Libro de Algebra Lineal

Indice de materias
Introducci
on
1 Sistemas de Ecuaciones Lineales
1.1 Deniciones y ejemplos . . . . . . . . . .
1.2 Combinacion lineal de ecuaciones . . . .
1.3 Operaciones elementales . . . . . . . . .
1.4 Sistemas dependientes e independientes .
1.5 Sistema de Cramer . . . . . . . . . . . .
1.6 Proceso de escalonamiento de un sistema
1.7 Ejercicios Resueltos . . . . . . . . . . . .
5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
12
13
16
17
19
22
2 Espacios Vectoriales
31
2.1 Denicion y propiedades basicas de espacio vectorial . . 31
2.2 Sub-espacios vectoriales . . . . . . . . . . . . . . . . . 42
2.3 Combinaciones Lineales . . . . . . . . . . . . . . . . . . 52
2.4 Sub-espacio generado . . . . . . . . . . . . . . . . . . . 58
2.5 Dependencia Lineal . . . . . . . . . . . . . . . . . . . . 69
2.6 Bases de un espacio vectorial . . . . . . . . . . . . . . . 79
2.6.1 Metodo para encontrar una base de un espacio
vectorial . . . . . . . . . . . . . . . . . . . . . . 85
2.6.2 Aplicacion del Teorema de Steinitz . . . . . . . 89
2.7 Dimension de un espacio vectorial . . . . . . . . . . . . 92
2.8 Suma de sub-espacios vectoriales . . . . . . . . . . . . 101
2.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 116
3 Aplicaciones Lineales
119
3.1 Introduccion, denicion y ejemplos . . . . . . . . . . . 119
2
3.2
3.3
3.4
3.5
3.6
3.7
Determinacion de una aplicacion lineal .

Imagen y N
ucleo de una aplicacion lineal
Morsmos y dimensiones . . . . . . . . .
Estructura de un conjunto de morsmos
Ejercicios resueltos . . . . . . . . . . . .
Ejercicios propuestos . . . . . . . . . . .
.
.
.
.
.
.
126
131
141
152
155
170
4 Matrices
4.1 Matriz asociada a una aplicacion lineal . . . . . . . . .
4.2 Suma de morsmos y suma de matrices . . . . . . . . .
4.3 Producto de un escalar por un morsmo y producto de
un escalar por una matriz . . . . . . . . . . . . . . . .
4.4 Composicion de morsmos y producto de matrices . . .
4.5 Algunos tipos especiales de matrices . . . . . . . . . . .
4.6 Forma matricial de f (v) = w . . . . . . . . . . . . . . .
4.7 Forma matricial de un sistema de ec. lineales . . . . .
4.8 Isomorsmos y matrices invertibles . . . . . . . . . . .
4.9 Automorsmo y matriz de cambio de base . . . . . . .
4.10 Un morsmo cualquiera y matrices equivalentes . . . .
4.11 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . .
4.12 Ejercicios propuestos . . . . . . . . . . . . . . . . . . .
173
173
179
5 Determinantes
5.1 Determinantes de matrices de M2 (K) . . .
5.2 Determinantes de matrices de M3 (K) . . .
5.3 Determinante de matrices de Mn (K) . . .
5.4 Interpretacion geometrica del determinante
5.5 Matriz adjunta . . . . . . . . . . . . . . .
5.6 Determinante de un endomorsmo . . . .
5.7 Ejercicios resueltos . . . . . . . . . . . . .
5.8 Ejercicios propuestos . . . . . . . . . . . .
.
.
.
.
.
.
.
.
219
219
225
228
231
232
234
236
246
.
.
.
.
249
249
253
258
265
6 Diagonalizaci
on
6.1 Introduccion . . . . . . . . . . . .
6.2 Valores propios y vectores propios
6.3 Valores propios simples . . . . . .
6.4 Valores propios m
ultiples . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
181
183
186
193
195
195
200
203
206
215
3
6.5
6.6
Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 268

Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 273
7 Aplicaciones Bilineales
7.1 Aplicaciones bilineales . . . . . . . . . . . .
7.1.1 Ejemplos. Propiedades generales . . .
7.2 Formas bilineales . . . . . . . . . . . . . . .
7.2.1 Matriz asociada a una forma bilineal
7.2.2 Representacion matricial de f (x, y) .
7.3 Espacios Euclidianos . . . . . . . . . . . . .
7.3.1 Producto escalar . . . . . . . . . . .
7.3.2 Norma . . . . . . . . . . . . . . . . .
7.3.3 Ortogonalidad . . . . . . . . . . . . .
7.3.4 Angulo y distancia entre vectores . .
7.4 Formas bilineales simetricas . . . . . . . . .
7.5 Ejercicios resueltos . . . . . . . . . . . . . .
7.6 Ejercicios propuestos . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
275
276
276
287
288
289
291
291
293
298
304
306
307
315
Captulo 1
Sistemas de Ecuaciones
Lineales
1.1
Definiciones y ejemplos
Nos hemos dado cuenta que muchos alumnos que llegan al curso de
algebra lineal no saben que es una ecuacion lineal, entonces empecemos por el principio?
Comencemos por ver algunos ejemplos de ecuaciones lineales:
Ejemplo: x + 2y 3z + t = 6
Ejemplo: 2x1 3x2 + 5x3 = 7
Antiejemplo: 2xy + 5x + 5z = 4
multiplicadas entre s.
No es lineal, pues hay incognitas
Antiejemplo: 2x2 + 3x 5t = 5 No es lineal, pues la incognita x

esta elevada a una potencia distinta a 1.
Creo que ahora vas a entender bien la denicion cierto?
Definici
on 1.1.1 Una ecuaci
on lineal de n inc
ognitas es una
expresi
on del tipo:
1 x1 + 2 x2 + + n xn =
i , K
M.T. Alcalde - C. Burgue

no
Algebra Lineal
K un cuerpo. Los xi son llamados inc

ognitas.
K = Q, IR, C, ZZ 2 , ZZ 3 , ZZ p ,
p primo
Recuerde que ZZ es un anillo, no alcanza a ser un cuerpo.

Resolver una ecuacion es encontrar todos los elementos de K que
cumplen la igualdad. Esto quiere decir que no basta con encontrar
algunas soluciones.
Veamos en un ejemplo como encontrar todas las soluciones.
Ejemplo
Resolvamos la ecuacion lineal 2x + 3y 2z = 5
Soluci
on
Bueno hay que despejar una de las incognitas. En esta oportunidad
escogeremos x:
5
3
x = y + z + ; y, z IR
2
2
Esto quiere decir que cada vez que le demos un valor a y y a z, tendremos una solucion (x, y, z).
Por ejemplo: Sea y = z = 0, entonces x =
( 52 , 0, 0)
5
2
luego la solucion es
Otro ejemplo: Sea y = 1, z = 0, entonces x = 23 + 52 , luego x = 1.

Luego otra solucion es (1, 1, 0)
El conjunto de soluciones esta dado por {( 3
y + z + 25 , y, z); y, z IR}
2
Es interesante que sepas, que cuando en matematica uno dene un

ente, el proximo paso a seguir es denir cuando dos de esos entes son
iguales.
En este caso no hablaremos de igualdad de ecuaciones, sino, siguiendo
la tradicion hablaremos de ecuaciones equivalentes, de acuerdo ?
Captulo 1.
Sistemas de Ecuaciones Lineales
Definici
on 1.1.2 Diremos que dos ecuaciones lineales son equivalentes si y s
olo si tienen las mismas soluciones.
Veamos dos ejemplos:
Ejemplo
Consideremos las ecuaciones
E1 :
x+y+z = 3
E2 : 2x + 2y + 2z = 6
Estas dos ecuaciones son equivalentes pues tienen las mismas soluciones.
Ejemplo
1) :
x + 3y 5z = 5
2) : 2x + 6y 10z = 10
Estas dos ecuaciones son equivalentes.

Nota
Hemos observado que hay alumnos que no saben resolver la ecuacion

lineal:
E : 0x = 0
Cuales son los n
umeros reales que cumplen esta ecuacion? Por
supuesto, todos los n
umeros reales! trivial!
Algunos contestan x = 0.
A lo largo del curso nos encontraremos en repetidas oportunidades
ante esta situacion, as es que: no lo olvides!
Antes de dar la denicion de un sistema de ecuaciones lineales, veremos
algunos ejemplos:
10

no
Algebra Lineal
Ejemplo
2x y + z = 1
x + 3y + 2z = 5
Este es un sistema de ecuaciones lineales de 2 ecuaciones y 3 incognitas.

Resolver este sistema, signica que debemos encontrar todos los
x, y, z K, tales que cumplen las 2 ecuaciones al mismo tiempo.
Ejemplo
3x + 2y = 11
4x y = 11
x + 3y = 9
x + y = 14
Sistema formado por 4 ecuaciones y 2 incognitas

Ejemplo
x+y+z=4
2x + 3y = 7
3x y + z = 2
Sistema formado por 3 ecuaciones y 3 incognitas.

Ejemplo
x+y+z=2
2x + 2y + 2z = 5
Este sistema es incompatible, pues no existen 3 n

umeros que al sumar5
los se obtenga 2 y 2 al mismo tiempo.
Captulo 1.
11
Bueno, como has podido apreciar no hay relacion entre el n

umero de
ecuaciones y el n
umero de incognitas para tener un sistema. Veamos
la denicion.
Definici
on 1.1.3 Un sistema lineal de m ecuaciones y n inc
ognitas,
es un sistema del tipo:
11 x1 + 12 x2 + +1n xn = 1
21 x1 + 22 x2 + +2n xn = 2
......................................
m1 x1 + m2 x2 + +mn xn = m
Donde ij , i K, los xj son llamados las inc

ognitas.
Dada la denicion, el proximo paso a seguir es denir cuando dos

sistemas son equivalentes. A la vista, no es obvio cuando dos sistemas
lo son.
Lo vemos primero en un ejemplo?
Observaci
on
Estudiemos el sistema
E1 : 2x y = 4
E2 : 3x + y = 1
E1 + E2 : 5x = 5 x=1
x = 1 en E2 : y = 1 3 y=-2
Ahora estudiemos el siguiente sistema, de apariencia muy distinta al
anterior:
E1 : 3x 2y = 7
E2 : x + 2y = 3
E1 + E2 : 4x = 4 x=1
x = 1 en E2 : 2y = 3 1 y=-2
12

no
Algebra Lineal
Puesto que los dos sistemas tienen las mismas soluciones diremos que
son equivalentes.
Tenemos, entonces, la denicion siguiente:
Definici
on 1.1.4 Diremos que dos sistemas son equivalentes si
tienen exactamente las mismas soluciones.
1.2
Combinaci
on lineal de ecuaciones
En esta seccion nos ocuparemos de como obtener a partir de algunas

ecuaciones, otras ecuaciones, dentro del mismo sistema.
Veamoslo en un ejemplo. Es tan facil comprender los conceptos en
un ejemplo! ... y luego generalizarlo.
Observaci
on
Consideremos el sistema siguiente:
E1 : x + 2y = 1
E2 : 2x + y = 1
De este sistema podemos obtener la ecuacion

E3 = E2 + 2E1 : 4x + 5y = 1, de tal modo que, si x e y cumplen
las ecuaciones E1 y E2 , entonces cumplen E3 .
Diremos que E3 es una combinacion lineal de E1 y E2
Ahora, entenderas la denicion siguiente:
Definici
on 1.2.1 Sean E1 , E2 , , En , n ecuaciones. Diremos que
la ecuaci
on
E = 1 E1 + 2 E2 + + n En
es una combinaci
on lineal de las ecuaciones E1 , E2 , , En
Captulo 1.
1.3
13
Operaciones elementales
Bueno, el problema que enfrentaremos ahora es encontrar las operaciones que podemos efectuar a un sistema de manera de obtener otro
equivalente.
Definici
on 1.3.1 Diremos que una operaci
on es elemental si nos
permite pasar de un sistema de ecuaciones a otro equivalente.
Pero, veamos cuales son estas operaciones. Es trivial que si cambiamos

el orden de las ecuaciones seguimos teniendo el mismo sistema, es decir,
uno equivalente. Entonces
Primera operaci
on: Consiste en intercambiar el orden de las ecuaciones.
Ejemplo
Es super importante que comiences a aprender la notacion que usaremos para indicar la operacion Es facil! Es trivial!
x+y=3
xy=7
L12
xy=7
x+y=3
A pesar de ser una operacion trivial, la usaremos a lo largo de todo

el curso con el objetivo de ordenar algunas cosas.
Notacion: Lij denota el intercambio de la ecuacion i con la ecuacion
j.
Tambien es trivial la operacion siguiente:
Segunda operaci
on: Consiste en multiplicar una ecuacion por un
n
umero distinto de cero.
14

no
Algebra Lineal
Ejemplo
(Nuevamente observe la notacion)
x+y=3
x 2y = 7
L1 (2)
2x + 2y = 6
x 2y = 7
La ecuacion (1) fue multiplicada por 2.

Observaci
on: Si se multiplica una ecuacion por cero, esta se elimina,
por lo tanto el sistema obtenido no es equivalente al original. Es decir
no esta permitida la multiplicacion por cero.
Notacion: Li () denotara la multiplicacion por de la ecuacion i.
Ejemplo
x=6
x + 2y = 7
L1 (0)
0x = 0
x + 2y = 7
En el primer sistema, existe una u

nica solucion, esta es (6, 21 ). En el
segundo sistema, el conjunto de soluciones es
{(x,
7x
); x IR}
2
Ejemplo
( 5)x + ( 5)y = 3( 5)
Esta ecuacion es equivalente a x + y = 3 salvo en el caso = 5
Tercera operaci
on: Consiste en sumarle a una ecuacion un m
ultiplo
de otra ecuacion.
Captulo 1.
15
Ejemplo
x+y=3
xy=7
(1)
L21
x+y=3
2x = 10
A la segunda ecuacion, le hemos sumado 1 vez la primera ecuacion.

Notacion: Lij () denotara sumarle a la ecuacion i, veces la ecuacion
j.
Estas son las u
nicas tres operaciones elementales. No hay otras.
Nota
Estas operaciones son reversibles. En efecto:
1. La primera operacion: Si cambiamos la ecuacion Ei con la
ecuacion Ej , la operacion inversa es ella misma.
2. La segunda operacion: Si la ecuacion Ei la multiplicamos por ,
6= 0, entonces la operacion inversa es multiplicar la ecuacion
1
Ei por .
3. La tercera operacion: Si la ecuacion Ei la cambiamos por Ei =

Ei + Ej , volvemos a la ecuacion Ei , al efectuar la operacion
Ei Ej = Ei
El hecho de que tales operaciones sean reversibles garantiza que el
sistema que se obtiene de otro por operaciones elementales sucesivas
sea equivalente al inicial.
Luego los dos sistemas son equivalentes.
El sentido de utilizar las operaciones elementales es conseguir trabajar
sobre un sistema con una escritura mas simple.
Debemos cuidar de ir haciendo tales transformaciones por etapa.
16
1.4

no
Algebra Lineal
Sistemas dependientes e independientes
Si en un sistema, una ecuacion esta escrita dos veces, es algo realmente

in
util. Trivial!
Pero, a veces, no es tan trivial que hay ecuaciones agregadas in
utilmente, es decir ecuaciones que se pueden obtener de las anteriores. En
lenguaje elegante: ecuaciones que son combinacion lineal de las demas.
Observaci
on
Consideremos el sistema:
E1 : 3x + y = 2
E2 : 2x y = 3
E3 : x + 2y = 1
Vemos que E3 = E1 E2 , es decir, E3 es una combinacion lineal de

E1 y E2 .
Diremos que el sistema es dependiente.
Es obvio, que para buscar la solucion del sistema nos quedamos solamente con las dos primeras ecuaciones.
Definici
on 1.4.1 Diremos que un sistema de ecuaciones es linealmente dependiente si al menos una ecuaci
on es combinacion lineal
de las otras.
Observaci
on
Consideremos el sistema siguiente:
E1 : x + y = 3
E2 : x + 3y = 5
Este sistema no es dependiente pues una ecuacion no es m

ultiplo de
la otra. Diremos que es independiente.
Captulo 1.
17
Definici
on 1.4.2 Diremos que un sistema de ecuaciones es linealmente independiente cuando no es linealmente dependiente, es decir, si ninguna ecuaci
on es combinacion lineal de las otras.
En denitiva, en un sistema linealmente independiente no hay informacion de mas.
Un sistema de ecuaciones linealmente independiente puede tener tres
aspectos posibles:
mas incognitas que ecuaciones.
mas ecuaciones que incognitas.
n
umero de ecuaciones = n
umero de incognitas.
1.5
Sistema de Cramer
Cuando estudiamos un sistema de ecuaciones lineales, a nosotros nos

interesa el n
umero de ecuaciones independientes.
Se supone que el primer paso para resolver un sistema, es quedarse
con un sistema independiente.
Entonces, comencemos por estudiar un sistema independiente.
Definici
on 1.5.1 Un sistema de n ecuaciones y n incognitas, linealmente independiente, es llamado Sistema de Cramer.
Observaci
on
En la Educacion Media, uno comprendio que un sistema lineal de 2
ecuaciones y 2 incognitas tiene una u
nica solucion. Comprendimos que
18

no
Algebra Lineal
lo mismo ocurre en un sistema de 3 ecuaciones y 3 incognitas. Debido a

la manera en que se llega a esta solucion u
nica, uno imagina que esto
ocurre para un sistema lineal de n ecuaciones y n incognitas, pero,
para ser mas cuidadosos habra que agregar: sistema independiente
cierto ?
Tenemos, entonces, la proposicion siguiente:
Proposici
on 1.5.1 Un sistema de Cramer tiene una u
nica solucion.
Demostraci
on
La demostracion la haremos por induccion sobre n = n
umero de ecuaciones = n
umero de incognitas.
Si n = 1, tenemos un sistema lineal de 1 ecuacion y 1 incognita independiente, que trivialmente tiene una u
nica solucion.
Supongamos que todo sistema lineal independiente de n ecuaciones
y n incognitas tiene una u
nica solucion (Esta es nuestra hipotesis de
induccion).
Ahora, consideremos un sistema de Cramer formado por las ecuaciones
E1 , E2 , , En+1 siguientes:
E1 :
11 x1 + 12 x2 +
+1n+1 xn+1 = 1
E2 :
21 x1 + 22 x2 +
+2n+1 xn+1 = 2
....................................................
En :
n1 x1 + n2 x2 +
+nn+1 xn+1 = n
En+1 : n+11 x1 + n+12 x2 + +n+1n+1 xn+1 = n+1
Estudiemos el sistema formado por las n primeras ecuaciones. Este

sistema lo escribimos de la manera siguiente:
E1 : 11 x1 + 12 x2 + +1n xn = 1 1n+1 xn+1
E2 : 21 x1 + 22 x2 + +2n xn = 2 2n+1 xn+1
.......................................
En : n1 x1 + n2 x2 + +nn xn = n nn+1 xn+1
Captulo 1.
19
Podemos pensar j = j jn+1 xn+1 como constantes. Entonces, tenemos un sistema de Cramer de n n, luego tiene solucion u
nica, a
saber 1 , , n , con los elementos i en funcion de ij , i y xn+1 . Estos
1 , , n los reemplazamos en En+1 y tenemos:
En+1 : n+11 1 + n+12 2 + + n+1n n + n+1n+1 xn+1 = n+1
De esta ecuacion se despeja xn+1 (recuerde que los 1 , , n estan en

funcion de xn+1 )
Entonces tenemos una solucion u
nica. Luego todo sistema de Cramer
de n ecuaciones y n incognitas tiene una u
nica solucion, para todo n,
n
umero natural.
1.6
Proceso de escalonamiento de un sistema
El proceso que nos ocupa ahora es escribir los sistemas en su forma

mas simple posible, pero, antes debemos denir que sera para nosotros
la forma mas simple posible. A esta forma la llamaremos forma
escalonada.
Entonces, comencemos por ver algunos ejemplos de sistemas escalonados.
Ejemplo
El sistema siguiente esta en su forma escalonada:
x + 2y + 5t = 2
z + 3t = 3
u=4
Observemos como estan dispuestos los coecientes:
20

no
Algebra Lineal
1 2 0 5 0 2
0 0 1 3 0 3
0 0 0 0 1 4
Definici
on de sistema escalonado
Diremos que un sistema de ecuaciones lineales esta escalonado si satisface las tres condiciones siguientes:
1. El coeciente de la primera incognita distinta de cero de cada
ecuacion es 1. Es llamado lder.
2. Cuando hay un lder, los demas elementos de la columna son
ceros.
3. Los lderes deben ir de izquierda a derecha y de arriba hacia
abajo.
Veamos otros ejemplos:
Ejemplo
x + 4z + 3t = 1
y + 2z + 5t = 4
Los coecientes estan distribudos como sigue:

1 0 4 3 1
0 1 2 5 4
El cual es un sistema escalonado.
Captulo 1.
21
Ejemplo
Se puede tener tambien el sistema, obviamente incompatible, siguiente:
x + 4z = 0
y + 2z = 0
0=1
Sus coecientes estan distribudos como sigue:
1 0 4 0
0 1 2 0
0 0 0 1
El cual es un sistema escalonado.
Definici
on 1.6.1 Matriz es una ordenaci
on rectangular de n
umeros.
Definici
on 1.6.2 Escalonar un sistema de ecuaciones lineales es llevarlo a un sistema escalonado equivalente, a traves de operaciones
elementales.
Observaciones
Si al escalonar quedan las con ceros u
nicamente, signica que el sistema inicial era dependiente, es decir haba informacion de sobra.
Si al escalonar queda una la del tipo:
0 0 0 1
signica que el sistema no tiene solucion.
Si al escalonar, las las distintas de cero corresponden a un sistema
de n ecuaciones y n incognitas, es un sistema de Cramer, luego tiene
solucion u
nica.
22

no
Algebra Lineal
Y si al escalonar, las las distintas de cero corresponde a un sistema

que tiene menos ecuaciones que incognitas, obviamente que habra innitas soluciones.
Pero mas que saber cuantas soluciones tiene un sistema, es importante
encontrar las soluciones.
A continuacion veremos varios ejercicios en los cuales se encuentran
las soluciones de los sistemas, en caso que estas soluciones existan.
Es emocionante ver como recien comenzado el curso, podemos resolver
los sistemas lineales y familias de sistemas lineales.
1.7
Ejercicios Resueltos
Ejercicio
Estudiemos el sistema de ecuaciones:
x+y+z=2
2x y + 2z = 2
x + 2y + 2z = 3
x y + 2z = 3
Soluci
on
Comencemos por escalonar el sistema, es decir, escribamoslo en su
forma mas simple.
Anotemos solamente los coecientes, para no escribir tantas letras,
Captulo 1.
23
pero, siempre respetando el orden.
1 1 1 2
2 1 2 2
1 2 2 3
1 1 2 3
( 1 )
L2 3
(1)
1
0
0
0
1 1
1 0
1 1
2 1
1
0
0
0
0
1
0
0
(1)
L4
L13
(1)
L43
(2)
L21
(1)
L31
(1)
L41
2
2
1
5
0 1
0 2
1 1
0 0
1 1 1 2
0 3 0 6
0 1 1 1
0 2 1 5
(1)
L12
(1)
L32
(2)
L42
x=1
y=2
z=-1
Es decir, la solucion es (1, 2, 1)
Realmente facil de obtener la solucion cierto ?
Ejercicio
Estudiemos el sistema de ecuaciones sgte.:
Soluci
on
Comencemos por escalonar el sistema:
0
0 1
1 0
2
0 1 1
0 1 1
1
0
0
0
x y z + 2u = 0
x + y + 3z + 4u = 0
2x + y + 4z + 7u = 0
3x + y + 5z + 10u = 0
24

no
1 1 1 2
1 1
3 4
2 1
4 7
3 1
5 10
0
0
0
0
(1)
L21
(2)
L31
(3)
L41
(1)
L22 1 1 1 2 0

2 1 0
0 1
( 31 )
2 1 0
L3 0 1
( 41 )
0 1
2 1 0
L4
Algebra Lineal
1 1 1 2 0
0 2
4 2 0
0 3
6 3 0
0 4
8 4 0
(1)
L12
(1)
L32
(1)
L42
1
0
0
0
0
1
0
0
1
2
0
0
3
1
0
0
0
0
0
0
Es decir tenemos el sistema

x + z + 3u = 0
y + 2z + u = 0
Si despejamos las incognitas que corresponden a los lderes, tenemos:

x = z 3u
y = 2z u
; z, u IR
Luego, el conjunto de soluciones es:

{(z 3u, 2z u, z, u); z, u IR}
Definici
on 1.7.1 Una familia de sistemas es un conjunto formado
por una cantidad infinita de sistemas que han sido construdos de manera analoga.
Ejercicio
Estudiemos la familia de sistemas siguiente para los diferentes valores
de IR
x + 4z + 6t = 1
x + y + 9z + 6t = 3
2y + 10z + ( + 3)t = ( + 3)
Captulo 1.
25
Soluci
on
1
1
1 0 4
6
1 0 4
6
(1)
L21
6
0
3
2
1 1 9
0 1 5
0 2 10 + 3 + 3
0 2 10 + 3 + 3
(2)
L32
1
1 0 4
6
0
2
0 1 5
0 0 0 +3 1
(1.1)
Debemos estudiar separadamente el sistema con + 3 = 0 y la familia

con + 3 6= 0.
Caso 1 + 3 = 0 es decir = 3
Tenemos el sistema:
1 0 4 6 1
0 1 5 0 2
0 0 0 0 4
0 = 4
Es decir, este sistema no tiene solucion.

Caso 2 + 3 6= 0 es decir 6= 3
Seguimos escalonando el sistema (1.1):
( 1 )
L3+3
1 0 4 6
0 1 5 0
0 0 0 1
1 0 4 0
1
(6)
L13
2
0 1 5 0
1
0 0 0 1
+3
5+9
+3
2
1
+3
La familia de sistemas escalonada es la siguiente:

x + 4z = 5+9
+3
y + 5z = 2
t = 1
+3
6= 3
Despejando las incognitas que corresponden a los lderes tenemos:
26

no
Algebra Lineal
4z
x = 5+9
+3
y = 2 5z
; z IR, 6= 3
1
t = +3
Comprobemos las soluciones:

Caso = 3
1 0 4 6 1
1 1 9 6 3
0 2 10 0 0
2E1 2E2 + E3 :
0 = 4
Luego no existe solucion.

Caso 6= 3
E1 :
E2 :
E3 :
66
+3
5+9
66
( +3 4z) + (2 5z) + 9z + +3
1
2(2 5z) + 10z + ( + 3) +3
4z) + 4z +
( 5+9
+3
=
=
+3
+3
+3
+
+3
2 =
= 4 + 1 = ( + 3)
Luego cumple
Ejercicio
Resolvamos la siguiente familia de sistemas seg
un los diferentes valores
de IR
x + 2y + 3z = 1
x + ( + 1)y + ( + 2)z = 2
x + 2y + ( + 5)z = 2 7
Captulo 1.
27
Soluci
on
1
2
3
1
1 +1 +2
1
2
+ 5 2 7
(1)
1
2
3
L21
1
0 1 1
3
2
(1)
0
0
+
2
6
L31
(1.2)
Caso 1 + 2 = 0 es decir = 2
Reemplazando en (1.2), tenemos:
1 2
3 1
1 2 3 1
( 1 )
L2 3
0 3 3 3
0 1 1 1
0 0
0
0 0 0 0
0
1 0 1 1
L12 (2)
0 1 1 1
0 0 0 0
El sistema escalonado es :
x+z=1
y + z = 1
x=1z
y = 1 z
; z IR
Caso 2 + 2 6= 0 es decir 6= 2. Puesto que + 2 6= 0 podemos

seguir escalonando el sistema (1.2):
( 1 )
L3+2
1
1
2
3
0 1 1
0
0
1
3
Caso 2i 1 = 0, es decir = 1
En el sistema (1.3), la segunda ecuacion queda
(1.3)
28

no
Algebra Lineal
0 = 3
Luego no existe solucion.
Caso 2ii 6= 1, 2
Seguimos escalonando el sistema (1.3). Tenemos

( 1 )
L21
(3)
1 2 3 1
L13
3
0 1 1
1
(1)
0 0 1 3
L23
2 +38
1
2 +4
1
1 2 0 3 + 8
(2) 1 0 0
2 +4 L12
0 1 0
0
1
0
1

0 0 1 3
0 0 1
Luego tenemos una u

nica solucion, a saber
x=
2 + 3 8
;
1
y=
2 + 4
;
1
z =3
Solo haremos la comprobacion del caso = 1

Tenemos
E1 : x + 2y + 3z = 1
E2 : x + 2y + 3z = 2
Con estas dos ecuaciones basta ver que el sistema es inconsistente. Las
demas soluciones satisfacen el sistema. Ahora es su turno comprobar
las otras soluciones. Animo!

Ejercicio
Estudiemos la siguiente familia de sistemas de ecuaciones seg
un los
diferentes valores de IR
Captulo 1.
29
x+z=1
y + z = 1
(2 4)y + ( 2)z = + 2
Soluci
on
Comencemos a escalonar el sistema. Tenemos
1
1
0
1
1
1
1
0
2
0 4 2 +2
1
1 0
1
1
1
=
0 1
0 0 2 + + 2 2 + 2
(2 +4)
L32
1
1 0
1
1
1
= 0 1
0 0 ( 2)( + 1) ( + 2)( 1)
(1.4)
Caso 1 2 = 0, es decir = 2
La tercera ecuacion queda 0 = 4 Luego no existe solucion.

Caso 2 + 1 = 0, es decir = 1
La tercera ecuacion queda 0 = 2 Luego no existe solucion.

Caso 3 6= 1, 2
Escalonamos a partir de (1.4)
1
)
L3 ( (2)(+1)
1 0 1
0 1 1
0 0 1
1
1
(+2)(1)
(2)(+1)
30

no
(1)
L13 1 0 0

0 1 0
(1)
L23
0 0 1
Algebra Lineal
2(2 2)
(2)(+1)
2
(2)(+1)
(+2)(1)
(2)(+1)
Luego se tiene la solucion u

nica:
x=
2(2 2)
;
( 2)( + 1)
y=
2
;
( 2)( + 1)
z=
( + 2)( 1)
( 2)( + 1)
Ejercicios Propuestos
1. Considere el sistema de 2 ecuaciones lineales y 5 incognitas y
encuentre todas sus soluciones.
x1 + 2x2 + x3 + x4 + x5 = 6
2x1 + 4x2 x3 + x5 = 3
2. Resuelva el sistema siguiente

x + y + 2z = 3
2x + y z = 8
4x + 3y + 3z = 14
3. Resuelva la familia de sistemas, seg

un el valor de IR
x + y + z = 1
x + y + z = 1
x + y + z = 1
4. Seg
un los diferentes valores de k IR encuentre todas las soluciones de la siguiente familia de sistemas de ecuaciones lineales
x+yz=1
2x + 3y + kz = 3
x + ky + 3z = 2
Captulo 2
Espacios Vectoriales
2.1
Definici
on y propiedades b
asicas de
espacio vectorial
Nos parece que este es uno de los captulos mas emocionante del curso.
Este concepto de espacio vectorial, realmente hace crear un nuevo
espacio en nuestras mentes. Es algo muy diferente a lo estudiado en el
curso anterior de Algebra.
Todos los conceptos de este captulo, los veremos geometricamente
para poder entenderlos mejor.
Despues de haber visualizado estos conceptos uno puede hacer hermosas abstracciones y llegar a tener pensamientos tales como una
funcion es un vector.
Veremos muchsimos ejemplos y ejercicios. Vas a poder experimentar,
t
u mismo, que es un espacio vectorial y que es lo que ocurre en el que
lo hace algo tan especial.
Ademas esperamos que te vayas imaginando los conceptos y propiedades,
de manera que vayas haciendote preguntas de materias que veremos
unas hojas mas adelante.
Es tratar de vivir uno mismo la historia de la creacion de esta rama
31
32

no
Algebra Lineal
de las matematicas que es el Algebra Lineal.

Te invitamos a sumergirte en los Espacios Vectoriales. Bienvenido!.
Observaci
on
Consideremos IR2 , el plano cartesiano y en el consideremos los vectores
que parten en el origen y solamente ellos.
Algebraicamente, IR2 se describe como IR2 = {(x, y); x, y IR}. En

IR2 , podemos denir la suma de dos elementos, de la manera siguiente:
Sean u, v IR2 , luego u = (x, y), v = (x , y ), ciertos x, x , y, y IR.
Entonces u + v = (x, y) + (x , y ) = (x + x , y + y ).
Este u
ltimo es un elemento tpico de IR2 , es decir, IR2 es cerrada para
la suma.
Esta suma, geometricamente corresponde a la ley del paralelogramo.
Veamoslo geometricamente
Captulo 2.
33
Tenemos que IR2 con esta suma cumple las siguientes propiedades
1. La suma es asociativa
2. Existe neutro: ~0 = (0, 0)
3. Todo elemento tiene inverso, a saber
(x, y) = (x, y) (x, y) IR2
4. La suma es conmutativa
Es decir, (IR2 , +) es un grupo abeliano.
Bueno, la novedad es que a estos vectores les podemos cambiar su
magnitud, es decir, multiplicarlos por un n

umero, por ejemplo: 2(1, 5),
dos veces el vector (1, 5), obtenemos el vector (2, 10) que sigue estando
en IR2 .
Es decir, uno puede denir la operacion externa, llamada ponderacion,
siguiente:
Ex : IR IR2 IR2
(, (x, y)) 7 (x, y) (x, y) IR2 , IR
Esta operacion cumple las siguientes propiedades:
5. 1 (x, y) = (x, y)
34

no
Algebra Lineal
6. ( + )(x, y) = (x, y) + (x, y)

7. ((x, y) + (x , y )) = (x, y) + (x , y )
8. ( )(x, y) = ((x, y))
Esto para todo (x, y) IR2 y todo , IR
Bueno, creo que esto te parece facil cierto?

Esperamos no equivocarme en nuestra apreciacion!
Ocurre que por cumplir IR2 estas 8 propiedades, diremos que IR2 es
un IR-espacio vectorial o un espacio vectorial sobre IR.
Resumiendo, veremos IR2 como un conjunto cuyos elementos son vectores que parten en el origen y tales que se pueden sumar y ponderar.
Esta estructura la vamos a genelizar
Te animas a dar un salto de abstraccion?
Observaci
on
Un ejemplo fsico de espacio vectorial, es el modelo que representa las
fuerzas ejercidas sobre un punto material.
Definici
on 2.1.1 Sea V un conjunto. Sea K un cuerpo (K = Q; IR;
C; ZZ 2 ; ZZ 3 ; Zp , p primo, etc.). Sobre V definamos dos operaciones:
1. Una operaci
on llamada suma, denotada por +:
+ : V V V ; (v, w) ; v + w
Captulo 2.
35
Esta operaci
on es una ley de composicion interna.
2. Una operaci
on entre los elementos de V y los elementos de K,
denotada por Ex que cumple
Ex : K V V ; (, v) ; v
Es una operaci
on externa, pues opera con elementos que est
an
fuera de V . Esta operaci
on es conocida con el nombre de producto por escalar o ponderaci
on.
Los elementos de V son llamados vectores y los elementos de K
son llamados escalares. Sobre este conjunto V haremos, ademas, 8
exigencias, llamadas los axiomas de espacios vectoriales. Son los siguientes:
E.V.1. (~u+~v )+w
~ = ~u+(~v +w),
~ ~u, ~v , w
~ V (Asociatividad)
E.V.2. Existe neutro aditivo, denotado por ~0.
E.V.3. Para todo ~v V , existe w
~ V tal que ~v +w
~ = ~0.
Notacion w
~ = ~v .
E.V.4. ~v +w
~ = w+~
~ v , ~v , w
~ V . (Conmutatividad)
E.V.5. 1 ~v = ~v
E.V.6. ( + )~v = ~v +~v , K, ~v V
E.V.7. (~v +w)

~ = ~v +w,
~ K, ~v , w
~ V
E.V.8. () ~v = ( ~v ) , , K, ~v V
En tal caso diremos que V es un K - espacio vectorial o un espacio
vectorial sobre K.
Nota
Fundandose en estos axiomas, se desarrolla la teora llamada Algebra
Lineal.
36

no
Algebra Lineal
Nota
De ahora en adelante, K, denotara Q, IR o C.
Ejemplo
Estudiemos V sobre K. Donde V = {(2x, x); x K} K 2
Sea ~v , w
~ V , luego los vectores ~v y w
~ tienen la forma ~v = (2x, x) y
w
~ = (2y, y). V es cerrado para la suma pues,
~v + w
~ = (2x, x)+(2y, y) = (2x+(2y), x+y) = (2(x+y), x+y)
el cual es un elemento tpico de V . Tambien es cerrado para la ponderacion, pues,
~v = (2x, x) = ((2x), x) = (2(x), x)
el cual es un elemento tpico de V . Ademas V cumple los 8 axiomas
de espacios vectoriales. En efecto, cumple:
(En lo sucesivo escribiremos simplemente v en lugar de ~v ).
E.V.1. Sean u, v, w V , luego u = (2x, x), v = (2y, y), w =
(2z, z), ciertos x, y, z K.
(u + v) + w = ((2x, x) + (2y, y)) + (2z, z)
= (2x + 2y, x + y) + (2z, z)
= ((2x + 2y) + 2z, (x + y) + z)
= (2x + (2y + 2z), x + (y + z))
= (2x, x) + (2y + 2z, y + z)
= (2x, x) + ((2y, y) + (2z, z))
= u + (v + w)
E.V.2. ~0 = (0, 0) = ((2)0, 0), el cual es un elemento tpico de V .
E.V.3. Sea v = (2x, x) V , entonces v = (2(x), (x)), el
cual es un elemento de V .
Captulo 2.
37
E.V.4. v + w = (2x, x) + (2y, y) = (2x + 2y, x + y)

= (2y + 2x, y + x) = (2y, y) + (2x, x)
=w+v
E.V.5. 1 v = 1 (2x, x) = (1(2x), 1x) = (2x, x) = v.
E.V.6. ( + )v = ( + ) (2x, x)
= (( + )(2x), ( + )x)
= ((2x) + (2x), (x + x)
= ((2x), x) + ((2x), x)
= (2x, x) + (2x, x) = v + v
E.V.7. (v + w) = ((2x, x) + (2y, y))
= (2x + 2y, x + y)
= ((2x + 2y), (x + y))
= ((2x) + (2y), x + y)
= ((2x), x) + ((2y), y)
= (2x, x) + (2y, y)
=v+w
E.V.8. () v = ()(2x, x) = (()(2x), ()x)
= (((2x)), (x)) = ((2x), (x))
= ((2x, x)) = (v)
Luego hemos demostrado que V es un K espacio vectorial.
Ejemplo
V = {(3x, x); x K}, es un K-espacio vectorial.
Ejemplo
Sea V = K n = {(x1 , x2 , . . . , xn ); x1 , x2 , . . . , xn K}. Entonces K n es

un K-espacio vectorial, donde la suma esta denida por:
(x1 , . . . , xn ) + (x1 , x2 , . . . , xn ) = (x1 + x1 , x2 + x2 , . . . , xn + xn )
y el producto por escalar esta denido por:
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )
38

no
Algebra Lineal
Ejemplo
Q( 2) = {a + b 2; a, b Q} es un Q-espacio vectorial, donde la suma

esta denida por:
(a + b 2) + (a + b 2) = (a + a ) + (b + b ) 2
y el producto por escalar por:
(a + b 2) = a + (b) 2
de donde Q(2) es cerrado para la suma y producto por escalar. Se

tiene que Q( 2) con la suma y la ponderacion as denidas, cumple
los ocho axiomas.
Ejemplo
Sea V = K[X] = {a0 + a1 X + a2 X + + an X n ; a0 , . . . , an K} el
conjunto de los polinomios con coecientes en K.
Entonces K[X] es un espacio vectorial sobre K con la suma y la ponderacion denidas en el curso anterior.
Ejemplo
Sea V = K2 [X] = {a0 + a1 X + a2 X 2 ; a0 , a1 , a2 K} el conjunto de
los polinomios truncos de grado 2. Entonces K2 [X] es un espacio
vectorial sobre K.
Ejemplo
V = Km [X] = {a0 + a1 X + + am X m ; a0 , . . . , am K} polinomios
truncos de grado m.
Notese que los polinomios tienen grado menor o igual a m, razon por
la cual m interviene en el nombre del conjunto: Km [X].
Sin embargo, en K[X] los polinomios pueden tener cualquier grado,
pues la letra n no tiene relacion con la notacion K[X].
Captulo 2.
39
Bueno, Km [X] es un K-espacio vectorial.

Ejemplo
a b
; a, b, c, d K}, es el espacio vectorial formado
M22 (K) = {
c d
por todas las matrices de 2 2 con coecientes en K.

La igualdad de matrices esta dada por:

a b
c d
a
c
b
d
si y solo si a = a , b = b , c = c , d = d .
Ademas la suma esta denida por:

a b
c d
a
c
b
d
a + a
c + c
b + b
d + d
y la multiplicacion por escalar esta denida por:

a b
c d

a b
c d
Ejemplo
V = {f ; f : IR IR} es el espacio vectorial formado por todas las
funciones reales sobre los reales.
La suma de dos funciones f y g es una funcion, denotada por f + g,
y en cada n
umero real se comporta de la siguiente manera:
(f + g)(x) = f (x) + g(x)
La ponderacion de una funcion f por un escalar , es una funcion, es
denotada por f , y en cada n
umero real se comporta de la manera
siguiente:
(f )(x) = f (x)
40

no
Algebra Lineal
Estas dos operaciones cumplen los 8 axiomas.

Solo mostraremos E.V.2 y E.V.3, el resto queda de ejercicio.
El neutro es la funcion 0 : IR IR; 0(x) = 0 x IR
El inverso aditivo de la funcion f es f , dada por (f )(x) =
f (x)
Definici
on 2.1.2 Un espacio vectorial finito es un espacio vectorial que tiene una cantidad finita de vectores.
Ejemplo de un espacio vectorial finito
ZZ 3 ( 2) = {a + b 2); a, b ZZ 3 }
es un espacio vectorial sobre ZZ 3 , con la suma denida por
(a + b 2) + (c + d 2) = (a + c) + (b + d) 2
y la ponderacion denida por
(a + b 2) = (a) + (b) 2, ZZ 3
Ejemplo de un espacio vectorial finito

ZZ 3 ( 2, 5) = {a + b 2 + c 5 + d 10; a, b, c, d K3 }
es un espacio vectorial sobre ZZ 3 , sobre ZZ 3 ( 2) y sobre ZZ 3 ( 5)

Ejemplo
ZZ 5 [X] = {a0 + a1 X + a2 X 2 + . . . + an X n ; a0 , a1 , a2 , . . . , an ZZ 5 } es
un ZZ 5 -espacio vectorial, con la suma denida en ZZ 5 [X]:
Cuya multiplicacion por escalar esta denida por:
Captulo 2.
41
(a0 + a1 X + . . . + an X n ) = (a0 ) + (a1 )X + . . . + (an )X n

Observe que este espacio vectorial tiene un n
umero innito de elementos.
Proposici
on 2.1.1 Sea V un K-espacio vectorial. Entonces
1. El neutro es u
nico.
2. Todo vector tiene un u
nico inverso aditivo.
Demostraci
on de 1
Sean 0 y 0 dos neutros, entonces 0 = 0 + 0 = 0 . En la primera
igualdad usamos que el 0 es neutro y en la segunda igualdad usamos
que 0 es neutro.
Demostraci
on de 2
Sean v y v dos opuestos aditivos de v. Entonces tenemos que
v = v + 0 = v + (v + v ) = (v + v) + v = 0 + v = v
luego v = v , es decir, el inverso es u
nico.
Proposici
on 2.1.2 Sea V un K-espacio vectorial. Entonces:
1. 0v = ~0, v V .
2. ~0 = ~0, K
3. ~v = ~0, K, v V = = 0 o v = ~0
4. (v) = (v) = ()v, K, v V
5. (1)v = v, v V
42

no
Algebra Lineal
Demostraci
on 1
0 v = (0 + 0)v = 0 v + 0 v luego 0 v = ~0
Demostraci
on 2
~0 = (~0 + ~0) = ~0 + ~0 luego ~0 = ~0
Demostraci
on 3
Si = 0 esta demostrada la proposicion.
Supongamos 6= 0, luego existe 1 K. Multiplicando v = ~0 por
1 , se tiene 1 (v) = 1 ~0, luego (1 ) v = ~0 luego 1 v = ~0
luego v = ~0.
Demostraci
on 4
Por (2) se tiene ~0 = ~0, luego, (v + v) = ~0, luego v + (v) = ~0,
luego (v) = (v), es decir, el opuesto de v es (v).
Ademas 0v = ~0 y ~0 = 0v = ( + )v = v + ()v, luego 0 =
v + ()v. Esto dice que el inverso aditivo de v es ()v y se
escribe (v) = ()v
Demostraci
on 5
(1)v + v = (1)v + 1v = (1 + 1)v = 0v = ~0
luego el inverso aditivo de v es (1)v, se escribe v = (1)v.
2.2
Sub-espacios vectoriales
Ahora sabemos bien que es un espacio vectorial No te parece?. Bueno,

es natural preguntarse si puede haber un espacio vectorial dentro de
Captulo 2.
43
otro espacio vectorial.

En el curso anterior, estudiamos los grupos y luego denimos los subgrupos.
Entonces, inspirados en el concepto de sub-grupo, denamos un subespacio vectorial.
Definici
on 2.2.1 Sea S V , S 6= , entonces S es un sub-espacio
vectorial de V si S es un K-espacio vectorial, con las mismas operaciones de V . Notacion S V .
Ejemplo
Sabemos que IR2 es un espacio vectorial y conocemos la interpretacion
geometrica de sus vectores. En IR2 , consideremos el subconjunto
S = {(2x, x); x IR}
S es una recta que pasa por el origen.
Observemos que S es cerrado para la suma y la ponderacion y S es
un espacio vectorial. Luego S es un sub-espacio vectorial de IR2 .
Observaci
on
En K 2 , consideremos
A = {(2x + 1, x); x K}
44

no
Algebra Lineal
Sea v = (2x + 1, x) un elemento de A. Ponderemos este vector por el

escalar 5, tenemos
5 v = 5(2x + 1, x) = (10x + 5, 5x)
el cual no es un elemento de A.
Luego esta operacion no es una ponderacion, es decir, la operacion Ex ,

no cumple
Ex : K A A
Luego A no es un sub-espacio vectorial de K 2 .

Problema
Si uno se pone a meditar sobre el ejercicio pen

ultimo, comprende que
no era necesario demostrar E.V.1, E.V.4, E.V.5, E.V.6, E.V.7, E.V.8.
Entonces a uno le gustara saber que es lo justo y necesario que hay
que probar para tener que S es sub-espacio vectorial de V .
La respuesta a esta inquietud la tenemos en la siguiente proposicion.
Proposici
on 2.2.1 (Caracterizaci
on de sub-espacio vectorial)
Sea V un K-espacio vectorial. S V , S 6= . Entonces son equivalentes
Captulo 2.
45
1. S es sub-espacio de V .
2. (a) v + w S, v, w S
(b) v S, K, v S
3. v + w S v, w S, K
Demostraci
on
(1)(2)
Puesto que S es un sub-espacio vectorial de V , en particular es un
espacio vectorial, luego cumple (2).
(2)(1)
Para demostrar (1), tenemos que demostrar que se cumplen los 8 axiomas y que las operaciones estan bien denidas.
Que S es cerrado para la suma, lo sabemos por (a). Que la ponderacion
esta bien denida, lo sabemos por (b).
Sabemos que en V , la suma es asociativa y conmutativa y S V ,
luego la suma es asociativa y conmutativa en S.
En la hipotesis general, tenemos que S 6= , luego existe un vector en
S, llamemosle v. Multipliquemos v por el escalar 0 (este existe, pues
K es un cuerpo) tenemos 0 v = ~0. Luego ~0 esta en S. As tenemos
E.V.2.
Sea v S, un vector cualquiera. Este vector lo podemos multiplicar
por (1), tenemos (1)v = v, luego v S. As tenemos E.V.3.
En ambos casos, usamos (b).
los restantes axiomas se obtienen trivialmente por el hecho que S es

un subconjunto de V .
Luego (2)(1)
46

no
Algebra Lineal
Nota
Una Caracterizacion signica que podemos usar la proposicion, en
vez de la denicion. Estas propiedades caracterizan un sub-espacio
vectorial.
Ejemplo
S = {(a, 0)/a K} K 2
En efecto, S 6= , pues, por ejemplo (2, 0) S. Sean s, s S, luego

s = (a, 0) y s = (a , 0), ciertos a, a K. Tenemos s + s = (a, 0) +
(a + 0) = (a + a , 0) el cual es un elemento de S.
Sea K, luego s = (a, 0) = (a, 0) = (a, 0) el cual es
tambien un elemento de S. Luego S es un sub-espacio vectorial de K 2 .
Ejemplos
S = {(0, 0)} K 2 ; U = {(0, 0, 0)} K 3 ; S = {~0} K; {~0} V ,
para todo V , espacio vectorial.
Ejemplo
S = {(a, b); a + b = 0} K 2
En efecto, S 6= , pues, por ejemplo (2, 2) S. Sean s, s S,

entonces s = (a, a), s = (b, b), ciertos a, b K. Tenemos s + s =
(a, a) + (b, b) = (a + b, a b) el cual es un elemento de S, pues
la suma de las componentes del par ordenado es nula.
Sea K, tenemos (a, a) = (a, (a)) = (a, a), el cual es
un elemento de S. Luego S K 2 .
Ejercicio
Demostremos que S = {(x, y); 2x 3y = 0} IR2 .
Captulo 2.
47
Soluci
on
1. Demostremos que en S hay al menos un elemento:
(3, 2) S pues 2 3 3 2 = 0. Luego S 6=
2. Demostremos que u, v S u + v S
Sean u, v S. Esto signica que u y v tienen la forma u = (x, y),

v = (x1 , y1 ) donde 2x 3y = 0 y 2x1 3y1 = 0. La suma de u y
v es:
u + v = (x, y) + (x1 , y1 ) = (x + x1 , y + y1 )
y se cumple:
2(x + x1 ) 3(y + y1 ) = 2x + 2x1 3y 3y1 =
= (2x 3y) + (2x1 3y1 ) = 0
Luego u + v S.
3. Demostremos que u S u S, IR.
Sea u S, luego u = (x, y) con 2x 3y = 0, de donde:
u = (x, y) = (x, y)
Se tiene:
2(x) 3(y) = (2x 3y) = 0 = 0

As hemos demostrado que S es un sub-espacio vectorial de IR2 .
Ademas observamos que S representa la recta que pasa por el origen
con pendiente 2/3.
48

no
Algebra Lineal
Ejercicio
Demostremos que S =

a b
; a, b, c K M22 (K).
0 c

Soluci
on
1.
3 5
0 2
S, luego S 6= .
2. u, v S. Esto signica que u y v tienen la forma:

a1 b 1
a b
yv=
u=
.
0 c
0 c1
Sumando tenemos:

a1 b 1
a b
a + a1 b + b 1
+
u+v =
=
S.
0 c
0 c1
0
c + c1
3. u =
a b
0 c
a b
0 c
S.
Luego S es un sub-espacio vectorial de M22 (K).

Ejercicio
Demostremos que K2 [X] = {a0 + a1 X + a2 X 2 / a0 , a1 , a2 K} es un
sub-espacio vectorial de K[X].
Soluci
on
1. 3 + 2X + X 2 K2 [X], luego K2 [X] 6= .
2. Sean p(X), q(X) K2 [X]. Luego p(X) y q(X) tienen la forma:
p(X) = a0 + a1 X + a2 X 2 y q(X) = b0 + b1 X + b2 X 2 .
p(X) + q(X) = (a0 + a1 X + a2 X 2 ) + (b0 + b1 X + b2 X 2 )

= (a0 + b0 ) + (a1 + b1 )X + (a2 + b2 )X 2 K2 [X]
Captulo 2.
49
3. Sea p(X) K[X], luego p(X) = a0 +a1 X +a2 X 2 , luego tenemos:

p(X) = (a0 + a1 X + a2 X 2 ) = a0 + (a1 )X + (a2 )X 2
K2 [X].
De (1), (2) y (3), tenemos que K2 [X] es un sub-espacio vectorial de

K[X].
Otra forma de escribir K2 [X] es:
K2 [X] = {p(X) K[X]/ gr p(X) 2}
Ejercicio
Es el conjunto S = {p(X) K[X]/grp(X) = 2} un sub-espacio
vectorial de K[X]?
Soluci
on
1. p(X) = 1 + X + X 2 S, luego S 6= .
2. Sean p(X), q(X) S, dados por
p(X) = 2 + 3X + 5X 2 y q(X) = 4 + 7X 5X 2 S. Sin embargo
p(X)+q(X) = (2+3X +5X 2 )+(4+7X 5X 2 ) = 6+10X, el cual
no pertenece a S pues su grado no es 2. Esto es un contraejemplo.
Conclumos entonces que S no es un sub-espacio de K[X].
Ejercicio
Sea C = {f : IR IR; f es continua}. Probemos que C es un subespacio vectorial de F = {f : IR IR}.
Soluci
on
Del curso de Calculo recordamos que:
50

no
Algebra Lineal
1. La funcion id : IR IR; id(x) = x, x IR es una funcion

continua, luego C 6= .
2. La suma de dos funciones continuas es continua.
3. La ponderacion de una funcion continua es continua.
Luego C es un sub-espacio vectorial de F .
Ejercicio
Sea V = {f : IR IR}. Sea S = {f V ; f (x 1) = f (x)}. Demostremos que S es un sub-espacio vectorial de V
Soluci
on
1. La aplicacion nula pertenece a S, pues 0(x 1) = 0(x). Luego
S 6=
2. Sean f, g S, luego
(f + g)(x 1) = f (x 1) + g(x 1) = f (x) + g(x) = (f + g)(x).
Luego (f + g) S
3. Sean f, g S, luego (f )(x 1) = (f (x 1)) = (f (x)) =
(f )(x)
Por (1), (2), (3), tenemos que S es sub-espacio vectorial de V
Ejercicio
En K 4 , considere el sub-espacio
S = {(x + y + 2z, x + 2y + 2z, 2x + 3y + 5z, x + 2y + 5z); x, y, z K}.
Busquemos una representacion cartesiana de S.
Captulo 2.
51
Soluci
on
Sea
x + y + 2z
x + 2y + 2z
2x + 3y + 5z
x + 2y + 5z
=
=
=
=
a
b
c
d
1
0
0
0
0
1
0
0
2a b
2
0
ba
1
cba
0 3a + 2b 3c + d
Luego escalonando el sistema se tiene:
1
1
2
1
1
2
3
2
2
2
5
5
a
b
c
d
El sistema representa el sub-espacio dado ssi 3a + 2b 3c + d = 0
Luego S = {(a, b, c, d); 3a + 2b c + d = 0} es la representacion

cartesiana de S
Ejercicio
En K 4 , considere el sub-espacio
S = {(a, b, c, d); 2a b c + d = 0, a + b + d = 0}
descrito en forma cartesiana.
Busquemos una representacion parametrica de S.

2 1 1 1 0
1
1 0 1 0
a 13 c + 23 d = 0
Luego
b + 13 c + 13 d = 0
1 0 13
0 1 13
a = 31 c 32 d
Es decir
b = 13 c 13 d
2
3
1
3
0
0
c, d K
S = {( 13 c 23 d, 31 c 13 d, c, d); c, d K}
Ejercicio
Sea V un K-espacio vectorial y S, T V . Demostremos que S T es

un sub-espacio vectorial de V .
52

no
Algebra Lineal
Soluci
on
1. 0 S, 0 T luego 0 S T , es decir S T 6=
2. Sean u, v S T , esto signica que u, v S y al mismo tiempo
u, v T .
Pero si u, v S se tiene que u + v S, pues S es un sub-espacio
vectorial de V y u + v T , pues T es un sub-espacio vectorial
de V . Luego u + v S T .
3. Sea u S T , luego u S y u T . Puesto que S y T son subespacios vectoriales, tenemos que u S y u T K,

es decir, u S T , K
Por (1), (2), (3) tenemos que S T es un sub-espacio vectorial de V .
Ejercicio
Sea V un K-espacio vectorial. Sea v1 , v2 , . . . , vn V . Demuestre que
S = {1 v1 + 2 v2 + . . . + n vn ; 1 , 2 , . . . n K} es un sub-espacio
de V .
Demostraci
on
El ~0 S, pues ~0 = 0v1 + 0v2 + + 0vn Observemos que al sumar dos
elementos de S obtenemos un elemento de S y que al multiplicar un
elemento de S por un escalar tambien obtenemos un elemento de S
2.3
Combinaciones Lineales
Sabes, el problema que tenemos ahora es saber si dado un vector, lo

podemos obtener a partir de otros dos vectores dados. Bueno, es decir
sumando y ponderando esos vectores.
Nos parece bastante logico hacerse esta pregunta pues en todo espacio
vectorial se puede sumar y ponderar Es logico, cierto?
Captulo 2.
53
Observaci
on
Sea V = IR2 , espacio vectorial sobre IR, sea u = (2, 1) IR2 . A partir
de u podemos obtener otros vectores, como por ejemplo, u1 = 3(2, 1),
es decir, u1 = (6, 3), o bien u2 = (10, 5), o u3 = (8, 4), etc.
Entonces diremos que u1 es combinacion lineal de u. Lo mismo para

u2 y u 3 .
Observaci
on
Sea V = IR2 , u = (2, 1), v = (1, 2). A partir de u y v podemos obtener
otros vectores. Recordemos que solamente esta permitido sumar y
cambiar la magnitud de los vectores. Por ejemplo, el vector w1 = (3, 3)
se puede obtener de u y v:
w1 = u + v; (3, 3) = (2, 1) + (1, 2)
Tambien, el vector w2 = (5, 4), pues:
w2 = 2u + v; (5, 4) = 2(2, 1) + (1, 2)
Diremos que w1 es combinacion lineal de u y v. Lo mismo para w2 .
Observaci
on
Sea u = (2, 1), v = (4, 2). Veamos si hay alg
un par de escalares y
que satisfagan la igualdad:
(3, 3) = (2, 1) + (4, 2)
Luego
(3, 3) = (2 + 4, + 2)
es decir, que cumplan simultaneamente
3 = 2 + 4
3 = + 2
54

no
Algebra Lineal
pero, dos cantidades iguales a una tercera son iguales entre si, luego
comparando las ecuaciones tenemos 3 = 32 , lo cual es una contradiccion. El error estuvo en suponer que w lo podamos obtener
a partir de u y v.
En este caso diremos que w no es combinacion lineal de u y v.
Definici
on 2.3.1 Un vector v V se dice que es combinaci
on lineal de los vectores v1 , v2 , . . . , vn , si existen escalares 1 , 2 , . . . , n
K tales que:
v = 1 v1 + 2 v2 + . . . + n vn
Definici
on 2.3.2 Sea S un subconjunto de V , v V , se dice que v
es combinaci
on lineal de los vectores de S si:
v = 1 v1 + 2 v2 + . . . + n vn , ciertos i K, ciertos vi S
Ejemplo
Sea V = K 3 , es decir los vectores son 3-uplas. Sea v1 = (1, 2, 3),
v2 = (2, 5, 1), entonces v = (9, 22, 1) es combinacion lineal de v1
y v2 . En efecto:
(9, 22, 1) = 1(1, 2, 3) + 4(2, 5, 1)
Ejercicio
En K2 [X], consideremos los vectores u = 1 + 2X + X 2 y v = X X 2
1. Demostremos que el vector w1 = 2 + 3X + 3X 2 es combinacion
lineal de u y v.
2. Veamos si el vector w2 = 3 + X es combinacion lineal de u y v.
3. Queremos saber para que valor de k, el vector w3 = 1 + kX X 2
es combinacion lineal de u y v.
Captulo 2.
55
Soluci
on
1. Sea w1 = (1 + 2X + X 2 ) + (X X 2 ). Luego
2 + 3X + 3X 2 = + (2 + )X + ( )X 2
Por denicion de igualdad de polinomios tenemos
= 3
2 + = 3
= 2
Escalonemos este sistema. Tenemos:
(2)
(1)
1 1 3
L21
L13
1 1 3
2 1 3 0 3 3
(1)
(3)
1 0 2
0 1 1
L31
L23
1 0 2
0 0 0 Luego
0 1 1
=2
= 1
Luego w1 = 2u + (1)v. Efectivamente w1 es combinacion lineal

de u y v.
2. Supongamos que w2 = 3 + X es combinacion lineal de u y v, es
decir, supongamos que existe y reales tal que:
3 + X = (1 + 2X + X 2 ) + (X X 2 )
= + (2 + )X + ( )X 2
Por la denicion de igualdad de polinomios tenemos:
= 0
2 + = 1
= 3
Escalonando este sistema tenemos:
56

no
(2)
Algebra Lineal
(1)
1 1 0
1 1 0
1 0 3
L21
L13
2 1 1 0 3 1 0 0 8
(1)
(3)
1 0 3
0 1 3
0 1 3
L31
L23
En la segunda ecuacion nos queda 0 = 8, lo que es una contradiccion. Bueno, el error estuvo en suponer que exista un tal
y , es decir en suponer que w2 era combinacion lineal de u y
v.
Luego w2 no es combinacion lineal de u y v.
3. Sea w3 = u + v. Luego:
1 + kX X 2 = 1 + (2 + )X + ( )X 2
Luego se tiene que se deben cumplir las ecuaciones siguientes:
= 1
2 + = k
= 1
Escribamos este sistema en forma matricial y luego escalonemoslo.

Tenemos
(1)
1
1
1 0
L21
1 0
2
1 1 1 0 1
(2)
2 1
0 1 k2
k
L31
1
1 0
0 1
0 0 k4
(1)
L31
Vemos que este sistema tiene solucion si y solo si k 4 = 0, es

decir k = 4.
Luego w3 es combinacion lineal de u y v si y solo si k = 4.
Captulo 2.
57
Ejercicio
Sea V = M23 (K) sobre K. Es decir, los vectores son matrices de 2
las y 3 columnas.
Sean
v1 =
1 2 5
;
0 1 1

Demostremos que v =
y v3 .
v2 =
1 0 0
;
0 1 6

0 1 4
0 0
7
v3 =
0 1 1
0 0 2
es combinacion lineal de v1 , v2
Es decir, tenemos que encontrar 1 , 2 , 3 K tales que v = 1 v1 +

2 v2 + 3 v3 .
Soluci
on

0 1 4
0 0
7
= 1
1 2 5
0 1 1
+ 2
1 0 0
0 1 6
+ 3
0 1 1
0 0 2
Usando la denicion de igualdad de matrices, tenemos el sistema:

1 + 2
21 + 3
51 + 3
0
1 + 2
1 + 62 + 23
= 0
= 1
= 4
= 0
= 0
= 7
El cual reducido a su forma mas simple, mediante el escalonamiento

del sistema, tenemos
1 = 1,
2 = 1,
3 = 1
Luego v = 1v1 + 1v2 + 1v3 , es decir, v es combinacion lineal de v1 ,

v2 , v3 .
58

no
Algebra Lineal
Como ejercicio al lector, te proponemos lo siguiente:

Comprueba que el vector w =
los vectores v1 , v2 , v3 .
1 4 10
0 1 4
es combinacion lineal de
Ademas, estudie la pregunta siguiente:

2 5 7
1 2 5
Es t =
2.4
Sub-espacio generado
combinacion lineal de v1 , v2 , v3 ?
La pregunta que ahora uno se hace es un poco mas exigente. La idea

es facil: dado un vector, queremos encontrar todos los vectores que
se pueden obtener a partir de el. Bueno, se trata de ir sumando y
ponderando los vectores que se van obteniendo.
. . . y los queremos todos.
O bien, dados dos vectores, queremos encontrar todos los vectores que
se pueden obtener a partir de ellos. Idem para el caso de n vectores.
Observaci
on
Consideremos V = K 2 , un K-espacio vectorial. En el, demosnos el
vector v = (1, 2). Entonces queremos encontrar todos los vectores
que se pueden obtener a partir de v. Estos vectores son todos aquellos
de la forma w = (1, 2), es decir, w = (, 2).
El conjunto obtenido es
S = {(x, y); y = 2x}
Escribiremos S =< (1, 2) >.
En este caso, S es un sub-espacio vectorial de K 2 . Ocurrira esto,
siempre ?
Captulo 2.
59
Observaci
on
Consideremos V = IR2 y u = (1, 2) y v = (2, 4). Cuanto es
lo maximo de espacio que podemos alcanzar a partir de u y v? Es
decir, haciendo combinaciones lineales de estos vectores, Que vectores
podemos obtener ?. Es decir, A que conjunto es igual el conjunto
{(1, 2) + (2, 4); , IR} ?
Observamos que haciendo combinaciones lineales de estos vectores

no es posible salir de la recta. Diremos que el espacio generado por u y v es la recta L = {(x, y); y = 2x} y escribiremos
L =< (1, 2), (2, 4) >.
En este caso L tambien es un sub-espacio vectorial de IR2 . Esto es

curioso. No te parece? Tenemos la siguiente proposicion.
Proposici
on 2.4.1 Sean V un K-espacio vectorial y v1 , v2 , . . . , vn
V . Entonces
S = {1 v1 + 2 v2 + + n vn ; 1 , 2 , . . . , n K}
es el mas peque
no sub-espacio de V que contiene a v1 , v2 , . . . , vn .
Demostraci
on
Vimos en un ejercicio que S es un subespacio vectorial de V , al nal
de la seccion 2.2
Demostremos ahora que es el mas peque
no que contiene a v1 , v2 , . . . , vn .
Sea H un sub-espacio vectorial de V que contiene a v1 , v2 , . . . , vn .
Por ser un sub-espacio debe contener 1 v1 , 2 v2 , . . . , n vn para todo
1 , 2 , . . . , n K. Tambien debe contener todas las sumas de vectores de H, es decir, H debe contener 1 v1 + 2 v2 + . . . + n vn para
todo 1 , 2 , . . . , n K. Luego H debe contener a S. Bueno, esto
quiere decir que es el mas peque
no que contiene a v1 , v2 , . . . , vn .
60

no
Algebra Lineal
Ejemplo
Sea V = K 3 . Consideremos los vectores v1 = (1, 2, 1) y v2 = (1, 1, 3).
Entonces S = {(1, 2, 1) + (1, 1, 3); , K} es un sub-espacio
vectorial de K 3 , el cual sera denotado por S =< (1, 2, 1), (1, 1, 3) >.
Definici
on 2.4.1 Sea V un K-espacio vectorial. Sean v1 , v2 , . . . , vn
V . Entonces el conjunto formado por todas las combinaciones lineales
de v1 , v2 , . . . , vn es el sub-espacio llamado el sub-espacio generado
por v1 , v2 , . . . , vn y se denota < v1 , v2 , . . . , vn >, es decir,
< v1 , v2 , . . . , vn >= {1 v1 +2 v2 + +n vn ; 1 , 2 , . . . , n K} = S.
Diremos que {v1 , v2 , . . . , vn } es un conjunto de generadores de S.
Pregunta
Sea V = K 2 . Sea u = (3, 1) y v = (1, 3) Cual es el sub-espacio mas
grande que se puede obtener ponderando y sumando estos vectores?
Es decir, Cual es el sub-espacio generado por u y v?
Respuesta
< (3, 1), (1, 3 >= {(3, 1) + (1, 3); , K} =
= {(3 + , 3); , K}
Luego
(x, y) =
3x + y
x 3y
(3, 1) +
(1, 3)
10
10
Es decir todo vector (x, y) de K 2 , es combinacion lineal de (3, 1) y

(1, 3). De donde tenemos que < (3, 1), (1, 3) >= K 2 .
Ejercicio
Busquemos el sub-espacio de K 3 , generado por u = (1, 1, 1) y v =
(2, 3, 1) y demos una descripcion cartesiana de este sub-espacio.
Captulo 2.
61
Soluci
on
S = {(1, 1, 1) + (2, 3, 1)}; , K}
Sea (x, y, z) = (1, 1, 1) + (2, 3, 1). Esto equivale a suponer que el

sistema de ecuaciones siguiente
x = + 2
y = + 3
z = +
tiene solucion
Es decir, debemos encontrar la condicion necesaria y suciente, para

que este sistema tenga solucion.
Escalonemos el sistema. Tenemos
(1)
x
x
1 2
1 2 x
L21
1 2
(1)
L32
yx
0 1
1 3 y 0 1 y x
(1)
1 1 z
0 1 z x
0 0 y + z 2x
L31
Luego < (1, 1, 1), (2, 3, 1) >= {(x, y, z); 2x y z = 0}
Ejercicio
Encontremos un sistema de generadores para el sub-espacio de K 3 ,
siguiente:
U = {(x, y, z); 2x + y = 0}
Soluci
on
Los elementos de U tienen entonces la forma tpica (x, 2x, z). Ahora
bien (x, 2x, z) = x(1, 2, 0)+z(0, 0, 1). Esto nos dice que todo vector
de U lo podemos obtener a partir de (1, 2, 0) y (0, 0, 1), es decir,
lo podemos obtener como combinacion lineal de (1, 2, 0) y (0, 0, 1).
Entonces (1, 2, 0) y (0, 0, 1) generan U , es decir
U =< (1, 2, 0), (0, 0, 1) >
62

no
Algebra Lineal
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio V de K 3 ,
V = {(x + 2y + z, x + 2y, x 2y + 3z); x, y, z K}
Soluci
on
Observamos que:
(x + 2y + z, x + 2y, x 2y + 3z) = x(1, 1, 1) + y(2, 2, 2) + z(1, 0, 3)
Luego los vectores (1, 1, 1) ,(2, 2, 2), (1, 0, 3) generan V , es decir
V =< (1, 1, 1), (2, 2, 2), (1, 0, 3) >
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio W de K 3 ,
W = {(x, y, z); x + 3y z = 0}
Soluci
on
Los elementos de W tienen la forma tpica (x, y, x + 3y). Tenemos que:
(x, y, x + 3y) = x(1, 0, 1) + y(0, 1, 3)
Luego un conjunto de generadores de W es {(1, 0, 1), (0, 1, 3)} y luego
W =< (1, 0, 1), (0, 1, 3) >

Ejercicio
Sea V = K 3 .
Sea U =< (1, 2, 0), (0, 0, 1) > y V =< (1, 0, 1), (0, 1, 3) >.
Busquemos un conjunto de generadores de U V .
Captulo 2.
63
Soluci
on
Sea v U V , luego:
v = (1, 2, 0) + (0, 0, 1) = a(1, 0, 1) + b(0, 1, 3))
Tenemos:
Luego = 5.
=
a
2 =
b
= a + 3b
Entonces v = (1, 20) 5(0, 0, 1) = (, 2, 5) = (1, 2, 5)
Luego U V =< (1, 2, 5) >. Entonces {(1, 2, 5)} es un conjunto

de generadores de U V
Ejercicio
Sea V = K 3 y S =< (1, 2, 1), (1, 0, 1) >. Busquemos 5 vectores de S.
Soluci
on
Por ejemplo:
v1 = (1, 2, 1) + (1, 0, 1), es decir v1 = (2, 2, 2);
v2 = 2(1, 2, 1) = (2, 4, 2);
v3 = 3(1, 2, 1) (1, 0, 1) = (2, 6, 2);
v4 = 2(1, 0, 1) = (2, 0, 2);
v5 = (1, 2, 1) + 3(1, 0, 1) = (4, 2, 4)

En n, toda combinacion lineal de (1, 2, 1) y (1, 0, 1) es un vector de
S.
64

no
Algebra Lineal
Ejercicio
Sea V = K3 [X]. Busquemos un conjunto de generadores de
S = {a + bX + cX 2 + dX 3 ; 2a + b = c}
Soluci
on
Los elementos de S se caracterizan por tener el coeciente de X 2
igual a la suma del doble de la constante mas el coeciente de X. Un
elemento tpico de S, tiene la forma s = a + bX + (2a + b)X 2 + dX 3 ,
luego s = a(1 + 2X 2 ) + b(X + X 2 ) + dX 3 . Tenemos
S =< 1 + 2X 2 , X + X 2 , X 3 >
puesto que todo elemento de S se puede escribir como una combinacion
lineal de estos tres vectores.
Propiedades elementales de un sub-espacio generado
1. < u, v >=< u, v >; K {0}
2. < u, v >=, K
3. < u, v >=< v, u >
Demostraci
on 1
Sea w < u, v >, luego w tiene la forma w = 1 u + 2 v, ciertos
1 , 2 K. Pero:
w=
1
u + 2 v, 6= 0 luego w < u, v >
Por otra parte, sea w < u, v >, entonces:

w = 1 (u) + 2 v = (1 )u + 2 v, luego w < u, v >
Captulo 2.
65
Demostraci
on 2
Sea w < u, v >, luego:
w = 1 u + 2 v = 1 (u + v) + (2 1 )v, luego w 
Por otra parte, sea w , entonces:
w = 1 (u + v) + 2 v = 1 u + (1 + 2 )v, luego w < u, v >
Demostraci
on 3
Sea w < u, v >, luego: w = u+v, ciertos , K ssi w = v+u
ssi w < v, u >
Notaci
on
Estas tres propiedades se cumplen para el segundo vector.
Observaci
on
< u, v >=< u, v, 0 >

Observaci
on
Esto se generaliza para un conjunto nito de vectores. Se tiene:
1. < u1 , u2 , . . . , un >=< u1 , u2 , . . . , un >; K, 6= 0.
2. < u1 , u2 , . . . , un >=< u1 + u2 , u2 , . . . , un >, K.
3. < u1 , u2 , . . . , un >=< u2 , u1 , . . . , un >
Estas operaciones que han sido realizadas en u1 , u2 , pueden realizarse
ui , uj ; i, j = 1, . . . , n.
66

no
Algebra Lineal
Definici
on 2.4.2 Estos tres tipos de operaciones que dejan invariante
un conjunto de generadores son llamadas operaciones elementales.
Ejercicio
Sea V = K 3 , U =< (3, 9, 12), (1, 3, 6), (1, 3, 4) >. Busquemos una presentacion mas simple de U .
Soluci
on
Para mayor comodidad, los vectores los anotaremos sin comas y los
ordenaremos en una matriz. Hagamos las siguientes operaciones elementales:
3 9 12 L1 ( 13 ) 1 3 4 L21 (1) 1 3 4
1 3 4 1 3 4
0 0 0
1 3 6
1 3 6 L31 (1) 0 0 2
Es decir, < (3, 9, 12), (1, 3, 6), (1, 3, 4) >=< (1, 3, 4), (0, 0, 2) >.
Con esto hemos conseguido una presentacion mas simple del espacio.
Ejercicio
En IR2 , determinemos el sub-espacio generado por el conjunto de vectores:
A = {(1, 3), (3, 9), (2, 6)}
Soluci
on
1 3 L (1) 1 3
2 3
3 9 1 3
2 6
2 6
1 3
1 3
L21 (1)
L31 (2)
1 3
0 0
0 0
0 0
Captulo 2.
67
Luego < (1, 3), (3, 9), (2, 6) >=< (1, 3) >= {(x, 3x); x IR}. Este
sub-espacio de IR2 , representa la recta que pasa por el origen y tiene
pendiente 3.
Ejercicio
Lo mismo que el ejercicio anterior, para
A = {(2, 4, 6), (1, 2, 3), (5, 10, 15)}
Soluci
on
1 2 3
2 4 6 L (1) 1 2 3
1 2
L21 (1)
0
3
3
0 0
1 2
1 2
5 10 15
5 10 15
5 10 15
1 2 3
L31 (5)
0 0 0
0 0 0
= < (2, 4, 6), (1, 2, 3), (5, 10, 15) > = < (1, 2, 3) >
= {(x, 2x, 3x); x IR}
El cual representa una recta de IR3 que pasa por el origen.

Ejercicio
En K 2 , consideremos A = {(1, 2), (1, 1)}. Determinemos el espacio

generado por A.
Soluci
on

1 2
1 1
L21 (1)
1 2
0 1
L2 (1)
1 2
0 1
L12 (2)
1 0
0 1
68

no
Algebra Lineal
Luego < (1, 2), (1, 1) >=< (1, 0), (0, 1) >= {(x, y); x, y K} = K 2
Entonces A genera K 2 .
Ejercicio
En V = K3 [X] consideremos el sub-espacio
S =< 2 + X + 5X 2 + X 3 , 4 + 2X + 10X 2 + 2X 3 , 1 + X + 2X 2 + X 3 >
Busquemos un conjunto de generadores que tenga una cantidad mnima de elementos.
Soluci
on
Por comodidad anotaremos solamente los coecientes de cada polinomio.
2 1 5 1
2 1 5 1
1 0 3 0
L21 (2)
L13 (1)
4 2 10 2 0 0 0 0 0 0 0 0
1 1 2 1
1 1 2 1
1 1 2 1
1 0 3 0
1 0 3 0
L23
L21 (1)
1 1 2 1 0 1 1 1
0 0 0 0
0 0 0 0
Luego, basta generar S por el conjunto de vectores
{1 + 3X 2 , X X 2 + X 3 }
Nota
Hemos observado que a un conjunto A de generadores de un subespacio S de V , al sacarle uno o mas vectores puede, a veces seguir
generando el mismo sub-espacio S.
Esto nos conduce a la siguiente denicion.
Captulo 2.
69
Definici
on 2.4.3 Sea V un K-espacio vectorial. Sea G un conjunto
finito de generadores de un sub-espacio S de V . Diremos que G es
un conjunto minimal de generadores de S, si cada vez que se le
quita alguno de sus elementos, pierde su propiedad de ser generador
de S.
Ejemplo
G = {(1, 2), (3, 2)} es un conjunto minimal de generadores de K 2 .
T = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} es un conjunto minimal de generadores

de K 3 .
2.5
Dependencia Lineal
Ahora es necesario que recuerdes el concepto de dependencia lineal en

un sistema de ecuaciones lineales. A veces, tenamos ecuaciones que
podan ser obtenidas de otras, entonces decamos que el sistema era
linealmente dependiente.
Ahora pensemos en un conjunto de vectores en un espacio vectorial.
De la misma manera, a veces hay vectores que se pueden obtener de
los otros, pues son combinacion lineal de ellos.
Es entonces natural usar este mismo concepto para un conjunto de
vectores. No es as?
Nos encantara que esta seccion la encuentres Trivial!. Eso dira que
estas asimilando bien el curso.
Te recomendamos no empezar esta seccion si no has comprendido las
anteriores, pues se te pueden confundir los conceptos que, sin embargo,
son muy diferentes.
70

no
Algebra Lineal
Observaci
on
Sea V = IR2 , u = (2, 3), v = (10, 15). Observamos que v = 5u,
diremos que el conjunto {u, v} es linealmente dependiente, es decir
que el vector v se puede obtener a partir de u
Observaci
on
Sea V = K 3 , u = (1, 1, 2), v = (2, 1, 5), w = (4, 3, 9). Tenemos que w =
2u+v. Diremos que el conjunto {u, v, w} es linealmente dependiente.
Ahora que tienes el concepto en forma intuitiva, podras apreciar mejor
la denicion siguiente.
Definici
on 2.5.1 Sea V un K-espacio vectorial. Sea
A = {v1 , v2 , . . . , vn }
Diremos que A es linealmente dependiente si al menos un vector
vi A es combinacion lineal de los dem
as vectores de A.
Diremos que un conjunto es linealmente independiente si ning

un
vector depende de los otros, es decir, si ning
un vector es combinacion
lineal de los dem
as. Abreviamos l.d. y l.i respectivamente.
Ejercicio
Sea V = K 4 . Sea A = {(1, 0, 0, 5), (0, 1, 0, 4), (0, 0, 1, 1)}. Demostremos
que A es linealmente independiente.
Soluci
on
Si suponemos que existen a, b K tal que
(1, 0, 0, 5) = a(0, 1, 0, 4) + b(0, 0, 1, 1)
llegaremos a una contradiccion. Lo mismo ocurre si suponemos que

existen c, d, e, f K tales que
Captulo 2.
71
(0, 1, 0, 4) = c(1, 0, 0, 5) + d(0, 0, 1, 1) o

(0, 0, 1, 1) = e(1, 0, 0, 5) + f (0, 1, 0, 4)
Luego el conjunto A es linealmente independiente
Observaci
on
Sea V = K 2 . Sea A = {(3, 1), (6, 2)}. Estudiemos la dependencia lineal
de A.
Observe el chispazo genial siguiente: Obtengamos el vector ~0 = (0, 0)
a partir de estos dos vectores.
Por ejemplo, tenemos
1. ~0 = (0, 0) = (2)(3, 1) + 1(6, 2), o bien
2. ~0 = (0, 0) = (4)(3, 1) + 2(6, 2), o bien
3. ~0 = (0, 0) = 0(3, 1) + 0(6, 2)
De (2): 4(3, 1) = 2(6, 2), como 4 =
6 0, podemos despejar (3, 1) =
2
(6, 2), es decir
4
1
(3, 1) = (6, 2)
2
Conclusion: el conjunto A es l.d.
Observemos que esto lo pudimos hacer, pues tenamos mas de una
manera de obtener el vector ~0, a partir de los vectores en estudio.
Ejercicio
Sea V = K 2 Estudiemos la dependencia lineal del conjunto
A = {(3, 1), (6, 2), (1, 1)}
72

no
Algebra Lineal
Soluci
on
Veamos las posibles maneras de obtener el vector (0, 0)
Sea (0, 0) = (3, 1) + (6, 2) + (1, 1). luego:
0 = 3 + 6 +
0 = 3 + 6 + 3
Tenemos = 0, = 2. Luego
(0, 0) = 2(3, 1) + (6, 2) + 0(1, 1), K
Tomemos = 1
(0, 0) = 2(3, 1) + 1 (6, 2) + 0(1, 1)
luego
(6, 2) = 2(3, 1) + 0(1, 1)
Entonces el conjunto A es l.d.
Nota
Esta forma de estudiar la dependencia lineal parece interesante. No
hay que estudiar tantas ecuaciones como al usar directamente la
denicion.
Antes de estudiar una caracterizacion de dependencia lineal, veamos
las siguientes deniciones:
Definici
on 2.5.2 Sea {v1 , v2 , . . . , vn } un conjunto de vectores de un
espacio V . Diremos que
0v1 + 0v2 + + 0vn
es una combinaci
on lineal trivial.
Definici
on 2.5.3 {~0} es linealmente dependiente.
{v} es linealmente independiente si y s
olo si ~v 6= ~0
Captulo 2.
73
Proposici
on 2.5.1 (Caracterizaci
on de dependencia lineal)
Sea V un espacio vectorial sobre K. Sea A = {v1 , v2 , . . . , vn }, entonces
son equivalentes:
1. A es linealmente dependiente.
2. i 6= 0, i K tal que 1 v1 + + i vi + + n vn = ~0.
Demostraci
on
Dem (1) (2):
Sea A linealmente dependiente, luego existe al menos un vector que es

combinacion lineal de los demas. Sin perdida de generalidad, supongamos que v1 es combinacion lineal de los demas. Tenemos
v1 = 2 v2 + + n vn , ciertos 2 , . . . , n K, luego
0 = (1)v1 + 2 v2 + + n vn
luego tenemos (2)
Dem (2) (1) :
Supongamos que existe i 6= 0, i K tal que

1 v1 + + i vi + + n vn = ~0
Sin perdida de generalidad, supongamos 1 6= 0. Luego
1 v1 = 2 v2 + + n vn , puesto que 1 6= 0, tenemos

v1 =
2
v
1 2
+ +
n
v ,
1 n
luego tenemos (1)
Repaso de l
ogica
La proposicion: (1) (2) , es logicamente equivalente a la proposicion:
no(1) no(2).
Luego la proposicion anterior es logicamente equivalente al siguiente

corolario:
74

no
Algebra Lineal
Corolario 2.5.2 Sea V un K-espacio vectorial. Sea

A = {v1 , v2 , . . . , vn }
entonces son equivalentes las siguientes proposiciones:
1. A es linealmente independiente.
2. Existe una u
nica manera de obtener el vector ~0, a saber, como
una combinacion lineal trivial.
Escrito en forma simbolica es
1 v1 + + n vn = ~0 1 = = n = 0
Ejercicio
En V = K 3 , consideremos A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Estudiemos la dependencia lineal de A.
Soluci
on
Sea (1, 1, 1) + (1, 1, 0) + (1, 0, 0) = (0, 0, 0). Luego
++ = 0
+ = 0
= 0
luego = = = 0. Entonces la u
nica manera de obtener el vector
(0, 0, 0), es la forma trivial. Luego A es l.i.
Ejercicio
Estudiemos en K 3 , la dependencia lineal del conjunto
A = {(1, 1, 2), (3, 3, 6), (1, 2, 5)}
Captulo 2.
75
Soluci
on
Sea (1, 1, 2) + (3, 3, 6) + (1, 2, 5) = (0, 0, 0).
De aqu obtenemos que = 3 y = 0. Luego todas las maneras
posibles de obtener el vector ~0 son:
(0, 0, 0) = 3(1, 1, 2) + (3, 3, 6) + 0(1, 2, 5); K
es decir, hay mas de una manera de obtener el vector ~0. Luego A es

l.d.
Proposici
on 2.5.3 Sea V un K-espacio vectorial. Entonces:
1. Sea A V , B A y A linealmente independiente, entonces B
es linealmente independiente.
2. Si un conjunto de vectores contiene el ~0, entonces el conjunto es
linealmente dependiente.
3. Sea {v1 , v2 , . . . , vn } l.i. y {v1 , v2 , . . . , vn , w} l.d., entonces w es
combinacion lineal de v1 , v2 , . . . , vn .
4. Sea {v1 , v2 , . . . , vn } l.i. y supongamos que w no es combinacion
lineal de v1 , v2 , . . . , vn , entonces {v1 , v2 , . . . , vn , w} es l.i.
Demostraci
on 1: Trivial!
Demostraci
on 2
Basta con escribir una combinacion lineal nula no trivial como:
5~0 + 0v1 + 0v2 + + 0vn = ~0
Demostraci
on 3
Supongamos que A = {v1 , v2 , . . . , vn , w} es l.d., entonces se puede
obtener una combinacion lineal nula no trivial con los elementos de A:
1 v1 + 2 v2 + + n vn + w = ~0
76

no
Algebra Lineal
Si = 0 entonces:
1 v1 + 2 v2 + + n vn = ~0
y como {v1 , v2 , . . . , vn } es l.i., tenemos que:
1 = 2 = = n = 0
luego A es l.i. contradiccion, luego 6= 0, es decir, podemos despejar
w en la primera ecuacion:
w=
2
n
1
v1 +
v2 + +
vn
es decir,w es combinacion lineal de v1 , v2 , . . . , vn

Demostraci
on 4
Sea 1 v1 + 2 v2 + + n vn + w = ~0, tenemos que = 0 pues w no
es combinacion lineal de los otros vectores, luego:
1 v1 + 2 v2 + + n vn = ~0
luego 1 = 2 = = n = 0.
Ejercicio
Sea V un K-espacio vectorial y {u, v, w} un conjunto de vectores l.i.
Estudiemos la dependencia lineal de los vectores

s = u + 2v, t = u + v w, r = v + 2w
Soluci
on
Sea s + t + r = ~0. Luego (u + 2v) + (u + v w) + (v + 2w) = ~0,

luego ( + )u + (2 + + )v + ( + 2)w = ~0.
Puesto que {u, v, w} es l.i., hay una u
nica manera de obtener el ~0 y
esta es:
Captulo 2.
77
+ = 0
2 + + = 0
+ 2 = 0
1 0 0 0
1 1 0 0
2
1
1
0
1 0 0
0
0 1 2 0
0 0 1 0
Luego = 0, = 0, = 0, es decir {r, s, t} es l.i.

Ejercicio
Sea V un K-espacio vectorial y {u, v, w} un conjunto l.i. Estudiemos
la dependencia lineal de la siguiente familia de vectores.
{u, s = ( 2)v + ( 2)w, t = v + (2 4)w; K}
Soluci
on
Sea au + bs + ct = ~0. Luego
au + b(( 2)v + ( 2)w) + c(v + (2 4)w) = ~0
Es decir au + (( 2)b + c)v + (( 2)b + (2 4)c)w = ~0.
Puesto que {u, v, w} es un conjunto l.i., entonces
a = 0
( 2)b + c = 0
( 2)b + (2 4)c = 0
En forma matricial, tenemos
0
1
0
0
1
0
0 2
2
0 2 4 0
Caso 2 = 0 ssi = 2
(2.1)
78

no
Algebra Lineal
Tenemos
)
1 0 0 0
a = 0
Para todo b IR
0 0 1 0 Luego
c = 0
0 0 0 0
Reemplazando en (2.1), tenemos u, s = ~0, t = v. Luego para todo

b IR, tenemos 0u + bs + 0t = ~0, luego {u, ~0, t} es l.d., luego{u, s, t}
es l.d.
Caso 2 6= 0 ssi 6= 2
1
1 0
L2 ( 2
)
1 1
0
0
0 1
1
0
(2.1)
0 1
2
1
L3 ( 2
)
0 1 +2 0
0 0
0
1
2
2 5
2
Caso 2 5 = 0 ssi 2 = 5
0
0
Tenemos
= 0
1
b + 2
c = 0
Luego 0u +
este caso
1
cs
2
a =
b =
0
1
c
2
c IR
+ ct = ~0, c IR, 2 = 5. Luego {u, s, t} es l.d. en
Caso 2 6= 5
en este caso tenemos a = b = c = 0, luego {u, s, t} es l.i.

Definici
on 2.5.4 Sea A = {v1 , v2 , . . . , vn } un conjunto de vectores
de un espacio vectorial V . Diremos que A es un conjunto maximal
linealmente independiente si {v1 , v2 , . . . , vn , w} es linealmente dependiente para todo w V
Ejemplo
Sea V = K 2 . A = {(1, 1), (1, 0)} es un conjunto maximal linealmente
independiente en V . En efecto, todo (a, b) V se puede escribir como
(a, b) = (b a)(1, 1) + b(1, 0). Luego
{(a, b), (1, 1), (1, 0)} es l.d. (a, b) K 2
Captulo 2.
2.6
79
Bases de un espacio vectorial
Ahora vamos a estudiar al mismo tiempo las dos secciones anteriores.

Vamos a entrelazar el concepto de generadores de un espacio, con el
concepto de dependencia lineal.
Para esto vamos a iniciar esta seccion con algunas consideraciones
sobre las posibles posiciones de tres vectores no nulos en el plano.
Sea V = IR2 y consideramos u, v, w V . Las posibles ubicaciones de
u, v, w en el plano son las dadas en las siguientes tres observaciones:
Observaci
on
Observemos la siguiente gura:
Los vectores u, v, w no nulos son colineales, es decir se encuentran

sobre una recta que denotamos por L.
Observamos que:
< u, v, w >= L =< u, v >=< u, w >=< v, w >==< v >=
=< w >
En este caso:
{u, v, w}, {u, v}, {u, w}, {v, w}
80

no
Algebra Lineal
son linealmente dependientes, mientras que

{u}, {v}, {w}
son linealmente independientes.
Diremos que los conjuntos {u}, {v}, {w}, son bases de L.

Observaci
on
Consideremos vectores no nulos u, v colineales, es decir se encuentran sobre una recta que denotamos por L y w otro vector que no se
encuentra sobre L.
Dada una combinacion lineal nula de los vectores u, v, w:

~0 = u + v + w
necesariamente se debe tener = 0; mientras que y pueden ser
no nulos.
El sub-espacio generado por estos tres vectores es:
< u, v, w >=< u, w >=< v, w >= IR2
< u, v >6= IR2
En este caso {u, v, w}, {u, v} son linealmente dependientes y {u, w},
{v, w}, {u}, {v},{w} son linealmente independientes.
Diremos que {u, w}, {v, w} forman, cada uno de ellos, una base de
IR2 .
Captulo 2.
81
Observaci
on
Sean u, v, w tres vectores no nulos, de los cuales no hay dos sobre la
misma recta:
Se puede tener:
u + v + w = ~0 con , , 6= 0
Luego se tiene:
< u, v, w >= IR2 =< u, v >=< v, w >=< u, w >
Ademas se tiene que {u, v, w} l.d.; {u, w} l.i.; {v, w} l.i.; {u, v} l.i.
Diremos que {u, v}, {u, w}, {v, w} forman bases de IR2 .
Definici
on 2.6.1 Un subconjunto B de V , se dice que forma una
base de V , si B es l.i. y B es un conjunto de generadores de V .
Problema
En este momento, uno se pregunta que relacion habra entre base y los
conceptos de conjunto l.i. maximal y conjunto de generadores minimal.
La respuesta a esta inquietud, esta dada en la proposicion siguiente:
82

no
Algebra Lineal
Proposici
on 2.6.1 (Conceptos equivalentes a base)
Sea B = {v1 , v2 , . . . , vn }, entonces son equivalentes:
1. B es l.i. y < v1 , v2 , . . . , vn >= V
2. v V , existen u
nicos 1 , 2 , . . . , n K, tales que:
v = 1 v1 + 2 v2 + + n vn
3. B es un conjunto minimal de generadores de V
4. B es un conjunto maximal l.i.de V
Demostraci
on
(1)=(3)
Sea B = {v1 , v2 , . . . , vn } l.i y V =. Por demostrar que B es un
conjunto minimal de generadores de V . Por hipotesis B genera V. Solo
falta demostrar que este conjunto es minimal.
Supongamos que no es minimal, es decir, supongamos sin perdida de
generalidad que B = {v1 , v2 , . . . , vn1 } genera V , luego vn es combinacion lineal de v1 , . . . vn1 , es decir, vn = 1 v1 +2 v2 +. . .+n1 vn1 ,
ciertos i K, luego {v1 , v2 , . . . , vn } es l.d. contradiccion. Luego B es
minimal.
(3) = (4)
Supongamos que {v1 , v2 , . . . , vn } es un conjunto minimal de generadores y supongamos ademas que {v1 , v2 , . . . , vn } es l.i. Sea C =
{v1 , v2 , . . . , vn , w}. Por (3) se tiene que w = 1 v1 + 2 v2 + . . . + n vn .
Luego {v1 , v2 , . . . , vn , w} es l.d., luego {v1 , v2 , . . . , vn } es l.i. maximal
(4)=(1)
B es l.i. pues es l.i. maximal

Sea w V un vector cualquiera. Tenemos que {v1 , v2 , . . . , vn , w} es
l.d., luego w = 1 v1 + 2 v2 + . . . + n vn , luego < v1 , v2 , . . . , vn >= V
(1)=(2)
Captulo 2.
83
Sea v = 1 v1 + 2 v2 + . . . + n vn y v = 1 v1 + 2 v2 + . . . + n vn . Dos
descomposiciones de v.
Luego 1 v1 + 2 v2 + . . . + n vn = 1 v1 + 2 v2 + . . . + n vn .
Luego (1 1 )v1 + (2 2 )v2 + . . . + (n n )vn = ~0.
Puesto que {v1 , v2 , . . . , vn } es l.i. tenemos que 1 1 = 2 2 =

. . . = n n = 0, luego 1 = 1 , 2 = 2 , . . . , n = n . Entonces
existe una u
nica manera de escribir los vectores de V seg
un el conjunto
de vectores {v1 , v2 , . . . , vn }
(2)=(1)
(i) Por demostrar {v1 , v2 , . . . , vn } es l.i. Sea 1 v1 +2 v2 +. . .+n vn = 0.

Pero 0 = 0v1 + 0v2 + . . . + 0vn . Entonces 1 v1 + 2 v2 + . . . + n vn =
0v1 + 0v2 + . . . + 0vn .
Puesto que la escritura es u

nica, 1 = 0, 2 = 0, . . . , n = 0. Luego es
l.i.
(ii) Sea v V , entonces v = 1 v1 + 2 v2 + . . . + n vn de manera u
nica,
en particular v = 1 v1 + 2 v2 + . . . + n vn . Por (i) y (ii), tenemos (1)
Hemos demostrado que (1)=(3), (3)=(4), (4)=(1) y (1)=(2),
(2)=(1). Luego el teorema esta demostrado.
Definici
on 2.6.2 Sea B = {v1 , v2 , . . . , vn } una base de V . Sea v =
1 v1 + 2 v2 + . . . + n vn . Entonces 1 , 2 , . . . , n son llamadas las
componentes de v, seg
un la base B
Definici
on 2.6.3 Llamaremos la base can
onica de K n a la base
{e1 = (1, 0, ..., 0), e2 = (0, 1, ..., 0), ..., en = (0, 0, ..., 0, 1)} .
Observamos que para todo elemento de K n se tiene:
Si (a1 , a2 , . . . , an ) K n , entonces
(a1 , a2 , . . . , an ) = a1 (1, 0, . . . , 0) + a2 (0, 1, . . . , 0) + +
+an (0, 0, . . . , 1) =
= a1 e1 + a2 e2 + + an en
84

no
Algebra Lineal
Definici
on 2.6.4 La base
can
onica de Km [X], es la base
2
m
{1, X, X , ..., X }. Por otra parte, la base can
onica de K[X], es
la base {1, X, X 2 , ..., X n , ...}.
Por ejemplo la base can
onica de K 2 , es {e1 = (1, 0), e2 = (0, 1)}.
Por otra parte la base can

onica de K2 [X], es la base {1, X, X 2 }.
Ejercicio
Sea V = K 2 . Demostremos que B = {(1, 1), (1, 2)} es una base de K 2 .
Soluci
on
1. Demostremos que B genera K 2 .
Sea (x, y) = (1, 1) + (1, 2), ciertos , K luego:
(x, y) = ( + , + 2)
de donde = y x y = 2x y, es decir:
(x, y) = (2x y)(1, 1) + (y x)(1, 2)
2. Demostremos que B es l.i. Sea (1, 1) + (1, 2) = (0, 0), luego:
( + , + 2) = (0, 0)
De aqu se desprende que = = 0.
Puesto que la u
nica manera de escribir el ~0 a partir de los dos
vectores de B es la forma trivial, se tiene que B es l.i.
Por (1) y (2) se tiene que B es una base de K 2 .
Las componentes de un vector cualquiera (x, y) seg
un la base B son:
2x y, y x. Por ejemplo: (3, 5) = 1(1, 1) + 2(1, 2)
Luego un vector (x, y), cualquiera de K 2 , se puede escribir como combinacion lineal de (1, 1) y (1, 2).
Captulo 2.
85
Proposici
on 2.6.2 Sea V un K-espacio vectorial. Entonces
1. Las componentes de la suma de dos vectores, son la suma de las
componentes.
2. Las componentes del producto de un vector por un escalar, son
el producto de las componentes por el escalar.
Demostraci
on
Sea B = {v1 , v2 , . . . , vn } una base de V sobre K. Sea
v = 1 v1 + 2 v2 + + n vn y w = 1 v1 + 2 v2 + + n vn
Entonces:
v + w = (1 v1 + 2 v2 + + n vn ) + (1 v1 + 2 v2 + + n vn )
= (1 + 1 )v1 + (2 + 2 )v2 + + (n + n )vn
Luego se tiene (1).
Ademas:
v = (1 v1 + 2 v2 + + n vn )
= (1 )v1 + (2 )v2 + + (n )vn
Luego se tiene (2)
2.6.1
M
etodo para encontrar una base de un espacio vectorial
Recuerda que para tener escrito un sistema de ecuaciones lineales en

su forma mas simple, hacamos el proceso de escalonamiento, pues las
operaciones elementales no alteran el sistema.
De la misma manera, tu sabes, que las operaciones elementales en un
conjunto de generadores no alteran el espacio obtenido.
Te parece, entonces, natural, escalonar un conjunto de generadores?
86

no
Algebra Lineal
Obviamente que al escalonar un conjunto de vectores, el conjunto

obtenido, quitandole los vectores nulos, es un conjunto minimal de
generadores, luego es una base.
Tambien los vectores escalonados son l.i., luego forman una base del
espacio en cuestion.
Ejercicio
Sea V = K 3 , U =< (2, 4, 5), (4, 8, 2), (2, 4, 5) >. Busquemos
una base de U cuyos vectores esten escalonados.
Soluci
on
(2)
L21
L2 12
2
4 5
2 4 5
4 8 2 0 0 12
1
(2)
)
2
4
5
0 0 10
L31
L310
(5)
L12
2 4 5
1 2 0
1 0 0 1
0 0
(1)
0 0 1
0 0 0
L32
Diremos que la base escalonada de U es B = {(1, 2, 0), (0, 0, 1)}.
Definici
on 2.6.5 Sea V un espacio vectorial. Diremos que un conjunto de vectores de V es escalonado si al escribirlos como filas de
una matriz, se obtiene una matriz escalonada.
Proposici
on 2.6.3 Sea V un K-espacio vectorial y sea S V , entonces el conjunto escalonado de generadores de S es u
nico y constituye una base de S.
Definici
on 2.6.6 La base de un espacio vectorial formada por el conjunto de vectores escalonados es llamada la base escalonada del espacio considerado.
Captulo 2.
87
Corolario 2.6.4 (Caracterizaci

on de igualdad de sub-espacios)
Sean S, T V , V un K-espacio vectorial, entonces S = T si y s
olo si
tienen la misma base escalonada.
Ejercicio
En K 3 , busquemos la base escalonada del subespacio vectorial descrito
por
S = {(x, y, z); 5x 3y z = 0}
Soluci
on
Tenemos que z = 5x 3y, luego los elementos de S tienen la forma
v = (x, y, 5x 3y). Ademas:
(x, y, 5x 3y) = x(1, 0, 5) + y(0, 1, 3)
Luego el conjunto B = {(1, 0, 5), (0, 1, 3)} es un conjunto de generadores de S y puesto que estan escalonados, B es la base escalonada
de S.
Ejercicio
En K 3 , busquemos la base escalonada del sub-espacio S generado por
el conjunto de vectores {(1, 2, 4), (3, 6, 1), (5, 10, 9), (2, 4, 3)}
Soluci
on
L21 (3)
1 2
4
3 6
L
1 31 (5)
5 10
9
L41 (2)
2 4 3
1
0
0
0
1
2
4
0 11
0

0
0 11
0
0 11
Luego, la base escalonada de S es {(1, 2, 0), (0, 0, 1)}.
2
0
0
0
0
1
0
0
88

no
Algebra Lineal
Ejercicio
En K 4 , busquemos la base escalonada del sub-espacio
S = {(x y z + 2u, x + y + 3z + 4u, 2x + y + 4z + 7u, 3x + y+
+5z + 10u); x, y, z, u K}
Soluci
on
Todo elemento de S lo podemos escribir en la forma:
v = x(1, 1, 2, 3) + y(1, 1, 1, 1) + z(1, 3, 4, 5) + u(2, 4, 7, 10)
luego
S =< (1, 1, 2, 3), (1, 1, 1, 1), (1, 3, 4, 5), (2, 4, 7, 10) >
Al escalonar este conjunto de vectores tenemos la base escalonada B,
3
1
B = {(1, 0, , 1), (0, 1, , 2)}
2
2
Ejercicio
Sea V = K 3 , S, T V , denidos por:
S = {(x + 2y, 2x + 4y, 3x + 10y); x, y K}
T = {(2x + 3y, 4x + 6y, 2x + 5y); x, y K}
Estudiemos la posible igualdad de estos dos sub-espacios.
Soluci
on
S =< (1, 2, 3), (2, 4, 10) >; T =< (2, 4, 2), (3, 6, 5) >. Ambos conjuntos al ser escalonados tienen la misma base escalonada B =
{(1, 2, 0), (0, 0, 1)}, luego S = T .
Captulo 2.
89
Teorema 2.6.5 (de Steinitz) Sea V un K-espacio vectorial. Sea

{v1 , v2 , . . . , vn } un conjunto l.i. y {w1 , w2 , . . . , wm } un conjunto de
generadores de V . Entonces existe una base de V de la forma:
{v1 , v2 , . . . , vn , wk1 , wk2 , . . . , wkp }, ciertos k1 , k2 , . . . , kp {1, 2, . . . , m}
Demostraci
on
Sea S =< v1 , v2 , . . . , vn >
1. Tenemos dos posibilidades:
(a) wj < v1 , v2 , . . . , vn >= S, j = 1, 2, . . . , m. Entonces tenemos que S = V y {v1 , v2 , . . . , vn } forman una base de
V.
(b) Existe wk1 que no pertenece a S. En este caso tenemos que
{v1 , v2 , . . . , vn , wk1 } es l.i.
Sea S1 =< v1 , v2 , . . . , vn , wk1 >
2. Nuevamente tenemos dos posibilidades:
(a) S1 = V , entonces {v1 , v2 , . . . , vn , wk1 } es una base de V
(b) S1 6= V , entonces existe wk2 que no pertenece a S1 . En este

caso tenemos que {v1 , v2 , . . . , vn , wk1 , wk2 } es l.i.
En forma analoga se construye S2 =< v1 , v2 , . . . , vn , wk1 , wk2 >.
Luego de un n
umero nito de pasos no mayor a m, se obtiene la base
buscada.
2.6.2
Aplicaci
on del Teorema de Steinitz
Sea V un K-espacio vectorial. Sea {v1 , v2 , . . . , vn } un conjunto l.i. y

sea {e1 , e2 , . . . , em } una base de V , entonces existe una base de V de
la forma:
{v1 , v2 , . . . , vn , ek1 , ek2 , . . . , ekp }, ciertos k1 , k2 , . . . , kp {1, 2, . . . , m}
90

no
Algebra Lineal
Ejercicio
Obtengamos una base de K 4 que contenga al conjunto de vectores
A = {(1, 3, 5, 7), (1, 6, 5, 0)}
Soluci
on
La base escalonada del espacio generado por A es
7
B = {(1, 0, 5, 14), (0, 1, 0, )}
3
Luego una base de V que contiene los vectores de A es
C = {(1, 3, 5, 7), (1, 6, 5, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
Para esto se eligio dos vectores de la base canonica de K 4 que tienen
el 1 en lugares distintos de los elementos lderes de B.
Ejercicio
Busquemos una base de K3 [X] que contenga el conjunto de vectores
A = {3 + 6X 12X 3 , 2 4X + X 2 }
Soluci
on
La base escalonada del espacio generado por A es
1
1
B = {1 + X 2 2X 3 , X X 2 X 3 }
4
8
De la misma manera que en el caso anterior se elige una base que
contenga los vectores de la base canonica de K3 [X] que tienen el 1 en
lugares diferentes de los lderes de la base B. Entonces se ha elegido
la base
C = {3 + 6X 12X 3 , 2 4X + X 2 , X 2 , X 3 }
Captulo 2.
91
Ejercicio
Sea V = K 4 y S = {(a + b + 3c, a + 2c, b + c, a + b + 3c); a, b, c K}
un sub-espacio de V . Busquemos una base B de S que contenga el
vector u = (0, 1, 1, 0) y una base C de S que contenga el vector
v = (5, 3, 2, 5)
Soluci
on
El conjunto escalonado de generadores de S es
A = {(1, 0, 1, 1), (0, 1, 1, 0)}
Entonces es facil completar con vectores de la base escalonada de S,
eligiendo vectores que tengan el elemento lder en un lugar distinto al
del vector u = (0, 1, 1, 0). Se tiene as la base
B = {(0, 1, 1, 0), (1, 0, 1, 1)}
Para la base C, tenemos
3 2
< (5, 3, 2, 5) >=< (1, , , 1) >
5 5
La base pedida puede ser C = {(5, 3, 2, 5), (0, 1, 1, 0)}
Ejercicio
Sea V = M23 (K). S V denido por

S={
3
a
2
+ 23 b c a b + c d
; a, b, c, d IR}
a
b
c

Busquemos una base de S que contenga los vectores

u=
5 3 0
2 2 1
yv=
2 0 0
2 2 4
92

no
Algebra Lineal
Soluci
on
Un conjunto de generadores de S es

3
0 0 1
, 2
0 0 0
1

3
1 0
, 2
0 0
0

1 1 0
1 0
,
0 0 1
1 0

La base escalonada de S es:

0 0 0
0 0 1
0 1 0
1 0 0
,
,
,
1 1 0
0 0 0
0 2 3
0 2 2

La base escalonada del subespacio generado por u y v, es

0 1 0
1 0 0
,
1 1 3
1 1 2

Luego una posibilidad para B es:

0 0 0
0 0 1
2 0 0
5 3 0
,
,
,
1 1 0
0 0 0
2 2 4
2 2 1
2.7

Dimensi
on de un espacio vectorial
Sabes, es bueno que vayas comprendiendo que uno de los problemas

que preocupa en matematicas, es encontrar entes que permanezcan
invariantes al producir ciertos cambios. Son los llamados invariantes.
Por el momento, hemos visto que todas las bases de K 2 , como Kespacio vectorial, tienen 2 elementos.
Es decir el n
umero de elementos de cada base es invariante en K 2 .
Sera cierto que en K 3 , todas las bases tienen 3 elementos?.
. . .Y en un K-espacio vectorial V , ocurrira que todas las bases tiene
la misma cantidad de elementos?.
Es decir, uno se pregunta si el n
umero de elementos de las diferentes
bases de un espacio vectorial es un invariante.
Interesante pregunta cierto?.
Bueno, esta seccion nos da la respuesta a esa pregunta.
Captulo 2.
93
Comencemos por unos lemas y luego el teorema que dara la respuesta

a esta pregunta.
Lema
Sea B = {u1 , u2 , . . . , un } una base de un espacio vectorial V sobre K.
Sea u V tal que u = 1 u1 + 2 u2 + + i ui + + n un , con alg

un
i 6= 0.
Entonces el conjunto C = {u1 , u2 , . . . , ui1 , u, ui+1 , . . . , un } tambien es

una base de V.
Demostraci
on
Sin perdida de generalidad, supongamos 1 6= 0. En este caso
C = {u, u2 , . . . , un }, luego u1 = 11 u + 11 2 u2 + + 11 n un
1. Demostremos que C genera V.
Sea v V . Entonces:
v = 1 u1 + 2 u2 + + n un , ciertos 1 , 2 , . . . , n K.
Luego
v = 1 (11 u 11 2 u2 11 n un ) + 2 u2 + + n un
= 1 11 u + (2 1 11 + 2 )u2 + + (11 n 1 + n )un
Es decir, v < u, u2 , . . . , un >, es decir {u, u2 , . . . , un } genera V.
2. Demostremos que C es l.i.
Sea
u + 2 u2 + + n un = 0
Luego
(1 u1 + + n un ) + 2 u2 + + n un = 0
94

no
Algebra Lineal
De donde
(1 )u1 + (2 + 2 )u2 + + (n + n )un = 0
Pero B es l.i., entonces:
(1)
1 = 0
(2) 2 + 2 = 0

(n) n + n = 0
De 1) tenemos = 0, pues hemos supuesto 1 6= 0. Reemplazando

en las ecuaciones (2),. . . , (n), se tiene i = 0, i = 2, , n. Luego
{u, u2 , . . . , un } es l.i.
Ejemplo
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} es una base de K 3 .
Tenemos que:
(5, 5, 2) = 2(1, 1, 1) + 3(1, 1, 0) + 0(1, 0, 0)

Entonces C = {(5, 5, 2), (1, 1, 0), (1, 0, 0)} es otra base de K 3 , o bien,
D = {(1, 1, 1), (5, 5, 2), (1, 0, 0)}.
Sin embargo, el conjunto A = {(1, 1, 1), (1, 1, 0), (5, 5, 2)} no es una
base de K 3
Lema
Supongamos que existe una base de V con n vectores. Si B =
{u1 , u2 , . . . , un } V es l.i. y posee n vectores, entonces B es una
base de V .
Captulo 2.
95
Demostraci
on
Sea C = {v1 , v2 , . . . , vn } una tal base de V . Entonces:
u1 = 1 v1 + 2 v2 + + n vn
ciertos 1 , 2 , . . . , n K. Sabemos que u1 es no nulo, pues B es
l.i., luego existe alg
un i K, i {1, . . . , n} no nulo. Sin perdida de
generalidad, supongamos 1 6= 0. El lema anterior nos asegura que
{u1 , v2 , . . . , vn } es una base de V . Luego u2 es combinacion lineal de
u1 , v2 , . . . , vn , luego existen 1 , 2 , . . . , n no todos nulos tales que:
u2 = 1 u1 + 2 v2 + + n vn
Si 2 = 3 = = n = 0, se tendra 1 6= 0 , luego {u1 , u2 } es l.d.,
luego {u1 , u2 , . . . , un } l.d., lo cual es una contradiccion. Luego existe
al menos un j no nulo, j {2, . . . , n} Supongamos que 2 6= 0, luego
{u1 , u2 , v3 , . . . , vn } es una base de V . Repitiendo sucesivamente este
proceso, tenemos que {u1 , . . . , un } es una base de V .
Lema
Supongamos que en V existe una base con n vectores. Entonces todo
subconjunto de V que sea l.i. tiene a lo mas n vectores. Es decir, si
A = {v1 , . . . , vm }, entonces m n
Demostraci
on
Supongamos que existe S = {u1 , . . . , un , un+1 , . . . , ut } V que tenga
t vectores, con t > n y que sea l.i. Entonces B = {u1 , . . . , un } tiene n
vectores y es un conjunto l.i., luego B es una base, por el lema anterior.
Luego existen 1 , 2 , . . . , n K tal que:
un+1 = 1 u1 + 2 u2 + + n un
luego {u1 , u2 , . . . , un , un+1 } es l.d., lo que es una contradiccion al hecho
que S es l.i. Luego V tiene a lo mas n vectores l.i.
96

no
Algebra Lineal
Teorema 2.7.1 (de invariancia) Sea V un K-espacio vectorial. Si

V tiene una base con un n
umero finito de elementos, entonces toda
otra base tiene el mismo n
umero de elementos.
Demostraci
on
Sean B = {u1 , u2 , . . . , un } y C = {v1 , v2 , . . . , vm } dos bases cualesquieras de V.
Como B es una base de V y C es l.i. entonces m n. Analogamente,
como C es una base de V y B es l.i., entonces n m. Luego n=m.
Nota
Este teorema se llama de invariancia, pues nos dice que el n
umero de
elementos de una base no vara en las diferentes bases de un espacio
vectorial.
Definici
on 2.7.1 Un espacio vectorial se dice de dimensi
on finita
si posee una base con un n
umero finito de elementos. En caso contrario
se dice que es un espacio de dimensi
on infinita.
Ejemplo
K 2 es un K-espacio vectorial de dimension nita, pues:
B = {(1, 2), (3, 5)}
es una base de IR2 sobre IR.
Ejemplo
K 3 es un K-espacio vectorial de dimension nita, pues:
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
es una base de IR3 sobre K.
Captulo 2.
97
Ejemplo
IR[X] es un espacio vectorial de dimension innita sobre IR, pues no es
posible construir una base que tenga un n
umero nito de elementos.
En efecto, supongamos que existe un conjunto nito B, tal que:
B = {P1 (X), . . . , Pn (X)}
es un conjunto de generadores de IR[X] con
m = max {gr(P1 (X)), . . . , gr(Pn (X))},
entonces, por ejemplo, el polinomio P (X) = 1 + X + X m+1 no es una

combinacion lineal de P1 (X), . . . , Pn (X). Luego no es posible construir
un conjunto nito de generadores.
Definici
on 2.7.2 Sea V un K-espacio vectorial de dimensi
on finita.
Se llama dimensi
on de V al n
umero de elementos de una (luego de
cualquier) base de V .
Notaci
on: dimK V
Ejemplos
dimIR IR2 = 2, dimIR IR3 = 3
Ejercicios de espacios vectoriales complejos

Ejercicio
Sea V = C y K = IR. Encuentre una base de C sobre IR.
Soluci
on
Afirmaci
on: B = {1, i} es una base de C sobre IR
98

no
Algebra Lineal
Un elemento cualquiera de C tiene la forma a + bi y tenemos que

a + bi = a 1 + b i luego B genera C sobre K.
Ademas, sea 1 + i = 01 + 0i luego = 0 y = 0 luego B es l.i.
es decir, B es una base de C sobre IR.

Ejercicio
Sea V = C2 = C C y K = C. Busquemos una base de C2 sobre C.

Soluci
on
Afirmaci
on: A = {(1, 0), (0, 1)} es una base de C2 sobre C.
La forma tpica de un elemento de C2 es (a + bi, c + di) el cual se

escribe:
(a + bi, c + di) = (a + bi)(1, 0) + (c + di)(0, 1)
Luego A genera C2 sobre C.
Demostremos que A es l.i. sobre C. Sea ( + i)(1, 0) + ( + i)(0, 1) =

(0, 0), con , , , IR. Notese que esta igualdad esta en C2 . Luego
+ i = 0 + 0i y + i = 0 + 0i, (ambas igualdades en C), luego
= = = = 0. Luego A es una base de C2 sobre C y dimC C2 = 2.
Notese que los escalares estan en C, luego dimC C = 1
Ejercicio
Sea V = C2 = C C y K = IR. Busquemos la dimension de C2 sobre
IR
Soluci
on
Afirmaci
on: A = {(1, 0), (i, 0), (0, 1), (0, i)} es una base de C2 sobre
IR.
Captulo 2.
99
La forma tpica de un elemento de C2 es (a+bi, c+di), con a, b, c, d IR

el cual se escribe:
(a + bi, c + di) = a(1, 0) + b(i, 0) + c(0, 1) + d(0, i)
Luego A genera C2 sobre IR.
Demostremos que A es l.i. sobre IR.
Sea (1, 0) + (i, 0) + (0, 1) + (0, i) = (0 + 0i, 0 + 0i), (esta igualdad
esta en C2 ), luego ( + i, + i) = (0 + 0i, 0 + 0i), luego = =
= = 0. Se tiene que A es una base de C2 sobre IR y dimIR C2 = 4.
Ejercicio
Sea V = C3 y K = C. Busquemos la dimension de C3 sobre C.
Soluci
on
Afirmaci
on: A = {(1, 0, 0), (0, 0, 1), (0, 0, 1)} es una base de C3 sobre
C.
La forma tpica de un elemento de C3 es (a + bi, c + di, e + f i), el cual
se escribe:
(a+bi, c+di, e+f i) = (a+bi)(1, 0, 0)+(c+di)(0, 1, 0)+(e+f i)(0, 0, 1)
Prueba que A es un conjunto l.i.
Ejercicio
Sea V = C3 y K = IR. Busquemos la dimension de C3 sobre IR
Soluci
on
Afirmaci
on: A = {(1, 0, 0), (i, 0, 0), (0, 1, 0), (0, i, 0), (0, 0, 1), (0, 0, i)}
es una base de C3 sobre IR y dimIR C3 = 6.
Bueno, la demostracion queda para ti como ejercicio.
100

no
Algebra Lineal
Ejercicio
Sea V un espacio vectorial de dimension n sobre C. Demostremos que
V tiene dimension 2n sobre IR.
Soluci
on
Sea A = {v1 , v2 , . . . , vn } una base de V sobre C. Luego v V se
escribe en la forma:
v = (1 + 1 i)v1 + (2 + 2 i)v2 + + (n + n i)vn
= 1 v1 + 2 v2 + + n vn + (1 i)v1 + (2 i)v2 + + (n i)vn
= 1 v1 + 2 v2 + + n vn + 1 (iv1 ) + 2 (iv2 ) + + n (ivn )
Luego B = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } genera C sobre IR.
Sea 1 v1 + 2 v2 + + n vn + 1 iv1 + 2 iv2 + + n ivn = 0 + 0i
Luego
(1 + i1 )v1 + (2 + i2 )v2 + + (n + in )vn = 0 + 0i

Pero {v1 , v2 , . . . , vn } es l.i. sobre C, luego
1 + i1 = 0 + 0i, 2 + i2 = 0 + 0i, . . . , n + in = 0 + 0i
por denicion de igualdad de n
umeros complejos, tenemos
1 = 1 = 0 = 2 = 2 = = n = n
Luego B = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } es l.i. sobre IR.
Luego B forma una base sobre IR. Entonces V tiene dimension 2n

sobre IR.
Captulo 2.
2.8
101
Suma de sub-espacios vectoriales
Nosotros vimos que la interseccion de los sub-espacios vectoriales es

un sub-espacio vectorial.
Uno se pregunta si ocurre lo mismo con la union de dos sub-espacios.
A simple vista, intuicion!?, parece que no.
Entonces si no lo fuera Cual sera el mas peque
no sub-espacio que
contiene a la union de dos sub-espacios?
Bueno, de esto se trata esta seccion.
Comencemos por estudiar un ejemplo concreto Te animas?, Vamos!.
Observaci
on
En IR2 , consideremos S =< (1, 2) > y T =< (1, 1) >, Es S T un
sub-espacio vectorial ?.
Tenemos que (1, 2) S T . Ademas (1, 1) S T . Sin embargo,
(1, 2) + (1, 1) = (2, 3)
/ S T . Luego S T no es un sub-espacio
vectorial.
Cuando S T es un sub-espacio vectorial ?
Cual es el sub-espacio mas peque

no que contiene a S T ?
< (1, 2), (1, 1) >= {(1, 2) + (1, 1); , IR} = {s + t; s S, t

T} = S + T
Este sub-espacio debe contener todas las combinaciones lineales de

(1, 2) y (1, 1). Sera entonces {(1, 2) + (1, 1); , K}?
Definici
on 2.8.1 Sea V un K-espacio vectorial. Sean S, T V . Entonces se define el conjunto
S + T = {s + t; s S, t T }
Proposici
on 2.8.1 Sean S y T dos sub-espacios de V . Entonces S+T
es un sub-espacio de V .
102

no
Algebra Lineal
Demostraci
on
1. S + T 6= pues 0 + 0 S + T
2. Sean u, v S + T , luego u = s + t y v = s + t , ciertos s, s S,
ciertos t, t T . Tenemos que:
u + v = (s + t) + (s + t ) = (s + s ) + (t + t )
que es un elemento tpico de S + T . Luego S + T es cerrado para

la suma.
3. Sea v S + T , luego v = s + t ciertos s S, cierto t T . Ahora
bien
v = (s + t) = s + t
el cual es un elemento de S + T .
Por (1), (2), (3), S + T es un sub-espacio de V .
Definici
on 2.8.2 El sub-espacio vectorial S + T es llamado el subespacio suma de S y T .
Proposici
on 2.8.2 Sea V un K-espacio vectorial. Sean S, T V .
Entonces S + T es el mas peque
no sub-espacio de V que contiene a
ST
Demostraci
on
Demostremos que S T S + T .
v S T v = s, cierto s S, o bien v = t, cierto t T . Luego

v = s + 0 S + T o bien v = 0 + t S + T , en ambos casos v S + T
Demostremos que todo sub-espacio vectorial que contiene a S y T
debe contener a S + T .
Sea H V tal que S, T H. Sea s S y t T , luego s H y
t H, luego s + t H, pues H es un sub-espacio vectorial, luego
todo elemento de la forma s + t pertenece a H. Esto quiere decir que
S + T H.
Captulo 2.
103
Corolario 2.8.3 S T S + T = T
Demostraci
on
)
S + T es el mas peque
no sub-espacio que contiene a S T , pero
S T = T . Ademas T es un sub-espacio vectorial y es el mas peque
no
que se contiene a si mismo, luego S + T = T .
)
S ST S+T =T
Nota
Sean S, T V con bases B y C respectivamente. Entonces:
S + T =
Ejercicio
Sea V = K 3 , S =< (1, 1, 1), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >.
Busquemos la base escalonada de S + T .
Soluci
on
S + T =< (1, 1, 1), (2, 1, 0), (1, 1, 1), (1, 2, 3) >
1 1 1
1
2 3
1 1 1
2
1 0
1 1
1
0
3
2
0
0
0
0
3 2
L (1)
42

1 1
1
0
3
2
0
0
0
0
0 4
104

no
1
0
0
0
0
1
0
0
0
0
0
1
Algebra Lineal
La base escalonada de S + T es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}

Ejercicio
Sea U = K 4 .
Sean S =< (1, 1, 1, 1), (1, 2, 3, 0) > , T =< (3, 4, 1, 2), (0, 1, 1, 0) >
Busquemos la base escalonada de S + T
Soluci
on
Sabemos que:
S + T =< (1, 1, 1, 1), (1, 2, 3, 0), (3, 4, 1, 2), (0, 1, 1, 0) >
1 1 1
2
3 0
4
1 2
1 1 0
1 0 0
1
L42 (1) 0 1 4 1

0 0 0
0
0 0 5 1
1
1
3
0
1
0
0
0
1
1
1
1
1
0
0
0
1
4
4
1
0 0
1 0
0 0
0 1
1
1

1
0
1
51
0
15
1
0
0
1
0
0
0 1
0
1
4 1
0
0
1
0
La base escalonada de S + T es: {(1, 0, 0, 1), (0, 1, 0, 51 ), (0, 0, 1, 15 )}

Observaci
on
Sea V = K 3 , S =< (1, 1, 0), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >,
dimS = 2, dimT = 2
Captulo 2.
105
1 1 0
1
2 3
1 1 1
2
1 0
1 1 0
0
3 3
0
0 0
0
3 0
Luego dim(S + T ) = 3
1
0
0
0
0
1
0
0
0
0
1
0
Busquemos S T . Sea v S T , luego

v = (1, 1, 0) + (1, 2, 3) = a(1, 1, 1) + b(2, 1, 0)
(1) :
(2) :
(3) :
+ = a + 2b
+ 2 = a + b
3 = a
(3) en (1) :
(3) en (2) :
= 2 + 2b
= 5 + b
A la primera ecuacion, restemosle 2 veces la segunda. Tenemos 3 =

12, es decir, = 4.
Luego v = 4(1, 1, 0) + (1, 2, 3), es decir v = (5, 2, 3), de donde
S T =< (5, 2, 3) > y dim S T = 1.
Resulta que dim S + dim T = dim S + T dim S T . Ocurrira esto

siempre?
Uno piensa: en la suma, puede que se repitan vectores, entonces hay

que restarle la interseccion. Parece obvio!. Bueno, este chispazo genial
esta enunciado en el siguiente teorema.
Teorema 2.8.4 Sean S, T V . Entonces:
dim(S + T ) = dimS + dimT dim(S T )
Demostraci
on
Sea B1 = {u1 , u2 , . . . , ur } base de S T
106

no
Algebra Lineal
Como B1 es linealmente independiente, entonces por el corolario del

teorema de Steinitz:
(1) v1 , v2 , . . . , vs S tal que B2 = {u1 , u2 , . . . , ur , v1 , v2 , . . . , vs } es
una base de S.
(2) w1 , w2 , . . . , wt , en T tal que B3 = {u1 , u2 , . . . , ur , w1 , w2 , . . . , wt }
es una base de T .
Demostremos que:
B = {u1 , u2 , . . . , ur , v1 , v2 , . . . , vr , w1 , w2 , . . . , wt } es una base de S +T .
1. Por demostrar que B genera S + T :
Sea w S + T , luego w = s + t, cierto s S y t T .
Luego:
w = (1 u1 + + r ur + 1 v1 + + s vs )+
(1 u1 + + r ur + 1 w1 + + t wt )
= (1 + 1 )u1 + + (r + r )ur +
1 v1 + + s vs + 1 w1 + + t wt 
2. Por demostrar que B es l.i.
1 u1 + + r ur + 1 v1 + + s vs + 1 w1 + + t wt = ~0 ()
1 u1 + + r ur + 1 v1 + + s vs = 1 w1 2 w2
t wt S T
1 w1 2 w2 t wt S T
1 w1 t wt = 1 u1 + + 2 u2 + + r ur
1 w1 + + t wt + 1 u1 + + r ur = ~0
1 = = t = 1 = = r = 0
Reemplazando en () tenemos que:

1 u1 + + r ur + 1 v1 + + s vs = ~0
Entonces 1 = = r = 1 = = s = 0
Captulo 2.
107
Luego B es l.i.
Por (1) y (2) se tiene que B es una base de S + T .
Luego dim(S+T ) = r+s+t; dimS = r+s, dimT = r+t, dimST = r
r + s + t = (r + s) + (r + t) r
Luego dim S + T = dim S + dim T dim S T
Ejercicio
Consideremos los sub-espacios de K 4 .
S =< (1, 0, 1, 0), (0, 1, 0, 0) >; T = {(x, y, z, t); x + y = 0}
Busquemos una base de S T y S + T .

Soluci
on
Sea v = (x, y, z, t) T luego:
(x, y, z, t) = (x, x, z, t) = x(1, 1, 0, 0) + z(0, 0, 1, 0) + t(0, 0, 0, 1)
1
0 1 0
0
1 0 0
1 1 0 0
0
0 1 0
0
0 0 1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
L31 (1)

1
0
1 0
0
1
0 0
0 1 1 0
0
0
1 0
0
0
0 1
1
0
0
0
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
1
dim(S + T ) = 4
4 = 2 + 3 dim(S T ) dim(S T ) = 1
Necesitamos encontrar v S T , v 6= ~0
v = (1, 0, 1, 0)+(0, 1, 0, 0) = (1, 1, 0, 0)+(0, 0, 1, 0)+(0, 0, 0, 1)
108

no
Algebra Lineal
Luego, (, , , 0) = (, , , ), de donde = = = , = 0
Entonces tenemos
v = (1, 0, 1, 0) (0, 1, 0, 0) o bien,

v = (1, 1, 0, 0) + (0, 0, 1, 0) + 0(0, 0, 0, 1)
Luego S T =< (1, 1, 1, 0) >
Nota
Ahora vamos a poner la atencion en aquellos sub-espacios cuya interseccion entre ellos es {~0}.
Definici
on 2.8.3 Sean S, T , W sub-espacios de V , diremos que un
sub-espacio W de V es suma directa de los sub-espacios S y T
si:
1. W = S + T
2. S T = {~0}.
Notaci
on: W = S
Ejercicio
Sea V = K 3 , S = {(x, 0, 0); x K}, T = {(0, y, z); y, z K}.
Entonces, demostremos que S
T = K3
Soluci
on
1. Demostremos que K 3 = S + T
Sea v K 3 luego v = (x, y, z) = (x, 0, 0) + (0, y, z) luego (x, y, z)
se escribe como un vector de S mas un vector de T . Luego K 3
S + T , luego K 3 = S + T
Captulo 2.
109
Otra manera de verlo sera la siguiente:

S =< (1, 0, 0) > y T =< (0, 1, 0), (0, 0, 1) >.
Luego S + T =< (1, 0, 0) > + < (0, 1, 0), (0, 0, 1) > y este u
ltimo
3
es K
2. Sea v S T , luego v S y v T . Luego v = (x, 0, 0) y
v = (0, y, z). Luego (x, 0, 0) = (0, y, z) x = 0, y = 0, z = 0
v = ~0 = (0, 0, 0)
Entonces K 3 = S
Ejercicio
Consideremos V = K 3 , W = {(x, 0, z); x, z K}, S =< (1, 0, 2) >,
T =< (2, 0, 1) >.
Demostremos que W = S
T:
1. Demostremos que W = S + T :
1 0 2
2 0 1
L21 (2)
L21 (2)
1 0 0
0 0 1
1 0
2
0 0 3
L2 ( 1
)
3
1 0 2
0 0 1
Pero tambien {(1, 0, 0), (0, 0, 1)} es una base de W pues los vectores son l.i. y ademas (x, 0, z) = x(1, 0, 0)+z(0, 0, 1). Luego W =
S+T
Otra manera de demostrar que W = S + T es la siguiente
Consideremos w W y hacemos la siguiente armacion:
(x, 0, z) = (1, 0, 2) + (2, 0, 1), ciertos , K
Luego (x, 0, z) = ( + 2, 0, 2 + )
De donde se concluye que x = + 2, z = 2 +
110

no
Algebra Lineal
Entonces
=
2z x
2x z
y =
3
3
Luego tenemos:
(x, 0, z) = (
2x z
2z x
)(1, 0, 2) + (
)(2, 0, 1) S + T
3
3
Es decir w = s + t, ciertos s S, t T . Luego W = S + T

2. Ahora debemos demostrar que S T = {~0}
v S T v S y v T v = (1, 0, 2) y v = (2, 0, 1))
v = (, 0, 2) y v = (2, 0, ) ((, 0, 2) = (2, 0, ))
= 2, 2 = , v = (0, 0, 0), es decir W = S
T.
Definici
on 2.8.4 Dos sub-espacios S y T de un sub-espacio vectorial
V se dicen linealmente independientes ssi:
S T = {~0}
Nota: Si S
T es directa entonces S y T son l.i. . .
Definici
on 2.8.5 Si S T = W entonces S y T son llamados subespacios suplementarios entre s en W .
L
Ejemplo
K 2 =< (1, 1) >
< (1, 3) >,
< (1, 1) > es suplementario de < (1, 3) > en K 2 y < (1, 3) > es
suplementario de < (1, 1) > en K 2
Captulo 2.
111
Observaci
on
Sean:
S =< (1, 3, 0 >, T =< (0, 0, 1), (0, 1, 0) >, U =< (1, 0, 0), (0, 0, 1) >
Tenemos entonces que K 3 =< (1, 3, 0) >
Tambien:
K 3 =< (1, 3, 0) >
Se tiene K 3 = S
< (0, 0, 1), (0, 1, 0) >
< (1, 0, 0), (0, 0, 1) >
T y K3 = S
U y T 6= U
Ejemplo
M22 (K) =<
1 0
0 0
>
M22 (K) =<
1 0
0 0
>
0 x
; x, y, z K}
{
y z

<
0 0
0 0
0 1
,
,
0 1
1 0
0 0

>
Observaci
on
Sea fn : IR IR; fn (x) = xn , n IN. Observamos que:
f2 (x) = x2 = f2 (x); f3 (x) = x3 = f3 (x)
f2n (x) = x2n = f2n (x); f2n+1 (x)2n+1 = x2n+1 = f2n+1 (x)
De manera natural se dene
Definici
on 2.8.6 Diremos que una funcion g es par ssi g(x) =
g(x) y diremos ue una funcion g es impar ssi g(x) = g(x)
Ejercicio
Sea V = {f : IR IR}. Demostremos que
V = {funciones pares}
{funciones impares}
112

no
Algebra Lineal
Soluci
on
1. Demostremos que V = {funciones pares} + {funciones impares}
Armacion: f (x) =
Sea g(x) =
g(x) =
f (x)+f (x)
2
f (x)+f (x)
.
2
f (x)+f ((x))
2
f (x)f (x)
2
Demostremos que g es par.

=
f (x)+f (x)
2
= g(x), luego g es par.
Demostremosque h es impar
h(x) =
f (x)f ((x))
2
f (x)f (x)
2
(x)
= ( f (x)f
) = h(x)
2
Luego h es impar.
Luego V = {funciones pares} + {funciones impares}
2. Demostremos que {funciones pares} {funciones impares} =
{~0}
Sea f par e impar a la vez: Es decir, f (x) = f (x)x K y
f (x) = f (x) x IR
Luego f (x) = f (x) = f (x)
luego 2f (x) = 0x K, luego f (x) = 0x K luego f = ~0,

luego {funciones pares} {funciones impares} = {~0}
Proposici
on 2.8.5 Sea V un K-espacio vectorial; S, T, W V . Entonces son equivalentes:
1. W = S
2. W = S + T y ~0 = s + t, s S, t T = s = t = ~0
La afirmacion 2 nos dice que W = S + T y el ~0 se escribe de

manera u
nica.
Demostraci
on
(1)=(2)
Captulo 2.
113
L
Sea W = S T y s + t = ~0, ciertos s S y t T . Luego s + t S T ,
pues {~0} = S T , luego s + t = s y s + t = t . Luego t = s s y
s = t t. Luego t, s S T = {~0}. Luego s = t = ~0
(2)=(1)
Tenemos que demostrar que S T = {~0}
Sea v S T , luego v S y v T . Ademas v S y v T .

El chispazo genial es escribir el ~0 de la manera siguiente: ~0 = v + (v)
y pensar que v S y v T . Entonces por (2.) tenemos que v = ~0 y
v = ~0. Luego S T = ~0
Proposici
on 2.8.6 Sea W = S + T . Entonces son equivalentes:
1. ~0 = s + t = s = t = ~0 (El vector ~0 se escribe de manera u
nica)
2. s + t = s + t = s = s y t = t (Todo vector de la forma s + t
se escribe de manera u
nica)
Demostraci
on
(1)(2)
Sea s + t = s + t . Luego (s s ) + (t t ) = ~0
Por (1), tenemos que s s = ~0 y t t = ~0.
Luego s = s y t = t
(2)(1)
Sea s + t = ~0. Pensemos el ~0 como ~0 + ~0, el primer ~0 lo pensamos en
S y el segundo en T .
Luego s + t = ~0 + ~0. De (2.) tenemos s = ~0 y t = ~0.
Definici
on 2.8.7 Sean V1 , V2 , . . . , Vn V . Entonces la suma de estos sub-espacios est
a definida por:
V1 + V2 + + Vn = {v1 + v2 + + vn ; vi Vi , i = 1, 2, . . . , n}
114

no
Algebra Lineal
Proposici
on 2.8.7 Sean V1 , V2 , . . . , Vn V . Entonces
V1 + V2 + + Vn V
Demostraci
on
Se deja como ejercicio.
Definici
on 2.8.8 Decimos que W es suma directa de los subespacios V1 , V2 , . . . , Vn si:
1. W = V1 + V2 + + Vn
2. ~0 = v1 + v2 + + vn , vi Vi , i = 1, 2, . . . , n
= v1 = v2 = = vn = ~0. ( El cero se escribe de una sola
manera ).
Cuando esto ocurra, escribiremos:
W = V1
V2
Vn
Proposici
on 2.8.8 Sean V1 , V2 , . . . , Vn V . Sea W V y W =
V1 + V2 + . . . + Vn , entonces son equivalentes:
1.
n
P
i=1
2.
n
P
i=1
vi = ~0, vi Vi , i = 1, . . . , n = vi = 0
vi =
3. Vi
n
P
j=1
i6=j
n
P
i=1
wi , vi , wi Vi i = 1, . . . , n = vi = wi
Vj = {~0}, i = 1, . . . , n
En palabras el punto tercero se puede expresar como:

Cada sub-espacio intersectado con la suma de todos los otros subespacios es el {~0}.
Captulo 2.
115
Ejemplo
Sea V = K 3 , V1 = {(x, 2x, 0), x K}, V2 = {(2x, x, 0), x K} ,
V3 = {(x, 2x, 3x), x IR}
Es facil ver que V1 + V2 + V3 = K 3 . Veamos ahora si esta suma es

directa.
1. V1 (V2 + V3 ) ?. Primero conozcamos S = V2 + V3
V2 =< (2, 1, 0) > y V3 =< (1, 2, 3) >. Luego:
V2 + V3 =< (2, 1, 0), (1, 2, 3) >

2 1 0
1 2 3
L2 ( 31 )
1 2 3
2 1 0
L21
1 2 3
0 1 2
L12 (2)
L21 (2)
1 0 1
0 1
2
1
2
3
0 3 6
Luego
luego
V2 + V3 =< (1, 0, 1), (0, 1, 2) >

S =< (1, 0, 1), (0, 1, 2) >
consideremos u = (1, 2, 0) = (1, 0, 1)+(0, 1, 2) V1 (V2 +

V3 ) Entonces (, 2, 0) = (, , + 2), luego = , 2 =
, 0 = + 2
===0
Luego V1 (V2 + V3 ) = {~0}
De la misma manera debemos probar que V2 (V1 + V3 ) = {~0}

y V3 (V1 + V2 ) = {~0}
2. O bien, podramos demostrar que el ~0 se escribe de manera u
nica.
~0 = (0, 0, 0) = v1 + v2 + v3 = (1, 2, 0) + (2, 1, 0) + (1, 2, 3).
Luego
+ 2 + = 0, 2 + + 2 = 0, 3 = 0, luego = = = 0
Por (1) o por (2) tenemos que K 3 = V1
V2
V3
116
2.9

no
Algebra Lineal
Ejercicios propuestos
1. En IR2 se dene las siguientes operaciones:

(a, b) (c, d) = (a + d, b + c)
(a, b) = (a, b)
Estudie cuales de axiomas de espacio vectorial cumplen estas
operaciones.
2. Considere el conjunto IR1 [X]. En el se dene las siguientes operaciones:
(a + bX) + (c + dX) = (a + c) + (b + d)X
(a + bX) = (a) + bX
Es IR1 [X] un IR espacio vectorial con estas operaciones?
3. Estudie si los siguientes conjuntos son sub-espacios de los espacios vectoriales respectivos:
(a) S = {a + bX + cX 2 + dX 3 K3 [X]; 2cd = b, b + a = 0} de
K3 [X]
(b) T = {
a b
c d
M2 (K); a+d = 0, c2 +d2 = 1} de M2 (K)
(c) S = {(x, y, z); 2x + xy = 0} de K 3

4. Estudie si el vector u = (5 + 5i, 1 + 3i) esta en el C-espacio
vectorial generado por el vector v = (3 i, 1 + i)
5. Estudie si es posible encontrar dos sub-espacios de IR4 , de dimension 2 cada uno, cuya interseccion sea ~0
6. Sea V un K-espacio vectorial y sea {u, v, w, t} un conjunto de
vectores linealmente independientes.
(a) Demuestre que A = {u + v, v + w, w + u} es linealmente
independiente.
Captulo 2.
117
(b) Estudie la dependencia lineal de B = {u + v, v + w, w +

t, t + u}.
(c) Estudie si el sub-espacio < A > es igual al sub-espacio
. Justique su respuesta.
7. Estudie la dependencia lineal del conjunto de vectores siguiente:
{(1, 1, 2), (2, 2 2, + 2), (3, 2 + 3, 2 + 3 4)} seg
un los
diferentes valores de
8. En K n , indique en cada uno de los casos, las condiciones que
debe cumplir n, para tener u, v, w K n , tal que
(a) {u, v}l.i.
(b) {u, v}l.i. y w no pertenece a < u, v >
(c) {u, v, w} es un conjunto minimal de generadores de K n
9. Sea V el IR-espacio vectorial denido por V = {f ; f : IR IR}.

Sean f1 (x) = sen(x), f2 (x) = sen(2x), para todo x IR. Estudie
la dependencia lineal de {f1 , f2 }.
10. Sea V u K-espacio vectorial. Si dimk (V ) es n y e1 , e2 , . . . , en es
una base de V , muestre que existen sub-espacios H0 , H1 , . . . , Hn
de V tales que H0 H1 Hn y dimk (Hi ) = i
11. En K 4 , considere los sub-espacios:
S = {(x, 2x + y, x + 2y, 2y); x, y K}
T =< (3, 4, 1, 7), (5, 0, 5, 3), (0, 0, 0, 4) >
Encuentre la base escalonada de S, T, ST, S+T . Encuentre una
base de K 4 que contenga los vectores que generan el sub-espacio
T.
Captulo 3
Aplicaciones Lineales
3.1
Introducci
on, definici
on y ejemplos
Nosotros vimos que lo mas importante de un espacio vectorial es la

existencia de una base en el. Uno dira que la esencia de un espacio
vectorial es la existencia de una base en el.
Entonces, si queremos denir una aplicacion entre dos espacios vectoriales, debemos tener en cuenta esta consideracion. Obvio! Si no lo
hacemos, entonces cerremos los libros y terminemos aqu el curso. No
te parece? Bueno, pero Que quiere decir tener en cuenta la existencia
de una base?. Creo que sera mejor que lo veamos en un ejemplo.
Consideremos IR2 y IR3 como IR-espacios vectoriales y f : IR2 IR3 .
Ademas consideremos la base B = {(2, 1), (3, 2)} en el dominio de f .
Supongamos que solo sabemos como se comporta f en los elementos

de esta base.
Supongamos, por ejemplo, que
f (2, 1) = (3, 2, 1) y f (3, 2) = (5, 1, 1)
La pregunta que nos hacemos, es si es posible obtener la imagen de
cualquier vector de IR2 , o en que condiciones lo podramos obtener.
119
120

no
Algebra Lineal
Para esto, comencemos por usar el concepto de base, es decir, que todo
elemento de IR2 se escribe de una manera u
nica como combinacion
lineal de la base.
Veamos, por ejemplo, si es posible conocer la imagen del vector v =
(1, 0)
Sabemos que (1, 0) = 2(2, 1) + (1)(3, 2), luego f (1, 0) = f [2(2, 1) +
(1)(3, 2)].
Que exigencias deberamos hacer a f para que la informacion dada
a los vectores de B, pueda ser extendida a todo IR2 ?
... un chispazo genial y hacemos las operaciones siguientes:
f [2(2, 1) + (1)(3, 2)] = f (2(2, 1)) + f (1(3, 2)) =
= 2f (2, 1) + (1)f (3, 2) =
= 2(3, 2, 1) + (1)(5, 1, 1) =
= (1, 3, 1)
Es decir hicimos las exigencias siguientes:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Las exigencias (1.) y (2.) hechas a una aplicacion, se entrelazan con la
nocion de espacio vectorial y as la informacion con respecto a los elementos de una base, se extiende a todos los vectores del espacio.
Ademas, solo para las aplicaciones que cumplan estas dos exigencias podremos utilizar el hecho que el Dominio y el Codominio sean
espacios vectoriales. Estas consideraciones nos llevan a la siguiente
denicion:
Definici
on 3.1.1 Sean U y V dos K-espacios vectoriales. Diremos
que f : U V es una aplicaci
on lineal si se cumplen simult
aneamente:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Captulo 3.
121
Es muy agradable conocer una larga cantidad de ejemplos, antes de

comenzar a estudiar sus propiedades.
Veremos muchos ejemplos, pero tambien de aplicaciones que no son
lineales. Esperamos que los estudies todos. De acuerdo ?...Tenemos
que seguir ilusionados con el Algebra Lineal...
Ejemplo
Sea V un K-espacio vectorial. Sea f : V V ;f (v) = v. Esta
aplicacion es llamada identidad y se denota f = idV .
Tenemos
f (u + v) = u + v = f (u) + f (v) y f (u) = u = f (u)
Luego idV es una aplicacion lineal. Trivial! Cierto?
Ejemplo
Sea V un K-espacio vectorial. Sea f : V V ; f (v) = 0, llamada la
aplicaci
on nula. Denotada por f = 0.
f (u + v) = 0 = 0 + 0 = f (u) + f (v)
f (u) = 0 = 0 = f (u)
Luego f es lineal.
Ejemplo
Sea V un K-espacio vectorial. Sea T : V V ; T (v) = v. Esta
aplicacion es llamada homotecia de raz
on . Tenemos
T (u + v) = (u + v) = u + v = T (u) + T (v)
T (u) = (u) = (u) = T (u)
Luego T es una aplicacion lineal.
122

no
Algebra Lineal
Ejemplo: Reflexi
on en torno al eje X
Sea T : IR2 IR2 ; T (x, y) = (x, y)
T [(x, y) + (x , y )] =
=
=
=
T [(x, y)] =
=
=
=
T [(x + x , y + y )]
(x + x , (y + y ))
(x, y) + (x , y )
T ((x, y)) + T ((x , y ))
T ((x, y))
(x, (y))
(x, y)
T ((x, y))
Luego T es lineal.
Antiejemplo
Sea f : IR IR; f (x) = cos x
cos (x + y) = cos x cos y sin x sin y
Si fuese una aplicacion lineal tendramos que tener :
cos (x + y) = cosx + cosy
Captulo 3.
123
Luego coseno no es una aplicacion lineal.

De la misma manera
g : IR IR;
g(x) = sin x
no es una aplicacion lineal, pues

sin (x + y) = sin x cos y + sin y cos x
lo cual es distinto de sin x + sin y
Antiejemplo: Translaci
on en el plano
Sea T : IR2 IR2 ; T (x, y) = (x + a, y + b). Esta aplicacion llamada
translacion, no es lineal si a 6= 0 o b 6= 0, pues
T [(x, y) + (x , y )] =
=
=
=
6=
T [(x + x , y + y )]
(x + x + a, y + y + b))
(x + a, y + b) + (x , y )
T (x, y) + (x , y )
T (x, y) + T (x , y )
Tambien podramos haber dicho:

La aplicacion no es lineal. Contraejemplo:
Sea
T : IR2 IR2 ;
T (x, y) = (x + 1, y + 2)
Observemos que tenemos

T (1, 0) + T (1, 1) = (2, 2) + (2, 3) = (4, 5)
Por otra parte
T [(1, 0) + (1, 1)] = T (2, 1) = (3, 3) 6= (4, 5)
124

no
Algebra Lineal
Ejemplo: Rotaci
on en un
angulo
La rotacion en un angulo , R , esta denida por
R : IR2 IR2 ; R (x, y) = (x cos y sin , x sin + y cos ).
Demostremos que R es lineal.
(1) R ((x, y) + (x , y )) = R (x + x , y + y )
= ((x + x ) cos (y + y ) sin ,
(x + x ) sin + (y + y ) cos )
= (x cos y sin , x sin + y cos )+
(x cos y sin , x sin + y cos )
= R (x, y) + R (x , y )
(2) R ((x, y)) =

=
=
=
R (x, y)
R (x, y)
Por (1) y (2), tenemos que R es una aplicacion lineal.
Captulo 3.
125
Ejemplo
La aplicacion f : K 2 K 2 ; f (x, y) = (2x + y, 3y) es lineal.
Veamos la demostracion:
(1) f ((x, y) + (x , y )) =
=
=
=
(2) f ((x, y)) =
=
=
=
f ((x + x , y + y ))
(2(x + x ) + (y + y ), 3(y + y ))
(2x + y, 3y) + (2x + y , 3y )
f (x, y) + f (x , y )
f ((x, y))
(2(x) + (y), 3(y))
(2x + y, 3y)
f (x, y)
Por (1) y (2) f es una aplicacion lineal.

Ejemplo
La aplicacion f : K 3 K 2 ; f (x, y, z) = (x + 2z, x y) es una
aplicacion lineal.
La prueba queda como ejercicio.
Ejemplo
Sea f : K2 [X] K1 [X] ; f (a + bX + cX 2 ) = (a + 2c) + (b a)X es
una aplicacion lineal.
La demostracion es igual a las anteriores, pero veamosla pues a muchos
alumnos les complica los polinomios... para que veas que es trivial!!
f (a+bX +cX 2 )+(a +b X +c X 2 )) = f ((a+a )+(b+b )X +(c+c )X 2 )
= ((a+a )+2(c+c ))+((b+b )(a+a ))X
= a + a + 2c + 2c + (b + b a a )X
126

no
Algebra Lineal
= (a+2c+(ba)X)+(a +2c +(b a )X)
= f (a + bX + cX 2 ) + f (a + b X + c X 2 )
f ((a + bX + cX 2 )) =
=
=
=
f (a + bX + cX 2 )
(a) + 2(c) + ((b) (a))X
a + 2c + (b a)X
(a + 2c + (b a)X) = f (a + bX + cX 2 )
Luego f es lineal.
Ejemplo
Sea f : M2 (K) M32 (K), denida por f
es una aplicacion lineal.
a b
c d
a
b
=
a b+c
d 2a
Nota
Sea f : V W lineal. Entonces f (~0) = ~0.
En efecto f (~0) = f (0 ~0) = 0 f (~0) = ~0.
Nota
Es interesante observar que hemos visto aplicaciones lineales entre
espacios diferentes, pero con la exigencia que tengan sus escalares en
el mismo cuerpo.
3.2
Determinaci
on de una aplicaci
on lineal
Tenemos resuelto el problema losoco sobre la existencia de aplicaciones lineales. Existen aplicaciones lineales. Ah tienes muchos ejem-
Captulo 3.
127
plos en la seccion anterior. Pero a

un tenemos un problema losoco
pendiente.
Es el siguiente: Dados dos K-espacios vectoriales cualquiera... Mejor te
lo explicamos en un ejemplo. Bueno ? Es mejor comprender primero
en un ejemplo y luego uno mismo hacer la generalizacion o abstraccion.
Tomemos K 2 en el Dominio y K 3 en el Codominio. Dados los vectores (1, 1) y (1, 0) en el Dominio y los vectores (1, 3, 2) y (1, 0, 3) en
el Codominio, quisieramos saber si existe una aplicacion lineal que
cumpla : f (1, 1) = (1, 3, 2) y f (1, 0) = (1, 0, 3) y ademas saber si hay
otras aplicaciones lineales que cumplen estas mismas condiciones.
Tomemos un vector (x, y) K 2 cualquiera.
Tenemos (x, y) = y(1, 1) + (x y)(1, 0). Puesto que estamos exigiendo

que f sea lineal, tenemos
f (x, y) = yf (1, 1) + (x y)f (1, 0) = y(1, 3, 2) + (x y)(1, 0, 3) =
= (x, 3y, 3x y)
Luego f (x, y) = (x, 3y, 3x y) cumple con las condiciones pedidas. Luego existe una tal aplicacion. Ahora nos queda una pregunta:
Habra otra?
Supongamos g : K 2 K 3 lineal tal que g(1, 1) = (1, 3, 2) y g(1, 0) =
(1, 0, 3)
Hacemos el mismo procedimiento y tenemos que g(x, y) = (x, 3y, 3x
y), la cual tiene la misma expresion analtica de f . Luego existe una
aplicacion lineal que cumple las condiciones dadas y esta es u
nica.
Bueno, esta explicacion es solo un ejemplo. Espero que te sirva para
comprender el problema en forma general.
Es emocionante observar un problema tan importante y sin embargo
de demostracion tan facil. Es, digamos un relampago de genialidad...
Aqu esta:
Teorema 3.2.1 (Teorema fundamental del Algebra Lineal)
Sea B = {v1 , v2 , ..., vn } una base de un espacio vectorial V, de dimension n sobre K y C = {w1 , w2 , ..., wn } una familia de n vectores
de un espacio vectorial W sobre K.
128

no
Algebra Lineal
Entonces existe una aplicaci

on lineal f y solamente una, f : V W ,
tal que
f (v1 ) = w1 , f (v2 ) = w2 , ..., f (vn ) = wn
Demostraci
on
Comencemos por ver la existencia de una tal aplicacion. Para esto, te
mostrare una aplicacion lineal que cumple las condiciones, luego existe
una. De acuerdo?
Sea v V . Luego v = 1 v1 + 2 v2 + + n vn , ciertos i K. Notese
que los i son u
nicos.
Ahora, al vector v le hacemos corresponder un vector w, denido por,
w = 1 w1 + 2 w2 + + n wn
Tenemos que Dom(f ) = V , Im(f ) W
Demostremos que f es lineal.
1. Sea v =
n
X
i vi , v =
n
X
f (v + v ) = f (
n
X
i vi +
(i + i )wi =
n
X
n
X
2. Sea K. Tenemos
n
X
i vi ) = f (
i=1
n
X
(i + i )vi ) =
i=1
i wi +
n
X
i wi = f (v) + f (v ).
i=1
i=1
i=1
f (v) = f (
i vi ) = f (
i=1
i=1
n
X
i vi . Entonces
i=1
i=1
n
X
i=1
(i )vi ) =
n
X
i=1
= f (v).
Por (1) y (2) f es lineal.
Veamos ahora el problema de la unicidad de f .
i wi =
n
X
i=1
i wi =
Captulo 3.
129
Sea g : V W lineal tal que

g(v1 ) = w1 , g(v2 ) = w2 , , g(vn ) = wn
Sea v = 1 v1 + 2 v2 + + n vn un vector cualquiera de V. Entonces
g(v) =
=
=
=
=
=
g(1 v1 + 2 v2 + + n vn )
1 g(v1 ) + 2 g(v2 ) + + n g(vn )
1 w1 + 2 w2 + + n wn
1 f (v1 ) + 2 f (v2 ) + + n f (vn )
f (1 v1 + 2 v2 + + n vn )
f (v)
Luego f (v) = g(v), v V . De donde se concluye f = g.

Comentario
Este Teorema nos dice que una aplicacion lineal esta totalmente determinada cuando conocemos su comportamiento en los elementos de
una base y esta informacion se extiende por linealidad a todos los vectores del Dominio de la aplicacion lineal. Es decir, si uno conoce el
comportamiento de una aplicacion lineal en una base, entonces se da
por conocida la aplicacion. Uno dice : Esta bien, se de que aplicacion
se trata.
Observaci
on
Geometricamente podemos observar que la rotacion en un angulo ,
en el plano, es una aplicacion lineal.
Es lo mismo sumar dos vectores y luego rotarlos, que rotarlos y luego
sumarlos. Por otra parte, es lo mismo, ponderar un vector y luego
rotarlo, que rotarlo y luego ponderarlo.
Bueno, el problema ahora es obtener una expresion analtica de esta
aplicacion.
130

no
Algebra Lineal
Sea r : IR2 IR2 tal aplicacion. Por la denicion de seno y

coseno, facilmente vemos que r (1, 0) = (cos, sen); r (0, 1) =
(sen, cos).
Sea (x, y) un vector cualquiera de IR2 . Tenemos (x, y) = x(1, 0)+y(0, 1)
y aplicando r , tenemos
r (x, y) = xr (1, 0) + yr (0, 1) = x(cos, sen) + y(sen, cos) =
= (xcos ysen, xsen + ycos)
Es decir, basta conocer el comportamiento de r en una base de IR2 ,

para saber su comportamiento en todo el plano.
Ejercicio
Queremos saber si habra una aplicacion lineal f : K 2 K 3 tal que
f (1, 1) = (1, 5, 1), f (1, 2) = (1, 0, 1), f (3, 4) = (3, 10, 7)
Soluci
on
Bueno, {(1, 1), (1, 2)} forman una base de K 2 . Luego el vector (3, 4)
lo podemos escribir como combinacion lineal de esta base y notese de
manera u
nica. A saber:
(3, 4) = 2(1, 1) + 1(1, 2)
Si f fuese lineal, tendramos:
f (3, 4) = 2f (1, 1) + 1f (1, 2) = 2(1, 5, 1) + 1(1, 0, 1) = (3, 10, 3) que es
distinto a (3, 10, 7)
Luego no existe una aplicacion lineal que cumpla tales condiciones.
Ejercicio
Existira una aplicacion lineal f : K 3 K 3 , tal que:
f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1)?
Captulo 3.
131
Habra una, o mas de una ?

Soluci
on
Sabemos que existe una y solo una aplicacion lineal si esta denida
en una base, pero {(1, 1, 1), (1, 1, 0)} no forma una base de K 3 .
Entonces cada vez que denamos f en una base, por ejemplo en
{(1, 1, 1), (1, 1, 0), (1, 0, 0)}, tendremos una aplicacion lineal.
La respuesta es : Hay innitas aplicaciones lineales que cumplen las
condiciones dadas.
Ejemplos:
Ej 1: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 3)
Ej 2: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (4, 2, 6)
Ej 3: f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1), f (1, 0, 0) = (2, 1, 1)
Para cada a, b, c K, se tiene f (1, 1, 1) = (1, 0, 0), f (1, 1, 0) = (2, 1, 1),
f (1, 0, 0) = (a, b, c), una aplicacion que cumple las exigencias pedidas.
Luego hay innitas aplicaciones lineales que cumplen las propiedades
exigidas.
Bueno, ahora que hemos resuelto el problema losoco sobre la existencia de una aplicacion lineal, comencemos por ver sus propiedades.
3.3
Imagen y N
ucleo de una aplicaci
on
lineal
Dada una aplicacion lineal queremos saber la estructura de la imagen

de un sub-espacio vectorial.
Definici
on 3.3.1 Si f : V W es una aplicaci
on lineal y S un subespacio de V , entonces se define la imagen de S bajo f por: f (S) =
{f (s); s S}.
132

no
Algebra Lineal
Proposici
on 3.3.1 Sean V y W dos K-espacios vectoriales. Sea
f : V W una aplicaci
on lineal y sea S un sub-espacio de V , entonces f (S) es un sub-espacio de W .
Demostraci
on
1. f (S) 6= pues como ~0 S entonces f (~0) f (S).
2. Por demostrar que f (S) es cerrado para la suma.
Sean t, t f (S), luego t y t tienen la forma: t = f (s), t = f (s ),
ciertos s, s S.
t + t = f (s) + f (s ) = f (s + s ) = f (s ), s = s + s , el cual es
un vector de S. Luego t + t f (S).
3. Demostremos que f (s) f (S), K, s S.
f (s) = f (s) = f (s ) f (S), s = s S.
Por (1), (2) y (3) f (S) es un sub-espacio de W .

Corolario 3.3.2 Sean V y W dos K-espacios vectoriales. Sea f : V W
una aplicaci
on lineal. Entonces Im(f ) es un sub-espacio vectorial de
W.
Demostraci
on
Basta tomar S = V en la proposicion anterior ya que f (V ) = Im(f )
Observaci
on
Consideremos
f : K 2 K 3 ;
f (x, y) = (x + y, 3x, 2y)
Tenemos que
Im(f ) = {(x + y, 3x, 2y); x, y K} K 3
Captulo 3.
133
Luego
Im(f ) =< (1, 3, 0), (1, 0, 2) >
Una base de Im(f ) es {(1, 3, 0), (1, 0, 2)}, luego
dimK Im(f ) = 2 6= 3 = dimK Codom(f )
Podemos concluir que f no es epiyectiva, pues Im(f ) esta estrictamente contenida en K 3 . Luego, para estudiar si una aplicacion lineal
es epiyectiva, basta saber cual es la dimension de Im(f ). Tenemos la
proposicion siguiente:
Teorema 3.3.3 (Primera caracterizaci
on de las aplicaciones
lineales epiyectivas)
Sean V y W dos K-espacios vectoriales. Sea f : V W lineal.
Entonces
f es epiyectiva si y s
olo si dimK Im(f ) = dimK W
Demostraci
on
Por una parte, si f es epiyectiva entonces se tiene que Im(f ) = W ,
luego dimK Im(f ) = dimK W .
Recprocamente: Tenemos que Im(f ) W . Ahora si dimK Im(f ) =
dimK W , entonces Im(f ) = W , luego f es epiyectiva.
Nota
Sea f : V W lineal. Entonces f (~0) = ~0. En efecto se tiene:
f (~0) = f (0 ~0) = 0 f (~0) = ~0
Observaci
on
Dada una aplicacion lineal, queremos estudiar el conjunto formado por
todos los vectores que tienen el ~0 por imagen.
134

no
Algebra Lineal
Como vimos anteriormente, f (~0) = ~0, luego hay al menos un vector

que tiene por imagen al ~0. Tiene entonces sentido, preguntarse por el
conjunto formado por todos los vectores que tienen al ~0 por imagen.
Observemos un caso particular, para ver si esto nos inspira a encontrar
la estructura de este conjunto.
Observaci
on
Sea
f : K 2 K 3 ; f (x, y) = (x, 3x, 5x)
N = {(x, y); f (x, y) = (0, 0, 0)}
= {(x, y); (x, 3x, 5x) = (0, 0, 0)}
= {(0, y); y K}
Nosotros sabemos que este conjunto N es un sub-espacio vectorial de
K 2 Ocurrira esto siempre ?
Observaci
on
Sea
f : K 3 K 3 ; f (x, y, z) = (x + y, x, 3z)
N = {(x, y, z); f (x, y, z) = (0, 0, 0)}
= {(x, y, z); (x + y, x, 3z) = (0, 0, 0)}
= {(0, 0, 0)}
el cual es tambien un sub-espacio vectorial de K 3 = Dom(f ).
Nuestra intuicion estaba en lo cierto. He aqu la proposicion que esperabamos:
Proposici
on 3.3.4 Sean V y W dos espacios vectoriales sobre K.
Sea f : V W lineal, entonces N (f ) = {v V ; f (v) = ~0} es un
sub-espacio de V.
Captulo 3.
135
Demostraci
on
1. N (f ) 6= pues ~0 N (f ).
2. Sean v, w N (f ), entonces f (v) = f (w) = ~0, luego f (v + w) =
f (v) + f (w) = ~0, es decir v + w N (f )
3. Sea v N (f ). Tenemos f (v) = f (v) = ~0 = ~0. Luego v
N (f )
Por (1), (2) y (3) N (f ) es un sub-espacio de V.
Observaci
on
Sabemos que N (f ) 6= pues ~0 N (f ), es decir N (f ) nunca es vaco.
Ademas hemos visto que N (f ) tiene una estructura interesante, es un
conjunto importante. Que hace entonces un matematico? Obvio, le
pone nombre a este conjunto. Tenemos entonces:
Definici
on 3.3.2 Sea f : V W lineal. El conjunto formado por
todos los vectores de V que tienen por imagen el vector ~0 en W , es
llamado el n
ucleo de f, denotado N (f ) o Ker(f ).
N (f ) = {v V ; f (v) = ~0}
Comentario
La abreviacion Ker(f ) viene del aleman, Kernel, que signica cuesco
o hueso de una fruta. Esto porque el N
ucleo de una aplicacion lineal
esta como al centro del Dominio de f .
Ejercicio
Sea f : K 4 K 2 ; f (x, y, z, u) = (x + y + z, 2y 3z). Queremos
encontrar N (f ).
136

no
Algebra Lineal
Soluci
on
Recordemos que describir un espacio vectorial se reduce a exhibir una
base de el. N (f ) = {(x, y, z, u) K 4 ; (x + y + z, 2y 3z) = (0, 0)}
Escribamos este sistema en su forma mas simple:

x+y+z = 0
2y 3z = 0
1 1 1 0
3 2 0 0
L2 ( 1
)
5
z+y+x = 0
ssi
3z 2y = 0
1 1
1 0
0 5 3 0
L21 (3)
1 1 1 0
0 1 53 0
L12 (1)
1 0
0 1
2
5
3
5
0
0
Es decir, el sistema inicial es equivalente al sistema siguiente:

z + 25 x = 0
y + 53 x = 0
(x,
Luego
z =
y =
2
x
5
3
x
5
3 2
3 2
x,
x, u) = x(1,
,
, 0) + u(0, 0, 0, 1)
5
5
5 5
La base escalonada de N (f ) es {(1, 3

, 2
, 0), (0, 0, 0, 1)}. Se tiene en5
5
tonces que dimK N (f ) = 2
Utilizando este resultado observamos: como dimK N (f ) 6= 0, hay mas
de un vector que tiene por imagen al ~0, luego f no es inyectiva.
Que ocurre si N (f ) = {~0} ? Es f inyectiva ?
La respuesta a esta pregunta la tenemos en el siguiente teorema.
Teorema 3.3.5 (Primera caracterizaci

lineales inyectivas)
Sea f : V W lineal. Entonces
f
es inyectiva si y s
olo si N (f ) = {~0}
Captulo 3.
137
Demostraci
on
Sea f inyectiva, entonces demostremos que N (f ) = {~0}
Sea v N (f ), luego f (v) = ~0. Ademas f (~0) = ~0. Puesto que f es
inyectiva v = ~0. Luego N (f ) = {~0}.
Ahora supongamos N (f ) = {~0} y demostremos que f es inyectiva.
Sea f (u) = f (v), luego f (u) f (v) = ~0, es decir, f (u v) = ~0. Puesto
que N (f ) = {~0}, tenemos que u v = ~0, luego u = v con lo que
conclumos que f es inyectiva.
Ejercicio
Estudiemos si es inyectiva la aplicacion lineal
f : K 2 K 3 ; f (x, y) = (x + y, 3x y, 2y)
Soluci
on
Debemos conocer el n
ucleo de f .
N (f ) = {(x, y) K 2 ; f (x, y) = (0, 0, 0)}
Tenemos: (x + y, 3x y, 2y) = (0, 0, 0). Luego x = y = 0, de donde
N (f ) = {(0, 0)}. As f es inyectiva.
Nota
El Teorema anterior nos dice que para estudiar si una aplicacion lineal
es inyectiva, no es necesario usar su denicion, sino estudiar su n
ucleo
~
y entonces este es {0} si y solo si f es inyectiva.
(Es decir, el ~0 es 1-1, si y solo si todo vector es 1-1)
138

no
Algebra Lineal
Nota
Ahora que conocemos el N
ucleo y la Imagen de una aplicacion lineal y
algunas propiedades de ellos, queremos saber si habra alguna relacion
entre sus dimensiones y tal vez con alg
un otro espacio, por ejemplo su
Dominio o su Codominio.
Dejemosnos inspirar por algunos ejemplos.
Observaci
on
Sea f : K K 5 f (x) = (3x, 2x, x, 5x, 7x). Tenemos que N (f ) =
{~0}, luego dimK N (f ) = 0. Es decir no tiene base.
Veamos su Imagen
(3x, 2x, x, 5x, 7x) = x(3, 2, 1, 5, 7)

Luego una base de Im(f) es {(3, 2, 1, 5, 7)}. Luego dimK Im(f ) = 1.
Observamos que dimK Dom(f ) = dimK K = 1 y 1 = 0 + 1. El 1 de la

izquierda corresponde a la dimK Dom(f ), es decir lo que tenemos a la
partida.
dimK Dom(f ) = dimK N (f ) + dimK Im(f )
Observaci
on
Sea f : K 5 K; f (x, y, z, t, u) = x + y + z.
Conozcamos el N
ucleo de f : Tenemos x + y + z = 0 = y = x z.
Entonces
(x, y, z, t, u) = (x, x z, z, t, u)
= x(1, 1, 0, 0, 0) + z(0, 1, 1, 0, 0)+
t(0, 0, 0, 1, 0) + u(0, 0, 0, 0, 1)
Captulo 3.
139
Luego una base de N (f ) es

{(1, 1, 0, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 0), (0, 0, 0, 0, 1)}
puesto que estos vectores son l.i. Luego dimK N (f ) = 4
Por otra parte Im(f ) = K. Luego dimK Im(f ) = 1. Si quieres, busquemos una base de Im(f ).
Tenemos: x + y + z = x 1 + y 1 + z 1.
Luego Im(f ) =< 1, 1, 1 >=< 1 >. Luego una base de Im(f ) = {1}.
Ademas observamos que dimK Dom(f ) = 5. Tenemos 5 = 4 + 1. Es

decir:
Ocurre que esta hipotesis es verdadera. Tenemos entonces el siguiente
Teorema:
Teorema 3.3.6 Sea f : V W lineal. Entonces
Demostraci
on
Sea B = {u1 , u2 , ..., up } una base de N (f ) V .
Sea C = {z1 , z2 , ..., zq } una base de Im(f ) W .
Tenemos que dimK N (f ) = p y dimK Im(f ) = q.

Recordemos que Im(f ) = {f (v); v V }
z1 Im(f ) = z1 = f (up+1 ), cierto up+1 V

z2 Im(f ) = z2 = f (up+2 ), cierto up+2 V
........... ... .............................
zq Im(f ) = zq = f (up+q ), cierto up+q V
Sea B = {up+1 , up+2 , ..., up+q }.
140

no
Algebra Lineal
Armamos que BB = {u1 , u2 , ..., up , up+1 , up+2 , ..., up+q } es una base
de V .
Luego debemos demostrar que B B genera V y es un conjunto l.i.
1. Demostremos que B B genera V .
Sea v V , luego f (v) Im(f ) entonces

f (v) =
=
=
=
p+1 z1 + p+2 z2 + + p+q zq

p+1 f (up+1 ) + p+2 f (up+2 ) + + p+q f (up+q )
f (p+1 up+1 + p+2 up+2 + + p+q up+q )
f (v )
con v = p+1 up+1 + p+2 up+2 + + p+q up+q

Luego f (v) = f (v ), es decir, f (v v ) = ~0, luego v v N (f )
y se puede escribir como una combinacion lineal de la base de
N (f ). Entonces v v = 1 u1 + 2 u2 + + p up , luego
v = 1 u1 +2 u2 + +p up +p+1 up+1 +p+2 up+2 + +p+q up+q
As hemos demostrado que B B genera V .
2. Demostremos que B B es l.i.
Sea 1 u1 + + p up + p+1 up+1 + + p+q up+q = ~0 ()

Luego
f (1 u1 + + p up + p+1 up+1 + + p+q up+q ) = ~0

Entonces
1 f (u1 ) + + p f (up ) + p+1 f (up+1 ) + + p+q f (up+q ) = ~0
Como f (u1 ) = f (u2 ) = = f (up ) = 0, tenemos
p+1 f (up+1 ) + + p+q f (up+q ) = ~0.
Puesto que C es una base de Im(f ), C es l.i., luego
p+1 = p+2 = = p+q = 0
(3.1)
Captulo 3.
141
Reemplazando este resultado en (), tenemos

1 u1 + 2 u2 + + p up = ~0
Puesto que B es una base de N (f ), B es l.i., luego
1 = 2 = = p = 0
(3.2)
Por (3.1) y (3.2), tenemos que B B es l.i.

Por (1) y (2), B B es una base de V.
Luego dimk V = p + q = dimk N (f ) + dimk Im(f )

Es una demostracion muy sencilla, que esperamos hayas podido seguir.
Si no es as, intentalo nuevamente. Veras que puedes entenderla !
3.4
Morfismos y dimensiones
En el curso anterior uno comprendio que no puede haber una funcion

inyectiva cuando el Dominio de la funcion tiene mas elementos que el
Codominio. Ademas, uno comprendio que no puede haber una funcion
epiyectiva cuando el Dominio de la funcion tiene menos elementos que
el Codominio.
Entonces uno se inspira en esta situacion y se pregunta Que ocurrira
con las aplicaciones lineales inyectivas o epiyectivas?
Los espacios vectoriales pueden tener una cantidad innita de vectores!
Las preguntas interesantes son las siguientes:
Podra haber una aplicacion lineal inyectiva entre dos espacios cuando
la dimension del Dominio es mayor que la dimension del Codominio?
Y el recproco?
Podra haber una aplicacion lineal epiyectiva entre dos espacios vectoriales cuando la dimension del Dominio es menor que la dimension
del Codominio? Y el recproco?
142

no
Algebra Lineal
Que condiciones deben cumplir dos espacios vectoriales de dimension

nita, para que pueda haber una aplicacion biyectiva entre ellos?
En n todas estas preguntas analizaremos a continuacion. Comenzamos?
Antes de hablar de dimensiones comencemos por la proposicion siguiente:
Proposici
on 3.4.1 Sea f : V W lineal
1. Sea S V y A = {v1 , v2 , ..., vr } un conjunto de generadores de
S. Entonces
f (A) = {f (v1 ), f (v2 ), ..., f (vr )} es un conjunto de generadores
de f (S).
2. Si B = {v1 , v2 , ..., vt } es l.i. y f inyectiva entonces
f (B) = {f (v1 ), f (v2 ), ..., f (vt )} es l.i.
Demostraci
on (1)
Sea S =< v1 , ..., vr >. Sea w f (S) luego w = f (s), cierto s S.
Pero s S, signica que s = 1 v1 + + r vr , ciertos 1 , , r K.
Luego w = f (s) = f (1 v1 + + r vr ) = 1 f (v1 ) + + r f (vr ).
Esto nos dice que w se puede escribir como una combinacion lineal de
f (v1 ), , f (vr ), luego f (S) =< f (v1 ), , f (vr ) >.
Demostraci
on(2)
Sea 1 f (v1 ) + + t f (vt ) = ~0, luego f (1 v1 + + t vt ) = ~0.
Puesto que f es inyectiva y que 1 v1 + + t vt N (f ). Entonces
1 v1 + + t vt = ~0. Luego 1 = = t = 0 pues {v1 , v2 , ..., vt } es
l.i.
La segunda parte de la proposicion anterior nos dice, en palabras, que
toda aplicacion lineal inyectiva, lleva un conjunto l.i., en otro conjunto
l.i.
Captulo 3.
143
Teorema 3.4.2 (Segunda caracterizaci

lineales inyectivas y epiyectivas)
Sea f : V W lineal. Sea {v1 , v2 , ..., vn } una base de V . Entonces
1. f inyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} es l.i.
2. f epiyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} genera W
3. f biyectiva ssi {f (v1 ), f (v2 ), ..., f (vn )} es una base de W
Demostraci
on (1.)
Sea {f (v1 ), ..., f (vn )} l.i. Demostremos que f es inyectiva, es decir, que
N (f ) = {~0}. Sea v N (f ), luego f (v) = ~0. Si v N (f ), en particular
v V , luego v = 1 v1 + + n vn , ciertos 1 , ..., n K y f (v) = ~0.
Luego ~0 = f (v) = f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ).
Luego 1 = = n = 0, luego v = ~0.
Demostraci
on (2.)
Sea f epiyectiva, demostremos que {f (v1 ), ..., f (vn )} genera W . Tenemos que para todo w W , existe v V tal que w = f (v). Pero
v = 1 v1 + + n vn , ciertos 1 , ...n K. Luego w = f (v) =
f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ). Luego w es combinacion lineal de los vectores {f (v1 ), ..., f (vn )}, luego {f (v1 ), ..., f (vn )}
genera W .
Ahora, recprocamente, sea W =< f (v1 ), ..., f (vn ) >. Sea w W ,
luego w = 1 f (v1 ) + + n f (vn ) = f (1 v1 + + n vn ) = f (v), con
v = 1 v1 + + n vn . Luego f es epiyectiva.
Nota
Esta proposicion nos dice que si queremos averiguar si una aplicacion
lineal es inyectiva, basta estudiar si lleva una base en un conjunto l.i.
144

no
Algebra Lineal
Notese que una aplicacion lineal puede llevar un conjunto l.i. en otro l.i.
y no ser inyectiva. Por ejemplo consideremos f : K 4 K 4 lineal tal
que f (1, 0, 0, 0) = (1, 1, 1, 1), f (0, 1, 0, 0) = (1, 1, 1, 2), f (0, 0, 1, 0) =
(1, 2, 3, 4), f (0, 0, 0, 1) = (1, 2, 3, 4).
Esta aplicacion lleva el conjunto l.i. {(1, 0, 0, 0), (0, 1, 0, 0)} en el conjunto l.i. {(1, 1, 1, 1), (1, 1, 1, 2)} y no es inyectiva.
Nota
Esta proposicion tambien nos dice que una aplicacion lineal epiyectiva
se reconoce por llevar una base del Dominio de la aplicacion en un
conjunto de generadores del Codominio de ella.
Nota
Veamos algunas deniciones antes de seguir. Y Ademas veremso por
que llevan tales nombres.
Recuerda algo trivial, pero t
u que eres joven a veces olvidas y es que
todo lo que te ense
namos en la Universidad ha sido creado por personas, al igual que ti, solo que vinieron antes al mundo y todas estas
deniciones las dieron por algo. Estamos de acuerdo? Bueno aqu
las tienes:
Definiciones
Para decir que f es una aplicacion lineal, podemos decir simplemente que f es un morfismo. Esta palabra viene de la palabra griega
morfo () que signica forma.
Un endomorfismo es un morsmo que va de un espacio vectorial
dentro del mismo espacio, es decir f : V V es un endomorsmo.
Endo (o) es una palabra griega que signica dentro.
Un monomorfismo es un morsmo inyectivo. Mono es un prejo
griego (
oo) que signica u
nico o uno solo (es decir que a vectores
distintos del dominio le corresponden imagenes distintas).
Captulo 3.
145
Un epimorfismo es un morsmo epiyectivo. Epi es una preposicion

griega () que signica sobre.
Un isomorfismo es un morsmo biyectivo. Iso es una palabra griega
(o) que signica igual.
Veremos que si f : V W es un isomorsmo, entonces V y W
tienen igual forma (queda pendiente una explicacion mas completa,
ver mas adelante en esta misma seccion ).
Un endomorsmo biyectivo es llamado un automorfismo, es decir,
f : V V isomorsmo. Auto palabra griega (
o) que signica
mismo, propio. Es decir que es un isomorsmo dentro del mismo espacio o propio al espacio.
Proposici
on 3.4.3 Sea f : V W un monomorfismo. Entonces
dimK V dimK W
Demostraci
on
Sea A = {v1 , v2 , ..., vn } una base de n elementos de V . Luego f (A) =
{f (v1 ), f (v2 ), ..., f (vn )} es un conjunto l.i. (segunda caracterizacion de
una aplicacion lineal inyectiva).
Tenemos n vectores l.i. en W . Esto nos dice que dimK W n.
Proposici
on 3.4.4 Sea f : V W un epimorfismo. Entonces
dimK V dimK W
Demostraci
on
Sea B = {v1 , v2 , ..., vn } una base de V . Luego
f (B) = {f (v1 ), f (v2 ), ..., f (vn )}
genera W . Luego dimK W n y n = dimK V .
146

no
Algebra Lineal
Proposici
on 3.4.5 (Todo
o nada) Sea f : V W lineal tal que
dimK V = dimK W . Entonces son equivalentes:
1. f es inyectiva
2. f es epiyectiva
Demostraci
on
Sea {z1 , z2 , ..., zq } una base de Im(f ).
Tenemos z1 = f (u1 ), z2 = f (u2 ), ..., zq = f (uq ), ciertos ui V .
Sea B = {u1 , u2 , ..., uq }.
Demostremos que (1) = (2)

Sea N (f ) = {~0}. Veamos que B es una base de V .
(a) Armamos: B genera V . En efecto
Sea v V , entonces f (v) Im(f ), luego

f (v) = 1 z1 + 2 z2 + + q zq ,
ciertos 1 , 2 , ...q K
Tenemos
f (v) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq )
= f (1 u1 + 2 u2 + + q uq )
= f (v )
con v = 1 u1 + 2 u2 + + q uq .
Como f (v) = f (v ), se tiene f (vv ) = ~0, es decir vv N (f ) = {~0},

luego v v = ~0, es decir
v = v = 1 u1 + 2 u2 + + q uq
(b) Armamos: B es l.i. En efecto, sea
1 u1 + 2 u2 + + q uq = ~0,
Captulo 3.
147
luego
f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq ) = ~0
luego 1 = 2 = = q = 0, pues {f (u1 ), f (u2 ), ..., f (uq )} son l.i.
Luego B es l.i.
Por (a) y (b) tenemos que B es una base de V .
Luego dimK V = q = dimK Im(f )
Ademas dimK V = dimK W
Se obtiene que dimK W = dimK Im(f ), es decir que f es epiyectiva.
Demostremos que (2) = (1)
Sea f epiyectiva, luego dimK Im(f ) = dimK W = dimK V
Primero veamos que B es l.i.
Sea 1 u1 + 2 u2 + + q uq = ~0. Luego
f (1 u1 + 2 u2 + + q uq ) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq ) = ~0.

Luego 1 = 2 = = q = 0
Puesto que la dimension de V es q, entonces q vectores l.i. forman una

base de V . Luego B es una base de V .
Sea u N (f ), entonces u = 1 u1 + 2 u2 + + q uq y f (u) = ~0,
entonces
~0 = f (u) = f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq )
Luego 1 = 2 = = q = 0, es decir u = ~0. Entonces N (f ) = {~0}
y f es inyectiva.
Nota
Esta proposicion nos dice que si la dimension del Dominio de una
aplicacion lineal, es igual a la dimension del Codominio, entonces, o
es inyectiva y epiyectiva a la vez, o no es ninguna de las dos, es por
esto que la titulamos de esta manera Todo o nada, o excluyente.
148

no
Algebra Lineal
Proposici
on 3.4.6 Sea f : V W y g : W U morfismos tal
que Im(f ) Dom(g). Entonces:
1. g f es lineal
2. Si f y g son monomorfismos, entonces gf es un monomorfismo
3. Si f y g son epimorfismos, entonces g f es un epimorfismo
Demostraci
on 1
(g f )(v + w) = g(f (v + w)) = g(f (v) + f (w)) = g(f (v)) + g(f (w)) =
(g f )(v) + (g f )(w)
(g f )(v) = g(f (v)) = g(f (v)) = g(f (v)) = (g f )(v)

Luego (g f ) es lineal.
Demostraci
on 2
Sea (g f )(v) = ~0, luego g(f (v)) = ~0. Entonces f (v) = ~0 pues N (g) =
{~0}. Ademas v = ~0 ya que v N (f ). Luego N (g f ) = {~0}, es decir
g f es inyectiva, dicho mas elegantemente g f es un monomorsmo.
Demostraci
on 3
Sea u U , luego existe w W tal que g(w) = u. Pero f tambien
es epiyectiva, luego existe v V tal que f (v) = w. Tenemos que:
u = g(w) = g(f (v)) = (g f )(v). Entonces g f es un epimorsmo.
De esta proposicion se deduce trivialmente el resultado siguiente:
Corolario 3.4.7 Sean f : V W y g : W U isomorfismos.

Entonces g f : V U es un isomorfismo.
Con respecto a los isomorsmos tenemos la siguiente denicion.
Captulo 3.
149
Definici
on 3.4.1 Diremos que V y W , dos K-espacios, son isomorfos si nosotros podemos establecer un isomorfismo entre ellos, es
decir, si podemos construir un isomorfismo f : V W . Lo denotaremos V
= W.
Ejemplos de isomorfismos
Ejemplo
IR2
=C
Sabemos que un morsmo es biyectivo si y solo si lleva una base en
otra base.
Consideremos la aplicacion
f : IR2 C lineal, tal que f (1, 0) = 1, f (0, 1) = i. Esta aplicacion es
un isomorsmo de IR2 en C. Su expresion analtica es f (a, b) = a + bi.
Ejemplo
K2 [X]
= K3
Construyamos la aplicacion lineal f : K2 [X] K 3 , tal que f (1) =
(1, 0, 0), f (X) = (0, 1, 0), f (X 2 ) = (0, 0, 1). Este morsmo lleva
la base {1, X, X 2 } de K2 [X] en la base canonica de K 3 , es decir,
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Se tiene entonces que f es un isomorsmo y de esto se concluye que

los espacios vectoriales son isomorfos.
Ejemplo
M2 (K)
= K4
150

no
Algebra Lineal
Basta con construir la aplicacion lineal f : M2 (K) K 4 denida

por (la mas simple posible):
f(
1 0
0 0
f(
0 0
1 0
) = (1, 0, 0, 0);
) = (0, 0, 1, 0);
f(
0 1
0 0
) = (0, 1, 0, 0)
f(
0 0
0 1
) = (0, 0, 0, 1)
es evidente que es un isomorsmo, pues lleva una base en otra base.

Antiejemplo
No podemos construir un isomorsmo de K 2 en K 3 , pues toda base
de K 2 tiene dos elementos y toda base de K 3 tiene tres elementos. No
podemos llevar dos elementos en tres elementos de manera biunvoca.
Teorema 3.4.8 (Isomorfismo Fundamental) Sea V un K-espacio
vectorial. Entonces dimK V = n si y s
olo si V
= K n.
Demostraci
on
Comencemos por demostrar que si dimK V = n entonces V
= K n.
Sea dimK V = n, entonces consideremos {v1 , v2 , ..., vn } una base de V .
Sea f : V K n lineal tal que f (v1 ) = e1 , f (v2 ) = e2 , ..., f (vn ) = en

que es un isomorsmo.
Luego V
= K n.
Demostremos que si V
= K n , entonces dimK V = n.
Sea V
= K n , luego existe f : K n V isomorsmo tal que
f (e1 ) = u1 , f (e2 ) = u2 , ..., f (en ) = un ,
con {u1 , u2 , ..., un }, una base de V . Luego dimK V = n.
Captulo 3.
151
Ejercicio
Establezcamos un isomorsmo entre
V = {(x, y, z, u); x + y + z = 0, x + 2u = 0} y alg
un K n
Soluci
on
Primero observamos que z = x y y u = 12 x. Luego
1
1
(x, y, z, u) = (x, y, x y, x) = x(1, 0, 1, ) + y(0, 1, 1, 0)
2
2
Entonces tenemos que una base de V es
1
B = {(1, 0, 1, ), (0, 1, 1, 0)}
2
De donde dimK V = 2 y V
= K 2.
Establezcamos el isomorsmo siguiente:
1
f : V K 2 ; f (1, 0, 1, ) = (1, 0), f (0, 1, 1, 0) = (0, 1)
2
La forma tpica de los elementos de V , es, (x, y, x y, 12 x) y la
escritura de f es f (x, y, x y, 21 x) = (x, y).
Nota
Este teorema nos dice que todos los espacios vectoriales de dimension
nita estan clasicados.
Todos los espacios vectoriales de una misma dimension tienen las mismas propiedades, solo que tienen una escritura diferente.
152
3.5

no
Algebra Lineal
Estructura de un conjunto de morfismos
Sean U y V dos K-espacios vectoriales. El conjunto de todas las aplicaciones lineales de U en V , sera denotado por LK (U, V ) o cuando no
haya confusion, denotaremos simplemente L(U, V ). o bien Hom(U, V ).
Comencemos por estudiar la suma de dos morsmos.
Lema
Sean f, g LK (U, V ). Entonces la aplicacion h : U V denida
por:
h(u) = f (u) + g(u), u U
es lineal.
Demostraci
on
1. h(u + v) = f (u + v) + g(u + v) = f (u) + f (v) + g(u) + g(v) =
(f (u) + g(u)) + (f (v) + g(v)) = h(u) + h(v).
2. h(u) = f (u) + g(u) = f (u) + g(u) = (f (u) + g(u)) =
h(u).
Por (1) y (2) tenemos que h es lineal.
Es interesante que esta aplicacion h, obtenida de dos aplicaciones lineales es lineal. Este lema nos induce entonces a la siguiente denicion
Definici
on 3.5.1 Dadas f, g LK (U, V ), se define una nueva aplicaci
on en LK (U, V ), denotada por f + g y definida por
(f + g)(u) = f (u) + g(u), u U
llamada la suma de f y g.
Captulo 3.
153
Entonces el siguiente problema es estudiar que estructura algebraica

tiene LK (U, V ) con la suma.
Es el tpico pensamiento algebrista!
Teorema 3.5.1 (LK (U, V ), +) es un grupo abeliano.

Demostraci
on
1. La suma es asociativa.
((f + g) + h)(u) = (f + g)(u) + h(u) = f (u) + g(u)) + h(u) =
= f (u) + (g(u) + h(u)) = f (u) + (g + h)(u) = (f + (g + h))(u).
2. LK (U, V ) posee elemento neutro, a saber, la aplicacion nula O :
U V ; O(u) = 0, u U .
3. Todo morsmo tiene inverso aditivo f , denivo por
(f )(u) = f (u), u U .
4. La suma es conmutativa.
(f + g)(u) = f (u) + g(u) = g(u) + f (u) = (f + g)(u).
Pregunta
Que ocurre con la ponderacion de un morsmo?
La respuesta la tenemos en el siguiente lema.
Lema
Sea f un morsmo de LK (U, V ) y K un escalar. Entonces la
aplicacion de U en V , denida por
h(u) = f (u)
es lineal.
154

no
Algebra Lineal
Demostraci
on
1. h(u1 + u2 ) = f (u1 + u2 ) = (f (u1 ) + f (u2 )) = f (u1 ) +
f (u2 ) = h((u1 ) + h(u2 ).
2. h(u) = f (u) = (f (u)) = ( ) f (u) = ( f (u)) =
h(u).
Por (1) y (2) tenemos que h es lineal.
Esta propiedad nos induce la siguiente denicion.
Definici
on 3.5.2 A todo escalar K y a todo morfismo f de
LK (U, V ), le asociamos un morfismo de LK (U, V ) llamado producto
escalar de por f , denotado f y definido por
( f )(u) = f (u), u U
Proposici
on 3.5.2 Dados f, g LK (U, V ) y , K, se tiene que
se cumplen los axiomas de espacio vectorial siguientes: E.V.5. 1f = f
E.V.6. ( + )f = f + f
E.V.7. (f + g) = f + g
E.V.8. ( )f = ( f )
La demostracion se deja al lector. Bueno?

Teorema 3.5.3 LK (U, V ) es un espacio vectorial sobre K.
Demostraci
on
Es obtenida de las proposiciones anteriores.
Captulo 3.
3.6
155
Ejercicios resueltos
Ejercicio
Sea f : K 2 K 2 ; f (x, y) = (2x+y, 3x) una aplicacion. Demostremos
que f es lineal.
Soluci
on
Sean u, v K 2 , luego tienen la forma u = (x, y), v = (x , y ), ciertos
x, y, x , y K.
1. f (u + v) = f ((x, y) + (x , y )) = f (x + x , y + y ) =
= (2(x + x ) + (y + y ), 3(x + x )) = (2x + y + 2x + y , 3x + 3x ) =
= (2x + y, 3x) + (2x + y , 3x ) = f (x, y) + f (x , y ) = f (u) + f (v).
2. f (u) = f ((x, y)) = f (x, y) = (2x + y, 3x) =
= (2x + y, 3x) = f (x, y) = f (u), K.
Ejercicio
Sea f : K 3 K 3 ; f (x, y, z) = (2x + y, x + y, 2x) una aplicacion.
Demostremos que f es lineal.
Soluci
on
Sean u, v K 3 , luego tienen la forma u = (x, y, z), v = (x , y , z ),
ciertos x, y, x , y , z, z K.
1. f (u + v) = f ((x, y, z) + (x , y , z )) = f (x + x , y + y , z + z ) =
= (2(x + x ) + (y + y ), (x + x ) + (y + y ), 2(x + x )) =
= ((2x + y) + (2x + y ), (x + y) + (x + y ), 2x + 2x ) =
= (2x + y, x + y, 2x) + (2x + y , x + y , 2x ) =
156

no
Algebra Lineal
= f (x, y, z) + f (x , y , z ) = f (u) + f (v).

La pen
ultima igualdad se cumple z, z K, en particular para
z y z de u y v.
2. f (u) = f ((x, y, z)) = f (x, y, z) =
= (2(x) + y, x + y, 2x) = (2x + y, x + y, 2x) =
= f (x, y, z) = f (u).
Ejercicio
Sea f : K 5 K 5 denida por:
f (x, y, z, u, v) = (x + y + z + u, 2x + 2y + z + v, x + y + z + u,
2x y + z + v, y z 2u + v)
1. Busquemos una base y la dimension de N (f ).
2. Busquemos una base y la dimension de Im(f ).
3. Estudiemos la inyectividad y epiyectividad de f .
Soluci
on
x+y+z+u
2x + 2y + z + v
x+y+z+u
(x, y, z, u, v) N (f ) ssi
2x y + z + v
y z 2u + v
=
=
=
=
=
0
0
0
0
0
Este sistema lo escribiremos en su forma mas simple, es decir, lo

escalonaremos.
1 1
1
1
2 2
1
0
1 1
1
1
2 1 1
0
0 1 1 2
0
1
0
1
1
0
0
0
0
0
1 1
1
1 0
L21 (2)
0
0
1
2
1
L31 (1)
0
0 0
0 0
L (2) 0 3 1 2 1
41
0
0
0
0
1 2 1 0
Captulo 3.
L45 (1)
1
0
0
0
0
157
1 1
1
1 0 0
0 0 1 2 1 0
0 0
0
0 0 0
0 4 0
0 0 0
0 1 1 2 1 0
0 1
1
0 1 2
0 0
0
1 0
0
0 1 2
0
1
0
0
1
0
0
0
0
0
L15 (1)
L (1)
25
L (1)
5
L ( 1 )
4
4
1
0
0
0
0
0
0
0
1
0
L14 (1)
L54 (1)
0 1 1
0 0
0
0 0
0
0 0
0
1 2 1
0
0
0
0
0
Luego
xu+v=0
y=0
z + 2u v = 0
Es decir
x = uv
y =
0
z = 2u + v
; u, v K
Luego los elementos del n

ucleo tienen la forma (u v, 0, 2u + v, u, v),
luego
N (f ) = {(u v, 0, 2u + v, u, v); u, v K}
Una base de N (f ) es
{(1, 0, 2, 1, 0), (1, 0, 1, 0, 1)}
Puesto que N (f ) 6= {~0}, la aplicacion no es inyectiva.
158

no
Algebra Lineal
b) w Im(f ) ssi w = x(1, 2, 1, 2, 0)+y(1, 2, 1, 1, 1)+z(1, 1, 1, 1, 1)+

u(1, 0, 1, 0, 2) + v(0, 1, 0, 1, 1). Luego tenemos un conjunto de generadores de Im(f ). Puede que existan vectores que dependen linealmente
de los otros. Para tener la cantidad mnima de generadores, podemos
escalonar
1
1
1
1
0
2
2
1
0
1
L15 (2)
L35 (1)
L45 (2)
1 2
0
L21 (1)
1 1 1
1 1 1
L (1)
31
1 0 2
L41 (1)
0 1
1
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1 2 1 2
0
0 0 0 3 1
0 1 0 1 1
0 2 0 2 2
0 1 0 1
1
0 2
1 1
3 L (1)
32
1 1
0 0
0 0
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0 2
1 1
3
0 43
0 0
0 0
La base escalonada de Im(f ) es

1
4
)}
{(1, 0, 1, 0, 2), (0, 1, 0, 0, ), (0, 0, 0, 1,
3
3
Pero solo se peda una base, luego podra haber dado la base
{(1, 0, 1, 0, 2), (0, 0, 0, 3, 1), (0, 1, 0, 1, 1)} y habramos evitado dos
pasos de escalonamiento.
Puesto que dimk Im(f ) = 3, f no es epiyectiva, pues dimk Codom(f ) =
5.
Ejercicio
Sea f : K 3 K 3 tal que
f (x, y, z) = (x y + z, 2x y + 3z, ( 1)x + (2 2)y + (2 2)z)
con K; una familia de aplicaciones lineales.
Captulo 3.
159
1. Estudiemos el N
ucleo y la Imagen de f , seg
un los diferentes
valores de . Estudiemos sus dimensiones respectivas.
2. Estudiemos la inyectividad y epiyectividad de f , seg
un los diferentes valores de .
Soluci
on
Busquemos un conjunto de generadores de Im(f ).
Sea w Im(f ), luego
w = x(1, 2, ( 1)) + y(1, 1, 2 2) + z(1, 3, 2 2)
Luego un conjunto de generadores de Im(f ) es
{(1, 2, ( 1)), (1, 1, 2 2), (1, 3, 2 2)}
Para saber su dimension, necesitamos encontrar una base.
L12 (2)
1 2 1
L21 (1)
1
2 1
0
1
3
1
1
2
L32 (1)
0 1 3 3
L31 (1)
1
3 2 2
1 0 5 + 5
L13 (5)
1 0 5 + 5
1
L3 ( 6 )
0 1 3 3
0 1 3 3
0 0 6 6
L23 (3)
0 0 1
1 0
0
0
1
0
0 0 1
Caso (1) 1 = 0 ssi = 1
La base escalonada de Im(f1 ) es {(1, 0, 0), (0, 1, 0)}.

dimK Im(f1 ) = 2 6= 3 = dimK Codom(f )
luego f1 no es epiyectiva.
160

no
Algebra Lineal
Sabemos que
dimK Dom(f1 ) = dimK N (f1 ) + dimK Im(f1 )
Luego dimK N (f1 ) = 1. Conclusion: f1 no es inyectiva.
O bien, podemos hacer el razonamiento siguiente: Puesto que
dimK Dom(f1 ) = dimK Codom(f1 )
por la proposicion Todo o nada, como no es epiyectiva, entonces no
es inyectiva.
Busquemos ahora una base para N (f1 ).
Tenemos (x, y, z) N (f1 ) ssi (x y + z, 2x y + 3z, 0x + 0y + 0z) =
(0, 0, 0) ssi
xy+z = 0
2x y + 3z = 0
Busquemos la representacion mas simple de este sistema

1 1 1 0
2 1 3 0
L12 (1)
L21 (2)
1 0 2 0
0 1 1 0
1 1 1 0
0 1 1 0
Luego este sistema queda

x + 2z = 0
y+z = 0
es decir
x = 2z
y = z
Luego N (f1 ) = {(x, y, z); x = 2z, y = z} = {(2z, z, z); z K}
N (f1 ) =< (2, 1, 1) >. Luego una base de N (f1 ) es {(2, 1, 1)}.
Luego f1 no es inyectiva, ya que el n
ucleo de f1 no es {~0}
Por la proposicion Todo o nada, tampoco es epiyectiva.
Captulo 3.
Caso (2) 1 6= 0 ssi 6= 1

Seguimos escalonando:
1
L3 ( 1
)
1 0 0
0 1 0
0 0 1
La base escalonada de Im(f ) = {1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Luego dimK Im(f ) = 3, con 6= 1.
Tenemos, entonces que dimK (N (f ) = 0, luego N (f ) = {~0}.
Luego la aplicacion lineal f , es epiyectiva e inyectiva.

Ejercicio
Sea f : K 3 K 3 tal que
f (x, y, z) = (4x + 2y, x + y, 7x + 5y)
Busquemos el n
ucleo y la imagen de f .
Estudiemos si f es inyectiva o epiyectiva.
Soluci
on
Tenemos que
Im(f ) = {(4x + 2y, x + y, 7x + 5y); x, y K}

Busquemos un conjunto de generadores de Im(f ).
(4x + 2y, x + y, 7x + 5y) = x(4, 1, 7) + y(2, 1, 5)
Luego {(4, 1, 7), (2, 1, 5)} es un conjunto de generadores de Im(f ).
Puesto que
161
162

no
Algebra Lineal

y dimK Im(f ) = 2, entonces dimK N (f ) = 1 y f no es epiyectiva.
Como dimK N (f ) = 1, N (f ) 6= {~0} y f no es inyectiva. Sabemos que
toda base de N (f ) tiene un solo elemento. Busquemos una base del
n
ucleo.
4x + 2y = 0
ssi
x+y = 0
7x + 5y = 0
x = o
y = 0
Observamos que no hay condiciones sobre z, luego

N (f ) = {(x, y, z); x = y = 0} =< (0, 0, 1) >. Luego una base de N (f )
es {(0, 0, 1)}.
Ejercicio
Sea f : K 3 K 3 lineal tal que una base de
N (f ) = {(1, 2, 3), (1, 0, 2)}
y f (0, 1, 1) = (2, 1, 1). Busquemos la escritura de f , es decir, su expresion analtica.
Soluci
on
Observemos que {(1, 2, 3), (1, 0, 2), (0, 1, 1)} es una base de Dom(f ) =
K 3 . Luego
(x, y, z) = (1, 2, 3) + (1, 0, 2) + (0, 1, 1)
+ = x
2 + = y
3 + 2 + = z
Captulo 3.
163
Escalonando, tenemos
x
1 1 0
L21 (2)
1 1 0 x
L13 (1)
0 2 1 y 2x
2 0 1 y
3 2 1 z
0 1 1 z 3x
L31 (2)
L3 (1)
1 0 1
z 2x
1 0
1 z 2x
L23 (2)
0 0 1 4x + y 2z
0 2 1 y 2x
3x z
0 1 1 3x z
0 1 1
1 0 0 2x + y z
L12 (1)
0 0 1 4x y + 2z
L32 (1)
0 1 0 x y + z
Luego
= 2x + y z
= 4x y + 2z
= x y + z
f (x, y, z) = f (1, 2, 3) + f (1, 0, 2) + (4x y + 2z)f (0, 1, 1)

= (4x y + 2z)(2, 1, 1)
(Recuerde que los dos primeros vectores estan en el n
ucleo de f )
Luego
f (x, y, z) = (8x 2y + 4z, 4x y + 2z, 4x y + 2z)
Ejercicio
Sean f, g, h : K 3 K 2
1. f (x, y, z) = (x + y, x + y)
2. g(x, y, z) = ((x 1)y, z y)
3. h(1, 0, 0) = (1, 1), h(0, 1, 0) = (a2 , 1), h(0, 0, 1) = (a, 0), donde
a es un real jo.
i. Determinemos aquellas aplicaciones que no son lineales. Argumentemos la respuesta.
164

no
Algebra Lineal
ii. De las aplicaciones lineales, indiquemos cuales son inyectivas,

epiyectivas, biyectivas. Argumentemos la respuesta.
Soluci
on (1)
Armacion: La aplicacion f es lineal.
(a) f ((x, y, z) + (x , y , z )) =
=
=
=
f (x + x , y + y , z + z )
(x + x + y + y , x + x + y + y )
(x + y, x + y) + (x + y , x + y )
f (x, y, z) + f (x , y , z )
En la u
ltima igualdad podamos tomar cualquier z, cualquier z ,
pero en particular podamos tomar z y z que tenamos al comienzo
(estabamos autorizados a tomar cualquiera).
(b) f ((x, y, z)) = f (x, y, z)
= (x + y, x + y)
= (x + y, x + y) = f (x, y, z)
Por ( a) y ( b) tenemos que f es lineal.
Contestemos ahora la parte (ii.).
(x, y, z) N (f ) ssi f (x, y, z) = (0, 0) ssi (x+y, x+y) = (0, 0) ssi x+y =
0 ssi x = y. Luego no hay exigencias sobre z. Tenemos entonces que
N (f ) = {(x, x, z); x, z K} 6= {~0}. Luego f no es inyectiva. Una
base de N (f ) es {(1, 1, 0), (0, 0, 1)} (luego de dimension dos).
Por otra parte sabemos que:

luego dimK Im(f ) = 1.
Conclusion: f no es epiyectiva.
Soluci
on (2)
Tenemos que
Captulo 3.
165
g(x, y, z) = ((x 1)y, z y)

Armacion: g no es lineal.
Contraejemplo: g(1, 1, 0) = ((1 1)1, 0 1) = (0, 1);
g(0, 1, 1) = ((0 1)1, 1 1) = (1, 0);
g(1, 2, 1) = ((1 1)2, 1 2) = (0, 1)
Calculemos, ahora g(1, 2, 1), suponiendo que g es lineal. El calculo es
el siguiente: g(1, 2, 1) = g((1, 1, 0) + (0, 1, 1)) = g(1, 1, 0) + g(0, 1, 1) =
(0, 1) + (1, 0) = (1, 1), que es diferente al obtenido anteriormente.
Soluci
on (3)
El Teorema de existencia y unicidad de una aplicacion lineal, dice que
dada una base en el Dominio y dado 3 vectores cualesquieras en el
Codominio, existe una aplicacion lineal que lleva los vectores de la
base en esos tres vectores y esta aplicacion es u
nica. Luego h existe y
es u
nica pues {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de Dom(h)
Para la pregunta (ii.), tenemos lo siguiente:
Una aplicacion lineal es inyectiva si lleva una base en un conjunto l.i.

Vemos que el conjunto {(1, 1), (a2 , 1), (a, 0)} es l.d., pues no puede
haber mas de dos vectores l.i. en K 2 . Luego h no es inyectiva,
cualquiera que sea a K.
Por otra parte, a2 6= 1, a K, luego el vector (a2 , 1) nunca es un

m
ultiplo del vector (1, 1).
Entonces K 2 =< (1, 1), (a2 , 1) >=< (1, 1), (a2 , 1), (a, 0) >, a
K.
Luego Im(h) = K 2 y h es epiyectiva.
166

no
Algebra Lineal
Ejercicio
Sea f : K 3 K 3 una aplicacion lineal tal que
f (x, y, z) = (x + z, y + 2z, ( 3)z)
Encontremos el n
ucleo y la imagen de f para los distintos valores de
K y luego estudiemos la inyectividad y epiyectividad de f .
Soluci
on
Busquemos el n
ucleo de f
es decir tenemos la matriz
x+z = 0
y + 2z = 0
( 3)z = 0
1 0
1
0
2
0
0 1
0 0 3 0
Caso (1) 3 = 0 ssi = 3
x+z = 0
y + 2z = 0
Luego, x = z, y = 2z
De donde (z, 2z, z) = z(1, 2, 1), luego N (f3 ) =< (1, 2, 1) >;
y por lo tanto f no es inyectiva en el caso = 3 y en tal caso la
dimension del n
ucleo es uno, luego por el teorema de las dimensiones
se tiene que dimIm(f3 ) = 2. Busquemos Im(f3 )
Tenemos (x + z, y + 2z, 0) = x(1, 0, 0) + y(0, 1, 0) + z(1, 2, 0) y como
(1, 2, 0) es combinacion lineal de (1, 0, 0) y (0, 1, 0), entonces
Im(f3 ) =< (1, 0, 0), (0, 1, 0) >, luego f3 no es epiyectiva.
Caso (2) 3 6= 0 ssi 6= 3
Captulo 3.
167
Seguimos escalonando
1
)
L3 ( 3
1 0 1 0
1 0 0 0
L13 (1)
0 1 2 0
0 1 0 0
0 0 1 0
0 0 1 0
L23 (2)
Luego x = y = z = 0, es decir N (f ) = {(0, 0, 0)} y usando nuevamente el teorema de las dimensiones tenemos que dimf = 3, es decir
Im(f ) = K 3 . Luego en este caso ( 6= 3), se tiene que f es inyectiva
y epiyectiva. Ademas recordemos que f es un endomorsmo, luego es
inyectivo ssi es epiyectivo.
Ejercicio
Observando las imagenes de los elementos de la base, estudiemos si la
aplicacion lineal f : K 3 K 3 , dada por:
f (1, 0, 0) = (1, 1, 0); f (0, 1, 0) = (0, 0, 1); f (0, 0, 1) = (2, 2, 1) es un
1. monomorsmo;
2. epimorsmo;
3. automorsmo.
Soluci
on
1. Una aplicacion lineal es un monomorsmo si lleva una base en
un conjunto l.i.
Tenemos que {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base. Ahora
necesitamos estudiar la dependencia lineal de
B = {(1, 1, 0), (0, 0, 1), (2, 2, 1)}
Sea (1, 1, 0) + (0, 0, 1) + (2, 2, 1) = (0, 0, 0). Es equivalente
a
168

no
+ 2 = 0
equivalente a
+ 2 = 0
= 0
Algebra Lineal
= 2
=
Quiere decir que el ~0 se puede obtener de innitas maneras:

2(1, 1, 0) + (0, 0, 1) + (2, 2, 1) = (0, 0, 0), K, luego
el conjunto es l.d. Entonces la aplicacion lineal no es inyectiva.
[monomorsmo=lineal inyectiva].
2. Una aplicacion lineal es un epimorsmo si lleva una base en un
conjunto de generadores.
El vector (2, 2, 1) = 2(1, 1, 0) + 1(0, 0, 1)
Luego < (1, 1, 0), (0, 0, 1), (2, 2, 1) >=< (1, 1, 0), (0, 0, 1) >,
Luego dimK Im(f ) = 2. es decir, B no es un conjunto de generadores del Codom(f).

Luego f no es un epimorsmo.
3. Por (1) y (2) f no es un automorsmo (lineal biyectiva).

Ejercicio
Sea f : K2 [X] M2 (K) y B = {1 + X 2 , 2X 2 , 1 + X + X 2 } una base
de K2 [X], denamos f en esta base de la siguiente manera:
1 1
; f (2X 2 ) =
f (1 + X ) =
1 1

3
1
f (1 + X + X 2 ) =
1 1
2
4 2
;
0 0

Extendamos f por linealidad a todo el espacio.

Soluci
on
Sea a + bX + cX 2 = (1 + X 2 ) + (2X 2 ) + (1 + X + X 2 ). Lo primero
que observamos es que debe valer b, = b, pues el u
nico termino
que tiene X es .
Captulo 3.
169
debe ser igual ser a b, para que el termino constante sea a.
Igualando los coecientes de X 2 , tenemos: c = + 2 + , luego
2 = c (a b) b, luego =
ca
.
2
Ahora estamos en condiciones de extender f por linealidad.

f (a + bX + cX 2 ) =
= f [(a b)(1 + X 2 ) + (ca)
(2X 2 ) + b(1 + X + X 2 )]
2
(ca)
= (a b)f(1 + X2 ) + 2 f (2X 2) + bf(1 + X +X 2 )
1 1
4 2
3
1
= (a b)
+ (ca)
+b
2
1 1
1 1
0 0

a + 2b + 2c
c
=
a 2b
a 2b
luego
f (a + bX + cX 2 ) =
a + 2b + 2c
c
a 2b
a 2b
Ejercicio
Sea T : K 3 K 3 tal que T (1, 1, 1) = (1, 3, 5), T (1, 0, 1) = (0, 1, 3).
Estudiemos en cada uno de los casos la existencia y unicidad de T si
agregamos la condicion
1. T (2, 1, 2) = (1, 4, 8)
2. T (2, 1, 2) = (0, 4, 8)
3. T (1, 0, 0) = (1, 3, 5)
Soluci
on (1)
Se tiene (2, 1, 2) = 1(1, 1, 1) + 1(1, 0, 1). Si T fuese lineal T (2, 1, 2) =
1T (1, 1, 1) + 1T (1, 0, 1) = 1(1, 3, 5) + 1(0, 1, 3) = (1, 4, 8). Luego existe
T que cumple (1), pero T no es u
nica, faltara denirla en un tercer
vector tal que los tres vectores formen una base de K 3
170

no
Algebra Lineal
Soluci
on (2)
No existe T que cumpla (2), pues vimos que si T es lineal T (2, 1, 2) =
(1, 4, 8)
Soluci
on (3)
Ocurre que {(1, 1, 1), (1, 0, 1), (1, 0, 0)} es una base de K 3 , luego existe
una aplicacion lineal denida en esta base y es u
nica.
Busquemos su escritura.
(x, y, z) = y(1, 1, 1) + (z y)(1, 0, 1) + (x z)(1, 0, 0)
T (x, y, z) = yT (1, 1, 1) + (z y)T (1, 0, 1) + (x z)T (1, 0, 0) =
= y(1, 3, 5) + (z y)(0, 1, 3) + (x z)(1, 3, 5)
Luego T (x, y, z) = (x + y z, 3x + 2y 2z, 5x + 2y 2z)
3.7
1. Determine cuales de las siguientes aplicaciones son lineales:

(a) T : K 2 K 3 ; T (x, y) = (2x y, x + y, x + 3y)
x
)=
(b) g : M21 (K) M2 (K); g(
y

x+y
x
y
xy
(c) D : Kn [x] Kn [x]; D(a0 + a1 x + + an ) = a1 + 2a2 x +

3a3 x2 + + nan xn1
2. Determine si existe una aplicacion lineal f : IR2 IR2 tal que
(a) f (2, 1) = (1, 0), f (0, 1) = (0, 1) y f (1, 1) = (3, 2)
(b) f (2, 1) = (1, 0), f (0, 1) = (0, 1) y f (1, 1) = ( 12 , 21 )
3. Sea f la aplicacion lineal denida por f : M22 (K) M22 (K);
4 1
.
f (X) = BX donde B =
5 1
Captulo 3.
171
(a) Encuentre la base escalonada y la dimension de N (f ) y de

Im(f )
(b) Estudie la inyectividad y la epiyectividad de f
Captulo 4
Matrices
4.1
Matriz asociada a una aplicaci

on lineal
Al n nos vamos a dedicar a las matrices!. Seguramente, tu sabas

que en el curso de Algebra Lineal se estudian las matrices. Desde el
comienzo del curso hemos utilizado las matrices, pero no hemos puesto
la atencion en ellas.
Este captulo trata lo siguiente: sabemos que una aplicacion lineal esta
determinada si conocemos su comportamiento en una base. Luego toda
aplicacion lineal esta determinada por un conjunto de vectores
. . . ahora seremos mas exigentes . . .
Queremos determinar una aplicacion lineal por un conjunto de n
umeros, los cuales seran ordenados en una matriz. Luego veremos operaciones entre aplicaciones lineales y propiedades y sus respectivas
operaciones y propiedades entre matrices.
173
174

no
Algebra Lineal
Observaci
on
Consideremos a modo de ejemplo, K 3 y en el la base
B = {(1, 2, 5), (2, 3, 1), (1, 1, 1)}
y una aplicacion lineal f : K 3 K 2 , denida por
f (1, 2, 5) = (5, 12); f (2, 3, 1) = (8, 5); f (1, 1, 1) = (3, 1)
Entonces estos seis vectores determinan f .
En K 2 , consideremos la base C = {(1, 1), (1, 0)}.
Observemos que:
(5, 12) = 12(1, 1) + (7)(1, 0)

(8, 5)
= 5(1, 1) + 3(1, 0)
(3, 1) = (1)(1, 1) + 4(1, 0)
Luego, si jamos las bases B y C y respetamos el orden de los elementos de la bases, entonces f esta denida por los n
umeros: 12,-7,5,3,-1,4.
Para que estos n
umeros sean mas faciles de leer y por otras consideraciones que haremos mas adelante, escribiremos
(f ; B, C) =
12 5 1
7 3 4
y diremos que es la matriz de f con respecto a las bases B y C.

Construcci
on de la matriz asociada a una aplicaci
on lineal
Sean V y W dos K-espacios vectoriales de dimension n y m respectivamente. Tomemos una base B de V , B = {v1 , v2 , ..., vn } y una base
C en W , C = {w1 , w2 , ..., wm }.
Todo vector v de V y todo vector w de W , lo expresaremos por sus

coordenadas respectivas en B y C.
Vamos a respetar el orden en que nos han sido dados los elementos de
las bases.
Captulo 4.
175
Matrices
Sea f (v) = w. Sea v = x1 v1 + x2 v2 + + xn vn =

w = y 1 w1 + y 2 w2 + + y m wm =
n
X
xj v j
j=1
m
X
y i wi
i=1
Tomemos una aplicacion lineal f : V W . Por el Teorema Funda

mental del Algebra
Lineal, tenemos que f esta determinada y de una
manera u
nica cuando se jan las imagenes de los elementos de la base
de V :
f (v1 ), f (v2 ), ..., f (vn )
Estos vectores los descomponemos en la base C de W de la manera
siguiente:
f (vj ) = a1j w1 + a2j w2 + + amj wm =
Todo vector v de V , v =
n
X
m
X
aij wi
i=1
xj vj , es enviado, por la aplicacion lineal
j=1
f , en el vector de W siguiente:
w = f (v) = x1 f (v1 ) + x2 f (v2 ) + + xn f (vn ) =
n
X
xj f (vj )
j=1
Reemplazando los f (vj ), tenemos

w = f (v) =
n
X
m
X
aij wi ) =
xj (
j=1
i=1
n
m X
X
aij xj )wi
i=1 j=1
Obtenemos entonces, las componentes y1 , y2 , ..., ym de w, es decir, de

f (v) en la base C de W , yi =
n
X
j=1
aij xj , 1 i m, es decir,
y1 = a11 x1 + a12 x2 + + a1n xn

y2 = a21 x1 + a22 x2 + + a2n xn
.....................................
ym = am1 x1 + am2 x2 + + amn xn
176

no
Algebra Lineal
se utilizo la unicidad de las componentes al descomponerlo en una

base.
Estas m ecuaciones son caracterizadas por el arreglo rectangular (es
decir, por la matriz) siguiente:
a11 a12 a1n

a21 a22 a2n
...................
am1 am2 amn
llamada la matriz asociada a f con respecto a la base B de V

y a la base C de W y se denota (f ; B, C).
Se dice que esta matriz tiene m las y n columnas y cada escalar aij
es llamado t
ermino de la matriz.
Recprocamente, si nos damos una matriz de m las y n columnas, las
formulas
n
yi =
aij xj
j=1
denen una aplicacion lineal de V en W .

En efecto, para todo v V , de coordenadas x1 , x2 , ..., xn en la base
B, los yi =
n
X
aij xj hacen corresponder un vector u

nico de W de
j=1
coordenadas y1 , y2 , ..., ym en la base C.

Este vector w esta dado por la relacion
w=
n
m X
X
i=1 j=1
aij xj )wi =
n
X
m
X
aij wi ) =
xj (
j=1
i=1
n
X
j=1
xi f (vj ) = f (
n
X
xj vj ) = f (v)
j=1
Tenemos que f es lineal (Te lo dejamos gentilmente de ejercicio

bueno?)
Para v = vj , se tiene f (vj ) =
m
X
i=1
aij vi , se sabe que existe una aplicacion
lineal que cumple esta condicion y se sabe que es u

nica.
Captulo 4.
Matrices
177
Ejemplo
Sea f : K 3 K 2 ; denida por: f (x, y, z) = (3x, x + y).
Consideremos B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base ordenada
(no podemos cambiar el orden dado) de K 3 y C = {(1, 0), (1, 1)}
una base ordenada de K 2 . Busquemos (f ; B, C) de acuerdo?
Soluci
on
Sabiendo que f (x, y, z) = (3x, x + y), tenemos
f (1, 1, 1)
= (3, 2) = 5(1, 0) + 2(1, 1)
f (1, 1, 0) = (3, 0) = 3(1, 0) + 0(1, 1)
f (1, 0, 0)
= (3, 1) = 4(1, 0) + 1(1, 1)
Luego (f ; B, C) =
5 3 4
2 0 1
Ejemplo
Sea f : K 3 K 2 ; f (x, y, z) = (x + y + z, 3z).
Consideremos B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base de K 3 y

C = {(0, 1), (1, 1, )} una base de K 2 .
Busquemos (f ; B, C).
A partir de f (x, y, z) = (x + y + z, 3z), obtenemos

f (1, 1, 1) = (3, 3) = 0(0, 1) + 3(1, 1)
f (1, 1, 0) = (2, 0) = 2(0, 1) + 2(1, 1)
f (1, 0, 0) = (1, 0) = 1(0, 1) + 1(1, 1)
Entonces (f ; B, C) =
0 2 1
3 2
1
Ejercicio
Sea f : K2 [t] K2 [t]; f (g(t)) = (1t)g (t). Determinemos (f ; B, C),
178

no
Algebra Lineal
donde B = {1 + t + t2 , 1 + t, 1} y C = {t + t2 , 1 + t + t2 , t2 }.
Soluci
on
Tal vez debemos explicarte mejor el comportamiento de f . Bueno es
as:
f (a + bt + ct2 ) = (1 t)(b + 2ct), pues g (t) es la derivada formal de
g(t) (es decir que tiene la misma forma de la derivada. de acuerdo?)
f (1 + t + t2 ) = (1 t)(1 + 2t) = 1 + t 2t2
f (1 + t)
= (1 t) 1
= 1t
f (1)
= (1 t) 0
= 0
Busquemos las coordenadas de estos vectores en la base C.
1 + t 2t2 = 0(t + t2 ) + 1(1 + t + t2 ) + 3t2
1t
= 2(t + t2 ) + 1(1 + t + t2 ) + 1t2
0
= 0 (t + t2 ) + 0 (1 + t + t2 ) + 0 t2
Luego
0 2 0
1 0
(f ; B, C) = 1
3 1 0
Ejercicio
Sea f : K 2 K2 [X] lineal cuya matriz seg
un las bases
B = {(1, 1), (1, 0)} y C = {1 + X + X 2 , 1 + X, 1} es
1 2
(f ; B, C) = 3 7
5 4
Busquemos la expresion analtica de f .
Captulo 4.
Matrices
179
Soluci
on
Sabemos que:
f (1, 1) = 1(1 + X + X 2 ) + 3(1 + X) + 5(1)
f (1, 0) = 2(1 + X + X 2 ) + 7(1 + X) + 4(1)
Luego
f (1, 1) = 9 + 4X + X 2
f (1, 0) = 13 + 9X + 2X 2
Ahora escribamos (z, t) K 2 , seg
un la base B
(z, t) = t(1, 1) + (z t)(1, 0)
Luego
f (z, t) = tf (1, 1)+(zt)f (1, 0) = t(9+4X+X 2 )+(zt)(13+9X+2X 2 )
es decir,
f (z, t) = (13z 4t) + (9z 5t)X + (2z t)X 2
4.2
Suma de morfismos y suma de matrices
Observaci
on
Sean f, g : K 2 K 3 denidas por:
f (x, y) = (2x + y, 3y 3x, 2y 3x) y g(x, y) = (4x 2y, 2x y, x)
Escojamos las bases ordenadas
B = {(1, 2), (1, 1)} en K 2 y C = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} en K 3
(f + g)(x, y) = f (x, y) + g(x, y) = (6x y, 2y x, 2y 2x)
180

no
Algebra Lineal
luego,
f (1, 2)
f (1, 1)
g(1, 2)
g(1, 1)
(f + g)(1, 2)
(f + g)(1, 1)
=
=
=
=
=
=
(4, 3, 1)
(3, 0, 1)
(0, 0, 1)
(2, 1, 1)
(4, 3, 2)
(5, 1, 0)
= 1(1, 1, 1) + 2(1, 1, 0) + 1(1, 0, 0)

= 1(1, 1, 1) + 1(1, 1, 0) + 3(1, 0, 0)
= 1(1, 1, 1) 1(1, 1, 0) + 0(1, 0, 0)
= 1(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0)
= 2(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0)
= 0(1, 1, 1) + 1(1, 1, 0) + 4(1, 0, 0)
de donde
1 1
1
(f ; B, C) =
;
2
1 3
1 1
(g; B, C) =
1 0
0 1
2 0
(f + g; B, C) =
1 1
1 4
Es obvio como uno sumara las dos primeras matrices de manera de

obtener la tercera como resultado de esta suma. Todos somos un poco
matematicos en nuestro ser! Cierto?
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Sean V y W dos K-espacios vectoriales. Sea B = {v1 , v2 , ..., vn } una
base ordenada de B y C = {w1 , w2 , ..., wm } una base ordenada de W .
Sean f, g : V W dos morsmos
f (vj ) =
m
X
i=1
aij wi , g(vj ) =
m
X
bij wi . Luego
i=1
(f + g)(vj ) = f (vj ) + g(vj ) =
m
X
i=1
Luego
(f ; B, C) =
aij wi +
m
X
i=1
bij wi =
m
X
(aij + bij )wi
i=1
a11 . . . a1j . . . a1n

.........................
ai1 . . . aij . . . ain
.........................
am1 . . . amj . . . amn
Captulo 4.
181
Matrices
(g; B, C) =
(f + g; B, C) =
b11 . . . b1j . . . b1n

........................
bi1 . . . bij . . . bin
........................
bm1 . . . bmj . . . bmn
a11 + b11
. . . a1j + b1j . . . a1n + b1n
...........................................
ai1 + bi1
. . . aij + bij . . . ain + bin
...........................................
am1 + bm1 . . . amj + bmj . . . amn + bmn
Esto motiva la siguiente denicion

Definici
on 4.2.1 A todo par de matrices (aij ) y (bij ) pertenecientes
a Mmn (K), le asociamos una matriz de Mmn (K), llamada suma
de (aij ) y (bij ), denotada (aij ) + (bij ) y definida por
(aij ) + (bij ) =: (aij + bij )
es decir,
(f ; B, C) + (g; B, C) = (f + g; B, C)
En palabras, la suma de las matrices de dos morsmos es la matriz de
la suma de esos dos morsmos.
4.3
Producto de un escalar por un morfismo y producto de un escalar por

una matriz
Recordemos que en el captulo anterior denimos el producto por escalar f donde f es un morsmo.
182

no
Algebra Lineal
Observaci
on
Considerando el morsmo f : K 2 K 3 y las bases de la observacion
anterior, tenemos
(f )(x, y) = f (x, y) = (2x + y, 3y 3x, 2y 3x)
Luego
(f )(1, 2) = (4, 3, ) = (1, 1, 1) + 2(1, 1, 0) + (1, 0, 0)
(f )(1, 1) = (3, 0, ) = (1, 1, 1) + (1, 1, 0) + 3(1, 0, 0)

1 1
(f ; B, C) = 2 1 y (f ; B, C) = 2
3
1 3
Nuevamente uno tiene de inmediato el chispazo para multiplicar una
matriz por un escalar
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Consideremos la misma aplicacion lineal f y las mismas bases que
consideramos para el caso de la suma. Sea K. Por la denicion de
la aplicacion lineal f , tenemos
(f )(vj ) = f (vj ) =
m
X
i=1
aij wi =
m
X
(aij )wi
i=1
Luego
(f ; B, C) =
a11 . . . a1j . . . a1n

.............................
ai1 . . . aij . . . ain
.............................
am1 . . . amj . . . amn
es decir, (f ; B, C) = (aij ). Esto nos motiva a la siguiente denicion
Captulo 4.
183
Matrices
Definici
on 4.3.1 A toda matriz (aij ) perteneciente a Mmn (K) y a
todo escalar K,le asociaciamos una matriz de Mmn (K), llamada
producto de por (aij ), denotada (aij ) y definida por
(aij ) = ( aij )
es decir,
(f ; B, C) = ( f ; B, C)
En palabras, el producto escalar por una matriz de un morsmo es la
matriz del producto escalar por el morsmo.
4.4
Composici
on de morfismos y producto de matrices
Sean U , V y W tres K-espacios vectoriales de dimensiones n, p y q

respectivamente. Sean f : U V y g : V W . Escojamos las
bases B, C y D respectivamente en U , V y W .
B = {u1 , u2 , , un }, C = {v1 , v2 , , vp }, D = {w1 , w2 , , wq }.
Sean
(f ; B, C) = (aij ),1 j n, 1 i p; (g; C, D) = (bki ), 1 i p, 1 k q

Busquemos la matriz de g f .
f (uj ) =
p
X
aij vi ,
g(vi ) =
i=1
q
X
bki wk
k=1
Luego
(g f )(uj ) = g(f (uj )) = g(

De donde
p
X
aij vi ) =
i=1
p
X
i=1
aij g(vi ) =
p
X
i=1
aij (
q
X
k=1
bki wk )
184

no
(g f )(uj ) =
Sea
ckj =
p
X
i=1
p
q X
X
k=1 i=1
Algebra Lineal
bki aij )wk , 1 j n
bki aij = bk1 a1j + bk2 a2j + + bkp apj
Obtenemos entonces
(g f )(uj ) =
q
X
ckj wk
k=1
La matriz asociada a g f es entonces (ckj ).
Tenemos entonces la siguiente denicion
Definici
on 4.4.1 A una matriz (aij ) en Mpn (K) y una matriz (bki )
en Mqp (K), le asociamos una matriz de Mqn (K), llamada producto de las matrices (bki ) y (aij ), denotada (bki ) (aij ) y definida
por
p
X
(bki ) (aij ) = (
bki aij )
i=1
El orden inverso (aij ) (bki ) en general no tiene sentido.

Esquema de la denicion:
bk1
bk2
bkp

a1j
a2j
..
.
apj
..
.
ckj
..
.
Representa la multiplicacion de la la k por la columna j y se obtiene

el lugar (k, j) de la matriz producto.
(g; C, D) (f ; B, C) = (g f ; B, D)
Es decir, el producto de las matrices de dos morsmos es la matriz de
la composicion de los morsmos.
Captulo 4.
185
Matrices
Ejemplo
Consideremos nuevamente la aplicacion lineal
f : K 2 K 3 ;
f (x, y) = (2x + y, 3y 3x, 2y 3x)
y las mismas bases ordenadas de las observaciones anteriores.

Ademas consideremos la aplicacion lineal
g : K 3 K 2 ;
g(x, y, z) = (x y + 2z, x + 2y)
Consideremos D = {(1, 1), (1, 0)} una base ordenada del Codominio
de g y busquemos las matrices: (g; C, D) y (g f ; B, D)
Tenemos:
g(1, 1, 1)
g(1, 1, 0)
g(1, 0, 0)
(g f )(x, y)
(g f )(1, 2)
(g f )(1, 1)
=
=
=
=
=
=
(2, 1)
(0, 1)
(1, 1)
g(f (x, y))
(3, 2)
(1, 3)
=
1(1, 1) + 1(1, 0)
=
1(1, 1) + 1(1, 0)
=
1(1, 1) + 2(1, 0)
= (x + 2y, 8x + 5y)
=
2(1, 1) + 1(1, 0)
=
3(1, 1) + 4(1, 0)
Luego tenemos
(g; C, D) =
1 1 1
;
1 1 2
(g f ; B, D) =
1 1
(f ; B, C) = 2 1
1 3
2 3
1 4
El n
umero 2 de la tercera matriz se obtiene de 1 1 + 1 2 + (1) 1, es
decir la primera la de (g; C, D), por la primera columna de (f ; B, C).
Ademas
3 = 1 (1) + 1 1 + (1) 3
1
= 1 1 + (1) 2 + 2 1
4
= 1 (1) + (1) 1 + 2 3
186

no
4.5
Algebra Lineal
Algunos tipos especiales de matrices
Proposici
on 4.5.1 (Mmn (K), +) es un grupo abeliano.
Demostraci
on
La suma es una ley de composicion interna. Esta suma es asociativa
y conmutativa.
El neutro para la suma es la matriz nula, es decir 0 = (aij ) con aij = 0;
i = 1, , m, j = 1, , n Toda matriz A = (aij ) tiene inversa
aditiva A = (aij )
Proposici
on 4.5.2 (Mn (K), +, ) es un anillo con unidad.
Demostraci
on
En efecto, el producto es asociativo y se distribuye con respecto a la
suma.
La unidad es la matriz identidad In = (aij ), donde aii = 1 y aij = 0 si
i 6= j.
Observaci
on
Sea A =
AB =
BA=
1 2
3 1
1 2
3 1
2 1
3 6
yB=
2 1
. Entonces
3 6

2 1
3 6

1 2
3 1
8 11
3 9
1 5
21 0

Nota
Se tiene entonces que el producto de matrices no es conmutativo.
Captulo 4.
187
Matrices
Observaci
on
Consideremos las mismas dos matrices del ejemplo anterior y observamos lo siguiente.
A =
B2 =
1 2
3 1
2 1
3 6

A2 + 2A B + B 2 =
1 2
3 1
2 1
3 6
Por otra parte:
3 1
6 5

7 0
0 7
1 8
24 33
7 0
1 8
16 22
+
+
24 33
6 18
0 7
1 2
(A + B) = (
3 1

3 1
)=
6 5

2 1 2
) =
3 6

24 14
30 22
3 1 2
) =
6 5

15 8
)
48 31

Luego (A + B)2 6= A2 + 2AB + B 2
Esto ocurre pues (A + B)2 = (A + B) (A + B) = A2 + AB + BA + B 2 ,

y como vimos anteriormente: AB + BA 6= 2AB
Definici
on 4.5.1 Diremos que una matriz A Mn (K) es invertible
o regular, si existe una matriz B Mn (K), tal que AB = BA = In .
Diremos que es singular, en caso que no sea invertible.
Ejercicio
En el espacio de las matrices M2 (IR), determine
el conjunto de todas

1 1
las matrices que conmutan con la matriz:
0 0
Soluci
on

a b
c d

1 1
0 0
1 1
0 0

a b
c d
188
Luego

no

a a
c c
a+c b+d
0
0
Algebra Lineal
b+d b
; b, d IR}, es el
0
d
conjunto de todas las matrices que conmutan con la matriz A.
Entonces a = b + d y c = 0. Luego {
Ejercicio
Estudie para que valores de a,

es invertible.
1 a 1
a IR, la matriz A = a 1 a
,
0 a 1
Soluci
on
1 a 1
1
L23 (a)
0
0 1 a
0 a 1
1
1 0 1 a2
L12 (a) L32 (a)
a
0 1
2
0 0 1a
1
a
1 a 1
L21 (a)
a 1 a 0 1 a2
0
a
0 a 1
Luego la matriz A es invertible ssi a 6= 1, 1
Definici
on 4.5.2 Sea A Mn (K), A =
6 0. Diremos que A es un
divisor de cero, si existe B Mn (K), B =
6 0, tal que A B = 0
Ejemplo
Consideremos las matrices A =
Su producto es: A B =
divisores de cero.
0 2
0 0
0 3
.
0 0

0 0
. Luego las matrices A y B, son
0 0

Captulo 4.
189
Matrices
Observaci
on
0 1
. Se tiene que A2 = 0. Diremos
Consideremos la matriz A =
0 0
que A es una matriz nilpotente de grado 2

Definici
on 4.5.3 Sea A Mn (K). Diremos que A es una matriz
nilpotente de grado m, si Am = 0 y At 6= 0 t < m
Ejemplo
0 0 0
0 0 0
2
.
Entonces
A
=
1
0
0
Sea A =
0 0 0 y A3 = 0.
1 0 0
2 1 0
Luego A es una matriz nilpotente de grado 3.
Definici
on 4.5.4 Sea A Mn (K). Diremos que A es idempotente
2
si A = A
Ejemplo
Consideremos A =
1 0
. Se tiene que A2 = A
0 0

Definici
on 4.5.5 Sea A Mn (K). Diremos que A es involutiva si
2
A = In
Ejemplo
0 1 1
Consideremos A = 4 3 4 . Se tiene que A2 = I3

3 3 4
Luego A es involutiva.
190

no
Algebra Lineal
Ejercicio
Demuestre que si la matriz A es involutiva, entonces B = 12 (In + A) y
C = 21 (In A), son idempotentes y B C = 0
Proposici
on 4.5.3 Para el producto de matrices no se cumple la ley
de cancelacion.
Contraejemplo
Sea A =
1 2
,B=
2 4

1 1
2 0
yC=
3 3
.
1 1

Se tiene A B = A C y B 6= C
Definici
on 4.5.6 Sea A Mmn (K), A = (aij ), i = 1, , m; j =
1, , n. Diremos que B Mnm es la matriz transpuesta A si
B = (aji ), i = 1, , m; j = 1, , n. Notacion: B = At
Ejemplo
Sea A =
1 4
1 2 3
. Entonces At =
2 5
4 5 6
3 6

Proposici
on 4.5.4 Sean A, B matrices. Entonces:
1. (A + B)t = At + B t
2. (A)t = At
3. (A B)t = B t At
Ejercicio
Sea A Mmn (K) y G Mn (K). Sea G = At A, entonces Gt = G
Captulo 4.
191
Matrices
Soluci
on
Gt = (At A)t = At (At )t = At A = G
Definici
on 4.5.7 Sea A Mn (K). Diremos que:
1. A es una matriz sim
etrica si At = A
2. A es una matriz antisim
etrica si At = A
3. A es una matriz ortogonal si At = (A)1
Ejemplos
Son simetricas las matrices:
0 3
,
3 2
Son antisimetricas las matrices:

Son ortogonales las matrices:

2 5
,
5 1

0 3
,
3 0

0 1
,
1 0

1 4
4 0
0 1
,
1 0
0 1
,
1 0

0 5
5 0
1 0
0 1
Lema
Sea A Mn (K), entonces A + At , es una matriz simetrica y A At ,
es una matriz antisimetrica.
Demostraci
on
En efecto, (A + At )t = At + (At )t = At + A. Luego A + At es simetrica.
Por otra parte: (A At )t = At (At )t = At A = (A At ). Luego
A At es antisimetrica.
Lema
Sea A Mn (K), entonces A = B+C, donde B es una matriz simetrica
y C es una matriz antisimetrica.
192

no
Algebra Lineal
Demostraci
on
Sea B = 12 (A + At ) y C = 12 (A At ). Entonces B y C cumplen lo
pedido.
Definici
on 4.5.8 Sea A Mn (K). Entonces B = 12 (A + At ) y
1
C = 2 (A At ), ser
an llamadas la parte sim
etrica y la parte antisim
etrica de A respectivamente.
Ejercicio
1 2
3 4
antisimetrica.
Sea A =
M2 (IR). Busquemos su parte simetrica y su parte
Soluci
on
Su parte simetrica S es: S =

1
(
2
2 5
)=
5 8

1
5
2
5
2
1
(A
2
0 1
0 1
)= 1 2
0
1 0
2
Se tiene que A = S + T
1
(
2
+A) =
1
(AAt )
2
1
(
2
Su parte antisimetrica T es: T =

1 2
3 4
1
(
2
1 3
)=
2 4

1 3
1 2
)=
2 4
3 4

Definici
on 4.5.9 Sea A = (ai,j ) Mn (K). Llamaremos traza de
P
A, denotada por T r(A), al n
umero ni=1 aii , es decir, a la suma de los
elementos de la diagonal principal.
Proposici
on 4.5.5 Sea A, B Mn (K). Entonces se tiene:
1. T r( A) = T r(A)
2. T r(A + B) = T r(A) + T r(B)
3. T r(A B) = T r(B A)
Captulo 4.
4.6
193
Matrices
Forma matricial de f (v) = w
Sean V y W dos K-espacios vectoriales.

Sea B = {v1 , v2 , ..., vn } una base de V y C = {w1 , w2 , ..., wm } una base
de W , ambas bases ordenadas.
Si v V , entonces
v = x1 v 1 + x2 v 2 + + x n v n
y
f (v) = y1 w1 + y2 w2 + + ym wm
Sea (f ; B, C) = (aij ), es decir
f (v1 ) = a11 w1 + a21 w2 + + am1 wm
f (v2 ) = a12 w1 + a22 w2 + + am2 wm
........................................
f (vn ) = a1n w1 + a2n w2 + + amn wm
Luego
f (v) =
=
=
=
f (x1 v1 + + xn vn )
x1 f (v1 ) + + xn f (vn )
x1 (a11 w1 + + am1 wm ) + + xn (a1n w1 + + amn wm )
(x1 a11 + + xn a1n )w1 + + (x1 am1 + + xn amn )wm
Luego por la unicidad de las componentes de la base:

y1 = x1 a11 + x2 a12 + + xn a1n
y2 = x1 a21 + x2 a22 + + xn a2n
.....................................
ym = x1 am1 + x2 am2 + + xn amn
De donde
a11 a12 a1n

a21 a22 a2n
...................
am1 am2 amn
y1
x1
x2
y2

.. = .
.
..
xn
ym

194

no
Algebra Lineal
Es decir,
f (v)
v
seg
un
=
seg
u
n
(f ; B, C)
C
B
Ejemplo
Sea f : K2 [X] K 2 ; f (a+bX +cX 2 ) = (a+5b, 4b+c). Consideremos
las bases B = {1, 1 + X, 1 + X + X 2 } y C = {(1, 1), (1, 0)} de K2 [X]
y K 2 , respectivamente.
Veamos cual es la imagen del vector v = 9 + 2X + 5X 2 . Comencemos
por buscar (f ; B, C)
f (1) = (1, 0) = 0(1, 1) + 1(1, 0)
f (1 + X) = (6, 4) = 4(1, 1) + 2(1, 0)
f (1 + X + X 2 ) = (6, 5) = 5(1, 1) + 1(1, 0)
Escribamos v seg
un la base B
9 + 2X + 5X 2 = 7 1 + 3(1 + X) + 5(1 + X + X 2 )
Multiplicando las dos matrices asociadas tenemos

0 4 5
1 2 1

7
13
3 =
6
5
es decir,
f (9 + 2X + 5X 2 ) = 13(1, 1) + 6(1, 0) = (19, 13)
Resultado que se puede comprobar aplicando directamente la denicion
de f .
Captulo 4.
4.7
195
Matrices
Forma matricial de un sistema de ec.

lineales
El sistema de ecuaciones lineales de m ecuaciones y n incognitas siguiente:
11 x1 + 12 x2 + + 1n xn = 1
21 x1 + 22 x2 + + 2n xn = 2
......................................
m1 x1 + m2 x2 + + mn xn = m
Puede ser representado matricialmente, de la manera siguiente:
11 12 1n
21 22 2n
....................
m1 m2 mn
Es decir, en la forma: A X = B
1
x1
x2
2
.. = .
.
..
xn
m

1
x1
x2
2
donde A es la matriz de los coecientes, X = .. y B = ..
.
.
xn
m
4.8
Isomorfismos y matrices invertibles
Sabemos que todo isomorsmo es invertible. Es natural preguntarse si

su aplicacion inversa es lineal. Cierto? He aqu la respuesta.
Lema
Sea f : V W un isomorsmo, entonces f 1 : W V es lineal.
Demostraci
on
Dados w1 , w2 W , existen v1 , v2 u
nicos tales que f (v1 ) = w1 y
196

no
Algebra Lineal
f (v2 ) = w2
Tenemos que
f 1 (w1 ) + f 1 (w2 ) = v1 + v2
(1)
Pero f (v1 + v2 ) = f (v1 ) + f (v2 ) = w1 + w2 , luego

f 1 (w1 + w2 ) = v1 + v2
(2)
De (1) y (2), obtenemos que f 1 (w1 + w2 ) = f 1 (w1 ) + f 1 (w2 )

Ademas f (v1 ) = f (v1 ) = w1 , luego
f 1 (w1 ) = v1 = f 1 (w1 )
Proposici
on 4.8.1 Sea f : V W un isomorfismo. Sean B y C
bases ordenadas de V y W respectivamente. Entonces
(f ; B, C)1 = (f 1 ; C, B)
En palabras: la inversa de la matriz de una aplicacion lineal invertible,
es la matriz de la aplicacion lineal inversa.
Demostraci
on
Tenemos que f 1 f = IdV .
Luego I = (IdV ; B, B) = (f 1 f ; B, B) = (f 1 ; C, B)(f ; B, C)

Luego (f ; B, C)1 = (f 1 ; C, B)
Proceso para encontrar la matriz inversa

Hay un metodo genial para encontrar la matriz inversa de una matriz.
Es tan interesante, pues solo utiliza las operaciones elementales.
Captulo 4.
197
Matrices
Comenzaremos por observar que a cada operacion elemental efectuada

en las lneas de una matriz, le corresponde una multiplicacion por una
matriz especial.
Veamos cada uno de estos tipos de operaciones en un ejemplo.
Observaci
on
Multipliquemos por 3 la primera la de la matriz A siguiente:
3 6 3
1 2 1
L1 (3)
3 7 2
3 7 2
2 1 1
2 1 1
Esta u
ltima matriz la obtenemos del producto:

3 6 3
1 2 1
3 0 0
0 1 0 3 7 2 = 3 7 2
2 1 1
2 1 1
0 0 1
Lema
Multiplicar por la la i de una matriz A, corresponde a multiplicar
a la izquierda de A, por la matriz obtenida de la matriz identidad,
cambiando el 1 de la i-esima la por .
Observaci
on
Permutemos la primera y la tercera la de la matriz A siguiente:
2 1 1
1 2 1
L13
3
7
2
3 7 2
1 2 1
2 1 1
Esta u
198

no
Algebra Lineal
0 0 1
1 2 1
2 1 1
0 1 0 3 7 2 = 3 7 2
1 0 0
2 1 1
1 2 1
Lema
Permutar la i-esima la de una matriz A, por la j-esima la de la
misma matriz, corresponde a multiplicar a la izquierda de A por la
matriz obtenida de la matriz identidad permutando la i-esima la por
la j-esima la.
Observaci
on
A la tercera la de la matriz A, le vamos a sumar (2) veces la primera
la.
1 2
1
1 2 1
L31 (2)
3
7
2
3
7
2
0 3 1
2 1 1
Esta u
1 2 1
1 0 0
1 2
1

3
7
2
0
1
0
3
7
2
=

2 0 1
2 1 1
0 3 1
Lema
A la i-esima la de la matriz A, sumarle veces la j-esima la de
la misma matriz, corresponde multiplicar a la izquierda de A, por la
matriz obtenida de la matriz identidad, cambiando el elemento del
lugar (i, j) por
Definici
on 4.8.1 Diremos que una matriz es una matriz elemental, si es obtenida de la matriz identidad, a traves de una y s
olo una
Captulo 4.
199
Matrices
operaci
on elemental.
Teorema 4.8.2 Una matriz A puede ser reducida a la matriz identidad, por una sucesi
on finita de operaciones elementales en las lneas,
si y s
olo si A es invertible. Se tiene que la matriz inversa de A, es
obtenida a partir de la matriz identidad, a la cual se le aplica la misma
sucesi
on de operaciones en las lneas.
Demostraci
on
Es una sucesion de aplicaciones de los lemas anteriores.
Conclusi
on
En la practica operamos simultaneamente con la matriz dada y la
matriz identidad, a traves de operaciones elementales, hasta llegar a
la identidad en el lugar que estaba A. La matriz obtenida en el lugar
correspondiente a la matriz identidad, es la matriz inversa de A.
Esquematicamente tenemos:
(A|I) (I|A1 )
Ejemplo
Busquemos la matriz inversa de
A=
1 2
1 4
200

no
Algebra Lineal
Soluci
on
1 2 1 0
1 4 0 1
L12 (1)
L21 (1)
1 0 2 1
0 2 1 1
1 2 1 0
0 2 1 1
!
L2 ( 12 )
1 0 2 1
0 1 21 12
Luego
1
4.9
2 1
21 21
Automorfismo y matriz de cambio de

base
Introducci
on
Consideremos el espacio vectorial K 2 sobre K y dos bases ordenadas
B = {(1, 1), (1, 0)} y C = {(1, 1), (0, 1)}. Supongamos que tenemos
una gran cantidad de vectores descompuestos seg
un la base B y necesitamos sus componentes seg
un la base C.
Por ejemplo, el vector u = (1, 2) se descompone seg
un la base B
en (1, 2) = 2(1, 1) + (1)(1, 0) y su descomposicion en la base C es
(1, 2) = 1(1, 1) + 3(0, 1).
Otro ejemplo sera v = (7, 2) que tiene componentes 2 y 5 seg

un la
base B y 7 y 9 seg
un la base C.
Buscamos un metodo practico para obtener las componentes de los
vectores con respecto a la base C, conociendo las componentes seg
un
la base B.
El enunciado de este problema en forma general es el siguiente
Captulo 4.
201
Matrices
Problema
Sea V un K-espacio vectorial. Consideremos dos bases de V , B =
{v1 , v2 , ..., vn } y C = {u1 , u2 , ..., un }. Conociendo las componentes
{y1 , y2 , ..., yn } del vector v V en una base C, determinar las componentes {x1 , x2 , ..., xn } de este mismo vector v en una base B.
Soluci
on
Existe un u
nico endomorsmo f de V que enva la base B en la base
C, es decir, tal que f (v1 ) = u1 , f (v2 ) = u2 , ..., f (vn ) = un . Puesto que
lleva una base en otra, f es biyectiva, es decir, f es un automorsmo.
En lenguaje de matrices: toda representacion matricial de f es invertible, sea cual sea la base elegida en el dominio o en el codominio.
Sea
u1 = f (v1 ) =
u2 = f (v2 ) =
n
X
i=1
n
X
i1 vi
i2 vi
i=1
.....................
un = f (vn ) =
n
X
i=1
in vi
La matriz P = (ij ) es la matriz de f con respecto a la base B en el

dominio y en el co-dominio, es decir, P = (ij ) = (f ; B, B), pero esta
matriz a su vez exhibe la descomposicion de cada elemento de la base
C con respecto a la base B.
Sigamos resolviendo este problema.
Sea v V , v = x1 v1 + x2 v2 + ... + xn vn .
Por otra parte:
v = y 1 u1 + y 2 u2 + + y n u n
= y1
n
X
i=1
i1 vi + y2
n
X
i=1
i2 vi + + yn
n
X
in vi
i=1
= (y1 11 + + yn 1n )v1 + + (y1 n1 + + yn nn )vn
202

no
Algebra Lineal
Luego
x1 = 11 y1 + 12 y2 + ... + 1n yn
x2 = 21 y1 + 22 y2 + ... + 2n yn
..................................
xn = n1 y1 + n2 y2 + ... + nn yn
Sea
x1
x
2
X=
xn
y1
y
2
Y =
yn
x1
x
2
=

xn
(v seg
un B) =
X = PY ;
11 12 1n
21 22 2n
....................
m1 m2 mn
(C seg
un B)
Y = P 1 X
y1
y
2
yn
(v seg
un C)
Definici
on 4.9.1 La matriz P = (ij ) es llamada matriz de cambio de base, de la base C a la base B.
Nota
Puesto que P es una matriz de un automorsmo, es invertible y su
matriz inversa P 1 es la matriz que exhibe la descomposicion de la
base B seg
un la base C
Ejemplo
En IR2 consideremos las bases B = {(1, 2), (1, 0)} y la base B =
{(1, 1), (0, 1)}. Descompongamos las base B con respecto a la base B .
Tenemos
(1, 2) = 1(1, 1) + 1(0, 1)
(1, 0) = 1(1, 1) + (1)(0, 1)
Captulo 4.
Luego (B
203
Matrices
seg
un B ) =
1 1
1 1
Esta matriz nos permite efectuar el cambio de base de B a B . Por

ejemplo si consideramos el vector v = (2, 6), con respecto a la base
B tenemos que sus componentes con respecto a dicha base son 3 y
5 pues v = 3(1, 2) + (5)(1, 0). Para obtener las componentes de v
con respecto a la base B basta realizar la siguiente multiplicacion de
matrices:

4.10
1 1
1 1

3
5
2
8
Un morfismo cualquiera y matrices

equivalentes
Problema
Tenemos un morsmo f : V W expresado por una matriz M , con
respecto a las bases B y C. Queremos expresarlo con respecto a otras
bases B y C .
Tambien nos interesa estudiar la relacion que hay entre estas dos matrices y en general, entre todas las matrices asociadas a este morsmo.
Cambio de base de un morfismo

Sea f : V W un morsmo. Sean B y B dos bases de V y C y C
dos bases de W .
Se tiene M = (f ; B, C) y se necesita M = (f ; B , C )
Sean P : B seg
un B;
x1
x
2
X=
xn
Q: C seg
un C;
v seg
un B;
y1
Q1 : C seg
un C
y
2
Y =
ym
f (v) seg
un C;
204

no
x1
x
2
X =
xn
Algebra Lineal
y1
y
2
Y =
ym
v seg
un B ;
f (v) seg
un C
Se tiene (1): Y = M X; (2): Y = M X (3): X = P X (4): Y = QY

Reemplazando (3) y (4) en (1) se tiene: QY = M P X de donde,
multiplicando por Q1 se obtiene (5): Y = Q1 M P X . Comparando
(5) y (2) tenemos:
M = Q1 M P
Es decir,
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Entonces, de una matriz se puede llegar a la otra a traves de la multiplicacion por las matrices de cambio de base respectivas. Notese que
estas matrices son invertibles.
Ejemplo
Sea f : IR2 IR3 ; talque f (x, y) = (x + y, 2x, 3y). Consideremos
las bases B = {(1, 2), (1, 0)} y B = {(1, 1), (0, 1)} de IR2 y las bases
C = {(1, 0, 0), (0, 1, 0), (1, 1, 1)} y C = {(0, 10), (1, 1, 0), (0, 0, 1)} de
IR3
Primero encontraremos la matriz que exhibe las componentes de la
base B seg
un la base B. En efecto tenemos:
(1, 1) = 12 (1, 2) + 12 (1, 0)
(0, 1) = 21 (1, 2) 12 (1, 0)
Es decir, (B
seg
un B) =
1
2
1
2
1
2
12
Ahora busquemos la matriz de f con respecto a las bases B y C:

f (1, 2) = (3, 2, 6) = 3(1, 0, 0) 4(0, 1, 0) + 6(1, 1, 1)
f (1, 0) = (1, 2, 0) = 1(1, 0, 0) + 2(0, 1, 0) + 0(1, 1, 1)
Captulo 4.
205
Matrices
3 1
Luego tenemos la matriz (f ; B, C) = 4 2
6 0
Nos falta por encontrar la matriz de cambio de base de C a C :

(1, 0, 0) = 1(0, 1, 0) + 1(1, 1, 0) + 0(0, 0, 1)
(0, 1, 0) = 1(0, 1, 0) + 0(1, 1, 0) + 0(0, 0, 1)
(1, 1, 1) = 0(0, 1, 0) + 1(1, 1, 0) + 1(0, 0, 1)

Luego (C
1 1 0
seg
un C ) = 1 0 1
0 0 1
Por otra parte, debemos determinar la matriz (f ; B , C ). En efecto

f (1, 1) = (2, 2, 3) = 0(0, 1, 0) + 2(1, 1, 0) + 3(0, 0, 1)
f (0, 1) = (1, 0, 3) = 1(0, 1, 0) + 1(1, 1, 0) + 3(0, 0, 1)
0 1
1
Por lo tanto la matriz (f ; B , C ) =
2
3 3
Luego se tiene la siguiente igualdad:
1
3 1
1 1 0
0 1
1 = 1 0 1 4 2 21
2
2
6 0
0 0 1
3 3
1
2
12
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Lo anterior nos lleva a dar una nueva denicion en el espacio de las
matrices. Diremos que estas matrices son equivalentes, pero, daremos
una denicion mas general que esta.
Definici
on 4.10.1 Se dice que una matriz M Mmn (K) es equivalente a una matriz M Mmn (K), si existe una matriz invertible
P Mn (K) y una matriz invertible Q Mm (K), tales que:
M = Q1 M P
206

no
Algebra Lineal
En el caso particular M Mn (K), diremos que M es semejante a

una matriz M Mn (K), si existe una matriz invertible P Mn (K)
tal que:
M = P 1 M P
Esto ocurre, si tomamos V = W , B = C y B = C .
Observaci
on
Ser equivalente a y ser semejante a son relaciones de equivalencia.
Observaci
on
Sea f un endomorsmo en V , es decir f : V V lineal. Entonces
todas las matrices asociadas a f son semejantes entre ellas, es decir,
cada vez que cambiamos las bases, obtenemos una matriz semejante
a la anterior.
4.11
Ejercicio
Sean V y W dos K-espacios vectoriales. Sea f : V W con dimV =
dimW = 3. Estudiemos los valores de para los cuales f es un
isomorsmo, donde
2 1 2 8
0
(f ; B) = 1 6
; con B una base dada
2 5 2 8
Soluci
on
f es un isomorsmo si y solo si (f ; B) es una matriz invertible si y
solo si su matriz escalonada es la identidad. Tenemos:
Captulo 4.
207
Matrices

2 8

0

0

2 8

0

0

0

0

+ 4
2 1 2 8
0
1 6
2 5 2 8
2 1
1 6
0 4
2 1
1 6
0 1
1 0
0 1
0 0
1 0 0
L31 (1)
0 1 0
0 0 1
1 0 0
L3 ( 14 )
0 1 0
1 0 1
1 0 0
0 1 0

1
1
4 0 4
3
2
14
7
8
1 23
0 14
()
11
1 8
Caso 4 = 0 ssi = 4
1 0 0 32 1 23

1
1
0 1 0 4 0
4
7
0 0 0 8 1 11
8

Luego la matriz A4 no es invertible y el monomorsmo f4 no es un

isomorsmo.
Caso 4 6= 0 ssi 6= 4
Reemplazando en (*)
En este caso:
1 0 0

0 1 0

0 0 1
A
3
2
14
1
0
7
8(+4)
1
+4
3
2
1
0
41
7
8(+4)
1
+4
23
32
1
4
11
8(+4)
1
4
11
8(+4)
Esta matriz A es invertible, luego f es un isomorsmo, para 6= 4
208

no
Algebra Lineal
Ejercicio
1 1
; De2 1
terminemos f (x, y) y f 1 (x, y), donde B = {(1, 2), (2, 0)} y C =
{(1, 1), (0, 3)}
Sea f : K 2 K 2 . Dada la matriz (f ; B, C) =
Soluci
on
Comencemos por escribir (x, y) en funcion de B. Tenemos:
(x, y) = y2 (1, 2) +
De donde
2xy
(2, 0)
4
f (1, 2) = 1(1, 1) + 2(0, 3)

= (1, 7)
f (2, 0) = 1(1, 1) + 1(0, 3) = (1, 2)
)f (2, 0) = y2 (1, 7) + ( 2xy

)(1, 2)
f (x, y) = y2 f (1, 2) + ( 2xy
4
4
Luego
x y
f (x, y) = ( + , x + 4y)
2 4
1
Busquemos (f ; C, B) = (f ; B, C)1
1 1
2 1
1 0
0 1
f 1 (1, 1) =
f 1 (0, 3) =
1
(1, 2)
3
1
(1, 2)
3
1 0

0 1
1
3
2
3
1
3
13
+ 32 (2, 0) = ( 53 , 32 )
31 (2, 0) = ( 13 , 32 )
)f 1 (0, 3) = x( 53 , 32 ) + ( x+y
)( 13 , 32 )
f 1 (x, y) = xf 1 (1, 1) + ( x+y
3
3
Luego
f 1 (x, y) = ( 16
x 19 y, 49 x + 29 y)
9
Captulo 4.
209
Matrices
Ejercicio
Determinemos, si existen, las matrices en Mn (K) que son simetricas
y antisimetricas a la vez.
Soluci
on
Sea A = (aij ) Mn (K). Recordemos que A es simetrica ssi aij = aji
y que A es antisimetrica ssi aij = aji Como A es simetrica y antisimetrica a la vez, entonces se tiene que aii = aii , luego la diagonal
consta de ceros.
Ademas aji = aji , luego aji = 0, i, j {1, 2, ..., n}. Luego la matriz
nula es la u
nica matriz que es simetrica y antisimetrica a la vez.
Ejercicio
En M2 (K), determinemos
las matrices A2 , A3 , A4 , ..., An , n IN, donde

1 0
A=
0 1
Soluci
on
(a) Caso n par
Sea n = 2; A2 =
1 0
0 1

1 0
0 1
1 0
0 1
=I
Hipotesis de induccion: A2n = I. Por demostrar A2n+2 = I

En efecto, A2n+2 = A2n A2 = I I = I. Luego A2n = I, n IN
(b) Caso n impar n = 1 : A1 = A,
Hipotesis de induccion A2n+1 = A. Por demostrar A2n+3 = A

A2n+3 = A2n+1 A2 = A I = A. Luego A2n+1 = A, n IN
210

no
Algebra Lineal
Ejercicio
Determinemos A2 , A3 , A4 , ..., An , n IN, donde A =
1 1
1 1
Soluci
on
A2 =
1 1
1 1
2

A =A A=
1 1
1 1
2 2
2 2
2 2
2 2
4 4
4 4
1 1
1 1
An =
2n1
2n1

22
22
2n1
2n1
2n1
2n1

22
22
Luego pienso
Hipotesis de induccion
Por demostrar An+1 =
2n
2n
2n
2n
En efecto:
n+1
2n1 + 2n1
2n1 + 2n1
=A A=
2n1
2n1
2n1 + 2n1
2n1 + 2n1
Luego
n
A =
2n1
2n1
2 2n1
2 2n1
1 1
1 1
2 2n1
2 2n1
2n
2n
2n
2n
2n1
n IN
2n1

Ejercicio
Sea V un K-espacio vectorial. Sea B = {v1 , v2 , ..., vn } una base de V .
Sea f un endomorsmo de V denido por
Captulo 4.
211
Matrices
f (vk ) =
0
si k = 1
v1 + v2 + + vk1 si k > 1
Encontremos A = (f ; B), A2 , A3 , A4 y hagamos una hipotesis sobre el

menor n
umero m tal que Am = 0
Soluci
on
Tenemos que
f (v1 ) = 0 = 0v1 + 0v2 + 0v3 + + 0vn

f (v2 ) = v1 = 1v1 + 0v2 + 0v3 + + 0vn
f (v3 ) = v1 + v2 = 1v1 + 1v2 + 0v3 + + 0vn
...........................................................
f (vn ) = v1 + v2 + + vn1 = 1v1 + 1v2 + + 1vn1 + 0vn
Luego
(f ; B, B) =
0 1 1 1 1 1
0 0 1 1 1 1
0 0 0 1 1 1
.....................
0 0 0 0 0 1
0 0 0 0 0 0
0 1
0 0
Para n = 2, tenemos A =
y A2 = 0
0 1 1
Para n = 3, tenemos A = 0 0 1
y A3 = 0
0 0 0
Hipotesis: el menor n
umero entero tal que Am = 0 es m = n, con
A Mn (K)
Demuestre, por induccion, tal armacion
212

no
Algebra Lineal
Ejercicio
Sean A, B Mn (K). Recordando que B es idempotente ssi B 2 = B.
Demuestre
1. B es idempotente ssi I B es idempotente.
2. Si B 2 B + I = 0 entonces B es invertible.
3. Si BA = AB, entonces (A + B)2 = A2 + 2AB + B 2
Soluci
on
1. Supongamos que B es idempotente. Entonces
(I B)2 = (I B)(I B) = I 2 IB BI +B 2 = I 2 2B +B 2 =
I 2 2B + B = I B, luego I B es idempotente.
Supongamos que I B es idempotente. Entonces:
(I B)2 = I B =
=
=
=
I 2 IB BI + B 2 = I B
I 2B + B 2 = I B
B2 B = 0
B2 = B
Es decir B es idempotente.
2. B 2 B + I = 0 = B B 2 = I = B(I B) = I. Luego B 1
existe y B 1 = I B
3. Supongamos que BA = AB. Luego
(A+B)2 = (A+B)(A+B) = A2 +AB+BA+B 2 = A2 +2AB+B 2
Ejercicio
1 2
. Busquemos A1 y escribamos
En M2 (K), consideremos A =
3 4
esta u
ltima como el producto de matrices elementales.

Captulo 4.
213
Matrices
Soluci
on

1 2 1 0

3 4 0 1

1 2 1

0 1 23
1
2

!
1 0
)
L2 ( 1

2

3 1

!
1 0 2 1

0 1 32 1
2
L21 (3)
1 2
0 2
L12 (2)
Luego
1
2
3
2
Escribamosla como producto de matrices elementales.

1 2
0 1
1 2
0 1
1 2
0 1
1 2
0 1
1
0
1
0
0
1
2
0
1
2
Luego
1
!
!
1 0
0 1
1 2
0 2
1 0
3 1
1 2
0 1
!
!
1
0
1 0
0 1
1 2
3 4
0
1
2
1 0
0 1
1 0
3 1
A1 quedo escrita como producto de 3 matrices elementales.
Ejercicio
Sea A = 0
0
de matrices y
2 2
1 2
. Descompongamos A en una suma conveniente
0 1
utilicemos el binomio de Newton para encontrar A50
Soluci
on
Observemos que A puede escribirse como:
214

no
Algebra Lineal
0 2 2
0 2 2
1 0 0
A = 0 1 0 + 0 0 2 = I + B, donde B = 0 0 2
0 0 0
0 0 0
0 0 1
0 0 4
0 2 2
0 2 2
B2 =
0 0 20 0 2 = 0 0 0
0 0 0
0 0 0
0 0 0
0 0 4
0 2 2
0 0 0
3
B = 0 0 0 0 0 2 = 0 0 0
0 0 0
0 0 0
0 0 0
Recordemos que A es nilpotente de grado n ssi n es el menor entero

tal que An = 0
Luego B 3 = 0. Ademas todas las potencias de B conmutan con las
potencias de I, es decir, con I, luego es aplicable a esta situacion el
Teorema del Binomio de Newton
A50 = (I + B)50

50 5050 50
50 501 1
50 500 0
I
B
I
B + +
I
B +
=
50
1
0
Luego
50
Luego
50
50
50
B2
B1 +
B0 +
=
2
1
0
0 0 4
0 2 2
= I + 50
0 0 2 + 1.225 0 0 0
0 0 0
0 0 0

A50
1 100 5.000
1
100
=
0
0 0
1
Ejercicio
Sea r : K 2 K 2 la rotacion en un angulo , tal que cuya matriz
asociada es
!
2
22
2
,
A = (r ; C, C) =
22 22
Captulo 4.
215
Matrices
donde C es la base canonica de K 2 .

Busquemos A63 y A1
Soluci
on
63
cos sin 63
=
=
sin cos

sin 635
cos 635
4
4
=
=
635
sin 4
cos 635
4

sin 5
cos 5
4
4
5
sin 4
cos!5
4
22 22
2
22
2
63
Utilizamos que cos 635

= cos 315
= cos (398+3)
= cos 3
=
4
4
4
4
2
2
Idem para sin 635

4
4.12
1. Sea f : K 3 K 2 . Encuentre la matriz asociada a f seg

un las
3
bases B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} de K y C = {(1, 0)(1, 1)}
de K 2 , en los siguientes casos:
(a) f (x, y, z) = (x + 2y, x)
(b) f (x, y, z) = (3z, x y)
2. Sea f un endomorsmo de K 2 , cuya matriz
con
respecto a la

7 0
. Determine la
base B = {(1, 1), (1, 1)} es (f ; B, B) =
0 2
matriz de f con respecto a la base canonica de K 2 .
3. Sean f, g : K 2 K 3 . Sabiendo que f (x, y) = (3x, x + y, y) y
que la
matriz
de f +g con respecto a las bases canonicas de K 2 y
2 1
K 3 es
0 1 . Determine g(x, y) y la matriz de g con respecto
3 3
a esas bases.
216

no
Algebra Lineal
4. Sea f : K 2 K 2 y g : K 2 K 2 dos aplicaciones

lineales
tal

1 3
donde
que g(x, y) = (x + 2y, 3y) y tal que (f ; B, C) =
2 4
C = {(1, 1), (0, 1)} y D = {(1, 1), (1, 0)}
(a) Encuentre (g; C, D) y (g f ; B, D)
(b) Sabiendo que las componentes de v IR3 , seg

un la base B,
son -1 y 2, encuentre las componentes de f (v) seg
un la base
C
2 1 1
1 2 1
5. Si AB =
2 1 1 y AB 1 = 1 1 1 . Determine B 2
1 0 1
1 1 1
6. Determine todas las matrices cuadradas de orden 3 que conmutan con la matriz
a 1 0
0 a 1
0 0 a
7. Para cada n
umero real , considere la matriz
M =
cos sen
sen cos
(a) Demuestre que M M = M+

(b) Calcule M
8. Estudie para que valores de la siguiente familia de matrices,
M ,
M = 1 1 + 2 3
2 3
es invertible. En caso que sea invertible busque su inversa.

9. Sea A Mn (K) tal que A2 2A 3I = 0. Busque A1
10. Busque todas las matrices A M2 (K) tal que A2 = I
Captulo 4.
Matrices
217
11.
Determine
si es posible x, y IR, de manera que la matriz

2 x
sea ortogonal.
2
y
12. Demuestre que el producto de dos matrices ortogonales es ortogonal.
13. Sea V = Mn (K). Estudie cuales de los siguientes subconjuntos
de V , son subespacios vectoriales de V .
(a) S = {A V ; A es invertible}
(b) T = {A V ; AB = BA, B una matriz ja}

(c) U = {A V ; A es idempotente}
(d) W = {A V ; A es simetrica}
(e) X = {A V ; A es antisimetrica}
(f) Y = {A V ; A es ortogonal}
Captulo 5
Determinantes
5.1
Determinantes de matrices de M2(K)
Nos interesa que comiences por saber que la palabra determinante se

reere a un n
umero que determina cuando un sistema de ecuaciones
lineales tiene solucion.
Comencemos por un sistema de ecuaciones lineales de 2 ecuaciones
linealmente independientes y 2 incognitas.
Motivaci
on
Consideremos el sistema de ecuaciones lineales l.i. siguiente:
(1) : ax + by =
(2) : cx + dy =
Hagamos las operaciones siguientes: d(1)b(2): adxbcx = db

Luego: (ad bc)x = d b
Si ad bc = 0 y d = 0, entonces el sistema es l.d.
Si ad bc = 0 y d b 6= 0, entonces no existe solucion para el

sistema.
219
220

no
Si (ad bc) 6= 0, entonces x =
Algebra Lineal
db
.
adbc
Hagamos ahora las operaciones siguientes c (1) a (2): (bc ad)y =

c a O bien (ad bc)y = a c
Si ad bc 6= 0, tenemos y =
ac
adbc
Tenemos entonces que el sistema tiene solucion si y solo si ad bc 6= 0.

Luego la cantidad ad bc determina si el sistema tiene solucion.
El sistema puede ser escrito en la forma matricial siguiente:

a b
c d

x
y
Con respecto a la matriz de los coecientes tenemos la notacion siguiente:

Notacion

Entonces x =

a b

=: ad bc
c d

a
b

c
d
;y=

a b
a b

c d
c d
a b
una matriz con sus elementos en
c d
un cuerpo K. El determinante de A, denotado |A|, es el n
umero de
K,
Definici
on 5.1.1 Sea A =

a b

c d

=: ad bc

Ejemplos

1

3
2
4

= 4 6,

2 4

1 2

=44

Captulo 5.
221
Determinantes
Nota
a b
, A1 = ( a b ), A2 = ( c d ). Podemos escribir
Sea A =
c d

A1
D(A), det(A) o bien D
. Es decir, podemos considerar el deterA2
minante como funcion de la matriz A o como una funcion de las las
de la matriz A.

Propiedades(1) y (2)
1.
2.

a + a b + b

=

c
d

ta tb
a

=t
c d
c

a b

c d

b

d

a

+
c
b
d
Las mismas propiedades para la segunda la.

La demostracion es trivial. Sigue de la denicion.
Ejemplo

2 6

4 10

1 3

=22

2 5

= 4 (5 6) = 4

Ejercicio

2 6

Calculemos el valor de
3 9
Soluci
on

2 6

3 9

1 3

=23
1 3

= 2 3 (3 3) = 0

222

no
Algebra Lineal
Observaci
on

a + a

c + c

a b
=
c d

a

=

c + c
b + b
d + d

a

+
c
b
d

a

+
c
b
d + d

a

+
c + c

a

+
c
b
d
b
d
b
d + d
Propiedad (3)
Si dos las son iguales, entonces el determinante de la matriz es nulo.
Demostraci
on

a b

a b

= ab ab = 0

Propiedad (4)
El determinante de la matriz identidad es 1, es decir,

1

0
0
1

=1

Propiedad (5)
Si se suma un m
ultiplo de una la a la otra la, el valor del determinante no cambia, es decir,

a + tc b + td

c
d

a b

=

c d
Lo mismo ocurre para la segunda la.
Captulo 5.
223
Determinantes
Ejercicio

71

74

L (1) 71 72

21
=

3

3
=

71 72
= 3(71 72) = 3
1 1
72
75

= 3

Propiedad(6)
Si se intercambian las dos las, entonces el determinante cambia de
signo, es decir,

a b

c d

c d

=
a b

Propiedad(7)
Det
a b
c d
t
= Det
a b
c d
Demostraci
on
a b
Det
c d

t

a c
=
b d

a b

= ad bc =
c d

Propiedad(8)
Los vectores
( a b ) y ( c d ) son linealmente dependientes si y solo

a b
es nulo.
si el Det
c d
224

no
Algebra Lineal
Demostraci
on
Sea ( a b ) = ( c d ). Luego

a b

c d

c

=

c
d
d
Recprocamente tenemos

c

=

c
d
d

=0=0

= 0, entonces ad bc = 0, es decir, ad = bc.

a b
Si
c d
Supongamos c 6= 0 y d 6= 0, luego a =
b
d
c. Luego
( a b ) = ( db c b dd ) = ( db c
b
d
d) =
b
(c d)
d
Luego son linealmente dependientes.

Supongamos d = 0. Luego b = 0 o c = 0.
i) Si b = 0 y c 6= 0, entonces ( a b ) = ( a 0 ) = ac ( c 0 ) =
a
( c d ). Luego el vector ( a b ) es linealmente dependiente con
c
el vector ( c d )
ii) Si b 6= 0 y c = 0, entonces
{( a b ) , ( c d )} = {( a b ) , ( 0 0 )}
el cual es un conjunto l.d. por tener el ~0.
Ejemplo
Propiedad(9)

2 5

6 15

=0

Todas las propiedades anteriores son validas para las columnas.
Captulo 5.
225
Determinantes
Propiedad(10)
Det(A B) = (DetA) (DetB)

Demostraci
on
La demostracion de esta proposicion es un simple calculo.
5.2
Determinantes de matrices de M3(K)
Motivaci
on
Consideremos el sistema de ecuaciones lineales siguiente:
(1) : ax + by + cz =
(2) : dx + ey + f z =
(3) : gx + hy + iz =
Hagamos las operaciones siguientes:

(ei-hf)(1)+(ch-ib)(2)+(bf-ec)(3):
(aei ahf )x + (bei bhf )y + (cei chf )z = ei hf
(dch dib)x + (ech eib)y + (f ch f ib)z = ch ib
(gbf gec)x + (hbf hec)y + (ibf iec)z = bf ec
Sumando las tres ecuaciones, tenemos:
[a(eihf )+d(chib)+g(bf ec)]x = (eihf )+(chib)+(bf ec)

Observemos que el n
umero que multiplica a x se puede escribir como
sigue:

e

a
h
f
i

b c
b c

+g
d
e f
h i

226

no
Algebra Lineal
Este tiene solucion ssi el coeciente que acompa

na a x es distinto de
0. Luego determina si el sistema tiene o no solucion, de ah su nombre.
En forma matricial el sistema se escribe como sigue:

x
a b c

d e f y =
z
g h i
diremos que el determinante de la matriz de los coecientes, denotado:

a

d

g
b c
e f

h i
desarrollado por subdeterminante por la primera columna es:

b
b c
e f

+g
d
a
e
h i
h i
c
f
Los determinantes que acompa

nan a las letras a, d y g son llamados
subdeterminantes de a, d y g. Estos determinantes se obtienen de la
matriz inicial quitando la la y la columna del elemento respectivo.
Definici
on 5.2.1 Sea
a11
A = a21
a31
a12
a22
a32
a13
a23
a33
Se define su determinante de acuerdo con la formula conocida como

desarrollo por la primera fila.

a
Det(A) = a11 22
a32
a23
a33

a

21
a12

a31
a23
a33

a

21
+ a13

a31
a22
a32
Definici
on 5.2.2 Llamamos subdeterminante de aij , denotado S(aij )
al determinante obtenido de A al eliminar la fila i y la columna j.
Utilizando esta notacion, tenemos:
Det(A) = a11 S(a11 ) a12 S(a12 ) + a13 S(a13 )
Captulo 5.
227
Determinantes
Ejemplo
1
2
1
1 1
Sea A =
. Calculemos el determinante de A.
1
1 3
5

1

1

1

2
1
1 1
1 1
1 1

1 1 = 1
2
+ 1
= 8

3

1 5
1 3
5

3
5
Nota
El determinante de una matriz de 3 3 se puede escribir como
A1
D(A) = Det(A) = Det

A2 ,
A3
que para mayor comodidad lo denotaremos D(A1 , A2 , A3 ), es decir, el
determinante en funcion de las las.
Este mismo n
umero puede ser obtenido a partir de la segunda la,
llamado desarrollo del determinante por la segunda la y este es:
Det(A) = a21 S(a21 ) + a22 S(a22 ) a23 S(a23 )
Tambien se puede obtener este mismo n
umero, haciendo el desarrollo
por la tercera la de la manera siguiente:
Det(A) = a31 S(a31 ) a32 S(a32 ) + a33 S(a33 )
Tambien por la primera columna:
Det(A) = a11 S(a11 ) a21 S(a21 ) + a31 S(a31 )
Idem para la segunda y tercera columna.
La segunda columna comienza con signo negativo y la tercera columna
con signo positivo.
228

no
Algebra Lineal
Los determinantes de las matrices de 3 3 tienen las mismas 10

propiedades de los determinantes de 2 2
Con respecto a la propiedad 6, quiero que quede claro que cada vez
que se intercambian dos las de una matriz, el determinante cambia
de signo.
Regla de Gramer
(SOLAMENTE matrices de 33) Se copian las dos primeras columnas
a la derecha o bien las dos primeras las abajo de la matriz dada:

a
11

a21

a31
a12 a13 a11 a12

a22 a23 a21 a22
a32 a33 a31 a32
Se multiplican las diagonales de la manera siguiente:

a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12
Cantidad que corresponde al determinante de la matriz.
5.3
Determinante de matrices de Mn(K)
Definici
on 5.3.1 Sea
A=
a11 a12 a1n

a21 a22 a2n
.................
an1 an2 ann
El determinante de A lo definiremos en forma recursiva.

Tenemos definido los determinantes para las matrices de M2 (K).
Sea i, j un par de n
umeros enteros entre 1 y n, es decir, 1 i n,
1 j n.
Se define el subdeterminante de aij , denotado S(aij ), como el determinante obtenido de A al eliminar la fila i y la columna j.
Captulo 5.
229
Determinantes
El determinante de una matriz A de Mn (K), se define en terminos de

determinantes de matrices de Mn1 (K).
Se define:
Det(A) = (1)i+1 ai1 S(ai1 ) + (1)i+2 ai2 S(ai2 ) + + (1)i+n ain S(ain )
Esta denicion es conocida como el desarrollo del determinante
por la fila i, i ZZ, 1 i n.
Este determinante se puede escribir como
det(A) = det(A1 , A2 , ..., An ),

donde Ai es la i-esima la. (1)i+j S(aij ) se llama el cofactor de aij .
Propiedad (1)
Si la la Aj es igual a la suma de dos vectores la, Aj = C + C ,
entonces
det(A1 , ..., C+C , ..., An ) = det(A1 , ..., C, ..., An )+det(A1 , ..., C , ..., An )
Propiedad (2)
det(A1 , ..., tAj , ..., An ) = t det(A1 , ..., Aj , ..., An ),
t K
Propiedad (3)
Si hay dos las iguales, entonces el determinante es nulo.
Propiedad (4)
El determinante de la matriz identidad es 1.
230

no
Algebra Lineal
Propiedad (5)
Si se suma un m
ultiplo de una la a otra la, el valor del determinante
no cambia.
Propiedad (6)
Si se intercambian dos las, el determinante cambia de signo.
Propiedad (7)
Det(At ) = Det(A)
Propiedad (8)
Dos las son linealmente dependientes si y solo si el determinante de
la matriz es nulo.
Propiedad (9)
Todas las propiedades anteriores son validas para las columnas.
Propiedad (10)
Sean A, B Mn (K). Entonces
Det(A B) = Det(A) Det(B)
Teorema 5.3.1 Sea A Mn (K), la matriz
A=
a11 a12 a1n

a21 a22 a2n
.................
an1 an2 ann
Captulo 5.
Determinantes
231
Entonces
Det(A) = (1)1+j a1j S(a1j ) + + (1)n+j anj S(anj )
(llamado desarrollo del determinante por la j-esima columna).
Teorema 5.3.2 Sea A Mn (K) una matriz invertible. Entonces
Det(A1 ) = (DetA)1
Demostraci
on
1 = Det(In ) = Det(A A1 ) = DetA Det(A1 )
Luego (DetA)1 = Det(A1 )
5.4
Interpretaci
on geom
etrica del determinante
Si en el plano cartesiano consideramos los vectores u y v, entonces el

area del paralelogramo que tiene por lados estos vectores corresponde
a |Det(u, v)|, es decir, el valor absoluto de Det(u, v),donde u y v son
considerados como vectores las.
Ejemplo

A = |

A = |
2 0
| = 6
1 3

1 3
| = |0 6| = | 6| = 6
2 0
Si en un sistema cartesiano de 3 coordenadas, consideramos los vectores u, v y w, el volumen del paraleleppedo rectangular de lados u, v
y w es
232

no
Algebra Lineal
V ol(u, v, w) = |Det(u, v, w)|

donde u, v y w son considerados como vectores las.
5.5
Matriz adjunta
En el captulo anterior observaste que no toda matriz tiene matriz

inversa.
Lo interesante es, que toda matriz A, tiene una matriz asociada a ella,
que siempre existe, es decir, que siempre va junto a A, es por esto
llamada la matriz adjunta de A.
Comencemos por el Lema siguiente:
Lema
Sea A Mn (K)
Si A es invertible, entonces Det(A) 6= 0

Demostraci
on
1 = Det(In ) = Det(A A1 ) = DetA DetA1 .
Luego DetA 6= 0.
Nota
Ahora quisieramos saber si el recproco es verdadero, es decir, si

DetA 6= 0, entonces A es invertible. Para esto debemos construir la
inversa, en caso que exista.
Veamos que ocurre en M2 (K).
Captulo 5.
233
Determinantes
Lema
Sea A M2 (K). Entonces siempre existe B M2 (K) tal que
AB =
detA
0
0
detA
Demostraci
on
En efecto, sea A =

a b
, consideremos B =
c d
a b
c d

d b
c a
d b
c a
detA
0
0
detA
y se tiene,
Lema
Sea A M3 (K). Entonces, siempre existe B M3 (K) tal que
A B = (DetA) I3
Demostraci
on
a11
En efecto, sea A =
a21
a31
a12
a22
a32
a13
a23
,
a33
S(a11 ) S(a21 ) S(a31 )

S(a
S(a22 ) S(a32 )
Tomando B =
12 )
S(a13 ) S(a23 ) S(a33 )
Tenemos
a11 a12
a21 a22
a31 a32
S(a11 ) S(a21 ) S(a31 )

a13

a23 S(a12 ) S(a22 ) S(a32 ) =
S(a13 ) S(a23 ) S(a33 )
a33
detA
0
0
0
detA
0
=
0
0
detA
234

no
Algebra Lineal
Teorema 5.5.1 Si A Mn (K), entonces siempre existe B Mn (K)

tal que A B = |A| In
Demostraci
on
La demostracion consiste en probar que si A = (ai,j ) entonces
B = ((1)i+j S(aji ))
cumple las condiciones del teorema.
Esta demostracion no la haremos pues, escapa a los objetivos del curso.
Definici
on 5.5.1 Esta matriz B es llamada, la matriz adjunta de
A, denotada A.
Es decir la adjunta de una matriz A es la matriz transpuesta de la
matriz de los cofactores de la matriz A.
Corolario 5.5.2 Si A Mn (K) tal que DetA 6= 0, entonces A es
invertible y
1
A
A1 =
DetA
Nota
Ahora tenemos dos maneras de encontrar la matriz inversa, cuando
esta existe. Obviamente que el metodo mas seguro es el escalonamiento, pues en este nuevo metodo hay muchos determinantes en
juego y hay que estar pensando en A y en At al mismo tiempo.
5.6
Determinante de un endomorfismo
Una propiedad genial que cumplen los determinantes, la tienes en el

siguiente lema:
Captulo 5.
Determinantes
235
Lema
Sea V un K-espacio vectorial, sea f End(V ). Sea M = (f ; B, B) y
M = (f : C, C) con B y C ciertas bases de V . Entonces
DetM = DetM
Demostraci
on
Sea P la matriz de cambio de base que exhibe la base C seg
un la base
B. Entonces
(f ; C, C) = P 1 (f ; B, B) P
Luego
Tenemos
M = P 1 M P
DetM = Det(P 1 )DetM DetP = (DetP )1 DetM DetP = DetM

Observaci
on
Te das cuenta, que nuevamente hemos encontrado un invariante?
Si, pues, si cambiamos una base en la representacion matricial de un
endomorsmo, entonces, seguimos teniendo el mismo determinante.
Es obvia la siguiente denicion:
Definici
on finita.
Para todo endomorfismo f End(V ), se llama determinante de
f , denotado Det(f ), el determinante de la matriz de f en una base
cualquiera de V .
Observaci
on
El valor del determinante de un endomorsmo nos indica si este es o
no un automorsmo.
Esta caracterizacion la tenemos en el siguiente lema:
236

no
Algebra Lineal
Lema
Sea V un K-espacio vectorial de dimension nita. Entonces
es un automorsmo de V ssi Det(f ) 6= 0
Demostraci
on
f es un automorsmo ssi f es invertible ssi (f ; B, B) es invertible B,
base de V ssi Det(f ; B, B) 6= 0, B, base de V ssi Det(f ) 6= 0
Nota
Equivalentemente:
f
5.7
no es un automorsmo ssi Det(f ) = 0
Ejercicio
Resolvamos el determinante siguiente:

22 32 42 52
62 72 82 92

102 112 122 132
142 152 162 172

Soluci
on

22
32
42
52
22 32 42 52

62 72 82 92 62 22 72 32 82 42 92 52
=
102 112 122 132 10 22 112 32 122 42 132 52
142 152 162 172 142 22 152 32 162 42 172 52

Captulo 5.
237
Determinantes

22
32
42
52

48
4 10 4 12 4 14
=
8 14 8 16 8 18
8 12
12 16 12 18 12 20 12 22
2

2 32 42 52

4 5 6 7

10
= 2 3
=0

2
2
2
2

4 4 4 4

2

2

4

= 481223

6

8
32 42 52
5 6 7
=
7 8 9
9 10 11

Ejercicio
Calculemos el determinante de Vandermonde de 3 3 siguiente:

1 a

1 b

1 c
a2
b2
c2
Soluci
on
a2
b2
c2

L (1) 1
a
a2
21

=

0 b a b 2 a2 =

L31 (1) 0 c a c2 a2

1 a

a2

1 b + a L (1)

21
= (b a)(c a) 0 1 b + a = (b a)(c a)

1 c+a
=
0 1 c+a

1 b+a
1 b+a

=
= (b a)(c a)(c b)
= (b a)(c a)
0
0 cb
1

1 a

1 b

1 c
= (b a)(c a)(c b)
Ejercicio
Demostremos que
238

no

1

a
3
a
1 1
b c
b3 c 3
Algebra Lineal

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

Soluci
on

1

a
3
a

C (1)

0
1
0
32

=
b c b =

ab

C12 (1) a3 b3 b3 c3 b3

0
1
0

1
b
1
(a b)(c b)
=
2

a + ab + b2 b3 c2 + bc + b2

0
1
0

0
b
1
=
(a b)(c b)
2

a c2 + b(a c) b3 c2 + bc + b2

0
1
0

0
b
1
(a b)(c b)(a c)
=

a + b + c b3 c2 + bc + b2

1 0

(a b)(c b)(a c)(a + b + c)
=
b 1
1 1
b c
b3 c 3
= (a b)(c b)(a c)(a + b + c)

Ejercicio
Si B Mn (K) y detB = 5 entonces det(2B) = 2n detB = 2n 5

Ejercicio
Calculemos el determinante de la matriz de rotacion en un angulo
Captulo 5.
239
Determinantes
Soluci
on

cos

sin
sin
cos

= cos2 + sin2 = 1

Ejercicio
Busquemos los valores de k K, de manera que

k + 3 1 2

3
2 1 = 6

k2
3 3
Soluci
on

k + 3 1 2
C (1)

3
2 1 23

=
k2
3 3

k + 3 1 2

k

0
3 = 2
k

k
k2
0 3

k + 3 1 2

3
1 1

k2
0 3
3
3
3(k 2 k)

L (1)

12

=

L (1)

21

=

k2 k

k2
0
3
Luego 3(k 2 k) = 6, luego k 2 k 2 = 0, luego (k 2)(k + 1) = 0

Entonces k = 2 o k = 1
Ejercicio
Resolvamos el determinante siguiente:

3

1

2
6 x
2 y

4 z
240

no
Algebra Lineal
Soluci
on

3

1

2
6 x
C (2)
2 y 21

=
4 z

3

1

2
0 x
0 y = 0

0 z
Ejercicio
Demostremos que:

x

2
x

yz
y z
y 2 z 2 = (y z)(z x)(x y)(yz + xz + xy)

xz xy
Soluci
on

x

2
x

yz
y z C13 (1)
y 2 z 2
=

xz xy C23 (1)

1

= (x z)(y z) x + z
y

xz

2
x z2

yz xy
yz
z
2
2
y z
z 2 =

xz xy xy
1
z
y + z z 2 =

x xy

C21 (1)
1
0
0

=
xz
(x z)(y z) x + z y x

C31 (z)
y y x xy + yz

= (x z)(y z)(y x)

= (x z)(y z)(y x)
1
xz
1 xy + yz
1
xz
0 xy + yz + xz
= (y z)(z x)(x y)(yz + xz + xy)
Captulo 5.
241
Determinantes
Ejercicio
Calculemos en tres pasos el determinante siguiente:

1
1
1
1
x
y
z
t
y
z
t
x
z+t
x+t
x+y
y+z
Soluci
on
1
1
1
1
x
y
z
t
y
z
t
x
z+t
x+t
x+y
y+z

yx zy

= z x t y
tx xy

L21 (1)

=

L31 (1)

L (1)
41
1
x
y
z+t
0 yx zy
xz
0 zx ty x+yzt
0 tx xy
yt
xz
x+yzt
yt

C (1)
31

=

C32 (1)

yx zy

zx ty

tx xy
!!Trivial!!
Ejercicio
Demostremos que:

1

cos x

cos 2x
cos x cos 2x
cos 2x cos 3x = 0

cos 3x cos 4x
0
0
0

=0

242

no
Algebra Lineal
Soluci
on
Recordemos las siguientes identidades:
cos( + ) = cos cos sin sin
cos( ) = cos cos + sin sin
cos( + ) + cos( ) = 2 cos cos
Reemplazando en la u
ltima identidad + = 3x y = x, es
decir, = 2x y = x, tenemos:
1. cos 3x + cos x = 2 cos 2x cos x
Analogamente se obtienen:
2. cos 4x + cos 2x = 2 cos 3x cos x
3. (cos 2x) + 1 = 2 cos2 x
Entonces
Ejercicio

1
cos x cos 2x L31 (1)

=
cos x cos 2x cos 3x

cos 2x cos 3x cos 4x (1)(2)(3)

1
cos x
cos 2x

cos 2x
cos 3x
=
= cos x

2 cos2 x 2 cos x cos 2x 2 cos x cos 3x

1
cos x cos 2x

= 2 cos x cos x cos 2x cos 3x = 2 cos x 0 = 0
cos x cos 2x cos 3x
Demostremos que

bc a

ca b

ab c
a2
b2
c2

1 a2

= 1 b2

1 c2
a3
b3
c3
con abc 6= 0
Captulo 5.
243
Determinantes
Soluci
on

bc a a2 L1 (a)

=

ca b b2

L
2 (b)
ab c c2
1
abc
L3 (c)

abc

abc

abc
a2 a3 1 a2 a3
b2 b3 = 1 b2 b3

c 2 c3 1 c2 c3

Ejercicio
Calculemos el siguiente determinante:

1 x x2 x3
x3 1 x x2

x2 x3 1 x
x x 2 x3 1

Soluci
on

1 x x2 x3 L21 (x3 )
=
x3 1 x x2

2
3
x x 1 x L31 (x2 )
x x2 x3 1 L41 (x)

= (1 x4 )3
1
x
x2
x3
4
5
2
0 1 x x x x x6
0
0
1 x4 x x5
0
0
0
1 x4
Ejercicio
Que el ejercicio anterior nos sirva de inspiracion para resolver el determinante de (n + 1) (n + 1) siguiente:

1
x x 2 x3
xn
xn
1
x x2 xn1
xn1 xn 1 x xn2
............................
x
x 2 x3 x4
1
244

no
Algebra Lineal
Soluci
on
Con las operaciones L21 (xn ), L31 (xn1 ), . . . , Ln+11 (x) tenemos

1
x
x2
x3
xn
0 1 xn+1 x xn+2 x2 xn+3 xn1 x2n
0
0
1 xn+1 x xn+2 xn2 x2n1
................................................
0
0
0
0
1 xn+1
Ejercicio

= (1 xn+1 )n

Resolvamos el determinante de n n siguiente:

Soluci
on
L21 (1)
L31 (1)
=
..
.
Ln1 (1)
1+x
x+1 x
x
x
x
x
x+2
x
x
x
x
x
x + 3 x
x
..................................
x
x
x
x x + n
x + 1 x x x x
1
2 0 0 0
1
0 3 0 0
......................
1
0 0 0 n
n
X
1
k=1
x x x x
0
2 0 0 0
0
0 3 0 0
...........................
0
0 0 0 n
Donde = C12 12 C13 13 C1n n1

n
X

1
= (1 + x
)n!

k

k=1

Captulo 5.
245
Determinantes
Ejercicio

1 0 1 1 1 1
1 1 0 1 1 1
1 1 1 0 1 1
.....................
1 1 1 1 1 0
0 1 1 1 1 1
Soluci
on

1 0 1
1 1
1

0
0 1 1 0 0

0 1 0
1 0
0

.......................... =

0 1 0

0
0
1

Ln11 (1) 0 1 1
1 1
1

0
1 1 0 0
1 0 0
0
0

0
1 0
0
1 0
0
1 0
0

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

0
0 0 1
0 0 1
0
1 0

1 1
n1 1
1 1
1
1 1
1

1 0
0
0

0
1 0
0
= (n 1)(1n1+1 )

....................
0
0
0 1
L21 (1)
L31 (1)
=
..
.
= (n 1)(1)n (1)n2 = (n 1)(1)2n2 = n 1
(a): desarollamos el determinante por la primera columna.

(b) A la columna 1 se le suman las demas columnas
246

no
Algebra Lineal
Ejercicio

n
n 1 n 2 2 1
n 1 n 2 n 3 1 0
..............................
2
1
0
0 0
1
0
0
0 0
Soluci
on
Observando los casos n = 3, 4, 5 podras conjeturar que:
n
n 1 n 2 3 2 1
n 1 n 2 n 3 2 1 0
.................................
2
1
0
0 0 0
1
0
0
0 0 0

(n+1)(n+2)

n2 +3n
3
= (1)
2
2
=
(1)

lo cual se demuestra facilmente por induccion.
5.8
1. Encuentre el valor del determinante siguiente:

71

74

77
72 73
75 76

78 79
2. Encuentre el valor del determinante siguiente:
Captulo 5.
247
Determinantes
10
11
12
13
14

(a x)2

3. Demuestre que (b x)2

(c x)2
15
17
19
21
23
20
23
26
29
32
25
29
33
37
41
30
35
40
45
50
(a y)2 (a z)2
(b y)2 (b z)2
(c y)2 (c z)2
= 2(b c)(c a)(a b)(y z)(z x)(x y)
4. Demuestre por induccion que el determinante de n n siguiente

1
1 0
...............
1 0 0
1 0 0 0

(n+2)(n+1)

+1
= (1)
2

5. Calcule el determinante de n n siguiente:

a b b b b
a a b b b
..................
a a a a b
a a a a a
Captulo 6
Diagonalizaci
on
6.1
Introducci
on
T
u sabes que una aplicacion lineal esta determinada por su comportamiento en una base. Quisieramos saber si existira una base tal que
la imagen de cada vector de ella, sea colineal con el mismo. Es decir, si
V es un K-espacio vectorial y f : V V un endomorsmo Existira
B = {v1 , v2 , ..., vn } base de V , tal que
f (vi ) = i vi ,
i = 1, ..., n ?
Esta sera una manera mas facil, mas comoda de trabajar con un
endomorsmo. Por ejemplo, sera trivial! conocer el valor de
f n (vi ), n IN, i = 1, ..., n
Seguramente recuerdas que una aplicacion lineal tiene una familia de
matrices asociadas. Buscamos, entonces, la representacion matricial
mas simple posible. Posiblemente concordamos en decir que esta sera
una matriz diagonal.
En este captulo veremos las condiciones para que una aplicacion lineal, tenga asociada una matriz diagonal. Tambien aprenderemos a
encontrar tal matriz, en caso que esta exista.
249
250

no
Algebra Lineal
Las matrices diagonales tienen propiedades muy agradables. Por ejemplo, ellas conmutan entre s. Calcular el determinante de una matriz
diagonal es Trivial!, pues es el producto de los elementos de la diagonal. Tambien, es facil conocer las potencias de una matriz diagonal.
Veamoslo en la siguiente observacion.
Observaci
on
5 0
0 7
2
5 0
0 7
3
5 0
0 7
5 0
0 7

5 0
0 7
2
52
0
0
72
52
0
0
72

n
5n
0
0
7n
5 0
0 7
5 0
0 7
53
0
Hipotesis de induccion

5 0
0 7
Demostremos que

5 0
0 7
n+1
5 0
0 7
n+1
5n+1
0
5n+1
0
7n+1
5 0
0 7
n
0
7n+1
5 0
0 7
5n
0
0
7n

Luego para todo n

umero natural n, tenemos

5 0
0 7
n
5n
0
Lema
Para todo k, n
umero natural, tenemos
0
7n
5 0
0 7
0
73
Captulo 6.
251
Diagonalizacion
a11 0
0 0 0
0
a22 0 0 0
.......................
0
0
0 0 ann
ak11 0
0 0
k
0
a22 0 0
....................
0
0
0 aknn
La demostracion se hace por induccion sobre k.

Pregunta
Dada una aplicacion lineal f Habra alguna matriz diagonal asociada
af ?
Veamos algunos ejemplos
Observaci
on
Sea f : K 2 K 2 ; f (x, y) = (3y, 3x)
Buscamos una base B = {v1 , v2 } tal que

(f ; B, B) =
0
0
En este caso
f (v1 ) = 1 v1 = 1 v1 + 0 v2
f (v2 ) = 2 v2 = 0 v1 + 2 v2
Buscamos los vectores v K 2 tal que
f (v) = v
Supongamos que tales vectores existen. Tenemos
f (x, y) = (3y, 3x) = (x, y). Luego (3y, 3x) = (x, y)
De donde
3y = x
3x = y
252

no
Algebra Lineal
Si x, y 6= 0 entonces 9xy = 2 xy, luego 2 = 9 y se obtiene dos

resultados, a saber 1 = 3 y 2 = 3
Caso 1 = 3
f (x, y) = (3y, 3x) = 3(x, y). Luego 3y = 3x. Luego x = y. Los vectores
asociados a = 3, tienen la forma v = (x, x).
Sea v1 = (1, 1).
Caso 2 = 3
f (x, y) = (3y, 3x) = 3(x, y). Luego (3y, 3x) = (3x, 3y). Luego
x = y. Los vectores asociados a 2 = 3, tienen la forma v =
(x, x). Sea v2 = (1, 1)
Tomemos B = {(1, 1), (1, 1)}.
En este caso
f (1, 1) = 3(1, 1) = 3(1, 1) + 0(1, 1)

Luego
f (1, 1) = 3(1, 1) = 0(1, 1) + 3(1, 1)
3 0
(f ; B, B) =
0 3
En este caso es posible encontrar una matriz diagonal asociada.

Veamos otro ejemplo

Observaci
on
Sea
f : K 2 K 2 ;
f (x, y) = (2y, x)
Existira B, base de K 2 , tal que (f ; B, B) es una matriz diagonal?

Supongamos que existe v = (x, y) K 2 tal que f (x, y) = (x, y)
Tenemos
f (x, y) = (x, y)
Luego
y f (x, y) = (2y, x)
(2y, x) = (x, y)
Captulo 6.
Diagonalizacion
253
De donde
2y = x
x = y
Luego 2xy = 2 xy. Suponemos x, y 6= 0, pues x = 0 y = 0.

Ocurre que v = (0, 0) no puede estar en una base. Luego 2 = 2, lo
cual es una contradiccion.
En este caso, entonces, no existe una base B tal que (f ; B, B) sea
diagonal.
Nota
Esta forma de resolver el problema es un tanto complicada. Entonces
buscaremos un metodo que nos diga cuando existe una tal matriz
diagonal y como encontrarla.
6.2
Valores propios y vectores propios
Sea V un K-espacio vectorial. Sea f : V V , es decir, f , un endomorsmo de V . Deniremos elementos propios a f.

Propio, en losofa, se aplica al accidente inseparable de la esencia y
naturaleza de las cosas.
Observaci
on
En la primera motivacion tenamos: f : K 2 K 2 ; f (x, y) = (3y, 3x).
Averiguamos que f (1, 1) = 3(1, 1) y f (1, 1) = 3(1, 1). Diremos
que v1 = (1, 1) , v2 = (1, 1) son vectores propios de f y diremos
que 1 = 3 y 2 = 3 son los valores propios asociados a v1 , v2
respectivamente.
254

no
Algebra Lineal
Lema
Sea f : V V lineal, y f (v) = v y f (v) = v, cierto v V .
Entonces =
Demostraci
on
v = v = v v = ~0 = ( )v = ~0 = = 0 = =
Debido a la unicidad de , damos la siguiente denicion:
Definici
on 6.2.1 Se llama valor propio de un endomorfismo f
End(V ), a todo escalar K que tiene la propiedad siguiente:
Si existe v 6= ~0 tal que f (v) = v, entonces este vector v 6= ~0 es
llamado vector propio correspondiente al valor propio .
Observaci
on
Sea f : V V tal que f (v) = v , cierto v V , cierto K,
entonces f (v) = f (v) = v = (v).
Luego v es tambien un vector propio asociado al valor propio , para

todo K , pero podra haber otros vectores linealmente independientes a v por que no los va a haber?.
Es natural, entonces denir el conjunto de vectores propios asociados
a un valor propio . Veamos como caracterizarlo:
f (v) = v
f (v) v = ~0
f (v) idV (v) = ~0
(f idV )(v) = ~0
v N (f idV )
Tenemos entonces:
Para todo valor propio de f se tiene
f (v) = v v N (f idV )
Tenemos la denicion siguiente:
Captulo 6.
Diagonalizacion
255
Definici
on 6.2.2 Para todo valor propio , el n
ucleo,N (f idV )
es llamado el sub-espacio propio correspondiente a , el cual lo
denotaremos por S . Es decir:
S := N (f idV )
Nota
El n
ucleo de un morsmo puede tener dimension mayor o igual a 2,
luego puede haber vectores l.i. asociados a un mismo .
Observaci
on
El siguiente teorema nos dara una caracterizacion sobre la existencia
de un valor propio.
Teorema 6.2.1 Sea V un K-espacio vectorial de dimensi
on finita y
f End(V ). Entonces una condici
on necesaria y suficiente para que
un escalar sea un valor propio de f , es det(f idV ) = 0.
Demostraci
on
es un valor propio de f
existe v 6= ~0 tal que f (v) = v

(f idV )(v) = ~0, v 6= ~0
v N (f idV ), v 6= ~0
N (f idV ) 6= {~0}
f idV no es un automorsmo
det(f idV ) = 0
Observaci
on
Si f End(V ), entonces tambien se tiene f idv End(V ). La
proposicion anterior y esta observacion nos introducen a la denicion
siguiente.
256

no
Algebra Lineal
Definici
on 6.2.3 El det(f idV ) es llamado el Polinomio Caracterstico de f. Notese que es un polinomio en .
Nota
De acuerdo a lo visto anteriormente tenemos que es un valor propio
de f ssi es una raz del polinomio caracterstico de f .
Definici
on 6.2.4 Si M Mn (K), el det(M In ) es llamado el
Polinomio Caracterstico de la matriz M .
Veamos ahora la relacion que existe entre los vectores propios asociados a valores propios distintos de dos en dos.
Proposici
on finita
y supongamos que un endomorfismo f End(V ) tiene n valores propios 1 , 2 , ..., n distintos de dos en dos, con vectores propios asociados v1 , v2 , ..., vn , entonces B = {v1 , v2 , ..., vn } es l.i.
Demostraci
on
Hagamos induccion sobre n.
1. Supongamos que tenemos dos valores propios distintos y ,
con vectores propios distintos asociados v y w respectivamente.
Supongamos que w = v.
Tenemos f (w) = f (v) = f (v) = v = (v) = w, luego
= contradiccion luego {v, w} es l.i.
2. Supongamos que tenemos n valores propios distintos de dos en
dos 1 , 2 , ..., n y {v1 , v2 , ..., vn } un conjunto l.i. de vectores asociados a los valores propios, respectivamente.
3. Debemos demostrar que si tenemos (n+1) valores propios distintos de dos en dos, 1 , 2 , ..., n , n+1 , entonces {v1 , v2 , ..., vn , vn+1 }
Captulo 6.
257
Diagonalizacion
un conjunto de vectores propios asociados a los valores propios,

son l.i..
Supongamos que
vn+1 = 1 v1 + 2 v2 + ... + n vn ,
luego
f (vn+1 ) = 1 f (v1 ) + ... + n f (vn ) = 1 1 v1 + ... + n n vn
Pero
f (vn+1 ) = n+1 vn+1 = n+1 1 v1 + n+1 2 v2 + ... + n+1 n vn
Luego:
1 1 = n+1 1
2 2 = n+1 2
...............
n n = n+1 n
Pero como vn+1 es no nulo, sabemos que al menos un i es no

nulo, luego i = n+1 , contradiccion. Es decir {v1 , v2 , .., vn , vn+1 }
es l.i..
Por (1), (2) y (3) tenemos que la proposicion es valida para todo
n N , n dimV .
Definici
on 6.2.5 Sea V un K - espacio vectorial. Si f End(V ) y
si existe B = {v1 , .., vn } una base de V tal que:
(f ; B; B) =
1 0 0
0 2 0
...............
0 0 n
entonces diremos que f es diagonalizable y B ser

a llamada una base
diagonalizante de f .
258

no
Algebra Lineal
Definici
on 6.2.6 Si M Mn (K) y existe P Mn (K) invertible tal
que M = P 1 M P con
M =
1 0 0
0 2 0
...............
0 0 n
entonces diremos que M es diagonalizable.
6.3
Valores propios simples
En esta seccion, estudiaremos el caso particular de un espacio vectorial

V , con dimV = n, f End(V ) y n valores propios distintos de dos
en dos. Comencemos por la siguiente denicion.
Definici
on 6.3.1 Si es una raz simple del polinomio caracterstico
entonces diremos que es un valor propio simple.
Nota
Obviamente que es un valor propio de f ssi es una raz del polinomio caracterstico de f .
Proposici
on 6.3.1 Sea V un K-espacio vectorial con dimV = n.
Supongamos que f End(V ) tiene n valores propios simples 1 , 2 ,
. . ., n con vectores propios asociados v1 , v2 , ..., vn entonces
(f ; B, B) =
con B = {v1 , v2 , ..., vn }
1 0 0
0 2 0
...............
0 0 n
Captulo 6.
259
Diagonalizacion
Demostraci
on
B = {v1 , v2 , ..., vn } es l.i. y puesto que son n vectores, forman una base
de V . Ademas, f (v1 ) = 1 v1 , f (v2 ) = 2 v2 , ..., f (vn ) = n vn . Luego se
obtiene la matriz diagonal buscada.
Procedimiento para diagonalizar una matriz
Supongamos que M Mn (K) es una matriz diagonalizable y supongamos que las races del polinomio caracterstico de M , det(M In ),
son races distintas de dos en dos.
Por el Teorema Fundamental del Algebra Lineal, existe f End(K n )
tal que M = (f ; C, C) con C la base canonica de K n .
Sean 1 , 2 , ..., n los valores propios de f . La ecuacion :
0
x1
0
x
2
()
=
( M i In )
0
xn
nos entrega los vectores propios asociados a i . En este caso dimSi =

1. Se escoge vi = (x1 , x2 , ..., xn ). Obviamente que la ecuacion () se
escalona, para obtener un vi a eleccion. Tenemos que D = {v1 , v2 , ..., vn }
es una base diagonalizante de f .
Tenemos :
P 1 M P =
1 0 0
0 2 0
...............
0 0 n
donde P es la matriz que exhibe las componentes de los vectores de la

base D seg
un la base canonica C. Notese que si tenemos D, es trivial
encontrar la matriz P .
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
260

no
Algebra Lineal
Esta matriz P no es u
nica, pues depende de la base D escogida.
Ademas, el orden de los vectores propios fue escogido al azar, luego la
matriz diagonal tampoco es u
nica. Por lo tanto es necesario jar un
orden y luego respetarlo.
Ejercicio
Diagonalicemos
4
6
0
M = 3 5 0
M3 (K)
3 6 5
Soluci
on
M = (f ; C; C) cierto f End(K 3 ), C la base canonica de K 3 .
Comencemos por buscar los valores propios de f .
Sea det(M I3 ) = 0

4

3

3

4

6

= (5 )
=

3

5

1

0
1
1

= ( + 5)( 1)
3 2
3 5
6
0
5
0
6
5

= (5 )(1 )
= ( + 5)( 1)( + 2)(1)
Luego los valores propios son 5, 1, 2.
Busquemos los vectores propios.
x

Sea v = y un vector propio. Si es el valor propio correspondiente
z

0

a v, entonces (M I3 )(v) = 0
0
Escribir este sistema en su forma mas sencilla, equivale a escalonar la

matriz M I3
Captulo 6.
261
Diagonalizacion
Caso 1 = 5
Al azar fue escogido 5 como primer valor propio.
1 0 0
3 2 0
9
6 0
1 2 0
3 0 0 1 0 0
3 2 0
1 2 0
3 6 0
1 0 0
1 0 0
L21 (1)
0 1 0
0 2 0
0 0 0
0 2 0
L31 (3)
Es decir obtenemos el siguiente sistema equivalente
0
x
1 0 0
0 1 0 y = 0
0
z
0 0 0
Luego x = y = 0, z K
Notese que tenemos 0 z = 0. Luego es valido para todo z K.

Escojamos v1 = (0, 0, 1). Podramos haber escogido v1 = (0, 0, 2) o
v1 = (0, 0, 3) etc.
S5 = {(0, 0, z); z K} =< (0, 0, 1) >
Caso 2 = 2
1 1 0
L21 (1)
1 1 0
6
6
0
0 0 0
3 3 0 1 1 0
0 1 1
L31 (1)
1 2 1
3 6 3
1 0 1
L13 (1)
0 0 0
0 1 1
262

no
Algebra Lineal
0
x
1 0 1
0 0 0 y = 0
z
0 1 1
0
Luego x = z, y = z.
Luego S2 = {(z, z, z); z K} =< (1, 1, 1) >
Sea v2 = (1, 1, 1)
Caso 3 = 1
1 2 0
L1 ( 13 )
3 6 0
L21 (1)
3
6
0

0 0 0
3 6 0 0 0 0
0 0 1
0 0 6
L31 (1)
3 6 6
L3 ( 61 )
0
x
1 2 0
0 0 0 y = 0
0
z
0 0 1
Luego x + 2y = 0, z = 0. Luego S1 = {(2y, y, 0); y K}, o bien

S1 =< (1, 12 , 0) >
Sea v3 = (1, 12 , 0)
Sea D = {(0, 0, 1), (1, 1, 1), (1, 12 , 0)}

Entonces
5 0 0
(f ; D, D) = 0 2 0
0
0 1
Sea P la matriz que exhibe la base D seg

un la base canonica C, luego
0 1
1
1
0
1
P =
2
1 1
0
Captulo 6.
263
Diagonalizacion
Luego (f ; D; D) = P 1 M P
(f ; D, D) = (C seg
un C)
Ejercicio
2 2 3
Sea M = 1 2 1
la matriz de un endomorsmo f de K 3 con
2 2 1
respecto a la base canonica. Busquemos:
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )
En efecto

2
2
3

1
2
1

2
2 1

(4 )

(4 )
L13 (1)
=
1
0
1
1 2
1
2 2 1
2
0
2 1

4

1

2
C31 (1)
=
0
4
2
1
2 1

1

(4 ) 1
2
0
0
2
0
2 1

= (4 )(2 )(1 )

264

no
Algebra Lineal
Luego
p() = (4 )(2 )(1 + )(1)
es el polinomio caracterstico de f . Luego los valores propios son:
1, 2, 4
Caso = 1
3 2 3
1
L3 ( 2 )
1 3 1
2 2 2
L21 (1)
1 1 1
L13
1 3 1
L31 (3)
3 2 3
1 0 1
1 1 1
0 4 0 0 1 0
0 0 0
0 5 0
Luego tenemos el sistema siguiente:
1 0 1
0
x
0 1 0 y = 0
z
0 0 0
0
x + z = 0, y = 0 luego x = z, y = 0
S1 = {(z, 0, z); z K} =< (1, 0, 1) > es el subespacio propio

asociado a = 1
Caso = 2
1 0 1
0 2
3
0 2
3
L32 (2)
3
1
1
0 1 2
1 0
1 0
0 0 0
0 2 3
2 2 1
Luego tenemos el siguiente sistema de ecuaciones:
1 0 1
0
x
3
0 1 2 y = 0
0
z
0 0 0
De donde: x + z = 0, y + 32 z = 0, Luego x = z, y = 23 z, z K
S2 = {(z, 32 z, z); z K} =< (2, 3, 2) >, es el subespacio asociado

a=2
Captulo 6.
Caso = 4
2 2
3
L31 (1)
1 2 1
2 2 3
265
Diagonalizacion
2 2 3
L1 (1)
1 2 1
0 0
0
1 0 4
1 2 1
5
0 2 5 0 1 2
0 0
0
0 0 0
Luego tenemos el siguiente sistema:
0
x
1 0 4
5
y
0
1
=
0
2
0
z
0 0 0
De donde se obtiene:
x 4z = 0
y 25 z = 0
x = 4z
y = 52 z
zK
S4 = {(4z, 25 z, z); z K} =< (4, 25 , 1) >, es el subespacio asociado a

=4
Una base diagonalizante es D = {(1, 0, 1), (2, 3, 2), (8, 5, 2)} Luego
1
2 8
2 2 3
1 0 0
1
3 5
0 2 0 = P 1 2 1 0
1 2 2
2 2 1
0 0 4
Donde P = (D seg
un C)
(f ; D, D) = (C seg
un C)
6.4
Valores propios m
ultiples
Ahora estudiaremos el caso general, es decir, cuando el polinomio caracterstico es de la forma
266

no
Algebra Lineal
P () = ( 1 )1 ( 2 )2 ( r )r
y 1 + 2 + r corresponde a la dimension del espacio vectorial.
Si es un valor propio de multiplicidad k, k 2, quisieramos saber

cual es la dimension del sub-espacio propio asociado a . Una cota a
esta dimension, la tenemos en la siguiente proposicion
Proposici
on n.
Supongamos que el polinomio caracterstico de f End(V ) tiene una
raz de multiplicidad k, entonces
dimK N (f idV ) k
Demostraci
on
Sea r la dimension del sub-espacio propio asociado a , es decir, r =
dimK N (f idV ).
Sea {v1 , v2 , ..., vr }una base de sub-espacio formado por vectores propios asociados a , es decir
f (vi ) = vi , i = 1, ..., r
Extendamos esta base a una base B = {v1 , v2 , ..., vr , vr+1 , ..., vn } de V .

Entonces
... 0
. .
.
. . ...
P
0 ...
M = (f ; B, B) =
0 ... 0
. .
.
.
. . ..
Q
.
0 ... 0
donde P Mnr (K) y Q Mnr (K).
Captulo 6.
267
Diagonalizacion
El polinomio caracterstico de f es

P (X) = det(M XIn ) =

X ...
..
...
.
0
0
..
.
...
...
...
0
..
.
X
0
..
.
0 ... 0
Q XIn
Luego, P (X) = ( X)r det(Q XIn ). Es decir, ( X)r divide a

P (X), luego r k.
La caracterizacion de f diagonalizable, la tenemos en el teorema siguiente

Teorema 6.4.2 Sea V un K-espacio vectorial de dimensi
on n y
f End(V ). Entonces son equivalentes
1. f es diagonalizable
2. P () = ( 1 )1 ( 2 )2 ( r )r y dimK Si = i ,
i = 1, , r
Demostraci
on
(1) (2)
Supongamos que f es diagonalizable. Entonces existe una base B =

{v1 , v2 , ..., vn } formada por vectores propios de f . Ademas (f ; B) es
diagonal y el polinomio caracterstico de f es de la forma
P () = ( 1 )k1 ( 2 )k2 ( p )kp
con k1 + k2 + + kp = n = dimV
En la diagonal principal de (f ; B), hay para todo i {1, 2, ..., p} exactamente ki terminos iguales a i .
268

no
Algebra Lineal
Puesto que cada uno de los vectores propios correspondientes a i de

B pertenecen a Si = N (f i idV ), se tiene que dimSi ki . Pero por
la proposicion anterior ki dimSi , luego se tiene que ki = dimSi
(2) (1)
Por hipotesis, el polinomio caracterstico tiene la forma

P () = ( 1 )k1 ( 2 )k2 ( p )kp , y dimSi = i , i = 1, ..., r
Tenemos que S1 S2 Sr es directa y
dim(S1 S2 Sr ) = dimS1 + dimS2 + + dimSr

= 1 + 2 + + r
= n
Para cada ndice i, consideremos Bi una base de Si (constituda por

los vectores propios vi , correspondientes al valor propio i )
Entonces B = B1 B2 Br es una base de V formada por vectores
propios. Luego (f ; B) es diagonal, es decir, f es diagonalizable.
6.5
Ejercicio
Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con respecto a
la base canonica es
3 1 1
M =
2 4 2
1 1 3
Encontremos
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios propios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Captulo 6.
269
Diagonalizacion
Soluci
on

0
2 +
L (1) 2

13
2
4
2

=

=

1
1
3

1
1
0
1
0
0

C (1)

2 31
4 =
= (2 ) 2 4
(2 ) 2 4

=
1
1
1
3
1
4

4
4

= (2)
= (2)((4)2 4) = (2)(2)(6)
1
4

3

2

1
1
1
4
2
1
3
Luego los valores propios son: 2 de multiplicidad 2 y 6 de multiplicidad

1.
Caso = 6
3 1
1
36
1
1
1
L2 ( 2 )
2
46
2
= 2 2 2
1
1 3
1
1
36
1 0 1
3 1 1
1 1 1 0 1 2
0 0 0
1
1 3
Luego
0
x
1 0 1
0 1 2 y = 0
0
z
0 0 0
Luego
xz = 0
y 2z = 0
Luego x = z, y = 2z
Reemplazando, tenemos
(x, y, z) = (z, 2z, z) = z(1, 2, 1) luego v6 = (1, 2, 1) y S6 =< (1, 2, 1) >
270

no
Algebra Lineal
Caso = 2
1 1 1
1 1 1
32
1
1
2
42
2 = 2 2 2 0 0 0
0 0 0
1 1 1
1
1
32
Luego
0
x
1 1 1
0 0 0 y = 0
0
z
0 0 0
Tenemos que x + y + z = 0 de donde x = y z.
Reemplazando tenemos
(x, y, z) = (y z, y, z) = y(1, 1, 0) + z(1, 0, 1)

Entonces S2 =< (1, 1, 0), (1, 0, 1) >. Vemos que la dimension de
S2 coincide con la multiplicidad del valor propio 2.
La base diagonalizante de f es D = {(1, 2, 1), (1, 1, 0)(1, 0, 1)}
La matriz es diagonalizable. Tenemos
6 0 0
0 2 0 =
0 0 2
1
4
1
2
1
4
1
4
21
1
4
1
4
1
2
1 1
1
3 1 1
2 4 2 2 1 0
1 0 1
1 1 3
34
Ejercicio
la base canonica es
1 2 2
M = 2 1 2
2 2 3
Estudiemos si M es diagonalizable.
Captulo 6.
Diagonalizacion
271
Soluci
on
Comencemos por encontrar el polinomio caracterstico de M .

1

2

2

2
2
L (1) 1

32
2
1
2 =

=

0
1 + 1

1
1
2
2
0
2

C (1)

1 2 23
1 2 =
= (1+) 2
(1+) 2

=

0
1
1
0
0
1

1 0 2

0

2
2 1
1 2 = 1(1+)
= (1+) 2
= (1+)2 (1

2
1

0
0 1
2
2
1
2
2
3
Luego los valores propios son: 1 de multiplicidad 2 y 1 de multiplicidad 1.

Caso = 1
2 2 2
2 2 2
2 2 2
Luego x + y + z = 0 de donde x = y + z; y, z IR
Por lo tanto
S1 = {(y + z, y, z); y, z IR}

Es decir
S1 =< (1, 1, 0), (1, 0, 1) >
En este caso dimS1 = 2 = a la multiplicidad de la raz 1
Caso = 1
1 0 1
0 2 2
2 0 2 0 1 1
0 0 0
2 2 4
Luego
272

no
Algebra Lineal
0
x
1 0 1
y
0
1
1
=
0
0
z
0 0 0
Luego se obtienen las condiciones siguientes: x = z y y = z.
Entonces S1 =< (1, 1, 1) >. Por la matriz es diagonalizable y la base
diagonalizante de f es D = {(1, 1, 0), (1, 0, 1)(1, 1, 1)}
Finalmente tenemos
1 1 1
1 2 2
1 0
1
1 0 0
0 1 0 = 1 1 2 2 1 2 1 0 1
0 1 1
2 2 3
1
1 1
0
0 1
Ejercicio
la base canonica es
4
2 3
1 2
M =
2
1 2 0
Busquemos, si existe, la matriz diagonal D, equivalente a M .
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )

4

2

1
2
3
1 2
2

1

(1 ) 0

1
C13 (1)
=
2
3
1 2
2

1

0

1 +
L31 (1)
=
2
3
1 2
2

1

(1 ) 0

0
2
3
1
2
0
3
Captulo 6.
273
Diagonalizacion

1
(1 )
0
2
3

= (1 )(1 )(3 )

Luego p() = (1 )2 (3 ) es el polinomio carcterstico de f . Luego

los valores propios son: 1 de multiplicidad 2 y 3 una raz simple
Caso = 1 multiplicidad 2
3
2
3
L12 (1)
2
0
2
1 2 1
L2 ( 12 )
1 2 1
1 0 1
3 2 3
1 0 1
1 2 1
L32 (3)
1 0 1 0 1 0
0 0 0
0 2 0
0
x
1 0 1
0 1 0 y = 0
0
z
0 0 0
Luego tenemos el siguiente sistema de ecuaciones: x + z = 0, y = 0,

Luego x = z, y = 0, z K
S1 = {(z, 0, z); y K} =< (1, 0, 1) >, es el subespacio propio

asociado a = 1
Este subespacio tiene dimension 1, luego esta matriz no es diagonalizable pues la dimension del subespacio no coincide con la multiplicidad
de la raz.
6.6
1. Encuentre el polinomio caracterstico descompuesto en sus factores irreducibles en IR, de la matriz siguiente:
1 2 2
2
1 2
A=
2 2 3
2. Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con
274

no
Algebra Lineal
4
1 2
3 0
respecto a la base canonica es A = 0
, encuentre
1 1 1
(a) El polinomio caracterstico de f.
(b) Los valores propios de f y sus subespacios propios asociados.

(c) Una base diagonalizante D
(d) Una matriz invertible P tal que (f ; D) = P 1 M P
3. Idem ejercicio anterior para la matriz
6 1 3
2 3
A=
3
1 1
2
Ademas encuentre A10
Captulo 7
Aplicaciones Bilineales
Introducci
on
Nosotros hemos visto los determinantes de matrices de 2 2; vimos
que se denen por

a c

= ad bc

b d
Consideremos el determinante como una aplicacion de las columnas

de la matriz, es decir
det : M21 (K) M21 (K) K
tal que
det

c
a
,
d
b

= ad bc
Tenemos las propiedades siguientes

1.

a + a

b + b
c
d

a c

=
b d

en esta nueva expresion se escribe

det

c
a + a
,
d
b + b

= det

275

a

+
b
c
a
,
d
b

c
d
+ det

c
a
,
d
b

276

no
Algebra Lineal
2. Analogamente en la segunda columna, se tiene

det

c + c
a
,
d + d
b

3.

= det

a c

b d

c
a
,
d
b

a c

=
b d

En esta nueva expresion se escribe

det

c
a
,
d
b

c
a
,
d
b

+ det

c
a
,
d
b

= det

c
a
,
d
b

= det

c
a
,
d
b

4. Analogamente
det

Sean u, u , v, v M21 (K), K. Estas cuatro propiedades se describen de la manera siguiente

1. det(u + u , v) = det(u, v) + det(u , v)
2. det(u, v + v ) = det(u, v) + det(u, v )
3. det(u, v) = det(u, v)
4. det(u, v) = det(u, v)
7.1
7.1.1
Aplicaciones bilineales
Ejemplos. Propiedades generales
Observaci
on
En IR2 consideremos el producto punto
(x1 + y1) (x2 + y2) = x1 x2 + y1 y2
Captulo 7.
277
cambiando a escritura cartesiana, se tiene

(x1 , y1 ) (x2 , y2 ) = x1 x2 + y1 y2
Analicemos las cuatro observaciones siguientes
1.
((x1 , y1 ) + (x2 , y2 )) (x3 , y3 ) =
=
=
=
=
(x1 + x2 , y1 + y2 ) (x3 , y3 )
(x1 + x2 ) x3 + (y1 + y2 ) y3
x 1 x3 + x 2 x3 + y1 y3 + y2 y3
(x1 x3 + y1 y3 ) + (x2 x3 + y2 y3 )
((x1 , y1 ) (x3 , y3 ))+
+((x2 , y2 ) (x3 , y3 ))
2. Analogamente a la observacion anterior, tenemos

(x1 , y1 ) ((x2 , y2 ) + (x3 , y3 )) = (x1 , y1 ) (x2 , y2 ) + (x1 , y1 ) (x2 , y2 )
3.
((x1 , y1 )) (x2 , y2 ) =
=
=
=
(x1 , y1 ) (x2 , y2 )
(x1 )x2 + (y1 )y2
(x1 x2 + y1 y2 )
((x1 , y1 ) (x2 , y2 ))
4. Analogamente a (3) tenemos

(x1 , y1 ) ((x2 , y2 )) = ((x1 , y1 ) (x2 , y2 ))
Denamos f : IR2 IR2 IR; f ((x1 , y1 ), (x2 , y2 )) = (x1 , y1 ) (x2 , y2 ).
Describiendo nuevamente las cuatro observaciones anteriores, esta
aplicacion f satisface:
1. f (u + u , v) = f (u, v) + f (u , v), u, u , v IR2
2. f (u, v + v ) = f (u, v) + f (u, v ), u, v, v IR2
3. f (u, v) = f (u, v), u, v IR2
278

no
Algebra Lineal
4. f (u, v) = f (u, v), u, v IR2

En un lenguaje informal diramos que f es dos veces lineal; tambien
podramos decir que es lineal a la derecha y a la izquierda. Esto nos
induce al siguiente concepto.
Definici
on 7.1.1 Sean U , V , W tres espacios vectoriales sobre un
mismo cuerpo K. Se dice que f es una aplicaci
on bilineal de U V
en W si verifica los siguientes axiomas:
Para todo u, u U , v, v V , K
1. f (u + u , v) = f (u, v) + f (u , v)
2. f (u, v + v ) = f (u, v) + f (u, v )
3. f (u, v) = f (u, v)
4. f (u, v) = f (u, v)
En otras palabras, f es bilineal si y solo si las aplicaciones parciales
1. g : U W ; g(u) = f (u, v) v V
2. h : V W ; h(v) = f (u, v) u U
son lineales
Ejercicio
Sea U = V = IR2 , W = IR. Sea
f : IR2 IR2 IR;
Estudiemos si f es bilineal
f ((x, y), (x , y )) = 3xx 5yy
Captulo 7.
279
Soluci
on
1.
f ((x, y) + (x , y ), (x , y )) =
=
=
=
=
2.
f ((x + x , y + y ), (x , y ))
3(x + x )x 5(y + y )y
3xx + 3x x 5yy 5y y
(3xx 5yy ) + (3x x 5y y )
f ((x, y), (x , y ))+
+f ((x , y ), (x , y ))
f ((x, y), (x , y ) + (x , y )) =
=
=
=
f ((x, y), (x + x , y + y ))
3x(x + x ) 5y(y + y )
3xx + 3xx 5yy 5yy
f ((x, y), (x , y ))+
+f ((x, y), (x , y ))
3.
f ((x, y), (x , y )) =
=
=
=
f ((x, y), (x , y ))
3(x)x 5(y)y
(3xx 5yy )
f ((x, y), (x , y ))
4.
f ((x, y), (x , y )) =
=
=
=
f ((x, y), (x , y ))
3x(x ) 5y(y )
(3xx 5yy )
f ((x, y), (x , y ))
Ejercicio
Sea U = V = IR2 , W = IR. Sea f : IR2 IR2 IR tal que
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
(7.1)
demuestre que f es bilineal.

Teorema 7.1.1 (Teorema fundamental de las aplicaciones bilineales) Sean U , V y W tres K-espacios vectoriales. Sean B =
280

no
Algebra Lineal
{u1 , u2 , . . . , un }, C = {v1 , v2 , . . . , vm } bases ordenadas de U y V respectivamente y {wij ; i = 1, . . . , n; j = 1, . . . , m} un conjunto de vectores de W , entonces existe una u
nica aplicaci
on bilineal f : U V
W tal que
f (ui , vj ) = wij
Demostraci
on
1. Existencia. Sean u =
n
X
i ui , v =
m
X
j vj . Sea f tal que
j=1
i=1
f (u, v) =
i j wij
i,j
(a) Demostramos primero la suma en la primera componente

f (u + u , v)
m
n
X
X
j vj
= f (i + i )ui ,
j=1
i=1
=
=
i,j
X
(i + i )j wij
i j wij +
i,j
i j wij
i,j
= f (u, v) + f (u , v)
(b) Analogamente se prueba que
f (u, v + v ) = f (u, v) + f (u, v )
(c) Para el producto por escalar tenemos
X
f ((u, v)) = f
= f
=
i ui , v
(i )ui ,
(i )j wij
ijX
i j wij
ij
= f (u, v)
!
X
j
j vj
Captulo 7.
281
(d) Analogamente se prueba

f (u, v) = f (u, v)
2. Unicidad
Sea g : U V W bilineal tal que g(ui , vj ) = wij . Por demostrar
que f = g
f (u, v) = f
=
X
i,j
n
X
i=1
i ui ,
m
X
j=1
j vj =
i j g(ui vj ) = g
n
X
i ui ,
i=1
i j wij =
ij
m
X
j=1
j vj = g(u, v)
luego f = g.
Ejemplo
Sea f : IR2 IR2 IR. Sea B = {(1, 1), (1, 0)} una base ordenada de
IR2 . Se tiene que f esta determinada por:
f ((1, 1), (1, 1)) = 1
f ((1, 1), (1, 0)) = 2
f ((1, 0), (1, 1)) = 3
f ((1, 0), (1, 0)) = 4
En efecto
f ((x, y), (x , y )) =
= f (y(1, 1) + (x y)(1, 0), y (1, 1) + (x y )(1, 0))
= yy f ((1, 1), (1, 1)) + y(x y )f ((1, 1), (1, 0))+
+(x y)y f ((1, 0), (1, 1)) + (x y)(x y )f ((1, 0), (1, 0))
luego
f ((x, y), (x , y )) =
= yy 1 + y(x y ) 2 + (x y)y 3 + (x y)(x y ) 4
= yy + 2x y 2yy + 3xy 3yy + 4xx 4xy 4x y + 4yy
= 4xx 2x y xy
282

no
Algebra Lineal
Es decir
f ((x, y), (x , y )) = 4xx 2x y xy
Observaci
on
Que f este determinada por estos cuatro valores quiere decir que no
puede haber una aplicacion bilineal distinta de f que coincida en estos
cuatro valores.
Dicho de otra manera: esos cuatro valores son una microinformacion
del comportamiento de f . Con esos cuatro valores se sabe exactamente
el comportamiento de f en todo IR2 IR2 .
Nota: En IR3 consideremos la base canonica B = {i, j, k} y la aplicacion bilineal f : IR3 IR3 IR denida por
f (i, j) = k; f (j, k) = i; f (k, i) = j
f (j, i) = k; f (k, j) = i; f (i, k) = j
f (i, i) = f (j, j) = f (k, k) = 0
Puesto que conocemos su comportamiento en una base, por el teorema fundamental de las aplicaciones bilineales, podemos obtener su
expresion analtica de la manera siguiente:
f (a1 i + b1 j + c1 k, a2 i + b2 j + c2 k) = a1 a2 0 + a1 b2 k + a1 c2 (j)+
+b1 a2 (k) + b1 b2 0 + b1 c2 i + c1 a2 j + c1 b2 (i) + c1 c2 0 =
= (b1 c2 c1 b2 )i + (c1 a2 a1 c2 )j + (a1 b2 b1 a2 )k
Esta aplicacion bilineal es muy usada en fsica y es llamada producto

vectorial o producto cruz.
En lenguaje algebraico esta aplicacion bilineal queda descrita de la
manera siguiente:
Sea B = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)}
f ((a1 , b1 , c1 ), (a2 , b2 , c2 )) =
= f (a1 e1 + b1 e2 + c1 e3 , a2 e1 + b2 e2 + c2 e3 ) =
= (b1 c2 c1 b2 )e1 + (c1 a2 a1 c2 )e2 + (a1 b2 b1 a2 )e3 =
= (b1 c2 c1 b2 , c1 a2 a1 c2 , a1 b2 b1 a2 )
Captulo 7.
283
Ejercicio
Sea f : IR2 IR2 IR bilineal denida, con respecto a la base canonica
B = {e1 , e2 }, de la siguiente manera
f (e1 , e1 ) = f (e2 , e2 ) = 0; f (e1 , e2 ) = 1, f (e2 , e1 ) = 1
Busquemos la expresion analtica de f .
Sea x = x1 e1 + x2 e2 , y = y1 e1 + y2 e2 , entonces
f (x, y) =
=
=
f (x1 e1 + x2 e2 , y1 e1 + y2 e2 )
x1 y1 0 + x1 y2 1 + x2 y1 (1) + x2 y2 0
x
1 y2 x2y1
x y
= 1 1
x2 y2
que es el determinante de los vectores x e y seg

un la base canonica.
Definici
on 7.1.2 Sean f, g : U V W dos aplicaciones bilineales.
Se define la suma de f y g, denotada f + g, como
f + g : U V W ; (f + g)(u, v) = f (u, v) + g(u, v)
y se define la ponderaci
on de una aplicaci
on bilineal f , denotada f ,
como
( f ) : U V W ; ( f )(u, v) = f (u, v)
Proposici
on 7.1.2 Sean U , V , W tres K-espacios vectoriales. Sean
f, g : U V W dos aplicaciones bilineales. Entonces f + g y f
son bilineales.
Demostraci
on
Demostrar que f + g es bilineal, es equivalente a demostrar que
u, u1 , u2 U y v, v1 , v2 V se tiene:
1. (f + g)(u1 + u2 , v) = (f + g)(u1 , v) + (f + g)(u2 , v)
284

no
Algebra Lineal
2. (f + g)(u, v1 + v2 ) = (f + g)(u, v1 ) + (f + g)(u, v2 )

3. (f + g)(u, v) = ((f + g)(u, v))
4. (f + g)(u, v) = ((f + g)(u, v))
Demostracion de (1)
(f + g)(u1 + u2 , v) =(a) f (u1 + u2 , v) + g(u1 + u2 , v) =
=(b) (f (u1 , v) + f (u2 , v)) + (g(u1 , v) + g(u2 , v)) =
=(c) (f (u1 , v) + g(u1 , v)) + (f (u2 , v) + g(u2 , v)) =
=(d) (f + g)(u1 , v) + (f + g)(u2 , v)
(a) y (d) denicion de suma de aplicaciones, (b) bilinealidad de f y g,
(c) asociatividad y conmutatividad de la suma en W .
Analogamente se demuestra (2).
Demostracion de (3)
(f + g)(u, v) =(a) f (u, v) + g(u, v) =
=(b) f (u, v) + g(u, v) =
=(c) (f (u, v) + g(u, v)) =(d) ((f + g)(u, v))
(a) y (d) denicion de suma de aplicaciones, (b) bilinealidad de f y g,
(c) axioma de distribucion de espacios vectoriales.
Analogamente se demuestra (4)
Demostrar que f es bilineal, es equivalente a demostrar que
u, u1 , u2 U y v, v1 , v2 V se tiene:
1. ( f )(u1 + u2 , v) = ( f )(u1 , v) + ( f )(u2 , v)
2. ( f )(u, v1 + v2 ) = ( f )(u, v1 ) + ( f )(u, v2 )
3. ( f )(u, v) = (( f )(u, v))
4. ( f )(u, v) = (( f )(u, v))
Captulo 7.
285
Demostracion de (1)
( f )(u1 + u2 , v) =(a) (f (u1 + u2 , v) =
=(b) (f (u1 , v) + f (u2 , v)) =(c) (f (u1 , v)) + (f (u2 , v)) =
=(d) ( f )(u1 , v) + ( f )(u2 , v)
(a) y (d) denicion de ponderacion de una aplicacion, (b) bilinealidad
de f , (c) axioma de distribucion en un espacio vectorial.
Analogamente se demuestra (2)
Demostracion de (3)
( f )(u, v) =(a) (f (u, v) =(b) ((f (u, v)) =
=(c) ()(f (u, v)) =(d) ((f (u, v))) =(e) = (( f )(u, v))
(a) y (e) dencion de ponderacion de una aplicacion, (b) bilinealidad
de f , (c) axioma de espacios vectoriales E.V.8, (d) conmutatividad de
la multiplicacion en K y luego E.V.8.
Analogamente se demuestra (4.)
Definici
on 7.1.3 El conjunto formado por todas las aplicaciones bilineales de U V en W , se denota BK (U, V ; W ).
Proposici
on 7.1.3 Sean U , V , W tres K-espacios vectoriales, entonces BK (U, V ; W ) es un K-espacio vectorial.
Demostraci
on
Hay que demostrar los ocho axiomas de espacio vectorial. Solamente
demostraremos E.V.2 y E.V.3
E.V.2. El neutro es la aplicacion bilineal nula, denotada 0 y denida
como sigue
0 : U V W ; 0(u, v) = 0 (u, v) U V
(0 + f )(u, v) = 0(u, v) + f (u, v) = 0 + f (u, v) = f (u, v)
286

no
Algebra Lineal
luego 0 + f = f
E.V.3. Dada f : U V W bilineal, su aplicacion bilineal opuesta
es denotada f y se dene por
f : U V W ; (f )(u, v) = (f (u, v))
(f + (f ))(u, v) = f (u, v) + (f )(u, v) = f (u, v) + (f (u, v)) = 0
luego f + (f ) = 0
Observaci
on
En IR2 , el producto punto cumple
(x, y) (x , y ) = xx + yy = x x + y y = (x , y ) (x, y)
Esta observacion nos induce al siguiente concepto
Definici
on 7.1.4 Sea f : V V W una aplicaci
on bilineal. Diremos que f es sim
etrica si
f (u, v) = f (v, u) (u, v) V V
Ejemplo
En la aplicacion bilineal del ejercicio (7.1) se tiene
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy =
= 2x x 2x y 2xy + 5y y = f ((x , y ), (x, y))
es decir,
f (u, v) = f (v, u);
u, v IR2
Captulo 7.
287
Ejemplo
Sea f : IR2 IR2 IR, denida por:
f ((x1 , y1 ), (x2 , y2 )) = x1 x2 + 3x1 y2 + 3x2 y1 y1 y2
Esta aplicacion es bilineal y simetrica.
Ejemplo
Sea V = {f : [0, 1] IR; f continua}
Entonces
(f, g) =
f (t)g(t)dt
(7.2)
es simetrica. Es decir, el producto convolucion sobre IR es simetrico.
7.2
Formas bilineales
Definici
on 7.2.1 Sea V un espacio vectorial sobre K. Una forma
bilineal sobre V , es una aplicaci
on bilineal
f :V V K
Ejemplo
f : IR2 IR2 IR; f ((x, y), (x , y )) = 3xx 2xy 2x y + 7yy .
Es facil ver que f es una forma bilineal.
Ejemplo
Sea V = {f : [0, 1] IR; f continua }. Entonces
(f, g) =
es una forma bilineal.
f (t)g(t)dt
288
7.2.1

no
Algebra Lineal
Matriz asociada a una forma bilineal
Observaci
on
Consideremos la forma bilineal de la referencia (7.1)
f : IR2 IR2 IR;
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
En el dominio consideremos las bases B = {(1, 1), (0, 1)} y C =

{(1, 0), (1, 1)} de IR2 , a la izquierda y a la derecha respectivamente.
Se tiene:
f ((1, 1), (1, 0)) = 2 2 = 0
f ((1, 1), (1, 1)) = 2 1 (1) 2 1 1 2 (1) 1 + 5 1 1 = 3

f ((0, 1), (1, 0)) = 2 0 1 2 0 0 2 1 1 + 5 1 0 = 2
f ((0, 1), (1, 1)) = 2 0 (1) 2 0 1 2 (1) + 5 1 1 = 7

Naturalmente uno asociaciara
0 3
2 7
Efectivamente a toda forma bilineal le asociaremos una matriz con
respecto a dos bases dadas de la manera obtenida anteriormente.
(f ; B, C) =
Construcci
on de la matriz asociada
Sean U y V dos K-espacios vectoriales. Sean B = {u1 , u2 , . . . , un } y
C = {v1 , v2 , . . . , vm } bases ordenadas de U y V respectivamente.
Para todo u U y v V se tiene
u=
n
X
i ui , v =
m
X
j vj
j=1
i=1
Para toda forma bilineal f : U V K a causa de la bilinealidad, se

tiene
f (u, v) = f
n
X
i=1
i ui ,
m
X
j=1
j vj =
m
n X
X
i=1 j=1
i j f (ui , vj )
Captulo 7.
289
Sea (aij ) = f (ui , vj ); 1 i n, 1 j m.
Se obtiene la matriz A = (cij ) Mnm (K) de n lneas y m columnas,

la cual se llama matriz de la forma bilineal f relativa a las bases B y
C, denotada (f ; B, C).
Recprocamente, a toda matriz A = (aij ) Mnm (K), le corresponde

una u
nica forma bilineal f : U V K, denida por
f (u, v) =
m
n X
X
i j aij
i=1 j=1
la cual es bilineal.
Se tiene entonces el teorema siguiente:
Teorema 7.2.1 Sean U y V dos K-espacios vectoriales de dimensiones n y m respectivamente. Para todo par de bases B = {e1 , e2 , . . . , en }
de U y C = {u1 , u2 , . . . , um } de V , existe una biyeccion
: B(U, V ; K) Mnm (K)
f 7 (f (ei , uj ) = (aij ))
el cual es un isomorfismo de espacios vectoriales.
Definici
on 7.2.2 La matriz que corresponde a f se llama matriz de
la forma bilineal f con respecto a las bases B y C.
7.2.2
Representaci
on matricial de f (x, y)
Sea f B(U, V : K) y su correspondiente matriz A = (aij ), tal que

A Mnm (K), en el isomorsmo anterior, relativo a las bases B y C
de U y V respectivamente.
Para todo (x, y) U V se tiene
f (x, y) =
m
n X
X
i=1 j=1
aij xi yj =
n
X
i=1
xi
n
X
j=1
aij yj
290

no
Algebra Lineal
Consideremos las matrices columnas
y1
x1
x2
y2
X = .. ; Y = ..
.
.
xn
ym
El producto AY es una matriz columna de n las. El elemento de la

la i es
m
X
aij yj .
j=1
El producto X t AY de la matriz la X t por la matriz columna AY es

una matriz de M11 (K) que tiene, por elemento u
nico a
n
X
i=1
xi
m
X
j=1
aij yj
Resulta, identicando toda la matriz de un solo elemento a este elemento

f (x, y) = X t AY
Proposici
on 7.2.2 Sean U y V dos K-espacios vectoriales de dimensiones n y m respectivamente. Si, relativo a las bases B y C de U y V ,
A es la matriz de f B(U, V : K) y si X e Y son las matrices columnas de las componentes de u U y v V en estas bases. Entonces se
tiene
f (u, v) = X t AY
Ejemplo
Volvamos al ejercicio de la referencia (7.1)
f : IR2 IR2 IR; f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
B = {(1, 1), (0, 1)}, C = {(1, 0), (1, 1)}
(x, y) = x(1, 1) + (y x)(0, 1)

(x , y ) = (x + y )(1, 0) + y (1, 1)
Captulo 7.
291
Entonces
0 3
f ((x, y), (x , y )) = ( x y x )
2 7
7.3
7.3.1

x + y
y
Espacios Euclidianos
Producto escalar
Introducci
on
En IR3 , consideremos la base canonica {,, k}.
Sean u = x1 i + x2 j + x3 k y v = y1 i + y2 j + y3 k dos vectores en IR3 .

Entonces el producto punto de u y v se dene por
u v = x 1 y1 + x2 y2 + x 3 y3
llamado as, pues a dos vectores se le asocia un n

umero real y en
lenguaje geometrico se le asocia un punto.
La norma se dene por
|u| =
es decir, |u|2 = u u
x21 + x22 + x23
Este producto punto puede tambien ser descrito por uv = |u||v|cos ,

donde es el menor angulo comprendido entre u y v; u, v 6= 0. Ademas
u v = 0 si y solo si es 2 .
Luego u v = 0 si y solo si u y v son perpendiculares.
Los conceptos de producto punto, longitud de un vector, ortogonalidad

seran generalizados a espacios vectoriales que no tienen facil descripcion geometrica como son IRn , n 4 y los espacios de funciones, y en
IR2 y IR3 se dara conceptos mas amplios que el producto punto.
Nota: En esta seccion consideramos solamente formas bilineales que
tienen por codominio los n
umeros reales, pues en el codominio vamos
a utilizar el concepto de orden.
292

no
Algebra Lineal
Observaci
on
En la forma bilineal del ejercicio de referencia (7.1) se tiene
f ((x, y), (x, y)) = 2x2 4xy + 5y 2 =
= x2 + (x2 4xy + 4y 2 ) + y 2 = x2 + (x 2y)2 + y 2
que es siempre un n
umero positivo o nulo, pues es suma de cuadrados.
Definici
on 7.3.1 Sea f : V V IR una forma bilineal. Diremos
que f es positiva si
f (v, v) 0 v V
Ejemplo
En el ejemplo (7.2) se tiene que
(f, f ) =
f (t)2 dt
es cero o positivo, pues el producto convolucion de f consigo misma,

representa el area bajo la curva f (t)2 cuyos puntos estan en el eje X
o sobre el eje X.
Observaci
on
En la forma bilineal del ejercicio (7.1) se tiene que f ((x, y), (x, y)) = 0
implica que x2 + (x 2y)2 + y 2 = 0 luego x = y = 0, es decir (x, y) =
(0, 0).
Definici
on 7.3.2 Sea f : V V IR una forma bilineal. Diremos
que f es definida cuando el u
nico vector de V que satisface f (v, v) = 0
~
es el vector v = 0, es decir f (v, v) = 0 v = ~0.
Ejemplo
En la forma
bilineal del ejercicio (7.2) se tiene que si (f, f ) = 0 enZ 1
tonces
f (t)2 dt = 0 luego f (t)2 = 0 t IR luego f (t) = 0 t [0, 1]
0
Captulo 7.
293
es decir f = 0 en[0,1]
Definici
on 7.3.3 Si f : V V IR es una forma bilineal, entonces
diremos que f es un producto escalar si f es simetrica, positiva y
definida. Notaci
on: f (u, v) =:< u, v >
Ejemplos
Las formas bilineales del ejercicio (7.1) y del ejercicio (7.2) son productos escalares.
Definici
on 7.3.4 Sea V un IR-espacio vectorial. Diremos que V es un
Espacio Euclidiano si sobre V se puede definir un producto escalar.
7.3.2
Norma
Observaci
on
En IR2 con el producto punto, se dene la longitud o norma de un
vector, de la manera siguiente
||(x, y)|| =
x2 + y 2
pero x2 + y 2 corresponde al producto usual de (x, y) consigo mismo,

es decir
q
||(x, y)|| = (x, y) (x, y)
El concepto de norma se generaliza de la manera siguiente:
Definici
on 7.3.5 Sea V un espacio euclidiano, con un producto escalar < u, v >. Dado u V , es llamado norma del vector u, denotado ||u||, el n
umero real positivo:
||u|| =
< u, u >
294

no
Algebra Lineal
Ejemplo
En IR2 , considerando el producto usual, se tiene
||(1, 2)|| = 12 + 22 = 5
||(3, 4)|| = 32 + 42 = 5
Ejemplo
En IR2 , considerando el producto del ejercicio (7.1) se tiene:
||(1, 0)|| = 2 12 4 1 0 + 5 02 = 2
||(1, 2)|| = 2 12 4 1 2 + 5 22 = 14
||(3, 4)|| = 2 32 4 3 4 + 5 42 = 50
q
q
||(1, 3)|| = 2 12 4 1 3 + 5 ( 3)2 = 17 4 3

Ejemplo
h
V = {f : 2 , 2 IR continua} con el producto

(f, g) =
f (t)g(t)dt
Algunos ejemplos en este caso son:

Sea n IN
2
||sennx|| = (sennx, sennx) =

=
sen2 nxdx =

2
1
1
1 cos 2nx
dx = x
sen2nx =
2
2 2
4n
2
2
Luego ||sennx|| =
Sea m IN
n IN
Captulo 7.
|| cos mx||2 = (cos mx, cos mx) =

=
295
Z
cos2 mxdx =

2
1
1 + cos 2mx
1 2
dx = x +
sen2mx =
2
2 2
4m
2
2
luego || cos mx|| =
m IN
Ejemplo
En IRn con el producto escalar usual se tiene
||(u1 , u2 , . . . , un )|| =
=
< (u1 , u2 , . . . , un ), (u1 , u2 , . . . , un ) > =
u21 + u22 + + u2n
Proposici
on 7.3.1 Sea V un espacio euclidiano, entonces se tiene
1. ||u|| = || ||u|| IR, u V
2. ||u|| 0 u V
3. ||u|| = 0 si y s
olo si u = ~0
Demostraci
on (1)
||u|| = < u, u > = 2 < u, u > = 2 < u, u > =

= || ||u||
Demostraci
on (2)
< u, u > esta denida u V y

< u, u > 0 u V
< u, u > 0 u V luego ||u|| 0 u V

Demostracion (3)
||u|| = 0
< u, u > = 0 < u, u >= 0 u = ~0
296

no
Algebra Lineal
Proposici
on 7.3.2 (Desigualdad de Cauchy-Schwartz) Sea V
un espacio euclidiano, entonces
| < u, v > | ||u|| ||v|| u, v V
Demostraci
on
Supongamos primero que v = ~0. Entonces ambos miembros de la
igualdad son cero (ejercicio).
Supongamos v 6= 0 luego < v, v >6= 0. Sea =
<u,v>
.
<v,v>
Como la forma bilineal es positiva, se tiene que

 0
De la bilinealidad, se deduce
< u, u > < u, v > < v, u > +2 < v, v > 0
Usando la propiedad simetrica y la denicion de se tiene
< u, u > 2
< u, v >2 < u, v >2

< u, v >2
+
0 < u, u >
0
< v, v >
< v, v >
< v, v >
Multiplicando por < v, v > se tiene

< u, u >< v, v > < u, v >2 0 < u, u >< v, v >< u, v >2
luego
< u, u > < v, v > | < u, v > | | < u, v > | ||u|| ||v||
Ejemplo
En IR2 con el producto escalar usual, se tiene
| < (x1 , y1 ), (x2 , y2 ) > | ||(x1 , y1 )|| ||(x2 , y2 )||
es decir
|x1 x2 + y1 y2 |
x21 + y12
x22 + y22
Captulo 7.
297
Ejemplo
En IRn con el producto escalar usual, se tiene
| < (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) > |
||(x1 , x2 , . . . , xn )|| ||(y1 , y2 , . . . , yn ||
es decir

n

X

x

i yi

i=1
elevando al cuadrado, se tiene

X
xi yi
2
v
u n
uX
t
x2
i
i=1
n
X
i=1
v
u n
uX
t y2
x2i
i=1
n
X
yi2
i=1
conocida como la desigualdad de Lagrange.

Corolario 7.3.3 (Desigualdad triangular de Minkowsky)
||u + v|| ||u|| + ||v||
Demostraci
on
||u + v||2 ==
=< u, u > + < u, v > + < v, u > + < v, v >=
=< u, u > +2 < u, v > + < v, v >= ||u||2 + 2 < u, v > +||v||2
||u||2 + 2||u|| ||v|| + ||v||2 = (||u|| + ||v||)2
Como ||u + v|| y ||u|| + ||v|| son positivos, entonces

||u + v|| ||u|| + ||v||
Corolario 7.3.4
| ||u|| ||v|| | ||u v||
298

no
Algebra Lineal
Demostraci
on
Puesto que u = (u v) + v, por el corolario anterior se tiene
||u|| ||u v|| + ||v||
luego
||u|| ||v|| ||u v||
(7.3)
Ademas v = (v u) + u, luego
||v|| ||v u|| + ||u||
luego
||v|| ||u|| ||v u|| = ||u v||
de donde
||v|| ||u|| ||u v||
(7.4)
Por (7.3) y (7.4)

| ||u|| ||v|| | ||u v||
7.3.3
Ortogonalidad
En IR2 , considerando el producto usual se tiene que el producto entre

dos vectores es nulo si y solo si el angulo comprendido es de 2 radianes,
es decir, si y solo si estos vectores son ortogonales.
Este concepto de ortogonalidad se generaliza de la manera siguiente:
Definici
on 7.3.6 En un espacio euclidiano V , diremos que dos vectores u y v son ortogonales si el producto escalar entre ellos es nulo.
Ejemplo
En IR3 , considerando el producto usual se tiene que u = (3, 0, 0) y
v = (0, 5, 0) son ortogonales. Tambien u = (3, 0, 0), w = (0, 0, 7) son
ortogonales.
Captulo 7.
299
Ejemplo
Volviendo al ejercicio (7.1)
f ((1, 1), (2, 0)) = 2 1 2 2 1 0 2 2 1 + 5 1 0 = 0
Entonces diremos que u = (1, 1) y v = (2, 0) son ortogonales con

respecto a este producto.
Definici
on 7.3.7 Sea S = {u1 , u2 , . . . , un } en un espacio euclidiano
V . Diremos que S es un conjunto ortogonal de vectores si los vectores de S son ortogonales de dos en dos. Si ademas todos ellos tienen
norma 1, diremos que S es un conjunto ortonormal de vectores.
Ejemplo
En el ejercicio (7.1) el conjunto B = {(1, 1), (2, 0)} es ortogonal.
n

1 , 1
El conjunto C =
,
3
3
mismo producto escalar.
o
1 , 0
2
es ortonormal con respecto al
Ejercicio
Sea V = {f : [l, l] IR; f continua}, con el producto escalar
siguiente:
(f, g) =
f (x)g(x)dx
nx
nx
, sen
; n = 0, 1, 2, . . .} es una fal
l
milia ortogonal. Determinemos ademas la norma de cada vector.

Demostremos que cos
300

no
Algebra Lineal
Soluci
on
1. Sea m 6= n

Z l
mx
nx
nx
mx
cos
, cos
=
cos
dx =
cos
l
l
l
l
l
"
!
!#
Z l
1
(m + n)x
(m n)x
=
cos
+ cos
dx = 0
l
l
l 2

2. Sea m 6= n

Z l
nx
nx
mx
mx
, sen
=
sen
dx =
sen
sen
l
l
l
l
l
"
!
!#
Z l
1
(m n)x
(m + n)x
cos
cos
dx = 0
=
l
l
l 2

3. m, n IN

Z l
nx
nx
mx
mx
, sen
=
sen
dx =
cos
cos
l
l
l
l
l
"
!
!#
Z l
1
(m n)x
(m + n)x
=
sen
+ sen
dx = 0
l
l
l 2

Luego la familia dada es ortogonal Ahora busquemos la norma de estas

funciones
1. Para n = 0, se tiene cos 0x = 1 y su norma es
es decir, ||1|| =
||1||2 =
dx = 2l
2l
2. Para n 1

nx 2 Z l
2 nx
cos
dx =
=
cos

l
l
l

2nx
1Z l
dx =
1 + cos
=
2 l
l
1
l
2nx
=
x+
sen
2
2n
l

!l

=l
Captulo 7.
301
es decir

nx
cos
= l

3. Para n 1

nx 2 Z l
2 nx
sen
dx =
=
sen

l
l
l

2nx
1Z l
dx =
1 cos
=
2 l
l
1
l
2nx
=
x
sen
2
2n
l

es decir
!l

=l

nx
sen
= l

Definici
on 7.3.8 Sea V un espacio euclidiano de dimensi
on finita.
Diremos que el conjunto B = {u1 , u2 , . . . , un } es una base ortonormal de V , si B es una base de V y B es un conjunto ortonormal de
vectores de V .
Teorema 7.3.5
(Proceso de ortonormalizaci
on de Gram-Schmidt)
Todo espacio euclidiano V de dimensi
on finita n, no nulo, admite una
base ortonormal {g1 , g2 , . . . , gn }.
Demostraci
on
1. Si dim V = 1. Sea {u} una base de V , entonces g =
tiene que ||g1 || = 1.
2. Si dim V = 2. Sea {u1 , u2 } una base de V , entonces g1 =
Sea v2 = u2 < u2 , g1 > g1 . Se tiene que
1
. Se
||u||
1
u1 .
||u1 ||
302

no
Algebra Lineal
< v2 , g1 > = < u2 < u2 , g1 > g1 , g1 >=

= < u2 , g1 > < u2 , g1 >< g1 , g1 >= 0
Se construye g2 =
1
v2
||v2 ||
Entonces {g1 , g2 } es una base ortonormal de V .

3. Si dim V = 3. Sea {u1 , u2 , u3 } una base de V . Se construye v3 de
la manera siguiente
v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
Se tiene que < v3 , g1 >= 0 y < v3 , g2 >= 0 (se deja de ejercicio

al lector). Luego se construye g3 de la manera siguiente
g3 =
1
v
||v3 || 3
En general se construye vr de la manera siguiente

vr = ur < ur , g1 > g1 < ur , g2 > g2 < ur , gr1 > gr1
gr =
1
v
||vr || r
Este proceso debe terminar en alg

un momento pues el espacio
euclidiano considerado es de dimension nita.
Definici
on 7.3.9 Diremos que {g1 , . . . , gn } es la base ortonormalizada de {u1 , u2 , . . . , un }.
Ejercicio
Con respecto al producto escalar
< (x, y), (x , y ) >= 2xx 2xy 2x y + 5yy
ortonormalicemos la base B = {(1, 1), (1, 1)}

Soluci
on
Sea u1 = (1, 1)
||u1 ||2 =< (1, 1), (1, 1) >= 2 1 1 2 1 1 2 1 1 + 5 1 1 = 3
Captulo 7.
303
(1, 1)
g1 =
3
v2 = u2 < u2 , g1 > g1
D
v2 = (1, 1) (1, 1), (1,1)

3
(1,1)
v2 = (1, 1) < (1, 1), (1, 1) >
(1,1)
3
v2 = (1, 1) (2 1 1 2 1 1 2 1 (1) + 5 (1) 1)

v2 = (1, 1) + 3
(1,1)
3
(1,1)
3
= (1, 1) + (1, 1) = (2, 0)
< v2 , v2 >=< (2, 0), (2, 0) >= 8
||v2 || = < v2 , v2 > = 2 2

g2 =
(1, 0)
(2, 0)
=
2 2
2
La base ortonormalizada es B =
(1,1)
, (1,0)
2
3
Ejemplo
En IRn , con el producto usual, el conjunto
S = {e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1)}
es un conjunto ortonormal.
Ejemplo
En V = {f : [0, 1] IR contnuas} con el producto escalar
< f, g >=
f (t)g(t)dt, el conjunto

cos mx sen nx
l
l
S=
es un conjunto ortonormal de vectores.
; m, n IN
304

no
Algebra Lineal
Ejemplo
En IR2 , con el producto usual B = {(1, 0), (0, 1)} es una base ortonormal de IR2 .
Proposici
on 7.3.6 Sea V un espacio euclidiano. Sea U un subespacio de V , entonces el conjunto S = {v V ; < u, v >= 0 u U }
es un sub-espacio vectorial de V .
Demostraci
on
Sean u1 , u2 U entonces
1. < u1 + u2 , v >=< u1 , v > + < u2 , v >= 0 + 0 = 0, luego
u1 + u 2 U .
2. Ademas < u1 , v >= < u1 , v >= 0 = 0 luego u1 U
Por (1.) y (2.) S es un sub-espacio vectorial de V .
Definici
on 7.3.10 El sub-espacio S de la proposicion anterior ser
a
denotado S y es llamado el subespacio ortogonal a S.
7.3.4
Angulo y distancia entre vectores
En IR2 , considerando el producto punto, se obtiene el coseno del angulo

menor entre dos vectores de la igualdad
< u, v >= ||u|| ||v|| cos
Este concepto se generaliza de la manera siguiente:
Definici
on 7.3.11 Sea V un espacio vectorial euclidiano con producto escalar < u, v >. Se define el coseno del
angulo menor comprendido entre dos vectores no nulos como
< u, v >
cos =
||u|| ||v||
Captulo 7.
305
Ejemplo
En IR2 con el producto
escalar usual, el angulo menor entre los vectores

u = (1, 0) y v = 21 , 23 es
< (1, 0),
cos =
(1, 0)

3
1
,
>
2 2

1
, 3
2 2
1
2
11
1
2
luego = 3 . Por supuesto que el angulo entre u = (1, 0) y w = (1,

es tambien = 3
3)
Ejemplo
En IR2 , considerando el producto escalar del
ejemplo (7.1). El angulo
menor entre los vectores u = (1, 0) y v = (1, 3) es
cos =
3)>
<(1,0),(1,
||(1,0)||||(1, 3)||
21121 3201+50( 3)

2 174 3
174 3
22
Observaci
on
En IR2 , consideremos el producto usual. La distancia entre dos puntos
de IR2 , P1 = (x1 , y1 ) y P2 = (x2 , y2 ) es
d(P1 , P2 ) =
(x2 x1 )2 + (y2 y1 )2
Este n
umero corresponde a ||(x2 , y2 ) (x1 , y1 )||, es decir, se puede
pensar como la distancia entre dos vectores
d((x1 , y1 ), (x2 , y2 )) = ||(x2 , y2 ) (x1 , y1 )||
Este concepto de distancia entre dos vectores se puede generalizar de
la manera siguiente:
Definici
on 7.3.12 Sea V un espacio euclidiano con norma ||u||, entonces la aplicaci
on d : V V IR+
0 definida por d(u, v) = ||u v||,
es llamada la funci
on distancia. El n
umero d(u, v) es llamado la
distancia entre u y v .
306

no
Algebra Lineal
Proposici
on 7.3.7 Sea V un espacio euclidiano. Entonces
1. d(u, v) 0 u, v V
2. d(u, v) = 0 si y s
olo si u = v
3. d(u, v) = d(v, u) u, v V
4. d(u, v) d(u, w) + d(w, v) u, v, w V
La demostracion la dejamos al lector
Definici
on 7.3.13 Un espacio vectorial real dotado de una distancia
es llamado un espacio m
etrico.
7.4
Formas bilineales sim

etricas
El estudio de las formas bilineales esta ntimamente ligado al estudio

de las formas cuadraticas.
Definici
on 7.4.1 Sea f : V V K una forma bilineal simetrica.
Consideremos una funcion qf : V K definida por
qf (v) = f (v, v) v V
(7.5)
Esta funcion de una variable, es llamada la forma cuadr

atica sobre
V asociada a la forma bilineal f .
Ejemplo
La funcion cuadratica asociada al producto interno usual de IRn es
q(x1 , x2 , . . . , xn ) = x21 + x22 + + x2n
Captulo 7.
307
Ejemplo
Sea f : IR2 IR2 IR del ejercicio (7.1).
Entonces la funcion cuadratica asociada a f es

q((x, y)) = 2x2 4xy + 5y 2
Nota: Recprocamente, si q es la forma cuadratica asociada a una
forma bilineal f , podemos recuperar f de la manera siguiente:
1
f (u, v) = [q(u + v) q(u) q(v)] u, v V
2
(7.6)
Las formulas (7.5) y (7.6) son conocidas como identidades de polarizacion y muestran que no solamente q esta unvocamente determinada
por f , sino tambien q determina unvocamente a f .
Proposici
on 7.4.1 Sea f : V V IR bilineal simetrica, Si
f (v, v) = 0 v V , entonces f es nula.
Demostraci
on
Sea u, v V , entonces
0 = f (u + v, u + v) = f (u, u) + 2f (u, v) + f (v, v) =

= 2f (u, v) luego f (u, v) = 0 u, v V luego f = 0.
7.5
Ejercicio
Sea f : M2 (IR) M2 (IR) IR, la forma bilineal denida por:
e
a b
,
f(
g
c d

f
) = ae + 2bf + 3cg + dh
h

1. Demostremos que f es un producto interno en M2 (IR).
308

no
2. Sean
Algebra Lineal
2 1
1 1
yB=
1 1
0 1
Calculemos ||A||, ||B||, d(A, B) y el angulo comprendido entre
AyB
A=
Soluci
on de (1)
Se ha supuesto que f es bilineal. Debemos demostrar entonces:
(a) Demostremos que f es simetrica.

a b
e f
f(
,
) = ae + 2bf + 3cg + dh
c d
g h

a b
e f
) = ea + 2f b + 3gc + hd
,
f(
c d
g h
ambos productos son iguales, luego f es simetrica.
(b) Demostremos que f es positiva.

a b
a b
f(
,
) = a2 + 2b2 + 3c2 + d2 0
c d
c d
(c) demostremos que f esta bien denida.

a b
a b
) = a2 + 2b2 + 3c2 + d2 = 0
,
f(
c d
c d
a=0=b=c=d
por (a), (b) y (c) f es un producto interno.
Soluci
on de (2)
||A|| =
=
< A, A > =
1+2+0+1=
||B|| =
< B, B > =
<
1 1
1 1
,
0 1
0 1

>=
4=2
<
2 1
2 1
,
1 1
1 1

>=
Captulo 7.
=
4+2+3+1=
10
d(A, B) = ||A B|| = ||

s
1 1
0 1
2 1
|| =
1 1

1 2
1 2
1 2
= ||
|| = <
,
1
0
1 0
1 0
= 1 + 8 + 3 + 0 = 12 = 2 3

309

>=
Tenemos que ||A|| ||B|| cos =< A, B >, luego
cos =
< A, B >
=
||A|| ||B||
luego
<
2 1
1 1
,
1 1
0 1
2 10

>
1
=
2 10
1
= arccos
2 10
Ejercicio
Sea f : IR2 IR2 IR una forma bilineal denida por:
f ((x1 , y1 ), (x2 , y2 )) = 3x1 x2 + 2x1 y2 + 2x2 y1 + 10y1 y2
1. Demuestre que f es un producto interno.
2. Sean u = (1, 1) y v = (1, 0). Encuentre la norma de estos dos
vectores, la distancia entre ellos y el coseno del angulo comprendido entre ellos.
Soluci
on de (1)
Se ha dado por supuesto que es bilineal. Debemos demostrar entonces:
(a) f es simetrica.
En efecto
310

no
Algebra Lineal
f ((x1 , y1 ), (x2 , y2 )) = 3x1 x2 + 2x1 y2 + 2x2 y1 + 10y1 y2

f ((x2 , y2 ), (x1 , y1 )) = 3x2 x1 + 2x2 y1 + 2x1 y2 + 10y2 y1
Ambas imagenes coinciden, luego f es simetrica.
(b) f es positiva.
En efecto
f ((x, y), (x, y)) = 3x2 +4xy+10y 2 = 2x2 +(x2 +4xy+4y 2 )+6y 2 =
= 2x2 + (x + 2y)2 + 6y 2 0 (x, y) IR2
(c) f esta bien denida.
En efecto
f ((x, y), (x, y)) = 0 2x2 + (x + 2y)2 + 6y 2 = 0
x = y = 0 (x, y) = (0, 0)
por (a), (b) y (c) f es un producto interno.

Soluci
on de (2)
||u|| = ||(1, 1)|| =
||v|| = ||(1, 0)|| =
f ((1, 1), (1, 1)) = 3
f ((1, 0), (1, 0)) = 3
d(u, v) = ||u v|| = ||(1, 1) (1, 0)|| = ||(0, 1)|| =
3 02 + 4 0 (1) + 10 (1)2 = 10
Tenemos que
< u, v >= ||u|| ||v|| cos

luego cos =
< u, v >
||u|| ||v||
< u, v >=< (1, 1), (1, 0) >= 311+210+21(1)+10(1)0 = 1

1
Luego cos =
3 3
Captulo 7.
311
Ejercicio
Sobre M2 (IR), consideremos el producto interno siguiente:
f : M2 (IR) M2 (IR) IR; f (A, B) = tr(At B)
Sea S subespacio de M2 (IR) con base
C = {u1 =
1 1
, u2 =
1 0

1 1
, u3 =
1 0

1 0
}
0 1

1. Ortonormalicemos la base de C de S
2. Busquemos el subespacio ortogonal a S
Soluci
on de (1)
s
||u1 || =
tr
t
1 1
1 0
1 1
1 0
1 1
Sea g1 =
1 0
Se tiene que v2 = u2 < u2 , g1 > g1 =
=
||v2 || =
1
3
1 1
<
1 0

1 1
1 0
1 1 1
, 3
1 0

(1 + (1) +
( 32 )2 + ( 43 )2 + ( 32 )2 =
2
3
1) 13
1 1
1 o
1 1
1 0
v3 =
2
3
2
3
1 0
<
0 1

1 0 1
, 3
0 1

1 =
3
2
3
2
3
34
1 2
= 16
g2 = 6
0
1 0
3
Se tiene que: v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
1
>
1 1
1 0
>
1
3
1 1
1 0

43
0
312

no
<
1 1 1
, 6
1 0
1 2
1 0
>
1 0
0 1
1 1
1 0
1
6
||v3 || =
g3 =
tr
1
2
0
1
1
2
3
1
3
1
2
0
1
21

t
1
6
1 2
1 0
1
2
21
2
2 3
223
1 2
1 0
2
3
0
1
Algebra Lineal
1
2
0
1
21
( 21 )2 + ( 21 )2 + 12 =
3
2
Luego {g1 , g2 , g3 } es la base ortonormal de S obtenida por el proceso

de Grahn-Schmidt.
Soluci
on de (2)
Busquemos el subespacio ortogonal a S
Construyamos el sistema de ecuaciones siguiente:
<
<
x y
1 1
,
z t
1 0

1 1
x y
,
1 0
z t
<

1 0
x y
,
0 1
z t

>= 0 x + y + z = 0
>= 0 x y + z = 0
>= 0 x + t = 0
Si escalonamos el sistema tenemos: x = t; y = 0; z = t.
Luego el subespacio ortogonal de S es S =<
1 0
1 1
>
Ejercicio
Sea f : IR3 IR3 IR denida por:
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = 2x1 x2 +3x1 y2 +3x2 y1 +5y1 z2 +5y2 z1 +4z1 z2
Captulo 7.
313
1. Busquemos la forma cuadratica asociada a esta forma bilineal

simetrica.
2. Busquemos la matriz asociada a f con respecto a la base
canonica.
Soluci
on de (1)
q(x, y, z) = f ((x, y, z), (x, y, z)) = 2x2 + 3xy + 3xy + 5yz + 5yz + 4z 2 .
Luego q(x, y, z) = 2x2 + 6xy + 10yz + 4z 2
Soluci
on de (2)
Tenemos que hacer los siguientes calculos:
f ((1, 0, 0), (1, 0, 0)) = 2; f ((1, 0, 0), (0, 1, o)) = 3;
f ((0, 1, 0), (1, 0, 0)) = 0; f ((1, 0, 0), (0, 0, 1)) = 0
f ((0, 0, 1), (1, 0, 0)) = 0; f ((0, 1, 0), (0, 1, 0)) = 0
f ((0, 1, 0), (0, 0, 1)) = 5; f ((0, 0, 1), (0, 1, 0)) = 5
f ((0, 0, 1), (0, 0, 1)) = 4
2 0 0
Luego (f ; C, C) =
3 0 5
0 5 4
Ejercicio
Sea q : IR3 IR denida por: q(x, y, z) = 3x2 + 2xz 10yz + 2z 2
1. Busquemos la matriz asociada a q con respecto a la base canonica
C = {e1 , e2 , e3 }
2. Busquemos la forma bilineal asociada a q
314

no
Algebra Lineal
Soluci
on de (1)
Tenemos que
q(x, y, z) = ( x y
= ( ax + by + cz
bx + dy + ez
x
a b c

z)b d e y =
z
c e f
x

cx + ey + f z ) y =
z
= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 ) =

= (ax2 + 2bxy + 2cxz + dy 2 + 2eyz + f z 2 )
Luego a = 3; b = 0; c = 1; d = 0; e = 5; f = 2
Luego
3 0 1
(q; C) = 0 0 5
1 5 2
Soluci
on de (2)
f (e1 , e1 ) = 3; f (e1 , e2 ) = f (e2 , e1 ) = 0; f (e1 , e3 ) = f (e3 , e1 ) = 1;
f (e2 , e2 ) = 0; f (e2 , e3 ) = f (e3 , e2 ) = 5; f (e3 , e3 ) = 2
Sea x = 1 e1 + 2 e2 + 3 e3 y y = 1 e1 + 2 e2 + 3 e3
f (x, y) = f (1 e1 + 2 e2 + 3 e3 , 1 e1 + 2 e2 + 3 e3 ) =
= 1 1 3 + (1 2 + 2 , 1 ) 0 + (1 3 + 3 1 ) 1 + 2 2 0 +
+ (2 3 + 3 2 ) (5) + 3 3 2
Luego
f (x, y) = 31 1 + 1 3 + 3 1 + (5)2 3 + (5)3 2 + 23 3

O bien lo podramos haber obtenido de la manera siguiente:
Captulo 7.
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = ( x1
7.6
315
y1
x2
a b c
z1 ) b d e y2
z2
c e f
1. Sea f : IR3 IR3 IR una forma bilineal denida por:

f ((x, y, z), (a, b, c)) = xa + 4xb + kya + lyb + mzc
(a) Encuentre las propiedades que deben cumplir k, l, m de
manera que f sea un producto interno.
(b) Para k = 4, l = 17, m = 1, encuentre la matriz asociada a
f con respecto a la base B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
2. Sea q : IR3 IR la forma cuadratica denida por q(x, y, z) = xy.
(a) Encuentre la forma bilineal simetrica sociada a q.
(b) Encuentre la matriz asociada a q con respecto a la base
B = {(1, 1, 0), (1, 1, 0), (0, 0, 1)}
3. Sea f : V V IR un producto interno. Demuestre que
f (u, v) = 41 ku + vk2 14 ku vk2 .
4. Demuestre que ku + vk2 = kuk2 + kvk2 u es ortogonal con v.
5. Considere el producto escalar <, >: IR3 IR3 IR denido por:
< (x, y, z), (x , y , z ) >= 2xx + 2xz + 2x z + 3zz + yy
Sea S = {(x, y, z); x + y + z = 0}. Encuentre S .

Libro de Algebra Lineal

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Libro de Algebra Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

Indice de materias

Determinacion de una aplicacion lineal .

Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 268

Ejemplo: 2x1 3x2 + 5x3 = 7

No es lineal, pues hay incognitas

Antiejemplo: 2x2 + 3x 5t = 5 No es lineal, pues la incognita x

M.T. Alcalde - C. Burgue

K un cuerpo. Los xi son llamados inc

Recuerde que ZZ es un anillo, no alcanza a ser un cuerpo.

Otro ejemplo: Sea y = 1, z = 0, entonces x = 23 + 52 , luego x = 1.

Es interesante que sepas, que cuando en matematica uno dene un

Sistemas de Ecuaciones Lineales

Estas dos ecuaciones son equivalentes.

Hemos observado que hay alumnos que no saben resolver la ecuacion

M.T. Alcalde - C. Burgue

Este es un sistema de ecuaciones lineales de 2 ecuaciones y 3 incognitas.

Sistema formado por 4 ecuaciones y 2 incognitas

Sistema formado por 3 ecuaciones y 3 incognitas.

Este sistema es incompatible, pues no existen 3 n

Sistemas de Ecuaciones Lineales

Bueno, como has podido apreciar no hay relacion entre el n

Donde ij , i K, los xj son llamados las inc

Dada la denicion, el proximo paso a seguir es denir cuando dos

M.T. Alcalde - C. Burgue

En esta seccion nos ocuparemos de como obtener a partir de algunas

De este sistema podemos obtener la ecuacion

Sistemas de Ecuaciones Lineales

Pero, veamos cuales son estas operaciones. Es trivial que si cambiamos

A pesar de ser una operacion trivial, la usaremos a lo largo de todo

M.T. Alcalde - C. Burgue

La ecuacion (1) fue multiplicada por 2.

En el primer sistema, existe una u

Sistemas de Ecuaciones Lineales

A la segunda ecuacion, le hemos sumado 1 vez la primera ecuacion.

3. La tercera operacion: Si la ecuacion Ei la cambiamos por Ei =

M.T. Alcalde - C. Burgue

Sistemas dependientes e independientes

Si en un sistema, una ecuacion esta escrita dos veces, es algo realmente

Vemos que E3 = E1 E2 , es decir, E3 es una combinacion lineal de

Este sistema no es dependiente pues una ecuacion no es m

Sistemas de Ecuaciones Lineales

mas ecuaciones que incognitas.

Cuando estudiamos un sistema de ecuaciones lineales, a nosotros nos

M.T. Alcalde - C. Burgue

lo mismo ocurre en un sistema de 3 ecuaciones y 3 incognitas. Debido a

Estudiemos el sistema formado por las n primeras ecuaciones. Este

Sistemas de Ecuaciones Lineales

De esta ecuacion se despeja xn+1 (recuerde que los 1 , , n estan en

Proceso de escalonamiento de un sistema

El proceso que nos ocupa ahora es escribir los sistemas en su forma

Observemos como estan dispuestos los coecientes:

M.T. Alcalde - C. Burgue

Los coecientes estan distribudos como sigue:

Sistemas de Ecuaciones Lineales

Sus coecientes estan distribudos como sigue:

M.T. Alcalde - C. Burgue

Y si al escalonar, las las distintas de cero corresponde a un sistema

Sistemas de Ecuaciones Lineales

pero, siempre respetando el orden.

Es decir, la solucion es (1, 2, 1)

Realmente facil de obtener la solucion cierto ?

M.T. Alcalde - C. Burgue

Es decir tenemos el sistema

Si despejamos las incognitas que corresponden a los lderes, tenemos: