
, e
1
+ e
3
+ e
4
, e
3
e
4
de IR
4
y
la canonica de IR
5
. Hallar f(v) sabiendo que las coordenadas de v respecto a la base
B
3
son (2, 1, 4, 3).
c) Hallar las dimensiones de N(f) e Im(f).
a)
Calculemos la matriz de f en las bases canonicas.
238 CAP
ITULO 10. PR
In[26]:= mf5 =Transpose[{{1, 0, 1, 0, -1}, {0, 2, -3, 1, 2},
{1, 2, 0, 1, 1},{1, 4, -1, 2, 3}}];
La imagen de v se obtiene multiplicando la matriz anterior por el vector v puesto en
columna:
In[27]:= mf5.Transpose[{{1, 3, 2, 0}}]
Out[27]= 3, 10, 8, 5, 7
b)
In[28]:= b53 = {{1, 1, 0, 0}, {0, 1, -1, 0}, {1, 0, 1, 0},
{0, 0, 1, -1}};
La matriz de f en las bases pedidas se calculan a continuaci on.
In[29]:= mmf5 = mf5.Transpose[b53]
Out[29]= 1, 1, 2, 0, 2, 0, 2, 2, 2, 3, 1, 1, 1, 0, 1, 1, 1, 1, 0, 2
Calculamos f(v).
In[30]:= mmf5.Transpose[{{2, -1, 4, -3}}]
Out[30]= 11, 18, 0, 9, 7
c)
In[31]:= NullSpace[mf5]
Out[31]= 1, 0, 2, 1
La dimension de N(f) = 1, con lo cual dim (Im(f)) = 3.
10.7. PR
ACTICA 7: PROBLEMAS DE REPASO 239

10.7 Practica 7: Problemas de repaso
1. Una base para la interseccion de los subespacios V
1
, engendrado por (1, 2, 1, 0),
(1, 1, 1, 1) y V
2
engendrado por (1, 1, 3, 7), (2, 1, 0, 1) es:
a) (10, 4, 6, 8) b) (5, 2, 1, 1) c) (1, 2, 1, 1), (1, 1, 0, 2) d) Ninguna
de las anteriores.
Si un vector pertenece a la intersecci on de dos subespacios, entonces lo podemos
poner como combinacion lineal de las bases de ambos subespacios. Miremos primero
si esto es posible.
In[1]:= Solve[x*{1, 2, 1, 0} + y*{-1, 1, 1, 1}==z*{1, -1, 3, 7}+
t*{2, -1, 0, 1}, {x,y, z, t}]
From In[1]:= Solve::svars: Equations may not give solutions for all solve vari-
ables.
Out[1]= x
t
3
, y
4 t
3
, z
t
3

La salida anterior nos indica como se debe combinar los vectores de la base para
obtener un vector de la interseccion de ambos subespacio. Y como se puede observar,
para t = 6, la respuesta correcta es la a).
In[2]:= 2*{1, 2, 1, 0} - 8*{-1, 1, 1, 1}
Out[2]=10, 4, 6, 8
2. Sea A la matriz A =
_
_
_
1 1 1
1 a a
2
1 a
2
a
3
_
_
_ con a I C, tal que a
3
= 1, a ,= 1. Determinar
el elemento (3, 3) de la matriz inversa: a) a
2
b)
1
3
a
2
c)
1
a
d) Ninguna de las
anteriores.
In[3]:= A2 = {{1, 1, 1}, {1, a2, a2^2}, {1, a2^2, 1}};
In[4]:= Simplify[Inverse[A2]]
Out[4]=
a2
(
1+a2+a2
2
)
(1+a2) (1+a2)
2
,
1
1a2
2
,
a2
(1+a2) (1+a2)
2
,
1
1a2
2
, 0,
1
1+a2
2
,
a2
(1+a2) (1+a2)
2
,
1
1+a2
2
,
1
(1+a2) (1+a2)
2
La respuesta es (d).
240 CAP
ITULO 10. PR
3. Sea f : IR
3
IR
3
la aplicacion lineal denido por: f(x, y, z) = (x +y +z, x +y
z, z), entonces una base del n ucleo puede ser: a) (1, 1, 0) b) (
2,
2, 0) c)
Las dos anteriores d) Ninguna de las anteriores.
In[5]:= f3[x_, y_, z_] := {x + y + z, x + y - z, z};
In[6]:= NullSpace[Transpose[{f3[1, 0, 0], f3[0, 1, 0], f3[0, 0, 1]}]]
Out[6]= 1, 1, 0
La respuesta es (a). Observese que la entrada 6 es equivalente a la resolucion del
sistema de ecuaciones que tiene que vericar cualquier elemento perteneciente al
n ucleo.
4. A cual de los siguientes subespacios no pertenece el vector (2, 4, 0, 2)?. a) El
subespacio V generado por el vector (1, 2, 0, 1) b) V = (x, y, z, t) [ xy +z +t =
0, y z = 0 c) V = (x, y, z, t) [ x = , y = +, z = , t = d) El subespacio
V generado por los vectores (1, 2, 1, 0), (1, 2, 1, 2).
In[7]:= RowReduce[{{1, 2, 1, 0}, {1, 2, -1, 2}, {2, 4, 0, 2}}]
Out[7]= 1, 2, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0
Luego s pertenece al subespacio del apartado d), ya que el tercer vector se puede
escribir como combinacion lineal de los dos primeros vectores.
Sustituir el vector (2, 4, 0, 2) en el apartado b), es equivalente a realizar la siguiente
operacion.
In[8]:= {{1, -1, 1, 1}, {0, 1, -1, 0}}.Transpose[{{2, 4, 0, 2}}]
Out[8]= 0, 4
Como se observa, hay soluciones no nulas, luego el vector en cuestion no pertenece
al espacio del apartado b).
In[9]:= Solve[{2, 4, 0, 2} == {a, a + b, c, b}, {a, b, c}]
10.7. PR

Out[9]= a 2, b 2, c 0
La respuesta es (b).
D.N.I.:
d
1
= , d
2
= , d
3
= , d
4
= , d
5
= , d
6
= , d
7
= , d
8
= .
5. Considere el homomorsmo f : IR
5
IR
4
dado por
f(x, y, z, t, s) = (2x +y d
3
t, 13y + 35z d
4
t, d
7
x +d
8
y +d
7
z +d
1
t, 23x + 12z d
4
s).
a) Estudie si el vector (2 + d
3
, 3d
4
, 4 + d
1
, d
7
) pertenece a Im(f).
In[10]:= f[x_, y_, z_, t_, s_] := {2*x + y - d3*t, 13*y +35*z - d4*t,
d7*x + d8*y + d7*z + d1*t, 23*x + 12*z - d4*s};
Veamos si el vector en cuestion se puede expresar de la misma forma que cualquier
elemento de la imagen de f.
In[11]:= Solve[f[x, y, z, t, s] == {2 + d3, 3*d4, 4 + d1, d7}, {x, y,
z, t, s}]
variables.
Out[11]= x
187
617
+
84 s
617
, y
3203
6170

574 s
3085
, z
3
1234
+
134 s
1851
, t
7969
6170
+
266 s
9255
Ya que es posible hacerlo, el vector s pertenece a Im(f).

b) Pruebe que A = (d
1
, 2, 3, 9, 1), (3, d
4
, 4, 6, 1), (3, 2, 1, 0, 0), (0, 0, 0, 0, 1), (1, 0, 0, 0,
9) es una base de IR
5
y calcule la matriz de f respecto de la base A y la canonica
de IR
4
.
In[12]:= ab = {{d1, 2, 3, 9, 1},{3, d4, 4,6, 1}, {3, 2, 1, 0,0},
{0, 0, 0, 0, 1}, {1, 0, 0, 0, 9}};
In[13]:= RowReduce[ab]
242 CAP
ITULO 10. PR
Out[13]=1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1
ab es una base.
In[14]:= abb = Transpose[{f[d1, 2, 3, 9, 1], f[3, d4, 4, 6, 1],
f[3, 2, 1, 0, 0],
f[0, 0, 0, 0, 1], f[1, 0, 0, 0, 9]}]
Out[14]= 23, 8, 8, 0, 2, 95, 168, 61, 0, 0, 53, 87, 44, 0, 7, 55, 113, 81,
4, 13
c) Encuentre el vector f(v), donde [v]
A
= (d
6
, 2d
1
d
5
, d
2
, d
1
42, d
3
).
In[15]:= abb.Transpose[{{d6, 2*d1 - d5, d2, d1 - 42, d3}}]
Out[15]= 92, 188, 166, 278
6. En IR
4
se considera el subespacio F engendrado por a, b, c y el subespacio G
engendrado por d, e: a = (1, 2, 3, 4), b = (2, 2, 2, 6), c = (0, 2, 4, 4), d = (1, 0, 1, 2),
e = (2, 3, 0, 1).
Determinar las dimensiones de F, G, F G, F +G y las bases de estos subespacios.
In[16]:= a = {1, 2, 3, 4}; b = {2, 2, 2, 6}; c = {0, 2, 4,4};
d = {1, 0, -1,2};
e = {2, 3, 0, 1};
In[17]:= RowReduce[{a, b, c}]
Out[17]= 1, 0, 1, 0, 0, 1, 2, 0, 0, 0, 0, 1
La dimension de F es 3 y la base es a, b, c.
In[18]:= RowReduce[{d, e}]
Out[18]= 1, 0, 1, 2, 0, 1,
2
3
, 1
La dimension de G es 2 y la base es d, e.
10.7. PR

In[19]:= RowReduce[{a, b, c, d, e}]
Out[19]=1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0
In[20]:= RowReduce[{a, b, c, e}]
Out[20]= 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1
La dimension de F + G es 4 y la base es a, b, c, e.
In[21]:= RowReduce[{a, b, c, d}]
Out[21]= 1, 0, 1, 0, 0, 1, 2, 0, 0, 0, 0, 1, 0, 0, 0, 0
Esta ultima salida nos indica que todo elemento del primer subespacio se puede
expresar como un m ultiplo de d, y ya que F G tiene dimension 1, d es una base
de F G.
7. Buscar todas las matrices de M
2
(IR) tales que A
2
= I
2
.
In[22]:=a7 = Array[q, {2, 2}]
Out[22]=q[1, 1], q[1, 2], q[2, 1], q[2, 2]
In[23]:= Solve[a7.a7 == IdentityMatrix[2], Flatten[a7]]
variables.
Out[23]= q(1, 1) 1, q(2, 2) 1, q(1, 2) 0, q(1, 1) 1, q(2, 2) 1,
q(2, 1) 0, q(1, 1) 1, q(2, 2) 1, q(1, 2) 0, q(1, 1) 1,
q(2, 2) 1, q(2, 1) 0, q(2, 1) 0, q(1, 1) 1, q(2, 2) 1,
q(2, 1) 0, q(1, 1) 1, q(2, 2) 1, q(1, 2)
1q(2,2)
2
q(2,1)
,
q(1, 1) q(2, 2), q(1, 1) 1, q(2, 2) 1, q(1, 2) 0,
q(2, 1) 0, q(1, 1) 1, q(2, 2) 1, q(1, 2) 0, q(2, 1) 0
Deducimos de lo anterior que el conjunto de matrices cuyo cuadrado es la iden-
tidad es:
__
1 0
0 1
__
1 0
0 1
__
_
__
a b
c a
_
; a
2
= 1 bc
_
.
244 CAP
ITULO 10. PR
10.8 Practica 8: Diagonalizacion
1) Para la matriz
A =
_
_
_
4 1 1
2 5 2
1 1 2
_
_
_,
calcule: a) el polinomio caracterstico de A; b) los valores propios de A; c) un con-
junto maximal de vectores propios linealmente independientes de A; d) el polinomio
mnimo de A. e) Es diagonalizable la matriz A? En caso armativo encuentre una
matriz P tal que P
1
AP sea una matriz diagonal.
a)
In[1]:= a1 = {{4, 1, -1}, {2, 5, -2}, {1, 1, 2}};
In[2]:= Factor[Det[a1 - x*IdentityMatrix[3]]]
Out[2]= (5 +x) (3 + x)
2
b)
Los valores propios seran las races del polinomio caracterstico: x = 5 simple, x =
3 doble.
c)
In[3]:= NullSpace[a1 - 5*IdentityMatrix[3]]
Out[3]= 1, 2, 1
In[4]:=NullSpace[a1 - 3*IdentityMatrix[3]]
Out[4]= 1, 0, 1, 1, 1, 0
El conjunto de vectores 1, 0, 1, 1, 1, 0, 1, 2, 1 forma la base de los vectores
propios.
d)
S es diagonalizable ya que dim(V (3)) + dim(V (5)) = 3 y la dimensiones de ambos
subespacios coinciden con su multiplicidad.
10.8. PR
ACTICA 8: DIAGONALIZACI
ON 245
In[5]:= p1 = Transpose[{{1, 0, 1}, {-1, 1, 0}, {1, 2, 1}}];
In[6]:= Inverse[p1].a1.p1
Out[6]= 3, 0, 0, 0, 3, 0, 0, 0, 5
2) Encuentre una condicion necesaria y suciente para que la matriz con coecientes
reales
A =
_
_
_
1 a 1
0 1 b
0 0 c
_
_
_
sea diagonalizable.
In[7]:=a2[a_, b_, c_] := {{1, a, 1}, {0, 1, b}, {0, 0, c}};
Calculamos el polinomio caracterstico.
In[8]:= Factor[Det[a2[a, b, c] - x*IdentityMatrix[3]]]
Out[8]= (c x) (1 +x)
2
Para que la matriz sea diagonalizable el rango de a2[a, b, c] - c*IdentityMatrix[3]
debe ser 1 y el rango de a2[a, b, c] - IdentityMatrix[3] debe ser 2.
In[9]:=Factor[Minors[a2[a, b, c] - c*IdentityMatrix[3], 2]]
Out[9]= (1 +c)
2
, b (1 +c) , 1 + a b +c, 0, 0, 0, 0, 0, 0
El rango de a2[a, b, c] - c*IdentityMatrix[3] es 1 si y solo si c es distinto de 1 o bien
c = 1 y ab distinto de cero.
In[10]:=Factor[Minors[a2[a, b, c] - IdentityMatrix[3], 2]]
Out[10]= 0, 0, ab, 0, 0, a(1 +c), 0, 0, 0
El rango de a2[a, b, c] - IdentityMatrix[3] es 2 si y solo si a y b son distintos de 0 y
c distinto de 1.
246 CAP
ITULO 10. PR
3) Para cada n umero natural n, calcule A
n
diagonalizando, en donde
A =
_
_
_
a b b
b a b
b b a
_
_
_.
In[11]:= a3 = {{aa, bb, bb}, {bb, aa, bb}, {bb, bb, aa}};
In[12]:=Factor[Det[a3 - x*IdentityMatrix[3]]]
Out[12]= (aa bb x)
2
(aa + 2bb x)
In[13]:= Minors[a3 - (aa - bb)*IdentityMatrix[3], 2]
Out[13]= 0, 0, 0, 0, 0, 0, 0, 0, 0
In[14]:= Minors[a3 - (aa - bb)*IdentityMatrix[3], 1]
Out[14]= bb, bb, bb, bb, bb, bb, bb, bb, bb
In[15]:= Minors[a3 - (aa + 2*bb)*IdentityMatrix[3], 2]
Out[15]= 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
, 3bb
2
Si bb =0 entonces la potencia n-esima de la matriz es facil calcularla ya que es

diagonal, si bb es distinto de 0 la matriz es diagonalizable utilizando el teorema de
caracterizacion.
In[16]:=NullSpace[a3 - (aa - bb)*IdentityMatrix[3]]
Out[16]= 1, 0, 1, 1, 1, 0
In[17]:=NullSpace[a3 - (aa + 2*bb)*IdentityMatrix[3]]
Out[17]= 1, 1, 1
10.8. PR
ON 247
In[18]:= p3 = Transpose[{{-1, 0, 1}, {-1, 1, 0}, {1, 1, 1}}];
Out[19]= aa bb, 0, 0, 0, aa bb, 0, 0, 0, aa + 2bb
Por tanto A
n
es :
In[20]:=Simplify[p3.{{(aa - bb)^n, 0, 0}, {0, (aa - bb)^n, 0},
{0,0, (aa + 2 bb)^n}}.Inverse[p3]] // MatrixForm
Out[20]:=
_
_
_
_
2 (aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
2 (aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
(aabb)
n
+(aa+2 bb)
n
3
2 (aabb)
n
+(aa+2 bb)
n
3
_
_
_
_
4) Encuentre la formula de recurrencia de la potencia n-esima de la matriz A =
_
7 6
12 10
_
.
In[21]:=a4 = {{-7, -6}, {12, 10}};
In[22]:= Factor[Det[a4 - x*IdentityMatrix[2]]]
Out[22]= (2 +x)(1 + x)
In[23]:= NullSpace[a4 - 2*IdentityMatrix[2]]
Out[23]= 2, 3
In[24]:= NullSpace[a4 - IdentityMatrix[2]]
Out[24]= 3, 4
In[25]:= p4 = Transpose[{{-2, 3}, {-3, 4}}];
248 CAP
ITULO 10. PR
Out[26]= 2, 0, 0, 1
Por lo tanto, A
n
se puede escribir en la forma :
In[27]:= p4.{{2^n, 0}, {0, 1}}.Inverse[p4]
Out[27]= 9 2
3+n
, 6 3 2
1+n
, 12 + 3 2
2+n
, 8 + 9 2
n
5) Calcule los valores propios en IR y en I C de la matriz

A =
_
cos w sin w
sin w cos w
_
.
Estudie cuando A es diagonalizable.
In[28]:= a5[w_] := {{Cos[w], -Sin[w]}, {Sin[w], Cos[w]}};
In[29]:= Solve[Det[a5[w] - x*IdentityMatrix[2]] == 0, x]
Out[29]=x cos(w) I sin(w), x cos(w) +I sin(w)
Si w es tal que Sin[w] = 0(w = k ) entonces la matriz se puede diagonalizar en
R, ya que el polinomio no tiene races reales en ese caso, en caso contrario solo se
puede diagonalizar en C.
In[30]:= NullSpace[a5[w] - (Cos[w] - I Sin[w])*IdentityMatrix[2]]
Out[30]=I, 1
In[31]:= NullSpace[a5[w] - (Cos[w] + I Sin[w])*IdentityMatrix[2]]
Out[31]= I, 1
In[32]:= p5 = Transpose[{{-I, 1}, {I, 1}}];
In[33]:= Simplify[Inverse[p5].a5[w].p5]
10.8. PR
ON 249
Out[33]=cos(w) I sin(w), 0, 0, cos(w) +I sin(w)
6) Para las siguientes matrices A
i
, encuentra una matriz inversible X
i
tal que el
producto X
1
i
A
i
X
i
sea la forma canonica de Jordan de A
i
.
A
1
=
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 0 0 0
0 0 1 1 1
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
, A
2
=
_
_
_
_
_
1 2 1 0
1 0 3 0
1 2 1 0
1 2 1 2
_
_
_
_
_
,
A
3
=
_
_
_
_
_
2 0 0 0
3 2 0 2
0 0 2 0
0 0 2 2
_
_
_
_
_
.
In[34]:= a16 = {{1, 1, -1, 1, -1}, {0, 1, 0, 0, 0}, {0, 0,1, 1, 1},
{0, 0, 0, 2, 1}, {0, 0, 0, 0, 2}};
In[35]:= a26 = {{1, -2, -1, 0}, {1, 0, -3, 0}, {-1, -2, 1, 0},
{1, 2, 1, 2}};
In[36]:= a36 = {{2, 0, 0, 0}, {3, 2, 0, -2}, {0, 0, 2, 0},
{0, 0, 2, 2}};
In[37]:= JordanDecomposition[a16][[1]] // MatrixForm
Out[37]=
_
_
_
_
_
_
_
_
0 1 0 0 1
1 0 1 0 0
1 0 0 1 0
0 0 0 0 0
0 0 0 0 1
_
_
_
_
_
_
_
_
Out[38]=
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 1 0 0
0 0 1 0 0
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
250 CAP
ITULO 10. PR
Luego, la matriz a16 se puede expresar con el siguiente producto:
In[39]:= JordanDecomposition[a16][[1]].JordanDecomposition[a16][[2]].
Inverse[JordanDecomposition[a16][[1]]]//MatrixForm
Out[39]=
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 0 0 0
0 0 1 1 1
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
_
_
Out[40]=
_
_
_
_
_
1 1 1 0
1 1 1 1
1 1 1 1
1 0 1 0
_
_
_
_
_
Out[41]=
_
_
_
_
_
2 0 0 0
0 2 0 0
0 0 2 1
0 0 0 2
_
_
_
_
_
La siguiente matriz coincide con a26 :
In[42]:=JordanDecomposition[a26][[1]].JordanDecomposition[a26][[2]].
Inverse[JordanDecomposition[a26][[1]]]// MatrixForm
Out[42]=
_
_
_
_
_
1 2 1 0
1 0 3 0
1 2 1 0
1 2 1 2
_
_
_
_
_

Lineal 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lineal 2

Uploaded by

Copyright:

Available Formats

ALGEBRA LINEAL

ON A LOS SISTEMAS DE ECUACIONES

ETODO DE GAUSS DE RESOLUCI

ON A LOS SISTEMAS DE ECUACIONES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ALCULO DE LA INVERSA DE UNA MATRIZ POR ADJUNTOS 23

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

= (a b)(b c)(c a)(a +b +c).

= (c b)(c a)(b a).

= (b a)(c a)(c b).

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

. Como el menor orlado

es no nulo, el rango de la matriz es ser tres.

ITULO 2. MATRICES Y DETERMINANTES

, encontramos el menor orlado no nulo

Este, a su vez, permite obtener el menor orlado no nulo

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 2. MATRICES Y DETERMINANTES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

= 3 ,= 0. Las ecuaciones correspondien-

, y, en este caso, rg(B) = 2 si, y solo si d = b o d = a ya que

es nulo solo en esos casos. Por tanto para c = b, b ,= a,

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

,= 0 y rg(B) = 3, por lo tanto el sistema es

,= 0, rg(B) = 3 y e sistema sigue

= 0. Ahora bien, el valor del

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ITULO 3. SISTEMAS DE ECUACIONES LINEALES

ON A LOS ESPACIOS VECTORIALES

ON A LOS ESPACIOS VECTORIALES

ON A LOS ESPACIOS VECTORIALES

ON IJK PARA VECTORES DE R

ON A LOS ESPACIOS VECTORIALES

1. Podemos entender I C como el menor

ON A LOS ESPACIOS VECTORIALES

39, donde u = (1, k, 2, 5).

ON A LOS ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES

ITULO 5. ESPACIOS VECTORIALES